CN112000105A - 一种基于交流策略蚁群算法的移动机器人路径规划方法 - Google Patents

一种基于交流策略蚁群算法的移动机器人路径规划方法 Download PDF

Info

Publication number
CN112000105A
CN112000105A CN202010893573.7A CN202010893573A CN112000105A CN 112000105 A CN112000105 A CN 112000105A CN 202010893573 A CN202010893573 A CN 202010893573A CN 112000105 A CN112000105 A CN 112000105A
Authority
CN
China
Prior art keywords
ant
path
iteration
alternating current
pheromone
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.)
Granted
Application number
CN202010893573.7A
Other languages
English (en)
Other versions
CN112000105B (zh
Inventor
侯文彬
熊志华
王长生
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.)
Dalian University of Technology
Ningbo Research Institute of Dalian University of Technology
Original Assignee
Dalian University of Technology
Ningbo Research Institute of Dalian University of 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 Dalian University of Technology, Ningbo Research Institute of Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010893573.7A priority Critical patent/CN112000105B/zh
Publication of CN112000105A publication Critical patent/CN112000105A/zh
Application granted granted Critical
Publication of CN112000105B publication Critical patent/CN112000105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种基于交流策略蚁群算法的移动机器人路径规划方法，属于机器人路径规划领域。该方法通过赋予蚂蚁交流的能力，充分利用已经探索的路径，不仅避免了基本蚁群算法的上述缺点，更能有效快速地进行最优路径的探索，极大地提高了算法的寻优性能和稳定性；本发明提出了自适应死锁蚂蚁惩罚策略、启发式信息可调节衰减策略、信息素双重奖励策略和基于放大乘子的改进轮盘赌法路径选择策略，既减少了蚂蚁死锁现象，提升了算法多样性，又加速了最优路径信息素浓度积累，赋予算法更快的收敛速度和更稳定的全局寻优能力，极大地提高了蚁群算法的整体性能。

Description

一种基于交流策略蚁群算法的移动机器人路径规划方法
技术领域
本发明属于机器人路径规划领域，涉及一种基于交流策略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领域中最重要的部分。其主要目的是在给定环境中找到起点和目标之间的最佳无碰撞路径。机器人路径规划技术可分为经典方法和启发式方法两大类。经典方法主要包括细胞分解方法(CD)、势场方法(PFM)、子目标方法(SG)和基于采样的方法等。启发式算法主要包括神经网络(NN)、模糊逻辑(FL)和自然启发方法(NIM)以及混合算法等。经典方法由于难以在路径搜索效率和路径优化方面进一步提高，使用率逐渐降低。而启发式方法得益于良好的全局优化能力和并行性等特点，在路径规划领域越来越流行。
