CN115373400A - 基于动态更新机制蚁群算法的机器人路径规划方法及系统 - Google Patents

基于动态更新机制蚁群算法的机器人路径规划方法及系统 Download PDF

Info

Publication number
CN115373400A
CN115373400A CN202211109383.7A CN202211109383A CN115373400A CN 115373400 A CN115373400 A CN 115373400A CN 202211109383 A CN202211109383 A CN 202211109383A CN 115373400 A CN115373400 A CN 115373400A
Authority
CN
China
Prior art keywords
node
robot
update mechanism
dynamic update
colony algorithm
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.)
Pending
Application number
CN202211109383.7A
Other languages
English (en)
Inventor
吕慧
陈亚东
李世波
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202211109383.7A priority Critical patent/CN115373400A/zh
Publication of CN115373400A publication Critical patent/CN115373400A/zh
Pending legal-status Critical Current

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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于移动机器人路径规划技术领域，提供了一种基于动态更新机制蚁群算法的机器人路径规划方法及系统。其中，该方法包括获取机器人的任务环境，并对其进行栅格化处理，得到栅格地图，确定出机器人的起始节点、目标节点、易引起死锁的节点和障碍物节点的信息；基于动态更新机制蚁群算法对机器人的路径进行规划；其中，动态更新机制蚁群算法的初始禁忌列表中存储有机器人的起始节点、目标节点、易引起死锁的节点和障碍物节点的信息；当所有蚂蚁完成一次迭代后，保存最优路径，动态更新信息素挥发系数、信息素浓度及禁忌列表，直至完成所有迭代次数，得到最优路径。

