[发明专利]基于改进蚁群算法的移动机器人旅行商优化方法

说明书

技术领域

本发明涉及智能移动机器人技术领域，具体涉及一种基于改进蚁群算法的移动机器 人旅行商优化方法。

背景技术

“旅行商问题(TSP)”常被称为“旅行推销员问题”，是指一名推销员要拜访多个地 点时，如何找到在拜访每个地点一次后再回到起点的最短路径。规则虽然简单，但在地 点数目增多后求解却极为复杂。以42个地点为例，如果要列举所有路径后再确定最佳 行程，那么总路径数量之大，几乎难以计算出来；例如在物流中的描述是对应一个物流 配送公司，欲将n个客户的订货沿最短路线全部送到，如何确定最短路线。旅行商问题 (TSP)是典型的NP完全问题，即其最坏情况下的时间复杂度随着问题规模的增大按 指数方式增长，到目前为止还未找到一个多项式时间的有效算法。目前研究经典TSP 常用算法有遗传算法、粒子群算法、模拟退火算法、神经网络算法等。使用遗传算法前 期收敛速度过快，容易陷入局部最优解；使用粒子群算法虽然操作简单，且能够快速收 敛，但是随着迭代次数的不断增加，在种群收敛集中的同时，各粒子也越来越相似，可 能在局部最优解周边无法跳出；使用模拟退火算法具有收敛速度慢，执行时间长，算法 性能与初始值有关及参数敏感等缺点；使用神经网络算法很难在较复杂的环境下实现。

蚁群算法最早是由意大利学者MarcoDorigo于1991年在其博士论文中提出，其真 实地模拟了自然界蚂蚁群体的觅食行为。蚁群算法是一种自组织的、并行的、正反馈算 法，具有较强的鲁棒性。把蚁群算法应用于研究TSP问题，能够有效解决此类问题，虽 然许多科学家也对传统的蚁群算法做了许多改进，而且大多是将蚁群算法与其他算法相 结合来解决前期收敛速度过慢的问题，前期收敛速度慢就必然导致效率非常低。

发明内容

本发明要解决的技术问题是针对现有技术中的不足，提出了一种基于改进蚁群算法 的移动机器人旅行商优化方法，在算法前期具有快速的收敛性，减少迭代次数，提高搜 索效率，缩短路径长度，符合人工规划意图，适用于移动机器人在静态环境中的自主导 航。

实现本发明目的的技术方案之一是提供一种基于改进蚁群算法的移动机器人旅行 商优化方法，包括如下几个步骤：

①利用移动机器人自带的摄像头、声呐环、红外传感器采集移动机器人的工作环境 信息，包括所有的“城市”坐标信息，并进行地图建模；

②利用各“城市”的坐标信息，计算城市间的相互距离，并根据距离信息对信息素 浓度进行初始化；

③利用改进后的蚁群算法，进行路径寻优；其具体过程包括：

A、对环境信息进行坐标处理；

B、设置初始参数，包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、 信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值；

C、将蚂蚁随机置于不同的城市，按照一定的概率随机选择下一个待访问的城市；

D、对所走路径进行局部信息素浓度更新；

E、所有蚂蚁完成一次迭代后，对信息素浓度进行全局更新；

F、若没有达到最大迭代次数，转至步骤C；否则，终止迭代，输出最优解结果；

④根据步骤③得到的优化结果输出最优路径的路线图。

进一步的，步骤①中，地图建模的要求如下：(a)移动机器人的活动范围在有限的 二维空间；(b)将移动机器人和各个城市看做质点，便于分析研究；(c)将移动机器人 和各个城市按照二维坐标系建模；城市的总数量为n。

进一步的，步骤②中，用d_ij表示任意城市i和城市j之间的距离，计算公式如下：

其中城市i在二维坐标系的坐标为(xi，yi)，城市j在二维坐标系的坐标为(x_j，y_j)；

根据距离信息对信息素浓度进行初始化得到的初始信息素浓度为τ0_ij，τ0_ij＝1/d_ij。

进一步的，步骤③的过程B中，信息素挥发因子的数值选取为0.1。

进一步的，步骤③的过程C中，蚂蚁k在t时刻从城市i转移到城市j的概率的计算公式为：