CN116502784A - 一种基于混合智能优化算法的路径规划方法 - Google Patents
一种基于混合智能优化算法的路径规划方法 Download PDFInfo
- Publication number
- CN116502784A CN116502784A CN202310765350.6A CN202310765350A CN116502784A CN 116502784 A CN116502784 A CN 116502784A CN 202310765350 A CN202310765350 A CN 202310765350A CN 116502784 A CN116502784 A CN 116502784A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- path planning
- behavior
- agv
- field
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 241000251468 Actinopterygii Species 0.000 claims abstract description 49
- 230000000007 visual effect Effects 0.000 claims abstract description 23
- 230000019637 foraging behavior Effects 0.000 claims abstract description 20
- 241000287127 Passeridae Species 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000010845 search algorithm Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 24
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 235000013305 food Nutrition 0.000 abstract description 8
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明涉及物流领域、仓储运输领域、路径规划领域,具体涉及一种基于混合智能优化算法的路径规划方法。在本方法中,针对人工鱼群算法在AGV路径规划时,收敛速度较慢、冗余节点较多等问题,引入麻雀搜索算法与鱼群算法相结合,构建初始种群;在算法中加入自适应的视野、步长和拥挤度因子;通过对视野内所有个体鱼的食物浓度进行计算,寻找出局部最优解,对觅食行为进行改进。本发明应用于物流运输中的AGV路径规划,与现有技术相比,能够提高算法收敛速度,平衡全局和局部搜索能力,减少路径冗余节点,提高AGV运输效率,降低能耗。
Description
技术领域
本发明涉及物流领域、仓储运输领域、路径规划领域,具体涉及一种基于混合智能优化算法的路径规划方法。
背景技术
随着物流业快速发展,现代化仓储物流系统已经成为了企业提高效率、降低成本、保证质量的必需手段。而路径规划技术则是仓储物流系统中的核心技术之一。路径规划主要是让目标对象在给定的环境中寻找从起点到终点的最优或可行路径的过程。在实际应用过程中,通常要考虑环境的地形、障碍物、代价函数等因素,以求得最短时间、最短距离、最小代价等不同的优化目标。尽可能使各项优化目标达到均衡,是对路径规划研究的重要意义所在。
AGV(Automated Guided Vehicle)是一种能够自主运行的移动机器人,被广泛应用于物流、制造业等领域中的物料搬运任务。路径规划是AGV系统的核心技术之一,它决定了AGV如何避开障碍、优化路径、减少能源消耗等方面的问题。因此,在AGV应用领域中,对路径规划算法的研究一直备受关注。
随着计算机技术和人工智能算法的不断发展,越来越多新型路径规划算法被提出并得到应用,例如粒子群算法、遗传算法、蚁群算法、人工鱼群算法等,这些算法在提高AGV运行效率、降低成本、增强安全性等方面都具有广泛的应用前景,其中人工鱼群算法因能跳出局部最优解的特点而备受广大学者的关注和研究,这一算法利用了模拟鱼群在搜索食物时的集体行为模式,寻找全局最优解。尽管人工鱼群算法具有参数少、计算简单的优点,但其仍存在全局和局部搜索不平衡、规划出的路径易产生冗余节点等缺点,进而影响AGV路径规划的准确性。
发明内容
鉴于以上所述,本发明的目的提供一种混合智能优化算法,该算法可以提高人工鱼群算法的收敛速度,减少生成路径的冗余节点,且具备使算法的全局和局部搜索能力更加平衡的能力。通过该算法,为AGV提供低能耗、安全可靠的路径规划。
该方法主要包括将麻雀搜索算法与人工鱼群算法相结合,共同构建初始种群,增加种群多样性;在算法中加入自适应的视野、步长和拥挤度因子,平衡算法的全局和局部搜索能力;通过适应度函数计算出视野内的所有个体鱼的适应度值,选择适应度值最小的局部最优解对觅食行为进行改进,避免次优解对全局搜索的干扰。为达到上述目的,本发明提供如下技术方案。
一种基于混合智能优化算法的路径规划方法,包括如下步骤:
步骤一:根据AGV工作环境、障碍区域位置信息建立栅格地图,指定AGV的起始点和终点;
步骤二:采用麻雀搜索算法与鱼群算法相结合,共同构建初始种群:
步骤三:在鱼群算法中的觅食行为、聚群行为、追尾行为中加入自适应的步长、视野、拥挤度因子;采用适应度函数寻找出视野内的局部最优解,对觅食行为进行改进,提高算法的收敛速度,减少路径的冗余节点,平衡全局和局部搜索能力。
步骤四:AGV到达指定终点,完成路径规划。
