改進(jìn)蟻群算法在果蔬采摘機(jī)器人路徑規(guī)劃中的應(yīng)用

李曉靜， 余東滿

(河南工業(yè)職業(yè)技術(shù)學(xué)院/河南省柔性制造重點(diǎn)實(shí)驗(yàn)室，河南南陽 473009)

果蔬采摘機(jī)器人是一種集機(jī)器人技術(shù)與自動(dòng)化技術(shù)于一體的新型多功能農(nóng)業(yè)機(jī)械設(shè)備，因具有解決勞動(dòng)力不足、改善農(nóng)業(yè)生產(chǎn)環(huán)境、提高作業(yè)質(zhì)量和作業(yè)效率等優(yōu)點(diǎn)，故被廣泛應(yīng)用于現(xiàn)代農(nóng)業(yè)生產(chǎn)中。實(shí)際應(yīng)用中，果蔬采摘機(jī)器人如何在復(fù)雜多變作業(yè)環(huán)境中，特別是多丘等特殊地理面貌中，能夠快速選擇最佳路徑實(shí)現(xiàn)安全避障完成作業(yè)任務(wù)，這就涉及到果蔬采摘機(jī)器人路徑規(guī)劃問題[1]。針對果蔬采摘機(jī)器人路徑規(guī)劃難題，國內(nèi)外學(xué)者經(jīng)多年攻關(guān)研究，相繼提出了多種有效算法，如果蠅算法[2]、蝙蝠算法[3]、粒子群算法[4]、A*算法[5]、遺傳算法[6]、狼群搜索算法[7]及蟻群算法等。

果蔬采摘機(jī)器人路徑規(guī)劃問題屬組合優(yōu)化NP難題，具有問題求解復(fù)雜度高、可行解搜索空間大等特點(diǎn)，高效求解該問題仍存在較大挑戰(zhàn)，而蟻群算法(ACO)已被證明具有分布計(jì)算、信息正反饋、強(qiáng)魯棒性、強(qiáng)全局尋優(yōu)能力及易與其他仿生算法融合等特點(diǎn)[8]，且試驗(yàn)證明該算法在一些優(yōu)化組合問題求解中能取得較好效果，受其影響，最近幾年學(xué)界學(xué)者開始嘗試用蟻群算法解決機(jī)器人路徑尋優(yōu)問題，如周凌云等在原蟻群算法基礎(chǔ)上，設(shè)計(jì)了一種多啟發(fā)式信息蟻群優(yōu)化算法，并用該算法解決了取樣送檢路徑規(guī)劃問題[9]；Li等利用改進(jìn)蟻群算法求解了移動(dòng)機(jī)器人全局路徑規(guī)劃問題[10]；游曉明等通過引入一種動(dòng)態(tài)搜索誘導(dǎo)算子改進(jìn)原蟻群算法，并用改進(jìn)蟻群算法求解了復(fù)雜環(huán)境中的移動(dòng)機(jī)器人路徑規(guī)劃問題[11]。

傳統(tǒng)蟻群算法會(huì)因收斂速度過快及正反饋機(jī)制引起的自催化現(xiàn)象而導(dǎo)致算法出現(xiàn)早熟收斂或停滯問題，此外，面對大規(guī)模復(fù)雜組合優(yōu)化問題，該算法會(huì)存在收斂速度慢、易陷入局部最優(yōu)及出現(xiàn)早熟收斂等問題，為克服上述缺陷，Yu等通過更改啟發(fā)函數(shù)因子及構(gòu)建自適應(yīng)信息素?fù)]發(fā)系數(shù)對原蟻群算法進(jìn)行改進(jìn)，并將改進(jìn)算法用于求解移動(dòng)機(jī)器人路徑規(guī)劃問題，結(jié)果顯示，改進(jìn)算法的收斂速度及搜索效率得到明顯改善[12]；饒楚鋒等通過自適應(yīng)調(diào)整殘留信息素權(quán)重因子、啟發(fā)式信息素權(quán)重因子，更改信息素更新方式及引入雙向搜索策略對原蟻群算法進(jìn)行改進(jìn)，有效提高了算法收斂性能和全局尋優(yōu)能力[13]。本研究將改進(jìn)蟻群算法用于求解果蔬采摘機(jī)器人路徑規(guī)劃問題，為了使路徑搜索更具目的性，設(shè)計(jì)了新的啟發(fā)函數(shù)因子，并以此為基礎(chǔ)，修正了狀態(tài)轉(zhuǎn)移規(guī)則。同時(shí)由于原信息素更新規(guī)則易使算法陷入局部最優(yōu)，為增加路徑選擇多樣性，避免算法出現(xiàn)早熟收斂或停滯問題，通過設(shè)計(jì)新的精英策略和引入新的信息素更新策略對信息素更新規(guī)則進(jìn)行了改進(jìn)。

