CN114089760A - 一种基于混合蚁群算法的agv路径规划方法 - Google Patents

一种基于混合蚁群算法的agv路径规划方法 Download PDF

Info

Publication number
CN114089760A
CN114089760A CN202111375437.XA CN202111375437A CN114089760A CN 114089760 A CN114089760 A CN 114089760A CN 202111375437 A CN202111375437 A CN 202111375437A CN 114089760 A CN114089760 A CN 114089760A
Authority
CN
China
Prior art keywords
node
path
agv
algorithm
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
Application number
CN202111375437.XA
Other languages
English (en)
Inventor
孟冠军
郑文剑
杨思平
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.)
Hefei University of Technology
Original Assignee
Hefei 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202111375437.XA priority Critical patent/CN114089760A/zh
Publication of CN114089760A publication Critical patent/CN114089760A/zh
Pending legal-status Critical Current

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
    • G05D1/0217—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
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于混合蚁群算法的AGV路径规划方法，包括以下步骤：第一步，采用链接可视图法建立AGV运动环境模型；第二步，利用A*算法规划出一条较优路径作为初始路径；第三步，然后将其作为改进蚁群算法的初始路径，同时根据新节点转移公式寻找蚁群运动节点，直至到达目标点；第四步，在迭代次数到达限定后输出算法求得的最优路径。本发明采用链接可视图法创建环境模型，可大大降低建模复杂程度，提高建模效率，且得到满意的优化效果；本发明利用A*算法规划初始路径，避免了蚁群算法在初期搜索的盲目性，大幅度提升蚁群算法的寻优能力。

