CN111310999B - 一种基于改进蚁群算法的仓库移动机器人路径规划方法 - Google Patents

一种基于改进蚁群算法的仓库移动机器人路径规划方法 Download PDF

Info

Publication number
CN111310999B
CN111310999B CN202010093461.3A CN202010093461A CN111310999B CN 111310999 B CN111310999 B CN 111310999B CN 202010093461 A CN202010093461 A CN 202010093461A CN 111310999 B CN111310999 B CN 111310999B
Authority
CN
China
Prior art keywords
path
ant
ant colony
ants
sub
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.)
Active
Application number
CN202010093461.3A
Other languages
English (en)
Other versions
CN111310999A (zh
Inventor
于军琪
李若琳
赵安军
段佳音
惠蕾蕾
余紫瑞
任延欢
叶子雁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202010093461.3A priority Critical patent/CN111310999B/zh
Publication of CN111310999A publication Critical patent/CN111310999A/zh
Application granted granted Critical
Publication of CN111310999B publication Critical patent/CN111310999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Game Theory and Decision Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于改进蚁群算法的仓库移动机器人路径规划方法，首先将蚁群划分为若干个子蚁群；利用每个子蚁群进行路径搜索，按照效用函数值进行排序，获取较优蚂蚁；将其信息素更新至邻居子蚁群中，迭代设定次数后，输出初始路径；若初始路径中任意两个节点连线之间无障碍物时，将两个节点直接相连，完成仓库移动机器人路径规划；本发明利用效用函数对路径搜索结果进行排序，使信息素具有正确的方向性，提高了蚂蚁选择较短路径的概率，避免了在搜索过程中的盲目性；通过子蚁群间的信息交流，提高了整体蚂蚁群的搜索能力及搜索最短路径的速度；通过对中间节点进行平滑处理，减少了规划路径的转弯次数和总体长度，有效提高了仓库的运行效率。

Description

一种基于改进蚁群算法的仓库移动机器人路径规划方法
技术领域
本发明涉及仓库管理技术领域，特别涉及一种基于改进蚁群算法的仓库移动机器人路径规划方法。
背景技术
目前，在处理智能仓库移动机器人路径规划问题的时候，使用蚁群算法的研究较多，但是多数蚁群算法在求解路径规划问题时，多是通过一定的参数干预，改变种群中蚂蚁的节点选择方式或信息素更新方式，提高搜索效果；较少考虑在迭代过程中利用多个蚂蚁子蚁群之间信息素交互的方式；这种方式难以平衡收敛速度快和避免早熟停滞两个目的，且多数相关研究仅追求移动机器人行走路径最短，未考虑在运行过程中，由于转弯次数过多导致移动机器人的行驶不够平稳问题的考量。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种基于改进蚁群算法的仓库移动机器人路径规划方法，以解决现有技术中无法平衡收敛速度快及避免早熟停滞的技术问题，有效提高了仓库的运行效率。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种基于改进蚁群算法的仓库移动机器人路径规划方法，包括以下步骤：
S1、建立仓库栅格地图，设置蚁群参数，并将蚁群划分为若干个子蚁群；
S2、利用每个子蚁群进行路径搜索，得到若干路径搜索结果；将每个子蚁群的路径搜索结果按照效用函数值进行排序；