蚁群算法是M.Dorigo等学者提出的一种分布式自然启发方法。该算法模拟了蚂蚁协作觅食行为的性质，具有正反馈、高鲁棒性和并行性的优点。蚁群算法在其他群体智能系统中处于领先地位，已成功用于解决许多组合优化问题，并逐渐应用于移动机器人导航领域。
尽管蚁群算法在路径规划任务中表现出若干良好的性能，但仍然存在搜索效率低、收敛速度慢、容易停滞和局部最优解等缺点。为了提高算法的性能，许多研究人员在信息素设置、搜索策略、路径选择方法、启发式信息等方面进行了改进。Zhao Jiang等引入了不均分分布的初始信息素和带方向的启发式信息，有效减少了搜索的盲目性。Wu Xiao Xu等应用了回滚策略使得更多蚂蚁可以到达目标，应用死亡策略减少了无效信息素对蚁群进化的影响。Wang Hong Jian等采用改进的伪随机比例规则选择蚂蚁状态转移，极大地提高了蚁群算法的收敛速度。Yue Long Wang等通过惩罚策略对较差路径进行信息素挥发，提高了蚂蚁探索的利用率。Chen Guo Liang等基于无限步长原理提高启发式信息可见性，并利用动态调整的信息素更新规则和蒸发速率加快了收敛速度。Dai Xiao Lin等利用A*算法的评估函数和弯曲抑制算子改进启发式信息，加快了收敛速度并提高了全局路径的平滑度。Luo Qian等对蚁群算法做了多方面的改进，将衰减因子引入启发式信息，并采用自适应函数调整状态选择的伪随机比例，显著提高了全局最优解搜索能力和丢失蚂蚁数量等性能指标。
当前蚁群算法的最佳路线主要是通过评估蚂蚁在路径上沉积的信息素数量而获得的，并未考虑蚂蚁个体之间的直接互动交流。这导致在实际操作中，经常出现历代蚂蚁路线中隐藏更优路线未被探索的现象。从行为的本质上讲，蚂蚁之间的直接互动交流使它们有更大的可能找到巢穴和食物来源之间的最短路径。本发明通过建立蚂蚁交流机制和交流策略，提出一种基于交流策略的增强型蚁群算法；解决了遗漏更优路线问题，提高了算法性能。本发明所述的算法还可应用于无人机导航、无人驾驶等涉及路径规划的领域。
发明内容
本发明旨在解决上述现有的技术问题，公开了一种基于交流策略的蚁群算法用于移动机器人路径规划。本发明的技术方案如下：
一种基于交流策略蚁群算法的移动机器人路径规划方法，该方法包括以下步骤：
S1，设置地图任务
根据机器人的工作环境建立地图坐标系，以横向为x轴，竖向为y轴，并把地图划分为均匀的网格节点，依次按x轴正向和y轴负向进行编号并获取对应的坐标值；对可行点和障碍物进行二进制处理，可行点的值为0，障碍物的值为1；然后根据任务在地图上设置起始点S和目标点E；
S2，初始化基本参数
初始化交流策略阈值n0、单批蚂蚁数量m、迭代总次数K、信息素强度系数Q、信息素激发因子α、启发式信息激发因子β、信息素的挥发速率ρ；
S3，初始化信息值
信息素浓度的初始值τij(0)设为1；启发式信息的初始值ηij(0)的设定公式如下：
Figure BDA0002657697620000031
其中，i表示当前节点，j表示下一步要选择的节点；djE是节点j到目标点E之间的欧几里得距离；pi是圆周率；θjiE是连线(i,j)与(j,E)之间的夹角；dSE是起始点S到目标点E之间的欧几里得距离；Cq为蚂蚁下一步允许选择的节点集合。ηij(0)与djE相关，且受夹角θjiE影响，是不均匀分布的，越接近目标点，其距离感和方向感越明确，有效避免了前期蚂蚁的盲目搜索；
S4，更新信息值
(1)信息素浓度值更新
第一轮迭代(即k＝1)时，τij(1)＝τij(0)；其余迭代(即k＝2,3,...,K)时，根据S9和S11处理。
(2)启发式信息值更新
第k轮迭代时(k＝1,2,...,K)，通过引入可调节衰减系数AT来提高启发式信息功能，启发式信息值ηij(k)如下公式所示：
ηij(k)＝(ηij(0))*AT (2)
Figure BDA0002657697620000041
其中，δ为保留系数，决定启发式信息最终保留的比例；μ为变化因子，控制AT的变化速率。