Description

一种基于混合蚁群算法的AGV路径规划方法
技术领域
本发明涉及AGV路径规划技术领域，具体为一种基于混合蚁群算法的AGV路径规划方法。
背景技术
21世纪，工业制造将进入一个新的阶段，机器人制造业将成为企业的主导模式。由于机器人具有自主规划、可编程、协同操作和传感器控制的特点，将成为可重构工业生产设备和系统的重要组成部分，对传统工业制造企业的技术创新具有质的飞跃。
自动导向车辆(AGV)是一种移动机器人。它是工厂智能运输系统的一个核心组成成分。它能够替代制造业车间中的人工搬运场景(诸如半成品与成品的运输、成品的存储等过程)，实现工厂中货物自动、智能、高效的运输，从而使得物流系统智能的运转。所以在汽车制造、3C、重工等自动化行业的生产和仓储系统中得到广泛使用。而随着AGV的大量应用，企业在保证生产与物流效率的前提下，往往也需要考虑到其投资成本，所以怎样对AGV进行合理的路径规划便成了关键问题。
AGV路径规划主要包括两个核心问题：地图信息表达和搜索策略。常用的地图信息表达方法有栅格法、图论法、可视图法。搜索策略方面主要包括A*算法、dijkstra算法、蚁群算法、粒子群算法等较为常用。传统蚁群算法搜索效率低且易陷入局部最优，为了解决智能工厂AGV路径规划问题，增强算法的全局搜索能力，加快算法收敛速度，缩短搜索路径长度，改善搜素路径质量，现提出一种基于混合蚁群算法的AGV路径规划方法。
发明内容
本发明的目的在于提供一种基于混合蚁群算法的AGV路径规划方法，以解决上述背景技术中提出传统蚁群算法搜索效率低且易陷入局部最优的问题。
为实现上述目的，本发明提供如下技术方案：一种基于混合蚁群算法的AGV路径规划方法，首先采用可视图法建立AGV运动环境模型，并运用A*算法在环境模型中搜索出一条较优路径；然后将其作为改进蚁群算法的初始路径，同时根据新节点转移公式寻找蚁群运动节点，直至到达目标点；最后在迭代次数到达限定后输出算法求得的最优路径。
进一步的，所述利用链接可视图法创建AGV运行环境模型，具体步骤如下：
(1)对AGV运行环境进行处理；
(2)利用AGV自带的摄像头、雷达传感器以及红外线传感器等设备采集AGV运行环境信息，所述信息包括AGV的起始车位、目标车位、障碍物以及AGV待充电位置信息，并通过链接可视图法创建AGV运行环境模型；
(3)确定各自由链接线上的中点坐标，以起点、终点及各链接线上的中点为基准，描绘出AGV的可行路径线。
进一步的，所述步骤(1)中的对AGV运行环境进行处理，包括如下处理：a、AGV运行环境为二维有限空间；b，图中障碍物已知，位置确定，以不规则多边形表示，且忽略其高度方向；c、AGV在运行环境中匀速行驶，忽略AGV的启动、转向、制动以及液压系统的举升操作等因素；d、以AGV实际尺寸为基准，适当扩大障碍范围，将AGV视为质点。
进一步的，所述基于A*算法规划出AGV从起点至终点的初始路径，具体步骤如下：
先设定两个集合，open集，close集；
(1)将起始点加入open集(设置父亲节点为空)；
(2)在open集中选着一个f(n)值最小的节点作为当前节点；
(2.1)将其添加到close集，并从open集中移除；
(2.2)若当前节点为终点节点，那么结束搜索；
(2.3)处理当前节点的所有邻接节点；
(2.3.1)若该节点不在open集中，那么就将其添加到open集，(最好设置该节点的父节点为当前节点，以便确定路径)；
(2.3.2)若该节点已经添加到open集中，重新计算g(n)值，如果g(n)值小于先前的g(n)值，那么就跟新此值(同时跟新父节点)；
(2.3.3)若该节点不可通过或者已经被添加到close集，那么不予处理；
(3)如果open集不为空，那么转到步骤2继续执行。
进一步的，所述通过引入新的启发函数以及变更信息素更新方式对基本蚁群算法进行了优化改进，具体步骤如下：
(1)新的节点转移概率公式的启发函数综合考虑了局部及全局的路径信息，具体公式如下：
ηij＝1/(dij+djt)
其中，djt表示节点j到目标点T的距离，dij表示节点i到节点j的距离
(2)新的节点转移概率公式如下：
Figure BDA0003363765780000031
其中，
Figure BDA0003363765780000032
表示t时刻蚂蚁k从节点i转移到节点j的概率；i，j为链接线上所有点的集合；α为信息素重要程度因子：β为启发函数重要程度因子；Ι为蚂蚁下一步选择节点的集合；τij为连接i和j两节点路径上的信息素量。
第k只蚂蚁在节点i与节点j连接路径上释放的信息素浓度，具体公式如下：
Figure BDA0003363765780000041
其中，Q为常数，表示蚂蚁循环一次所释放的信息素总量；dij表示节点i与节点j之间的距离。
通过控制信息素浓度的高低来改进全局信息素更新方式，改进的全局信息
素更新公式如下：
