CN115560772A - 一种基于改进蚁群算法的全局规划路径方法 - Google Patents

一种基于改进蚁群算法的全局规划路径方法 Download PDF

Info

Publication number
CN115560772A
CN115560772A CN202211160614.7A CN202211160614A CN115560772A CN 115560772 A CN115560772 A CN 115560772A CN 202211160614 A CN202211160614 A CN 202211160614A CN 115560772 A CN115560772 A CN 115560772A
Authority
CN
China
Prior art keywords
iteration
pheromone
path
current
ant
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
CN202211160614.7A
Other languages
English (en)
Inventor
蒋嘉骏
李瑞峰
霍光磊
黄小春
吴宇雄
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.)
Fujian Quanzhou HIT Research Institute of Engineering and Technology
Original Assignee
Fujian Quanzhou HIT Research Institute of Engineering and 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 Fujian Quanzhou HIT Research Institute of Engineering and Technology filed Critical Fujian Quanzhou HIT Research Institute of Engineering and Technology
Priority to CN202211160614.7A priority Critical patent/CN115560772A/zh
Publication of CN115560772A publication Critical patent/CN115560772A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes

Landscapes

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

Abstract

本发明涉及自主导航技术的全局规划路径方法技术，具体是公开一种基于改进蚁群算法的全局规划路径方法，包括对工作环境地图进行栅格化建模；采用蚁群算法寻找最短路径，首先初始化参数，接着开始进行迭代，搜索路径，添加禁忌表中；当前蚂蚁到达终点时，采用激励惩罚机制对当前蚂蚁所走路径的信息素进行更新；判断当前迭代的蚂蚁是否全部到达终点，若没有返回开始进行迭代，若有则继续进行；每轮迭代结束后采用信息素偏差放大更新当前迭代所有蚂蚁的信息素；判断迭代是否完成，若未完成返回开始进行迭代，若完成继续进行；根据记录的全局最小路径生成路径。该方法能够提高对蚁群算法的收敛速度以及稳定性。

