基于改进蚁群算法的移动机器人路径规划

doi:10.12422/j.issn.1672-6952.2025.03.012

摘要/Abstract

摘要：

针对容易陷入局部最优解、收敛速度慢等问题的传统蚁群算法，提出了一种改进蚁群算法。首先，将当前目标节点与下一时刻要选择的节点之间的关系以及正态分布函数引入启发函数中，增强了算法在前期的搜索能力，并通过引入拐点因子加强了方向选择的多样性；其次，提出自适应动态信息素挥发系数，改变了信息素更新规则；最后，通过Matlab仿真实验，在三种不同栅格图上对传统蚁群算法和改进蚁群算法进行了对比研究。实验结果证明，与传统蚁群算法相比，改进蚁群算法具有收敛速度快、路径短、拐点少等优点。

关键词: 蚁群算法, 启发函数, 正态分布函数, 拐点因子, 路径规划

Abstract:

An improved ant colony algorithm is proposed to address issues such as susceptibility to local optima and slow convergence speed. Firstly, the relationship between the current target node and the next target node and the normal distribution function are introduced into the heuristic function, enhancing the algorithm's search capability in the early stages. In addition, by introducing an inflection point factor, the diversity of directional selection is enhanced. Secondly, an adaptive dynamic pheromone volatility coefficient is proposed to adjust the pheromone evaporation rate adaptively, modifying the pheromone update rules. Finally, simulation experiments were conducted using Matlab to compare the traditional ant colony algorithm and the improved ant colony algorithm on three different grid maps. The experimental results demonstrate that, compared with the traditional ant colony algorithm, the improved algorithm exhibits advantages such as faster convergence speed, shorter paths, and fewer inflection points.

Key words: Ant colony, Heuristic function, Normal distribution function, Inflection point factor, Path planning

中图分类号:

TP391.9

张健, 金丽娜, 石元博, 马楠楠. 基于改进蚁群算法的移动机器人路径规划[J]. 辽宁石油化工大学学报, 2025, 45(3): 90-96.

Jian ZHANG, Lina JIN, Yuanbo SHI, Nannan MA. Improved Ant Colony Algorithm⁃Based Mobile Robot Path Planning[J]. Journal of Liaoning Petrochemical University, 2025, 45(3): 90-96.

图/表 10

图1 栅格图

Fig.1 Raster map

图2 动态信息素挥发系数与迭代次数的关系

Fig.2 The relationship between the volatile coefficient of dynamic pheromone and the number of iterations

图3 改进蚁群算法流程图

Fig.3 Flow chart of improved ant colony algorithm

表1 仿真实验参数设置

Table 1 Simulation experiment parameter setting

参数	数值
总迭代次数	200
蚂蚁个数	15
信息素启发因子	1
期望启发因子	5
ρ	0.10
信息素强化因子	0.8
信息素强度	1
ρ_min	0.80
ρ_max	0.99

图4 10×10栅格图下改进算法和传统算法的仿真对比实验结果

Fig.4 The simulation comparison experiment results of the improved algorithm and the traditional algorithm under the 10×10 raster graph

表2 10×10栅格图下改进算法和传统算法的路径搜索结果对比

Table 2 Comparison of path search results between the improved algorithm and the traditional algorithm under a 10×10 raster graph

参数	数值
参数	传统算法	本文算法
最短路径长度	13.81	13.32
平均路径长度	13.81	13.32
平均迭代次数	16	13

图5 20×20栅格图下改进算法和传统算法的仿真对比实验结果

Fig.5 The simulation comparison experiment results of the improved algorithm and the traditional algorithm under the 20×20 raster graph

表3 20×20栅格图下改进算法和传统算法的路径搜索结果对比

Table 3 Comparison of path search results between the improved algorithm and the traditional algorithm under a 20×20 raster graph

参数	数值
参数	传统算法	本文算法
最短路径长度	31.56	30.38
平均路径长度	32.38	30.38
平均迭代次数	63	23

图6 30×30栅格图下改进算法和传统算法的仿真对比实验结果

Fig.6 The simulation comparison experiment results of the improved algorithm and the traditional algorithm under the 20×20 raster graph