Figure BDA0003363765780000042
其中，μ为常数且0<μ<1；m表示种群中蚂蚁的数量；ρ为信息素的挥发程度；
Figure BDA0003363765780000043
表示所有蚂蚁在节点i与节点j连接路径上释放的信息素浓度总和。
进一步的，所述基于混合蚁群算法对初始路径进行优化，具体步骤如下：
初始化各参数，包括蚂蚁种群数量m，初始迭代值iter；最大迭代次数iter_max；信息素重要程度因子α；启发函数重要程度因子β；初始信息素τ0；信息素挥发程度。
蚁群算法开始搜索，蚂蚁根据当前节点i位置按照下列式子确定下一节点j：
Figure BDA0003363765780000051
其中，
Figure BDA0003363765780000052
表示t时刻蚂蚁k从节点i转移到节点j的概率；i，j为链接线上所有点的集合；α为信息素重要程度因子；β为启发函数重要程度因子；Ι为蚂蚁下一步选择节点的集合；τij为连接i和j两节点路径上的信息素量。
当k∈I时，先计算当前链接线节点i到下条链接线节点j的转移概率pij，然后根据转移概率pij，再结合轮盘赌法确定下一节点j。
当下一节点j确定后，蚂蚁需对刚走过的路径(i,j)的信息素进行更新，更新公式如下：
τij(t+1)＝(1-ρ)τij+Δτij，0<ρ<1
判断所有蚂蚁是否到达终点，若是，则转至步骤(V)，否则转至步骤(II)；
统计当前m只蚂蚁搜索到的最优路径，并计算各最优路径长度；
统计当前m只蚂蚁搜索到的最优路径，选择其中长度最短的一条，将其
带入下式中，更新该条路径上每一点的信息素；全局信息素更新公式如下：
Figure BDA0003363765780000053
判断迭代次数iter≦iter_max，若是则转至步骤(II)，否则程序结束，输出结果。
与现有技术相比，本发明的有益效果是：
一、本发明采用链接可视图法创建环境模型，可大大降低建模复杂程度，提高建模效率，且得到满意的优化效果；
二、本发明利用A*算法规划初始路径，避免了蚁群算法在初期搜索的盲目性，大幅度提升蚁群算法的寻优能力；
三、本发明对节点转移概率公式的启发函数加以改进，引入全局距离参数，避免使用蚁群算法时陷入局部最优而导致算法停滞；
四、本发明提出一种面向对象的信息素更新规则，只对非最优路径上的信息素量进行削减；
五、本发明将A*算法与蚁群算法进行融合，可使AGV在复杂运行环境中有效避开障碍物而后搜索到一条最优路径，另外，混合算法还表现出较强的全局搜索能力，较好的收敛性，提高路径搜索效率，缩短搜索路径长度，改善搜索路径质量，可应用于智能制造。
附图说明
图1是本发明的流程图；
图2是本发明的最优路径模型图。
具体实施方式
如图1-2所示，本发明是基于一种混合蚁群算法的AGV路径规划方法，包括以下步骤：
利用链接可视图法创建AGV运行环境模型；
基于A*算法规划出AGV从起点至终点的初始路径；
通过引入新的启发函数以及变更信息素更新方式对基本蚁群算法进行了优化改进；
基于混合蚁群算法对初始路径进行优化。
实施例：
利用链接可视图法创建AGV运行环境模型，具体步骤如下：
(1)对AGV运行环境进行处理；
(2)利用AGV自带的摄像头、雷达传感器以及红外线传感器等设备采集AGV运行环境信息，所述信息包括AGV的起始车位、目标车位、障碍物以及AGV待充电位置信息，并通过链接可视图法创建AGV运行环境模型；
(3)确定各自由链接线上的中点坐标，以起点、终点及各链接线上的中点为基准，描绘出AGV的可行路径线。
基于A*算法规划出AGV从起点至终点的初始路径，具体步骤如下：
先设定两个集合，open集，close集
(1)将起始点加入open集(设置父亲节点为空)
(2)在open集中选着一个f(n)值最小的节点作为当前节点
(2.1)将其添加到close集，并从open集中移除
(2.2)若当前节点为终点节点，那么结束搜索
(2.3)处理当前节点的所有邻接节点
(2.3.1)若该节点不在open集中，那么就将其添加到open集，(最好设置该节点的父节点为当前节点，以便确定路径)；
(2.3.2)若该节点已经添加到open集中，重新计算g(n)值，如果g(n)值小于先前的g(n)值，那么就跟新此值(同时跟新父节点)；
(2.3.3)若该节点不可通过或者已经被添加到close集，那么不予处理；
(3)如果open集不为空，那么转到步骤2继续执行。
引入新的启发函数以及变更信息素更新方式对基本蚁群算法进行了优化改进，具体步骤如下：
(1)新的节点转移概率公式的启发函数综合考虑了局部及全局的路径信息，具体公式如下：
ηij＝1/(dij+djt)
其中，djt表示节点j到目标点T的距离，dij表示节点i到节点j的距离
(2)新的节点转移概率公式如下：
Figure BDA0003363765780000081
其中，
