CN104317293A - 一种改进蚁群算法的城市救援智能体动态路径规划方法 - Google Patents

Abstract

本发明提出了一种改进蚁群算法的城市救援智能体动态路径规划方法，属于机器人仿真技术领域，针对机器人救援仿真中动态变化环境的路径规划问题，对经典蚁群算法进行改进，引入目标优势度，修改蚂蚁的状态转移概率的计算方法，信息素的更新规则，适应救援环境中道路情况未知且动态变化、救援智能体任务复杂、路径规划需求要求不一致情形，使得救援机器人能够根据自身的任务属性搜索到较优路径。本发明的改进蚁群算法与经典蚁群算法比较，具有有效性和可靠性。

Description

一种改进蚁群算法的城市救援智能体动态路径规划方法

技术领域

本发明属于机器人仿真技术领域，具体涉及一种改进蚁群算法的城市救援智能体动态路径规划方法。 

背景技术

在城市救援行动中由于地震、火灾等造成的不确定因素，以及救援智能体救援工作的进行，将造成城市路况的不断变化。因此，在动态变化的救援场景中为救援机器人搜寻到最优路径，缩短救援行动时间，是机器人救援的首要挑战和关键问题。 

机器人救援仿真中的动态路径规划问题可以归纳为：根据救援任务的实际需要，智能体通过路径规划算法搜索出从起始节点到目标节点的路径，传统路径规划问题中，全局环境信息已知，优化指标仅为路径长度。在救援仿真平台中智能体期望获取的路径是让机器人在行走过程中安全、无碰撞的到达目标点，同时面临的环境也更为复杂，优化指标不仅是距离，还需综合考虑道路安全、路障、计算时间等因素。 

传统的路径规划算法主要有：蚁群算法、遗传算法、模拟退火算法、神经网络算法和启发式算法等。神经网络算法收敛速度慢，需要大量的训练数据，搜索效率不高，动态性不好，且存在局部极小等情况；而遗传算法也有计算速度过慢，存储量空间大、运算时间和搜索效率低等缺点。启发式算法中典型的为A星算法，A星算法搜索效率较高并且具有可采纳性、单调性等特点。因此，需要通过一种适合机器人救援环境的路径规划算法来指导救援智能体获得全局最优路径，保证各智能体协作的完成。蚁群算法中的蚂蚁寻路与救援机器人的路径搜索行为非常相似，对于动态变化的环境有着很强的适应性和健壮性，适用于动态环境下的路径搜索问题。但常规蚁群算法在搜索过程中容易陷入局部最优和出现早熟，收敛速度慢等问题。与TSP(Travelling Salesman Problem)不同的是，TSP问题中整个地图信息是无噪声的，而救援系统的世界模型中环境是未知的、带噪声的，比如无法确定道路拥堵情况、建筑燃烧情况、智能体分布情况等，无法提前获得准确的路径规划方案。 

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提出一种改进蚁群算法的城市救援智能体动态路径规划方法，针对传统蚁群算法进行改进，定义基于全局动态信息的目标优势度，改善蚂蚁选择下一个节点的性能，对蚂蚁在复杂动态环境下的路径搜索进行引导。此外，为了加快蚁群算法的收敛速度，采用自适应的信息素更新策略，使得蚂蚁在收敛速度和解的 多样性之间取得平衡。 

本发明解决其技术问题所采用的技术方案是： 

本发明提出一种改进蚁群算法的城市救援智能体动态路径规划方法，蚂蚁在路径搜索时会触发信息素更新，使得蚁群在较优的路径上释放更多信息素，所述的信息素更新包括：蚁群间信息素共享更新、局部信息素更新、全局信息素更新；所述方法包括以下步骤： 

步骤1：设每个道路和建筑抽象成一个顶点，将城市抽象为图G(N,E)，其中N表示顶点集合，E表示顶点与顶点之间的连接边，边是顶点的有序偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系；给定起始节点和目标节点，初始化系统参数，若收到蚁群间信息素共享更新信息，则根据该信息更新相应边的信息素浓度，在起始节点释放一批蚂蚁； 

