CN114995460A - 一种基于自适应改进蚁群算法的机器人路径规划方法 - Google Patents

一种基于自适应改进蚁群算法的机器人路径规划方法 Download PDF

Info

Publication number
CN114995460A
CN114995460A CN202210777005.XA CN202210777005A CN114995460A CN 114995460 A CN114995460 A CN 114995460A CN 202210777005 A CN202210777005 A CN 202210777005A CN 114995460 A CN114995460 A CN 114995460A
Authority
CN
China
Prior art keywords
path
pheromone
algorithm
ant
initial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210777005.XA
Other languages
English (en)
Other versions
CN114995460B (zh
Inventor
赵野
孙慢
周子天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202210777005.XA priority Critical patent/CN114995460B/zh
Publication of CN114995460A publication Critical patent/CN114995460A/zh
Application granted granted Critical
Publication of CN114995460B publication Critical patent/CN114995460B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于自适应改进蚁群算法的机器人路径规划方法，用于提高算法的全局寻优能力和收敛速度。包括如下步骤：建立栅格地图环境；采用Djikstra算法在地图中规划一条初始路径，提高该路径上的信息素含量，按照扩散模型进行信息素扩散；初始化参数和禁忌表，释放蚂蚁，按照改进的状态转移规则选择下一节点；更新禁忌表和路径长度，直到蚂蚁到达终点；按照改进的信息素更新公式更新信息素；输出最优路径及路径长度。本发明改进的蚁群算法用于规划复杂地图环境下移动机器人的最短路径，该方法提高了算法的收敛速度，降低路径规划时间，减少了蚂蚁搜索过程中的盲目性和随机性，减少了路径的拐点个数，提高机器人路径规划的效率。

