CN115542892A - 一种基于多步长蚁群算法的移动机器人路径规划方法 - Google Patents

一种基于多步长蚁群算法的移动机器人路径规划方法 Download PDF

Info

Publication number
CN115542892A
CN115542892A CN202210109826.6A CN202210109826A CN115542892A CN 115542892 A CN115542892 A CN 115542892A CN 202210109826 A CN202210109826 A CN 202210109826A CN 115542892 A CN115542892 A CN 115542892A
Authority
CN
China
Prior art keywords
algorithm
ant colony
colony algorithm
ant
ants
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
CN202210109826.6A
Other languages
English (en)
Inventor
李东东
凌雪
蔡劲草
王雷
王安恒
黄胜洲
马康康
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.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic University
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 Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN202210109826.6A priority Critical patent/CN115542892A/zh
Publication of CN115542892A publication Critical patent/CN115542892A/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
    • G05D1/0223—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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于多步长蚁群算法的移动机器人路径规划方法，传统蚁群算法在栅格图模型下解决机器人路径规划问题的过程中，通常规定蚂蚁只能向邻接节点进行移动，即步长为1，可移动方向有8个，但在实际情况中，蚂蚁的移动方向是完全自由的，因此，本发明利用多步长改进策略来提高蚂蚁移动的灵活性，使得算法所得路径更短，且更符合实际情况。为了验证本文改进蚁群算法的有效性，分别在20×20、30×30两种规格的环境下进行算法的仿真，并将结果与传统蚁群算法、其他改进蚁群算法对比，结果表明，本发明的改进蚁群算法的收敛速度更快，且所得路径更短。

