CN107272679A - 基于改进的蚁群算法的路径规划方法 - Google Patents

Abstract

本发明公开了一种基于改进的蚁群算法的路径规划方法，相对于经典蚁群算法，本方法具有以下改进之处：(1)将常数信息素挥发系数调整为自适应信息素挥发系数，随着蚁群方法迭代次数的增加而自适应地改变系数大小；(2)在不同路径长度相同的基础上，采取拐点较少规则，择优选择出局部最优路径；(3)对局部最优路径采取简化路径规则，对该路径中所经过的每一个节点与起始节点进行是否为邻节点判断，消除路径上的冗余节点；(4)在对蚁群之前所走过的路径进行信息素更新时，采取预先排序规则，只更新路径长度排序前三分之一的路径。通过以上改进之处，本发明能够有效减少蚁群算法的算法收敛时间，提高运行效率。

Description

基于改进的蚁群算法的路径规划方法

技术领域

本发明涉及人工智能领域，具体涉及一种基于蚁群算法的路径规划方法。

背景技术

路径规划是当下研究的热点之一，路径指的是连接起点位置和终点位置的序列点或曲线，构成路径的策略称之为路径规划。路径规划的目的，是使得移动主体(如智能小车、移动机器人、无人机等)能够根据内定的程序，按照一定的最优解准则(如行驶路径长度最短、行驶耗时最短等)，在存在着诸多障碍物的路况中自行避障，从而选择出一条从起始点到终点的最优路径。

针对路径规划的研究主要聚焦于以下三个方面：第一，移动主体能否顺利地从起始点到达终点；第二，移动主体能否在行驶过程中自动避开沿途的障碍物；第三，在完成上述两个指标的基础上，移动主体是否能按照一定的最优解准则，选择出最优路径。传统的路径规划算法有模拟退火算法、人工势场法、模糊逻辑算法、禁忌搜索算法等，但是传统算法在解决实际问题时往往存在着建模难的问题，并且面对环境变化的应变性较差。

在处理复杂动态环境信息情况下的路径规划问题时，来自于自然界的启示往往能起到很好的作用。智能仿生学算法就是人们通过仿生学研究发现的算法，常用到的有蚁群算法、神经网络算法、粒子群算法、遗传算法等。其中，蚁群算法(Ant Colony Algorithm，ACA)由于其求解的快速性、较强的全局搜索能力以及较强的鲁棒性在路径规划领域得到了广泛的应用。蚁群算法的思想来自于对蚁群觅食行为的探索，每个蚂蚁觅食时都会在走过的道路上留下一定浓度的信息素，当存在某条从起点到终点的较短路径时，单位时间内通过该路径的蚂蚁数量也会较多，从而在该路径上留有更多的信息素，吸引更多的蚂蚁选择该路径，这就形成了一种正反馈效应，因此信息素浓度高的最短路径很快就会被发现。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。但是在经典蚁群算法中，信息素挥发系数是一个常数，新搜索到的较优路径与上一轮所搜索到的路径遵循相同的信息素挥发准则，而该准则不能够最大化地促进蚁群算法的正反馈效应，导致经典蚁群算法收敛速度过慢，并且会伴随着出现一些非稳定最优解。所以，如何进一步缩短蚁群算法的算法收敛时间与剔除一些非稳定最优解，成为蚁群算法急需改进的部分。

发明内容

发明目的：基于以上不足，本发明提出一种基于改进的蚁群算法的路径规划方法，引入自适应信息素挥发系数思想以及在此基础上的路径决策规则，从而能够缩短算法收敛时间并剔除一些非稳定最优解。

技术方案：一种基于改进的蚁群算法的路径规划方法，包括以下步骤：

(1)利用栅格法对地图环境进行建模，包括设置起始节点、目标节点、障碍物栅格；

(2)初始化蚁群算法基本参数，并使蚁群初始化在起始节点处；

(3)每只蚂蚁从起始节点开始搜索遍历，根据转移概率选择下一节点，蚂蚁走过的每个节点记录在禁忌表中，当蚂蚁到达目标节点时，计算蚂蚁所选路径长度和路径上的拐点个数；

(4)当所有蚂蚁完成搜索后，应用拐点较少原则选取当次迭代的最优路径；

(5)对当次迭代的最优路径应用简化路径原则，得到优化后的当次迭代最优路径；

(6)对当次迭代的所有可行路径应用预先排序规则，选取出较优路径，对较优路径上的信息素挥发系数进行自适应调整策略，并在此基础上更新每条较优路径上的信息素浓度；

(7)重复执行步骤(2)-步骤(6)，直到迭代次数达到最大迭代次数，计算各轮迭代的最优路径长度，得到全局最优路径。

其中，步骤(4)中的拐点较少原则具体为：

第一轮迭代完成后，比较每条路径长度和路径中的拐点个数，选择长度最短的路径作为当次迭代的最优路径，如果有路径长度相同，则选择拐点较少的路径作为当次迭代的最优路径；

在后续迭代过程中，每轮迭代完成后，计算当次迭代所产生的最优路径中的拐点个数，比较当次迭代所产生的最优路径长度与现有最优路径长度，如果相同，则选择拐点较少的路径；如果不同，则选择路径长度较短的路径。

步骤(5)中简化路径原则具体为：对路径中所经过的每一个节点与起始节点进行是否为邻节点判断，如果当前节点为起始节点的邻节点，则直接由起始节点导向该节点，省去中间节点；如果当前节点不是起始节点的邻节点，则保留该节点，继续上述操作，直至遍历完路径中所有节点。

步骤(6)中的预先排序规则具体为：每轮迭代完成后，对当次迭代所产生的全部可行路径按照长度由短到长进行排序，选取排序前三分之一的路径作为较优路径，进行信息素浓度的更新，信息素挥发系数的计算公式为：

ρ(NC)＝pre_argu·tanh(10·(shortest_length-min(L))/mean(L))+pre_argu

其中，NC为当前迭代次数，shortest_length为当次迭代最优路径长度，min(L)为现有最短路径长度，mean(L)为当前局部最优路径平均长度，即当前迭代次数下，每轮迭代得到的最优路径长度的平均值，pre_argu为自适应调整因子前置参数。

有益效果：本发明提出一种改进蚁群算法的路径规划方法，所述方法针对传统蚁群算法中由于算法初期正反馈效应较弱导致的收敛速度较慢、最优解不稳定的问题，引入自适应信息素挥发系数以及路径决策规则，即通过自适应调整信息素挥发系数来促进蚁群算法的正反馈效应并且采用相关的路径决策规则来优化最优路径的选择，减少蚁群算法的计算时间，从而缩短了蚁群算法实现算法收敛的时间，提高了算法的运行效率。

附图说明

图1是本发明的路径规划方法流程示意图；

图2a和图2b是本发明的拐点较少规则的示例图；

图3是本发明的简化路径规则的示例图；

图4是经典蚁群算法的最优解示例图；

图5是本发明的改进后蚁群算法的最优解示例图；

图6是经典蚁群算法的解路径及算法收敛时间的示例图；

图7是本发明的改进后蚁群算法的解路径和算法收敛时间的示例图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

图1示出了本发明的路径规划方法流程。在本发明中，我们使用MATLAB仿真软件进行模拟和运算，如图1所示，基于蚁群算法进行路径规划的方法首先进行环境建模和初始化，然后进行搜索迭代，在每一轮迭代完成后，统计可行路径信息，对所有可行路径分别应用不同的路径决策规则进行算法改进，从而更快得到最优路径。以下详细描述具体步骤。

步骤1、利用栅格法对地图环境进行建模，设置start起始节点、dest目标节点、obstacle障碍物等栅格。

步骤2、初始化蚁群算法基本参数，手动给这些参数一个常数值，如：蚂蚁数量m、启发因子α与β等，其中启发因子α表征之前所积累下的信息素强度对蚂蚁下一步所走位置的影响程度，启发因子β表征启发信息对蚂蚁下一步所走位置的相对重要程度；使蚁群初始化在start起始节点处。

步骤3、每只蚂蚁都从起始节点出发开始搜索遍历，选择转移概率最大的节点作为下一节点，第k只蚂蚁从位置u转移到位置v的转移概率为：

其中，τ_uv(t)表示路径(u,v)上的信息素浓度；η_uv(t)表示在路径(u,v)上的能见度启发信息变量，表征这蚂蚁从位置u转移到位置v的启发程度，该变量由两位置之间的距离所决定；allowed k(t)表示第k只蚂蚁下一步所有可选择的位置，allowed k(t)＝{1,2...n}-tabu u_k，其中tabu u_k为禁忌表，存放蚂蚁已经走过的位置，蚂蚁在下次选择时排除已选位置。

然后判断蚂蚁是否已达目标节点，如果尚未到达，则继续搜索下一节点，直到蚂蚁到达目标节点。当每只蚂蚁到达目标节点时，计算蚂蚁所选路径长度和路径上的拐点个数。

步骤4、当所有蚂蚁均搜索完成后，选取当次迭代的最优路径，选取原则如下：比较每条路径长度和路径中的拐点个数，优先选择长度最短的路径作为当次迭代的最优路径，如果有路径长度相同，则选择拐点较少的路径作为当次迭代的最优路径。如图2a和图2b所示，图2a中路径上存在一个拐点，图2b中路径上存在两个拐点，在路径长度相同的基础上，优先选择图2a所示的路径。

步骤5、对当次迭代的最优路径进行优化，得到优化后的当次迭代最优路径。具体方法为：判断当次迭代最优路径上的每一个节点是否为起始节点的邻节点，如果当前节点为起始节点的邻节点，则直接由起始节点导向该节点，省去中间节点；如果当前节点不是起始节点的邻节点，则保留该节点，继续上述操作，直至遍历完路径中所有节点。因为根据步骤4选取出来的路径并不一定是当前状态下的最优路径，可能存在着冗余节点，如图3所示，一开始选取的最优路径可能是start-mid1-mid2，经过判断发现mid2节点是start起始节点的邻节点，则路径规划时从start起始节点直接导向mid2节点，不必经过mid1节点。

如果处于迭代过程中，当每轮迭代完成后，计算当次迭代所产生的最优路径中的拐点个数，比较当次迭代所产生的最优路径长度与现有最优路径长度，如果相同，则选择拐点较少的路径；如果不同，选择路径长度较短的路径。

步骤6、选择较优路径进行信息素的更新。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，形成正反馈效应。为了加强信息的正反馈，提高算法收敛速度，本发明对路径应用预先排序规则和自适应的信息素更新规则，具体步骤如下：

S61、对当次迭代产生的所有可行路径按长度由短到长进行排序，选择长度排名比较靠前，即长度较短的路径作为信息素更新的候选路径。经过多次MATLAB仿真发现，当选择出路径长度排序前三分之一的路径进行信息素更新时，改进后的蚁群算法收敛速度更快，所搜索到的最优路径更为稳定，因此优选路径长度排序前三分之一的路径作为候选路径。

S62、对每条候选路径上的信息素浓度进行更新，具体更新公式为：

τ_uv(t+T)＝(1-ρ)·τ_uv(t)+Δτ_uv (2)

其中，Δτ_uv表示从位置u到位置v的路径上的信息素浓度的增量，本发明采用蚁周系统(Ant-Cycle System)模型，其Δτ^k _uv计算公式如下：

其中，L_k为需要更新信息素浓度的路径长度，Q为该路径之前的信息素浓度。

式(2)中的ρ为信息素挥发系数，当路径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；当路径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，本发明引入自适应性信息素挥发系数，具体计算公式为：

ρ(NC)＝pre_argu·tanh(10·(shortest_length-min(L))/mean(L))+pre_argu (4)

其中，NC为当前迭代次数，随着迭代次数的改变，信息素挥发系数也随之自适应地调整；

shortest_length为当次迭代最优路径长度，引入当次迭代最优路径长度因子，如果当次迭代搜索到长度更短的新的较优路径，则该路径上的信息素挥发将相应减小，以便让蚁群更倾向于选择该路径；

min(L)为现有最短路径长度，引入现有最短路径长度因子，如果新搜索到的路径比已存在的最优路径长度要长，则之前的搜索策略较为准确，可以继续搜索；

mean(L)为当前局部最优路径平均长度，即当前迭代次数下，每轮迭代得到的最优路径长度的平均值。引入当前局部最优路径平均长度因子，防止新搜索到的最优路径与现有最优路径长度差距过大给算法整体带来误差；

pre_argu为自适应调整因子前置参数，取值范围为(0,1)，经过多次尝试，当自适应调整因子前置参数设置为0.3时，改进后的蚁群算法收敛速度更快，所得最优解更为稳定。

本发明引入了双曲正切函数，将三个自适应调整因子进行结合，保证信息素挥发系数始终保持在(0,1)区间，在对信息素挥发系数进行自适应调整的基础上，更新上述排序前三分之一的路径上的信息素强度。

步骤7、重复执行步骤2-步骤6，直到迭代次数达到最大迭代次数，在本实施例中，最大迭代次数为50次。计算各轮迭代的最优路径长度，得到全局最优路径。

通过仿真实验,对采用本发明的改进后蚁群算法的路径规划方法与采用经典蚁群算法的路径规划方法，从算法收敛时间和算法最优解稳定性方面进行比较，仿真结果分别如图4-图7所示。图4为经典蚁群算法的最优解示例，图5为改进后蚁群算法的最优解示例，图中Shortest_Route为算法得到的最优解路径，每个数字表示最优路径上的栅格位置，Shortest_Length得到的最优路径的长度，由图可见，虽然路径略有不同，但是两种算法在具体最优路径长度方面是一致的。图6为经典蚁群算法仿真结果，图7为本发明的改进后蚁群算法仿真结果，从图可知，本发明在算法收敛速度与最优解的稳定性方面有了明显的提升，图7中曲线梯度较平稳且迅速趋于稳定，表明改进后的蚁群算法在提高算法收敛速度方面拥有良好的表现，可以优化传统的蚁群算法在路径规划问题上的运算效率。

Claims (6)

1.一种基于改进的蚁群算法的路径规划方法，其特征在于，包括以下步骤：

(1)利用栅格法对地图环境进行建模，包括设置起始节点、目标节点、障碍物栅格；

(2)初始化蚁群算法基本参数，并使蚁群初始化在起始节点处；

(3)每只蚂蚁从起始节点开始搜索遍历，根据转移概率选择下一节点，蚂蚁走过的每个节点记录在禁忌表中，当蚂蚁到达目标节点时，计算蚂蚁所选路径长度和路径上的拐点个数；

(4)当所有蚂蚁完成搜索后，应用拐点较少原则选取当次迭代的最优路径；

(5)对当次迭代的最优路径应用简化路径原则，得到优化后的当次迭代最优路径；

(6)对当次迭代的所有可行路径应用预先排序规则，选取出较优路径，对较优路径上的信息素挥发系数进行自适应调整策略，并在此基础上更新每条较优路径上的信息素浓度；

(7)重复执行步骤(2)-步骤(6)，直到迭代次数达到最大迭代次数，计算各轮迭代的最优路径长度，得到全局最优路径。

2.根据权利要求1所述的基于改进的蚁群算法的路径规划方法，其特征在于，所述步骤(4)中的拐点较少原则具体为：

第一轮迭代完成后，比较每条路径长度和路径中的拐点个数，选择长度最短的路径作为当次迭代的最优路径，如果有路径长度相同，则选择拐点较少的路径作为当次迭代的最优路径；

在后续迭代过程中，每轮迭代完成后，计算当次迭代所产生的最优路径中的拐点个数，比较当次迭代所产生的最优路径长度与现有最优路径长度，如果相同，则选择拐点较少的路径；如果不同，则选择路径长度较短的路径。

3.根据权利要求1所述的基于改进的蚁群算法的路径规划方法，其特征在于，所述步骤(5)中简化路径原则具体为：对路径中所经过的每一个节点与起始节点进行是否为邻节点判断，如果当前节点为起始节点的邻节点，则直接由起始节点导向该节点，省去中间节点；如果当前节点不是起始节点的邻节点，则保留该节点，继续上述操作，直至遍历完路径中所有节点。

4.根据权利要求1所述的基于改进的蚁群算法的路径规划方法，其特征在于，所述步骤(6)中所述的预先排序规则具体为：每轮迭代完成后，对当次迭代所产生的全部可行路径按照长度由短到长进行排序，选取排序前三分之一的路径作为较优路径。

5.根据权利要求1所述的基于改进的蚁群算法的路径规划方法，其特征在于，所述步骤(6)中信息素挥发系数自适应调整策略的计算公式为：

ρ(NC)＝pre_argu·tanh(10·(shortest_length-min(L))/mean(L))+pre_argu

其中，NC为当前迭代次数，shortest_length为当次迭代最优路径长度，min(L)为现有最短路径长度，mean(L)为当前局部最优路径平均长度，即当前迭代次数下，每轮迭代得到的最优路径长度的平均值，pre_argu为自适应调整因子前置参数。

6.根据权利要求5所述的基于改进的蚁群算法的路径规划方法，其特征在于，所述自适应调整因子前置参数取值为0.3。