CN105589461A - 一种基于改进蚁群算法的泊车系统路径规划方法 - Google Patents
一种基于改进蚁群算法的泊车系统路径规划方法 Download PDFInfo
- Publication number
- CN105589461A CN105589461A CN201510793015.2A CN201510793015A CN105589461A CN 105589461 A CN105589461 A CN 105589461A CN 201510793015 A CN201510793015 A CN 201510793015A CN 105589461 A CN105589461 A CN 105589461A
- Authority
- CN
- China
- Prior art keywords
- ant
- agv
- path
- node
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000006872 improvement Effects 0.000 claims abstract description 9
- 230000004888 barrier function Effects 0.000 claims abstract description 7
- 239000003016 pheromone Substances 0.000 claims description 41
- 230000004048 modification Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 235000012907 honey Nutrition 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
Abstract
本发明公开了一种基于改进蚁群算法的泊车系统路径规划方法,通过利用链接可视图法创建AGV运行环境模型,然后基于Dijkstra算法规划出一条AGV从起点至终点的初始路径,在此基础上通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进,最后选用改进蚁群算法对初始路径进行优化,完成了泊车系统路径规划方法。本发明的优点在于:本发明将Dijkstra算法与蚁群算法进行融合,可使AGV在复杂运行环境中有效避开障碍物而后搜索到一条最优路径,另外,混合算法还表现出较强的全局搜索能力,较好的收敛性,提高路径搜索效率,缩短搜索路径长度,改善搜索路径质量,使泊车实现了占地面积少,有效停车量大并且智能化的目的。
Description
技术领域
本发明属于AGV路径规划技术领域,具体涉及一种基于改进蚁群算法的泊车系统路径规划方法。
背景技术
进入21世纪以来,我国汽车工业和汽车消费市场得到迅猛的发展,私家车不再是普通人民生活中的奢侈品,转而逐渐走进人们的日常生活,人均拥有汽车的数量在逐年的上升,以家庭为单位的私人汽车保有量持续显著增长,从而导致一些城市,已经车多为患,停车设备严重不足。
为了解决停车问题,现加大了停车场的建造,停车场的建造分为以下两种:传统平面车库和机械式车库;传统平面车库占地面积过大,在寸土寸金的城市里,通过大量建造平面车库来解决停车问题是不现实的;机械式车库能够有效合理的利用空间面积,实现在同一空间,停多辆车,能够在一定程度上减缓停车问题,但是,机械式车库必须有人操作使用,设备结构复杂,没有完善的闭锁和监测系统,故障率高,取车也较为麻烦,实用性差。基于现有车库存在的问题,现提出一种基于AGV的平面移动式智能停车库,研究基于AGV的平面移动式智能停车库的关键问题就在于解决AGV的路径规划。
AGV路径规划是提高小车运行效率和体现小车“智能化”的关键问题,针对AGV路径规划提出的常见算法有A*算法、动态规划法、Voronoi图算法、Dijkstra算法和蚁群算法;A*算法算法简单,容易实现,但启发函数的选取限制了解的全局最优性;动态规划法可以得到问题的最优解,但具有维数爆炸的特性;Voronoi图算法一般应用于低维数路径规划中;Dijkstra算法是从一个顶点到其余各顶点的最短路径算法,解决的是有向图中最短路径问题,Dijkstra算法主要特点是以起始点为中心向外层扩展,直到扩展到终点为止,所以得到的最短路径的成功率高,鲁棒性好;蚁群算法的想法来自于对蚁群觅食行为的探索,每只蚂蚁觅食时都会在走过的道路上留下一定浓度的信息素,相同时间内最短的路径上由于蚂蚁遍历的次数多而信息素浓度高,起到了正反馈的作用,因此信息素浓度高的最短路径很快就被发现,算法通过迭代来模拟蚁群觅食的行为达到目的,具有良好的全局优化能力,本质上的并行性,易于用计算机实现等优点。为了解决智能停车库AGV路径规划问题,增强算法全局搜索能力,加快算法收敛速度,缩短搜索路径长度,改善搜索路径质量,现提出一种基于蚁群算法的泊车系统路径规划方法。
发明内容
本发明的目的在于研究基于AGV的平面移动式智能停车库,现提供一种占地面积小、有效停车量大并且实现无人自动存取、智能化程度高的基于改进蚁群算法的泊车系统路径规划方法。
为实现上述目的,本发明的技术方案是:一种基于改进蚁群算法的泊车系统路径规划方法,其创新点在于:首先利用链接可视图法创建AGV运行环境模型,然后基于Dijkstra算法规划出一条AGV从起点至终点的初始路径,在此基础上通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进,最后选用改进蚁群算法对初始路径进行优化,完成了泊车系统路径规划方法。
进一步的,所述利用链接可视图法创建AGV运行环境模型,具体步骤如下:
(1)对AGV运行环境进行处理;
