本發(fā)明涉及路徑規(guī)劃，具體涉及一種基于改進(jìn)蟻群算法的路徑規(guī)劃方法。

背景技術(shù)：

1、在機(jī)器人、自動駕駛車輛以及物流運(yùn)輸?shù)阮I(lǐng)域中，路徑規(guī)劃是一項(xiàng)重要的技術(shù)。它旨在尋找從起點(diǎn)到終點(diǎn)的最優(yōu)或近似最優(yōu)路徑，以滿足各種約束條件，如距離最短、時(shí)間最少或成本最低等。蟻群算法由marco?dorigo在1992年提出，可以用來解決路徑規(guī)劃問題。蟻群算法是一種模擬螞蟻覓食行為的啟發(fā)式搜索算法。它通過模擬螞蟻在尋找食物過程中釋放信息素，并以此引導(dǎo)其他螞蟻找到最短路徑的機(jī)制，來實(shí)現(xiàn)全局優(yōu)化。

2、然而，傳統(tǒng)的蟻群算法在應(yīng)用于路徑規(guī)劃時(shí)存在一些不足。傳統(tǒng)蟻群算法中初始信息素的值是均勻分布的，由于初始信息素濃度相同，在算法初期搜索隨機(jī)性強(qiáng)且較為盲目，導(dǎo)致算法的收斂速度和優(yōu)化能力大大下降。此外，信息素?fù)]發(fā)因子作為一個常量參數(shù)，其設(shè)置對算法的性能影響顯著。若設(shè)置過大會導(dǎo)致信息素蒸發(fā)過快，削弱了優(yōu)秀路徑的引導(dǎo)作用，影響算法的收斂速度；若設(shè)置過小會導(dǎo)致信息素蒸發(fā)過慢，使得之前迭代過程中的路徑信息素過度積累，容易陷入局部最優(yōu)。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述問題，本發(fā)明提供了一種基于改進(jìn)蟻群算法的路徑規(guī)劃方法，解決了現(xiàn)有技術(shù)中蟻群算法收斂速度慢以及容易陷入局部最優(yōu)的技術(shù)問題。

2、本發(fā)明提供了一種基于改進(jìn)蟻群算法的路徑規(guī)劃方法，包括：

3、步驟s1、建立倉庫的柵格地圖，所述柵格地圖包括多個節(jié)點(diǎn)，根據(jù)節(jié)點(diǎn)對應(yīng)的倉庫地形確定節(jié)點(diǎn)的種類，所述節(jié)點(diǎn)的種類包括初始節(jié)點(diǎn)、目標(biāo)節(jié)點(diǎn)、障礙節(jié)點(diǎn)和非障礙節(jié)點(diǎn)；對蟻群算法的參數(shù)進(jìn)行初始化；

4、步驟s2、根據(jù)所述柵格地圖中的各節(jié)點(diǎn)與所述初始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的距離確定信息素濃度的初始值；

5、所述信息素濃度的初始值由初始信息素分布函數(shù)確定，表達(dá)式為：

6、

7、其中，τi表示節(jié)點(diǎn)i上的初始信息素濃度；τ0表示蟻群算法中節(jié)點(diǎn)i的初始信息素濃度，對于每一個節(jié)點(diǎn)來說初始信息素濃度都相同；表示根據(jù)節(jié)點(diǎn)i與起始點(diǎn)o之間的距離關(guān)系所增加的信息素濃度；表示根據(jù)節(jié)點(diǎn)i與目標(biāo)節(jié)點(diǎn)d之間的距離關(guān)系所增加的信息素濃度；(xi,yi),(xo,yo),(xd,yd)分別表示節(jié)點(diǎn)i、初始節(jié)點(diǎn)o和目標(biāo)節(jié)點(diǎn)d的坐標(biāo)；

8、步驟s3、在初始節(jié)點(diǎn)多次放置螞蟻，進(jìn)行初始節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的尋跡，所述尋跡過程包括：每只螞蟻從初始節(jié)點(diǎn)出發(fā)，根據(jù)當(dāng)前信息素濃度以及啟發(fā)式信息選擇螞蟻移動的下一節(jié)點(diǎn)，并更新禁忌表；基于當(dāng)前信息素?fù)]發(fā)因子更新當(dāng)前信息素濃度；

