改進勢場蟻群算法下的物料傳輸平臺路徑規(guī)劃

孫 宇，唐 煒，譚 嘯，顧金鳳，郎家偉

江蘇科技大學 機械工程學院，江蘇 鎮(zhèn)江 212003

在物聯(lián)網(wǎng)、智能制造等新興技術的推動下，傳統(tǒng)物流業(yè)正朝著信息化、現(xiàn)代化方向發(fā)展，但實際生產(chǎn)中大多數(shù)傳輸分揀系統(tǒng)仍采用人工或半自動的操作方式，整體自動化水平并不高[1]。貨物傳輸路徑的長短是衡量系統(tǒng)工作效率的一個重要指標。通常根據(jù)環(huán)境信息的已知或未知，將路徑規(guī)劃分為全局路徑規(guī)劃[2]和局部路徑規(guī)劃[3]。不同環(huán)境下采用的路徑規(guī)劃方法也有所差別，對于物料傳輸系統(tǒng)來說，全局規(guī)劃常用算法主要有A*算法[4]、蟻群算法[5]等，而局部規(guī)劃通常采用動態(tài)窗口法[6]、人工勢場法[7]等算法。近年來，國內外不少學者對物料分揀設備與路徑規(guī)劃算法進行了相關的研究。文獻[8]提出了一種基于STM32的物流分揀小車，其上安裝有機械臂以實現(xiàn)貨物的抓取功能，但物流小車貨物運輸量較小且機械臂的抓放與定位精度要求較高，不適用于大規(guī)模物料的運輸。文獻[9]研究了一種柔性送料系統(tǒng)，并采用人工勢場法完成路徑規(guī)劃，但其傳輸?shù)奈锪铣叽缇哂幸欢ǚ秶?，主要為微小、精密型的零件，系統(tǒng)及算法的應用領域有所限制。文獻[10]采用改進的A*算法與人工勢場法對分揀平臺進行路徑規(guī)劃，但僅分析了整體模塊出現(xiàn)故障時的情況，并未對全向輪系故障狀況進行細分，算法的工程化應用存在局限性。文獻[11]在路徑規(guī)劃中通過引入最優(yōu)解和最差解的方法改進了傳統(tǒng)蟻群算法，收斂速度有所提升，但并未對局部路徑中存在障礙物的情況進行深入研究，環(huán)境適應性仍可進一步提升。文獻[12]采用改進的快速搜索隨機樹算法進行包裹分揀的路徑規(guī)劃，縮短了傳輸路徑的長度，但仿真時未考慮所傳輸包裹的實際尺寸，當包裹距離障礙物過近時，可能會出現(xiàn)路徑干涉情況。文獻[13]將改進的人工勢場法與蟻群算法相結合，降低了路徑規(guī)劃時算法陷入局部最優(yōu)的概率，但路徑中仍存在轉角過大、拐點數(shù)偏多等缺點，機器人運動的平穩(wěn)性有待提高。

針對上述物料分揀方式與路徑規(guī)劃算法存在的問題，本文面向模塊化物料傳輸平臺采用改進勢場蟻群算法（improved ant colony system algorithm with potential field，ⅠACSPF）完成了物料傳輸?shù)穆窂揭?guī)劃。相比文獻[8]和[9]，平臺由于結構特殊性，使其可以傳輸數(shù)目較多的物料，且物料自身尺寸具有較大的調整范圍。相比文獻[10]和[11]，平臺路徑規(guī)劃環(huán)境建模時，對障礙物的設定已細分到單個全向輪的輻射區(qū)域，并且考慮到局部路徑規(guī)劃時出現(xiàn)障礙物的情況。相比文獻[12]和[13]，在全局靜態(tài)路徑規(guī)劃中，通過優(yōu)化啟發(fā)函數(shù)并設計因子自適應更新策略改進了傳統(tǒng)蟻群算法，提高算法搜索過程的針對性，加快收斂速度，降低了陷入局部極小值的概率；在局部動態(tài)路徑規(guī)劃中，考慮物料本身尺寸，通過引入距離調節(jié)因子和模糊斥力點解決了傳統(tǒng)人工勢場法中的目標不可達和局部最優(yōu)問題，提升了算法的靈活性與實效性。仿真結果表明，ⅠACSPF 算法能有效縮短物料傳輸路徑，并且減少不必要的拐點，使物料傳輸路徑更為平滑，從而改善了物料傳輸?shù)钠椒€(wěn)性。故對物料傳輸平臺及其的路徑規(guī)劃方面展開相關研究，具有重要的理論價值與實際意義。