(2)利用AGV自带的摄像头、雷达传感器以及红外线传感器等设备采集AGV运行环境信息,所述信息包括AGV的起始车位、目标车位、障碍物以及AGV待充电位置信息,并通过链接可视图法创建AGV运行环境模型;
(3)确定各自由链接线上的中点坐标,以起点、终点及各链接线上的中点为基准,描绘出AGV的可行路径线。
进一步的,所述步骤(1)中的对AGV运行环境进行处理,包括如下处理:a、AGV运行环境为二维有限空间;b、图中障碍物已知,位置确定,以不规则多边形表示,且忽略其高度方向;c、AGV在运行环境中匀速行驶,忽略AGV的启动、转向、制动以及液压系统的举升操作等因素;d、以AGV实际尺寸为基准,适当扩大障碍范围,将AGV视为质点。
进一步的,所述基于Dijkstra算法规划出AGV从起点至终点的初始路径,具体步骤如下:
(A)根据AGV的可行路径线,利用欧式距离公式计算出可行路径上各节点间的距离,并建立权值邻接矩阵D,对于不连通节点间的权值可赋值无穷大,距离计算公式为:
式中,D(i,j)表示节点i到节点j的欧氏距离;(xi,yi)和(xj,yj)分别表示i、j两节点的横坐标和纵坐标;
(B)初始化参数,令D(V1)=0,D(Vj)=w1j(j=2,3,4,????,n),建立空表R和Q,并把可行路径上的节点分别放入R和Q中,R={V1},Q={V2,V3,V4,????,Vn};
(C)在Q中寻找一顶点Vk,使得:D(Vk)=min{D(Vj)},Vj?Q,将Vk加入到R中;判断Q=?,若是,则算法终止,否则算法转入步骤(D);
(D)根据节点k修正D(Vj),令D(Vj)=min{D(Vj),D(Vk)+wkj},然后转入步骤(C);
(E)重复步骤(C)和步骤(D)操作,即可计算出AGV从起点到其他各节点间的路径长度,然后反向追踪即可得到起点至目标点的最短路径;
(F)对初始路径所经过的各链接线进行定长分段处理,各条链接线上的分段数可由下式确定:
式中,Ni表示链接线Li的划分段数;Li表示当前的链接线;δ为划分定长;
(G)各条链接线上节点坐标需满足下式方程:
式中,Pi (0)和Pi (1)分别代表链接线Li的两端点,λi表示链接线比例参数,d表示链接线划分节点数。
进一步的,所述通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进,具体步骤如下:
Step1:节点选择随机选择机制,具体公式如下:
式中,i表示链接线上所有点的集合;τik表示链接线(i,k)上的信息素;q为随机变量(q?[0,1]);q0为可调参数(q0?[0,1]);pij表示蚂蚁由节点i向节点j转移的概率;τij表示路径(i,j)上的信息素;allowedi表示下一步允许选择的节点集合;a为蚂蚁信息素轨迹的相对重要性因子;b为启发函数的相对重要性因子。
Step2:局部信息素更新,更新公式如下:
式中,Δτij表示在全局更新中蚂蚁留在路径(i,j)上的信息素增量;ρ为信息素挥发系数,τ0为初始条件下的信息素;
Step3:通过控制信息素浓度的高低来改进全局信息素更新方式,缩小路径搜索范围,更好地指引蚂蚁在最优路径附近进行搜索,改进的全局信息素更新公式如下:
式中,Δτij表示在全局更新中蚂蚁留在路径(i,j)上的信息素增量;Lc表示本次迭代中所有蚂蚁搜索到的最优路径长度;
Step4:通过在蚁群算法中引入最大最小蚁群系统,可以解决蚁群算法的早熟问题,最大最小蚁群系统采用区间限制信息素取值范围,限定公式为:
式中,τmin和τmax分别表示信息素的最小值和最大值。
进一步的,所述基于改进蚁群算法对初始路径进行优化,具体步骤如下:
()初始化各参数,包括蚂蚁种群数量m,初始迭代值iter;最大迭代次数iter_MAX,信息素轨迹的相对重要性因子a,启发函数的相对重要性因子b,初始信息素τ0,信息素挥发系数ρ等参数;
()蚁群算法开始搜索,蚂蚁根据当前节点i位置按照下列三个式子确定下一节点j:
式中,i表示链接线上所有点的集合;τik表示链接线(i,k)上的信息素;q为随机变量(q?[0,1]);q0为可调参数(q0?[0,1]);
当q≤q0时,下一节点j按照下式确定:
当q>q0时,应先计算当前链接线节点i到下条链接线节点j的转移概率pij,然后根据转移概率pij,再结合轮盘赌法确定下一节点j;
()当下一节点j确定后,蚂蚁需对刚走过的路径(i,j)上的信息素进行更新,更新公式如下:
()判断所有蚂蚁是否到达终点,若是,则转至步骤(),否则转至步骤();
()统计当前m只蚂蚁搜索到的最优路径,并计算各最优路径长度;
()统计当前m只蚂蚁搜索到的最优路径长度,选择其中长度最短的一条,将其代入下列三式,更新该条路径上每一点的信息素;全局信息素更新公式如下:
()判断迭代次数iter<=iter_MAX,若是,则转至步骤(),否则程序结束,输出结果。
本发明的有益效果如下:
(1)本发明采用链接可视图法创建环境模型,可大大降低建模复杂度,提高建模效率,且能得到满意的优化效果。
(2)本发明利用Dijkstra算法规划初始路径,可为蚁群算法提供初始节点信息,缩小路径搜索范围,减少蚁群算法搜索时间,使得蚁群算法在较短的时间内就能完成对优化路径的搜索。
(3)本发明采用随机选择机制选取下一节点,可提高节点选择的多样性。
(4)本发明采用局部更新和全局动态更新相结合的方式对信息素进行更新,可以避免因信息浓度大过高致使算法出现早熟或停滞问题,同时还可加快算法的收敛速度,提高搜索效率。
(5)本发明通过引用蚂蚁最大最小系统可有效避免因信息素浓度差异过大,而导致蚊群算法陷入早熟的问题。
(6)本发明将Dijkstra算法与蚁群算法进行融合,可使AGV在复杂运行环境中有效避开障碍物而后搜索到一条最优路径,另外,混合算法还表现出较强的全局搜索能力,较好的收敛性,提高路径搜索效率,缩短搜索路径长度,改善搜索路径质量,可应用于交通车辆调度技术领域,实现了泊车的占地面积少,有效停车量大并且智能化的目的。
