基于改進(jìn)蟻群算法的水下無(wú)人機(jī)路徑規(guī)劃研究

楊海清,蘆 斌

(浙江工業(yè)大學(xué) 信息工程學(xué)院，杭州 310014)

0 引言

隨著現(xiàn)代計(jì)算機(jī)信息科學(xué)的不斷發(fā)展,人工智能和海洋大數(shù)據(jù)的應(yīng)用領(lǐng)域也在不斷擴(kuò)大,無(wú)人機(jī)的最優(yōu)路徑選擇和規(guī)劃成了其重要的組成部分。我國(guó)擁有漫長(zhǎng)的海岸線和包括內(nèi)海在內(nèi)的四百多平方公里的水域,所以水下無(wú)人機(jī)與海洋的資源開(kāi)發(fā)綜合利用的問(wèn)題也已經(jīng)變得越來(lái)越亟待解決。水下無(wú)人機(jī)已經(jīng)成為了對(duì)海洋資源的開(kāi)發(fā)綜合利用的重要技術(shù)工具，在面對(duì)這種復(fù)雜多變的海洋生態(tài)環(huán)境時(shí),目前的水下無(wú)人機(jī)在最優(yōu)路徑規(guī)劃上依然是個(gè)重要課題，很多算法在路徑規(guī)劃上的效果并不令人滿意,很難得到較好的結(jié)果[1-2]。

蟻群算法針對(duì)水下無(wú)人機(jī)路徑規(guī)劃方面有著非常好的效果，擁有不錯(cuò)的魯棒性和全局性，但在面對(duì)復(fù)雜的海洋環(huán)境時(shí)，往往出現(xiàn)局部最優(yōu)解、收斂速度慢的不足之處。本文在傳統(tǒng)算法基礎(chǔ)上進(jìn)行研究，針對(duì)傳統(tǒng)算法的不足之處進(jìn)行改進(jìn)，建立了基于正態(tài)分布的自適應(yīng)蟻群算法，對(duì)添加目標(biāo)引導(dǎo)素、精英螞蟻體系、更新信息素濃度這3個(gè)方向進(jìn)行改進(jìn)。進(jìn)而確定了改進(jìn)蟻群算法在路徑規(guī)劃上的應(yīng)用步驟，并對(duì)其實(shí)驗(yàn)仿真。仿真結(jié)果表明，相較于傳統(tǒng)的蟻群算法，經(jīng)過(guò)改進(jìn)的蟻群算法具有更好的收斂速度，能夠準(zhǔn)確求得最優(yōu)路徑，具有很強(qiáng)的可行性。

1 問(wèn)題描述

1.1 水下環(huán)境建模

面對(duì)復(fù)雜的水下環(huán)境,水下無(wú)人機(jī)在水下航行過(guò)程中也面臨的種種威脅,包括來(lái)自洋流、海底火山地震、地質(zhì)變化及水下動(dòng)植物帶來(lái)的問(wèn)題[3]。要完成水下無(wú)人機(jī)的整個(gè)航行過(guò)程,我們不僅僅需要機(jī)器本身?yè)碛懈鼉?yōu)秀的結(jié)構(gòu)和材料,也需要研究人員設(shè)計(jì)一套更加完善可靠的規(guī)劃方案。

要完成整個(gè)水下無(wú)人機(jī)的路徑規(guī)劃方案,就需要先建立起一個(gè)高效的水下環(huán)境的模型,將復(fù)雜的水下環(huán)境抽象成為計(jì)算機(jī)能夠識(shí)別的地圖模型,抽象表達(dá)的方式能夠使得計(jì)算機(jī)的計(jì)算效率就可以大幅度提升,環(huán)境模型建立的好壞會(huì)直接導(dǎo)致路徑尋優(yōu)的成功與否,通過(guò)不斷優(yōu)化水下環(huán)境的模型,是整個(gè)系統(tǒng)朝著更加安全可靠的方向進(jìn)行[4-5]。

