CN111240326B - 一种基于异构双种群蚁群算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明涉及一种基于异构双种群蚁群算法的移动机器人路径规划方法，该方法首先将静态地图中位置坐标转为二进制数，并结合海明距离计算从起点到目标点整个分块地图中复杂度，将其与预测的复杂度阀值进行对比动态选择局部搜索效率高的蚁群算法还是收敛速度快的精英蚂蚁系统算法的信息素更新算子。其次，在迭代阶段，根据前一阶段选择的结果来选择在迭代前期是否增加较优路径上的蚂蚁的信息素浓度以进一步增加算法的探索度。

Description

一种基于异构双种群蚁群算法的移动机器人路径规划方法

技术领域

本发明属于移动机器人路径规划领域，特别是一种基于异构双种群蚁群算法的移动机器人路径规划方法。

背景技术

移动机器人环境中存在着不同形状不同数量的障碍物，从而路径规划根据环境的复杂度的不同，路径规划的效果也不同，为了满足实际需求平衡获取最快的收敛速度和收敛距离，根据不同的环境复杂度动态选择算法，精英蚁群算法能够快递收敛但在复杂的环境中容易陷入局部解中无法跳出，故此算法适用于复杂度低的环境，而群蚁群算法在复杂环境中容易跳出局部最优解但收敛速度却相对缓慢，本文通过估计环境的复杂度动态的更新信息素策略，提出一个基于环境复杂度的双种群蚁群算法。提高了最优解，减少运行时间。本文的算法还可以在无人机、无人驾驶、等众多领域有着十分广泛的应用。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于异构双种群蚁群算法的移动机器人路径规划方法。本发明的技术方案如下：

一种一种基于异构双种群蚁群算法的移动机器人路径规划方法，其特征在于，包括以下步骤：

S1，初始化移动机器人的环境地图，初始化蚁群算法信息重要程度参数

表示信息素重要程度、β启发函数重要程度、γ代表启发式协同信息素重要程度，蚂蚁进入下一步的策略方程；信息素浓度τ_ij，启发函数η_ij以及协同信息素σ_ij；

S2，根据任务，获取到移动机器人的起始点和目标点的x，y轴坐标；

S3，计算两点间的环境复杂度O_ij和全局复杂度O_global，公式如下：

O_ij＝[x_RHC(R(A))+y_RHC(C(B))]/2

O_global＝[x_RHC(R(A))_global+y_RHC(C(B))_global]/2

其中x_RHC(R(A))代表两点间x轴海明相对距离，y_RHC(C(B))代表两点间y轴海明相对距离，x_RHC(R(A))_global代表全局x轴海明相对距离，y_RHC(C(B))_global代表全局y轴海明相对距离；

S4，计算两点间和全局环境复杂度的比值，即相对复杂度

S5，判断H值的大小，当H<1即在地图环境简单下，更新信息素算子采用精英蚂蚁系统信息素算子如下：

τ_ij＝τ_ij+e·Q/L_eli·H，

其中e代表精英蚂蚁数目，Q为常数代表蚂蚁循环一次所释放的信息素总量L_eli代表精英蚂蚁路径长度；

当H>1即在地图复杂环境下，采用改进型蚁群算法，采用同时更新局部信息素浓度和全局信息素更新策略，更新信息素算子公式如下：

S6，运行异构双种群蚁群算法，即采用精英蚂蚁系统算法和蚁群系统算法；

S7，计算每代信息素浓度；

S8，迭代次数加一；

S9，根据当前迭代次数判断是否需要种群间交流，当为exchange的N次整数倍时交换信息素，公式如下：

τ_EAS＝σ_IACS,τ_IACS＝σ_EAS,if iteration＝N·exchange

iteration_max≥N·exchange

其中exchange设定为10，N为正整数，iteration_max为程序设置的最大迭代次数，

τ_IACS表示改进型蚁群算法信息、

τ_EAS表示精英蚂蚁系统信息、σ_IACS表示改进蚁群算法协同启发信息、

σ_EAS精英蚂蚁系统协同启发信息、S_IACS、S_EAS代表更新后改进蚁群算子和精英蚂蚁系统的转移算子，τ_ij表示两连接点信息素浓度，η_ij表示启发式函数，q是系统生成的随机数，q₀是人为设置的一个常数；

S11，结束迭代，输出当前路径即为移动机器人的最优路径，结束。

进一步的，所述步骤S6的精英蚂蚁系统算法和改进型蚁群算法分别为：

改进型蚁群算法为：

精英蚂蚁系统：

τ_ij＝τ_ij+e·Q/L_eli

其中S代表下一个节点概率I代表可行解集

和β代表权重系数，τ代表信息更新策略，ρ表示信息素挥发程度，1>ρ>0，L_eli代表最优蚂蚁的路径长度L_ave代表蚂蚁平均路径长度L₁代表较优蚂蚁路径长度,e代表精英蚂蚁数目，Q为常数代表蚂蚁循环一次所释放的信息素总量

进一步的，所述步骤S7，记录每代信息素浓度；

本发明的优点及有益效果如下：

本发明针对任务时不同的障碍物环境和环境障碍物复杂度，提出了一种基于环境复杂度的双种群蚁群算法，以往的蚁群算法只是针对全局环境进行算法优化，而忽略了任务点间局部环境的不同对蚁群算子的影响使得算子更具鲁棒性，加强了应对不同环境结构的鲁棒性。更新策略使得算法前期的探索性更优，加快了收敛速度，同时优化了全局最优解。本文的创新点主要体现在上S3-S6。

附图说明

图1是本发明提供优选实施例基于异构双种群蚁群算法的移动机器人路径规划方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

如图1所示，一种基于异构双种群蚁群算法的移动机器人路径规划方法，用相对海明距离来获得更具实际意义的环境复杂度，利用一种双种群策略来对模型进行更新，其包括以下步骤:

S1，初始化环境地图，初始化算法信息重要程度参数

β、γ；蚂蚁进入下一步的策略方程；信息素浓度τ_ij，启发函数η_ij以及协同信息素σ_ij。

S2，根据任务，获取到起始点和目标点的x，y轴坐标。

S3，计算两点间的环境复杂度O_ij和全局复杂度O_global。公式如下：

O_ij＝[x_RHC(R(A))+y_RHC(C(B))]/2

O_global＝[x_RHC(R(A))_global+y_RHC(C(B))_global]/2

S4，计算两点间和全局环境复杂度的比值，即相对复杂度

S5，判读H值得大小，根据H值得大小范围，修改不同的种群算法，因为精英蚂蚁系统相对于其他蚁群算法具有快速收敛，运行时间段的优点同时具有在障碍物多且复杂环境下容易陷入局部极小值的缺点。所以在地图环境简单下，即当H<1时更新采用精英蚂蚁系统信息素算子如下：

τ_ij＝τ_ij+e·Q/L_eli·H

改进型蚁群算法，由于其同时更新局部信息素浓度和全局信息素更新策略，多样性和搜索性更好合适在环境复杂度多的场景下更能获得最优解，故更新信息素算子公式如下：

S6，运行双种群蚁群算法。

S7，计算每代信息素浓度。

S8，迭代次数加一。

S9，根据当前迭代次数判断是否需要种群间交流，当为exchange的N次整数倍时交换信息素，公式如下：

τ_EAS＝σ_IACS,σ_IACS＝σ_EAS,if iteration＝N·exchange

iteration_max≥N·exchange

其中exchange设定为10，N为正整数。iteration_max为程序设置的最大迭代次数。

S10，判断iteration是否等于iteraiion_max。

S11，结束迭代，输出当前路径。

S12，程序结束。

由于采用了上述技术方案，本发明具有如下的优点：

针对任务时不同的障碍物环境和环境障碍物复杂度，提出了一种基于环境复杂度的双种群蚁群算法，使得算子更具鲁棒性，加强了应对不同环境结构的鲁棒性。更新策略使得算法前期的探索性更优，加快了收敛速度，同时优化了全局最优解。

本发明最后在matlab实验平台上进行测试，实验结果表明，利用环境复杂度与多种群蚁群算法融合的方法能够在障碍少的环境中获得更稳定的结果以及在障碍物多的环境中能及早的跳出局部最优解，提高了路径规划寻优中收敛速度和收敛时间。相比于蚁群算法在收敛最优解上提高了9.23％，收敛速度上提高了4.6％。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (1)

1.一种基于异构双种群蚁群算法的移动机器人路径规划方法，其特征在于，包括以下步骤：

S1，初始化移动机器人的环境地图，初始化蚁群算法信息重要程度参数，

表示信息素重要程度，β表示启发函数重要程度，γ代表启发式协同信息素重要程度，蚂蚁进入下一步的策略方程；信息素浓度τ_ij，启发函数η_ij以及协同信息素σ_ij；

S2，根据任务，获取到移动机器人的起始点和目标点的x，y轴坐标；

S3，计算两点间的环境复杂度O_ij和全局复杂度O_global，公式如下：

O_ij＝[x_RHC(R(A))+y_RHC(C(B))]/2

O_global＝[x_RHC(R(A))_global+y_RHC(C(B))_global]/2

其中x_RHC(R(A))代表两点间x轴海明相对距离，y_RHC(C(B))代表两点间y轴海明相对距离，x_RHC(R(A))_global代表全局x轴海明相对距离，y_RHC(C(B))_global代表全局y轴海明相对距离；

S4，计算两点间和全局环境复杂度的比值，即相对复杂度

S5，判断H值的大小，当H<1即在地图环境简单下，更新信息素算子采用精英蚂蚁系统信息素算子如下：

τ_ij＝τ_ij+e·Q/L_eli·H，

其中e代表精英蚂蚁数目，Q为常数，代表蚂蚁循环一次所释放的信息素总量L_eli代表精英蚂蚁路径长度；

当H>1即在地图复杂环境下，采用改进型蚁群算法，采用同时更新局部信息素浓度和全局信息素更新策略，更新信息素算子公式如下：

ρ表示信息素挥发程度，

表示精英蚂蚁系统信息素变化量；

S6，运行异构双种群蚁群算法，当H<1即在地图环境简单下即采用精英蚂蚁系统算法，当H>1即在地图复杂环境下，采用改进型蚁群算法；

S7，计算每代信息素浓度；

S8，迭代次数加一；

S9，根据当前迭代次数判断是否需要种群间交流，当为exchange的N次整数倍时交换信息素，公式如下：

τ_EAS＝σ_IACS,τ_IACS＝σ_EAS,if iteration＝N·exchange

iteration_max≥N·exchange

其中exchange设定为10，N为正整数，iteration_max为程序设置的最大迭代次数，

τ_IACS表示改进型蚁群算法信息、

τ_EAS表示精英蚂蚁系统信息、σ_IACS表示改进蚁群算法协同启发信息、

σ_EAS精英蚂蚁系统协同启发信息、S_IACS、S_EAS代表更新后改进蚁群算子和精英蚂蚁系统的转移算子，τ_ij表示两连接点信息素浓度，η_ij表示启发式函数，q是系统生成的随机数，q₀是人为设置的一个常数；

S11，结束迭代，输出当前路径即为移动机器人的最优路径，结束；

所述步骤S6的精英蚂蚁系统算法和改进型蚁群算法分别为：

改进型蚁群算法为：

精英蚂蚁系统：

τ_ij＝τ_ij+e·Q/L_eli

其中S代表下一个节点概率，I代表可行解集，

表示信息素重要程度，β启发函数重要程度，ρ表示信息素挥发程度，1>ρ>0，L_eli代表最优蚂蚁的路径长度，L_ave代表蚂蚁平均路径长度，L₁代表较优蚂蚁路径长度,e代表精英蚂蚁数目，Q为常数，代表蚂蚁循环一次所释放的信息素总量。

Images