附图说明
图1为本发明的流程图。
图2为本发明的最优路径模型图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
一种基于改进蚁群算法的泊车系统路径规划方法,通过利用链接可视图法创建AGV运行环境模型,然后基于Dijkstra算法规划出一条AGV从起点至终点的初始路径,在此基础上通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进,最后选用改进蚁群算法对初始路径进行优化,完成了泊车系统路径规划方法。
实施例1
利用链接可视图法创建AGV运行环境模型,具体步骤如下:
(1)对AGV运行环境进行处理,包括如下处理:a、AGV运行环境为二维有限空间;b、图中障碍物已知,位置确定,以不规则多边形表示,且忽略其高度方向;c、AGV在运行环境中匀速行驶,忽略AGV的启动、转向、制动以及液压系统的举升操作等因素;d、以AGV实际尺寸为基准,适当扩大障碍范围,将AGV视为质点;
(2)利用AGV自带的摄像头、雷达传感器以及红外线传感器等设备采集AGV运行环境信息,所述信息包括AGV的起始车位、目标车位、障碍物以及AGV待充电位置信息,并通过链接可视图法创建AGV运行环境模型;
(3)确定各自由链接线上的中点坐标,以起点、终点及各链接线上的中点为基准,描绘出AGV的可行路径线。
基于Dijkstra算法规划出AGV从起点至终点的初始路径,具体步骤如下:
(A)根据AGV的可行路径线,利用欧式距离公式计算出可行路径上各节点间的距离,并建立权值邻接矩阵D,对于不连通节点间的权值可赋值无穷大,距离计算公式为:
式中,D(i,j)表示节点i到节点j的欧氏距离;(xi,yi)和(xj,yj)分别表示i、j两节点的横坐标和纵坐标;
(B)初始化参数,令D(V1)=0,D(Vj)=w1j(j=2,3,4,????,n),建立空表R和Q,并把可行路径上的节点分别放入R和Q中,R={V1},Q={V2,V3,V4,????,Vn};
(C)在Q中寻找一顶点Vk,使得:D(Vk)=min{D(Vj)},Vj?Q,将Vk加入到R中;判断Q=?,若是,则算法终止,否则算法转入步骤(D);
(D)根据节点k修正D(Vj),令D(Vj)=min{D(Vj),D(Vk)+wkj},然后转入步骤(C);
(E)重复步骤(C)和步骤(D)操作,即可计算出AGV从起点到其他各节点间的路径长度,然后反向追踪即可得到起点至目标点的最短路径;
(F)对初始路径所经过的各链接线进行定长分段处理,各条链接线上的分段数可由下式确定:
式中,Ni表示链接线Li的划分段数;Li表示当前的链接线;δ为划分定长;
(G)各条链接线上节点坐标需满足下式方程:
式中,Pi (0)和Pi (1)分别代表链接线Li的两端点,λi表示链接线比例参数,d表示链接线划分节点数。
通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进,具体步骤如下:
Step1:节点选择随机选择机制,具体公式如下:
式中,i表示链接线上所有点的集合;τik表示链接线(i,k)上的信息素;q为随机变量(q?[0,1]);q0为可调参数(q0?[0,1]);pij表示蚂蚁由节点i向节点j转移的概率;τij表示路径(i,j)上的信息素;allowedi表示下一步允许选择的节点集合;a为蚂蚁信息素轨迹的相对重要性因子;b为启发函数的相对重要性因子。
Step2:局部信息素更新,更新公式如下:
式中,Δτij表示在全局更新中蚂蚁留在路径(i,j)上的信息素增量;ρ为信息素挥发系数,τ0为初始条件下的信息素;
Step3:通过控制信息素浓度的高低来改进全局信息素更新方式,缩小路径搜索范围,更好地指引蚂蚁在最优路径附近进行搜索,改进的全局信息素更新公式如下:
式中,Δτij表示在全局更新中蚂蚁留在路径(i,j)上的信息素增量;Lc表示本次迭代中所有蚂蚁搜索到的最优路径长度;
Step4:通过在蚁群算法中引入最大最小蚁群系统,可以解决蚁群算法的早熟问题,最大最小蚁群系统采用区间限制信息素置于范围,限定公式为:
式中,τmin和τmax分别表示信息素的最小值和最大值。
基于改进蚁群算法对初始路径进行优化,具体步骤如下:
()初始化各参数,包括蚂蚁种群数量m,初始迭代值iter;最大迭代次数iter_MAX,信息素轨迹的相对重要性因子a,启发函数的相对重要性因子b,初始信息素τ0,信息素挥发系数ρ等参数;
()蚁群算法开始搜索,蚂蚁根据当前节点i位置按照下列三个式子确定下一节点j:
式中,i表示链接线上所有点的集合;τik表示链接线(i,k)上的信息素;q为随机变量(q?[0,1]);q0为可调参数(q0?[0,1]);
当q≤q0时,下一节点j按照下式确定:
当q>q0时,应先计算当前链接线节点i到下条链接线节点j的转移概率pij,然后根据转移概率pij,再结合轮盘赌法确定下一节点j;
()当下一节点j确定后,蚂蚁需对刚走过的路径(i,j)上的信息素进行更新,更新公式如下:
()判断所有蚂蚁是否到达终点,若是,则转至步骤(),否则转至步骤();
()统计当前m只蚂蚁搜索到的最优路径,并计算各最优路径长度;
()统计当前m只蚂蚁搜索到的最优路径长度,选择其中长度最短的一条,将其代入下列三式,更新该条路径上每一点的信息素;全局信息素更新公式如下:
()判断迭代次数iter<=iter_MAX,若是,则转至步骤(),否则程序结束,输出结果。
本发明将Dijkstra算法与蚁群算法进行融合,可使AGV在复杂运行环境中有效避开障碍物而后搜索到一条最优路径,另外,混合算法还表现出较强的全局搜索能力,较好的收敛性,提高路径搜索效率,缩短搜索路径长度,改善搜索路径质量,使得泊车实现了占地面积少,有效停车量大并且智能化的目的。