Figure BDA0003363765780000082
表示t时刻蚂蚁k从节点i转移到节点j的概率；i，j为链接线上所有点的集合；α为信息素重要程度因子；β为启发函数重要程度因子；Ι为蚂蚁下一步选择节点的集合；τij为连接i和j两节点路径上的信息素量。
第k只蚂蚁在节点i与节点j连接路径上释放的信息素浓度，具体公式如下：
Figure BDA0003363765780000083
其中，Q为常数，表示蚂蚁循环一次所释放的信息素总量；dij表示节点i与节点j之间的距离。
通过控制信息素浓度的高低来改进全局信息素更新方式，改进的全局信息
素更新公式如下：
Figure BDA0003363765780000091
其中，μ为常数且0<μ<1；m表示种群中蚂蚁的数量；ρ为信息素的挥发程度；
Figure BDA0003363765780000092
表示所有蚂蚁在节点i与节点j连接路径上释放的信息素浓度总和。
利用基于混合蚁群算法对初始路径进行优化，具体步骤如下：
初始化各参数，包括蚂蚁种群数量m，初始迭代值iter；最大迭代次数iter_max；信息素重要程度因子α；启发函数重要程度因子β；初始信息素τ0；信息素挥发程度。
蚁群算法开始搜索，蚂蚁根据当前节点i位置按照下列式子确定下一节点j：
Figure BDA0003363765780000093
其中，
Figure BDA0003363765780000094
表示t时刻蚂蚁k从节点i转移到节点j的概率；i，j为链接线上所有点的集合；α为信息素重要程度因子；β为启发函数重要程度因子；Ι为蚂蚁下一步选择节点的集合；τij为连接i和j两节点路径上的信息素量。
当k∈I时，先计算当前链接线节点i到下条链接线节点j的转移概率pij，然后根据转移概率pij，再结合轮盘赌法确定下一节点j。
当下一节点j确定后，蚂蚁需对刚走过的路径(i,j)的信息素进行更新，更新公式如下：
τij(t+1)＝(1-ρ)τij+Δτij，0<ρ<1
判断所有蚂蚁是否到达终点，若是，则转至步骤(V)，否则转至步骤(II)；
统计当前m只蚂蚁搜索到的最优路径，并计算各最优路径长度；
统计当前m只蚂蚁搜索到的最优路径，选择其中长度最短的一条，将其带入下式中，更新该条路径上每一点的信息素；全局信息素更新公式如下：
Figure BDA0003363765780000101
判断迭代次数iter≦iter_max，若是则转至步骤(II)，否则程序结束，输出结果。
本发明将A*算法与蚁群算法进行融合，可使AGV在复杂运行环境中有效避开障碍物而后搜索到一条最优路径，另外，混合算法还表现出较强的全局搜索能力，较好的收敛性，提高路径搜索效率，缩短搜索路径长度，改善搜索路径质量，可应用于智能制造。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于混合蚁群算法的AGV路径规划方法，其特征在于：包括以下步骤：
第一步，采用链接可视图法建立AGV运动环境模型；
第二步，利用A*算法规划出一条较优路径作为初始路径；
第三步，然后将其作为改进蚁群算法的初始路径，同时根据新节点转移公式寻找蚁群运动节点，直至到达目标点；
第四步，在迭代次数到达限定后输出算法求得的最优路径。
2.根据权利要求1所述的一种基于混合蚁群算法的AGV路径规划方法，其特征在于：
利用链接可视图法创建AGV运行环境模型，具体步骤如下：
(1)对AGV运行环境进行处理；
(2)利用AGV自带的摄像头、雷达传感器以及红外线传感器等设备采集AGV运行环境信息，所述信息包括AGV的起始车位、目标车位、障碍物以及AGV待充电位置信息，并通过链接可视图法创建AGV运行环境模型；
(3)确定各自由链接线上的中点坐标，以起点、终点及各链接线上的中点为基准，描绘出AGV的可行路径线。
3.根据权利要求1所述的一种基于混合蚁群算法的AGV路径规划方法，其特征在于：第一步中的对AGV运行环境进行处理，包括如下处理：a、AGV运行环境为二维有限空间；b，图中障碍物已知，位置确定，以不规则多边形表示，且忽略其高度方向；c、AGV在运行环境中匀速行驶，忽略AGV的启动、转向、制动以及液压系统的举升操作等因素；d、以AGV实际尺寸为基准，适当扩大障碍范围，将AGV视为质点。
4.根据权利要求1所述的一种基于混合蚁群算法的AGV路径规划方法，其特征在于：
第二步中，A*算法的特点：
(1)A*算法综合了Dijkstra算法和BFS算法的优点，其代价函数兼容了两者的思路：f(n)＝g(n)+h(n)，n为路径中的栅格节点；g(n)为到达当前点最短路径代价函数；h(n)为达到目标点最短路径代价函数；
(2)A*算法的估值函数中，h(n)代价值可使用欧几里得距离计算，设当前节点坐标为(xn，yn)，目标坐标为(xg，yg)，欧几里得距离表示两坐标的最短距离，其公式为
Figure FDA0003363765770000021
