CN113093724A - 一种基于改进蚁群算法的agv路径规划方法 - Google Patents

Abstract

本发明涉及一种基于改进蚁群算法的AGV路径规划方法，包括如下步骤：(1)对AGV实际工作环境进行建模；(2)初始化参数，包括蚂蚁数量m，最大迭代次数k，信息启发因子α，期望启发式因子β，局部信息素挥发因子ξ，全局信息素挥发因子ρ，伪概率阈值q₀，信息素强度Q；(3)使用麻雀搜索算法对路径进行预搜索，生成新的初始信息素；(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径；所述改进蚁群算法是指对蚁群算法的状态转移规则、转移概率、信息素更新策略和挥发因子进行改进。本发明的方法可以让小车快速搜索到实际环境中的较优路径，可以节约生产运输成本，提高了运输效率。

Description

一种基于改进蚁群算法的AGV路径规划方法

技术领域

本发明属于AGV控制技术领域，涉及一种基于改进蚁群算法的AGV路径规划方法。

背景技术

随着现代制造业自动化程度的不断提高，机器人技术的发展受到了国内外的广泛关注，其应用领域非常广阔，包括智能制造、医疗诊断、军事和服务行业等。自动导引车AGV(Automated Guided Vichel)是智能物流中应用最广泛的一种机器人，其具有应用灵活、可控性好、效率高等特点，是打造智慧车间、智能物流运输系统的关键设备，在节约了生产运输成本的同时提高了运输效率。

路径规划是AGV控制技术领域非常重要的问题，然而传统的蚁群算法存在效率低、易陷入局部最优等问题，并且没有考虑到在实际应用中会出现的问题，例如按规划路径行驶时可能会频繁转向，这会导致时间损失和执行器损伤；遇到复杂障碍物区域，可能会走多余的路线甚至无法完成规划的路径等问题。

发明内容

本发明的目的是解决现有技术中AGV路径规划效率低、寻优效果不佳以及可能出现频繁转弯的问题，提供一种基于改进蚁群算法的AGV路径规划方法。

为达到上述目的，本发明采用的技术方案如下：

一种基于改进蚁群算法的AGV路径规划方法，包括如下步骤：

(1)对AGV实际工作环境进行建模；

(2)初始化参数，包括蚂蚁数量m，最大迭代次数k，信息启发因子α，期望启发式因子β，局部信息素挥发因子ξ，全局信息素挥发因子ρ，伪概率阈值q₀，信息素强度Q；

(3)使用麻雀搜索算法对路径进行预搜索，生成新的初始信息素；

(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径；

所述改进蚁群算法是指对蚁群算法的状态转移规则、转移概率、信息素更新策略和挥发因子进行改进；

采用转角损耗函数对状态转移规则和转移概率进行改进，改进状态转移规则为：

改进转移概率为：

θ_ij(t)＝θ^randT；

其中，α为信息启发因子，β为期望启发式因子，γ为转角信息启发因子，τ_ij(t)为t时刻(i,j)上的信息素浓度，η_ij为节点i到节点j的启发信息，s为可选节点，allowed_k为蚂蚁k可行邻接栅格标号的集合，θ_ij(t)是转角损耗函数，q是伪概率，q₀是伪概率阈值，θ为可调参数，0<θ<1，rand是0.9～1的随机数，T是转弯代价，δ是转角，P为转移概率规则，

是转移概率；

对信息素更新策略进行改进是指在全局信息素更新中加入奖惩机制和鼓励机制；

对挥发因子进行改进具体为：若第n+10次迭代和第n次迭代的最优路径差值小于阈值，则对之前路径上的信息素进行自适应信息素挥发。

作为优选的技术方案：

如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(1)中采用栅格法对AGV的实际工作环境进行建模。

如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(2)中初始化参数m＝50，k＝100，α＝1，β＝5，ξ＝0.1，ρ＝0.3，q₀＝0.8，Q＝1。

