机器人的路径规划--- 蚁群算法众所周知，蚁群算法是优化领域中新出现并逐渐引起重视的一种仿生进化算法它是群体智能的典型实现，是一种基于种群寻优的启发式搜索算法。自从M．Dorigo 等意大利学者在 1991 年首先提出蚁群算法 (Ant Colony System，ACS)以来，这种新型的分布式智能模拟算法已逐渐引起人们的注意并得到广泛的应用。蚁群算法的特点主要表现在以下五个方面：(1) 蚂蚁群体行为表现出正反馈过程。 蚁群在寻优的过程中会释放一定量的信息素，蚁群的规模越大， 释放的信息素的量也就越大，而寻优路径上存在的信息素浓度越高， 就会吸引更多的蚂蚁， 形成一种正反馈机制， 然后通过反馈机制的调整，可对系统中的较优解起到一个自增强的作用，从而使问题的解向着全局最优的方向演变，最终能有效地获得全局相对较优解。(2) 蚁群算法是一种本质并行的算法。个体之间不断进行信息交流和传递．有利于最优解的发现，并在很大程度上减少了陷于局部最优的可能。(3) 蚁群算法易于与其他方法结合。 蚁族算法通过与其他算法的结合，能够扬长避短，提高算法的性能。(4) 蚁群算法提供的解具有全局性的特点。一群算法是一种群只能算法，每只蚂蚁巡游的过程相对独立， 他们会在自己的活动空间进行搜索，蚂蚁在寻优过程中通过释放信息素，相互影响，互相通信，保证了解的全局性。(5) 蚁群算法具有鲁棒性。蚁族算法的数学模型易于理解，可以广泛应用在很多复杂的优化问题中， 蚁族算法区别于传统优化算法的一个特点在于该算法不依赖于初始点的选择， 受初始点的影响相对较小， 并且在整个算法过程中会自适应的调整寻优路径。由此可见，在机器人寻找最优路径的过程中，采用蚁群算法实现路径的规划问题，可以高效，准确的找到最优的路径。假设机器人运行环境为边长分别为x和Y的矩形区域，在矩形区域内分布有 n个异形障碍物，显然对于该获取的实际环境信息：首先，由于障碍物大小不一，而且形状也各不相同， 为了减少机器人处理地图信息的负担，需要对工作环境行一些必要的预处理； 其次，在后续章节中， 描述机器人的路径规划方法是基于把障碍物近似成质点的基础上进行的， 而要把障碍物近似成质点也同样需要对工作环境的信息进行适当预处理。环境信息预处理遵循以下原则：1) 移动机器人作二维平面运动，障碍物不考虑高度信息；2) 小问距障碍物作合并处理， 即如果两个障碍物相距太近， 障碍物之间距离小于机器人通过的最小安全...