Description

一种基于改进蚁群算法的全局规划路径方法
技术领域
本发明涉及自主导航技术领域，特别是涉及自主导航技术的全局规划路径方法技术。
背景技术
由于近几年我国仓储物流行业的迅速发展以及人力成本的提高，传统的仓储物流运输方式越来越不能够适应物流仓储的需求，因此随着高科技的发展，智能仓储物流在很多领域仓储开始推广应用。自动导引车(automated guided vehicle，AGV)是一种无人驾驶的运输车辆，AGV工作稳定可靠，可以大大提高工作效率，节省人力成本，将人们从某些危险的工作环境中解放出来，在智能仓储物流运输中扮演着越来越重要的角色，因此全局环境的路径规划对AGV导航十分重要。
现有的路径规划算法主要有可视图法、拓扑法、人工势场法，具有启发式算法特点的主要有神经网络、粒子群、遗传算法和蚁群算法等。人工势场法虽然实现简单，但及其陷入局部极小值；遗传算法具有很好的全局求解能力，但运算的效率不高；蚁群优化算法是一种基于群体智能的元启发式算法，它首次成果被应用于解决旅行商问题，渐渐吸引众多专家学者的关注，并对蚁群算法进行相关改进，蚁群算法以其高效的自组织性和较强的鲁棒性被广泛应用于解决各种优化问题，路径规划就是其中之一，相对于遗传算法效率高，但是对于复杂的环境，也容易出现局部极值，收敛速度慢以及不稳定等问题。
发明内容
本发明的目的在于提供一种基于改进蚁群算法的全局规划路径方法，该方法考虑到启发函数、状态转移概率以及信息素更新规则对路径规划性能的影响，以提高对蚁群算法的收敛效率以及稳定性，可生成一条最优无碰撞路径。
为实现上述目的，本发明的技术方案是：一种基于改进蚁群算法的全局规划路径方法，其特征在于，全局规划路径方法步骤包括，
步骤1、对工作环境地图进行栅格化建模；
步骤2、采用蚁群算法寻找最短路径，其包含步骤2.1、初始化参数，初始化参数，迭代次数记为K，蚂蚁数记为m，最大信息素指导参数记为AlphaMax，最小信息素指导参数记为AlphaMin，最大启发函数指导参数记为BetaMax，最小启发函数指导参数记为BetaMin，信息素挥发因子记为ρ，信息素强度系数记为Q，信息素偏差调节因子记为c；步骤2.2、开始进行迭代，搜索路径，将起始点加入禁忌表中，根据轮盘赌算法选择下一节点，将该节点添加至禁忌表中；
步骤3、当前蚂蚁到达终点时，采用激励惩罚机制对当前蚂蚁所走路径的信息素进行更新；
步骤4、判断当前迭代的蚂蚁是否全部到达终点，若没有返回步骤2.2，若有则继续进行；
步骤5、每轮迭代结束后采用信息素偏差放大更新当前迭代所有蚂蚁的信息素；
步骤6、判断迭代是否完成，若未完成返回步骤2.2，若完成继续进行；
步骤7、根据记录的全局最小路径生成路径。
所述步骤1建模方法过程是将环境地图抽象为m×n的栅格环境，每个网格对应一个唯一的网格编号记为i，i与所在栅格坐标的对应关系为
Figure BDA0003859735000000031
其中x表示栅格坐标中x轴坐标值，y表示栅格坐标中y轴坐标值，m表示每一行网格数目，n表示每一列网格数目，mod为求余运算，ceil为向上取整，通过矩阵来生成栅格图，0表示可以通过，1表示有障碍物。
所述步骤2.2中轮盘赌算法公式为，
Figure BDA0003859735000000032
其中，
Figure BDA0003859735000000033
为状态转移概率，α为信息素知道因子，β为启发函数知道因子，τij(t)为路径i、j的信息素浓度，ηij(t)为启发函数，
在传统蚁群算法中，设蚂蚁总数为m只，设定在t时刻，蚂蚁k从当前i接电移动到下一j节点的可能性由状态转移概率
Figure BDA0003859735000000034
决定，
其中，
Figure BDA0003859735000000035
Ljg为节点j到目标节点的距离，Lig为节点i到目标节点的距离，α和β因子在本发明中采用自适应的计算方式计算，计算方法为，
Figure BDA0003859735000000036
Figure BDA0003859735000000037
其中Nc为当前迭代数，n是一个常数，当Nc＜n时α和β去最小值，此时有利于增加群算法的全局性，随着迭代，此时的增高α和β不断增大，通过此做法加快算法收敛。
所述步骤3中信息素进行更新的更新机制计算公式为，
Figure BDA0003859735000000041
其中，ρ为信息素挥发因子，Q为信息素强度因子，PLm为当前蚂蚁到终点的路径长度，PLbs为当前迭代最短路径长度，PLws为当前迭代最长路径长度，c是常数，k为当前迭代数，K为总迭代次数，这里引入k和K是为了在迭代前期增加解的全局性，防止出现局部极值，在后期加快收敛。
所述步骤5中信息素浓度εij(t)计算方式采取信息素浓度偏差放大策略，改进后的信息素更新规则定义公式为，
τij(t+1)＝(1-ρ)τij(t)+Δτij(t)
Figure BDA0003859735000000042
其中，ρ为信息素挥发因子，Q为信息素强度因子，PLm为当前蚂蚁到终点的路径长度，PLbs为当前迭代最短路径长度，PLws为当前迭代最长路径长度，根据上述公式更新每轮迭代的信息素浓度。
通过采用上述技术方案，本发明的有益效果是：1、能够同时考虑路径长度、路径平滑度和路径安全性多个性能指标；2、对启发函数进行改进，在启发函数中，引入自适应调整信息素调节因子α和启发函数调节因子β，为动态方式处理，对处于不同迭代的蚂蚁采用不同的启发函数，迭代次数越大，启发函数值越大，在保证全局性的同时能够有效避免算法陷入局部极值，以及在后期加快收敛；3、在信息更新过程中采用信息素偏差放大策略以及激励惩罚机制，偏差放大策略的对象是，将每一代每一只蚂蚁与最差路径和最好路径和的一半作比较，大于该数值的路径进行信息素放大，小于的减小该路径的信息素，该策略也是为了达到能够加快算法的收敛速度。该方法考虑到启发函数、状态转移概率以及信息素更新规则对路径规划性能的影响，以提高对蚁群算法的收敛效率以及稳定性，能够为AGV生成一条最优无碰撞路径。
