我有一段时间专注于机器人的运动规划，并且有一段时间想探索改善“势场”方法提供的机会的可能性。我的挑战是避免机器人在使用“势场”方法时陷入“局部最小值”。我没有使用“随机游走”方法来避免机器人被困，而是考虑是否有可能实现 A* 的变体，它可以作为一种指导来精确地避免机器人被困在“局部最小值”。
有没有这方面的一些经验，或者可以引用文献，它比“随机游走”方法中使用的方法更有效地避免了局部最小值。
最佳答案
A* 和潜在字段都是搜索策略。您遇到的问题是某些搜索策略比其他搜索策略更“贪婪”，而且过于贪婪的算法通常会陷入局部最小值。
有一些替代方案，其中贪婪(陷入局部最小值的主要原因)和多样性(尝试在短期内似乎不是一个好的选择的新替代方案)之间的张力被参数化。
几年前，我对 Ant 算法进行了一些研究(搜索 Marco Dorigo、ACS、ACO)，他们有一系列可以应用于几乎任何事物的搜索算法，它们可以控制贪婪与探索你的搜索空间。在他们的一篇论文中，他们甚至比较了使用遗传算法、模拟退火和其他算法解决 TSP(典型旅行商问题)的搜索性能。 Ant 赢了。
我过去使用遗传算法解决了 TSP，如果您愿意，我仍然在 delphi 中有源代码。
关于robotics - 如何避免机器人陷入局部最小值？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/2199696/