CN102778229B - 未知环境下基于改进蚁群算法的移动Agent路径规划方法 - Google Patents

Abstract

本发明公开一种未知环境下移动Agent路径规划方法，针对现有技术采用蚁群算法进行移动Agent路径规划时，搜索时间长、障碍物较多较大时，容易出现“早滞”的问题，本发明提出一种未知环境下的移动Agent路径规划方法，通过栅格法对环境进行建模，建立01矩阵表示全局栅格地图，根据全局栅格地图进行路径规划，通过改进蚁群算法的路径选择策略增强路径选择的目的性，使移动Agent可以更加有效的避开障碍物。本发明的方法具有搜索时间较短和空间复杂度较小的优点。

Description

未知环境下基于改进蚁群算法的移动Agent路径规划方法

技术领域

本发明涉及计算机技术领域，具体是涉及未知环境下一种移动Agent（智能体）路径规划方法。本方法具有搜索时间较短和空间复杂度较小的优点。

背景技术

移动Agent是智能控制技术中的一个重要领域，已经被广泛应用于军事、工业、农业和教育等领域。路径规划是移动Agent系统的一个重要内容，它直接影响智能体完成任务的质量。路径规划的方法有很多，比如最速下降法、部分贪婪算法，Dijkstra算法、Floyed算法、SPFA算法(Bellman_Ford的改进算法)、遗传算法、人工神经网络等。使用最速下降法，缺点是收敛慢，效率不高，有时达不到最优解；使用部分贪婪算法时，不是对所有问题都能得到整体最优解；使用Dijkstra算法，需要较大的存储空间；Floyed算法的时间复杂度比较高，不适合计算大量数据；使用SPFA算法(Bellman_Ford的改进算法)，需要的时间较长；使用遗传算法，对新空间的探索能力是有限的，也容易收敛到局部最优解；使用人工神经网络，在较复杂的环境下，实现起来很复杂。

蚁群算法（ACO）具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种新型启发式优化算法。把蚁群算法(ACO)用在路径规划中是一个新的尝试。通过蚁群算法可以使智能体成功找到路径，但是搜索时间较长，并且遇到障碍物较多、较大时，很容易出现“早滞”的情况，无法得到全局最优解。障碍物在路径规划问题中是一个无法避开的问题，如何才能有效的避开障碍物，成为时下研究的热点。

本发明提出了一种未知环境下基于改进蚁群算法的移动Agent路径规划方法。用栅格法对环境建模，简单易行，在编程中容易实现，所形成的路径点在图上表示起来较简单。本发明同时对标准蚁群算法进行改进，核心是对选择路径策略进行改进，让选择更准确，使得寻优过程更具目的性。

发明内容

本发明所要解决的技术问题是，针对现有技术采用蚁群算法进行移动Agent路径规划时，搜索时间较长、障碍物较多较大时，容易出现“早滞”的问题，本发明提出一种未知环境下的移动Agent路径规划方法，其中，将每个移动Agent设置为相当于一只蚂蚁。通过栅格法对环境进行建模，建立01矩阵表示全局栅格地图，根据全局栅格地图进行路径规划，使移动Agent可以更加有效的避开障碍物，通过改进蚁群算法，使得寻优过程更具目的性。具体包括如下步骤：

1) 根据障碍物的位置、大小建立栅格环境。移动智能体的工作空间为二维结构化空间，记为                                                ，建立栅格环境，栅格编号采用“序号法”； 可采用黑色方格表示障碍物，白色方格表示自由栅格，用点表示移动Agent。

2)把障碍物分布图转化为图的赋权邻接矩阵。表示障碍物分布的栅格环境可对应设置为一个01矩阵，矩阵中元素全为0或者1。为0表示智能体可以到达的节点，其对应的栅格为自由栅格，为1表示其对应的栅格是障碍物。可将上建立的栅格模型抽象为一个01矩阵，将其逻辑对应到一个由节点构成的带权有向图G，图G的参照坐标系及节点坐标均与栅格环境（或01矩阵）相同，即相同坐标的节点和栅格块一一对应，即节点、栅格块以及01矩阵中的元素为同一概念。根据01矩阵中的邻接关系确定图G中连接节点的弧，根据节点距离赋予弧权值，其中，只有元素0和元素0之间存在邻接关系。

根据步骤3）、4）移动Agent进行路径寻优。

3)在带权有向图G中，寻找从指定起始点到目标点的一条具有最小权值总和的路径完成路径规划。初始设定各条路径上的信息量均为1，从第一个移动Agent开始，判断与当前所在节点i连接的节点中是否存在移动Agent已经经过的节点，如果存在，则放弃选择该节点作为下一步移动Agent将要去的节点，选择其余相邻的、移动Agent没有经过的节点作为下一步可能前往的节点；本发明通过改进路径选择策略以增强选择的目的性，提出一种最大转移概率法完成路径选择，根据下式选择下一路径：

