基于滑动窗口和蚁群优化算法二次路径规划算法.docVIP

基于滑动窗口和蚁群优化算法二次路径规划算法 　　摘要：针对蚁群优化（ACO）算法在复杂环境下规划能力较弱的问题，提出了一种基于滑动窗口和蚁群优化算法的二次路径规划（QACO）算法。对回退蚁群优化（ACOFS）算法的回退策略进行改进，通过降低回退路径上的信息素量，减少回退次数。第一次规划中，使用改进后的ACO算法对栅格环境进行全局路径规划；第二次规划中，滑动窗口沿着全局路径滑动，通过ACO算法规划出滑动窗口中的局部路径，并使用局部路径对全局路径进行优化，直至滑动窗口中包含目标位置。仿真实验表明：相比ACO、ACOFS算法，QACO算法的平均规划时间分别下降了26.21%、52.03%，平均路径长度下降了47.82%、42.28%，因此在复杂环境下QACO算法具有将强的路径规划能力。 　　关键词：滑动窗口；蚁群优化算法；二次路径规划；栅格法 　　中图分类号： TP242.6； TP18 　　文献标志码：A 　　0 引言 　　蚁群优化（Ant Colony Optimization， ACO）算法是一种新颖的启发式进化算法，其算法基本思想受到了蚁群觅食过程的启发[1]。生物学家经过大量的观察研究发现，蚂蚁个体在运动过程中会释放出一种具有挥发性和可叠加性的分泌物――信息素（pheromone）。蚂蚁个体之间通过信息素来传递信息，信息素的浓度表征了路径对蚂蚁的吸引力，蚂蚁个体倾向于选择信息素浓度较高的路径。一段时间内，经过同一路径的蚂蚁个体越多，这条路径上的信息素浓度就越大；反之，经过该路径的蚂蚁个体越少，信息素浓度就越低。当蚂蚁个体足够多时便形成了一种正反馈机制。经过一段时间之后，可能会出现一条被大多数蚂蚁重复的最短或较短路径。 　　复杂环境下，较多的障碍物和较少可行路径加大了路径规划的难度，传统的蚁群优化算法难以规划出合理的路径，甚至出现搜索停滞，导致目标不可达的现象。究其原因，主要是复杂环境下，到达目标位置的蚂蚁数量较少，使得蚁群优化算法的正反馈机制作用减弱，从而导致了局部最优解或者目标不可达现象的出现。针对这一问题，众多学者在不同的方面对蚁群优化算法进行改进，Forsati等[2]提出了一种强化蚁群优化（enRiched Ant Colony Optimization， RACO）算法。该算法在更新信息素时考虑先前经过该路径的蚂蚁数量，经过该路径的蚂蚁越多，所添加的信息素量越多。同时在计算转移概率时，考虑先前经过路径的蚂蚁数量与所有蚂蚁的比值，比值越大转移概率也越大。改进后的算法在一定程度上减少了局部最优解的出现。Zhang等[3]提出了一种量子蚁群算法（Quantum Ant Colony Algorithm， QACA）。该算法中使用量子比特（Q-bit）替代传统蚁群优化算法中的信息素，并使用旋转闸（rotation gate）对信息素进行更新，以降低出现局部最优解的概率和提高收敛速度。George等[4]提出了模糊辅助蚁群优化（Fuzzy Aided Ant Colony Optimization， FAACO）算法，通过使用模糊策略优化蚂蚁个体的转移策略，减少了搜索过程的迭代次数，提高了算法的收敛速度。Buniyamin等[5]对蚁群优化算法发中的启发式信息进行了改进，将起始位置与目标位置之间的直线路径定义为参考路径，各条路径的启发式信息与其偏离参考路径的程度相关，改进后的算法提高了路径的规划速度，但是其规划能力有待进一步改进。Lee等[6]提出了一种异类蚁群算法（Heterogeneous Ant Colony Algorithm）。该算法中，将蚂蚁定义为5种不同的蚂蚁，5种蚂蚁具有不同的步长、不同的能见度、不同的转移规则。每次迭代中，由这5种蚂蚁协同作用，可以规划出较为平滑的路径。异类蚁群算法虽然可以规划出较为平滑的路径，但并没有提高蚁群算法的搜索能力，在复杂环境下，仍难以规划出合理的路径。同时由于步长、能见度和转移概率的不断变化，加大了算法的计算量，降低了算法的实时性。Wang等[7]提出了一种端点逼近（Endpoint Approximation）蚁群优化算法。所谓端点逼近指的是在迭代过程中，不断地改变起始点和目标点的位置，使得起始点和目标点逐渐相互靠近。通过端点逼近缩短起始点和目标点之间的距离，进而提高算法收敛速度。改进后的算法中，端点根据迭代过程中的最优路径而移动，若当前最优路径为局部最优解，端点将移动至局部最优路径上，导致后代蚂蚁都经过该局部最优路径，使得最终规划结果为局部最优解。Zhang等[8]提出了一种改进的蚁群优化算法，当蚂蚁个体进入“死亡”状态时，蚂蚁个体回退至安全位置，保证了蚂蚁个体的存活率，进而提高了复杂环境下的路径规划能力。以上几种算法通过不同的方法，降低了蚁群优化算法陷入局