【技术实现步骤摘要】
本专利技术属于路径规划领域，具体涉及一种基于具有学习能力的智能蚁群算法的路径规划方法。
技术介绍
1、随着城市规模不断扩大，交通问题正不断阻碍着城市的发展，影响着人们的日常生活。道路拥堵以及突发交通事故在繁忙的城市交通网路上时常发生，因此高效的路径规划技术就显得尤为重要。目前路径规划技术已经被广泛应用在多个领域中，包括机器人的自主无碰撞行动、无人机的自主避障飞行、gps导航、物流场景中的任务管理等等。路径规划的目的是要找到一条从起始位置出发到终点的无碰撞且代价最小的解，这里代价的评估标准根据实际需求可以是时间、路径长度、能量消耗和实际性能等等。面对具有高复杂度、动态实时性的道路优化问题，现有的优化算法虽然可以解决一定的问题，但仍然无法给出一个令人们以的效果，尤其是依赖传统群体搜索类的算法，例如蚁群算法、粒子群算法和遗传算法等。
2、传统的蚁群算法是一种模拟蚂蚁觅食行为的模拟优化算法，由意大利学者dorigo、maniezzo等人于二十世纪九十年代首次提出。在研究蚂蚁觅食的过程中，他们发现蚁群总是能在不同的环境下寻找到达食物源最短的路径。经进一步研究，他们认为这是因为蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质。蚂蚁对“信息素”具有感知能力，在沿着“信息素”浓度高的路径上行走的同时，它们会在经过的路上留下更多的“信息素”来帮助后续的蚂蚁寻找实物，从而形成正反馈的机制，使得蚁群具有整体的智能行为。受蚁群觅食的启发而演变来的算法，称为蚁群算法。这种算法具有分布式计算、信息正反馈和启发式搜索的特征。然而传统蚁群算
3、目前有大量基于传统蚁群思想的改进算法被提出。例如，eliteas方法。它是只使用在迭代过程到目前中止发现的最优解来优化信息素更新步骤，从而加速算法的收敛。而max-min方法试图通过将信息素浓度限制在一个固定的范围内并在搜索进入休眠状态时重新初始化信息素来避免早熟和停滞现象，同时也进一步优化了信息素矩阵的更新方式。近些年，luo等人针对路径规划过程中易于陷入“锁死”状态和效率低的问题，提出了基于节点之间的相对距离来初始信息素的方法。同时为了解决了局部最优和收敛速度慢的问题，对状态转移规则进行了优化。他们也利用最优解和最差解对全局信息素更新方法进行改进。但基于传统蚁群算法基于迭代搜索的特点，上述方法在求解路径规划任务的时候，其收敛速度和解的质量等方面仍有很大的提升空间。此外，和其他基于种群的搜索算法一样，传统蚁群算法通常在每次需要解决一个新的路径规划问题时随机初始化，一旦找到解决方案，在该搜索过程中学习到的所有信息就会被丢弃。虽然许多路径规划问题中可能包含共同的特征(例如障碍物的形状和大小)，但是对于传统蚁群算法在解决实例的过程中，蚁群无法学习或记录下这些被解决的历史实例的信息。尽管一些人试图通过提供一个预先初始化的信息素分布矩阵来引导蚁群的搜索，但这也不能学习到解决其他问题的历史经验或影响蚁群后续迭代的选择。
技术实现思路
1、本专利技术是为了解决上述问题而进行的，目的在于提供一种基于具有学习能力的智能蚁群算法的路径规划方法。
2、本专利技术提供了一种基于具有学习能力的智能蚁群算法的路径规划方法，具有这样的特征，包括以下步骤：
3、步骤s1，使用蚁群算法求解大量路径规划任务，并根据得到的解构造训练数据集；
4、步骤s2，使用深度学习网络作为智能蚂蚁的大脑模块，使用训练数据集对智能蚂蚁的大脑模块进行训练，智能蚂蚁用于预测不同路径规划任务在不同阶段下可行方向的选择概率；
5、步骤s3，训练结束后，将训练好的智能蚂蚁与蚁群算法的传统蚂蚁混合，构建得到混合智能蚁群；
6、步骤s4，通过混合智能蚁群进行路径规划，混合智能蚁群根据智能蚂蚁预测的选择概率、混合智能蚁群积累的信息素浓度和节点之间的距离来选择下一次运动，同时传统蚂蚁保持进行随机探索，并根据智能蚂蚁和传统蚂蚁的结果进行信息素浓度的更新。