附图说明
图1是本发明涉及的一种基于改进蚁群算法的全局规划路径方法的流程图。
图2是本发明涉及的一种基于改进蚁群算法的全局规划路径方法的栅格化地图示例图。
图3是传统蚁群算法的机器人运动轨迹图。
图4是传统蚁群算法的收敛曲线图。
图5是本发明的涉及的一种基于改进蚁群算法的全局规划路径方法的机器人运动轨迹图。
图6是本发明的涉及的一种基于改进蚁群算法的全局规划路径方法的收敛曲线图。
具体实施方式
为了进一步解释本发明的技术方案，下面通过具体实施例来对本发明进行详细阐述。
一种基于改进蚁群算法的全局规划路径方法，如图1所示，本实施例以自动导引车(AGV)为例，全局规划路径方法步骤包括，
步骤1、对工作环境地图进行栅格化建模；采用栅格法对AVG实际工作环境地图进行建模，建模方法过程是将环境地图抽象为m×n的栅格环境，单元格长度为1cm，每个网格对应一个唯一的网格编号(序号)记为i，i与所在栅格坐标的对应关系为
Figure BDA0003859735000000051
其中x表示栅格坐标中x轴坐标值，y表示栅格坐标中y轴坐标值，m表示每一行网格数目，n表示每一列网格数目，mod为求余运算，ceil为向上取整，如图2为AGV环境地图模型示意图，通过矩阵来生成栅格图，0表示可以通过，1表示有障碍物。
步骤2、采用改进后的蚁群算法寻找最短路径，其方法过程包括，
步骤2.1、初始化参数，迭代次数记为K，蚂蚁数记为m，最大信息素指导参数记为AlphaMax，最小信息素指导参数记为AlphaMin，最大启发函数指导参数记为BetaMax，最小启发函数指导参数记为BetaMin，信息素挥发因子记为ρ，信息素强度系数记为Q，信息素偏差调节因子记为c。在本实例中K＝100，m＝50，AlρhaMax＝2，AlphaMin＝1，BetaMax＝9，BetaMin＝7，ρ＝0.3，Q＝1，c＝100。
步骤2.2、开始进行迭代，搜索路径，将起始点加入禁忌表中，根据轮盘赌算法公式
Figure BDA0003859735000000061
选择下一节点，将该节点添加至禁忌表中，其中，α为信息素知道因子，β为启发函数知道因子，τij(t)为路径ij的信息素浓度，ηij(t)为启发函数，
状态转移概率同样按照公式
Figure BDA0003859735000000062
计算，在传统蚁群算法中，设蚂蚁总数为m只，设定在t时刻，蚂蚁k从当前i接电移动到下一j节点的可能性由如下的状态转移概率
Figure BDA0003859735000000063
决定；在本发明中对α、β、τij(t)、ηij(t)这四个参数都有所改进，其中，
Figure BDA0003859735000000064
Ljg为节点j到目标节点的距离，Lig为节点i到目标节点的距离，α和β因子在本发明中采用自适应的计算方式计算，计算方法为，
Figure BDA0003859735000000071
Figure BDA0003859735000000072
其中Nc为当前迭代数，n是一个常数，当Nc＜n时α和β去最小值，此时有利于增加群算法的全局性，随着迭代，此时的增高α和β不断增大，通过此做法加快算法收敛；
步骤3、当前蚂蚁到达终点时，采用激励惩罚机制对当前蚂蚁所走路径的信息素进行更新，更新机制计算公式，
Figure BDA0003859735000000073
其中，ρ为信息素挥发因子，Q为信息素强度因子，PLm为当前蚂蚁到终点的路径长度，PLbs为当前迭代最短路径长度，PLws为当前迭代最长路径长度，c是常数，k为当前迭代数，K为总迭代次数，这里引入k和K是为了在迭代前期增加解的全局性，防止出现局部极值，在后期加快收敛；
步骤4、判断当前迭代的蚂蚁是否全部到达终点，若没有返回步骤2.2，若有则继续进行，
步骤5、每轮迭代结束后采用信息素偏差放大更新当前迭代所有蚂蚁的信息素，τij(t)信息素浓度计算方式采取信息素浓度偏差放大策略，改进后的信息素更新规则定义公式为，
τij(t+1)＝(1-ρ)τij(t)+Δτij(t)
Figure BDA0003859735000000074
其中，ρ为信息素挥发因子，Q为信息素强度因子，PLm为当前蚂蚁到终点的路径长度，PLbs为当前迭代最短路径长度，PLws为当前迭代最长路径长度，根据上述公式更新每轮迭代的信息素浓度；
步骤6、判断迭代是否完成，若未完成返回步骤2.2，若完成继续进行；
步骤7、根据记录的全局最小路径生成路径，到此算法结束。
为验证上述方法的可行性，将上述基于改进蚁群算法的全局规划路径方法进行模拟仿真，与传统的蚁群算法进行比较，结合图3-图6，可以看出传统的蚁群算法虽然能够得到全局路径的最优解，但是从收敛曲线上可以看出，传统的蚁群算法他的收敛效率不高，对遇到复杂的栅格化地图每次迭代的最短路径波动很大，而且会出现局部极值，对比传统的蚁群算法，本发明改进的蚁群算法能很好的解决这一问题，在迭代20次后，算法就已经收敛完成，得到的最优路径也和传统的蚁群算法一致。仿真实验证明，与其他蚁群算法相比，本发明实现的蚁群算法的收敛速度快，可以同样生成和其他蚁群算法的最短路径，而且稳定性好。
上述实施例和图式并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。