Description

基于动态更新机制蚁群算法的机器人路径规划方法及系统
技术领域
本发明属于移动机器人路径规划技术领域，涉及一种基于动态更新机制蚁群算法的机器人路径规划方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
路径规划是机器人领域中重要的研究课题之一，它在物流、医疗、航空、军事等领域发挥了关键作用。所谓路径规划，就是在某个环境中，根据约束条件，找到一条从起点到终点的最优或次优路径。蚁群算法因为具有稳定性、鲁棒性等优点，被广泛应用于路径规划中。蚁群算法是一种仿生算法，模仿真实蚂蚁觅食的过程，蚂蚁在运动的过程中，能够在经过的路径上释放并留下信息素，其它蚂蚁在运动时能够根据信息素的浓度来选择前进的路径，正是这种正反馈机制能使搜索过程不断收敛，最终实现协同搜索最短路径的目标。该过程中，多个个体进行并行计算，提高了计算能力和运行效率。然而，发明人发现使用蚁群算法进行路径规划时，所得到的路径不一定是全局最优的，而且寻找最优路径的过程消耗的时间较长，效率较低。
发明内容
为了解决上述背景技术中存在的问题，本发明提供了一种基于动态更新机制蚁群算法的机器人路径规划方法及系统，其能够快速准确地搜索出全局最优路径。
为了实现上述目的，本发明采用如下技术方案：
第一个方面，本发明提供了一种基于动态更新机制蚁群算法的机器人路径规划方法。
一种基于动态更新机制蚁群算法的机器人路径规划方法，其包括：
获取机器人的任务环境，并对其进行栅格化处理，得到栅格地图，确定出机器人的起始节点、目标节点、易引起死锁的节点和障碍物节点的信息；
根据概率转移公式以及信息素浓度确定蚂蚁下一步到达的节点；
当所有蚂蚁抵达完成一次迭代后，保存当前迭代的最优路径；
动态更新信息素挥发系数、信息素浓度以及禁忌列表，直至完成所有迭代次数，得到最优路径。
所述动态更新机制蚁群算法概率转移公式为：
Figure BDA0003843308140000021
在上述概率转移公式中，
Figure BDA0003843308140000022
代表第k只蚂蚁在t时刻从节点i转移到节点j的概率，γ∈(0，1)为调整因子，xe、ye代表目标点的横坐标与纵坐标，x、y表示机器人当前位置的横坐标与纵坐标，e表示自然常数，τij(t)代表节点i到节点j的信息素浓度，α表示信息素浓度因子，β代表启发因子，ηij(t)表示t时刻从节点i到节点j的启发式函数。
所述的启发式函数ηij(t)为：
Figure BDA0003843308140000023
其中，D是从起始点到目标点的距离(该距离可以是欧几里得距离、闵可夫斯基距离或者马哈拉诺比斯距离)，ε表示调整因子，kc表示当前的迭代次数，kmax表示最大迭代次数。
在本发明中，所述的信息素浓度动态更新机制如下所示：
τij(t+1)＝(1-ρ)×τij(t)+Δτij(t)
其中，τij(t+1)表示t+1时刻的信息素浓度，τij(t)表示t时刻的信息素浓度，ρ是信息素的挥发系数；
Δτij(t)表示路径<i，j>上的信息素增加值，可以表示为：
Figure BDA0003843308140000031
Q表示每只蚂蚁携带的信息素，L(t)表示蚂蚁在本次迭代中经过的路径长度。
引入的信息素挥发系数ρ的动态更新机制，如下所示：
Figure BDA0003843308140000032
式子中，μ为调整因子，取值范围为(0，1)，Lk代表蚂蚁k在当前迭代次数中从起始点到目标点之间的长度，D代表起始点和目标点之间的距离(该距离可以是欧几里得距离、闵可夫斯基距离或者马哈拉诺比斯距离)。根据公式，可以看出，挥发系数ρ与Lk成正比，即残留的信息素的浓度与Lk是负相关关系。因此经过多次迭代以后，上述信息素挥发系数动态更新机制能降低过长路径对蚂蚁的吸引力，加快寻找最优路径的过程。
第二个方面，本发明提供了一种基于动态更新机制蚁群算法的机器人路径规划系统。
一种基于动态更新机制蚁群算法的机器人路径规划系统，其包括：
栅格化模块，其用于获取机器人的任务环境，并对其进行栅格化处理，得到栅格地图，确定出机器人的起始节点、目标节点、易引起死锁的节点和障碍物节点的信息；
路径搜索模块，其用于计算启发函数和状态转移规则，并根据计算结果选择蚂蚁能前往的下一个节点，直到抵达目标点；
历史路径保存模块，其用于当所有蚂蚁完成一次迭代后，保存当前迭代的最优路径；
信息素参数动态更新模块，其用于动态更新信息素挥发系数、信息素浓度，直至完成所有迭代次数，得到最终的最优路径；
其中，信息素的挥发系数动态更新机制为：蚂蚁在当前迭代过程中的经过的路径长度与起始点和目标点之间的距离比值的调整因子倍数。
第三个方面，本发明提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于动态更新机制蚁群算法的机器人路径规划方法中的步骤。