上述实施例只是本发明的较佳实施例,并不是对本发明技术方案的限制,只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案,均应视为落入本发明专利的权利保护范围内。
Claims (6)
1.一种基于改进蚁群算法的泊车系统路径规划方法,其特征在于:首先利用链接可视图法创建AGV运行环境模型,然后基于Dijkstra算法规划出一条AGV从起点至终点的初始路径,在此基础上通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进,最后选用改进蚁群算法对初始路径进行优化,完成了泊车系统路径规划方法。
2.根据权利要求1所述的一种基于改进蚁群算法的泊车系统路径规划方法,其特征在于:所述利用链接可视图法创建AGV运行环境模型,具体步骤如下:
(1)对AGV运行环境进行处理;
(2)利用AGV自带的摄像头、雷达传感器以及红外线传感器等设备采集AGV运行环境信息,所述信息包括AGV的起始车位、目标车位、障碍物以及AGV待充电位置信息,并通过链接可视图法创建AGV运行环境模型;
(3)确定各自由链接线上的中点坐标,以起点、终点及各链接线上的中点为基准,描绘出AGV的可行路径线。
3.根据权利要求2所述的一种基于改进蚁群算法的泊车系统路径规划方法,其特征在于:所述步骤(1)中的对AGV运行环境进行处理,包括如下处理:a、AGV运行环境为二维有限空间;b、图中障碍物已知,位置确定,以不规则多边形表示,且忽略其高度方向;c、AGV在运行环境中匀速行驶,忽略AGV的启动、转向、制动以及液压系统的举升操作等因素;d、以AGV实际尺寸为基准,适当扩大障碍范围,将AGV视为质点。
4.根据权利要求1所述的一种基于改进蚁群算法的泊车系统路径规划方法,其特征在于:所述基于Dijkstra算法规划出AGV从起点至终点的初始路径,具体步骤如下:
(A)根据AGV的可行路径线,利用欧式距离公式计算出可行路径上各节点间的距离,并建立权值邻接矩阵D,对于不连通节点间的权值可赋值无穷大,距离计算公式为:
式中,D(i,j)表示节点i到节点j的欧氏距离;(xi,yi)和(xj,yj)分别表示i、j两节点的横坐标和纵坐标;
(B)初始化参数,令D(V1)=0,D(Vj)=w1j(j=2,3,4,????,n),建立空表R和Q,并把可行路径上的节点分别放入R和Q中,R={V1},Q={V2,V3,V4,????,Vn};
(C)在Q中寻找一顶点Vk,使得:D(Vk)=min{D(Vj)},Vj?Q,将Vk加入到R中;判断Q=?,若是,则算法终止,否则算法转入步骤(D);
(D)根据节点k修正D(Vj),令D(Vj)=min{D(Vj),D(Vk)+wkj},然后转入步骤(C);
(E)重复步骤(C)和步骤(D)操作,即可计算出AGV从起点到其他各节点间的路径长度,然后反向追踪即可得到起点至目标点的最短路径;
(F)对初始路径所经过的各链接线进行定长分段处理,各条链接线上的分段数可由下式确定:
式中,Ni表示链接线Li的划分段数;Li表示当前的链接线;δ为划分定长;
(G)各条链接线上节点坐标需满足下式方程:
式中,Pi (0)和Pi (1)分别代表链接线Li的两端点,λi表示链接线比例参数,d表示链接线划分节点数。
5.根据权利要求1所述的一种基于改进蚁群算法的泊车系统路径规划方法,其特征在于:所述通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进,具体步骤如下:
Step1:节点选择随机选择机制,具体公式如下:
式中,i表示链接线上所有点的集合;τik表示链接线(i,k)上的信息素;q为随机变量(q?[0,1]);q0为可调参数(q0?[0,1]);pij表示蚂蚁由节点i向节点j转移的概率;τij表示路径(i,j)上的信息素;allowedi表示下一步允许选择的节点集合;a为蚂蚁信息素轨迹的相对重要性因子;b为启发函数的相对重要性因子;
Step2:局部信息素更新,更新公式如下:
式中,Δτij表示在全局更新中蚂蚁留在路径(i,j)上的信息素增量;ρ为信息素挥发系数,τ0为初始条件下的信息素;
Step3:通过控制信息素浓度的高低来改进全局信息素更新方式,缩小路径搜索范围,更好地指引蚂蚁在最优路径附近进行搜索,改进的全局信息素更新公式如下:
式中,Δτij表示在全局更新中蚂蚁留在路径(i,j)上的信息素增量;Lc表示本次迭代中所有蚂蚁搜索到的最优路径长度;
Step4:通过在蚁群算法中引入最大最小蚁群系统,可以解决蚁群算法的早熟问题,最大最小蚁群系统采用区间限制信息素取值范围,限定公式为:
式中,τmin和τmax分别表示信息素的最小值和最大值。
6.根据权利要求1所述的一种基于改进蚁群算法的泊车系统路径规划方法,其特征在于:所述基于改进蚁群算法对初始路径进行优化,具体步骤如下:
()初始化各参数,包括蚂蚁种群数量m,初始迭代值iter;最大迭代次数iter_MAX,信息素轨迹的相对重要性因子a,启发函数的相对重要性因子b,初始信息素τ0,信息素挥发系数ρ等参数;
()蚁群算法开始搜索,蚂蚁根据当前节点i位置按照下列三个式子确定下一节点j:
式中,i表示链接线上所有点的集合;τik表示链接线(i,k)上的信息素;q为随机变量(q?[0,1]);q0为可调参数(q0?[0,1]);
当q≤q0时,下一节点j按照下式确定:
当q>q0时,应先计算当前链接线节点i到下条链接线节点j的转移概率pij,然后根据转移概率pij,再结合轮盘赌法确定下一节点j;
()当下一节点j确定后,蚂蚁需对刚走过的路径(i,j)上的信息素进行更新,更新公式如下:
()判断所有蚂蚁是否到达终点,若是,则转至步骤(),否则转至步骤();
()统计当前m只蚂蚁搜索到的最优路径,并计算各最优路径长度;
()统计当前m只蚂蚁搜索到的最优路径长度,选择其中长度最短的一条,将其代入下列三式,更新该条路径上每一点的信息素;全局信息素更新公式如下:
()判断迭代次数iter<=iter_MAX,若是,则转至步骤(),否则程序结束,输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510793015.2A CN105589461A (zh) | 2015-11-18 | 2015-11-18 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510793015.2A CN105589461A (zh) | 2015-11-18 | 2015-11-18 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105589461A true CN105589461A (zh) | 2016-05-18 |
Family
ID=55929114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510793015.2A Pending CN105589461A (zh) | 2015-11-18 | 2015-11-18 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105589461A (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
CN106444791A (zh) * | 2016-12-20 | 2017-02-22 | 南阳师范学院 | 一种多agv小车上位机统一调度系统设计方法 |
CN106786579A (zh) * | 2016-12-08 | 2017-05-31 | 国网青海省电力公司 | 一种离网光伏电站内部谐波负荷指数预测方法 |
CN106873599A (zh) * | 2017-03-31 | 2017-06-20 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN107169602A (zh) * | 2017-05-12 | 2017-09-15 | 坚元智能科技(深圳)有限公司 | Agv系统设备协同优化方法 |
CN107330561A (zh) * | 2017-07-05 | 2017-11-07 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥‑泊位调度优化方法 |
CN107464018A (zh) * | 2017-08-01 | 2017-12-12 | 北京同城必应科技有限公司 | 一种配送路径优化方法和装置、计算机设备、存储介质 |
CN107992038A (zh) * | 2017-11-28 | 2018-05-04 | 广州智能装备研究院有限公司 | 一种机器人路径规划方法 |
CN108549388A (zh) * | 2018-05-24 | 2018-09-18 | 苏州智伟达机器人科技有限公司 | 一种基于改进a星策略的移动机器人路径规划方法 |
CN108711300A (zh) * | 2018-05-25 | 2018-10-26 | 深圳市易成自动驾驶技术有限公司 | 群体智能泊车方法、系统及计算机可读存储介质 |
CN108776483A (zh) * | 2018-08-16 | 2018-11-09 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 |
CN108860139A (zh) * | 2018-04-11 | 2018-11-23 | 浙江零跑科技有限公司 | 一种基于深度增强学习的自动泊车轨迹规划方法 |
CN108919805A (zh) * | 2018-07-04 | 2018-11-30 | 广东猪兼强互联网科技有限公司 | 一种车辆无人驾驶辅助系统 |
CN109159127A (zh) * | 2018-11-20 | 2019-01-08 | 广东工业大学 | 一种基于蚁群算法的双焊接机器人智能路径规划方法 |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN109916422A (zh) * | 2019-03-29 | 2019-06-21 | 北京经纬恒润科技有限公司 | 一种全局路径规划方法及装置 |
CN109974711A (zh) * | 2019-04-12 | 2019-07-05 | 重庆渝博创智能装备研究院有限公司 | 一种面向智慧工厂的agv多目标点自主导航方法 |
CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
CN110488827A (zh) * | 2019-08-20 | 2019-11-22 | 集美大学 | 基于蚂蚁觅食行为的agv控制方法、终端设备及存储介质 |
CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
CN110675652A (zh) * | 2019-09-29 | 2020-01-10 | 福建工程学院 | 一种基于lora技术的大型停车场泊车智能引导方法 |
CN111176284A (zh) * | 2020-01-02 | 2020-05-19 | 东南大学 | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 |
CN111309837A (zh) * | 2020-02-11 | 2020-06-19 | 苏州明逸智库信息科技有限公司 | 智能仓储地图平台搭建及agv路径优化方法 |
