期刊文章详细信息
文献类型:期刊文章
Xu Yuqiong;Lou Ke;Li Tingting;Gao Wengen(College of Electrical Engineering,Anhui Polytechnic University,Wuhu 241000,China;Key Laboratory of Detection Technology and Energy Saving Devices of Anhui Province,Wuhu 241000,China)
机构地区:[1]安徽工程大学电气工程学院,芜湖241000 [2]安徽省检测技术与节能装置省级重点实验室,芜湖241000
基 金:安徽省高校自然科学研究重点项目(KJ2019A0151,KJ2019A0150);国家自然科学基金(61572032);2018年度皖江高端装备制造协同创新中心开放基金(GCKJ2018009);安徽省支持新能源汽车产业创新发展和推广应用项目资助
年 份:2019
卷 号:31
期 号:10
起止页码:89-95
语 种:中文
收录情况:BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊
摘 要:为了改善传统蚁群算法在路径规划中缺乏足够鲁棒性的问题,釆用改进自适应蚁群算法,根据解的分布情况自适应地进行信息素的更新,在多种步长选择机制下选择最优步长,提高全局搜索能力。在MATLAB中对本文算法、传统蚁群算法以及自适应蚁群算法分别进行了仿真实验对比。在相同的环境模型下,该算法的迭代次数为2次,比自适应蚁群算法提升了93%,最小路径长度为27.67,比自适应蚁群算法提升了3.4%;在给定的复杂环境模型下进行路径规划时,该算法的迭代次数为2次,最小路径长度为28.88,传统蚁群算法对应的迭代次数和路径长度分别为166和29.8。仿真结果表明,改进后的蚁群算法较传统蚁群算法相比,能够快速找到最短路径,并具有更好的稳定性和收敛性。
关 键 词:移动机器人 蚁群算法 自适应 路径规划 信息素 鲁棒性
分 类 号:TP242.6]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...