《基于改进蚁群算法的船舶路径规划方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于改进蚁群算法的船舶路径规划方法及系统.pdf（14页珍藏版）》请在专利查询网上搜索。
1、(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202211279619.1 (22)申请日 2022.10.19 (71)申请人 武汉理工大学 地址 430000 湖北省武汉市洪山区珞狮路 122号 (72)发明人 文元桥赵家增吴宝祺贺之谦 (74)专利代理机构 武汉红观专利代理事务所 (普通合伙) 42247 专利代理师 陈凯管先翠 (51)Int.Cl. G05D 1/02(2020.01) (54)发明名称 一种基于改进蚁群算法的船舶路径规划方 法及系统 (57)摘要 本发明公开一种基于改进蚁群算法的船舶 路径规划方法及系统， 所述。
2、方法包括： 获取静态 障碍物的中心坐标， 并将静态障碍物膨胀成圆形 障碍物， 通过栅格法进行环境建模； 以行驶路径 最短且不与圆形障碍物碰撞为目标建立全局路 径优化函数； 通过广义正态分布优化算法优化蚁 群算法的参数， 得到改进的蚁群算法， 通过改进 的蚁群算法求解全局路径优化函数， 得到全局规 划路径。 本发明考虑了多种初始参数对蚁群算法 的综合作用， 避免仅考虑单一因素的或者通过经 验选取参数值的不足， 可以提高参数选取的准确 度， 提高蚁群算法的寻优性能， 进而规划得到最 优避碰路径。 权利要求书3页 说明书9页 附图1页 CN 115357031 A 2022.11.18 CN 115。
3、357031 A 1.一种基于改进蚁群算法的船舶路径规划方法， 其特征在于， 所述方法包括： 获取静态障碍物的中心坐标， 并将静态障碍物膨胀成圆形障碍物， 通过栅格法进行环 境建模； 以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数； 通过广义正态分布优化算法优化蚁群算法的参数， 得到改进的蚁群算法， 通过改进的 蚁群算法求解全局路径优化函数， 得到全局规划路径。 2.根据权利要求1所述的基于改进蚁群算法的船舶路径规划方法， 其特征在于， 所述以 行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数具体包括： 获取行驶路径的起点和终点， 设路径节点为Pn， n=1,2,N， 。
4、N为节点总数， 相邻两个路 径节点之间的欧式距离为Sn， 圆形障碍物的半径为Rk， k=1,2,K， K为静态障碍物总数， d为 路径节点至静态障碍物m的中心坐标的距离， 安全距离为D0； 全局路径优化函数为： 其中， 、 为权重因子，为避障因子。 3.根据权利要求1所述的基于改进蚁群算法的船舶路径规划方法， 其特征在于， 所述通 过广义正态分布优化算法优化蚁群算法的参数， 得到改进的蚁群算法具体包括： 设定蚁群算法的初始参数的取值范围， 包括蚁群算法的种群数量m、 最大迭代次数T、 信 息启发式因子、 期望值启发式因子以及信息素衰减系数的取值范围； 在蚁群算法的初始参数的取值范围内随机初始化。
5、广义正态分布优化算法的个体位置， 并初始化广义正态分布优化算法的相关参数； 分别根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划， 计算当 前蚁群算法对应的解的质量、 稳定性、 收敛速度和运算时间； 根据当前蚁群算法对应的解的质量、 稳定性、 收敛速度和运算时间计算广义正态分布 优化算法的各个个体位置的适应度函数值； 产生一个0到1之间的随机数p， 若p0.5， 计算当前各个个体位置的平均位置、 标准差和 最优位置， 建立广义正态分布模型进行局部勘探； 若p0.5， 根据适应度函数值大小对当前个体位置进行等级划分， 分别对每一等级中 的个体进行位置更新， 进行全面勘探； 重新根据。