1 建立環(huán)境模型

研究果蔬采摘機(jī)器人最優(yōu)避障路徑規(guī)劃問題前，需先創(chuàng)建所需環(huán)境模型。環(huán)境模型建模方法有多種，主要有可視圖法、自由空間法、拓?fù)浞ê蜄鸥穹?，相比于其?種建模方法，柵格法具有建模復(fù)雜性低、建模精度高、障礙環(huán)境建模適應(yīng)能力強(qiáng)及易于實(shí)現(xiàn)和存儲等優(yōu)點(diǎn)型[14]，故選用柵格法創(chuàng)建果蔬采摘機(jī)器人工作環(huán)境模。建模前，需對果蔬采摘機(jī)器人和其工作環(huán)境作如下假設(shè)：(1)工作環(huán)境為二維靜態(tài)矩形有限空間，且空間尺寸數(shù)據(jù)已知；(2)環(huán)境模型中僅存在類似小丘陵的靜態(tài)障礙物，且障礙物形狀需根據(jù)機(jī)器人外形尺寸按一定比例進(jìn)行膨化處理；(3)為簡化問題復(fù)雜度，可忽略機(jī)器人外形尺寸，用其中心點(diǎn)表示；(4)果蔬采摘機(jī)器人工作期間速度恒定，且可在勻速行駛和暫停2種工作模式切換；(5)機(jī)器人可由當(dāng)前位置沿著上、下、左、右、左上、左下、右上和右下8個(gè)方向移動(dòng)，但實(shí)際移動(dòng)方向還需根據(jù)相鄰位置是否存在障礙物來決定。

柵格法建立的果蔬采摘機(jī)器人工作環(huán)境模型，為一個(gè)復(fù)雜多變且有障礙物的多丘場所，如圖1所示，采用序號法按照從左向右、自上至下的策略對每個(gè)柵格進(jìn)行編碼。坐標(biāo)系左下角為坐標(biāo)原點(diǎn)，以原點(diǎn)為起點(diǎn)，水平向右為x軸正方向，豎直向上為y軸正方向，單個(gè)柵格尺寸由機(jī)器人單位步長及工作區(qū)域決定[15]。白色柵格被抽象為可行區(qū)域，即果蔬采摘機(jī)器人在此區(qū)域可自由移動(dòng)，黑色柵格被抽象為障礙物(可用1個(gè)或多個(gè)柵格表示，當(dāng)障礙物所占位置不滿足1個(gè)柵格時(shí)，需按照1個(gè)柵格處理)，表示此區(qū)域不可通行，點(diǎn)S和E分別表示機(jī)器人的起、止位置。

2 改進(jìn)蟻群算法設(shè)計(jì)

2.1 基本蟻群算法

在覓食過程中，螞蟻間信息傳遞和路徑選擇的媒介是其遺留在采摘移動(dòng)路徑上的信息素，該物質(zhì)會(huì)隨時(shí)間推移而逐漸揮發(fā)，當(dāng)后繼螞蟻經(jīng)過該采摘路徑時(shí)，路徑上信息素濃度就會(huì)變高。在路徑搜索初期階段，由于路徑上并無殘留信息素，此時(shí)螞蟻依據(jù)狀態(tài)轉(zhuǎn)移概率大小決定行進(jìn)方向，后繼螞蟻則可根據(jù)前者遺留在路徑上的信息素濃度高低，并綜合狀態(tài)轉(zhuǎn)移概率選擇路徑。當(dāng)路徑信息素濃度越高時(shí)，后繼螞蟻選擇該路徑概率就越大，反過來也會(huì)促進(jìn)該路徑信息素濃度的增加，螞蟻間正是依靠這種物質(zhì)進(jìn)行信息交互并最終搜索出蟻巢和食物間的最優(yōu)路徑。行進(jìn)中，螞蟻k由網(wǎng)格i轉(zhuǎn)向網(wǎng)格j的概率可由函數(shù)式(1)計(jì)算得到[16]：

(1)

