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
针对跳点搜索(jump point search,JPS)算法路径存在斜向穿越障碍物、搜索过程中存在较多冗余跳点、路径拐点多且靠近障碍物的问题,提出一种安全快速的跳点搜索(safe fast jump point search,SFJPS)算法。该算法重新定义跳点判断规则,使...针对跳点搜索(jump point search,JPS)算法路径存在斜向穿越障碍物、搜索过程中存在较多冗余跳点、路径拐点多且靠近障碍物的问题,提出一种安全快速的跳点搜索(safe fast jump point search,SFJPS)算法。该算法重新定义跳点判断规则,使生成的跳点均为安全跳点,解决了路径中斜向穿越障碍物的情况;加入基于角度的搜索方向优先级判断,有效减少了搜索过程中的冗余节点,加快了搜索速度;基于Bresenham算法对路径上的跳点进行关键跳点筛选,关键跳点生成的路径拐点明显减少,贴近障碍物的路径长度大幅减小,整体路径长度也有所减小。结果表明在不同场景下本文算法相较于A*算法和JPS算法,路径长度分别最大减小了5.42%和4.48%,搜索时间分别最大缩短了98.33%和67.83%,搜索节点数最大减少了99.08%和56.72%,路径拐点数分别最大减少了90.91%和83.33%。相较于Theta*算法路径长度增加了1.17%,搜索时间缩短了91.07%,搜索节点数减少了98.9%。仿真试验证明本文算法规划速度快,路径安全且拐点更少,更加适用于移动机器人路径规划问题。展开更多
为解决柔性车间内AGV的面对动态障碍物时路径规划不准确的问题,基于位操作方法提出一种跳点搜索(Jump Point Search, JPS)的改进算法。算法采用二进制方式编码化栅格地图,实现障碍物的快速识别;通过位操作方法扩大剪枝规则的应用范围,提...为解决柔性车间内AGV的面对动态障碍物时路径规划不准确的问题,基于位操作方法提出一种跳点搜索(Jump Point Search, JPS)的改进算法。算法采用二进制方式编码化栅格地图,实现障碍物的快速识别;通过位操作方法扩大剪枝规则的应用范围,提升JPS算法中搜寻节点的效率;引入Octile距离模式对算法的启发式函数进行优化,达到降低计算复杂度,提升规划速度目的。分别将改进JPS算法与A*算法、JPS算法进行实验对比,结果表明:在复杂车间环境中,搜索时间、扩展节点数量、规划的路径同比其它两种算法都具有明显优势;在躲避动态障碍物测试中,改进型算法避障成功率为92%,躲避成功次数最高且规划的路径质量最优,同比两种算法综合性能最优。验证了算法的可行性。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
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
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A*搜索算法路径搜索时间过长的问题,采用跳点搜索算法(jump point search,JPS)减小家庭服务机器人的寻路时间。通过选取合适的启发函数、采用障碍物扩张方法及在虚拟地图和真实地图中对搜索算法进行仿真测试,对测试数据结果分...针对传统A*搜索算法路径搜索时间过长的问题,采用跳点搜索算法(jump point search,JPS)减小家庭服务机器人的寻路时间。通过选取合适的启发函数、采用障碍物扩张方法及在虚拟地图和真实地图中对搜索算法进行仿真测试,对测试数据结果分析和对比,综合地提高了机器人的寻径速度。通过与传统A*算法进行比较,JPS算法用于家庭服务机器人的寻路是可行和有效的。展开更多
JPS(Jump Point Search)算法规划的路径往往过于靠近障碍物,影响路径的质量。为此,提出基于路径碰撞危险度的改进JPS算法;通过对传统跳点用危险度评估函数评估,将障碍物同一个拐角中危险度高的跳点结合形成新类型的跳点;对障碍物进行膨...JPS(Jump Point Search)算法规划的路径往往过于靠近障碍物,影响路径的质量。为此,提出基于路径碰撞危险度的改进JPS算法;通过对传统跳点用危险度评估函数评估,将障碍物同一个拐角中危险度高的跳点结合形成新类型的跳点;对障碍物进行膨化处理,使跳点与障碍物保持一定距离,提高算法每次迭代的搜索范围;删除不可直达的后继跳点,降低改进JPS算法的路径长度,改善算法的性能。仿真结果表明改进JPS算法在复杂环境中平均搜索速度提升58.9%,平均路径长度缩短2.7%,平均碰撞危险度降低41.3%。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。
文摘针对跳点搜索(jump point search,JPS)算法路径存在斜向穿越障碍物、搜索过程中存在较多冗余跳点、路径拐点多且靠近障碍物的问题,提出一种安全快速的跳点搜索(safe fast jump point search,SFJPS)算法。该算法重新定义跳点判断规则,使生成的跳点均为安全跳点,解决了路径中斜向穿越障碍物的情况;加入基于角度的搜索方向优先级判断,有效减少了搜索过程中的冗余节点,加快了搜索速度;基于Bresenham算法对路径上的跳点进行关键跳点筛选,关键跳点生成的路径拐点明显减少,贴近障碍物的路径长度大幅减小,整体路径长度也有所减小。结果表明在不同场景下本文算法相较于A*算法和JPS算法,路径长度分别最大减小了5.42%和4.48%,搜索时间分别最大缩短了98.33%和67.83%,搜索节点数最大减少了99.08%和56.72%,路径拐点数分别最大减少了90.91%和83.33%。相较于Theta*算法路径长度增加了1.17%,搜索时间缩短了91.07%,搜索节点数减少了98.9%。仿真试验证明本文算法规划速度快,路径安全且拐点更少,更加适用于移动机器人路径规划问题。
文摘为解决柔性车间内AGV的面对动态障碍物时路径规划不准确的问题,基于位操作方法提出一种跳点搜索(Jump Point Search, JPS)的改进算法。算法采用二进制方式编码化栅格地图,实现障碍物的快速识别;通过位操作方法扩大剪枝规则的应用范围,提升JPS算法中搜寻节点的效率;引入Octile距离模式对算法的启发式函数进行优化,达到降低计算复杂度,提升规划速度目的。分别将改进JPS算法与A*算法、JPS算法进行实验对比,结果表明:在复杂车间环境中,搜索时间、扩展节点数量、规划的路径同比其它两种算法都具有明显优势;在躲避动态障碍物测试中,改进型算法避障成功率为92%,躲避成功次数最高且规划的路径质量最优,同比两种算法综合性能最优。验证了算法的可行性。
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A*搜索算法路径搜索时间过长的问题,采用跳点搜索算法(jump point search,JPS)减小家庭服务机器人的寻路时间。通过选取合适的启发函数、采用障碍物扩张方法及在虚拟地图和真实地图中对搜索算法进行仿真测试,对测试数据结果分析和对比,综合地提高了机器人的寻径速度。通过与传统A*算法进行比较,JPS算法用于家庭服务机器人的寻路是可行和有效的。
文摘JPS(Jump Point Search)算法规划的路径往往过于靠近障碍物,影响路径的质量。为此,提出基于路径碰撞危险度的改进JPS算法;通过对传统跳点用危险度评估函数评估,将障碍物同一个拐角中危险度高的跳点结合形成新类型的跳点;对障碍物进行膨化处理,使跳点与障碍物保持一定距离,提高算法每次迭代的搜索范围;删除不可直达的后继跳点,降低改进JPS算法的路径长度,改善算法的性能。仿真结果表明改进JPS算法在复杂环境中平均搜索速度提升58.9%,平均路径长度缩短2.7%,平均碰撞危险度降低41.3%。