6、广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划， 并计算 各个个体位置的适应度函数值， 直到达到最大迭代次数， 输出最优解； 将最优解作为蚁群算法的初始参数， 得到改进的蚁群算法。 4.根据权利要求3所述的基于改进蚁群算法的船舶路径规划方法， 其特征在于， 广义正 态分布优化算法的适应度函数为： 权利要求书 1/3 页 2 CN 115357031 A 2 其中，F为广义正态分布优化算法的适应度，为加权系数， 当前蚁群算法 的最优解；f1表示蚁群算法的解的质量，current为当前最优解，best为理论最优解，f2表示 蚁群算法的稳定性，Ds为当前蚁群算法搜索得到每代路径距离之间的。
7、方差；f3表示蚁群算法 的收敛速度，C表示当前蚁群算法寻得最优解时的迭代次数；f4表示蚁群算法的运算时间，TC 表示当前蚁群算法的运行时长。 5.根据权利要求3所述的基于改进蚁群算法的船舶路径规划方法， 其特征在于， 若p 0.5， 根据适应度函数值大小对当前个体位置进行等级划分， 分别对每一等级中的个体进行 位置更新， 进行全面勘探具体包括： 按照适应度函数值大小对当前个体进行降序排列， 适应度函数值最大的个体的作为一 等个体， 适应度函数值大于预设阈值且小于最大的适应度函数值的个体作为二等个体， 适 应度函数值大于最小的适应度函数值且小于预设阈值的个体作为三等个体， 适应度函数值 最小的个。
8、体的作为四等个体； 对于一等个体， 采用如下公式进行位置更新： 其中， t表示迭代次数， T为迭代总数，为一等个体更新前的位置，为一等个体 更新后的位置，、为从二等、 三等、 四等个体中随机选出的两个个体， r为扰动系数， ； 对于二等个体和三等个体， 采用如下公式进行个体轨迹向量更新： 为服从正态分布的随机数， 为0到1之间的平衡系数； 基于更新后的个体轨迹向量， 采用如下公式进行位置更新： 其中，是第i个个体在时间t的轨迹向量，、为二等个体或三等个体更新 前后的位置，为一等个体，为从二等个体中随机选出的个体，为从三等个体中 随机选出的个体，F为广义正态分布优化算法的适应度； 权利要求书 2。
9、/3 页 3 CN 115357031 A 3 对于四等个体， 采用如下公式进行位置更新： 其中，为四等个体更新前的位置，为四等个体更新前的位置， rand产生0到1 之间的随机向量， 表示两向量间各个对应的分量相乘，表示参数为的莱维分布， 为0到1之间的随机数， ceil为向下取整函数。 6.根据权利要求3所述的基于改进蚁群算法的船舶路径规划方法， 其特征在于， 所述通 过改进的蚁群算法求解全局路径优化函数， 得到全局规划路径具体包括： 以广义正态分布优化算法的最优解作为蚁群算法的初始参数、 以全局路径优化函数作 为蚁群算法的适应度函数， 进行全局路径规划， 得到全局规划路径。 7.根据权利。
10、要求1所述的基于改进蚁群算法的船舶路径规划方法， 其特征在于， 所述方 法还包括： 远程控制船舶按照全局规划路径航行并通过传感器实时感知周围环境， 确定突发威胁 的航段， 通过速度障碍法进行局部路径规划， 实现动态避障。 8.一种基于改进蚁群算法的船舶路径规划系统， 其特征在于， 所述系统包括： 环境建模模块： 用于获取静态障碍物的中心坐标， 并将静态障碍物膨胀成圆形障碍物， 通过栅格法进行环境建模； 优化目标模块： 用于以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化 函数； 路径规划模块： 用于通过广义正态分布优化算法优化蚁群算法的参数， 得到改进的蚁 群算法， 通过改进的蚁群算法。
11、求解全局路径优化函数， 得到全局规划路径。 9.一种电子设备， 其特征在于， 包括： 至少一个处理器、 至少一个存储器、 通信接口和总 线； 其中， 所述处理器、 存储器、 通信接口通过所述总线完成相互间的通信； 所述存储器存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指令， 以实现如权利要求17任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储计算机指 令， 所述计算机指令使计算机实现如权利要求17任一项所述的方法。 权利要求书 3/3 页 4 CN 115357031 A 4 一种基于改进蚁群算法的船舶路径规划方法及系统 技术领域 0。
