CN113419532A - 一种基于均匀设计的路径规划蚁群算法参数选取方法 - Google Patents
一种基于均匀设计的路径规划蚁群算法参数选取方法 Download PDFInfo
- Publication number
- CN113419532A CN113419532A CN202110727919.0A CN202110727919A CN113419532A CN 113419532 A CN113419532 A CN 113419532A CN 202110727919 A CN202110727919 A CN 202110727919A CN 113419532 A CN113419532 A CN 113419532A
- Authority
- CN
- China
- Prior art keywords
- path planning
- colony algorithm
- ant
- factor
- ant colony
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 58
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 48
- 239000003016 pheromone Substances 0.000 claims description 65
- 241000257303 Hymenoptera Species 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 12
- 230000009191 jumping Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241001674809 Kelita Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G05D1/0221—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于均匀设计的路径规划蚁群算法参数选取方法,属于智能机器人路径规划领域。包括:选择路径规划中对蚁群算法的性能有影响的各因素的水平范围、水平及水平数;根据各因素的因素数及各因素的水平数,选择均匀设计表;将各因素的各水平填入均匀设计表中,得到实际试验参数表;基于得到的实际试验参数表中的每一组试验参数代入蚁群算法中进行路径规划,得到每一组试验参数的路径规划结果;对每一组试验参数的路径规划结果中对应的路径长度和迭代次数进行分析,得到所有试验次数中最优的蚁群算法参数组合。因此,本发明能够解决现有的蚁群算法的初始参数值只能通过经验来设置,而难以选取合适的参数组合问题。
Description
技术领域
本发明属于智能机器人路径规划领域,涉及一种基于均匀设计的路径规划蚁群算法参数选取方法。
背景技术
均匀设计是由方开泰教授和数学家王元将数论和多元统计结合起来,在1978年共同提出的一种只考虑试验点在试验范围内均匀散布的试验设计方法。该试验方法着重于在试验范围内以最少的试验次数来获得最多的信息,因而其试验次数比正交设计明显地减少,当某些因素之间有主效应或者相互效应时,更能体现均匀设计的优势。例如,当某个试验中一共有m个因素,每个因素有n个水平时,如果使用枚举法进行试验,则试验总数为nm次。若使用正交设计,则试验总数为n2次。而使用均匀设计的试验总数为n次。由此可见均匀设计可以极大程度上减少试验次数。均匀设计表是根据数论在多维数值积分的应用原理,构造出的具有均匀性的一种规格化阵列表,用于均匀设计,是均匀设计的基础。
机器人路径规划技术是移动机器人研究领域的重要部分,也是机器人导航中的重要环节,它是指基于某些特定的性能参数(如规划路径长度、规划过程花费时间、路径曲折程度等,最常用的是路径规划长度)的综合指标,在环境中分布有障碍物的前提下,使用路径规划算法从起始点到目标点搜索一条可行的、无碰撞的最优或次优路径。在过去的几十年里世界各国的研究人员研究出许多种路径规划算法,如Dijkstra算法、A*算法等传统算法,以及近年来发展迅速的智能仿生算法,如粒子群算法、蚁群算法、遗传算法等。
