CN110244733B - 一种基于改进蚁群算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明提供了一种基于改进蚁群算法的移动机器人路径规划方法，提出了一种16个搜索方向24个邻域节点的改进蚁群算法，使蚂蚁在机器人规划的路径搜索的过程中具有更多的方向选择和更广的搜索范围，并设计了2种基于向量夹角的启发信息计算方法；另外，在转移概率部分通过引入转移概率的控制参数来控制蚂蚁在栅格地图中的有效搜索范围，可以搜索到更优的全局最短路径，可以提高算法的搜索的有效性，降低搜索的随机性。本发明通过改进的蚁群算法能够搜索到更优的全局最短路径，可以提高蚁群算法搜索的有效性，降低搜索的随机性，为机器人的路径规划提供良好的条件。

Description

一种基于改进蚁群算法的移动机器人路径规划方法

技术领域

本发明属于路径规划技术领域，尤其涉及一种基于改进蚁群算法的移动机器人路径规划方法。

背景技术

路径规划是移动机器人导航研究的重要内容之一，指的是从起点到终点为机器人规划一条有效路径，并保证机器人与路径上的障碍物不发生任何碰撞。

随着智能机器人技术的发展，使智能机器人在军事、航空、智能制造、智能仓储等领域的应用备受关注。实现智能移动机器人从起点到终点的过程关键在于路径规划算法，因此，精确、有效的路径规划算法对于移动机器人导航技术的研究起着至关重要的作用。由于蚁群算法不受编码规则限制，具有较强的鲁棒性，易于与其他方法相结合的优势，目前蚁群算法已经成为了机器人路径规划领域的一个研究热点。

在栅格地图场景下，传统的蚂蚁的搜索方式主要有2种：4个搜索方向4个领域节点和8个搜索方向8个领域节点，且均存在算法易陷入局部最优，无法找到有效地最优解的问题，本发明提出了一种基于改进蚁群算法的移动机器人路径规划方法解决了上述的问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于改进蚁群算法的移动机器人路径规划方法解决了传统蚁群算法易陷入局部最优，无法找到最优解的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供了一种基于改进蚁群算法的移动机器人路径规划方法，包括如下步骤：

S1、根据环境障碍物分布特点建立栅格地图，初始化栅格信息素，并设置初始参数和确定移动机器人的起点和终点；

S2、初始化禁忌表，将蚁群算法的蚂蚁参数设为M只蚂蚁，并将移动机器人的起点和终点设为M只蚂蚁的起点和终点；

S3、根据蚂蚁的移动规则计算栅格地图中领域节点的启发信息值；

S4、根据所述启发信息值计算栅格的转移概率，并根据所述转移概率的控制参数确定蚂蚁下一时刻到达的位置，更新禁忌表；

S5、将所有蚂蚁完成一次路径搜索，并更新成功抵达终点的蚂蚁走过的路径上的栅格信息素；

S6、判断是否完成预设的迭代次数，若是，则输出最优路径，从而完成移动机器人的路径规划，反之，则返回步骤S2。

进一步地，所述步骤S1中设置初始参数包括设置栅格的初始信息素浓度、蚁群算法的迭代次数、蚂蚁投放数量、信息启发式因子、期望启发因子以及栅格信息素的挥发系数。

再进一步地，所述步骤S3中的蚂蚁的移动规则包括：蚂蚁的搜索方向以及蚂蚁的视野范围。

再进一步地，所述蚂蚁的搜索方向为：搜索栅格地图中的16个方向和24个领域节点，且蚂蚁的转角为22.5°。

再进一步地，所述蚂蚁的视野范围为：将所述24个领域节点分为1级视野范围栅格和2级视野范围栅格，其中，

所述1级视野范围栅格满足的条件为：

所述2级视野范围栅格满足的条件为：

其中，L表示栅格的边长，d_ik表示蚂蚁当前位置栅格中心到领域栅格中心的距离。

再进一步地，针对1级视野范围栅格和2级视野范围栅格的启发信息值相同时，蚂蚁选择1级视野范围内的领域栅格作为下一时刻到达的位置。

再进一步地，所述步骤S3中的启发信息值η_ik的计算方法包括如下两种方法：

第一种计算方法：

其中，θ_ik表示蚂蚁搜索方向与理论最佳搜索方向之间的夹角，D_ik表示蚂蚁下一时刻的移动方向，D_iE表示蚂蚁理论上的最佳搜索方向，x_k表示蚂蚁下一时刻到达位置的横坐标，x_i表示蚂蚁当前位置的横坐标，x_E表示终点的横坐标，y_k表示蚂蚁下一时刻到达位置的纵坐标，y_i蚂蚁当前位置的纵坐标，y_E表示终点的纵坐标；