S3、根据步骤S2中的排序结果，获取较优蚂蚁；将较优蚂蚁的信息素更新至邻居子蚁群中，令若干子蚁群协同进化；迭代设定次数后，停止蚂蚁搜索，比较各个子蚁群搜索到的最优路径，输出初始路径；
S4、判断初始路径中任意两个节点连线之间是否有障碍物，若无，将两个节点直接相连，即完成仓库移动机器人路径规划。
进一步的，步骤S2中，每个子蚁群进行路径搜索过程，具体包括以下步骤：
S201、每个子蚁群中的所有蚂蚁分别进行一次路径构建；
S202、进行信息素挥发，更新每个子蚁群路径的信息素；
具体的，根据当前子蚁群中蚂蚁的贡献值排序，选择排序前列的蚂蚁和生成至今为止最优解的蚂蚁所在路径，释放路径信息素；之后接收邻居子蚁群路径信息，允许邻居子蚁群贡献度较高的蚂蚁在本子蚁群释放路径信息素；
S203、迭代设定次数后，输出最优路径，得到每个路径搜索结果。
进一步的，步骤S2中，每个子蚁群中的蚂蚁进行路径构建时，蚂蚁采用轮盘赌方式选择下一个节点。
进一步的，步骤S202中，当每一只蚂蚁都生成一条路径之后，在更新路径信息素之前，将之前存在在路径上的信息素挥发，挥发公式如下：
τij←(1-ρ)τij
其中，ρ为信息挥发因子，τij为边(i,j)上的路径信息素。
进一步的，步骤S202中，蚂蚁路径构建过程中，当蚂蚁陷入死角状态时，采用蚂蚁回退策略，使其重新选择新的移动节点。
进一步的，步骤S202中，当蚂蚁陷入死角状态时，该蚂蚁所在死角边路径上的信息素更新公式如下：
τrs←(1-λ)τrs
其中，τrs为路径信息素浓度；1-λ为加权系数。
进一步的，步骤S2中，将若干路径搜索结果按照效用函数值进行排序过程中，采用将转弯次数最少目标函数和路径最短目标函数通过线性加权后与效用函数Z(L,N)建立关系；其中，效用函数Z(L,N)的表达式为：
Z(L,N)＝ω1L(P)+ω2N(d)
其中，ω1是路径长度权重系数，ω2是转弯次数权重系数，L(P)表示最短路径的求和，N(d)为转向次数的求和。
进一步的，步骤S3中，较优蚂蚁包括效用函数值排序前20％的蚂蚁和至今为止最优解的蚂蚁。
进一步的，步骤S3中，将较优蚂蚁的信息素更新至邻居子蚁群的过程中，信息素更新公式为：
Figure BDA0002384491020000031
其中，
Figure BDA0002384491020000034
为第r只蚂蚁在其经过的路径上释放的路径信息素的量；
Figure BDA0002384491020000032
为为从邻居蚁群传递过来的贡献度在前n-1位的蚂蚁在其经过路径上释放的路径信息素的量，
Figure BDA0002384491020000033
为邻居子蚁群至今为止构成的最优解蚂蚁释放的路径信息素量；
r为蚂蚁的在当前子蚁群中的排序序列；
q为邻居蚂蚁在邻居子蚁群中的排序序列；
w为排序在前列的需要更新路径信息素的蚂蚁；
n为每个子蚁群中蚂蚁的个数。
与现有技术相比，本发明的有益效果为：
本发明提供了一种基于改进蚁群算法的仓库移动机器人路径规划方法，通过将蚂蚁群分为若干个子蚁群，利用效用函数对每个子蚁群获得的路径搜索结果进行排序，确保了信息素具有正确的方向性，提高了蚂蚁选择较短路径的概率，避免了蚂蚁在搜索过程中的盲目性；通过若干个子蚁群之间的信息交流，令各个子蚁群协同进化，有效提高了整体蚂蚁群的搜索能力；同时，由于路径上信息素快速累加，有效提高了改进后的蚁群算法搜索最短路径的速度；通过对中间节点进行平滑处理，减少了规划路径的转弯次数和总体长度，有效提高了仓库的运行效率。
进一步的，选择蚂蚁子蚁群中的较优蚂蚁更新路径信息素，提高了前期信息素的积累速度且确保了信息素积累的方向性，提高了最优路径搜索的速度和准确度。
进一步的，对进入死角的蚂蚁通过回退和惩罚函数处理，搜索路径的过程中对死角边上的蚂蚁信息素做减少处理，降低蚂蚁下次选择该死角点的概率，可避免蚂蚁再次陷入该死角，避免了路径规划过程的停滞。
综上所述，本发明提出的一种基于改进蚁群算法的仓库移动机器人路径规划方法，在进行仓库路径规划时，利用多子蚁群提高了算法的速度和求解效果，信息素惩罚也能避免子蚁群陷入局部最优解，仓库能够更快更准确更稳定的求得最优路径。
附图说明
图1为本发明所述的路径规划方法中的每个子蚁群进行路径搜索过程的流程图；
图2为本发明所述的路径规划方法中的子蚁群信息交互示意图；
图3为本发明所述的路径规划方法中的路径死角状态示意图；
