[发明专利]基于模拟退火蚁群算法的路径规划

说明书

技术领域

本发明属于路径规划技术领域，涉及一种基于模拟退火蚁群算法的路规划方法，在传统的蚁群算法的基础上引进了模拟退火算法形成模拟退火蚁群算法，再将其运用于路径规划，为进一步确保找到最优路径避免局部最优，本发明中又加入了增熵策略，通过多次更新路径，避免算法早熟，更易找到全局最优解。最后，经过仿真，也证明了此算法的高效性。

背景技术

在有障碍物的环境中，搜寻者(如机器人，无人机等)从出发点到目标点规划出一条路径，并能够沿着该路径在没有人为干预的情况下移动到预设目标，并完成预定任务。通常依据对环境信息掌握的程度将路径规划分为2种：

1.环境信息完全已知的全局路径规划——全局路径规划的任务是根据先验(已知)地理环境信息找出从起始位置到目标位置的符合一定需求的可行或最优路径。常用方法有：可视图法，栅格法，自由空间法等。

2.环境信息不完全已知或未知的基于传感器的局部路径规划——局部路径规划是指搜寻者在运行过程中，通过自身安装的传感器不断感知探索周围环境信息，对路径进行实时调整后寻找到一条最优路径。常用方法有：人工势场法，模糊逻辑算法，神经网络算法，遗传算法，蚁群算法等。

我国是一个产煤大国，绝大多数煤矿地形复杂，环境恶劣，煤矿开采的过程中有诸多不安全(例如塌方、透水、瓦斯爆炸等)因素存在，灾难时有发生，矿井发生灾害时，矿工需要在随身携带的定位导航装置的引导下快速逃生，应急救援过程中，救护队员、矿用无人机或机器人的导航是保障救援的基础，因此进行煤矿井下导航路径规划具有重要的理论和实用价值，煤矿矿井巷道狭长密闭、随着开采过程不断变化，在灾害发生时和后续的救援过程中，矿工的目标终点和救护队员的相反的，由于巷道中存在有毒有害气体和巷道的地形结构，矿工和救护队员与机器人和无人机的在井下可行路径是不同的，机器人和无人机在井下的可行路径也不同，深入研究在煤矿井下复杂环境不同参数条件下的路径规划对保障煤矿安全生产和提高应急救援技术水平具有重要的意义。

发明内容

本发明的目的在于针对传统的蚁群算法因为早熟而产生产生局部最优路径问题，为了解决这一问题，提出模拟退火算法与蚁群算法结合的算法，提高了收敛速度,为了进一步确保找到最优路径，又加入了增熵策略，避免算法早熟，增加迭代次数，从而找到全局最优解。

为了更清晰的阐述本发明的方法，先对蚁群算法做适当说明。

蚁群算法(Ant Colony Algorithm,)是意大利学者Dorigo M等人于90年代创立的，是一种用来在图中搜索优化路径的机率型算法，最初是用于解决著名的旅行商问题。它是一种收到自然界真实蚁群启发的搜索算法。蚂蚁是一种群居昆虫，他们有组织，有分工，还有通讯系统，他们相互协作，能完成从蚁穴到食物源寻找最短路径的复杂任务。模拟蚂蚁群体智能的人工蚁群算法的特点是分布计算、信息正反馈和启发式搜索，且易于与其他算法结合因此被广泛地应用到有约束的优化问题中。

用传统蚁群算法解决路径规划问题，依据蚂蚁在觅食过程中会在走过的路径上留下信息素，所走的路径越短，留下的信息素就越多，蚂蚁就越倾向于选择该路径，所以最优路径上的信息素会越来越多，这样形成一个正反馈机制，促使整个群体找到最优路径。首先设m是蚁群中蚂蚁的总数目为m,一个节点i和另一节点j之间的距离用d_ij表示，蚁群算法的迭代次数为N_c，τ_ij(t)表示t时刻结点i、j连线上残留的的信息量。初始时刻t＝0时，将m只蚂蚁放置到起始位置上，令各条路径上的信息素量相等，设τ_ij(0)为常数，蚂蚁k(k＝1,2,3,…m)在运动过程中根据各条路径上的信息素量决定转移方向，将当前走过的节点记录在禁忌表(tabu list)中，禁忌表中的集合tabu_k随着蚂蚁不断前进而动态调整。在搜索过程中，蚂蚁的状态转移概率是根据各条路径上的信息素浓度及路径的启发信息来计算的。在t时刻，蚂蚁k选择从结点i到结点j的转移概率为：

其中，allowed_k＝{C-tabu_k}表示蚂蚁k下一步允许选择的结点，allowed_k为空集时表示蚂蚁完成了一次循环。α(0＜α＜1)为信息启发式因子，它的值越大则蚂蚁之间的协作性越强，蚂蚁越倾向于选择其他蚂蚁所经过的路径；β(0＜β＜1)为期望启发式因子，它的值越大，则该状态转移概率越接近于贪心规则；η_ij(t)为启发函数，其表达式如下：