針對(duì)移動(dòng)機(jī)器人路徑規(guī)劃問(wèn)題,提出了一種基于獨(dú)狼搜索機(jī)制的自適應(yīng)精英蟻群混合算法.首先,在精英蟻群算法中引入了獨(dú)狼視場(chǎng)機(jī)制并設(shè)計(jì)了自適應(yīng)增強(qiáng)函數(shù),用以改進(jìn)精英蟻群算法搜索機(jī)制中蟻群的尋徑能力.然后,為了消除混合算法中的停滯現(xiàn)象,引入了獨(dú)狼逃跑策略并構(gòu)造了一種信息素優(yōu)化機(jī)制,用來(lái)提高混合算法的全局搜索能力,幫助尋徑個(gè)體突破當(dāng)前的路徑停滯問(wèn)題,避免算法陷入局部最優(yōu).最后通過(guò)仿真分析和測(cè)試,進(jìn)行了針對(duì)性的對(duì)比試驗(yàn),結(jié)果表明:混合算法在多種環(huán)境下的路徑規(guī)劃均擁有較好的收斂速度和高效的尋徑能力. 

【文章來(lái)源】：華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,48(01)北大核心EICSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

節(jié)點(diǎn)圖原理

第1期張毅，等：基于獨(dú)狼蟻群混合算法的移動(dòng)機(jī)器人路徑規(guī)劃·131·4實(shí)驗(yàn)及數(shù)據(jù)分析為了驗(yàn)證算法性能，搭建了柵格地圖模型．由于蟻群算法(ACO)在經(jīng)過(guò)了許多學(xué)者的驗(yàn)證，因此分別對(duì)ACO和獨(dú)狼蟻群混合算法(WAH)進(jìn)行仿真．在3組不同尺寸的柵格地圖中進(jìn)行實(shí)驗(yàn)，每組地圖分別采用不同的障礙物覆蓋率構(gòu)建環(huán)境，仿真程序采用Python語(yǔ)言，計(jì)算機(jī)配置為：4核Inteli57400CPU@3.00GHz，8GiB運(yùn)行內(nèi)存，Windows10操作系統(tǒng)．圖3～5示例為不同障礙物覆蓋率的柵格地圖仿真實(shí)驗(yàn)結(jié)果，圖中：綠色節(jié)點(diǎn)表示仿真機(jī)器人的圖3A環(huán)境下路徑仿真結(jié)果圖4B環(huán)境下路徑仿真結(jié)果圖5C環(huán)境下路徑仿真結(jié)果起點(diǎn)；紅色節(jié)點(diǎn)表示終點(diǎn)；藍(lán)綠色表示關(guān)鍵測(cè)試位置；藍(lán)色實(shí)、虛折線(xiàn)分別表示應(yīng)用WAH和ACO的仿真機(jī)器人在200次迭代下生成的最優(yōu)路徑．從圖3～5可以看出：相對(duì)于ACO，WAH在局部細(xì)節(jié)上較為平滑，全局路徑上更加高效；在藍(lán)綠色關(guān)鍵測(cè)試位置上，WAH表現(xiàn)優(yōu)越．圖6為對(duì)應(yīng)圖5環(huán)境下仿真機(jī)器人在m=200次迭代中的最短路徑長(zhǎng)度變化．相對(duì)于ACO，WAH在整體上搜索的路徑長(zhǎng)度更短；并且由于WAH引入了早熟優(yōu)化機(jī)制，在大約30次迭代后沒(méi)有像ACO呈現(xiàn)長(zhǎng)期的停滯，反而不斷突破現(xiàn)有路徑，搜索出新的更優(yōu)路徑．表1給出了ACO和WAH在不同柵格環(huán)境下的測(cè)試數(shù)據(jù)，可以看出：WAH能在更短的時(shí)間內(nèi)搜索圖6路徑收斂曲線(xiàn)表1ACO與WAH在不同柵格環(huán)境下的測(cè)試數(shù)據(jù)地圖尺寸障礙物覆蓋率/%所用時(shí)間/s路徑長(zhǎng)度ACOWAHACOWAH20×20105.45.041.640.220×20406.15.443.441.235×351012.510.851.648.635×

第1期張毅，等：基于獨(dú)狼蟻群混合算法的移動(dòng)機(jī)器人路徑規(guī)劃·131·4實(shí)驗(yàn)及數(shù)據(jù)分析為了驗(yàn)證算法性能，搭建了柵格地圖模型．由于蟻群算法(ACO)在經(jīng)過(guò)了許多學(xué)者的驗(yàn)證，因此分別對(duì)ACO和獨(dú)狼蟻群混合算法(WAH)進(jìn)行仿真．在3組不同尺寸的柵格地圖中進(jìn)行實(shí)驗(yàn)，每組地圖分別采用不同的障礙物覆蓋率構(gòu)建環(huán)境，仿真程序采用Python語(yǔ)言，計(jì)算機(jī)配置為：4核Inteli57400CPU@3.00GHz，8GiB運(yùn)行內(nèi)存，Windows10操作系統(tǒng)．圖3～5示例為不同障礙物覆蓋率的柵格地圖仿真實(shí)驗(yàn)結(jié)果，圖中：綠色節(jié)點(diǎn)表示仿真機(jī)器人的圖3A環(huán)境下路徑仿真結(jié)果圖4B環(huán)境下路徑仿真結(jié)果圖5C環(huán)境下路徑仿真結(jié)果起點(diǎn)；紅色節(jié)點(diǎn)表示終點(diǎn)；藍(lán)綠色表示關(guān)鍵測(cè)試位置；藍(lán)色實(shí)、虛折線(xiàn)分別表示應(yīng)用WAH和ACO的仿真機(jī)器人在200次迭代下生成的最優(yōu)路徑．從圖3～5可以看出：相對(duì)于ACO，WAH在局部細(xì)節(jié)上較為平滑，全局路徑上更加高效；在藍(lán)綠色關(guān)鍵測(cè)試位置上，WAH表現(xiàn)優(yōu)越．圖6為對(duì)應(yīng)圖5環(huán)境下仿真機(jī)器人在m=200次迭代中的最短路徑長(zhǎng)度變化．相對(duì)于ACO，WAH在整體上搜索的路徑長(zhǎng)度更短；并且由于WAH引入了早熟優(yōu)化機(jī)制，在大約30次迭代后沒(méi)有像ACO呈現(xiàn)長(zhǎng)期的停滯，反而不斷突破現(xiàn)有路徑，搜索出新的更優(yōu)路徑．表1給出了ACO和WAH在不同柵格環(huán)境下的測(cè)試數(shù)據(jù)，可以看出：WAH能在更短的時(shí)間內(nèi)搜索圖6路徑收斂曲線(xiàn)表1ACO與WAH在不同柵格環(huán)境下的測(cè)試數(shù)據(jù)地圖尺寸障礙物覆蓋率/%所用時(shí)間/s路徑長(zhǎng)度ACOWAHACOWAH20×20105.45.041.640.220×20406.15.443.441.235×351012.510.851.648.635×

【參考文獻(xiàn)】：
期刊論文
[1]智能工廠綜述[J]. 張泉靈,洪艷萍.  自動(dòng)化儀表. 2018(08)
[2]基于改進(jìn)勢(shì)場(chǎng)蟻群算法的機(jī)器人路徑規(guī)劃[J]. 王曉燕,楊樂(lè),張宇,孟帥.  控制與決策. 2018(10)
[3]多峰函數(shù)優(yōu)化的黃金分割斐波那契樹(shù)優(yōu)化算法[J]. 張松海,施心陵,李鵬,董易,李孫寸.  電子學(xué)報(bào). 2017(04)
[4]一種基于時(shí)間窗的自動(dòng)導(dǎo)引車(chē)動(dòng)態(tài)路徑規(guī)劃方法[J]. 胡彬,王冰,王春香,楊明.  上海交通大學(xué)學(xué)報(bào). 2012(06)
[5]自適應(yīng)蟻群算法在空間機(jī)器人路徑規(guī)劃中的應(yīng)用[J]. 金飛虎,高會(huì)軍,鐘嘯劍.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2010(07)
[6]移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)綜述[J]. 朱大奇,顏明重.  控制與決策. 2010(07)
[7]采用基于模擬退火的蟻群算法求解旅行商問(wèn)題[J]. 劉波,蒙培生.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(11)
[8]受生物群體智能啟發(fā)的多機(jī)器人系統(tǒng)研究[J]. 藍(lán)艇,劉士榮.  機(jī)器人. 2007(03)



本文編號(hào)：3384563