图4为本发明所述的路径规划方法中的路径平滑处理流程图；
图5为利于现有的蚁群算法规划的31城市路径示意图；
图6为利用本发明所述的路径规划方法规划的31城市路径示意图；
图7为栅格坐标与栅格编号示意图；
图8为利用现有的蚁群算法规划的30*30环境中的路径规划结果示意图；
图9为利用本发明所述的路径规划方法规划的30*30环境中的路径规划结果示意图；
图10为利用现有的蚁群算法规划的35*35环境中的路径规划结果示意图；
图11为利用本发明所述的路径规划方法规划的35*35环境中的路径规划结果示意图；
图12为30*30环境中现有的蚁群算法及本发明中改进蚁群算法的收敛曲线；
图13为35*35环境中现有的蚁群算法及本发明中改进蚁群算法的收敛曲线；
图14为30*30环境中利用本发明所述的路径规划方法生成路径平滑前示意图；
图15为30*30环境中利用本发明所述的路径规划方法生成路径平滑后示意图；
图16为35*35环境中利用本发明所述的路径规划方法生成路径平滑前示意图；
图17为35*35环境中利用本发明所述的路径规划方法生成路径平滑后示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明。
如附图1-17所示，本发明提供了一种基于改进蚁群算法的仓库移动机器人路径规划方法，包括以下步骤：
S1、为方便仓库模型的简化，建立仓库栅格地图，设置蚂蚁参数，并将蚂蚁群划分为若干个子蚁群；其中，仓库栅格地图中X为横坐标轴，Y为纵坐标轴，记边(i,j)为节点i和节点j之间连接的边；
S2、利用每个子蚁群进行路径搜索，得到若干路径搜索结果；将每个子蚁群路径搜索结果按照效用函数值进行排序；
每个子蚁群进行路径搜索过程，具体包括以下步骤：
S201、每个子蚁群中的所有蚂蚁分别进行一次路径构建；每个子蚁群中的蚂蚁进行路径构建时，蚂蚁采用轮盘赌方式选择下一个节点；
在蚂蚁k在节点i时，当节点j未被访问时，蚂蚁选择节点j的概率如下式：
Figure BDA0002384491020000061
其中，τij为边(i,j)上的路径信息素，
ηij是边(i,j)所具有的启发式信息，对于一般的路径搜索问题，ηij取路径长度的倒数；
α和β为算法参数；
其中，当节点j已经被访问时，
Figure BDA0002384491020000062
S202、进行信息素挥发，更新每个子蚁群的路径信息素；
具体的，根据当前子蚁群中蚂蚁的贡献值排序，选择排序前列的蚂蚁和生成至今为止最优解的蚂蚁所在路径，释放信息素；之后接收邻居子蚁群信息，允许邻居子蚁群贡献度较高的蚂蚁在本子蚁群释放信息素；
当每一只蚂蚁都生成一条路径之后，在更新信息素之前，将之前存在在路径上的信息素挥发，挥发公式如下：
τij←(1-ρ)τij
其中，ρ为信息挥发因子，τij为边(i,j)上的路径信息素。
蚂蚁路径构建过程中，当蚂蚁陷入死角状态时，采用蚂蚁回退策略，使其重新选择新的移动节点；当蚂蚁陷入死角状态时，该蚂蚁所在路径的信息素更新公式如下：
τrs←(1-λ)τrs
其中，τrs为路径信息素浓度；1-λ为加权系数。
S203、迭代设定次数后，输出最优路径，得到每个路径搜索结果。
具体的，效用函数值是为了简化模型；本发明中每个栅格的长度设定为1个单位长度，实际应用过程，每个栅格的长度根据实际的长度单位，进行目标函数量纲统一处理；采用将若干路径搜索结果按照效用函数值进行排序过程中，采用将转弯次数最少目标函数和路径最短目标函数通过线性加权后与效用函数Z(L,N)建立关系，转弯次数最少可以使移动机器人的整体运行路径平稳；通过将多目标求解问题转化为传统的单目标求解问题，使求得的解同时满足路径最短和转弯次数最少；其中，效用函数Z(L,N)的表达式为：
Z(L,N)＝ω1L(P)+ω2N(d)
其中，ω1是路径长度权重系数，ω2是转弯次数权重系数，L(P)表示最短路径的求和，N(d)为转向次数的求和。
其中，转弯次数最少目标函数的表达式为：
Figure BDA0002384491020000071
其中，dn第n个节点上的转弯次数；dn的数学表达式为：
Figure BDA0002384491020000072
其中，
Figure BDA0002384491020000073
其中，(xn,yn)、(xn+1,yn+1)分别为路径通过的相邻的两个栅格中心点的坐标，k为斜率，n为路径途径的栅格中心坐标顺序序列号；
