王 玉, 沈丹峰, 李耀杰, 李靖宇

(西安工程大学 机电工程学院，陕西 西安 710048)

0 引 言

自动导引小车(automated guided vehicle，AGV)研究的主要问题之一，是基于已知信息规划环境中具有许多障碍的最优路径。即从起点到目的地点而不发生碰撞，并且以最快的速度和最短的路径到达。该研究中广泛使用的方法有势场法[1]、栅格法[2]、动态算法[3-5]、蚁群算法[6-8]、神经网络算法[9-10]等。势场法有助于下层的实时控制，结构简单但很容易陷入局部的优的死胡同，对全局的搜索不利；动态算法计算量大、收敛速度慢，效率低。目前，神经网络成为了比较流行的优化方法。该方法易于使用硬件实现，但可靠性和优化性能较差，并且难以解决局部最优解问题。尽管传统的蚁群算法收敛速度慢，也存在死锁的问题，但它易于并行实现、搜索效率高、鲁棒性强，可以广泛地用以各种复杂环境下的路径规划中。

目前，许多学者提出了不同的方式改善蚁群算法的弊端：NAZARAHARI等提出了遗传算法规划连续环境中多个机器人的路径，并改进了原有遗传算法的启发式功能，但是当触碰到障碍物时，仍然会出现死锁现象，效率低下[11]； ZHU等将人工势场法与蚁群算法相结合，引入诱发启发式因素，并动态调整了算法的状态转移规则，因而具有更高的全局搜索能力和更快的收敛进度[12]；OMRAN等改进连续蚁群优化问题，优化了开发和寻找蚁群的机制，收敛速度有所提高[13]；马军等提出了融合蚁群-A*算法的路径规划方法，虽然改进了启发式函数和信息素更新方式，但蚁群算法早期搜索效率低、收敛缓慢的问题仍然不能有效地解决[14]。……