步骤2：蚂蚁从起始节点出发开始搜索遍历，根据转移概率从候选节点中选择优势度最大的为下一个遍历的节点；同时将选择过的节点存入禁忌列表中，使蚂蚁在下次选择时排除已选节点；当每只蚂蚁搜索结束时，对搜索得到的结果进行局部信息素更新； 

步骤3：当满足释放的蚂蚁均搜索完成或者达到超时的终止条件，则存储当前批次蚂蚁搜索得到的路径，对所有路径进行评价，根据评价值进行全局信息素更新； 

步骤4：输出最优路径。 

进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，步骤2中优势度定义为： 

${\mathrm{vantage}}_{\mathrm{ij}}^k=\left\{\begin{array}{c}{w}_1(1-\frac{d_{\mathrm{ij}}+{\mathrm{shortest}}_j^{\mathrm{goal}}}{\underset{s\∈{\mathrm{allowed}}_k}{\mathrm{\Σ}}{d}_{\mathrm{is}}+\mathrm{shortes}{t}_s^{\mathrm{goal}}})+w_2\left(\frac{{\mathrm{passRate}}_{\mathrm{ij}}}{\underset{s}{\mathrm{\Σ}}{\mathrm{passRate}}_{\mathrm{is}}}\right)\\ 0\end{array}\right.---\left(1\right)$

式(1)中，为节点j到目标节点goal的曼哈顿距离，passRate_ij为救援智能体通过边(i,j)的通过率，allowed_k＝{0,1,...,n-1}表示蚂蚁k下一步的所有候选节点，其中n表示节点个数，d_ij表示节点i和j之间的距离，d_is表示节点i和s之间的距离，w₁、w₂为权值。 

进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，步骤2中蚂蚁选择下一节点的转移概率为： 

${p_{\mathrm{ij}}}^k=\left\{\begin{array}{cc}\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\right]}^{\mathrm{\α}}\×{\left[{\mathrm{vantage}}_{\mathrm{ij}}\right]}^{\mathrm{\β}}}{\underset{s\⋐{\mathrm{allowed}}_k}{\mathrm{\Σ}}{\left[{\mathrm{\τ}}_{\mathrm{is}}\right]}^{\mathrm{\α}}\×{\left[{\mathrm{vantage}}_{\mathrm{is}}\right]}^{\mathrm{\β}}}& j\∈{\mathrm{allowed}}_k\\ 0& \mathrm{else}\end{array}\right.---\left(2\right)$

式(2)中，allowed_k＝{0,1,...,n-1}表示蚂蚁k下一步的所有候选节点，τ_ij为边(i,j)的信 息素浓度，τ_is为边(i,s)的信息素浓度，α和β分别表示信息素和启发信息对蚂蚁选择节点时的作用，vantage表示优势度。 

进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，所述的信息素更新方法如式(3)所示： 

${\mathrm{\τ}}_{\mathrm{ij}}(t+x)=(1-\mathrm{\ρ})\×{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^l+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{gb}}+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{comm}}---\left(3\right)$

式(3)中τ_ij(t)表示t时刻边(i,j)上的信息素强度，x表示一批蚂蚁完成一次搜索需要的时间，ρ表示信息素挥发系数，1-ρ为信息素残留因子， 表示根据局部信息素更新规则释放到边(i,j)上的信息素增量、表示根据全局信息素更新规则释放到边(i,j)上的信息素增量、表示根据蚁群间信息素共享更新规则释放到边(i,j)上的信息素增量。 

进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，所述的局部信息素更新规则是让所有蚂蚁在经过的路径上都释放信息素，令表示在本次搜索过程中根据局部信息素更新规则释放到边(i,j)上的信息素增量，其定义如下： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^l=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k---\left(4\right)$

