一种基于自适应改进蚁群算法的机器人路径规划方法技术

本发明专利技术公开了一种基于自适应改进蚁群算法的机器人路径规划方法，用于提高算法的全局寻优能力和收敛速度。包括如下步骤：建立栅格地图环境；采用Djikstra算法在地图中规划一条初始路径，提高该路径上的信息素含量，按照扩散模型进行信息素扩散；初始化参数和禁忌表，释放蚂蚁，按照改进的状态转移规则选择下一节点；更新禁忌表和路径长度，直到蚂蚁到达终点；按照改进的信息素更新公式更新信息素；输出最优路径及路径长度。本发明专利技术改进的蚁群算法用于规划复杂地图环境下移动机器人的最短路径，该方法提高了算法的收敛速度，降低路径规划时间，减少了蚂蚁搜索过程中的盲目性和随机性，减少了路径的拐点个数，提高机器人路径规划的效率。效率。效率。

【技术实现步骤摘要】
一种基于自适应改进蚁群算法的机器人路径规划方法


[0001]本专利技术涉及机器人路径规划领域，具体涉及一种基于自适应改进蚁群算法的机器人路径规划方法。

技术介绍

[0002]路径规划是移动机器人自主导航最关键的一个环节，也是移动机器人研究的热点之一，其主要任务是在地图信息已知或者未知的环境中，依据距离最短、时间最优、能耗最低等一条或多条评价指标规划一条从起始位置到目标位置的一条安全无碰撞路径。目前，许多传统算法应用在移动机器人路径规划的问题上，如A*算法、人工势场法、快速搜索随机树法等。随着智能算法的不断发展，如蚁群算法、粒子群算法、萤火虫算法和人工神经网络算法等逐渐应用在机器人路径规划领域。
[0003]蚁群算法是由意大利学者Dorigo提出的一种模仿蚂蚁觅食过程的一种仿生智能算法，具有正反馈、并行计算、鲁棒性好等优点，被广泛的应用在移动机器人路径规划领域。但是传统的蚁群算法存在收敛速度慢、易于陷入局部最优、陷入死锁等问题。针对蚁群算法的不足，很多学者对蚁群算法进行改进，主要从参数的优化、信息素的初始化与更新规则、算法的结构这几个方面进行改进并取得了一定的成果。王晓燕等利用人工势场法求得的初始路径来构造启发信息，避免了陷入局部最优的问题，该算法运行时间较长。XiaolinDai等引入A*算法的评价函数和弯曲抑制因子，改进了蚁群算法的启发式信息，加快了算法的收敛速度，同时蚁群的多样性降低，容易陷入局部最优。张恒等针对复杂环境下蚁群算法死锁问题严重的问题，设计了自由寻路
‑
剪枝策略，当蚁群发生死锁时可以迅速跳出并优化路径，但算法结构设计复杂。HuiYang提出一种并行精英蚁群优化方法，并在长度、平滑度、安全性方面进行优化，在复杂地图下能够生成更好的无碰撞路径，但算法在不同环境下的适应度不强。

