[发明专利]一种基于蚁群遗传融合算法的移动机器人路径规划方法

摘要

本发明公开了一种基于蚁群遗传融合算法的移动机器人路径规划方法，本发明针对移动机器人路径规划的特点，把智能算法引入到机器人路径规划中。而单一蚁群算法和遗传算法，存在收敛速度慢、效率低或容易陷入局部最优等缺陷，本发明对蚁群算法进行改进，提出一种改进蚁群遗传算法的融合方案，并把该方案应用到移动机器人路径规划中，在栅格环境下进行仿真测试，仿真结果表明该方案能有效提高最优路径的搜索效率，整体性能优于蚁群或遗传单一智能算法。

主权项

一种基于蚁群遗传融合算法的移动机器人路径规划方法，其特征在于，包括以下步骤：S1、对蚁群算法进行改进：在蚁群算法中，路径上的信息素的值会随着时间的流逝而减小，用Rij来进行表示，通过一个递减的指数函数来表示；Rij=11+1λsIn(1+λtij)---(2)]]>式(2)中tij是蚂蚁从节点i到节点j所花费的时间，是一个常数，Rij的值越大，代表着从蚂蚁从i到节点j的路径越好；τij(t)=τij(t-1)+Σk=1mΔτijk(t)∀(i,j)∈L,k∈BestAnt---(3)]]>Δτijk=Q(Rij+(SijkSmax×1Tijk))if(i,j)∈Lk,k∈BestAnt0otherwise---(4);]]>在每次迭代过程中，只有在指定时间内，最优的蚂蚁才会更新此路径上信息素的值；在式(4)中是最优的蚂蚁经过该路径后此路径上信息素的改变量；Lk第k只蚂蚁走过的路径，是第k值蚂蚁从i节点到k节点花费的时间，是第k值蚂蚁从i节点到k节点学习到的信息；S2、设置遗传算法的最小迭代次数为Gmin，最大迭代次数为Gmax，最小进化率为Gratio，当给定迭代次数范围内连续Gend代的进化率低于Gratio，则终止遗传算法搜索，用遗传算法得到的信息来初始蚁群算法中信息素的初始值，转入蚁群算法求解；算法的步骤如下；步骤1：初始化交叉概率pc，变异概率pm，以及最大进化代数Gmax，最小进化代数Gmin，最小进化率Gratio，进化结束代数Gend；步骤2：设置种群规模为S得初始群体G，使Gmin<G<Gmax，根据实际问题进行编码，确定适应度函数，计算种群中个体的适应度值；步骤3：对种群个体进行解码，执行选择、交叉、变异操作；步骤4：比较新个体与原父代种群中的个体，根据结果进行个体的优劣替换，选择优良个体作为下一代新的子个体；步骤5：若Gmin<G<Gmax且Gend的进化率>Gratio，则转向(3)，否则转向(6)；步骤6：用遗传算法生成的较优解初始化蚁群算法信息素的初始值；步骤7：设置蚁群算法最大循环次数为Nmax，蚂蚁个数为m，循环次数k为0；步骤8：每只蚂蚁根据状态移动规则公式(1)选择下一个节点；步骤9：当蚂蚁k到达终点End时，按公式(2，3，4)对其经过路段上的信息浓度进行更新；步骤10：重复步骤(8)，(9)直至所有蚂蚁都到达终点End；步骤11：更新本次迭代最差路径长度及其所包含路段信息，全局最优路径长度及其包含路段信息；步骤12：把m只蚂蚁的位置重置为起点Start，置空禁忌表；步骤13：若循环次数k>Nmax则程序结束，否则转到步骤(8)。