Traversal path planning of agricultural robot based on memory simulated annealing and A* algorithm
-
摘要:目的
解决农业机器人大田作业时遍历路径规划的问题。
方法提出一种记忆模拟退火与A*算法相结合的遍历算法。首先通过记忆模拟退火算法搜索出任务最优目标点行走顺序，然后使用A*算法进行跨区域衔接路径规划。
结果仿真试验结果表明，该算法规划的遍历路径曼哈顿距离比传统模拟退火算法减少了9.4%，遍历路径覆盖率能达到100%，重复率控制为4.2%。
结论记忆模拟退火通过为传统模拟退火算法增加记忆器，增强了跳出局部最优陷阱的能力，提高了算法所得解的质量。该研究结果可为农业机器人遍历路径规划提供理论基础。
Abstract:ObjectiveTo solve the problem of traversal path planning of agricultural robot in field operation.
MethodA memory simulated annealing algorithm combined with A* algorithm was proposed. Firstly, the optimal walking sequence of target points in task was found by memory simulated annealing algorithm, and then A* algorithm was used for crossing regional linking of path planning.
ResultThe simulation experiments showed that the Manhattan distance of traversal path planned by this algorithm was reduced by 9.4% compared with the traditional simulated annealing algorithm, the coverage of traversal path could reach 100%, and the repetition rate could be controlled at 4.2%.
ConclusionMemory simulated annealing algorithm enhances the ability to jump out of the local optimal trap, and improves the quality of the solution obtained by adding memory device to the traditional simulated annealing algorithm. The research results can provide a theoretical basis for the path planning of agricultural robot.
-
农业是国民经济的基础产业，在“碳达峰、碳中和”及“绿色生态”等背景下，具有碳源和碳汇的双重属性[1-3]；同时，农业面源污染已成为制约农业可持续发展的重要因素[4]。农业全要素生产率(Agricultural total factor productivity)，即农业总产出与总投入之比，是衡量农业生产系统总体效率的标准；农业全要素生产率越高，农业发展对化肥、农药、劳动力等资源要素的依赖性越小，农业发展的科技含量越高、可持续性越强。因此，将农业生产过程中的碳汇、碳源和农业面源污染纳入农业全要素生产率测算的指标框架中具有重要的理论与实践意义。
目前，国内外学界对于农业全要素生产率的研究取得了丰硕的研究成果，主要集中在概念界定[5]、指标选取[6-7]、测算方法[8-11]、不同区域全要素生产率测算[12-13]及其影响因素[14-17]等方面。研究普遍认为全国农业全要素生产率呈增长趋势，技术进步是其增长的主要动力，但各个地区存在明显的差异[18-19]。在绿色生态方面，主要是从碳源、碳汇和农业面源污染其中1或2个视角进行研究[20-23]；但农业生产的生态效应是一个完整系统，碳源、碳汇及农业面源污染是其子系统，全面、系统的考察才能全面体现农业发展的绿色化、生态化、低碳化，忽视农业生产的碳效应、农业面源污染影响，势必会扭曲农业生产的效率，导致测算结果不够精准。现有研究鲜有将农业碳源、碳汇及农业面源污染全部纳入到全要素生产率分析框架中，测算出的结果与实际情况会存在一定偏差，不能真正体现农业全要素生产率。
鉴于此，本文基于农业生产过程中的碳源、碳汇及农业面源污染三重视角，以广东省为研究区，运用DEA-Malmquist模型对2006—2021年广东省农业全要素生产率进行有效测度并分析其时空差异，运用面板回归模型探究广东省农业全要素生产率影响因素。论文基于碳源、碳汇及农业面源污染三重视角，在投入−产出要素选取方面有创新性，可以更加科学地把握广东省农业高质量发展基础，助推乡村振兴。