第四个方面，本发明提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于动态更新机制蚁群算法的机器人路径规划方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明为了解决使用蚁群算法进行路径规划时，所得到的路径不一定是全局最优的，而且寻找最优路径的过程消耗的时间较长，效率较低的问题，提出了一种基于动态更新机制蚁群算法的机器人路径规划方法及系统，其引入了信息素挥发系数动态更新机制，有效降低了过长路径对蚂蚁的吸引力，加速寻最优过程；本发明还重新设计了启发式函数，用以平衡全局搜索能力与收敛速度；最后，优化了概率转移公式，减少了获得局部最优路径的情况，最终提高了路径规划效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于动态更新机制蚁群算法的机器人路径规划方法流程图；
图2是本发明实施例的栅格地图，设定每个栅格的长度个宽度均为1m；
图3是基于现有蚁群算法的机器人路径规划轨迹图；
图4是本发明实施例的基于动态更新机制蚁群算法的机器人路径规划轨迹图；
图5是基于现有蚁群算法的机器人路径规划与本发明实施例的机器人路径规划收敛曲线对比图；
图6是本发明实施例的基于动态更新机制蚁群算法的机器人路径规划方系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例提供了一种基于动态更新机制蚁群算法的机器人路径规划方法，其包括：
步骤1：获取机器人的任务环境，并对其进行栅格化处理，得到栅格地图，确定出机器人的起始节点、目标节点、容易引起死锁的节点和障碍物节点的信息。其中，栅格地图如图2所示，黑色栅格为障碍物,表示不可行区域，用1表示；白色栅格表示机器人可自由行驶的区域，用0表示；
步骤2：根据信息素浓度以及概率转移公式确定蚂蚁下一步到达的节点；
步骤3：当所有蚂蚁完成一次迭代后，保存当前迭代的最优路径；
步骤4：动态更新信息素挥发系数、信息素浓度及禁忌列表，直至完成所有迭代次数，得到最终的最优路径；
其中，信息素的挥发系数动态更新机制为：蚂蚁在当前迭代过程中的经过的路径长度与起始点和目标点之间的距离比值的调整因子倍数。
具体地，基于动态更新机制蚁群算法对机器人的路径进行规划的过程包括：
初始化蚁群算法的各个参数，初始化禁忌列表；
将m只蚂蚁分配到起点，将起点添加到禁忌列表中；
建立禁忌列表以及对禁忌列表初始化，将起点、障碍物节点、引起死锁的节点均加入禁忌列表中；
当所有蚂蚁完成一次迭代后，保存最优路径，更新信息素及禁忌列表；
根据信息素浓度以及概率转移公式确定蚂蚁下一步可以到达的节点，动态更新信息素挥发系数，记录路径并更新，更新禁忌列表；
如果蚂蚁完成所有迭代次数,则输出最优路径及收敛迭代次数，如果没有完成所有迭代次数，则继续开始下一次迭代。
所述基于动态更新机制蚁群算法中蚂蚁的转移概率计算公式如下:
Figure BDA0003843308140000071
其中，
Figure BDA0003843308140000072
代表第k只蚂蚁在t时刻从节点i转移到节点j的概率，γ∈(0，1)为调整因子，xe、ye代表目标点的横坐标与纵坐标，x、y表示机器人当前位置的横坐标与纵坐标，e表示自然常数，τij(t)代表节点i到节点j的信息素浓度，α表示信息素浓度因子，β代表启发因子，ηij(t)表示t时刻从节点i到节点j的启发式函数。
对启发函数进行改进——由于传统蚁群算法的启发函数只考虑当前网格与待选网格之间的距离，在早期会导致全局性能较差。为了提高搜索的效率，还需要考虑当前网格与目标网格之间的距离。
此外，在算法后期，应该弱化启发函数的作用，平衡算法的全局搜索能力和收敛速度。优化后的启发函数计算方式如下：
Figure BDA0003843308140000073
其中，η表示启发式函数，D是从起始点到目标点的距离(该距离可以是欧几里得距离、闵可夫斯基距离或者马哈拉诺比斯距离)，ε表示调整因子，kc表示当前的迭代次数，kmax表示最大迭代次数。
信息素浓度动态更新机制如下：
τij(t+1)＝(1-ρ)×τij(t)+Δτij(t)
τij(t+1)表示t+1时刻的信息素浓度，τij(t)表示t时刻的信息素浓度，ρ是信息素的挥发系数；
Δτij(t)表示路径<i，j>上的信息素增加值，可以表示为：
Figure BDA0003843308140000081
Q表示每只蚂蚁携带的信息素，L(t)表示蚂蚁在本次迭代中经过的路径长度。
本实施例引入了信息素挥发系数ρ的动态更新机制，如下所示：
Figure BDA0003843308140000082