式(4)中，m表示本次搜索循环中蚂蚁的数量，是蚂蚁k在边(i,j)上释放的信息素，其定义如下： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k=\left\{\begin{array}{c}\frac{q}{L_k}\\ 0\end{array}\right.---\left(5\right)$

其中，L_k为当前蚂蚁本次搜索到的路径的长度，q为常量，表示局部信息素轨迹强度。 

进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，所述的全局信息素更新规则是指在一批蚂蚁搜索结束后从结果集合中根据目标函数从所有路径中按照搜索路径的优劣进行信息素增强，表示按照全局信息素更新规则得到边(i,j)上的信息素增量，定义如下： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{gb}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\σ}}_i\·\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^i\left(t\right)---\left(7\right)$

其中 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^i=\left\{\begin{array}{c}\frac{e}{L^i}\\ 0\end{array}\right.---\left(8\right)$

其中，m表示本次搜索循环中蚂蚁的数量，e为常量，表示全局信息素轨迹强度，Lⁱ为第i只蚂蚁搜索到的路径的长度，σ_i为第i只蚂蚁所对应的路径结果对边(i,j)信息量更新的影响程度，σ_i定义为： 

σ_i＝(1-ξ_ij)k-rank[i]     (9) 

式(9)中ξ_ij为边(i,j)的权重，计算方式为其中N_t为一批蚂蚁搜索到的路径的数量总和，N_c为所有路径中经过边(i,j)的路径数量，对所有蚂蚁搜索到的路径按照目标函数值从大到小进行排序，rank[i]为第i只蚂蚁搜索到的路径的索引值。 

进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，所述的蚁群间信息素共享更新的公式为： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{comm}}=\left\{\begin{array}{c}\frac{e_{\mathrm{comm}}}{L_{\mathrm{comm}}}\\ 0\end{array}\right.---\left(10\right)$

式(10)中，e_comm为常量，表示通过通信共享路段的信息素轨迹强度，L_comm为蚁群搜索到的全局最优路径的长度。 

本发明采用的技术方案与现有技术相比，具有以下技术效果： 

本发明提出了一种改进蚁群算法的城市救援智能体动态路径规划方法，所述方法针对机器人救援仿真中动态变化环境的路径规划问题，对经典蚁群算法进行改进，引入目标优势度，修改蚂蚁的状态转移概率的计算方法，信息素的更新规则，适应救援环境中道路情况未知且动态变化、救援智能体任务复杂、路径规划需求要求不一致的情形，使得救援机器人能够根据自身的任务属性搜索到较优路径。本发明的改进蚁群算法与经典蚁群算法比较，具有进一步的有效性和可靠性。 

附图说明

图1为本发明的蚁群算法流程图。 

具体实施方式

为使本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法要解决的技术问题、技术方案和技术效果更加清楚，下面将结合附图和具体实施方式对本发明作进一步详细说明。 

本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法针对机器人救援环境的特殊情况，对传统蚁群算法进行改进，定义基于全局动态信息的目标优势度，改善蚂蚁选择下一个节点的性能，对蚂蚁在复杂动态环境下的路径搜索进行引导。此外，为了加快蚁群算法的收敛速度，采用自适应的信息素更新策略，使得蚂蚁在收敛速度和解的多样性之间取得平衡。 

如图1所示，机器人救援仿真中蚁群算法流程： 

步骤1：震后的城市抽象为图G(N,E)后，给定源节点和目标节点，初始化系统参数，若收到信息素共享更新信息，则根据该信息更新相应边的信息素浓度，在源节点释放一批蚂蚁； 

步骤2：蚂蚁从起始节点出发开始搜索遍历，根据转移概率即本专利定义的目标优势度，从候选节点中选择优势度最大的为下一个遍历的节点；同时将选择过的节点存入禁忌列表中，使蚂蚁在下次选择时排除已选节点；当每只蚂蚁搜索结束时，对搜索得到的结果进行局部信息素更新； 