蚁群算法是一种受到蚂蚁觅食行为启发的元启发式随机搜索算法。该算法具有鲁棒性好、全局搜索能力强、环境约束表达方便等优点,被广泛应用于组合优化问题及移动机器人路径规划。蚁群算法的性能由多个参数共同决定,主要参数包括:①信息启发因子α,该参数表示路径上信息素的重要性。其值越大,则蚂蚁搜索的随机性越弱、收敛速度越快、蚂蚁选择之前走过的路径的概率越大;其值越小,则蚂蚁的搜索随机性越强、收敛性速度越慢、容易陷入局部最优。②期望启发因子β,该参数表示能见度的重要性,其大小反映了蚂蚁寻优过程中先验性和确定性因素的作用强度。其值越大,蚂蚁在节点上选择局部最短路径的可能性就越大,虽然加快了算法的收敛速度,但削弱了对路径搜索的随机性,容易陷入局部最优。其值越小,蚂蚁的搜索随机性越强,难以找到最优解。③信息素挥发因子ρ,该参数表示路径上信息素的挥发程度。对应的(1-ρ)则为信息素残留因子,表示路径上信息素的剩余程度,体现了蚂蚁之间的信息交换强度。若ρ值越大,则信息素的影响时间将变得更短,使得那些从来没有被搜索到的路径上的信息素趋近于0,容易陷入局部最优,降低了算法的全局搜索能力和随机性。ρ值越小,虽然能够提高算法的随机性和全局搜索能力,但降低了算法的收敛速度。④蚂蚁数目m,由于蚁群算法的并行性,蚂蚁数目m越大,则算法的全局搜索能力和算法的稳定性越强,但会使得信息素的分布差异减弱、信息素的影响变小、降低了收敛速度。反之,虽然加快了收敛速度,但算法稳定性和全局搜索能力越弱。⑤信息素强度因子Q,该参数表示蚂蚁在完成一次路径寻找过程后,在该路径上释放的信息素总量。其值越大,则算法的收敛性越高,但同时会使得算法的全局搜索能力减弱,更易陷入局部最优。由此可见,蚁群算法的每个参数都会影响算法的全局搜索能力和收敛速度。目前的蚁群算法的初始参数值只能通过经验来设置,并且蚁群算法的最佳参数值取决于问题的规模、问题的类型以及问题的具体实例等,存在难以高效选取合适的参数组合的情况,本发明提出了一种基于均匀设计的路径规划蚁群算法参数选取方法,能够通过少量试验即可得到优秀的参数组合,极大地改善以上情况。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于均匀设计的路径规划蚁群算法参数选取方法,解决了现有技术中蚁群算法的初始参数值只能通过经验来设置,且存在难以高效选取合适的参数组合的问题。
为了达到上述目的,本发明采用以下技术方案予以实现:
本发明公开了一种基于均匀设计的路径规划蚁群算法参数选取方法,包括以下步骤:
1)选择路径规划中对蚁群算法的性能有影响的各因素,确定各因素的水平范围、水平及水平数;
2)根据各因素的因素数及各因素的水平数,选择均匀设计表;将各因素的各水平填入均匀设计表中,得到实际试验参数表;
3)基于得到的实际试验参数表中的每一组试验参数代入蚁群算法中进行路径规划,得到每一组试验参数的路径规划结果;对每一组试验参数的路径规划结果中对应的路径长度和迭代次数进行分析,得到所有试验次数中最优的蚁群算法参数组合。
优选地,步骤1)中,确定各因素的水平范围、水平及水平数,其具体操作包括:根据蚁群算法常用参数范围,确定各因素的水平范围,再在该水平范围内根据试验次数以及参数的精度或尺度设置各水平,根据水平的个数得到水平数。
优选地,步骤2)中,均匀设计表为:Un(mr);
其中,n表示均匀设计表行数,即所需的试验次数;m表示各因素的水平数;r表示均匀设计表的列数,即可容纳的因素数。
优选地,步骤3)中,将实际试验参数表中的每一组试验参数代入蚁群算法中进行路径规划,其具体步骤如下:
①:采用栅格法对工作环境进行建模,建立栅格地图;
②:进行各项参数初始化;其中,各项参数包括路径规划的起点和终点、迭代次数、以及步骤1)中所有因素;
③:建立并初始化禁忌表,并将起点加入禁忌表;
④:将蚂蚁放至起点,释放蚂蚁;
⑤:根据转移概率公式选择下一节点并移动;
⑥:记录路径,并将当前节点加入禁忌表tabu;
⑦:当判断蚂蚁到达终点或无路可走时,继续下一步:
⑧:蚂蚁编号加1;
当判断蚂蚁全部释放,继续下一步;
⑨:更新信息素并记录最优路径,然后将蚂蚁初始化;
蚂蚁初始化的操作包括:将蚂蚁编号重置,迭代次数加1;
⑩:当判断完成所有迭代次数,继续下一步;
进一步优选地,步骤⑤中,转移概率公式为:
式中,α为信息启发因子;β为期望启发因子;为t时刻蚂蚁k从节点i转移到节点j的转移概率;C为蚂蚁k在当前节点前往下一个可行节点的集合,在算法运行时,该信息将存储在禁忌表tabu中;τij(t)表示t时刻节点i到节点j之间路径的信息素浓度,其中,初始时刻各路径的信息素浓度相同;ηij(t)表示t时刻节点i到节点j的启发函数,ηij(t)=1/dij,其中dij为节点i到节点j的欧式距离。
进一步优选地,步骤⑦中,当判断蚂蚁没有到达终点或并非无路可走时,重新执行步骤⑤直至结束。