第二种计算方法：

其中，θ_ik表示蚂蚁搜索方向与理论最佳搜索方向之间的夹角，x_k表示蚂蚁下一时刻到达位置的横坐标，x_i表示蚂蚁当前位置的横坐标，x_E表示终点的横坐标，y_k表示蚂蚁下一时刻到达位置的纵坐标，y_i蚂蚁当前位置的纵坐标，y_E表示终点的纵坐标。

再进一步地，所述步骤S4包括如下步骤：

S401、根据所述启发信息值计算栅格的转移概率；

S402、生成一个随机数ω，且ω∈[0,1]；

S403、判断所述转移概率的控制参数σ是否大于所述随机数ω，若是，则进入步骤S304，反之，则进入步骤S305，其中，σ∈[0,1]；

S404、通过轮盘赌策略选择邻域栅格作为蚂蚁下一时刻到达位置,更新禁忌表；

S405、选择转移概率最大的邻域栅格作为蚂蚁下一时刻到达位置,更新禁忌表。

再进一步地，所述步骤S401中栅格的转移概率

的表达式如下：

其中，τ_ik表示t时刻路段(i,k)上的信息素量，η_ik表示蚂蚁m从节点i到节点k的启发信息值，τ_is表示蚂蚁m从节点i到节点s的信息素浓度，α表示信息启发式因子，β为期望启发式因子，allowed_m表示蚂蚁m下一步允许选择的节点集合。

再进一步地，所述步骤S5中栅格信息素τ_ik(t+1)的表达式如下：

τ_ik(t+1)＝(1-ρ)τ_ik(t)+Δτ_ik(t)

其中，ρ表示信息素挥发系数，且ρ∈(0,1)，Δτ_ik(t)表示M只蚂蚁一次循环之后在路段(i,k)上留下的信息素量，

表示蚂蚁m在路段(i,k)上留下的信息素量。

本发明的有益效果：

本发明提供了一种基于改进蚁群算法的移动机器人路径规划方法，提出了一种16个搜索方向24个邻域节点的改进蚁群算法，使蚂蚁在机器人规划的路径搜索的过程中具有更多的方向选择和更广的搜索范围，并设计了2种基于向量夹角的启发信息计算方法；另外，在转移概率部分通过引入转移概率的控制参数来控制蚂蚁在栅格地图中的有效搜索范围，可以搜索到更优的全局最短路径，可以提高算法的搜索的有效性，降低搜索的随机性。本发明通过改进的蚁群算法能够搜索到更优的全局最短路径，可以提高蚁群算法搜索的有效性，降低搜索的随机性，为机器人的路径规划提供良好的条件。

附图说明

图1为本发明的方法流程图。

图2为本实施例中的栅格环境地图的示意图。

图3为本实施例中蚂蚁搜索方向的示意图。

图4为本实施例中蚂蚁搜索领域点的示意图。

图5为本实施例中蚂蚁采用不同搜索方式规划的路径的示意图。

图6为本实施例中蚂蚁搜索方向与理论最佳搜索方向之间的夹角示意图。

图7为本实施例中使用一种启发式信息计算方法的函数图像示意图。

图8为本实施例中使用另一种启发式信息计算方法的函数图像示意图。

图9为本实施例中使用两种计算方法的函数图。

图10为本实施例中启发信息值大于等于0.5时的搜索角度范围示意图。

图11为本实施例中蚂蚁的视野范围示意图。

图12为本实施例中蚂蚁查看2级视野范围内栅格分析图。

图13为本实施例中2级视野范围内栅格不可见的示意图。

图14为本实施例中栅格中心位于同一连线的情况下的视野范围内栅格分析图。

图15为本实施例中使用两种启发式信息计算方法得到的蚂蚁搜索路径轨迹示意图。

图16为本实施例中转移概率参数取不同值时的蚂蚁爬行路径轨迹示意图。

图17为本实施例中转移概率参数取不同值时的仿真结果图。

图18为本实施例中转移概率参数取不同值时10次仿真结果平均值的示意图。

图19为本实施例使用本发明和传统蚁群算法路径长度收敛对比图。

图20为本实施例使用本发明和传统蚁群算法搜索到的最短路径的示意图。

图21为本实施例中使用本发明搜索最短路径过程中的蚂蚁搜索轨迹图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

本发明提供了一种基于改进蚁群算法的移动机器人路径规划方法，提出了一种16个搜索方向24个邻域节点的改进蚁群算法，使蚂蚁在机器人规划的路径搜索的过程中具有更多的方向选择和更广的搜索范围，并设计了2种基于向量夹角的启发信息计算方法；另外，在转移概率部分通过引入转移概率的控制参数来控制蚂蚁在栅格地图中的有效搜索范围，可以搜索到更优的全局最短路径，可以提高算法的搜索的有效性，降低搜索的随机性。

如图1所示，本发明提供了一种基于改进蚁群算法的移动机器人路径规划方法，其实现方法如下：

S1、根据环境障碍物分布特点建立栅格地图，初始化栅格信息素，并设置初始参数和确定移动机器人的起点和终点，所述设置初始参数包括设置栅格的初始信息素浓度、蚁群算法的迭代次数、蚂蚁投放数量、信息启发式因子、期望启发因子以及栅格信息素的挥发系数。在具体实施例中，使用栅格法建立环境地图可以有效表示环境布局特征，首先，对环境中的障碍物进行膨胀化处理，即只要栅格被障碍物触及，则该栅格按障碍物处理。如图2所示，图2(a)为障碍物实际形状，图2(b)表示障碍物在栅格地图中膨胀化处理之后的形状，移动机器人则在自由区域的栅格中心之间移动，另外，栅格尺寸可以根据机器人尺寸或者工作精度要求确定；

S2、初始化禁忌表，将蚁群算法的蚂蚁参数设为M只蚂蚁，并将移动机器人的起点和终点设为M只蚂蚁的起点和终点，在具体实施例中，蚂蚁为蚁群算法里面的参数，其执行的是寻路，到达指定迭代次数后会给出一条最短路径，移动机器人按照寻找到的路径移动；

S3、根据蚂蚁的移动规则计算栅格地图中领域节点的启发信息值，所述蚂蚁的移动规则包括：蚂蚁的搜索方向以及蚂蚁的视野范围，所述蚂蚁的搜索方向为：搜索栅格地图中的16个方向和24个领域节点，且蚂蚁的转角为22.5°，所述蚂蚁的视野范围为：将所述24个领域节点分为1级视野范围栅格和2级视野范围栅格，其中，

所述1级视野范围栅格满足的条件为：

所述2级视野范围栅格满足的条件为：

其中，L表示栅格的边长，d_ik表示蚂蚁当前位置栅格中心到领域栅格中心的距离。

现实生活中蚂蚁可以沿任意方向移动搜索食物源，但在基于栅格地图的蚁群算法中，由于栅格地图的特点限制，蚂蚁的有效搜索方向是有限的，传统的蚂蚁搜索方式有4个搜索方向的搜索方式(图3(a))和8个搜索方向的搜索方式(图3(b))。在图3(a)所示的搜索方式中蚂蚁只能沿水平或者垂直方向移动，在图3(b)所示的搜索方式中是在前者的基础之上增加了对角线方向的移动。为了增加蚂蚁移动方向的数量，本发明将蚂蚁的搜索方向扩展到16个，如图3(c)所示，将蚂蚁的最小转角细化到了22.5°，可以有效地扩大蚂蚁的搜索范围，有利于蚂蚁搜索到更优的路径。对于动物来讲，长远的视野范围可以帮助它们提前发现目标、规划路线，进行有效地捕获猎物或者躲避捕食者，同样的道理，蚂蚁在选择下一步节点前，长远的视野范围可以帮助蚂蚁做出更好地路径规划或者提前发现目标点。在4个搜索方向的搜索方式中，蚂蚁每次只能查看当前位置的4个领域节点，如图4(a)所示；在8个搜索方向的搜索方式中，蚂蚁每次可以查看当前节点的8个领域节点，如图4(b)所示；而在发明提出的16个搜索方向的搜索方式中，蚂蚁每次可以查看当前节点的24个领域节点，如图4(c)所示。细化的搜索方向和大范围的搜索邻域有利于蚂蚁找到更短的路径，图5(a)和图5(b)为传统蚂蚁搜索方式搜索到的路径，图5(c)为本发明提出的蚂蚁搜索方式搜索到的路径。假设单元栅格的边长为1，可以计算出蚂蚁采用不同的搜索方式搜索到的最优路径长度和找到最优路径的搜索次数，如表1所示，通过表1的数据可知，本发明提出的蚂蚁搜索方式可以通过更少的搜索次数找到更短的可行路径。

表1

搜索方式	规划的路径长度	搜索次数
			4个搜索方向	3.00	3
8个搜索方向	2.41	2
			16个搜索方向	2.24	1

在具体实施例中，标准蚁群算法中往往采用当前节点i的领域节点k到终点E之间欧式距离的倒数作为节点k的启发信息，本发明基于向量夹角提出了2种新的启发信息计算方法。已知蚂蚁当前位置i的坐标为(x_i,y_i)，蚂蚁当前位置i的领域节点k的坐标为(x_k,y_k)，蚂蚁的目标点E的坐标为(x_E,y_E)，因此，蚂蚁的理论最佳搜索方向可以表示为D_iE＝(x_E-x_i,y_E-y_i)，蚂蚁下一时刻的移动方向可以表示为D_ik＝(x_k-x_i,y_k-y_i)，通过计算可以得到向量D_ik与向量D_iE之间的夹角的弧度值θ，且θ∈[0,π]。如图6所示，蚂蚁当前位置的任意一个领域节点都有一个相应的弧度值θ，因此以弧度值θ为变量设计了2种启发信息计算方法：

第一种计算方法：

其中，θ_ik表示蚂蚁搜索方向与理论最佳搜索方向之间的夹角，D_ik表示蚂蚁下一时刻的移动方向，D_iE表示蚂蚁理论上的最佳搜索方向，x_k表示蚂蚁下一时刻到达位置的横坐标，x_i表示蚂蚁当前位置的横坐标，x_E表示终点的横坐标，y_k表示蚂蚁下一时刻到达位置的纵坐标，y_i蚂蚁当前位置的纵坐标，y_E表示终点的纵坐标。

第一种方法在区间[0,π]上的函数图像如图7所示，第一种方法可知，当节点k＝E时函数无解，解决办法可以将特殊点E的启发信息设为一个较大常量；

第二种计算方法：

其中，θ_ik表示蚂蚁搜索方向与理论最佳搜索方向之间的夹角，x_k表示蚂蚁下一时刻到达位置的横坐标，x_i表示蚂蚁当前位置的横坐标，x_E表示终点的横坐标，y_k表示蚂蚁下一时刻到达位置的纵坐标，y_i蚂蚁当前位置的纵坐标，y_E表示终点的纵坐标。

第二种方法在区间[0,π]上的函数图像如图8所示。启发信息值是蚂蚁选择领域节点的重要判断依据，邻域节点的启发信息值越大，该点被选择的可能性就越高。为了便于分析，用λ₁和η₁分别表示第一种方法的夹角和启发信息值，λ₂和η₂分别表示第二种方法的夹角和启发信息值，此处的λ表示度数，角度与弧度的转化关系为

在图9中，两函数在A存在一个交点，在交点位置λ₁＝λ₂＝148.1°，可以发现在A之前，当η₁＝η₂时，λ₁>λ₂，也就是说在相同的启发信息值的情况下，采用第一种方法搜索的角度范围更大，有利于指导蚂蚁搜索更大的范围，采用第二种方法搜索的范围则更加集中，有利于指导蚂蚁朝着最佳搜索方向移动。例如：当启发信息值η₁＝η₂≥0.5时，采用第一种方法得到的蚂蚁搜索范围如图10(a)所示，采用第二种方法得到的蚂蚁搜索范围如图10(b)所示。因此，可以总结为：采用第一种方法体现搜索的全局性，采用第二种方法体现搜索的方向性。

在具体实施例中，可以将蚂蚁视野范围内的邻居栅格划分为：1级视野范围栅格和2级视野范围栅格，如图11所示。蚂蚁从当前位置可以直接查看1级视野范围的栅格是否存在障碍物；如果蚂蚁想查看2级视野范围的栅格是否存在障碍物，前提条件是在蚂蚁当前位置与2级视野范围内的栅格连线之间不存在障碍物。例如：如图12(a)所示，蚂蚁在节点i处若想查看2级视野区域的节点k处是否存在障碍物，必须保证1级视野区域的A栅格和B栅格处不存在障碍物。因此，若A栅格和B栅格任意一处存在障碍物均导致蚂蚁无法从节点i直接查看节点k处的情况，如图11(a)、11(b)、11(c)所示，通过上述分析可知，如果某个1级视野范围内的栅格为障碍物时会导致2级视野范围内的部分栅格不可见。图13给出了所有2级视野范围内的栅格不可见的情况，黑色代表障碍物栅格，红色代表不可见栅格。在发明提出的2种启发信息计算方法中，无论使用第一种方法还是第二种方法计算领域节点启发信息值时，会发现栅格中心位于同一连线上的邻居栅格(如图14所示)的启发信息值始终是相同的。如果在蚂蚁移动的方向上存在两栅格启发信息值相同，规定蚂蚁选择1级视野范围内的邻居栅格作为下一时刻到达的位置；

S4、根据所述启发信息值计算栅格的转移概率，并根据所述转移概率的控制参数确定蚂蚁下一时刻到达的位置，更新禁忌表，其实现方法如下：

S401、根据所述启发信息值计算栅格的转移概率，所述栅格的转移概率

的表达式如下：

其中，τ_ik表示t时刻路段(i,k)上的信息素量，η_ik表示蚂蚁m从节点i到节点k的启发信息值，τ_is表示蚂蚁m从节点i到节点s的信息素浓度，α表示信息启发式因子，β为期望启发式因子，allowed_m表示蚂蚁m下一步允许选择的节点集合；

S402、生成一个随机数ω，且ω∈[0,1]；

S403、判断所述转移概率的控制参数σ是否大于所述随机数ω，若是，则进入步骤S304，反之，则进入步骤S305，其中，σ∈[0,1]；

S404、通过轮盘赌策略选择邻域栅格作为蚂蚁下一时刻到达位置,更新禁忌表；

S405、选择转移概率最大的邻域栅格作为蚂蚁下一时刻到达位置,更新禁忌表。

在具体实施例中，栅格的转移概率大小是蚂蚁决定是否选取某邻居栅格作为下一时刻到达位置的最终判断依据。本发明通过设置转移概率的控制参数δ，δ∈[0,1]对蚂蚁的转移策略进行调控。具体操作：在蚂蚁每次选择邻居栅格作为下一步到达位置之前，生成一个随机数ω，ω∈[0,1]，如果ω<σ，则通过轮盘赌策略选择邻居栅格作为蚂蚁下一时刻到达位置；否则，选择转移概率最大的邻居栅格作为蚂蚁下一时刻到达位置。

通过分析可知，当转移概率的控制参数δ＝0时，算法类似于贪心算法；当转移概率的控制参数δ＝1时，算法采用的是轮盘赌策略；当转移概率的控制参数δ∈[0,1]时，算法兼具上述两种情况的特点；

S5、将所有蚂蚁完成一次路径搜索，并更新成功抵达终点的蚂蚁走过的路径上的栅格信息素，所述栅格信息素τ_ik(t+1)的表达式如下：

τ_ik(t+1)＝(1-ρ)τ_ik(t)+Δτ_ik(t)

其中，ρ表示信息素挥发系数，且ρ∈(0,1)，Δτ_ik(t)表示M只蚂蚁一次循环之后在路段(i,k)上留下的信息素量，

表示蚂蚁m在路段(i,k)上留下的信息素量；

S6、判断是否完成预设的迭代次数，若是，则输出最优路径，从而完成移动机器人的路径规划，反之，则返回步骤S2。

为了进一步对本发明进行说明，采用规模为30*30的栅格地图，在栅格地图中随机生成障碍物，用ζ表示地图中障碍物的分布比例，δ表示蚂蚁的转移概率的控制参数、N表示蚁群算法的代次数、M表示蚂蚁投放数量、α表示信息启发式因子、β表示期望启发式因子、ρ表示信息素挥发系数，上述相关参数设置见表2。

表2

如图15(a)、(b)、(c)为使用第一种启发信息计算方式得到的蚂蚁搜索路径轨迹；图15(d)、(e)、(f)为使用第二种启发信息计算方式得到的蚂蚁搜索路径轨迹。对比蚂蚁的搜索路径分布特点可以发现，第一种启发信息计算方式搜索到的路径范围相对于第二种启发信息计算方式更加广泛。因此，说明了第一种启发信息计算方式相对于第一种启发信息计算方式具有搜索全局性，方法2相对于方法1具有搜索方向性。

采用规模为30*30的栅格地图，ζ＝10％，ζ表示地图中障碍物的分布比例，转移概率的控制参数δ分别取值{0.2,0.4,0.6,0.8,1}，相关参数见表3。此外，采用第一种启发信息计算方式：

表3

如图16所示，可以发现随着转移概率的控制参数δ取值的增大，蚂蚁的搜索范围也随着增大，因此，可以通过设置转移概率的控制参数δ的值，实现对算法搜索范围的调控。为了探寻转移概率的控制参数δ取何值时，算法的路径寻优效果最好，对转移概率的控制参数δ∈{0.2,0.4,0.6,0.8,1}的每一个取值进行10次仿真，记录每次仿真的最短路径值。图17仿真结果图，图18为转移概率的控制参数δ取不同值时10次仿真结果的平均值，从仿真结果中可以发现，当转移概率的控制参数δ＝0.8时算法路径寻优效果最好。

为了进一步对本发明进行说明，分别在规模为15*15、30*30、60*60，ξ＝20％的栅格地图中对本发明算法和标准蚁群算法进行分析，ζ表示地图中障碍物的分布比例，算法仿真中的相关参数见表2，采用第一种启发信息计算方式。算法搜索到的路径长度迭代结果如图19所示；本发明算法和标准蚁群算法搜索到的最短路径如图20所示，以及对应的在算法搜索过程中的蚂蚁爬行路径轨迹如图21所示。两种算法搜索到的最短路径见表4，可以发现本发明算法无论是在小、中、还是大规模场景地图中，本发明算法的路径搜索效果均比标准蚁群算法更佳。在中、小规模地图中传统蚁群算法可以搜索最优或者近似最优值；在大规模场景下，标准蚁群算法搜索具有强烈的随机性(如图21(c)所示)，虽然可以找到从起点到终点的可行路径，但与最优值相差甚远。

表4

通过观察数据可以发现本发明算法搜索到的路径长度也比标准蚁群算法搜索到的最优解的路径长度短。本发明通过改进的蚁群算法能够搜索到更优的全局最短路径，可以提高蚁群算法搜索的有效性，降低搜索的随机性，为机器人的路径规划提供良好的条件。

Claims (7)

1.一种基于改进蚁群算法的移动机器人路径规划方法，其特征在于，包括如下步骤：

S1、根据环境障碍物分布特点建立栅格地图，初始化栅格信息素，并设置初始参数和确定移动机器人的起点和终点；

S2、初始化禁忌表，将蚁群算法的蚂蚁参数设为M只蚂蚁，并将移动机器人的起点和终点设为M只蚂蚁的起点和终点；

S3、根据蚂蚁的移动规则计算栅格地图中领域节点的启发信息值；

所述步骤S3中的蚂蚁的移动规则包括：蚂蚁的搜索方向以及蚂蚁的视野范围；

所述步骤S3中的启发信息值η_ik的计算方法包括如下两种方法：

第一种计算方法：

其中，θ_ik表示蚂蚁搜索方向与理论最佳搜索方向之间的夹角，D_ik表示蚂蚁下一时刻的移动方向，D_iE表示蚂蚁理论上的最佳搜索方向，x_k表示蚂蚁下一时刻到达位置的横坐标，x_i表示蚂蚁当前位置的横坐标，x_E表示终点的横坐标，y_k表示蚂蚁下一时刻到达位置的纵坐标，y_i蚂蚁当前位置的纵坐标，y_E表示终点的纵坐标；

第二种计算方法：

其中，θ_ik表示蚂蚁搜索方向与理论最佳搜索方向之间的夹角，x_k表示蚂蚁下一时刻到达位置的横坐标，x_i表示蚂蚁当前位置的横坐标，x_E表示终点的横坐标，y_k表示蚂蚁下一时刻到达位置的纵坐标，y_i蚂蚁当前位置的纵坐标，y_E表示终点的纵坐标；

S4、根据所述启发信息值计算栅格的转移概率，并根据所述转移概率的控制参数确定蚂蚁下一时刻到达的位置，更新禁忌表；

所述栅格的转移概率

的表达式如下：

其中，τ_ik表示t时刻路段(i,k)上的信息素量，η_ik表示蚂蚁m从节点i到节点_k的启发信息值，τ_is表示蚂蚁m从节点i到节点s的信息素浓度，α表示信息启发式因子，β为期望启发式因子，allowed_m表示蚂蚁m下一步允许选择的节点集合；

S5、将所有蚂蚁完成一次路径搜索，并更新成功抵达终点的蚂蚁走过的路径上的栅格信息素；

S6、判断是否完成预设的迭代次数，若是，则输出最优路径，从而完成移动机器人的路径规划，反之，则返回步骤S2。

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路径规划方法，其特征在于，所述步骤S1中设置初始参数包括设置栅格的初始信息素浓度、蚁群算法的迭代次数、蚂蚁投放数量、信息启发式因子、期望启发因子以及栅格信息素的挥发系数。

3.根据权利要求1所述的基于改进蚁群算法的移动机器人路径规划方法，其特征在于，所述蚂蚁的搜索方向为：搜索栅格地图中的16个方向和24个领域节点，且蚂蚁的转角为22.5°。

4.根据权利要求3所述的基于改进蚁群算法的移动机器人路径规划方法，其特征在于，所述蚂蚁的视野范围为：将所述24个领域节点分为1级视野范围栅格和2级视野范围栅格，其中，

所述1级视野范围栅格满足的条件为：

所述2级视野范围栅格满足的条件为：

其中，L表示栅格的边长，d_ik表示蚂蚁当前位置栅格中心到领域栅格中心的距离。

5.根据权利要求4所述的基于改进蚁群算法的移动机器人路径规划方法，其特征在于，针对1级视野范围栅格和2级视野范围栅格的启发信息值相同时，蚂蚁选择1级视野范围内的领域栅格作为下一时刻到达的位置。

6.根据权利要求1所述的基于改进蚁群算法的移动机器人路径规划方法，其特征在于，所述步骤S4包括如下步骤：

S401、根据所述启发信息值计算栅格的转移概率；

S402、生成一个随机数ω，且ω∈[0,1]；

S403、判断所述转移概率的控制参数σ是否大于所述随机数ω，若是，则进入步骤S404，反之，则进入步骤S405，其中，σ∈[0,1]；

S404、通过轮盘赌策略选择邻域栅格作为蚂蚁下一时刻到达位置,更新禁忌表；

S405、选择转移概率最大的邻域栅格作为蚂蚁下一时刻到达位置,更新禁忌表。

7.根据权利要求1所述的基于改进蚁群算法的移动机器人路径规划方法，其特征在于，所述步骤S5中栅格信息素τ_ik(t+1)的表达式如下：

τ_ik(t+1)＝(1-ρ)τ_ik(t)+Δτ_ik(t)

其中，ρ表示信息素挥发系数，且ρ∈(0,1)，Δτ_ik(t)表示M只蚂蚁一次循环之后在路段(i,k)上留下的信息素量，

表示蚂蚁m在路段(i,k)上留下的信息素量。

Images