如何避免机器人陷入局部最小？

我有一些时间占据机器人的运动规划,并且有一段时间想要探索改善"潜在领域"方法提供的机会的可能性.我的挑战是避免在使用"势场"方法时机器人被困在"局部最小值".我没有使用"随机游走"方法来避免机器人陷入困境,而是考虑是否有可能实现A*的变体,这可以作为一种准确的指南,以避免机器人被困在"当地最低".

是否有这种经验,或者可以参考文献,它们以比"随机游走"方法中使用的更有效的方式避免局部最小化.

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",而且往往过于贪婪的算法会陷入局部最小化.

有一些替代方案,贪婪(被困在当地最低限度的主要原因)和多样性(尝试在短期内似乎不是一个好选择的新替代品)之间的紧张关系被参数化.

几年前我研究了一些关于蚂蚁算法(搜索Marco Dorigo,ACS,ACO),他们有一系列搜索算法可以应用于几乎任何东西,他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,模拟退火等解决TSP(规范旅行商问题)的搜索性能.蚂蚁赢了.

我过去使用遗传算法解决了TSP问题,如果你愿意,我仍然在delphi中有源代码.