Description

一种基于自适应改进蚁群算法的机器人路径规划方法
技术领域
本发明涉及机器人路径规划领域，具体涉及一种基于自适应改进蚁群算法的机器人路径规划方法。
背景技术
路径规划是移动机器人自主导航最关键的一个环节，也是移动机器人研究的热点之一，其主要任务是在地图信息已知或者未知的环境中，依据距离最短、时间最优、能耗最低等一条或多条评价指标规划一条从起始位置到目标位置的一条安全无碰撞路径。目前，许多传统算法应用在移动机器人路径规划的问题上，如A*算法、人工势场法、快速搜索随机树法等。随着智能算法的不断发展，如蚁群算法、粒子群算法、萤火虫算法和人工神经网络算法等逐渐应用在机器人路径规划领域。
蚁群算法是由意大利学者Dorigo提出的一种模仿蚂蚁觅食过程的一种仿生智能算法，具有正反馈、并行计算、鲁棒性好等优点，被广泛的应用在移动机器人路径规划领域。但是传统的蚁群算法存在收敛速度慢、易于陷入局部最优、陷入死锁等问题。针对蚁群算法的不足，很多学者对蚁群算法进行改进，主要从参数的优化、信息素的初始化与更新规则、算法的结构这几个方面进行改进并取得了一定的成果。王晓燕等利用人工势场法求得的初始路径来构造启发信息，避免了陷入局部最优的问题，该算法运行时间较长。XiaolinDai等引入A*算法的评价函数和弯曲抑制因子，改进了蚁群算法的启发式信息，加快了算法的收敛速度，同时蚁群的多样性降低，容易陷入局部最优。张恒等针对复杂环境下蚁群算法死锁问题严重的问题，设计了自由寻路-剪枝策略，当蚁群发生死锁时可以迅速跳出并优化路径，但算法结构设计复杂。HuiYang提出一种并行精英蚁群优化方法，并在长度、平滑度、安全性方面进行优化，在复杂地图下能够生成更好的无碰撞路径，但算法在不同环境下的适应度不强。
发明内容
为解决蚁群算法在移动机器人路径规划中存在搜索初期具有盲目性、收敛速度慢、容易陷入局部最优和路径拐点多的问题，本发明提出了一种基于自适应改进蚁群算法的机器人路径规划方法，通过初始信息素非均匀分布、改进状态转移策略和信息素更新公式实现了移动机器人在栅格地图环境下的最短路径规划。
为实现上述目的，本发明采用的技术方案为：
一种基于自适应改进蚁群算法的机器人路径规划方法，包括以下步骤：
S1：建立栅格地图环境，确定起始点和目标点；采用最短路径算法规划出一条初始路径，进行初始信息素分布；
S2：根据人工势场模型对初始路径上的信息素进行扩散；初始化参数和禁忌表，释放蚂蚁；
S3：根据状态转移策略选择下一节点，不断更新禁忌表和路径长度并记录蚂蚁的走的路径，若蚂蚁到达终点，更新信息素，若达到设定的最大迭代次数，输出最优路径以及收敛曲线。
所述最短路径算法采用Dijkstra算法，规划出一条初始路径，进行初始信息素分布，如式(1)所示：
Figure BDA0003727879710000021
其中，τi(0)为初始信息素矩阵；τ0为初始信息素含量；L为Dijkstra算法寻找到的路径，i为路径L上的节点，C为节点i的信息素增量。
所述根据人工势场模型对初始路径上的信息素进行扩散，设定当前网格的信息素含量为a1、网格垂直方向的网格信息素含量为a2、斜边方向的网格信息素含量为a3。
所述初始化参数和禁忌表，释放蚂蚁，如式(2)所示的伪随机转移策略选择下一节点：
Figure BDA0003727879710000022
其中，其中α为信息素因子，表示信息素的重要程度；β为启发函数因子，表示启发信息的重要程度；参数q0采取动态调整的规则，如式(3)所示：
Figure BDA0003727879710000023
设定参数q0最大值q0max；最小值q0min；当前迭代次数n；最大迭代次数N；δ为系数；
改进的启发函数，如式(4)所示：
Figure BDA0003727879710000024
其中：
Figure BDA0003727879710000031
Figure BDA0003727879710000032
Figure BDA0003727879710000033
其中，djg表示待选节点到目标点的欧氏距离，σ为相关系数；
Figure BDA0003727879710000034
为刺激概率，其大小和网格周围障碍物的数量有关，Nobs代表该节点周围障碍物的个数。
不断更新禁忌表和路径长度并记录蚂蚁的走的路径；
若蚂蚁到达终点，更新信息素；式(8)为迭代最优路径的信息素更新公式，式(9)为迭代最差路径的信息素更新公式，其余路径上的信息素按照式(10)进行更新：
Figure BDA0003727879710000035
Figure BDA0003727879710000036
Figure BDA0003727879710000037
其中，L为蚂蚁本次迭代的路径长度，n为路径的转弯次数，Lbest是最优路径的长度，Lworst是最差路径的长度，Q1，Q2为信息素增强系数；
若达到设定的最大迭代次数，输出最优路径。
有益技术效果
本发明提出的一种基于自适应改进蚁群算法的机器人路径规划方法，有益效果如下：
1、本发明结合Dijkstra算法实现了初始信息素非均匀分布，从而降低了蚂蚁收索初期的盲目性。
2、本发明自适应的调整伪随机转移策略中的参数，并引入刺激概率到启发函数中，平衡了解的多样性和收敛速度之间的矛盾，避免陷入局部最优；
3、本发明改进信息素更新公式，分别增加和减少最优、最差路径的信息素含量，并加入转弯次数，增加了路径的平滑性。
附图说明
图1为本发明实例提供的方法流程图；
图2为本发明实例提供的栅格地图环境示意图；
图3为本发明实例提供的Dijkstra算法生成的初始路径图；
图4为本发明实例提供的信息素扩散模型示意图；
图5为本发明实例提供的简单栅格地图的示意图；
图6为本发明实例提供的复杂栅格地图的示意图；
图7为本发明实例提供的传统蚁群算法在简单栅格地图下的路径规划图；
图8为本发明实例提供的改进蚁群算法在简单栅格地图下的路径规划图；
图9为本发明实例提供的在简单栅格地图下的收敛曲线对比图；
图10为本发明实例提供的传统蚁群算法在复杂栅格地图下的路径规划图；
图11为本发明实例提供的改进蚁群算法在复杂栅格地图下的路径规划图；
图12为本发明实例提供的在复杂栅格地图下的收敛曲线对比图。
具体实施方式
为了让本发明的技术方案解释的更加清楚，下面结合附图及实例，对本发明进行详细说明。
蚁群算法是模仿蚂蚁觅食过程设计出的智能启发式算法，蚂蚁觅食时在路径上释放信息素，后面的蚂蚁会被信息素含量多的路径吸引，进一步增加该路径上的信息素，从而形成正反馈，蚂蚁找到全局最优路径。