CN111311622A (zh) * | 2020-01-30 | 2020-06-19 | 桂林理工大学 | 基于蚁群算法的多幅影像镶嵌线网的优化选择方法 |
CN111523698A (zh) * | 2020-03-20 | 2020-08-11 | 全球能源互联网集团有限公司 | 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 |
CN111784037A (zh) * | 2020-06-24 | 2020-10-16 | 东南大学 | 基于混合局部搜索和蚁群优化的混装线序列恢复方法 |
CN112096154A (zh) * | 2020-09-11 | 2020-12-18 | 江苏小白兔智造科技有限公司 | 一种基于路径规划用于调度停车机器人的实现方法 |
CN112161627A (zh) * | 2020-09-23 | 2021-01-01 | 同济大学 | 一种消防机器人智能路径规划方法 |
CN112306097A (zh) * | 2020-10-29 | 2021-02-02 | 杭州电子科技大学 | 一种新型无人机路径规划方法 |
CN112765744A (zh) * | 2021-01-18 | 2021-05-07 | 合肥工业大学 | 一种高能效液压集成块的流道设计方法 |
CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
CN113341976A (zh) * | 2021-06-09 | 2021-09-03 | 南通大学 | 基于锚定效应的新能源汽车混合蚁群路径规划方法 |
CN113359748A (zh) * | 2021-06-22 | 2021-09-07 | 浙江科技学院 | 一种融合预测的改进Multi-RRT路径规划方法及AGV小车 |
CN114217607A (zh) * | 2021-11-23 | 2022-03-22 | 桂林航天工业学院 | 一种外卖派送路径规划方法、系统及存储介质 |
CN114783189A (zh) * | 2022-06-20 | 2022-07-22 | 安徽交欣科技股份有限公司 | 基于ai和gis的智慧预警及路径规划交通系统 |
CN115171423A (zh) * | 2022-06-24 | 2022-10-11 | 上海智能网联汽车技术中心有限公司 | 支持无人区域联动的停车场系统及车辆调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004110286A (ja) * | 2002-09-17 | 2004-04-08 | Mitsubishi Heavy Ind Ltd | Agv経路探索方法及びプログラム |
CN104166400A (zh) * | 2014-07-11 | 2014-11-26 | 杭州精久科技有限公司 | 基于多传感器融合的视觉导引agv系统 |
CN104635735A (zh) * | 2014-12-03 | 2015-05-20 | 上海好创机电工程有限公司 | 一种新型agv视觉导航控制方法 |
-
2015
- 2015-11-18 CN CN201510793015.2A patent/CN105589461A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004110286A (ja) * | 2002-09-17 | 2004-04-08 | Mitsubishi Heavy Ind Ltd | Agv経路探索方法及びプログラム |
CN104166400A (zh) * | 2014-07-11 | 2014-11-26 | 杭州精久科技有限公司 | 基于多传感器融合的视觉导引agv系统 |
CN104635735A (zh) * | 2014-12-03 | 2015-05-20 | 上海好创机电工程有限公司 | 一种新型agv视觉导航控制方法 |
Non-Patent Citations (5)
Title |
---|
仲明振等: "《智能控制理论及应用》", 30 April 2009, 清华大学出版社 * |
吕金秋等: "机器人全局路径规划的混合蚁群系统算法", 《计算机工程与应用》 * |
李善寿等: "全局路径规划中基于改进可视图法的环境建模", 《华东交通大学学报》 * |
李满: "移动机器人环境建模与路径规划的研究", 《中国优秀硕士学位论文全文你数据库 信息科技辑》 * |
鲍培明: "距离寻优中Dijkstra算法的优化", 《计算机研究与发展》 * |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106225788B (zh) * | 2016-08-16 | 2019-04-19 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
CN106786579A (zh) * | 2016-12-08 | 2017-05-31 | 国网青海省电力公司 | 一种离网光伏电站内部谐波负荷指数预测方法 |
CN106444791A (zh) * | 2016-12-20 | 2017-02-22 | 南阳师范学院 | 一种多agv小车上位机统一调度系统设计方法 |
CN106873599A (zh) * | 2017-03-31 | 2017-06-20 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN107169602A (zh) * | 2017-05-12 | 2017-09-15 | 坚元智能科技(深圳)有限公司 | Agv系统设备协同优化方法 |
