基于蚁群算法的路径规划改进方法研究

无人驾驶技术是近几年来研究的热点,其中路径规划技术则是无人驾驶技术研究中一个重要的内容。本文介绍基于经典蚁群算法的路径规划技术以及两大类改进方法,一类是基于经典蚁群算法的改进,另一类是与其它智能算法融合的改进。     

智能车辆局部路径规划算法研究综述

为提高智能车辆行驶的平稳性和合理性,文章对近年来智能车辆常用的局部路径规划算法进行了分类和总结。首先对各类传统算法的原理进行了阐述,分析其优缺点,并指出传统算法在智能车辆上应用时的不足;其次整理分析了各类传统算法应用至智能车辆上时各学者所提出的改进算法;最后提出基于离散优化的算法是未来智能车辆局部路径规划的应用趋势,多算法融合是复杂场景下智能车辆局部路径规划的研究方向。文章的研究结果为智能车领域的研究人员在选择局部路径规划算法时提供参考。     

基于蚁群算法的自适应路径导航算法

针对时常发生和不断加剧的交通拥挤、堵塞等情况,研究一种动态的、自适应的导航算法,以达到对车辆进行合理有效的路径导航和路径规划的目的.这一算法是在蚁群算法的基础之上,辅以多因素综合评判的方式,改进蚁群算法的评判标准,构建动态导航模型.以该导航模型为基础,通过仿真实验进行求解,仿真实验中将路径宽度、通行时延等随机因素考虑在内并进行综合权衡,使得动态导航的结果具有现实中的指导意义.数据实例表明,该导航算法是可行的、有效的,具有良好的导航效果,可为实际的导航系统提供有力地决策支持.     

基于改进蚁群算法的运输调度规划

在运输调度等组合优化问题的最优路线的搜索中,传统蚁群算法ACA(Ant Colony Algorithm)存在搜索时间长、收敛速度慢、易陷于局部最优解等缺点。为了克服这些缺点提出了一种改进的蚁群算法,该算法将遗传算法和蚁群算法结合起来,在蚁群算法的每一次迭代过程中,首先采用自适应策略控制它的收敛速度,然后使用变异操作来确定解值,从而提高它的搜索性能。再结合建立的运输调度性能指标,利用遗传算法、蚁群算法和改进蚁群算法3种方法分别进行运输规划,通过比较其时间花费和运输费用,验证了改进蚁群算法的有效性。实践证明,改进后的蚁群算法基本上克服了传统算法自身的不足,提高了算法性能。     

混合蚁群算法求解带时间窗的车辆路径问题

采用营运车辆的最短行驶距离作为带时间窗车辆路径问题的优化目标,在混合蚁群算法中采用信息素3层更新策略以完成对车辆的调度,信息素挥发自适应策略充分考虑实时路况,考虑信息素空间扩散特性的局部更新策略,更加忠实于自然界的真实蚂蚁系统,可以提高算法的收敛速度,采用阈值判断的全局信息素更新策略可以防止算法陷入局部最优。通过C#语言实现了混合蚁群算法的计算机求解,最后对10个仿真实例进行仿真计算,结果表明,混合蚁群算法收敛快,寻优结果稳定。     

基于改进的RRT车辆路径规划

文章针对基础RRT算法的不足即搜索的盲目性与复杂条件下较差的适应性,对基础RRT算法进行改进,通过对扩展节点的条件进行约束,使得车辆进行路径规划时更加具有方向性,能够实现对物体的绕行,以快速地寻找出可行的路径.最后通过MATLAB进行仿真,验证了改进算法在简单条件与复杂条件(狭小通道)下路径规划的有效性.     

车辆导航动态路径规划的研究进展

针对车辆智能导航系统中的交通网络模型、路径规划算法以及交通流预测这三个主要方面的研究现状进行了较为详细的分析。首先着重描述了基于图论的交通路网模型的构建方法;其次分析了Dijkstra算法、Floyd算法、A*算法等经典路径规划算法的性能及研究方向;然后详细介绍了交通流预测方法的研究进展;最后对车辆导航动态路径规划的未来研究方向做了展望。     

基于蚁群算法的最短路径搜索方法研究

最短路径搜索是车载定位导航系统中很重要的一个功能,最短路径搜索问题本身也可以归结为组合优化问题.蚁群算法是基于群体的一种仿生算法,为求解复杂的组合优化问题提供了一种新思路.文章尝试采用蚁群算法来解决车载导航系统中的最短路径搜索问题,并在VC 6.0的环境下进行了仿真实验.实验结果表明,该方法能有效解决车载导航系统中的最短路径搜索问题,具有一定的理论参考价值和实际意义.     

