一种改进的蚁群算法在机器人路径规划中的应用

合集下载

智能机器人的路径规划算法综述与分析

智能机器人的路径规划算法综述与分析智能机器人在现代社会中的应用越来越广泛，其中路径规划算法是实现机器人自主导航的核心技术之一。

路径规划旨在找到从起始点到目标点的最佳路径，以避开障碍物并最大限度地优化一些性能指标，如时间、能量消耗或者其他用户自定义的优化目标。

本文将综述智能机器人路径规划的常用算法，并对其进行分析和比较。

1. 图搜索算法图搜索算法是路径规划中最常见的一类算法。

最著名的图搜索算法莫过于A*算法，它通过估计距离函数选择最优路径。

A*算法综合考虑了启发式函数（估计距离）和代价函数（已经走过的路径代价），在实际应用中得到了广泛的应用。

然而，A*算法在处理大规模地图时性能较差，因为其需要维护一个开放列表和一个关闭列表。

为了解决这个问题，研究者提出了许多改进的A*算法，如D*算法、Theta*算法等。

2. 虚拟力场算法虚拟力场算法通过模拟物理力场的方式进行路径规划。

其中，每个机器人都被看作是一个带电粒子，目标点看作是一个带正电荷的静态引力源，而障碍物则视为带负电荷的斥力源。

机器人受到引力和斥力的作用，从而沿着最小势能路径移动。

虚拟力场算法具有简单、实时性好的优点，然而在复杂环境中容易陷入局部最小值，导致路径规划不准确。

3. 蚁群算法蚁群算法是受到蚂蚁觅食行为启发而发展起来的一种启发式优化算法。

蚂蚁觅食路径的选择和信息素的释放行为被模拟为算法的行动规则。

在路径规划中，蚁群算法能够搜索到高质量的路径解，并且具有一定的自适应性和鲁棒性。

然而，蚁群算法的性能与参数设置密切相关，需要进行大量的实验和调参，且收敛速度较慢。

4. 遗传算法遗传算法是一种模拟自然界生物进化过程的算法，通过选择、交叉和变异操作来搜索最优解。

在路径规划中，可以将路径编码为染色体，并通过遗传操作来进化新的解。

遗传算法具有全局寻优能力强的优点，且可以在复杂环境中寻找到较优的路径。

然而，遗传算法需要较长的计算时间，并且对初始参数的选择比较敏感。

智能机器人系统中的路径规划算法

智能机器人系统中的路径规划算法随着人工智能和机器人技术的日益发展，智能机器人在日常生活、工业生产、医疗保健等领域中的应用越来越广泛。

在实际应用中，路径规划是智能机器人系统中的一个重要问题。

路径规划算法可以帮助机器人在复杂环境中自主运动，避开障碍物，实现精准定位和运动控制。

本文将介绍智能机器人系统中的路径规划算法，包括基本原理、分类、应用场景等方面。

一、基本原理路径规划算法是指在给定地图和起止点的情况下，计算出从起点到终点的一条合法路径的过程。

其中，合法路径指的是路径上不出现障碍物、不违反运动规则、不撞墙等合法条件的路径。

路径规划算法需要考虑地图信息、机器人行动方式和运动规则等因素。

路径规划算法可以通过不同的路径搜索方法来计算合法路径。

其中，常见的路径搜索方法有深度优先搜索、广度优先搜索、A*搜索、D*搜索等。

这些方法都可以通过搜索算法对地图进行遍历，找到合法路径。

不同的算法有不同的优缺点，需要根据具体应用场景来选择合适的算法。

二、分类根据机器人的运动方式和工作环境，路径规划算法可以分为点到点规划和全局规划两种。

1. 点到点规划点到点规划是指在给定起始点和结束点的情况下，计算出两点之间的一条路径的过程。

这种规划方法适用于机器人在静态环境下的自主移动。

常见的点到点规划算法有最短路径算法、避障路径算法等。

最短路径算法可以通过Dijkstra算法或A*算法来计算最短路径。

这种算法适用于平面地图和简单的路线规划。

避障路径算法则更加复杂，需要考虑避障、规划动态路径等不同因素。

