[发明专利]基于自学习蚁群算法的条形机器人路径规划方法

权利要求书

1.基于自学习蚁群算法的条形机器人路径规划方法，该条形机器人路径规划方法包括以下步骤：

步骤1、环境建模：将真实机器人工作空间转化为密度为m×n栅格地图，以实现计算机存储；在栅格地图中标记好可行单元格、障碍物单元格、出发点单元格S和目标点单元格T；

步骤2、初始化阶段：确定条形机器人的姿态；在栅格地图出发点单元格初始化一个规模为G的种群；初始化每个单元格的信息素为θ＝1/(m×n)；

步骤3、初始搜索阶段：当蚂蚁个体Ant_i行进至某一单元格时，将综合条形机器人的姿态信息和栅格地图中的障碍物信息建立可行域；当蚂蚁个体Ant_i的可行域中发现了目标单元格，则建立一条可行路径；当种群搜索到C条可行路径后，选出长度最短的一条作为算法当前最优解P_best，计算C条可行路径长度的平均值L_ave，初始搜索结束；

步骤4、全局更新栅格地图信息素阶段：根据生成的C条可行路径，使用贪婪选择策略，更新整个栅格地图信息素；

步骤5、自学习搜索阶段：对蚂蚁个体Ant_i，根据合条形机器人的姿态信息和栅格地图中的障碍物信息建立Ant_i的搜索域，通过自学习搜索，完成Ant_i的下一步行进单元格选择，当Ant_i的搜索域中发现目标单元格，则建立一条可行路径P_i；如果P_i路径长度L_pi小于当前路径平均长度L_ave，则更新L_ave，进一步更新P_i路径上单元格的信息素；如果P_i路径长度L_pi小于当前最优路径P_best的长度L_pb，则更新P_best；

步骤6、输出规划路径阶段：输出P_best作为条形机器人的最终行进路径；

所述步骤1的环境建模中，具体包括：将机器人工作空间，用m×n栅格建模，建模形成的地图称为栅格地图，并置于二维坐标系内；栅格地图中的单元格记为B_θ^(x,y)，这里(x,y)为单元格坐标，且有x＝1,…,m和y＝1,…,n；θ为单元格信息素浓度；为方便存储，在栅格地图中，可行单元格被标记为“1”，障碍物单元格被标记为“0”；

所述步骤2的初始化阶段中，具体包括：将条形机器人姿态划分为0，π/2，π，3π/2，四种；其中0姿态表示条状机器人机器人姿态与坐标系X轴平行，且头向右；π姿态表示条状机器人机器人姿态与坐标系X轴平行，且头向左；π/2姿态表示条状机器人机器人姿态与坐标系Y轴平行，且头向上；3π/2姿态表示条状机器人机器人姿态与坐标系Y轴平行，且头向下；

所述步骤3的初始搜索阶段中，具体包括：记录Ant_i当前行进的路径为一个禁忌栈P_i＝{p_i¹,p_i²,p_i³,…p_i^t}，其中p_i^j(j＝1,…,t)代表栅格地图中的单元格，p_i¹是出发点单元格S，p_i^t是Ant_i当前所在单元格；所谓禁忌栈是指P_i的第t+1个单元格p_i^t+1只许从栈顶p_i^t插入且不允许与栈中已有单元格重复；综合条形机器人的姿态信息和栅格地图中的障碍物信息建在p^t周围计算可行域F_i；

所述步骤4的使用贪婪选择策略更新整个栅格地图的信息素中，具体包括：将搜索到的C条路径的每条路径长度值取倒数，该倒数值作为每条路径沿途所经过的单元格的信息素值，如果多条路径经过同一个单元格，则通过贪婪选择策略，选择路径长度倒数值最大的作为该单元格信息素值；

所述步骤5的自学习搜索阶段中，具体包括：种群中蚂蚁个体Ant_i执行自学习搜索；自学习搜索阶段Ant_i建立可行域的过程与发现可行路径的过程同步骤3类似；自学习搜索阶段Ant_i将通过自学习的方法完成下一步单元格选择：

r₁为[0,1]上均匀分布的随机数，每次计算r₁被重新生成，自学习方式的具体搜索过程如下：

(1)当0≤r₁≤0.7时，执行自学习搜索，Learn{F_i^t}表示Ant_i在可行域F_i^t中通过自学习的方式选择信息素最大的单元格作为p^t+1；

(2)当0.7＜r₁≤0.9时，执行贪婪搜索，Greed{F_i^t}表示Ant_i在可行域F_i^t中选择距离目标单元格T直线距离最近的单元格作为p^t+1；

(3)当0.9＜r₁≤1时，执行随机搜索，Rand{F_i^t}表示Ant_i在可行域F_i^t中随机选择一个单元格作为p^t+1；

如果P_i路径长L_pi度小于当前路径平均长度L_ave，则更新L_ave，公式为：

L_ave＝(L_pi+L_ave)/2

进一步更新P_i路径上单元格的信息素，公式为：

θ^(x,y)＝min{θ^(x,y),1/L_pi}

如果P_i路径长L_pi小于当前最优路径P_best的长度L_pb，则更新L_pb和当前最优路径P_best，公式为：

L_pb＝min{L_pb,L_pi}

P_best＝Opt{P_best,P_i}。