蚁群算法在路径规划中的应用研究

肖厚国

（大连理工大学城市学院，辽宁大连 116000）

随着科技的发展，推动了优化理论的进步，使其被广泛地应用于航空航天、自动化等各个领域，同时伴随着“互联网+”技术的普及应用，优化理论呈现出更深、更快的发展趋势，为解决优化算法提供了契机。为此该文通过对蚁群算法的基本原理以及应用现状进行研究，以期为蚁群算法的深入研究奠定基础。

1 蚁群算法的基本原理

蚁群算法主要通过选择、更新、协调机制来进行路径规划，其算法基本思想是通过模拟蚂蚁在寻找食物过程中采用的正反馈原理寻找最短路径，蚂蚁在经过的路径上释放易挥发性物质信息素(pheromone)，并通过信息素进行相互通信。蚁群算法可分为三步：首先找出初始路径；其次对路径剪枝，去掉与实际条件不相关属性；最后更新信息素浓度，为后续蚂蚁选择路径提供参考依据。

1.1 初始环境

设A点为蚂蚁初始行驶的位置，D点为蚂蚁最终到达的目的地，ABD和ACD分别为两条截然不同路径，其中 ABD=2，ACD=4，ACD=2ABD，初始蚂蚁数量为40只。

1.2 约束条件

该文在进行论述蚁群算法对以下信息进行约束。

（1）两条路径的信息浓度为0。

（2）在行驶的过程中始终保持速度不变。

（3）到达点D立即返回。

1.3 蚂蚁聚集密度的变化现象

（1）当 t=0 时。

A点共有40只蚂蚁，沿ABD路径的蚂蚁数量为20只，记作N1，沿ACD路径蚂蚁的数量为20只，记作N2。

（2）当 t=2 时。

因ACD和ABD路径的长度不同，当t=2时，N1已到终点，而N2刚到达C点。为简化计算，设N1、N2到达后立即按原有路程折回，此时DBA上的蚂蚁信息浓度由0变成20，而N2还未到达终点D，故DCA上蚂蚁的信息浓度为0。

（3）当 t=4 时。

当t=4时，N1回到初始位置，N2刚好到达终点D，因N1已在ABD路径上留下两次“痕迹”，而N2在ACD留下一次“痕迹”，所以ABD上的信息度是ACD上的两倍，因此当蚂蚁再次寻找食物时，会根据路径上信息度的不同而选择路径。随着越来越多的蚂蚁选择ABD，从而导致ABD的信息度要逐渐大于ACD上的信息度，致使ABD和ACD上信息度的差异越来越大，最终导致蚂蚁逐渐趋向于选择路径ABD，而非路径ACD。

1.4 蚁群算法的论述

通过查阅国内外研究现状，蚁群算法应用于路径规划，其算法步骤如下。

步骤1：设初始信息素分布iij=i0，蚂蚁初始数量为m0，最大迭代次数为Tmax，蚂蚁记数器m=0，迭代计数器t=0。

步骤2：蚂蚁k放置到ɡbegin的位置，并添加至禁忌表tabuk中。

步骤3：在当前可行域Z中选择预计运动的节点，分为两种情况。

情况1：若|Z|＝0，则所有节点都走过，即无路可走，跳转至步骤8。

情况2：若|Z|＞0，根据转移概率，并用轮盘赌的方式选择下一步要前往的节点j，并将节点j加入禁忌表tabuk中。

其中公式（2）中，D为启发信息项，一般设为常数1；

步骤4：蚂蚁运动至节点J后，判断是否到达目标位置；

情况1：若节点J不是目标节点，跳转到步骤3；

情况2：若节点J是目标节点，蚂蚁K到达目标位置，跳转至步骤5；

步骤5：该次迭代是否介绍，若不是m=m+1，跳转到步骤2，若是，则m=，并且按照公式（4）对信息素进行及时更新，公式（4）如下所示：

i（t+1）=（1-ρ）i（t）+Δjkij（公式 4）

步骤 8：若 t＜Tmax，则清空 tabuk，迭代次数 t=t+1，并且跳转到步骤2，否则规划结束。

2 蚁群算法的应用现状

通过查询现有的研究成果，现阶段蚁群算法主要根据选择、更新、协调三种模式进行路径的部署优化。在选择层面，由于供给的信息量多，所以提供选择的概率就越大；在更新方面，由于蚂蚁多次在路径上留下“痕迹”，信息浓度就会随着“痕迹”的增多而增大，从而选择“痕迹”路径上多的蚂蚁数量就越来越多；在协调层面，由于信息素是蚂蚁间有效的“通讯”方式，它们通过“通讯”方式有效地进行传递信息，这在一定程度上确保了路径规划选择蚁群算法的可靠性。即使如此，蚁群算法也难免会存在一定的瑕疵，如在收敛速度、局部优化以及停滞等均存在一定的问题。

3 蚁群算法的展望

随着信息技术的发展以及人工智能的涌现，研究学者针对蚁群算法存在的问题进行也进行了较大的优化，但依然存在一定的问题，仍需要继续攻破。

（1）蚂蚁数目的确定问题。周边环境的状况与蚂蚁的数量存在一定的关联关系，而蚂蚁数目的多少在一定程度上回馈蚁群算法搜索的快慢。因此，有必要针对环境的不同状况确定蚂蚁的数目进行研究，从而进一步确定环境因素与蚂蚁数目的选取问题。

（2）收敛速度慢和局部最优解问题。由于收敛速度与局部最优间相辅相成，虽然研究学者针对上述问题进行不同程度的探讨，且提出较多的优化方案，由于其他算法在环境、外界因素等方面有苛刻的要求，从而导致在收敛速度和局部最优方面往往顾己失彼。因此有必要进行探讨如何有效的顾及收敛和局部最优的情形。

（3）参数值的设定。通过查询现有的研究成果可知：在现阶段，针对参数的设定方面并没有明确计算公式，而是通过实验进行确定参数值，因此，在参数值设定方面有必要研发出计算公式或程序进行界定。

（4）随着自动化程度越来越高，移动机器人逐步趋向于市场化，而移动机器对路径规划的要求越来越高，因此有必要针对影响蚁群算法精准度的其他因子进行研究，从而提供路径规划的精准性。

4 结语

因蚁群算法具备搜索能力、正反馈、鲁棒性等特点，而且、能够友好的融合其他算法，因此蚁群算法普遍在应用于路径规划中，该文针对蚁群算法在路径规划中的应用进行研究，以期为蚁群算法的深入研究奠定一定的基础。