S5，开始一轮迭代
每轮迭代里包含m次单只蚂蚁探索，蚂蚁之间互不干涉。
S6，单只蚂蚁探索
(1)选择前进路径
采用改进的放大轮盘赌法选择下一个节点。单只蚂蚁从起点S出发，每一步都先计算相邻8个节点的信息量Iij(k)，然后进行排序获得最大信息值Iijmax(k)，再利用可调节乘子系数AM对最大信息值Iijmax(k)进行放大后获得相邻8个节点新的信息量Iijmax(k)′，再计算相邻8个节点的选择概率Pij，最后通过轮盘赌法选择下一步；具体公式如下：
Figure BDA0002657697620000042
Figure BDA0002657697620000043
Figure BDA0002657697620000044
其中λ为刺激系数，决定AM的最大放大倍数；σ为变化因子，控制AM的变化速率；
(2)更新禁忌表
单只蚂蚁走过的路径都放入其私有的禁忌表中，避免重复行走。
(3)判断是否死锁
若蚂蚁未到达目标点E且无路可走时，判定为死锁，即该蚂蚁无效，记录其最后两步路径；否则，继续选择前进路线。
(4)判断是否结束探索
若蚂蚁到达目标点E，则该蚂蚁有效，记录其走过的完整路径和路径长度，并结束探索；否则，继续选择前进路线。
S7，判断是否结束一轮迭代
若同一轮迭代执行的单只蚂蚁探索次数达到m次时，结束该轮迭代，然后对该轮有效的蚂蚁路径根据长度从短至长进行排序，记录最短路径和长度，对于无效即死锁的蚂蚁，统计最后两步路径相同的死锁蚂蚁数量；否则，继续执行S6。
S8，惩罚死锁信息素
通过统计同一轮迭代中同一死锁路径的蚂蚁数量Lostij，采用惩罚函数AP对死锁路径进行信息素惩罚获得新的信息素浓度值τij(k)′，具体公式如下：
τij(k)′＝AP*τij(k) (7)
Figure BDA0002657697620000051
式(8)中，v是数量因子，一般在[2,4]之间取整数；ceil是指向上舍入为最接近的整数。从式(8)可知，同一锁死路径每增加υ个蚂蚁，该路径信息素值就挥发一次。
S9，更新全局信息素
计算每只蚂蚁的信息素浓度变化值
Figure BDA0002657697620000052
根据到达终点的有效蚂蚁路径进行全局信息素浓度更新，获得下一轮迭代的信息素浓度过渡值τij(k+1)′，具体公式如下：
Figure BDA0002657697620000053
Figure BDA0002657697620000054
其中，w表示同一轮迭代里有效的单只蚂蚁的序号(w∈[1,m])；Lw(k)是蚂蚁w走过路径的总长度。
S10，选择蚂蚁交流策略
蚂蚁交流策略分为蚂蚁全交流策略和蚂蚁平衡交流策略：
当迭代轮次k≤n0时，执行蚂蚁全交流策略。具体为：首先，进行第k轮迭代的同代交流；然后依次与前面所有轮次进行异代交流，直到与第1轮迭代完成交流获得新的蚂蚁交流路径；
当迭代轮次k>n0时，执行蚂蚁平衡交流策略。具体为：首先，进行第k轮迭代的同代交流；然后依次与前面所有轮次进行异代交流，直到与第(k-n0+1)轮迭代完成交流获得新的蚂蚁交流路径。
所述的同代交流为同一轮次迭代内的有效蚂蚁之间的交流。具体为：在第k轮迭代时，对有效蚂蚁路径，按照S7中的路径长度排序，利用蚂蚁交流算法获得前两只蚂蚁的蚂蚁交流路径，然后利用蚂蚁交流路径与下一只蚂蚁路径进行交流获得新的蚂蚁交流路径，如此依次执行，直到与最后一只蚂蚁完成交流获得第k轮迭代的同代蚂蚁交流路径。
所述的异代交流为不同轮次迭代之间的蚂蚁交流。具体为：在第k轮迭代时(k≥2)，利用蚂蚁交流算法，对k和前一轮(k-1)迭代的同代蚂蚁交流路径进行合成，获得异代蚂蚁交流路径；然后利用得到的异代蚂蚁交流路径与更前一轮迭代进行交流获得新的异代蚂蚁交流路径，如此依次执行，直到与指定轮次迭代完成交流获得第k轮迭代的异代蚂蚁交流路径。
所述的蚂蚁交流算法为：两只到达目标点E的有效蚂蚁之间，通过路径集合操作合成交流蚂蚁路径；具体为：首先，求出两只蚂蚁路径集合R1和R2之间的交集C，若集合C的元素个数nC等于2或与R1、R2的元素个数相同，则直接返回R1、R2中长度较短的路径作为交流蚂蚁路径Rnew；否则，利用集合C中相邻的元素分别对R1、R2进行切割，分隔成(nC-1)个片段，然后依次对R1、R2中的同一序号的片段进行对比，将长度较短的片段存入合成路径RMer，最后去除合成路径RMer中的重复元素获得交流蚂蚁路径Rnew；
