基于多策略改进蚁群算法的移动机器人路径规划研究

《Robotica》：Research on mobile robot path planning based on multi-strategy improved ant colony algorithm

针对传统蚁群算法在移动机器人路径规划中的搜索盲区、局部最优和收敛慢问题，提出多策略改进算法MS-ACO。通过动态非均匀初始信息素、增强启发式信息、分阶段更新策略及动态参数调整，显著降低路径长度（30.4%）、缩短寻径时间（37.8%）并减少转弯次数（71%），验证了算法的有效性和优越性。

　　

摘要

针对传统蚁群算法（ACO）在移动机器人路径规划中存在的问题，包括初始搜索阶段的盲目性、易陷入局部最优解以及收敛速度慢等问题，本文提出了一种多策略改进的蚁群算法（MS-ACO）。首先，通过结合人工势场方法的排斥场机制，实现了初始信息素的动态非均匀分布。其次，增强了启发式信息以提高全局搜索能力，同时减少了不必要的路径转弯。第三，针对不同的进化阶段采用了不同的信息素更新机制，从而改进了信息素更新策略。最后，通过优化权重系数和波动性系数实现了动态参数调整，使得该算法更好地适应蚁群优化的迭代特性。实验结果表明，MS-ACO有效解决了传统ACO的局限性。在相同的实验条件下，与传统方法相比，该算法使路径长度缩短了30.4%，路径搜索时间减少了37.8%，转弯次数减少了71%，验证了所提算法的可行性和优越性。

---

---