1。介绍
移动机器人的快速发展,路径规划已成为基础和核心的移动机器人的研究领域。移动机器人的路径规划技术是找到一个最优或次优的无碰撞路径从开始到结束在复杂环境中按照一定的评价标准,如最短的路线,至少转动,最少的能耗等。
1]。传统的算法来解决路径规划问题主要包括人工势场算法(
2[],迪杰斯特拉算法
3),和一个<我nline-formula>
∗米米l:mi>
算法(
4]。近年来,一些研究人员采用仿生智能优化算法来解决路径规划的问题。这些仿生智能优化算法主要包括蚁群算法(
5)、遗传算法(
6),粒子群优化算法(
7),免疫算法(
8),模拟退火算法(
9),和之间的组合优化算法算法(
10- - - - - -
12]。
gydF4y2Ba在上面的路径规划方法,蚁群算法具有较强的鲁棒性和搜索能力,由意大利著名学者首次提出民宿(1992年
13]。作为一种启发式算法,它模拟了蚁群的觅食过程和获得解决方案的路径共同计划的蚂蚁。它有积极的反馈的特点,并行计算,简单的融合。然而,仍然有问题,如收敛速度慢,容易陷入局部最优的机器人路径规划。许多学者改进传统的蚁群算法。曹等人提出的建立一个初始信息素模型,以避免盲目搜索和改善传统蚁群算法的收敛速度
14]。白等人设计了蚁群算法与负面的反馈机制来避免陷入局部最优解(
15]。张等人提出了构建一个新的启发式函数信息素挥发因子的适应变化,确保快速收敛的蚂蚁即使全面搜索路径(
16]。马和梅集成的蚁群算法的搜索策略和跳搜索算法,介绍了降低势场合力系数,介绍了简化跳搜索算法来更新初始信息素,并提出了基于势场跳的蚁群算法(
17]。
gydF4y2Ba最上面的改进蚁群算法用于优化路径长度,提高寻路的效率。一些学者认为太大等问题转向角和太多的把整个路径的时候,导致机器人运行时间和能源消耗的增加,当寻找下一个移动节点。针对这一点,本文提出了一种改进的蚁群算法基于二维路径平滑因子对移动机器人路径规划。
年代ec>
2。环境建模和基本的蚁群算法
2.1。环境建模
常用的机器人环境建模方法包括网格方法,可视空间方法,自由空间法,几何信息方法和拓扑映射方法(
18]。摘要网格方法选择模型的二维运动空间移动机器人,如图
1。
2.2。基本蚁群算法
蚁群算法是模拟蚂蚁群体的过程从起点到找到目标点来获取食物。蚂蚁在寻找食物的过程中,会释放一定量的路径信息素,和蚁群使用这些信息素相互通信。当越来越多的蚂蚁通过一定的路径,这个路径的信息素浓度高,和其他蚂蚁将有更大的概率选择这条路,扮演了一个积极的反馈作用,但它也很容易导致局部最优或死锁的发生
20.]。
gydF4y2Ba如果有多个既无网格,蚂蚁的概率选择下一个网格从当前网格是取决于它们之间的距离和信息素浓度(
21,
22]。状态转移概率
(3)米米l:mtext>
P米米l:mi>
我米米l:mi>
j米米l:mi>
k米米l:mi>
t米米l:mi>
=米米l:mo>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
α米米l:mi>
∗米米l:mi>
η米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
β米米l:mi>
∑米米l:mo>
年代米米l:mi>
∈米米l:mo>
允许米米l:mtext>
k米米l:mi>
τ米米l:mi>
我米米l:mi>
年代米米l:mi>
t米米l:mi>
α米米l:mi>
∗米米l:mi>
η米米l:mi>
我米米l:mi>
年代米米l:mi>
t米米l:mi>
β米米l:mi>
,米米l:mo>
如果米米l:mtext>
j米米l:mi>
∈米米l:mo>
允许米米l:mtext>
k米米l:mi>
,米米l:mo>
0米米l:mn>
,米米l:mo>
否则,米米l:mtext>
(4)米米l:mtext>
η米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
=米米l:mo>
1米米l:mn>
d米米l:mi>
我米米l:mi>
j米米l:mi>
,米米l:mo>
在哪里<我nline-formula>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
是代表了从电网信息素浓度<我talic>
我我talic>网格<我talic>
j我talic>在时间<我talic>
t我talic>;<我nline-formula>
η米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
从电网启发式信息吗<我talic>
我我talic>网格<我talic>
j我talic>蚂蚁从电网,表示期望的程度<我talic>
我我talic>网格<我talic>
