改进自适应蚁群算法的移动机器人路径规划

为了改善传统蚁群算法在路径规划中缺乏足够鲁棒性的问题,采用改进自适应蚁群算法,根据解的分布情况自适应地进行信息素的更新,在多种步长选择机制下选择最优步长,提高全局搜索能力.在MATLAB中对本文算法、传统蚁群算法以及自适应蚁群算法分别进行了仿真实验对比.在相同的环境模型下,该算法的迭代次数为2次,比自适应蚁群算法提升了93％,最小路径长度为27.67,比自适应蚁群算法提升了3.4％;在给定的复杂环境模型下进行路径规划时,该算法的迭代次数为2次,最小路径长度为28.88,传统蚁群算法对应的迭代次数和路径长度分别为166和29.8.仿真结果表明,改进后的蚁群算法较传统蚁群算法相比,能够快速找到最短路径,并具有更好的稳定性和收敛性.