CN107330561A (zh) * | 2017-07-05 | 2017-11-07 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥‑泊位调度优化方法 |
CN107330561B (zh) * | 2017-07-05 | 2020-12-04 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥-泊位调度优化方法 |
CN107464018A (zh) * | 2017-08-01 | 2017-12-12 | 北京同城必应科技有限公司 | 一种配送路径优化方法和装置、计算机设备、存储介质 |
CN107992038A (zh) * | 2017-11-28 | 2018-05-04 | 广州智能装备研究院有限公司 | 一种机器人路径规划方法 |
CN108860139A (zh) * | 2018-04-11 | 2018-11-23 | 浙江零跑科技有限公司 | 一种基于深度增强学习的自动泊车轨迹规划方法 |
CN108860139B (zh) * | 2018-04-11 | 2019-11-29 | 浙江零跑科技有限公司 | 一种基于深度增强学习的自动泊车轨迹规划方法 |
CN108549388A (zh) * | 2018-05-24 | 2018-09-18 | 苏州智伟达机器人科技有限公司 | 一种基于改进a星策略的移动机器人路径规划方法 |
CN108711300A (zh) * | 2018-05-25 | 2018-10-26 | 深圳市易成自动驾驶技术有限公司 | 群体智能泊车方法、系统及计算机可读存储介质 |
CN108919805A (zh) * | 2018-07-04 | 2018-11-30 | 广东猪兼强互联网科技有限公司 | 一种车辆无人驾驶辅助系统 |
CN108919805B (zh) * | 2018-07-04 | 2021-09-28 | 江苏大块头智驾科技有限公司 | 一种车辆无人驾驶辅助系统 |
CN108776483A (zh) * | 2018-08-16 | 2018-11-09 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 |
CN108776483B (zh) * | 2018-08-16 | 2021-06-29 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 |
CN109159127A (zh) * | 2018-11-20 | 2019-01-08 | 广东工业大学 | 一种基于蚁群算法的双焊接机器人智能路径规划方法 |
CN109159127B (zh) * | 2018-11-20 | 2021-11-30 | 广东工业大学 | 一种基于蚁群算法的双焊接机器人智能路径规划方法 |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN109916422A (zh) * | 2019-03-29 | 2019-06-21 | 北京经纬恒润科技有限公司 | 一种全局路径规划方法及装置 |
CN109974711A (zh) * | 2019-04-12 | 2019-07-05 | 重庆渝博创智能装备研究院有限公司 | 一种面向智慧工厂的agv多目标点自主导航方法 |
CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
CN110119150A (zh) * | 2019-05-22 | 2019-08-13 | 电子科技大学 | 一种基于蚁群算法的多用户实时路径规划方法和系统 |
CN110488827A (zh) * | 2019-08-20 | 2019-11-22 | 集美大学 | 基于蚂蚁觅食行为的agv控制方法、终端设备及存储介质 |
CN110675652A (zh) * | 2019-09-29 | 2020-01-10 | 福建工程学院 | 一种基于lora技术的大型停车场泊车智能引导方法 |
CN110609557B (zh) * | 2019-10-09 | 2022-12-09 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划方法 |
CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
CN111176284A (zh) * | 2020-01-02 | 2020-05-19 | 东南大学 | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 |
CN111311622B (zh) * | 2020-01-30 | 2023-06-23 | 桂林理工大学 | 基于蚁群算法的多幅影像镶嵌线网的优化选择方法 |
CN111311622A (zh) * | 2020-01-30 | 2020-06-19 | 桂林理工大学 | 基于蚁群算法的多幅影像镶嵌线网的优化选择方法 |
CN111309837B (zh) * | 2020-02-11 | 2023-12-29 | 苏州明逸智库信息科技有限公司 | 智能仓储地图平台搭建及agv路径优化方法 |
CN111309837A (zh) * | 2020-02-11 | 2020-06-19 | 苏州明逸智库信息科技有限公司 | 智能仓储地图平台搭建及agv路径优化方法 |
CN111523698B (zh) * | 2020-03-20 | 2023-08-08 | 全球能源互联网集团有限公司 | 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 |
