.png){kind=icon}
返回
Research on mobile robot path planning based on improved Q-evaluation ant colony optimization algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.111890.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种改进的Q-evaluation蚁群优化（IQACO）算法，以解决传统蚁群优化（ACO）算法在解决路径规划问题中的不足，例如难以通过信息素浓度有效反映节点质量，以及因不同地图尺寸下超参数过多导致的搜索稳定性差的问题。首先，通过分析Q-Learning算法的优化过程，验证了使用Q值评估节点的可行性。其次，研究了从路径转换到节点Q值的更新方法，并证明其优于信息素浓度。最后，提出了一种基于Q-evaluation的节点选择策略，以减少算法的超参数并提高其在不同尺寸优化环境中的稳定性。为验证所提改进策略的有效性，理论与重复实验结果均表明，与传统蚁群优化（ACO）算法相比，所提算法的时间复杂度显著降低。此外，在四种不同地图尺寸上的仿真结果表明，超参数的减少增强了算法在不同地图尺度下的稳定性。此外，与其他Q-learning增强型ACO变体的比较实验进一步突显了所提IQACO算法在解质量、收敛稳定性及实时性能方面的优势。进一步通过与相关工作及近期研究的对比，所提算法在搜索能力与稳定性方面的优越性得到明确验证。
Keyword:
Q-learning
ant colony optimization
path planning
node evaluation
hyperparameter stability
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
暂无论文信息