yn-1为第n-1个栅格中心点的纵坐标。
xn-1为第n-1个栅格中心点的横坐标。
kn-1第n个栅格中心和n-1个栅格中心连线的斜率。
kn第n+1个栅格中心和n个栅格中心连线的斜率。
路径最短目标函数的表达式为：
Figure BDA0002384491020000074
其中，L(Pi,Pi+1)为点Pi与点Pi+1之间的距离；
(xi,yi)、(xi+1,yi+1)分别为转向点在空间中，当前栅格中心点的坐标和下一个点的坐标。
子蚁群的蚂蚁按照所构建路径效用函数值大小排序：Z1≤Z2≤…≤Zm，本发明中某个蚂蚁构建的路径效用函数值越小，对应的蚂蚁贡献度越高，说明其构建的路径越优；允许自身排序在前列的w-1只蚂蚁和生成了至今最优解的蚂蚁在路径上释放信息素，选取每个子蚁群中贡献度较高的n只蚂蚁传递给邻居子蚁群，即贡献度较高的前n-1只蚂蚁，和构建了目前为止最优路径的1只蚂蚁，并且接收邻居子蚁群传来的n只较优蚂蚁的路径信息；允许邻居传来的n只较优蚂蚁在本蚁群的路径上释放信息素，这种基于排序的并行蚁群系统的信息素释放规则为：蚂蚁的排序和贡献值相关，因此蚂蚁释放的信息素量，正比于蚂蚁的排名，此外，邻居传递来的蚂蚁也将根据排序获得相应的信息素量。
S3、根据步骤S2中的排序结果，获取较优蚂蚁；所述较优蚂蚁包括效用函数值排序前20％的蚂蚁和至今为止最优解的蚂蚁；将较优蚂蚁的信息素更新至邻居子蚁群中，令若干子蚁群协同进化；迭代设定次数后，停止蚂蚁搜索，比较各个子蚁群搜索到的最优路径，输出初始路径；
其中，将较优蚂蚁的信息素更新至邻居子蚁群的过程中，信息素更新公式为：
Figure BDA0002384491020000081
其中，
Figure BDA0002384491020000082
为第r只蚂蚁在其经过的路径上释放的信息素的量；
Figure BDA0002384491020000083
为为从邻居蚁群传递过来的贡献度在前n-1位的蚂蚁在其经过路径上释放的信息素的量，
Figure BDA0002384491020000084
为邻居子蚁群至今为止构成的最优解蚂蚁释放的信息素量；
r为蚂蚁的在当前子蚁群中的排序序列；
q为邻居蚂蚁在邻居子蚁群中的排序序列；
w为排序在前列的需要更新信息素的蚂蚁；
n为每个子蚁群中蚂蚁的个数。
当边(i,j)在蚂蚁r构建的路径上，
Figure BDA0002384491020000091
而当边(i,j)不在蚂蚁r构建的路径上，
Figure BDA0002384491020000092
当边(i,j)在至今最优路径上的时候，
Figure BDA0002384491020000093
否则
Figure BDA0002384491020000094
S4、判断初始路径中任意两个节点连线之间是否有障碍物，若无，将两个节点直接相连；当路径上没有障碍物时，连接不相邻的栅格中心点，以实现减少移动机器人的转弯次数和路径长度，即完成仓库移动机器人路径规划；如果有障碍物，则不进行操作；即不删除此中间节点，顺序到下两个节点，判断后两个节点之间是否有障碍物。
其中，平滑处理过程，具体包括以下步骤：
首先获取路径的拐点序列{Pn}，搜索拐点i之后的第i+2个拐点，判断两个点之间是否存在障碍物，如果不存在，则取消拐点i+1，将i和i+2直接相连，并更新拐点序列，如果存在障碍物，则判断拐点i+1和i+3；直到所有拐点都被判断一次，得到平滑处理后的新的拐点序列。
本发明提供了一种基于改进蚁群算法的仓库移动机器人路径规划方法，通过将蚂蚁群分为若干个子蚁群，利用效用函数对每个子蚁群获得的路径搜索结果进行排序，确保了信息素具有正确的方向性，提高了蚂蚁选择较短路径的概率，避免了蚂蚁在搜索过程中的盲目性；通过若干个子蚁群之间的信息交流，令各个子蚁群协同进化，有效提高了整体蚂蚁群的搜索能力；同时，由于路径上信息素快速累加，有效提高了改进后的蚁群算法搜索最短路径的速度；通过对中间节点进行平滑处理，减少了规划路径的转弯次数和总体长度，有效提高了仓库的运行效率；对进入死角的蚂蚁通过回退和惩罚函数处理，惩罚函数处理过程，采用该蚂蚁所在死角边路径上的信息素更新公式τrs←(1-λ)τrs前期对信息素进行加权处理，可避免蚂蚁再次陷入该死角，避免了路径规划过程的停滞。
