[发明专利]在未知环境下基于蚁群和VO算法的路径规划方法

说明书

本发明公开了一种在未知环境下基于蚁群和VO算法的路径规划方法，从而实现智能体在未知环境中对动态障碍物和静态障碍物的规避。首先，通过将地图已知信息栅格化构建初始地图矩阵，采用蚁群算法构建已知环境下的全局路径，针对地图环境未知，可能存在其他静态障碍物和动态障碍物的问题，将路径规划策略具体分为两个部分。对于未知静态障碍物，当智能体在其运动过程中探测到静态障碍物信息，更新全局地图矩阵，并通过蚁群算法重新构建全局路径。对于动态障碍物，通过结合VO算法，设计相应的惩罚函数公式，从速度候选集合中挑选出最佳速度，达到规避动态障碍物和追踪路径的效果。实验结果表明，本发明提出的路径规划方法能够在未知环境下对动态障碍物和静态障碍物进行有效规避。

技术领域：

本发明涉及在未知环境下基于蚁群和VO算法的路径规划方法，能够实现在环境中存在未知静态障碍物，动态障碍物情况下，进行实时路径规划，属于智能优化算法技术领域。

背景技术：

蚁群算法是一种启发式搜索算法，最早由Dorigo在1991年提出。该算法模拟自然界中蚂蚁觅食行为。蚁群中的蚂蚁会在自己行进路径上留下信息素，后续蚂蚁也会根据路径上的信息素浓度选择前进方向，通过路径上信息素的积累，蚁群最终会找到一条觅食路径。

社会性动物的群集活动往往能产生惊人的自组织行为，如个体行为显得简单、盲目的蚂蚁组成蚁群以后能够发现从蚁巢到食物源的最短路径。生物学家经过仔细研究发现蚂蚁之间通过一种称之为“外激素”的物质进行间接通讯、相互协作来发现最短路径。受这种现象启发，意大利学者M.Dorigo，V.Maniezzo和A.Colorni通过模拟蚁群觅食行为提出了一种基于种群的模拟进化算法——蚁群算法。该算法的出现引起了学者们的巨大关注，在过去的短短二十余年时间内，蚁群算法已经在组合优化、函数优化、系统辨识、网络路由、机器人路径规划、数据挖掘以及大规模集成电路的综合布线设计等领域获得了广泛的应用，并取得了较好的效果。

MarcoDorigo和ThomasStutzle等针对蚁群算法的不足之处做了大量的研究工作，为能够更有效地解决不同领域不同特征的优化问题，提出了精英蚁群优化算法、最大最小蚂蚁系统等多种改进策略[1](参见ManiezzoV,GambardellaLM,LuigiFD.Antcolonyoptimization.NewOptimizationTechniquesinEngineering[M].SpringerBerlinHeidelberg,2004:422-423.)；修正蚁群算法(ACS)是一种采用更新局部信息素策略的蚁群算法，能够提高未经访问的路径被选的概率和加强算法的全局搜索能力；应用空间全局信息素更新策略,加强已获得局部最优路径上的信息素的浓度,以致于能够增强算法的正反馈作用以及加快算法的收敛速度[2](参见Dorigo M,Gambardella L M.Ant colony system:Acooperative learningap proach to the traveling salesman problem[J].IEEETranson Evolutionary Computation,1997,1(1):53-56.)；针对连续域问题，为提高搜索全局最优解和收敛速度的能力，以及平衡收敛速与收敛速度，提出了一种自适应调整信息素挥发的解更新方式与信息分享机制的改进蚁群算法[3](参见周袅,葛洪伟,苏树智.基于信息素的自适应连续域混合蚁群算法[J].计算机工程与应用,2017,53(6):156-161.)；张纯等人提出了一种利用遗传算法较强的全局搜索能力以及结合蚁群算法的反馈机制的改进算法。应用遗传算法能够进行交叉和变异的能力，在满足一定的条件下对蚂蚁群体进行交叉变异操作得到新的种群，该新种群作为蚁群算法的初始种群对配电网状态进行精细估计，能够更准确的反应配电网状态[4](参见张纯,王立斌.遗传-蚁群算法的配电网状态估计[J].现代电子技术,2016,39(19):165-168)；合理的改进蚁群算法在寻优过程中路径的选择策略，有利于减小蚁群算法易陷入局部最优的可能性，以及有利于提高算法的性能。

发明内容：