阅读说明：本技术 一种基于改进蚁群算法的移动机器人路径规划方法 (Mobile robot path planning method based on improved ant colony algorithm ) 是由 左韬 张劲波 胡新宇 伍一维 闵华松 林云汉 王少威 于 2019-03-29 设计创作，主要内容包括：本发明涉及一种基于改进蚁群算法的移动机器人路径规划方法,本发明包括以下：(1)在蚁群算法中采用一种新的启发函数,将当前节点到下一节点的直线与当前节点到终点的直线之间的角度θ<Sub>1</Sub>和当前节点到下一节点的直线与下一节点到终点的直线组成的角度θ<Sub>2</Sub>加入进启发函数中,增加朝向性,克服易陷入局部最优问题；(2)在蚁群算法中采用了一种新的信息素挥发因子,将信息素挥发因子进行动态调整,随着蚁群迭代次数的增加自适应的调整信息素挥发因子,使挥发因子前期较小,后期较大,加快全局搜索能力和后期收敛速度。通过以上改进,本发明在选择最优路径的同时克服局部最优问题,并可以提高算法精度、收敛速度。(The invention relates to a mobile robot path planning method based on an improved ant colony algorithm, which comprises the following steps: (1) adopting a new heuristic function in the ant colony algorithm to obtain an angle theta between a straight line from the current node to the next node and a straight line from the current node to the end point 1 And an angle theta formed by a straight line from the current node to the next node and a straight line from the next node to the end point 2 Adding the orientation into an enlightening function, and overcoming the problem of easy falling into local optimum; (2) a new pheromone volatilization factor is adopted in the ant colony algorithm, the pheromone volatilization factor is dynamically adjusted, and the pheromone volatilization factor is adaptively adjusted along with the increase of the ant colony iteration times, so that the volatilization factor is smaller in the early stage and larger in the later stage, and the global search capability and the later stage convergence speed are accelerated. Through the improvement, the invention overcomes the problem of local optimization while selecting the optimal path, and can improve the algorithm precision and convergenceSpeed.)

一种基于改进蚁群算法的移动机器人路径规划方法

技术领域

本发明涉及人工智能、机器人导航领域，具体涉及到一种基于改进蚁群算法的移动机器人路径规划方法研究。

背景技术

路径规划是移动机器人导航至关重要的核心技术，也是当今研究人员对机器人研究的热门领域之一。路径规划是指机器人从指定起点运动到指定终点且不与障碍物发生碰撞的最短路径。路径规划在很多领域都有着非常重要的应用，比如无人机驾驶、服务机器人自主运动、GPS导航等等。

路径规划起源于20世界60年代，早期出现的路径规划算法主要是基于静态环境模型下的，比如栅格法、可视图法、混合路径法等，但是随着社会的快速发展，环境模型越来越复杂，传统的基于静态模型下的路径规划方法已经不能满足人们的需求，随后出现了基于动态环境模型下的路径规划算法，比如遗传算法、模拟退火法、人工势场法、蚁群算法等智能仿生算法。其中以蚁群算法应用最为广泛，蚁群算法是一种寻找优化路径的概率算法，它是模仿蚂蚁寻找食物的过程，蚂蚁在寻找食物的过程中会释放一种可称之为信息素的物质，路径较短的蚂蚁会释放更多的信息素，蚂蚁会朝着信息素多的路径上运动，随着时间的推进，较短的路径会积累越来越多的信息素，那么选择该路径的蚂蚁也越来越多，最终在正反馈的机制下寻找出最优路径。传统蚁群算法具有良好的全局寻优能力，但还是存在算法精度不高，后期收敛速度慢、易于陷入局部最优的问题。

发明内容

针对蚁群算法收敛速度慢，全局搜索能力不佳、易陷入局部最优等缺点，本发明提出了一种基于改进蚁群算法的移动机器人路径规划方法研究。本发明采用了一种新的路径转移概率启发函数，将当前节点到下一节点的直线与当前节点到目标点的直线组成的角度θ₁、当前节点到下一节点的直线与下一节点到目标点的直线组成的角度θ₂加入到启发函数里，使算法朝向性更好，提高精度和速度，并使其不易陷入局部最优，如附图2所示；并对信息素挥发因子进行改进，采用动态调整信息素挥发因子，可以使改进蚁群算法增大前期搜索能力及后期收敛速度。

具体发明内容为：一种基于改进蚁群算法的移动机器人路径规划方法，包括以下步骤：

步骤一、采用栅格法对环境地图进行建模，并建立障碍物矩阵；

步骤二、初始化算法各类参数，包括起点、终点、迭代次数M、每一代蚂蚁个数m、信息素蒸发因子ρ、启发因子α和β、初始信息素浓度τ_ij(t)等；

步骤三、第一代第一只蚂蚁开始搜索，利用改进的启发函数路径转移概率选择下一次能到达的所有节点，并通过转移概率选择下一节点，直到蚂蚁到达终点，记录蚂蚁走过的栅格并加入到禁忌表中，计算蚂蚁走过的路径长度；