j我talic>;它通常是两个网格之间的距离的倒数,<我nline-formula>
η米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
=米米l:mo>
1米米l:mn>
/米米l:mo>
d米米l:mi>
我米米l:mi>
j米米l:mi>
。<我nline-formula>
α米米l:mi>
信息素因子和吗<我nline-formula>
β米米l:mi>
是启发式因子,分别表示的浓度信息素和启发式信息的相对重要性。<我nline-formula>
允许米米l:mtext>
k米米l:mi>
代表了网格设置可以选择的蚂蚁<我talic>
k我talic>在下一步<我talic>
t我talic>时间。
gydF4y2Ba当所有蚂蚁完成一次遍历,路径上的信息素浓度将蒸发最初的信息素进行更新和增加蚂蚁的信息素积累。信息素更新公式
(5)米米l:mtext>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
+米米l:mo>
1米米l:mn>
=米米l:mo>
1米米l:mn>
−米米l:mo>
ρ米米l:mi>
⋅米米l:mo>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
+米米l:mo>
Δ米米l:mi>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
Δ米米l:mi>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
=米米l:mo>
∑米米l:mo>
k米米l:mi>
=米米l:mo>
1米米l:mn>
米米米l:mi>
Δ米米l:mi>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
k米米l:mi>
,米米l:mo>
Δ米米l:mi>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
k米米l:mi>
=米米l:mo>
问米米l:mi>
l米米l:mi>
k米米l:mi>
,米米l:mo>
蚂蚁米米l:mtext>
k米米l:mi>
通过米米l:mtext>
路径米米l:mtext>
我米米l:mi>
,米米l:mo>
j米米l:mi>
,米米l:mo>
0米米l:mn>
,米米l:mo>
否则,米米l:mtext>
在哪里<我nline-formula>
ρ米米l:mi>
信息素波动系数,<我nline-formula>
ρ米米l:mi>
∈米米l:mo>
0 1米米l:mn>
。<我nline-formula>
Δ米米l:mi>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
代表的信息素增量网格<我talic>
我我talic>网格<我talic>
j我talic>在这个迭代。<我nline-formula>
Δ米米l:mi>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
k米米l:mi>
代表了蚂蚁的信息素释放量<我talic>
k我talic>从网格<我talic>
我我talic>网格<我talic>
j我talic>在这个迭代。<我talic>
问我talic>表示信息素强度,它是一个常数。<我nline-formula>
l米米l:mi>
k米米l:mi>
代表了蚂蚁的路径长度<我talic>
k我talic>在这个迭代。
年代ec>
3所示。路径规划的改进蚁群算法
在传统的蚁群算法中,每个网格的初始信息素值是相同的,和启发式值没有明显的区别,所以搜索时间通常是长,算法收敛速度慢,很难找到全局最优解(
23]。同时,网格地图的基本蚁群算法的路径规划可能更多,可怜的路径的平滑,消耗了大量的能量的机器人。为了提高原蚁群算法的性能,克服其缺陷,本文做了以下改进。
<年代ec id="sec3.1">
3.1。改进启发式信息
在传统的蚁群算法,启发式信息<我nline-formula>
η米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
相邻网格之间的距离的倒数,所以蚂蚁在相邻网格的启发式重量差异不明显,这使得启发式函数不发挥明显作用蚂蚁转移的决定,使算法的搜索效率相对较低。此外,当机器人通过一组障碍,如果只有最短路径被认为是主要的因素,它会导致机器人的转向角太大,容易偏离标点符号,这将大大增加的时间和能源消耗。
