基于时空自适应双向蚁群算法的移动机器人路径规划方法技术

一种基于时空自适应双向蚁群算法的移动机器人路径规划方法，利用栅格法对移动机器人运动环境进行建模；设置初始参数，蚂蚁分别从起点和终点进行路径搜索，迭代完成后输出最优路径。在该方法中，通过设置特定初始信息素浓度，利用方向因子改进转移概率，根据迭代次数的时间信息动态调整信息素挥发因子和信息素更新策略以及根据迭代过程中的路径空间信息动态调整信息素增强系数，有效地改善了算法收敛速度和路径搜索效率。敛速度和路径搜索效率。敛速度和路径搜索效率。

【技术实现步骤摘要】
基于时空自适应双向蚁群算法的移动机器人路径规划方法


[0001]本专利技术属于移动机器人路径规划
，特别是一种基于时空自适应双向蚁群算法的移动机器人路径规划方法。

技术介绍

[0002]随着科技的发展，移动机器人被广泛应用在物流仓储搬运、医疗、监视、检测等领域，而路径规划技术作为移动机器人的关键技术之一，一直受到广泛的关注。
[0003]蚁群算法是一种模仿蚂蚁觅食行为的启发性搜索算法。在觅食的过程中，蚂蚁会在所经过的路径上分泌一种称为信息素的化学物质，随着经过该路径的蚂蚁数量的增加，路径上的信息素浓度增大，从而引导蚂蚁选择合适的路径进行觅食。在蚁群算法中，蚂蚁根据找到食物的路径长短分泌不同浓度的信息素，路径长时分泌的信息素少，路径短时分泌的信息素多，信息素浓度的多少影响着路径的选择概率使得蚂蚁倾向于选择信息素浓度高、长度短的路径，最终算法达到收敛。但是蚁群算法存在收敛缓慢，易陷入局部最优，算法初期盲目搜索路径等问题。

技术实现思路

[0004]为了现有移动机器人路径规划采用蚁群算法的收敛缓慢、易陷入局部最优问题的不足，本专利技术提供一种能够提高路径搜索效率，加快收敛速度的基于时空自适应双向蚁群算法的移动机器人路径规划方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种基于时空自适应双向蚁群算法的移动机器人路径规划方法，包括以下步骤：
[0007]步骤一、利用栅格法对移动机器人运动环境进行建模；
[0008]步骤二、设置初始参数，蚂蚁数量M，最大迭代次数K，信息启发因子α，期望启发因子β，信息素挥发因子最大增量ρ，信息素挥发因子最小值ρ
min
，信息素增强系数Q，禁忌表Taub，信息素浓度τ
i,j
；
[0009]步骤三、蚂蚁分别从起点和终点进行路径搜索，在每次迭代k中，蚂蚁根据转移概率进行栅格选择，将当前栅格加入禁忌表Taub中，不再重复选择走过的栅格，直到到达目标栅格或者无可选栅格后对所有到达目标栅格的路径上各栅格之间的信息素浓度τ
i,j
(k+1)进行更新；
[0010]步骤四、如果当前迭代次数k小于等于最大迭代次数K，重复执行步骤三，否则如果当前迭代次数k大于最大迭代次数K，输出最优路径。
[0011]进一步，所述步骤二中，信息素浓度τ
i,j
表示为：
[0012]τ
i,j
＝τ0·
(180
°‑
θ
j
)
ꢀꢀ
(1)
[0013]其中τ0为一个设置初始信息素浓度大小的常数，θ
j
为起点S与终点E的连线L
SE
和相邻栅格j与终点连线L
jE
的夹角θ或补角，表示为：
[0014][0015]再进一步，所述步骤三中，在每次迭代k中，蚂蚁m的转移概率表示为：
[0016][0017]其中，τ
i,j
(k)表示第k次迭代中当前栅格i与相邻栅格j之间的信息素浓度，α表示信息启发因子，表示栅格j的方向因子，γ表示方向启发因子，表示蚂蚁m在当前栅格i时的可选栅格集合，r表示在集合中的任一栅格，β表示期望启发因子，η
i,j
(k)表示第k次迭代中当前栅格i的相邻栅格j对终点E的期望启发函数，表示为：
[0018][0019]其中x
j
和y
j
分别表示栅格j的横坐标和纵坐标，x
E
和y
E
分别表示终点E的横坐标和纵坐标；
[0020]栅格之间信息素浓度更新公式τ
i,j
(k+1)表示为：
[0021]τ
i,j
(k+1)＝(1
‑
ρ
k
)
·
τ
i,j
(k)+Δτ
i,j
(k)
ꢀꢀ
(5)
[0022]其中，ρ
k
表示随迭代次数改变的信息素挥发因子，表示为：
[0023][0024]其中，ρ
min
表示信息素挥发因子的最小值，ρ表示信息素挥发因子的最大增量；Δτ
i,j
(k)表示第k次迭代中当前栅格i与相邻栅格j之间的信息素浓度增量，表示为：
[0025][0026]其中，A表示改变信息素更新规则的阈值，是一个常数；tour(i,j)表示栅格i到栅格j的路径；tour
k,m
表示第k次迭代中第m只蚂蚁的路径；tour
k,best
表示第k次迭代中所有蚂蚁得到路径中的最优路径；Q
k,m
表示第k次迭代中随蚂蚁m得到的路径长度所改变的信息素增强系数，表示为：
[0027]Q
k,m
＝(L
k,avg
/L
k,m
)*Q
ꢀꢀ
(8)其中，L
k,avg
表示第k次迭代所有蚂蚁得到路径的平均路径长度，L
k,m
表示第k次迭代中第m只蚂蚁的路径长度，Q为一个设置信息素增强系数大小的常数；Q
k,best
表示第k次迭代中所有蚂蚁得到路径中最优路径的信息素增强系数，表示为：
[0028]Q
k,best
＝(L
k,avg
/L
k,best
)*Q
ꢀꢀ
(9)
[0029]其中，L
k,best
表示第k次迭代中所有蚂蚁得到路径中的最优路径长度。
[0030]本专利技术的有益效果为：本专利技术的特定初始信息素浓度减少路径搜索初期的盲目搜索的问题，通过方向因子改进转移概率，根据迭代次数的时间信息动态调整信息素挥发因子和信息素更新策略以及根据迭代过程中的路径空间信息动态调整信息素增强系数，在保证蚁群算法全局探索能力的基础上，有效地改善了算法收敛速度和路径搜索效率。
附图说明
[0031]图1是基于时空自适应双向蚁群算法的移动机器人路径规划方法实现的工作环境建模图；
[0032]图2是使用基于时空自适应双向蚁群算法的移动机器人路径规划方法的路径搜索结果图；
[0033]图3是使用基于时空自适应双向蚁群算法的移动机器人路径规划方法得到的路径长度随着迭代次数的变化图。
具体实施方式
[0034]下面结合附图对本专利技术做进一步说明。
[0035]参照图1～图3，一种基于时空自适应双向蚁群算法的移动机器人路径规划方法，包括以下步骤：
[0036]步骤一、利用栅格法对移动机器人运动环境进行建模；
[0037]步骤二、设置初始参数，蚂蚁数量M，最大迭代次数K，信息启发因子α，期望启发因子β，信息素挥发因子最大增量ρ，信息素挥发因子最小值ρ
min
...