为解决蚁群算法在移动机器人路径规划中存在搜索初期具有盲目性、收敛速度慢、容易陷入局部最优和路径拐点多的问题，本实施例提出了一种基于自适应改进蚁群算法的机器人路径规划方法，通过初始信息素非均匀分布、改进状态转移策略和信息素更新公式实现了移动机器人在栅格地图环境下的最短路径规划。
为实现上述目的，本实施例采用的技术方案为：
一种基于自适应改进蚁群算法的机器人路径规划方法，如图1所示，包括以下步骤：
S1：建立栅格地图环境，确定起始点和目标点；采用最短路径算法规划出一条初始路径，进行初始信息素分布；
本实施例中，采用Dijkstra算法在地图中找到一条最短路径，搜寻的路径如图3，提高该路径上的信息素含量并扩散，蚁群算法的初始信息素含量分布相同，为了避免蚂蚁在初期搜索花费大量时间，提高算法的收敛速度，初始信息素分布，如式(1)所示：
Figure BDA0003727879710000041
其中，τi(0)为初始信息素矩阵；τ0为初始信息素含量；L为Dijkstra算法寻找到的路径，i为路径L上的节点，C为节点i的信息素增量；
本实施例中，模仿机器人在二维空间的运动，常用的环境建模方法有栅格法、拓扑法、可视图法，本实施例采用使用最广泛地栅格法建立地图环境，将地图环境划分为N*N个网格，边长为1；白色网格代表机器人可行的网格，黑色网格代表障碍；将机器人看成一个质点，占据一个网格大小，机器人的移动按照八叉树的形式；为了存储路径的方便，如图2采用序号法进行标记，从左到右分别是1、2、3，.....，100；
S2：根据人工势场模型对初始路径上的信息素进行扩散；初始化参数和禁忌表，释放蚂蚁；
蚂蚁在寻找食物时，蚂蚁不仅在一条路径上释放信息素，而且信息素还会向周围扩散，Dijkstra算法寻找到的路径周围也可能存在更优解，为了改善原蚁群算法模型的缺陷，参考图4的模型进行信息素扩散；
本实施例中，所述根据人工势场模型对初始路径上的信息素进行扩散，设定当前网格的信息素含量为a1、网格垂直方向的网格信息素含量为a2、斜边方向的网格信息素含量为a3；
蚂蚁搜索食物的过程中，路径的选择主要是根据信息素的含量和路径上的启发式信息，所述初始化参数和禁忌表，释放蚂蚁，如式(2)所示的伪随机转移策略选择下一节点：
Figure BDA0003727879710000051
其中，其中α为信息素因子，表示信息素的重要程度；β为启发函数因子，表示启发信息的重要程度；
为了平衡收敛速度和解空间的多样性，本实施例采用自适应的规则来调整q0的值，参数q0采取动态调整的规则，如式(3)所示：
Figure BDA0003727879710000052
蚂蚁在选择路径时受启发式信息影响，而传统蚁群算法中的启发函数只与当前节点到下一选择节点的距离有关，为了加强目标点的引导作用，将距离改为待选节点到目标点的欧氏距离，加快了收敛速度，同时为了蚂蚁在搜索路径是选择更安全的路径，故引入刺激概率的概念加入到启发信息中，让蚂蚁选择周围障碍物更少的网格；
设定参数q0最大值q0max；最小值q0min；当前迭代次数n；最大迭代次数N；δ为系数；
改进的启发函数，如式(4)所示：
Figure BDA0003727879710000061
其中：
Figure BDA0003727879710000062
Figure BDA0003727879710000063
Figure BDA0003727879710000064
其中，djg表示待选节点到目标点的欧氏距离，σ为相关系数；
Figure BDA0003727879710000065
为刺激概率，其大小和网格周围障碍物的数量有关，Nobs代表该节点周围障碍物的个数；
S3：根据状态转移策略选择下一节点，不断更新禁忌表和路径长度并记录蚂蚁的走的路径，若蚂蚁到达终点，更新信息素，若达到设定的最大迭代次数，输出最优路径以及收敛曲线；
本实施例中，不断更新禁忌表和路径长度并记录蚂蚁的走的路径；
传统蚁群算法的信息素更新是所有蚂蚁迭代完一次后进行更新，更新规则只和蚂蚁找到的路径长度有关，当蚂蚁找到更优路径时其信息素含量可能不会比次优路径上的信息素更多，这样就不能加强对最优解的利用，导致算法陷入局部最优；因此本实施例增加最优路径上的信息素含量，削减最差路径上的信息素含量；这样提高了对最短路径的利用效率，算法能更有效的找到全局最优解；同时为了让蚂蚁选择选择转弯次数更少的路径，增加路径的平滑性，在信息素更新公式中加入转弯次数的因素若蚂蚁到达终点，更新信息素；式(8)为迭代最优路径的信息素更新公式，式(9)为迭代最差路径的信息素更新公式，其余路径上的信息素按照式(10)进行更新：
Figure BDA0003727879710000066
Figure BDA0003727879710000071
Figure BDA0003727879710000072
其中，L为蚂蚁本次迭代的路径长度，n为路径的转弯次数，Lbest是最优路径的长度，Lworst是最差路径的长度，Q1，Q2为信息素增强系数；
若达到设定的最大迭代次数，输出最优路径。
本实施例提出了一种基于自适应改进蚁群算法的移动机器人路径规划方法。为了降低蚁群搜索初期的盲目性，结合Dijkstra算法来进行初始信息素的分布，并采用势场模型扩散信息素。其次自适应的调整伪随机转移策略中的参数，并引入刺激概率到启发函数中，平衡了解的多样性和收敛速度之间的矛盾；最后改进信息素更新公式，加入转弯次数，提高了路径的平滑性。通过实验表明，在简单和复杂的地图环境下都可以找到最优路径，并且拐点个数少，路径平滑性和收敛速度与传统蚁群算法相比有明显的改进。
为进一步验证本实施例采用的技术方案具备显著的有益效果，与传统的蚁群算法分别在20*20地图环境下和30*30地图环境下进行仿真验证，地图环境如图5、图6所示，路径环境如图7、图8所示。如图9、图10所示，本实施例的技术方案与传统蚁群算法在20*20地图环境下的对比结果，如图11、图12所示，本实施例的技术方案与传统蚁群算法在30*30地图环境下的对比结果都在路径长度、拐点个数及迭代次数上进行了对比，对比结果如表1所示：
表1本发明的算法与传统蚁群算法的对比结果
Figure BDA0003727879710000073
由表1可知，传统蚁群算法和本发明改进的算法在20*20和30*30地图环境下都可以找出一条可行路径，本发明算法无论在算法寻优能力和收敛速度上都明显好于传统蚁群算法，而且路径转弯次数少，机器人在移动过程中的平滑性更好，满足移动机器人在较短时间内获得最优路径的要求。