本发明提供了一种基于改进蚁群算法的仓库路径规划方法，采用基于并行排序蚁群算法的路径规划方法；在蚁群搜索路径的之前，将一个蚁群分为5个子蚁群；采用每个子蚁群进行路径搜索，并在每代蚂蚁中所有子蚁群蚂蚁全部完成搜索之后；根据效用函数值进行排序，选择排序前20％的蚂蚁和至今为止最优解的蚂蚁设定为较优蚂蚁，每个子蚁群都选出排序前列的蚂蚁，进行信息素互相交换，交换相邻子蚁群的较优蚂蚁信息素，令多个子蚁群协同进化；在迭代次数达到设定值的时候，停止蚂蚁搜索，比较各个子蚁群搜索出的路径的最优解，最终输出整体较优的初始路径；至此完成路径规划的第一步；之后通过减少初始路径中的中间节点的方式，对子蚁群规划出的路径进行二次平滑处理，减少转弯次数和路径长度，完成仓库自动引导车路径规划。
首先设置蚁群蚂蚁的总数量和子蚁群的数量；然后每个子蚁群开始进行路径搜索，按照效用函数值排序，选择排序前列的蚂蚁，将信息素更新到邻居子蚁群中，迭代到一定次数之后，各个子蚁群输出效用函数最小的路径；然后，判断两个节点连线之间是否有障碍物，没有障碍物的话，将两个节点直接相连，减少移动机器人运行中的节点数量和路径总长度，具有更快的速度和更好的求解效果。
如附图1所示，每个子蚁群的搜索流程请参阅附图1，每个子蚁群中的所有蚂蚁先进行路径的一次构建，然后信息素挥发；再根据当前子蚁群自身蚂蚁的贡献值排序选择排序前列的蚂蚁和生成至今为止最优解的蚂蚁所在路径，释放信息素，之后接收邻居子蚁群信息，允许邻居子蚁群贡献度较高的蚂蚁再当前子蚁群释放信息素；再之后，达到最大迭代次数之后，输出最优路径，并根据各子蚁群的搜索结果选择全局最优路径输出。
子蚁群信息交互的方式和邻居子蚁群的设定，请参阅附图2，其中，子蚁群1将信息素传递给子蚁群2，子蚁群2传递给子蚁群3，依次，子蚁群a将信息素传递给子蚁群1。
参阅图3，是蚁群搜索时遇到路径死角时的状态示意图，当遇到这种情况时，蚂蚁回退一格，并且对路径信息素更新，可避免蚂蚁再次陷入该死角，
参阅图4，是进行路径平滑修正的流程图；首先，获取搜索到的最优路径的拐点序列，判断第一个拐点和第三个拐点之间有没有障碍物；如果没有，则把第二个拐点去掉，生成新的拐点序列，循环直到两个节点之间没有办法直接连接，用同样的方法判断第二个拐点和第四个拐点之间有没有障碍物，知道所有拐点遍历过一遍，输出最终的路径拐点序列。
验证过程
本发明的验证分为三个部分，使用本发明所述的改进蚁群算法和现有蚁群算法求解城市数量为31的TSP问题，进行对比验证；
对仓库进行仿真模拟，建立栅格地图，使用所述的改进蚁群算法和现有蚁群算法搜索最优路径，进行对比验证；对已经求解得到的初始路径通过减少中间节点的方式进行平滑处理。
具体过程如下：
第一部分：设定TSP模型的城市数量为31，最大迭代次数200，现有蚁群算法设置蚂蚁数量为50，本发明所述的改进并行排序蚁群算法设置子蚁群数量为5，每个子蚁群中蚂蚁数量为35，按照并行排序蚁群算法进行路径搜索，每个算法各运行50次，记录50次的相关数据，见表1；如附图5-6分别为两种算法规划出的最优路径。
表1求解TSP问题时两种算法50次仿真结果
Figure BDA0002384491020000111
由表1可知，两种算法在求解TSP问题的时候，现有蚁群算法的收敛速度和稳定性都比较差，改进蚁群算法所得的路径长度平均值和迭代次数的平均值比基础蚁群算法小，说明本发明所述的改进蚁群算法的整体收敛速度基础算法快，搜索最优解的能力更好，由所得路径长度标准差和迭代次数标准差可得，求解的稳定性更好。
第二部分：建立仓库环境模型，设定栅格序号与栅格中心坐标对应关系公式为：
Figure BDA0002384491020000121
栅格地图分别设置为30*30大小和35*35大小，障碍栅格数量分别为200和400，采用现有蚁群算法和改进蚁群算法进行求解；附图8-9分别为其路径规划结果图；附图10-11分别为其收敛曲线图，表2和表3分别为其50次仿真的结果：
表2 30*30环境中两种算法50次仿真结果
Figure BDA0002384491020000122
表3 35*35环境中两种算法50次仿真结果
Figure BDA0002384491020000123
综上可得，本发明所述的并行排序蚁群算法无论是从收敛速度、求解效果，还是从多次实验的稳定性来看，都比传统的蚁群算法更快更好。
第三部分：主要是对已生成的最优路径中的转折中心点进行处理，以减少移动机器人的无效路径和转弯次数。通过附图4的方式对已生成的最优路径的中间节点进行处理，平滑修正后的路径对比，如图12所示。表4为路径平滑改进前后数据对比。
表4路径平滑前后数据对比
