分組教學(xué)蟻群算法改進(jìn)及其在機(jī)器人路徑規(guī)劃中應(yīng)用

蒲興成，宋欣琳

（1.重慶郵電大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065;2.重慶郵電大學(xué) 理學(xué)院，重慶 400065）

路徑規(guī)劃是機(jī)器人導(dǎo)航基礎(chǔ)技術(shù)之一[1-4]。傳統(tǒng)路徑規(guī)劃算法有Dijkstra 算法[5]，A*算法[6]等，這些算法是基于圖搜索路徑規(guī)劃算法。隨著算法理論發(fā)展，基于智能優(yōu)化路徑規(guī)劃算法被廣泛應(yīng)用于移動機(jī)器人路徑避障與導(dǎo)航。所謂智能優(yōu)化算法就是通過模擬自然界中種群各種自發(fā)行為來獲得優(yōu)化問題最優(yōu)解。蟻群算法作為經(jīng)典智能優(yōu)化算法，因其正反饋性和并行性等優(yōu)勢，被廣泛應(yīng)用于移動機(jī)器人路徑規(guī)劃問題中[7-9]。但同時，該算法也存在收斂速度慢和易陷入局部最優(yōu)等缺陷。

針對上述蟻群算法存在的缺陷，許多學(xué)者基于標(biāo)準(zhǔn)蟻群算法做出了大量改進(jìn)工作。蟻群算法改進(jìn)大致分為兩大類。一類是針對蟻群算法自身模型進(jìn)行改進(jìn)[10-14]。Gao 等[10]提出一種新的路徑搜索策略。該策略將蟻群分為兩部分，并將這兩部分分別置于環(huán)境起點(diǎn)與終點(diǎn)。該算法通過雙向搜索尋找最優(yōu)路徑，從而提高收斂速度和精度。在Lin 等[11]針對環(huán)境中U 型障礙死鎖問題，設(shè)計一個自適應(yīng)啟發(fā)式函數(shù)，避免螞蟻路徑搜索的初始盲目性和后期單一性。Li 等[12]通過添加自適應(yīng)函數(shù)改變蟻群狀態(tài)轉(zhuǎn)移概率，并結(jié)合精英螞蟻和交叉選擇路徑節(jié)點(diǎn)，有效提高算法收斂速度。Pu 等[13]提出一種信息素增量計算方法，提高了算法收斂速度。梁凱等[14]為有效提高路徑規(guī)劃精度，提出一種基于中心節(jié)點(diǎn)替換平滑算法。另一類就是在蟻群算法的基礎(chǔ)上，結(jié)合其他算法的優(yōu)勢彌補(bǔ)蟻群算法的不足[15-20]。Qin[15]提出一基于生物免疫系統(tǒng)行為自適應(yīng)蟻群算法，這種混合算法能增加可行解的多樣性。Yu[16]合粒子群與蟻群算法的特點(diǎn)，賦予蟻群一個“粒子”特性，通過粒子群算法改變蟻群位置，從而提高蟻群算法收斂速度。Dai 等[17]利用A*算法改善蟻群算法適應(yīng)度函數(shù)，從而有效提高蟻群算法路徑搜索能力。Zhu 等[18]利用人工勢場算法改進(jìn)蟻群算法適應(yīng)度函數(shù)。這種改進(jìn)算法能同時兼顧負(fù)反饋與自適應(yīng)度函數(shù)的調(diào)節(jié)，因而該方法能大大加快算法收斂速度。Wu等[19]提出了一種混合蟻群算法，該算法通過對可行路徑交叉變異，增加了解的多樣性，為帶時間窗車輛路由問題解決提供了新的思路。Tao 等[20]結(jié)合模糊控制，分階段調(diào)整蒸發(fā)速率改進(jìn)蟻群算法，以保證蟻群的全局搜索能力。

雖然上述各種改進(jìn)策略能在一定程度上改善蟻群算法本身不足，但蟻群算法收斂速度慢和易陷入局部最優(yōu)缺陷仍難以根本解決。此外，基于改進(jìn)蟻群算法機(jī)器人路徑規(guī)劃過多依賴控制參數(shù)調(diào)整。針對上述問題，本文提出一種基于分組教學(xué)優(yōu)化算法[21]（group teaching optimization algorithm,GTOA）的改進(jìn)蟻群算法，并將改進(jìn)算法應(yīng)用于機(jī)器人路徑規(guī)劃。GTOA 是一種啟發(fā)式隨機(jī)群智能算法，該算法模擬課堂教學(xué)過程中教師與學(xué)生互動影響，從而提升種群整體優(yōu)化能力，使所有進(jìn)化個體更快收斂到全局最優(yōu)解。該算法所需控制參數(shù)不涉及優(yōu)化過程本身，能簡化算法初始設(shè)置步驟。GTOA 這一特性可以很好彌補(bǔ)蟻群算法缺點(diǎn)。因此，將蟻群算法與分組教學(xué)優(yōu)化算法相結(jié)合，通過改進(jìn)信息素更新策略和死鎖回退策略，并引入路徑簡化算子，可以有效解決蟻群算法收斂速度慢和易陷入局部最優(yōu)自身缺陷。數(shù)值對比實(shí)驗(yàn)證明該改進(jìn)算法能有效提高收斂速度以及移動機(jī)器人路徑搜索能力。

1 基于分組教學(xué)優(yōu)化蟻群算法改進(jìn)

1.1 標(biāo)準(zhǔn)蟻群算法

蟻群算法作為群智能優(yōu)化算法中經(jīng)典算法之一，最早由意大利學(xué)者Dorigo 等[22-23]于20 世紀(jì)90年代提出。螞蟻覓食主要依據(jù)尋路途中分泌的信息素濃度決定自己爬行方向。距離越短的路徑，相同時間里螞蟻經(jīng)過的數(shù)量越多，路徑信息素濃度就越高，蟻群就更有可能選擇該路徑。蟻群算法就是通過模擬螞蟻覓食行為尋找最優(yōu)路徑。在標(biāo)準(zhǔn)蟻群算法中，螞蟻根據(jù)隨機(jī)狀態(tài)轉(zhuǎn)移概率[23]選擇下一路徑節(jié)點(diǎn)，隨機(jī)狀態(tài)轉(zhuǎn)移概率公式為

式中：α是信息素啟發(fā)因子，控制路徑信息素的相對重要性；β是期望啟發(fā)式因子，控制路徑節(jié)點(diǎn)距離的相對重要性；τij(t)是t時刻i、j兩點(diǎn)間的信息素濃度；dij是i、j兩點(diǎn)間歐氏距離；ηij(t)是i、j兩點(diǎn)間距離倒數(shù)。所有螞蟻完成一次尋路后，需對螞蟻經(jīng)過的所有路徑進(jìn)行信息素更新[23]：

式中：ρ是信息素?fù)]發(fā)系數(shù)；Δτij是本次尋路 后i、j兩點(diǎn)間信息素更新的增量；Q是常數(shù)，代表信息素強(qiáng)度；Lk是第k只螞蟻在本次尋路中爬行過的路徑長度；Pathk是第k只螞蟻在本次迭代中搜索到的可行路徑節(jié)點(diǎn)。

1.2 蟻群算法的改進(jìn)

傳統(tǒng)蟻群算法在迭代前期，路徑上信息素濃度差別不大，螞蟻在選擇下一爬行節(jié)點(diǎn)時概率幾乎是隨機(jī)的。在迭代后期，某些路徑節(jié)點(diǎn)信息素濃度過高，螞蟻大概率選擇相同節(jié)點(diǎn)爬行。這直接導(dǎo)致了蟻群算法收斂速度慢和易陷入局部最優(yōu)問題產(chǎn)生。針對這兩個主要不足，本文結(jié)合分組教學(xué)優(yōu)化算法優(yōu)點(diǎn)改進(jìn)標(biāo)準(zhǔn)蟻群算法，即賦予蟻群一個代表尋路能力參數(shù)，將該參數(shù)用于優(yōu)化傳統(tǒng)蟻群算法適應(yīng)度函數(shù)，從而改善蟻群全局路徑規(guī)劃能力，避免算法陷入局部最優(yōu)。另一方面，由于分組教學(xué)優(yōu)化算法除了種群參數(shù)需要設(shè)置以外，算法中個體優(yōu)化不依賴于其他參數(shù)調(diào)整，因此與分組教學(xué)優(yōu)化算法結(jié)合的改進(jìn)蟻群算法也能加快算法收斂速度。此外，改進(jìn)死鎖回退策略，既能夠保證每一次迭代單個個體都能進(jìn)行路徑搜索操作，也能提高地圖實(shí)時更新能力。同時，將U 型死鎖位置標(biāo)記為障礙，能避免算法發(fā)生停滯。值得一提的是，為使算法性能更優(yōu)，本文進(jìn)一步改進(jìn)了信息素更新策略，將標(biāo)準(zhǔn)蟻群算法固定參數(shù)調(diào)整為與蟻群搜索相關(guān)動態(tài)參數(shù)，有針對性地引導(dǎo)蟻群尋找最優(yōu)路徑；路徑簡化算子的引進(jìn)，能有效將路徑上的冗余轉(zhuǎn)角簡化為直線路徑，實(shí)現(xiàn)提高路徑優(yōu)化精度的目標(biāo)。下面將結(jié)合分組教學(xué)、蟻群回退機(jī)制、信息素更新策略和路徑簡化算子等方面具體介紹改進(jìn)策略。

1.2.1 基于分組教學(xué)優(yōu)化算法蟻群算法改進(jìn)

GTOA[21]是一種啟發(fā)式隨機(jī)群智能算法，該算法具有較強(qiáng)自適應(yīng)尋優(yōu)能力?；诖?，為提高蟻群算法全局優(yōu)化能力和收斂速度，本文在蟻群算法的基礎(chǔ)上引進(jìn)GTOA。為避免蟻群適應(yīng)度函數(shù)只單純受到達(dá)目標(biāo)點(diǎn)的距離控制，導(dǎo)致蟻群算法易陷入局部最優(yōu)，先為蟻群添加一個代表尋路能力的自適應(yīng)參數(shù)（以下將該參數(shù)簡稱為“尋路能力”）。此外，在教學(xué)階段，通過比較GTOA 評價函數(shù)，螞蟻按照改進(jìn)后的適應(yīng)度函數(shù)與隨機(jī)狀態(tài)轉(zhuǎn)移概率選擇下一路徑節(jié)點(diǎn)，最后完成種群整合等。下面將逐一給出具體操作。

1) 基于改進(jìn)評價函數(shù)的分組教學(xué)優(yōu)化算法

評價函數(shù)主要用于評估螞蟻在路徑搜索過程中表現(xiàn)，為使GTOA 適用于蟻群算法，需將GTOA評價函數(shù)修改成蟻群個體與路徑長度相關(guān)函數(shù)，修改后的評價函數(shù)為

式中：xk(t) 為螞蟻k在t時刻尋路能力，minLk為螞蟻k尋找到最短路徑長度。由評價函數(shù)可知，螞蟻個體搜索到的路徑長度越短，個體評價就越高，因此，該個體通過學(xué)習(xí)獲得尋路能力越強(qiáng)。

2) 基于改進(jìn)適應(yīng)度函數(shù)的蟻群算法

為提升蟻群全局優(yōu)化能力，本文結(jié)合GTOA 教學(xué)階段[13]來影響蟻群中螞蟻個體尋路能力xk(t)。首先，按照螞蟻尋路能力高低，將蟻群劃分為精英和普通子群，將尋路能力最高螞蟻升級為教師螞蟻。然后，基于GTOA 模仿課堂教與學(xué)思想，在教師階段，針對精英子群和普通子群采用不同學(xué)習(xí)方式，通過向教師螞蟻學(xué)習(xí)以增強(qiáng)個體尋路能力。不僅如此，在學(xué)習(xí)階段，每只螞蟻在每一輪迭代中通過自學(xué)和隨機(jī)向蟻群另一只螞蟻學(xué)習(xí)，達(dá)到增強(qiáng)個體尋路能力目的，并通過比較評價函數(shù)確定螞蟻在教學(xué)階段后的最終尋路能力。結(jié)合螞蟻到目標(biāo)點(diǎn)距離dij以及螞蟻尋路能力xk(t)，蟻群算法適應(yīng)度函數(shù) ηij(t)進(jìn)一步改進(jìn)為

改進(jìn)適應(yīng)度函數(shù)通過xk(t)自適應(yīng)調(diào)整蟻群路徑選擇概率。當(dāng)蟻群距終點(diǎn)較遠(yuǎn)時，dij較大，蟻群路徑選擇概率差異較大。xk(t)可以縮小各條路徑被選擇概率，避免算法陷入局部最優(yōu)。當(dāng)蟻群接近終點(diǎn)時，dij較小，路徑選擇概率趨近相同。xk(t)可以擴(kuò)大各條路徑選擇概率，加快蟻群算法收斂，同時也保證蟻群算法求解的多樣性。

3) 種群整合

經(jīng)過GTOA 教學(xué)階段學(xué)習(xí)，螞蟻個體間尋路能力在各個子群都具備一定差異。根據(jù)螞蟻尋路能力降序排列將兩個子群整合，并重新劃分子群，用于下一輪迭代。以此保證在每次迭代中，同時提升精英子群和普通子群螞蟻尋路能力，最終提升整個蟻群尋路能力。蟻群重新整合劃分后，選擇尋路能力最強(qiáng)螞蟻?zhàn)鳛橄乱惠喌處熚浵仯溥x擇公式為

此外，在分組教學(xué)過程中某些螞蟻尋路能力過高或過低，或致使算法陷入局部最優(yōu)。因此對螞蟻尋路能力值設(shè)置一個閾值區(qū)間 [Antmin,Antmax]，將超過此閾值區(qū)間螞蟻個體尋路能力值設(shè)置為該區(qū)間邊界值。

1.2.2 蟻群回退機(jī)制

傳統(tǒng)蟻群算法無法規(guī)避U 型障礙，導(dǎo)致算法易陷入停滯狀態(tài)，因此可在該類障礙處用回退機(jī)制避免此類問題。Lin 等[11]過建立額外全局和局部禁忌表來標(biāo)記可能產(chǎn)生死鎖節(jié)點(diǎn)位置。任紅格等[24]提出直接讓陷入死鎖螞蟻“死亡”，即跳過此輪迭代搜索過程，直接返回起點(diǎn)。上述回退機(jī)制存在計算量大或者可行解減少等問題。為克服此缺陷，本文提出一種新回退機(jī)制，即當(dāng)螞蟻陷入U型障礙時，將該螞蟻所處節(jié)點(diǎn)直接標(biāo)記為地圖上障礙節(jié)點(diǎn)并實(shí)時更新地圖，然后將螞蟻回退到路徑上一節(jié)點(diǎn)重新進(jìn)行路徑選擇，重復(fù)此操作直到另一可達(dá)節(jié)點(diǎn)出現(xiàn)時結(jié)束回退。通過回退機(jī)制將U型障礙填充為矩形障礙，從而避免后續(xù)螞蟻再次陷入同一U 型障礙，因此能提高算法收斂速度。

1.2.3 信息素更新改進(jìn)策略

傳統(tǒng)蟻群算法信息素更新策略中，螞蟻經(jīng)過的所有路徑均采用相同的信息素更新強(qiáng)度。當(dāng)蟻群完成一輪迭代后，所有可行路徑Lk信息素更新增量相同，這就導(dǎo)致傳統(tǒng)蟻群算法路徑搜索的盲目性增大，螞蟻無法快速鎖定長度更短的路徑。因此，在改進(jìn)的信息素更新策略中，增加一個動態(tài)累加參數(shù)cij，增強(qiáng)蟻群尋找最優(yōu)路徑的引導(dǎo)作用。cij用于記錄Lk成為當(dāng)前最短路徑迭代輪數(shù)，即累加最優(yōu)路徑信息素濃度，當(dāng)Lk為當(dāng)前最短路徑時，cij將加1。此外，將Lk分別與當(dāng)前局部最優(yōu)路徑Llocal和全局最優(yōu)路徑Lglobal進(jìn)行比較。根據(jù)比較結(jié)果，對可行路徑信息素濃度采用分級更新強(qiáng)度Q1和Q2。一般來講，Q2>Q1,本文中，Q2數(shù)值為Q1數(shù)值的兩倍。這樣能使得Lglobal路徑節(jié)點(diǎn)信息素增量更大，進(jìn)一步擴(kuò)大全局最優(yōu)路徑在后續(xù)迭代中對蟻群路徑搜索引導(dǎo)作用，同時也能避免由于Q1導(dǎo)致的蟻群陷入局部最優(yōu)。改進(jìn)信息素具體更新為

改進(jìn)信息素更新策略引導(dǎo)蟻群往最優(yōu)路徑方向搜索，可以進(jìn)一步加快算法收斂速度，增強(qiáng)算法性能。

1.2.4 路徑簡化算子

若路徑存在過多角度較小轉(zhuǎn)角，則機(jī)器人在移動過程中可能會出現(xiàn)失去平衡現(xiàn)象。此外，通過蟻群算法迭代規(guī)劃出的路徑如果存在大量轉(zhuǎn)角，該路徑就不一定是最優(yōu)路徑。因此，如何消除冗余轉(zhuǎn)角是路徑規(guī)劃時必須考慮的一個問題。路徑簡化算子[17]根據(jù)三角形兩邊之和大于第三邊原理消除冗余轉(zhuǎn)角。改進(jìn)路徑簡化算子根據(jù)路徑中相鄰3 個節(jié)點(diǎn)構(gòu)成的夾角角度進(jìn)行路徑簡化。若夾角內(nèi)節(jié)點(diǎn)為可達(dá)節(jié)點(diǎn)，則將該轉(zhuǎn)角簡化為直線路徑。因此，路徑簡化算子不僅可以縮短路徑長度，而且可以增大轉(zhuǎn)角角度，讓機(jī)器人運(yùn)動更加平滑。如圖1（a）與圖1（b）中分別為存在90°冗余轉(zhuǎn)角的兩種情況，圖1（c）中存在45°冗余轉(zhuǎn)角。通過簡化算子分別簡化為圖2（a）、圖2（b）和圖2（c）中的路徑。

圖1 3 種冗余轉(zhuǎn)角Fig.1 Three redundant corners

圖2 3 種冗余轉(zhuǎn)角簡化路段Fig.2 Three redundant corner simplified sections

為說明路徑簡化算子有效性，表1 給出了10 次對比實(shí)驗(yàn)。根據(jù)表1 實(shí)驗(yàn)數(shù)據(jù)可知，路徑簡化算子可以大幅度提高求解最優(yōu)路徑精度。

表1 路徑簡化算子實(shí)驗(yàn)數(shù)據(jù)Table 1 Experimental data of path simplification operator

1.3 基于GTOA 改進(jìn)蟻群算法步驟與流程

基于GTOA 改進(jìn)蟻群算法主要有如下7 步。

1)初始蟻群規(guī)模M，迭代次數(shù)K，參數(shù) α,β等，將蟻群劃分為精英與普通兩個子群；

2)螞蟻個體向教師螞蟻學(xué)習(xí)，通過評價函數(shù)評估教師階段最終尋路能力；

3)根據(jù)隨機(jī)狀態(tài)轉(zhuǎn)移概率與改進(jìn)后適應(yīng)度函數(shù)，選擇下一路徑節(jié)點(diǎn)，并判斷是否需要啟動回退機(jī)制；

4)蟻群通過自學(xué)和隨機(jī)向一只螞蟻學(xué)習(xí)，通過評價函數(shù)確定學(xué)習(xí)階段最終尋路能力；

5)更新螞蟻經(jīng)過路徑的信息素；

6)將兩個子群整合為一個種群，按照能力大小再次劃分為精英與普通兩個子群，選擇尋路能力最強(qiáng)螞蟻?zhàn)鳛橄乱淮蔚處熚浵仯?/p>

7)判斷是否達(dá)到迭代終止條件：若達(dá)到迭代終止條件，則采用路徑簡化算子輸出最佳路徑；反之則跳轉(zhuǎn)至步驟2)繼續(xù)求解。

基于分組教學(xué)的改進(jìn) 蟻群算法流程如圖3。

圖3 基于分組教學(xué)的改進(jìn)蟻群算法流程Fig.3 Flow of improved ant colony algorithm based on group teaching

2 數(shù)值對比實(shí)驗(yàn)

在數(shù)值對比實(shí)驗(yàn)中，使用柵格法進(jìn)行環(huán)境建模，將地圖中不規(guī)則障礙擴(kuò)充為矩形障礙，將移動機(jī)器人抽象為一個點(diǎn)。將改進(jìn)蟻群算法（group teaching ant colony algorithm,GTACO）與傳統(tǒng)蟻群算法（ant colony algorithm,ACO）、改進(jìn)蟻群算法[24]（improved ant colony algorithm,I-ACO）、混合蟻群算法[25]（improved ant colony algorithm with shuffled frog leaping algorithm,IACO-SFLA）進(jìn)行仿真模擬實(shí)驗(yàn)對比，在求解精度（最優(yōu)路徑長度）、收斂速度（迭代次數(shù)）和算法運(yùn)行時間3 個方面驗(yàn)證GTACO的優(yōu)越性能。

在20×20 柵格地圖[24]中，將GTACO 與ACO、I-ACO、IACO-SFLA 進(jìn)行比較。地圖中黑色柵格代表障礙物，白色柵格代表可達(dá)節(jié)點(diǎn)。地圖左上角為機(jī)器人起點(diǎn)，右下角為終點(diǎn)，尋找一條無碰撞的最優(yōu)路徑。為確保對比實(shí)驗(yàn)嚴(yán)謹(jǐn)，4 種算法所包含共同參數(shù)設(shè)定為相同值[24]，參數(shù)值設(shè)置如表2。實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計如表3。4 種算法迭代次數(shù)收斂曲線趨勢對比以及GTACO 最優(yōu)路徑分別如圖4、圖5。

表2 對比實(shí)驗(yàn)參數(shù)設(shè)置Table 2 Comparison experiment parameter settings

表3 4 種算法數(shù)據(jù)對比Table 3 Data comparison of four algorithms

圖4 4 種算法迭代曲線對比圖Fig.4 Comparison of iterative curves of four algorithms

圖5 GTACO 最優(yōu)路徑圖Fig.5 GTACO optimal path planning

表3 和圖4、圖5 中實(shí)驗(yàn)結(jié)果表明，ACO、I-ACO無法求解出最優(yōu)路徑，IACO-SFLA 和GTACO 均能求解出從起點(diǎn)到終點(diǎn)最優(yōu)路徑。其中GTACO能在較少的迭代次數(shù)中達(dá)到收斂狀態(tài)，相較于IACO-SFLA，GTACO 能在更短時間完成規(guī)定迭代次數(shù)并求解出最優(yōu)路徑。

為進(jìn)一步驗(yàn)證GTACO 的優(yōu)越性，采用更復(fù)雜40×40 柵格地圖。因?qū)嶒?yàn)地圖規(guī)模變大，為使算法實(shí)驗(yàn)效果達(dá)到最佳，擴(kuò)大K和M的值為100。4 種算法最優(yōu)路徑長度、迭代次數(shù)和運(yùn)行時間對比如表4。4 種算法的迭代次數(shù)收斂曲線趨勢對比如圖6。圖7 為GTACO 最優(yōu)路徑圖。表4 和圖6 中實(shí)驗(yàn)結(jié)果表明，在對比實(shí)驗(yàn)使用的4 種算法中，I-ACO、IACO-SFLA 與GTACO 在規(guī)定迭代次數(shù)中達(dá)到收斂狀態(tài)，且GTACO 較IACO-SFLA計算出的路徑精度更高，收斂速度更快，算法運(yùn)行時間也更短。

表4 4 種算法數(shù)據(jù)對比Table 4 Data comparison of four algorithms

圖6 4 種算法迭代曲線對比圖Fig.6 Comparison of iterative curves of four algorithms

圖7 GTACO 最優(yōu)路徑圖Fig.7 GTACO optimal path planning

表2～4 和圖4～7 表明，基于分組教學(xué)改進(jìn)蟻群算法（GTACO）的移動機(jī)器人路徑規(guī)劃能力與基于ACO、I-ACO 和IACO-SFLA 移動機(jī)器人路徑規(guī)劃能力相比，無論在精確度還是在收斂速度方面都有改善。通過仿真模擬實(shí)驗(yàn)驗(yàn)證，本文提出的改進(jìn)蟻群算法適用于移動機(jī)器人路徑規(guī)劃。

3 結(jié)束語

針對蟻群算法在移動機(jī)器人路徑規(guī)劃中存在收斂速度慢和易陷入局部最優(yōu)問題，提出了一種基于分組教學(xué)優(yōu)化改進(jìn)蟻群算法。改進(jìn)算法結(jié)合分組教學(xué)優(yōu)化與蟻群算法優(yōu)點(diǎn)，即利用分組教學(xué)優(yōu)化算法的整體優(yōu)化特性，通過蟻群中螞蟻個體之間相互影響，提高蟻群算法全局求解能力，避免算法過早陷入局部最優(yōu)。該改進(jìn)算法充分利用分組教學(xué)優(yōu)化算法不依賴過多參數(shù)特性，避免路徑搜索能力不過于依賴多個參數(shù)，從而加速算法收斂速度?；赝藱C(jī)制的改進(jìn)能進(jìn)一步避免算法在U 型障礙處陷入停滯，達(dá)到提高蟻群搜索可行解多樣性。此外，新的信息素更新策略能強(qiáng)化蟻群更趨向更短路徑，因此更能提高蟻群算法收斂速度。最后，路徑簡化算子能更進(jìn)一步縮短蟻群路徑，增大轉(zhuǎn)彎角度，也更易于移動機(jī)器人平滑穩(wěn)定運(yùn)動。仿真對比實(shí)驗(yàn)證明移動機(jī)器人能通過改進(jìn)算法有效規(guī)劃可行路徑，縮短算法運(yùn)行時間，即提高求解路徑精度和算法收斂速度。接下來，將進(jìn)一步基于改進(jìn)蟻群算法在障礙物不規(guī)則或受到隨機(jī)干擾時研究機(jī)器人路徑規(guī)劃。