三维环境中多机器人协同路径规划算法

针对三维环境中多机器人协同路径规划问题,提出一种改进蚁群算法。文中提出并构建了机器人运动行为模型和协同行为模型,通过引入多蚁群系统,优化信息素更新机制和状态转移方程,提高算法全局搜索能力和收敛速度。仿真实验结果表明改进蚁群算法优于基本蚁群算法,能够有效指导机器人在三维环境中协同行进,提高路径规划能力。     

面向BIM的室内拓扑-栅格分层路径规划方法

针对传统路径规划方法在复杂大场景环境下的搜索空间大、效率低、避障安全性差等问题,本文提出了一种基于BIM的室内拓扑-栅格分层路径规划方法。首先,建立复杂室内环境的BIM模型,提取模型中结构、障碍物和通道的语义、几何及其关联信息,通过栅格抽象映射得到基础导航地图,并结合层次图思想,开展地图空间分层,获取拓扑-栅格分层地图;然后,利用细化算法,生成拓扑层中各子区域之间的离线先验路网,联合Dijkstra算法选取其中的最优路径,并基于自主改进的A*算法,快速高效搜索栅格层的最优路径,通过组合拼接拓扑层与栅格层的局部最优路径,构建完整的全局最优路径;最后,将本文方法与标准A*算法及蚁群算法作对比,在保证计算效率的同时,不仅缩小了路径搜索空间,还确保了最优路径的安全性,综合验证了所提路径规划方法的优越性。     

面向多值栅格地图的A?最优路径算法改进

A~*启发算法是最优路径规划问题中最有效的算法之一,在路径规划问题中得到广泛应用。针对多值栅格环境下的最优路径规划的效率问题,对A~*算法在搜索策略上做了如下改进:一是提出了两种新的启发函数;二是提出了新的A~*双向搜索算法。实验表明改进算法求得的路径为最优路径,搜索效率比传统的Dijkstra算法有显著提升,双向A~*算法比单向A~*算法效率有明显提高。     

顾及复杂环境约束的无人机三维航迹快速规划

针对在地形、禁飞区、气象、危险物、通视约束等复杂环境下，无人机三维航迹规划存在效率差与精度低的问题，本文通过设计多层扩展A*算法，提出了一种顾及复杂环境约束的无人机三维航迹快速规划方法。该方法剖析典型复杂环境对无人机航迹的多种约束信息等，构建三维航迹规划环境模型；通过结合无人机自身性能约束，设计多层扩展A*算法进行三维分层扩展，搜索获取无人机最优参考航迹；采用线简化和线平滑的方式对参考航迹进行简化与优化；最后选择典型案例区域开展试验分析，证明本文方法能够快速准确地规划出复杂环境下的最优可行航线。     

改进蚁群算法支持下的交通流量分配

灾后城市交通运输能力下降，原有的流量分配方案不再适用。为保障正常的经济社会活动，本文提出了一种基于改进蚁群算法的交通流量分配方法。首先评估路网通行能力影响因素并建立道路质量评价体系，利用路段质量改进蚁群算法中的启发式因子；然后为扩大蚁群搜索范围加入随机节点并改进信息素的更新机制；最后应用改进算法对城市交通总量进行分批分配并得到流量分配图。结果表明，改进算法综合考虑了出行距离和道路质量，较改进前更符合交通流量分配要求，具有较好的路径寻优性，可为灾后救援工作和灾后路网交通分配决策提供建议和支持。     

蚁群算法求解三维表面路径方法的研究

针对不规则三维表面路径寻优的问题，提出了一种将连续三维表面进行格网离散化的基于蚁群行为的解决方法，对基本蚁群算法的信息素更新策略进行了改进，并通过实验进一步验证了算法的有效性。     

蚁群-势场算法在水下重力辅助导航航迹规划中的应用

水下潜器航迹处于重力特征变化明显的适配区域才能保证重力辅助导航的有效实施,因此在重力匹配导航阶段,潜器的航迹规划至关重要。本文首先依据重力统计特征参数对水下潜器航行区域进行适配性划分,并给出适配、非适配区标签;然后在蚁群算法进行航迹规划的基础上引入人工势场算法,重新构建启发函数,避免了蚁群算法的局部最优问题;同时利用最大-最小蚁群系统改进算法信息素更新规则,防止了"早熟"现象发生。仿真试验结果表明,本文提出的蚁群-势场算法可以有效解决水下潜器在重力辅助导航中的航迹优化问题,提高了问题解的可行性。     