根據(jù)水下環(huán)境的圖片運(yùn)用柵格法對(duì)數(shù)據(jù)進(jìn)行處理,把水下環(huán)境比作成一個(gè)二維的平面,然后將這個(gè)二維的平面進(jìn)行分割,劃分成m×n個(gè)相同面積的方塊作為小柵格,這樣我們對(duì)每個(gè)柵格進(jìn)行了賦值,從而就將復(fù)雜的水下環(huán)境用簡(jiǎn)單的柵格表達(dá)出來(lái)[6-7]。用白色柵格代表可自由行進(jìn)的空間,用黑色柵格代表不可行進(jìn)和障礙物空間，如圖1所示。

圖1 二維環(huán)境柵格模型

在進(jìn)行建立二維環(huán)境的模型時(shí),使用這種建模方法最終能否精確獲得所求解的重要因素就是劃分出的柵格的大小,若柵格面積大,整個(gè)環(huán)境模型的信息保留少,計(jì)算機(jī)處理速度加快,能有效地避免干擾,能夠快速地求出最優(yōu)路徑,但是這樣會(huì)使得環(huán)境中的信息不完整,構(gòu)建的環(huán)境模型模糊,無(wú)法準(zhǔn)確地進(jìn)行規(guī)劃,容易造成結(jié)果錯(cuò)誤;相反地,若柵格面積分割的特別小,會(huì)使得構(gòu)建的環(huán)境模型清晰,但這樣就使得計(jì)算機(jī)處理速度緩慢,雖然會(huì)增大獲得最優(yōu)路徑的幾率,尋得最優(yōu)解,但其實(shí)時(shí)性較差,無(wú)法快速地計(jì)算出最優(yōu)的路徑。

1.2 蟻群算法基本原理

螞蟻之間進(jìn)行信息交流的媒介就是自身分泌的氣味，在螞蟻群運(yùn)動(dòng)的過(guò)程中,它們往往能夠在其要走過(guò)的路上留下分泌物,這種分泌物就能夠引導(dǎo)其他的螞蟻也在這個(gè)路徑上行走。當(dāng)螞蟻在路上遇到障礙物的時(shí)候，螞蟻就會(huì)以相同概率選擇一個(gè)方向，久而久之，每一個(gè)通往目標(biāo)處的路上都會(huì)存在著信息素[8-9]。但由于螞蟻在經(jīng)過(guò)的短路徑上,信息素的濃度就會(huì)比其他路上的濃度高，當(dāng)其他螞蟻再進(jìn)行選擇時(shí)，就會(huì)更加傾向于信息素濃度大的路線，這樣就會(huì)使得后面的螞蟻更多的通過(guò)這條路，而其它路上的螞蟻就越來(lái)越少[10]。螞蟻覓食的原理如圖2所示。

圖2 蟻群覓食路徑選擇原理圖

蟻群算法在尋找最短路徑時(shí)能夠運(yùn)用正反饋的原理，在最短的路徑上不斷地增大信息素的濃度，這種隨時(shí)間連續(xù)增大的濃度，可以加快系統(tǒng)的運(yùn)算速度。而負(fù)反饋的加入，就盡可能地避免出現(xiàn)局部最優(yōu)解，使得整個(gè)算法得到一個(gè)正確解。

根據(jù)蟻群覓食的這些規(guī)則，螞蟻在覓食路線上會(huì)留下一定量的信息素，后面螞蟻將會(huì)根據(jù)留下來(lái)的信息素的濃度對(duì)下一步路線進(jìn)行選擇，這個(gè)狀態(tài)可用概率公式表示為：

(1)

(2)