Claims (5)

1.一种基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：包括以下步骤：
S1：建立栅格地图环境，确定起始点和目标点；采用最短路径算法规划出一条初始路径，进行初始信息素分布；
S2：根据人工势场模型对初始路径上的信息素进行扩散；初始化参数和禁忌表，释放蚂蚁；
S3：根据状态转移策略选择下一节点，不断更新禁忌表和路径长度并记录蚂蚁的走的路径，若蚂蚁到达终点，更新信息素，若达到设定的最大迭代次数，输出最优路径以及收敛曲线。
2.根据权利要求1所述的基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：
所述最短路径算法采用Dijkstra算法，规划出一条初始路径，进行初始信息素分布，如式(1)所示：
Figure FDA0003727879700000011
其中，τi(0)为初始信息素矩阵；τ0为初始信息素含量；L为Dijkstra算法寻找到的路径，i为路径L上的节点，C为节点i的信息素增量。
3.根据权利要求1所述的基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：
所述根据人工势场模型对初始路径上的信息素进行扩散，设定当前网格的信息素含量为a1、网格垂直方向的网格信息素含量为a2、斜边方向的网格信息素含量为a3。
4.根据权利要求1所述的基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：
所述初始化参数和禁忌表，释放蚂蚁，如式(2)所示的伪随机转移策略选择下一节点：
Figure FDA0003727879700000012
其中，其中α为信息素因子，表示信息素的重要程度；β为启发函数因子，表示启发信息的重要程度；参数q0采取动态调整的规则，如式(3)所示：
Figure FDA0003727879700000013
设定参数q0最大值q0max；最小值q0min；当前迭代次数n；最大迭代次数N；δ为系数；
改进的启发函数，如式(4)所示：
Figure FDA0003727879700000021
其中：
Figure FDA0003727879700000022
Figure FDA0003727879700000023
Figure FDA0003727879700000024
其中，djg表示待选节点到目标点的欧氏距离，σ为相关系数；
Figure FDA0003727879700000025
为刺激概率，其大小和网格周围障碍物的数量有关，Nobs代表该节点周围障碍物的个数。
5.根据权利要求1所述的基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：
不断更新禁忌表和路径长度并记录蚂蚁的走的路径；
若蚂蚁到达终点，更新信息素；式(8)为迭代最优路径的信息素更新公式，式(9)为迭代最差路径的信息素更新公式，其余路径上的信息素按照式(10)进行更新：
Figure FDA0003727879700000026
Figure FDA0003727879700000027
Figure FDA0003727879700000028
其中，L为蚂蚁本次迭代的路径长度，n为路径的转弯次数，Lbest是最优路径的长度，Lworst是最差路径的长度，Q1，Q2为信息素增强系数；
若达到设定的最大迭代次数，输出最优路径。
CN202210777005.XA 2022-07-04 2022-07-04 一种基于自适应改进蚁群算法的机器人路径规划方法 Active CN114995460B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210777005.XA CN114995460B (zh) 2022-07-04 2022-07-04 一种基于自适应改进蚁群算法的机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210777005.XA CN114995460B (zh) 2022-07-04 2022-07-04 一种基于自适应改进蚁群算法的机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN114995460A true CN114995460A (zh) 2022-09-02
CN114995460B CN114995460B (zh) 2024-07-05