gydF4y2Ba因此,本文将转向角添加到蚁群算法的启发式信息,结合方向信息的起始点和目标点的改进启发式信息,以便移动机器人可以移动到目标点和选择一个路径与转向角尽可能小。通过改进启发式函数,蚁群搜索的目的是增加了,落入局部最优解的概率降低。改进的启发式信息如下:
(6)米米l:mtext>
η米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
=米米l:mo>
φ米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
+米米l:mo>
γ米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
,米米l:mo>
(7)米米l:mtext>
φ米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
=米米l:mo>
d米米l:mi>
我米米l:mi>
g米米l:mi>
d米米l:mi>
我米米l:mi>
j米米l:mi>
+米米l:mo>
d米米l:mi>
j米米l:mi>
g米米l:mi>
,米米l:mo>
γ米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
=米米l:mo>
1米米l:mn>
−米米l:mo>
N米米l:mi>
p米米l:mi>
我米米l:mi>
米米米l:mi>
t米米l:mi>
−米米l:mo>
N米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
8米米l:mn>
,米米l:mo>
在哪里<我nline-formula>
φ米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
代表了蚂蚁的方向信息<我talic>
米我talic>从网格<我talic>
我我talic>网格<我talic>
j我talic>在时间<我talic>
t我talic>和导游蚂蚁移动到相邻的网格在终点的方向,<我nline-formula>
0米米l:mn>
<米米l:mo>
ϕ米米l:mi>
≤米米l:mo>
1米米l:mn>
。<我nline-formula>
d米米l:mi>
我米米l:mi>
j米米l:mi>
表示当前网格的距离<我talic>
我我talic>到下一个网格<我talic>
j我talic>,<我nline-formula>
d米米l:mi>
j米米l:mi>
g米米l:mi>
表示当前网格的距离<我talic>
j我talic>到最后网格<我nline-formula>
g米米l:mi>
。<我nline-formula>
γ米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
代表了蚂蚁的转角<我talic>
米我talic>从网格<我talic>
我我talic>网格<我talic>
j我talic>在时间<我talic>
t我talic>、指导蚂蚁选择路径与小角,<我nline-formula>
1米米l:mn>
/米米l:mo>
8米米l:mn>
≤米米l:mo>
γ米米l:mi>
≤米米l:mo>
1米米l:mn>
。<我nline-formula>
N米米l:mi>
π米米l:mtext>
米米米l:mi>
t米米l:mi>
代表了蚂蚁的把标签从之前的网格<我talic>
p我talic>当前的网格<我talic>
我我talic>,<我nline-formula>
N米米l:mi>
我米米l:mi>
j米米l:mi>
米米米l:mi>
t米米l:mi>
表示蚂蚁的把标签从当前网格<我talic>
我我talic>到下一个网格<我talic>
j我talic>。当<我nline-formula>
ϕ米米l:mi>
=米米l:mo>
1米米l:mn>
,<我nline-formula>
γ米米l:mi>
=米米l:mo>
1米米l:mn>
启发式信息是最大的,这表明机器人不转身移动终端与最优路径。
年代ec>
3.2。提高信息素更新规则
3.2.1之上。改进信息素增量
当传统的蚁群算法是用来解决机器人路径规划问题,通常需要的路径长度作为唯一的参考评估质量的路径。然而,在机器人行走的实际场景,为了提高机器人的灵活性和安全行走,不仅路径的长度,而且机器人的转动时间应考虑在整个路径。此外,当障碍一定区域人口分布,机器人的频繁将在短时间内应该避免。因此,考虑机器人的二维路径的平滑度,引入了一种新的路径评价函数来提高信息分化的有效路径,以提高搜索路径的平滑度,提高机器人的安全,减少能源消耗。
(8)米米l:mtext>
Δ米米l:mi>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
k米米l:mi>
