针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地...针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地图进行预处理,获得简化跳点;其次,通过简化跳点对栅格地图进行信息素初始化,以加强简化跳点的引导能力和减少前期盲目搜索;接着,设计蚂蚁死亡惩罚机制,以降低陷入死锁蚂蚁走过路径的信息素,减少死锁问题的发生;再者,通过重新设计启发式信息函数并引入分级式信息素因子改进状态转移概率函数,以提高收敛速度,缩短路径长度;最后,采用路径优化策略删减不必要路径节点,以进一步缩短路径长度、提升平滑度,提高路径质量。仿真结果表明,在简单环境中,JPOACO算法求得的路径长度较传统蚁群算法和另一种优化蚁群算法短约22.6%和2.0%,收敛迭代次数、收敛时间分别减少约77.0%、77.5%和49.3%、87.8%,零死亡迭代次数和零死亡时间较后者减少约19.5%和80.5%;在复杂菠萝种植环境中,JPOACO算法较传统蚁群算法和另一种优化蚁群算法求得的路径长度短16.6%和4.7%,收敛迭代次数、收敛时间分别减少约77.1%、17.4%和73.7%、47.4%,零死亡迭代次数和零死亡时间较后者减少约34.3%和58.2%,表明本文算法具有较高的适用性和可行性。展开更多
随着无人车、无人机等自主移动机器人的井喷式发展,寻路算法的重要性也一再提升。跳点搜索+(jump point search plus,JPS+)算法因其显著的高搜索效率而成为了经典的静态栅格化地图寻路算法。对JPS+算法的改进策略和应用场景层出不穷,但...随着无人车、无人机等自主移动机器人的井喷式发展,寻路算法的重要性也一再提升。跳点搜索+(jump point search plus,JPS+)算法因其显著的高搜索效率而成为了经典的静态栅格化地图寻路算法。对JPS+算法的改进策略和应用场景层出不穷,但对路径长度与路径节点数量的优化方法仍有待研究。提出了一种对于强制跳点按功能性的分类方式,并基于这一分类对JPS+算法的预处理和搜索流程进行改进,在提高单次搜索扩展效率的同时,减少路径的长度与节点数。通过仿真地图实验与真实采样地图实验,验证了改进算法的有效性。对比发现:改进JPS+算法在仿真地图中,所求路径长度最大减少5.92%,路径节点数最大减少46.15%,算法用时最大减少25.58%;在真实采样地图中,所求路径长度平均减少2.48%,路径节点数平均减少10.71%,算法用时平均减少17.08%。展开更多
在静态栅格地图中,针对传统蚁群算法进行AGV(Automated Guided Vehicle,自动引导车)路径规划收敛慢且搜索结果容易陷入局部最优的问题,提出一种融合跳点搜索(Jump Point Search,JPS)和双向并行蚁群搜索的改进算法.首先,对实际研究环境...在静态栅格地图中,针对传统蚁群算法进行AGV(Automated Guided Vehicle,自动引导车)路径规划收敛慢且搜索结果容易陷入局部最优的问题,提出一种融合跳点搜索(Jump Point Search,JPS)和双向并行蚁群搜索的改进算法.首先,对实际研究环境进行栅格化建模,使用改进的跳点搜索算法生成双向搜索的初始次优路径,为双向蚁群搜索提供初始搜索方向参考.其次,在双向并行蚁群搜索过程中采用改进的转移概率启发函数,该函数在确定下一个转移节点时考虑了避免AGV与障碍物碰撞的因素,同时通过设计信息素共享机制并结合改进的信息素增量及浓度两种融合模型,共享和更新全局信息素浓度,以更好地探索和优化路径,保证双向路径连结.最后,与传统蚁群算法进行实验结果对比,验证了改进算法的全局搜索能力、效率和安全性.展开更多
为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题,引入自适应交叉算子和变异算子,将改进后的跳点搜索(jump point search)算法与改进遗传算法融合,得到跳点搜索-遗传(jump ...为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题,引入自适应交叉算子和变异算子,将改进后的跳点搜索(jump point search)算法与改进遗传算法融合,得到跳点搜索-遗传(jump point search-genetic,JPSG)算法。JPSG算法利用JPS算法的高效局部搜索能力来提高整体搜索能力,加速算法整体收敛趋势;利用改进遗传算法的全局搜索能力改变JPS算法不能在复杂障碍物状况下解析最优路径的状态,提高算法对动态环境的适应性。在栅格矩阵中的路径规划仿真表明,相比于改进遗传算法、传统遗传算法,JPSG算法可以有效缩短寻优执行时间,提高寻优准确率,减少运算执行次数,在稳定性、准确性、快速性上具有明显的优势。展开更多
