基于混合改进蚁群算法的移动机器人路径规划方法及系统技术方案

本发明专利技术提出了基于混合改进蚁群算法的移动机器人路径规划方法及系统，涉及智能算法路径规划技术领域,该方法包括：使用栅格法构建环境地图，并对地图中的栅格进行坐标映射；基于环境地图，采用遗传算法进行路径规划，将获得的优化解转化为蚁群算法的初始信息素值；蚁群算法采用初始信息素值、动态的启发式信息值和伪随机状态转移规则，重新进行路径规划，最终得到最优路径；本发明专利技术对蚁群算法本身进行改进的同时，使用遗传算法生成蚁群算法的初始信息素，利用了遗传算法良好的全局搜索特性，在短时间内及时寻找到最优路径，对路径长度的收敛速度有明显的加快。敛速度有明显的加快。敛速度有明显的加快。

【技术实现步骤摘要】
基于混合改进蚁群算法的移动机器人路径规划方法及系统


[0001]本专利技术属于智能算法路径规划
，尤其涉及基于混合改进蚁群算法的移动机器人路径规划方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着社会和科技的不断发展，移动机器人被广泛应用于各行各业，包括工业生产、交通运输、医疗以及航空航天等诸多领域；路径规划作为移动机器人领域的基础，被国内外众多学者所研究，成为移动机器人领域的研究热点；其主要目的是实现移动机器人在有障碍的环境中找到一条安全可行的路径，同时依据最短行驶路径长度、最少行驶时间、最小转弯角度等性能指标，保证该路径为最优路径；在解决路径规划问题时，使用的寻优算法主要划分为传统路径规划算法和智能路径规划算法。
[0004]传统路径规划算法包括A*算法、人工势场法和采样法等，这些算法在简单路径规划的应用中效果良好，被广泛应用于单无人机、单无人车等简单移动机器人路径规划问题中，但是面对复杂环境时，传统路径规划算法难以取得较为理想的效果，因此将具备学习能力的启发式智能算法应用到路径规划中是当前的一大趋势；智能优化算法大多是根据自然界中群体行为总结出一定规律，并根据这些规律提出的群体智能算法；这类算法对高维复杂、多约束的优化问题有较好的求解能力；常见的智能优化算法有蚁群算法、粒子群算法、遗传算法、鱼群算法等。
[0005]蚁群算法是模拟自然界蚂蚁群体觅食行为提出的智能仿生算法，它的核心思想是通过正反馈的方式对路径上的信息素浓度不断更新，直至使最优路径上的信息素浓度最高，找到最优解。蚁群算法由于其正反馈、并行计算、鲁棒性好等特点，在移动机器人路径规划的应用中取得较好的效果。但是经典蚁群算法仍存在着许多不足，例如初始搜索盲目、收敛速度慢、易陷入局部最优等问题；因此，对经典蚁群算法的改进及和其他算法混合的研究对保证移动机器人路径规划的高效完成尤其重要。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术提供了基于混合改进蚁群算法的移动机器人路径规划方法及系统，对蚁群算法本身进行改进的同时，使用遗传算法生成蚁群算法的初始信息素，利用了遗传算法良好的全局搜索特性，在短时间内及时寻找到最优路径，对路径长度的收敛速度有明显的加快。
[0007]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0008]本专利技术第一方面提供了基于混合改进蚁群算法的移动机器人路径规划方法；
[0009]基于混合改进蚁群算法的移动机器人路径规划方法，包括：
[0010]使用栅格法构建环境地图，并对地图中的栅格进行坐标映射；
[0011]基于环境地图，采用遗传算法进行路径规划，将获得的优化解转化为蚁群算法的初始信息素值；
[0012]蚁群算法采用初始信息素值、动态的启发式信息值和伪随机状态转移规则，重新进行路径规划，最终得到最优路径。
[0013]进一步的，所述遗传算法，采用基于路径长度和路径平滑度的种群适应度函数。
[0014]进一步的，所述路径长度，是起点到终点之间的欧几里得距离；
[0015]所述路径平滑度，是根据路径中的点与隔一个的点的距离计算点的平滑度。
[0016]进一步的，采用遗传算法进行路径规划的具体步骤为：
[0017]种群初始化；
[0018]基于种群适应度函数，计算种群的初始适应度；
[0019]通过遗传学中的复制、交叉和变异操作对个体进行筛选，重新计算适应度，保留适应度高的个体，生成新的种群；
[0020]迭代执行复制、交叉、变异、筛选、计算、生成操作，使得种群的个体适应度不断提高，直至满足设定条件；
[0021]执行停止后，执行过程中生成的每个群体对应一个优化解，组成优化解集合。
[0022]进一步的，所述将获得的优化解转化为蚁群算法的初始信息素值，是从优化解集合中随机取一定比例的解，迭代计算信息素值，作为蚁群算法的初始信息素值。
