专利交易市场

本发明公开了一种基于改进蚁群算法的5G网联无人机航迹规划方法，具体按照如下步骤实施：步骤1，在无人机上安装一个GPS导航模块接收无人机的位置信号，然后让无人机在待规划的环境中试飞，使用GPS定位对环境进行采样，基于采集的飞行环境建立三维栅格单元；步骤2，然后根据GPS判断待规划无人机当前在三维栅格单元所处的位置，以三维栅格单元的各个顶点组成的路线为待选航迹规划路线采用改进蚁群算法对无人机进行航迹规划，选出最优路径。本发明解决了现有技术中存在的传统蚁群算法收敛速度慢、搜索时间长且容易陷入局部最优，无法快速优质的进行无人机航迹规划的问题。

本发明公开了一种基于改进蚁群算法的柔性智能仓储机器人路径规划方法。该方法首先将柔性智能仓储环境的突发因素融合栅格法建立电子地图。其次将启发函数和信息素更新方式进行了优化，将路程因素，转弯因素，安全因素纳入启发函数，综合计算蚂蚁的转移概率，通过转移矩阵消除路径尖端现象，并通过信息素更新模型中三个参数分别控制路程因素、转弯因素、安全因素的权重，可以得到基于特定因素下的最优路径。最后，对智能仓储机器人的路径进行转角优化处理，使得智能仓储机器人的路径更加平滑，从而保证智能仓储机器人的运动稳定性。

本发明涉及路径规划技术领域，特别涉及一种基于多属性蚁群算法的智能交通路径规划方法，包括步骤：S1，将城市道路网络抽象为道路有向图，并将每一条离开路口方向的道路数学化为四个环境参数，分别是道路长度、道路宽度、道路等级与车辆平均速度；S2，将蚁群算法限定于道路有向图中，得出从起点到终点所经过的路口，生成导航路径。本发明解决了现有的路径规划仅能基于路径状况以及待规划的车辆数量进行简单的路径规划，但难以实现实时规划以及确保规划得出的路径为最优路径的问题。

本发明公开了基于自学习蚁群算法的条形机器人路径规划方法，其特征是该条形机器人路径规划方法包括以下步骤：步骤1环境建模；步骤2初始化阶段；步骤3初始搜索；步骤4全局更新栅格地图信息素；步骤5自学习搜索；步骤6输出规划路径。本发明针对蚁群算法计算过程做了较大改进，引入了自学习策略，对栅格法环境建模做了特殊处理，所使用的栅格法使蚁群算法在无需对障碍物单元格膨胀处理的情况下处理条形机器人路径规划问题，提供一种新的最短路径计算法，在蚁群算法中融合机器学习的思想，并有效结合信息素、启发信息、正反馈、贪婪搜索等方法提高蚁群算法路径规划的效率，条形机器人可根据自身外形完成穿越狭窄通道，以实现最短路径规划。

本发明请求保护一种基于改进蚁群算法的机器人全局路径规划的方法，属于移动机器人路径规划领域。该方法包括步骤：S1，机器人根据实际环境地图构建合适的栅格地图；S2，根据机器人构建的地图，对地图进行区域划分；S3，对划分的不同区域进行不均匀分层的初始化信息素浓度的赋值；S4，算法进行迭代，机器人根据不均匀分层的初始信息素浓度进行选择下一个路径节点；S5，算法进行多次迭代，每一次迭代后对算法的启发函数进行重新计算，然后计算选择下一个节点的概率；S6，算法每次迭代后对路径上的信息素浓度进行重新计算。本发明降低了算法搜索前期的盲目性，提高了算法的搜索速度。减少了迭代次数，能够有效减轻计算压力。

本发明请求保护一种基于蚁群算法的资源分配算法，将原来的问题等价为一个求解最佳路径的问题，并使蚂蚁在信息素及启发式信息的指导下寻找最优的路径，那么这个最优的路径就是原问题的解。因为该算法具备正反馈和启发式的优点，所以可以使得算法可以通过相对较少的迭代次数得到一个较好的资源分配方案。仿真表明本发明提出的算法在达到一定的迭代次数后，算法收敛，此时系统的吞吐量达到最大值，且该算法相对于随机层分配算法来说能获得较好的系统吞吐量增益。

本发明涉及一种基于异构双种群蚁群算法的移动机器人路径规划方法，该方法首先将静态地图中位置坐标转为二进制数，并结合海明距离计算从起点到目标点整个分块地图中复杂度，将其与预测的复杂度阀值进行对比动态选择局部搜索效率高的蚁群算法还是收敛速度快的精英蚂蚁系统算法的信息素更新算子。其次，在迭代阶段，根据前一阶段选择的结果来选择在迭代前期是否增加较优路径上的蚂蚁的信息素浓度以进一步增加算法的探索度。