式子中，μ为调整因子，取值范围为(0，1)，Lk代表蚂蚁k在当前迭代次数中从起始点到目标点之间的长度，D代表起始点和目标点之间的距离(该距离可以是欧几里得距离、闵可夫斯基距离或者马哈拉诺比斯距离)。根据公式，可以看出，挥发系数ρ与Lk成正比，即残留的信息素的浓度与Lk是负相关关系。因此经过多次迭代以后，上述信息素挥发系数动态更新机制能降低过长路径对蚂蚁的吸引力，加快寻找最优路径的过程。
本实施例中的基于动态更新机制蚁群算法是在传统蚁群算法的基础上作几点改进，包括：本发明引入信息素挥发系数动态更新机制，有效降低了过长路径对蚂蚁的吸引力，加速寻最优过程，其次，重新设计了启发式函数，用以平衡全局搜索能力与收敛速度；最后，优化了概率转移公式，减少了获得局部最优路径的情况。
本实施例公开了一种验证过程，参见图5，使用本发明所述的改进蚁群算法和现有蚁群算法进行对比验证。建立20*20的栅格地图，设定每个网格的长度与宽度均为1m，采用现有算法和本文改进的蚁群算法进行路径规划。
表1 20*20环境中两种算法的仿真结果
算法 现有蚁群算法 本发明改进的蚁群算法
最优路径长度 38m 29.21m
迭代次数 51 11
路径拐点数量 14 8
图3是基于现有蚁群算法的机器人路径规划轨迹图；图4是本发明实施例的基于动态更新机制蚁群算法的机器人路径规划轨迹图。通过对比，可以发现本实施例提出的改进蚁群算法在一定程度上减少了拐点数量，并且收敛速度更快，找到的最优路径长度更短，因此，改进蚁群算法具有一定的优势。
实施例二
如图6所示，本实施例提供了一种基于动态更新机制蚁群算法的机器人路径规划系统，其包括：
(1)栅格化模块，其用于获取机器人的任务环境，并对其进行栅格化处理，得到栅格地图，确定出机器人的起始节点、目标节点、易引起死锁的节点和障碍物节点的信息。
(2)路径搜索模块，用于计算启发函数和状态转移规则，并根据计算结果选择蚂蚁能前往的下一个节点，直到抵达目标点；
(3)历史路径保存模块，当所有蚂蚁完成一次迭代后，保存当前迭代的最优路径；
(4)信息素参数动态更新模块，用于动态更新信息素挥发系数、信息素浓度，直至完成所有迭代次数，得到最终的最优路径；
本实施例中的概率转移公式为：
Figure BDA0003843308140000101
其中，
Figure BDA0003843308140000102
代表第k只蚂蚁在t时刻从节点i转移到节点j的概率，γ∈(0，1)为调整因子，xe、ye代表目标点的横坐标与纵坐标，x、y表示机器人当前位置的横坐标与纵坐标，e表示自然常数，τij(t)代表节点i到节点j的信息素浓度，α表示信息素浓度因子，β代表启发因子，ηij(t)表示t时刻从节点i到节点j的启发式函数。
t时刻从节点i到节点j的启发式函数ηij(t)为：
Figure BDA0003843308140000103
其中，D是从起始点到目标点的距离(该距离可以是欧几里得距离、闵可夫斯基距离或者马哈拉诺比斯距离)，ε表示调整因子，kc表示当前的迭代次数，kmax表示最大迭代次数。
在本发明中，所述的信息素动态更新机制如下所示：
信息素浓度动态更新机制如下：
τij(t+1)＝(1-ρ)×τij(t)+Δτij(t)
其中，τij(t+1)表示t+1时刻的信息素浓度，τij(t)表示t时刻的信息素浓度，ρ是信息素的挥发系数；
Δτij(t)表示路径<i，j>上的信息素增加值，可以表示为：
Figure BDA0003843308140000104
Q表示每只蚂蚁携带的信息素，L(t)表示蚂蚁在本次迭代中经过的路径长度。
本发明引入了信息素挥发系数ρ的动态更新机制，如下所示：
Figure BDA0003843308140000111
式子中，μ为调整因子，取值范围为(0，1)，Lk代表蚂蚁k在当前迭代次数中从起始点到目标点之间的长度，D代表起始点和目标点之间的距离(该距离可以是欧几里得距离、闵可夫斯基距离或者马哈拉诺比斯距离)。根据公式，可以看出，挥发系数ρ与Lk成正比，即残留的信息素的浓度与Lk是负相关关系。因此经过多次迭代以后，上述信息素挥发系数动态更新机制能降低过长路径对蚂蚁的吸引力，加快寻找最优路径的过程。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤相同，此处不再详述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于动态更新机制蚁群算法的机器人路径规划方法中的步骤。
实施例四
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于动态更新机制蚁群算法的机器人路径规划方法中的步骤。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于动态更新机制蚁群算法的机器人路径规划方法，其特征在于，包括：
