[发明专利]一种基于蚁群遗传融合算法的移动机器人路径规划方法

说明书

技术领域

本发明涉及一种基于蚁群遗传融合算法的移动机器人路径规划方法。

背景技术

路径规划是移动机器人导航领域研究的首要任务，也是机器人安全无碰撞的执行各项任务的基本保障，目前在移动机器人路径规划过程中经常使用的智能算法有蚁群算法、遗传算法、神经网络法、粒子群算法等。针对传统蚁群算法在在路径搜索初期存在盲目性，搜索空间大、效率较低，而遗传算法全局搜索方面的能力较强，但在搜索后期启发信息利用不足等缺陷。

蚁群算法(Ant Colony Algorithm,ACA)是根据自然界中蚂蚁觅食行为而提出的一种模拟进化算法。算法中要求蚂蚁在搜索路径时不能重复经过同一节点，通过在算法中加入了禁忌表项来实现。表示第k只蚂蚁在t时刻的i节点选择向j节点移动的概率。

蚁群算法是一种求解组合最优路径问题的启发式方法，该算法具有分布式计算、正反馈机制和良好的并行性、健壮性和可扩展性，并且蚂蚁觅食行为与机器人路径规划有着天然的关联性，因此可以被应用到移动机器人路径规划中。但该算法在搜索初期存在盲目性大，在搜索后期存在着耗时长和容易出现停滞等缺陷。因此传统蚁群算法需要经过改进后才能应用到移动机器人路径规划中。

遗传算法(Genetic Algorithm,GA)是基于进化论遗传学机理上产生的搜索优化方法。遗传算法具有良好的并行性和较强的通用性，并且该算法具有良好的全局优化和稳定性，操作简单，但是当求解到一定范围时也容易陷入局部最优解。

蚁群算法和遗传算法是目前应用比较广泛的两种智能仿生算法，已经被应用到科研工程等相关领域。蚁群算法的正反馈机制使其具有更好的全局优化能力以及分布并行计算能力，但在搜索初期由于信息素的匮乏，导致求解效率较低。遗传算法在搜索初期速度快，又适合大范围的搜索，但搜索后期由于无法充分利用系统中的反馈信息，会在冗余迭代上耗费大量的时间。为了克服两种智能算法存在的缺陷，可以对蚁群和遗传算法进有效的融合。

通过大量的分析研究与实验论证，发现蚁群和遗传两种算法在求解速度与时间上的总体态势如图1所示。

由图1可以看出，遗传算法在搜索初期t₀～t_c时间段，求解速度较快，经过t_c时刻后，遗传算法效率开始急速下滑；蚁群算法搜索初期由于信息素信息缺乏，在t₀～t_c时刻，效率较低，过了t_c时刻后，蚁群算法效率开始快速上升，最后达到一个较高的稳定状态。

融合算法的思路是在融合算法前期，用遗传算法产生的最优解来初始化蚁群算法的信息素。融合算法后期利用蚁群算法的收敛速度快来寻找最优路径。在遗传算法阶段，统计迭代过程中子代种群的进化率，如果连续代的进化率都小于预先设定的迭代次数的最小进化率，则遗传算法终止，蚁群算法执行。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于蚁群遗传融合算法的移动机器人路径规划方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供一种基于蚁群遗传融合算法的移动机器人路径规划方法，其包括以下步骤：

S1、对蚁群算法进行改进：

在蚁群算法中，路径上的信息素的值会随着时间的流逝而减小，用R_ij来进行表示，通过一个递减的指数函数来表示；

式(2)中t_ij是蚂蚁从节点i到节点j所花费的时间，是一个常数，R_ij的值越大，代表着从蚂蚁从i到节点j的路径越好；

在每次迭代过程中，只有在指定时间内，最优的蚂蚁才会更新此路径上信息素的值；在式(4)中是最优的蚂蚁经过该路径后此路径上信息素的改变量；L_k第k只蚂蚁走过的路径，是第k值蚂蚁从i节点到k节点花费的时间，是第k值蚂蚁从i节点到k节点学习到的信息；

S2、设置遗传算法的最小迭代次数为G_min，最大迭代次数为G_max，最小进化率为G_ratio，当给定迭代次数范围内连续G_end代的进化率低于G_ratio，则终止遗传算法搜索，用遗传算法得到的信息来初始蚁群算法中信息素的初始值，转入蚁群算法求解；算法的步骤如下；