Description

一种基于多步长蚁群算法的移动机器人路径规划方法
技术领域
本发明涉及机器人路径规划技术领域，具体是一种基于多步长蚁群算法的移动机器人路径规划方法。
背景技术
路径规划技术是移动机器人研究领域的一个重要组成部分，主要目的是在有障碍物的环境中，根据一定的准则(如路径最短，位置拐点最少，用时最短等)，寻求一条从起始位置节点到目标位置节点之间的最优或次优安全无碰路径。
路径规划技术的发展在一定程度上标志着机器人智能水平的高低，而路径规划方法的优劣直接影响路径规划效果。
目前，国内外许多专家学者都在致力于路径规划算法的研究，常用的优化算法主要有人工势场法、免疫算法、蚁群优化算法、神经网络、粒子群优化算法和遗传算法等。
其中，蚁群算法作为一种基于种群的概率选择算法，由于该算法与其它启发式算法相比，在求解性能上，具有很强的鲁棒性和较好解的搜索能力，且容易与多种启发式算法结合，以改善算法性能，所以蚁群算法在路径规划领域中得到了广泛的应用。但蚁群算法在具备了种种优点的同时，也包含了一些缺点，诸如收敛速度慢，容易陷入局部最优解等。针对这些不足，国内外诸多学者都尝试着对传统的蚁群算法进行改进，虽然大量的仿真结果表明了一些对基本蚁群算法上的改进策略是可行且有效的，但是，其中依旧存在一些缺陷需要弥补，例如在算法仿真过程中，蚂蚁的步长都是取值为1进行仿真的，这使得蚂蚁在栅格图环境下，仅能向8个邻接节点进行移动，导致最终所得最短路径的转折点过多，且迭代速度较慢。
发明内容
本发明的目的在于提供一种基于多步长蚁群算法的移动机器人路径规划方法，该方法能够克服传统蚁群算法收敛速度慢、路径与实际情况出入较大等缺点，不仅提高了获得机器人路径规划的全局最优解，而且提高了收敛的速度。
本发明解决其技术问题所采用的技术方案是：
一种基于多步长蚁群算法的移动机器人路径规划方法，包括以下步骤：
步骤1将机器人的运动环境进行数字编码，编码得到的0-1矩阵映射为栅格图模型；
步骤2初始化算法的参数：蚂蚁的步长S，以及距离启发因子α，信息素启发因子β，蚂蚁数量m，迭代次数T；
步骤3开始进入循环迭代；
步骤4将初始k＝0的第k只蚂蚁放至初始点；
步骤5计算蚂蚁当前位置下的步长范围内的可通行节点，并通过公式(1)-(4)计算这些节点选择概率，通过轮盘赌法选择下一个节点并移动；
Figure BDA0003494762240000021
Figure BDA0003494762240000022
Figure BDA0003494762240000023
Figure BDA0003494762240000024
步骤6判定当前点是否为终点，如果是，就终止寻路，并记录下路径信息，执行步骤7；否则，执行步骤5；
步骤7判断k是否等于蚂蚁种群数目，若是，则执行步骤8；否则，令k＝k+1，执行步骤4；
步骤8取出当代所有可行路径解，对信息素浓度进行更新；
步骤9判断是否达到最大迭代次数，若是，则执行步骤10；否则，循环次数增加1，执行步骤4；
步骤10输出保存的最优路径。
进一步的技术方案是，步骤2初始化算法的参数：蚂蚁的步长S优选为2或3。
本发明的有益效果是，基于多步长策略对传统蚁群算法进行改进，能够获得全局最优解，并且提高了路径规划求解的效率和稳定性。通过扩大蚂蚁的步长范围，从而加速算法的寻优速度，且降低所得路径的长度。仿真实验结果表明，采取本发明的新型的多步长改进策略，蚁群算法的性能有明显的改善。
附图说明
下面结合附图和实施例对本发明进一步说明：
图1栅格图模型示意图；
图2步长为2时的蚂蚁移动示意图；
图3算法所得最优路径；
图4算法迭代收敛对比图；
图5三种算法所得最优路径；
图6三种算法迭代收敛对比图。
具体实施方式
本发明的目的在于提供一种基于多步长策略的改进蚁群算法的移动机器人路径规划方法，该方法能够改善传统蚁群算法收敛速度慢、所得最优路径长度较大的缺陷，不仅提高了获得机器人路径规划的全局最优解，而且提高了收敛的速度。
在路径规划研究中，环境建模是首要的工作，目前为止，应用于路径规划问题的相关环境建模方法有很多，如栅格图法、拓扑图法、可视图法等。其中栅格图法由于具备建模简单，易于实现的特点而应用广泛，故本申请选用栅格图法作为环境建模方法。在栅格图模型中，通常采用空白栅格代表可移动栅格，用黑色栅格代表障碍物栅格，即不可通行，如图1所示为一个栅格图环境的示意图。
在传统蚁群算法进行路径规划的过程中，蚂蚁的位移步长通常被设为1，即蚂蚁每次仅能从当前节点前往邻接节点，这不仅使得蚂蚁达到终点的速度变慢，同时，也限制了蚂蚁的移动方向，在步长为n的情况下，倘若不考虑障碍物，则蚂蚁有4n(n+1)个可行节点，可行节点的增多，使得蚂蚁移动方向与范围都有了更多的可能，从而提高蚂蚁移动的灵活性。图2所示为步长为2时的蚂蚁移动示意图，图中虚线方向为新增的方向(相对比步长为1时的方向)。
在多步长蚁群算法中，蚂蚁在选择节点时，主要依赖公式(1)-(4)计算可行节点的选择概率：
Figure BDA0003494762240000041
Figure BDA0003494762240000042
Figure BDA0003494762240000043
Figure BDA0003494762240000044
上式中，
Figure BDA0003494762240000045
为第t代第k只蚂蚁从节点i移动至节点j的选择概率，τij(t)为节点i移动至节点j的距离启发函数，由公式(2)计算，dje为节点j至终点e的欧氏距离，α为距离启发因子，ηij(t)为节点i移动至节点j的信息素浓度，由公式(3)计算，ρ为信息素挥发系数，
Figure BDA0003494762240000046
为第k只蚂蚁留下的由节点i移动至节点j的信息素浓度，由公式(4)计算，Q为一只蚂蚁留下的信息素浓度总量，Lk为蚂蚁生成的路径总长度，Lij为节点i与节点j的欧氏距离，β为信息素启发因子，allowedk为可行节点列表。
本发明解决其技术问题所采用的技术方案是：
一种基于多步长蚁群算法的移动机器人路径规划方法，包括以下步骤：
步骤1将机器人的运动环境进行数字编码，编码得到的0-1矩阵映射为栅格图模型。
步骤2初始化算法的参数：蚂蚁的步长S，以及距离启发因子α，信息素启发因子β，蚂蚁数量m，迭代次数T等。
步骤3开始进入循环迭代。
步骤4将第k只蚂蚁(初始k＝0)放至初始点。
步骤5计算蚂蚁当前位置下的步长范围内的可通行节点，并通过公式(1)-(4)计算这些节点选择概率，通过轮盘赌法选择下一个节点并移动：
Figure BDA0003494762240000051
Figure BDA0003494762240000052
Figure BDA0003494762240000053
Figure BDA0003494762240000054
步骤6判定当前点是否为终点，如果是，就终止寻路，并记录下路径信息，执行步骤7；否则，执行步骤5。
步骤7判断k是否等于蚂蚁种群数目，若是，则执行步骤8；否则，令k＝k+1，执行步骤4。
步骤8取出当代所有可行路径解，对信息素浓度进行更新。
步骤9判断是否达到最大迭代次数，若是，则执行步骤10；否则，循环次数增加1，执行步骤4。
步骤10输出保存的最优路径。
本发明的有益效果是，基于多步长策略对传统蚁群算法进行改进，能够获得全局最优解，并且提高了路径规划求解的效率和稳定性。
本发明的效果可以通过以下仿真实验进一步说明：
为验证本方法的正确性和合理性，运用python语言编程，在20×20的栅格环境模型下对该算法进行仿真，并与基本蚁群算法进行比较。算法各参数设定如下：终距指数启发因子β＝1.5，距离启发因子α＝7，信息素浓度启发因子β＝1，蚂蚁数量m＝30，最大迭代次数为T＝100，最大步长s＝3。
仿真结果如图3与图4所示。分析仿真结果数据可以看出，传统蚁群算法所得最优路径长度为29.2131，最小迭代次数为41代，而多步长蚁群算法所得路径长度为28.3530，最小迭代次数为19代，另外，两个算法所得最优路径的转角次数分别为11个跟6个，因此，多步长蚁群算法相对比于传统蚁群算法，其能以更快的速度找到更优的路径，同时转角更少，所得路径更贴近实际路径。
为了进一步验证本发明提出的改进算法的稳定性，选取期刊《计算机工程与应用》在2021年发表的《改进蚁群算法的移动机器人路径规划》(doi：10.3778/j.issn.1002-8331.2108-0211)文章中记载的改进蚁群算法，以该文章记载的30×30的栅格环境条件下利用本发明方法进行仿真。
仿真结果如图5和图6所示。由图5与图6可以看出，传统蚁群算法得到的收敛解为47.9410，最小迭代次数为64，文献中的改进蚁群算法需要38代才可以收敛到最优解46.8701；而本发明的多步长蚁群算法仅需28代就可以找到最优解44.8755。
通过对比仿真可以得出结论：采用多步长策略对传统蚁群算法进行改进，能有效提高算法前期的寻解效果，提高算法的收敛速度，且寻优结果相对比于传统蚁群算法以及文献改进算法更好。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (2)

