[发明专利]一种基于改进蚁群算法的机器人全局路径规划方法

权利要求书

1.一种基于改进蚁群算法的机器人全局路径规划方法，其特征在于，包括以下步骤：

S1，初始化改进蚁群算法的各个参数，并输入到基于改进蚁群算法的机器人全局路径规划算法中；

S2，机器人根据雷达扫描建立相应的环境地图，并根据实际环境地图建立相应规模的栅格地图；

S3，根据步骤S2所建立的栅格地图规模，把栅格地图划分为不同层次的板块，针对不同的板块，对其栅格的初始化信息素浓度进行不均匀分层赋值；

S4，改进蚁群算法改进主要是通过对初始化信息浓度进行不均匀分层分布改进、蚁群算法启发函数的改进进而改进蚁群算法概率选择函数、以及对蚁群算法信息素挥发因子进行改进，改进蚁群算法后根据步骤S3所赋值的初始化信息素浓度选择机器人即将前往的下一个节点；

S5，每次迭代后，根据当前迭代次数更新启发函数，更新后的启发函数再带入节点选择的概率函数中，机器人根据概率大小选择下一个前往的节点；

S6，经过每次迭代后，更新当前节点的信息素挥发系数，计算当前路径上的信息素浓度，选择下一个节点前往，直到机器人到达终点位置。

2.根据权利要求1所述的一种基于改进蚁群算法的机器人全局路径规划方法，其特征在于，所述步骤S1初始化改进蚁群算法的各个参数，并输入到基于改进蚁群算法的机器人全局路径规划算法中，具体包括：1)设定每一代蚂蚁个数M；2)算法迭代次数K；3)信息素启发因子α；4)期望启发因子β；5)信息素增加强度系数Q；6)动态更新因子ω，7)初始化信息素挥发因子μ。

3.根据权利要求1所述的一种基于改进蚁群算法的机器人全局路径规划方法，其特征在于，所述步骤S2机器人根据雷达扫描建立相应的环境地图，并根据实际环境地图建立相应规模的栅格地图，具体包括：机器人通过雷达对环境进行扫描，选择出实际环境地图的障碍物及可行区域构成实际环境地图，对环境地图进行离散化处理，处理后的实际环境地图为有限个1×1的单位正方形栅格，若障碍物所占面积大于半个单位正方形栅格，则将该栅格设置为障碍区域，用数字1表示；若障碍物所占面积小于半个单位正方形栅格，则将该栅格设置为机器人可行区域，用数字0表示。

4.根据权利要求3所述的一种基于改进蚁群算法的机器人全局路径规划方法，其特征在于，所述步骤S3中根据实际环境地图构建合适的栅格地图，同时对不同规模大小的栅格地图进行分层划分，对栅格地图分层次划分的步骤为：

首先机器人根据雷达扫描，对实际环境地图建模，将建模后的地图进行离散处理，形成栅格地图；然后根据栅格地图规模大小和机器人的起点和终点对栅格进行分层次划分；分层后的初始化信息素浓度为：

其中f(τ)表示不同区域的初始化信息素浓度，c₁、b₁是机器人起点与终点连线两旁的区域所对应的不均匀分层系数与平衡系数，该区域称为第一区域；c₂、b₂则依次为第二区域的不均匀分层系数与平衡系数。

5.根据权利要求4所述的一种基于改进蚁群算法的机器人全局路径规划方法，其特征在于，所述步骤S5更新算法启发函数，改进蚁群算法的概率选择函数方法为：

首先根据初始化的蚁群数量和初始化参数，设置动态更新的启发函数，启发函数为：

其中ω为动态更新因子，ω∈(0，1)，N_max为蚂蚁最大迭代次数；N为当前迭代次数，d_mn为当前节点到下一节点的欧式距离，然后将启发函数带入算法的概率选择函数中，概率选择函数为：

为蚂蚁K在节点m与n之间的概率选择函数，ρ(m，n)表示对蚂蚁的启发函数，τ(m，n)表示蚂蚁从节点m到节点n留下的信息素浓度，α为信息素启发因子；β为期望启发因子，n_k表示蚂蚁可选择的下一节点数，改进后的概率选择函数为：

6.根据权利要求5所述的一种基于改进蚁群算法的机器人全局路径规划方法，其特征在于，所述步骤S6中，对信息素浓度的挥发因子计算方法：

τ_mn(t+Δt)＝(1-λ·μ)·τ_mn+Δτ_mn(t)

其中λ表示自适应挥发因子，N_max为蚂蚁最大迭代次数；N为当前迭代次数，μ为初始化信息素挥发系数，Δτ_mn(t)表示每次迭代所产生的信息素浓度，t表示当前节点对应的迭代次数，Δt表示下一个节点对应的迭代次数。