1 平臺結構分析與環(huán)境建模

1.1 平臺結構分析

新型物料傳輸平臺由若干個正六邊形模塊構成，其上預留有各模塊的安裝位置，可隨模塊數(shù)量的增加而拼接擴展。為便于物料傳輸，各模塊體采用蜂窩狀的布局形式，并嵌入安裝3 個呈120°對稱分布的全向輪；每個全向輪的轉速與轉向均由對應的直流電機進行獨立控制；任意3個相鄰全向輪的幾何中心組成尺寸完全相同的等邊三角形。在物料傳輸過程中，通過對各全向輪的轉速與轉向進行協(xié)同控制，可在不改變傳輸平臺機械結構和控制系統(tǒng)硬件的前提下，柔性地調整物料的傳輸路徑，從而實現(xiàn)物料的靈活分揀。如圖1為物料傳輸平臺基本結構示意圖。

圖1 物料傳輸平臺基本結構Fig.1 Basic structure of material transmission platform

1.2 環(huán)境建模

建立傳輸平臺模型是進行后續(xù)路徑規(guī)劃的基礎。常用的地圖構建方法有可視圖法、柵格法等[14-15]。其中，可視圖法通過連接各障礙物頂點形成可視線的方法規(guī)劃最優(yōu)路徑，但在障礙物數(shù)量增多時，算法運行效率會明顯降低；而柵格法具有數(shù)據(jù)結構簡單、容易構建、便于分析等優(yōu)點，本文采用其對傳輸平臺進行地圖建模。如圖2為物料傳輸平臺柵格化模型圖，其中，黑色柵格表示障礙物即不可行區(qū)域，白色柵格表示無障礙物即可行區(qū)域。

圖2 傳輸平臺柵格化模型圖Fig.2 Grid model diagram of transmission platform

在物料傳輸過程中，若模塊中某全向輪出現(xiàn)故障，需將其歸為障礙物進行處理。障礙物區(qū)域的劃分如圖3所示。在此將六邊形等分成三個以全向輪為中心的五邊形即工作區(qū)域，見圖3（a）。當輪子發(fā)生故障時，其所在的工作區(qū)域均當作不可行區(qū)域；若不可行區(qū)域未占滿一個柵格時，仍視為占滿一個柵格，黑色柵格為故障輪子的輻射區(qū)域，見圖3（b）。

圖3 障礙物區(qū)域劃分示意圖Fig.3 Schematic diagram of dividing obstacle area

本文在進行路徑規(guī)劃時，因平臺具有特殊的模塊化結構及輪系布局形式，故物料傳輸存在較強的約束性，物料在柵格法中的移動須遵守以下規(guī)則：

（1）只能在本柵格周圍的8個相鄰柵格進行移動，且路徑不能與黑色柵格相交，但黑色柵格四角可作為接觸點。

（2）規(guī)定柵格邊長為1個單位，以限定目標每次移動的路徑長度為1或個單位，即對應向兩邊或對角移動。

（3）在傳輸分揀過程中，物料至少與3 個無故障的全向輪保持接觸，以保證物料的全方位穩(wěn)定傳輸。

（4）對于最佳路徑的選取，要求物料從起點到目標點的移動距離最短，不能碰撞障礙物，且要保證路徑不能重復經(jīng)過同一柵格，否則會造成不必要的能量損失。

2 全局路徑規(guī)劃

2.1 傳統(tǒng)蟻群算法

傳統(tǒng)蟻群算法（ant colony optimization，ACO）是由Marco Dorigo 等人于1991 年首次提出，該算法模擬了自然界中螞蟻的覓食行為[16]。具體原理如下：

螞蟻i(i=1,2,…,a)在八鄰域的可移動范圍內，根據(jù)信息素的濃度來選擇下一移動節(jié)點，設Pimn(t)為t時刻螞蟻i從當前節(jié)點m移動到下一節(jié)點n的概率，則：

式中，τmn(t)為t時刻兩節(jié)點之間的信息素濃度；ηmn(t)為距離啟發(fā)函數(shù)，ηmn(t)=1/dmn，dmn為兩節(jié)點之間的歐式距離；α、β分別為信息素啟發(fā)因子與距離期望函數(shù)因子，二者分別影響τmn(t)與ηmn(t)在蟻群搜索路徑時所占的重要程度；Ai為螞蟻i可移動的節(jié)點集合。