S11，信息素双重奖励
对S7中的最短有效蚂蚁路径和S10中的蚂蚁交流路径进行信息素奖励。具体为：首先计算S7中的最短有效蚂蚁路径的信息素奖励值
Figure BDA0002657697620000071
和S10中的蚂蚁交流路径的信息素奖励值
Figure BDA0002657697620000072
然后对信息素进行双重奖励，获得下一轮迭代的信息素浓度值τij(k+1)；具体公式如下：
Figure BDA0002657697620000073
Figure BDA0002657697620000074
Figure BDA0002657697620000075
其中，Lb(k)是S7中的最短有效蚂蚁路径的长度；Lc(k)是S10中的蚂蚁交流路径的长度。
S12，判断是否满足结束条件
若达到收敛条件(如最短路径连续3步不再变化)或迭代轮次达到上限K时，返回最后一轮迭代的蚂蚁交流路径作为最佳路径Pathbest，其长度作为最短长度Lmin；否则，返回S4继续执行。
本发明的有益效果为：
(1)本发明从克服蚁群算法只通过信息素积累获取最优路线、存在遗漏隐藏更优路线、缺乏直接有效的交流机制等缺点出发，提出了交流算法和交流策略。通过赋予蚂蚁交流的能力，充分利用已经探索的路径，不仅避免了基本蚁群算法的上述缺点，更能有效快速地进行最优路径的探索，极大地提高了算法的寻优性能和稳定性；
(2)本发明从克服蚁群算法蚂蚁易死锁、收敛速度慢和易陷入局部极值等缺点出发，提出了自适应死锁蚂蚁惩罚策略、启发式信息可调节衰减策略、信息素双重奖励策略和基于放大乘子的改进轮盘赌法路径选择策略，既减少了蚂蚁死锁现象，提升了算法多样性，又加速了最优路径信息素浓度积累，赋予算法更快的收敛速度和更稳定的全局寻优能力，极大地提高了蚁群算法的整体性能。
附图说明
图1为优选实施例基于交流策略蚁群算法的移动机器人路径规划方法流程图；
图2为实施例的地图任务示意图；
图3为本发明提供的可调节衰减系数AT随迭代次数k自适应变化曲线；
图4为本发明提供的可调节乘子系数AM示意图；
图5为本发明提供的惩罚函数AP随死锁蚂蚁数量变化曲线图；
图6为实施例的迭代收敛曲线图；
图7位实施例输出的最优路径图。
具体实施方式
下面结合附图和技术方案，进一步说明本发明的具体实施方式。
图1描述了本发明提供的基于交流策略蚁群算法的移动机器人路径规划方法的流程，其具体包括以下步骤：
1.开始程序；
2.设置地图任务
如图2所示，将机器人移动地图作二进制处理，可行点即白色方格区域值为0，障碍物即黑色方格区域值为1。根据任务设置起始点S和目标点E；
3.初始化基本参数
初始化交流策略阈值n0＝9、单批蚂蚁数量m＝50、迭代总次数K＝100、信息素强度系数Q＝1、信息素激发因子α＝1.1、启发式信息激发因子β＝7、信息素的挥发速率ρ＝0.2；
4.初始化信息值
信息素浓度的初始值τij(0)设为1；启发式信息的初始值ηij(0)的设定如式(1)所示。
5.更新信息值
(1)信息素浓度值更新
第一轮迭代(即k＝1)时，τij(1)＝τij(0)＝1；其余迭代(即k＝2,3,...,K)时，根据步骤10和步骤12处理。
(2)启发式信息值更新
第k轮迭代时(k＝1,2,...,K)，启发式信息值ηij(k)计算如式(2)-(3)所示，其中AT是随迭代次数k自适应变化的，本实施例采用δ＝0.2、μ＝0.12，不同μ取值下的AT变化曲线如图3所示。
6.开始一轮迭代
一轮完整的迭代包括m次单只蚂蚁探索。
7.单只蚂蚁探索
(1)选择前进路径
单只蚂蚁从起点S出发，通过式(4)-(6)选择前进路径，其中AM是随迭代次数k自适应变化的，本实施采用λ＝10、σ＝0.8，不同σ取值下的AM变化曲线如图4所示。
(2)更新禁忌表
单只蚂蚁每走一步都将该步路径放入其私有的禁忌表中，避免重复行走。
(3)判断是否死锁
若蚂蚁未到达目标点E且无路可走时，判定为死锁，即该蚂蚁无效，记录其最后两步路径；否则，继续选择前进路线。
(4)判断是否结束探索