Claims (5)

1.一种基于改进蚁群算法的全局规划路径方法，其特征在于，全局规划路径方法步骤包括，
步骤1、对工作环境地图进行栅格化建模；
步骤2、采用蚁群算法寻找最短路径，其包含步骤2.1、初始化参数，初始化参数，迭代次数记为K，蚂蚁数记为m，最大信息素指导参数记为AlphaMax，最小信息素指导参数记为AlphaMin，最大启发函数指导参数记为BetaMax，最小启发函数指导参数记为BetaMin，信息素挥发因子记为ρ，信息素强度系数记为Q，信息素偏差调节因子记为c；步骤2.2、开始进行迭代，搜索路径，将起始点加入禁忌表中，根据轮盘赌算法选择下一节点，将该节点添加至禁忌表中；
步骤3、当前蚂蚁到达终点时，采用激励惩罚机制对当前蚂蚁所走路径的信息素进行更新；
步骤4、判断当前迭代的蚂蚁是否全部到达终点，若没有返回步骤2.2，若有则继续进行；
步骤5、每轮迭代结束后采用信息素偏差放大更新当前迭代所有蚂蚁的信息素；
步骤6、判断迭代是否完成，若未完成返回步骤2.2，若完成继续进行；
步骤7、根据记录的全局最小路径生成路径。
2.如权利要求1所述的一种基于改进蚁群算法的全局规划路径方法，其特征在于，所述步骤1建模方法过程是将环境地图抽象为m×n的栅格环境，每个网格对应一个唯一的网格编号记为i，i与所在栅格坐标的对应关系为
Figure FDA0003859734990000021
其中x表示栅格坐标中x轴坐标值，y表示栅格坐标中y轴坐标值，m表示每一行网格数目，n表示每一列网格数目，mod为求余运算，ceil为向上取整，通过矩阵来生成栅格图，0表示可以通过，1表示有障碍物。
3.如权利要求2所述的一种基于改进蚁群算法的全局规划路径方法，其特征在于，所述步骤2.2中轮盘赌算法公式为，
Figure FDA0003859734990000022
其中，
Figure FDA0003859734990000023
为状态转移概率，α为信息素知道因子，β为启发函数知道因子，τij(t)为路径i、j的信息素浓度，ηij(t)为启发函数，
在传统蚁群算法中，设蚂蚁总数为m只，设定在t时刻，蚂蚁k从当前i接电移动到下一j节点的可能性由状态转移概率
Figure FDA0003859734990000024
决定，
其中，
Figure FDA0003859734990000025
Ljg为节点j到目标节点的距离，Lig为节点i到目标节点的距离，α和β因子在本发明中采用自适应的计算方式计算，计算方法为，
Figure FDA0003859734990000026
Figure FDA0003859734990000027
其中Nc为当前迭代数，n是一个常数，当Nc＜n时α和β去最小值，此时有利于增加群算法的全局性，随着迭代，此时的增高α和β不断增大，通过此做法加快算法收敛。
4.如权利要求1所述的一种基于改进蚁群算法的全局规划路径方法，其特征在于，所述步骤3中信息素进行更新的更新机制计算公式为，
Figure FDA0003859734990000031
其中，ρ为信息素挥发因子，Q为信息素强度因子，PLm为当前蚂蚁到终点的路径长度，PLbs为当前迭代最短路径长度，PLws为当前迭代最长路径长度，c是常数，k为当前迭代数，K为总迭代次数，这里引入k和K是为了在迭代前期增加解的全局性，防止出现局部极值，在后期加快收敛。
5.如权利要求3所述的一种基于改进蚁群算法的全局规划路径方法，其特征在于，所述步骤5中信息素浓度τij(t)计算方式采取信息素浓度偏差放大策略，改进后的信息素更新规则定义公式为，
Figure FDA0003859734990000032
Figure FDA0003859734990000033
其中，ρ为信息素挥发因子，Q为信息素强度因子，PLm为当前蚂蚁到终点的路径长度，PLbs为当前迭代最短路径长度，PLws为当前迭代最长路径长度，根据上述公式更新每轮迭代的信息素浓度。
CN202211160614.7A 2022-09-22 2022-09-22 一种基于改进蚁群算法的全局规划路径方法 Pending CN115560772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211160614.7A CN115560772A (zh) 2022-09-22 2022-09-22 一种基于改进蚁群算法的全局规划路径方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211160614.7A CN115560772A (zh) 2022-09-22 2022-09-22 一种基于改进蚁群算法的全局规划路径方法

