[发明专利]一种基于蚁群粒子群算法的机器人路径规划融合算法

说明书

技术领域

本发明涉及人工智能技术领域，具体为一种基于蚁群粒子群算法的机器人路径规划融合算法。

背景技术

随着机器人技术的不断进步，机器人学科越来越具有强大的生命力，智能机器人系统越来越得到人们的青睐。机器人路径规划是机器人技术中一个重要研究领域，同时受到了很多研究者的关注，并取得了一系列重要成果。目前已存在许多优化算法用来解决该问题，但某些算法存在一定的局限性。蚁群算法自20世纪90年代创立以来，在路径规划等方面发展迅速。

机器人路径规划问题是指在有障碍物的工作环境中，如何寻找一条从给定起点到终点的较优的运动路径，使机器人在运动过程中能安全、无碰撞地绕过所有的障碍物，且所走路径最短。

蚁群算法(Ant Colony Optimization,ACO)是一种仿生型优化算法，由意大利学者Dorigo M.Maniezzo V和Colorni A于20世纪90年代初提出，蚁群算法主要是通过蚂蚁群体之间的信息传递而达到最优的目的，已经用该方法求解了TSP问题、指派问题、路径规划问题等，并取得了一系列较好的结果。但是蚁群算法的初期信息素匮乏，求解速度较慢。粒子群优化算法(Particle Sawrm Optimization,PSO)是一种新的随机搜索算法，具有很强的全局搜索能力，是由Eberhart和Kennedy于1995年提出的，它是基于群体智能理论的优化方法，通过群体中粒子间的合作与竞争产生群体智能指导优化搜索,粒子群算法已广泛用于函数优化、神经网络训练、数据挖掘、模糊系统控制以及其他的应用领域。但是粒子群算法反馈信息利用不充分，求解到一定范围时，易陷入局促最优。

发明内容

本发明的目的在于提供一种基于蚁群粒子群算法的机器人路径规划融合算法，以解决上述背景技术中提出的粒子群算法反馈信息利用不充分，求解到一定范围时，易陷入局促最优的问题。

为实现上述目的，本发明提供如下技术方案：一种基于蚁群粒子群算法的机器人路径规划融合算法，该基于蚁群粒子群算法的机器人路径规划融合算法的具体步骤如下：

S1：初始设定：初始化格栅格点信息素，以格栅的左端顶部为初始原点，横向为X轴、纵向为Y轴，将蚁群粒子均置于格栅的初始原点，每个粒子均有独自的编号，每个格栅的格点具有感应点，感应点与粒子上的感测端相适配；

S2：设置目的地和障碍物：根据需要设定目的地，并在格栅格点上分布障碍物，障碍物随机分布；

S3：开始测试：每个粒子作为一个单独个体存在，每个粒子的具有不同的行走路径思考方式，行走时，粒子的计时器开始计时，每通过一个格栅的格点粒子的计数器增加一；

S4：结果记录：粒子到达目的地后，粒子的计时器与计数器停止工作，粒子将计时器与计数器的数据以及粒子本身的编号上传，当所有的粒子通过目的地后，测试结束；

S5：选取最优路径：根据步骤S4中采集到的各个粒子的行走时间数据和计数器数据进行列表，行走时间反应粒子的到达目的地的时间，计数器数据体现粒子的行走距离，列表为两组表，第一组表的排序依据为行走时间由短到长，第二组表的排序依据为行走距离由短到长，根据设定需求值，选取最佳路径。

优选的，所述S1中蚁群粒子的数量为n，粒子的编号为n_i。

优选的，所述步骤S2中的障碍物不能将初始原点与目的地隔断。

优选的，所述步骤S2中具有障碍物的格栅格点与粒子上的感测端无法识别，粒子认定其为不能通过。

优选的，所述粒子的感应点测定方向为上、下、左、右、左上、左下、右上、右下，且测定为同时扩散测定，测定距离为一个单元格点。

与现有技术相比，本发明的有益效果是：该基于蚁群粒子群算法的机器人路径规划融合算法，方便找出最优路径，减少搜寻时间，增加使用的便携性。

附图说明

图1为本发明格栅格点及其障碍物图；

图2为本发明工作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明提供一种技术方案：一种基于蚁群粒子群算法的机器人路径规划融合算法，该基于蚁群粒子群算法的机器人路径规划融合算法的具体步骤如下：