非线性规划单纯形算法的改进算法

在常规非线性单纯形算法的基础上 ,提出了一种实用的改进算法 ,即将初始搜索值作为初值 ,并逐步改变顶点距离二次搜索的方法 ,有效地避免了常规算法易陷入局部最优的缺点     

一种利用改进A*算法的无人机航迹规划

提出了一种改进的A*算法解决大范围三维战场环境的无人机航迹规划问题。针对低空突防中无人机需满足生存率高、耗油量小等要求,算法综合考虑了航线高度、被探测概率、航线长度等权重因子,在该目标空间中搜索一条两个航路点之间的最优航线。同时为了满足UAV安全高度、升降率、转弯半径等性能约束,提出了一系列航线优化算法,得到最终的可飞航线。     

基于最短路算法的无人机测绘路线规划研究

本文针对大面域无人机测绘过程中的续航问题、路线问题等,通过对最短路理论的分析与最短路算法在路线规划中的应用研究,运用宽度搜索法和等代搜索法对无人机测绘路线进行案例分析,并将其对比与优化,最终通过CN项目,具体研究了无人机测绘路径规划的最优算法,并论证了无人机测绘路径规划算法的实用性与可达性,说明了无人机测绘路线规划的研究意义与应用前景。     

大型网络中容量受限的疏散路径规划方法

针对启发式算法利用Dijkstra算法求解大型动态网络中疏散路径规划问题时,存在疏散时间长、稳定性差等不足,该文提出了一种改进CCRP的方法,即用蚁群算法替代Dijkstra算法求解最优路径,进而减少疏散时间,增加估算疏散时间的精确性。实验表明,该方法能够在大型动态网络下实现路网容量受限的疏散路径规划有效求解,具有疏散时间短、疏散路径少、线性关系强等特点,相比原有CCRP算法更能满足实际疏散的需要。在寻找最优路径上采用蚁群算法求解,相比贪心算法更能支持全局最优、并行计算、疏散效率更高,在支持路况信息实时更新、大规模人群快速疏散、及时调整疏散路线等方面更具优势。     

自适应蚁群和模糊聚类的SAR图像分割

针对传统蚁群算法及模糊C-均值聚类算法在合成孔径雷达遥感图像分割中精度低下和收敛速度较慢的问题,该文提出了一种改进的自适应阈值的蚁群及模糊C-均值聚类算法,实现对复杂合成孔径雷达图像进行分割。针对不同的合成孔径雷达图像,首先利用最大类间方差法获取最优阈值,通过最优阈值干预避免蚁群算法陷入局部最优解;再将自适应阈值蚁群算法得到的聚类中心和聚类类别数输入模糊C-均值聚类算法中,最终实现图像分割。实验结果证明,该算法在时间和误分率上较传统方法有显著的改进。     

区域生长的半全局密集匹配算法

针对传统的半全局匹配算法在处理视差变化大、遮挡严重的城市航空影像时,存在匹配精度下降、匹配效率低下的问题,提出了一种基于区域生长的半全局密集匹配方法。采用区域生长算法获取影像的初始视差,并从初始匹配点中挑选可靠的点作为视差控制点;利用区域生长获取的视差图,限制各个方向动态规划的过程以加速最优路径的搜索;通过视差控制点对动态规划的路径进行修正,避免错误匹配代价的传播。基于城区无人机影像的实验结果表明,所提算法不仅可以提高匹配结果正确率,还能使耗费的内存和时间都不到原算法的50%。     

基于改进粒子群算法在GIS最优路径中的研究

在GIS环境下研究最优路径问题具有很多优势,本文研究的最优路径问题是基于传统粒子群算法存在的早熟收敛问题,并提出了一种改进的粒子群算法,该算法在后期引入变异算子,变异操作能够提高算法跳出局部最优的能力,同时又保持了前期搜索速度快的优点。     

