Logic_9527的博客

蚂蚁在寻找食物的过程中，会通过释放信息素来指导其他蚂蚁选择路径。当蚂蚁找到食物并返回巢穴时，它们沿途留下的信息素使得其他蚂蚁更倾向于选择信息素浓度更高的路径。通过不断的迭代和信息素更新，蚂蚁群体逐渐能够找到最优或近似最优的解。检查当前节点是否为目标节点，如果是，则算法结束并通过逆向追踪重建路径。如果不是，将当前节点移至封闭列表，并检查其所有邻居，对每个邻居更新或计算其代价，将未在开放或封闭列表中的邻居添加到开放列表。A*算法是一种基于图搜索的智能启发式算法，它具有高稳定性和高节点搜索效率。

多目标点路径规划问题可表述为：移动机器人需要遍历n个目标点，且每个目标仅被遍历一次，目的是求一条经过所有目标点的最短路径。为第i个目标点到第j个目标点 A* 算法所规划路径的实际距离。

为：以起点作为初始节点，搜索初始节点旁 8 个邻域，并通过启发函数评估后选择代价最小的节点，然后搜索这个节点的 8 个邻域，选择下一个代价最小的节点，重复上述步骤，直到选择的节点与目标点重合，将这些代价最小的节点连接起来就得到一条最优路径。其中， f(n)为n节点的总代价值， g(n)代表从n节点到初始节点的最短路径代价值， h(n)代表从n节点到目标节点代价的估计值。A* 算法是一种基于传统图搜索的智能启发式算法，它具有稳定性高、节点搜索效率高等优点。

Q-learning 算法使用 Q 值来表示在某个状态下采取某个动作所能获得的长期回报，通过不断地更新 Q 值，找到最优的Q 值和策略。巡检机器人需要对未知区域进行探索，这里采用A*进行全覆盖搜索，巡检机器人会标记待处理任务点区域，随后通过融合Q-learning-鲸鱼优化算法进行规划，从而对任务点进行故障维修处理。2.将已知状态下的 Q 值记录在 Q-table 中，Q-table 中查询当前状态 s 对应。其中，Q(s,a)是在状态 s 下采取动作 a 的 Q 值；为学习率，控制新旧经验之间的权重。

Q-learning 算法使用 Q 值来表示在某个状态下采取某个动作所能获得的长期回报，通过不断地更新 Q 值，找到最优的Q 值和策略。若查询到状态 s 对应的 Q 值，就以指定的策略选择动作；多目标点路径规划问题可表述为：清洁机器人需要遍历n个目标点，且每个目标仅被遍历一次，目的是求一条经过所有目标点的最短路径。2.将已知状态下的 Q 值记录在 Q-table 中，Q-table 中查询当前状态 s 对应。其中，Q(s,a)是在状态 s 下采取动作 a 的 Q 值；为学习率，控制新旧经验之间的权重。

多目标点路径规划问题可表述为：移动机器人需要遍历n个目标点，且每个目标仅被遍历一次，目的是求一条经过所有目标点的最短路径。为第i个目标点到第j个目标点 A* 算法所规划路径的实际距离。六边形栅格地图上移动可以看做。

在标准鲸鱼优化算法中，系数向量C为均匀分布在[0,2] 内的随机数，是一个控制搜索速率的参数，故C值是在每次迭代时随机生成的，这可能导致搜索行为较为随机，无法充分平衡算法全局搜索和局部搜索的能力，从而导致。多目标点路径规划问题可表述为：移动机器人需要遍历n个目标点，且每个目标仅被遍历一次，目的是求一条经过所有目标点的最短路径。其中，di-j为第i个目标点到第j个目标点 A* 算法所规划路径的实际距离。添加一个记忆库列表，使算法能够记录迭代过程中遇到过的当前最优解。PS：个人感觉用处不大🤣。