路径规划算法传统路径规划算法模拟退火算法人工势场算法模糊逻辑算法禁忌搜索算法智能模拟算法蚁群算法遗传算法人工神经网络粒子群算法
传统路径规划算法
传统的路径规划算法包括人工势场算法、模拟退火算法、禁忌搜索算法、模糊逻辑算法等。
模拟退火算法模拟退火算法(Simulated Annealing，简称SA )诞生之初用于求解复杂系统的能量分布问题lS。 1983年，美国IBM公司物理学家S.Kirkpatrick、C.D.Gelatt、M.P.Vecchi发现复杂系统的能量分布函数与一些组合优化问题(如知名旅行商问题TSP )的代价函数相当相似也就是说，求最低成本就是求最低能量，将模拟退火算法的应用范围扩展到组合优化问题的解决领域。 其原理是，在路径规划过程中，持续变化，但以最后为0的概率，在当前解的附近范围内，随机寻找设定的目标函数可能的全局最优解，实现全局最优解。 模拟退火算法通用性强，常用于解决比较复杂的非线性优化问题，但算法性能受初始值和参数设置的影响较大。
人工势场算法人工势场算法(Artificial Potential Field )是Oussama Khatib在1986年发表的一篇关于移动机器人实时避障的文章中提出的。 其基本思想是：将路径规划中的环境模型比作重力场和斥力场混合的人类创造场，人类创造场内的目标点对机器人起吸引作用，周围障碍物对机器人起排斥作用，机器人综合影响两者人工势场算法常见于机器人的动态避障问题和行驶轨迹的平滑控制问题，但由于缺乏全局环境信息，仅适用于局部空间避障问题的解决，路径规划的最终结果也有陷入局部最优的风险。
模糊逻辑算法模糊逻辑算法是基于模糊控制理论产生和发展起来的优化算法。 应用模糊逻辑算法解决路径规划问题的原理融合了生理学中源于生物体内反应机制的“感知——动作——行为”和模糊控制天生具有的较强鲁棒性，设计了一种描述对象输入输出动态行为的模糊控制器，传感器模糊逻辑算法操作简单，路径规划时不需要建立精确系统的数学模型，且鲁棒性强，具有很好的容错能力，但在实际应用中算法存在“对称性不确定”的现象。
禁忌搜索算法禁忌搜索算法(Tabu Search，简称TS ) )于1986年由Glover教授率先提出。 使用禁忌搜索算法进行路径规划时，在搜索过程中已经经过的局部最优点被记录下来，在再搜索时可以选择性地避免这些记录点，路径规划结果陷入局部最优的可能性降低。 但是，如果算法搜索初始记录的局部最优效果较低，则会影响最终的路径规划结果。
智能仿真算法随着智能控制技术的发展和人类对自然界的了解逐渐加深，融合仿生学研究成果提出的智能仿生算法在解决路径规划等组合优化问题上效果显著。 常见的智能仿生算法有：蚁群算法、遗传算法、人工神经网络算法、粒子群算法等。
算法蚁群算法(Ant Colony Optimization，简称ACO )由意大利学者nxdhn Dorigo于1992年在他的博士论文中提出，灵感来源于蚂蚁觅食活动。 信息素随着蚂蚁释放时间的推移而逐渐降低，这是蚁群算法路径规划的基础，导致短路径中的信息素浓度高于其他路径，蚂蚁通过信息素的刺激、诱导作用，建立起选择短路径高残留信息素的概率最终，在信息素正反馈刺激下，整个蚂蚁群落集中在所有路径中的短路径上。 蚁群算法具有并行性、鲁棒性好等特点，但算法路径规划耗时，容易出现搜索停滞现象，搜索结果陷入局部最优的风险较大。
遗传算法遗传算法(Genetic Algorithm，简称GA )是一种模拟自然选择和生物遗传、进化机制的随机化搜索方法，由美国J.Holland教授于1975年首先提出，进入90年代与混沌理论、人工生命等实现了不同程度的交叉融合，作为当前智能计算的重要组成部分的算法引入了选择、复制、交叉重组和变异等方法以及适者生存的概念，具有较强的全局搜索能力和良好的鲁棒性，但具有“汉明悬崖”、早熟收敛等
人工神经网络人工神经网络(Artificial Neural Network，简称tydxxm )算法是通过模拟人与其他生物的神经网络行为产生的，算法的特色是信息的行为算法具有自学习、自适应、自组织的能力，其学习训练方式分为两种。 一种是有监督的学习，利用给定的样本标准进行分类或模仿。 例如，BP (后台传输)算法； 一种是无监督学习，不提供样本标准，系统按照预定义的学习规则，自动发现环境特征和规则。 神经网络算法泛化能力较低，路径规划需要适应复杂多变的周边环境，因此使用神经网络算法进行路径规划具有很大的局限性。
粒子群算法粒子群算法(Particle Swarm Optimization，简称PSO )或鸟群觅食算法是基于集群智能和迭代搜索的优化算法。 其原理是利用群体内各个体之间信息的相互作用、共享，得到全局最优解。 将粒子群算法用于解决路径规划问题时，有简单可行的算法探索
速度快、参数设置要求较少等优点，但是搜索有可能陷入局部最优。 总结比较不同算法之间的优略，在仿真实现时，根据不同的调度算法，不同的实际需求，选择合适的算法组合实现。
参考：AGV系统路径规划与调度算法研究_饱满的高跟鞋
如有错误请指正，多多交流，谢谢大家！