李开荣，刘 爽，胡倩倩，唐亦媛

（扬州大学信息工程学院，江苏扬州 225127）

（*通信作者电子邮箱973279727@qq.com）

0 引言

随着智能化时代的到来，移动机器人越来越普及，其中一项重要的研究工作即移动机器人的路径规划问题。移动机器人的工作环境中往往存在着一定数量的障碍物，需要从初始点准确且快速地寻找一条能够避开所有障碍物到达目标点的最优路径［1］。传统的路径规划算法有栅格法、人工势场法等［2］。栅格法属于全局路径规划算法，用于构建移动环境，将机器人的路径转换为网格之间的连接，算法简单易实现；但是当移动环境变大时，网格数量急剧增加，数据存储空间大，计算速度慢。人工势场法是一种局部路径规划算法，实时性强、计算量小，对硬件平台的要求低；但是其存在的局部最小点问题很容易引起路径规划的失败。因此，随着移动环境复杂度和任务难度的增加，传统的路径规划算法无法达到预期的效果。随着人工智能的发展，例如遗传算法［3］、蚁群优化（Ant Colony Optimization，ACO）算法［4］、烟花算法［5］、粒子群算法［6］等智能算法也被应用到路径规划领域中，并且取得了丰富的成果。

在上述路径规划方法中，蚁群优化算法［7］具有较强的鲁棒性和搜索能力，作为一种启发式算法，对蚂蚁群体的觅食过程进行学习模拟，得出蚂蚁们共同规划的解路径，具有正反馈、并行计算以及易融合等特点，但也存在迭代次数多和易忽略全局最优解等问题。针对这些问题，许多国内外……