基于蚁群算法机器人路径规划的研究与改进

论文摘要

本文主要针对蚁群算法及其在移动机器人路径规划中的应用进行了探讨。分析和总结了该领域中目前已经存在的各种算法的特点及不足,并根据目前研究中还存在的一些不足之处提出了相应的改进方法。并通过计算机仿真程序验证了这些改进算法的有效性以及与已有算法的一些比较结果,并验证了改进算法在性能上的提高。本文所述内容大致可分为以下几个部分:1)移动机器人路径规划概述论述了移动机器人路径规划的发展历史和研究现状,对现有的路径规划算法做出分类,并介绍了以进化计算和群集计算为代表的智能计算路径规划的基本思想和实现方式。2)蚁群算法介绍从蚁群算法的由来及其发展历史,比较详细地介绍了蚁群算法的基本思想以及应用领域。并从蚁群算法的原形TSP问题入手,给出了算法的基本运作框架,详细说明了蚁群算法的实现过程。详细介绍了蚁群算法在路径规划领域的研究现状,列出并分析了已知的几种较典型的算法的优点及不足。3)基于警告素策略的蚁群算法针对原地图坐标下的回转结构特殊地形路径规划,提出了基于“警告素”策略的规划算法,并改进了信息素更新算法,同时采用“逆行启发策略”并采用“逆距离启发式-禁忌表的访问频度”调整函数,改善了“逆行启发”方向切换时的随机性不可控问题。扩展了该模型蚁群算法在更多地图环境下的适应性。4)基于蜜糖扩散法和“减1”搜索策略的快速路径规划蚁群算法从改进路径规划问题的处理方式入手,提出了“基于蜜糖扩散法和“减1”搜索策略的快速路径规划蚁群算法”,并详细介绍了“蜜糖扩散法”和“减1”搜索策略的原理及实现方式,使蚁群算法在路径规划问题中的应用性能得到了进一步提高。

论文目录

• 目录
• 摘要
• Abstract
• 第一章 引言
• 1.1 移动机器人介绍
• 1.2 路径规划及相关算法介绍
• 1.2.1 基于传统算法的路径规划
• 1.2.2 基于智能计算的路径规划
• 1.3 主要工组及创新点
• 1.4 本论文结构
• 第二章 蚁群算法概述
• 2.1 蚁群算法原理
• 2.1.1 蚁群的行为特征
• 2.1.2 蚁群算法的基本原型-TSP问题
• 2.1.3 改进蚁群算法介绍
• 2.2 在路径规划中的应用
• 2.2.1 典型算法
• 2.2.2 研究现状
• 第三章 基于警告素策略的蚁群算法
• 3.1 典型ACO路径规划算法的框架结构
• 3.2 典型ACO路径规划算法的不足
• 3.3 基于警告素策略改进的ACO算法
• 3.3.1 地图栅格化及运动规则
• 3.3.2 环境信息的表达形式
• 3.3.3 避障方式
• 3.3.4 禁忌表结构
• 3.3.5 警告素分布及更新方式
• 3.3.6 信息素分布及更新方式
• 3.3.7 "警告素策略"
• 3.3.8 "逆行启发策略"
• 3.3.9 蚂蚁的移动决策
• 3.3.10 算法流程
• 3.4 仿真及实验结果
• 3.4.1 仿真结果
• 3.4.2 算法对比
• 3.4.3 算法的时间复杂度分析及对比
• 第四章 一种二级复合的路径规划蚁群算法
• 4.1 单级蚁群算法的问题及一种解决思路
• 4.2 "蜜糖扩散法"预处理（Honey Candy Broadcast）
• 4.2.1 "蜜糖扩散法"算法描述
• 4.2.2 "蜜糖扩散法"流程描述
• 4.3 "减1"搜索法（Less-1）
• 4.3.1 "减1"搜索法算法描述
• 4.3.2 "减1"搜索法有效性证明
• 4.4 结合"减1"搜索法的蚁群算法
• 4.4.1 算法描述
• 4.4.2 流程描述
• 4.5 仿真及实验结果
• 4.5.1 路径求解质量对比
• 4.5.2 算法运行时间对比
• 4.5.3 特别复杂地形下的性能测试
• 第五章 仿真平台简介
• 5.1 界面介绍
• 5.2 仿真操作流程说明
• 第六章 总结与展望
• 参考文献
• 致谢