一种基于改进蚁群算法的AGV路径规划方法技术

本发明专利技术涉及一种基于改进蚁群算法的AGV路径规划方法，包括如下步骤：(1)对AGV实际工作环境进行建模；(2)初始化参数，包括蚂蚁数量m，最大迭代次数k，信息启发因子α，期望启发式因子β，局部信息素挥发因子ξ，全局信息素挥发因子ρ，伪概率阈值q0，信息素强度Q；(3)使用麻雀搜索算法对路径进行预搜索，生成新的初始信息素；(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径；所述改进蚁群算法是指对蚁群算法的状态转移规则、转移概率、信息素更新策略和挥发因子进行改进。本发明专利技术的方法可以让小车快速搜索到实际环境中的较优路径，可以节约生产运输成本，提高了运输效率。提高了运输效率。提高了运输效率。

【技术实现步骤摘要】
一种基于改进蚁群算法的AGV路径规划方法


[0001]本专利技术属于AGV控制
，涉及一种基于改进蚁群算法的AGV路径规划方法。

技术介绍

[0002]随着现代制造业自动化程度的不断提高，机器人技术的发展受到了国内外的广泛关注，其应用领域非常广阔，包括智能制造、医疗诊断、军事和服务行业等。自动导引车AGV(Automated Guided Vichel)是智能物流中应用最广泛的一种机器人，其具有应用灵活、可控性好、效率高等特点，是打造智慧车间、智能物流运输系统的关键设备，在节约了生产运输成本的同时提高了运输效率。
[0003]路径规划是AGV控制
非常重要的问题，然而传统的蚁群算法存在效率低、易陷入局部最优等问题，并且没有考虑到在实际应用中会出现的问题，例如按规划路径行驶时可能会频繁转向，这会导致时间损失和执行器损伤；遇到复杂障碍物区域，可能会走多余的路线甚至无法完成规划的路径等问题。