基于避障路径算法的路径规划算法有Rapidly-Exploring Random Trees算法、Potential Field算法等。

2. 全局规划全局规划是指在给定的环境地图信息中，计算出从起点到终点的所有可能的路径。

这种规划方法适用于动态环境下的机器人运动。

常见的全局规划算法有图搜索算法、自组织映射算法、蚁群算法等。

图搜索算法可以通过Dijkstra算法、BFS算法、DFS算法、A*算法等多种不同方法进行。

蚁群算法在最优路径选择中的改进及应用

c law enforcement. Therefore, c congestion was ciency of the improved algorithm with the Dijkstra algorithm. Thus, it could simulate the optimal driving path with better performance, which was targeted and innovative.关键词：蚁群算法;实际路况;最优路径Key words ：ant colony optimization; actual road conditions; optimal path文／张俊豪蚁群算法在最优路径选择中的改进及应用0 引言在国务院发布的《国家中长期科学和技术发展规划纲要（2006-2020年）》中，将交通拥堵问题列为发展现代综合交通体系亟待解决的“三大热点问题”之一。

智能交通系统作为“互联网+交通”的产物，利用先进的科学技术对车、路、人、物进行统一的管控、调配，成为了当下各国缓解交通拥堵的一个重要途径。

路径寻优是智能交通系统的一个核心研究内容，可以有效的提升交通运输效率，减少事故发生频率，降低对城市空气的污染以及提升交通警察的执法效率等。

最著名的路径规划算法是Dijkstra算法和Floyd算法，Dijkstra算法能够在有向加权网络中计算得到某一节点到其他任何节点的最短路径；Floyd算法也称查点法，该算法和Dijkstra算法相似，主要利用的是动态规划思想，寻找加权图中多源节点的最短路径。

近些年，最优路径的研究主要集中以下几个方面：（1）基于A*算法的路径寻优。

A*算法作为一种重要的路径寻优算法，其在诸多领域内都得到了应用。

随着科技的发展，A*算法主要运用于人工智能领域，特别是游戏行业，在游戏中，A*算法旨在找到一条代价（燃料、时间、距离、装备、金钱等）最小化的路径，A*算法通过启发式函数引导自己，具体的搜索过程由函数值来决定。

IMMAS算法在复杂环境下路径规划中的应用

题。自然界中，蚁群在觅食过程中总能找到蚁巢和食物源问
ｌ引言
近二十年来，动机器人的研究十分活跃，移并得到了快速发展，而路径规划则是移动机器人导航中的基本问题之
一
的最短路径。由此出现的基本蚁群算法虽具有极强的发现较优解的能力，但是同时也存在一些缺陷，收敛速度较慢，容
ｂｅｒｉｅｎｈｈｒｍｏｅｏｈｐｉｎｌａｈ；ｕｄｔｇｔｅＰｅｏｎｉｈｅａｄ；ｅｔｇｔｅｍａ — ｅｎａｒｄａｄｔｅｐｅｏｎｆｅｏｔａｔｖｔｏｐｐａｉｈｈｒｍｏｅｗｔｔｅｒｗｒｓｔｎｈｘ— ｎｈｉ
ｇｉｓ—ｍｏｅｉｇ，ｔｅｐｐｒｉｔｏｕｅｎｉｒｖｄＭＭＡｏｏｏａｈｐａｎｎ．ＴｈｅｐｉｌａｇｒｈｒｄｄｌｎｈａｅｎｒｄｃｓａｍｐｏｅＳｆｒｒｂｔｐｔｌｎｉｇｅｎｗｏｔｍａｌｏｉｍｔｉｒｖｓｔｅａｇｒｔｍｓｆｌｏｓｍｐｏｉｇｉｉａｅｔｇｕｉｇｔｅｖｒａｌ ‘ ａｇｔｄｓｇｉｇｔｅｈｕｉｔｍｐｏｅｈｌｏｉｈａｏｌｗ：ｉｒｖｎｎｔｌｓｔｉ；ｓｎｈａｉｂｅ ‘ ｒｅ ”；ｅｉｎｎｈｅｒｓｉｉｎｔｃｐｒｍｅｅｏｓｄｒｇｔｅｄｓａｃｒｍｅｔｒｅｏｔｅｏｔｎｌｏｉｏｔｅｔｓｔａｅｏｔｎｌｏｉｏａａａｔｒｃｎｉｅｉｈｉｔｎｅｆｏｔａｇｔｐｉａｓｔｎ，ｈｉｔｈｐｉａｓｔｎｈｓｎｈｔｈｏｐｉｍｅｈｔｏｐｉ

