一种改进蚁群算法的城市救援智能体动态路径规划方法
【专利摘要】本发明提出了一种改进蚁群算法的城市救援智能体动态路径规划方法，属于机器人仿真【技术领域】，针对机器人救援仿真中动态变化环境的路径规划问题，对经典蚁群算法进行改进，引入目标优势度，修改蚂蚁的状态转移概率的计算方法，信息素的更新规则，适应救援环境中道路情况未知且动态变化、救援智能体任务复杂、路径规划需求要求不一致情形，使得救援机器人能够根据自身的任务属性搜索到较优路径。本发明的改进蚁群算法与经典蚁群算法比较，具有有效性和可靠性。
【专利说明】一种改进蚁群算法的城市救援智能体动态路径规划方法
【技术领域】
[0001] 本发明属于机器人仿真【技术领域】，具体涉及一种改进蚁群算法的城市救援智能体 动态路径规划方法。
【背景技术】
[0002] 在城市救援行动中由于地震、火灾等造成的不确定因素，以及救援智能体救援工 作的进行，将造成城市路况的不断变化。因此，在动态变化的救援场景中为救援机器人搜寻 到最优路径，缩短救援行动时间，是机器人救援的首要挑战和关键问题。
[0003] 机器人救援仿真中的动态路径规划问题可以归纳为：根据救援任务的实际需要， 智能体通过路径规划算法搜索出从起始节点到目标节点的路径，传统路径规划问题中，全 局环境信息已知，优化指标仅为路径长度。在救援仿真平台中智能体期望获取的路径是让 机器人在行走过程中安全、无碰撞的到达目标点，同时面临的环境也更为复杂，优化指标不 仅是距离，还需综合考虑道路安全、路障、计算时间等因素。
[0004] 传统的路径规划算法主要有：蚁群算法、遗传算法、模拟退火算法、神经网络算法 和启发式算法等。神经网络算法收敛速度慢，需要大量的训练数据，搜索效率不高，动态性 不好，且存在局部极小等情况；而遗传算法也有计算速度过慢，存储量空间大、运算时间和 搜索效率低等缺点。启发式算法中典型的为A星算法，A星算法搜索效率较高并且具有可采 纳性、单调性等特点。因此，需要通过一种适合机器人救援环境的路径规划算法来指导救援 智能体获得全局最优路径，保证各智能体协作的完成。蚁群算法中的蚂蚁寻路与救援机器 人的路径搜索行为非常相似，对于动态变化的环境有着很强的适应性和健壮性，适用于动 态环境下的路径搜索问题。但常规蚁群算法在搜索过程中容易陷入局部最优和出现早熟， 收敛速度慢等问题。与TSP(TravellingSalesmanProblem)不同的是，TSP问题中整个地 图信息是无噪声的，而救援系统的世界模型中环境是未知的、带噪声的，比如无法确定道路 拥堵情况、建筑燃烧情况、智能体分布情况等，无法提前获得准确的路径规划方案。
【发明内容】
[0005] 本发明要解决的技术问题在于克服现有技术的不足，提出一种改进蚁群算法的城 市救援智能体动态路径规划方法，针对传统蚁群算法进行改进，定义基于全局动态信息的 目标优势度，改善蚂蚁选择下一个节点的性能，对蚂蚁在复杂动态环境下的路径搜索进行 引导。此外，为了加快蚁群算法的收敛速度，采用自适应的信息素更新策略，使得蚂蚁在收 敛速度和解的多样性之间取得平衡。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] 本发明提出一种改进蚁群算法的城市救援智能体动态路径规划方法，蚂蚁在路 径搜索时会触发信息素更新，使得蚁群在较优的路径上释放更多信息素，所述的信息素更 新包括：蚁群间信息素共享更新、局部信息素更新、全局信息素更新；所述方法包括以下步 骤：
[0008]步骤I:设每个道路和建筑抽象成一个顶点，将城市抽象为图G(N，E)，其中N表示 顶点集合，E表示顶点与顶点之间的连接边，边是顶点的有序偶对，若两个顶点之间存在一 条边，表示着两个顶点具有相邻关系；给定起始节点和目标节点，初始化系统参数，若收到 蚁群间信息素共享更新信息，则根据该信息更新相应边的信息素浓度，在起始节点释放一 批蚂蚁；
[0009] 步骤2:蚂蚁从起始节点出发开始搜索遍历，根据转移概率从候选节点中选择优 势度最大的为下一个遍历的节点；同时将选择过的节点存入禁忌列表中，使蚂蚁在下次选 择时排除已选节点；当每只蚂蚁搜索结束时，对搜索得到的结果进行局部信息素更新； [0010] 步骤3 :当满足释放的蚂蚁均搜索完成或者达到超时的终止条件，则存储当前批 次蚂蚁搜索得到的路径，对所有路径进行评价，根据评价值进行全局信息素更新；
[0011] 步骤4 :输出最优路径。
[0012] 进一步的，本发明的一种改进蚁群算法的城市救援智能体动态路径规划方法，步 骤2中优势度定义为：
【权利要求】
1. 一种改进蚁群算法的城市救援智能体动态路径规划方法，其特征在于：蚂蚁在路 径搜索时会触发信息素更新，使得蚁群在较优的路径上释放更多信息素，所述的信息素更 新包括：蚁群间信息素共享更新、局部信息素更新、全局信息素更新；所述方法包括以下步 骤： 步骤1 :设每个道路和建筑抽象成一个顶点，将城市抽象为图G(N，E)，其中N表示顶点 集合，E表示顶点与顶点之间的连接边，边是顶点的有序偶对，若两个顶点之间存在一条边， 表示着两个顶点具有相邻关系；给定起始节点和目标节点，初始化系统参数，若收到蚁群 间信息素共享更新信息，则根据该信息更新相应边的信息素浓度，在起始节点释放一批蚂 蚁； 步骤2 :蚂蚁从起始节点出发开始搜索遍历，根据转移概率从候选节点中选择优势度 最大的为下一个遍历的节点；同时将选择过的节点存入禁忌列表中，使蚂蚁在下次选择时 排除已选节点；当每只蚂蚁搜索结束时，对搜索得到的结果进行局部信息素更新； 步骤3 :当满足释放的蚂蚁均搜索完成或者达到超时的终止条件，则存储当前批次蚂 蚁搜索得到的路径，对所有路径进行评价，根据评价值进行全局信息素更新； 步骤4 :输出最优路径。
2. 根据权利要求1所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其 特征在于：步骤2中优势度定义为：
式（1)中，5Aortesffirf为节点j到目标节点goal的曼哈顿距离，PassRateij为救援智 能体通过边（i,j)的通过率，allowedk = {0, 1，. . .，n-1}表示蚂蚁k下一步的所有候选节 点，其中η表示节点个数，(^表示节点i和j之间的距离，dis表示节点i和s之间的距离， 为权值。
3. 根据权利要求2所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其 特征在于：步骤2中蚂蚁选择下一节点的转移概率为 ：
式（2)中，allowedk = {0, 1，. . .，η-I}表示蚂蚁k下一步的所有候选节点，τu为边 (i，j)的信息素浓度，Tis为边（i，s)的信息素浓度，α和β分别表示信息素和启发信息 对蚂蚁选择节点时的作用，vantage表示优势度。
4. 根据权利要求1所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其 特征在于：所述的信息素更新方法如式（3)所示： Tij (t+X) =(I^p)Xr#(t)+ Δ 4 + Δff6+ ΔTfmm(3) 式（3)中τu(t)表示t时刻边（i，j)上的信息素强度，X表示一批蚂蚁完成一次搜索需 要的时间，P表示信息素挥发系数，I-P为信息素残留因子，PC[0,1]，A<表示根据局部 信息素更新规则释放到边（i，j)上的信息素增量、Arf表示根据全局信息素更新规则释放 到边（i，j)上的信息素增量、Aff-表示根据蚁群间信息素共享更新规则释放到边（i，j) 上的信息素增量。
5. 根据权利要求4所述的一种改进蚁群算法的城市救援智能体动态路径规划方法， 其特征在于：所述的局部信息素更新规则是让所有蚂蚁在经过的路径上都释放信息素，令 表示在本次搜索过程中根据局部信息素更新规则释放到边（i，j)上的信息素增量，其 定义如下： Ari = (4) A*=l 式⑷中，m表示本次搜索循环中蚂蚁的数量，△<是蚂蚁k在边（i，j)上释放的信息 素，其定义如下：
其中，Lk为当前蚂蚁本次搜索到的路径的长度，q为常量，表示局部信息素轨迹强度。
6. 根据权利要求4所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其 特征在于：所述的全局信息素更新规则是指在一批蚂蚁搜索结束后从结果集合中根据目标 函数从所有路径中按照搜索路径的优劣进行信息素增强，Arf表示按照全局信息素更新规 则得到边（i，j)上的信息素增量，定义如下：
其中 e Aftj='E (8) O 其中，m表示本次搜索循环中蚂蚁的数量，e为常量，表示全局信息素轨迹强度，Li为第i只蚂蚁搜索到的路径的长度，σi为第i只蚂蚁所对应的路径结果对边（i，j)信息量更新 的影响程度，σi定义为： Qi= (1-ξij)k-rank[i] (9) N 式（9)中ξu为边（i，j)的权重，计算方式为$ 其中Nt为一批蚂蚁搜索到的路 径的数量总和，N。为所有路径中经过边（i，j)的路径数量，对所有蚂蚁搜索到的路径按照目 标函数值从大到小进行排序，rank[i]为第i只蚂蚁搜索到的路径的索引值。
7.根据权利要求4所述的一种改进蚁群算法的城市救援智能体动态路径规划方法，其 特征在于：所述的蚁群间信息素共享更新的公式为：
式（10)中，e。。》为常量，表示通过通信共享路段的信息素轨迹强度，L_"为蚁群搜索到 的全局最优路径的长度。
【文档编号】G05D1/02GK104317293SQ201410482748
【公开日】2015年1月28日 申请日期:2014年9月19日 优先权日:2014年9月19日
【发明者】梁志伟, 魏志鹏, 沈杰 申请人:南京邮电大学