[发明专利]一种改进蚁群算法的城市救援智能体动态路径规划方法

说明书

技术领域

本发明属于机器人仿真技术领域，具体涉及一种改进蚁群算法的城市救援智能体动态路径规划方法。 

背景技术

在城市救援行动中由于地震、火灾等造成的不确定因素，以及救援智能体救援工作的进行，将造成城市路况的不断变化。因此，在动态变化的救援场景中为救援机器人搜寻到最优路径，缩短救援行动时间，是机器人救援的首要挑战和关键问题。 

机器人救援仿真中的动态路径规划问题可以归纳为：根据救援任务的实际需要，智能体通过路径规划算法搜索出从起始节点到目标节点的路径，传统路径规划问题中，全局环境信息已知，优化指标仅为路径长度。在救援仿真平台中智能体期望获取的路径是让机器人在行走过程中安全、无碰撞的到达目标点，同时面临的环境也更为复杂，优化指标不仅是距离，还需综合考虑道路安全、路障、计算时间等因素。 

传统的路径规划算法主要有：蚁群算法、遗传算法、模拟退火算法、神经网络算法和启发式算法等。神经网络算法收敛速度慢，需要大量的训练数据，搜索效率不高，动态性不好，且存在局部极小等情况；而遗传算法也有计算速度过慢，存储量空间大、运算时间和搜索效率低等缺点。启发式算法中典型的为A星算法，A星算法搜索效率较高并且具有可采纳性、单调性等特点。因此，需要通过一种适合机器人救援环境的路径规划算法来指导救援智能体获得全局最优路径，保证各智能体协作的完成。蚁群算法中的蚂蚁寻路与救援机器人的路径搜索行为非常相似，对于动态变化的环境有着很强的适应性和健壮性，适用于动态环境下的路径搜索问题。但常规蚁群算法在搜索过程中容易陷入局部最优和出现早熟，收敛速度慢等问题。与TSP(Travelling Salesman Problem)不同的是，TSP问题中整个地图信息是无噪声的，而救援系统的世界模型中环境是未知的、带噪声的，比如无法确定道路拥堵情况、建筑燃烧情况、智能体分布情况等，无法提前获得准确的路径规划方案。 

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提出一种改进蚁群算法的城市救援智能体动态路径规划方法，针对传统蚁群算法进行改进，定义基于全局动态信息的目标优势度，改善蚂蚁选择下一个节点的性能，对蚂蚁在复杂动态环境下的路径搜索进行引导。此外，为了加快蚁群算法的收敛速度，采用自适应的信息素更新策略，使得蚂蚁在收敛速度和解的 多样性之间取得平衡。 

本发明解决其技术问题所采用的技术方案是： 

本发明提出一种改进蚁群算法的城市救援智能体动态路径规划方法，蚂蚁在路径搜索时会触发信息素更新，使得蚁群在较优的路径上释放更多信息素，所述的信息素更新包括：蚁群间信息素共享更新、局部信息素更新、全局信息素更新；所述方法包括以下步骤： 

步骤1：设每个道路和建筑抽象成一个顶点，将城市抽象为图G(N,E)，其中N表示顶点集合，E表示顶点与顶点之间的连接边，边是顶点的有序偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系；给定起始节点和目标节点，初始化系统参数，若收到蚁群间信息素共享更新信息，则根据该信息更新相应边的信息素浓度，在起始节点释放一批蚂蚁； 

步骤2：蚂蚁从起始节点出发开始搜索遍历，根据转移概率从候选节点中选择优势度最大的为下一个遍历的节点；同时将选择过的节点存入禁忌列表中，使蚂蚁在下次选择时排除已选节点；当每只蚂蚁搜索结束时，对搜索得到的结果进行局部信息素更新； 

步骤3：当满足释放的蚂蚁均搜索完成或者达到超时的终止条件，则存储当前批次蚂蚁搜索得到的路径，对所有路径进行评价，根据评价值进行全局信息素更新； 

步骤4：输出最优路径。 

进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，步骤2中优势度定义为：