當一代螞蟻路徑規(guī)劃結束后，需判斷是否達到終止條件即最大迭代次數(shù)，若不是則更新路徑上的信息素含量。具體為：

式中，Δτmn為兩節(jié)點之間的信息素濃度之和，為兩節(jié)點上信息素濃度的增量，ρ為信息素揮發(fā)因子，Li為螞蟻i經(jīng)過的路徑長度，I為信息素增強系數(shù)。

2.2 改進蟻群算法

ACO 在全局路徑規(guī)劃中雖有諸多優(yōu)勢，但也存在算法收斂時間長、易陷入局部最優(yōu)等問題[17-18]。針對上述問題，設計了一種改進蟻群算法（improved ant colony optimization，ⅠACO）進行全局路徑規(guī)劃。

2.2.1 優(yōu)化啟發(fā)函數(shù)

在ACO 運行的初始階段，信息素在地圖上分配較均勻，整體濃度差別不大，導致蟻群不能依照路徑中信息素濃度的高低判別較優(yōu)前進方向，無法準確搜尋到可行路徑。為此在原啟發(fā)函數(shù)的基礎上引入下一節(jié)點n與目標點節(jié)點D之間的歐式距離dnD以及動態(tài)權重系數(shù)進行優(yōu)化，可提升算法的收斂速度并降低陷入局部最優(yōu)的概率，具體公式為：

式中，η′mn(t)為優(yōu)化后的距離啟發(fā)函數(shù)，x、y為節(jié)點的橫、縱坐標，bk為算法當前迭代次數(shù)k中最佳路徑經(jīng)過的模塊數(shù)量，B為平臺的總模塊數(shù)量。λ1、λ2為動態(tài)權重系數(shù)，初始值皆為1，滿足λ1+λ2=2 關系，且隨著bk的增加，λ2的權重占比相應提高。

2.2.2 因子自適應更新策略

ACO 中信息素啟發(fā)因子、距離期望函數(shù)因子及信息素揮發(fā)因子是不變的，但考慮到在算法運行初期，路徑中的信息素濃度過低，地圖信息匱乏，導致螞蟻尋路的隨機性擴大；而后期又因為信息素積累過多，限制了螞蟻搜尋的范圍，易使算法陷入局部最優(yōu)?？梢姡邕x取不變因子則不利于最佳路徑的選取，需設計一種因子自適應更新策略，具體如下：

式中，K為算法總迭代次數(shù)，u0、u1及u2為常量且大于1，α′為改進后的信息素啟發(fā)因子（初始值為2.4），β′為改進后的距離期望函數(shù)因子（初始值為9.7），ρ′為改進后的信息素揮發(fā)因子（初始值為0.9）。α′、β′及ρ′的變化曲線如圖4所示。

圖4 因子變化曲線Fig.4 Change curve of factor

在算法初始階段，為使螞蟻盡可能搜尋到更多的可行路徑，α′權重占比不宜過高，β′權重占比不宜過低，且兩者的變化幅度較小、變化速度較慢，以保證β′的重要程度，ρ′在自身取值范圍內的值不應過小，此時有利于擴大蟻群的搜尋范圍；而隨著迭代次數(shù)的增加，α′權重提升，β′權重降低，兩者變化幅度逐漸增大，變化速度逐漸提升，ρ′數(shù)值逐漸降低，負反饋效果削弱，路徑上的信息素隨之增多，信息素濃度對路徑選取的重要程度也相應提升；當達到一定迭代次數(shù)時，蟻群將選擇信息素含量最高的路徑作為最佳路徑。故ⅠACO可降低蟻群搜索的盲目性，提升算法收斂速度并降低陷入局部最優(yōu)的概率。

2.2.3 算法步驟

ⅠACO流程如圖5所示，具體步驟如下：

圖5 ⅠACO流程圖Fig.5 ⅠACO flow chart

步驟1采用柵格法對傳輸平臺進行二維環(huán)境建模。

步驟2初始化算法相關參數(shù)，設置起點與目標點。

步驟3放置a只（一代）螞蟻。

步驟4為每只螞蟻確定當前候選道路集，開始尋路。

步驟5通過優(yōu)化后的啟發(fā)函數(shù)與自適應因子改進傳統(tǒng)概率模型，確定螞蟻下一移動位置。

步驟6判斷每只螞蟻是否完成路徑，若是則執(zhí)行下一步操作；否則返回步驟4。

步驟7記錄每只螞蟻的路徑長度，選出a只螞蟻中的最佳路徑，更新最佳路徑。

步驟8判斷是否達到最大迭代次數(shù)，若是則選出最佳路徑；否則更新信息素，返回步驟3。

3 局部路徑規(guī)劃

傳統(tǒng)人工勢場法（artifificial potential fields，APF）是通過引力與斥力的合力控制物料的移動，存在以下問題[19-20]：