CN111523698A (zh) * | 2020-03-20 | 2020-08-11 | 全球能源互联网集团有限公司 | 一种用于清洁能源基地宏观选址的蚁群选址方法及装置 |
CN111784037A (zh) * | 2020-06-24 | 2020-10-16 | 东南大学 | 基于混合局部搜索和蚁群优化的混装线序列恢复方法 |
CN112096154A (zh) * | 2020-09-11 | 2020-12-18 | 江苏小白兔智造科技有限公司 | 一种基于路径规划用于调度停车机器人的实现方法 |
CN112161627A (zh) * | 2020-09-23 | 2021-01-01 | 同济大学 | 一种消防机器人智能路径规划方法 |
CN112306097A (zh) * | 2020-10-29 | 2021-02-02 | 杭州电子科技大学 | 一种新型无人机路径规划方法 |
CN112765744B (zh) * | 2021-01-18 | 2022-08-05 | 合肥工业大学 | 一种高能效液压集成块的流道设计方法 |
CN112765744A (zh) * | 2021-01-18 | 2021-05-07 | 合肥工业大学 | 一种高能效液压集成块的流道设计方法 |
CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
CN113341976B (zh) * | 2021-06-09 | 2022-10-04 | 南通大学 | 基于锚定效应的新能源汽车混合蚁群路径规划方法 |
CN113341976A (zh) * | 2021-06-09 | 2021-09-03 | 南通大学 | 基于锚定效应的新能源汽车混合蚁群路径规划方法 |
CN113359748A (zh) * | 2021-06-22 | 2021-09-07 | 浙江科技学院 | 一种融合预测的改进Multi-RRT路径规划方法及AGV小车 |
CN114217607A (zh) * | 2021-11-23 | 2022-03-22 | 桂林航天工业学院 | 一种外卖派送路径规划方法、系统及存储介质 |
CN114783189A (zh) * | 2022-06-20 | 2022-07-22 | 安徽交欣科技股份有限公司 | 基于ai和gis的智慧预警及路径规划交通系统 |
CN115171423A (zh) * | 2022-06-24 | 2022-10-11 | 上海智能网联汽车技术中心有限公司 | 支持无人区域联动的停车场系统及车辆调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105589461A (zh) | 一种基于改进蚁群算法的泊车系统路径规划方法 | |
CN108847037B (zh) | 一种面向非全局信息的城市路网路径规划方法 | |
CN106681334A (zh) | 基于遗传算法的自动搬运小车调度控制方法 | |
CN103439972B (zh) | 一种动态复杂环境下的移动机器人路径规划方法 | |
CN108932876B (zh) | 一种引入黑区的a*和蚁群混合算法的快递无人机航迹规划方法 | |
CN106875710B (zh) | 一种面向网联自动驾驶车辆的交叉口自组织控制方法 | |
CN113313957B (zh) | 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法 | |
CN104010336B (zh) | 一种两级异构分簇的水下无线传感器网络路由方法 | |
CN104102219B (zh) | 智能导购车行驶路径的规划方法、装置及智能导购车 | |
WO2021042827A1 (zh) | 多agv的路径规划方法及系统 | |
CN105091884A (zh) | 基于传感器网络动态环境监测的室内移动机器人路径规划方法 | |
CN106228819A (zh) | 一种多交叉口的交通信号优化控制方法及装置 | |
CN105788298B (zh) | 一种双向绿波控制的方法及装置 | |
CN106225797A (zh) | 一种路径规划方法 | |
CN103365293A (zh) | 一种基于动态区域划分的机器人安全路径规划方法 | |
CN108827309A (zh) | 一种机器人路径规划方法及具有它的吸尘器 | |
CN111562785A (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
CN104394568B (zh) | 车辆自组织网络中基于人工蛛网的地理位置路由方法 | |
AU2022204569B2 (en) | Method for multi-agent dynamic path planning | |
CN110275526A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN112925315A (zh) | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 | |
CN110334838A (zh) | 基于蚁群算法和遗传算法的agv小车协同调度方法及系统 | |
CN112650229A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN108216236A (zh) | 车辆控制方法、装置、车辆及存储介质 | |
CN106376010B (zh) | 一种辅助定位信标节点的移动路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160518 |