基于蚁群算法的路径规划

基于蚁群算法的路径规划路径规划是指在给定起点和终点的情况下，找到一条最优路径使得在特定条件下完成其中一种任务或达到目标。

蚁群算法（Ant Colony Optimization，简称ACO）是一种模拟蚂蚁寻找食物路径的启发式算法，已经广泛应用于路径规划领域。

本文将详细介绍基于蚁群算法的路径规划的原理、方法和应用，旨在帮助读者深入理解该领域。

1.蚁群算法原理蚁群算法的灵感源自蚂蚁在寻找食物过程中携带信息以及通过信息交流来引导其他蚂蚁找到食物的群体行为。

算法的基本原理如下：1）路径选择方式：蚂蚁根据信息素浓度和距离的启发信息进行路径选择，信息素浓度高的路径和距离短的路径更容易被选择。

2）信息素更新方式：蚂蚁在路径上释放信息素，并通过信息素挥发过程和信息素增强机制来更新路径上的信息素浓度。

3）路径优化机制：较短路径上释放的信息素浓度较高，经过多次迭代后，社会积累的信息素会指引蚂蚁群体更快地找到最优路径。

4）局部和全局：蚂蚁在选择路径时，既有局部的能力，也有全局的能力，这使得算法既能收敛到局部最优解，又能跳出局部最优解继续探索新的路径。

2.蚁群算法步骤1）定义问题：明确起点、终点以及路径上的条件、约束等。

2）初始化信息素与距离矩阵：设置初始信息素值和距离矩阵。

3）蚂蚁移动：每只蚂蚁根据信息素浓度和距离的启发选择下一个节点，直到到达终点。

4）信息素更新：蚂蚁根据路径上释放的信息素更新信息素矩阵。

5）迭代：不断重复蚂蚁移动和信息素更新过程，直到满足停止条件为止。

6）输出最优路径：根据迭代结果输出最优路径。

3.蚁群算法应用1）TSP问题：旅行商问题（Traveling Salesman Problem，TSP）是蚁群算法应用的典型问题之一、该问题是在给定一组城市以及它们之间的距离，求解一条经过每个城市一次且最短的路径。

蚁群算法通过模拟蚂蚁在城市之间的移动来求解该问题，并能够较快地找到接近最优解的路径。

2）无人机路径规划：无人机路径规划是指在给定起点和终点的情况下，找到无人机的最优飞行路径。

改进蚁群算法在迷宫路径规划问题中的研究和应用

地复杂的情况下，该算法可以有效地规划出全局最优路径．
关键词：改进蚁群算法；最优路径；电脑鼠；迷宫中图分类号：Ｐ９文献标识码：Ｔ３１Ａ
ＳｕｄｎｐｌａｉｎｎＭａｅＰａｈＰｌｎｎｎｔｙａｄＡｐｉｔｏｏｃｚｔａｉｇＢａｅｎＩｐｏｅｓｄｏｍｒｖｄＡｎｔＣｏｏｇｒｔｍｌｎｙＡｌｏｉｈ
ＪｎｘＵｉｅｉＳｉｎｅｎｅｈｏｇ，ａｚｏ４００Ｃｉ）ｉｇｉｎｖｒｔｏｃｅｃｄｃｎｌｙｎｈｕ３１０，ｈｎａｓｙｆａＴｏＧａ
ＡｂｔａｔＳａｃｉｇｏｔｌｐｔｎｔｅｍａｅｉａｍｐｒｎｕｃｉｎｏｈｃｏｕｅｉｒｅｏｆｄｔｅｓｒｃ：ｅｒｈｎｐｉａｈｉｈｚｓｎｉｏｔｔｆｎｔｆｔｅｍｉｒｍｏｓｎｏｄｒｔｎｈｍａａｏｉｏｔｚｔｎａｃｒｔｌｎａｉｌ，ｅｄｎｍｉｐｔｌｎｉｇｍｏｅｏｅｍｉｒｍｏｓｅｍａｅｉｃｎｔｃｅ，ｐｉａｉｃｕａｅａｄｒｐｄｙｔｙａｃａｈｐａｎｎｄｌｆｈｅｏｕｅｉｔｚｏｓｕｔｄｍｉｏｙｈｔｎｈｓｒａｄｔｅａａｔｅｍｅｈｄｔｐａｅｉｆｒｔｎｏｒｄｔｎｎｏｏｙａｇｒｈｃｎｅｇｎｅｓｏｒｂｅｉｎｈｄｐｉｔｏｏｕｄｔｎｏｍａｉｎｔａｉｏａａｔｃｌｎｏｉｍｏｖｒｅｃｌｗｐｏｌｍｓｖｏｉｌｌｔ