=米米l:mo>
问米米l:mi>
年代米米l:mi>
k米米l:mi>
,米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
∈米米l:mo>
参观了米米l:mtext>
k米米l:mi>
,米米l:mo>
0米米l:mn>
,米米l:mo>
别的,米米l:mtext>
(9)米米l:mtext>
年代米米l:mi>
k米米l:mi>
=米米l:mo>
x米米l:mi>
l米米l:mi>
k米米l:mi>
+米米l:mo>
y米米l:mi>
T米米l:mi>
k米米l:mi>
,米米l:mo>
在哪里<我nline-formula>
年代米米l:mi>
k米米l:mi>
的评价函数是由蚂蚁路径旅行吗<我talic>
k我talic>,信息素分配根据评价函数。评价函数越小,更好的路径,这个路径上信息素释放越多,吸引更多蚂蚁寻找这条路。<我nline-formula>
l米米l:mi>
k米米l:mi>
是蚂蚁的路径长度<我talic>
k我talic>。<我nline-formula>
T米米l:mi>
k米米l:mi>
将蚂蚁的时候吗<我talic>
k我talic>的道路上,代表的平滑路径;越小<我nline-formula>
T米米l:mi>
k米米l:mi>
,路径的平滑度越好。在哪里<我talic>
x我talic>路径长度调整系数和吗<我talic>
y我talic>次的调整系数,适当的价值根据所需的路径属性。
年代ec>
3.2.2。信息素的限制
若干次迭代后,在一条路径上信息素的价值可能远大于或远小于其他路径,使搜索无法继续和导致过早收敛。为了防止这种极端情况,信息素的值范围是有限的<我nline-formula>
τ米米l:mi>
最小值米米l:mi>
来<我nline-formula>
τ米米l:mi>
马克斯米米l:mi>
通过引用mma算法(
24,
25]。
(10)米米l:mtext>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
=米米l:mo>
τ米米l:mi>
马克斯米米l:mi>
,米米l:mo>
如果米米l:mtext>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
>米米l:mo>
τ米米l:mi>
马克斯米米l:mi>
,米米l:mo>
τ米米l:mi>
最小值米米l:mi>
,米米l:mo>
如果米米l:mtext>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
<米米l:mo>
τ米米l:mi>
最小值米米l:mi>
,米米l:mo>
τ米米l:mi>
我米米l:mi>
j米米l:mi>
t米米l:mi>
,米米l:mo>
其他的事情。米米l:mtext>
4所示。改进的蚁群算法在路径规划中的应用
改进的蚁群算法应用于路径规划。具体步骤如下:
步骤1我talic>。环境建模:机器人的运动空间环境是由网格建模方法。起点、终点和障碍位置的机器人是由网格坐标,和所有的蚂蚁都放置在机器人的起始点。
步骤2我talic>。初始化参数。起始位置,目标位置G,蚂蚁的数量<我talic>
米我talic>迭代的最大数量<我nline-formula>
数控米米l:mtext>
马克斯米米l:mi>
,当前的迭代次数<我nline-formula>
数控米米l:mtext>
,信息素因子重要性<我nline-formula>
α米米l:mi>
启发式信息重要性的因素<我nline-formula>
β米米l:mi>
,信息素波动系数<我nline-formula>
ρ米米l:mi>
信息素的强度<我talic>
问我talic>,路径长度调整系数<我talic>
x我talic>,把时间调整系数<我talic>
y我talic>。
步骤3我talic>。计算启发式信息。根据当前位置的蚂蚁,启发式信息计算根据方程(
6),结合回转角度和方向的信息。
步骤4我talic>。选择路径。蚂蚁从当前的概率计算网格non-tabu网格根据方程(
3),选择下一个网格通过轮盘赌方法和禁忌表更新。
步骤5我talic>。确定所有的蚂蚁已经达到目标网格。如果是这样,记录每只蚂蚁的路径,路径的长度,和时间。否则,返回步骤3。
步骤6我talic>。计算信息素增量。评价函数的路径是根据公式计算(
9),根据信息素增量计算公式(
8)。
步骤7我talic>。更新信息素。根据方程(更新信息素
5),由方程(信息素的数量是有限的
10)。
步骤8我talic>。记录所有蚂蚁的路径的信息。比较每个迭代的最优路径寻找当前全局最优路径。
步骤9我talic>。确定迭代的算法达到最大数量;最优路径算法终止和输出;否则,重复步骤3到8。