改进节约蚁群算法求解物流配送车辆路径问题

针对节约蚁群算法在求解车辆路径问题易陷入局部极值的不足,提出一种基于连接表扰动策略和吸引力因子局部搜索的改进节约蚁群算法.该算法在陷入局部最优后,引入连接表扰动策略以帮助算法跳出局部最优,该策略在每只蚂蚁进行解构建之前,随机禁忌若干条吸引力因子较大的边以增加算法的勘探能力;同时采用吸引力因子局部搜索优化每只蚂蚁的解,该局部搜索利用吸引力因子引导局部搜索.实验结果表明,改进节约蚁群算法求解车辆路径问题时优于原有节约蚁群算法以及多种已有算法.     

融合TangentBug与Dubins曲线的智能轮式车辆局部路径规划算法

由于环境条件限制,某些采用Ackermann转向的智能轮式车辆仅能获取局部地图和定位信息,给路径规划造成了困难.针对这一问题,本文中提出了一种融合TangentBug和Dubins曲线的局部路径规划算法.首先通过采样的方法构建了规划参考点集合,然后以Dubins曲线作为规划路径,旨在满足车辆最小转向半径的运动约束和目标...     

基于蚁群算法的军事配送车辆调度问题研究

针对军事配送的特点,以"等待损失"和运输成本最小化为目标,建立了问题的数学模型,并应用蚁群算法求解了这一问题.算法中改进了状态转移规则,设计了局部搜索模块.为测试算法性能,应用改进的蚁群算法求解了文献中的21个基准算例.计算结果表明,这一算法明显优于已有算法.     

蚂蚁记忆系统应用於车辆途程问题

蚂蚁演算法发表不过短短十几年,在各类型组合问题求解上皆有不错的表现,因此本研究主要目的是以蚂蚁记忆系统为基础做改良并延伸至车辆途程问题。本研究透过图像检视发现即便有候选名单的限制节点选择范围,但在不断选择节点下,仍会偏离其建构之路径,所以研究方向主要在节点选择路径公式多增加该路径第一选择节点之角度,以减少逐渐扩散之可能性。在效率提昇方面,当路线建构完成後,计算出各路线之重心,并从运量最少路线开始做区域改善,以其重心为基准对附近路线做2-opt及Swap的交换,如此将能有效降低区域改善的时间,进而提升求解效率。利用国际标竿例题来验证AMS之求解效率,在随机问题C1-C10求解平均误差为0．98％,在丛聚问题C11-C14求解平均误差为0．55％。     

基于改进蚁群算法的交通分配研究

交通分配是交通规划诸多问题中被国内外学者研究得最深入、取得研究成果最多的内容。但是把蚁群算法应用到交通规划中在国内外都不多见。介绍蚁群算法在交通流分配中的应用。     

基于遗传蚁群算法的履带式混合动力车辆控制策略参数优化

针对控制策略参数优化中存在的问题,提出一种基于遗传蚁群算法的履带式混合动力车辆整车控制策略参数优化的新方法。基于优化设计的思想,以最小燃油消耗量为目标函数,建立控制参数优化问题的数学模型,然后结合遗传算法和蚁群算法各自的优点提出一种遗传蚁群优化算法,并对控制策略参数优化问题进行数值求解。结果表明,优化后车辆燃油消耗减少14.9%,说明该方法可以找到一组全局最优的参数,大大缩短控制参数的实车标定时间。     

基于改进蚁群算法的多物流中转站选址规划

根据多物流中转站选址问题的特点,应用遗传算法和分配算法将大规模客户点划分为不同的配送单元,建立了包含配送中心和中转站的运营成本以及配送中心和中转站的大小车维护费用的数学模型,其中,运营成本包括车辆的运输成本和中转站的建造成本.提出了一种解决多物流中转站选址问题的改进蚁群算法,由于该算法在评价函数中隐含加入了约束条件,并...     

求解不确定车辆数车辆调度问题的蚁群算法

为同时优化所用的车辆数和行驶总路径,基于问题特征,用人工蚂蚁模拟车辆,在1次循环中利用不同蚂蚁个体的相互协作建立1个完整的解方案,使参与服务的蚂蚁数隐含了所使用的车辆数,从而能够通过优化参与服务的蚂蚁数量确定所使用的车辆数。在算法中,通过构造与算法实施相适应的禁忌表、启发函数以及为了提高搜索效率而引入中心节点虚拟需求量等策略,设计了求解具有不确定车辆数的车辆调度问题的蚁群算法。通过给定的实例对算法进行了验证,结果表明算法是有效和可行的。     

求解区域公交车辆调度问题的蚁群算法研究

本文待区域公交车辆调度问题为"部分班次被一辆车完成"的集合划分问题,考虑车场容量、允许车辆加油及每辆车任务可靠度不低于某值等现实因素,建立以车辆数、车辆等待和空驶时间最小为目标的混合整数规划模型.根据问题特征,设计求解该问题的蚁群算法,在构建人工蚂蚁随机游走的图基础上定义解构建规则、信息素和启发式信息等.最后,通过一个...