Figure BDA0002384491020000131
由表4可知，平滑后的路径长度减少了4.5％和8.3％，转弯次数分别减少了7.6％和29.0％，说明该方法能有效的减少AGV行驶路径中的路径长度和转弯次数。
以上所述仅表示本发明的优选实施方式，任何人在不脱离本发明的原理下而做出的结构变形、改进和润饰等，这些变形、改进和润饰等均视为在本发明的保护范围内。

Claims (8)

1.一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，包括以下步骤：
S1、建立仓库栅格地图，设置蚁群参数，并将蚁群划分为若干个子蚁群；
S2、利用每个子蚁群进行路径搜索，得到若干路径搜索结果；将每个子蚁群的路径搜索结果按照效用函数值进行排序；
S3、根据步骤S2中的排序结果，获取较优蚂蚁；将较优蚂蚁的信息素更新至邻居子蚁群中，令若干子蚁群协同进化；迭代设定次数后，停止蚂蚁搜索，比较各个子蚁群搜索到的最优路径，输出初始路径；
S4、判断初始路径中任意两个节点连线之间是否有障碍物，若无，将两个节点直接相连，即完成仓库移动机器人路径规划；
步骤S2中，每个子蚁群进行路径搜索过程，具体包括以下步骤：
S201、每个子蚁群中的所有蚂蚁分别进行一次路径构建；
S202、进行信息素挥发，更新每个子蚁群路径的信息素；
具体的，根据当前子蚁群中蚂蚁的贡献值排序，选择排序前列的蚂蚁和生成至今为止最优解的蚂蚁所在路径，释放路径信息素；之后接收邻居子蚁群路径信息，允许邻居子蚁群贡献度较高的蚂蚁在本子蚁群释放路径信息素；
S203、迭代设定次数后，输出最优路径，得到每个路径搜索结果。
2.根据权利要求1所述的一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，步骤S2中，每个子蚁群中的蚂蚁进行路径构建时，蚂蚁采用轮盘赌方式选择下一个节点。
3.根据权利要求1所述的一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，步骤S202中，当每一只蚂蚁都生成一条路径之后，在更新路径信息素之前，将之前存在在路径上的信息素挥发，挥发公式如下：
τij←(1-ρ)τij
其中，ρ为信息挥发因子，τij为边(i,j)上的路径信息素。
4.根据权利要求1所述的一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，步骤S202中，蚂蚁路径构建过程中，当蚂蚁陷入死角状态时，采用蚂蚁回退策略，使其重新选择新的移动节点。
5.根据权利要求4所述的一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，步骤S202中，当蚂蚁陷入死角状态时，该蚂蚁所在死角边路径上的信息素更新公式如下：
τrs←(1-λ)τrs
其中，τrs为路径信息素浓度；1-λ为加权系数。
6.根据权利要求1所述的一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，步骤S2中，将若干路径搜索结果按照效用函数值进行排序过程中，采用将转弯次数最少目标函数和路径最短目标函数通过线性加权后与效用函数Z(L,N)建立关系；其中，效用函数Z(L,N)的表达式为：
Z(L,N)＝ω1L(P)+ω2N(d)
其中，ω1是路径长度权重系数，ω2是转弯次数权重系数，L(P)表示最短路径的求和，N(d)为转向次数的求和。
7.根据权利要求1所述的一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，步骤S3中，较优蚂蚁包括效用函数值排序前20％的蚂蚁和至今为止最优解的蚂蚁。
8.根据权利要求1所述的一种基于改进蚁群算法的仓库移动机器人路径规划方法，其特征在于，步骤S3中，将较优蚂蚁的信息素更新至邻居子蚁群的过程中，信息素更新公式为：
Figure FDA0003523717720000021
其中，
Figure FDA0003523717720000031
为第r只蚂蚁在其经过的路径上释放的路径信息素的量；
Figure FDA0003523717720000032
为从邻居蚁群传递过来的贡献度在前n-1位的蚂蚁在其经过路径上释放的路径信息素的量，
Figure FDA0003523717720000033
为邻居子蚁群至今为止构成的最优解蚂蚁释放的路径信息素量；
r为蚂蚁的在当前子蚁群中的排序序列；
q为邻居蚂蚁在邻居子蚁群中的排序序列；
w为排序在前列的需要更新路径信息素的蚂蚁；
n为每个子蚁群中蚂蚁的个数。
CN202010093461.3A 2020-02-14 2020-02-14 一种基于改进蚁群算法的仓库移动机器人路径规划方法 Active CN111310999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010093461.3A CN111310999B (zh) 2020-02-14 2020-02-14 一种基于改进蚁群算法的仓库移动机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010093461.3A CN111310999B (zh) 2020-02-14 2020-02-14 一种基于改进蚁群算法的仓库移动机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN111310999A CN111310999A (zh) 2020-06-19
CN111310999B true CN111310999B (zh) 2022-04-08

Family

ID=71147117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010093461.3A Active CN111310999B (zh) 2020-02-14 2020-02-14 一种基于改进蚁群算法的仓库移动机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN111310999B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861019A (zh) * 2020-07-24 2020-10-30 西安建筑科技大学 一种仓库拣选路径优化方法、存储介质及计算设备
CN111861018B (zh) * 2020-07-24 2023-06-27 西安建筑科技大学 一种基于路由信息协议的仓库拣选路径优化方法、存储介质及设备
CN113281989B (zh) * 2021-05-06 2022-04-05 长春工业大学 基于改进蚁群算法的冷蠕成形温度控制系统优化设计方法
CN113467473B (zh) * 2021-07-28 2023-09-15 河南中烟工业有限责任公司 一种基于自主移动机器人的物料存储方法及装置
CN114020045B (zh) * 2021-10-25 2023-09-26 南京航空航天大学 一种基于改进蚁群算法的无人机航迹规划方法
CN114251753A (zh) * 2021-12-29 2022-03-29 西安建筑科技大学 一种冰蓄冷空调冷负荷需求预测分配方法及系统
CN114185354B (zh) * 2022-02-15 2022-05-17 中国科学院微电子研究所 一种基于dqn的agv全局路径规划方法和系统
CN114690728A (zh) * 2022-05-18 2022-07-01 山东大学 一种用于物料快速运输的双向可调agv路径规划方法
CN115164914B (zh) * 2022-07-11 2023-10-03 北京中航世科电子技术有限公司 一种单兵作战用导航方法、系统、电子设备及介质
CN115494840B (zh) * 2022-08-20 2024-04-12 安徽工程大学 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法
CN117252360A (zh) * 2023-09-12 2023-12-19 上海雅澳信息科技有限公司 一种基于实时监控数据和智能算法的仓内人员调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760954A (zh) * 2016-02-15 2016-07-13 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN107272679A (zh) * 2017-06-15 2017-10-20 东南大学 基于改进的蚁群算法的路径规划方法