进一步优选地,步骤⑧中,当判断蚂蚁没有全部释放时,重新执行步骤③直至结束。
进一步优选地,步骤⑨中,通过如下公式更新信息并记录最优路径;
τij(t+1)=(1-ρ)τij(t)+Δτij(t);
式中,ρ为信息素挥发因子;m为蚂蚁数目;τij(t+1)为节点i到节点j更新后的信息素浓度;τij(t)为当前信息素浓度;Δτij(t)为搜索过程中经过该路径的所有蚂蚁累积的信息素浓度之和;为第k只蚂蚁在经过节点i至节点j路径时留下的信息素,其信息素更新模型采用蚁周模型如下公式:
式中,Q为信息素强度因子;Lk为蚂蚁k成功抵达终点后的总路径长度。
进一步优选地,步骤⑩中,当判断没有完成所有迭代次数时,重新执行步骤③直至结束。
优选地,步骤1)中,各因素包括信息启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数目m、信息素强度因子Q中至少两个。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种基于均匀设计的路径规划蚁群算法参数选取方法,利用均匀设计进行的少量试验,即可得到优秀的蚁群算法参数组合,使得蚁群算法不仅可以得到较短的路径长度,而且其迭代次数也相对较少,收敛速度也较快。本发明所述方法利用了在算法的运行之初,使用高效的参数选取方法来得到优秀的参数组合,对于后续的算法运行或在线调整都是十分有利的。在实际应用中能够在路径规划中蚁群算法的参数选取上节省大量时间。因此,本发明所述方法,能够有效解决蚁群算法的初始参数值只能通过经验来设置,存在难以选取合适的参数组合的问题。
附图说明
图1为本发明的方法流程图;
图2为本发明中使用到的蚁群算法流程图;
图3为本实施例中的栅格环境地图的示意图;其中,(a)为简单栅格地图,(b)为复杂栅格地图;
图4为本实施例使用本发明得到的路径规划结果图;其中,(a)为简单栅格地图下得到的路径,(b)为复杂栅格地图下得到的路径;
图5为本实施例使用本发明得到的收敛曲线变化趋势图;其中,(a)为简单栅格地图下得到的收敛曲线变化趋势,(b)为复杂栅格地图下得到的收敛曲线变化趋势;
图6为本实施例使用枚举法参数选取的结果分布图;其中,(a)为简单地图下使用枚举法得到的结果分布图,(b)为复杂地图下使用枚举法得到的结果分布图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做详细说明:
参见图1可知,本发明公开了一种基于均匀设计的路径规划蚁群算法参数选取方法,所述方法步骤流程如下:
Step1:选择路径规划中对蚁群算法的性能有影响的各因素(因素包括信息启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数目m、信息素强度因子Q中至少两个);
Step2:根据蚁群算法常用参数范围来确定Step1选择的各因素的水平范围,得到各因素的取值范围,再在该水平范围内根据试验次数以及参数的精度或尺度设置各水平,水平的个数为水平数;
具体地,在本发明的某一具体实施例中,水平数一般取决于试验次数以及该参数的精度或尺度,比如α∈(1,10),而α必须为整数,则α的水平数最多取为10,对应的水平为(1,2,3,4,5,6,7,8,9,10);如果取为20,则对应的水平为(1,1,2,2,3,3,4,4,5,5,6,6,7,7,8,8,9,9,10,10)。此处,对于蚁群算法的参数而言,主要取决于试验次数。
此处,对于蚁群算法而言,没有精度限制,主要取决于试验次数。
Step3:根据Step1确定的各因素的因素数及Step2确定的各因素的水平数,来选择均匀设计表Un(mr),其中n表示均匀设计表行数,即所需的试验次数;m表示各因素的水平数;r表示均匀设计表的列数,即可容纳的因素数;
Step4:将Step2确定的各因素的各水平填入Step3所得均匀设计表中的对应位置,得到实际试验参数表;
Step5:将Step4所得实际试验参数表中的所有试验次数中的每一组试验参数代入蚁群算法中进行路径规划,得到每一组试验参数的路径规划结果;
Step6:对每一组试验参数的路径规划结果中对应的路径长度和迭代次数进行分析;
Step7:得到所有试验次数中最优的蚁群算法参数组合。
本发明根据上述Step1~Step7,实现基于均匀设计的路径规划蚁群算法参数选取方法。
参见图2可知,对于上述Step5中所述的将实际试验参数表中的所有试验次数中的每一组试验参数代入蚁群算法中进行路径规划,其具体步骤流程如下:
Step5.1:采用栅格法对机器人的工作环境进行建模,建立栅格地图;