Publications (1)

Publication Number Publication Date
CN115560772A true CN115560772A (zh) 2023-01-03

Family

ID=84740768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211160614.7A Pending CN115560772A (zh) 2022-09-22 2022-09-22 一种基于改进蚁群算法的全局规划路径方法

Country Status (1)

Country Link
CN (1) CN115560772A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796813A (zh) * 2023-02-03 2023-03-14 中铁城际规划建设有限公司 工程勘察信息数字化采集、管理及综合应用方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796813A (zh) * 2023-02-03 2023-03-14 中铁城际规划建设有限公司 工程勘察信息数字化采集、管理及综合应用方法及系统

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
CN111857141B (zh) 一种机器人路径规划方法、装置、设备及存储介质
CN113093724B (zh) 一种基于改进蚁群算法的agv路径规划方法
CN112650229B (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
CN111982125A (zh) 一种基于改进蚁群算法的路径规划方法
CN107272679A (zh) 基于改进的蚁群算法的路径规划方法
CN113885536B (zh) 一种基于全局海鸥算法的移动机器人路径规划方法
CN113867368A (zh) 一种基于改进海鸥算法的机器人路径规划方法
CN109211242B (zh) 一种融合rrt与蚁群算法的三维空间多目标路径规划方法
CN115560772A (zh) 一种基于改进蚁群算法的全局规划路径方法
CN114020045A (zh) 一种基于改进蚁群算法的无人机航迹规划方法
CN114089760A (zh) 一种基于混合蚁群算法的agv路径规划方法
Su et al. Mobile robot path planning based on improved ant colony algorithm
CN116203965A (zh) 一种基于agv的改进蚁群算法的路径规划算法
CN115145285A (zh) 一种仓储agv多点取送货最优路径规划方法及系统
CN113917925A (zh) 一种基于改进遗传算法的移动机器人路径规划方法
CN113985888A (zh) 一种基于改进蚁群算法的叉车路径规划方法及系统
CN115454067A (zh) 一种基于融合算法的路径规划方法
CN116449846A (zh) 一种蚁群算法的优化方法
CN115454070B (zh) 一种K-Means蚁群算法多机器人路径规划方法
CN111353621B (zh) 一种基于冷热度原理改进蚁群算法的agv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
CN111080035A (zh) 基于改进量子粒子群优化算法的全局路径规划方法

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