一种基于蚁群算法的路径规划方法及系统
本发明涉及数据处理,特别是指一种基于蚁群算法的路径规划方法及系统。
背景技术:
1、蚁群算法是一种受自然界蚂蚁觅食行为启发而提出的智能优化算法。现实中的蚂蚁在寻找食物时,会在经过的路径上释放信息素,后续蚂蚁会倾向于选择信息素浓度较高的路径;较短路径由于蚂蚁往返频率更高,信息素积累速度更快,因此经过不断迭代,蚁群会逐渐集中到较优甚至最优路径上。在算法中,通常通过信息素浓度和启发式信息共同决定下一步路径选择,并利用信息素更新和挥发机制避免搜索过早陷入局部最优。蚁群算法具有分布式计算、正反馈、自组织和较强全局搜索能力等特点,因此常用于旅行商问题、车辆调度和机器人路径规划等优化问题。
2、路径规划是指在已知或部分已知的环境中,根据起点、终点以及障碍物等环境信息,为机器人、车辆、无人机等移动主体寻找一条满足约束条件的可行路径。路径规划不仅要求能够从起点安全到达目标点,还常常需要综合考虑路径长度、运行时间、能源消耗、避障能力、道路通行条件以及运动平滑性等因素。基于蚁群算法进行路径规划时,可以将环境抽象为节点和边组成的图,将可行路线看作蚂蚁的搜索路径,通过多只人工蚂蚁反复搜索,并根据信息素更新结果逐渐找到较优路径。
3、路径规划是机器人、自动驾驶车辆、无人机以及智能物流系统实现自主运行的关键技术之一,其规划结果直接影响系统运行的安全性、效率和可靠性。合理的路径规划能够帮助移动设备避开障碍物和危险区域,减少不必要的绕行,从而缩短运动距离和任务执行时间,并降低能源消耗和设备损耗。在复杂或动态环境中,高效的路径规划方法还可以提高系统对环境变化的适应能力,使机器人能够根据实际情况及时调整运动路线。因此,路径规划不仅是实现自主导航的重要基础,也是提高智能移动系统整体性能的重要技术保障。
4、然而,现有基于蚁群算法的路径规划方法通常较为依赖单一的群体寻优机制,在复杂栅格环境中容易因早期搜索结果被持续强化而过早集中于局部较优路线,同时对搜索过程中积累的历史经验利用不足,导致无效试探和重复搜索较多,使得算法存在收敛速度较慢、搜索效率较低以及复杂障碍环境下难以稳定获得较优路径的问题。
技术实现思路
1、为了解决现有基于蚁群算法的路径规划方法通常较为依赖单一的群体寻优机制,在复杂栅格环境中容易因早期搜索结果被持续强化而过早集中于局部较优路线,同时对搜索过程中积累的历史经验利用不足,导致无效试探和重复搜索较多,使得算法存在收敛速度较慢、搜索效率较低以及复杂障碍环境下难以稳定获得较优路径的技术问题,本发明提供了一种基于蚁群算法的路径规划方法及系统。
2、本发明实施例提供的技术方案如下:
3、第一方面
4、本发明实施例提供的一种基于蚁群算法的路径规划方法,包括:
5、s1:获取含起点、终点和障碍栅格的栅格地图,建立动作价值表、信息素分布矩阵及策略矩阵,并初始化训练参数;
6、s2:基于训练参数,执行精英蚁群搜索得到初始信息素分布矩阵,并用初始信息素分布矩阵初始化动作价值表和策略矩阵;
7、s3:在每个训练回合开始时,按预设窗口内训练回合到达终点的比例计算滑动窗口成功率,并结合训练进度确定探索因子和学习率衰减系数;
8、s4:基于探索因子,在策略矩阵记录的动作、按动作价值与信息素联合概率抽取的动作、随机动作三者中确定执行动作;
9、s5:响应于执行动作,得到新状态并更新状态动作访问次数,结合滑动窗口成功率计算总奖励;
10、s6:根据状态动作访问次数和学习率衰减系数确定动态学习率,根据动态学习率和总奖励更新动作价值表及策略矩阵;若当前训练回合未结束,则返回步骤s4;
11、s7:根据当前训练回合到达终点的结果和路径长度更新信息素分布矩阵,返回步骤s3,直至达到最大训练回合数,基于策略矩阵输出规划路径。
12、第二方面
13、本发明实施例提供的一种基于蚁群算法的路径规划系统,包括:
14、处理器;
15、存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如第一方面所述的基于蚁群算法的路径规划方法。
16、第三方面
17、本发明实施例提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的基于蚁群算法的路径规划方法。
18、本发明实施例提供的技术方案带来的有益效果至少包括:
19、在本发明实施例中,通过将精英蚁群搜索与动作价值学习机制相结合,利用精英蚁群搜索形成具有较优路径先验的初始信息素分布矩阵,并据此初始化动作价值表和策略矩阵,使后续训练能够在有效搜索经验的基础上展开,减少训练初期的盲目试探;训练过程中,根据滑动窗口成功率和训练进度自适应确定探索因子及学习率衰减系数,并在策略矩阵记录的动作、动作价值与信息素联合引导的动作以及随机动作之间进行选择,使路径搜索既能够利用已有较优经验,又保留对未知路径的探索能力,从而降低过早集中于局部较优路线的可能性;同时,通过状态动作访问次数调节动态学习率,并结合到达终点情况、路径搜索表现及滑动窗口成功率进行学习更新,使不同搜索阶段具有与训练状态相适应的更新强度;进一步根据每轮搜索结果及路径长度持续更新信息素分布矩阵,使较优路径经验能够反向强化后续动作决策,由此形成信息素引导、价值学习、策略更新与搜索反馈相互协同的优化过程,减少无效试探和重复搜索,提高收敛速度与搜索效率,并增强复杂障碍环境下获得稳定、较优规划路径的能力。
1.一种基于蚁群算法的路径规划方法,其特征在于,包括:
2.根据权利要求1所述的基于蚁群算法的路径规划方法,其特征在于,所述s1具体包括:
3.根据权利要求2所述的基于蚁群算法的路径规划方法,其特征在于,所述s2具体包括:
4.根据权利要求3所述的基于蚁群算法的路径规划方法,其特征在于,所述s3具体包括:
5.根据权利要求4所述的基于蚁群算法的路径规划方法,其特征在于,所述s4具体包括:
6.根据权利要求5所述的基于蚁群算法的路径规划方法,其特征在于,所述s5具体包括:
7.根据权利要求6所述的基于蚁群算法的路径规划方法,其特征在于,所述s6具体包括:
8.根据权利要求7所述的基于蚁群算法的路径规划方法,其特征在于,所述s7具体包括:
9.根据权利要求8所述的基于蚁群算法的路径规划方法,其特征在于,所述s7中基于所述策略矩阵输出所述规划路径,具体包括:
10.一种基于蚁群算法的路径规划系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com