随着科学技术的发展以及时代的进步,移动机器人不仅在工业领域得到广泛的应用,在人们的日常生活中也扮演着各种重要的角色。路径规划作为移动机器人导航任务中的重要一环引起了众多学者的关注。蚁群算法由于本身的并行性更加利于分布式计算,并且具有较高的鲁棒性,含有启发式的结构特点使其易与其他方法结合。这些优势使其在解决复杂环境下的路径规划有一定的优越性。但蚁群算法在寻优过程中仍有搜索效率低、搜索停滞、易陷入局部最优解等问题。针对以上问题本文结合静电势场法提出了改进的蚁群算法。具体内容如下:1.在分析典型经典蚁群算法原理基础上,借助旅行商问题对三种信息素更新模型进行仿真分析,确定在路径规划问题中使用蚁周模型,讨论了带精英策略的改进蚁群算法等三种典型改进算法及其信息素更新方式。2.介绍了路径规划中的几种环境建模方法,对比了不同建模方法的特点,确定使用栅格图法建模;分析了蚁群算法在路径规划中的实现以及优缺点;重点通过仿真分析了种群数量、启发式影响因子和信息素影响因子等参数对算法性能的影响;仿真对比了遗传算法与蚁群算法用于路径规划的特点。3.介绍了静电势场法原理,并仿真对比了静电势场法与人工势场法的特点;针对蚁群算法在寻优过程中搜索效率低的问题,将静电势场法的代价函数引入蚁群算法启发式中,使得算法在复杂环境下的搜索能力更强;在蚁群算法的搜索过程中引入回退机制,减少死亡蚂蚁的出现以及无效路径的生成,增加了蚂蚁的容错性,提升了算法的效率;为了减少前期的局部最优解会导致信息素累积到一些边上使得算法过早停滞的情况,本文将信息素挥发因子动态化,使其随着迭代次数的增加自适应减小,达到前期偏向于搜索,后期偏向于收敛的目的;每代蚂蚁探索结束后,由于寻路具有一定的随机性,所形成的路径会出现锯齿和绕弯的情况,这些劣质路径会导致局部最优解以及收敛缓慢的问题,本文提出一种对每代路径的几何优化方法,对优化后的路径再进行信息素更新,大大提高了算法的收敛速度,减小了路径长度。最后利用MATLAB软件进行多次仿真,对比了改进前后的算法的试验结果,验证了优化后算法的有效性与优越性。