自学习蚁群算法：单计算参数的机器人路径规划

"本文介绍了一种新的自学习蚁群算法，用于解决机器人路径规划问题，该算法具有单一的计算参数，降低了算法复杂性，并在复杂环境中能快速找到避碰的最优路径，优于传统算法。" 在当前的机器人路径规划算法中，计算参数过多是一个普遍存在的问题，这增加了算法的复杂度，不利于实际应用。为了克服这一挑战，文章提出了一个基于单计算参数的自学习蚁群优化算法（Self-learning Ant Colony Optimization, SlACO）。这种算法采用改进的栅格法（Improved Grid Method, IGM）来构建环境模型，同时结合8-geometry行进规则，使得每个蚂蚁个体能够在搜索过程中发现多条可行路径，提高了路径规划的效率。 在路径规划问题中，8-geometry行进策略允许蚂蚁个体在相邻的八个方向上移动，增强了搜索的灵活性，适应于复杂的工作空间。这种策略是基于标准的4-geometry规则扩展，增加了路径选择的多样性，有助于找到更优解。 改进的栅格法是SlACO算法的关键组成部分，它在基本栅格法的基础上进行了优化。首先，目标位置单元格被视为食物源，通过特定的“食物分裂”操作，将目标单元格分解成多个搜索目标，存储在一个集合中。这种方法增强了搜索的分散性和全面性，使得蚂蚁种群可以从不同角度探索环境，从而找到更短、更安全的路径。 此外，算法还采用了自学习和多目标搜索策略。自学习机制使得蚂蚁能够从每次搜索经历中学习，优化其路径选择策略，而多目标搜索策略则允许算法同时考虑路径长度和安全性等多个因素，确保规划出的路径不仅短而且避开了障碍物。 通过仿真实验，SlACO算法在复杂的工作环境中表现出了高效性和优越性，能在较短时间内规划出避碰的最优路径，且只需要设置一个计算参数，显著减少了调试和优化算法的难度，提升了算法的实用性。 单计算参数的自学习蚁群算法提供了一个简化但高效的解决方案，对于解决机器人路径规划问题具有重要的理论和实践意义。它降低了算法的复杂度，提高了路径规划的效率，同时保证了路径的安全性，为实际的机器人导航系统设计提供了有价值的参考。