改进的蚁群算法路径规划的流程图如图
3。
图3
改进的蚁群算法路径规划的流程图。
5。实验结果和分析
为了验证改进的蚁群算法的有效性(IACA),本文在MATLAB R2016A进行仿真实验。计算机操作系统是Windows10, AMD处理器,主频率为2.0 GHz, 8 g内存。移动机器人的移动环境20×20 30×30日分别和50×50网格地图。同时,为了验证该算法的优越性,该算法获得的结果与通过蚂蚁系统算法()(
13)算法和蚁群系统(ACS) (
26- - - - - -
28在相同的环境中。此外,为了验证改进的蚁群算法的稳定性,10倍的三个算法模拟和实验结果如表所示
1。相关参数设置如下:<我talic>
α我talic>= 1,<我talic>
β我talic>= 6,<我talic>
ρ我talic>= 0.1,<我talic>
问我talic>= 10,<我talic>
x我talic>= 1,<我talic>
y我talic>= 1,蚂蚁的数量<我talic>
米我talic>= 50,迭代的最大数量<我nline-formula>
数控米米l:mtext>
马克斯米米l:mi>
=米米l:mo>
200年米米l:mn>
。的起点是在左上角和右下角的终点G。
表1
比较三种算法在路径规划的结果。
| 网格地图
| 算法
| 最优路径长度
| 平均路径长度
| 最小数量的迭代
| 把最优路径
|
| 20×20 | 作为32.6032.7681年6
| ACS | 32.6033.005610
| IACA | 32.6032.60352
|
| 30×30 | 作为50.8051.2084年9
| ACS | 51.2051.5565年17
| IACA | 49.6049.9061年5
|
| 50×50 | 作为93.8097.00174年37
| ACS | 98.60100.6097年53
| IACA | 89.6090.20113年4
5.1。20×20网格环境
首先,在一个简单的20×20的网格环境中,三种算法的仿真结果如图路径规划研究
4。
图4
结果路径规划三个算法(20×20)。(一)路径规划三个算法(20×20)。(b)转次曲线三个算法(20×20)。(c)的收敛曲线三个算法(20×20)。
(一)
(b)
(c)
在实验中,发现在20×20网格环境中,所有三个算法可以搜索最短可行路径在运行过程中,使移动机器人可以移动安全从起点到终点。然而,路径规划的算法和ACS算法有一个很大的圈数和路径的平滑度差,导致多个当机器人移动很短的距离,和频繁的在短时间内并不有利于机器人的安全。数量的改进算法具有明显的优势,规划路径平滑,收敛速度快。
年代ec>
5.2。30×30网格环境
为了进一步验证本文改进算法的可靠性,网格地图是扩大到30×30多障碍,并再次进行了仿真。三种算法的仿真结果如图路径规划研究
5。
图5
结果路径规划三个算法(30×30)。(一)路径规划三个算法(30×30)。(b)转次曲线三个算法(30×30)。(c)的收敛曲线三个算法(30×30)。
(一)
(b)
(c)
从图可以看出
5当网格地图的规模扩张和障碍的增加,算法和ACS算法不能很好的适应全局路径规划这种相对复杂的环境和最优路径长度计划是50.8和51.2,分别。然而,本文算法仍然可以表现良好,和最优路径发现49.6,有效地缩短了路径长度与前两种算法。图
5 (c)显示了三种算法的收敛曲线(30×30);可以看出,本文算法在收敛速度和最短路径长度时,环境是复杂的。图
5 (b)显示了变倍曲线的三个算法(30×30);可以看出,的把时间的最优路径算法本文明显低于作为ACS算法和算法。
年代ec>
5.3。50×50网格环境
为了进一步验证改进算法的适应性的大规模网格地图(50×50),这种规模的三个算法模拟地图。路径规划是如图
6。
图6
结果路径规划三个算法(50×50)。(一)路径规划三个算法(50×50)。(b)转次曲线三个算法(50×50)。(c)的收敛曲线三个算法(50×50)。
(一)
(b)
(c)
从图可以看出
6 (c)在大规模网格地图,所有三个算法时间消耗的增加,算法和ACS算法容易陷入局部最优。从图可以看出
6 (b)网格地图的许多障碍,算法和ACS算法赚很多当搜索最优路径。从图可以看出
6(一)改进的算法具有明显的优势,这不仅降低了匝数和增加了平滑的路径,但也有更快的收敛速度比算法和ACS算法,可以找到最优路径。
gydF4y2Ba从表中的数据可以看出
1计划的路径长度的改进蚁群算法较短的大规模的环境,更多的障碍和相对复杂的(50×50)。与作为算法相比,收敛于最优解所需的迭代次数减少了约61。此外,《纽约时报》将在最优路径是减少来自37个算法和53 ACS算法4。路径的平滑度显著提高,有效地避免了大规模机器人的行为。