[0023]进一步的，所述动态的启发式信息值，具体公式为：
[0024][0025][0026]其中，d
ij
为当前路径点i到下一路径点j的距离，d
je
为路径点j到终点的距离，N
max
为最大迭代次数，N为当前迭代次数。
[0027]进一步的，所述伪随机状态转移规则，根据算法迭代次数和最短路径的长度确定一个动态值，生成一个随机数，如果随机数大于动态值，则采用经典的轮盘赌法选择路径；如果小于动态值，则直接根据状态转移公式选择最短路径。
[0028]本专利技术第二方面提供了基于混合改进蚁群算法的移动机器人路径规划系统。
[0029]基于混合改进蚁群算法的移动机器人路径规划系统，包括地图构建模块、遗传算法模块和路径规划模块；
[0030]地图构建模块，被配置为：使用栅格法构建环境地图，并对地图中的栅格进行坐标映射；
[0031]遗传算法模块，被配置为：基于环境地图，采用遗传算法进行路径规划，将获得的优化解转化为蚁群算法的初始信息素值；
[0032]模块，被配置为：蚁群算法采用初始信息素值、动态的启发式信息值和伪随机状态转移规则，重新进行路径规划，最终得到最优路径。
[0033]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于混合改进蚁群算法的移动机器人路径规划方法
中的步骤。
[0034]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于混合改进蚁群算法的移动机器人路径规划方法中的步骤。
[0035]以上一个或多个技术方案存在以下有益效果：
[0036]本专利技术利用遗传算法很好的全局搜索特性，先使用遗传算法进行路径规划，将遗传算法获得的几个初始解转化为蚁群算法的初始信息素值，克服单个蚁群算法存在的不可避免的弊端：在搜索初始阶段盲目性太大，实现了蚁群和遗传算法的优势互补，缩小了路径搜索的查找范围，提高了最优路径的搜索效率；
[0037]本专利技术对启发式信息公式的改进，设计了动态的启发式信息值：随着算法迭代次数的增加而减小，加快了收敛速度，削弱了搜索后期阶段启发式信息对路径选择的影响；
[0038]本专利技术对状态转移规则的改进，采用了伪随机状态转移规则，根据算法迭代次数和最短路径的长度确定一个动态的值，产生一个随机数，如果低于该值则采用经典的轮盘赌法选择路径，增加搜索的全局性；如果高于该值则直接根据状态转移公式选择最短路径，加快收敛速度，提高算法的搜索效率。
[0039]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0040]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混合改进蚁群算法的移动机器人路径规划方法，其特征在于，包括：使用栅格法构建环境地图，并对地图中的栅格进行坐标映射；基于环境地图，采用遗传算法进行路径规划，将获得的优化解转化为蚁群算法的初始信息素值；蚁群算法采用初始信息素值、动态的启发式信息值和伪随机状态转移规则，重新进行路径规划，最终得到最优路径。2.如权利要求1所述的基于混合改进蚁群算法的移动机器人路径规划方法，其特征在于，所述遗传算法，采用基于路径长度和路径平滑度的种群适应度函数。3.如权利要求2所述的基于混合改进蚁群算法的移动机器人路径规划方法，其特征在于，所述路径长度，是起点到终点之间的欧几里得距离；所述路径平滑度，是根据路径中的点与隔一个的点的距离计算点的平滑度。4.如权利要求2所述的基于混合改进蚁群算法的移动机器人路径规划方法，其特征在于，采用遗传算法进行路径规划的具体步骤为：种群初始化；基于种群适应度函数，计算种群的初始适应度；通过遗传学中的复制、交叉和变异操作对个体进行筛选，重新计算适应度，保留适应度高的个体，生成新的种群；迭代执行复制、交叉、变异、筛选、计算、生成操作，使得种群的个体适应度不断提高，直至满足设定条件；迭代停止后，执行过程中生成的每个群体对应一个优化解，组成优化解集合。5.如权利要求1所述的基于混合改进蚁群算法的移动机器人路径规划方法，其特征在于，所述将获得的优化解转化为蚁群算法的初始信息素值，是从优化解集合中随机取一定比例的解，迭代计算信息素值，作为蚁群算法的初始信息素值。6.如权利要求1所述的基于混合改进蚁群算法的移动机器人路径规划方法，其特征在于，所述动态的启发式信息值...

【专利技术属性】
技术研发人员：顾军华，张佳林，郑晓园，刘洪普，左宗霖，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：