若蚂蚁到达目标点E，则该蚂蚁有效，记录其走过的完整路径和路径长度，并结束探索；否则，继续选择前进路线。
8.判断是否结束一轮迭代
若同一轮迭代执行的单只蚂蚁探索次数达到m次时，结束该轮迭代，然后对该轮有效的蚂蚁路径根据长度从短至长进行排序，记录最短路径和长度，对于无效即死锁的蚂蚁，统计最后两步路径相同的死锁蚂蚁数量；否则，继续执行步骤7。
9.惩罚死锁信息素
通过统计同一轮迭代中同一死锁路径的蚂蚁数量Lostij，通过式(7)-(8)对信息素浓度值进行惩罚。本实施例采用v＝2，不同Lostij取值下的AP变化如图5所示。
10.更新全局信息素
通过式(9)-(10)获得下一轮迭代的信息素浓度过渡值τij(k+1)′。
11.选择蚂蚁交流策略
当迭代轮次k≤9时，执行蚂蚁全交流策略。
当迭代轮次k>9时，执行蚂蚁平衡交流策略。
12.信息素双重奖励
通过式(11)-(12)对信息素进行双重奖励，并获得下一轮迭代的信息素浓度值τij(k+1)。
13.判断是否满足结束条件
若迭代轮次达到上限K时，返回最后一轮迭代的蚂蚁交流路径作为最优路径Pathbest，其长度作为最短长度Lmin；否则，返回步骤5继续执行。
14.结束程序
本实施例在计算过程中每一轮迭代的路径长度变化如图6所示，最优路径如图7所示，最优路径长度为34.3848。
移动机器人的路径规划，考虑全局路径最短、算法优化迭代次数少、路径安全无碰撞等多目标任务。本实施例收敛速度快、输出路径为全局最优无碰撞路径，实现了本发明的发明成果。
以上列举了具体实例来详细阐述该基于交流策略蚁群算法的移动机器人路径规划流程和实现步骤，这些个例仅供说明本发明的原理及其实施方式之用，而非对本发明的限制，在不脱离本发明的精神和范围的情况下，本领域的普通技术人员还可以做出更多的变形和改进。因此所有等同的技术方案均应属于本发明的范畴并为本发明的各项权利要求所限定。

Claims (5)

1.一种基于交流策略蚁群算法的移动机器人路径规划方法，其特征在于，该方法包括以下步骤：
S1，设置地图任务
根据机器人的工作环境建立地图坐标系，以横向为x轴，竖向为y轴，并把地图划分为均匀的网格节点，依次按x轴正向和y轴负向进行编号并获取对应的坐标值；对可行点和障碍物进行二进制处理，可行点的值为0，障碍物的值为1；然后根据任务在地图上设置起始点S和目标点E；
S2，初始化基本参数
初始化交流策略阈值n0、单批蚂蚁数量m、迭代总次数K、信息素强度系数Q、信息素激发因子α、启发式信息激发因子β、信息素的挥发速率ρ；
S3，初始化信息值
信息素浓度的初始值τij(0)设为1；启发式信息的初始值ηij(0)的设定公式如下：
Figure FDA0002657697610000011
其中，i表示当前节点，j表示下一步要选择的节点；djE是节点j到目标点E之间的欧几里得距离；pi是圆周率；θjiE是连线(i,j)与(j,E)之间的夹角；dSE是起始点S到目标点E之间的欧几里得距离；Cq为蚂蚁下一步允许选择的节点集合；
S4，更新信息值
(1)信息素浓度值更新
当k＝1即第一轮迭代时，τij(1)＝τij(0)；当k＝2,3,...,K时，按照S9和S11处理；
(2)启发式信息值更新
第k轮迭代时，其中k＝1,2,...,K，通过引入可调节衰减系数AT来提高启发式信息功能，启发式信息值ηij(k)如下公式所示：
ηij(k)＝(ηij(0))*AT (2)
Figure FDA0002657697610000021
其中，δ为保留系数，决定启发式信息最终保留的比例；μ为变化因子，控制AT的变化速率；
S5，开始一轮迭代
每轮迭代里包含m次单只蚂蚁探索，蚂蚁之间互不干涉；
S6，单只蚂蚁探索
(1)选择前进路径
单只蚂蚁从起点S出发，每一步都先计算相邻8个节点的信息量Iij(k)，然后进行排序获得最大信息值Iijmax(k)，再利用可调节乘子系数AM对最大信息值Iijmax(k)进行放大后获得相邻8个节点新的信息量Iijmax(k)′，再计算相邻8个节点的选择概率Pij，最后通过轮盘赌法选择下一步；具体公式如下：
Figure FDA0002657697610000022
Figure FDA0002657697610000023