步骤3：当满足终止条件，即释放的蚂蚁均搜索完成或者超时，则存储当前批次蚂蚁搜索得到的路径，对所有路径评价，根据评价值进行全局信息素更新； 

步骤4：输出最优路径。 

传统蚁群算法路径规划时，启发函数一般定义由于该启发函数仅考虑当前节点到下个节点的距离，很容易使蚂蚁在路径规划时陷入局部最优。为了克服这种现象，引入TVV(Target Vantage Value，目标优势度)替换传统蚁群算法中的启发信息η_ij。在机器人救援仿真中的路径规划问题上不仅要考虑搜索路径的长短问题，还需要考虑由地震造成道路上的路障情况以及房屋燃烧对智能体健康状况的影响，使得救援机器人通过路径规划模型获得既快又安全的路径。 

定义目标优势度为： 

${\mathrm{vantage}}_{\mathrm{ij}}^k=\left\{\begin{array}{c}{w}_1(1-\frac{d_{\mathrm{ij}}+{\mathrm{shortest}}_j^{\mathrm{goal}}}{\underset{s\∈{\mathrm{allowed}}_k}{\mathrm{\Σ}}{d}_{\mathrm{is}}+\mathrm{shortes}{t}_s^{\mathrm{goal}}})+w_2\left(\frac{{\mathrm{passRate}}_{\mathrm{ij}}}{\underset{s}{\mathrm{\Σ}}{\mathrm{passRate}}_{\mathrm{is}}}\right)\\ 0\end{array}\right.---\left(1\right)$

式(1)中，为节点j到目标节点goal的曼哈顿距离，passRate_ij为救援智能体 通过边(i,j)的通过率。 

目标优势度(TVV)主要考虑两类因素：候选节点到目标的距离以及当前节点到候选节点之间的通过率反应了候选节点相对于其他节点的优势程度，智能体搜索出一条路径后，由于救援机器人的机动能力有限以及非感知范围内路况未知，机器人可能需要搜索多次才能达到目标位置，在这一过程中通过距离吸引度指导救援机器人不断朝目标位置逼近，并最终到达目的地。在救援场景中建筑坍塌等因素造成道路上的路障，路障的形成会造成救援机器人一定概率的阻塞，通过对道路通过率的考量指导机器人选择安全、可顺利通过的路径。 

然而这两类因素往往不可兼得，通过救援机器人所处的不同行为模式以及自身具备的能力特点选择距离和安全的偏好程度，比如在警察机器人行进过程中，由于其本身具备清障能力，所以仅考虑路径距离因素，在救护智能体向受伤市民移动时，若预测的市民存货时间较长，则偏向路障较少路段，若市民健康状况较差，则偏向距离较短路径。 

式(1)中，为节点j到目标节点goal的曼哈顿距离，在城市地图环境中曼哈顿距离比直线距离表示方法更准确。passRate_ij为救援智能体通过边(i,j)的通过率。用目标优势度TVV替换的启发信息η_ij，最终蚂蚁选择下一节点的状态转移概率为： 

${p_{\mathrm{ij}}}^k=\left\{\begin{array}{cc}\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\right]}^{\mathrm{\α}}\×{\left[{\mathrm{vantage}}_{\mathrm{ij}}\right]}^{\mathrm{\β}}}{\underset{s\⋐{\mathrm{allowed}}_k}{\mathrm{\Σ}}{\left[{\mathrm{\τ}}_{\mathrm{is}}\right]}^{\mathrm{\α}}\×{\left[{\mathrm{vantage}}_{\mathrm{is}}\right]}^{\mathrm{\β}}}& j\∈{\mathrm{allowed}}_k\\ 0& \mathrm{else}\end{array}\right.---\left(2\right)$

蚂蚁在路径搜索时会触发信息素的更新，使得蚁群在较优的路径上释放更多信息素，从而体现算法中全局范围内较优路径的生存能力，加强信息的正反馈，提高算法收敛速度。本发明定义信息素更新方法如式(3)所示，主要包括三方面：局部更新全局更新蚁群间共享更新