式中：allowedk表示螞蟻k下一步待訪問網(wǎng)格集，此集合不包含障礙網(wǎng)格；τij(t)表示螞蟻k在網(wǎng)格(i，j)間路徑上遺留的信息素量，它會(huì)隨時(shí)間推移而逐漸揮發(fā)；ηij表示啟發(fā)函數(shù)因子，由網(wǎng)格(i，j)間距離決定，表達(dá)式為ηij=1/dij，dij表示網(wǎng)格(i，j)間距離；α和β分別表示τij(t)和ηij(t)對螞蟻狀態(tài)轉(zhuǎn)移概率的影響權(quán)重因子。

蟻群遺留在路徑上的信息素會(huì)隨時(shí)間推移而逐漸揮發(fā)，后繼螞蟻經(jīng)過該條路徑又會(huì)帶來新的信息素，因此，當(dāng)種群中所有螞蟻在完成一次循環(huán)搜索后，都要利用函數(shù)式(2)對路徑上的信息素進(jìn)行更新[17]：

τij(t+1)=(1-ρ)·τij(t)+Δτij(t,t+1)；

(2)

(3)

(4)

式中：τij(t)和τij(t，t+1)分別表示搜索路徑上信息素更新前后的濃度；Δτij(t，t+1)表示本次迭代所有螞蟻遺留在搜索路徑上的信息素總量；ρ表示信息素?fù)]發(fā)系數(shù)；Lk表示本次循環(huán)螞蟻k搜索到的路徑的長度；Q表示信息素強(qiáng)度。

2.2 改進(jìn)蟻群算法

實(shí)際問題求解中，相比于其他智能仿生算法，蟻群算法雖然能展現(xiàn)出諸多優(yōu)勢，但面對大規(guī)模復(fù)雜問題求解時(shí)，也存在諸多問題，如收斂速度慢、收斂性能不穩(wěn)定、搜索效率偏低、易陷入局部最優(yōu)解，易出現(xiàn)早熟收斂或停滯及達(dá)不到特定任務(wù)要求等。為了解決上述問題，本研究分別從狀態(tài)轉(zhuǎn)移規(guī)則和信息素更新規(guī)則入手，對基本蟻群算法作了如下改進(jìn)。

2.2.1 狀態(tài)轉(zhuǎn)移規(guī)則改進(jìn) 在路徑搜索初期階段，由于可行路徑上無任何殘留信息素，螞蟻對下一節(jié)點(diǎn)選擇的隨機(jī)性比較強(qiáng)(路徑選擇盲目性比較大)，若因節(jié)點(diǎn)選擇的盲目性而引起搜索方向出現(xiàn)較大偏差，則會(huì)導(dǎo)致算法出現(xiàn)搜索效率低、易陷入局部最優(yōu)等問題。針對此類問題，綜合考慮搜索路徑上當(dāng)前節(jié)點(diǎn)、下一節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)間的幾何關(guān)系，設(shè)計(jì)了新的啟發(fā)函數(shù)因子，具體如函數(shù)式(5)所示。

(5)

式中：節(jié)點(diǎn)i、j和g分別表示螞蟻的當(dāng)前網(wǎng)格、下一網(wǎng)格和目標(biāo)網(wǎng)格；(xj，yj)和(xg，yg)分別表示網(wǎng)格(j，g)中心點(diǎn)的坐標(biāo)；djg表示網(wǎng)格(j，g)間距離。

將設(shè)計(jì)的啟發(fā)函數(shù)因子(5)代入函數(shù)式(1)，可得新的狀態(tài)轉(zhuǎn)移規(guī)則，具體如函數(shù)式(6)所示。

(6)

2.2.2 信息素更新規(guī)則改進(jìn) 路徑搜索中，螞蟻經(jīng)過一條路徑后會(huì)釋放一定量的信息素，后繼螞蟻會(huì)根據(jù)信息素濃度強(qiáng)弱自動(dòng)調(diào)整狀態(tài)轉(zhuǎn)移概率，進(jìn)而選擇路徑?；谶@種正反饋機(jī)制，為了改善算法收斂性能，提高搜索效率，使螞蟻搜索范圍盡可能快地集中在最優(yōu)路徑附近，對信息素更新規(guī)則作了如下改進(jìn)：

2.2.2.1 信息素局部更新 為了增加路徑選擇多樣性，避免算法出現(xiàn)早熟收斂問題，故在螞蟻每完成1次網(wǎng)格選擇后，需按照函數(shù)式(7)對訪問路段上的信息素進(jìn)行局部更新：

