融合Q-learning的A<sup>*</sup>预引导蚁群路径规划算法

殷笑天; 杨丽英; 刘干; 何玉庆

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

计算与测试 | 更新时间：2025-09-16

- 融合Q-learning的A^*预引导蚁群路径规划算法
- 暂无标题
- 传感器与微系统 2025年第8期页码：143-147+153
- 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：
  
  中国科学院青年创新促进会项目(Y2022065);新疆自治区重点研发计划项目(2023B01029—3)
- DOI：10.13873/J.1000-9787(2025)08-0143-05
  中图分类号： TP18;TP242
- 纸质出版：2025
- 稿件说明：
移动端阅览
殷笑天, 杨丽英, 刘干, 等. 融合Q-learning的A^*预引导蚁群路径规划算法[J]. 传感器与微系统, 2025,(8):143-147+153.
殷笑天, 杨丽英, 刘干, 等. 融合Q-learning的A^*预引导蚁群路径规划算法[J]. 传感器与微系统, 2025,(8):143-147+153. DOI： 10.13873/J.1000-9787(2025)08-0143-05.

DOI：

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.

浏览量

222

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

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

融合Q-learning的A*预引导蚁群路径规划算法

暂无标题

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