基于改进蚁群算法的移动机器人路径规划方法及系统与流程

本发明涉及移动机器人智能算法
技术领域：
，具体涉及一种基于改进蚁群算法的移动机器人路径规划方法。本方法有效避免了局部最优解以及克服了收敛速度慢的问题。
背景技术：
：移动机器人路径规划是指机器人的运动轨迹的规划，即指定移动机器人在一个具有障碍物的环境，同时给定具体的起点和终点，在给定的评价条件下，移动机器人按照已给的任务避开障碍物，搜索从起点到终点的最优路径，即要求花费最短的时间、运行最短的路径或消耗最少的能量。目前，许多智能算法应用于移动机器人路径规划中，包括神经网络法、蚁群算法、人工势场法、粒子算法、遗传算法、模糊推理法等等。蚁群算法是根据蚁群觅食的行为，在指定图中寻找最优路径的启发式智能搜索算法。蚁群算法在组合优化问题中显示出较强的优势，是一个增强型学习系统，具有分布式的计算特性，且具有较强的鲁棒性，易于与其他优化算法融合。从提出起到目前，国内外许多学者对该算法做了大量研究，将其运用到诸多领域，并取得了丰硕的成果，典型应用如旅行商、指派问题、调度问题、连续优化、网络路由等。技术实现要素：本发明的目的是提供一种移动机器人路径规划方法及系统，以解决现有蚁群算法容易陷入局部最优、运行速度慢、在信息处理前期收敛速度慢的问题。为了解决上述技术问题，本发明提供了一种移动机器人路径规划方法，包括如下步骤：步骤S1，环境建模；步骤S2，初始信息素分配；以及步骤S3，路径寻优，且输出最优路径。进一步，所述步骤S1中环境建模，即根据移动机器人的所处环境信息采用栅格环境建模。进一步，所述根据移动机器人的所处环境信息采用栅格环境建模的方法包括：利用移动机器人自带传感器组采集工作环境信息，并进行地图建模；其中，将移动机器人和各个城市作为质点，将移动机器人和障碍物按照二维坐标系建模。进一步，所述步骤S2中初始信息素分配，即初始信息素按照起点与终点连线附近区域浓度较大，起点和终点连线相对的两个对角区域的信息素浓度较小的原则进行分配。进一步，所述步骤S3中路径寻优，且输出最优路径；即根据蚁群算法进行路径寻优，完成一次循环后，对各个城市连接路径上的信息素进行实时更新，达到最大迭代次数后，输出最优路径。进一步，所述蚁群算法进行路径寻优的方法包括：步骤Sa，设置初始参数，包括蚁群规模m，信息素重要程度因子α，启发函数重要程度因子β，信息素挥发因子ρ，信息素释放总量Q，以及设定最大迭代次数，迭代次数初值；步骤Sb，将蚂蚁随机置于起点，并随机选择下一个待访问的节点，其中蚂蚁从节点i转移到节点j的概率，即转移概率的计算公式为：Pijk=[τij(t)]α·[ηij(t)]βΣs∈allowk[τis(t)]α·[ηis(t)]β,s∈allowk0,s∉allowk---(1);]]>在式(1)中，allowk(k＝1,2，...，m)为蚂蚁k待访问节点的集合，且在开始时，allowk中有(n-1)个元素，即包括除了蚂蚁k起点以外的其他所有节点，随着时间的推进，allowk中的元素逐渐减少，直至为空，即访问到目标点完毕；ηij(t)为启发函数，表示蚂蚁从节点i转移到节点j的期望程度，计算公式如下：ηij(t)=1dij---(2);]]>在式(2)中，dij表示节点i和节点j之间的距离，计算公式如下：dij=(xi-xj)2+(yi-yj)2---(3);]]>步骤Sc，在计算完节点间的转移概率后，采用轮盘赌方法选择下一个待访问的节点；步骤Sd，对蚂蚁所走路径进行局部信息素量更新，以削弱已走过路径的信息素浓度，局部信息素量更新公式如下：τij(t+1)＝(1-ε)τij(t)+ετ0(4)；在式(4)中：ε为局部信息素挥发系数，τ0＝λ/dij，λ为常数；步骤Se，当所有蚂蚁都完成一轮迭代后，对信息素浓度进行全局更新，更新公式如下：τij(t+1)＝(1-ρ)τij(t)+ω1ρΔ1τij+ω2ρΔ2τij(5)；Δ1τij=(Lworst-Lbest)/Lbest,Li∈LbestQ/Li,Li∉Lbest---(6);]]>Δ2τij=(Lbest-Lworst)/Lworst,Li∈LworstQ/Li,Li∉Lworst---(7);]]>在式(5)、(6)、(7)中，ρ为全局信息素挥发系数；ω1、ω2为权重系数，且ω1+ω2＝1；Lbest为本次迭代最优路径长度；Lworst为本次迭代最差路径长度；Li为第i条路径长度；Q为蚁群信息素总量；步骤Sf，判断是否达到最大迭代次数；即若没有达到最大迭代次数，转至步骤Sc；否则，终止迭代，输出最优解，即为蚂蚁经过最优路径的路线图。