其中表示节点和节点之间的信息量，初始设定各条路径上的信息量均为1，表示启发式因子的相对重要程度，是一个经验常数，表示取最大值。表示节点和节点之间的启发式因子，即移动Agent从节点到节点的期望程度。取为下一步可能前往的节点到目标点直线距离的倒数。下一步可能前往的节点到目标点的直线距离越小，的值越大，那么选择该节点的可能性就越大。

如果存在最大值（最大转移概率），则直接选择与该最大转移概率相对应的节点作为移动Agent下一步将要前往的节点，如果不存在最大转移概率，则按常规蚁群算法选择移动Agent下一步将要前往的节点。这样具有更好的寻优效果。假设移动智能体从指定起始点到目标点所需要的时间为，则通过移动智能体完成整个寻优过程的耗时来检验算法的优劣。

4)在进行第3步的同时，根据移动Agent可以前往的节点生成一个禁忌表，移动Agent每前进一步在禁忌表中进行状态更新，更新移动Agent当前所在的节点序号，已经访问过的节点从禁忌表中删除，从而移动Agent移动到新的节点，不重复走已经走过的节点。在禁忌表进行状态更新的同时，同步记录下移动Agent每前进一步走过的路径和路径长度的增加值。移动Agent就这样不断地选择下一个节点，从而一步一步地从指定起始点到达目标点，这个过程称为移动Agent的寻优过程，同时每个移动Agent每次寻优过程走过的完整路径都记录下来。

5)所有移动Agent完成一次路径寻优过程后，记下这次寻优过程每个移动Agent所走过的路径和路线长度，并对各条路径上的信息量更新一次，初始信息量蒸发一部分，移动Agent走过的路径信息量会增加一部分。然后所有移动Agent进行第二次寻优过程，即重复前面的第3步和第4步，依次类推。通过比较所有寻优路径的路径长度，输出最短路径路线以及该路线的长度。

本发明为了缩短搜索时间和降低环境的复杂程度，采用栅格法对环境建模，通过改进蚁群算法增加寻优的目的性，最终使得相同环境下搜索时间更短，并且更容易避开障碍物，克服“早滞”的问题。

附图说明

图1 本发明移动Agent路径规划流程图。

具体实施方式

以下结合附图对本发明进一步的说明。

本发明的流程图如图1所示，其具体过程如下：

本发明对移动Agent在未知环境中进行路径规划，旨在使移动Agent能用该算法在未知环境中尽快找到最短路径。该未知环境下基于改进蚁群算法的移动Agent路径规划方法的具体过程如下：

(1) 将实际的运行环境抽象为一张平面图，根据障碍物的位置、大小建立栅格环境。设移动智能体工作空间为二维结构化空间，记为，其中障碍物位置、大小已知。用尺寸相同的栅格对进行划分，栅格大小以移动智能体能在其内自由运动为限，设移动智能体能自由运动的范围为[0，]。若某一个栅格尺寸范围内不含任何障碍物，则为自由栅格，反之为障碍栅格。自由空间和障碍物均可表示成栅格块的集合，将障碍物栅格集记为。

(2)采用直角坐标法和序号法两种方法相结合对栅格进行标识。

1)直角坐标法。以栅格阵左上角为坐标原点，水平向右为轴正方向，竖直向下为轴正方向，每一个栅格区间对应坐标轴上的一个单位长度。任何一个栅格均可用直角坐标唯一标识。

2)序号法。按从左到右，从上到下的顺序，从栅格阵左上角第一个栅格开始，给每一个栅格一个序号n（从0开始计算），序号n与栅格块一一对应。

两种方法标识的关系可表示为：

  其中，

其中，为每行的栅格数，为每列的栅格数，式中mod表示取余数，int表示取整数。表示任意栅格，表示任意栅格在直角坐标系中轴方向上的值，表示任意栅格在直角坐标系中轴方向上的值，表示栅格阵在直角坐标系中轴方向上的最大值（即栅格阵的边界的长），表示栅格阵在直角坐标系中轴方向上的最大值（即栅格阵的边界的宽）。

障碍物可占一个或者多个栅格，当不满一个栅格时，算一个栅格。划分策略从实用出发，使场景描述与实际环境严格相符，规划出的路径保证机器人畅通无阻。

(3)把障碍物分布图转化为图的赋权邻接矩阵。将表示障碍物分布的栅格环境可对应设置为一个01矩阵，矩阵中元素全为0或者1。为0表示智能体可以到达的节点，其对应的栅格为自由栅格，为1表示其对应的栅格是障碍物。可将上建立的栅格模型抽象为一个01矩阵，将其逻辑对应到一个由节点构成的带权有向图G，图G的参照坐标系及节点坐标均与栅格环境（或01矩阵）相同，也就是相同坐标的节点和栅格块一一对应，即节点、栅格块以及01矩阵中的元素为同一概念。根据01矩阵中的邻接关系确定图G中连接节点的弧，根据节点距离赋予弧权值，其中，只有元素0和元素0之间存在邻接关系。则所谓路径规划问题，就是指在带权有向图G中，寻找从指定起始点到目标点的一条具有最小权值总和的路径。