Family

ID=83019990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210777005.XA Active CN114995460B (zh) 2022-07-04 2022-07-04 一种基于自适应改进蚁群算法的机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN114995460B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116558527A (zh) * 2023-07-10 2023-08-08 无锡军工智能电气股份有限公司 井下变电所巡检清扫机器人路径规划方法
CN117670162A (zh) * 2023-12-06 2024-03-08 珠海市格努信息技术有限公司 一种场内智能物流解决方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN113848919A (zh) * 2021-09-29 2021-12-28 河北大学 一种基于蚁群算法的室内agv路径规划方法
CN114326735A (zh) * 2021-12-29 2022-04-12 中国计量大学 一种基于改进蚁群算法的移动机器人路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN113848919A (zh) * 2021-09-29 2021-12-28 河北大学 一种基于蚁群算法的室内agv路径规划方法
CN114326735A (zh) * 2021-12-29 2022-04-12 中国计量大学 一种基于改进蚁群算法的移动机器人路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
F. WITLOX, ET AL: "Ant colony optimization parameter selection for shortest path problem", 《IAPRS ANNALS OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》, 3 August 2020 (2020-08-03) *
王飞等: "基于改进蚁群算法的移动机器人路径规划研究", 《仪器仪表学报》, 31 December 2019 (2019-12-31) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116558527A (zh) * 2023-07-10 2023-08-08 无锡军工智能电气股份有限公司 井下变电所巡检清扫机器人路径规划方法
CN116558527B (zh) * 2023-07-10 2023-09-26 无锡军工智能电气股份有限公司 井下变电所巡检清扫机器人路径规划方法
CN117670162A (zh) * 2023-12-06 2024-03-08 珠海市格努信息技术有限公司 一种场内智能物流解决方法

Also Published As

Publication number Publication date
CN114995460B (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
Jain et al. A novel nature-inspired algorithm for optimization: Squirrel search algorithm
Zhang et al. Research on path planning of mobile robot based on improved ant colony algorithm
CN111982125A (zh) 一种基于改进蚁群算法的路径规划方法
CN114995460A (zh) 一种基于自适应改进蚁群算法的机器人路径规划方法
CN113741508B (zh) 基于改进狼群算法的无人机任务分配方法
CN111582469A (zh) 多智能体协作信息处理方法、系统、存储介质、智能终端
CN108388250B (zh) 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法
CN107229287A (zh) 一种基于遗传蚂蚁算法的无人机全局路径规划方法
CN116242383B (zh) 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN111832135A (zh) 基于改进哈里斯鹰优化算法的压力容器结构优化方法
Cai et al. Particle swarm optimization with self-adjusting cognitive selection strategy
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN110766125A (zh) 一种基于人工鱼群算法的多目标武器——目标分配方法
CN113467481B (zh) 一种基于改进Sarsa算法的路径规划方法
CN116090549A (zh) 一种基于知识驱动的多智能体强化学习决策方法、系统及存储介质
CN115169517A (zh) 一种改进的灰狼优化算法的方法
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
CN111290391A (zh) 一种基于独狼蚁群混合算法的移动机器人路径规划方法
Tang et al. On the use of ant colony algorithm with weighted penalty strategy to optimize path searching
CN116362286A (zh) 一种基于Cubic映射和纵横交叉的花授粉算法
CN113156931B (zh) 给含有离子-人工蜂群算法的移动机器人配置路径的方法
CN115494840A (zh) 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法
Wang et al. One-way pioneer guide pity beetle algorithm: a new evolutionary algorithm for solving global optimization problems
Yinka-Banjo et al. Mobile robot path planning in an obstacle-free static environment using multiple optimization algorithms
Wei Improvement and implementation of best-worst ant colony algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant