CN116149334A - 一种电动拖拉机多节点路径规划方法 - Google Patents

Abstract

本发明提供一种电动拖拉机多节点路径规划方法，属于电动拖拉机多节点路径规划领域，利用改进鲸鱼算法得到改进蚁群算法的运行参数，将运行参数代入改进蚁群算法求解多节点最优路径，将改进蚁群算法求解多节点最优路径的结果放入改进鲸鱼算法的迭代中，在改进鲸鱼算法中设置评价函数，通过改进鲸鱼算法的评价函数对改进蚁群算法的结果进行评价。本发明的有益效果是收敛速度快、收敛能力强、规划的电动拖拉机运行路径长度短、能量消耗低。

Description

一种电动拖拉机多节点路径规划方法

技术领域

本发明涉及电动拖拉机多节点路径规划领域，具体地是一种电动拖拉机多节点路径规划方法。

背景技术

电动拖拉机具有低污染、低噪音、高效率、操作方便等优点，今年来，电动拖拉机多用于农业生产工作中，现在为了降低运行损耗和提升续航的能力采用多节点路径规划以便提升运行效率，而多节的路径规划是指在一定区域内存在多个节点，并从某一个节点出发，以设定的运行规则最优，遍历所有节点后的路径。

目前，多节点路径规划多采用只能算法进行规划路径，例如蚁群算法(Ant colonyalgorithm,ACO)、鲸鱼优化算法(Whale optimization algorithm,WOA)等，例如《计算机应用》中面向旅行商问题的蚁群算法改进一文中将其用于旅行商问题的求解，由于蚁群算法依据蚁群觅食行为与路径规划相似，因此蚁群算法是解决多节点路径规划的常用算法。将蚁群算法用于多节点路径规划问题时，需要设置多节点参数的迭代规则，但是蚁群算法需要很多参数，还会因为迭代终止次数的设定值过大导致迭代后期出现多次迭代次数相同的情况，降低了求解效率，但是迭代次数的终止次数也不能设定的过小，故很难确定参数的最佳拟合组合，所以这种算法很容易陷入局部最优解，从而影响最优路径的求解。

因蚁群算法存在的问题，也常用鲸鱼优化算法来求解多节点路径规划的最优解，鲸鱼优化算法虽然具有设置参数数量少、收敛性能强的优点，但是具有容易陷入局部最优和收敛精度低速度慢的缺点，虽然《计算机工程与应用》中的改进的鲸鱼优化算法及其应用和《计算机应用研究》中的混合策略改进鲸鱼优化算法通过改进鲸鱼算法优化了鲸鱼优化算法收敛能力，增强了初始解的多样性，但是没有解决收敛精度低和收敛速度慢的问题，反而因为运行逻辑的复杂性导致了算法的运行效率降低。

因为无法兼顾局部与全局搜索能力，导致路径长度大，能量消耗高的问题出现，故目前有部分电动拖拉机多节点路径规划的方法采用结合蚁群算法和基本粒子群算法(Partricle Swarm Optimization，PSO)来解决蚁群算法的问题，但是对于蚁群算法迭代次数过大导致效率降低的问题和鲸鱼优化算法收敛速度慢的问题没有很好地解决，对于地形数据也有一定的依赖。

发明内容

本发明提供一种收敛速度快、收敛精度高、兼顾多种地形下局部与全局搜索能力的电动拖拉机多节点路径规划方法，尤其适合用于农业生产的电动拖拉机的多节点路径规划工作。本发明所要解决的技术问题是：蚁群算法迭代次数过大导致效率降低的问题和鲸鱼优化算法收敛速度慢的问题，并且优化后的算法无法很好的在多种地形下平衡全局与局部搜索。

本发明所采取的技术方案是：一种电动拖拉机多节点路径规划方法，方法为融合改进鲸鱼-蚁群算法，利用改进鲸鱼算法得到改进蚁群算法的运行参数，将运行参数代入改进蚁群算法求解多节点最优路径，将改进蚁群算法求解多节点最优路径的结果放入改进鲸鱼算法的迭代中，在改进鲸鱼算法中设置评价函数，通过改进鲸鱼算法的评价函数对改进蚁群算法的结果进行评价，工作流程为：

第一步，初始化算法，并导入数据；

第二步，将导入的数据通过改进鲸鱼算法中反向学习策略的种群初始化算法进行运算；

第三步，将运算结果输入改进蚁群算法中作为运行参数，改进蚁群算法初始化；

第四步，导入节点数据进行路径优化迭代运算；

第五步，判断路径优化迭代的运算结果是否遍历所有节点，路径优化迭代运算结果没有遍历所有节点就返回第四步，路径优化迭代运算结果遍历所有节点就更新信息素；

第六步，将更新的信息素导入改进蚁群算法的引入迭代提前终止策略的算法中判断是否满足迭代提前终止策略，满足迭代终止策略的条件便通过评价函数计算并输出评价函数值，不满足迭代提前终止策略的条件便判断改进蚁群算法中引入提前终止策略算法的迭代次数是否达到最大值，迭代次数达到最大值就通过评价函数计算并输出评价函数值，迭代次数没有达到最大值就将改进蚁群算法当前的迭代结果作为参数返回第四步；

第七步，将记录的优化数据导入改进鲸群算法的步骤四记录评价函数值并将评价函数最优的个体位置定位最优位置，并继续改进鲸鱼算法的后续步骤；

第八步，判断第七步中改进鲸群算法的迭代次数是否达到最大迭代次数，迭代次数达到最大迭代次数就输出最佳参数和适应度值并终止运算，适应度值为评价函数值，迭代次数没有达到最大迭代次数就返回第三步并将第七步中改进鲸群算法的结果参数输入第三步作为运行参数；

进一步的，所述第一步中导入数据包括改进蚁群算法变量和改进鲸鱼算法变量，改进蚁群算法变量包括信息素重要程度因子、启发函数重要程度因子、信息素浓度挥发因子和蚁群蚂蚁数量，改进鲸鱼算法变量包括鲸鱼种群数量和最大迭代次数。

进一步的，所述改进蚁群算法中引入迭代终止策略的算法流程为：

第一步，导入迭代数据；

第二步，判断最近两次迭代数据是否相同，不相同时迭代解连续相同的次数设为零并继续进行迭代，最近两次迭代数据相同时迭代解连续相同次数加一；

第三步，判断迭代解连续相同次数是否大于等于迭代解连续相同次数设定值，小于迭代解连续相同够次数设定值则继续迭代，大于等于迭代解连续相同次数设定值则进入下一步；

第四步，判断迭代解是否小于等于迭代解设定值，迭代解大于迭代解设定值则继续迭代，迭代解小于等于设定值则终止迭代且输出解。

进一步的，改进鲸群算法的步骤为：

步骤一：确定改进蚁群算法的变量种类、种群个体数量、最大迭代次数；

步骤二：在变量取值范围内随机初始化种群；

步骤三：通过引入反向学习策略来确立初始化种群，

步骤四：记录评价函数值最优的个体位置为最优位置；

步骤五：基于包围捕食搜索机制、螺旋上升机制或随机搜索机制完成个体的位置更新，引入随机变量p＝rand(0，1)，当p＜0.5且|A|＜1，个体按照包围捕食搜索机制更新位置，当p＜0.5且|A|≥1，个体按照随机搜索机制更新位置，当p≥0.5，个体按照螺旋上升机制更新位置。

进一步的，所述包围捕食搜索机制公式如下：

D＝|CX^*(t)-X(t)|

X(t+1)＝wX^*(t)-AD

A＝2ar-a＝a(2r-1)

C＝2r

式中，t为当前迭代次数，X为当前位置，X^*为最佳位置，A和C为系数向量，r为随机变量且范围为[0，1]，a非线性收敛因子，T_max为最大迭代次数，w为自适应惯性权重因子，D为最佳位置与当前位置的差值，

所述螺旋上升机制公式为：

X(t+1)＝De^blcos(2πl)+wX^*(t)

式中，b为常量，l为随机变量且范围为[0，1]，t为当前迭代次数，X为当前位置，X^*为最佳位置

所述随机搜索机制公式为：

D^*＝|CX_rand(t)-X(t)|

X(t+1)＝X_rand(t)-AD^*

式中，X_rand(t)为在种群中随机选择的位置。

进一步的，反向学习策略的种群初始化算法确立种群初始化的方法为：

第一步，建立随机初始种群，对随机初始种群中的个体依次分析；

第二步，引入随机数p，p≥0.3进行反向学习，p＜0.3不进行反向学习直接确定为最终初始种群；

反向学习的公式为：

式中，k为角标序号，取值范围最小为1，最大为改进蚁群算法的变量种类个数，L_k和U_k为种群空间边界，X_r为个体r在d维空间中的位置，

为X_r对应的反向个体，

蚂蚁数量边界：L₁＝20～30，U₁＝80～90，

信息素挥发因子边界：L₂＝0.2～0.25，U₂＝0.75～0.8，

启发函数重要程度因子边界：L₃＝1～2，U₃＝5～6，

信息素重要程度因子边界：L₄＝0.3～0.5，U₄＝2～2.5，

计算X_r和

的评价函数值，保留评价函数值高的为最终初始种群。

进一步的，改进蚁群算法选择路径的状态转移函数公式为：

更新信息素公式：Ta_ij(t_ACA)＝(1-rh)Ta_ij(t_ACA-1)+ΔTa_ij(t_ACA)

式中参数为信息素更新参数，更新为迭代更新

式中：t_ACA为当前迭代次数，

为状态转移函数，Ta_ij(t_ACA)为信息素浓度，α为信息素重要程度因子，Et_ij(t_ACA)为启发函数，β为启发函数重要程度因子，rh为信息素浓度挥发因子，ΔTa_ij(t_ACA)为路径上信息素的新增量，与是否经过该路径有关，Dis_ij为经过路径的欧氏距离，i和j为节点，allow表示尚未被途经的节点。

进一步的，评价函数反映改进蚁群算法求解多节点路径规划的目标函数最优性、快速收敛性和算法稳定性，评价函数的公式为：

y＝k₁f₁+k₂f₂+k₃f₃+k₄f₄

f₁＝length-length_min

f₂＝energy-energy_min

f₃＝Σlength

f₄＝σ(length)

式中：length为改进蚁群算法求解路径长度值，length_min为路径长度经验最优值，energy为改进蚁群算法求解路径消耗能量值，energy_min为路径消耗能量经验最优值，f₁为改进蚁群算法求解路径长度值与经验最优值的差值，f₂为改进蚁群算法求解消耗能量值与经验最优值的差值，f₁和f₂表述算法求解目标函数的最优性，f₃为改进蚁群算法的迭代数，表述算法的快速收敛性，f₄为改进蚁群算法迭代数据标准差，表述算法迭代数据的稳定性，k₁、k₂、k₃、k₄为权重系数。

采用以上结构后，具有以下有益效果：

1、由于同时优化了鲸鱼算法和蚁群算法，并且将改进蚁群算法放入了改进鲸鱼算法的迭代中，利用改进蚁群算法的迭代提前终止策略克服了迭代次数过多的问题，从而提高了算法效率，并且通过改进鲸鱼算法中反向学习策略的种群初始化算法提高了初始种群质量，从而提高了算法的收敛速度与精度，

2、由于引入非线性收敛因子避免算法过早由全局搜索转向局部搜索，克服了算法陷入局部最优解的问题，由于引入了自适应惯性权重因子，克服了鲸鱼优化算法中易陷入局部最优解的问题，从而增强了迭代前期算法的全局搜索能力，迭代后期自适应权重因子较小降低了个体对当前最优解的依赖，避免算法陷入局部最优解，

3、由于融合改进鲸鱼-蚁群算法引入迭代提前终止策略、反向学习策略的种群初始化、非线性收敛因子、自适应权重因子，克服了过多的迭代、局部与全局的不平衡、收敛精度和效率低的问题，提高了收敛速度和收敛精度，规划的路径有效降低了能量损耗和减少了路径距离，平衡了不同路面环境下的局部与全局搜索能力。

附图说明

图1是本发明的融合改进鲸鱼-蚁群算法流程图；

图2是本发明的改进蚁群算法中迭代提前终止策略的算法的流程图；

图3是本发明的非线性收敛因子曲线图；

图4是本发明的改进鲸鱼算法性能测试的Sphere函数收敛曲线图；

图5是本发明的改进鲸鱼算法性能测试的Quartic函数收敛曲线图；

图6是本发明的改进鲸鱼算法性能测试的Schwefel 2.26函数收敛曲线图；

图7是本发明的改进鲸鱼算法性能测试的Rastrigin函数收敛曲线图；

图8是本发明的电动拖拉机运动模型的受力分析图；

图9是本发明的平坦环境仿真中26个节点在平坦空间中的位置图；

图10是本发明的平坦环境仿真中评价函数收敛曲线图；

图11是本发明的平坦环境仿真中融合粒子群-蚁群算法路径规划图；

图12是本发明的平坦环境仿真中融合改进鲸鱼-蚁群算法路径规划图；

图13是本发明的平坦环境仿真的路径长度收敛曲线图；

图14是本发明的崎岖环境仿真中31个节点的空间位置图；

图15是本发明的崎岖环境仿真的评价函数收敛曲线图；

图16是本发明的崎岖环境仿真中融合粒子群-蚁群算法路径规划图；

图17是本发明的崎岖环境仿真中融合改进鲸鱼-蚁群算法路径规划图；

图18是本发明的崎岖环境仿真的评价函数收敛曲线图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步说明。

如图1-2所示：

改进蚁群算法引入了迭代提前终止策略，因基本蚁群算法当设定的迭代终止次数较求解问题大时，迭代后期会出现多次迭代值相同的情况，降低算法的求解效率，故改进蚁群算法引入的迭代提前终止策略确保迭代解连续相同的次数达到设定值且迭代解小于设定值时迭代终止，否则一直迭代到满足最大迭代次数时迭代终止，确保了迭代的提前终止，避免了无效迭代，加快了算法效率。

改进鲸鱼算法(Improved Whale Optimization Algorithm，IWOA)中使用的反向学习策略的种群初始化算法提高了种群多样性的同时，提升了种群质量，高质量的初始种群有助于算法的快速收敛，避免了收敛速度因初始种群质量降低。

如图3所示，改进鲸鱼算法中引入的非线性收敛因子更好的平衡算法的全局搜索与局部搜索能力，使得算法在充分进行全局搜索后转入局部搜索。

改进鲸鱼算法中引入了自适应惯性权重因子，使得种群中的个体在向局部最优解移动时考虑当前位置的影响，因为鲸鱼优化算法中，惯性权重因子可看做常数1，迭代初期较大的惯性权重因子有助于算法的全局搜索，迭代后期由于权重因子过大个体会过分关注当前最优解位置，从而容易陷入局部最优，因此引入的自适应权重因子w，w的取值范围为[0.5,0.9]，迭代前期w的值接近0.9，增强算法的全局搜索能力，迭代后期w的值接近0.5，降低了对当前最优解的依赖，避免陷入局部最优解。

改进鲸鱼算法的性能测试：

选取4种函数进行测试，如表1测试函数，设定种群数量为40，最大迭代次数为100，对比改进鲸鱼算法、鲸鱼优化算法和基本粒子群算法的收敛效果；

表1测试函数

Sphere和Quartic为单峰函数，用于测试算法的局部搜索能力；Schwefel 2.26和Rastrigin为多峰函数，用于测试算法的全局搜索能力；

如图4-7所示，改进鲸鱼算法、鲸鱼优化算法和基本粒子群算法应用于测试函数的收敛曲线图中，改进鲸鱼算法在第10-20次迭代时就已经收敛至最优值附近，收敛速度上优于鲸鱼优化算法和基本粒子群算法；

将改进鲸鱼算法、鲸鱼优化算法和基本粒子群算法对4种测试函数分别运行30次，记录最优值、最差值和标准差，结果如表2测试函数结果分析，

表2测试函数结果分析

根据表中数据得出改进鲸鱼算法收敛得到的函数最优值、最差值均优于鲸鱼优化算法和基本粒子群算法，同时改进鲸鱼算法的标准差更低，性能更加稳定，因此改进鲸鱼算法在单峰和多峰测试函数的表现均优于鲸鱼优化算法和基本粒子群算法，从而得出改进鲸鱼算法的局部搜索和全局搜索的性能较优，验证了优化效果。

电动拖拉机的多节点路径规划仿真：

农业生产中，节点为其临近收获作物的汇集点，电动拖拉机需要遍历区域内的所有节点，进而收集所有收获作物，仿真对象为新疆某耕地，引入节点数据和电动拖拉机的运行参数，仿真验证融合改进鲸鱼-蚁群算法的优化性能；

排除不相关因素对试验的影响，做出如下假设：

(1)节点之间的路径为直线段；

(2)在计算路径长度和能量损耗时，忽略电动拖拉机在节点处的转向动作；

(3)忽略电动拖拉机的空气阻力；

(4)重点关注电动拖拉机在节点之间行进的路径长度和能量损耗。

算法仿真环境：操作系统Windows10(64bit)，处理器Core(TM)i7-8550U，CPU1.80GHz，运行内存16GB，仿真平台MatlabR2017a。

电动拖拉机的运行参数：行驶路面的摩擦系数为0.07，电动拖拉机的重力为10700N，传动效率为0.85。

电动拖拉机在不同作业点之间行进时，往往采用低速匀速行驶，电动拖拉机作业中的能量损耗主要为行进时所消耗的能量。针对电动拖拉机在不同行进路况(平地、斜坡)下的受力分析如图8所示。

电动拖拉机运动模型：

式中，s_i,j为节点之间的水平距离，s_i,j为节点之间的高度差，θ_i,j为节点之间的斜面倾角，γ_i,j为节点之间的路径长度，

电动拖拉机匀速行驶时，所需的电动拖拉机电机驱动力F_q公式为

F_q＝μGcos(θ_i,j)+Gsin(θ_i,j)

