融合Q-learning的A<sup>*</sup>预引导蚁群路径规划算法

doi:10.13873/J.1000-9787(2025)08-0143-05

Chinese

您当前的位置：

首页 >

文章列表页 >

融合Q-learning的A^*预引导蚁群路径规划算法

更新时间：2025-09-16

- 融合Q-learning的A^*预引导蚁群路径规划算法
- Issue 8, Pages: 143-147+153(2025)
- 作者机构：
  
  1. 中国科学院沈阳自动化研究所机器人学国家重点实验室
  2. 中国科学院大学
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2025)08-0143-05
  CLC： TP18;TP242
- Published：2025
- 稿件说明：
移动端阅览
[J]. 2025, (8): 143-147+153.
DOI：

[J]. 2025, (8): 143-147+153. DOI： 10.13873/J.1000-9787(2025)08-0143-05.

摘要

针对传统蚁群优化（ACO）算法在复杂环境路径规划中存在易陷入局部最优、收敛速度慢及避障能力不足的问题，提出了一种融合Q-learning基于分层信息素机制的A

算法预引导蚁群路径规划算法—QHACO算法。首先，通过A

算法预分配全局信息素，引导初始路径快速逼近最优解；其次，构建全局—局部双层信息素协同模型，利用全局层保留历史精英路径经验、局部层实时响应环境变化；最后，引入Q-learning方向性奖励函数优化决策过程，在路径拐点与障碍边缘施加强化引导信号。实验表明：在25×24中等复杂度地图中，QHACO算法较传统ACO算法最优路径缩短22.7%

收敛速度提升98.7%;在50×50高密度障碍环境中，最优路径长度优化16.9%

迭代次数减少95.1%。相比传统ACO算法，QHACO算法在最优性、收敛速度与避障能力上均有显著提升，展现出较强环境适应性。

Abstract

关键词

Keywords

references

齐款款.复杂环境下的移动机器人路径规划算法研究[D].兰州理工大学,2022(02).

杨瑞君,方宏年,徐彬,季守成.基于改进A~*算法的智慧停车库移动机器人路径规划[J].传感器与微系统,2025(03).

姜新波,王孟微,杨春梅,姜博文.基于A~*和APF算法的果园喷雾机器人路径规划[J].传感器与微系统,2024(12).

张磊,母亚双,潘泉.基于改进深度双Q网络的移动机器人路径规划算法[J].信息与控制,2024(03).

赵迪,何克勤,赵祖高.基于改进粒子群优化算法的移动机器人路径规划[J].传感器与微系统,2023(06).

Zhou Yuyang,Wang Dongshu.Path Planning of Mobile Robot Based on Improved Ant Colony Optimization[J].Journal of The Institution of Engineers (India): Series B,2022.

Miao Changwei,Chen Guangzhu,Yan Chengliang,Wu Yuanyuan.Path planning optimization of indoor mobile robot based on adaptive ant colony algorithm[J].Computers & Industrial Engineering,2021.

Tao Yong,Gao He,Ren Fan,Chen Chaoyong,Wang Tianmiao,Xiong Hegen,Jiang Shan.A Mobile Service Robot Global Path Planning Method Based on Ant Colony Optimization and Fuzzy Control[J].Applied Sciences,2021.

Hui Tian.Research on robot optimal path planning method based on improved ant colony algorithm[J].International Journal of Computing Science and Mathematics,2021.

Xiong Ni,Zhou Xinzhi,Yang Xiuqing,Xiang Yong,Ma Junyong.Mobile Robot Path Planning Based on Time Taboo Ant Colony Optimization in Dynamic Environment[J].Frontiers in Neurorobotics,2021.

Hamideh Fatemidokht,Marjan Kuchaki Rafsanjani.F-Ant: an effective routing protocol for ant colony optimization based on fuzzy logic in vehicular ad hoc networks[J].Neural Computing and Applications,2018.

Views

222

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于改进蚁群算法的焊接机器人路径规划方法

基于位置和能耗启发的改进蚁群算法路径规划

改进遗传算法在机器人多目标路径规划的应用

基于引力搜索算法融合DWA的移动机器人路径规划

多策略改进鲸鱼优化算法的移动机器人路径规划

Related Author

林梦成

薛波

刘昕宇

李春青

黄勇萍

刘娟

张弛承

林富生

Related Institution

江苏理工学院机械工程学院

广西民族师范学院数理与电子信息工程学院

中国人民解放军63892部队

湖北省数字化纺织装备重点实验室

三维纺织湖北省工程研究中心

⁰

融合Q-learning的A*预引导蚁群路径规划算法

DOI：10.13873/J.1000-9787(2025)08-0143-05

摘要

Abstract

关键词

Keywords

references

融合Q-learning的A^*预引导蚁群路径规划算法