CN105717926A - 基于改进蚁群算法的移动机器人旅行商优化方法 - Google Patents
基于改进蚁群算法的移动机器人旅行商优化方法 Download PDFInfo
- Publication number
- CN105717926A CN105717926A CN201610222624.7A CN201610222624A CN105717926A CN 105717926 A CN105717926 A CN 105717926A CN 201610222624 A CN201610222624 A CN 201610222624A CN 105717926 A CN105717926 A CN 105717926A
- Authority
- CN
- China
- Prior art keywords
- city
- pheromone
- mobile apparatus
- path
- group algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 239000003016 pheromone Substances 0.000 claims abstract description 49
- 241001251068 Formica fusca Species 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 16
- 230000006872 improvement Effects 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 208000028659 discharge Diseases 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 241000257303 Hymenoptera Species 0.000 abstract 1
- 230000010365 information processing Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明公开了一种基于改进蚁群算法的移动机器人旅行商优化方法,主要解决现有蚁群算法容易陷入局部最优、运行速度慢、在信息处理前期收敛速度慢的问题。其规划步骤为:对移动机器人工作环境进行建模;计算各个城市之间的距离,并根据距离信息对信息素浓度进行初始化,给蚂蚁提供导向;利用优化过的蚁群算法让移动机器人逐个去访问城市;根据优化结果输出移动机器人的运动路径。本发明通过改进信息素更新方式有效避免局部最优解,以及克服了传统蚁群算法收敛速度慢的问题。
Description
技术领域
本发明涉及智能移动机器人技术领域,具体涉及一种基于改进蚁群算法的移动机器人旅行商优化方法。
背景技术
“旅行商问题(TSP)”常被称为“旅行推销员问题”,是指一名推销员要拜访多个地点时,如何找到在拜访每个地点一次后再回到起点的最短路径。规则虽然简单,但在地点数目增多后求解却极为复杂。以42个地点为例,如果要列举所有路径后再确定最佳行程,那么总路径数量之大,几乎难以计算出来;例如在物流中的描述是对应一个物流配送公司,欲将n个客户的订货沿最短路线全部送到,如何确定最短路线。旅行商问题(TSP)是典型的NP完全问题,即其最坏情况下的时间复杂度随着问题规模的增大按指数方式增长,到目前为止还未找到一个多项式时间的有效算法。目前研究经典TSP常用算法有遗传算法、粒子群算法、模拟退火算法、神经网络算法等。使用遗传算法前期收敛速度过快,容易陷入局部最优解;使用粒子群算法虽然操作简单,且能够快速收敛,但是随着迭代次数的不断增加,在种群收敛集中的同时,各粒子也越来越相似,可能在局部最优解周边无法跳出;使用模拟退火算法具有收敛速度慢,执行时间长,算法性能与初始值有关及参数敏感等缺点;使用神经网络算法很难在较复杂的环境下实现。
蚁群算法最早是由意大利学者MarcoDorigo于1991年在其博士论文中提出,其真实地模拟了自然界蚂蚁群体的觅食行为。蚁群算法是一种自组织的、并行的、正反馈算法,具有较强的鲁棒性。把蚁群算法应用于研究TSP问题,能够有效解决此类问题,虽然许多科学家也对传统的蚁群算法做了许多改进,而且大多是将蚁群算法与其他算法相结合来解决前期收敛速度过慢的问题,前期收敛速度慢就必然导致效率非常低。
发明内容
本发明要解决的技术问题是针对现有技术中的不足,提出了一种基于改进蚁群算法的移动机器人旅行商优化方法,在算法前期具有快速的收敛性,减少迭代次数,提高搜索效率,缩短路径长度,符合人工规划意图,适用于移动机器人在静态环境中的自主导航。
实现本发明目的的技术方案之一是提供一种基于改进蚁群算法的移动机器人旅行商优化方法,包括如下几个步骤:
①利用移动机器人自带的摄像头、声呐环、红外传感器采集移动机器人的工作环境信息,包括所有的“城市”坐标信息,并进行地图建模;
②利用各“城市”的坐标信息,计算城市间的相互距离,并根据距离信息对信息素浓度进行初始化;
③利用改进后的蚁群算法,进行路径寻优;其具体过程包括:
A、对环境信息进行坐标处理;
B、设置初始参数,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
C、将蚂蚁随机置于不同的城市,按照一定的概率随机选择下一个待访问的城市;
D、对所走路径进行局部信息素浓度更新;
E、所有蚂蚁完成一次迭代后,对信息素浓度进行全局更新;
F、若没有达到最大迭代次数,转至步骤C;否则,终止迭代,输出最优解结果;
④根据步骤③得到的优化结果输出最优路径的路线图。
进一步的,步骤①中,地图建模的要求如下:(a)移动机器人的活动范围在有限的二维空间;(b)将移动机器人和各个城市看做质点,便于分析研究;(c)将移动机器人和各个城市按照二维坐标系建模;城市的总数量为n。
进一步的,步骤②中,用dij表示任意城市i和城市j之间的距离,计算公式如下:
其中城市i在二维坐标系的坐标为(xi,yi),城市j在二维坐标系的坐标为(xj,yj);
根据距离信息对信息素浓度进行初始化得到的初始信息素浓度为τ0ij,τ0ij=1/dij。
进一步的,步骤③的过程B中,信息素挥发因子的数值选取为0.1。
进一步的,步骤③的过程C中,蚂蚁k在t时刻从城市i转移到城市j的概率的计算公式为:
式中:allowk(k=1,2,...,m)为蚂蚁k待访问城市的集合,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发城市的其他所有城市,随着时间的推进,allowk中的元素逐渐减少,直至为空,即表示所有的城市均访问完毕;τij(t)表示在t时刻城市i、j间路径上的信息素浓度;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的城市;ηij(t)为启发函数,表示t时刻蚂蚁从城市i转移到城市j的期望程度,计算公式如下:
进一步的,步骤③的过程D中,局部信息素浓度初次更新规则如下:
τij(t+1)=(1-ε)τij(t)+ετ′0,
其中,τij(t+1)为初次更新后的局部信息素浓度,ε是一个参数,ε∈(0,1),变量τ′0=c/dij,c为不为零的常数。
进一步的,步骤③的过程D中,计算完一次城市间的转移概率后,采用轮盘赌方法选择下一个待访问的城市。
进一步的,步骤③的过程E中,对信息素浓度进行全局更新的方式如下:
其中,ρ表示信息素的挥发程度,ξ是一个参数,表示对最短路径和最长路径额外更新的信息素增量;表示第k只蚂蚁在城市i与城市j连接路径上释放的局部信息素浓度;Δτij表示所有蚂蚁在城市i与城市j连接路径上释放的局部信息素浓度之和,ξ∈(0,1),Q为常数,表示蚂蚁循环一次所释放的局部信息素总量;Lk为蚂蚁k经过路径的长度,Lbest为该次迭代中最短路径长度,Lworst为该次迭代中最长路径长度,n为城市数目。
实现本发明目的的技术方案之二是提供一种基于改进蚁群算法的移动机器人路径寻优方法,包括如下几个步骤:
S101:根据城市间距离信息初始化信息素矩阵;
S102:初始化其他参数信息,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
S103:将蚂蚁随机置于不同出发点,采用轮盘赌法选择下一个访问的城市,直至访问完所有的城市;
S104:对所走路径进行局部信息素更新;
S105:所有蚂蚁完成一次迭代后进行全局信息素更新;
S106:判断是否达到最大迭代次数,若达到了,则转S107;否则转S103;
S107:终止计算,输出最优路线图。
本发明具有积极的效果:(1)本发明的优点在于它对以往传统蚁群算法对于初始化信息素浓度方面做了改进,使得蚂蚁一开始就能对蚂蚁的寻优做出导向,前期收敛速度明显加快;同时对初始参数的合理选择,例如信息素挥发因子ρ的选择,使得结果不至于陷入局部最优解或者难以形成最优解,以及对信息素更新方式作出合理改进,能有效避免陷入局部最优和提高机器人的工作效率和工作可靠性。
(2)传统蚁群算法将初始化信息素浓度设置为1,这样就给蚂蚁初次搜索路径带来了问题,每条路径被选中的概率都一样,这样就导致了前期搜索较慢,走了过多的弯路,影响了整个搜索的效率。而本发明对此问题所做的改进就是根据计算得到的城市间的距离信息来确定初始信息素浓度,也就是用距离的倒数来初始化信息素矩阵,也就是让蚂蚁优先选择距离较近的城市,这样就给初次搜索的蚂蚁指明了一定的方向,从而不至于去多走一些没必要的弯路。
(3)本发明只需要迭代传统蚁群算法的一半次数就能收敛到最优解,效率提升了一倍多。本发明对传统蚁群算法所做改进的优势显而易见,改进后的蚁群算法让蚂蚁在前期少走许多弯路,提高了算法前期的收敛性,大大提高了移动机器人的工作效率和工作可靠性。
附图说明
图1为本发明的基于改进蚁群算法的移动机器人旅行商优化方法的流程图;
图2为传统蚁群算法的路径图;
图3为传统蚁群算法的各代最短距离与平均距离的对比图;
图4为改进后的蚁群算法的优化路径图;
图5为改进后的蚁群算法的各代最短距离与平均距离的对比图。
具体实施方式
(实施例1)
见图1,本实施例的基于改进蚁群算法的移动机器人旅行商优化方法,具体包括以下步骤:
步骤一、环境建模:
利用移动机器人自带的摄像头、声呐环、红外传感器采集移动机器人的工作环境信息,包括所有的“城市”坐标信息,并进行地图建模;建模要求如下:(a)移动机器人的活动范围在有限的二维空间;(b)将移动机器人和各个城市看做质点,便于分析研究;(c)将移动机器人和各个城市按照二维坐标系建模。城市的总数量为n。
步骤二、初始化信息素矩阵:
计算各个城市间的相互距离dij,并根据距离信息确定蚁群算法的初始信息素浓度τ0ij,其中τ0ij=1/dij。其中,dij表示城市i和城市j之间的距离,计算公式如下:
其中城市i在二维坐标系的坐标为(xi,yi),城市j在二维坐标系的坐标为(xj,yj)。
传统蚁群算法将初始化信息素浓度设置为1,这样就给蚂蚁初次搜索路径带来了问题,每条路径被选中的概率都一样,这样就导致了前期搜索较慢,走了过多的弯路,影响了整个搜索的效率。而本发明对此问题所做的改进就是根据计算得到的城市间的距离信息来确定初始信息素浓度,也就是用距离的倒数来初始化信息素矩阵,也就是让蚂蚁优先选择距离较近的城市,这样就给初次搜索的蚂蚁指明了一定的方向,从而不至于去多走一些没必要的弯路。
步骤三、利用改进后的蚁群算法进行路径寻优。具体过程如下:
(a)对环境进行坐标处理;
(b)设置初始参数,包括蚁群规模m,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发因子ρ,信息素释放总量Q,最大迭代次数iter_max,迭代次数初值iter=1;其中,信息素挥发因子ρ的影响在于它体现的是蚂蚁留在其通过的路径上的信息素轨迹的持久性,若其数值过小,即意味着这种信息消失过快,难以形成最优路线,若数值过大,又容易落入局部最优点,因此,为避免这两方面的缺陷,其数值取在0.1左右较为适宜;信息素释放总量Q的取值对算法影响不大,只要不使计算产生溢出即可。
(c)构建解空间,将蚂蚁随机置于不同的城市,按照一定的概率随机选择下一个待访问的城市,直到访问完所有的城市为止,其中蚂蚁k从城市i转移到城市j的概率的计算公式为:
式中:allowk(k=1,2,...,m)为蚂蚁k待访问城市的集合,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发城市的其他所有城市,随着时间的推进,allowk中的元素逐渐减少,直至为空,即表示所有的城市均访问完毕;τij(t)表示在t时刻城市i、j间路径上的信息素浓度;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的城市。ηij(t)为启发函数,表示t时刻蚂蚁从城市i转移到城市j的期望程度,计算公式如下:
特别说明的是,本发明计算完一次城市间的转移概率后,采用轮盘赌方法选择下一个待访问的城市。
(d)对所走路径进行局部信息素浓度初次更新,局部信息素浓度更新的目的是削弱已走过路径的信息素浓度,从而使蚂蚁对未走过路径有更强的探索能力,局部信息素浓度初次更新公式如下:
τij(t+1)=(1-ε)τij(t)+ετ′0,
其中,τij(t+1)为初次更新后的局部信息素浓度,ε是一个参数,ε∈(0,1),变量τ′0=c/dij,c为不为零的常数。
(e)所以蚂蚁都完成一轮迭代后,对局部信息素浓度进行全局更新生成二次更新后的局部信息素浓度τij(t+n),更新公式如下:
其中,ρ表示信息素的挥发程度,ξ是一个参数,表示对最短路径和最长路径额外更新的信息素增量;表示第k只蚂蚁在城市i与城市j连接路径上释放的局部信息素浓度;Δτij表示所有蚂蚁在城市i与城市j连接路径上释放的局部信息素浓度之和,ξ∈(0,1),Q为步骤B中设置的常数,表示蚂蚁循环一次所释放的局部信息素释放总量,Lk为蚂蚁k经过路径的长度,Lbest为该次迭代中最短路径长度,Lworst为该次迭代中最长路径长度,n为城市数目。
(f)若没有达到最大迭代次数,转至步骤(c);否则,终止迭代,输出最优解,也就是蚂蚁经过最优路径的路线图。
步骤四、根据步骤三得到的优化结果输出最优路径的路线图。
如图1所示,改进后的蚁群算法的流程图具体如下:
S101:根据城市间距离信息初始化信息素矩阵;
S102:初始化其他参数信息;
S103:将蚂蚁随机置于不同出发点,采用轮盘赌法选择下一个访问的城市,直至访问完所有的城市;
S104:对所走路径进行局部信息素更新;
S105:所有蚂蚁完成一次迭代后进行全局信息素更新;
S106:判断是否达到最大迭代次数,若达到了,则转S107;否则转S103;
S107:终止计算,输出最优路线图。
根据输出的最优路线图,图2是采用传统蚁群算法输出的最优路线图,图4是采用本发明的改进后的蚁群算法输出的最优路线图,结合这两张最优路线图不难发现,图2中:最短距离:454.0346,最短路径:18、19、20、22、26、23、24、25、1、2、5、4、3、6、7、8、9、10、11、13、12、14、15、16、31、17、18;图4中:最短距离:449.1163,最短路径:8、7、6、5、4、3、2、1、25、24、23、26、22、20、19、18、17、21、16、15、14、13、12、11、10、9、8;图4相对于图2虽然缩短的路径长度较少,但是明显少走了一些弯路,因此移动机器人的工作效率也就得到了提升,这也就达到了弥补传统蚁群算法存在不足的目的。
在简单条件下进行仿真对比实验。从图3和图5中不难发现,传统蚁群算法要迭代42次左右才能近似收敛到最优解,改进后的蚁群算法只要迭代不到20次就能收敛到最优解,效率提升了一倍多。本发明对传统蚁群算法所做改进的优势显而易见,改进后的蚁群算法让蚂蚁在前期少走许多弯路,提高了算法前期的收敛性,大大提高了移动机器人的工作效率和工作可靠性。
显然,上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (9)
1.一种基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于包括如下几个步骤:
①利用移动机器人自带的摄像头、声呐环、红外传感器采集移动机器人的工作环境信息,包括所有的“城市”坐标信息,并进行地图建模;
②利用各“城市”的坐标信息,计算城市间的相互距离,并根据距离信息对信息素浓度进行初始化;
③利用改进后的蚁群算法,进行路径寻优;其具体过程包括:
A、对环境信息进行坐标处理;
B、设置初始参数,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
C、将蚂蚁随机置于不同的城市,按照一定的概率随机选择下一个待访问的城市;
D、对所走路径进行局部信息素浓度更新;
E、所有蚂蚁完成一次迭代后,对信息素浓度进行全局更新;
F、若没有达到最大迭代次数,转至步骤C;否则,终止迭代,输出最优解结果;
④根据步骤③得到的优化结果输出最优路径的路线图。
2.根据权利要求1所述的基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于:步骤①中,地图建模的要求如下:(a)移动机器人的活动范围在有限的二维空间;(b)将移动机器人和各个城市看做质点,便于分析研究;(c)将移动机器人和各个城市按照二维坐标系建模;城市的总数量为n。
3.根据权利要求1或2之一所述的基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于:步骤②中,用dij表示任意城市i和城市j之间的距离,计算公式如下:
其中城市i在二维坐标系的坐标为(xi,yi),城市j在二维坐标系的坐标为(xj,yj);
根据距离信息对信息素浓度进行初始化得到的初始信息素浓度为τ0ij,τ0ij=1/dij。
4.根据权利要求1至3之一所述的基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于:步骤③的过程B中,信息素挥发因子的数值选取为0.1。
5.根据权利要求1至4之一所述的基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于:步骤③的过程C中,蚂蚁k在t时刻从城市i转移到城市j的概率的计算公式为:
式中:allowk(k=1,2,...,m)为蚂蚁k待访问城市的集合,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发城市的其他所有城市,随着时间的推进,allowk中的元素逐渐减少,直至为空,即表示所有的城市均访问完毕;τij(t)表示在t时刻城市i、j间路径上的信息素浓度;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的城市;ηij(t)为启发函数,表示t时刻蚂蚁从城市i转移到城市j的期望程度,计算公式如下:
6.根据权利要求1至5之一所述的基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于:步骤③的过程C中,计算完一次城市间的转移概率后,采用轮盘赌方法选择下一个待访问的城市。
7.根据权利要求1至6之一所述的基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于:步骤③的过程D中,局部信息素浓度初次更新规则如下:
τij(t+1)=(1-ε)τij(t)+ετ′0,
其中,τij(t+1)为初次更新后的局部信息素浓度,ε是一个参数,ε∈(0,1),变量τ′0=c/dij,c为不为零的常数。
8.根据权利要求1至7之一所述的基于改进蚁群算法的移动机器人旅行商优化方法,其特征在于:步骤③的过程E中,对信息素浓度进行全局更新的方式如下:
其中,ρ表示信息素的挥发程度,ξ是一个参数,表示对最短路径和最长路径额外更新的信息素增量;表示第k只蚂蚁在城市i与城市j连接路径上释放的局部信息素浓度;Δτij表示所有蚂蚁在城市i与城市j连接路径上释放的局部信息素浓度之和,ξ∈(0,1),Q为常数,表示蚂蚁循环一次所释放的局部信息素释放总量;Lk为蚂蚁k经过路径的长度,Lbest为该次迭代中最短路径长度,Lworst为该次迭代中最长路径长度,n为城市数目。
9.一种基于改进蚁群算法的移动机器人路径寻优方法,其特征在于包括如下几个步骤:
S101:根据城市间距离信息初始化信息素矩阵;
S102:初始化其他参数信息,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
S103:将蚂蚁随机置于不同出发点,采用轮盘赌法选择下一个访问的城市,直至访问完所有的城市;
S104:对所走路径进行局部信息素更新;
S105:所有蚂蚁完成一次迭代后进行全局信息素更新;
S106:判断是否达到最大迭代次数,若达到了,则转S107;否则转S103;
S107:终止计算,输出最优路线图。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510755839 | 2015-11-09 | ||
CN2015107558390 | 2015-11-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105717926A true CN105717926A (zh) | 2016-06-29 |
Family
ID=56160913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610222624.7A Pending CN105717926A (zh) | 2015-11-09 | 2016-04-11 | 基于改进蚁群算法的移动机器人旅行商优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105717926A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN106295791A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 用于寻找旅行商最优路径的方法 |
CN106527132A (zh) * | 2016-11-10 | 2017-03-22 | 华南理工大学 | 基于遗传模拟退火算法的蛇形机器人运动控制方法 |
CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
CN108489491A (zh) * | 2018-02-09 | 2018-09-04 | 上海交通大学 | 一种水下自主航行器的三维航迹智能规划方法 |
CN108564163A (zh) * | 2018-03-27 | 2018-09-21 | 华南理工大学 | 一种解决多目标多旅行商问题的改进蚁群算法 |
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 |
CN108829140A (zh) * | 2018-09-11 | 2018-11-16 | 河南大学 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
CN109489667A (zh) * | 2018-11-16 | 2019-03-19 | 楚天智能机器人(长沙)有限公司 | 一种基于权值矩阵的改进蚁群路径规划方法 |
CN109635912A (zh) * | 2018-11-16 | 2019-04-16 | 佛山科学技术学院 | 一种基于双向蚁群与动态规划的管道布设方法及装置 |
CN110135657A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨理工大学 | 一种基于隶属云模型蚁群算法的桥梁支座自动喷涂轨迹 |
CN110220519A (zh) * | 2019-07-23 | 2019-09-10 | 河北科技大学 | 一种机器人路径规划方法及机器人路径规划装置 |
CN110243385A (zh) * | 2019-07-03 | 2019-09-17 | 南京信息工程大学 | 一种应用于机器人路径规划的蚁群算法 |
CN110264019A (zh) * | 2019-07-19 | 2019-09-20 | 江西理工大学 | 一种基于蚁群算法的拥堵路段路径优化方法 |
CN110375759A (zh) * | 2019-07-15 | 2019-10-25 | 天津大学 | 基于蚁群算法的多机器人路径规划方法 |
CN111210116A (zh) * | 2019-12-23 | 2020-05-29 | 华南理工大学 | 一种基于双蚁群算法的交叉运输接收门和运输门分配方法 |
CN112003503A (zh) * | 2020-07-23 | 2020-11-27 | 西安理工大学 | 一种基于蚁群龙贝格观测器的永磁同步直线电机控制方法 |
CN112947437A (zh) * | 2021-02-05 | 2021-06-11 | 常州大学 | 一种用于安防机器人楼宇内遍历巡逻的改进蚁群算法 |
CN113068224A (zh) * | 2021-03-29 | 2021-07-02 | 烽火通信科技股份有限公司 | 一种用于网状传输系统构建的蚁群算法实现方法和装置 |
CN113325875A (zh) * | 2021-06-21 | 2021-08-31 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN113850423A (zh) * | 2021-09-15 | 2021-12-28 | 河南工业大学 | 基于改进蚁群算法的最短路径规划方法 |
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法 |
CN116016543A (zh) * | 2022-12-15 | 2023-04-25 | 浪潮云信息技术股份公司 | 一种基于蚁群算法的区块链网络部署方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN103489042A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 一种灾害应急决策系统路径优化的方法 |
CN104617985A (zh) * | 2014-12-31 | 2015-05-13 | 北京邮电大学 | 基于蚁群算法的电力通信网线路优化方法及装置 |
-
2016
- 2016-04-11 CN CN201610222624.7A patent/CN105717926A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN103489042A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 一种灾害应急决策系统路径优化的方法 |
CN104617985A (zh) * | 2014-12-31 | 2015-05-13 | 北京邮电大学 | 基于蚁群算法的电力通信网线路优化方法及装置 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295791A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 用于寻找旅行商最优路径的方法 |
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
CN106527132A (zh) * | 2016-11-10 | 2017-03-22 | 华南理工大学 | 基于遗传模拟退火算法的蛇形机器人运动控制方法 |
CN106527132B (zh) * | 2016-11-10 | 2019-03-12 | 华南理工大学 | 基于遗传模拟退火算法的蛇形机器人运动控制方法 |
CN108489491A (zh) * | 2018-02-09 | 2018-09-04 | 上海交通大学 | 一种水下自主航行器的三维航迹智能规划方法 |
CN108564163A (zh) * | 2018-03-27 | 2018-09-21 | 华南理工大学 | 一种解决多目标多旅行商问题的改进蚁群算法 |
CN108564163B (zh) * | 2018-03-27 | 2021-09-21 | 华南理工大学 | 一种解决多目标多旅行商问题的改进蚁群方法 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
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 |
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 |
CN108829140A (zh) * | 2018-09-11 | 2018-11-16 | 河南大学 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
CN108829140B (zh) * | 2018-09-11 | 2021-06-15 | 河南大学 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
CN109489667A (zh) * | 2018-11-16 | 2019-03-19 | 楚天智能机器人(长沙)有限公司 | 一种基于权值矩阵的改进蚁群路径规划方法 |
CN109635912A (zh) * | 2018-11-16 | 2019-04-16 | 佛山科学技术学院 | 一种基于双向蚁群与动态规划的管道布设方法及装置 |
CN109635912B (zh) * | 2018-11-16 | 2023-10-31 | 佛山科学技术学院 | 一种基于双向蚁群与动态规划的管道布设方法及装置 |
CN110135657A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨理工大学 | 一种基于隶属云模型蚁群算法的桥梁支座自动喷涂轨迹 |
CN110243385A (zh) * | 2019-07-03 | 2019-09-17 | 南京信息工程大学 | 一种应用于机器人路径规划的蚁群算法 |
CN110375759A (zh) * | 2019-07-15 | 2019-10-25 | 天津大学 | 基于蚁群算法的多机器人路径规划方法 |
CN110264019B (zh) * | 2019-07-19 | 2022-11-01 | 江西理工大学 | 一种基于蚁群算法的拥堵路段路径优化方法 |
CN110264019A (zh) * | 2019-07-19 | 2019-09-20 | 江西理工大学 | 一种基于蚁群算法的拥堵路段路径优化方法 |
CN110220519A (zh) * | 2019-07-23 | 2019-09-10 | 河北科技大学 | 一种机器人路径规划方法及机器人路径规划装置 |
CN111210116A (zh) * | 2019-12-23 | 2020-05-29 | 华南理工大学 | 一种基于双蚁群算法的交叉运输接收门和运输门分配方法 |
CN112003503A (zh) * | 2020-07-23 | 2020-11-27 | 西安理工大学 | 一种基于蚁群龙贝格观测器的永磁同步直线电机控制方法 |
CN112947437A (zh) * | 2021-02-05 | 2021-06-11 | 常州大学 | 一种用于安防机器人楼宇内遍历巡逻的改进蚁群算法 |
CN112947437B (zh) * | 2021-02-05 | 2022-07-19 | 常州大学 | 一种用于安防机器人楼宇内遍历巡逻的改进蚁群算法 |
CN113068224A (zh) * | 2021-03-29 | 2021-07-02 | 烽火通信科技股份有限公司 | 一种用于网状传输系统构建的蚁群算法实现方法和装置 |
CN113325875A (zh) * | 2021-06-21 | 2021-08-31 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN113850423A (zh) * | 2021-09-15 | 2021-12-28 | 河南工业大学 | 基于改进蚁群算法的最短路径规划方法 |
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法 |
CN116016543A (zh) * | 2022-12-15 | 2023-04-25 | 浪潮云信息技术股份公司 | 一种基于蚁群算法的区块链网络部署方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105717926A (zh) | 基于改进蚁群算法的移动机器人旅行商优化方法 | |
CN105426992A (zh) | 移动机器人旅行商优化方法 | |
Bellemare et al. | Autonomous navigation of stratospheric balloons using reinforcement learning | |
Liu et al. | Energy-efficient UAV crowdsensing with multiple charging stations by deep learning | |
CN106020230B (zh) | 一种能耗约束下的多无人机任务分配方法 | |
CN103472828A (zh) | 基于改进蚁群粒子群算法的移动机器人路径规划方法 | |
CN106200650A (zh) | 基于改进蚁群算法的移动机器人路径规划方法及系统 | |
Lin et al. | Traffic signal optimization based on fuzzy control and differential evolution algorithm | |
CN106228265A (zh) | 基于改进粒子群优化的总拖期运输计划调度算法 | |
Liu et al. | A new path plan method based on hybrid algorithm of reinforcement learning and particle swarm optimization | |
Luo et al. | Dynamic taxi service planning by minimizing cruising distance without passengers | |
Kong et al. | RNN-based default logic for route planning in urban environments | |
CN112819211A (zh) | 一种基于蚁群迭代算法的多区域调度航线规划方法 | |
Yan | Research on path planning of auv based on improved ant colony algorithm | |
Bekker | Applying the cross-entropy method in multi-objective optimisation of dynamic stochastic systems | |
CN106295791A (zh) | 用于寻找旅行商最优路径的方法 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
CN112484732A (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
Quan et al. | An optimized task assignment framework based on crowdsourcing knowledge graph and prediction | |
Cong et al. | Application of rough ant colony algorithm in adolescent psychology | |
Niu et al. | Optimisation and application research of ant colony algorithm in vehicle routing problem | |
CN115454070B (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
Wu et al. | An improved discrete pigeon-inspired optimisation algorithm for flexible job shop scheduling problem | |
CN101477689B (zh) | 一种基于自适应蚁群智能的空中机器人视觉分层匹配方法 | |
Lee et al. | A hybrid system for facility layout by integrating simulation and ant colony optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 1801 Zhong Wu Avenue, Changzhou, Jiangsu Province, Jiangsu Applicant after: Jiangsu University of Technology Address before: 213001 1801 Zhong Wu Avenue, Zhong Lou District, Changzhou, Jiangsu Applicant before: Jiangsu University of Technology |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160629 |