本發(fā)明涉及人工智能領(lǐng)域，具體涉及一種基于蟻群算法的路徑規(guī)劃方法。

背景技術(shù)：

路徑規(guī)劃是當(dāng)下研究的熱點(diǎn)之一，路徑指的是連接起點(diǎn)位置和終點(diǎn)位置的序列點(diǎn)或曲線，構(gòu)成路徑的策略稱之為路徑規(guī)劃。路徑規(guī)劃的目的，是使得移動(dòng)主體(如智能小車、移動(dòng)機(jī)器人、無(wú)人機(jī)等)能夠根據(jù)內(nèi)定的程序，按照一定的最優(yōu)解準(zhǔn)則(如行駛路徑長(zhǎng)度最短、行駛耗時(shí)最短等)，在存在著諸多障礙物的路況中自行避障，從而選擇出一條從起始點(diǎn)到終點(diǎn)的最優(yōu)路徑。

針對(duì)路徑規(guī)劃的研究主要聚焦于以下三個(gè)方面：第一，移動(dòng)主體能否順利地從起始點(diǎn)到達(dá)終點(diǎn)；第二，移動(dòng)主體能否在行駛過(guò)程中自動(dòng)避開(kāi)沿途的障礙物；第三，在完成上述兩個(gè)指標(biāo)的基礎(chǔ)上，移動(dòng)主體是否能按照一定的最優(yōu)解準(zhǔn)則，選擇出最優(yōu)路徑。傳統(tǒng)的路徑規(guī)劃算法有模擬退火算法、人工勢(shì)場(chǎng)法、模糊邏輯算法、禁忌搜索算法等，但是傳統(tǒng)算法在解決實(shí)際問(wèn)題時(shí)往往存在著建模難的問(wèn)題，并且面對(duì)環(huán)境變化的應(yīng)變性較差。

在處理復(fù)雜動(dòng)態(tài)環(huán)境信息情況下的路徑規(guī)劃問(wèn)題時(shí)，來(lái)自于自然界的啟示往往能起到很好的作用。智能仿生學(xué)算法就是人們通過(guò)仿生學(xué)研究發(fā)現(xiàn)的算法，常用到的有蟻群算法、神經(jīng)網(wǎng)絡(luò)算法、粒子群算法、遺傳算法等。其中，蟻群算法(antcolonyalgorithm，aca)由于其求解的快速性、較強(qiáng)的全局搜索能力以及較強(qiáng)的魯棒性在路徑規(guī)劃領(lǐng)域得到了廣泛的應(yīng)用。蟻群算法的思想來(lái)自于對(duì)蟻群覓食行為的探索，每個(gè)螞蟻覓食時(shí)都會(huì)在走過(guò)的道路上留下一定濃度的信息素，當(dāng)存在某條從起點(diǎn)到終點(diǎn)的較短路徑時(shí)，單位時(shí)間內(nèi)通過(guò)該路徑的螞蟻數(shù)量也會(huì)較多，從而在該路徑上留有更多的信息素，吸引更多的螞蟻選擇該路徑，這就形成了一種正反饋效應(yīng)，因此信息素濃度高的最短路徑很快就會(huì)被發(fā)現(xiàn)。算法通過(guò)迭代來(lái)模擬蟻群覓食的行為達(dá)到目的，具有良好的全局優(yōu)化能力、本質(zhì)上的并行性、易于用計(jì)算機(jī)實(shí)現(xiàn)等優(yōu)點(diǎn)。但是在經(jīng)典蟻群算法中，信息素?fù)]發(fā)系數(shù)是一個(gè)常數(shù)，新搜索到的較優(yōu)路徑與上一輪所搜索到的路徑遵循相同的信息素?fù)]發(fā)準(zhǔn)則，而該準(zhǔn)則不能夠最大化地促進(jìn)蟻群算法的正反饋效應(yīng)，導(dǎo)致經(jīng)典蟻群算法收斂速度過(guò)慢，并且會(huì)伴隨著出現(xiàn)一些非穩(wěn)定最優(yōu)解。所以，如何進(jìn)一步縮短蟻群算法的算法收斂時(shí)間與剔除一些非穩(wěn)定最優(yōu)解，成為蟻群算法急需改進(jìn)的部分。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：基于以上不足，本發(fā)明提出一種基于改進(jìn)的蟻群算法的路徑規(guī)劃方法，引入自適應(yīng)信息素?fù)]發(fā)系數(shù)思想以及在此基礎(chǔ)上的路徑?jīng)Q策規(guī)則，從而能夠縮短算法收斂時(shí)間并剔除一些非穩(wěn)定最優(yōu)解。

