[发明专利]未知环境下基于改进蚁群算法的移动Agent路径规划方法

说明书

技术领域

本发明涉及计算机技术领域，具体是涉及未知环境下一种移动Agent（智能体）路径规划方法。本方法具有搜索时间较短和空间复杂度较小的优点。

背景技术

移动Agent是智能控制技术中的一个重要领域，已经被广泛应用于军事、工业、农业和教育等领域。路径规划是移动Agent系统的一个重要内容，它直接影响智能体完成任务的质量。路径规划的方法有很多，比如最速下降法、部分贪婪算法，Dijkstra算法、Floyed算法、SPFA算法(Bellman_Ford的改进算法)、遗传算法、人工神经网络等。使用最速下降法，缺点是收敛慢，效率不高，有时达不到最优解；使用部分贪婪算法时，不是对所有问题都能得到整体最优解；使用Dijkstra算法，需要较大的存储空间；Floyed算法的时间复杂度比较高，不适合计算大量数据；使用SPFA算法(Bellman_Ford的改进算法)，需要的时间较长；使用遗传算法，对新空间的探索能力是有限的，也容易收敛到局部最优解；使用人工神经网络，在较复杂的环境下，实现起来很复杂。

蚁群算法（ACO）具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种新型启发式优化算法。把蚁群算法(ACO)用在路径规划中是一个新的尝试。通过蚁群算法可以使智能体成功找到路径，但是搜索时间较长，并且遇到障碍物较多、较大时，很容易出现“早滞”的情况，无法得到全局最优解。障碍物在路径规划问题中是一个无法避开的问题，如何才能有效的避开障碍物，成为时下研究的热点。

本发明提出了一种未知环境下基于改进蚁群算法的移动Agent路径规划方法。用栅格法对环境建模，简单易行，在编程中容易实现，所形成的路径点在图上表示起来较简单。本发明同时对标准蚁群算法进行改进，核心是对选择路径策略进行改进，让选择更准确，使得寻优过程更具目的性。

发明内容

本发明所要解决的技术问题是，针对现有技术采用蚁群算法进行移动Agent路径规划时，搜索时间较长、障碍物较多较大时，容易出现“早滞”的问题，本发明提出一种未知环境下的移动Agent路径规划方法，其中，将每个移动Agent设置为相当于一只蚂蚁。通过栅格法对环境进行建模，建立01矩阵表示全局栅格地图，根据全局栅格地图进行路径规划，使移动Agent可以更加有效的避开障碍物，通过改进蚁群算法，使得寻优过程更具目的性。具体包括如下步骤：

1) 根据障碍物的位置、大小建立栅格环境。移动智能体的工作空间为二维结构化空间，记为                                                ，建立栅格环境，栅格编号采用“序号法”； 可采用黑色方格表示障碍物，白色方格表示自由栅格，用点表示移动Agent。

2)把障碍物分布图转化为图的赋权邻接矩阵。表示障碍物分布的栅格环境可对应设置为一个01矩阵，矩阵中元素全为0或者1。为0表示智能体可以到达的节点，其对应的栅格为自由栅格，为1表示其对应的栅格是障碍物。可将上建立的栅格模型抽象为一个01矩阵，将其逻辑对应到一个由节点构成的带权有向图G，图G的参照坐标系及节点坐标均与栅格环境（或01矩阵）相同，即相同坐标的节点和栅格块一一对应，即节点、栅格块以及01矩阵中的元素为同一概念。根据01矩阵中的邻接关系确定图G中连接节点的弧，根据节点距离赋予弧权值，其中，只有元素0和元素0之间存在邻接关系。

根据步骤3）、4）移动Agent进行路径寻优。

3)在带权有向图G中，寻找从指定起始点到目标点的一条具有最小权值总和的路径完成路径规划。初始设定各条路径上的信息量均为1，从第一个移动Agent开始，判断与当前所在节点i连接的节点中是否存在移动Agent已经经过的节点，如果存在，则放弃选择该节点作为下一步移动Agent将要去的节点，选择其余相邻的、移动Agent没有经过的节点作为下一步可能前往的节点；本发明通过改进路径选择策略以增强选择的目的性，提出一种最大转移概率法完成路径选择，根据下式选择下一路径：

其中表示节点和节点之间的信息量，初始设定各条路径上的信息量均为1，表示启发式因子的相对重要程度，是一个经验常数，表示取最大值。表示节点和节点之间的启发式因子，即移动Agent从节点到节点的期望程度。取为下一步可能前往的节点到目标点直线距离的倒数。下一步可能前往的节点到目标点的直线距离越小，的值越大，那么选择该节点的可能性就越大。