蚁群算法 智能车间

1.实验目的
（1）通过本实验了解AGV.在智能车间中的作用。
（2）通过使用MATLAB软件，将数字化处理后的车间环境地图模型进行表示，让同学们了解如何将地图模型数字化。
（3）使用MATLAB软件编写蚁群优化算法，实现在有障碍环境下路径规划，让同学们了解优化算法的原理以及应用优化算法处理实际问题，提高编程能力。
（4）通过使用优化算法给AGV规划路径，让同学们感受到在智能车间内使用AGV的优点。
2.基本原理
（1）地图模型建立原理
对于研究AGV的路径规划问题，建立其空间移动环境模型是基础，常用的方法有可视图法，传统栅格法和人工势场。栅格法（grid method）具有简单，易于表达和灵活等优点，所以采用栅格法建立AGV空间环境模型。
将地图进行栅格化，建立网格地图，每一个栅格代表一块区域，对于有障碍的区域进行标记，在地图矩阵中赋值为1，无障碍区域赋值为0，例如一个6\times6的地图矩阵：G=[0 0 0 0 1 0; 0 0 1 1 0 0;1 0 0 1 1 1;0 0 0 1 1 0;0 0 0 0 1 0;0 0 0 0 0 0;];运用画图语句后得到的图像如图1所示。AGV在这种地图环境中只会从一个栅格的中点向周围八个栅格的中点运动，呈米字型如图2所示。

图1 地图模型案例

图2 .AGV可移动方向
（2）蚁群算法原理
蚁群算法是模拟蚁群觅食行为的一种优化算法。在整个觅食过程中蚂蚁散播信息素，蚂蚁通过感知到的信息素多少，来决定所要选择的下一个栅格。
在初始阶段，由于地面上没有信息素，因此蚁群的行走路径是随机的，蚂蚁在行走的过程中会不断释放信息素，标识自己行走的路径。随着时间的推移，有若干只蚂蚁找到了食物，此时便存在若干条从洞穴到食物的路径。由于蚂蚁的行为轨迹是随机分布的，因此在单位时间内，短路径上的蚂蚁数量比长路径上的蚂蚁密度要大，短路径留下的信息素浓度也越高。这为后面的蚂蚁们提供了有力的方向指引，越来越多的蚂蚁聚集到最短的路径上去。对于单个蚂蚁来说，它并没有要寻找最短路径，只是根据概率选择；对于整个蚁群系统来说，它们却达到了寻找到最优路径的客观上的效果。
在传统的蚁群算法中，蚂蚁会根据路径上的信息素浓度选择自己的路径，并且根据路径的质量留下新的信息素，每一次迭代后所有路径上的信息素都会消散一部分，使得路径寻找不会过早的进入局部最优。选择方法如下。

(1)
式（1）中， 为t时刻，蚂蚁k从i处转移到j处的概率， 表示在t时刻，在路径（i，j）上的残留信息