${\mathrm{\τ}}_{\mathrm{ij}}(t+x)=(1-\mathrm{\ρ})\×{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^l+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{gb}}+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{comm}}---\left(3\right)$

其中τ_ij(t)表示t时刻边(i,j)上的信息素强度，x表示一批蚂蚁完成一次搜索需要的时间，当边上信息素浓度较小时，信息素正反馈作用相对较弱，搜索的随机性较强，算法收敛速度较慢，当边上信息素浓度较高时，搜索随机性减弱，算法收敛速度变快，但是容易陷入局部最优，为了解决这一矛盾，设计了如下自适应的信息素更新规则。 

(1)局部更新 

信息素局部更新是让所有蚂蚁在经过的路径上都释放信息素，令表示在本次搜索过 程中根据信息素局部更新规则释放到边(i,j)上的信息素，其定义如下： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^l=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k---\left(4\right)$

式(4)中，m表示本次搜索循环中蚂蚁的数量，是蚂蚁k在边(i,j)上释放的信息素，其定义如下： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k=\left\{\begin{array}{c}\frac{q}{L_k}\\ 0\end{array}\right.---\left(5\right)$

L_k为当前蚂蚁本次搜索到的路径的长度，q为常量，表示局部信息素轨迹强度，局部信息素更新规则体现了蚂蚁在更短路径上释放更多的信息素特点。 

由于蚂蚁趋向于选择信息素较大的路段，当多只蚂蚁搜索路径结果一致时，该路径上信息素浓度肯呢过过大，造成早熟，因此通过削减该路径上信息素值，增加蚂蚁选择其他路径的可能性，让搜索结果的解集趋于多样化。 

(2)全局更新 

信息素全局更新规则是指在一批蚂蚁搜索结束后从结果集合中根据目标函数从所有路径中按照搜索路径的优劣进行信息素增强，表示按照信息素全局更新规则得到边(i,j)上的信息素增量，定义如下： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{gb}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\σ}}_i\·\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^i\left(t\right)---\left(7\right)$

其中 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^i=\left\{\begin{array}{c}\frac{e}{L^i}\\ 0\end{array}\right.---\left(8\right)$

e为常量，表示全局信息素轨迹强度，Lⁱ为第i只蚂蚁搜索到的路径的长度，σ_i为第i只蚂蚁所对应的路径结果对边(i,j)信息量更新的影响程度，σ_i定义为： 

σ_i＝(1-ξ_ij)k-rank[i]   (9) 

式(9)中ξ_ij为边(i,j)的权重，计算方式为其中N_t为一批蚂蚁搜索到的路径的数量总和，N_c为所有路径中经过边(i,j)的路径数量，对所有蚂蚁搜索到的路径按照目标函数值从大到小进行排序，rank[i]为第i只蚂蚁搜索到的路径的索引值。 

若路径(i,j)的权重值ξ_ij较大时，说明该路径上信息素浓度较高，(1-ξ_ij)k值较小，对于优秀解rank[i]值较低，最终σ_i相对较大，对该路段进行正反馈，对于次优解rank[i]较高，σ_i相对较小，该路段上的信息素反馈作用较小。 

而当路径(i,j)的权重值ξ_ij较小时，(1-ξ_ij)k相对较大，使得该路段信息素增加明显，使得各路段信息素增加分散，不过于集中，这种信息素全局更新策略可以动态调节信息素浓度，在蚂蚁搜索时收敛速度和解的多样性之间取得平衡。 

(3)蚁群间共享更新 

在机器人救援仿真场景中，单个救援机器人的感知能力、寻路能力是有限的，只能感知到局部信息，为了在路径规划时获得全局最优路径，充分利用智能体之间的通信机制，设计了蚁群间的信息素更新机制，共享每个蚁群搜索到的最优路径，扩大单个救援智能体对全局路况的认知，从而指导救援智能体获得全局最优路径，蚁群间信息素共享更新公式为： 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{comm}}=\left\{\begin{array}{c}\frac{e_{\mathrm{comm}}}{L_{\mathrm{comm}}}\\ 0\end{array}\right.---\left(10\right)$