12、001 本发明属于船舶路径规划领域， 具体涉及一种基于改进蚁群算法的船舶路径规划 方法及系统。 背景技术 0002 随着人工智能技术的发展， 以智能船舶为代表的水面智能运载工具拓展了船舶航 行的场景， 为船舶驾控人员提供了更加便捷、 高效和自由的操作选择。 当前， 船舶无人驾驶 技术受到空前的关注， 但是现有的船舶全自主航行的决策方案和系统并不成熟， 难以应对 复杂的航行场景， 比如难以准确避开航行过程中水域的上存在的各种态障碍物。 因此， 在远 程控制模式下， 融合智能路径规划是实现船舶智能化的重要手段和必经阶段。 0003 无人水面艇、 船舶的路径规划技术中， 除了传统的路径规划算法， 基。
13、于群体智能算 法的路径规划为解决复杂环境下的路径规划问题提供了新思路。 比 如申请号为 CN201610942213.5的发明专利公开了一种基于改进蚁群算法的无人艇避碰方法， 其利用改 进蚁群算法进行无人艇航迹规划， 针对目前蚁群算法容易陷入局部最优的缺点， 通过改进 启发函数和自适应调整挥发系数对信息素进行更新， 克服了其易于陷于局部最优解的缺 点。 申请号为CN202111564382.7发明专利公开一种船舶避碰方法， 其将传感器数据和船舶 运动数据与蚁群算法相结合， 计算出最优避碰航行路径。 这些方法都通过改进的蚁群算法 实现了船舶路径规划， 一定程度上提高了路径规划的速度或准确度， 但。
14、是对于蚁群算法来 说， 蚂蚁数量、 信息启发式因子、 期望值启发式因子、 信息素衰减系数等参数对蚁群算法的 性能有重要影响， 而已有的这些方法都是通过经验值的方式选取蚁群算法的参数， 会制约 路径规划结果的可靠程度。 发明内容 0004 有鉴于此， 本发明提出了一种基于改进蚁群算法的船舶路径规划方法及系统， 用 于解决远程控制模式下， 蚁群算法参数选取不当影响船舶路径规划效果的问题。 0005 本发明第一方面， 公开一种基于改进蚁群算法的船舶路径规划方法， 所述方法包 括： 获取静态障碍物的中心坐标， 并将静态障碍物膨胀成圆形障碍物， 通过栅格法进 行环境建模； 以行驶路径最短且不与圆形障碍物。
15、碰撞为目标建立全局路径优化函数； 通过广义正态分布优化算法优化蚁群算法的参数， 得到改进的蚁群算法， 通过改 进的蚁群算法求解全局路径优化函数， 得到全局规划路径。 0006 在以上技术方案的基础上， 优选的， 所述以行驶路径最短且不与圆形障碍物碰撞 为目标建立全局路径优化函数具体包括： 获取行驶路径的起点和终点， 设路径节点为Pn， n=1,2,N， N为节点总数， 相邻两 个路径节点之间的欧式距离为Sn， 圆形障碍物的半径为Rk， k=1,2,K， K为静态障碍物总 说明书 1/9 页 5 CN 115357031 A 5 数， d为路径节点至静态障碍物m的中心坐标的距离， 安全距离为D0。
16、； 全局路径优化函数为： 其中， 、 为权重因子，为避障因子， 当dRk+D0， 表示在当前 位置不需要避障， 此时Tk=0； 当d0.5， 计算当前各个个体位置的平均位置、 标准 差和最优位置， 建立广义正态分布模型进行局部勘探； 若p0.5， 根据适应度函数值大小对当前个体位置进行等级划分， 分别对每一等 级中的个体进行位置更新， 实现全面勘探； 重新根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划， 并 计算各个个体位置的适应度函数值， 直到达到最大迭代次数， 输出最优解； 将最优解作为蚁群算法的初始参数， 得到改进的蚁群算法。 0008 在以上技术方案的基础上， 优选的，。
17、 广义正态分布优化算法的适应度函数为： 其中，F为广义正态分布优化算法的适应度，为加权系数， 当前蚁群算 法的最优解；f1表示蚁群算法的解的质量，current为当前最优解，best为理论最优解，f2表 示蚁群算法的稳定性，Ds为当前蚁群算法搜索得到每代路径距离之间的方差；f3表示蚁群算 法的收敛速度，C表示当前蚁群算法寻得最优解时的迭代次数；f4表示蚁群算法的运算时 间，TC表示当前蚁群算法的运行时长。 0009 在以上技术方案的基础上， 优选的， 若p0.5， 根据适应度函数值大小对当前个体 说明书 2/9 页 6 CN 115357031 A 6 位置进行等级划分， 分别对每一等级中的个。