τij(t+1)=(1-ρ)·τij(t)+ρ·τ0。

(7)

式中：τ0表示初始信息素量。

2.2.2.2 精英策略設(shè)計(jì) 螞蟻系統(tǒng)中，精英策略思想是找出目前為止所能搜索到的最優(yōu)解，并通過獎(jiǎng)懲機(jī)制為其額外增加一定量的信息素，而后誘導(dǎo)后繼螞蟻路徑搜索進(jìn)程，最終使螞蟻更好、更快地獲取全局最優(yōu)解[18]。受帶精英策略螞蟻系統(tǒng)影響，為了改善算法收斂性能和增強(qiáng)全局尋優(yōu)能力，設(shè)計(jì)了新的精英策略，具體如函數(shù)式(8)所示。

(8)

式中：Δτ*表示每次循環(huán)最優(yōu)采摘路徑上信息素的額外增量；υi是變量，表示每次循環(huán)選取的精英螞蟻數(shù)量，取值與每次循環(huán)所獲取的最優(yōu)采摘路徑的個(gè)數(shù)一致；Lib表示本次循環(huán)所獲取的最優(yōu)采摘路徑的長度；Q1為常數(shù)。

2.2.2.3 信息素全局更新 為了使螞蟻搜索范圍主要集中在當(dāng)前迭代為止所能搜索到的最優(yōu)采摘路徑領(lǐng)域內(nèi)，當(dāng)本次迭代中所有螞蟻均完成路徑搜索后，需采用函數(shù)式(9)對搜索路徑上的信息素作全局更新：

(9)

2.3 算法實(shí)現(xiàn)步驟

采用改進(jìn)蟻群算法求解果蔬采摘機(jī)器人路徑規(guī)劃問題的具體步驟如下：步驟1：根據(jù)模型尺寸規(guī)格，采用柵格法建立果蔬采摘機(jī)器人工作環(huán)境模型；步驟2：初始化算法各參數(shù)，包括最大迭代次數(shù)Nmax、螞蟻數(shù)量m、初始信息素量τ0等，并根據(jù)任務(wù)要求，為機(jī)器人設(shè)置路徑規(guī)劃的起點(diǎn)和目標(biāo)點(diǎn)；步驟3：將蟻群中m只螞蟻置于果蔬采摘機(jī)器人工作起點(diǎn)位置，算法開始迭代搜索；步驟4：行進(jìn)中，螞蟻由當(dāng)前網(wǎng)格i向下一網(wǎng)格j轉(zhuǎn)移的概率可由函數(shù)式(6)計(jì)算得到，待網(wǎng)格j確定后，采用函數(shù)式(7)對螞蟻剛經(jīng)過的路段(i，j)上的信息素進(jìn)行局部更新；步驟5：判斷所有螞蟻是否完成本次循環(huán)搜索，若是，則找出本次循環(huán)最優(yōu)采摘路徑所對應(yīng)的ID編號，并計(jì)算出精英螞蟻總量，否則，算法搜索過程轉(zhuǎn)至步驟3；步驟6：由步驟5所得數(shù)據(jù)，結(jié)合函數(shù)式(8)對最優(yōu)路徑上的信息素進(jìn)行額外獎(jiǎng)勵(lì)；步驟7：由步驟6所得數(shù)據(jù)，結(jié)合函數(shù)式(3)、(4)和(9)對搜索采摘路徑上的信息素進(jìn)行全局更新；步驟8：判斷路徑搜索循環(huán)次數(shù)是否達(dá)到預(yù)設(shè)上限值，若是，則路徑搜索進(jìn)程終止，輸出結(jié)果，否則，轉(zhuǎn)至步驟3。

3 仿真試驗(yàn)與分析

選用Matlab軟件作為仿真試驗(yàn)平臺，以4種不同規(guī)格柵格模型作為果蔬采摘機(jī)器人工作環(huán)境模型，以路徑距離、程序耗時(shí)、轉(zhuǎn)折次數(shù)及算法收斂代數(shù)作為評價(jià)指標(biāo)，在所設(shè)計(jì)算法下對果蔬采摘機(jī)器人路徑規(guī)劃過程作了仿真測試。為了從多個(gè)方面論證所設(shè)計(jì)算法的有效性和優(yōu)越性，所設(shè)計(jì)算法分別與4篇文獻(xiàn)中所設(shè)計(jì)的改進(jìn)蟻群算法作了對比論證。此外，為了使測試數(shù)據(jù)充分反映算法實(shí)際性能，根據(jù)測試要求，對每組試驗(yàn)數(shù)據(jù)均作了多次重復(fù)測試，測試結(jié)果見表1、表2、表3和表4。