如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(3)中基于麻雀搜索算法生成新的初始信息素为：

τ₀(i,j)＝τ^s(i,j)+σΔτ^Z(i,j)；

其中τ₀(i,j)表示第i个节点到第j个节点之间经过路径预搜索后新的初始信息素浓度，τ^s(i,j)是i，j两个节点之间的环境初始信息素，Δτ^Z(i,j)是i，j两个节点之间将麻雀搜索算法搜索出的路径转化成的信息素增量，σ是初始信息素增量代价，L_σ是栅格中心到预搜索路径最短的距离，a是一个栅格的长度。

如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(4)中信息素的更新方法为：

在蚂蚁完成一次搜索时，更新所经路径的信息素：

τ_ij(new)＝(1-ξ)τ_ij(old)+ξτ₀(i,j)；

其中，τ_ij(new)为轨迹ij上新的信息素量，τ_ij(old)是轨迹ij上原来的信息素量，τ₀(i,j)是第i个节点到第j个节点之间经过路径预搜索后新的初始信息素，ξ是局部信息素挥发因子；

在完成一次循环后，对路径进行排序，选出全局最优路径和最劣路径，引入奖惩机制，对次优解引入鼓励机制：

τ_ij(new)＝(1-ρ)τ_ij(old)+ρΔτ_ij+S；

τ_ij(new)为轨迹ij上新的信息素量，τ_ij(old)是轨迹ij上原来的信息素量，ρ为全局信息素挥发因子，Δτ_ij为本次循环的信息素增量，S是根据路径优劣执行奖惩机制和鼓励机制的信息素变量，

为第k只蚂蚁在其所经过路径上的信息素增量，Q为信息素强度，L_k为迭代一次时第k蚂蚁所走路径的长度，d_short是全局最短路径，d_long是全局最长路径，d_avg是全局平均路径，d_x是此次迭代的最优路径。

如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径，具体包括：

(4.1)进入迭代；

(4.2)AGV根据改进后的状态转移规则和转移概率选择下个节点，确定路径，直到到达目标点；

(4.3)根据当前迭代的蚂蚁路径实时更新局部信息素；

(4.4)计算路径长度，记录当前迭代最优解、最差解、平均解，进行排序；

(4.5)根据改进的全局信息素更新策略更新信息素浓度；

(4.6)信息素浓度会根据改进的挥发因子做自适应调节；

(4.7)判断是否达到最大迭代次数；

(4.8)如果达到最大迭代次数，输出最短路径和路径平滑度，否则返回步骤(4.1)继续迭代。

本发明的原理为：

蚁群算法路径规划主要依赖于信息素信息，然而传统的蚁群路径规划算法效率低、寻优效果不佳，本发明使用麻雀搜索算法对路径进行预搜索，为改进的蚁群算法提供新的初始信息素，以提高路径规划效率。在实际AGV工作环境中可能出现频繁转弯的情况，针对此问题本发明在状态转移规则和转移概率中加入转角损耗函数，使AGV倾向于走直线或转弯角度小的路径。在全局信息素更新中加入奖惩机制和鼓励机制，并对信息素进行自适应挥发处理，这样可以平衡算法的收敛速度与多样性之间，提高寻优效果。

有益效果：

(1)通过麻雀搜索算法进行快速预搜索可以降低后面路径规划算法的盲目性；

(2)通过转角损耗函数改进转移概率，解决实际应用中可能出现的频繁转弯，减少时间的同时减少对执行器的损伤；通过奖惩机制和鼓励机制加快收敛，自适应挥发可以增强算法跳出局部最优的能力；

(3)通过将改进的路径规划算法应用到AGV中，可以让小车快速搜索到实际环境中的较优路径，可以节约生产运输成本，提高了运输效率。

附图说明

图1为本发明基于改进蚁群算法的AGV路径规划整体流程图；

图2为本发明应用实例所述的栅格地图；

图3为本发明应用实例所述的传统蚁群算法AGV移动轨迹示意图；

图4为本发明应用实例所述的传统蚁群算法收敛曲线变化趋势示意图；

图5为本发明应用实例所述的改进蚁群算法AGV移动轨迹示意图；

图6为本发明应用实例所述的改进蚁群算法收敛曲线变化趋势示意图。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

