[发明专利]一种基于改进蚁群算法的机器人路径规划方法及系统

说明书

本发明公开了一种基于改进蚁群算法的机器人路径规划方法及系统，该方法包括以下步骤：S1、结合距离因素，采用预设公式计算初始信息素；S2、采用更改后的信息素更新策略进行信息素更新；S3、调整信息素发散因子，并规划最优路径。本发明接入成本低，无需引入其他额外算法，是在原有蚁群算法上的调整，不改变原有逻辑流程，适合原本使用了初始蚁群算法的项目进行优化，改动较小，并且性能一定提升，在相同次数下，且次数较低的情况下，使用改进之后算法，明显运行时间降低，并且结果更加准确。

技术领域

本发明涉及机器人路径规划领域，具体来说，涉及一种基于改进蚁群算法的机器人路径规划方法及系统。

背景技术

随着时代发展，机器人研究的热度越来越高，让机器人移动则是一项绕不开的研究而路径规划在移动机器人领域的热度一直高居不下，一直作为研究热点被深挖和优化而蚁群算法在这个机器人的路径规划中得到了广泛应用。

随着深度学习的发展，现有的蚂蚁算法在进行使用时收敛速度慢，蚁群算法中信息素初值相同，选择下一个节点时倾向于随机选择，虽然随机选择能探索更大的任务空间，有助于找到潜在的全局最优解，但是需要较长时间才能发挥正反馈的作用，导致算法初期收敛速度较慢。

同时蚁群算法具有正反馈的特点，初始时刻环境中的信息素完全相同，蚂蚁几乎按随机方式完成解的构建，这些解必然会存在优劣之分。在信息素更新时，蚁群算法在较优解经过的路径上留下更多的信息激素，而更多的信息激素又吸引了更多的蚂蚁，这个正反馈的过程迅速地扩大初始的差异，引导整个系统向最优解的方向进化。虽然正反馈使算法具有较好的收敛速度，但是如果算法开始得到的较优解为次优解，那么正反馈会使次优解很快占据优势，使算法陷入局部最优，且难以跳出局部最优。

而现有对于蚂蚁算法进行改进的方法有很多，而较为有名的有以下两种，精英蚁群系统和最大最小蚂蚁系统；

精英蚁群系统算法，该算法开始后即对所有已发现的最好路径给予额外的增强，并将随后与之对应的行程记为Tb（全局最优行程），当进行信息素更新时，对这些行程予以加权，同时将经过这些行程的蚂蚁记为“精英”，从而增大较好行程的选择机会。

最大最小蚂蚁系统算法，该算法修改了AS的信息素更新方式，只允许迭代最优蚂蚁（在本次迭代构建出最短路径的蚂蚁），或者至今最优蚂蚁释放信息素，同时对路径上的信息素浓度被限制在[max，min]范围内，另外对信息素的初始值被设为其取值上限，这样有助于增加算法初始阶段的搜索能力，最终为了避免搜索停滞，问题空间内所有边上的信息素都会被重新初始化。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于改进蚁群算法的机器人路径规划方法及系统，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

根据本发明的一个方面，提供了一种基于改进蚁群算法的机器人路径规划方法，该方法包括以下步骤：

S1、结合距离因素，采用预设公式计算初始信息素；

S2、采用更改后的信息素更新策略进行信息素更新；

S3、调整信息素发散因子，并规划最优路径。

进一步的，所述预设公式为：

其中，c为初始信息素的值；

m为蚂蚁数量；

d_max为最大路径长度；