CN109165718A (zh) * 2018-08-07 2019-01-08 华北电力大学（保定） 基于并行蚁群算法的网络重构方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9536192B2 (en) * 2014-06-23 2017-01-03 International Business Machines Corporation Solving vehicle routing problems using evolutionary computing techniques

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760954A (zh) * 2016-02-15 2016-07-13 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN107272679A (zh) * 2017-06-15 2017-10-20 东南大学 基于改进的蚁群算法的路径规划方法
CN109165718A (zh) * 2018-08-07 2019-01-08 华北电力大学（保定） 基于并行蚁群算法的网络重构方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多蚁群伪并行优化算法;刘利强等;《计算机工程》;20071231;第199-201页 *

Also Published As

Publication number Publication date
CN111310999A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111310999B (zh) 一种基于改进蚁群算法的仓库移动机器人路径规划方法
CN107272679B (zh) 基于改进的蚁群算法的路径规划方法
CN112146673B (zh) 基于改进蚁群算法的高速公路多点协同救援路径规划方法
CN112650248B (zh) 基于改进遗传算法的巡检机器人路径规划方法及系统
WO2019154215A1 (zh) 机器人运行路径生成方法、计算设备及存储介质
CN106228265B (zh) 基于改进粒子群优化的总拖期运输计划调度方法
CN112013829A (zh) 基于多目标优化的多uav/ugv协同长时作业路径规划方法
CN112269382B (zh) 一种机器人多目标路径规划方法
CN113985888B (zh) 一种基于改进蚁群算法的叉车路径规划方法及系统
CN115755954B (zh) 巡检路径规划方法、系统、计算机设备及存储介质
CN111885493B (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
CN111340303B (zh) 基于新型混合蛙跳算法的旅行商路线规划方法
CN111240796A (zh) 一种基于改进mmas的负载均衡调度方法
CN107169594B (zh) 一种车辆路径问题的优化方法及装置
CN112000105B (zh) 一种基于交流策略蚁群算法的移动机器人路径规划方法
CN107024220B (zh) 基于强化学习蟑螂算法的机器人路径规划方法
CN114253215A (zh) 一种基于改进蚁群算法的民机舱门自动钻铆路径规划方法
CN110852435A (zh) 一种基于神经进化计算模型
CN115494840B (zh) 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法
CN115270377B (zh) 一种基于改进蚁群算法的多电缆最佳路径规划方法
CN116089083A (zh) 一种多目标数据中心资源调度方法
CN114625137A (zh) 一种基于agv的智能停车路径规划方法及系统
CN115421496A (zh) 一种用于消毒机器人的全覆盖路径规划方法及设备
CN115344046A (zh) 一种基于改进深度q网络算法的移动机器人路径规划
CN111861019A (zh) 一种仓库拣选路径优化方法、存储介质及计算设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant