[发明专利]基于改进的蚁群算法的路径规划方法

说明书

本发明公开了一种基于改进的蚁群算法的路径规划方法，相对于经典蚁群算法，本方法具有以下改进之处：(1)将常数信息素挥发系数调整为自适应信息素挥发系数，随着蚁群方法迭代次数的增加而自适应地改变系数大小；(2)在不同路径长度相同的基础上，采取拐点较少规则，择优选择出局部最优路径；(3)对局部最优路径采取简化路径规则，对该路径中所经过的每一个节点与起始节点进行是否为邻节点判断，消除路径上的冗余节点；(4)在对蚁群之前所走过的路径进行信息素更新时，采取预先排序规则，只更新路径长度排序前三分之一的路径。通过以上改进之处，本发明能够有效减少蚁群算法的算法收敛时间，提高运行效率。

技术领域

本发明涉及人工智能领域，具体涉及一种基于蚁群算法的路径规划方法。

背景技术

路径规划是当下研究的热点之一，路径指的是连接起点位置和终点位置的序列点或曲线，构成路径的策略称之为路径规划。路径规划的目的，是使得移动主体(如智能小车、移动机器人、无人机等)能够根据内定的程序，按照一定的最优解准则(如行驶路径长度最短、行驶耗时最短等)，在存在着诸多障碍物的路况中自行避障，从而选择出一条从起始点到终点的最优路径。

针对路径规划的研究主要聚焦于以下三个方面：第一，移动主体能否顺利地从起始点到达终点；第二，移动主体能否在行驶过程中自动避开沿途的障碍物；第三，在完成上述两个指标的基础上，移动主体是否能按照一定的最优解准则，选择出最优路径。传统的路径规划算法有模拟退火算法、人工势场法、模糊逻辑算法、禁忌搜索算法等，但是传统算法在解决实际问题时往往存在着建模难的问题，并且面对环境变化的应变性较差。

在处理复杂动态环境信息情况下的路径规划问题时，来自于自然界的启示往往能起到很好的作用。智能仿生学算法就是人们通过仿生学研究发现的算法，常用到的有蚁群算法、神经网络算法、粒子群算法、遗传算法等。其中，蚁群算法(Ant Colony Algorithm，ACA)由于其求解的快速性、较强的全局搜索能力以及较强的鲁棒性在路径规划领域得到了广泛的应用。蚁群算法的思想来自于对蚁群觅食行为的探索，每个蚂蚁觅食时都会在走过的道路上留下一定浓度的信息素，当存在某条从起点到终点的较短路径时，单位时间内通过该路径的蚂蚁数量也会较多，从而在该路径上留有更多的信息素，吸引更多的蚂蚁选择该路径，这就形成了一种正反馈效应，因此信息素浓度高的最短路径很快就会被发现。算法通过迭代来模拟蚁群觅食的行为达到目的，具有良好的全局优化能力、本质上的并行性、易于用计算机实现等优点。但是在经典蚁群算法中，信息素挥发系数是一个常数，新搜索到的较优路径与上一轮所搜索到的路径遵循相同的信息素挥发准则，而该准则不能够最大化地促进蚁群算法的正反馈效应，导致经典蚁群算法收敛速度过慢，并且会伴随着出现一些非稳定最优解。所以，如何进一步缩短蚁群算法的算法收敛时间与剔除一些非稳定最优解，成为蚁群算法急需改进的部分。

发明内容

发明目的：基于以上不足，本发明提出一种基于改进的蚁群算法的路径规划方法，引入自适应信息素挥发系数思想以及在此基础上的路径决策规则，从而能够缩短算法收敛时间并剔除一些非稳定最优解。

技术方案：一种基于改进的蚁群算法的路径规划方法，包括以下步骤：

(1)利用栅格法对地图环境进行建模，包括设置起始节点、目标节点、障碍物栅格；

(2)初始化蚁群算法基本参数，并使蚁群初始化在起始节点处；

(3)每只蚂蚁从起始节点开始搜索遍历，根据转移概率选择下一节点，蚂蚁走过的每个节点记录在禁忌表中，当蚂蚁到达目标节点时，计算蚂蚁所选路径长度和路径上的拐点个数；

(4)当所有蚂蚁完成搜索后，应用拐点较少原则选取当次迭代的最优路径；

(5)对当次迭代的最优路径应用简化路径原则，得到优化后的当次迭代最优路径；