第2期 徐玉琼，等：基于变步长蚁群算法的移动机器人路径规划 ·335· 收敛迭代仿真分别如图8、9所示，传统蚁群 4.230×30栅格环境 算法收敛迭代次数为25次，文献[8]算法收敛迭 在30×30栅格环境下，采用文献[8]中的同 代次数为4次，本文算法收敛迭代次数为2次， 一个栅格地图，对本文算法进行仿真实验，实验 显然，本文算法在收敛速度方面优于文献[8]算 数据如表2所示，本文算法的路径规划如图11所 法及传统蚁群算法，本文算法较文献[8]算法、 示，本文算法的最佳路径长度为41.961m,文献[8] 传统蚁群算法的收敛迭代次数分别减少了 的最佳路径长度为45.1127m,本文算法较文献[8] 50%及92%。图10为本文算法在该环境下各代 关于最佳路径长度缩短了6.99%，因此，在复杂栅 蚂蚁最优路径规划路线，各代路线集中于起点 格环境下，本文算法依然保持良好的路径规划能 至终点的连线处，表明信息素不均匀分布的有 力，通过变步长蚁群算法，有效地缩短了最优路 效作用，在20×20栅格环境中，本文算法无论是 径长度，收敛迭代效率如图12所示，本文算法的 在最优路径上还是在收敛速度上，都优于其他 收敛迭代次数为6次，文献[8]算法的收敛迭代次 两种算法。 数为8次，本文算法较文献[8]算法关于收敛迭代 70 次数减少了25%，栅格地图越复杂，本文算法的 优越性越明显，各代最优路径规划路线如图13 所示，各代路径规划的路线依然集中于起点至终 点的连线处，移动机器人将快速的寻找出最优 路径。 表2两种算法实验结果对比 10 Table 2 Comparison of experimental results of various al- 5 101520253035404550 gorithms 迭代次数 算法 路径长度m 迭代次数 转弯次数 图8传统蚊群算法收敛曲线 文献[8]算法 45.1127 8 24 Fig.8 Convergence curve of traditional ant colony al- gorithm 本文算法 41.961 6 7 30 25 25 20 20 10 10 5 5101520253035404550 10 20 30 迭代次数 15 单位：m 图9本文算法收敛曲线 图11本文算法路径规划(30×30) Fig.9 Convergence curve of the algorithm presented in Fig.11 Algorithm path planning in this paper(30x30) this paper 45 20 0 复 6 30 14 12 25 6 10 5 2 05101520253035404550 0 2468101214161820单位：m 选代次数 图10本文算法各代蚊群最优路径规划(20×20) 图12本文算法收敛曲线(30×30) Fig.10 Optimal path planning of each generation of ant Fig.12 Convergence curve of the algorithm presented in colony in this algorithm (20x20) this paper(30x30)20×20 收敛迭代仿真分别如图 8、9 所示，传统蚁群 算法收敛迭代次数为 25 次，文献 [8] 算法收敛迭 代次数为 4 次，本文算法收敛迭代次数为 2 次 ， 显然，本文算法在收敛速度方面优于文献 [8] 算 法及传统蚁群算法，本文算法较文献 [8] 算法、 传统蚁群算法的收敛迭代次数分别减少 了 50% 及 92%。图 10 为本文算法在该环境下各代 蚂蚁最优路径规划路线，各代路线集中于起点 至终点的连线处，表明信息素不均匀分布的有 效作用，在 栅格环境中，本文算法无论是 在最优路径上还是在收敛速度上，都优于其他 两种算法。 70 60 50 40 30 最优解路径长度/m 20 10 0 5 10 15 20 25 迭代次数 30 35 40 45 50 图 8 传统蚁群算法收敛曲线 Fig. 8 Convergence curve of traditional ant colony al￾gorithm 30 25 20 15 最优解路径长度/m 10 5 0 5 10 15 20 25 迭代次数 30 35 40 45 50 图 9 本文算法收敛曲线 Fig. 9 Convergence curve of the algorithm presented in this paper 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 10 本文算法各代蚁群最优路径规划 (20×20) Fig. 10 Optimal path planning of each generation of ant colony in this algorithm (20×20) 4.2 30×30 栅格环境 在 30×30 栅格环境下，采用文献 [8] 中的同 一个栅格地图，对本文算法进行仿真实验，实验 数据如表 2 所示，本文算法的路径规划如图 11 所 示，本文算法的最佳路径长度为 41.961 m，文献 [8] 的最佳路径长度为 45.1127 m，本文算法较文献 [8] 关于最佳路径长度缩短了 6.99%，因此，在复杂栅 格环境下，本文算法依然保持良好的路径规划能 力，通过变步长蚁群算法，有效地缩短了最优路 径长度，收敛迭代效率如图 12 所示，本文算法的 收敛迭代次数为 6 次，文献 [8] 算法的收敛迭代次 数为 8 次，本文算法较文献 [8] 算法关于收敛迭代 次数减少了 25%，栅格地图越复杂，本文算法的 优越性越明显，各代最优路径规划路线如图 13 所示，各代路径规划的路线依然集中于起点至终 点的连线处，移动机器人将快速的寻找出最优 路径。 表 2 两种算法实验结果对比 Table 2 Comparison of experimental results of various al￾gorithms 算法 路径长度/m 迭代次数 转弯次数 文献[8]算法 45.1127 8 24 本文算法 41.961 6 7 30 25 20 15 10 5 0 5 10 15 20 25 30 单位: m 图 11 本文算法路径规划 (30×30) Fig. 11 Algorithm path planning in this paper (30×30) 45 40 35 30 最优解路径长度/m 25 20 15 10 5 0 5 10 15 20 25 迭代次数 30 35 40 45 50 图 12 本文算法收敛曲线 (30×30) Fig. 12 Convergence curve of the algorithm presented in this paper (30×30) 第 2 期 徐玉琼，等：基于变步长蚁群算法的移动机器人路径规划 ·335·