式中，e_comm为常量，表示通过通信共享路段的信息素轨迹强度，L_comm为蚁群搜索到的全局最优路径的长度。 

由于信息素正反馈机制和挥发机制两种因素，导致路径上的信息素浓度可能过小或是过大的情况，对路径上信息素浓度做最大最小限制，minτ_ij≤τ_ij(t)≤maxτ_ij(t)，边上的信息素浓度范围限制在[τ_min,τ_max]区间内。 

将采用本申请算法的救援队伍(Apollo 2012)在不同的城市地图(不同的救援智能体属性配置、不同的通信条件、不同的灾难环境)中进行仿真实验，与Apollo2011，即采用经典蚁群算法的救援智能体进行比较，仿真结果如下表所示： 

表1.各城市地图系统仿真成绩比较 

表2.各城市救出智能体数量 

表1中所示为救援队伍在不同地图中进行多次试验获得的平均成绩，表2为不同城市地图中救护智能体救出的受伤被掩埋的智能体数量，通过这两组数据比较可知：本申请专利提出的改进算法提高了系统的整体效用，能够在有限时间内营救更多的智能体，改进了救援智能体整体救援效果。 

显然，本领域技术人员应当理解，对上述本发明所公开的一种改进蚁群算法的城市救援智能体动态路径规划方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。 

Claims (7)

1.一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：蚂蚁在路径搜索时会触发信息素更新，使得蚁群在较优的路径上释放更多信息素，所述的信息素更新包括：蚁群间信息素共享更新、局部信息素更新、全局信息素更新；所述方法包括以下步骤：

步骤1：设每个道路和建筑抽象成一个顶点，将城市抽象为图G(N,E)，其中N表示顶点集合，E表示顶点与顶点之间的连接边，边是顶点的有序偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系；给定起始节点和目标节点，初始化系统参数，若收到蚁群间信息素共享更新信息，则根据该信息更新相应边的信息素浓度，在起始节点释放一批蚂蚁；

步骤2：蚂蚁从起始节点出发开始搜索遍历，根据转移概率从候选节点中选择优势度最大的为下一个遍历的节点；同时将选择过的节点存入禁忌列表中，使蚂蚁在下次选择时排除已选节点；当每只蚂蚁搜索结束时，对搜索得到的结果进行局部信息素更新；

步骤3：当满足释放的蚂蚁均搜索完成或者达到超时的终止条件，则存储当前批次蚂蚁搜索得到的路径，对所有路径进行评价，根据评价值进行全局信息素更新；

步骤4：输出最优路径。

2.根据权利要求1所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：步骤2中优势度定义为：

${\mathrm{vantage}}_{\mathrm{ij}}^k=\left\{\begin{array}{c}{w}_1(1-\frac{d_{\mathrm{ij}}+{\mathrm{shortest}}_j^{\mathrm{goal}}}{\underset{s\∈{\mathrm{allowed}}_k}{\mathrm{\Σ}}{d}_{\mathrm{is}}+\mathrm{shortes}{t}_s^{\mathrm{goal}}})+w_2\left(\frac{{\mathrm{passRate}}_{\mathrm{ij}}}{\underset{s}{\mathrm{\Σ}}{\mathrm{passRate}}_{\mathrm{is}}}\right)\\ 0\end{array}\right.---\left(1\right)$

式(1)中，为节点j到目标节点goal的曼哈顿距离，passRate_ij为救援智能体通过边(i,j)的通过率，allowed_k＝{0,1,...,n-1}表示蚂蚁k下一步的所有候选节点，其中n表示节点个数，d_ij表示节点i和j之间的距离，d_is表示节点i和s之间的距离，w₁、w₂为权值。

3.根据权利要求2所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：步骤2中蚂蚁选择下一节点的转移概率为：