螞蟻每次到達(dá)一個(gè)節(jié)點(diǎn)時(shí)，就將這個(gè)節(jié)點(diǎn)排除在以后的前進(jìn)目標(biāo)中，這樣就保證了每個(gè)節(jié)點(diǎn)只能被選取一次，當(dāng)所有的節(jié)點(diǎn)都被螞蟻排除的時(shí)候，螞蟻就相當(dāng)于對(duì)環(huán)境地圖的所有能到達(dá)的節(jié)點(diǎn)都經(jīng)過(guò)，這時(shí)就要對(duì)這個(gè)排除單的目錄重新刷新一次，后續(xù)的螞蟻就將繼續(xù)進(jìn)行。每一只螞蟻在所經(jīng)過(guò)的路上也將會(huì)留下一定量的信息素，這些信息素將隨著時(shí)間慢慢地消失，這就要求合理的控制信息素的濃度，保證螞蟻達(dá)到的概率。經(jīng)過(guò)時(shí)間n秒后，信息素濃度更新公式如下：

τij(t+n)=(1-p)*τij(t)+Δτij(t),p∈(0,1)

(3)

(4)

其中:ρ表示信息度揮發(fā)系數(shù)；Δτij表示路徑上留下來(lái)的信息素總量；當(dāng)t=0時(shí)，路徑上留下的信息素為0。

信息素的更新有不同的方式，根據(jù)方式的不同，下面提供3種計(jì)算信息素總量的方法。

螞蟻循環(huán)模型:

螞蟻數(shù)量模型:

螞蟻密度模型:

通過(guò)對(duì)比這3種模型的公式，可以看出它們對(duì)信息素濃度的計(jì)算方法有差別，3種公式的Q表示路徑上信息素的強(qiáng)度，Lk表示螞蟻經(jīng)過(guò)的路線長(zhǎng)度[11-12]。螞蟻循環(huán)模型中，信息素濃度跟螞蟻在覓食中走過(guò)的路線的長(zhǎng)度有關(guān)；螞蟻數(shù)量模型中，信息素濃度與兩節(jié)點(diǎn)之間的距離有關(guān)系；螞蟻密度模型中，信息素濃度完全取決于信息素的強(qiáng)度這個(gè)常量。分析公式可以看出，當(dāng)信息素強(qiáng)度變大時(shí)，得到的信息素濃度也就變大，這樣就會(huì)使得蟻群過(guò)早地找到一條信息素含量高的路線，這種情況下容易出現(xiàn)局部最優(yōu)解。由此可見(jiàn)，螞蟻循環(huán)模型在解決路徑規(guī)劃問(wèn)題上有更好的優(yōu)勢(shì)，能夠更方便地計(jì)算。

2 改進(jìn)蟻群算法

針對(duì)傳統(tǒng)蟻群算法的不足，我們將從以下幾個(gè)方面做出改進(jìn)：

首先是在算法中加入目標(biāo)引導(dǎo)素。螞蟻在節(jié)點(diǎn)移動(dòng)時(shí)更加地具有目的性，更好地提高算法的求解效率，螞蟻能夠在初始階段就開(kāi)始確定搜索范圍，這樣就可以直接朝著更接近最終目的地的方向?qū)ふ易顑?yōu)解，改進(jìn)后的算法將會(huì)顯著提高收斂的速度，減少了不必要的資源消耗。

其次確立精英螞蟻體系。蟻群在路徑尋優(yōu)時(shí)，動(dòng)態(tài)的調(diào)整每只螞蟻所帶信息素的量，經(jīng)過(guò)路徑短的螞蟻攜帶信息素的量增大，經(jīng)過(guò)路徑長(zhǎng)的螞蟻攜帶信息素的量降低。這樣就能對(duì)后面螞蟻起到正反饋?zhàn)饔茫黾忧蟮媒獾臄?shù)量，有效地避免出現(xiàn)局部最優(yōu)解。

最后，更新信息素的濃度。傳統(tǒng)蟻群算法時(shí)，螞蟻在每條路徑上留下的信息素的量是相同的，這樣就會(huì)導(dǎo)致出現(xiàn)多個(gè)路徑信息素總濃度相似，容易出現(xiàn)非最優(yōu)解。這時(shí)我們對(duì)信息素?fù)]發(fā)系數(shù)進(jìn)行動(dòng)態(tài)調(diào)整，增加螞蟻所經(jīng)過(guò)路徑的數(shù)量，避免陷入局部解的誤區(qū)，改進(jìn)后的算法將會(huì)求得更多的解，面對(duì)數(shù)量大的蟻群時(shí)也會(huì)求得最優(yōu)解。