1.一种基于多步长蚁群算法的移动机器人路径规划方法，其特征在于包括以下步骤：
步骤1将机器人的运动环境进行数字编码，编码得到的0-1矩阵映射为栅格图模型；
步骤2初始化算法的参数：蚂蚁的步长S，以及距离启发因子α，信息素启发因子β，蚂蚁数量m，迭代次数T；
步骤3开始进入循环迭代；
步骤4将初始k＝0的第k只蚂蚁放至初始点；
步骤5计算蚂蚁当前位置下的步长范围内的可通行节点，并通过公式(1)-(4)计算这些节点选择概率，通过轮盘赌法选择下一个节点并移动；
Figure FDA0003494762230000011
Figure FDA0003494762230000012
Figure FDA0003494762230000013
Figure FDA0003494762230000014
步骤6判定当前点是否为终点，如果是，就终止寻路，并记录下路径信息，执行步骤7；否则，执行步骤5；
步骤7判断k是否等于蚂蚁种群数目，若是，则执行步骤8；否则，令k＝k+1，执行步骤4；
步骤8取出当代所有可行路径解，对信息素浓度进行更新；
步骤9判断是否达到最大迭代次数，若是，则执行步骤10；否则，循环次数增加1，执行步骤4；
步骤10输出保存的最优路径。
2.根据权利要求1所述的一种基于多步长蚁群算法的移动机器人路径规划方法，其特征在于：步骤2初始化算法的参数：蚂蚁的步长S优选为2或3。
CN202210109826.6A 2022-01-29 2022-01-29 一种基于多步长蚁群算法的移动机器人路径规划方法 Pending CN115542892A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210109826.6A CN115542892A (zh) 2022-01-29 2022-01-29 一种基于多步长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
CN202210109826.6A CN115542892A (zh) 2022-01-29 2022-01-29 一种基于多步长蚁群算法的移动机器人路径规划方法