技術(shù)方案：一種基于改進(jìn)的蟻群算法的路徑規(guī)劃方法，包括以下步驟：

(1)利用柵格法對(duì)地圖環(huán)境進(jìn)行建模，包括設(shè)置起始節(jié)點(diǎn)、目標(biāo)節(jié)點(diǎn)、障礙物柵格；

(2)初始化蟻群算法基本參數(shù)，并使蟻群初始化在起始節(jié)點(diǎn)處；

(3)每只螞蟻從起始節(jié)點(diǎn)開(kāi)始搜索遍歷，根據(jù)轉(zhuǎn)移概率選擇下一節(jié)點(diǎn)，螞蟻?zhàn)哌^(guò)的每個(gè)節(jié)點(diǎn)記錄在禁忌表中，當(dāng)螞蟻到達(dá)目標(biāo)節(jié)點(diǎn)時(shí)，計(jì)算螞蟻所選路徑長(zhǎng)度和路徑上的拐點(diǎn)個(gè)數(shù)；

(4)當(dāng)所有螞蟻完成搜索后，應(yīng)用拐點(diǎn)較少原則選取當(dāng)次迭代的最優(yōu)路徑；

(5)對(duì)當(dāng)次迭代的最優(yōu)路徑應(yīng)用簡(jiǎn)化路徑原則，得到優(yōu)化后的當(dāng)次迭代最優(yōu)路徑；

(6)對(duì)當(dāng)次迭代的所有可行路徑應(yīng)用預(yù)先排序規(guī)則，選取出較優(yōu)路徑，對(duì)較優(yōu)路徑上的信息素?fù)]發(fā)系數(shù)進(jìn)行自適應(yīng)調(diào)整策略，并在此基礎(chǔ)上更新每條較優(yōu)路徑上的信息素濃度；

(7)重復(fù)執(zhí)行步驟(2)-步驟(6)，直到迭代次數(shù)達(dá)到最大迭代次數(shù)，計(jì)算各輪迭代的最優(yōu)路徑長(zhǎng)度，得到全局最優(yōu)路徑。

其中，步驟(4)中的拐點(diǎn)較少原則具體為：

第一輪迭代完成后，比較每條路徑長(zhǎng)度和路徑中的拐點(diǎn)個(gè)數(shù)，選擇長(zhǎng)度最短的路徑作為當(dāng)次迭代的最優(yōu)路徑，如果有路徑長(zhǎng)度相同，則選擇拐點(diǎn)較少的路徑作為當(dāng)次迭代的最優(yōu)路徑；

在后續(xù)迭代過(guò)程中，每輪迭代完成后，計(jì)算當(dāng)次迭代所產(chǎn)生的最優(yōu)路徑中的拐點(diǎn)個(gè)數(shù)，比較當(dāng)次迭代所產(chǎn)生的最優(yōu)路徑長(zhǎng)度與現(xiàn)有最優(yōu)路徑長(zhǎng)度，如果相同，則選擇拐點(diǎn)較少的路徑；如果不同，則選擇路徑長(zhǎng)度較短的路徑。

步驟(5)中簡(jiǎn)化路徑原則具體為：對(duì)路徑中所經(jīng)過(guò)的每一個(gè)節(jié)點(diǎn)與起始節(jié)點(diǎn)進(jìn)行是否為鄰節(jié)點(diǎn)判斷，如果當(dāng)前節(jié)點(diǎn)為起始節(jié)點(diǎn)的鄰節(jié)點(diǎn)，則直接由起始節(jié)點(diǎn)導(dǎo)向該節(jié)點(diǎn)，省去中間節(jié)點(diǎn)；如果當(dāng)前節(jié)點(diǎn)不是起始節(jié)點(diǎn)的鄰節(jié)點(diǎn)，則保留該節(jié)點(diǎn)，繼續(xù)上述操作，直至遍歷完路徑中所有節(jié)點(diǎn)。

步驟(6)中的預(yù)先排序規(guī)則具體為：每輪迭代完成后，對(duì)當(dāng)次迭代所產(chǎn)生的全部可行路徑按照長(zhǎng)度由短到長(zhǎng)進(jìn)行排序，選取排序前三分之一的路徑作為較優(yōu)路徑，進(jìn)行信息素濃度的更新，信息素?fù)]發(fā)系數(shù)的計(jì)算公式為：

ρ(nc)＝pre_argu·tanh(10·(shortest_length-min(l))/mean(l))+pre_argu

其中，nc為當(dāng)前迭代次數(shù)，shortest_length為當(dāng)次迭代最優(yōu)路徑長(zhǎng)度，min(l)為現(xiàn)有最短路徑長(zhǎng)度，mean(l)為當(dāng)前局部最優(yōu)路徑平均長(zhǎng)度，即當(dāng)前迭代次數(shù)下，每輪迭代得到的最優(yōu)路徑長(zhǎng)度的平均值，pre_argu為自適應(yīng)調(diào)整因子前置參數(shù)。

有益效果：本發(fā)明提出一種改進(jìn)蟻群算法的路徑規(guī)劃方法，所述方法針對(duì)傳統(tǒng)蟻群算法中由于算法初期正反饋效應(yīng)較弱導(dǎo)致的收斂速度較慢、最優(yōu)解不穩(wěn)定的問(wèn)題，引入自適應(yīng)信息素?fù)]發(fā)系數(shù)以及路徑?jīng)Q策規(guī)則，即通過(guò)自適應(yīng)調(diào)整信息素?fù)]發(fā)系數(shù)來(lái)促進(jìn)蟻群算法的正反饋效應(yīng)并且采用相關(guān)的路徑?jīng)Q策規(guī)則來(lái)優(yōu)化最優(yōu)路徑的選擇，減少蟻群算法的計(jì)算時(shí)間，從而縮短了蟻群算法實(shí)現(xiàn)算法收斂的時(shí)間，提高了算法的運(yùn)行效率。

附圖說(shuō)明

圖1是本發(fā)明的路徑規(guī)劃方法流程示意圖；

圖2a和圖2b是本發(fā)明的拐點(diǎn)較少規(guī)則的示例圖；

圖3是本發(fā)明的簡(jiǎn)化路徑規(guī)則的示例圖；

圖4是經(jīng)典蟻群算法的最優(yōu)解示例圖；

圖5是本發(fā)明的改進(jìn)后蟻群算法的最優(yōu)解示例圖；

圖6是經(jīng)典蟻群算法的解路徑及算法收斂時(shí)間的示例圖；

圖7是本發(fā)明的改進(jìn)后蟻群算法的解路徑和算法收斂時(shí)間的示例圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步說(shuō)明。

圖1示出了本發(fā)明的路徑規(guī)劃方法流程。在本發(fā)明中，我們使用matlab仿真軟件進(jìn)行模擬和運(yùn)算，如圖1所示，基于蟻群算法進(jìn)行路徑規(guī)劃的方法首先進(jìn)行環(huán)境建模和初始化，然后進(jìn)行搜索迭代，在每一輪迭代完成后，統(tǒng)計(jì)可行路徑信息，對(duì)所有可行路徑分別應(yīng)用不同的路徑?jīng)Q策規(guī)則進(jìn)行算法改進(jìn)，從而更快得到最優(yōu)路徑。以下詳細(xì)描述具體步驟。

步驟1、利用柵格法對(duì)地圖環(huán)境進(jìn)行建模，設(shè)置start起始節(jié)點(diǎn)、dest目標(biāo)節(jié)點(diǎn)、obstacle障礙物等柵格。

步驟2、初始化蟻群算法基本參數(shù)，手動(dòng)給這些參數(shù)一個(gè)常數(shù)值，如：螞蟻數(shù)量m、啟發(fā)因子α與β等，其中啟發(fā)因子α表征之前所積累下的信息素強(qiáng)度對(duì)螞蟻下一步所走位置的影響程度，啟發(fā)因子β表征啟發(fā)信息對(duì)螞蟻下一步所走位置的相對(duì)重要程度；使蟻群初始化在start起始節(jié)點(diǎn)處。

步驟3、每只螞蟻都從起始節(jié)點(diǎn)出發(fā)開(kāi)始搜索遍歷，選擇轉(zhuǎn)移概率最大的節(jié)點(diǎn)作為下一節(jié)點(diǎn)，第k只螞蟻從位置u轉(zhuǎn)移到位置v的轉(zhuǎn)移概率為：

其中，τuv(t)表示路徑(u,v)上的信息素濃度；ηuv(t)表示在路徑(u,v)上的能見(jiàn)度啟發(fā)信息變量，表征這螞蟻從位置u轉(zhuǎn)移到位置v的啟發(fā)程度，該變量由兩位置之間的距離所決定；allowedk(t)表示第k只螞蟻下一步所有可選擇的位置，allowedk(t)＝{1,2...n}-tabuuk，其中tabuuk為禁忌表，存放螞蟻已經(jīng)走過(guò)的位置，螞蟻在下次選擇時(shí)排除已選位置。

然后判斷螞蟻是否已達(dá)目標(biāo)節(jié)點(diǎn)，如果尚未到達(dá)，則繼續(xù)搜索下一節(jié)點(diǎn)，直到螞蟻到達(dá)目標(biāo)節(jié)點(diǎn)。當(dāng)每只螞蟻到達(dá)目標(biāo)節(jié)點(diǎn)時(shí)，計(jì)算螞蟻所選路徑長(zhǎng)度和路徑上的拐點(diǎn)個(gè)數(shù)。

步驟4、當(dāng)所有螞蟻均搜索完成后，選取當(dāng)次迭代的最優(yōu)路徑，選取原則如下：比較每條路徑長(zhǎng)度和路徑中的拐點(diǎn)個(gè)數(shù)，優(yōu)先選擇長(zhǎng)度最短的路徑作為當(dāng)次迭代的最優(yōu)路徑，如果有路徑長(zhǎng)度相同，則選擇拐點(diǎn)較少的路徑作為當(dāng)次迭代的最優(yōu)路徑。如圖2a和圖2b所示，圖2a中路徑上存在一個(gè)拐點(diǎn)，圖2b中路徑上存在兩個(gè)拐點(diǎn)，在路徑長(zhǎng)度相同的基礎(chǔ)上，優(yōu)先選擇圖2a所示的路徑。

步驟5、對(duì)當(dāng)次迭代的最優(yōu)路徑進(jìn)行優(yōu)化，得到優(yōu)化后的當(dāng)次迭代最優(yōu)路徑。具體方法為：判斷當(dāng)次迭代最優(yōu)路徑上的每一個(gè)節(jié)點(diǎn)是否為起始節(jié)點(diǎn)的鄰節(jié)點(diǎn)，如果當(dāng)前節(jié)點(diǎn)為起始節(jié)點(diǎn)的鄰節(jié)點(diǎn)，則直接由起始節(jié)點(diǎn)導(dǎo)向該節(jié)點(diǎn)，省去中間節(jié)點(diǎn)；如果當(dāng)前節(jié)點(diǎn)不是起始節(jié)點(diǎn)的鄰節(jié)點(diǎn)，則保留該節(jié)點(diǎn)，繼續(xù)上述操作，直至遍歷完路徑中所有節(jié)點(diǎn)。因?yàn)楦鶕?jù)步驟4選取出來(lái)的路徑并不一定是當(dāng)前狀態(tài)下的最優(yōu)路徑，可能存在著冗余節(jié)點(diǎn)，如圖3所示，一開(kāi)始選取的最優(yōu)路徑可能是start-mid1-mid2，經(jīng)過(guò)判斷發(fā)現(xiàn)mid2節(jié)點(diǎn)是start起始節(jié)點(diǎn)的鄰節(jié)點(diǎn)，則路徑規(guī)劃時(shí)從start起始節(jié)點(diǎn)直接導(dǎo)向mid2節(jié)點(diǎn)，不必經(jīng)過(guò)mid1節(jié)點(diǎn)。

如果處于迭代過(guò)程中，當(dāng)每輪迭代完成后，計(jì)算當(dāng)次迭代所產(chǎn)生的最優(yōu)路徑中的拐點(diǎn)個(gè)數(shù)，比較當(dāng)次迭代所產(chǎn)生的最優(yōu)路徑長(zhǎng)度與現(xiàn)有最優(yōu)路徑長(zhǎng)度，如果相同，則選擇拐點(diǎn)較少的路徑；如果不同，選擇路徑長(zhǎng)度較短的路徑。

步驟6、選擇較優(yōu)路徑進(jìn)行信息素的更新。螞蟻在路徑搜索時(shí)會(huì)觸發(fā)信息素的更新，使得蟻群在較優(yōu)的路徑上釋放更多信息素，形成正反饋效應(yīng)。為了加強(qiáng)信息的正反饋，提高算法收斂速度，本發(fā)明對(duì)路徑應(yīng)用預(yù)先排序規(guī)則和自適應(yīng)的信息素更新規(guī)則，具體步驟如下：

s61、對(duì)當(dāng)次迭代產(chǎn)生的所有可行路徑按長(zhǎng)度由短到長(zhǎng)進(jìn)行排序，選擇長(zhǎng)度排名比較靠前，即長(zhǎng)度較短的路徑作為信息素更新的候選路徑。經(jīng)過(guò)多次matlab仿真發(fā)現(xiàn)，當(dāng)選擇出路徑長(zhǎng)度排序前三分之一的路徑進(jìn)行信息素更新時(shí)，改進(jìn)后的蟻群算法收斂速度更快，所搜索到的最優(yōu)路徑更為穩(wěn)定，因此優(yōu)選路徑長(zhǎng)度排序前三分之一的路徑作為候選路徑。

s62、對(duì)每條候選路徑上的信息素濃度進(jìn)行更新，具體更新公式為：

τuv(t+t)＝(1-ρ)·τuv(t)+δτuv(2)

其中，δτuv表示從位置u到位置v的路徑上的信息素濃度的增量，本發(fā)明采用蟻周系統(tǒng)(ant-cyclesystem)模型，其δτ^kuv計(jì)算公式如下：

其中，lk為需要更新信息素濃度的路徑長(zhǎng)度，q為該路徑之前的信息素濃度。

式(2)中的ρ為信息素?fù)]發(fā)系數(shù)，當(dāng)路徑上信息素濃度較小時(shí)，信息素正反饋?zhàn)饔孟鄬?duì)較弱，搜索的隨機(jī)性較強(qiáng)，算法收斂速度較慢；當(dāng)路徑上信息素濃度較高時(shí)，搜索隨機(jī)性減弱，算法收斂速度變快，但是容易陷入局部最優(yōu)，為了解決這一矛盾，本發(fā)明引入自適應(yīng)性信息素?fù)]發(fā)系數(shù)，具體計(jì)算公式為：

ρ(nc)＝pre_argu·tanh(10·(shortest_length-min(l))/mean(l))+pre_argu(4)

