机器人路径规划_蚁群算法
2015-12-17 16:24
260 查看
机器人路径规划_蚁群算法
蚂蚁在寻找食物的过程中主要按照所处环境中的信息量来决定其前进的方向,因此可以把觅食过程抽象成算法中解的寻优过程,将信息素抽象为存在于图的边上的轨迹。用任意两个节点分别表示蚂蚁的起始点和终点,人工蚂蚁从起点按照一定状态转移概率选择下一个节点,依次类推,最终选择移动到终点上,这样便得到了所求问题的一个可行解。蚂蚁总是在所经过的路径上留下称之为信息素的物质,而信息素也会随着时间的推移而逐渐的挥发。一般在计算机中实现时采取的做法是:当蚂蚁完成从一个节点到下一个节点的移动后,进行一次信息素的挥发,而这种在离散时间点进行信息素挥发的形式与蚂蚁寻找食物过程的原理是一致的。
在决定蚂蚁在行走方向的状态转移概率时,引入了一个随机搜索的过程,引入了启发因子,在根据所求问题空间的具体特点,给蚁群算法一个初始的引导,这个过程极大的增加了算法的时间有效性,从而使蚁群算法的有效应用成为可能。我们经常用表示信息启发式因子,它反映了蚂蚁在移动过程中所累积的信息素在蚂蚁移动时所起的作用,值越大,则表示该蚂蚁越倾向于选择其他蚂蚁走过的路径,表明蚂蚁之间协作性越强。用表示期望启发式因子,它反映了蚂蚁在移动过程中启发信息在蚂蚁选择路径中的受重视程度, 值越大,则该状态转移概率越接近于贪婪规则。
原理
蚁群算法是模拟自然界中蚂蚁的觅食行为而形成的一种群体智能化算法。蚂蚁个体之间信息的传递是通过一种称为信息素的化学物质进行的。蚂蚁在寻找食物的过程中会释放一定量的信息素,并且蚂蚁在寻找食物的过程中会感知到信息素强度,并以此指导自己下一步的移动方向。当一条路径上信息素浓度越高就表明该路径上通过的蚂蚁的个数也就越多,其它蚂蚁选择该路径的可能性也就越大。蚂蚁在寻找食物的过程中主要按照所处环境中的信息量来决定其前进的方向,因此可以把觅食过程抽象成算法中解的寻优过程,将信息素抽象为存在于图的边上的轨迹。用任意两个节点分别表示蚂蚁的起始点和终点,人工蚂蚁从起点按照一定状态转移概率选择下一个节点,依次类推,最终选择移动到终点上,这样便得到了所求问题的一个可行解。蚂蚁总是在所经过的路径上留下称之为信息素的物质,而信息素也会随着时间的推移而逐渐的挥发。一般在计算机中实现时采取的做法是:当蚂蚁完成从一个节点到下一个节点的移动后,进行一次信息素的挥发,而这种在离散时间点进行信息素挥发的形式与蚂蚁寻找食物过程的原理是一致的。
在决定蚂蚁在行走方向的状态转移概率时,引入了一个随机搜索的过程,引入了启发因子,在根据所求问题空间的具体特点,给蚁群算法一个初始的引导,这个过程极大的增加了算法的时间有效性,从而使蚁群算法的有效应用成为可能。我们经常用表示信息启发式因子,它反映了蚂蚁在移动过程中所累积的信息素在蚂蚁移动时所起的作用,值越大,则表示该蚂蚁越倾向于选择其他蚂蚁走过的路径,表明蚂蚁之间协作性越强。用表示期望启发式因子,它反映了蚂蚁在移动过程中启发信息在蚂蚁选择路径中的受重视程度, 值越大,则该状态转移概率越接近于贪婪规则。
优点
正反馈、分布式计算、具有较强的通用性和鲁棒性。适合在图上搜索路径问题。缺点
计算开销稍大相关文章推荐
- 用Python从零实现贝叶斯分类器的机器学习的教程
- My Machine Learning
- 机器学习---学习首页 3ff0
- 反向传播(Backpropagation)算法的数学原理
- 也谈 机器学习到底有没有用 ?
- 量子计算机编程原理简介 和 机器学习
- 初识机器学习算法有哪些?
- 10个关于人工智能和机器学习的有趣开源项目
- 机器学习实践中应避免的7种常见错误
- 机器学习书单
- 北美常用的机器学习/自然语言处理/语音处理经典书籍
- 如何提升COBOL系统代码分析效率
- 自动编程体系设想(一)
- 自动编程体系设想(一)
- 支持向量机(SVM)算法概述
- 神经网络初步学习手记
- 常用的分类评估--基于R语言
- 开始spark之旅
- spark的几点备忘
- 关于机器学习的学习笔记(一):机器学习概念