1. 材料与方法
1.1 研究区概况
广东省地处中国大陆南部(20°13′~25°31′N、109°39′~117°19′E)，以山地、丘陵为主，地势北高南低，中南部是比较平坦的珠江三角洲；气候以亚热带季风气候为主，光照、热量和水资源丰富，农业资源丰富。广东省下辖21个地级市，按广东省统计局划分标准，将其分为珠三角、粤东、粤西、粤北山区四大区域。其中，珠三角地区包括广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆9市，是广东省经济最发达的地区，农业科技力量雄厚，都市农业发达；粤东地区包括汕头、汕尾、揭阳、潮州4市，特色农产品加工产业链较为完善；粤西地区包括湛江、茂名、阳江3市，是重要的粮食和甘蔗等糖料基地；粤北山区包括韶关、梅州、清远、河源、云浮5市，土地破碎化严重，但农业生态环境好，是广东省重要的生态屏障。
1.2 研究方法
DEA-Malmquist指数法作为一种非参数前沿效率分析法，运用时不涉及参数方程的计量经济估计，能有效避免参数法带来的弊端，在模拟投入−产出分析时具有明显优势，受到学者们的广泛应用。面板数据回归分析是研究经历一段时间的相同横截面单元(个体)的模型，具有空间和时间双重特性，也称混合数据(Pooled data)；相比传统的截面数据或纵向数据回归模型，能提供更准确的估计。基于此，论文选取DEA-Malmquist指数法和面板数据回归分析法对广东省农业全要素生产率及其影响因素进行分析。
1.2.1 DEA-Malmquist指数法
使用DEA-Malmquist指数法对广东省农业全要素生产率进行分析。参考文献[24]，对于t与t+1时期的技术，1个投入及1个产出的生产率指数可以定义为式(1)。
$$ M_0^t = \dfrac{{D_0^t({x_{t + 1}},{y_{t + 1}})}}{{D_0^t({x_t},{y_t})}}，\;\;\;\;\;\;\;\;\;\;M_0^{t + 1} = \dfrac{{D_0^{t + 1}({x_{t + 1}},{y_{t + 1}})}}{{D_0^{t + 1}({x_t},{y_t})}} \text{，} $$ (1) 式中：xt及yt为t时期的投入与产出变量；
$ D_0^t({x_t},{y_t}) $ 与$ D_0^{t + 1}({x_t},{y_t}) $ 为在同一时期生产点同前沿面技术比较得出的距离输出函数；$ D_0^t({x_{t + 1}},{y_{t + 1}}) $ 与$ D_0^{t + 1}({x_{t + 1}},{y_{t + 1}}) $ 则是在混合期间生产点同前沿面技术比较得出的距离输出函数。全要素生产率(TFP)，即Malmquist指数的变化情况，可用式(1)中的2个指数的算术平均值来计算获取，如式(2)。
$$ \begin{split} {\mathrm{TFP}} = & {M_0}({x_t},{y_t},{x_{t + 1}},{y_{t + 1}}) =\\ & \dfrac{{D_0^t({x_{t + 1}},{y_{t + 1}})}}{{D_0^t({x_t},{y_t})}}\sqrt {\dfrac{{D_0^t({x_{t + 1}},{y_{t + 1}})}}{{D_0^{t + 1}({x_{t + 1}},{y_{t + 1}})}} \times \dfrac{{D_0^t({x_t},{y_t})}}{{D_0^{t + 1}({x_t},{y_t})}}} = \\ & {\mathrm{EFFCH}}({x^{t + 1}},{y^{t + 1}};{x^t},{y^t})\times \\ & {\mathrm{TECHCH}}({x^{t + 1}},{y^{t + 1}};{x^t},{y^t})，\\[-1pt] \end{split} $$ (2) 式中：EFFCH为技术效率变动，TECHCH为技术进步率变动；在可变规模报酬(VRS)情况下，技术进步率变动可以进一步分解为纯效率变动(PECH)和规模效率变动(SECH)，见式(3)。