(4)在带权有向图G中，寻找从指定起始点到目标点的一条具有最小权值总和的路径完成路径规划。初始设定各条路径上的信息量均为1.从第一个移动Agent开始，判断与当前所在节点i连接的节点中是否存在已经经过的节点，如果存在，则放弃选择该节点作为下一步移动Agent将要去的节点，选择其余相邻的、移动Agent没有经过的节点作为下一步可能前往的节点；本发明通过路径选择策略以增强选择的目的性。提出一种最大转移概率法完成路径选择，根据公式：选择下一路径。

上式中表示节点和节点之间的信息量，初始设定各条路径上的信息量均为1，表示启发式因子的相对重要程度，是一个经验常数，表示取最大值。表示节点和节点之间的启发式因子，即移动Agent从节点到节点的期望程度。取为下一步可能前往的节点到目标点直线距离的倒数。假定目标点为，则

其中为节点到目标节点的直线距离；越小，的值越大，那么选择该节点的可能性就越大。

如果存在最大值（最大转移概率），则直接选择与该最大转移概率相对应的节点作为移动Agent下一步将要前往的节点，如果不存在最大转移概率，则按常规蚁群算法选择移动Agent下一步将要前往的节点。这样具有更好的寻优效果。假设移动智能体从指定起始点到目标点所需要的时间为，则通过移动智能体完成整个寻优过程的耗时来检验算法的优劣。

(5)在进行第4步的同时，根据移动Agent可以前往的节点生成一个禁忌表，移动Agent每前进一步在禁忌表中进行状态更新，更新移动Agent当前所在的节点序号，已经访问过的节点从禁忌表中删除，从而移动Agent移动到新的节点，不重复走已经走过的节点。在禁忌表进行状态更新的同时，同步记录下移动Agent每前进一步走过的路径和路径长度的增加值。移动Agent就这样不断地选择下一个节点，从而一步一步地从指定起始点到达目标点，这个过程称为移动Agent的寻优过程，同时每个移动Agent每次寻优过程走过的完整路径都记录下来。

 (6)所有移动Agent完成一次寻优过程后，即所有移动Agent完成上面的第4步和第5步后，记下这次寻优过程每个移动Agent所走过的路线和路线长度，各条路径上的信息量更新一次。各条路径上的信息量按下面这个公式更新

其中表示信息量的蒸发系数；表示信息量的残留因子；表示一次循环中路径的信息量增量，信息量增量初始时刻为0.然后所有移动Agent进行第二次寻优过程，也就是重复前面的第4步和第5步，依次类推。通过比较所有寻优路径的路径长度，最后输出移动智能体所有寻优过程中所走过的最短路径路线以及该路线的长度。

(7)通过上述技术方案，移动Agent可以在较短的时间内在复杂的环境中得出最短路径的行走方式。

Claims (5)

1.一种移动Agent路径规划方法，其特征在于，将实际的运行环境抽象为一张平面图，根据障碍物的位置、大小建立栅格环境；将障碍物分布图转化为图的赋权邻接矩阵，将赋权邻接矩阵逻辑对应到一个由节点构成的带权有向图G；图G中的节点和01矩阵中的元素0或者元素1一一对应，图G的参照坐标系及节点坐标均与栅格环境相同，根据01矩阵中的邻接关系确定图G中连接节点的弧，根据节点距离赋予弧权值；在带权有向图G中，移动Agent寻找从指定起始点到目标点的一条具有最小权值总和的路径作为最优路径，完成路径规划，移动Agent寻找最优路径具体包括：将移动Agen经过的各条路径上的信息量对应为图G中各节点之间的权值，根据公式：计算移动Agent最大转移概率p_ijmax ^k，如果存在最大转移概率，直接选择与该最大转移概率p_ijmax ^k对应的节点j作为移动Agent下一步将要前往的节点，如果不存在最大转移概率，则按常规蚁群算法选择移动Agent下一步将要前往的节点，各条路径上的信息量τ(i,j)按公式：τ(i,j)＝(1-Rho)·τ(i,j)+Δτ(i,j)更新，式中，τ(i,j)为节点i与节点j之间的信息量，η(i,j)为节点i与节点j之间的启发式因子，β为启发式因子的相对强弱，Rho表示信息量的蒸发系数，Δτ(i,j)表示一次循环中路径(i,j)的信息量增量。

2.根据权利要求1所述移动Agent路径规划方法，其特征在于，所述转化为图的赋权邻接矩阵具体为，将表示障碍物分布的栅格环境对应设置为一个01矩阵，为0对应的栅格为自由栅格，为1对应的栅格是障碍物。

3.根据权利要求1所述移动Agent路径规划方法，其特征在于，移动Agent寻找最优路径具体包括：根据移动Agent可以前往的节点生成一个禁忌表，更新移动Agent当前所在的节点序号，已经访问过的节点从禁忌表中删除，在禁忌表进行状态更新的同时，同步记录移动Agent每前进一步走过的路径和路径长度的增加值。

4.根据权利要求1所述移动Agent路径规划方法，其特征在于，启发式因子为下一个移动Agent前往的节点至目标点的直线距离的倒数。

5.根据权利要求1所述移动Agent路径规划方法，其特征在于，01矩阵中只有元素0和元素0之间存在邻接关系。