无人机航迹规划中的路径规划算法比较与优化

无人机航迹规划中的路径规划算法比较与优化无人机（Unmanned Aerial Vehicle，简称无人机）作为近年来飞行器技术的重要突破之一，在航空航天、军事、农业、物流等领域发挥着重要作用。

在无人机的飞行控制中，路径规划算法的选择至关重要，它决定了无人机的飞行轨迹，直接影响着无人机飞行的效率和安全性。

本文将对几种常见的无人机路径规划算法进行比较与优化分析。

1. 最短路径算法最短路径算法是无人机航迹规划中最常用的算法之一。

其中，迪杰斯特拉（Dijkstra）算法和A*算法是两种主要的最短路径算法。

迪杰斯特拉算法是一种基于广度优先搜索的算法，通过不断更新每个节点的最短路径长度，最终确定无人机飞行的最短路径。

A*算法在迪杰斯特拉算法的基础上加入了启发式函数，能够更加准确地估计路径的代价。

2. 遗传算法遗传算法是一种模拟自然界进化过程的优化算法。

它通过对候选路径进行遗传操作（如选择、交叉、变异等），通过适应度函数对路径进行评估，最终得到适应度最高的最优路径。

遗传算法具有较好的全局搜索能力，能够寻找到较优的飞行路径。

3. 蚁群优化算法蚁群优化算法模拟了蚂蚁的觅食行为，通过信息素的交流和更新来实现路径的优化。

蚁群算法具有较强的自适应性和鲁棒性，能够快速找到较优的路径。

在无人机航迹规划中，蚁群算法可以有效解决多无人机协同飞行的问题。

4. PSO算法粒子群优化（Particle Swarm Optimization，简称PSO）算法模拟了鸟群觅食的行为，通过不断地更新粒子的位置和速度，寻找最优解。

PSO算法具有较好的收敛性和全局搜索能力，在无人机航迹规划中能够有效地找到较优的路径。

5. 强化学习算法强化学习算法是一种通过试错和奖惩机制来优化路径选择的算法。

它通过构建马尔可夫决策过程（Markov Decision Process，简称MDP）模型，通过不断地与环境交互来学习最优策略。

强化学习算法在无人机航迹规划中能够适应环境的变化，快速学习到最优路径。

融合粒子群与改进蚁群算法的AUV路径规划算法

2021576海洋资源已经成为人类开发的重点，但复杂的海洋环境对人类水下作业有着极大的限制，水下机器人正在成为海洋作业的主角，自主式水下机器人（Autono-mous Underwater Vehicle，AUV）依靠自身携带的能源进行水下作业。

由于在整个过程中无法补充能源，因此利用路径规划与安全避障技术对AUV导航控制，是其能否精确、安全和完整地完成水下作业的关键。

AUV 路径规划问题已经成为了一个研究热点[1]，主要涉及两方面问题：一是对海洋环境进行三维建模；二是选取合适的算法进行全局路径规划。

海洋环境建模主要有两类方法：一类是规则地形模型，主要利用正方形、矩形等规则形状进行组合来表示海底表面；另一类是不规则地形模型，将三角形、多边形等不规则形状作为模型单元的基础[2]。

文献[3]使用Voronoi图法简化三维水下环境，生成全局路线图；文献[4]将Delaunay三角模型应用于被测地标，建立拓扑模型。

文献[5]利用八叉树模型来反映AUV工作环境，但主要应用于较大障碍物之间的路径规划，不适合存在许多小障碍物的环境；文献[6-7]不考虑水深，将三维空间简化为二维栅格模型，节省了空间，但却丢失了环境信息；文献[8-9]将三维空间划分为若干平面，然后利用二维栅格模型将每个平面栅格化，有效实现三维栅格建融合粒子群与改进蚁群算法的AUV路径规划算法朱佳莹，高茂庭上海海事大学信息工程学院，上海201306摘要：针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题，提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。

