·334· 智能系统学报 第16卷 至终点直线所涉及栅格的信息素浓度，平行的向 环境为20×20的栅格环境，对传统蚁群算法、本 外衰减：改进启发式信息矩阵，调整移动机器人 文算法进行仿真，与文献[8]进行对比，复杂环境 当前位置到终点位置的启发函数计算方法，建立 为30×30的栅格环境，对本文算法进行仿真，与 启发式信息矩阵。 文献[8]进行对比。 3)建立禁忌表以及对禁忌表初始化，将起点、 4.120×20栅格环境 障碍物节点、引起死锁的节点均加入禁忌表中。 在20×20的栅格环境下，对传统蚁群算法和 4)计算启发信息，根据信息素浓度以及概率 本文算法进行仿真，其中，路径规划仿真分别如 公式确定蚂蚁下一步可以到达的节点，记录路径 图6、7所示，实验数据如表1所示，传统蚁群算 并更新，更新禁忌表。 法路径规划长度为30.870m,文献[8]算法路径规 5)当所有蚂蚁完成一次迭代后，保存最优路 划长度为32.1421m,本文算法路径规划长度为 径，更新信息素及禁忌表，如果没有完成一次迭 28.042m,显然，本文算法在路径规划方面优于文 代，则继续开始下一只蚂蚁路径寻优。 献[8]算法及传统蚁群算法，本文算法较文献[8] 6)如果蚂蚁完成所有迭代次数，则输出最优 算法、传统蚁群算法的路径长度分别缩短了12.76% 路径及收敛迭代次数，如果没有完成所有迭代次 及9.16%。本文算法提出信息素不均匀分布策 数，则继续开始下一次迭代。 略，提高了最优路径上节点被选择的概率，通过 节点距离起点至终点对角线的距离，改进启发函 开始 数，提高了算法的全局搜索能力，有效缩短了全 局最优路径的长度。 各项参数初始化，建立地图模型及 邻接矩阵 20 18 16 信息素浓度不均匀分布，建立启发 14 式信息矩阵 12 10 建立禁忌表 确定蚂蚁下一步可前往的节点 0 2468101214161820单位：m 图6传统蚊群算法路径规划(20×20) 记录路径并更新，更新禁忌表 Fig.6 Path planning of traditional ant colony algorithm 20 一轮迭代是否结束 N 18 16 Y 12 保存最优路径，更新信息素，更新禁忌表 10 N 是否完成所有迭代 2 Y 0 2468101214161820单位：m 输出全局最优路径，收敛迭代次数 图7本文算法路径规划(20×20) Fig.7 Algorithm path planning in this paper 结束 表1各算法实验结果对比 Table 1 Comparison of experimental results of various al- 图5变步长蚁群算法流程 gorithms Fig.5 Flow chart of variable step size ant colony algorithm 算法 路径长度m 迭代次数 4算法仿真 传统蚁群算法 30.870 25 文献I8算法 32.1421 4 为了验证变步长蚁群算法的有效性，本文分 别在简易环境和复杂环境下进行仿真对比，简易 本文算法 28.042 2至终点直线所涉及栅格的信息素浓度，平行的向 外衰减；改进启发式信息矩阵，调整移动机器人 当前位置到终点位置的启发函数计算方法，建立 启发式信息矩阵。 3) 建立禁忌表以及对禁忌表初始化，将起点、 障碍物节点、引起死锁的节点均加入禁忌表中。 4) 计算启发信息，根据信息素浓度以及概率 公式确定蚂蚁下一步可以到达的节点，记录路径 并更新，更新禁忌表。 5) 当所有蚂蚁完成一次迭代后，保存最优路 径，更新信息素及禁忌表，如果没有完成一次迭 代，则继续开始下一只蚂蚁路径寻优。 6) 如果蚂蚁完成所有迭代次数，则输出最优 路径及收敛迭代次数，如果没有完成所有迭代次 数，则继续开始下一次迭代。 开始 各项参数初始化，建立地图模型及 邻接矩阵 信息素浓度不均匀分布，建立启发 式信息矩阵 建立禁忌表 确定蚂蚁下一步可前往的节点 记录路径并更新，更新禁忌表 N N Y Y 一轮迭代是否结束 保存最优路径，更新信息素，更新禁忌表 是否完成所有迭代 输出全局最优路径，收敛迭代次数 结束 图 5 变步长蚁群算法流程 Fig. 5 Flow chart of variable step size ant colony algorithm 4 算法仿真 为了验证变步长蚁群算法的有效性，本文分 别在简易环境和复杂环境下进行仿真对比，简易 20×20 30×30 环境为 的栅格环境，对传统蚁群算法、本 文算法进行仿真，与文献 [8] 进行对比，复杂环境 为 的栅格环境，对本文算法进行仿真，与 文献 [8] 进行对比。 4.1 20×20 栅格环境 在 20×20 的栅格环境下，对传统蚁群算法和 本文算法进行仿真，其中，路径规划仿真分别如 图 6、7 所示，实验数据如表 1 所示，传统蚁群算 法路径规划长度为 30.870 m，文献 [8] 算法路径规 划长度为 32.142 1 m，本文算法路径规划长度为 28.042 m，显然，本文算法在路径规划方面优于文 献 [8] 算法及传统蚁群算法，本文算法较文献 [8] 算法、传统蚁群算法的路径长度分别缩短了 12.76% 及 9.16%。本文算法提出信息素不均匀分布策 略，提高了最优路径上节点被选择的概率，通过 节点距离起点至终点对角线的距离，改进启发函 数，提高了算法的全局搜索能力，有效缩短了全 局最优路径的长度。 20 18 16 14 12 10 8 6 4 2 0 2 4 6 8 10 12 14 16 18 20 单位: m 图 6 传统蚁群算法路径规划 (20×20) Fig. 6 Path planning of traditional ant colony algorithm 20 18 16 14 12 10 8 6 4 2 0 2 4 6 8 10 12 14 16 18 20 单位: m 图 7 本文算法路径规划 (20×20) Fig. 7 Algorithm path planning in this paper 表 1 各算法实验结果对比 Table 1 Comparison of experimental results of various al￾gorithms 算法 路径长度/m 迭代次数 传统蚁群算法 30.870 25 文献[8]算法 32.1421 4 本文算法 28.042 2 ·334· 智 能 系 统 学 报 第 16 卷