基于蚁群优化、粒子群优化与萤火虫群优化算法的机器人路径优化混合自然启发式方法

《Systems and Soft Computing》:Path optimization for robots using nature-inspired hybrid algorithms: ACO, PSO, and GSO

【字体: 大 中 小 】 时间:2026年02月11日 来源:Systems and Soft Computing 3.6

编辑推荐:

  路径规划是人工智能领域的一项基本挑战,尤其在自主机器人于复杂动态环境中运行时更为突出。常规优化技术(包括遗传算法(GA)与蚁群优化(ACO))虽被广泛应用,但单一方法途径常在效率、适应性与鲁棒性上受限。为克服上述局限,研究人员提出一种融合三种自然启发算法的混合

  
路径规划是人工智能领域的一项基本挑战,尤其在自主机器人于复杂动态环境中运行时更为突出。常规优化技术(包括遗传算法(GA)与蚁群优化(ACO))虽被广泛应用,但单一方法途径常在效率、适应性与鲁棒性上受限。为克服上述局限,研究人员提出一种融合三种自然启发算法的混合元启发式框架,集成蚁群优化(ACO)、粒子群优化(PSO)与萤火虫群优化(GSO),命名为APGO(Ant Colony, Particle Swarm, and Glow-worm Optimizer)。该途径充分利用各算法优势:ACO用于最短路径辨识,PSO用于快速收敛,GSO用于高效局部搜索,同时缓解各自弱点。本研究核心贡献在于论证ACO、PSO与GSO的集成可显著改进路径长度与行驶时间的优化。大量仿真研究及对比评估表明,相较于传统单算法方法,APGO在效率、可靠性与计算有效性上均具更优表现。上述发现有力证明混合元启发式策略可推进自主机器人导航的技术水平,并为智能路径规划的后续发展奠定基础。
研究背景方面,路径规划是自主导航中的基本问题,目标是在静态或动态环境中生成从起点到终点的无碰撞最优轨迹。传统搜索与基于图的方法在结构化空间中有效,但在高维、非线性与动态场景中常遇困难,这促使基于群体智能、进化计算与混沌理论的元启发式算法被广泛采用。在经典群智能方法中,蚁群优化(ACO)通过信息素增强提供强开发能力,粒子群优化(PSO)借助社会学习机制实现快速收敛,萤火虫群优化(GSO)凭借基于荧光素(luciferin)的决策策略在多模态搜索中表现有效。然而这些方法面临早熟收敛、陷入局部最优及大规模环境下计算开销过大等挑战。近期文献探索了混沌增强与混合元启发式,但许多算法主要在静态基准函数上验证,在动态不确定导航环境中探索有限,且混合与混沌扩展常引入显著计算复杂度,限制其实时适用性。因此,亟需稳健、自适应且计算高效的元启发式框架,以平衡探索与开发、处理动态障碍并在实时约束内确保收敛。
研究人员开展了基于ACO、PSO与GSO三者集成的混合自然启发式方法APGO研究,用以求解机器人路径规划问题。在500×500的二维网格参考地图上,分别测试单一ACO、PSO、GSO及两两混合(ACO+GSO、ACO+PSO)与三算法混合APGO的路径长度与路径时间。结果表明APGO在五张参考地图上均取得最短路径与最少路径时间,例如Map 1路径长度81.11、路径时间22.92,远优于单一ACO的102.12与109.12。结论指出APGO在效率、可靠性与计算有效性上超越传统单算法及双算法混合,混合策略同时具备探索与开发搜索能力,GSO的引入加速了节点选择行为。该文发表于《Systems and Soft Computing》,其意义在于证明自然启发式混合框架可推进自主机器人导航技术水平,并为动态多机环境扩展提供基础。
关键技术方法上,研究人员采用蚁群优化(ACO)、粒子群优化(PSO)与萤火虫群优化(GSO)三类自然启发算法,在500×500二维网格地图(含黑障障碍、绿源红标)上构建混合框架APGO。ACO以八向固定移动建图并依信息素τi,j与启发式ηi,j选边;PSO以粒子位置Xi与速度vi借个体最佳xBestit与全局最佳gBestt更新;GSO以萤火虫荧光素li(t)更新、邻域Ni(t)判定、向亮个体移动及决策半径rid(t)自适应调整实现多峰局部最优捕获。节点间距离以欧氏距离(式10-12)近似。实验在五张参考地图重复进行,以路径长度与时间双指标对比单算法、双混合与APGO。
研究结果部分,3.1节GSO途径中指出,在五张参考地图上,传统ACO、PSO、GSO的路径长度分别为102.12–152.53、127.56–183.12、112.77–177.85,路径时间分别为109.12–151.87、127.06–172.73、107.05–121.23;ACO+GSO与ACO+PSO有所改善,而APGO路径长度降至80.55–109.91、路径时间降至22.92–37.78。研究人员由此得出结论:三算法混合同时进行探索与开发搜索,GSO加入ACO-PSO后加快节点选择,APGO在路径长度与路径时间上均显著优于其余组合。
讨论与结论翻译部分,研究人员将三种算法特性结合,使APGO在各阶段取用最适者:离散优化器属性、元启发式自然性及局部较优解寻找性质被良好累积以产出更优结果。所提混合组合APGO优于文中其他双算法组合,也优于单独运行的经典算法。结果递进呈现:先测单算法,再测双混合,终测三混合;GSO的介入令ACO与PSO组合的节点选择更快更高效。路径长度与路径时间两参数均以高效方式验证。未来扩展可在障碍运动且多机器人并存之动态环境中测试该混合途径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号