按上述方案,所述步骤二中,采用麻雀搜索算法与鱼群算法相结合,共同构建初始种群,初始种群的函数表达式如下式所示:
其中X为初始种群位置矩阵,为种群内个体位置,N为麻雀搜索算法和鱼群算
法共同生成的初始种群数量,D为维度。
按上述方案,所述步骤三中,在鱼群算法中的觅食行为、聚群行为、追尾行为中加入自适应的步长、视野、拥挤度因子;采用适应度函数寻找出视野内的局部最优解,对觅食行为进行改进。自适应的步长如下式所示:
其中,和分别表示步长的最大值和最小值,表示当前的迭代次数,为最大迭代次数,为当前时刻的步长,为下一时刻的步长。
自适应的视野如下式所示:
其中表示当前的迭代次数,l为膨胀系数,和为视野的最大值和
最小值,为当前时刻的视野,为下一时刻的视野。
自适应的拥挤度因子如下式所示:
其中表示当前的迭代次数,表示当前时刻的拥挤度因子,表示下一时刻的
拥挤度因子。
改进觅食行为如下式所示:
其中是采用适应度函数搜索出视野中的局部最优解,是当前位置,
为自适应步长,为(0,1)之间的随机数,为局部最优解和当前位置的
欧氏距离。
本发明的有益效果是:本发明将麻雀搜索算法和鱼群算法相结合构建初始种群,提高种群多样性,提高算法收敛速度;在鱼群算法中的觅食行为、聚群行为、追尾行为中加入自适应的步长、视野、拥挤度因子,平衡算法的全局和局部搜索能力;利用视野内的局部最优解对觅食行为进行改进,减少路径冗余节点,提高路径质量。
附图说明
图1是混合鱼群算法流程图;
图2是传统鱼群算法路径图;
图3是麻雀搜索算法路径图;
图4是混合鱼群算法路径图;
图5是算法迭代对比图。
具体实施方式
下面将通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。需要说明的是,本发明还可以通过另外不同的具体实施方式加以实施或应用,本领域技术人员在没有做出创造性劳动前提下所有实例及应用,都属于本发明保护的范围。一种基于混合智能优化算法的路径规划方法,包括如下步骤:
步骤一:根据AGV工作环境、障碍区域位置信息建立栅格地图,指定AGV的起始点和终点;
步骤二:采用麻雀搜索算法与鱼群算法相结合,共同构建初始种群。
步骤三:在鱼群算法中的觅食行为、聚群行为、追尾行为中加入自适应的步长、视野、拥挤度因子;采用适应度函数寻找出视野内的局部最优解,对觅食行为进行改进,提高算法的收敛速度,减少路径的冗余节点,平衡全局和局部搜索能力。
步骤四:AGV到达指定终点,完成路径规划。
按上述方案,所述步骤二中,采用麻雀搜索算法与鱼群算法相结合,共同构建初始种群,初始种群的函数表达式如下式所示:
其中X为初始种群位置矩阵,为种群内个体位置,N为麻雀搜索算法和鱼群算
法共同生成的初始种群数量,D为维度。
按上述方案,所述步骤三中,在鱼群算法中的觅食行为、聚群行为、追尾行为中加入自适应的步长、视野、拥挤度因子;采用适应度函数寻找出视野内的局部最优解,对觅食行为进行改进。自适应的步长如下式所示:
其中,和分别表示步长的最大值和最小值,表示当前的迭代次数,为最大迭代次数,为当前时刻的步长,为下一时刻的步长。
自适应的视野如下式所示:
其中表示当前的迭代次数,l为膨胀系数,和为视野的最大值和
最小值,为当前时刻的视野,为下一时刻的视野。
自适应的拥挤度因子如下式所示:
其中表示当前的迭代次数,表示当前时刻的拥挤度因子,表示下一时刻的
拥挤度因子。
采用适应度函数寻找出个体鱼在视野内新的位置Xlbest,并比较新的位置Xlbest和当前位置xi的食物浓度。若新的位置食物浓度大于当前位置食物浓度,人工鱼执行随机行为,反之向新的位置移动,改进觅食行为如下式所示:
其中是采用适应度函数搜索出视野中的局部最优解,是当前位置,
为自适应步长,为(0,1)之间的随机数,为局部最优解和当前位置的
欧氏距离。
通过自适应调整视野内的鱼群数量所对应位置定视野内中心个体鱼的位置计算xc位置的食物浓度Yc,如果Yc小于Yi且,表明中心点位置较好
且不拥挤,便执行聚集行为,否则执行觅食行为。聚群行为更新位置如下式所示。
其中为自适应调整的拥挤度因子,是视野内中心个体鱼位置,是当前位
置,为自适应步长,为(0,1)之间的随机数,为局部最优解和当前
位置的欧氏距离。
追尾行为:个体鱼在视野内搜索到最佳食物浓度Yj及其位置xj,如果Yj小于当前位
置的食物浓度Yi且,这表明有较优的位置xj执行追尾行为,否则执行改进觅食
行为。追尾行为更新位置如下式所示。
其中为自适应调整的拥挤度因子,是视野内中心个体鱼最佳位置,是当
前位置,为自适应步长,为(0,1)之间的随机数,为局部最优解和
当前位置的欧氏距离。
随机行为:随机行为是在执行觅食行为一定次数仍没有对位置进行更新所采取的行为,可以帮助鱼群算法跳出局部最优解,更有利于全局寻优。随机行为更新位置如下式所示。
其中是当前位置,为自适应视野,为(0,1)之间的随机数。
为了验证算法的可行性,采用MATLAB进行实验仿真在图2的栅格地图环境下与传
统人工鱼群算法进行对比。改进混合鱼群算法参数设置为:种群大小N=50,最大迭代次数
MAXGEN=100,最大尝试次数try-number=8,视野visual=10,步长step=,拥挤度因子δ=
0.618。本发明改进算法参数设置为:种群大小N=50,最大迭代次数MAXGEN=100,最大尝试次
数try-number=8,视野最大值visualmax=10,视野最小值visualmin=1,步长最大值stepmax=,步长最小值stepmin=1,发现者比例rPercent=0.3,警戒者比例sPercent=0.2,阈值ST=
0.8。