为解决非结构化复杂场景下基于搜索的寻路算法中存在的计算时间长、路径非最优等问题,在跳点搜索(jump point search,JPS)算法的基础上,提出一种带权重的跳点搜索(weighted jump point search,WJPS)算法。WJPS算法改进了启发式函数,同...为解决非结构化复杂场景下基于搜索的寻路算法中存在的计算时间长、路径非最优等问题,在跳点搜索(jump point search,JPS)算法的基础上,提出一种带权重的跳点搜索(weighted jump point search,WJPS)算法。WJPS算法改进了启发式函数,同时采用非传统的距离表达,最终实现了在保证全局路径最短的同时,降低了计算时间。为了验证WJPS算法的有效性,设计了多种非结构化复杂场景地图,对A、JPS算法和WJPS算法在寻路时间、扩展点数和路径长度3方面进行了对比。实验结果显示,相比A算法和JPS算法,WJPS算法在复杂环境中能保证生成路径是最短的,同时利用JPS跳点算法中寻找拓展点的策略,能够实现毫秒级别的规划,且算法效率能够满足智能体对路径规划层的要求。另外,WJPS算法采用微分平坦法对生成的路径点作曲线拟合,使智能体的运动轨迹更加平滑。展开更多
针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲...针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。展开更多
针对传统全局路径规划中扩展节点多、寻路时间长等问题,提出一种基于JPS+(jump point search plus)算法的全局路径规划算法,旨在提高机器人在复杂环境的智能性、高效性的要求。首先引入了一种基于密度的判断障碍物角点规则,实现对于主...针对传统全局路径规划中扩展节点多、寻路时间长等问题,提出一种基于JPS+(jump point search plus)算法的全局路径规划算法,旨在提高机器人在复杂环境的智能性、高效性的要求。首先引入了一种基于密度的判断障碍物角点规则,实现对于主要跳点的识别数目,减少搜索路径过程中的可扩展节点,同时在路径求解过程中对目标跳点的判定规则进行了修改,最终实现了减少计算量、缩短计算时长的目标。为验证所提改进型JPS+算法的有效性,将A、JPS+算法在不同类型地图中与改进型JPS+算法进行了比较。仿真结果表明,改进型JPS+算法与A算法相比,在路径长度、寻路时间和扩展节点数量上都有明显改进;在生成相同路径的基础上,与传统JPS+算法相比,在障碍物占比33.25%的地图中搜索时间降低了7.58%,节点扩展数量减少了9.38%,能够满足移动机器人快速全局路径规划的要求。展开更多
文摘针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地图进行预处理,获得简化跳点;其次,通过简化跳点对栅格地图进行信息素初始化,以加强简化跳点的引导能力和减少前期盲目搜索;接着,设计蚂蚁死亡惩罚机制,以降低陷入死锁蚂蚁走过路径的信息素,减少死锁问题的发生;再者,通过重新设计启发式信息函数并引入分级式信息素因子改进状态转移概率函数,以提高收敛速度,缩短路径长度;最后,采用路径优化策略删减不必要路径节点,以进一步缩短路径长度、提升平滑度,提高路径质量。仿真结果表明,在简单环境中,JPOACO算法求得的路径长度较传统蚁群算法和另一种优化蚁群算法短约22.6%和2.0%,收敛迭代次数、收敛时间分别减少约77.0%、77.5%和49.3%、87.8%,零死亡迭代次数和零死亡时间较后者减少约19.5%和80.5%;在复杂菠萝种植环境中,JPOACO算法较传统蚁群算法和另一种优化蚁群算法求得的路径长度短16.6%和4.7%,收敛迭代次数、收敛时间分别减少约77.1%、17.4%和73.7%、47.4%,零死亡迭代次数和零死亡时间较后者减少约34.3%和58.2%,表明本文算法具有较高的适用性和可行性。
