基于改进的烟花-蚁群算法和B样条曲线的农业机器人路径规划

王红君, 叶 荣*, 赵 辉,2, 岳有军

(1.天津理工大学天津市复杂系统控制理论与应用重点实验室， 天津 300384; 2.天津农学院工程技术学院， 天津 300384)

近年来，随着人工智能的积极推行和迅猛发展，对包括农业在内的许多行业造成了深远的影响和巨大的挑战，作为精准农业的支柱力量，人工智能技术已经深深地渗透入农业生产的每个环节，将智能算法和机器人路径规划技术结合运用具有较大的应用价值和广阔的研究前景，也是实现机器人智能作业的重要基础[1]。

目前应用较多的智能算法包括粒子群算法、遗传算法、人工蜂群算法等[2-3]。为了弥补单一算法的缺点，文献[4]提出了ACO-PSO(ant colony-particle swarm optimization)混合算法，提高了计算效率和搜索精度。文献[5]将GA算法和PSO算法相结合，提高粒子多样性，增强了全局搜索能力，为机器人路径规划问题提供了一种有效的方法；王学武等[6]、Douan[7]采用Levy飞行与PSO算法相结合对机器人进行全局路径规划时，Levy飞行策略能够扩大搜索空间，增加粒子种群多样性，提高寻优能力，但因其具有随机性，耗时就较长；刘俊等[8]提出的PSO-ACO(swarm-ant colony algorithm)融合算法改善了粒子群算法中粒子群种类少、易早熟的现象，同时解决了蚁群算法中初始化信息素匮乏的问题；孙纯哲等[9]在传统蚁群算法融合人工势场思想，引入引力概率函数作为启发因子，加快收敛速度；张琦等[10]在蚁群算法引入交叉操作后调整α、β和ρ的值，可以提高算法搜索能力上述融合算法，虽然在一定程度上解决了机器人路径规划中遇到的基本问题，但大部分都是基于耗时长短或者搜索路径长度而建立的评价指标，忽略了如平滑度、能耗等路径规划过程中的实际问题。……