表1為本研究IACO與文獻(xiàn)[19]中算法的試驗(yàn)統(tǒng)計(jì)結(jié)果，是在還原文獻(xiàn)[19]中環(huán)境模型的基礎(chǔ)上，采用本研究IACO與文獻(xiàn)[19]中算法經(jīng)10次仿真測試得到。對比表1數(shù)據(jù)，從規(guī)劃路徑看，本研究IACO為果蔬采摘機(jī)器人搜索的路徑的長度主要集中在28 m附近，且搜索路徑平均長度和路徑所經(jīng)拐點(diǎn)參數(shù)較文獻(xiàn)[19]中TACO和IACO均有不同程度減少，其中，平均路徑長度減少幅度分別為24.43%和 3.74%，平均拐點(diǎn)參數(shù)減少幅度分別為81.08%和36.36%，說明本研究IACO路徑尋優(yōu)能力優(yōu)于文獻(xiàn)[19]中的2種算法。從迭代次數(shù)看，本研究IACO搜索到全局最優(yōu)路徑的迭代次數(shù)多集中在10代以下，較文獻(xiàn)[19]中TACO和IACO有較大幅度改善，且在搜索路徑長度35 m下最佳迭代次數(shù)上，較文獻(xiàn)[19]中2種算法分別減少了81.81%和50%，說明本研究IACO收斂速度快，搜索能力強(qiáng)。從程序平均耗時(shí)看，本研究IACO較文獻(xiàn)[19]中TACO和IACO分別減少了36.31%和30.14%，說明IACO搜索效率高。

表1 本研究IACO與文獻(xiàn)[19]中算法的試驗(yàn)統(tǒng)計(jì)結(jié)果

表2為本研究IACO與文獻(xiàn)[20]中算法的試驗(yàn)統(tǒng)計(jì)結(jié)果。分析表2數(shù)據(jù)，對比路徑規(guī)劃結(jié)果可以發(fā)現(xiàn)，3種算法均能完成路徑規(guī)劃目的。30次仿真試驗(yàn)中，本研究IACO規(guī)劃路徑有20次達(dá)到最優(yōu)路徑長度28.627 4 m，規(guī)劃路徑的最優(yōu)長度和平均長度較文獻(xiàn)[20]中常規(guī)IACO和新設(shè)計(jì)IACO均有不同程度減少，其中，最優(yōu)路徑長度分別減少了10.54%和5.56%，平均路徑長度分別減少了49.81%和43.63%，說明本研究改進(jìn)策略有效，能大幅度增強(qiáng)算法全局尋優(yōu)能力。從迭代次數(shù)看，本研究IACO搜索到全局最優(yōu)路徑所需收斂代數(shù)≤10的有21次，在最大迭代次數(shù)和平均迭代次數(shù)上，較文獻(xiàn)[20]中常規(guī)IACO和新設(shè)計(jì)IACO均有大幅度減少，其中，最大迭代次數(shù)分別減少了75%和66.67%，平均迭代次數(shù)分別減少了82.69%和77.5%，說明本研究IACO收斂速度和搜索能力優(yōu)于文獻(xiàn)[20]中的算法。在程序耗時(shí)上，本研究IACO雖略高于文獻(xiàn)[20]中算法，但因其有較快的收斂速度，搜索到最優(yōu)路徑的折算耗費(fèi)時(shí)間約為1.35 s，能夠滿足常規(guī)路徑規(guī)劃要求。

表3為本研究IACO與文獻(xiàn)[21]中算法的試驗(yàn)統(tǒng)計(jì)結(jié)果。對比表3數(shù)據(jù)，與文獻(xiàn)[21]中TACO和IACO相比，本研究IACO的平均路徑長度分別減少了8.34%和0.54%，最大迭代次數(shù)分別減少了80.33%和61.29%，平均迭代次數(shù)分別減少了81.4%和66.67%。所述數(shù)據(jù)表明，與文獻(xiàn)[21]中算法相比，本研究IACO的全局尋優(yōu)能力和收斂速度均為最優(yōu)。

分析表4數(shù)據(jù)可知，在平均路徑長度、最大迭代次數(shù)和平均迭代次數(shù)方面，本研究IACO較文獻(xiàn)[22]中TACO分別減少了1.69%、74.6%和81.4%，較文獻(xiàn)[22]中IACO分別減少了0.84%、64.44%和79.49%。對比結(jié)果表明，本研究IACO全局尋優(yōu)能力和收斂速度優(yōu)于文獻(xiàn)[22]中算法。

表2 本研究IACO與文獻(xiàn)[20]中算法的試驗(yàn)統(tǒng)計(jì)結(jié)果

表3 本研究IACO與文獻(xiàn)[21]中算法的試驗(yàn)統(tǒng)計(jì)結(jié)果

表4 本研究IACO與文獻(xiàn)[22]算法的試驗(yàn)數(shù)據(jù)對比

為了對果蔬采摘機(jī)器人路徑規(guī)劃過程分析研究，文中給出了基于4種模型的果蔬采摘機(jī)器人路徑規(guī)劃結(jié)果的其中一組可視化仿真結(jié)果，具體見圖2、圖3、圖4和圖5(本研究IACO與文獻(xiàn)[22]中IACO規(guī)劃路徑軌跡重合)。

圖2所示為基于模型1的果蔬采摘機(jī)器人路徑軌跡迭代圖，圖2-a為路徑軌跡圖，圖中虛線為文獻(xiàn)[19]中IACO搜索路徑軌跡，實(shí)線為本研究IACO搜索路徑軌跡；圖2-b為路徑長度迭代圖，實(shí)線為本研究IACO最優(yōu)路徑長度曲線，虛線為本研究IACO平均路徑長度曲線。由圖1至圖4可知，本研究IACO和文獻(xiàn)[19-22]中IACO均能在有效避障前提下，為果蔬采摘機(jī)器人規(guī)劃出1條從起點(diǎn)至終點(diǎn)的全局最優(yōu)或次優(yōu)路徑。分析圖2-b、圖3-b、圖4-b路徑長度曲線變化情況，結(jié)合仿真數(shù)據(jù)統(tǒng)計(jì)結(jié)果可以看出，本研究IACO在保持較快的收斂速度前提下，能快速搜索到全局最優(yōu)路徑。另外，在路徑搜索初期階段，平均路徑長度曲線雖有較大波動(dòng)，但其總體隨時(shí)間變化呈下降趨勢，到一定迭代次數(shù)后，該曲線會(huì)與最優(yōu)路徑長度曲線重合，說明本研究IACO收斂性能穩(wěn)定性很強(qiáng)。分析文獻(xiàn)[19]中圖7和圖8、文獻(xiàn)[20]中圖3和圖4及文獻(xiàn)[21]中圖4和圖5可知，在路徑搜索初期階段，文獻(xiàn)[19-21]中算法搜索的最優(yōu)路徑長度曲線存在較大波動(dòng)，雖然后期隨時(shí)間推移能收斂到全局最優(yōu)路徑，但所需收斂代數(shù)均較大且大于本研究IACO。另外，文獻(xiàn)[20]中圖3和圖4及文獻(xiàn)[21]中圖4和圖5顯示，在整個(gè)路徑搜索階段，文獻(xiàn)[20]中2種算法和文獻(xiàn)[21]中TACO的平均路徑長度曲線一直處于波動(dòng)狀態(tài)，文獻(xiàn)[21]中IACO的平均路徑長度曲線雖然能隨時(shí)間變化而收斂到與最優(yōu)路徑長度曲線重合，但此時(shí)所需迭代次數(shù)已達(dá)到120次。綜上分析可知，與文獻(xiàn)[19-22]中算法相比，本研究IACO收斂性能最優(yōu)，搜索效率最高。

4 結(jié)論

通過引入精英策略、設(shè)計(jì)啟發(fā)函數(shù)因子、修正狀態(tài)轉(zhuǎn)移規(guī)則和更改信息素更新規(guī)則對基本蟻群算法進(jìn)行改進(jìn)，并基于改進(jìn)算法求解果蔬采摘機(jī)器人路徑規(guī)劃問題。為測試改進(jìn)算法的有效性和優(yōu)越性，與其他算法作了對比論證，由測試結(jié)果可得結(jié)論：本研究改進(jìn)算法能為果蔬采摘機(jī)器人規(guī)劃出全局最優(yōu)避障路徑；能有效減少路徑所經(jīng)拐點(diǎn)個(gè)數(shù)，可有效提高機(jī)器人工作效率；與對比文獻(xiàn)中算法相比，本研究IACO全局尋優(yōu)能力最強(qiáng)，收斂速度最快，收斂性能最穩(wěn)定。