18、体进行位置更新， 进行全面勘探具体包括： 按照适应度函数值大小对当前个体进行降序排列， 适应度函数值最大的个体的作 为一等个体， 适应度函数值大于预设阈值且小于最大的适应度函数值的个体作为二等个 体， 适应度函数值大于最小的适应度函数值且小于预设阈值的个体作为三等个体， 适应度 函数值最小的个体的作为四等个体； 对于一等个体， 采用如下公式进行位置更新： 其中， t表示迭代次数， T为迭代总数，为一等个体更新前的位置，为一等 个体更新后的位置，、为从二等、 三等、 四等个体中随机选出的两个个体， r为扰动系 数，； 对于二等个体和三等个体， 采用如下公式进行个体轨迹向量更新： 为服从正态分布的。
19、随机数， 为0到1之间的平衡系数； 基于更新后的个体轨迹向量， 采用如下公式进行位置更新： 其中，是第i个个体在时间t的轨迹向量，、为二等个体或三等个体更 新前后的位置，为一等个体，为从二等个体中随机选出的个体，为从三等个体 中随机选出的个体，F为广义正态分布优化算法的适应度； 对于四等个体， 采用如下公式进行位置更新： 其中，为四等个体更新前的位置，为四等个体更新前的位置， rand产生0 到1之间的随机向量， 表示两向量间各个对应的分量相乘，表示参数为 的莱维分 布， 为0到1之间的随机数， ceil为向下取整函数。 0010 在以上技术方案的基础上， 优选的， 所述通过改进的蚁群算法求解。
20、全局路径优化 函数， 得到全局规划路径具体包括： 以广义正态分布优化算法的最优解作为蚁群算法的初始参数、 以全局路径优化函 数作为蚁群算法的适应度函数， 进行全局路径规划， 得到全局规划路径。 0011 在以上技术方案的基础上， 优选的， 所述方法还包括： 远程控制船舶按照全局规划路径航行并通过传感器实时感知周围环境， 确定突发 说明书 3/9 页 7 CN 115357031 A 7 威胁的航段， 通过速度障碍法进行局部路径规划， 实现动态避障。 0012 本发明第二方面， 公开一种基于改进蚁群算法的船舶路径规划系统， 所述系统包 括： 环境建模模块： 用于获取静态障碍物的中心坐标， 并将静。
21、态障碍物膨胀成圆形障 碍物， 通过栅格法进行环境建模； 优化函数模块： 用于以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径 优化函数； 路径规划模块： 用于通过广义正态分布优化算法优化蚁群算法的参数， 得到改进 的蚁群算法， 通过改进的蚁群算法求解全局路径优化函数， 得到全局规划路径。 0013 本发明第三方面， 公开一种电子设备， 包括： 至少一个处理器、 至少一个存储器、 通 信接口和总线； 其中， 所述处理器、 存储器、 通信接口通过所述总线完成相互间的通信； 所述存储器存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指 令， 以实现如本发明第一方面所述的方法。 001。
22、4 本发明第四方面， 公开一种计算机可读存储介质， 所述计算机可读存储介质存储 计算机指令， 所述计算机指令使计算机实现如本发明第一方面所述的方法。 0015 本发明相对于现有技术具有以下有益效果： 1） 本发明通过广义正态分布优化算法优化蚁群算法的参数， 得到改进的蚁群算 法， 以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数， 通过改进的蚁 群算法求解全局路径优化函数， 得到全局规划路径， 考虑了多种参数组合对蚁群算法的综 合作用， 避免仅考虑单一因素的或者通过经验选取蚁群算法参数值的不足， 可以提高参数 选取的准确度， 提高蚁群算法的寻优性能， 进而规划得到最优避碰路径； 2。