gydF4y2Ba总之,当环境变得相对复杂,传统算法的搜索路径变得更加曲折,优化能力并不理想,很容易陷入局部最优解。有一些局限性在复杂环境中的路径规划。改进的算法可以快速、有效地找到最优路径,即使在复杂的环境中,和计划路径少和更好的路径平滑。算法的有效性和优越性得到进一步证实。
年代ec>
6。结论
路径规划是机器人的关键技术在复杂环境中移动。作为仿生算法,蚁群算法可以有效地实现机器人的路径规划。针对收敛速度慢的问题,搜索效率低,穷人和路径平滑传统蚁群算法在路径规划,本文改进了蚁群算法的改进启发式信息,引入一种新的路径评价函数,考虑到二维的平滑路径,和更新的有效路径信息素分化。路径规划的仿真结果在三个不同的网格环境中表明,该改进算法具有更好的路径规划,收敛速度更快,更少的,平滑的路径,减少了移动机器人的能量损失,使其安全、迅速移动到目标点。它有效地证明了算法的有效性和适应性在复杂的环境。
gydF4y2Ba微流体技术,集成了基本操作单位如样品制备、反应、分离、检测过程中生物、化学、医学分析成微米尺寸芯片自动完成整个过程的分析(
29日,
30.]。数字微流控生物芯片(DMFB)以离散microdroplets为单元,实现液滴的各种基本操作或处理,如发电、运输、合并、混合、分离、储存、和检测,通过液滴驱动模式。液滴路径规划是一种先进的合成DMFB的核心步骤。它的目标是计划一群液滴的移动路径和需要滴正确执行生化反应过程的检测和分析。每个液滴被解释为一个点移动机器人在一个离散二维配置空间。在这种假设下,路径规划的水滴变成了多个移动机器人运动规划问题(
31日- - - - - -
34]。因此,在未来的研究中,我们将进一步尝试使用蚁群算法来解决滴DMFB路径规划和调度的问题。
年代ec>
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
年代ec>
的利益冲突
作者宣称没有利益冲突有关的出版。
年代ec>
确认
这项工作是支持的安徽大学优秀青年人才支持计划项目(没有。gxyq2019072)大学和安徽省级质量工程项目(没有。2020 jyxm2151)。
[
1
张年代urname>
d . H。
你年代urname>
x M。
刘年代urname>
年代。
锅年代urname>
H。
动态多用途自适应协作蚁群优化机器人路径规划
IEEE访问我talic>
2020年
8
129958年
129974年
10.1109 / access.2020.3009399
]
[
2
李年代urname>
f . L。
一种优化的基于进化的人工势场路径规划方法
应用力学和材料我talic>
2013年
380 - 384
384年我年代年代ue>
1414年
1417年
/www.scientific.net/amm.380 10.4028 - 384.1414
2 - s2.0 - 84884860134
]
[
3
迪杰斯特拉年代urname>
e·W。
图的注意在连接两个问题
Numerische Mathematik我talic>
1959年
1
1我年代年代ue>
269年
271年
10.1007 / bf01386390
2 - s2.0 - 34147120474
]
[
4
黄年代urname>
C。
范年代urname>
J。
刘年代urname>
Y。
李年代urname>
H。
刘年代urname>
X。
光滑的基于动态反馈的路径规划方法<年代up>∗年代up>蚁群算法
中国农业机械学会的事务我talic>
2017年
48
4我年代年代ue>
34
40
10.6041 / j.issn.1000-1298.2017.04.004
2 - s2.0 - 85025065482
]
[
5
悦年代urname>
l
陈年代urname>
H。
无人驾驶车辆使用一种新的蚁群算法路径规划
EURASIP无线通讯和网络》杂志上我talic>
2019年
2019年
1我年代年代ue>
1
9
10.1186 / s13638 - 019 - 1474 - 5
2 - s2.0 - 85066498458
]
[
6
Lamini年代urname>
C。
Benhlima年代urname>
年代。
Elbekri年代urname>
一个。
基于遗传算法的自主移动机器人路径规划方法
Procedia计算机科学我talic>
2018年
127年
180年
189年
10.1016 / j.procs.2018.01.113
2 - s2.0 - 85045640923
]
[
7
过年代urname>
y K。
使用简化的群优化智能移动机器人的路径规划
Procedia计算机科学我talic>
2017年