5.根据权利要求1所述的一种基于混合蚁群算法的AGV路径规划方法，其特征在于：
第二步中，A*算法的具体步骤：
先设定两个集合，open集，close集；
(1)将起始点加入open集(设置父亲节点为空)；
(2)在open集中选着一个f(n)值最小的节点作为当前节点；
(2.1)将其添加到close集，并从open集中移除；
(2.2)若当前节点为终点节点，那么结束搜索；
(2.3)处理当前节点的所有邻接节点；
(2.3.1)若该节点不在open集中，那么就将其添加到open集，(最好设置该节点的父节点为当前节点，以便确定路径)；
(2.3.2)若该节点已经添加到open集中，重新计算g(n)值，如果g(n)值小于先前的g(n)值，那么就跟新此值(同时跟新父节点)；
(2.3.3)若该节点不可通过或者已经被添加到close集，那么不予处理；
(3)如果open集不为空，那么转到步骤2继续执行。
6.根据权利要求1所述的一种基于混合蚁群算法的AGV路径规划方法，其特征在于：
所述通过引入新的节点转移概率公式的启发函数，引入全局距离参数以及变更信息素更新方式对基本蚁群算法进行了优化改进，
新的节点转移概率公式的启发函数综合考虑了局部及全局的路径信息，具体公式如下：
ηij＝1/(dij+djt)
其中，djt表示节点j到目标点T的距离，dij表示节点i到节点j的距离新的节点转移概率公式如下：
Figure FDA0003363765770000031
其中，
Figure FDA0003363765770000032
表示t时刻蚂蚁k从节点i转移到节点j的概率；i，j为链接线上所有点的集合；α为信息素重要程度因子；β为启发函数重要程度因子；Ι为蚂蚁下一步选择节点的集合；τij为连接i和j两节点路径上的信息素量。
第k只蚂蚁在节点i与节点j连接路径上释放的信息素浓度，具体公式如下：
Figure FDA0003363765770000033
其中，Q为常数，表示蚂蚁循环一次所释放的信息素总量；dij表示节点i与节点j之间的距离；
通过控制信息素浓度的高低来改进全局信息素更新方式，改进的全局信息素更新公式如下：
Figure FDA0003363765770000041
其中，μ为常数且0<μ<1；m表示种群中蚂蚁的数量；ρ为信息素的挥发程度；
Figure FDA0003363765770000042
表示所有蚂蚁在节点i与节点j连接路径上释放的信息素浓度总和。
7.根据权利要求1所述的一种基于混合蚁群算法的AGV路径规划方法，其特征在于：
所述基于改进蚁群算法对初始路径进行优化，具体步骤如下：
初始化各参数，包括蚂蚁种群数量m，初始迭代值iter；最大迭代次数iter_max；信息素重要程度因子α；启发函数重要程度因子β；初始信息素τ0；信息素挥发程度。
蚁群算法开始搜索，蚂蚁根据当前节点i位置按照下列式子确定下一节点j：
Figure FDA0003363765770000043
其中，
Figure FDA0003363765770000044
表示t时刻蚂蚁k从节点i转移到节点j的概率；i，j为链接线上所有点的集合；α为信息素重要程度因子；β为启发函数重要程度因子；Ι为蚂蚁下一步选择节点的集合；τij为连接i和j两节点路径上的信息素量；
当k∈I时，先计算当前链接线节点i到下条链接线节点j的转移概率pij，然后根据转移概率pij，再结合轮盘赌法确定下一节点j；
当下一节点j确定后，蚂蚁需对刚走过的路径(i,j)的信息素进行更新，更新公式如下：
τij(t+1)＝(1-ρ)τij+Δτij，0<ρ<1
判断所有蚂蚁是否到达终点，若是，则转至步骤(V)，否则转至步骤(II)；
统计当前m只蚂蚁搜索到的最优路径，并计算各最优路径长度；
统计当前m只蚂蚁搜索到的最优路径，选择其中长度最短的一条，将其带入下式中，更新该条路径上每一点的信息素；全局信息素更新公式如下：
Figure FDA0003363765770000051
判断迭代次数iter≦iter_max，若是则转至步骤(II)，否则程序结束，输出结果。
CN202111375437.XA 2021-11-19 2021-11-19 一种基于混合蚁群算法的agv路径规划方法 Pending CN114089760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111375437.XA CN114089760A (zh) 2021-11-19 2021-11-19 一种基于混合蚁群算法的agv路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111375437.XA CN114089760A (zh) 2021-11-19 2021-11-19 一种基于混合蚁群算法的agv路径规划方法

