3. 4 蚁群算法

蚁群算法是 20 世纪 90 年代意大利学者 M. Dorigo , V. Maniezzo , A. colorni 从生物进化的机制中受到启发 ,通过模拟自然界中蚂蚁搜索路径的行为而提出的. 其原理可表述为:蚂蚁在觅食途中会留下一种外激素 ,蚂蚁利用外激素与其他蚂蚁进行交流和合作. 经过某条路径的蚂蚁越多 ,外激素的强度就会越大 ,而蚂蚁择路偏向选择外激素强度大的路径. 蚁群算法的提出 ,最初是为了求解旅行商问题 ,近些年的研究发现 ,蚁群算法在求解复杂优化问题时具有优势 ,是一种新型的无启发式优化算法 ,具有较强的发现路径的能力.蚁群算法可使规划出的路径具有较强的鲁棒性 ,它是一种基于种群的分布式进化算法 ,具有并行性 ,易与其他启发式算法结合 ,从而改善算法的性能 ,但蚁群算法的研究刚刚起步 ,没有系统的分析方法和坚实的数学基础 ,参数的选择多靠试验和经验 ,计算时间长 ,实时性差 ,有待进一步的研究. 3. 5 人工免疫算法

人工免疫算法是模仿自然界生物免疫系统的一种仿生智能算法 ,是通过学习生物免疫系统的功能、原理及特征并结合相关计算方法和理论而提出的. 目前的免疫算法都是根据特定的问题提出的 ,Ishiguro 提出了一种互联耦合人工免疫网络模型 ,由此开创了免疫算法应用于移动机器人路径规划的新领域. 由于进化方法通常存在“早熟收敛”和“收敛速度慢”等问题 ,后来应用基于免疫进化非选择机制进行移动机器人的路径规划 ,在进化过程中避免了糟糕个体的产生 ,加快算法的收敛速度 ,同时也能在进化过程中通过随机加入路径来维持群体的多样性 ,防止早熟收敛.

4 移动机器人路径规划技术未来展望 随着计算机、传感器技术以及人工智能的发展 ,路径规划技术已取得大量的成果. 相比之下 ,全局路径规划的研究已经比较成熟 ,动态路径规划的研究还在发展阶段 ,很多理论与方法还需要在今后的研究中不断的完善. 从目前的研究动向来看 ,路径

规划技术有以下发展趋势:

1)路径规划的性能指标要求的提高. 这些性能指标包括实时性、安全性、可达性、鲁棒性等. 评价一种路径规划方法的好坏应当通盘权衡几种指标]. 一种好的路径规划方法既要能规划出好的路径 ,又要能达到移动机器人系统实时性的要求 ,还要保证由于动态环境的不确定性、传感器采集信息的不完整性或者移动机器人自身结构的限制和缺陷等因素所带来的干扰下的安全性和鲁棒性. 因此 ,如何使路径规划的性能指标达到更好是目前算法研究的一个重要课题.

2)传统的路径规划方法与智能算法的交叉融合. 新的智能算法如模糊控制、遗传算法、神经网络逐渐引入到路径规划中来 ,促使了各种方法的融合发展 ,各种方法取长补短 ,催生一些更优秀的算法. 因此如何把各种方法的优点融合到一起以达到更好的效果亦是一个有待探讨的问题.

3) 基于功能行为的路径规划方法. 传统的基于认知环境模型的功能规划方法必须建立在精确环境地图模型的基础上 ,难以适应动态多变环境中的路径规划 ,缺乏自主性和灵活性. 近年来发展起来的基于反应式行为的方法是一种从感知到动作的直接映射 ,类似于人的膝跳反射 ,提高了机器人对环境变化的适应力和反应速度 ,但缺乏必要的理性.后来提出的基于功能行为的方法实现了以上两类方法的优势互补 ,既提高了移动机器人的反应速度 ,又使其具有较高的理性和学习能力.

4)多传感器集成与信息融合技术. 移动机器人在未知或动态环境中进行路径规划所需要的信息都是由传感器检测得到的. 由于单个传感器采样精度和范围有限 ,难以保证检测信息的完整、可靠 ,不足以决策其行为 ,于是多传感器集成和信息融合技术在移动机器人路径规划上得了广泛的应用. 多传感器所获得的信息具有冗余性、互补性、实时性和低代价性 ,可以快速并行分析现场环境. 信息融合技术通过一定的技术手段 ,总结融合了多传感器数据资源 ,使决策系统得到更全面的信息 ,获得对环