文档介绍：学校代码 10406 分类号密级学号 100081203109 题目基于粒子群蚁群算法的路径规划研究作者高敏学科、专业计算机应用技术指导教师周之平副教授申请学位日期 2013年4月编号:294 学校代码:10406 分类号: 学号:100081203109 南昌航空大学硕士学位论文(学位研究生) 基于粒子群蚁群算法的路径规划研究硕士研究生:高敏导师:周之平副教授申请学位级别:硕士学科、专业:计算机应用技术所在单位:信息工程学院答辩日期:2013年6月授予学位单位:南昌航空大学 Route Planning base on Ant Colony Optimization and Panicle Swarm Optimization A Dissertation Submitted for the Degree of Master puter AppliedTechnology by Gao Min Under the Supervision of Prof. Zhou Zhiping Schoolof Information Engineering Nanchang Hangkong University, Nanchang, China June, 2013 I 摘要路径规划技术是目前众多应用技术领域的研究热点,具有重要的科研价值和广阔的应用前景。路径规划技术的核心内容就是规划算法。目前求解路径规划问题的方法主要有A*算法、粒子群算法、遗传算法、蚁群算法等智能算法。粒子群和蚁群算法分别是模拟鸟群和蚁群觅食行为的仿生算法。将两种算法用于路径规划领域,是近年来国内外学者研究的热点并取得了显著的成果。证明了其良好的应用性能。粒子群优化算法是一种新的随机搜索算法,具有很强的全局搜索能力,快速简洁但是易陷入局部最优;而蚁群算法具有并行性、正反馈性、求解精度高、收敛速度慢等特点。针对上述问题,具体改进策略如下: (1)针对复杂环境下移动机器人全局路径规划问题,提出了一种的增强蚁群优化算法。该算法通过改进信息素初始化和状态转移概率,避免了路径死锁;采用确定性与随机性相结合的路径点搜索策略改善了迂回曲折现象;利用路径平滑操作,增强了路径的连续性;引入局部信息素扩散机制,提高了算法的全局优化能力。仿真结果表明:当环境中障碍物分布密集或存在大量的凹形区域时,新算法能有效地规划出较为理想的安全路径,规划时间可满足实际应用要求。(2)根据粒子群算法快速、简洁的优点得到蚁群算法初始信息素分布,然后利用蚁群算法所具有的优点,如正反馈性、并行性、求解精度高等,规划出全局最优路径。利用C++的多线程特性在Visual C++,利用该仿真平台对粒子群算法、增强蚁群算法和粒子群蚁群融合算法进行仿真测试,并对其进行性能分析。仿真实验分析表明,粒子群蚁群融合算法在时间性能方面优于增强蚁群算法,在解的质量上优于粒子群算法,表明了改进策略的有效性和实用性。关键词:路径规划,粒子群算法,信息素扩散,蚁群算法,融合 II Abstract main methodswhich solvingthe path planning problem include A*algorithm, particle swarm optimization algorithm, ic algorithm, ant colony optimization algorithmand so on. Particle swarm optimization algorithm and ant colony optimization algorithm are bionic algorithms, which mocks the process offlock foraging andthe process when ants seeking food. In recent years, Bothof algorithmsaremore and more applied, path planning has proved its good application swarm optimization algorithm