式中：μ为行进路面的摩擦系数，G为电动拖拉机的重力，不考虑载物重量的变化下，假定G为常量，

电机在运转时消耗的能量，公式为

Q_i,j＝q_i,j

q_i,j＝_i,jt

式中，Q_i,j为电机运转时两节点间消耗的能量，U为电机的输入电压，q_i,j为电机在两个节点间消耗的电量，I_i,j为电机电流大小，t为启动时长，

电动拖拉机在行进过程中输出的电机驱动力F_q

式中，T_x为行星架的输出转矩，i_g为电动拖拉机的变速器速比，i₀为电动拖拉机的差速器速比，η为传动效率，R为电动拖拉机车轮半径，T_t为电机的输出转矩，

式中，n为电机的转速，P为电机的输出功率，

电动拖拉机的行进速度与电机转速之间的关系式为

综合电动拖拉机运动模型的公式得出电动拖拉机在节点i和j之间运行消耗的能量公式为

其中γ_i,j作为评价函数中改进蚁群算法求解路径长度值，Q_i,j作为评价函数中改进蚁群算法求解路径消耗能量值。

实施例1：平坦环境仿真，

如图9所示，选用位于东经87.4，北纬44.3附近的耕地作为仿真对象，在平坦空间中选取的26个节点，评价函数统一采用

y＝k₁f₁+₂f₂+₃f₃+₄f₄

并设定算法参数为：改进蚁群算法变量种类为4，种群个数为30，最大迭代次数为50，k₁＝0.1，k₂＝0.00005，k₃＝0.1，k₄＝0.001。

为更好的分析融合改进鲸鱼-蚁群算法，采用融合改进鲸鱼-蚁群算法和融合粒子群-蚁群算法解决平坦环境下多节点路径规划的问题。

融合改进鲸鱼-蚁群算法和融合粒子群-蚁群算法的评价函数收敛曲线如图10所示，优化得到的蚁群算法参数值如表3改进蚁群算法参数值

表3改进蚁群算法参数值

算法	m	rh	β	α
					PSO-ACO	80	0.80	4.39	0.50
IWOA-ACO	80	0.80	5.00	0.50

由图8可知，融合改进鲸鱼-蚁群算法的评价函数收敛值优于融合粒子群-蚁群算法；

如图11-12所示，起始节点相同的情况下，箭头代表行进方向，融合改进鲸鱼-蚁群算法路径长度8750m，消耗能量2141837J，融合粒子群-蚁群算法路径长度8750m，消耗能量2141837J。

如图13所示，融合改进鲸鱼-蚁群算法(IWOA-ACO)的路径长度和收敛速度优于融合粒子群-蚁群算法(PSO-ACO)，同时最终优化结果最优且迭代次数不到最大迭代次数的三分之一，保证收敛速度的同时提高了收敛精度。

平坦环境下融合改进鲸鱼-蚁群算法与融合粒子群-蚁群算法结果相同，但是，位于平坦环境下融合改进鲸鱼-蚁群算法兼具了收敛速度快和融合粒子群-蚁群算法收敛能力强的优点，有助于提升电动拖拉机的运行效率。

实施例2：崎岖环境仿真

为了验证融合改进鲸鱼-蚁群算法在多样化耕地环境中的适应性，引入崎岖环境中的31个节点数据，31个节点的空间位置如图14所示。

融合改进鲸鱼-蚁群算法和融合粒子群-蚁群算法对应的评价函数的收敛曲线如图15所示，优化得到的ACO参数值如表4改进蚁群算法参数值，

表4改进蚁群参数值

参数	m	rh	β	α
					PSO-ACO	47	0.2	4.69	0.55
IWOA-ACO	72	0.78	2	0.83

如图4所示，融合改进鲸鱼-蚁群算法的评价函数收敛值和收敛速度均优于融合粒子群-蚁群算法，融合改进鲸鱼-蚁群算法在5次左右的迭代达到最优，收敛速度快和收敛性能好，对于崎岖路径的多节点路径规划问题具有明显的收敛性能提升。

蚁群算法根据表4的参数规划电动拖拉机在31个节点的路径，优化后的路径如图16-17所示，相同起点的情况下，箭头为前进方向，融合改进鲸鱼-蚁群算法的路径长度为19057m，能量消耗为4070478J，融合粒子群-蚁群算法的路径长度为19420m，能量消耗为4246522J。

融合改进鲸鱼-蚁群算法较融合粒子群-蚁群算法路径长度降低1.91％，能量消耗降低了4.32％。

由最终结果可知融合改进鲸鱼-蚁群算法在路径长度上最短，能量消耗上也最少，在解决电动拖拉机崎岖路面多节点路径规划问题上减少运行长度和降低了能量损耗，明显优于其余两种算法。

分析其原因，融合改进鲸鱼-蚁群算法的个体数量m＝72使得算法可以快速收敛，同时信息素浓度挥发因子rh＝0.78使得算法全局收敛性较强，信息素重要性因子α＝0.83和启发函数重要性因子β＝2之间数值差异较小使得迭代过程可以充分考虑到信息素浓度和启发函数，综上所述，融合改进鲸鱼-蚁群算法能很好的平衡全局搜索与局部搜索。

