基于蚁群算法的多目标迷宫寻迹方法与流程

1.本发明涉及数据处理技术领域，尤其涉及一种基于蚁群算法的多目标迷宫寻迹方法。


背景技术：

2.路径规划问题是自行机器人的关键技术之一，路径规划算法的优劣直接关系到自行机器人在各种场景下表现的好坏。而更为复杂的迷宫多目标寻迹问题则对路径规划算法提出了更大的考验。
3.蚁群算法是一种用来寻找优化路径的概率型算法。它由marco dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
4.蚂蚁具有的智能行为得益于其简单行为规则，该规则让其具有多样性和正反馈。在觅食时，多样性使蚂蚁不会走进死胡同而无限循环，是一种创新能力；正反馈使优良信息保存下来，是一种学习强化能力。两者的巧妙结合使智能行为涌现，如果多样性过剩，系统过于活跃，会导致过多的随机运动，陷入混沌状态；如果多样性不够，正反馈过强，会导致僵化，当环境变化时蚁群不能相应调整。
5.针对寻迹在迷宫中的多目标，如果蚂蚁过多次数的进入死胡同或者无效路径，那么蚁群算法对实际应用的计算量则增加，无法以最短距离的方式寻找到目标。
6.因此，有必要提出一种基于蚁群算法的多目标迷宫寻迹方法来解决上述问题。


技术实现要素：

7.针对上述提出的问题，本发明目的在于提供一种基于蚁群算法的多目标迷宫寻迹方法，用以高效获取目标位置、最佳的路径。
8.为实现上述目的，本发明采用如下技术方案：一种基于蚁群算法的多目标迷宫寻迹方法，其特征在于，其步骤包括：s1步骤，获取迷宫模型，迷宫的障碍物、路径的坐标以及多个目标所在位置坐标；s2步骤，建立蚁群算法，并初始化蚁群算法的初始参数；确认蚂蚁在迷宫中路径的坐标移动至各相邻坐标位置的选择概率值；s3步骤，形成一个随机数，与根据蚁群算法获得概率值进行比较，根据随机数与各个相邻坐标位置的概率区间值进行比较，根据比较结果，确认蚂蚁选择移动到具体的相邻坐标位置，并执行移动；s4步骤，根据蚂蚁的坐标位置，判断是否保留上一坐标位置到现在所处位置行迹路径的信息素；s5步骤，循环上述s1-s4步骤，直至蚂蚁完成寻迹到所有目标并离开迷宫；s6步骤，通过给定数量的蚂蚁按照蚁群模型不断移动，直至当前迭代中的所有蚂蚁均已完成了各自的所有目标并离开迷宫；s7步骤，获取当前迭代的获取所有目标的最短路径，若当前最优路径比历史最优路径短，则更新历史最优解，否则记录最优路径连续未得到优化，则对蚁群算法优化。
9.与现有技术相比，本发明一种基于蚁群算法的多目标迷宫寻迹方法的有益效果在于，利用对死胡同、目标的位置的考量，确认蚂蚁的信息素是否置为零，通过对调整信息素蒸发系数、信息素增加强度，不断优化蚂蚁算法，能够使蚂蚁快速的、以最短路径找到目标。
附图说明
10.图1为本发明基于蚁群算法的多目标迷宫寻迹方法流程示意图。
具体实施方式
11.下面通过本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
12.参考图1，为本发明基于蚁群算法的多目标迷宫寻迹方法的流程示意图。
13.本发明为一种基于蚁群算法的多目标迷宫寻迹方法，其步骤包括：
14.s1步骤，获取迷宫模型，迷宫的障碍物、路径的坐标以及多个目标所在位置坐标，
15.s2步骤，建立蚁群算法，并初始化蚁群算法的初始参数；获取所有蚂蚁在迷宫中向各相邻坐标位置(x，y)移动的选择概率值各相邻坐标位置分别为前、后、左、右四个方式；
16.具体的，蚁群算法为：
[0017][0018]
其中，
[0019]
allowedk(t)为蚂蚁下一步允许移动且未被禁止的所有点
[0020]
α表示信息启发因子
[0021]
β表示期望启发因子
[0022]
τ
(x,y)
(t)表示t时刻点(x,y)的信息素；
[0023]
η
(x,y)
(t)表示从当前点向(x,y)转移的期望程度
[0024]
其值为即当前点到点(x,y)的距离的倒数
[0025]
该模型的信息启发因子α、期望启发因子β通过事先设定。
[0026]
s3步骤，形成一个随机数，与根据蚁群算法获得概率值进行比较，根据随机数与各个相邻坐标位置的概率区间值进行比较，根据比较结果，确认蚂蚁选择移动到具体的相邻坐标位置，并执行移动。
[0027]
例如：随机数为0-1之间，假如形成一个随机数0.4；而通过模型，蚂蚁对应的四个方向的概率值分别为0.1、0.1、0.3、0.5；那么判定蚂蚁移动的方向为概率在0.5的方向。蚂蚁移动的方向的原则：朝向随机数所处在各个方向概率数值相邻的较大的一个概率值所对应的方向。
[0028]
s4步骤，根据蚂蚁的坐标位置，判断是否保留上一坐标位置到现在所处位置行迹路径的信息素；
[0029]
当相邻位置为障碍物坐标时，表示进入死胡同，蚂蚁沿原路径回头移动至上一个
拥有选择第二方向的位置，将该第二方向的位置至障碍物坐标的所有信息素置为零；该蚂蚁和后续寻迹的蚂蚁当再次来到该第二选择方向的位置，不再朝该死胡同方向移动，
[0030]
但若确认所寻迹的目标位于在该死胡同路径中，针对后续寻迹的蚂蚁不会将信息素置为零，仅将目标位置到死胡同的位置的信息素为零，仍然保留第二选择方向的位置至所寻迹的目标的信息素。
[0031]
通过此方式减少蚂蚁对死胡同路径的重复探索来加快算法的收敛速度。
[0032]
s5步骤，循环上述s1-s4步骤，直至蚂蚁完成寻迹到所有目标并离开迷宫，
[0033]
s6步骤，通过给定数量的蚂蚁按照蚁群模型不断移动，直至当前迭代中的所有蚂蚁均已完成了各自的所有目标并离开迷宫；
[0034]
s7步骤，获取当前迭代的获取所有目标的最短路径，若当前最优路径比历史最优路径短，则更新历史最优解，否则记录最优路径连续未得到优化，则对蚁群算法的调整信息素蒸发系数、信息素增加强度等进行优化处理。
[0035]
依据下列模型对信息素进行更新：
[0036]
τ
(x,y)
(t n)＝(1-ρ)
·
τ
(x,y)
(t) δτ
(x,y)
[0037]
δτ
(x,y)
表示本次迭代在点(x,y)上的信息素增量,其计算方法如下：
[0038][0039]
其中表示本次迭代第k只蚂蚁在点(x,y)处留下的信息素,其计算公式如下：
[0040][0041]
若连续经过n代最优解未得到优化则对信息素ρ蒸发系数进行自适应调整，调整规则如下：
[0042][0043]
判断是否达到了最大迭代次数，达到则输出历史最优路径，否则重复执行。
[0044]
因此，本发明根据蚁群模型来寻迹最短路径，并针对目标、迷宫的障碍物、死胡同的判断，通过调整信息启发因子、期望启发因子、信息素、转移期望值，使得蚂蚁能够不断优化出最佳的路径。使得在实际运用中能快速的寻找目标和完成工作。
[0045]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，均系本发明所保护范围。