【技术保护点】

【技术特征摘要】
1.一种基于时空自适应双向蚁群算法的移动机器人路径规划方法，其特征在于，所述方法包括以下步骤：步骤一、利用栅格法对移动机器人运动环境进行建模；步骤二、设置初始参数，蚂蚁数量M，最大迭代次数K，信息启发因子α，期望启发因子β，信息素挥发因子最大增量ρ，信息素挥发因子最小值ρ
min
，信息素增强系数Q，禁忌表Taub，信息素浓度τ
i,j
；步骤三、蚂蚁分别从起点和终点进行路径搜索，在每次迭代k中，蚂蚁根据转移概率进行栅格选择，将当前栅格加入禁忌表Taub中，不再重复选择走过的栅格，直到到达目标栅格或者无可选栅格后对所有到达目标栅格的路径上各栅格之间的信息素浓度τ
i,j
(k+1)进行更新；步骤四、如果当前迭代次数k小于等于最大迭代次数K，重复执行步骤三，否则如果当前迭代次数k大于最大迭代次数K，输出最优路径。2.如权利要求1所述的基于时空自适应双向蚁群算法的移动机器人路径规划方法，其特征在于：所述步骤二中，信息素浓度τ
i,j
表示为：τ
i,j
＝τ0·
(180
°‑
θ
j
)
ꢀꢀꢀꢀ
(1)其中τ0为一个设置初始信息素浓度大小的常数，θ
j
为起点S与终点E的连线L
SE
和相邻栅格j与终点连线L
jE
的夹角θ或补角，表示为：3.如权利要求1或2所述的基于时空自适应双向蚁群算法的移动机器人路径规划方法，其特征在于：所述步骤三中，在每次迭代k中，蚂蚁m的转移概率表示为：其中，τ
i，j
(k)表示第k次迭代中当前栅格i与相邻栅格j之间的信息素浓度，α表示信息启发因子；表示栅格j的方向因子，γ表示方向启发因子；表示蚂蚁m在当前栅格i时的可选栅格集合，r表示在集合中的任一栅格；β表示期望启发因子，η
i，j
(k)表示第k次迭代中当前栅格i的相邻栅格j对终点E的期望启发函数，表示为：其中x
j
和y
j

【专利技术属性】
技术研发人员：卢为党，樊智超，韩会梅，冯云琪，徐禺昕，黄国兴，张昱，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：