考虑实时路况反馈的动态路径规划算法研究

针对现有的路径规划算法在应对突发事件人员车辆疏散过程中没有考虑实时交通拥堵路况反馈因素,降低了疏散路径方案的有效性问题,该文提出了一种引入实时路况的动态疏散路径规划算法。首先将动态路网中的实时路况信息建模和量化,构建实时动态的旅行时间矩阵,然后利用交通预测模型改进的动态蚁群算法求解全局疏散时间最小化、道路网利用率最大化的最优路径。采用改进的动态蚁群算法构建的动态路径规划方法,能在交通拥堵区和动态路网阻抗变化后快速更新路线,较好地平衡了疏散过程中的全局疏散时间与局部拥堵间的矛盾。实验结果表明,当交通拥堵级别增加时,相比现有的路径规划算法,本文的方法分别减少18%的平均疏散时间和11%的总旅行时间,增加26%的路网利用率。     

改进蚁群算法的三维激光点云聚类方法

为了提高点云聚类方法的效率和精度,本文提出了一种蚁群优化投影寻踪算法。试验采用机载LiDAR点云数据,通过构建蚁群算法中信息素系数更新的对数反正切函数模型来减少所需的信息素更新系数的迭代次数,不断优化的投影寻踪方向投影,提高寻找最佳投影方向的连续空间的效率,实现了树木和建筑的分割。试验使用人工方法对比评估树木和建筑物的位置和数量的准确性。     

基于改进RRT算法的狭长空间无人车辆路径规划

针对狭长空间无人车辆路径规划系统，提出一种基于改进的快速搜索随机树(rapidly-exploring random trees,RRT)路径规划算法，以解决传统RRT算法随机性较大、路径缺乏安全性的问题.该算法通过加入自适应目标概率采样策略、动态步长策略对传统的RRT算法进行改进，同时考虑到实际情况中无人驾驶车辆的动力学约束，该算法加入车辆碰撞约束和路径转角约束，并针对转角约束会导致迭代次数激增的问题提出了一种限制区域内随机转向的策略，最终得到一条安全性较高的路径.采用计算机仿真对所提算法和现有算法的性能进行对比验证.所提算法在狭长空间相较于传统人工势场引导下的RRT算法迭代次数降低了33.09%，规划时间减少了6.44%，路径长度减少了0.06%，并且在简单环境和复杂障碍物环境下规划能力均有提升.所提算法规划效率更高、迭代次数更少.     

一种兼顾全局与局部特性的机器人动态路径规划算法

A*算法的规划路径全局最优,但存在拐点多、拐角大的缺点,而人工势场法的规划路径虽然平滑,却无法满足全局最优的要求。为达到机器人快速到达、安全避障的目的,分别对A*算法和人工势场法进行改进,并将两者相结合,提出一种兼顾全局与局部特性的机器人动态路径规划算法。全局路径规划采用剔除冗余节点的A*算法,生成局部目标节点序列;局部路径规划采用改进的人工势场法,提出5方向障碍物探测法替代原有斥力模型,大大减小运算量;设置最小引力场,引导机器人脱离局部最小点;采用扇形区域探测法,有效规避小型动态障碍物。仿真实验结果表明:与传统A*算法与人工势场法相比,该方法不仅生成全局最优平滑路径,而且还能够在顾及机器人移动控制的前提下,及时规避动态障碍物。     

一种基于改进蚁群算法和顾及时间上下文的个性化旅游线路规划方法

为解决旅游线路规划中时间上下文的限制和游客旅游偏好等问题,构建顾及时间上下文和游客旅游偏好的旅游线路规划数学模型。提出一种改进的最大最小蚁群算法MMAS(Max-Min Ant System),采用混合信息素更新策略,改进伪随机比和轮盘赌注相结合的状态转移策略,提出基于时空棱柱模型的局部搜索优化方法。为验证算法的有效性,利用携程网景点数据与高德实时路况数据进行实验。实验结果表明,该方法比对比算法有更好的性能,能有效地规划出较好的旅游线路。     

模拟退火机制下优化离散粒子群的端元提取算法

针对离散粒子群优化(Discrete Particle Swarm Optimization,DPSO)端元提取算法初始种群质量差、收敛性能低且易于陷入局部最优,本文将模拟退火算法引入到DPSO的不同阶段,模拟退火算法能以一定的概率接受和舍弃新状态,使种群内粒子渐趋有序、达到平衡,收敛到全局最优,有效避免了搜索陷入局部最优。因此,该算法不仅保持了DPSO的全局组合优化特点,克服了初始种群质量差、易陷入局部最优等缺点,而且还提高了收敛速度和端元提取精度。