基于空间分层思想建立三维栅格模型实现水下环境建模；综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型；先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素；再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。

水下机器人路径规划问题的关键技术研究

水下机器人路径规划问题的关键技术研究一、本文概述随着海洋资源的日益开发和利用，水下机器人技术作为海洋探索与作业的重要工具，其应用前景日益广阔。

然而，水下环境的复杂性和不确定性使得水下机器人的路径规划成为一项具有挑战性的任务。

路径规划不仅涉及到机器人的运动控制，还需要考虑海洋环境的动态变化、机器人的能量消耗、作业效率等多个方面。

因此，本文旨在深入研究水下机器人路径规划问题的关键技术，以提高水下机器人的作业效率和安全性。

本文首先将对水下机器人路径规划问题的基本概念和研究现状进行概述，明确路径规划问题的主要挑战和研究方向。

随后，将详细介绍水下环境的特点及其对路径规划的影响，包括水流、水质、海底地形等因素的分析。

在此基础上，本文将重点探讨水下机器人路径规划的关键技术，包括环境感知与建模、路径规划算法、路径优化与调整等方面。

通过对这些关键技术的深入研究，本文旨在提出一套有效的水下机器人路径规划方法，为实际的水下机器人作业提供理论支持和技术指导。

本文还将对水下机器人路径规划技术的实际应用进行案例分析，探讨其在实际作业中的性能和效果。

将对未来的研究方向进行展望，以期推动水下机器人路径规划技术的进一步发展和完善。

二、水下机器人路径规划问题的概述水下机器人路径规划问题是机器人技术领域的一个重要研究方向，旨在实现机器人在复杂水下环境中的自主导航和高效作业。

水下环境具有高度的未知性和动态变化性，因此，对于水下机器人的路径规划提出了极高的要求。

水下机器人路径规划问题的核心在于如何根据任务需求和环境信息，规划出一条既安全又高效的路径。

这涉及到对水下环境的感知与建模、路径搜索与优化、以及实时避障等多个关键技术环节。

同时，由于水下环境的特殊性，如光线衰减、水流影响、通信延迟等，还需要考虑如何在这些限制条件下实现路径规划的鲁棒性和实时性。

在路径规划过程中，水下机器人需要综合考虑多种因素，如路径长度、能源消耗、安全性、作业效率等。

AGV与人工智能算法的结合优化路径规划

AGV与人工智能算法的结合优化路径规划人工智能（Artificial Intelligence, AI）技术在各行各业都有广泛的应用，其中与自动导航设备自动引导车（Automated Guided Vehicle, AGV）结合使用的路径规划是其中之一。

AGV是一种能够自主在指定区域内进行运输、搬运等操作的机器人设备。

而通过结合人工智能算法，可以对AGV的路径规划进行优化，提高工作效率和自主性。

一、AGV与人工智能算法的基本原理AGV是通过搭载传感器、扫描仪和导航系统等设备，实现自主导航和路径规划的机器人。

AGV的导航系统通过识别环境中的障碍物和目标点，确定最优的路径，并通过传感器实时感知环境变化，以保证行驶的安全性和准确性。

在传统的路径规划中，我们通常使用A*算法、Dijkstra算法等来确定AGV的运动路径，但这些算法无法应对复杂的环境变化和实时信息。

而人工智能算法，如深度强化学习和遗传算法等，能够通过不断的学习和优化，使AGV可以在复杂的环境中做出更加智能且高效的决策。

二、AGV路径规划的优化方法1. 深度强化学习深度强化学习是一种利用神经网络来实现学习和决策的方法。

通过对大量样本进行模拟或实际的训练，AGV可以学习到在不同场景下的最优行为。

在路径规划中，AGV可以通过深度强化学习来确定每个时间步的最佳动作，以达到效率和准确性的最大化。

2. 遗传算法遗传算法是一种模拟生物进化原理的优化算法。

在AGV的路径规划中，通过将不同的路径方案视为个体，使用遗传算法来生成新的路径方案。

通过交叉、变异等操作对路径方案进行进化和优化，以得到适应度更高的路径。

3. 蚁群算法蚁群算法是模拟蚂蚁在寻找食物过程中的群体行为而得到的一种优化算法。

在AGV的路径规划中，蚁群算法可以模拟蚂蚁释放信息素的行为，使得AGV在选择路径时能够更快速地找到最优路径。

蚁群算法具有并行性和自适应性的特点，能够很好地适应复杂的环境和目标变化。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第 12 期
杨建勋.一种改进的蚁群算法在机器人路径规划中的应用
209
图1 蚁群避障碍物路径过程 Fig. 1 Ant colony optimization to avoid obstacles path process
到紧急突发情况的时候，能够迅速地反应，譬如移动机器人在运动中遇到突发状况，会立即停止运动，但是这种行为不具备智能性。
Abstract:With the modernization of the rapid development of science and technology, high technology has been more and more widely applied. Path planning of robot technology as research and artificial intelligence research is a very im－ portant research field, to improve the robot function and the technical level and have a great role. Path planning of mo－ bile robot can effectively help to realize the navigation technology used successfully, but also can better judge the degree of intelligent mobile robot. This paper mainly describes the technology of mobile robot path planning in the basic ant colony algorithm in the application, at the same time, improve and optimize the ant colony algorithm, through the three step way, helpα,β and Q to achieve the best combination of identified patterns, in order to improve the stability of the robot and the capability of optimization. Key words:ant colony optimization algorithms; robot;path planning; optimization and improvement
迭代次数 30 28 21 18 26 30 17 5 15 10 5 7 30 22 20 18 4 4 6 30 4 4 6 30 4
实验次数 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
路径长度/mm 497.9899 472.132 407.2792 378.9949 413.1371 449.7056 421.4214 367.2792 383.8478 415.5635 497.9899 472.132 407.2792 378.9949 413.1371 449.7056 421.4214 367.2792 383.8478 387.2972 432.132 407.2792 449.7056 393.1371 466.2742
解。找出这个解的蚂蚁为精英蚂蚁。信息新。
τ（ij t+1）←ρ*τ（t）+荦τ*ij
m
Σ 其中，荦τij= 荦τkij k=1
（1）
Σ 荦τkij=
Q Lk
…if
蚂蚁
k
在本次循环中经过
eij
0…else
（2）
Σ 荦τ*=
σ*
Q L*
…ifeif∈BestTour
异，这样就会随之减小选择概率的差异，造成搜索过程
无法集中到一定时间内所找出的最优解附近，从而引
起对更优解的进一步搜索带来较大影响。
如何使这个问题得到较好地解决，一些研究者和
技术人员在蚂蚁系统中引入了遗传算法中的排序思
想，提出了一种基于优化排序的蚂蚁系统。这种蚂蚁系
统的运动优势在于完成每一次的迭代之后，蚂蚁能够
第 28 卷
迭代次数 4 6 25 24 20 19 3 24 20 4 4 7 28 21 17 18 2 21 21 4 14 17 11 19 21
过程作为基本思路。第一步需要对蚁群算法的基本参数α、β、Q、ρ 等做个设定；第二步需要将m只蚂蚁放在地图的起点，可以将其序号设定为0，起点作为每只蚂蚁的当前节点，再通过概率选择函数来进行后续节点的选取。假设终点包含在待选的后续节点中，设定N为序号，那么本次周游结束，可以获得一条较为完整的路径。当每只蚂蚁的运动结束之后，会局部更新信息素，同时将其对比当前的最优路径，假设更新后信息素所获得的路径更短于最优路径，那么就用更新后的路径替换之前的最优路径；第三步，如果m只蚂蚁都结束了从起点到终点的运动，就可以更新全局的信息素。这样就完成了一次迭代，NC产生自增。如果NC算法停滞或着达到最大值时，就可以退出程序。图1所示的就是改进的蚁群算法路径规划步骤[4]。
名位次。此外，一定时间内找到最优路径的蚂蚁所经过
的边会得到额外的激素量好以及轨迹量，式（4）可以作
为更新依据：
w-1
Σ τ（ij t+1）←（1-ρ）·τ（ij t）+ （w-r）·荦τr（ij t）+w·荦τgb（ij t）， r-1
ρ∈（0，1）
（4）
其中，荦τrij=1/L（r t），荦τgb（ij t）=1/Lgb。
图1中 (a)、(b)、(c)、(d)4个阶段所表现的就是蚁群避开障碍，并且将最短路径成功找出的全过程。
（1）如图1(a)所示，在开始阶段蚂蚁的巢穴与食物源之间不存在没有障碍物，大量蚂蚁直接在巢穴与食物源之间运动，路径近为乎直线。
（2）如图1(b)所示，食物源与蚂蚁巢穴之间插入障碍物，原有的直线路径被切断。
另一种传统的机器人路径规划是基于行为的方法。这种规划方法可以理解为一种直接映射，主要是由感知到动作，让机器人可以以外界环境的变化为依据来快速地给予响应，主要划分为3种类型：
第一种是反射式行为。这种反射性行为虽然在遇
收稿日期：2012-06-04 作者简介：杨建勋（1957-），男，高级讲师，江苏常州人，研究方向：职业学校的计算机语言。
1.1 基于环境模型的规划方法传统的机器人路径规划通过环境模型的进行规
划，这种基于环境规划方法对于环境模型的要求较为
严格，需要首先要建立环境模型，并且符合机器人的运行环境。以对环境信息完整程度的掌握情况来划分环境信息，主要是完全已知的全局路径规划，包括障碍物位置以及几何性质等；对于未知部分的环境信息，要想获取障碍物位置以及几何性质，主要由传感器来探测，但是要求传感器在线的条件下才可有效探测。 1.2 基于行为的规划方法
依据路径的短来进行排序（L1≤L2≤…≤Lm）。
在这套系统中，蚂蚁对激素轨迹量更新的贡献主
要是依据该蚂蚁的排名的位次来加权。需要说明的是，
本系统仅仅只把最好的蚂蚁作为考虑的对象，是一段
时间之内所找出的最优路径上轨迹贡献的权值，任何
其他权值不会超过该权值。在排列中，前一只蚂蚁所经
过的边获得一定量的信息素，其量正比于该蚂蚁的排
蚁系统“，精英策略”强调了这种改进的蚂蚁系统在一
定程度和相关层面与遗传算法所中使用的精英策略有
类似之处。在遗传算法中，精英策略的思想就是为了保
留住在一代中的最优个体[3]。与之相似，带精英策略的
蚂蚁系统目的在于让目前为止所找到的最优解在下一
代循环中对蚂蚁更有吸引力，通过每一次的循环获得
最优解以额外的信息素量。这样的解被称为全局最优
路径长度/mm 432.132 401.4214 383.8478 387.2792 367.2792 437.9899 412.132 387.2972 435.5635 415.5635 497.9899 472.132 407.2792 387.9949 413.1371 449.7056 415.5635 497.9899 472.132 407.2792 415.5635 497.9899 472.132 407.2792 415.5635
（3）如图1(c)所示，在第三阶段蚂蚁用同样的概率选择避开障碍物两边，形成了两个不同长度的路径。
（4）如图1(d)所示，在第四阶段，通过经验的积累及时间的流逝，信息素不断挥发，所有蚂蚁基本都选择了较短路径。 2.2 传统蚁群算法描述２．２．１带精英策略的蚂蚁系统
早期的对蚂蚁系统的改进主要是带精英策略的蚂
0…else
（3）
上述式中，荦τ*ij 表示精英蚂蚁所引起的路径（i, j）上的信息素量的增加;σ 表示精英蚂蚁的个数，L* 表示
的是最优解的路径长度。
２．２．２基于优化排序的蚂蚁系统
带精英策略的蚂蚁系统虽然可以作为路径规划的
一项原理依据，但是也存在着一些问题，比如进化的过
程中，提高了解的总质量，就会减小解元素之间的差
现象，也就是蚂蚁在寻找食物过程中发现路径的行为。由于蚂蚁在觅食活动的行为中，可以留下信息素在其经过的路径上，同时蚂蚁能够感知环境和食物的存在和强度，并以通过这些信息素了解自己运动的方向，信息素浓度越高的地方，蚂蚁越多地向该方向移动。相等时间内较短路径上的信息量就遗留得比较多，则选择较短路径的蚂蚁也随之增多[2]。
机器人路径规划指的是一种移动机器人的运动轨迹，即给定移动机器人一个具有障碍物的环境，同时也给定了具体的起始点以及期望的终止点，在既定的评价标准条件下，移动机器人依照已给的任务来寻求使起点和终点连接起来并且避开障碍物，要求最短的时间、最短的路径和最少的能量消耗[1]。