又一方面，本发明还提供了一种移动机器人路径规划系统。所述移动机器人路径规划系统包括：环境建模单元，根据移动机器人的所处环境信息采用栅格环境建模；路径规划单元，初始信息素分配，且通过路径寻优以输出最优路径。进一步，所述环境建模单元包括：带有环境信息采集传感器的移动机器人；所述移动机器人采集工作环境信息，并进行地图建模；其中，将移动机器人和各个城市作为质点，将移动机器人和障碍物按照二维坐标系建模。进一步，所述路径规划单元通过初始信息素分配及路径寻优以输出最优路径；其中初始信息素分配，即初始信息素按照起点与终点连线附近区域浓度较大，起点和终点连线相对的两个对角区域的信息素浓度较小的原则进行分配；以及路径寻优以输出最优路径，即根据蚁群算法进行路径寻优，完成一次循环后，对各个城市连接路径上的信息素进行实时更新，达到最大迭代次数后，输出最优路径。进一步，所述蚁群算法进行路径寻优的方法包括：步骤Sa，设置初始参数，包括蚁群规模m，信息素重要程度因子α，启发函数重要程度因子β，信息素挥发因子ρ，信息素释放总量Q，以及设定最大迭代次数，迭代次数初值；步骤Sb，将蚂蚁随机置于起点，并随机选择下一个待访问的节点，其中蚂蚁从节点i转移到节点j的概率，即转移概率的计算公式为：Pijk=[τij(t)]α·[ηij(t)]βΣs∈allowk[τis(t)]α·[ηis(t)]β,s∈allowk0,s∉allowk---(1);]]>在式(1)中，allowk(k＝1,2，...，m)为蚂蚁k待访问节点的集合，且在开始时，allowk中有(n-1)个元素，即包括除了蚂蚁k起点以外的其他所有节点，随着时间的推进，allowk中的元素逐渐减少，直至为空，即访问到目标点完毕；ηij(t)为启发函数，表示蚂蚁从节点i转移到节点j的期望程度，计算公式如下：ηij(t)=1dij---(2);]]>在式(2)中，dij表示节点i和节点j之间的距离，计算公式如下：dij=(xi-xj)2+(yi-yj)2---(3);]]>步骤Sc，在计算完节点间的转移概率后，采用轮盘赌方法选择下一个待访问的节点；步骤Sd，对蚂蚁所走路径进行局部信息素量更新，以削弱已走过路径的信息素浓度，局部信息素量更新公式如下：τij(t+1)＝(1-ε)τij(t)+ετ0(4)；在式(4)中：ε为局部信息素挥发系数，τ0＝λ/dij，λ为常数；步骤Se，当所有蚂蚁都完成一轮迭代后，对信息素浓度进行全局更新，更新公式如下：τij(t+1)＝(1-ρ)τij(t)+ω1ρΔ1τij+ω2ρΔ2τij(5)；Δ1τij=(Lworst-Lbest)/Lbest,Li∈LbestQ/Li,Li∉Lbest---(6);]]>Δ2τij=(Lbest-Lworst)/Lworst,Li∈LworstQ/Li,Li∉Lworst---(7);]]>在式(5)、(6)、(7)中，ρ为全局信息素挥发系数；ω1、ω2为权重系数，且ω1+ω2＝1；Lbest为本次迭代最优路径长度；Lworst为本次迭代最差路径长度；Li为第i条路径长度；Q为蚁群信息素总量；步骤Sf，判断是否达到最大迭代次数；即若没有达到最大迭代次数，转至步骤Sc；否则，终止迭代，输出最优解，即为蚂蚁经过最优路径的路线图。本发明的有益效果是，本发明对以往传统蚁群算法对于初始化信息素分配方面做了改进，使得蚂蚁一开始就能对蚂蚁的寻优做出导向，前期收敛速度明显加快；同时对初始参数的合理选择，例如信息素挥发因子ρ的选择，使得结果不至于陷入局部最优解或者难以形成最优解，以及对信息素更新方式作出合理改进，能有效避免陷入局部最优和提高机器人的工作效率和工作可靠性。附图说明下面结合附图和实施例对本发明进一步说明。图1本发明改进蚁群算法流程图；图2传统蚁群算法路线图；图3传统蚁群算法各代最短距离与平均距离对比；图4改进后蚁群算法优化路径图；图5改进后蚁群算法各代最短距离与平均距离对比。具体实施方式现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。本发明公开了一种基于改进蚁群算法的移动机器人路径规划方法及系统，其规划步骤为：对移动机器人工作环境进行建模；根据节点距离信息对信息素浓度进行初始化，给蚂蚁提供导向；利用本蚁群算法让移动机器人进行路径搜索；根据优化结果输出移动机器人的运动路径。本发明通过改进信息素更新方式有效避免局部最优解，以及克服了传统蚁群算法收敛速度慢的问题。以下通过实施例1和实施例2对本移动机器人路径规划方法及系统进行展开说明。实施例1如图1所示，本实施例1提供了一种移动机器人路径规划方法，包括：步骤S1，环境建模；步骤S2，初始信息素分配；以及步骤S3，路径寻优，且输出最优路径。作为环境建模的一种优选的实施方式，所述步骤S1中环境建模，即根据移动机器人的所处环境信息采用栅格环境建模。具体的，所述根据移动机器人的所处环境信息采用栅格环境建模的方法包括：利用移动机器人自带传感器组(例如但不限于摄像头、声呐环、红外传感器)采集工作环境信息，并进行地图建模；其中，将移动机器人和各个城市作为质点，将移动机器人和障碍物按照二维坐标系建模，以及对栅格环境进行坐标处理。所述步骤S2中初始信息素分配，即初始信息素按照起点与终点连线附近区域浓度较大，起点和终点连线相对的两个对角区域的信息素浓度较小的原则进行分配。作为所述步骤S3中路径寻优，且输出最优路径的具体实施方式。根据蚁群算法进行路径寻优，完成一次循环后，对各个城市连接路径上的信息素进行实时更新，达到最大迭代次数后，输出最优路径。如图1所示，本移动机器人路径规划方法所述合计的蚁群算法流程图具体如下：步骤Sa，设置初始参数，包括蚁群规模m，信息素重要程度因子α，启发函数重要程度因子β，信息素挥发因子ρ，信息素释放总量Q，以及设定最大迭代次数，迭代次数初值，其中初始值可以设为1，最大迭代次数或根据需要进行设定，并与蚂蚁是否到达终点有关。步骤Sb，将蚂蚁随机置于起点，按照一定的概率随机选择下一个待访问的节点，其中蚂蚁从节点i转移到节点j的概率，即转移概率的计算公式为：Pijk=[τij(t)]α·[ηij(t)]βΣs∈allowk[τis(t)]α·[ηis(t)]β,s∈allowk0,s∉allowk---(1);]]>在式(1)中，allowk(k＝1,2，...，m)为蚂蚁k待访问节点的集合，开始时，allowk中有(n-1)个元素，即包括除了蚂蚁k起点以外的其他所有节点，随着时间的推进，allowk中的元素逐渐减少，直至为空，即访问到目标点完毕；α为信息素重要程度因子，其值越大，表示信息素的浓度在转移中起的作用越大；β为启发函数重要程度因子，其值越大，表示启发函数在转移中的作用越大，即蚂蚁会以较大的概率转移到距离短的节点；ηij(t)为启发函数，表示蚂蚁从节点i转移到节点j的期望程度，计算公式如下：ηij(t)=1dij---(2);]]>在式(2)中，dij表示节点i和节点j之间的距离，计算公式如下：dij=(xi-xj)2+(yi-yj)2---(3);]]>步骤Sc，在计算完节点间的转移概率后，采用轮盘赌方法选择下一个待访问的节点；步骤Sd，对蚂蚁所走路径进行局部信息素量更新，以削弱已走过路径的信息素浓度，局部信息素量更新公式如下：τij(t+1)＝(1-ε)τij(t)+ετ0(4)；在式(4)中：ε为局部信息素挥发系数，τ0＝λ/dij，λ为常数；步骤Se，当所有蚂蚁都完成一轮迭代后，对信息素浓度进行全局更新，更新公式如下：τij(t+1)＝(1-ρ)τij(t)+ω1ρΔ1τij+ω2ρΔ2τij(5)；Δ1τij=(Lworst-Lbest)/Lbest,Li∈LbestQ/Li,Li∉Lbest---(6);]]>Δ2τij=(Lbest-Lworst)/Lworst,Li∈LworstQ/Li,Li∉Lworst---(7);]]>在式(5)、(6)、(7)中，ρ为全局信息素挥发系数；ω1、ω2为权重系数，且ω1+ω2＝1；Lbest为本次迭代最优路径长度；Lworst为本次迭代最差路径长度；Li为第i条路径长度；Q为蚁群信息素总量；步骤Sf，判断是否达到最大迭代次数(判断蚂蚁是否到达终点)；即若没有达到最大迭代次数，转至步骤Sc；否则，终止迭代，输出最优解，即为蚂蚁经过最优路径的路线图。实施例2在实施例1基础上，本实施例2还提供了一种移动机器人路径规划系统，包括：环境建模单元，根据移动机器人的所处环境信息采用栅格环境建模；路径规划单元，初始信息素分配，且通过路径寻优以输出最优路径。其中，所述环境建模单元包括：带有环境信息采集传感器的移动机器人；所述移动机器人采集工作环境信息，并进行地图建模；其中，将移动机器人和各个城市作为质点，将移动机器人和障碍物按照二维坐标系建模。所述路径规划单元通过初始信息素分配及路径寻优以输出最优路径；其中初始信息素分配，即初始信息素按照起点与终点连线附近区域浓度较大，起点和终点连线相对的两个对角区域的信息素浓度较小的原则进行分配；以及路径寻优以输出最优路径，即根据蚁群算法进行路径寻优，完成一次循环后，对各个城市连接路径上的信息素进行实时更新，达到最大迭代次数后，输出最优路径。进一步，所述蚁群算法进行路径寻优的方法包括：步骤Sa，设置初始参数，包括蚁群规模m，信息素重要程度因子α，启发函数重要程度因子β，信息素挥发因子ρ，信息素释放总量Q，以及设定最大迭代次数，迭代次数初值；步骤Sb，将蚂蚁随机置于起点，并随机选择下一个待访问的节点，其中蚂蚁从节点i转移到节点j的概率，即转移概率的计算公式为：Pijk=[τij(t)]α·[ηij(t)]βΣs∈allowk[τis(t)]α·[ηis(t)]β,s∈allowk0,s∉allowk---(1);]]>在式(1)中，allowk(k＝1,2，...，m)为蚂蚁k待访问节点的集合，且在开始时，allowk中有(n-1)个元素，即包括除了蚂蚁k起点以外的其他所有节点，随着时间的推进，allowk中的元素逐渐减少，直至为空，即访问到目标点完毕；ηij(t)为启发函数，表示蚂蚁从节点i转移到节点j的期望程度，计算公式如下：ηij(t)=1dij---(2);]]>在式(2)中，dij表示节点i和节点j之间的距离，计算公式如下：dij=(xi-xj)2+(yi-yj)2---(3);]]>步骤Sc，在计算完节点间的转移概率后，采用轮盘赌方法选择下一个待访问的节点；步骤Sd，对蚂蚁所走路径进行局部信息素量更新，以削弱已走过路径的信息素浓度，局部信息素量更新公式如下：τij(t+1)＝(1-ε)τij(t)+ετ0(4)；在式(4)中：ε为局部信息素挥发系数，τ0＝λ/dij，λ为常数；步骤Se，当所有蚂蚁都完成一轮迭代后，对信息素浓度进行全局更新，更新公式如下：τij(t+1)＝(1-ρ)τij(t)+ω1ρΔ1τij+ω2ρΔ2τij(5)；Δ1τij=(Lworst-Lbest)/Lbest,Li∈LbestQ/Li,Li∉Lbest---(6);]]>Δ2τij=(Lbest-Lworst)/Lworst,Li∈LworstQ/Li,Li∉Lworst---(7);]]>在式(5)、(6)、(7)中，ρ为全局信息素挥发系数；ω1、ω2为权重系数，且ω1+ω2＝1；Lbest为本次迭代最优路径长度；Lworst为本次迭代最差路径长度；Li为第i条路径长度；Q为蚁群信息素总量；步骤Sf，判断是否达到最大迭代次数；即若没有达到最大迭代次数，转至步骤Sc；否则，终止迭代，输出最优解，即为蚂蚁经过最优路径的路线图。在实施例1和实施例2基础上，通过图2与图4，图3与图5对本移动机器人路径规划方法采用优化后的传统蚁群算法的效果进行说明。根据输出的最优路线图，图2是传统蚁群算法输出的最优路线图，图4是改进的蚁群算法输出的最优路线图，结合这两张最优路线图不难发现，图4相对于图2虽然缩短的路径长度较少，但是转弯次数明显减少，因此移动机器人的工作效率也就得到了提升，这也就达到了弥补传统蚁群算法存在不足的目的。在简单条件下进行仿真对比实验。从图3和图5中不难发现，传统蚁群算法要迭代44次左右才能近似收敛到最优解，改进后的蚁群算法只要迭代到30次左右就能收敛到最优解，效率明显提升了许多。本发明对传统蚁群算法所做改进的优势显而易见，改进后的蚁群算法让蚂蚁在前期少走许多弯路，提高了算法前期的收敛性，大大提高了提高机器人的工作效率和工作可靠性。基于改进蚁群算法的移动机器人路径规划方法及系统，在算法前期具有快速的收敛性，减少迭代次数，提高搜索效率，缩短路径长度，符合人工规划意图，适用于移动机器人在静态环境中的自主导航。以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。当前第1页1 2 3