120年
83年
90年
10.1016 / j.procs.2017.11.213
2 - s2.0 - 85040225490
]
[
8
龚年代urname>
T。
王年代urname>
M。
一种改进的免疫算法求解路径优化问题在深免疫基因网络的学习
计算机和通讯》杂志上我talic>
2019年
7
12我年代年代ue>
166年
174年
10.4236 / jcc.2019.712016
]
[
9
王年代urname>
l
郭年代urname>
J。
王年代urname>
Q。
康ydF4y2Ba
J。
地面机器人路径规划基于模拟退火遗传算法
《2018年国际会议上Cyber-Enabled分布式计算和知识发现(CyberC)
2018年10月
郑州,中国
417年
4177年
10.1109 / CyberC.2018.00081
2 - s2.0 - 85062661557
]
[
10
廖年代urname>
j . Q。
PAGV路径规划研究基于人工免疫蚁群融合算法
智能和模糊系统杂志》上我talic>
2018年
35
16我年代年代ue>
1
6
10.3233 /出售jif - 169635
2 - s2.0 - 85054861436
]
[
11
刘年代urname>
l
姚年代urname>
J。
他年代urname>
D。
陈年代urname>
J。
黄年代urname>
J。
徐年代urname>
H。
王年代urname>
B。
郭年代urname>
J。
全球动态路径规划融合算法结合跳<年代up>∗年代up>算法和动态窗口的方法
IEEE访问我talic>
2021年
9
19632年
19638年
10.1109 / access.2021.3052865
]
[
12
女子年代urname>
一个。
Varma Nadimpalli年代urname>
年代。
新融合算法提供了一种替代方法的机器人路径规划方法
国际期刊的信息工程和电子商务我talic>
2020年
12
3我年代年代ue>
1
7
10.5815 / ijieeb.2020.03.01
]
[
13
民宿年代urname>
M。
Maniezzo年代urname>
V。
Colorni年代urname>
一个。
由一群蚂蚁系统:优化合作代理
IEEE系统,人,控制论,B部分(控制论)我talic>
1996年
26
1我年代年代ue>
29日
41
10.1109/3477.484436
2 - s2.0 - 0030082551
]
[
14
曹年代urname>
X.-L。
王年代urname>
z。
冯年代urname>
J。
咋年代urname>
M。
王年代urname>
中州。
全局路径规划的机器人基于改进蚁群算法
计算机工程与科学我talic>
2020年
42
3我年代年代ue>
187年
193年
]
[
15
白年代urname>
J.-L。
陈年代urname>
h。
胡年代urname>
Y.-B。
他年代urname>
硕士。
梁年代urname>
X.-D。
公园年代urname>
D。
蚁群算法基础上负面的反馈及其在机器人路径规划中的应用
计算机集成制造系统我talic>
2019年
25
7我年代年代ue>
1
9
]
[
16
赵年代urname>
J。
唐年代urname>
Y.-F。
江年代urname>
G.-P。
徐年代urname>
F.-Y。
丁年代urname>
J。
移动机器人路径规划的基础上改进的蚁群算法
南京邮电大学学报(自然科学版)我talic>
2019年
39
6我年代年代ue>
73年
78年
]
[
17
马年代urname>
X。
梅年代urname>
H。
移动机器人全局路径规划基于改进蚁群系统算法与潜在的领域
机械工程学报我talic>
2021年
57
1我年代年代ue>
19
27
10.3901 / jme.2021.01.019
]
[
18
田年代urname>
年代。
李年代urname>
Y。
康年代urname>
Y。
夏年代urname>
J。
多机器人路径规划算法在无线传感器网络中基于跳机制和安全避障的差距
未来一代计算机系统我talic>
2020年
118年
6我年代年代ue>
37
47
10.1016 / j.future.2020.12.012
]
[
19
郭年代urname>
X。
霁年代urname>
M。
赵年代urname>
Z。
温年代urname>
D。
张年代urname>
W。
全局路径规划和多目标路径控制的无人地面车辆基于改进粒子群优化(PSO)算法
海洋工程我talic>
2020年
216年
107693年
10.1016 / j.oceaneng.2020.107693
]
[
20.
王年代urname>
Z。
李年代urname>
J。
方年代urname>
M。
李年代urname>
Y。
multimetric蚁群优化算法在车辆动态路径规划网络
国际期刊的分布式传感器网络我talic>
2015年
2015年
10
271067年
10.1155 / 2015/271067
2 - s2.0 - 84947483790
]
[
21
高年代urname>
W。
唐年代urname>
Q。
叶年代urname>
B。
杨年代urname>
Y。
姚年代urname>
J。
一个增强的启发式蚁群优化移动机器人路径规划
软计算我talic>
2020年
24
2我年代年代ue>
6139年
6150年
10.1007 / s00500 - 020 - 04749 - 3
]
[
22
罗年代urname>
Q。
王年代urname>
H。
郑年代urname>
Y。
他年代urname>
J。
移动机器人路径规划研究基于改进蚁群算法
神经计算和应用我talic>
2020年
32
6我年代年代ue>
1555年
1566年
10.1007 / s00521 - 019 - 04172 - 2
]
[
23
宁年代urname>
J。
张年代urname>
Q。
张年代urname>
C。
张年代urname>
B。
一个best-path-updating information-guided蚁群优化算法
信息科学我talic>
2018年
433 - 434
434年我年代年代ue>
142年
162年
10.1016 / j.ins.2017.12.047
2 - s2.0 - 85039795404
]
[
24
Stutzle年代urname>
T。
呼!年代urname>
H。
不等式性质蚂蚁系统和旅行商问题的局部搜索
学报1997年IEEE国际会议97年进化计算(欧洲的)
1997年4月
美国在印第安纳波利斯
309年
314年
10.1109 / ICEC.1997.592327
]
[
25
陆年代urname>
l . C。
悦年代urname>
t·W。
面向ant-team min-max MTSP算法
应用软计算我talic>
2018年
76年
436年
444年
]
[
26
民宿年代urname>
M。
Gambardella年代urname>
l . M。
蚁群系统:合作学习方法旅行推销员问题
IEEE进化计算我talic>
1997年
1
1我年代年代ue>
53
66年
10.1109/4235.585892
2 - s2.0 - 0031122887
]
[
27
唐ydF4y2Ba
g . Z。
黄ydF4y2Ba
H。
斯洛曼年代urname>
一个。
蚁群系统算法的移动机器人实时全局最优路径规划
《自动化学报》我talic>
2007年
33
3我年代年代ue>
279年
285年
10.1360 / aas - 007 - 0279
2 - s2.0 - 34248184408
]
[
28
周年代urname>
S.-Z。
张ydF4y2Ba
Z.-H。
陈年代urname>
Z.-G。
邝年代urname>
年代。
张年代urname>
J。
多目标蚁群系统算法的航空公司机组人员名单问题公平和满意
IEEE智能交通系统我talic>
2020年
1
15
10.1109 / TITS.2020.2994779
]
[
29日
Sapuppo年代urname>
F。
Schembri年代urname>
F。
命运年代urname>
l
Bucolo年代urname>
M。
微流控电路和系统
IEEE电路和系统杂志我talic>
2009年
9
3我年代年代ue>
6
19
10.1109 / mcas.2009.933853
2 - s2.0 - 70349097305
]
[
30.
Schembri年代urname>
F。
Sapuppo年代urname>
F。
Bucolo年代urname>
M。
非线性动力学实验分类在微流体泡沫的流
非线性动力学我talic>
2012年
67年
4我年代年代ue>
2807年
2819年
10.1007 / s11071 - 011 - 0190 - 4
2 - s2.0 - 84858865870
]
[
31日
Bohringer年代urname>
k . F。
droplet-based微流控系统的建模和控制并行任务
IEEE计算机辅助设计的集成电路和系统我talic>
2006年
25
2我年代年代ue>
334年
344年
10.1109 / tcad.2005.855958
2 - s2.0 - 31344436167
]
[
32
锅年代urname>
我。
达斯古普塔年代urname>
P。
Rahaman年代urname>
H。
Samanta年代urname>
T。
基于蚁群优化的液滴路由技术在数字微流控生物芯片
《2011年国际研讨会上电子系统设计
2011年12月
印度科钦
223年
229年
10.1109 / ISED.2011.23
2 - s2.0 - 84856183555
]
[
33
郑年代urname>
W。
余年代urname>
H。
冯年代urname>
l
傅年代urname>
P。
江年代urname>
H。
数字微流控生物芯片单液滴联机测试路径优化基于改进蚁群算法
《2017年IEEE国际仪器和测量技术会议(I2MTC)
2017年5月
意大利都灵
1
6
10.1109 / i2mtc.2017.7969904
2 - s2.0 - 85026833254
]
[
34
穆克吉年代urname>
年代。
锅年代urname>
我。
Samanta年代urname>
T。
粒子群优化方法去除数字微流控生物芯片的故障定位和残渣
应用软计算我talic>
2019年
85年
1我年代年代ue>
105839年
]