传统鱼群算法、麻雀搜索算法和改进混合群算法的路径规划图分别如图2,3,4所示,上述三种算法的收敛曲线对比图如图5所示。通过仿真实验的结果可知。传统人工鱼群算法在迭代39次时寻找到最优解,路径长度为42.39,麻雀搜索算法在迭代42次时寻找到最优解,路径长度为49.40,改进混合鱼群算法在迭代16次时寻找到最优解,路径长度为31.45。在路径拐点数上改进混合鱼群算法只有8个拐点,较传统鱼群算法和麻雀搜索算法的21个和18个拐点数的路径更为平滑。本发明改进混合鱼群算法的迭代次数较传统鱼群算法缩短了58.97%,较麻雀搜索算法缩短了61.90%;路径长度上较传统鱼群算法缩短了25.81%,较麻雀搜索算法缩短了36.34%;拐点数较传统鱼群算法减少了61.90%,较麻雀搜索算法减少了55.56%。本发明改进混合鱼群算法在更少的迭代次数下规划出更平滑更短的路径,证明了改进混合鱼群算法的正确性和有效性,更适合用于AGV路径规划。
需要补充的是,上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于混合智能优化算法的路径规划方法,其特征在于,包括如下步骤:
步骤一:根据AGV工作环境、障碍区域位置信息建立栅格地图,指定AGV的起始点和终点;
步骤二:采用麻雀搜索算法与鱼群算法相结合,共同构建初始种群;
步骤三:在鱼群算法中的觅食行为、聚群行为、追尾行为中加入自适应的步长、视野和拥挤度因子;采用适应度函数寻找出视野内的局部最优解;
步骤四:AGV到达指定终点,完成路径规划。
2.根据权利要求1中所述的一种基于混合智能优化算法的路径规划方法,其特征在于,所述步骤二中,采用麻雀搜索算法与鱼群算法相结合,共同构建初始种群,初始种群的函数表达式如下式所示:
式中,X为初始种群位置矩阵,为种群内个体位置,N为麻雀搜索算法和鱼群算法共同生成的初始种群数量,D为维度。
3.根据权利要求1中所述的一种基于混合智能优化算法的路径规划方法,其特征在于,所述步骤三中,在鱼群算法中的觅食行为、聚群行为、追尾行为中加入自适应的步长、视野、拥挤度因子;采用适应度函数寻找出视野内的局部最优解,对觅食行为进行改进,自适应的步长如下式所示:
式中,和/>分别表示步长的最大值和最小值,/>表示当前的迭代次数,为最大迭代次数,/>为当前时刻的步长,/>为下一时刻的步长;
自适应的视野如下式所示:
其中表示当前的迭代次数,l为膨胀系数,/>和/>为视野的最大值和最小值,/>为当前时刻的视野,/>为下一时刻的视野;
自适应的拥挤度因子如下式所示:
式中,表示当前的迭代次数,/>表示当前时刻的拥挤度因子,/>表示下一时刻的拥挤度因子;
改进觅食行为如下式所示:
式中,是采用适应度函数搜索出视野中的局部最优解,/>是当前位置,/>为自适应步长,/>为(0,1)之间的随机数,/>为局部最优解和当前位置的欧氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310765350.6A CN116502784A (zh) | 2023-06-27 | 2023-06-27 | 一种基于混合智能优化算法的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310765350.6A CN116502784A (zh) | 2023-06-27 | 2023-06-27 | 一种基于混合智能优化算法的路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502784A true CN116502784A (zh) | 2023-07-28 |
Family
ID=87323486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310765350.6A Pending CN116502784A (zh) | 2023-06-27 | 2023-06-27 | 一种基于混合智能优化算法的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502784A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268628A (zh) * | 2014-07-23 | 2015-01-07 | 江苏大学 | 一种基于鱼群算法的机构运动链同构识别设计方法 |
CN106845623A (zh) * | 2016-12-13 | 2017-06-13 | 国网冀北电力有限公司信息通信分公司 | 一种基于人工鱼群算法的电力无线专网基站规划方法 |
CN112650287A (zh) * | 2020-12-22 | 2021-04-13 | 泉州云卓科技有限公司 | 一种基于人工鱼群的无人机路径规划方法 |
CN115454067A (zh) * | 2022-09-08 | 2022-12-09 | 长春工业大学 | 一种基于融合算法的路径规划方法 |
CN115616923A (zh) * | 2022-12-20 | 2023-01-17 | 南京可信区块链与算法经济研究院有限公司 | 一种基于遗传算法和麻雀算法的车辆路径优化方法 |
CN115639828A (zh) * | 2022-12-23 | 2023-01-24 | 河北科技大学 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
-
2023
- 2023-06-27 CN CN202310765350.6A patent/CN116502784A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268628A (zh) * | 2014-07-23 | 2015-01-07 | 江苏大学 | 一种基于鱼群算法的机构运动链同构识别设计方法 |