Publications (1)

Publication Number Publication Date
CN114089760A true CN114089760A (zh) 2022-02-25

Family

ID=80302237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111375437.XA Pending CN114089760A (zh) 2021-11-19 2021-11-19 一种基于混合蚁群算法的agv路径规划方法

Country Status (1)

Country Link
CN (1) CN114089760A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355955A (zh) * 2022-03-21 2022-04-15 武汉理工大学 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法
CN115167459A (zh) * 2022-08-05 2022-10-11 江苏海洋大学 一种融合空洞修复和信息采集的水下机器人路径规划方法
CN115530015A (zh) * 2022-09-19 2022-12-30 扬州大学江都高端装备工程技术研究所 基于区域蚁群路径规划的褐菇针式间苗系统及应用方法
CN116757496A (zh) * 2023-06-09 2023-09-15 紫光汇智信息技术有限公司 基于监控场景协调实时监控城市的火灾预警方法
CN117278463A (zh) * 2023-09-04 2023-12-22 三峡智控科技有限公司 路径规划方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093724A (zh) * 2021-02-24 2021-07-09 上海工程技术大学 一种基于改进蚁群算法的agv路径规划方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093724A (zh) * 2021-02-24 2021-07-09 上海工程技术大学 一种基于改进蚁群算法的agv路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孟冠军: "基于混合蚁群算法的 AGV 路径规划", 组合机床与自动化加工技术》, no. 1, 31 January 2021 (2021-01-31), pages 70 - 74 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355955A (zh) * 2022-03-21 2022-04-15 武汉理工大学 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法
CN115167459A (zh) * 2022-08-05 2022-10-11 江苏海洋大学 一种融合空洞修复和信息采集的水下机器人路径规划方法
CN115167459B (zh) * 2022-08-05 2024-05-07 江苏海洋大学 一种融合空洞修复和信息采集的水下机器人路径规划方法
CN115530015A (zh) * 2022-09-19 2022-12-30 扬州大学江都高端装备工程技术研究所 基于区域蚁群路径规划的褐菇针式间苗系统及应用方法
CN116757496A (zh) * 2023-06-09 2023-09-15 紫光汇智信息技术有限公司 基于监控场景协调实时监控城市的火灾预警方法
CN117278463A (zh) * 2023-09-04 2023-12-22 三峡智控科技有限公司 路径规划方法、装置、电子设备及存储介质
CN117278463B (zh) * 2023-09-04 2024-04-23 三峡智控科技有限公司 路径规划方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN114089760A (zh) 一种基于混合蚁群算法的agv路径规划方法
CN110160546B (zh) 一种移动机器人路径规划方法
CN108664022B (zh) 一种基于拓扑地图的机器人路径规划方法及系统
CN112833905B (zh) 基于改进a*算法的分布式多agv无碰撞路径规划方法
CN109489667A (zh) 一种基于权值矩阵的改进蚁群路径规划方法
CN107703945A (zh) 一种多目标融合的智能农用机械路径规划方法
CN105760954A (zh) 一种基于改进蚁群算法的泊车系统路径规划方法
CN113780633B (zh) 面向复杂环境的带实时冲突消解的多agv智能协同调度方法
CN108932876B (zh) 一种引入黑区的a*和蚁群混合算法的快递无人机航迹规划方法
CN109491389A (zh) 一种具有速度约束的机器人轨迹跟踪方法
CN114815802A (zh) 一种基于改进蚁群算法的无人天车路径规划方法和系统
CN106779252B (zh) 一种基于改进量子蚁群算法的agv实时路线规划方法
CN111880534A (zh) 一种基于栅格地图的二次路径规划方法
Zhang et al. Multi-AGV Path Planning for Indoor Factory by Using Prioritized Planning and Improved Ant Algorithm.
CN104036380A (zh) 基于混沌免疫算法的多车型流水线物流运输调度方法
CN114489062A (zh) 面向车间物流的多自动导引车分布式动态路径规划方法
CN117093009B (zh) 一种基于机器视觉的物流agv小车导航控制方法及系统
CN116203965A (zh) 一种基于agv的改进蚁群算法的路径规划算法
CN115239245A (zh) 一种面向立体仓库的任务调度与优化方法
CN115373384A (zh) 一种基于改进rrt的车辆动态路径规划方法及系统
CN113344303B (zh) 一种三维地形下多移动机器人能耗优化的时间窗动态避障方法
CN114840001A (zh) 一种封闭环境下的多车协同轨迹规划方法
CN116540738A (zh) 基于运动约束改进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
CN109857107A (zh) Agv小车导航方法、装置、系统、介质和设备

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