$$ \begin{split} {\mathrm{TFP}} = & {M_0}({x_t},{y_t},{x_{t + 1}},{y_{t + 1}}) = \dfrac{{S_0^{t+ 1}({x_{t + 1}},{y_{t + 1}})}}{{S_0^{t}({x_t},{y_t})}} \times\\ & \dfrac{{D_0^t({x_{t + 1}},{y_{t + 1}}/{\mathrm{VRS}})}}{{D_0^t({x_t},{y_t}/{\mathrm{VRS}})}} \times\\ & \sqrt {\dfrac{{D_0^t({x_{t + 1}},{y_{t + 1}})}}{{D_0^{t + 1}({x_{t + 1}},{y_{t + 1}})}} \times \dfrac{{D_0^t({x_t},{y_t})}}{{D_0^{t + 1}({x_t},{y_t})}}} =\\ & {\mathrm{SECH}}\times{\mathrm{PECH}}\times{\mathrm{TECHCH}}， \end{split} $$ (3) 式中：TFP反映广东省农业综合生产率的变动情况，其值大于1，综合生产率提高，反之下降；SECH、PECH、TECHCH的特征类似；
${{S_0^{t}({x_t},\;{y_t})}} $ 、${{S_0^{t+1}({x_{t+1}},\;{y_{t+1}})}} $ 分别表示在t、t+1时期的产出距离函数。DEA-Malmquist指数法涉及投入−产出指标的选取问题。1)投入指标。根据数据的可获取性、可操作性及综合性等原则，参考已有研究[25-28]，本研究选取劳动力投入——农林牧渔业从业人员数量(万人)、土地投入——农作物播种面积(hm2)、农药投入——农药使用量(t)、化肥投入——化肥使用量(折纯量，t)、农机投入——农业机械总动力(×104 kW)5个指标作为投入指标。2)产出指标。产出指标分为合意产出指标和非合意产出指标。在已有研究[26-28]基础上，本研究选取农林牧渔业总产值(亿元)、农作物生产过程中碳吸收量(碳汇，t)为合意产出指标；选取农作物生产过程中碳排放量(碳源，t)及农业面源污染(t)为非合意产出指标。农作物生产过程中碳吸收量的计算方法参考文献[29-30]；碳排放量的计算方法参考文献[31-34]；农业面源污染的计算方法参考文献[27]等。
1.2.2 面板数据回归模型
农业全要素生产率的影响因素众多，参考已有研究[25, 27, 35]，选取农业机械化水平(X1，农业机械总动力/农作物播种总面积，kW/hm2)；农业经济发展水平(X2，人均农林牧渔业产值，元)；城镇化水平(X3，城镇人口占总人口比例，%)；农业产业结构(X4，种植业产值/农林牧渔业产值，%)；财政支农水平(X5，农林水务支出占总支出比例，%)5个指标作为自变量，以各地市农业全要素生产率为因变量，采用面板数据回归模型分析广东省农业全要素生产率的影响因素。
1.3 数据来源
DEA-Malmquist分析模型中的投入指标数据及合意产出指标数据来自2007—2022年度的《广东统计年鉴》和《广东农村统计年鉴》；合意产出指标碳吸收量及非合意产出指标碳排放量、农业面源污染主要基于2007—2022年度的《广东统计年鉴》和《广东农村统计年鉴》的相关数据，参考已有研究[27, 29-34]，通过计算获取。
面板数据回归分析中的因变量来自DEA-Malmquist模型计算结果，5个自变量数据来自2007—2022年度的《广东统计年鉴》和《广东农村统计年鉴》，部分数据通过计算获得。
2. 结果与分析
2.1 广东省农业全要素生产率时空差异
基于上述所选指标及模型，利用软件Deap2.1测度广东省农业全要素生产率的时空变化特征。
2.1.1 广东省农业全要素生产率时序比较
2006—2021年广东省农业全要素生产率呈波动变化之态势，其中，2010—2011和2019—2020年最高，均为1.055，较2009—2010和2018—2019年提升了5.5%；2012—2013年最低，且小于1，为0.989(表1)。2012年前后，中国经济开始进入调结构、降增速和转动能的新常态发展，农业生产同样面临结构性调整，短时间内，农业全要素生产率有所下降。由表1可知，广东省农业全要素生产率年均提高1.7%，变化主要由技术进步引起，技术效率变动对全要素生产率变化的影响不明显。
表 1 2006—2021年广东省农业全要素生产率变化Table 1. Agricultural total factor productivity change in Guangdong Province from 2006 to 2021年份
Year技术效
率变动
Technical
efficiency
change技术进步率变动
Technological
progress
rate change全要素
生产率
Total
factor
productivity2006—2007 1.000 1.010 1.010 2007—2008 1.000 1.027 1.027 2008—2009 1.000 1.020 1.020 2009—2010 0.997 1.009 1.005 2010—2011 0.999 1.056 1.055 2011—2012 0.996 1.054 1.049 2012—2013 1.001 0.988 0.989 2013—2014 1.000 1.002 1.002 2014—2015 1.001 1.003 1.004 2015—2016 1.006 0.997 1.003 2016—2017 0.997 1.003 1.000 2017—2018 1.000 1.007 1.008 2018—2019 0.999 1.015 1.014 2019—2020 1.003 1.052 1.055 2020—2021 0.996 1.022 1.019 均值 Mean value 1.000 1.017 1.017 2.1.2 广东省农业全要素生产率区域比较
从四大区域来看，珠三角地区的农业全要素生产率最高，均值为1.030 3，年均提高3.03%；其次为粤西地区，均值为1.016 0，年均提高1.60%；粤东地区较低，均值为1.010 3，年均提高1.03%；粤北山区最低，均值为1.001 0，年均仅提高0.10%，基本没有提升。四大区域的农业全要素生产率呈现出“珠三角地区>粤西地区>粤东地区>粤北山区”的格局。从各地市来看，广东省21个地市中，有18个地市的农业全要素生产率高于1；且以珠海最高，达到1.070，佛山紧随其后，达到1.069。3地市的农业全要素生产率低于1；且以潮州最低，为0.988。依据农业全要素生产率的差异，21个地市可划分为高速增长组、快速增长组、低速增长组及下降组(表2)。广东省各地市农业全要素生产率的差异主要由技术进步决定，技术效率的作用和影响不明显，这说明技术进步是广东省农业全要素生产率增长的关键，而不是技术效率的改善，也反映出农户受教育水平较低，导致广东省的农业技术推广和扩散不力、农业科技转化率偏低。
表 2 2006—2021年广东省各地市平均农业全要素生产率Table 2. Mean agricultural total factor productivity of prefecture-level cities in Guangdong Province from 2006 to 2021组别
Group地市
Prefecture-level city区域
Region技术效率变动
Technical efficiency
change技术进步率变动
Technological progress
rate change全要素生产率
Total factor
productivity排序
Sort高速增长组
High growth group珠海 珠三角 1.000 1.070 1.070 1 佛山 1.000 1.069 1.069 2 快速增长组
Fast growth group中山 0.999 1.044 1.043 3 深圳 1.000 1.038 1.038 4 汕头 粤东 1.000 1.036 1.036 5 东莞 珠三角 1.000 1.025 1.025 6 湛江 粤西 1.000 1.024 1.024 7 阳江 1.000 1.016 1.016 8 广州 珠三角 0.999 1.016 1.015 9 汕尾 粤东 0.999 1.013 1.012 10 低速增长组
Low growth group茂名 粤西 1.000 1.008 1.008 11 梅州 粤北 0.999 1.007 1.006 12 肇庆 珠三角 0.999 1.007 1.006 13 江门 1.000 1.005 1.005 14 清远 粤北 1.000 1.005 1.005 15 揭阳 粤东 1.000 1.005 1.005 16 河源 粤北 1.000 1.003 1.003 17 惠州 珠三角 0.999 1.003 1.002 18 下降组
Descending group云浮 粤北 1.000 0.997 0.997 19 韶关 0.999 0.995 0.994 20 潮州 粤东 1.000 0.988 0.988 21 均值 Mean value 1.000 1.017 1.017 2.2 广东省农业全要素生产率影响因素
运用Eviews7.0对广东省各地市的农业全要素生产率与5个影响因素进行面板回归分析，F为4.937 663，P为0.000 230，Durbin-Watson为1.983 370，整个回归模型通过显著性检验(表3)。
表 3 广东省农业全要素生产率影响因素实证分析结果Table 3. Empirical analysis results of influencing factors of agricultural total factor productivity in Guangdong Province变量
Variable系数
Coefficient标准差
Standard deviationt P 常数项(C)
Constant term0.989 693 0.041 041 24.114 560 0.000 0 农业机械化水平(X1)
Agricultural mechanization level−0.002 875 0.012 872 −0.223 353 0.823 4 农业经济发展水平(X2)
