关键词:
蚁群算法
路径规划
转移概率
自适应调整
摘要:
针对传统蚁群算法(ant colony algorithm,ACO)在移动机器人路径规划中存在的环境适应性差、拐点个数多、计算复杂度高等问题,提出一种基于Sigmoid统计迭代的蚁群算法。首先,采用Sigmoid激活函数分布策略,增加起点到目标点路线上信息素的初始浓度,降低算法前期搜索的盲目性;其次,引入自适应因子动态调节启发函数,增加蚂蚁选择全局最优节点的期望程度,降低算法的收敛时间;最后,在每代蚁群中进行统计分析,提取每代蚂蚁路径最优、最差、平均三个特征参数,并根据迭代次数动态调整信息素更新函数。仿真结果表明,本文改进算法与蚁群系统、精英排序算法、传统蚁群算法相比,最优路径长度分别缩短2.7%、3.2%、5.4%,最优路径次数分别增加42%、53%、62%,最差路径长度分别缩短49%、62%、73%。研究显示,本文改进算法具有更强的全局寻优能力和较好的应用价值。