7、在本专利技术提供的基于具有学习能力的智能蚁群算法的路径规划方法中，还可以具有这样的特征：其中，
8、步骤s1，使用蚁群算法求解大量路径规划任务，并根据得到的解构造训练数据集；
9、步骤s2，使用深度学习网络作为智能蚂蚁的大脑模块，使用训练数据集对智能蚂蚁的大脑模块进行训练，智能蚂蚁用于预测不同路径规划任务在不同阶段下可行方向的选择概率；
10、步骤s3，训练结束后，将训练好的智能蚂蚁与蚁群算法的传统蚂蚁混合，构建得到混合智能蚁群；
11、步骤s4，通过混合智能蚁群进行路径规划，混合智能蚁群根据智能蚂蚁预测的选择概率、混合智能蚁群积累的信息素浓度和节点之间的距离来选择下一次运动，同时传统蚂蚁保持进行随机探索，并根据智能蚂蚁和传统蚂蚁的结果进行信息素浓度的更新。
12、在本专利技术提供的基于具有学习能力的智能蚁群算法的路径规划方法中，还可以具有这样的特征：其中，步骤s4包括以下子步骤：
13、步骤s4-1，混合智能蚁群根据智能蚂蚁预测的选择概率、信息素浓度和节点之间的距离来选择下一次运动，公式如下：
14、
15、步骤s4-2，传统蚂蚁根据信息素浓度和节点之间的距离保持进行随机探索，公式如下：
16、
17、步骤s4-3，根据智能蚂蚁和传统蚂蚁的结果，进行信息素浓度的更新，公式如下：
18、
19、公式(1)和公式(2)中，为智能蚂蚁预测的选择概率，τij为节点i与节点j之间的信息素，α和β为超参数，ηij为启发式函数，表示节点i与节点j之间距离的倒数，dij为节点i与节点j之间的距离，
20、公式(3)中，m为蚂蚁的最大数量，ρ为信息素的挥发系数，0<ρ<1，为每只蚂蚁在路线i→j上留下的信息素数量，的计算公式如下：
21、
22、公式(4)中，q为超参数，lk为蚂蚁k进行的路径长度。
23、本专利技术还提供了一种基于具有学习能力的智能蚁群算法的路径规划系统，具有这样的特征，包括以下步骤：
24、训练数据模块，用于提供训练数据集，该训练数据集由蚁群算法求解大量路径规划任务后得到的解构造得到；
25、训练模块，用于使用训练数据集训练作为智能蚂蚁的大脑模块的深度学习网络；
26、路径规划模块，用于通过训练后的智能蚂蚁与蚁群算法的传统蚂蚁混合的混合智能蚁群进行路径规划。
27、在本专利技术提供的基于具有学习能力的智能蚁群算法的路径规划方法中，还可以具有这样的特征：其中，
28、训练模块对作为智能蚂蚁的大脑模块的深度学习网络进行训练的训练过程如下：
29、从训练数据集中随机采样批次大小为b的数据(si,πi)，si为当前节点的相邻可行节点本文档来自技高网...
【技术保护点】
1.一种基于具有学习能力的智能蚁群算法的路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于具有学习能力的智能蚁群算法的路径规划方法，其特征在于：
3.根据权利要求1所述的基于具有学习能力的智能蚁群算法的路径规划方法，其特征在于：
4.一种基于具有学习能力的智能蚁群算法的路径规划系统，其特征在于，包括：
5.根据权利要求4所述的基于具有学习能力的智能蚁群算法的路径规划系统，其特征在于：
6.根据权利要求4所述的基于具有学习能力的智能蚁群算法的路径规划系统，其特征在于：
【技术特征摘要】
1.一种基于具有学习能力的智能蚁群算法的路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于具有学习能力的智能蚁群算法的路径规划方法，其特征在于：
3.根据权利要求1所述的基于具有学习能力的智能蚁群算法的路径规划方法，其特征在于：
【专利技术属性】
技术研发人员：李伟，刘翼，邱江，余依蓝，魏秉晟，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。