مسیریابی بهینه برای رباتها با استفاده از الگوریتم های الهام گرفته از طبیعت

طرح ریزی مسیر، چالشی اساسی در حوزه هوش مصنوعی است، به ویژه زمانی که ربات های خودمختار برای فعالیت در محیط های پیچیده و پویا مورد نیاز هستند. تکنیک های بهینه سازی مرسوم، از جمله الگوریتم های ژنتیک (GA) و بهینه سازی کلونی مورچه ها (ACO) به طور گسترده برای این مسئله به کار گرفته شده اند. با این حال چنین رویکردهای تک روشی اغلب با محدودیت هایی از نظر کارایی، سازگاری و استحکام مواجه هستند. برای غلبه بر این چالش ها، این مطالعه معرف یک چارچوب فراابتکاری ترکیبی است که سه الگوریتم الهام گرفته از طبیعت را ادغام می کند: بهینه سازی کلونی مورچه ها (ACO)، بهینه سازی ازدحام ذرات (PSO) و بهینه سازی ازدحام کرم های شب تاب (GSO). رویکرد پیشنهادی که APGO (بهینه ساز کلونی مورچه ها از ازدحام ذرات و کرم های شب تاب) نامیده می شود، از نقاط قوت متمایز هر الگوریتم ACO برای شناسایی کوتاه ترین مسیر، PSO برای همگرایی سریع و GSO برای جستجوی محلی موثر بهره می برد و هم زمان نقاط ضعف فردی آنها را کاهش می دهد. سهم اصلی این کار در نشان دادن این است که ادغام PSO، ACO و GSO بهبود قابل توجهی در بهینه سازی طول مسیر و زمان سفر ایجاد می کند. مطالعات شبیه سازی گسترده و ارزیابی های مقایسه ای در مقایسه با روش های سنتی تک الگوریتمی تایید می کند که APGO از نظر کارایی، قابلیت اطمینان و اثربخشی محاسباتی به عملکرد برتری دست می یابد. این یافته ها شواهد محکمی ارائه می دهند که استراتژی های فراابتکاری ترکیبی می توانند وضعیت ناوبری ربات های خودمختار را ارتقا دهند و به عنوان پایه ای برای پیشرفت های آینده در برنامه ریزی مسیر هوشمند عمل کنند.

کلیدواژه ها:

بهینه سازی ، طرح ریزی مسیریابی ، ربات ، الگوریتم ACO ، الگوریتم PSO ، الگوریتم GSO