获取机器人的任务环境，并对其进行栅格化处理，得到栅格地图，确定出机器人的起始节点、目标节点、易引起死锁的节点和障碍物节点的信息；
根据信息素浓度以及概率转移公式确定蚂蚁下一步到达的节点；
当所有蚂蚁完成一次迭代后，保存当前迭代的最优路径；
动态更新信息素挥发系数、信息素浓度及禁忌列表，直至完成所有迭代次数，得到最终的最优路径。
2.如权利要求1所述的基于动态更新机制蚁群算法的机器人路径规划方法，其特征在于，信息素的挥发系数的动态更新机制为：
动态更新后的信息素的挥发系数为：蚂蚁在对应次数迭代中的经过的路径长度与起始点和目标点之间的距离比值的调整因子倍数。
3.如权利要求1所述的基于动态更新机制蚁群算法的机器人路径规划方法，其特征在于，概率转移公式为：
Figure FDA0003843308130000011
其中，
Figure FDA0003843308130000012
代表第k只蚂蚁在t时刻从节点i转移到节点j的概率，γ∈(0，1)为调整因子，xe、ye代表目标点的横坐标与纵坐标，x、y表示机器人当前位置的横坐标与纵坐标，e表示自然常数，τij(t)代表节点i到节点j的信息素浓度，α表示信息素浓度因子，β代表启发因子，ηij(t)表示t时刻从节点i到节点j的启发式函数。
4.如权利要求3所述的基于动态更新机制蚁群算法的机器人路径规划方法，其特征在于，t时刻从节点i到节点j的启发式函数ηij(t)为：
Figure FDA0003843308130000021
其中，D是从起始点到目标点的距离，ε表示调整因子，kc表示当前的迭代次数，kmax表示最大迭代次数。
5.一种基于动态更新机制蚁群算法的机器人路径规划系统，其包括：
栅格化模块，其用于获取机器人的任务环境，并对其进行栅格化处理，得到栅格地图，确定出机器人的起始节点、目标节点、易引起死锁的节点和障碍物节点的信息；
路径搜索模块，其用于计算启发函数和状态转移规则，并根据计算结果选择蚂蚁能前往的下一个节点，直到抵达目标点；
历史路径保存模块，其用于当所有蚂蚁完成一次迭代后，保存当前迭代的最优路径；
信息素参数动态更新模块，用于动态更新信息素挥发系数、信息素浓度，直至完成所有迭代次数，得到最终的最优路径。
6.如权利要求5所述的基于动态更新机制蚁群算法的机器人路径规划系统，其特征在于，信息素的挥发系数的动态更新机制为：蚂蚁在对应次数迭代中的经过的路径长度与起始点和目标点之间的距离比值的调整因子倍数。
7.如权利要求5所述的基于动态更新机制蚁群算法的机器人路径规划系统，其特征在于，概率转移公式为：
Figure FDA0003843308130000022
其中，
Figure FDA0003843308130000031
代表第k只蚂蚁在t时刻从节点i转移到节点j的概率，γ∈(0，1)为调整因子，xe、ye代表目标点的横坐标与纵坐标，x、y表示机器人当前位置的横坐标与纵坐标，e表示自然常数，τij(t)代表节点i到节点j的信息素浓度，α表示信息素浓度因子，β代表启发因子，ηij(t)表示t时刻从节点i到节点j的启发式函数。
8.如权利要求5所述的基于动态更新机制蚁群算法的机器人路径规划系统，其特征在于，t时刻从节点i到节点j的启发式函数ηij(t)为：
Figure FDA0003843308130000032
其中，D是从起始点到目标点的距离，ε表示调整因子，kc表示当前的迭代次数，kmax表示最大迭代次数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于动态更新机制蚁群算法的机器人路径规划方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于动态更新机制蚁群算法的机器人路径规划方法中的步骤。
CN202211109383.7A 2022-09-13 2022-09-13 基于动态更新机制蚁群算法的机器人路径规划方法及系统 Pending CN115373400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211109383.7A CN115373400A (zh) 2022-09-13 2022-09-13 基于动态更新机制蚁群算法的机器人路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211109383.7A CN115373400A (zh) 2022-09-13 2022-09-13 基于动态更新机制蚁群算法的机器人路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN115373400A true CN115373400A (zh) 2022-11-22

Family

ID=84071194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211109383.7A Pending CN115373400A (zh) 2022-09-13 2022-09-13 基于动态更新机制蚁群算法的机器人路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN115373400A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117452583A (zh) * 2023-12-25 2024-01-26 国网浙江省电力有限公司宁波供电公司 一种光缆线路规划方法、系统、存储介质及计算设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117452583A (zh) * 2023-12-25 2024-01-26 国网浙江省电力有限公司宁波供电公司 一种光缆线路规划方法、系统、存储介质及计算设备
CN117452583B (zh) * 2023-12-25 2024-04-16 国网浙江省电力有限公司宁波供电公司 一种光缆线路规划方法、系统、存储介质及计算设备

Similar Documents

Publication Publication Date Title
CN112926139B (zh) 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法
CN108133258B (zh) 一种混合全局优化方法
Toussaint et al. Probabilistic inference for solving discrete and continuous state Markov Decision Processes
CN109690576A (zh) 在多个机器学习任务上训练机器学习模型
CN108170529A (zh) 一种基于长短期记忆网络的云数据中心负载预测方法
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
CN111381600B (zh) 一种基于粒子群算法的uuv路径规划方法
CN110530373B (zh) 一种机器人路径规划方法、控制器及系统
CN116242383B (zh) 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN112344944A (zh) 一种引入人工势场的强化学习路径规划方法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
Putra et al. Estimation of parameters in the SIR epidemic model using particle swarm optimization
Gao et al. Multi-UAV task allocation based on improved algorithm of multi-objective particle swarm optimization
CN115373400A (zh) 基于动态更新机制蚁群算法的机器人路径规划方法及系统
CN114742231A (zh) 基于帕累托优化的多目标强化学习方法和装置
CN114880806A (zh) 基于粒子群优化的新能源汽车销量预测模型参数优化方法
CN115730743A (zh) 一种基于深度神经网络的战场作战趋势预测方法
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
Martinez-Soto et al. Fuzzy logic controllers optimization using genetic algorithms and particle swarm optimization
CN111080035A (zh) 基于改进量子粒子群优化算法的全局路径规划方法
CN116432539A (zh) 一种时间一致性协同制导方法、系统、设备及介质
CN115984025A (zh) 基于深度学习图网络模型的影响力传播估计方法及系统
CN115345303A (zh) 卷积神经网络权重调优方法、装置、存储介质和电子设备
WO2021226709A1 (en) Neural architecture search with imitation learning
Abd-Alsabour Feature selection for classification using an ant system approach

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