CN106845623A (zh) * | 2016-12-13 | 2017-06-13 | 国网冀北电力有限公司信息通信分公司 | 一种基于人工鱼群算法的电力无线专网基站规划方法 |
CN112650287A (zh) * | 2020-12-22 | 2021-04-13 | 泉州云卓科技有限公司 | 一种基于人工鱼群的无人机路径规划方法 |
CN115454067A (zh) * | 2022-09-08 | 2022-12-09 | 长春工业大学 | 一种基于融合算法的路径规划方法 |
CN115616923A (zh) * | 2022-12-20 | 2023-01-17 | 南京可信区块链与算法经济研究院有限公司 | 一种基于遗传算法和麻雀算法的车辆路径优化方法 |
CN115639828A (zh) * | 2022-12-23 | 2023-01-24 | 河北科技大学 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
Non-Patent Citations (1)
Title |
---|
李会;张天丽;陶佰睿;王新红;: "动态分组方案的自适应人工鱼群算法", 计算机工程与应用, no. 08 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chai et al. | Applying adaptive and self assessment fish migration optimization on localization of wireless sensor network on 3-D Te rrain. | |
CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
CN111290390A (zh) | 一种基于天牛须搜索的智能船舶路径规划方法 | |
Yang et al. | LF-ACO: An effective formation path planning for multi-mobile robot | |
CN111880561A (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN113552899B (zh) | 一种通信链路受限下的多无人机自主协同搜索方法 | |
Yang et al. | Mobile robot path planning based on enhanced dynamic window approach and improved A∗ algorithm | |
CN112446457A (zh) | 一种基于改进人工鱼群算法的气体泄漏源定位方法 | |
CN115562265A (zh) | 一种基于改进a*算法的移动机器人路径规划方法 | |
Zhang et al. | Optimal search and rescue route design using an improved ant colony optimization | |
Li et al. | An improved differential evolution based artificial fish swarm algorithm and its application to AGV path planning problems | |
Chen et al. | Research on path planning for mobile robots based on improved ACO | |
Ma et al. | Application of artificial fish school algorithm in UCAV path planning | |
Huang et al. | Robot path planning using improved ant colony algorithm in the environment of internet of things | |
CN112486185B (zh) | 在未知环境下基于蚁群和vo算法的路径规划方法 | |
CN116502784A (zh) | 一种基于混合智能优化算法的路径规划方法 | |
Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm | |
CN114326720B (zh) | 一种无人艇实时避障方法及系统 | |
CN111580563B (zh) | 一种基于种子搜索的无人机自主避障飞行方法 | |
CN114840016B (zh) | 基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法 | |
Li et al. | Research on AUV path planning based on improved ant colony algorithm | |
Yixuan et al. | Hybrid gray wolf optimization-cuckoo search algorithm for RFID network planning | |
Li et al. | Improved artificial fish swarm algorithm approach to robot path planning problems | |
CN117032247B (zh) | 海上救援搜索路径规划方法、装置及设备 |
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 |