${p_{\mathrm{ij}}}^k=\left\{\begin{array}{cc}\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\right]}^{\mathrm{\α}}\×{\left[{\mathrm{vantage}}_{\mathrm{ij}}\right]}^{\mathrm{\β}}}{\underset{s\⋐{\mathrm{allowed}}_k}{\mathrm{\Σ}}{\left[{\mathrm{\τ}}_{\mathrm{is}}\right]}^{\mathrm{\α}}\×{\left[{\mathrm{vantage}}_{\mathrm{is}}\right]}^{\mathrm{\β}}}& j\∈{\mathrm{allowed}}_k\\ 0& \mathrm{else}\end{array}\right.---\left(2\right)$

式(2)中，allowed_k＝{0,1,...,n-1}表示蚂蚁k下一步的所有候选节点，τ_ij为边(i,j)的信息素浓度，τ_is为边(i,s)的信息素浓度，α和β分别表示信息素和启发信息对蚂蚁选择节点时的作用，vantage表示优势度。

4.根据权利要求1所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：所述的信息素更新方法如式(3)所示：

${\mathrm{\τ}}_{\mathrm{ij}}(t+x)=(1-\mathrm{\ρ})\×{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^l+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{gb}}+\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{comm}}---\left(3\right)$

式(3)中τ_ij(t)表示t时刻边(i,j)上的信息素强度，x表示一批蚂蚁完成一次搜索需要的时间，ρ表示信息素挥发系数，1-ρ为信息素残留因子， 表示根据局部信息素更新规则释放到边(i,j)上的信息素增量、表示根据全局信息素更新规则释放到边(i,j)上的信息素增量、表示根据蚁群间信息素共享更新规则释放到边(i,j)上的信息素增量。

5.根据权利要求4所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：所述的局部信息素更新规则是让所有蚂蚁在经过的路径上都释放信息素，令表示在本次搜索过程中根据局部信息素更新规则释放到边(i,j)上的信息素增量，其定义如下：

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^l=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k---\left(4\right)$

式(4)中，m表示本次搜索循环中蚂蚁的数量，是蚂蚁k在边(i,j)上释放的信息素，其定义如下：

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k=\left\{\begin{array}{c}\frac{q}{L_k}\\ 0\end{array}\right.---\left(5\right)$

其中，L_k为当前蚂蚁本次搜索到的路径的长度，q为常量，表示局部信息素轨迹强度。

6.根据权利要求4所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：所述的全局信息素更新规则是指在一批蚂蚁搜索结束后从结果集合中根据目标函数从所有路径中按照搜索路径的优劣进行信息素增强，表示按照全局信息素更新规则得到边(i,j)上的信息素增量，定义如下：

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{gb}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\σ}}_i\·\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^i\left(t\right)---\left(7\right)$

其中

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^i=\left\{\begin{array}{c}\frac{e}{L^i}\\ 0\end{array}\right.---\left(8\right)$

其中，m表示本次搜索循环中蚂蚁的数量，e为常量，表示全局信息素轨迹强度，Lⁱ为第i只蚂蚁搜索到的路径的长度，σ_i为第i只蚂蚁所对应的路径结果对边(i,j)信息量更新的影响程度，σ_i定义为：

σ_i＝(1-ξ_ij)k-rank[i]    (9)

式(9)中ξ_ij为边(i,j)的权重，计算方式为其中N_t为一批蚂蚁搜索到的路径的数量总和，N_c为所有路径中经过边(i,j)的路径数量，对所有蚂蚁搜索到的路径按照目标函数值从大到小进行排序，rank[i]为第i只蚂蚁搜索到的路径的索引值。

7.根据权利要求4所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：所述的蚁群间信息素共享更新的公式为：

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{comm}}=\left\{\begin{array}{c}\frac{e_{\mathrm{comm}}}{L_{\mathrm{comm}}}\\ 0\end{array}\right.---\left(10\right)$ 式(10)中，e_comm为常量，表示通过通信共享路段的信息素轨迹强度，L_comm为蚁群搜索到的全局最优路径的长度。