Publications (1)

Publication Number Publication Date
CN115542892A true CN115542892A (zh) 2022-12-30

Family

ID=84724443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210109826.6A Pending CN115542892A (zh) 2022-01-29 2022-01-29 一种基于多步长蚁群算法的移动机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN115542892A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018176595A1 (zh) * 2017-03-31 2018-10-04 深圳市靖洲科技有限公司 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN110095122A (zh) * 2019-05-10 2019-08-06 安徽工程大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
CN110196061A (zh) * 2019-05-29 2019-09-03 华北理工大学 基于改进蚁群算法的移动机器人全局路径规划方法
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018176595A1 (zh) * 2017-03-31 2018-10-04 深圳市靖洲科技有限公司 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN110095122A (zh) * 2019-05-10 2019-08-06 安徽工程大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
CN110196061A (zh) * 2019-05-29 2019-09-03 华北理工大学 基于改进蚁群算法的移动机器人全局路径规划方法
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张原艺: "基于改进多步长蚁群算法的移动机器人路径规划", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 October 2018 (2018-10-15), pages 21 - 29 *
徐宏宇;唐泽坤;叶长龙;: "基于改进蚁群算法的移动机器人路径规划", 沈阳航空航天大学学报, no. 02, 25 April 2019 (2019-04-25) *

Similar Documents

Publication Publication Date Title
CN110160546B (zh) 一种移动机器人路径规划方法
CN109945881B (zh) 一种蚁群算法的移动机器人路径规划方法
CN110095122B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN112327876B (zh) 一种基于终距指数的机器人路径规划方法
CN113867368B (zh) 一种基于改进海鸥算法的机器人路径规划方法
CN107992040B (zh) 基于地图栅格与qpso算法结合的机器人路径规划方法
CN105527964A (zh) 一种机器人路径规划方法
CN113985888B (zh) 一种基于改进蚁群算法的叉车路径规划方法及系统
CN114020045B (zh) 一种基于改进蚁群算法的无人机航迹规划方法
CN112666957A (zh) 一种基于改进蚁群算法的水下机器人路径规划方法
CN115454070B (zh) 一种K-Means蚁群算法多机器人路径规划方法
CN110095788A (zh) 一种基于灰狼优化算法的rbpf-slam改进方法
CN113219981B (zh) 一种基于蚁群算法的移动机器人路径规划方法
CN110362116A (zh) 基于改进蚁群算法的变压器微型仿生鱼全局路径规划方法
CN115129064A (zh) 基于改进萤火虫算法与动态窗口法融合的路径规划方法
CN114995390A (zh) 一种基于动态自适应参数调整的蜉蝣算法的移动机器人路径规划方法
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
CN114326726B (zh) 一种基于a*与改进人工势场法的编队路径规划控制方法
CN117419739B (zh) 一种输煤系统巡检机器人的路径规划优化方法
CN113467481B (zh) 一种基于改进Sarsa算法的路径规划方法
CN113848911A (zh) 基于Q-learning和RRT*的移动机器人全局路径规划方法
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
CN116627175A (zh) 一种基于改进蚁群算法的无人机路径规划方法
CN115542892A (zh) 一种基于多步长蚁群算法的移动机器人路径规划方法
CN115016461B (zh) 一种基于动态终点策略的IA-Star算法的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