二次路径规划QACO算法
蚁群优化( Ant Colony Optimization,ACO)算法是一种新颖的启发式进化算法,其算法基本思想受到了蚁群觅食过程的启发。生物学家经过大量的观察研究发现,蚂蚁个体在运动过程中会释放出一种具有挥发性和可叠加性的分泌物——信息素( pheromone)。蚂蚁个体之间通过信息素来传递信息,信息素的浓度表征了路径对蚂蚁的吸引力,蚂蚁个体倾向于选择信息素浓度较高的路径。一段时间内,经过同一路径的蚂蚁个体越多,这条路径上的信息素浓度就越大;反之,经过该路径的蚂蚁个体越少,信息素浓度就越低。当蚂蚁个体足够多时便形成了一种正反馈机制。经过一段时间之后,可能会出现一条被大多数蚂蚁重复的最短或较短路径。
针对蚁群优化(ACO)算法在复杂环境下规划能力较弱的问题,提出了一种基于滑动窗口和蚁群优化算法的二次路径规划( QACO)算法。对回退蚁群优化(ACOFS)算法的回退策略进行改进,通过降低回退路径上的信息素量,减少回退次数。第一次规划中,使用改进后的ACO算法对栅格环境进行全局路径规划;第二次规划中,滑动窗口沿着全局路径滑动,通过ACO算法规划出滑动窗口中的局部路径,并使用局部路径对全局路径进行优化,直至滑动窗口中包含目标位置。仿真实验表明:相比ACO、ACOFS算法,QACO算法的平均规划时间分别下降了26. 2l%、52. 03%,平均路径长度下降了47. 82%、42. 28%,因此在复杂环境下QACO算法具有将强的路径规划能力。
非常好我支持^.^
(0) 0%
不好我反对
(0) 0%
下载地址
二次路径规划QACO算法下载
相关电子资料下载
- 机器人技术中常用的路径规划算法的开源库 74
- 机器人基于搜索和基于采样的路径规划算法 46
- 自动驾驶系统功能自车运动与路径规划介绍 142
- 全文详解A*算法及其变种 353
- 路径规划算法实现原理 146
- 全覆盖路径规划算法(CCPP)工作原理解析 285
- 自动驾驶汽车避障、路径规划和控制技术详解 360
- 基于边界点优化和多步路径规划的机器人自主探索策略 405
- 基于边界点优化和多步路径规划的机器人自主探索 145
- 自动驾驶路径规划:A*(Astar)算法 2558