[发明专利]一种基于改进蚁群算法的水下机器人路径规划方法

说明书

本发明是一种基于改进蚁群算法的水下机器人路径规划方法，该方法首先改进初始信息素和信息素更新方式，而后将蚁群算法ACA和遗传算法GA相融合形成ACAGA算法，加快了收敛速度以及解决了局部最优问题，综合性能良好，通过对算法规划出的路径进行平滑机制优化处理，解决了累计转角过大过多以及易与障碍物碰撞的问题。

技术领域

本发明涉及智能机械路径规划技术领域，具体涉及一种基于改进蚁群算法的水下机器人路径规划方法。

背景技术

水下机器人在民用和军事领域都有着非常重要的价值，而路径规划是水下机器人的关键技术之一。这是在水下机器人的作业环境中遇到的障碍物相对固定的情况下，按照要求在无碰撞的情况下满足起点到终点路径较短、平滑的原则来寻找其中较好路径的移动规则。

目前，全局路径规划的研究主要采用的是栅格法、神经网络法和自由空间法等，当环境相对复杂时，栅格的分辨率和规划时间很难达到一个平衡，神经网络法也很难利用相应的公式去描述，自由空间法计算相对复杂。目前研究较多的是智能决策算法，包括蚁群算法、模拟退火算法、遗传算法等用于水下机器人的路径规划研究上。其中蚁群算法（ACA）由于在路径规划中的良好的鲁棒性和并行性作为一种经典的智能决策算法。然而传统的蚁群算法在路径规划中特别是在复杂环境中存在着收敛速度慢、易陷入局部最优情况。有些学者在水下机器人路径规划研究方面在蚁群算法的基础上提出改进解决相应的问题。例如提出了加入再励机制通过对蚁群信息素更新实行奖惩制度改善传统蚁群算法的性能；例如提出改进蚁群算法找到能耗最低路径。以上方式主要是从蚁群算法的各项参数优化改进。也有的提出利用聚类算法自动改变寻优半径结合蚁群算法的并行、全局收敛能力提高收敛速度；还有的提出一种蚁群算法和粒子群算法的融合改善了搜索效率和迭代次数。以上方式主要是混合算法，结合各自的优缺点达到较好的效果。上述改进的蚁群算法在水下机器人路径规划上应用上不同程度的提高了性能。但是很少有蚁群算法本身参数优化和算法融合双方面改进的结合以及路径平滑处理。

本发明为了更好的解决当前水下机器人路径规划存在的收敛速度慢、易陷入局部最优情况、累计转折角大和易与障碍物碰撞等问题，提出改进蚁群算法本身参数及融合遗传算法以及加入平滑机制，提高路径水下机器人路径规划的整体性能。

发明内容

本发明的目的在于克服现有技术存在的问题，提供一种基于改进蚁群算法的水下机器人路径规划方法，在基本蚁群算法基础上，改进初始信息素和信息素更新方式的方法加快蚁群算法的收敛速度；将蚁群算法ACA和遗传算法GA融合提出ACAGA算法加快收敛速度同时解决陷入局部最优问题；最后采用平滑机制进行平滑优化处理解决转折角过大和易与障碍物碰撞问题。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于改进蚁群算法的水下机器人路径规划方法，该方法包括：

步骤1）首先采用优化后的栅格法对水下机器人运行环境地图建模；

步骤2）遗传算法及蚁群算法参数初始化；

步骤3）开始进行遗传算法的选择操作、交叉操作、变异操作和循环迭代操作；

步骤4）根据遗传算法的较优解与蚁群算法的初始信息素浓度共同作用作为蚁群算法的初始信息素浓度的分配；

步骤5）蚁群算法得到初始信息素浓度后通过基于排序的信息素更新方式进行每条路径的信息素更新，然后进行蚁群算法的循环迭代操作；

步骤6）统计蚁群算法的循环迭代次数，若为得到相应的较优解，则返回至步骤3），直至算出最优解；

步骤7）得到结果后通过平滑机制进行平滑处理得到最终输出结果。

进一步的，所述步骤1）中，对栅格法的优化包括：

步骤1.1）将三维环境进行某一横切面的二维建模；

步骤1.2）将未占满栅格不规则障碍物充满最小精度栅格；

步骤1.3）将障碍物的凹下空缺填充满，使得凹下障碍物作为一个整体，减少局部循环的死区。