路径规划是机器人导航基础技术之一[1-4]。传统路径规划算法有Dijkstra算法[5],A*算法[6]等,这些算法是基于图搜索路径规划算法。随着算法理论发展,基于智能优化路径规划算法被广泛应用于移动机器人路径避障与导航。所谓智能优化算法就是通过模拟自然界中种群各种自发行为来获得优化问题最优解。蚁群算法作为经典智能优化算法,因其正反馈性和并行性等优势,被广泛应用于移动机器人路径规划问题中[7-9]。但同时,该算法也存在收敛速度慢和易陷入局部最优等缺陷。
针对上述蚁群算法存在的缺陷,许多学者基于标准蚁群算法做出了大量改进工作。蚁群算法改进大致分为两大类。一类是针对蚁群算法自身模型进行改进[10-14]。Gao等[10]提出一种新的路径搜索策略。该策略将蚁群分为两部分,并将这两部分分别置于环境起点与终点。该算法通过双向搜索寻找最优路径,从而提高收敛速度和精度。在Lin等[11]针对环境中U型障碍死锁问题,设计一个自适应启发式函数,避免蚂蚁路径搜索的初始盲目性和后期单一性。Li等[12]通过添加自适应函数改变蚁群状态转移概率,并结合精英蚂蚁和交叉选择路径节点,有效提高算法收敛速度。Pu等[13]提出一种信息素增量计算方法,提高了算法收敛速度。梁凯等[14]为有效提高路径规划精度,提出一种基于中心节点替换平滑算法。另一类就是在蚁群算法的基础上,结合其他算法的优势弥补蚁群算法的不足[15-20]。Qin[15]提出一基于生物免疫系统行为自适应蚁群算法,这种混合算法能增加可行解的多样性。Yu[16]合粒子群与蚁群算法的特点,赋予蚁群一个“粒子”特性,通过粒子群算法改变蚁群位置,从而提高蚁群算法收敛速度。Dai等[17]利用A*算法改善蚁群算法适应度函数,从而有效提高蚁群算法路径搜索能力。Zhu等[18]