9、在完成全部螞蟻的尋跡后清空所述禁忌表，記錄所有螞蟻?zhàn)哌^的路徑；

10、步驟s4、基于所述所有螞蟻?zhàn)哌^的路徑長度得到當(dāng)代平均路徑長度和當(dāng)代最小路徑長度，由所述當(dāng)代平均路徑長度和當(dāng)代最小路徑長度的比例關(guān)系更新所述信息素?fù)]發(fā)因子；

11、步驟s5、回到步驟s3，直到達(dá)到最大迭代次數(shù)，取最后一次迭代收斂過程的最優(yōu)路徑作為最終規(guī)劃的路徑，采用所述最終規(guī)劃的路徑驅(qū)動倉庫機(jī)器人完成導(dǎo)航。

12、優(yōu)選地，步驟s1具體包括：

13、步驟s1-1、將倉庫平面區(qū)域劃分為大小均勻的正方形網(wǎng)格，每個網(wǎng)格作為一個節(jié)點(diǎn)；以將倉庫中的固定障礙物所在的網(wǎng)格區(qū)域確定為障礙節(jié)點(diǎn)，將倉庫的出入口確定為初始節(jié)點(diǎn)，將取貨地點(diǎn)確定為目標(biāo)節(jié)點(diǎn)，倉庫內(nèi)機(jī)器人可以自由通行的區(qū)域確定為非障礙節(jié)點(diǎn)；

14、步驟s1-2、對蟻群算法的參數(shù)進(jìn)行初始化，包括：將螞蟻數(shù)量m、狀態(tài)轉(zhuǎn)移公式的信息啟發(fā)因子α與啟發(fā)函數(shù)因子β、信息素強(qiáng)度q以及最大迭代次數(shù)nc進(jìn)行初始化，賦予初始值。

15、優(yōu)選地，步驟s3具體包括：

16、步驟s3-1、在初始節(jié)點(diǎn)放置虛擬螞蟻，每只螞蟻基于當(dāng)前信息素濃度以及啟發(fā)式信息確定狀態(tài)轉(zhuǎn)移概率，根據(jù)所述狀態(tài)轉(zhuǎn)移概率選擇下一節(jié)點(diǎn)，根據(jù)螞蟻當(dāng)前走過的所有節(jié)點(diǎn)更新禁忌表，完成所有節(jié)點(diǎn)的尋跡后，基于當(dāng)前信息素?fù)]發(fā)因子更新當(dāng)前信息素濃度；

17、步驟s3-2、回到步驟s3-1，直到完成預(yù)設(shè)次數(shù)的螞蟻的尋跡后清空所述禁忌表，記錄所有螞蟻?zhàn)哌^的路徑。

18、優(yōu)選地，步驟s3-1中，所述狀態(tài)轉(zhuǎn)移概率的表達(dá)式為：

19、

20、其中，為在時(shí)刻t第k只螞蟻由節(jié)點(diǎn)i選擇節(jié)點(diǎn)j為下一個位置的概率，τi,j(t)表示t在路徑(i,j)上的信息素濃度，ηi,j表示由節(jié)點(diǎn)i選擇節(jié)點(diǎn)j為下一個位置的啟發(fā)函數(shù)，α為信息啟發(fā)因子，β為啟發(fā)函數(shù)因子；allowedk＝{0,1,2,...,n-1}-tabuk表示螞蟻k接下來允許選擇的節(jié)點(diǎn)集合，tabuk,k＝1,2,...,m表示禁忌表，其中k為當(dāng)前螞蟻的索引，m為螞蟻總數(shù)，n為總節(jié)點(diǎn)數(shù)。

21、優(yōu)選地，步驟s3-1中，所述基于當(dāng)前信息素?fù)]發(fā)因子更新當(dāng)前信息素濃度的表達(dá)式為：

22、τi,j(t+1)＝(1-ρ)·τi,j(t)+δτi,j(t)

23、其中，τi,j(t+1)表示t+1時(shí)刻在路徑(i,j)上信息素濃度，ρ表示信息素?fù)]發(fā)因子；1-ρ表示信息素殘留系數(shù)；δτi,j(t)表示時(shí)刻t所有螞蟻在路徑(i,j)上留下的總信息素量。

24、優(yōu)選地，所述時(shí)刻t所有螞蟻在路徑(i,j)上留下的總信息素量δτi,j(t)的計(jì)算表達(dá)式為：

25、

26、其中，表示螞蟻k在路徑(i,j)上留下的信息素量，的計(jì)算表達(dá)式為：

27、

28、其中，q表示每只螞蟻在走完一次完整路徑后所釋放的信息素總量；lk表示第k只螞蟻在本次尋跡所走路徑的總長度。

29、優(yōu)選地，步驟s4具體包括：

30、步驟s4-1、對所述所有螞蟻?zhàn)哌^的路徑長度計(jì)算平均值和最小值，分別得到當(dāng)代平均路徑長度和當(dāng)代最小路徑長度；

31、步驟s4-2、將當(dāng)代平均路徑長度和當(dāng)代最小路徑長度的比例關(guān)系作為路徑集中度；根據(jù)所述路徑集中度與預(yù)設(shè)的臨界集中度的大小關(guān)系更新所述信息素?fù)]發(fā)因子。

32、優(yōu)選地，步驟s4-2中，所述更新所述信息素?fù)]發(fā)因子的表達(dá)式為：

33、

34、ε＝lave/lmin

35、其中，ρe為前期信息素?fù)]發(fā)因子；ρa(bǔ)為后期信息素?fù)]發(fā)因子；ε為路徑集中度，lave為當(dāng)代搜索的平均路徑長度；lmin為當(dāng)代搜索的最小路徑長度，ε0為預(yù)設(shè)的臨界集中度值。

36、與現(xiàn)有技術(shù)相比，本發(fā)明至少具有如下有益效果：

37、(1)本發(fā)明通過節(jié)點(diǎn)到起點(diǎn)和終點(diǎn)的距離來動態(tài)調(diào)整初始信息素濃度，距離起終點(diǎn)較近的節(jié)點(diǎn)被賦予更高的初始信息素濃度，降低了算法初期遠(yuǎn)端節(jié)點(diǎn)被選擇的概率，強(qiáng)化了靠近起終點(diǎn)的較優(yōu)路徑上的節(jié)點(diǎn)對螞蟻的吸引力。這種策略使螞蟻更快地聚焦于更有潛力的區(qū)域增強(qiáng)了蟻群算法初始階段較優(yōu)路徑的指向性，有效降低了螞蟻在算法初期選擇路徑時(shí)的盲目性，使蟻群能夠更快地找到潛在的優(yōu)質(zhì)路徑。

38、(2)本發(fā)明引入了雙揮發(fā)因子策略，根據(jù)每代路徑的集中程度動態(tài)調(diào)整揮發(fā)因子的大小。在迭代前期，較高的揮發(fā)因子加速了各路徑上信息素的揮發(fā)，鼓勵蟻群進(jìn)行更廣泛的全局搜索，避免過早收斂于局部最優(yōu)解。而在迭代后期，較低的揮發(fā)因子則有利于優(yōu)質(zhì)路徑上的信息素積累，從而保留優(yōu)質(zhì)路徑信息，避免局部最優(yōu)。

39、(3)本發(fā)明通過優(yōu)化初始信息素濃度，增強(qiáng)了搜索的引導(dǎo)性，并利用雙揮發(fā)因子策略動態(tài)平衡了全局搜索和局部優(yōu)化。本發(fā)明將這些改進(jìn)整合加入現(xiàn)有的蟻群算法，提高了蟻群算法的效率、解的質(zhì)量，提升了算法在求解復(fù)雜優(yōu)化問題時(shí)的性能和魯棒性，使其能夠更快、更準(zhǔn)確地找到最優(yōu)解。