一种基于改进蚁群算法的泊车系统路径规划方法
【技术领域】
[0001] 本发明属于AGV路径规划技术领域，具体涉及一种基于改进蚁群算法的泊车系统 路径规划方法。
【背景技术】
[0002] 进入21世纪以来，我国汽车工业和汽车消费市场得到迅猛的发展，私家车不再是 普通人民生活中的奢侈品，转而逐渐走进人们的日常生活，人均拥有汽车的数量在逐年的 上升，以家庭为单位的私人汽车保有量持续显著增长，从而导致一些城市，已经车多为患， 停车设备严重不足。
[0003] 为了解决停车问题，现加大了停车场的建造，停车场的建造分为以下两种:传统平 面车库和机械式车库;传统平面车库占地面积过大，在寸土寸金的城市里，通过大量建造平 面车库来解决停车问题是不现实的；机械式车库能够有效合理的利用空间面积，实现在同 一空间，停多辆车，能够在一定程度上减缓停车问题，但是，机械式车库必须有人操作使用， 设备结构复杂，没有完善的闭锁和监测系统，故障率高，取车也较为麻烦，实用性差。基于现 有车库存在的问题，现提出一种基于AGV的平面移动式智能停车库，研究基于AGV的平面移 动式智能停车库的关键问题就在于解决AGV的路径规划。
[0004] AGV路径规划是提高小车运行效率和体现小车"智能化"的关键问题，针对AGV路径 规划提出的常见算法有A*算法、动态规划法、Voronoi图算法、Di jkstra算法和蚁群算法;A* 算法算法简单，容易实现，但启发函数的选取限制了解的全局最优性;动态规划法可以得到 问题的最优解，但具有维数爆炸的特性;Voronoi图算法一般应用于低维数路径规划中； D i j k s t r a算法是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问 题，Dijkstra算法主要特点是以起始点为中心向外层扩展，直到扩展到终点为止，所以得到 的最短路径的成功率高，鲁棒性好;蚁群算法的想法来自于对蚁群觅食行为的探索，每只蚂 蚁觅食时都会在走过的道路上留下一定浓度的信息素，相同时间内最短的路径上由于蚂蚁 遍历的次数多而信息素浓度高，起到了正反馈的作用，因此信息素浓度高的最短路径很快 就被发现，算法通过迭代来模拟蚁群觅食的行为达到目的，具有良好的全局优化能力，本质 上的并行性，易于用计算机实现等优点。为了解决智能停车库AGV路径规划问题，增强算法 全局搜索能力，加快算法收敛速度，缩短搜索路径长度，改善搜索路径质量，现提出一种基 于蚁群算法的泊车系统路径规划方法。
【发明内容】
[0005] 本发明的目的在于研究基于AGV的平面移动式智能停车库，现提供一种占地面积 小、有效停车量大并且实现无人自动存取、智能化程度高的基于改进蚁群算法的泊车系统 路径规划方法。
[0006] 为实现上述目的，本发明的技术方案是：一种基于改进蚁群算法的泊车系统路径 规划方法，其创新点在于：首先利用链接可视图法创建AGV运行环境模型，然后基于 Di jkstra算法规划出一条AGV从起点至终点的初始路径，在此基础上通过引入节点随机选 择机制、最大最小蚂蚁系统以及变更信息素更新方式对基本蚁群算法进行了优化改进，最 后选用改进蚁群算法对初始路径进行优化，完成了泊车系统路径规划方法。
[0007] 进一步的，所述利用链接可视图法创建AGV运行环境模型，具体步骤如下： (1) 对AGV运行环境进行处理； (2) 利用AGV自带的摄像头、雷达传感器以及红外线传感器等设备采集AGV运行环境信 息，所述信息包括AGV的起始车位、目标车位、障碍物以及AGV待充电位置信息，并通过链接 可视图法创建AGV运行环境模型； (3) 确定各自由链接线上的中点坐标，以起点、终点及各链接线上的中点为基准，描绘 出AGV的可行路径线。
[0008] 进一步的，所述步骤（1)中的对AGV运行环境进行处理，包括如下处理:a、AGV运行 环境为二维有限空间；b、图中障碍物已知，位置确定，以不规则多边形表示，且忽略其高度 方向；c、AGV在运行环境中匀速行驶，忽略AGV的启动、转向、制动以及液压系统的举升操作 等因素;d、以AGV实际尺寸为基准，适当扩大障碍范围，将AGV视为质点。
[0009] 进一步的，所述基于Di jkstra算法规划出AGV从起点至终点的初始路径，具体步骤 如下： (A) 根据AGV的可行路径线，利用欧式距离公式计算出可行路径上各节点间的距离，并 建立权值邻接矩阵D，对于不连通节点间的权值可赋值无穷大，距离计算公式为：
式中，D(i, j)表示节点i到节点j的欧氏距离；（xi, yi)和(xj, yj)分别表示i、j两节点 的横坐标和纵坐标； (B) 初始化参数，令D(Vi) = 0，D(Vj) = Wlj (j = 2, 3, 4， ，1〇，建立空表1?和0， 并把可行路径上的节点分别放入R和Q中，R = {VihQ = {V2, V3, V4， , Vn}; (C) 在Q中寻找一顶点Vk，使得:D(Vk) = min{D(Vj)}，VjlQ，将Vk加入到R中；判断Q = φ，若是，则算法终止，否则算法转入步骤(D); (D) 根据节点k修正D(Vj)，令D(Vj) =min{D(Vj)，D(Vk) +wkj}，然后转入步骤(C); (E) 重复步骤(C)和步骤(D)操作，即可计算出AGV从起点到其他各节点间的路径长度， 然后反向追踪即可得到起点至目标点的最短路径； (F) 对初始路径所经过的各链接线进行定长分段处理，各条链接线上的分段数可由下 式确定：
式中，K表示链接线U的划分段数;U表示当前的链接线;δ为划分定长； (G) 各条链接线上节点坐标需满足下式方程：
式中，分别代表链接线1^的两端点，\表示链接线比例参数，d表示链接线划 分节点数。
[0010]进一步的，所述通过引入节点随机选择机制、最大最小蚂蚁系统以及变更信息素 更新方式对基本蚁群算法进行了优化改进，具体步骤如下： Stepl:节点选择随机选择机制，具体公式如下：
式中，i表示链接线上所有点的集合;ilk表示链接线（i，k)上的信息素;q为随机变量 (qI[0, 1]) ;q〇为可调参数(q〇I[0, 1]) ;Pij表示蚂蚁由节点i向节点j转移的概率；Tij表示 路径（i，j)上的信息素;allowecU表示下一步允许选择的节点集合;a为蚂蚁信息素轨迹的 相对重要性因子;b为启发函数的相对重要性因子。
[0011] Step2:局部信息素更新，更新公式如下：
式中，Δτ^表示在全局更新中蚂蚁留在路径（i，j)上的信息素增量;p为信息素挥发 系数，τ 〇为初始条件下的信息素； Step3:通过控制信息素浓度的高低来改进全局信息素更新方式，缩小路径搜索范围， 更好地指引蚂蚁在最优路径附近进行搜索，改进的全局信息素更新公式如下：
式中，Δτ^表示在全局更新中蚂蚁留在路径（i，j)上的信息素增量;Lc表示本次迭代 中所有蚂蚁搜索到的最优路径长度； Step4:通过在蚁群算法中引入最大最小蚁群系统，可以解决蚁群算法的早熟问题，最 大最小蚁群系统采用区间限制信息素取值范围，限定公式为：
式中，1_和1_分别表示信息素的最小值和最大值。
[0012]进一步的，所述基于改进蚁群算法对初始路径进行优化，具体步骤如下： (?)初始化各参数，包括蚂蚁种群数量m，初始迭代值iter;最大迭代次数iter_MAX，信 息素轨迹的相对重要性因子a，启发函数的相对重要性因子b，初始信息素信息素挥发系 数Ρ等参数； (II)蚁群算法开始搜索，蚂蚁根据当前节点i位置按照下列三个式子确定下一节点j:
式中，i表示链接线上所有点的集合;Tlk表示链接线（i，k)上的信息素;q为随机变量 (ql[0, l]);q〇为可调参数(q〇I[0, 1]); 当q < qo时，下一节点j按照下式确定：
当q>qo时，应先计算当前链接线节点i到下条链接线节点j的转移概率Pij，然后根据