基于改进蚁群算法的移动机器人路径规划

论文摘要

移动机器人路径规划问题是机器人研究中的关键技术，一直以来是国内外学者热衷的研究课题。然而，传统的路径规划方法都存在各自的缺陷，所以寻求更佳的算法就成为该领域的一个研究热点。蚁群算法（ACO）是最近十几年发展起来的仿生优化算法，该算法在解决许多复杂问题方面已经展现出其优异的性能和巨大的发展潜力。本文在分析了目前各种路径规划方法优缺点的基础上，选择蚁群算法来解决静态环境下移动机器人的路径规划问题。首先，采用栅格法建立环境模型，并利用基本蚁群算法在栅格环境模型中进行路径规划。其次，针对基本蚁群算法在某些方面的不足和缺陷提出了三种改进策略：针对算法在执行过程中会出现停滞现象，提出完全凸处理策略，该策略可以消除算法停滞现象，使整个蚁群得以持续地进行路径搜索，从而保证了算法的健壮性；蚂蚁在搜索过程中，当寻优方向不同的两只蚂蚁相遇时，采取相遇策略，利用两只蚂蚁禁忌表中的信息，生成新路径。这样可充分发挥蚁群的群体协作性，提高生成路径的速度；针对蚁群在路径搜索初始阶段建立的非最优路径上的信息素对以后蚁群的信息误导作用，提出了带惩罚策略的蚁群算法。最后，在改进蚁群算法的基础上结合遗传算法（GA）提出了ACO-GA算法，并将其应用于机器人路径规划。本文基于VC++6.0软件开发环境设计了基于蚁群算法的移动机器人路径规划仿真系统。仿真结果验证了所提算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题研究背景及意义
• 1.2 机器人技术的国内外发展现状
• 1.3 机器人路径规划概述
• 1.3.1 路径规划方法概述
• 1.3.2 路径规划方法分类
• 1.4 论文的研究内容和组织结构
• 1.4.1 论文研究的主要内容
• 1.4.2 论文的组织结构
• 2 蚁群算法基本原理及应用
• 2.1 引言
• 2.2 基本蚁群算法的原理
• 2.3 基本蚁群算法的数学模型
• 2.4 基本蚁群算法的具体实现
• 2.4.1 基本蚁群算法的实现步骤
• 2.4.2 基本蚁群算法的程序结构流程图
• 2.5 基本蚁群算法的性能评价指标
• 2.6 蚁群算法的优缺点
• 2.7 蚁群算法的应用
• 2.7.1 在动态组合优化中的应用
• 2.7.2 在动态组合优化中的应用
• 2.8 本章小结
• 3 基于蚁群算法的机器人路径规划改进策略
• 3.1 环境建模
• 3.2 问题的描述与定义
• 3.3 栅格环境到图的逻辑对应关系
• 3.4 基于蚁群算法的机器人路径规划
• 3.4.1 算法的简单描述
• 3.4.2 算法的步骤
• 3.4.3 算法的流程图
• 3.5 蚂蚁的完全凸处理策略
• 3.5.1 蚂蚁的完全凸处理策略
• 3.5.2 实验结果与分析
• 3.6 蚂蚁的相遇策略
• 3.7 蚂蚁的惩罚策略
• 3.7.1 蚂蚁惩罚策略的提出
• 3.7.2 带惩罚策略的蚁群算法的实现步骤
• 3.7.3 实验结果与分析
• 3.8 本章小结
• 4 与遗传算法融合的改进蚁群算法的路径规划
• 4.1 遗传算法的机器人路径规划
• 4.1.1 遗传算法简介
• 4.1.2 基于遗传算法的机器人路径规划
• 4.2 基于 ACO-GA 算法的机器人路径规划
• 4.2.1 ACO-GA 算法的提出
• 4.2.2 基于 ACO-GA 算法的机器人路径规划
• 4.3 本章小结
• 5 仿真实验及实验结果分析
• 5.1 仿真环境
• 5.1.1 软件环境
• 5.1.2 硬件环境
• 5.1.3 仿真系统界面
• 5.1.4 参数的选取
• 5.2 实验结果与分析
• 5.3 本章小结
• 6 结论
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录