Step5.2:基于所建立的栅格地图,将路径规划的起点和终点、信息启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数目m、信息素强度因子Q、迭代次数进行各项参数初始化,建立栅格地图的邻接矩阵、启发式信息矩阵、初始信息素矩阵;
Step5.3:建立并初始化禁忌表,并将起点加入禁忌表;
Step5.4:将蚂蚁放至起点,释放蚂蚁;
Step5.5:根据转移概率公式(1)选择下一节点并移动;
式(1)中,α为信息启发因子;β为期望启发因子;为t时刻蚂蚁k从节点i转移到节点j的转移概率;C为蚂蚁k在当前节点前往下一个可行节点的集合,在算法运行时,该信息将存储在禁忌表tabu中;τij(t)表示t时刻节点i到节点j之间路径的信息素浓度,其中,初始时刻各路径的信息素浓度相同;ηij(t)表示t时刻节点i到节点j的启发函数,也称为能见度,通常取为ηij(t)=1/dij,其中dij为节点i到节点j的欧式距离;
Step5.6:记录路径,并将当前节点加入禁忌表tabu;
Step5.7:判断蚂蚁当前是否到达终点或无路可走。若是,则继续下一步,否则跳至Step5.5;
Step5.8:蚂蚁编号加1,并判断蚂蚁是否全部释放。若是,则继续下一步,否则跳至Step5.3;
Step5.9:根据公式(2)(3)更新信息素并记录最优路径,将蚂蚁编号置1,迭代次数加1;
τij(t+1)=(1-ρ)τij(t)+Δτij(t) (2)
式中,ρ为信息素挥发因子;m为蚂蚁数目;τij(t+1)为节点i到节点j更新后的信息素浓度;τij(t)为当前信息素浓度;Δτij(t)为搜索过程中经过该路径的所有蚂蚁累积的信息素浓度之和。为第k只蚂蚁在经过节点i至节点j路径时留下的信息素,其信息素更新模型采用蚁周模型如公式(4);
式中,Q为信息素强度因子;Lk为蚂蚁k成功抵达终点后的总路径长度。显然,若蚂蚁寻找的路径越短,则信息素的浓度越高,从而促进对最优路径的搜索;
Step5.10:判断是否完成所有迭代次数。若是,则继续下一步,否则跳至Step5.3;
Step5.11:输出栅格地图中的全局最优路径,输出迭代曲线。
下面结合附图和具体实施例对本发明做进一步详细描述:
实施例
一种基于均匀设计的路径规划蚁群算法参数选取方法,包括步骤如下:
Step1:选择路径规划中对蚁群算法的性能有影响的五个因素:信息启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数目m、信息素强度因子Q;
Step2:根据蚁群算法常用参数范围确定各因素的水平范围α(1-9)、β(1-9)、ρ(0.1-0.9)、m(20-60)、Q(1-80),再在该水平范围内取适当的水平(取值);
Step3:根据因素数量及水平数量来选择均匀设计表U15(155),其中均匀设计表行数为15,即所需的试验次数;因素水平数为15;均匀设计表的列数为5,即可容纳的因素数;
Step4:将各因素的各水平填入均匀设计表中的对应位置,得到实际试验参数表如表1所示:
表1 均匀设计表及试验参数
Step5:将实际试验参数表中的每一组试验参数代入蚁群算法中进行路径规划;
Step6:对每组结果中对应的路径长度和迭代次数进行分析,得到效果最好的试验组,其对应的路径长度如图4所示,收敛曲线趋势变化图如图5所示;
Step7:得到这些试验中最优的蚁群算法参数组合。
对于上述Step5中所述的蚁群算法路径规划,其具体步骤如下:
Step5.1:采用栅格法对机器人的工作环境进行建模,建立栅格地图,如图3所示,其中白色栅格为自由栅格,表示机器人可以通行的区域,黑色栅格为障碍物栅格,表示机器人无法通行的区域。在整个路径规划过程中,地图中的所有信息都是固定不变的,将体积小于单位栅格的机器人视为质点,在栅格环境中建立笛卡尔坐标系,并对每个栅格以从左到右、从上到下的方式进行依次编号,则每个栅格中心坐标(xi,yi)与栅格编号的映射关系为公式(5):
式中:i为栅格编号;M为栅格地图的宽;N为栅格地图的长;mod为求余运算,fix为取整运算;
Step5.2:将路径规划的起点和终点、信息启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数目m、信息素强度因子Q、迭代次数进行各项参数初始化,建立栅格地图的邻接矩阵、启发式信息矩阵、初始信息素矩阵;
Step5.3:建立并初始化禁忌表,并将起点加入禁忌表;
Step5.4:将蚂蚁放至起点,释放蚂蚁;