一种基于改进蚁群算法的AGV路径规划方法，如图1所示，包括如下步骤：

(1)采用栅格法对AGV的实际工作环境进行建模；

(2)初始化参数，包括蚂蚁数量m，最大迭代次数k，信息启发因子α，期望启发式因子β，局部信息素挥发因子ξ，全局信息素挥发因子ρ，伪概率阈值q₀，信息素强度Q；且m＝50，k＝100，α＝1，β＝5，ξ＝0.1，ρ＝0.3，q₀＝0.8，Q＝1；

(3)使用麻雀搜索算法对路径进行预搜索，生成新的初始信息素；具体为：

τ₀(i,j)＝τ^s(i,j)+σΔτ^Z(i,j)；

其中τ₀(i,j)表示第i个节点到第j个节点之间经过路径预搜索后新的初始信息素浓度，τ^s(i,j)是i，j两个节点之间的环境初始信息素，Δτ^Z(i,j)是i，j两个节点之间将麻雀搜索算法搜索出的路径转化成的信息素增量，σ是初始信息素增量代价，L_σ是栅格中心到预搜索路径最短的距离，a是一个栅格的长度。

(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径；具体步骤如下：

(4.1)进入迭代；

(4.2)AGV根据改进后的状态转移规则和转移概率选择下个节点，确定路径，直到到达目标点；其中，改进后的状态转移规则和转移概率是采用转角损耗函数对状态转移规则和转移概率进行改进，改进状态转移规则为：

改进转移概率为：

θ_ij(t)＝θ^randT；

其中，α为信息启发因子，β为期望启发式因子，γ为转角信息启发因子，τ_ij(t)为t时刻(i,j)上的信息素浓度，η_ij为节点i到节点j的启发信息，s为可选节点，allowed_k为蚂蚁k可行邻接栅格标号的集合，θ_ij(t)是转角损耗函数，q是伪概率，q₀是伪概率阈值，θ为可调参数，0<θ<1，rand是0.9～1的随机数，T是转弯代价，δ是转角，P为转移概率规则，

是转移概率；

(4.3)根据当前迭代的蚂蚁路径实时更新局部信息素；

(4.4)计算路径长度，记录当前迭代最优解、最差解、平均解，进行排序；

(4.5)根据改进的全局信息素更新策略更新信息素浓度；改进的全局信息素更新策略是指在全局信息素更新中加入奖惩机制和鼓励机制；其中，信息素的更新方法为：

在蚂蚁完成一次搜索时，更新所经路径的信息素：

τ_ij(new)＝(1-ξ)τ_ij(old)+ξτ₀(i,j)；

其中，τ_ij(new)为轨迹ij上新的信息素量，τ_ij(old)是轨迹ij上原来的信息素量，τ₀(i,j)是第i个节点到第j个节点之间经过路径预搜索后新的初始信息素，ξ是局部信息素挥发因子；

在完成一次循环后，对路径进行排序，选出全局最优路径和最劣路径，引入奖惩机制，对次优解引入鼓励机制：

τ_ij(new)＝(1-ρ)τ_ij(old)+ρΔτ_ij+S；

其中，τ_ij(new)为轨迹ij上新的信息素量，τ_ij(old)是轨迹ij上原来的信息素量，ρ为全局信息素挥发因子，Δτ_ij为本次循环的信息素增量，S是根据路径优劣执行奖惩机制和鼓励机制的信息素变量，

为第k只蚂蚁在其所经过路径上的信息素增量，Q为信息素强度，L_k为迭代一次时第k蚂蚁所走路径的长度，d_short是全局最短路径，d_long是全局最长路径，d_avg是全局平均路径，d_x是此次迭代的最优路径。

(4.6)信息素浓度根据改进的挥发因子做自适应调节；具体为：若第n+10次迭代和第n次迭代的最优路径差值小于阈值，则对之前路径上的信息素进行自适应信息素挥发；

(4.7)判断是否达到最大迭代次数；

(4.8)如果达到最大迭代次数，输出最短路径和路径平滑度，否则返回步骤(4.1)继续迭代。

为了验证上述方法的可行性，将上述基于改进蚁群算法的AGV路径规划方法用于工厂内的智能物流系统中作为应用案例，参照图1～6。其中包含环境地图构建和路径规划，地图构建是用来采集工厂内环境信息，获取N*N栅格地图，其中N是整数，应用案例中为20，地图中包含可通行的自由栅格和表示障碍物的障碍栅格，在环境地图中设置运输的起始点SP和目标点TP。路径规划是用于改进的蚁群算法获取AGV在工厂中的运输路径。

为验证本发明应用案例的有效性，下面结合仿真数据做进一步解释说明：

对AGV工作环境进行建模，生成20*20栅格地图。在仿真中0表示无障碍物的自由栅格(即白色栅格)，AGV可通过此栅格；1表示为障碍栅格(即黑色栅格)，AGV无法通过。

蚁群算法具有一定的随机性，算法的性能可以依据算法运行一次得到最优解的可能性进行判断。因此，在该环境地图中，对传统蚁群算法和改进的蚁群算法进行10次仿真实验(本发明改进的蚁群算法与传统蚁群算法的区别在于：改进的蚁群算法在状态转移规则和转移概率中加入转角损耗函数；在全局信息素更新中加入奖惩机制和鼓励机制，并对信息素进行自适应挥发处理)，其中，蚂蚁数量m为50，最大迭代次数k为100，信息启发因子α为1，期望启发式因子β为5，局部信息素挥发因子ξ为0.1，全局信息素挥发因子ρ为0.3，伪概率阈值q₀为0.8，信息素强度Q为1，运行结果如表1所示。

表1 20*20栅格地图传统蚁群算法和改进蚁群算法结果比较

通过实验仿真结果，可以看出改进的蚁群算法寻找到的路径比传统蚁群算法寻找到的路径更短，最优路径转弯次数和转角总和更少，经过10次实验得出的平均最优路径长度也更好。

参照表1、图3-6，在该20*20栅格环境下，改进的蚁群算法收敛速度较快，前期搜索路径较短，主要原因是传统蚁群算法的初始信息素浓度是相同的，造成了迭代初期搜索的盲目性，而改进的蚁群算法通过路径预搜索提供了新的初始信息素浓度，形成了信息素浓度的差异化，能更快地寻找到最优路径。在全局信息素更新中加入奖惩机制和鼓励机制，并对信息素进行自适应挥发，这样可以平衡算法的收敛速度与多样性，使算法更容易找到最优解。在最优路径转弯次数和转角总和上，改进的蚁群算法也比传统蚁群算法更少，其主要原因是在状态转移规则和转移概率中加入了转角损耗函数，使AGV倾向于走直线或转弯角度小的路径。综上所述，基于改进蚁群算法的AGV路径规划方法寻优效果更好，能较快搜索到较优路径，减少路径的转弯次数和幅度，提高了运输效率，节约了生产运输成本。

Claims (6)

1.一种基于改进蚁群算法的AGV路径规划方法，其特征在于包括如下步骤：

(1)对AGV实际工作环境进行建模；

(2)初始化参数，包括蚂蚁数量m，最大迭代次数k，信息启发因子α，期望启发式因子β，局部信息素挥发因子ξ，全局信息素挥发因子ρ，伪概率阈值q₀，信息素强度Q；

(3)使用麻雀搜索算法对路径进行预搜索，生成新的初始信息素；

(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径；

所述改进蚁群算法是指对蚁群算法的状态转移规则、转移概率、信息素更新策略和挥发因子进行改进；

采用转角损耗函数对状态转移规则和转移概率进行改进，改进状态转移规则为：

改进转移概率为：

θ_ij(t)＝θ^randT；

其中，α为信息启发因子，β为期望启发式因子，γ为转角信息启发因子，τ_ij(t)为t时刻(i,j)上的信息素浓度，η_ij为节点i到节点j的启发信息，s为可选节点，allowed_k为蚂蚁k可行邻接栅格标号的集合，θ_ij(t)是转角损耗函数，q是伪概率，q₀是伪概率阈值，θ为可调参数，0<θ<1，rand是0.9～1的随机数，T是转弯代价，δ是转角，P为转移概率规则，

是转移概率；

对信息素更新策略进行改进是指在全局信息素更新中加入奖惩机制和鼓励机制；

对挥发因子进行改进具体为：若第n+10次迭代和第n次迭代的最优路径差值小于阈值，则对之前路径上的信息素进行自适应信息素挥发。

2.根据权利要求1所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(1)中采用栅格法对AGV的实际工作环境进行建模。

3.根据权利要求2所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(2)中初始化参数m＝50，k＝100，α＝1，β＝5，ξ＝0.1，ρ＝0.3，q₀＝0.8，Q＝1。

4.根据权利要求3所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(3)中基于麻雀搜索算法生成新的初始信息素为：

τ₀(i,j)＝τ^s(i,j)+σΔτ^Z(i,j)；

其中τ₀(i,j)表示第i个节点到第j个节点之间经过路径预搜索后新的初始信息素浓度，τ^s(i,j)是i，j两个节点之间的环境初始信息素，Δτ^Z(i,j)是i，j两个节点之间将麻雀搜索算法搜索出的路径转化成的信息素增量，σ是初始信息素增量代价，L_σ是栅格中心到预搜索路径最短的距离，a是一个栅格的长度。

5.根据权利要求4所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(4)中信息素的更新方法为：

在蚂蚁完成一次搜索时，更新所经路径的信息素：

τ_ij(new)＝(1-ξ)τ_ij(old)+ξτ₀(i,j)；

其中，τ_ij(new)为轨迹ij上新的信息素量，τ_ij(old)是轨迹ij上原来的信息素量，τ₀(i,j)是第i个节点到第j个节点之间经过路径预搜索后新的初始信息素，ξ是局部信息素挥发因子；

在完成一次循环后，对路径进行排序，选出全局最优路径和最劣路径，引入奖惩机制，对次优解引入鼓励机制：

τ_ij(new)＝(1-ρ)τ_ij(old)+ρΔτ_ij+S；

τ_ij(new)为轨迹ij上新的信息素量，τ_ij(old)是轨迹ij上原来的信息素量，ρ为全局信息素挥发因子，Δτ_ij为本次循环的信息素增量，S是根据路径优劣执行奖惩机制和鼓励机制的信息素变量，

为第k只蚂蚁在其所经过路径上的信息素增量，Q为信息素强度，L_k为迭代一次时第k蚂蚁所走路径的长度，d_short是全局最短路径，d_long是全局最长路径，d_avg是全局平均路径，d_x是此次迭代的最优路径。

6.根据权利要求5所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径，具体包括：

(4.1)进入迭代；

(4.2)AGV根据改进后的状态转移规则和转移概率选择下个节点，确定路径，直到到达目标点；

(4.3)根据当前迭代的蚂蚁路径实时更新局部信息素；

(4.4)计算路径长度，记录当前迭代最优解、最差解和平均解，进行排序；

(4.5)根据改进的全局信息素更新策略更新信息素浓度；

(4.6)信息素浓度根据改进的挥发因子做自适应调节；

(4.7)判断是否达到最大迭代次数；

(4.8)如果达到最大迭代次数，输出最短路径和路径平滑度，否则返回步骤(4.1)继续迭代。

Images