如图18所示，根据评价函数收敛曲线可以看出，融合改进鲸鱼-蚁群算法的收敛速度块和路径长度更短，收敛性能明显优于融合粒子群-蚁群算法。

结合实施例1和实施例2可以看出，融合改进鲸鱼-蚁群算法能够保证算法快速收敛和收敛精度的情况下平衡全局与局部搜索，相比于现有的算法融合改进鲸鱼-蚁群算法无论在平坦还是崎岖路面均可以保证路径的长度最短，能量消耗最低，有效提升了运行效率的同时降低了能量消耗，对于电动拖拉机在农业工作中的使用中起到了节能高效的效果。

本发明中所提到的方向用语，例如，“上”、“下”、“左”、“右”等，仅是为了更好、更清楚地说明及理解本发明，而不是指示或暗指所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上就本发明较佳的实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例，其具体结构允许有变化，凡在本发明独立要求的保护范围内所作的各种变化均在本发明的保护范围内。

Claims (8)

1.一种电动拖拉机多节点路径规划方法，其特征在于：方法为融合改进鲸鱼-蚁群算法，利用改进鲸鱼算法得到改进蚁群算法的运行参数，将运行参数代入改进蚁群算法求解多节点最优路径，将改进蚁群算法求解多节点最优路径的结果放入改进鲸鱼算法的迭代中，在改进鲸鱼算法中设置评价函数，通过改进鲸鱼算法的评价函数对改进蚁群算法的结果进行评价，工作流程为：

第一步，初始化算法，并导入数据；

第二步，将导入的数据通过改进鲸鱼算法中反向学习策略的种群初始化算法进行运算；

第三步，将运算结果输入改进蚁群算法中作为运行参数，改进蚁群算法初始化；

第四步，导入节点数据进行路径优化迭代运算；

第五步，判断路径优化迭代的运算结果是否遍历所有节点，路径优化迭代运算结果没有遍历所有节点就返回第四步，路径优化迭代运算结果遍历所有节点就更新信息素；

第六步，将更新的信息素导入改进蚁群算法的引入迭代提前终止策略的算法中判断是否满足迭代提前终止策略，满足迭代终止策略的条件便通过评价函数计算并输出评价函数值，不满足迭代提前终止策略的条件便判断改进蚁群算法中引入提前终止策略算法的迭代次数是否达到最大值，迭代次数达到最大值就通过评价函数计算并输出评价函数值，迭代次数没有达到最大值就将改进蚁群算法当前的迭代结果作为参数返回第四步；

第七步，将记录的优化数据导入改进鲸群算法的步骤四记录评价函数值并将评价函数值最优的个体位置定位最优位置，并继续改进鲸鱼算法的后续步骤；

第八步，判断第七步中改进鲸群算法的迭代次数是否达到最大迭代次数，迭代次数达到最大迭代次数就输出最佳参数和适应度值并终止运算，迭代次数没有达到最大迭代次数就返回第三步并将第七步中改进鲸群算法的结果参数输入第三步作为运行参数；

2.根据权利要求1所述的，其特征在于：所述第一步中导入数据包括改进蚁群算法变量和改进鲸鱼算法变量，改进蚁群算法变量包括信息素重要程度因子、启发函数重要程度因子、信息素浓度挥发因子和蚁群蚂蚁数量，改进鲸鱼算法变量包括鲸鱼种群数量和最大迭代次数。

