楊松，洪濤，朱良寬

摘要：為解決森林防火移動(dòng)機(jī)器人在森林地形條件的最優(yōu)路徑規(guī)劃問(wèn)題，提出一種基于拓展鄰域的改進(jìn)蟻群算法。首先引入定向鄰域拓展策略，并將搜索鄰域從8個(gè)拓展至10個(gè)拓展，以求擴(kuò)大搜索效率與范圍；然后綜合考慮影響移動(dòng)機(jī)器人的多種因素，利用路徑長(zhǎng)度和能耗改進(jìn)啟發(fā)函數(shù)；接著通過(guò)位置信息改進(jìn)初始信息素；最后結(jié)合最大-最小螞蟻系統(tǒng)（MMAS）和精英螞蟻等算法模型的優(yōu)點(diǎn)，改進(jìn)信息素更新規(guī)則。結(jié)果表明，所提出的改進(jìn)蟻群算法與傳統(tǒng)蟻群算法、基于多啟發(fā)因素的改進(jìn)蟻群算法相比，路徑長(zhǎng)度分別縮短7.66%、6.53%，能耗指標(biāo)分別下降62.2%、49.3%，綜合指標(biāo)分別下降32.6%、23.1%。研究顯示所提出的改進(jìn)蟻群算法具有更強(qiáng)的全局搜索能力和較好的應(yīng)用價(jià)值。

關(guān)鍵詞：拓展鄰域;路徑規(guī)劃;蟻群算法;移動(dòng)機(jī)器人;森林防火

中圖分類號(hào)：S762，TP242文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-8023（2024）01-0152-08

Forest Fire Prevention Mobile Robot Path Planning Based on Improved Ant Colony Algorithm

YANG Song， HONG Tao， ZHU Liangkuan

（College of Computer and Control Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：To solve the problem of optimal path planning for forest fire prevention mobile robots in forest terrain conditions， an improved ant colony algorithm based on extended neighborhood was proposed. Firstly， the plan of directional extended neighborhood was introduced， and the search neighborhood was extended from 8 to 10， which was in an attempt to expand search efficiency and scope. Then， considering multiple factors that affect the mobile robot， path length and energy consumption were used to improve heuristic functions. Next， the initial pheromone was improved by incorporating location information. Finally， the advantages of the Max-Min Ant System （MMAS） and the elite ant model were combined to improve the pheromone updating rule. Results indicated that the proposed improved algorithm compared with traditional ant colony algorithm and the ant colony algorithm based on multiple inspired factor， which can shorten the path length by 7.66% and 6.53%， reduce energy consumption by 62.2% and 49.3%， decrease the comprehensive index by 32.6% and 23.1%. The research demonstrated that the proposed improved ant colony algorithm had stronger global search capabilities and considerable practical value.

Keywords：Extended neighborhood; path planning; ant colony algorithm; mobile robot; forest fire prevention

0引言

近年來(lái)，隨著全球氣候變暖和極端天氣事件增多，全球進(jìn)入了森林火災(zāi)的高發(fā)期，森林防火形勢(shì)非常嚴(yán)峻[1]。森林火災(zāi)是一種突發(fā)性極強(qiáng)的公共危險(xiǎn)事件，解決困難且發(fā)生突然，往往在短時(shí)間內(nèi)迅速蔓延[2]。此外，森林防火及其檢測(cè)難度都非常高，僅靠人力檢測(cè)和防治，難度大、成本高、勞動(dòng)強(qiáng)度大，且風(fēng)險(xiǎn)極高，為了提高森林防火和檢測(cè)的效率和安全性，需要研發(fā)一種高效且快速的森林防火移動(dòng)機(jī)器人，該機(jī)器人可以在森林地形復(fù)雜的情況下進(jìn)行火災(zāi)探測(cè)和清理等消防作業(yè)。因此，在全局環(huán)境信息已知的情況下，探討森林防火移動(dòng)機(jī)器人路徑規(guī)劃問(wèn)題是切實(shí)可行的[3]。

路徑規(guī)劃問(wèn)題一直以來(lái)都是移動(dòng)機(jī)器人的研究關(guān)鍵，其研究目的是根據(jù)已知的環(huán)境信息規(guī)劃出一條從當(dāng)前節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)行之有效的最優(yōu)路徑，路徑的優(yōu)劣主要表現(xiàn)在路徑長(zhǎng)短、轉(zhuǎn)折點(diǎn)多少和安全性等方面[4]。目前常用的路徑規(guī)劃方法有Dijkstra算法、A*算法、人工勢(shì)場(chǎng)法、粒子群算法、蟻群算法和深度學(xué)習(xí)等[5-10]。其中，蟻群算法是由Dorigo等[11]提出模仿自然界中螞蟻覓食行為的一種啟發(fā)式搜索算法，該算法已經(jīng)能夠有效解決移動(dòng)機(jī)器人路徑規(guī)劃問(wèn)題，但仍存在著收斂速度慢、易進(jìn)入局部最優(yōu)的現(xiàn)象，且實(shí)際環(huán)境復(fù)雜多樣，傳統(tǒng)算法單純僅考慮路程因素也難以應(yīng)對(duì)實(shí)際復(fù)雜情況。針對(duì)這些問(wèn)題，不少學(xué)者給出了相關(guān)改進(jìn)算法。劉雙雙等[12]采用定向鄰域拓展重新定義螞蟻移動(dòng)規(guī)則，其算法尋優(yōu)性能和收斂能力均得到提升。魯飛等[13]通過(guò)改進(jìn)初始信息素分配，在啟發(fā)函數(shù)中引入夾角因素，提升了算法性能，但耗時(shí)較長(zhǎng)。魏立新等[14]提出一種改進(jìn)蟻群算法與DWA算法相融合的算法，性能得到提升同時(shí)能夠有效規(guī)避障礙物。LUO等 [15]構(gòu)造非均勻信息素，引入了動(dòng)態(tài)懲罰方法，算法的全局最優(yōu)搜索能力和收斂速度都有很大提高。以上文獻(xiàn)利用蟻群算法改進(jìn)移動(dòng)機(jī)器人的路徑規(guī)劃性能，但在考慮實(shí)際情況方面仍存在不足，如啟發(fā)式因素不夠全面，僅考慮路徑因素等，而李理等[16]雖然考慮到了路程、平滑性等因素，但仍存在搜索效率低、算法易出現(xiàn)停滯等問(wèn)題。

根據(jù)森林防火移動(dòng)機(jī)器人在森林地形環(huán)境工作的特點(diǎn)，本研究在前人研究的基礎(chǔ)上，針對(duì)李理等[16]研究的不足，提出一種改進(jìn)蟻群算法，采用定向鄰域拓展策略，將螞蟻的搜索方向從8個(gè)拓展到10個(gè)，擴(kuò)大搜索效率與范圍；改進(jìn)啟發(fā)函數(shù)，利用路徑長(zhǎng)度和能耗因素共同引導(dǎo)；依據(jù)當(dāng)前節(jié)點(diǎn)與起點(diǎn)終點(diǎn)連接的位置關(guān)系和與相鄰節(jié)點(diǎn)的相對(duì)高度差計(jì)算，并改進(jìn)非均勻分布的初始信息素，減少螞蟻搜索的盲目性；結(jié)合多因素啟發(fā)信息改進(jìn)信息素更新規(guī)則，并引入精英排序思想加快收斂，為避免算法過(guò)早收斂早熟，與最大-最小螞蟻系統(tǒng)相結(jié)合，進(jìn)而提高算法解的多樣性。

1改進(jìn)蟻群算法的路徑規(guī)劃

1.1環(huán)境模型的建立

在復(fù)雜森林地形下，為了能使機(jī)器人安全有效地規(guī)劃出路徑，對(duì)森林地形的實(shí)際物理環(huán)境空間轉(zhuǎn)換成柵格地圖，且對(duì)障礙物做膨脹處理，若出現(xiàn)部分柵格中存在障礙物未占滿整個(gè)柵格的情況，將整個(gè)柵格視為障礙物，從而保障機(jī)器人移動(dòng)的安全性，這里規(guī)定機(jī)器人移動(dòng)路徑不能與障礙柵格接觸。森林環(huán)境中不僅僅只有障礙物的存在，高度的變化也不容忽視，林區(qū)的顛簸環(huán)境極大地影響了機(jī)器人的行進(jìn)速度和能量損耗，為更好地模擬林區(qū)環(huán)境，在建模中引入高度量。

本研究采用直角坐標(biāo)系同時(shí)結(jié)合序號(hào)法識(shí)別柵格，以4×4柵格地圖為例，移動(dòng)機(jī)器人的二維環(huán)境示意圖如圖1所示；林區(qū)高度變化用peaks函數(shù)的絕對(duì)值進(jìn)行模擬，地形環(huán)境示意如圖2所示；圖3為二維環(huán)境和地形環(huán)境疊加后的模擬森林環(huán)境示意圖。

在圖1和圖3中，白色柵格表示自由區(qū)域，黑色柵格表示障礙物區(qū)域，圖3中綠色顏色越深代表高度量越高。每個(gè)柵格都有唯一的序號(hào)和對(duì)應(yīng)的位置坐標(biāo)，柵格序號(hào)與對(duì)應(yīng)坐標(biāo)的轉(zhuǎn)換關(guān)系見式（1）。

xi=a（ceil（i，Nx）－0.5）

yi=a（Ny+0.5－mod（i，Ny）） 。（1）

式中：（xi，yi）為第i個(gè)柵格的位置坐標(biāo)；i為柵格的序列號(hào)；a是柵格粒徑，mod為取余運(yùn)算符；ceil為向正無(wú)窮的舍入運(yùn)算符；Nx和Ny分別為行方向和列方向的柵格數(shù)。

1.2定向鄰域拓展策略

蟻群算法通過(guò)模擬螞蟻在尋找食物過(guò)程中的信息交流和合作行為來(lái)解決問(wèn)題。對(duì)動(dòng)物而言，長(zhǎng)遠(yuǎn)的視野范圍可以幫助其提前發(fā)現(xiàn)目標(biāo)、規(guī)劃路線，有效地捕獲獵物或者躲避捕食者，同樣的道理，螞蟻在選擇下一步節(jié)點(diǎn)前，長(zhǎng)遠(yuǎn)的視野范圍可以幫助螞蟻更好地規(guī)劃路徑或者提前發(fā)現(xiàn)目標(biāo)點(diǎn)。徐菱等[17]通過(guò)將螞蟻的搜索方向拓展到16個(gè)，有效擴(kuò)大螞蟻搜索范圍和縮短了路徑長(zhǎng)度，但是由于每只螞蟻行進(jìn)時(shí)都需要在16個(gè)方向中選擇，可行節(jié)點(diǎn)數(shù)量過(guò)多會(huì)增加算法的不確定性[12，18]。本研究引入該策略，并根據(jù)地圖起點(diǎn)和終點(diǎn)的相對(duì)位置，對(duì)鄰域進(jìn)行定向拓展，汲取了擴(kuò)大螞蟻搜索范圍和縮短路徑長(zhǎng)度的優(yōu)點(diǎn)，規(guī)避可行節(jié)點(diǎn)數(shù)量過(guò)多引起算法的不確定性的缺點(diǎn)。

圖4中黑色圓圈所在柵格為螞蟻當(dāng)前所在位置，1—8號(hào)柵格為經(jīng)典蟻群算法可行柵格，9—10號(hào)柵格為拓展柵格，將螞蟻的最小轉(zhuǎn)向角由45°降低到了22.5°，采用定向領(lǐng)域拓展不僅能夠提高螞蟻視野豐富搜索路徑，還能夠優(yōu)化路徑使路徑更加平滑。

圖5展示了以4×4柵格為例，螞蟻從地圖左下角向右上角行進(jìn)，藍(lán)色路線為傳統(tǒng)算法路徑，深藍(lán)色為拓展鄰域后的路徑，由于柵格地圖的特點(diǎn)限制，螞蟻的有效搜索方向是有限的，傳統(tǒng)的螞蟻有8個(gè)搜索方向，螞蟻只能沿水平、垂直或者對(duì)角線方向移動(dòng)，且最低轉(zhuǎn)角為45°。本研究將螞蟻的搜索方向拓展到10個(gè)，螞蟻的最小轉(zhuǎn)角降低到22.5°，不僅能提升螞蟻的搜索范圍，還能提高效率和降低機(jī)器人轉(zhuǎn)彎能耗。由圖5可知，傳統(tǒng)算法需要經(jīng)過(guò)5次移動(dòng)，移動(dòng)距離5.414，而本研究算法只需要2次移動(dòng)，移動(dòng)距離4.472，有效提升了效率。

1.3改進(jìn)啟發(fā)函數(shù)

傳統(tǒng)的蟻群算法在構(gòu)造啟發(fā)函數(shù)時(shí)通常只考慮到路程長(zhǎng)度這一因素，但實(shí)際上在復(fù)雜的環(huán)境下，由于存在障礙物限制和高度差變化等因素，最短路徑未必是最優(yōu)選擇。在移動(dòng)機(jī)器人的路徑規(guī)劃問(wèn)題中，大幅度轉(zhuǎn)向和不平坦環(huán)境等因素會(huì)降低規(guī)劃效率，導(dǎo)致無(wú)法滿足有限資源條件下機(jī)器人執(zhí)行任務(wù)的可持續(xù)性，同時(shí)增大工作過(guò)程中的能量消耗。

森林防火機(jī)器人在工作過(guò)程中的能量消耗主要為森林地形地面摩擦阻力、機(jī)器人動(dòng)能以及架設(shè)的傳感器[19]。包括克服行進(jìn)時(shí)的地面摩擦力的能量（Eres）、轉(zhuǎn)化為機(jī)器人動(dòng)能的能量（Ekinetic）和傳感器等電子設(shè)備所消耗的能量（Ee）。移動(dòng)機(jī)器人的能耗方程為

Erobot=Eres+Ekinetic+Ee=m′∫tmax［υ（t）a（t），

0］dt+cμm′g∫tυ（t）dt+∫tPedt。（2）

式中：m′為機(jī)器人自身質(zhì)量及攜帶質(zhì)量之和；υ（t）和a（t）分別表示機(jī)器人在t時(shí)刻的線速度和加速度；g為重力加速度；μ為森林地形地面摩擦系數(shù)；c為機(jī)器人固有屬性參數(shù)，取決于底盤結(jié)構(gòu)；Pe為傳感器等電子設(shè)備的功耗。

由能耗方程可知，移動(dòng)機(jī)器人的能耗由機(jī)器人自身及攜帶質(zhì)量、地形狀況、路線距離、運(yùn)行模式以及傳感器等電子設(shè)備構(gòu)成，這些都為移動(dòng)機(jī)器人執(zhí)行任務(wù)的可持續(xù)性提出了更高要求。機(jī)器人動(dòng)能以及架設(shè)傳感器的能量消耗難以避免，所以降低能量損耗主要體現(xiàn)在克服摩擦力上，而傳統(tǒng)蟻群算法由于其單純地以路徑長(zhǎng)度為啟發(fā)函數(shù)，往往導(dǎo)致搜索的路徑能耗較大，針對(duì)傳統(tǒng)算法的缺陷，本研究引入了一種基于多啟發(fā)式路徑優(yōu)化策略的規(guī)劃方法，從而提高移動(dòng)機(jī)器人在有限資源環(huán)境中的可持續(xù)性作業(yè)能力。

為了使啟發(fā)函數(shù)有更好的引導(dǎo)作用，做以下更改

ηmij（t）=φ（i，j）+γmij（t）+ν（i，j） 。（3）

式中：φ（i，j）為距離因子，表示待轉(zhuǎn)移柵格；γmij（t）和ν（i，j）分別為曲折因子和顛簸因子。

φ（i，j）=kdmax－d（j，q）dmax－dmin+e+1/d（i，j） 。（4）

式中：dmax、dmin表示待轉(zhuǎn)移柵格到目標(biāo)柵格的最大和最小距離；di，j表示當(dāng)前柵格與待轉(zhuǎn)移柵格之間的距離；k為距離啟發(fā)式函數(shù)的比例系數(shù)；e為一較小常數(shù)，以防止出現(xiàn)分母為0的情況。

γmij=ηψ，Tm（l）=Tm（l－1）

（1－η）ψallowedmi，otherwise 。（5）

式中：η、ψ分別代表百分比和轉(zhuǎn)彎啟發(fā)式常量；Tm（l）表示第m只螞蟻在第l次移動(dòng)的方向標(biāo)號(hào)；allowedmi表示第m只螞蟻在位置i所能轉(zhuǎn)移的柵格總數(shù)。

ν（i，j）=khmax－h(huán)（i）－h(huán)（j）hmax－h(huán)min+e。 （6）

式中：h（i）表示柵格i的高度；hmax、hmin表示當(dāng)前柵格與待轉(zhuǎn)移柵格之間最大與最小高度差。

1.4改進(jìn)初始化信息素

當(dāng)所有路徑上的初始信息素濃度相等時(shí)，螞蟻缺乏引導(dǎo)，可能會(huì)探索到一些錯(cuò)誤的路徑，導(dǎo)致搜索效率降低。此時(shí)需要通過(guò)設(shè)置一個(gè)合適的初始信息素濃度來(lái)引導(dǎo)螞蟻在搜索過(guò)程中更有可能探索到最優(yōu)路徑。因此，為了更有效地引導(dǎo)螞蟻前進(jìn)，提出了一種新的初始信息素的設(shè)置方式。

τij（0）=C+ξ+δ。（7）

ξ=a/|h（j）－h(huán)（i）| 。（8）

δ=b（1/f（i））（1/f（j））。 （9）

f（x）=εg1（x）+（1－ε）g2（x） 。 （10）

式中：C為一常數(shù)；ξ為勢(shì)差因子，表示待轉(zhuǎn)移柵格與當(dāng)前柵格的高度變化；δ為偏置因子；g1（x）為起始點(diǎn)與當(dāng)前點(diǎn)的間距；g2（x）為目標(biāo)點(diǎn)與當(dāng)前點(diǎn)的間距。其思想基于一種偏斜啟發(fā)式的方式對(duì)初始信息素進(jìn)行非均勻化處理，由于2點(diǎn)之間直線最短，通過(guò)增加靠近起始點(diǎn)與目標(biāo)點(diǎn)連線的信息素來(lái)更好地指導(dǎo)螞蟻在初始階段的路徑選擇。

1.5改進(jìn)信息素更新規(guī)則

在蟻群算法中，信息素的更新是通過(guò)模擬天然螞蟻行為的信息素自然揮發(fā)和螞蟻釋放信息素進(jìn)行積累來(lái)實(shí)現(xiàn)的。為了更好地優(yōu)化算法性能，本研究將最大-最小螞蟻系統(tǒng)（MMAS）的基本模型與精英排序算法相結(jié)合。通過(guò)這種方法，可以更加有效地引導(dǎo)螞蟻搜索最優(yōu)路徑，并且提高算法的搜索效率。在信息素更新過(guò)程中，除了對(duì)所有可行路徑增加信息素外，還引入了精英螞蟻。這些螞蟻生成路徑后，根據(jù)路徑綜合評(píng)分進(jìn)行排序，排名靠前的螞蟻會(huì)對(duì)信息素軌跡量的更新貢獻(xiàn)更大，因?yàn)槠涓赡苷业礁?、更?yōu)的路徑。通過(guò)引入精英螞蟻，本研究所提出的改進(jìn)蟻群算法可以更快、更有效地找到最優(yōu)解。信息素根據(jù)下式進(jìn)行更新

τij（t+1）=（1-ρ）τij（t）+∑mk=1Δτkij（t）+∑σφ=1Δτφij（t） 。 （11）

Δτkij（t）=Q/Sk，螞蟻k過(guò)路徑（i，j）

0，否則 。（12）

Δτφij（t）=（σ－φ）Q/Sφ，若第φ只最好的螞蟻經(jīng)過(guò)路徑（i，j）

0，否則。 （13）

S（t）=xL（t）+yF（t）+zT（t） 。（14）

式中：φ為精英螞蟻序號(hào)；Δτφij表示由第φ只精英螞蟻引起的路徑（i，j）上的額外信息素量的增加；σ為精英螞蟻的數(shù)量；S是路徑綜合評(píng)分；x、y、z為相應(yīng)的調(diào)節(jié)系數(shù)；L、F、T分別代表當(dāng)次有效路徑的路徑長(zhǎng)度、高度的均方差和轉(zhuǎn)彎次數(shù)。

將螞蟻的搜索行為集中在最優(yōu)解附近的策略可以提高搜索的效率和準(zhǔn)確性，但是此策略容易導(dǎo)致算法陷入早熟收斂的問(wèn)題。某路徑（i，j）被訪問(wèn)的概率較小，算法在開始階段經(jīng)較少次數(shù)的全局更新后，導(dǎo)致那些被訪問(wèn)較少的路徑信息素強(qiáng)度趨近于零，因此，螞蟻會(huì)失去對(duì)這些路徑的探索能力，從而無(wú)法找到全局最優(yōu)解。為了避免算法的過(guò)早收斂和早熟，引入MMAS算法，對(duì)信息素設(shè)置上下限。

τij（t）=τmin，τij（t）≤τmin

τmax，τij（t）≥τmax

τij（t），otherwise 。（15）

式中，τmin、τmax分別為信息素的最小值和最大值。

1.6改進(jìn)蟻群算法流程

Step1：地圖障礙物初始化，設(shè)置起點(diǎn)與終點(diǎn)，參數(shù)初始化；

Step2：根據(jù)式（7）計(jì)算初始信息素；

Step3：禁忌表初始化，將螞蟻放置在起點(diǎn)；

Step4：根據(jù)輪盤賭法計(jì)算轉(zhuǎn)移概率，并將當(dāng)前柵格加入禁忌表；

Step5：判斷螞蟻是否到達(dá)終點(diǎn)，若沒有到達(dá)終點(diǎn)，則返回Step4，否則執(zhí)行Step6；

Step6：記錄所有螞蟻經(jīng)過(guò)的路徑長(zhǎng)度，轉(zhuǎn)彎次數(shù)，顛簸程度及綜合指標(biāo)等；

Step7：通過(guò)式（11）、式（15）進(jìn)行信息素更新；

Step8：判斷是否到達(dá)最大迭代次數(shù)，若是，則執(zhí)行Step9，否則返回Step3；

Step9：輸出最優(yōu)路徑及各項(xiàng)指標(biāo)。

改進(jìn)蟻群算法流程如圖6所示。

2仿真與分析

為了驗(yàn)證所提出改進(jìn)蟻群算法在移動(dòng)機(jī)器人路徑規(guī)劃中的可行性和有效性，進(jìn)行了大量仿真實(shí)驗(yàn)，本研究選取障礙物隨機(jī)分布的30×30柵格地圖進(jìn)行仿真，并且與傳統(tǒng)蟻群算法及基于多啟發(fā)因素的改進(jìn)蟻群算法進(jìn)行詳細(xì)比較。仿真環(huán)境為：操作系統(tǒng)Windows11（64位），處理器InterCoreTMi7-12700H，CPU2.3 GHz，內(nèi)存16 GB，仿真平臺(tái)MatlabR2022a。

2.1參數(shù)優(yōu)化設(shè)置

蟻群算法模型的參數(shù)設(shè)置目前仍沒有可行的數(shù)學(xué)分析方法，因此常需要依靠經(jīng)驗(yàn)來(lái)進(jìn)行參數(shù)選擇。本研究采用的方法是在參數(shù)變化范圍內(nèi)設(shè)定多種不同的參數(shù)組合，并通過(guò)實(shí)驗(yàn)結(jié)果的統(tǒng)計(jì)分析來(lái)確定最優(yōu)的參數(shù)組合。這種方法可以有效地幫助在實(shí)踐中選擇最佳的參數(shù)設(shè)置。

默認(rèn)參數(shù)組合：α=1，β=3，ψ=10，k=3，m=100。在30×30的柵格地圖進(jìn)行仿真實(shí)驗(yàn)，以默認(rèn)參數(shù)組合為基準(zhǔn)，每次僅改變一個(gè)參數(shù)取值，并為防止偶然情況進(jìn)行10次實(shí)驗(yàn)取平均值，所得實(shí)驗(yàn)結(jié)果見表1。

由表1可知，α取值為1、k取值為3、m取值為100較為合適；β為3～7的綜合評(píng)分極為接近，但隨著β的增加運(yùn)行時(shí)間大幅上升，綜合考量取值為3較為合適；ψ在取值為20～50的綜合評(píng)分差別十分微小，但是取值50會(huì)導(dǎo)致該因素權(quán)重過(guò)大，擠壓了其他因素對(duì)轉(zhuǎn)移概率的影響，綜合考量取值為20較為合適。仿真參數(shù)設(shè)置見表2。

2.230×30柵格地圖仿真

將本研究提出的改進(jìn)蟻群算法與傳統(tǒng)算法、李理等[16]所提出的算法進(jìn)行仿真比較以驗(yàn)證算法尋優(yōu)能力，仿真結(jié)果如圖7—圖10所示。

由仿真結(jié)果可知，本研究提出的改進(jìn)蟻群算法在各方面均有一定提升。從生成的最優(yōu)路徑來(lái)看，傳統(tǒng)算法橫穿地圖地勢(shì)較高的綠色區(qū)域，而本研究提出的改進(jìn)蟻群算法和李理等[16]所提出的算法均較好地避開了該區(qū)域；從收斂能力上來(lái)看，本研究所提出的改進(jìn)蟻群算法收斂效果更好，這是因?yàn)樵谒惴ǔ跗?，另?種算法由于在迭代開始時(shí)信息素分布均勻，螞蟻的搜索具有很大盲目性，信息素的正反饋?zhàn)饔幂^弱，導(dǎo)致算法初期螞蟻行進(jìn)方向過(guò)于混亂，而本研究所提出的改進(jìn)蟻群算法采用非均勻的初始信息素，很好地避免了這個(gè)問(wèn)題；從其余各項(xiàng)指標(biāo)來(lái)看，也均優(yōu)于另外2種算法，這是因?yàn)楸狙芯坎捎昧硕ㄏ蜞徲蛲卣共呗院投嘁蛩貑l(fā)函數(shù)，不僅豐富了螞蟻的搜索方向，還可以使路線轉(zhuǎn)彎次數(shù)更少，路徑更平滑，路程也更短。

為進(jìn)一步驗(yàn)證算法可靠性，在該地圖中共進(jìn)行10次的仿真實(shí)驗(yàn)取平均值。仿真結(jié)果見表3 。

由表3可以看出，與傳統(tǒng)算法及李理等[16]所提出的算法相比，本研究所提出的改進(jìn)蟻群算法在路徑長(zhǎng)度上分別縮短1.97%、3.63%，能耗指標(biāo)分別下降56.2%、47.2%，而綜合指標(biāo)分別下降26.6%、21.2%。

3結(jié)束語(yǔ)

根據(jù)森林防火移動(dòng)機(jī)器人在森林地形環(huán)境工作的特點(diǎn)，本研究提出了一種改進(jìn)蟻群算法。該算法引入定向拓展鄰域策略，將螞蟻的轉(zhuǎn)移柵格從8個(gè)提升至10個(gè)，提升了螞蟻的搜索范圍，不僅使最優(yōu)路徑變短還使得路徑更加平滑；依據(jù)森林防火機(jī)器人的特點(diǎn)，用路徑長(zhǎng)度和能耗改進(jìn)啟發(fā)函數(shù)，降低工作過(guò)程的能量損耗；利用當(dāng)前節(jié)點(diǎn)與起點(diǎn)、終點(diǎn)連接的位置關(guān)系和與相鄰節(jié)點(diǎn)的相對(duì)高度差計(jì)算，并且改進(jìn)非均勻分布的初始信息素，有效避免算法初始階段的盲目搜索問(wèn)題；結(jié)合MMAS和精英螞蟻算法模型的優(yōu)點(diǎn)，改進(jìn)信息素更新規(guī)則，避免過(guò)早收斂。仿真結(jié)果表明，所提出的改進(jìn)蟻群算法具有更強(qiáng)的適應(yīng)性，能獲得更好的性能指標(biāo)，全局搜索能力更強(qiáng)，能夠有效地縮短路徑長(zhǎng)度和降低能耗，進(jìn)而提升森林防火移動(dòng)機(jī)器人的工作效率。

【參考文獻(xiàn)】

[1]韓雪寧，王建斌.我國(guó)森林防火行業(yè)市場(chǎng)發(fā)展現(xiàn)狀及風(fēng)險(xiǎn)研究[J].經(jīng)濟(jì)研究導(dǎo)刊，2022（7）：65-67.

HAN X N， WANG J B. Research on the current situation and risks of the forest fire prevention industry market development in China[J]. Economic Research Guide， 2022（7）：65-67.

[2]布升強(qiáng)，梅淼，李瓊瓊，等.森林防火機(jī)器人軌跡尋蹤技術(shù)研究[J]森林工程，2020，36（3）：44-52.

BU S Q， MEI M， LI Q Q， et al. Research on path tracking technology of forest fireproof robot[J]. Forest Engineering， 2020， 36（3）：44-52.

[3]孫上杰，姜樹海，崔嵩鶴，等.基于深度學(xué)習(xí)的森林消防機(jī)器人路徑規(guī)劃[J].森林工程，2020，36（4）：51-57.

SUN S J， JIANG S H， CUI S H， et al. Path planning of forest fire fighting robots based on deep learning[J]. Forest Engineering， 2020， 36（4）：51-57.

[4]朱大奇，顏明重.移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)綜述[J].控制與決策，2010，25（7）：961-967.

ZHU D Q，YAN M Z. Survey on technology of mobile robot path planning[J]. Control and Decision，2010，25（7）：961-967.

[5]LUO M， HOU X， YANG J. Surface optimal path planning using an extended dijkstra algorithm[J]. IEEE Access， 2020， 8：147827-147838.

[6]XIANG D， LIN H， OUYANG J， et al. Combined improved A* and greedy algorithm for path planning of multi-objective mobile robot[J]. Scientific Reports， 2022（12）：13273.

[7]王曉燕，楊樂(lè)，張宇，等.基于改進(jìn)勢(shì)場(chǎng)蟻群算法的機(jī)器人路徑規(guī)劃[J].控制與決策，2018，33（10）：1775-1781.

WANG X Y， YANG L， ZHANG Y， et al. Robot path planning based on improved ant colony algorithm with potential field heuristic[J]. Control and Decision， 2018， 33（10）：1775-1781.

[8]郝琨，鄧晁碩，趙璐，等.基于區(qū)域搜索粒子群算法的機(jī)器人路徑規(guī)劃[J].電子測(cè)量與儀器學(xué)報(bào)，2022，36（12）：126-135.

HAO K ，DENG C S， ZHAO L， et al. Robot path planning based on region search particle swarm optimization[J]. Journal of Electronic Measurement and Instrumentation， 2022， 36（12）：126-135.

[9]ZHANG W， GONG X ，HAN G， et al. An improved ant colony algorithm for path planning in one scenic area with many spots[J]. IEEE Access， 2017（5）：13260-13269.

[10]劉澤森，畢盛，郭傳鈜，等.基于深度學(xué)習(xí)的機(jī)器人局部路徑規(guī)劃方法[J/OL].系統(tǒng)仿真學(xué)報(bào)：1-12[2023-04-23].DOI：10.16182/j.issn1004731x.joss.22-1546.

LIU Z S， BI S， GUO C H， et al. Deep learning based local path planning method for moving robots[J/OL]. Journal of System Simulation：1-12[2023-04-23].DOI：10.16182/j.issn1004731x.joss.22-1546.

[11]DORIGO M， MANIEZZO V， COLORNI A. Ant system： optimization by a colony of cooperating agents[J]. IEEE Transactions on Systems， Man， and Cybernetics， Part B： Cybernetics， 1996， 26（1）： 29-41.

[12]劉雙雙，黃宜慶.多策略蟻群算法在機(jī)器人路徑規(guī)劃中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2022，58（6）：278-286.

LIU S S， HUANG Y Q. Application of multi-strategy any colony algorithm in robot path planning[J]. Computer Engineering and Applications， 2022， 58（6）：278-286.

[13]魯飛，魯照權(quán)，牛晨，等.基于改進(jìn)蟻群算法的三維路徑規(guī)劃研究[J].傳感器與微系統(tǒng)，2022，41（1）：45-49.

LU F， LU Z Q， NIU C， et al. Research on 3D path planning based on improved ant colony algorithm[J]. Transducer and Microsystem Technologies， 2022， 41（1）：45-49.

[14]魏立新，張鈺錕，孫浩，等.基于改進(jìn)蟻群和DWA算法的機(jī)器人動(dòng)態(tài)路徑規(guī)劃[J].控制與決策，2022，37（9）：2211-2216.

WEI L X， ZHANG Y K， SUN H， et al. Robot dynamic path planning based on improved ant colony and DWA algorithm[J]. Control and Decision， 2022， 37（9）：2211-2216.

[15]LUO Q， WANG H B， ZHENG Y， et al. Research on path planning of mobile robot based on improved ant colony algorithm[J]. Neural Computing and Applications， 2019（1）：1-12.

[16]李理，李鴻，單寧波.多啟發(fā)因素改進(jìn)蟻群算法的路徑規(guī)劃[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（5）：219-225，250.

LI L， LI H， SHAN N B. Path planning based on improved ant colony algorithm with multiple inspired factor[J]. Computer Engineering and Applications， 2019， 55（5）：219-225， 250.

[17]徐菱，付文浩，江文輝，等.基于16方向24鄰域改進(jìn)蟻群算法的移動(dòng)機(jī)器人路徑規(guī)劃[J].控制與決策，2021，36（5）：1137-1146.

XU L， FU W H， JIANG W H， et al. Mobile robots path planning based on 16-directions 24-neighborhoods improved ant colony algorithm[J]. Control and Decision， 2021， 36（5）：1137-1146.

[18]朱素霞，龍翼飛，孫廣路，等.基于改進(jìn)蟻群算法的SDN數(shù)據(jù)中心流調(diào)度研究[J].哈爾濱理工大學(xué)學(xué)報(bào)，2022，27（1）1-7

ZHU S X， LONG Y F， SUN G L， et al. Improved ant colony algorithm for network flow scheduling in SDN data center[J]. Journal of Harbin University of Science and Technology， 2022， 27（1）：1-7.

[19]劉靖.考慮低能耗和集成策略的移動(dòng)機(jī)器人自主運(yùn)動(dòng)規(guī)劃研究[D].成都：電子科技大學(xué)，2022.

LIU J. Research on autonomous motion planning for mobile robots considering low energy consumption and integrated strategy[D]. Chengdu： University of Electronic Science and Technology of China， 2022.