技术实现思路

[0004]为解决蚁群算法在移动机器人路径规划中存在搜索初期具有盲目性、收敛速度慢、容易陷入局部最优和路径拐点多的问题，本专利技术提出了一种基于自适应改进蚁群算法的机器人路径规划方法，通过初始信息素非均匀分布、改进状态转移策略和信息素更新公式实现了移动机器人在栅格地图环境下的最短路径规划。
[0005]为实现上述目的，本专利技术采用的技术方案为：
[0006]一种基于自适应改进蚁群算法的机器人路径规划方法，包括以下步骤：
[0007]S1：建立栅格地图环境，确定起始点和目标点；采用最短路径算法规划出一条初始路径，进行初始信息素分布；
[0008]S2：根据人工势场模型对初始路径上的信息素进行扩散；初始化参数和禁忌表，释放蚂蚁；
[0009]S3：根据状态转移策略选择下一节点，不断更新禁忌表和路径长度并记录蚂蚁的
走的路径，若蚂蚁到达终点，更新信息素，若达到设定的最大迭代次数，输出最优路径以及收敛曲线。
[0010]所述最短路径算法采用Dijkstra算法，规划出一条初始路径，进行初始信息素分布，如式(1)所示：
[0011][0012]其中，τ
i
(0)为初始信息素矩阵；τ0为初始信息素含量；L为Dijkstra算法寻找到的路径，i为路径L上的节点，C为节点i的信息素增量。
[0013]所述根据人工势场模型对初始路径上的信息素进行扩散，设定当前网格的信息素含量为a1、网格垂直方向的网格信息素含量为a2、斜边方向的网格信息素含量为a3。
[0014]所述初始化参数和禁忌表，释放蚂蚁，如式(2)所示的伪随机转移策略选择下一节点：
[0015][0016]其中，其中α为信息素因子，表示信息素的重要程度；β为启发函数因子，表示启发信息的重要程度；参数q0采取动态调整的规则，如式(3)所示：
[0017][0018]设定参数q0最大值q
0max
；最小值q
0min
；当前迭代次数n；最大迭代次数N；δ为系数；
[0019]改进的启发函数，如式(4)所示：
[0020][0021]其中：
[0022][0023][0024][0025]其中，d
jg
表示待选节点到目标点的欧氏距离，σ为相关系数；为刺激概率，其大小和网格周围障碍物的数量有关，N
obs
代表该节点周围障碍物的个数。
[0026]不断更新禁忌表和路径长度并记录蚂蚁的走的路径；
[0027]若蚂蚁到达终点，更新信息素；式(8)为迭代最优路径的信息素更新公式，式(9)为迭代最差路径的信息素更新公式，其余路径上的信息素按照式(10)进行更新：
[0028][0029][0030][0031]其中，L为蚂蚁本次迭代的路径长度，n为路径的转弯次数，L
best
是最优路径的长度，L
worst
是最差路径的长度，Q1，Q2为信息素增强系数；
[0032]若达到设定的最大迭代次数，输出最优路径。
[0033]有益技术效果
[0034]本专利技术提出的一种基于自适应改进蚁群算法的机器人路径规划方法，有益效果如下：
[0035]1、本专利技术结合Dijkstra算法实现了初始信息素非均匀分布，从而降低了蚂蚁收索初期的盲目性。
[0036]2、本专利技术自适应的调整伪随机转移策略中的参数，并引入刺激概率到启发函数中，平衡了解的多样性和收敛速度之间的矛盾，避免陷入局部最优；
[0037]3、本专利技术改进信息素更新公式，分别增加和减少最优、最差路径的信息素含量，并加入转弯次数，增加了路径的平滑性。
附图说明
[0038]图1为本专利技术实例提供的方法流程图；
[0039]图2为本专利技术实例提供的栅格地图环境示意图；
[0040]图3为本专利技术实例提供的Dijkstra算法生成的初始路径图；
[0041]图4为本专利技术实例提供的信息素扩散模型示意图；
[0042]图5为本专利技术实例提供的简单栅格地图的示意图；
[0043]图6为本专利技术实例提供的复杂栅格地图的示意图；
[0044]图7为本专利技术实例提供的传统蚁群算法在简单栅格地图下的路径规划图；
[0045]图8为本专利技术实例提供的改进蚁群算法在简单栅格地图下的路径规划图；
[0046]图9为本专利技术实例提供的在简单栅格地图下的收敛曲线对比图；
[0047]图10为本专利技术实例提供的传统蚁群算法在复杂栅格地图下的路径规划图；
[0048]图11为本专利技术实例提供的改进蚁群算法在复杂栅格地图下的路径规划图；
[0049]图12为本专利技术实例提供的在复杂栅格地图下的收敛曲线对比图。
具体实施方式
[0050]为了让本专利技术的技术方案解释的更加清楚，下面结合附图及实例，对本专利技术进行详细说明。
[0051]蚁群算法是模仿蚂蚁觅食过程设计出的智能启发式算法，蚂蚁觅食时在路径上释放信息素，后面的蚂蚁会被信息素含量多的路径吸引，进一步增加该路径上的信息素，从而...

【技术保护点】

【技术特征摘要】
1.一种基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：包括以下步骤：S1：建立栅格地图环境，确定起始点和目标点；采用最短路径算法规划出一条初始路径，进行初始信息素分布；S2：根据人工势场模型对初始路径上的信息素进行扩散；初始化参数和禁忌表，释放蚂蚁；S3：根据状态转移策略选择下一节点，不断更新禁忌表和路径长度并记录蚂蚁的走的路径，若蚂蚁到达终点，更新信息素，若达到设定的最大迭代次数，输出最优路径以及收敛曲线。2.根据权利要求1所述的基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：所述最短路径算法采用Dijkstra算法，规划出一条初始路径，进行初始信息素分布，如式(1)所示：其中，τ
i
(0)为初始信息素矩阵；τ0为初始信息素含量；L为Dijkstra算法寻找到的路径，i为路径L上的节点，C为节点i的信息素增量。3.根据权利要求1所述的基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：所述根据人工势场模型对初始路径上的信息素进行扩散，设定当前网格的信息素含量为a1、网格垂直方向的网格信息素含量为a2、斜边方向的网格信息素含量为a3。4.根据权利要求1所述的基于自适应改进蚁群算法的机器人路径规划方法，其特征在于：所述初始化参数和禁忌表，释放蚂蚁，如式(2)所示的伪随机转移策略选择下一节点：其...

【专利技术属性】
技术研发人员：赵野，孙慢，周子天，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：