Agricultural economic development level0.000 001 0.000 002 0.416 362 0.677 4 城镇化水平(X3)
Urbanization level0.000 962 0.000 384 2.505 022 0.012 8 农业产业结构(X4)
Agricultural industrial structure−0.000 742 0.000 375 −1.979 669 0.048 6 财政支农水平(X5)
Financial support level for agriculture0.000 362 0.001 103 0.327 838 0.743 3 1)农业机械化水平。农业机械化水平影响系数为负，但未通过显著性检验(P>0.05)，表明其对农业全要素生产率虽有一定影响，但并不是主要影响因素。如中山、东莞的农业机械化水平一直处于全省前2(2020年分别为32.25和21.25 kW/hm2、2021年分别为23.25和20.55 kW/hm2)，远高于其他地市；但其这两年的农业全要素生产率均处于全省中游水平。一般而言，农业机械化水平提高，说明农业生产效率提高，但是这不可避免会导致农业生产过程中农用柴油等化石燃料的使用增加，直接或间接增加非合意产出碳排放量，造成环境污染，对生态农业全要素生产率产生不利影响。
2)农业经济发展水平。农业经济发展水平影响系数为正，但未通过显著性检验(P>0.05)，表明其对农业全要素生产率的正向影响不明显。如阳江、湛江、茂名、肇庆的农业经济发展水平较高，2020年4地市的人均农林牧渔业产值位居全省前4，但其农业全要素生产率除湛江居全省第1(1.359)外，其余3市均处于全省中游水平。一般来说，农业经济发展水平越高，农业生产资金越充足，越有利于农业生产方式改革，提高农业全要素生产率；但是，农业经济发展水平提高的同时，农业现代化水平也会相应提高，一定程度上会增加农业碳排放量和面源污染。农业经济发展水平的提高对农业合意产出的促进作用与对非合意产出的消积作用大致相当，进而使得农业全要素生产率的改善不显著。
3)城镇化水平。城镇化水平影响系数为正且通过了显著性检验(P<0.05)，表明其对农业全要素生产率具有一定的正向影响。由统计及计算数据可知，珠三角地市的城镇化水平和农业全要素生产率整体高于其他地市；总体上，城镇化水平与农业全要素生产率呈正相关关系。改革开放以来，广东省各地市的城镇化快速推进，一定程度上对农业生产部门产生了影响。城镇化水平提升意味着区域产业结构不断优化，二三产业不断发展；而二三产业的不断发展亦会反作用于农业生产，促进农业现代化快速推进，从而助力农业全要素生产率的改善。整体来看，广东省城市反哺农村、工业反哺农业的作用较为明显；同时，在城镇化快速发展的背景下，广东省大量农村劳动力析出且向城镇和非农产业转移，农村青壮年劳动力不足，大量农田被加速流转，形成规模化种植，促使农业全要素生产率提高。
4)农业产业结构。农业产业结构影响系数为负且通过了显著性检验(P<0.05)，表明其对农业全要素生产率具有一定的负向影响。种植业占比越低，农业全要素生产率越高。如珠海、佛山、深圳的种植业占比在全省处于较低水平(2020年分别为16.41%、34.86%、31.78%，全省倒数第1、6、5)，其农业全要素生产率则刚好相反(当年分别为1.051、1.227、1.042，位居全省第3、1、4)。在其他条件不变的情况下，种植业产值占比越高，农业生产增加的碳排放量就会越多，进而导致农业全要素生产率降低。因此，广东省农业种植结构要按照比较优势来调整，同时大力推进农业供给侧结构调整。
5)财政支农水平。财政支农水平影响系数为正，但未通过显著性检验(P>0.05)，表明其对农业全要素生产率的正向影响不明显。统计数据表明，财政支农水平与农业全要素生产率存在一定的正相关关系，但不明显。一般来说，增加农业生产资料补贴和农业基础设施建设投入，可提高农户的农业生产积极性、改善农业生产条件，一定程度上会提高农业全要素生产效率；但容易增加农户对化肥、农药的依赖性，导致农业面源污染加重，增加碳排放，降低农业全要素生产率。
3. 讨论与结论
3.1 讨论
基于农业碳源、碳汇及面源污染三重视角的研究表明，2006—2021年广东省农业全要素生产率呈波动变化，总体处于增长态势；各地市的农业全要素生产率差异明显，在区域上呈现出“珠三角地区>粤西地区>粤东地区>粤北山区”的格局；技术进步是引起广东省农业全要素生产率增长的关键。该结果与全国农业全要素生产率呈增长趋势、技术进步是其增长的主要动力的结果[14,18-19]类似，但张霞[36]研究认为技术进步和技术效率都是提高地区农业全要素生产率的关键因素。因此，四大区域特别是粤东和粤北山区在注重农业技术进步的同时，必须提高农业技术效率，缩小与珠三角地区的差距，这将会是广东农业全要素生产率增长的潜在动力。在“碳达峰、碳中和”背景下，应从碳源、碳汇及面源污染三重视角，综合考虑农业经济产出和生态产出，使计算的农业全要素生产率更加科学、合理，更具理论价值和现实意义。