（1）在障礙物與目標點間距離過近的情況下，會產(chǎn)生目標不可達問題。因當物料抵達目標點位置時，雖引力減小至零，對物料無作用，但此時障礙物產(chǎn)生的斥力不為零，致使物料無法及時停止，出現(xiàn)來回震蕩的現(xiàn)象。

（2）當障礙物對物料的斥力與目標點對物料的引力產(chǎn)生的合作用力為零時，物料會陷入局部最優(yōu)，無法抵達目標點位置。圖6（a）、（b）分別為單個與多個障礙物造成局部最優(yōu)情況的示意圖。其中，單個障礙物產(chǎn)生的斥力Freq和多個障礙物產(chǎn)生的合斥力Freq(合)均與目標點產(chǎn)生的引力Fatt大小相等且方向相反。

圖6 局部最優(yōu)情況示意圖Fig.6 Schematic diagram of local optimal situation

針對上述問題，采用了一種改進的人工勢場法（improved artifificial potential fields，ⅠAPF）來進行局部路徑規(guī)劃。

3.1 引入距離調節(jié)因子

對于目標不可達的問題，通過在APF的障礙物斥力場模型中引入距離調節(jié)因子進行解決，優(yōu)化后的斥力場函數(shù)與斥力如下：

式中，ρ0為障礙物作用的最大距離；ρNg為距離調節(jié)因子，表示物料與目標點之間的距離；N為常數(shù)，根據(jù)經(jīng)驗取N=2；c為斥力增益系數(shù)；q、q0分別為物料當前位置與障礙物位置；ρ(q,q0)表示q和q0之間的歐式距離；Freq1、Freq2的方向分別為從障礙物指向物料與從物料指向目標點，具體見圖7。

圖7 改進后物品受力情況Fig.7 Stress situation of improved articles

由于改進的斥力勢場中引入了ρgN，使得物料在向目標點的傳輸過程中，路徑上受到的Fatt與Freq(合)的大小同時在一定范圍內減小，且僅當物料抵達目標點的位置時，兩者才同時減為零，即目標點為最小勢能點，從而避免了震蕩現(xiàn)象的產(chǎn)生。

3.2 增設模糊斥力點

為解決物料陷入局部最優(yōu)問題，仍需對人工勢場模型進一步優(yōu)化。主要通過物料近期位置變化是否過近，判斷其是否陷入局部極小值；若是，則增設模糊斥力點，額外產(chǎn)生的斥力使物料所受合力改變，從而逃離局部極小值點。具體增設步驟如下：

步驟1首先以物料中心r為圓心，障礙物作用的最大距離ρ0為半徑畫圓R1；構造同時經(jīng)過距離r最近的障礙物點F與起點O的直線l1；記錄l1與x軸的夾角θ；判定落在圓R1內的障礙物個數(shù)b。若b=1 執(zhí)行步驟2，若b=j(j=2,3,…)則執(zhí)行步驟3。

步驟2障礙物個數(shù)為1個。記錄物料中心r與F之間距離L1；以r為圓心，L1為半徑畫圓R2；構造經(jīng)過F與r的直線l2；將l2以圓心r為基準，正或逆時針旋轉θ角構造直線l3。l3與圓R2的交點中距離F較遠的節(jié)點為模糊斥力點Q，如圖8所示，圖中為逆時針旋轉。

圖8 單個障礙物時模糊斥力點示意圖Fig.8 Diagram of fuzzy repulsion points with single obstacle

步驟3障礙物個數(shù)為多個。記錄距離物料中心r最近的2 個障礙物之間的距離L2，其之間的中心點f及物料輪廓最大尺寸h（已知參數(shù)）；同時求出F與r之間的距離Lmin；以r為圓心，Lmin為半徑畫圓R3。