其中，nc為當(dāng)前迭代次數(shù)，隨著迭代次數(shù)的改變，信息素?fù)]發(fā)系數(shù)也隨之自適應(yīng)地調(diào)整；

shortest_length為當(dāng)次迭代最優(yōu)路徑長(zhǎng)度，引入當(dāng)次迭代最優(yōu)路徑長(zhǎng)度因子，如果當(dāng)次迭代搜索到長(zhǎng)度更短的新的較優(yōu)路徑，則該路徑上的信息素?fù)]發(fā)將相應(yīng)減小，以便讓蟻群更傾向于選擇該路徑；

min(l)為現(xiàn)有最短路徑長(zhǎng)度，引入現(xiàn)有最短路徑長(zhǎng)度因子，如果新搜索到的路徑比已存在的最優(yōu)路徑長(zhǎng)度要長(zhǎng)，則之前的搜索策略較為準(zhǔn)確，可以繼續(xù)搜索；

mean(l)為當(dāng)前局部最優(yōu)路徑平均長(zhǎng)度，即當(dāng)前迭代次數(shù)下，每輪迭代得到的最優(yōu)路徑長(zhǎng)度的平均值。引入當(dāng)前局部最優(yōu)路徑平均長(zhǎng)度因子，防止新搜索到的最優(yōu)路徑與現(xiàn)有最優(yōu)路徑長(zhǎng)度差距過(guò)大給算法整體帶來(lái)誤差；

pre_argu為自適應(yīng)調(diào)整因子前置參數(shù)，取值范圍為(0,1)，經(jīng)過(guò)多次嘗試，當(dāng)自適應(yīng)調(diào)整因子前置參數(shù)設(shè)置為0.3時(shí)，改進(jìn)后的蟻群算法收斂速度更快，所得最優(yōu)解更為穩(wěn)定。

本發(fā)明引入了雙曲正切函數(shù)，將三個(gè)自適應(yīng)調(diào)整因子進(jìn)行結(jié)合，保證信息素?fù)]發(fā)系數(shù)始終保持在(0,1)區(qū)間，在對(duì)信息素?fù)]發(fā)系數(shù)進(jìn)行自適應(yīng)調(diào)整的基礎(chǔ)上，更新上述排序前三分之一的路徑上的信息素強(qiáng)度。

步驟7、重復(fù)執(zhí)行步驟2-步驟6，直到迭代次數(shù)達(dá)到最大迭代次數(shù)，在本實(shí)施例中，最大迭代次數(shù)為50次。計(jì)算各輪迭代的最優(yōu)路徑長(zhǎng)度，得到全局最優(yōu)路徑。

通過(guò)仿真實(shí)驗(yàn),對(duì)采用本發(fā)明的改進(jìn)后蟻群算法的路徑規(guī)劃方法與采用經(jīng)典蟻群算法的路徑規(guī)劃方法，從算法收斂時(shí)間和算法最優(yōu)解穩(wěn)定性方面進(jìn)行比較，仿真結(jié)果分別如圖4-圖7所示。圖4為經(jīng)典蟻群算法的最優(yōu)解示例，圖5為改進(jìn)后蟻群算法的最優(yōu)解示例，圖中shortest_route為算法得到的最優(yōu)解路徑，每個(gè)數(shù)字表示最優(yōu)路徑上的柵格位置，shortest_length得到的最優(yōu)路徑的長(zhǎng)度，由圖可見(jiàn)，雖然路徑略有不同，但是兩種算法在具體最優(yōu)路徑長(zhǎng)度方面是一致的。圖6為經(jīng)典蟻群算法仿真結(jié)果，圖7為本發(fā)明的改進(jìn)后蟻群算法仿真結(jié)果，從圖可知，本發(fā)明在算法收斂速度與最優(yōu)解的穩(wěn)定性方面有了明顯的提升，圖7中曲線梯度較平穩(wěn)且迅速趨于穩(wěn)定，表明改進(jìn)后的蟻群算法在提高算法收斂速度方面擁有良好的表現(xiàn)，可以優(yōu)化傳統(tǒng)的蟻群算法在路徑規(guī)劃問(wèn)題上的運(yùn)算效率。