步骤四、当代所有蚂蚁都到达目标点后，除去未到达目标点的蚂蚁，计算所有蚂蚁走过的路径长度，并选择出最优路径；

步骤五、对当代所有蚂蚁通过路径的长短进行路径优劣排序，在最优的路径上采取改进的动态调整信息素挥发因子并更新各路径上的信息素浓度；

步骤六、重复步骤二到步骤五，直到蚂蚁迭代次数达到最大，计算出各代蚂蚁的最优路径，综合所有迭代次数，得出全局最优路径；

所述步骤三中改进的启发函数为：

传统蚁群算法启发函数为η_ij(t)＝1/d_ij，d_ij是当前节点到下一节点的欧式距离，其值越小，则表明下一节点到目标节点的朝向性越好，但易陷入局部最优；本方法加入当前节点到下一节点的直线与当前节点到目标节点的直线组成的角度θ₁、当前节点到下一节点的直线与下一节点到终点的直线组成的角度θ₂，此三者组成新的启发函数。通过以下两个证明可以得到：如附图2所示，A为当前节点，E为终点，B、C、D为下一可到达节点，当θ₁和∠CAE不相等时，θ₁越小则路径越短，当θ₁和∠CAE相等时，那么θ₂越大，路径越短，朝向性越好，估计代价值越小。

证明一：先比较路径AC+CE和AB+BE、∠CAE和θ₁的大小

无论∠CAE多少度，∠ABC和∠EBC均大于90度

∴AB＜AC,BE＜CE

∴AC+CE＜AB+BE

此时θ₁＜∠CAE，∠ACE＜θ₂，满足θ₁越小，θ₂越大，则d_ij+θ₁+1/θ₂越小，η_ij(t)越大，朝向性越好，估计带价值越小，不易陷入局部最优。

证明二：再比较AD+DE和AB+DE，此时θ₁＝∠CAE

∵DB+BE＞DE

∴AD+DE＜AD+DB+BE

∴AD+DE＜AB+BE

所以当θ₁＝∠CAE时，θ₂越大，d_ij+θ₁+1/θ₂越小，则η_ij(t)越大，路径越短，朝向性越好，估计代价值越小，证毕。

所述步骤五动态调整信息素挥发因子计算公式为：

上述公式中，M为总迭代次数，N为当前迭代次数，δ为挥发因子影响因子，可实现动态调整，ρ为初始信息素挥发因子，ρ(N)要求始终小于1；规定在

迭代次数以前为前半期，以后为后半期；

前半期ρ(N)要相对较小，

且一直小于1，那么

的正数次幂越小，降低各路径信息素浓度差距，减小蚁群引导作用，增加蚂蚁前期的搜索范围，提高算法精度；后半期ρ(N)相对较大，且

越来越小，则

开根号越来越大，那么ρ(N)越来越大，信息素少的路径挥发更快，后期接近于0，而信息素多的路径虽然挥发也快，但是经过前期的积累，最优路径上的信息素仍然很多，加快算法后期收敛速度。

综上所述，本发明具有积极效果：本发明提出一种基于改进蚁群算法的移动机器人路径规划方法研究，所述方法针对传统蚁群算法估计代价值大、初期全局搜索能力不佳、后期收敛速度慢、易陷入局部最优等缺点进行改进，引入了改进启发函数的路径转移概率和自适应调整信息素挥发因子的算法，减小了路径转移的估计代价值，提高了朝向性，加强算法前期全局搜索能力，提高算法精度，加快算法后期收敛速度，提高算法的运行效率，克服易陷入局部最优的问题。

附图说明

图1是本发明提供的一种基于改进蚁群算法的移动机器人路径规划方法的流程图

图2是本发明提供的证明发明内容步骤三中的改进启发函数图

具体实施方式

结合一下实施例，进一步详细说明本发明的优点、目的，此处描述仅解释本发明，并不用于限定本发明。

本发明提供一种基于改进蚁群算法的移动机器人路径规划方法研究，所设计的改进蚁群算法的移动机器人路径规划围绕路径转移概率中的启发函数和信息素挥发因子进行改进，启发函数加入当前节点到下一节点的直线与当前节点到目标节点的直线组成的角度θ₁、当前节点到下一节点的直线与下一节点到终点的直线组成的角度θ₂，如附图2所示；改进的信息素挥发因子将传统蚁群算法的固定值改为随着迭代次数自适应调整。具体步骤如下：

步骤一、采用栅格法对环境地图进行建模，并建立障碍物矩阵，障碍物矩阵采用0和1表示，0代表可移动空间，1代表障碍物。

步骤二、初始化算法各类参数，包括起点、终点、迭代次数M、蚂蚁个数m、信息素蒸发因子ρ、启发因子α和β、初始信息素浓度τ_ij(t)等。

步骤三、第一代第一只蚂蚁开始搜索，利用改进的启发函数路径转移概率选择下一次能到达的所有节点，并通过转移概率最大的值选择下一节点，直到蚂蚁到达终点，记录蚂蚁走过的栅格并加入到禁忌表中，计算蚂蚁走过的路径长度。

其中传统蚁群算法当前节点能到达的下一所有节点的路径转移概率公式如下：

公式(1)中，

表示第k只蚂蚁在当前节点i到下一所有节点j的转移概率，τ_ij(t)表示从节点i到节点j路径上的信息素浓度，η_ij(t)为节点i到节点j的启发函数，其表达式为η_ij(t)＝1/d_ij，d_ij为节点i到节点j的欧式距离，即

点(x_i,y_i)为i点的坐标，点(x_j,y_j)为点j坐标；allowS(k)为第k只蚂蚁下一次能到达的所有节点。

传统蚁群算法的启发函数η_ij(t)只与当前节点i到下一节点j之间欧式距离有关，但是这样会陷入局部最优，估计代价值也较高，所以本发明结合了当前节点到下一节点直线与当前节点到终点直线组成的夹角θ₁、当前节点到下一节点的直线与下一节点到终点直线组成的夹角θ₂，与d_ij构成新的启发函数，公式如下：

此公式已在发明内容中证明：当d_ij越小、θ₁越小、θ₂越大时，η_ij(t)越大，则朝向性越好，估计代价值越小，不易陷入局部最优。

蚂蚁会根据路径转移概率最大的值进行下一节点的选择，然后检查是否到达终点，如没有，则继续执行上一步选择下一节点，直到到达终点为止，计算路径长度保存，然后下一只蚂蚁从起点开始用同样方法寻找路径。

步骤四、当代所有蚂蚁都到达目标点后，除去未到达目标点的蚂蚁，计算所有蚂蚁走过的路径长度。

步骤五、对当代所有蚂蚁通过路径的长短进行路径优劣排序，在最优的路径上采取改进的动态调整信息素挥发因子并更新各路径上的信息素浓度。

信息素浓度更新公式具体为：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t) (3)

其中τ_ij(t+1)为更新后节点i到节点j路径上的信息素浓度，τ_ij(t)为更新前节点i到节点j路径上的信息素浓度，ρ为信息素挥发因子，固定值，取值(0,1)，Δτ_ij(t)为搜索过程中经过该路径所有蚂蚁信息素浓度之和，其具体公式为：

Δτ_ij(t)^k为每只蚂蚁经过该路径留下的信息素浓度，具体公式为：

其中Q为第k只蚂蚁携带的信息素浓度因子，L_d为第k只蚂蚁完成路径搜索后走过的路径长度。

传统蚁群算法的信息素挥发因子ρ是初始化时设置的固定值，但是当ρ过大时，在前期会降低算法全局搜索的能力，陷入局部最优；当ρ过小时，在后期会降低算法的收敛速度，影响效率。所以本发明提出自适应调整信息素挥发因子，使得前期信息素挥发因子相对较小，减小各路径信息素浓度差异，增加全局搜索的能力，使得后期信息素挥发因子相对较大，加快后期算法收敛速度。公式如下：

公式(6)中，M为总迭代次数，

为当前迭代次数，δ为挥发因子影响因子，可实现动态调整，ρ为初始信息素挥发因子，ρ(N)要求始终小于1；规定在

迭代次数以前为前半期，以后为后半期；

前半期ρ(N)要相对较小，且

一直小于1，那么

的正数次幂越小，降低各路径信息素浓度差距，减小蚁群引导作用，增加蚂蚁前期的搜索范围，提高算法精度；后半期ρ(N)要相对较大，且

越来越小，则开根号越来越大，那么ρ(N)越来越大，信息素少的路径挥发更快，后期接近于0，而信息素多的路径虽然挥发也快，但是经过前期的积累，最优路径上的信息素仍然很多，加快算法后期收敛速度。

步骤六、重复步骤二到步骤五，直到蚂蚁迭代次数达到最大，计算出各代蚂蚁的最优路径，综合所有迭代次数，得出全局最优路径。

通过上述改进方法，本发明针对传统蚁群算法估计代价值大、初期全局搜索能力不佳、后期收敛速度慢、易陷入局部最优等缺点进行改进，引入了改进启发函数的路径转移概率和自适应调整信息素挥发因子的算法，减小了路径转移的估计代价值，提高了朝向性，加强算法前期全局搜索能力，提高算法精度，加快算法后期收敛速度，提高算法的运行效率。