若h

圖9 多個障礙物時模糊斥力點示意圖Fig.9 Diagram of fuzzy repulsion points with multiple obstacles

在物品的傳輸過程中，會受到障礙物與模糊斥力點的作用，而ρ0的選取會影響兩者的作用范圍。ρ0為一個人為給定的閾值，以此來改善算法的局部搜索精度，本文令ρ0=1.5。通過增設模糊斥力點改進算法后，能有效減輕人工勢場法中局部最優(yōu)的問題，并通過仿真驗證得出結論：在給定的ρ0情況下，模糊斥力點的增設不會影響算法的局部搜索能力，仍可保證路徑的最佳選取，不易導致算法陷入局部最優(yōu)。

4 IACSPF路徑規(guī)劃

雖然ⅠACO可以規(guī)劃出一條全局最優(yōu)路徑，但距離障礙物過近時，會出現(xiàn)無法實時避開障礙物或轉角過大問題；而ⅠAPF單獨路徑規(guī)劃時雖能有效避開障礙物，但由于缺少全局路徑信息，規(guī)劃的路徑通常并非最優(yōu)。故有必要對ⅠACO與ⅠAPF進行融合，采用新的ⅠACSPF算法進行路徑規(guī)劃，以提升物料的傳輸分揀效率，并減少不必要的拐點，使傳輸路徑更為平滑。

ⅠACSPF流程如圖10所示，具體步驟如下：

圖10 ⅠACSPF流程圖Fig.10 Flow chart of ⅠACSPF

步驟1通過ⅠACO 完成全局路徑規(guī)劃，選出最佳路徑。

步驟2記錄全局最佳路徑上的拐點位置。

步驟3判斷相鄰兩拐點間的距離dmin是否小于等于2 cm。若是，則刪除前一拐點，并更新拐點位置。

步驟4調用ⅠAPF，將全局路徑中拐點的位置作為局部路徑中子目標點的位置以完成路徑規(guī)劃。

步驟5判斷局部路徑終點是否與目標點位置相同。若是，則輸出ⅠACSPF的最佳路徑；否則返回步驟4。

5 仿真分析

為驗證本文所述改進算法的有效性，在軟件MATLAB R2016b 中進行了路徑規(guī)劃對比仿真實驗。其中，黑色柵格區(qū)域為人為設定的全向輪故障輻射區(qū)域。

5.1 IACO路徑規(guī)劃結果

搭建20×20的柵格化二維地圖環(huán)境，設置物料的起點坐標為（0，20），目標點坐標為（20，0）。相關算法的路徑規(guī)劃與收斂曲線對比結果如圖11、12所示。

圖11 ACO與ⅠACO路徑規(guī)劃對比結果Fig.11 Comparison results of path planning between ACO and ⅠACO

圖11（a）采用ACO 進行路徑規(guī)劃，路徑拐點多，部分拐角較大，且在圖中畫圈處從兩障礙物中間穿越，在本傳輸平臺上屬于不合理路徑；圖11（b）采用ⅠACO 進行路徑規(guī)劃，路徑拐點少、較平滑，算法搜索過程針對性強，且有效解決了出現(xiàn)不合理路徑的問題。

由圖12可知，ACO收斂曲線波動較大，收斂速度慢且達到總迭代次數(shù)后仍未趨于穩(wěn)定，耗時多，同時該算法易陷入局部最優(yōu)，選擇的路徑不是最佳規(guī)劃路徑；而ⅠACO波動較小，收斂速度快，在迭代29次后趨于穩(wěn)定，耗時少，且選擇的路徑為最佳規(guī)劃路徑，可使平臺的傳輸分揀效率隨之提高。綜上，ⅠACO相比ACO的改進是合理且有效的，相關對比結果見表1。

表1 ACO與ⅠACO仿真對比結果Table 1 Comparison results of simulation between ACO and ⅠACO

圖12 收斂曲線對比結果Fig.12 Comparison results of convergence curve

可以看出，ⅠACO相比ACO路徑長度縮短了10.2%，且運行時間縮短了40.7%，拐點數(shù)目減少了35.7%，收斂速度提高了至少71.0%。因此，ⅠACO 在傳輸平臺上具有更強的尋優(yōu)能力。

5.2 IAPF路徑規(guī)劃結果

當面臨未知障礙物時，須采用ⅠAPF 完成局部路徑規(guī)劃，使物料遠離障礙物，以提高傳輸安全性。起點位置標記為□，目標點位置標記為▽。在此分別對物料產(chǎn)生目標不可達問題與陷入局部最優(yōu)情況進行對比分析，具體如下：

（1）在APF作用下，由于目標點附近存在障礙物，物料所受斥力與引力交替增加或減少，使物料無法達到目標點，在目標點附近徘徊形成震蕩區(qū)域；而ⅠAPF由于引入ρNg，使得目標點處勢能值最低，能夠順利到達目標坐標點（9，9），同時相比APF來說，無震蕩現(xiàn)象的產(chǎn)生，有效解決了目標不可達問題，此外還提高了路徑的規(guī)劃效率和平滑度。目標不可達時APF與ⅠAPF路徑規(guī)劃對比結果如圖13所示，圖中畫圈處為物料運動軌跡的震蕩區(qū)域。

圖13 目標不可達時APF與ⅠAPF路徑規(guī)劃對比結果Fig.13 Comparison results of path planning between APF and ⅠAPF when target is unreachable

（2）當采用APF 時，物料易陷入局部極小值點，此時物料停止運動，無法到達目的地；而當采用ⅠAPF 時，通過增設模糊斥力點能使物料在原局部極小值點處的合力不為零，使物料遠離局部極小值點，并成功到達目標點。具體路徑規(guī)劃對比結果如圖14所示。

圖14 局部最優(yōu)時APF與ⅠAPF路徑規(guī)劃對比結果Fig.14 Comparison results of path planning between APF and ⅠAPF in local optimization

由圖14（a）可知，當物料陷入局部最優(yōu)且h

以上仿真表明：當面臨目標不達問題與局部最優(yōu)問題時，ⅠAPF通過引入調節(jié)因子和增設模糊斥力點進行局部動態(tài)路徑規(guī)劃，傳輸分揀效率更高。具體對比結果見表2。

表2 面臨問題時APF與ⅠAPF仿真對比結果Table 2 Comparison results of simulation between APF and ⅠAPF when facing problems

5.3 IACSPF路徑規(guī)劃結果

ⅠACSPF與圖10（b）中ⅠACO的路徑規(guī)劃對比，如圖15所示。

圖15 ⅠACO與ⅠACSPF路徑規(guī)劃對比結果Fig.15 Comparison results of path planning betweenⅠACO and ⅠACSPF

路徑規(guī)劃初期，ⅠACSPF 勘探能力更強，算法的收斂速度與最小路徑長度都有明顯改善，這主要因為ⅠACSPF 中改進了啟發(fā)函數(shù)，且ρ′數(shù)值較高，以此降低路徑上的信息素，減小信息素對未來螞蟻行為的影響，增加了算法的探索能力；規(guī)劃中期，由于改進算法中的因子自適應動態(tài)變化，使得α′權重占比提升，β′權重占比下降，ρ′數(shù)值逐漸降低，加強了信息素濃度對路徑選取的影響效果，算法收斂幅度逐漸減小，增強了算法的開發(fā)能力；規(guī)劃后期，ⅠACSPF 也能更快收斂，找到的路徑相比改進前也更優(yōu)。此外，ⅠACSPF 下的物料傳輸路徑長度進一步優(yōu)化，且運動軌跡整體更為平滑，拐點較少，更符合實際工程應用需要。對比結果見表3。

表3 ⅠACO與ⅠACSPF仿真對比結果Table 3 Comparison results of simulation betweenⅠACO and ⅠACSPF

由表1 與表3 可知，ⅠACSPF 相比ACO 路徑長度縮短13.1%，拐點數(shù)減少71.4%，故ⅠACSPF 算法在物料傳輸平臺上的尋優(yōu)與避障能力更強。

6 結束語

本文針對模塊化傳輸平臺的路徑規(guī)劃問題，提出了一種改進勢場蟻群算法的新型路徑規(guī)劃算法。通過相關仿真分析，得出以下結論：優(yōu)化啟發(fā)函數(shù)與設計因子自適應更新策略，減少了算法運行時間與產(chǎn)生局部極小值概率。引入距離調節(jié)因子和增設模糊斥力點，解決了局部路徑中的目標不可達問題，并且能有效避免陷入局部最優(yōu)的情況。將兩種改進算法融合后設計的改進勢場蟻群算法，可減少路徑中不必要的節(jié)點，并降低傳輸過程中的能量損耗。改進勢場蟻群算法的尋優(yōu)能力更強且規(guī)劃的路徑更加平滑，通過MATLAB 仿真驗證了該算法的有效性。

未來工作將考慮面臨動態(tài)障礙物時，物料將如何有效規(guī)避并完成相應的最佳路徑規(guī)劃，提升算法的環(huán)境適應性；同時結合實際工程，在更為復雜的環(huán)境中完成物料的快速傳輸工作，進一步驗證算法的合理性與有效性。