在影响因素中，城镇化水平、农业产业结构等共同影响广东省农业全要素生产率，其中城镇化水平为正向影响，农业产业结构为负向影响。广东省是经济大省和人口大省，城镇化率高，城市反哺农村、工业反哺农业的作用较为明显。在经济最发达的珠三角地区，农业科技力量雄厚，技术迭代快，都市农业发达，以花卉、蔬菜等生产为主，农户生态保护意识相对强；其中珠海农业以追求最优生态效益和提高产品市场竞争力为目的，积极发展生态良好、特色突出、规模适度和产品具有较强竞争力的珠海特色农业。粤西地区具有独特资源优势，产业化经营程度高，建设了多个国家级现代产业园[23]；且多种植甘蔗等糖料作物，生产周期短，农药投入低，污染少，碳排放相对低。而粤东和粤北山区土地资源破碎化严重，农业对化肥、农药的依赖度高，农业面源污染严重，碳排放量大，导致农业全要素生产率降低。此外，四大地区因资源禀赋、社会经济等方面均存在较大差异，这也共同造就了广东省农业全要素生产率各地市差异明显，珠海全要素生产率最高，在区域分布上呈现出“珠三角地区>粤西地区>粤东地区>粤北山区”的格局。为了提高广东省农业全要素生产率，建议加大农业科技投入，强化绿色农业科技推广应用，优化财政资金支持机制；结合广东省各地资源禀赋条件，大力培育、发展高效立体生态农业，走绿色农业发展道路，助推农业现代化现实进程和乡村振兴。此外，由于投入−产出、影响因素的指标数据获取原因，农业碳源主要考虑了农作物生长过程的碳排放量，而对畜禽养殖过程中的温室气体排放、秸秆燃烧产生的碳排放等没有系统考虑，对研究结果将会产生一定影响。这些问题将在后续研究中重点考虑。
3.2 结论
1) 2006—2021年广东省农业全要素生产率呈波动变化，总体处于增长态势，年均增速为1.7%；广东省各地市农业全要素生产率差异明显，珠海市最高，在区域上呈现“珠三角地区>粤西地区>粤东地区>粤北山区”的格局。技术进步是广东省农业全要素生产率增长的关键。
2)城镇化水平、农业产业结构等共同影响广东省农业全要素生产率，其中城镇化水平产生正向影响，而农业产业结构产生负向影响。
3)建议加大农业科技投入，强化绿色农业科技推广应用，优化财政资金支持机制；结合广东省各地资源禀赋条件，大力培育发展高效立体生态农业，走绿色农业发展道路，助推农业现代化现实进程和乡村振兴。
-
![]()
图 3 矩形子区域划分结果
图中数字为标号
Figure 3. Result of rectangular sub-region division
The figures in the diagram are labels
![]()
图 4 农业机器人A*算法路径搜索
红色圆点即从起点A到目标点B的最短路径；方格中左上角数字为 f 值，代表由起点A到目标点B的代价值；右下角数字为 h 值，代表从指定节点到终点B的估算成本；左下角数字为 g 值，代表农业机器人从起点A移动到指定节点的移动代价
Figure 4. Path search of agricultural robot by A* algorithm
The red dots are the shortest path from starting point A to target point B; The upper left number is f value, representing the cost value for moving from starting point A to target point B; The bottom right number is h value, representing the estimated cost for moving from an assigned node to target point B; The bottom left number is g value, representing the movement cost for moving from starting point A to an assigned node
![]()
图 7 遍历路径规划图
绿色圆点和红色五角星分别为整个遍历路径规划的起点和终点，蓝色线条为遍历规划路线
Figure 7. Traversal path planning
The green dot is the starting point and the red pentagram is the ending point of the whole planned traversal path, the blue line is the planned traversal path
表 1 算法遍历顺序规划对比
Table 1 Comparison of traversal sequence planning in different algorithm
算法名称 Algorithm name 遍历顺序1) Traversal order 曼哈顿距离/m Manhattan distance 传统模拟退火算法