Figure FDA0002657697610000024
其中，λ为刺激系数，决定AM的最大放大倍数；σ为变化因子，控制AM的变化速率；
(2)更新禁忌表
单只蚂蚁走过的路径都放入其私有的禁忌表中，避免重复行走；
(3)判断是否死锁
若蚂蚁未到达目标点E且无路可走时，判定为死锁，即该蚂蚁无效，记录其最后两步路径；否则，继续选择前进路线；
(4)判断是否结束探索
若蚂蚁到达目标点E，则该蚂蚁有效，记录其走过的完整路径和路径长度，并结束探索；否则，继续选择前进路线；
S7，判断是否结束一轮迭代
若同一轮迭代执行的单只蚂蚁探索次数达到m次时，结束该轮迭代，然后对该轮有效的蚂蚁路径根据长度从短至长进行排序，记录最短路径和长度，对于无效即死锁的蚂蚁，统计最后两步路径相同的死锁蚂蚁数量；否则，继续执行S6；
S8，惩罚死锁信息素
通过统计同一轮迭代中同一死锁路径的蚂蚁数量Lostij，采用惩罚函数AP对死锁路径进行信息素惩罚获得新的信息素浓度值τij(k)′，具体公式如下：
τij(k)′＝AP*τij(k) (7)
Figure FDA0002657697610000031
式(8)中，υ是数量因子，在[2,4]之间取整数；ceil是指向上舍入为最接近的整数；
S9，更新全局信息素
计算每只蚂蚁的信息素浓度变化值
Figure FDA0002657697610000032
根据到达终点的有效蚂蚁路径进行全局信息素浓度更新，获得下一轮迭代的信息素浓度过渡值τij(k+1)′，具体公式如下：
Figure FDA0002657697610000033
Figure FDA0002657697610000041
其中，w表示同一轮迭代里有效的单只蚂蚁的序号；Lw(k)是蚂蚁w走过路径的总长度；
S10，选择蚂蚁交流策略
当迭代轮次k≤n0时，执行蚂蚁全交流策略；具体为：首先，进行第k轮迭代的同代交流；然后依次与前面所有轮次进行异代交流，直到与第1轮迭代完成交流获得新的蚂蚁交流路径；
当迭代轮次k>n0时，执行蚂蚁平衡交流策略；具体为：首先，进行第k轮迭代的同代交流；然后依次与前面所有轮次进行异代交流，直到与第k-n0+1轮迭代完成交流获得新的蚂蚁交流路径；
S11，信息素双重奖励
首先计算S7中的最短有效蚂蚁路径的信息素奖励值
Figure FDA0002657697610000042
和S10中的蚂蚁交流路径的信息素奖励值
Figure FDA0002657697610000043
然后对信息素进行双重奖励，获得下一轮迭代的信息素浓度值τij(k+1)；具体公式如下：
Figure FDA0002657697610000044
Figure FDA0002657697610000045
Figure FDA0002657697610000046
其中，Lb(k)是S7中的最短有效蚂蚁路径的长度；Lc(k)是S10中的蚂蚁交流路径的长度；
S12，判断是否满足结束条件
若达到收敛条件或迭代轮次达到上限K时，返回最后一轮迭代的蚂蚁交流路径作为最佳路径Pathbest，其长度作为最短长度Lmin；否则，返回S4继续执行。
2.根据权利要求1所述的移动机器人路径规划方法，其特征在于，步骤S10中，所述的同代交流为同一轮次迭代内的有效蚂蚁之间的交流，具体为：在第k轮迭代时，对有效蚂蚁路径按照S7中的路径长度排序，利用蚂蚁交流算法获得前两只蚂蚁的蚂蚁交流路径，然后利用蚂蚁交流路径与下一只蚂蚁路径进行交流获得新的蚂蚁交流路径，如此依次执行，直到与最后一只蚂蚁完成交流，获得第k轮迭代的同代蚂蚁交流路径。
3.根据权利要求1或2所述的移动机器人路径规划方法，其特征在于，步骤S10中，所述的异代交流为不同轮次迭代之间的蚂蚁交流；具体为：在第k轮迭代时，其中k≥2，利用蚂蚁交流算法，对k和前一轮迭代的同代蚂蚁交流路径进行合成，获得异代蚂蚁交流路径；然后利用得到的异代蚂蚁交流路径与更前一轮迭代进行交流获得新的异代蚂蚁交流路径，如此依次执行，直到与指定轮次迭代完成交流，获得第k轮迭代的异代蚂蚁交流路径。