表4 30×30栅格图下改进算法和传统算法的路径搜索结果对比

Table 4 Comparison of path search results between the improved algorithm and the traditional algorithm under a 30×30 raster graph

参数	数值
参数	传统算法	本文算法
最短路径长度	33.56	29.12
平均路径长度	33.56	29.12
平均迭代次数	139	24

参考文献 19

1	胡军国，祁亨年，董峰，等. 一种改进蚁群算法研究和旅游景区路径规划问题求解［J］. 计算机应用研究， 2011， 28（5）： 1647⁃1650.
	HU J G， QI H N， DONG F， et al. Improved ant colony algorithm for path planning of tourist scenic area［J］. Application Research of Computers， 2011， 28（5）： 1647⁃1650.
2	陈靖辉，崔岩，刘兴林，等. 基于改进A^*算法的移动机器人路径规划方法［J］. 计算机应用研究， 2020， 37（S1）： 118⁃119.
	CHEN J H， CUI Y， LIU X L， et al. Path planning method for mobile robots based on improved A^* algorithm［J］. Application Research of Computers， 2020， 37（S1）： 118⁃119.
3	杨超杰，裴以建，刘朋. 改进粒子群算法的三维空间路径规划研究［J］. 计算机工程与应用， 2019， 55（11）： 117⁃122.
	YANG C J， PEI Y J， LIU P. Research on three⁃dimensional space path planning based on improved particle swarm optimization algorithm［J］. Computer Engineering and Applications， 2019， 55（11）： 117⁃122.
4	徐小强，王明勇，冒燕. 基于改进人工势场法的移动机器人路径规划［J］. 计算机应用， 2020， 40（12）： 3508⁃3512.
	XU X Q， WANG M Y， MAO Y. Path planning of mobile robot based on improved artificial potential field method［J］. Journal of Computer Applications， 2020， 40（12）： 3508⁃3512.
5	钱平，顾才东，鲜学丰，等. 基于改进蚁群算法的水下机器人路径规划研究［J］. 制造业自动化， 2022， 44（12）： 181⁃184.
	QIAN P， GU C D， XIAN X F， et al. Path planning of underwater robot based on improved ant colony algorithm［J］. Manufacturing Automation， 2022， 44（12）： 181⁃184.
6	黄丰云，江仕球，许建宁. 改进的蚁群算法机器人路径规划研究［J］. 机械设计与制造， 2023， 394（12）： 194⁃198.
	HUANG F Y， JIANG S Q， XU J N. The path planning of mobile robot based on improved ant colony algorithm［J］. Machinery Design & Manufacture， 2023， 394（12）： 194⁃198.
7	何心，李志恒，李冰，等. 一种改进蚁群算法的移动机器人路径规划研究［J］. 现代制造工程， 2023（2）： 36⁃43.
	HE X， LI Z H， LI B， et al. Research on path planning of mobile robot based on improved ant colony algorithm［J］. Modern Manufacturing Engineering， 2023（2）： 36⁃43.
8	曾钰桔，陈波，瞿睿，等. 基于改进蚁群算法的移动机器人路径规划研究［J］. 现代制造工程， 2023（10）： 57⁃63.
	ZENG Y J， CHEN B， QU R， et al. Research on path planning of mobile robot based on improved ant colony algorithm［J］. Modern Manufacturing Engineering， 2023（10）： 57⁃63.
9	刘璐，沈小伟，葛超，等. 基于改进蚁群算法的植保无人机路径规划［J］. 计算机仿真， 2024， 41（1）： 39⁃43.
	LIU L， SHEN X W， GE C， et al. Path planning of plant protection UAV based on improved ant colony algorithm［J］. Computer Simulation， 2024， 41（1）： 39⁃43.
10	杨松，洪涛，朱良宽. 改进蚁群算法的森林防火移动机器人路径规划［J］. 森林工程， 2024， 40（1）： 152⁃159.
	YANG S， HONG T， ZHU L K. Forest fire prevention mobile robot path planning based on improved ant colony algorithm［J］. Forest Engineering， 2024， 40（1）： 152⁃159.
11	杨北辰，余粟. 改进蚁群算法在路径规划中的应用［J］. 计算机应用研究， 2022， 39（11）： 3292⁃3297.
	YANG B C， YU S. Application of improved ant colony algorithm in path planning［J］. Application Research of Computers， 2022， 39（11）： 3292⁃3297.
12	WU S， LI Q X， WEI W H. Application of ant colony optimization algorithm based on triangle inequality principle and partition method strategy in robot path planning［J］. Axioms， 2023， 12（6）： 525.
13	JIN Q B， TANG C N， CAI W. Research on dynamic path planning based on the fusion algorithm of improved ant colony optimization and rolling window method［J］. IEEE Access， 2022， 10： 28322⁃28332.
14	姚晓通，李致远，程晓. 基于改进蚁群算法的机器人路径规划研究［J］. 计算机仿真， 2021， 38（11）： 379⁃383.
	YAO X T， LI Z Y， CHENG X. Research on robot path planning based on improved ant colony algorithm［J］. Computer Simulation， 2021， 38（11）： 379⁃383.
15	DORIGO M， BIRATTARI M， STUTZLE T. Ant colony optimization［J］. IEEE Computational Intelligence Magazine， 2006， 1（4）： 28⁃39.
16	王小彤，侯立刚，苏成利. 一种改进的蚁群算法求解多维背包问题［J］. 辽宁石油化工大学学报， 2015， 35（4）： 53⁃57.
	WANG X T， HOU L G， SU C L. An improved ant colony algorithm for solving multidimensional knapsack problem［J］. Journal of Liaoning Shihua University， 2015， 35（4）： 53⁃57.
17	方健飞，张威，葛琳琳. 基于避障切换控制的移动机器人路径规划［J］. 辽宁石油化工大学学报， 2017， 37（4）： 65⁃69.
	FANG J F， ZHANG W， GE L L. Path planning of mobile robot based on obstacle avoidance switching control［J］. Journal of Liaoning Shihua University， 2017， 37（4）： 65⁃69.
18	李靖，杨帆. 基于IGWO⁃A^*算法的无人机农田喷洒航迹规划［J］. 沈阳农业大学学报， 2020， 51（2）： 231⁃237.
	LI J， YANG F. Path planning of UAV farmland spraying based on IGWO⁃A^* algorithm［J］. Journal of Shenyang Agricultural University， 2020， 51（2）： 231⁃237.
19	尹凤杰，褚群森. 基于改进蚁群算法的QoS路由研究［J］. 辽宁大学学报（自然科学版）， 2020， 47（4）： 312⁃318.
	YIN F J， CHU Q S. Research on QoS routing based on improved ant colony algorithm［J］. Jouranl of Liaonning University （Natural Science Edition）， 2020， 47（4）： 312⁃318.

[1]	杨静雯, 李涛, 杨欣, 冀明飞. 基于避障路径规划的无人直升机空地跟踪控制[J]. 辽宁石油化工大学学报, 2024, 44(1): 71-79.
[2]	尤田,张威,葛琳琳. 基于GA-PSO算法焊接机器人路径规划研究[J]. 辽宁石油化工大学学报, 2018, 38(02): 85-89.
[3]	方健飞，张威，葛琳琳. 基于避障切换控制的移动机器人路径规划[J]. 辽宁石油化工大学学报, 2017, 37(4): 65-69.
[4]	王小彤,侯立刚,苏成利. 一种改进的蚁群算法求解多维背包问题[J]. 辽宁石油化工大学学报, 2015, 35(4): 53-57.
[5]	王杨. 基于蚁群算法的粗糙集属性约简方法#br#[J]. 辽宁石油化工大学学报, 2009, 29(4): 74-77.
[6]	王艳玲,毕于深. 基于改进多蚁群算法的网络资源负载均衡与优化[J]. 辽宁石油化工大学学报, 2009, 29(2): 75-77.