Traditional simulated annealing algorithm1-4-3-7-9-10-11-6-2-5-8 29.6 记忆模拟退火算法
Memory simulated annealing algorithm1-3-4-7-9-10-11-6-2-5-8 26.8 1) 数字表示矩形子区域中心基点
1)The figures are center points of rectangular sub-region
下载: 导出CSV
-
[1] 朱铁欣, 董桂菊, 颜丙学, 等. 基于改进蚁群算法的农业机器人路径规划研究[J]. 农机化研究, 2016, 38(9): 48-52. doi: 10.3969/j.issn.1003-188X.2016.09.009 [2] 邱雪娜, 刘士荣, 宋加涛, 等. 不确定动态环境下移动机器人的完全遍历路径规划[J]. 机器人, 2006(6): 586-592. doi: 10.3321/j.issn:1002-0446.2006.06.007 [3] 邱雪娜, 刘士荣, 俞金寿, 等. 移动机器人的完全遍历路径规划: 生物激励与启发式模板方法[J]. 模式识别与人工智能, 2006, 19(1): 122-128. doi: 10.3969/j.issn.1003-6059.2006.01.022 [4] 谢斌, 刘士荣, 俞金寿. 基于在线图搜索的移动机器人遍历运动规划[J]. 华东理工大学学报(自然科学版), 2007(4): 551-557. doi: 10.3969/j.issn.1006-3080.2007.04.021 [5] ZOU D X, WANG G G, PAN G, et al. A modified simulated annealing algorithm and an excessive area model for floorplanning using fixed-outline constraints[J]. Front Inform Tech El, 2016, 17(11): 1228-1244. doi: 10.1631/FITEE.1500386
[6] 路鹏, 周东岱, 钟绍春, 等. 基于模拟退火算法的计算机自适应测试项目选择方法研究[J]. 计算机应用与软件, 2012, 29(10): 175-179. [7] 杜利超, 钱桦, 肖爱平. 路径规划技术及其在大棚作业机器人中的应用[J]. 湖北农业科学, 2010, 49(5): 1205-1208. doi: 10.3969/j.issn.0439-8114.2010.05.058 [8] 史兵, 段锁林, 李菊, 等. 温室移动机器人复合栅格地图构建方法研究[J]. 计算机应用研究, 2019, 36(3): 824-828. [9] 张堂凯. 己知环境下智能清洁机器人路径规划研究[D]. 南京: 南京邮电大学, 2017. [10] QIAN J Y, ZHOU Z D, ZHAO L Z, et al. Accelerating reconfiguration for VLSI arrays with A‐star algorithm[J]. IEEJ T Electr Electr , 2018, 13(10): 1511-1519. doi: 10.1002/tee.22716
[11] 王维, 裴东, 冯璋. 改进A*算法的移动机器人最短路径规划[J]. 计算机应用, 2018, 38(5): 1523-1526. [12] 张欣欣, 薛金林. 基于云模型的农业移动机器人人机合作路径规划[J]. 华南农业大学学报, 2017, 38(6): 105-111. doi: 10.7671/j.issn.1001-411X.2017.06.016 [13] 张文, 刘勇, 张超凡, 等. 基于方向A*算法的温室机器人实时路径规划[J]. 农业机械学报, 2017, 48(7): 22-28. doi: 10.6041/j.issn.1000-1298.2017.07.003 [14] 孙秀巧, 王健, 巫威眺. 基于改进遗传退火算法的高速公路巡逻车路径优化调度[J]. 科学技术与工程, 2019, 19(21): 296-302. doi: 10.3969/j.issn.1671-1815.2019.21.045 [15] MIAO Z W, YANG F, FU K, et al. Transshipment service through crossdocks with both soft and hard time windows[J]. Ann Oper Res, 2012, 192(1): 21-47. doi: 10.1007/s10479-010-0780-4
计量
- 文章访问数:
- HTML全文浏览量: 0
- PDF下载量:
