第

1

9

卷

第

1

期

2021年

&

月

南

京

工

程

学

院

学

报

（自

然

科

学

版

）

Journal

of

Nanjing

Institute

of

Technology

!

Natural

Science

Edition

)

Vol

.

1

9

，

No

.

 1

Mar

.

 !

2021

d

oi

:

1

0.

1&960/j. 

i

s

n.

 1

6

7

2

 -

2

5

5

8.

2

0

2

1.

0

1.

0

0

7

投

稿

网

址

:

http

://

xb

.

njit

.

edu

.

cn

基于改进势场蚁群算法的

AGV

路径规划

任

学

干

，

葛

英

飞

(南京工程学院机械工程学院，

江

苏

南

京

211167)

摘

要

:

针

对

传

统

蚁

群

算

法

用

于

路

径

规

划

问

题

时

易

出

现

初

期

搜

索

盲

目

性

以

及

易

陷

入

局

部

最

优

的

问

题

，

本

文

提

出

一

种

改

进

的

势

场

蚁

群

算

法.

首

先

将

人

工

势

场

算

法

融

合

到

蚁

群

算

法

中

，

通

过

障

碍

物

和

目

标

点

产

生

的

势

场

合

力

作

为

部

分

启

发

信

息

，

减

小

路

径

搜

索

初

期

的

盲

目

性

，

从

而

加

快

算

法

的

收

敛

性

；

然

后

对

算

法

中

的

路

径

选

择

策

略

进

行

了

分

析

和

优

化

，

通

过

设

置

临

时

禁

忌

表

排

除

部

分

栅

格

、

提

高

算

法

速

度

;

最

后

通

过

仿

真

验

证

了

该

算

法

性

能

优

于

基

本

蚁

群

算

法.

关

键

词

：

AGV

;蚁

群

算

法

;

人

工

势

场

法

;

路

径

规

划

；

目

标

选择

中

图

分

类

号

:

TP

24

随着制造行业自动化生产水平的不断提高，

越 

来

越

多

的

自

动

引

导

车

！

automated

guided

vehicle

#

A

G

V

)投入到生产车间.

A

G

V

的使用在提高企业生 

产效率的同时节省了劳动成本.路径规划是解决 

A

G

V

如何在复杂生产车间寻找一条从起点到目标 

点的较优运动路径的方法，

使

A

G

V

在运动过程中 

能安全避开所有的障碍物，

且行驶距离最短[

1

]

.

近年来，

国内外的专家学者对

A

G

V

路径规划 

问题进行了广泛的研究，

发展了多种路径规划方 

法.传统的路径规划方法主要有栅格法[

2

]&人工势 

场法[

3

]、

滚动窗口法[

4

]等

，

但

是

随

着

研

究

的

深

入

，

传统路径规划方法因自身缺陷无法更好、

更快地解 

决路径规划问题，

因此提出更多的智能路径规划方 

法

，

如

神

经

网

络

算

法

[

5

]、

遗

传

算

法

[

6

]

、

粒子

群

算

法

[

7

]、

蚁群算法[

8

]等.神经网络算法虽然有很好的 

学习能力和鲁棒性，

但是泛化能力较差，

对样本质 

量要求过高;遗传算法通过适应度函数进行有方向 

的自适应搜索，

但存在收敛速度慢、

易陷入局部最 

优的问题;粒子群算法适用于全局路径规划，

但是 

易出现粒子早熟现象;蚁群算法由于具有搜索启发

性

、

多个体并行计算、

鲁

棒性等

特点，

受到广泛的 

研究

蚁

群

算

法

是

受

蚂

蚁

觅

食

行

为

启

发

，

由

M

a

c

D

o

g

o

提出的一种启发式的全局优化算法.该算法 

本质上是一个复杂的智能系统，

具有较强的鲁棒 

性

、

优

良

的

分

布

式

计

算

、

易

与其他算法结合等优 

点[

9

].传统蚁群算法在寻优过程中过度依赖于信 

息素浓度，

而在算法搜索初期路径上的初始信息素 

浓度相等，

使得前期搜索盲目性大，

导致寻优过程 

收敛速度缓慢，

且算法存在易陷入局部最优.针对 

上述问题，

很多研究者对蚁群算法进行了改进.文 

献

[10

]针对传统蚁群算法易陷入局部最优解问题 

提出一种基于双向搜索机制的改进蚁群算法，

并引 

入奖惩因子改善全局搜索能力；

文

献

[11

]针对蚁

法前 

性导 

慢的 

题

，

构建了一种新的数学模型，

对初始信息素浓度进行 

预先的差异化设置，

从而提高算法收敛速度;文献 

[12

]对蚁群算法概率公式进行改进，

提出一种优 

胜劣汰机制，

提高算法的搜索效率及搜索的准确 

性

，

并改善了锁死问题'文献[13 

]提出一种蜂巢栅

收

稿

日

期

：

2

0

2

0 

-09 

-17;

修

回

日

期

：

2

0

2

0 

-10 

-26 

基

金

项

目

：

南

京

工

程

学

院

校

级

课

程

建

设

项

目

！

YZKC

2019008"

作

者

简

介

：

任

学

干

，

硕

士

研

究

生

，

研

究

方

向

为

移

动

机

器

人

运

动

控

制

.

E-mail

：

158****7313@163.

com

引

文

格

式

：

任

学

干

，

葛

英

飞

•

基

于

改

进

势

场

蚁

群

算

法

的

A

G

V

路

径

规

划

[

J

]

•

南

京

工

程

学

院

学

报

（

自

然

科

学

版

）

，

2021，

19(1):