[发明专利]一种K-Means蚁群算法多机器人路径规划方法

说明书

本发明涉及一种K‑Means蚁群算法多机器人路径规划方法，S1、初始化相关参数与变量；S2、调用改进的K‑Means聚类算法进行聚类任务，S3、分别对聚类结果每一类节点使用蚁群算法进行路径规划：S3.1、将第i只蚂蚁放至起点开始寻路；S3.2、计算节点的选择概率，使用轮盘赌法选择下一节点并移动，记录所有寻路结果；S3.3、更新各节点的信息素浓度；S3.4、循环最大迭代次数T代后结束循环，输出全局最优解；S4、将每一类的路径规划结果组合并输出完成多机器人路径规划任务。仿真结果表明本发明在多机器人路径规划问题上的效果明显，能耗的均衡性较好，整体性能优于基本蚁群算法和改进的蚁群算法。

技术领域

本发明涉及机器人路径规划技术领域，具体是一种融合改进K-Means和蚁群算法(Improved K-Means Ant Colony Optimization，IKMACO)的多机器人路径规划方法。

背景技术

传统蚁群算法(Ant Colony Optimization，ACO)算法虽然在解决单一机器人路径规划问题时能取得较好的效果，但在多机器人路径规划中，由于一些节点可能同时是多条最优路径的构造节点，但出于节点单次使用原则，节点的信息素浓度对于蚂蚁来说，将难以反应节点的优劣，因为此时的信息素浓度将是蚂蚁试图构造不同最优路径时产生的，因此，传统蚁群算法通常难以直接应用于多机器人路径规划。

多机器人路径规划是指多个机器人根据多个任务的空间分布，从不同的起始任务位置出发，不重复遍历所有任务，最终回到起始位置，根据一定的准则(如路径最短，安全性最好，用时最短等)，寻求一条从各起始任务节点开始并最终连接所有任务节点的最优或次优路径。

多机器人路径规划技术的发展在一定程度上标志着机器人智能水平的高低，而路径规划方法的优劣直接影响路径规划效果。目前，国内外许多专家学者都在致力于路径规划算法的研究，常用的优化算法主要有遗传算法、免疫算法、蚁群优化算法、神经网络算法等。

其中，蚁群算法作为一种基于种群的概率选择算法，由于该算法与其它启发式算法相比，在求解性能上，具有很强的鲁棒性和较好解的搜索能力，且容易与多种启发式算法结合，以改善算法性能，所以蚁群算法在路径规划领域中得到了广泛的应用。但蚁群算法在具备了种种优点的同时，也包含了一些缺点，诸如蚁群算法一般是用来求解一条满足一定约束条件的最优路径。这一特征使得蚁群算法难以去处理多机器人的路径规划问题，因为在该问题中，某一任务节点的优劣性在构建不同的最优路径中可能并不统一，这使得不同蚂蚁留在该节点上的信息素浓度无法成为衡量该节点是否优劣的标准。传统蚁群算法应用于多机器人路径规划问题时可能会产生规划的路径较长，机器人能耗不均衡等问题的缺陷。

发明内容

本发明的目的就是为了能够克服传统蚁群算法应用于多机器人路径规划问题时可能会产生规划的路径较长，机器人能耗不均衡等问题的缺陷，提供的一种K-Means蚁群算法多机器人路径规划方法。

由于现有技术中多机器人路径规划是指多个机器人根据多个任务的空间分布，从不同的起始任务位置出发，不重复遍历所有任务，最终回到起始位置，根据一定的准则(如路径最短，安全性最好，用时最短等)，寻求一条从各起始任务节点开始并最终连接所有任务节点的最优或次优路径。如图1所示，在一个工作空间内分布着若干个任务节点和若干个移动机器人，每个机器人需要遍历其中若干个任务节点，并且最后会回到其起点处，在这个过程中，每个任务节点仅会被遍历一次，且所有任务节点都会被遍历到，在当前约束条件作用下，求解所有机器人所产生的满足评价准则的最优路径即为多机器人路径规划，如图2所示为图一规划任务的一个解。