技术实现思路

[0004]本专利技术的目的是解决现有技术中AGV路径规划效率低、寻优效果不佳以及可能出现频繁转弯的问题，提供一种基于改进蚁群算法的AGV路径规划方法。
[0005]为达到上述目的，本专利技术采用的技术方案如下：
[0006]一种基于改进蚁群算法的AGV路径规划方法，包括如下步骤：
[0007](1)对AGV实际工作环境进行建模；
[0008](2)初始化参数，包括蚂蚁数量m，最大迭代次数k，信息启发因子α，期望启发式因子β，局部信息素挥发因子ξ，全局信息素挥发因子ρ，伪概率阈值q0，信息素强度Q；
[0009](3)使用麻雀搜索算法对路径进行预搜索，生成新的初始信息素；
[0010](4)基于改进蚁群算法对AGV进行路径规划，得到最优路径；
[0011]所述改进蚁群算法是指对蚁群算法的状态转移规则、转移概率、信息素更新策略和挥发因子进行改进；
[0012]采用转角损耗函数对状态转移规则和转移概率进行改进，改进状态转移规则为：
[0013][0014]改进转移概率为：
[0015][0016]θ
ij
(t)＝θ
rand
T；
[0017][0018]其中，α为信息启发因子，β为期望启发式因子，γ为转角信息启发因子，τ
ij
(t)为t时刻(i,j)上的信息素浓度，η
ij
为节点i到节点j的启发信息，s为可选节点，allowed
k
为蚂蚁k可行邻接栅格标号的集合，θ
ij
(t)是转角损耗函数，q是伪概率，q0是伪概率阈值，θ为可调参数，0<θ<1，rand是0.9～1的随机数，T是转弯代价，δ是转角，P为转移概率规则，是转移概率；
[0019]对信息素更新策略进行改进是指在全局信息素更新中加入奖惩机制和鼓励机制；
[0020]对挥发因子进行改进具体为：若第n+10次迭代和第n次迭代的最优路径差值小于阈值，则对之前路径上的信息素进行自适应信息素挥发。
[0021]作为优选的技术方案：
[0022]如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(1)中采用栅格法对AGV的实际工作环境进行建模。
[0023]如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(2)中初始化参数m＝50，k＝100，α＝1，β＝5，ξ＝0.1，ρ＝0.3，q0＝0.8，Q＝1。
[0024]如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(3)中基于麻雀搜索算法生成新的初始信息素为：
[0025]τ0(i,j)＝τ
s
(i,j)+σΔτ
Z
(i,j)；
[0026][0027]其中τ0(i,j)表示第i个节点到第j个节点之间经过路径预搜索后新的初始信息素浓度，τ
s
(i,j)是i，j两个节点之间的环境初始信息素，Δτ
Z
(i,j)是i，j两个节点之间将麻雀搜索算法搜索出的路径转化成的信息素增量，σ是初始信息素增量代价，L
σ
是栅格中心到预搜索路径最短的距离，a是一个栅格的长度。
[0028]如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(4)中信息素的更新方法为：
[0029]在蚂蚁完成一次搜索时，更新所经路径的信息素：
[0030]τ
ij(new)
＝(1
‑
ξ)τ
ij(old)
+ξτ0(i,j)；
[0031]其中，τ
ij(new)
为轨迹ij上新的信息素量，τ
ij(old)
是轨迹ij上原来的信息素量，τ0(i,j)是第i个节点到第j个节点之间经过路径预搜索后新的初始信息素，ξ是局部信息素挥发因子；
[0032]在完成一次循环后，对路径进行排序，选出全局最优路径和最劣路径，引入奖惩机制，对次优解引入鼓励机制：
[0033]τ
ij(new)
＝(1
‑
ρ)τ
ij(old)
+ρΔτ
ij
+S；
[0034][0035][0036][0037]τ
ij(new)
为轨迹ij上新的信息素量，τ
ij(old)
是轨迹ij上原来的信息素量，ρ为全局信息素挥发因子，Δτ
ij
为本次循环的信息素增量，S是根据路径优劣执行奖惩机制和鼓励机制的信息素变量，为第k只蚂蚁在其所经过路径上的信息素增量，Q为信息素强度，L
k
为迭代一次时第k蚂蚁所走路径的长度，d
short
是全局最短路径，d
long
是全局最长路径，d
avg
是全局平均路径，d
x
是此次迭代的最优路径。
[0038]如上所述的一种基于改进蚁群算法的AGV路径规划方法，步骤(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径，具体包括：
[0039](4.1)进入迭代；
[0040](4.2)AGV根据改进后的状态转移规则和转移概率选择下个节点，确定路径，直到到达目标点；
[0041](4.3)根据当前迭代的蚂蚁路径实时更新局部信息素；
[0042](4.4)计算路径长度，记录当前迭代最优解、最差解、平均解，进行排序；
[0043](4.5)根据改进的全局信息素更新策略更新信息素浓度；
[0044](4.6)信息素浓度会根据改进的挥发因子做自适应调节；
[0045](4.7)判断是否达到最大迭代次数；
[0046](4.8)如果达到最大迭代次数，输出最短路径和路径平滑度，否则返回步骤(4.1)继续迭代。
[0047]本专利技术的原理为：
[0048]蚁群算法路径规划本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进蚁群算法的AGV路径规划方法，其特征在于包括如下步骤：(1)对AGV实际工作环境进行建模；(2)初始化参数，包括蚂蚁数量m，最大迭代次数k，信息启发因子α，期望启发式因子β，局部信息素挥发因子ξ，全局信息素挥发因子ρ，伪概率阈值q0，信息素强度Q；(3)使用麻雀搜索算法对路径进行预搜索，生成新的初始信息素；(4)基于改进蚁群算法对AGV进行路径规划，得到最优路径；所述改进蚁群算法是指对蚁群算法的状态转移规则、转移概率、信息素更新策略和挥发因子进行改进；采用转角损耗函数对状态转移规则和转移概率进行改进，改进状态转移规则为：改进转移概率为：θ
ij
(t)＝θ
rand
T；其中，α为信息启发因子，β为期望启发式因子，γ为转角信息启发因子，τ
ij
(t)为t时刻(i,j)上的信息素浓度，η
ij
为节点i到节点j的启发信息，s为可选节点，allowed
k
为蚂蚁k可行邻接栅格标号的集合，θ
ij
(t)是转角损耗函数，q是伪概率，q0是伪概率阈值，θ为可调参数，0<θ<1，rand是0.9～1的随机数，T是转弯代价，δ是转角，P为转移概率规则，是转移概率；对信息素更新策略进行改进是指在全局信息素更新中加入奖惩机制和鼓励机制；对挥发因子进行改进具体为：若第n+10次迭代和第n次迭代的最优路径差值小于阈值，则对之前路径上的信息素进行自适应信息素挥发。2.根据权利要求1所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(1)中采用栅格法对AGV的实际工作环境进行建模。3.根据权利要求2所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(2)中初始化参数m＝50，k＝100，α＝1，β＝5，ξ＝0.1，ρ＝0.3，q0＝0.8，Q＝1。4.根据权利要求3所述的一种基于改进蚁群算法的AGV路径规划方法，其特征在于，步骤(3)中基于麻雀搜索算法生成新的初始信息素为：τ0(i,j)＝τ
s
(i,j)+σΔτ
Z
(i,j)；
其中τ0(i,j)表示第i个节点到第j个节点之间经过路径预搜索后新的初始信息素浓度，τ
s
(i,j)是i，j两个节点之间的环境初始信息素，Δτ
Z
(i,j)是i，j两个节点之间将麻雀搜索算法搜索出的路径转化成的信息素增量，σ是初...

【专利技术属性】
技术研发人员：李媛媛，陈嘉航，曹乐，江蓓，姚炜，唐明，侯玲玉，孙祺淳，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：