4.根据权利要求2所述的移动机器人路径规划方法，其特征在于，所述的蚂蚁交流算法为：两只到达目标点E的有效蚂蚁之间，通过路径集合操作合成交流蚂蚁路径；具体为：首先，求出两只蚂蚁路径集合R1和R2之间的交集C，若集合C的元素个数nC等于2或与R1、R2的元素个数相同，则直接返回R1、R2中长度较短的路径作为交流蚂蚁路径Rnew；否则，利用集合C中相邻的元素分别对R1、R2进行切割，分隔成nC-1个片段，然后依次对R1、R2中的同一序号的片段进行对比，将长度较短的片段存入合成路径RMer，最后去除合成路径RMer中的重复元素获得交流蚂蚁路径Rnew。
5.根据权利要求3所述的移动机器人路径规划方法，其特征在于，所述的蚂蚁交流算法为：两只到达目标点E的有效蚂蚁之间，通过路径集合操作合成交流蚂蚁路径；具体为：首先，求出两只蚂蚁路径集合R1和R2之间的交集C，若集合C的元素个数nC等于2或与R1、R2的元素个数相同，则直接返回R1、R2中长度较短的路径作为交流蚂蚁路径Rnew；否则，利用集合C中相邻的元素分别对R1、R2进行切割，分隔成nC-1个片段，然后依次对R1、R2中的同一序号的片段进行对比，将长度较短的片段存入合成路径RMer，最后去除合成路径RMer中的重复元素获得交流蚂蚁路径Rnew。
CN202010893573.7A 2020-08-31 2020-08-31 一种基于交流策略蚁群算法的移动机器人路径规划方法 Active CN112000105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010893573.7A CN112000105B (zh) 2020-08-31 2020-08-31 一种基于交流策略蚁群算法的移动机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010893573.7A CN112000105B (zh) 2020-08-31 2020-08-31 一种基于交流策略蚁群算法的移动机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN112000105A true CN112000105A (zh) 2020-11-27
CN112000105B CN112000105B (zh) 2021-07-06

Family

ID=73466175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010893573.7A Active CN112000105B (zh) 2020-08-31 2020-08-31 一种基于交流策略蚁群算法的移动机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN112000105B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418719A (zh) * 2020-12-08 2021-02-26 军事科学院系统工程研究院网络信息研究所 一种基于解集构造和信息素沉积的卫星资源动态调度方法
CN113219981A (zh) * 2021-05-14 2021-08-06 江南大学 一种基于蚁群算法的移动机器人路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016044855A1 (en) * 2014-09-19 2016-03-24 Arris Enterprises, Inc. Systems and methods for street level routing
CN108565857A (zh) * 2018-05-07 2018-09-21 江南大学 一种基于信息交流策略连续域蚁群算法的电力系统经济调度方法
CN111240326A (zh) * 2020-01-15 2020-06-05 重庆邮电大学 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016044855A1 (en) * 2014-09-19 2016-03-24 Arris Enterprises, Inc. Systems and methods for street level routing
CN108565857A (zh) * 2018-05-07 2018-09-21 江南大学 一种基于信息交流策略连续域蚁群算法的电力系统经济调度方法
CN111240326A (zh) * 2020-01-15 2020-06-05 重庆邮电大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴华锋 等: ""基于自然选择策略的蚁群算法求解TSP问题"", 《通信学报》 *
孟志刚 等: ""引入直接交互机制的蚁群觅食仿真"", 《智能信息技术应用学会会议论文集》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418719A (zh) * 2020-12-08 2021-02-26 军事科学院系统工程研究院网络信息研究所 一种基于解集构造和信息素沉积的卫星资源动态调度方法
CN113219981A (zh) * 2021-05-14 2021-08-06 江南大学 一种基于蚁群算法的移动机器人路径规划方法

Also Published As

Publication number Publication date
CN112000105B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN107272679B (zh) 基于改进的蚁群算法的路径规划方法
CN109945881B (zh) 一种蚁群算法的移动机器人路径规划方法
CN111310999A (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
CN112327923B (zh) 一种多无人机协同路径规划方法
CN111982125A (zh) 一种基于改进蚁群算法的路径规划方法
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
CN114442662B (zh) 基于改进狼群优化算法的无人机集群协同对地打击方法
CN109765893A (zh) 基于鲸鱼优化算法的移动机器人路径规划方法
CN110109822B (zh) 基于蚁群算法进行测试用例优先级排序的回归测试方法
CN113671987B (zh) 基于非死锁合同网算法的多机分布式时序任务分配方法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN104035438A (zh) 一种基于种群多样性的自适应多目标机器人避障算法
CN116242383B (zh) 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN111880561A (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN111695668A (zh) 一种基于反向学习的蚁群算法优化方法
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
CN111626500A (zh) 一种基于改进人工蜂群算法的路径规划方法
CN111366169B (zh) 一种确定性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
CN112070418A (zh) 一种多目标鲸鱼优化算法的武器目标分配方法
CN113219981A (zh) 一种基于蚁群算法的移动机器人路径规划方法
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN116627175A (zh) 一种基于改进蚁群算法的无人机路径规划方法
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
CN115657710A (zh) 一种多目标量子北极熊机制的异构无人机大规模任务分配方法

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