Step5.5:基于栅格地图的邻接矩阵、启发式信息矩阵、初始信息素矩阵,根据转移概率公式(1)选择下一节点并移动;
式(1)中,α为信息启发因子;β为期望启发因子;为t时刻蚂蚁k从节点i转移到节点j的转移概率;C为蚂蚁k在当前节点前往下一个可行节点的集合,在算法运行时,该信息将存储在禁忌表tabu中;τij(t)表示t时刻节点i到节点j之间路径的信息素浓度,其中,初始时刻各路径的信息素浓度相同;ηij(t)表示t时刻节点i到节点j的启发函数,也称为能见度,通常取为ηij(t)=1/dij,其中dij为节点i到节点j的欧式距离;
Step5.6:记录路径,并将当前节点加入禁忌表tabu;
Step5.7:判断蚂蚁当前是否到达终点或无路可走。若是,则继续下一步,否则跳至Step5.5;
Step5.8:蚂蚁编号加1,并判断蚂蚁是否全部释放。若是,则继续下一步,否则跳至Step5.3;
Step5.9:基于栅格地图的邻接矩阵、启发式信息矩阵、初始信息素矩阵,根据公式(2)(3)更新信息素并记录最优路径,将蚂蚁编号置1,迭代次数加1;
τij(t+1)=(1-ρ)τij(t)+Δτij(t) (2)
其中,τij(t+1)为节点i到节点j更新后的信息素浓度;τij(t)为当前信息素浓度;Δτij(t)为搜索过程中经过该路径的所有蚂蚁累积的信息素浓度之和。为第k只蚂蚁在经过节点i至节点j路径时留下的信息素,其信息素更新模型采用蚁周模型如公式(4);
其中,Lk为蚂蚁k成功抵达终点后的总路径长度。显然,若蚂蚁寻找的路径越短,则信息素的浓度越高,从而促进对最优路径的搜索。
Step5.10:判断是否完成所有迭代次数。若是,则继续下一步,否则跳至Step5.3;
Step5.11:输出栅格地图中的全局最优路径,输出迭代曲线。
为了显示本发明的优势,对实施例中的蚁群算法参数范围进行枚举法实验,得到枚举法的参数选取结果分布图如图6所示,可以得出:影响蚁群算法性能的主要参数为信息启发因子α和期望启发因子β,并且两种复杂程度不同的地图得到的结果大致相同,趋势一致。
使用本发明中基于均匀设计的参数选取方法得到的最优参数组合处于枚举法中最优结果范围内。以路径长度为评价指标,对于实施例中的两种地图,使用均匀设计得到最优参数组合的结果在枚举法的有效结果中均能排10%左右。此外,以算法迭代次数为评价指标,使用均匀设计得到最优参数组合蚁群算法迭代次数也非常少,收敛速度也非常快。因此,在实施例中可以看出,相比枚举法的巨大工作量,使用均匀设计法进行参数选取具有非常明显的优势。
在实际使用蚁群算法进行路径规划时,使用均匀设计法不仅能够在考虑多个参数的同时高效地得到优秀的参数组合,而且能避免通常情况下采用参数直接取值或采用常用参数组合等方法的盲目性和低效性。
综上所述,本发明涉及一种基于均匀设计的路径规划蚁群算法参数选取方法。由于蚁群算法的性能由多个参数共同决定,每个参数都会影响算法的全局搜索能力和收敛速度,并且各个参数之间关系密切。该方法利用均匀设计来进行蚁群算法的参数选取,通过少量的实验得到高质量的参数组合。在机器人路径规划中,该方法可以快速得到较好的参数组合,使蚁群算法有较好的性能以及能够更快地收敛到全局最优解。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,包括以下步骤:
1)选择路径规划中对蚁群算法的性能有影响的各因素,确定各因素的水平范围、水平及水平数;
2)根据各因素的因素数及各因素的水平数,选择均匀设计表;将各因素的各水平填入均匀设计表中,得到实际试验参数表;
3)基于得到的实际试验参数表中的每一组试验参数代入蚁群算法中进行路径规划,得到每一组试验参数的路径规划结果;对每一组试验参数的路径规划结果中对应的路径长度和迭代次数进行分析,得到所有试验次数中最优的蚁群算法参数组合。
2.根据权利要求1所述的一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,步骤1)中,确定各因素的水平范围、水平数及水平,其具体操作包括:根据蚁群算法常用参数范围,确定各因素的水平范围,再在该水平范围内根据试验次数以及参数的精度或尺度设置各水平,根据水平的个数得到水平数。
3.根据权利要求1所述的一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,步骤2)中,均匀设计表为:Un(mr);
其中,n表示均匀设计表行数,即所需的试验次数;m表示各因素的水平数;r表示均匀设计表的列数,即可容纳的因素数。
4.根据权利要求1所述的一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,步骤3)中,将实际试验参数表中的每一组试验参数代入蚁群算法中进行路径规划,其具体步骤如下:
①:采用栅格法对工作环境进行建模,建立栅格地图;
②:进行各项参数初始化;其中,各项参数包括路径规划的起点和终点、迭代次数、以及步骤1)中所有因素;
③:建立并初始化禁忌表,并将起点加入禁忌表;
④:将蚂蚁放至起点,释放蚂蚁;
⑤:根据转移概率公式选择下一节点并移动;
⑥:记录路径,并将当前节点加入禁忌表tabu;
⑦:当判断蚂蚁到达终点或无路可走时,继续下一步:
⑧:蚂蚁编号加1;
当判断蚂蚁全部释放,继续下一步;
⑨:更新信息素并记录最优路径,然后将蚂蚁初始化;
蚂蚁初始化的操作包括:将蚂蚁编号重置,迭代次数加1;
⑩:当判断完成所有迭代次数,继续下一步;
6.根据权利要求4所述的一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,步骤⑦中,当判断蚂蚁没有到达终点或并非无路可走时,重新执行步骤⑤直至结束。
7.根据权利要求4所述的一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,步骤⑧中,当判断蚂蚁没有全部释放时,重新执行步骤③直至结束。
9.根据权利要求4所述的一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,步骤⑩中,当判断没有完成所有迭代次数时,重新执行步骤③直至结束。
10.根据权利要求1所述的一种基于均匀设计的路径规划蚁群算法参数选取方法,其特征在于,步骤1)中,各因素包括信息启发因子α、期望启发因子β、信息素挥发因子ρ、蚂蚁数目m、信息素强度因子Q中至少两个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727919.0A CN113419532A (zh) | 2021-06-29 | 2021-06-29 | 一种基于均匀设计的路径规划蚁群算法参数选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727919.0A CN113419532A (zh) | 2021-06-29 | 2021-06-29 | 一种基于均匀设计的路径规划蚁群算法参数选取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113419532A true CN113419532A (zh) | 2021-09-21 |
Family
ID=77717100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110727919.0A Pending CN113419532A (zh) | 2021-06-29 | 2021-06-29 | 一种基于均匀设计的路径规划蚁群算法参数选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985896A (zh) * | 2021-12-03 | 2022-01-28 | 中国重汽集团济南动力有限公司 | 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110274186A1 (en) * | 2010-05-05 | 2011-11-10 | Jenn-Kaie Lain | Peak-to-average power ratio reduction method for orthogonal frequency division multiplexing systems based on path finding |
CN103926925A (zh) * | 2014-04-22 | 2014-07-16 | 江苏久祥汽车电器集团有限公司 | 一种基于改进的vfh算法的定位与避障方法及机器人 |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
-
2021
- 2021-06-29 CN CN202110727919.0A patent/CN113419532A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110274186A1 (en) * | 2010-05-05 | 2011-11-10 | Jenn-Kaie Lain | Peak-to-average power ratio reduction method for orthogonal frequency division multiplexing systems based on path finding |
CN103926925A (zh) * | 2014-04-22 | 2014-07-16 | 江苏久祥汽车电器集团有限公司 | 一种基于改进的vfh算法的定位与避障方法及机器人 |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
Non-Patent Citations (3)
Title |
---|
李喜刚,等: "基于改进蚁群算法的无人机路径规划", 《飞行力学》 * |
李根等: "基于蚁群算法的最优路径规划及参数研究", 《中国科技论文》 * |
黄永青,等: "基于均匀设计的蚁群算法参数设定", 《控制与决策》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985896A (zh) * | 2021-12-03 | 2022-01-28 | 中国重汽集团济南动力有限公司 | 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质 |
CN113985896B (zh) * | 2021-12-03 | 2023-12-08 | 中国重汽集团济南动力有限公司 | 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
CN108776483B (zh) | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 | |
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 | |
CN109459026B (zh) | 一种多运动体协同全覆盖路径规划方法 | |
CN107272679A (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN112230665A (zh) | 一种基于aco的ros机器人全局路径优化方法 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN105911992A (zh) | 一种移动机器人的自动规划路径方法及移动机器人 | |
CN112684700B (zh) | 一种群体机器人的多目标搜索与围捕控制方法及系统 | |
CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
CN113325839B (zh) | 一种基于改进蚁群算法的智能仓储机器人路径规划方法 | |
CN112666957A (zh) | 一种基于改进蚁群算法的水下机器人路径规划方法 | |
CN114964261A (zh) | 基于改进蚁群算法的移动机器人路径规划方法 | |
CN105117461B (zh) | 一种基于改进的遗传算法的查询优化方法 | |
WO2019154215A1 (zh) | 机器人运行路径生成方法、计算设备及存储介质 | |
CN102446122A (zh) | 一种基于包围盒树的碰撞检测方法 | |
CN104808661A (zh) | 一种旅游路径规划方法 | |
CN115965169A (zh) | 路径规划方法、智能设备及计算机可读存储介质 | |
CN113703450A (zh) | 基于平滑因素改进蚁群算法的移动机器人路径规划方法 | |
CN113419532A (zh) | 一种基于均匀设计的路径规划蚁群算法参数选取方法 | |
CN113848911B (zh) | 基于Q-learning和RRT*的移动机器人全局路径规划方法 | |
CN115617690A (zh) | 基于改进自适应遗传算法的并行测试任务调度方法 | |
CN107024220B (zh) | 基于强化学习蟑螂算法的机器人路径规划方法 | |
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 | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |