一种基于改进蚁群算法的塔机路径规划方法与流程

1.本发明涉及塔式起重机(塔机)智能化技术领域，特别涉及一种基于改进蚁群算法的塔机路径规划方法。


背景技术：

2.作为建筑领域不可缺少的施工机械，塔机已成为施工现场主要的物料搬运工具。由于塔机吊装作业主要采用人工在高空操作的方式，操作人员的视野受到限制且存在视觉误差，还存在工作环境恶劣，高空作业危险性大等问题。因此，塔机智能化成为建筑机械领域的一个重要发展方向，而路径规划是塔机智能化技术研究的关键问题之一。
3.目前，用于路径规划的方法有遗传算法、粒子群算法和蚁群算法等，其中蚁群算法由于具有较强的鲁棒性和适应性，得到了很多应用。但传统蚁群算法存在收敛速度慢、易陷入局部最优和局部路径多拐点等问题，为了提高路径规划质量，需要对算法进行进一步改进。
4.在轨迹规划中(张松灿,普杰信,司彦娜,等.蚁群算法在移动机器人路径规划中的应用综述[j].计算机工程与应用,2020,56(08):10-19.)传统蚁群算法存在(1)收敛速度慢。蚁群算法在搜索初期信息素初始值相同，在选择下一个节点过程中表现为随机性，随机性会导致算法初期收敛速度慢。(2)局部最优问题。算法初始阶段得到的解是次优解会使算法陷入局部最优。(3)参数优化问题。蚁群算法拥有大量的参数，不恰当的参数选择会很大减弱算法的寻优能力。(4)局部路径存在大量冗余拐点的问题，需尽量消除局部路径存在的冗余拐点，改善路径的质量。


技术实现要素：

[0005]
为了克服上述现有技术的不足，本发明的目的在于提供一种基于改进蚁群算法的塔机路径规划方法，该方法能够为塔机负载在有障碍物的工作环境中，提供一条从起始点到目标点的安全高效路径。具有较高的收敛速度和寻优能力，能够提高规划的路径质量。塔式起重机将负载从起吊点吊运至目的点主要依靠起升运动、变幅运动和回转运动实现。起升运动实现负载的升降，变幅运动实现小车在起重臂上的前后移动，回转运动实现起重臂的顺、逆时针旋转。
[0006]
为了实现上述目的，本发明采用的技术方案是：
[0007]
一种基于改进蚁群算法的塔机路径规划方法，包括以下步骤；
[0008]
步骤1)：由塔机模型简化后的机械臂路径组成的群体简称蚁群，对蚁群算法参数初始化，包括路径规划初始时刻的信息素值设置为τ
ij
(0)＝τ0；设置当前迭代次数n＝0以及最大迭代次数n
max
；
[0009]
步骤2)：通过粒子群算法对初始化后的蚁群算法的参数进行优化；
[0010]
步骤3)：在优化后的蚁群算法的启发函数中引入下一节点到目标点的距离并设置相应的权值参数，引导塔机模型简化后的机械臂组成的蚁群向目标区域进行搜索；
[0011]
步骤4)：在蚁群算法的状态转移概率(蚂蚁在搜索空间中选择下一个未曾走过的节点的概率为状态转移概率)中引入周围点(搜索禁忌表之外的点)安全因素，将下一节点周围的障碍物情况考虑进来；引入局部路径分块策略，在蚁群搜索过程中减少算法规划路径时产生的冗余拐点，引导塔机模型简化后的机械臂组成的蚁群进行搜索；
[0012]
步骤5)：蚁群算法搜索出最优路径，得到的最优路径为离散的点；
[0013]
步骤6)：在进行起重臂、小车的轨迹规划时，根据负载规划路径，得到满足运动学约束的轨迹规划路线，路线具有连续且平滑的位移、速度、加速度曲线。
[0014]
所述步骤1)中，参数初始化具体为：
[0015]
步骤1：工作空间环境模型的建立；通过对环境信息的获取，采用栅格法建立规划空间的环境模型，采用标准d-h建模法对塔机进行运动学建模，该塔机模型包括三根刚性连杆，一个转动关节和两个平移关节，设置初始点和目标点；
[0016]
步骤2：算法初始化；由塔机模型简化后的机械臂路径组成的群体简称蚁群，蚂蚁数目设为m，搜索空间为n维，路径规划初始时刻的信息素值设置为τ
ij
(0)＝τ0，设置当前迭代次数n＝0，最大迭代次数n
max
；构建路径点禁忌表，将初始点加入路径点禁忌表中；蚁群将从初始点出发，开始任务空间的探索。
[0017]
所述步骤2)中，对参数进行优化具体为：
[0018]
步骤1：蚂蚁从初始点出发，在其经过的路径上释放一定量的信息素(各蚂蚁以等同概率选择各条路径，当到达终点后释放信息素，较短路径信息素浓度高，选择该路径的蚂蚁增多)；释放的信息素的浓度大小与路径长度有关，长度越短，释放的信息素浓度就越高；并且后续蚂蚁能够感知其他经过路径的蚂蚁释放的信息素浓度；
[0019]
步骤2：蚂蚁的速度和位置信息计算得到合理的评价函数；合理的评价函数判断适应度值大小；适应度值衡量每只蚂蚁代表优化问题的一个潜在解的好坏；
[0020]
个体速度和位置的更新则是在每一次迭代过程中通过对比个体极值与群体极值来进行的；蚂蚁k在搜索过程中的速度和位置按照如下公式进行更新：第k只蚂蚁的位置由向量xk＝{x
k1
，x
k2
,x
k3
,
…
,x
kn
}表示，第k只蚂蚁的速度为v＝{v
k1
,v
k2
,v
k3
,
…
,v
kn
}；第k只蚂蚁的个体极值为p
best
，整个蚂蚁群的pk＝{p
k1
，p
k2
,p
k3
,
…
,p
kn
}中群体极值为g
best
；
[0021][0022][0023]
式中，v
kj
表示粒子在j维的速度；rand()为[0,1]内的随机值；c1、c2为加速因子，通常取非负常数；q表示惯性因子，w为算法迭代次数；通常采用限制粒子的位置和速度范围来降低粒子盲目搜索的概率；
[0024]
在对蚁群算法参数进行优化时，使用评价函数来判断参数选取的好坏，综合考虑蚁群算法的收敛速度、运算时间、路径质量等性能指标，设计如下评价函数：
[0025]
fitk(s)＝ω1gk(s)+ω2hk(s)+ω3rk(s)+ω4tk(s)
[0026]
[0027][0028]rk
(s)＝e-v/n
[0029]
tk(s)＝e-m/n
[0030]
上式中，fitk(s)表示粒子k所在位置信息带入蚁群算法后得到的适应度值；ω1、ω2、ω3、ω4为权值系数，ω1+ω2+ω3+ω4＝1；gk(s)为蚁群进行路径规划的搜索能力；hk(s)为粒子k对应的蚁群算法时的稳定性；rk(s)表示粒子k位置信息带入蚁群算法得到最优解的迭代次数；tk(s)表示蚁群算法路径规划所用时间；g
l
表示当前蚁群算法的最优解；gb表示理论最优解；gs表示当前蚁群算法搜索得到的每一代路径的方差；n为路径规划解空间；m为蚁群中的蚂蚁数量。
[0031]
所述步骤3)中，引导塔机模型简化后的机械臂组成的蚁群向目标区域进行搜索，包括下述步骤：
[0032]
步骤1：在路径规划开始时，将下一节点和目标点的距离引入到启发函数中，对启发函数进行了改进：
[0033][0034]
式中，d
ij
为节点i与节点j之间的距离；d
jt
为节点j到目标点的距离；δ为下一节点到目标点距离的权值；为了避免蚂蚁搜索方向的偏移而陷入局部最优，并且节点j到目标点的距离只是次要因素，δ的值应在[0,0.5]之间；
[0035]
步骤2：在下一路径点时，依靠改进的启发函数对引导蚂蚁选择目标区域。
[0036]
所述步骤4)中，对周围点安全因素进行改进，引入局部路径分块策略，蚁群算法进行搜索，具体为：
[0037]
步骤1：在状态转移概率中引入周围点安全因素，将下一节点周围的障碍物情况考虑进来，引导蚁群进行搜索；
[0038][0039]
式中，ωo为节点j附近障碍物所占栅格的数量；ωs为节点j附近所有栅格的数量；因此，状态转移概率为：
[0040][0041]
式中，表示蚂蚁m在t时刻从当前节点移动到下一节点的概率，τ
ij
(t)表示t时刻蚂蚁m从i点到j点路径上信息素残余量大小；ξ
ij
(t)为启发函数，表示t时刻蚂蚁从节点i转移到节点j的期望程度；allowedm表示在t时刻蚂蚁m下一步允许选择的节点，γ为周围点安全因素的权值，由于周围点安全因素是作为一个参考，不能当作主要因素来考虑，故γ的取值应为[0,1]；在使用改进后的状态转移概率得到蚂蚁各邻近节点的选择概率后，用轮盘赌的方式选择下一节点；
[0042]
步骤2：引入局部路径分块策略，在蚁群搜索过程中减少算法规划路径时产生的冗余拐点，为了减少冗余拐点，提出局部路径分块策略对局部路径进行分块优化，将地图进行
均匀的矩形划分，随后使用叉乘运算检测多个折点与邻近障碍物的关系，若存在冗余折点则采取禁忌搜索结合回退策略，将该折点暂时加入禁忌搜索冗余折点集，并回退至产生冗余折点的起始位置，根据启发函数判断得到的下一节点中，当出现明显偏离起始点和目标点的区间方向时，判断该点为冗余拐点，将该点纳入禁忌搜索点集并回退至上一节点重新搜索，直至下一节点符合起始点和目标点的区间方向；
[0043]
步骤3：局部信息素更新，在蚂蚁完成一次搜索后，采用如下方式对其经过的路径进行信息素的更新：
[0044]
τ
ij
(t+1)＝(1-ρ)τ
ij
(t)+δτ
ij
(t)
[0045][0046][0047]
其中，ρ(0《ρ《1)为信息素的挥发系数；δτ
ij
(t)为本次迭代所有蚂蚁在路径(i,j)上释放的信息素浓度之和；为蚂蚁m在路径(i,j)上释放的信息素浓度；q1为常量，表示局部信息素强度；d
ij
表示路径(i,j)的距离。
[0048]
所述步骤5)中，蚁群算法搜索直至搜索出最优路径进行如下操作：
[0049]
步骤1：判断蚂蚁是否到达目标点；蚂蚁每进行一次状态转移，需要对当前节点进行判断，若未到达目标点，则重新搜索路径；若到达目标点，则完成搜索；
[0050]
步骤2：当蚂蚁从起始点到达目标点即完成一次路径搜索后，根据禁忌表得到路径path(s,t)，计算该路径的长度；此时需要判断是否存在冗余拐点，若存在则构建冗余折点禁忌表，并将该折点暂时纳入禁忌搜索冗余折点集并回退至折线段起始位置，重新搜索路径；若不存在则将得到的路径path(s,t)与本次迭代中其他蚂蚁搜索得到的路径长度进行对比，得到本次迭代的最短路径path
min
(n)。将本次迭代的最优路径与历次迭代的最优路径进行比较，若本次迭代的路径更短，则令path
min
＝path
min
(n)，并在路径点禁忌表中记录节点顺序；
[0051]
步骤3：全局信息素更新：当所有蚂蚁完成一次迭代过程，对除最优路径外的全局信息素浓度进行更新，全局信息素的更新采用蚁周模型；
[0052][0053]
q2为常量，表示蚂蚁循环一次所释放的信息素总量；lm表示第m只蚂蚁经过路径的长度；
[0054]
步骤4：判断是否到达迭代次数。蚁群算法搜索过程中，当所有蚂蚁完成一次迭代，迭代计数器加1，判断n+1是否等于n
max
。若等于，则路径规划结束；若不等于，则说明迭代未结束，清空路径点禁忌表和冗余折点禁忌表，重新开始算法初始化继续搜索。
[0055]
所述步骤6)中，塔机的路径规划进行如下操作：
[0056]
选取包括起始点和目标点在内的若干特征节点，使用直线插补与圆弧插补得到更加直观的曲线；路径规划在满足避障要求的路径基础上，为了保证塔机运动过程中的位移、
速度、加速度的连续性以及平滑度，减少对塔机机身的冲击和振动，得到满足运动学约束的轨迹产生连续且平滑的位移、速度、加速度曲线。
[0057]
本发明的有益效果：
[0058]
1.本发明将所提出的塔机路径规划，为塔机负载在有障碍物的工作环境中，提供一条从起始点到目标点的安全高效路径；通过改进的蚁群算法为塔机吊钩在作业环境内规划出一条无碰撞的最优路径，根据得到的各路径节点求解得到各关节变量，最终实现塔机安全高效的路径规划。
[0059]
2.本发明具有较高的收敛速度和寻优能力，能够提高规划的路径质量。所提出的改进蚁群算法，在启发函数中引入下一节点到目标点的距离并设置相应的权值参数，引导蚁群偏向于目标区域搜索。减少探索路径是因随机性花费得时间，用较短的时间发挥正反馈的作用，加快算法初期收敛速度；所提出的改进蚁群算法，在状态转移概率中引入周围点安全因素，将下一节点周围的障碍物情况考虑进来，引导蚁群进行搜索。将构建的路径解进行优劣之分。避免算法初始阶段得到的解是次优解，减小正反馈机制会让次优解占据优势的可能性；所提出的改进蚁群算法，引入局部路径分块策略，在蚁群搜索过程中减少算法规划路径时产生的冗余拐点；改进的蚁群算法相比于传统蚁群算法，收敛代数平均减少了18代，加快了收敛速度，且局部路径出现冗余拐点的问题得到了明显改善，提高了路径的质量。
[0060]
3.本发明可以用于基于改进蚁群算法的不同起重机路径规划方法，如龙门起重机、桥式起重机、车辆起重机等。
附图说明
[0061]
图1(a)为传统蚁群算法路径规划模型，图1(b)为改进蚁群算法路径规划模型。
[0062]
图2(a)为传统蚁群算法适应度曲线，图2(b)为改进蚁群算法适应度曲线。
[0063]
图3(a)、3(b)、3(c)为复杂环境下塔机路径规划结果。图3(a)、3(b)、3(c)分别表示初始位置、中间位置、结束位置塔机路径规划仿真。
具体实施方式
[0064]
下面结合附图对本发明作进一步详细说明。
[0065]
本发明可以用于基于改进蚁群算法的不同起重机塔机路径规划方法，如龙门起重机、桥式起重机、汽车起重机等。下面以塔式起重机为例；
[0066]
本发明按以下步骤实施:
[0067]
步骤1：工作空间环境模型的建立。对环境信息的获取后采用栅格法建立规划空间的环境模型，设置初始点和目标点，确定路径规划的空间范围。
[0068]
参数优化。采用粒子群算法对蚁群算法的参数进行优化，根据优化的结果找到各参数的最佳组合。
[0069]
算法初始化。路径规划初始时刻的信息素值设置为τ
ij
(0)＝τ0；设置当前迭代次数n＝0以及最大迭代次数n
max
。构建路径点禁忌表，将初始点s加入路径点禁忌表中；蚁群将从初始点s出发，开始任务空间的探索。
[0070]
步骤2：搜索路径。蚂蚁从起始点s出发，在改进后的状态转移概率在邻近的栅格中
选取下一路径节点。在使用改进后的状态转移概率得到蚂蚁各邻近节点的选择概率后，用轮盘赌的方式选择下一节点。
[0071]
局部信息素更新。在蚂蚁完成一次搜索后，采用如下方式对其经过的路径进行信息素的更新：
[0072]
τ
ij
(t+1)＝(1-ρ)τ
ij
(t)+δτ
ij
(t)
[0073][0074][0075]
其中，ρ(0《ρ《1)为信息素的挥发系数；δτ
ij
(t)为本次迭代所有蚂蚁在路径(i,j)上释放的信息素浓度之和；为蚂蚁m在路径(i,j)上释放的信息素浓度；q1为常量，表示局部信息素强度；d
ij
表示路径(i,j)的距离。
[0076]
步骤3：判断蚂蚁是否到达目标点。蚂蚁每进行一次状态转移，需要对当前节点进行判断，若未到达目标点t，则重新搜索路径；若到达目标点，则完成搜素。
[0077]
步骤4：完成搜索。当蚂蚁从起始点到达目标点即完成一次路径搜索后，可以根据禁忌表得到路径path(s,t)，计算该路径的长度。此时需要判断是否存在冗余拐点，若存在则构建冗余折点禁忌表，并将该折点暂时纳入禁忌搜索冗余折点集并回退至折线段起始位置，重新搜索路径；若不存在则将得到的路径path(s,t)与本次迭代中其他蚂蚁搜索得到的路径长度进行对比，得到本次迭代的最短路径path
min
(n)。将本次迭代的最优路径与历次迭代的最优路径进行比较，若本次迭代的路径更短，则令path
min
＝path
min
(n)，并在路径点禁忌表中记录节点顺序。
[0078]
全局信息素更新：当所有蚂蚁完成一次迭代过程，对除最优路径外的全局信息素浓度进行更新，其中全局信息素的更新采用蚁周模型。
[0079][0080]
q2为常量，表示蚂蚁循环一次所释放的信息素总量；lm表示第m只蚂蚁经过路径的长度。
[0081]
步骤5：判断是否到达迭代次数。蚁群算法搜索过程中，当所有蚂蚁完成一次迭代，迭代计数器加1，判断n+1是否等于n
max
。若等于，则路径规划结束；若不等于，则说明迭代未结束，清空路径点禁忌表和冗余折点禁忌表，并返回算法初始化继续搜索。
[0082]
步骤6：路径规划结束。完成迭代后，完成搜索后记录的path
min
即为全局最优路径，在路径点禁忌表中可以得到最优路径的节点顺序。
[0083]
路径节点连线。改进的蚁群算法在进行路径规划时产生的路径都是由一些离散的关键节点组成的，在这些离散的关键节点中选取包括起始点和目标点在内的若干特征节点，通过逆运动学求解其关节变量，采用多项式插值以及曲线插值法在关节空间进行塔机的轨迹规划。
[0084]
下面通过具体实施例对本发明做进一步详细说明：
[0085]
实施例1：
[0086]
在障碍物占比为11％的栅格地图中，对比传统蚁群算法和改进蚁群算法的路径规
划效果。塔机吊钩的初始点坐标为(1,5,2),目标点坐标为(18,15,10)，仿真参数如下：蚂蚁种群数量m为50，迭代次数为100，信息素启发值α为1，适应度启发值β为6，周围点安全因数权值γ为0.6，下一节点到目标点距离权值δ为0.4，挥发系数ρ为0.5，改进蚁群算法与传统蚁群算法设置的蚂蚁数量相同。经过多次仿真实验，仿真结果对比如图1a、图1b。
[0087]
由图2a、图2b中适应度曲线对比可知，复杂环境下改进蚁群算法收敛速度明显加快，传统蚁群算法搜索的最优路径长度为81，而改进蚁群算法搜索的最优路径长度为30.3，最优路径长度缩短了62.6％，对比传统蚁群算法和改进蚁群算法规划的路径，减少了大量冗余拐点，大大提高了算法的搜索效率，说明改进的蚁群算法在收敛速度和寻优能力上有着明显的优越性。将改进蚁群算法规划的结果作为塔机吊钩的运动路径，对塔机进行建模，模拟塔机的运动过程。塔机运动仿真过程如图3a、图3b、图3c。仿真结果表明，塔机采用本文的改进蚁群算法进行路径规划时，能够更加快速、准确的找到一条满足塔机运动要求且避开障碍物的路径。
[0088]
虽然本发明以上述实施例对本发明做出了详细的描述，但上述实施例并不用于限定本发明。在不脱离本发明技术方案所给出的技术特征和结构范围的情况下，对技术特征所作的增加、变形或以本领域同样内容的替换，均应属本发明的保护范围。

技术特征：
1.一种基于改进蚁群算法的塔机路径规划方法，其特征在于，包括以下步骤；步骤1)：由塔机模型简化后的机械臂路径组成的群体简称蚁群，对蚁群算法参数初始化，包括路径规划初始时刻的信息素值设置为τ
ij
(0)＝τ0；设置当前迭代次数n＝0以及最大迭代次数n
max
；步骤2)：通过粒子群算法对初始化后的蚁群算法的参数进行优化；步骤3)：在优化后的蚁群算法的启发函数中引入下一节点到目标点的距离并设置相应的权值参数，引导塔机模型简化后的机械臂组成的蚁群向目标区域进行搜索；步骤4)：在蚁群算法的状态转移概率中引入周围点安全因素，将下一节点周围的障碍物情况考虑进来；引入局部路径分块策略，在蚁群搜索过程中减少算法规划路径时产生的冗余拐点，引导塔机模型简化后的机械臂组成的蚁群进行搜索；步骤5)：蚁群算法搜索出最优路径，得到的最优路径为离散的点；步骤6)：在进行起重臂、小车的轨迹规划时，根据负载规划路径，得到满足运动学约束的轨迹规划路线，路线具有连续且平滑的位移、速度、加速度曲线。2.根据权利要求1所述的一种基于改进蚁群算法的塔机路径规划方法，其特征在于，所述步骤1)中，参数初始化具体为：步骤1：工作空间环境模型的建立；通过对环境信息的获取，采用栅格法建立规划空间的环境模型，采用标准d-h建模法对塔机进行运动学建模，该塔机模型包括三根刚性连杆，一个转动关节和两个平移关节，设置初始点和目标点；将塔机模型简化为拥有一个旋转关节和两个平移关节的3自由度机械臂；步骤2：算法初始化；由塔机模型简化后的机械臂路径组成的群体简称蚁群，蚂蚁数目设为m，搜索空间为n维，路径规划初始时刻的信息素值设置为τ
ij
(0)＝τ0，设置当前迭代次数n＝0，最大迭代次数n
max
；构建路径点禁忌表，将初始点加入路径点禁忌表中；蚁群将从初始点出发，开始任务空间的探索。3.根据权利要求1所述的一种基于改进蚁群算法的塔机路径规划方法，其特征在于，所述步骤2)中，对参数进行优化具体为：步骤1：蚂蚁从初始点出发，在其经过的路径上释放一定量的信息素(各蚂蚁以等同概率选择各条路径，当到达终点后释放信息素，较短路径信息素浓度高，选择该路径的蚂蚁增多)；释放的信息素的浓度大小与路径长度有关，长度越短，释放的信息素浓度就越高；并且后续蚂蚁能够感知其他经过路径的蚂蚁释放的信息素浓度；步骤2：蚂蚁的速度和位置信息计算得到合理的评价函数；合理的评价函数判断适应度值大小；蚂蚁k在搜索过程中的速度和位置按照如下公式进行更新：第k只蚂蚁的位置由向量x
k
＝{x
k1
，x
k2
,x
k3
,
…
,x
kn
}表示，第k只蚂蚁的速度为v＝{v
k1
,v
k2
,v
k3
,
…
,v
kn
}；第k只蚂蚁的个体极值为p
best
，整个蚂蚁群的p
k
＝{p
k1
，p
k2
,p
k3
,
…
,p
kn
}中群体极值为g
best
；；式中，v
kj
表示粒子在j维的速度；rand()为[0,1]内的随机值；c1、c2为加速因子，通常取非负常数；q表示惯性因子，w为算法迭代次数；
在对蚁群算法参数进行优化时，使用评价函数来判断参数选取的好坏，综合考虑蚁群算法的收敛速度、运算时间、路径质量性能指标，设计如下评价函数：fit
k
(s)＝ω1g
k
(s)+ω2h
k
(s)+ω3r
k
(s)+ω4t
k
(s)(s)r
k
(s)＝e-v/n
t
k
(s)＝e-m/n
上式中，fit
k
(s)表示粒子k所在位置信息带入蚁群算法后得到的适应度值；ω1、ω2、ω3、ω4为权值系数，ω1+ω2+ω3+ω4＝1；g
k
(s)为蚁群进行路径规划的搜索能力；h
k
(s)为粒子k对应的蚁群算法时的稳定性；r
k
(s)表示粒子k位置信息带入蚁群算法得到最优解的迭代次数；t
k
(s)表示蚁群算法路径规划所用时间；g
l
表示当前蚁群算法的最优解；g
b
表示理论最优解；g
s
表示当前蚁群算法搜索得到的每一代路径的方差；n为路径规划解空间；m为蚁群中的蚂蚁数量。4.根据权利要求1所述的一种基于改进蚁群算法的塔机路径规划方法，其特征在于，所述步骤3)中，引导塔机模型简化后的机械臂组成的蚁群向目标区域进行搜索，包括下述步骤：步骤1：在路径规划开始时，将下一节点和目标点的距离引入到启发函数中，对启发函数进行了改进：式中，d
ij
为节点i与节点j之间的距离；d
jt
为节点j到目标点的距离；δ为下一节点到目标点距离的权值；节点j到目标点的距离只是次要因素，δ的值在[0,0.5]之间；步骤2：在下一路径点时，依靠改进的启发函数对引导蚂蚁选择目标区域。5.根据权利要求1所述的一种基于改进蚁群算法的塔机路径规划方法，其特征在于，所述步骤4)中，对周围点安全因素进行改进，引入局部路径分块策略，蚁群算法进行搜索，具体为：步骤1：在状态转移概率中引入周围点安全因素，将下一节点周围的障碍物情况考虑进来，引导蚁群进行搜索；式中，ω
o
为节点j附近障碍物所占栅格的数量；ω
s
为节点j附近所有栅格的数量；因此，状态转移概率为：式中，表示蚂蚁m在t时刻从当前节点移动到下一节点的概率，τ
ij
(t)表示t时
刻蚂蚁m从i点到j点路径上信息素残余量大小；ξ
ij
(t)为启发函数，表示t时刻蚂蚁从节点i转移到节点j的期望程度；allowed
m
表示在t时刻蚂蚁m下一步允许选择的节点，γ为周围点安全因素的权值，由于周围点安全因素是作为一个参考，不能当作主要因素来考虑，故γ的取值应为[0,1]；在使用改进后的状态转移概率得到蚂蚁各邻近节点的选择概率后，用轮盘赌的方式选择下一节点；步骤2：引入局部路径分块策略，在蚁群搜索过程中减少算法规划路径时产生的冗余拐点，通过局部路径分块策略对局部路径进行分块优化，将地图进行均匀的矩形划分，随后使用叉乘运算检测多个折点与邻近障碍物的关系，若存在冗余折点则采取禁忌搜索结合回退策略，将该折点暂时加入禁忌搜索冗余折点集，并回退至产生冗余折点的起始位置，根据启发函数判断得到的下一节点中，当出现明显偏离起始点和目标点的区间方向时，判断该点为冗余拐点，将该点纳入禁忌搜索点集并回退至上一节点重新搜索，直至下一节点符合起始点和目标点的区间方向；步骤3：局部信息素更新，在蚂蚁完成一次搜索后，采用如下方式对其经过的路径进行信息素的更新：τ
ij
(t+1)＝(1-ρ)τ
ij
(t)+δτ
ij
(t)(t)其中，ρ(0<ρ<1)为信息素的挥发系数；δτ
ij
(t)为本次迭代所有蚂蚁在路径(i,j)上释放的信息素浓度之和；为蚂蚁m在路径(i,j)上释放的信息素浓度；q1为常量，表示局部信息素强度；d
ij
表示路径(i,j)的距离。6.根据权利要求1所述的一种基于改进蚁群算法的塔机路径规划方法，其特征在于，所述步骤5)中，蚁群算法搜索直至搜索出最优路径进行如下操作：步骤1：判断蚂蚁是否到达目标点；蚂蚁每进行一次状态转移，需要对当前节点进行判断，若未到达目标点，则重新搜索路径；若到达目标点，则完成搜索；步骤2：当蚂蚁从起始点到达目标点即完成一次路径搜索后，根据禁忌表得到路径path(s,t)，计算该路径的长度；此时需要判断是否存在冗余拐点，若存在则构建冗余折点禁忌表，并将该折点暂时纳入禁忌搜索冗余折点集并回退至折线段起始位置，重新搜索路径；若不存在则将得到的路径path(s,t)与本次迭代中其他蚂蚁搜索得到的路径长度进行对比，得到本次迭代的最短路径path
min
(n)；将本次迭代的最优路径与历次迭代的最优路径进行比较，若本次迭代的路径更短，则令path
min
＝path
min
(n)，并在路径点禁忌表中记录节点顺序；步骤3：全局信息素更新：当所有蚂蚁完成一次迭代过程，对除最优路径外的全局信息素浓度进行更新，全局信息素的更新采用蚁周模型；
q2为常量，表示蚂蚁循环一次所释放的信息素总量；l
m
表示第m只蚂蚁经过路径的长度；步骤4：判断是否到达迭代次数。蚁群算法搜索过程中，当所有蚂蚁完成一次迭代，迭代计数器加1，判断n+1是否等于n
max
；若等于，则路径规划结束；若不等于，则说明迭代未结束，清空路径点禁忌表和冗余折点禁忌表，重新开始算法初始化继续搜索。7.根据权利要求1所述的一种基于改进蚁群算法的塔机路径规划方法，其特征在于，所述步骤6)中，塔机的路径规划进行如下操作：选取包括起始点和目标点在内的若干特征节点，使用直线插补与圆弧插补得到更加直观的曲线。

技术总结
一种基于改进蚁群算法的塔机路径规划方法，包括以下步骤；步骤1)：对蚁群算法参数初始化；步骤2)：通过粒子群算法对初始化后的蚁群算法的参数进行优化；步骤3)：在优化后的蚁群算法的启发函数中引入下一节点到目标点的距离并设置相应的权值参数，引导塔机模型简化后的机械臂组成的蚁群向目标区域进行搜索；步骤4)：在蚁群搜索过程中减少算法规划路径时产生的冗余拐点，引导塔机模型简化后的机械臂组成的蚁群进行搜索；步骤5)：蚁群算法搜索出最优路径，但得到的最优路径为离散的点；步骤6)：根据负载规划路径，得到满足运动学约束的轨迹规划路线，路线具有连续且平滑的位移、速度、加速度曲线。本发明能够提高规划的路径质量。本发明能够提高规划的路径质量。本发明能够提高规划的路径质量。


技术研发人员：何育民 韩莹 张锦华 王阳阳 郑国穗 陈勇卫 吕少禹
受保护的技术使用者：陕西建设机械股份有限公司
技术研发日：2023.05.24
技术公布日：2023/9/12