基于最大-最小蚂蚁算法的机器人路径规划.docxVIP

基于最大-最小蚂蚁算法的机器人路径规划 0 共建机器人算法 1991年，意大利科学家德罗格等人提出了一种算法来模拟蚂蚁的行为。该算法具有响应快、环境鲁棒性强等特点。蚂蚁算法成功地解决了tsp、二次分配问题、工作和休息社区服务问题。之后，人们提出了几种改进算法，如最大-最小蚂蚁算法和蚂蚁群系统。其中，最大-最小蚂蚁算法具有最优工具性。本文在介绍该算法的同时，解释了该算法在机器人路径规划中的应用。 1 蚂蚁群算法 1.1 城市路径残留信息 蚁群算法的基本思想就是模仿蚂蚁的信息素进行通信而显示出的社会行动.仿效自然界的蚁群行为, 蚁群算法的描述如下:蚂蚁个体之间通过一种称之为信息素的物质进行信息传递, 蚂蚁在运动过程中能够感知到这种物质的存在及其强度, 倾向于朝着该物质强度高的方向移动.因此, 某一路径上走过的蚂蚁越多, 则后来者选择该路径的概率就越大, 蚂蚁之间就是通过这个信息的交流达到搜索食物的目的. 为了便于理解, 通常以蚁群系统求解平面上n个城市的TSP问题为例来说明蚁群算法模型.假设有n个城市, TSP问题的目标是寻找一个路径最短的最优旅行路线, 旅行商经过所有城市并回到原出发城市, 除出发城市外, 每个城市只允许经过一次, TSP问题的可行解即为除出发城市外所有城市的一个无重复序列. 假设将m只蚂蚁放入到给定的n个城市中, 那么每一只蚂蚁每一步的行动将符合下列规律: (1) 根据路径上的信息素浓度, 以相应的概率来选取下一个城市. (2) 不再选取自己本次循环已经经过的城市为下一个城市. (3) 当完成一步从一个城市到达另外一个城市或者一个循环完成对所有n个城市的访问后, 更新所有路径上的残留信息浓度. 蚂蚁在选择下一个城市的依据主要是两点: (1)τij(t) 为t时刻连接城市i和j的路径上残留信息的浓度, 则在t+1时刻此路径上的信息素浓度为 式 (1) 中,ρ为一个取值在0-1之间的常数, 1-ρ表示信息素的挥发, Δτkijijk是第k只蚂蚁在时刻t-t+1之间的路径 (i,j) 上的增加的信息素浓度.Δτkij=Qdij?QΔτijk=Qdij?Q是 (固定) 常量值.dij是节点i和节点j之间的路径长度. (2)ηij(t) 为由城市i转移到城市j的启发信息, 该启发信息是由要解决的问题给出的, 由一定的算法实现. 那么,t时刻位于城市i的蚂蚁k选择城市j为目标城市的概率为 式 (2) 中,α为信息启发式因子,β为期望启发式因子,α、β的最佳组合由实验而确定.ALLOWEDk表示蚂蚁k下一步允许选择的城市.Pkijijk(t) 为t时刻蚂蚁k由城市i转移到城市j的概率. 也即, 蚂蚁选中某一个城市的可能性是问题本身所提供的启发信息与从蚂蚁目前所在城市到目标城市路径上残留信息量的函数. 1.2 mmas算法的改进 最大-最小蚂蚁系统, 简称MMAS, 是到目前为止求解TSP和QAP等问题最好的蚁群算法模型.MMAS算法直接来源于基本蚂蚁算法 (AS) , 主要作了如下的改进. 1.2.1 周游最优控制变量更新 一次循环中只有最短路径的蚂蚁才进行信息素修改增加, 其更新规则为: 其中 式 (4) 中,f(Sbest) 表示本次周游最优蚂蚁或全局最优蚂蚁值. 利用公式 (1) 、 (2) 、 (3) 对各路径上的信息素做出调整. 1.2.2 强制设置. 为了避免算法过早收敛到非全局最优解, MMAS将各路径的信息素浓度限制在[τmin,τmax]之间, 超出这个范围的值被强制设为τmin或者τmax.τmax的设置是一个渐进的过程, 在算法启动时将所有支路上的信息素浓度初始化为最大值, 每次迭代后,ρ按挥发系数降低痕迹浓度, 只有最佳路径上的支路才允许增加其浓度, 并保持在高水平上.τmin的值可以根据经验选取.MMAS可以有效地避免某条路径上的信息量远大于其余路径, 使得所有的蚂蚁都集中到同一条路径上, 从而使算法不再扩散. 1.2.3 有营造条件迭代后生成的信息素初始化为关注最小 为了更加充分地进行寻优, 各路径信息素初始化为一个很大的值 (通常大于τmax) , 由于信息素范围的限制, 在第一次迭代后设为最大值τmax, 这样可以在一开始迭代时增大搜索的范围.将信息素初始化为τmax, 是让可行解的各元素间信息素浓度差别不会过大, 这样可以使算法遍历搜索空间, 不致早熟. 从实验结果看, MMAS算法在防止算法过早停滞及有效性方面对AS算法有较大的改进, 明显优于AS. 2 基于mmas算法的机器人路径规划改进算法 机器人规划就是在复杂的结构空间中, 找到一条由起始点到目标点避障的可行路径.根据一定的采样精度, 将机器人的结构空间离散化为一系列网格点.可以采用均匀采样方法, 也可以采用非均匀采样方法, 如在