3.根据权利要求1所述的，其特征在于：所述改进蚁群算法中引入迭代终止策略的算法流程为：

第一步，导入迭代数据；

第二步，判断最近两次迭代数据是否相同，不相同时迭代解连续相同的次数设为零并继续进行迭代，最近两次迭代数据相同时迭代解连续相同次数加一；

第三步，判断迭代解连续相同次数是否大于等于迭代解连续相同次数设定值，小于迭代解连续相同够次数设定值则继续迭代，大于等于迭代解连续相同次数设定值则进入下一步；

第四步，判断迭代解是否小于等于迭代解设定值，迭代解大于迭代解设定值则继续迭代，迭代解小于等于设定值则终止迭代且输出解。

4.根据权利要求1所述的，其特征在于：所述改进鲸群算法的步骤为：

步骤一：确定改进蚁群算法的变量种类、种群个体数量、最大迭代次数；

步骤二：在变量取值范围内随机初始化种群；

步骤三：通过引入反向学习策略来确立初始化种群，

步骤四：记录评价函数值最优的个体位置为最优位置；

步骤五：基于包围捕食搜索机制、螺旋上升机制或随机搜索机制完成个体的位置更新，引入随机变量p＝rand(0,1)，当p<0.5且|A|<1，个体按照包围捕食搜索机制更新位置，当p<0.5且|A|≥1，个体按照随机搜索机制更新位置，当p≥0.5，个体按照螺旋上升机制更新位置。

5.根据权利要求4所述的，其特征在于：所述包围捕食搜索机制公式如下：

D＝|CX^*(t)-X(t)|

X(t+1)＝wX^*(t)-AD

A＝2ar-a＝a(2r-1)

C＝2r

式中，t为当前迭代次数，X为当前位置，X^*为最佳位置，A和C为系数向量，r为随机变量且范围为[0,1]，a非线性收敛因子，T_max为最大迭代次数，w为自适应惯性权重因子，D为最佳位置与当前位置的差值，

所述螺旋上升机制公式为：

X(t+1)＝De^blcos(2πl)+wX^*(t)

式中，b为常量，l为随机变量且范围为[0,1]，t为当前迭代次数，X为当前位置，X^*为最佳位置

所述随机搜索机制公式为：

D^*＝|CX_rand(t)-X(t)|

X(t+1)＝X_rand(t)-AD^*

式中，X_rand(t)为在种群中随机选择的位置。

6.根据权利要求4所述的，其特征在于：所述反向学习策略的种群初始化算法确立种群初始化的方法为：

第一步，建立随机初始种群，对随机初始种群中的个体依次分析；

第二步，引入随机数p，p≥0.3进行反向学习，p<0.3不进行反向学习直接确定为最终初始种群；

反向学习的公式为：

式中，k为角标序号，取值范围最小为1，最大为改进蚁群算法的变量种类个数，L_k和U_k为种群空间边界，X_r为个体r在d维空间中的位置，

为X_r对应的反向个体，

计算X_r和

的评价函数值，保留评价函数值高的为最终初始种群。

7.根据权利要求1所述的，其特征在于：所述改进蚁群算法选择路径的状态转移函数公式为：

Ta_ij(t_ACA)＝(1-rh)Ta_ij(t_ACA-1)+△Ta_ij(t_ACA)

式中：t_ACA为当前迭代次数，

为状态转移函数，Ta_ij(t_ACA)为信息素浓度,α为信息素重要程度因子，Et_ij(t_ACA)为启发函数，β为启发函数重要程度因子，rh为信息素浓度挥发因子，△Ta_ij(t_ACA)为路径上信息素的新增量，与是否经过该路径有关，Dis_ij为经过路径的欧氏距离，i和j为节点，allow表示尚未被途经的节点。

8.根据权利要求1所述的，其特征在于：所述评价函数的公式为：

y＝k₁f₁+k₂f₂+k₃f₃+k₄f₄

f₁＝length-length_min

f₂＝energy-energy_min

f₃＝∑length

f₄＝δ(length)

式中：length为改进蚁群算法求解路径长度值，length_min为路径长度经验最优值，energy为改进蚁群算法求解路径消耗能量值，energy_min为路径消耗能量经验最优值，f₁为改进蚁群算法求解路径长度值与经验最优值的差值，f₂为改进蚁群算法求解消耗能量值与经验最优值的差值，f₁和f₂表述算法求解目标函数的最优性，f₃为改进蚁群算法的迭代数，表述算法的快速收敛性，f₄为改进蚁群算法迭代数据标准差，表述算法迭代数据的稳定性，k₁、k₂、k₃、k₄为权重系数。

Images