2.1 添加目標(biāo)引導(dǎo)素

算法在初始搜索階段，由于每條路徑經(jīng)過(guò)的螞蟻數(shù)量較少，使得后面螞蟻沒(méi)法根據(jù)信息素的濃度來(lái)判斷下一個(gè)節(jié)點(diǎn)，這就使得螞蟻隨機(jī)的前往其余所有節(jié)點(diǎn)，這種盲目的搜索，極大地增加了算法的運(yùn)算時(shí)間，也將會(huì)占用更多的資源。我們?cè)诟倪M(jìn)的算法中添加目標(biāo)引導(dǎo)素：

(5)

式中，m為蟻群總數(shù)量；mk為當(dāng)前蟻群數(shù)量；Ncmax為最大迭代次數(shù)；Nc為當(dāng)前迭代次數(shù)；diD為節(jié)點(diǎn)i與終點(diǎn)的長(zhǎng)度；dij為節(jié)點(diǎn)i與節(jié)點(diǎn)j的長(zhǎng)度。

添加上目標(biāo)引導(dǎo)素之后，節(jié)點(diǎn)之間的移動(dòng)概率就變?yōu)椋?/p>

(6)

其中:jD和sD為當(dāng)前節(jié)點(diǎn)的引導(dǎo)素和下一個(gè)節(jié)點(diǎn)的引導(dǎo)素。蟻群搜索初始階段時(shí)，各條路線上信息素濃度接近，此時(shí)的引導(dǎo)素較小，移動(dòng)概率就較低，此時(shí)蟻群可以不斷地進(jìn)行搜索，隨著距離終點(diǎn)位置的接近，路線上信息素的濃度相應(yīng)地增大，引導(dǎo)素也不斷增大，此時(shí)螞蟻移動(dòng)到目標(biāo)節(jié)點(diǎn)的概率增大，降低了蟻群搜索的盲目性。加入引導(dǎo)素的蟻群算法使得螞蟻在節(jié)點(diǎn)之間移動(dòng)時(shí)，概率出現(xiàn)差別，離終點(diǎn)越近的節(jié)點(diǎn)被螞蟻選擇的可能性更大，這種做法使得算法運(yùn)行更加高效地、更快速地獲得最優(yōu)解。

2.2 精英螞蟻體系

螞蟻在節(jié)點(diǎn)之間進(jìn)行移動(dòng)時(shí)，由于開(kāi)始搜索時(shí)路徑經(jīng)過(guò)螞蟻數(shù)量較少，留下來(lái)的信息素特別低，如果這是后面螞蟻朝著一條不是最優(yōu)路線的節(jié)點(diǎn)移動(dòng)時(shí)，這條非最優(yōu)路徑的信息素濃度就變大，在正反饋的作用之下，后續(xù)螞蟻將會(huì)更多的經(jīng)過(guò)這個(gè)路線，這時(shí)就會(huì)出現(xiàn)非最優(yōu)解。面對(duì)這一問(wèn)題，本文做出精英螞蟻體系，對(duì)完成搜索的螞蟻按照其走過(guò)路線的長(zhǎng)度排序，對(duì)走過(guò)路線最小的螞蟻所帶有的信息素進(jìn)行更新，增大其所帶有的信息素量，而這種能夠取得最短路徑的螞蟻被看成為精英螞蟻，越是經(jīng)過(guò)的路線越短，更新后螞蟻所攜帶的信息素的量就越高。更新信息素的公式為：

τij(t+n)=(1-p)τij(t)+Δτij(t,t+n)

(7)

精英螞蟻信息素的增加量為：

(8)

并對(duì)節(jié)點(diǎn)信息素進(jìn)行更新為：

(9)

蟻群搜索初始，螞蟻在兩節(jié)點(diǎn)i和j之間進(jìn)行移動(dòng)時(shí)，由于開(kāi)始搜索時(shí)路徑經(jīng)過(guò)螞蟻數(shù)量較少，留下來(lái)的信息素特別低，如果這是后面螞蟻朝著一條不是最優(yōu)路線的節(jié)點(diǎn)移動(dòng)時(shí)，這條非最優(yōu)路徑的信息素濃度就變大，在正反饋的作用之下，后續(xù)螞蟻將會(huì)更多地經(jīng)過(guò)這個(gè)路線，這時(shí)就會(huì)出現(xiàn)非最優(yōu)解。而加入了精英螞蟻體系，對(duì)完成搜索的螞蟻按照其走過(guò)路線的長(zhǎng)度排序，走過(guò)路線最短的螞蟻被看作為精英螞蟻，對(duì)精英螞蟻所帶有的信息素進(jìn)行更新，增大它們所帶有的信息素量，越是經(jīng)過(guò)的路線越短，更新后螞蟻所攜帶的信息素的量就越高，這種搜索方式將會(huì)極大地提高算法運(yùn)算速度，快速得到算法的最優(yōu)解。

2.3 更新信息素濃度

運(yùn)用蟻群算法求解時(shí)，每只螞蟻會(huì)根據(jù)每條路徑信息素濃度的正反饋來(lái)決定它們的移動(dòng)路線，信息素的改變將會(huì)直接影響整個(gè)算法的結(jié)果，而每條路徑上信息素的濃度與它們的揮發(fā)系數(shù)有著直接的聯(lián)系。當(dāng)信息素的揮發(fā)系數(shù)大時(shí)，每條路徑上的信息素濃度低，此時(shí)算法能夠迅速收斂，但路徑上信息素消失速度太快，無(wú)法求得解，當(dāng)信息素?fù)]發(fā)系數(shù)小時(shí)，每條路徑留下的信息素濃度較大，這樣會(huì)陷入局部最優(yōu)解的誤區(qū)。為了能夠平衡這個(gè)關(guān)系，對(duì)信息素?fù)]發(fā)系數(shù)進(jìn)行改造，使其服從正太分布，即蟻群在剛開(kāi)始搜索時(shí)，揮發(fā)系數(shù)較小，此時(shí)能夠在路徑上留下更多的信息素，便于提高初始搜索效率，螞蟻能夠通過(guò)正反饋的指引來(lái)獲得比較強(qiáng)尋優(yōu)能力；隨著時(shí)間的增加，信息素?fù)]發(fā)系數(shù)越來(lái)越大，這時(shí)路徑上所留下來(lái)的信息素能夠快速的消失，這樣就可以增大最優(yōu)解的個(gè)數(shù)，很好地避免了出現(xiàn)局部最優(yōu)解；當(dāng)搜索快要結(jié)束時(shí)，揮發(fā)系數(shù)降低，這樣路徑上的信息素濃度就會(huì)增加，能夠更好地引導(dǎo)后續(xù)的蟻群，起到正反饋?zhàn)饔谩?/p>

信息素?fù)]發(fā)系數(shù)滿足正態(tài)分布如下：

(10)

其中:k為精英螞蟻的序號(hào)。

相較于傳統(tǒng)蟻群算法，利用服從正態(tài)分布的信息素?fù)]發(fā)系數(shù)能夠更好地利用取值的不同大小來(lái)實(shí)現(xiàn)改進(jìn)蟻群算法求得更多最優(yōu)解的目的。利用正態(tài)分布的特性，在螞蟻搜索最優(yōu)解的初始階段，信息素?fù)]發(fā)系數(shù)小，螞蟻在經(jīng)過(guò)每條路徑時(shí)便可以留下更多的信息素，對(duì)后面螞蟻?zhàn)龅搅烁玫囊龑?dǎo)，隨著搜索的不斷進(jìn)行，揮發(fā)系數(shù)慢慢增大，螞蟻在通過(guò)每條路徑上的信息素將會(huì)快速揮發(fā)，這樣螞蟻就能夠達(dá)到更多的節(jié)點(diǎn)，有效地避免局部最優(yōu)的現(xiàn)象，能夠增大最終獲得最優(yōu)解的數(shù)量，提高了系統(tǒng)的性能，隨著螞蟻搜索的不斷進(jìn)行，信息素的揮發(fā)系數(shù)慢慢減小，螞蟻經(jīng)過(guò)的每條路徑上的信息素濃度就不斷增大，便于螞蟻能夠到達(dá)目標(biāo)，整個(gè)路徑尋優(yōu)就此完成。由此可見(jiàn)，用于服從正態(tài)分布的揮發(fā)系數(shù)具有傳統(tǒng)固定揮發(fā)系統(tǒng)所不具備的多種優(yōu)勢(shì)，這種改進(jìn)的蟻群算法更能夠快速、高效地求出更多的最優(yōu)解，進(jìn)一步增加了蟻群算法的魯棒性。

2.4 改進(jìn)蟻群算法的路徑規(guī)劃步驟

通過(guò)對(duì)蟻群算法的改進(jìn)，路徑規(guī)劃過(guò)程也發(fā)生了相應(yīng)的改進(jìn)，具體步驟如下：

Step1：數(shù)學(xué)參數(shù)初始化。給定路徑的起點(diǎn)坐標(biāo)和終點(diǎn)坐標(biāo)，設(shè)置蟻群的個(gè)數(shù)、信息啟發(fā)因子、最大迭代的次數(shù)、信息素?fù)]發(fā)系數(shù)等一系列參數(shù)

Step2：構(gòu)建環(huán)境模型。運(yùn)用柵格法將空間模型抽象處理，根據(jù)環(huán)境信息完成環(huán)境模型的構(gòu)建。

Step3：信息參數(shù)初始化。將蟻群的排除表及模型的長(zhǎng)度等信息進(jìn)行初始化，螞蟻從路徑的起點(diǎn)坐標(biāo)出開(kāi)始向前行進(jìn)，根據(jù)螞蟻從一個(gè)節(jié)點(diǎn)到達(dá)另一個(gè)節(jié)點(diǎn)的概率公式來(lái)進(jìn)行尋找，每次到達(dá)一處節(jié)點(diǎn)都要進(jìn)行記錄并將此處節(jié)點(diǎn)加入排除表，當(dāng)環(huán)境模型中的所有節(jié)點(diǎn)都出現(xiàn)在排除表時(shí)，蟻群就完成了整個(gè)尋優(yōu)過(guò)程。

Step4：信息素更新。蟻群沒(méi)完成一次迭代，都要對(duì)信息素濃度等參數(shù)進(jìn)行更新。

Step5：判斷是否是局部最優(yōu)解。若是，則將信息素?fù)]發(fā)系數(shù)按照正態(tài)分布進(jìn)行改進(jìn)；否則，繼續(xù)進(jìn)行迭代。

Step6：完成遍歷。將蟻群尋優(yōu)已完成的次數(shù)與最大迭代次數(shù)比較，當(dāng)已完成次數(shù)小于最大迭代次數(shù)時(shí)，繼續(xù)完成下一次迭代；反之，迭代完成，蟻群結(jié)束下一步尋優(yōu)。

Step7：輸出。將蟻群算法得到的最優(yōu)路徑保存。

改進(jìn)的蟻群算法處理路徑規(guī)劃問(wèn)題的流程如圖3所示。

圖3 改進(jìn)后的蟻群算法尋優(yōu)流程圖

算法在處理路徑規(guī)劃問(wèn)題上的編程思路如下：

Begin

建立環(huán)境模型的01矩陣。(0表示可行進(jìn)空間，1表示障礙物空間)

參數(shù)初始化，將m只螞蟻放到起點(diǎn)上。

loop

for k=1 to m do//從第1只螞蟻開(kāi)始，依次置于起點(diǎn)

按概率計(jì)算公式(6)計(jì)算選擇下一個(gè)節(jié)點(diǎn)j;

按公式(10)更新節(jié)點(diǎn)間的信息素濃度；

if 節(jié)點(diǎn) j是終點(diǎn)D then

全局信息素更新；

記錄起點(diǎn)到終點(diǎn)D之間的距離和路徑；

else 根據(jù)公式(6)選擇下一節(jié)點(diǎn)

更新全局信息素

if N≥ then

輸出最短路徑和距離

else exit loop

end

3 仿真實(shí)驗(yàn)

為了驗(yàn)證改良過(guò)后的蟻群遺傳算法的全局路徑規(guī)劃的性能，將水下環(huán)境空間柵格劃分為20*20的柵格坐標(biāo)系，對(duì)傳統(tǒng)蟻群算法和改進(jìn)后的蟻群算法進(jìn)行仿真實(shí)驗(yàn)，此次仿真計(jì)算機(jī)為Intel(R).Core(TM)i5-7300HQ的處理器，Windows10家庭中文版操作系統(tǒng)，仿真軟件為Matlab2016b。

仿真的實(shí)驗(yàn)參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)值

仿真結(jié)果如圖4、圖5所示。

圖4 傳統(tǒng)蟻群算法路徑圖

圖5 改進(jìn)后的蟻群算法路徑圖

算法平均迭代次數(shù)最大迭代次數(shù)最優(yōu)路徑長(zhǎng)度平均路徑長(zhǎng)度常規(guī)蟻群算法436126.373 927.79改進(jìn)蟻群算法243425.384 825.61

根據(jù)圖4可以看出，傳統(tǒng)的蟻群算法在解決路徑規(guī)劃問(wèn)題上有不錯(cuò)的優(yōu)勢(shì)，蟻群從起點(diǎn)開(kāi)始能夠有效躲避路徑上的障礙物到達(dá)終點(diǎn)，但在最優(yōu)解上并不完美。而從圖5可以看到，改進(jìn)后的算法可以有效地找到最短距離，得到的路徑更短。由表2的數(shù)據(jù)可看出，改進(jìn)后的蟻群算法平均迭代次數(shù)為24次，比傳統(tǒng)的蟻群算法的43次更少，而且得到的最短路徑也比傳統(tǒng)蟻群算法短了接近一個(gè)單位長(zhǎng)度，算法響應(yīng)更加快速。

改良過(guò)的蟻群遺傳算法在最短路徑長(zhǎng)度、迭代次數(shù)及運(yùn)算時(shí)間方面都優(yōu)于傳統(tǒng)的蟻群算法，有效提升了遺傳算法的收斂速度及管理效率。從以上最優(yōu)途徑對(duì)比可見(jiàn)，傳統(tǒng)式蟻群遺傳算法在搜索初期陷于了局部最優(yōu)，縱然終究還找到了一條最優(yōu)途徑，但是途徑品質(zhì)不及改良后的蟻群遺傳算法。

4 結(jié)束語(yǔ)

本文在傳統(tǒng)的蟻群遺傳算法分析模型剖析的基礎(chǔ)上，給出一種改良的蟻群算法，加入目標(biāo)引導(dǎo)素，將幾個(gè)因素綜合考慮，減少了隨機(jī)性，構(gòu)建多參數(shù)的優(yōu)化分析模型。仿真試驗(yàn)結(jié)果顯示，改良的蟻群遺傳算法具備良好的魯棒性，且其收斂到最優(yōu)解的速度還較快，求解成本低。在下一步的研究中，經(jīng)不斷改進(jìn)添加引導(dǎo)素和更新信息素濃度等參數(shù)的值，進(jìn)一步提高算法的收斂速度，保證水下無(wú)人機(jī)的環(huán)境適應(yīng)能力。