文摘随着无人车、无人机等自主移动机器人的井喷式发展,寻路算法的重要性也一再提升。跳点搜索+(jump point search plus,JPS+)算法因其显著的高搜索效率而成为了经典的静态栅格化地图寻路算法。对JPS+算法的改进策略和应用场景层出不穷,但对路径长度与路径节点数量的优化方法仍有待研究。提出了一种对于强制跳点按功能性的分类方式,并基于这一分类对JPS+算法的预处理和搜索流程进行改进,在提高单次搜索扩展效率的同时,减少路径的长度与节点数。通过仿真地图实验与真实采样地图实验,验证了改进算法的有效性。对比发现:改进JPS+算法在仿真地图中,所求路径长度最大减少5.92%,路径节点数最大减少46.15%,算法用时最大减少25.58%;在真实采样地图中,所求路径长度平均减少2.48%,路径节点数平均减少10.71%,算法用时平均减少17.08%。
文摘在静态栅格地图中,针对传统蚁群算法进行AGV(Automated Guided Vehicle,自动引导车)路径规划收敛慢且搜索结果容易陷入局部最优的问题,提出一种融合跳点搜索(Jump Point Search,JPS)和双向并行蚁群搜索的改进算法.首先,对实际研究环境进行栅格化建模,使用改进的跳点搜索算法生成双向搜索的初始次优路径,为双向蚁群搜索提供初始搜索方向参考.其次,在双向并行蚁群搜索过程中采用改进的转移概率启发函数,该函数在确定下一个转移节点时考虑了避免AGV与障碍物碰撞的因素,同时通过设计信息素共享机制并结合改进的信息素增量及浓度两种融合模型,共享和更新全局信息素浓度,以更好地探索和优化路径,保证双向路径连结.最后,与传统蚁群算法进行实验结果对比,验证了改进算法的全局搜索能力、效率和安全性.
文摘为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题,引入自适应交叉算子和变异算子,将改进后的跳点搜索(jump point search)算法与改进遗传算法融合,得到跳点搜索-遗传(jump point search-genetic,JPSG)算法。JPSG算法利用JPS算法的高效局部搜索能力来提高整体搜索能力,加速算法整体收敛趋势;利用改进遗传算法的全局搜索能力改变JPS算法不能在复杂障碍物状况下解析最优路径的状态,提高算法对动态环境的适应性。在栅格矩阵中的路径规划仿真表明,相比于改进遗传算法、传统遗传算法,JPSG算法可以有效缩短寻优执行时间,提高寻优准确率,减少运算执行次数,在稳定性、准确性、快速性上具有明显的优势。
文摘为解决非结构化复杂场景下基于搜索的寻路算法中存在的计算时间长、路径非最优等问题,在跳点搜索(jump point search,JPS)算法的基础上,提出一种带权重的跳点搜索(weighted jump point search,WJPS)算法。WJPS算法改进了启发式函数,同时采用非传统的距离表达,最终实现了在保证全局路径最短的同时,降低了计算时间。为了验证WJPS算法的有效性,设计了多种非结构化复杂场景地图,对A、JPS算法和WJPS算法在寻路时间、扩展点数和路径长度3方面进行了对比。实验结果显示,相比A算法和JPS算法,WJPS算法在复杂环境中能保证生成路径是最短的,同时利用JPS跳点算法中寻找拓展点的策略,能够实现毫秒级别的规划,且算法效率能够满足智能体对路径规划层的要求。另外,WJPS算法采用微分平坦法对生成的路径点作曲线拟合,使智能体的运动轨迹更加平滑。
文摘针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。
文摘针对传统全局路径规划中扩展节点多、寻路时间长等问题,提出一种基于JPS+(jump point search plus)算法的全局路径规划算法,旨在提高机器人在复杂环境的智能性、高效性的要求。首先引入了一种基于密度的判断障碍物角点规则,实现对于主要跳点的识别数目,减少搜索路径过程中的可扩展节点,同时在路径求解过程中对目标跳点的判定规则进行了修改,最终实现了减少计算量、缩短计算时长的目标。为验证所提改进型JPS+算法的有效性,将A、JPS+算法在不同类型地图中与改进型JPS+算法进行了比较。仿真结果表明,改进型JPS+算法与A算法相比,在路径长度、寻路时间和扩展节点数量上都有明显改进;在生成相同路径的基础上,与传统JPS+算法相比,在障碍物占比33.25%的地图中搜索时间降低了7.58%,节点扩展数量减少了9.38%,能够满足移动机器人快速全局路径规划的要求。