23、） 本发明根据当前蚁群算法对应的解的质量、 稳定性、 收敛速度和运算时间计算 广义正态分布优化算法的各个个体位置的适应度函数值， 可以得到满足解的质量高、 稳定 性好、 收敛速度快和运算时间短等条件的最优初始参数， 蚁群算法可以兼顾解的质量、 稳定 性、 收敛速度和运算时间， 保障全局路径规划的可行性； 3） 本发明在广义正态分布优化算法按照一定的概率进行全面勘探的过程中， 根据 适应度函数值大小对当前个体位置进行等级划分， 分别对每一等级中的个体进行位置更 新， 通过差分进化思想加强了不同等级的个体之间的交流， 增强种群的多样性， 在进行局部 开发的同时增强全局信息共享， 提升搜索能力， 加。
24、快收敛速度。 附图说明 0016 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本 发明的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以 根据这些附图获得其他的附图。 0017 图1为本发明的基于改进蚁群算法的船舶路径规划方法流程图。 说明书 4/9 页 8 CN 115357031 A 8 具体实施方式 0018 下面将结合本发明实施方式， 对本发明实施方式中的技术方案进行清楚、 完整地 描述， 显然， 所描述的实施方式仅仅是本发明一部分实施方式， 而。
25、不是全部的实施方式。 基 于本发明中的实施方式， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有 其他实施方式， 都属于本发明保护的范围。 0019 请参阅图1， 本发明提出一种基于改进蚁群算法的船舶路径规划方法， 所述方法包 括： S1、 获取静态障碍物的中心坐标， 并将静态障碍物膨胀成圆形障碍物， 通过栅格法 进行环境建模。 0020 环境建模是将船舶、 障碍物、 起点、 终点等物理环境信息进行抽象使之成为计算机 可以处理的数学模型， 便于路径规划。 考虑到障碍物的形状不规则， 可以对障碍物边界进行 膨胀处理， 具体是以静态障碍物的中心坐标为圆心、 以障碍物边缘距离中心坐标的最大。
26、距 离为半径将静态障碍物膨胀成圆形障碍物， 然后在栅格中标记出圆形障碍物的范围， 为路 径规划做准备。 0021 S2、 以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数。 0022具体的， 获取环境模型中行驶路径的起点和终点， 设路径节点为， n=1, 2,N， N为节点总数， 相邻两个路径节点之间的欧式距离为Sn， 圆形障碍物的半径为Rk，中 心坐标为， k=1,2,K， K为静态障碍物总数， d为路径节点至静态障碍物m的中心坐标 的距离， 则。 0023 为了在路径规划的过程中实现自动避障， 船舶距离障碍物边缘的安全距离为D0， 定义避障因子为： 当dRk+D0， 表示船舶离。
27、障碍物较远， 因此在当前位置不需要避障， 此时Tk=0； 当d0.5， 计算当前各个个体位置的平均位置、 标准差和最优位置， 建立广义正态分布模型进行局部勘探。 0038 基于个体在种群中的分布与正态分布之间的关系， 建立广义正态分布模型： 为第i个个体在第t次迭代时的轨迹向量， 为第i个个体的广义平均位置， 为广义标准差， 为惩罚因子， 公式如下： 其中，a、b、 和均为0到1之间的随机数， 和服从正态分布，为第t次迭代 的最优位置； 局部勘探采用如下公式进行个体位置更新： S36、 若p0.5， 根据适应度函数值大小对当前个体位置进行等级划分， 分别对每 一等级中的个体进行位置更新， 实现。
28、全面勘探。 0039 步骤S36具体包括如下分步骤： S361、 按照适应度函数值大小对当前个体进行降序排列， 根据适应度函数值大小 对当前个体位置进行等级划分。 0040 其中， 适应度函数值最大的个体的作为一等个体， 适应度函数值大于预设阈值且 小于最大的适应度函数值的个体作为二等个体， 适应度函数值大于最小的适应度函数值且 小于预设阈值的个体作为三等个体， 适应度函数值最小的个体的作为四等个体； S362、 对于一等个体， 采用如下公式进行位置更新： 其中， t表示迭代次数， T为迭代总数，为一等个体更新前的位置，为一等 个体更新后的位置，、为从二等、 三等、 四等个体中随机选出的两个个。
29、体， r为扰动系 数，； S363、 对于二等个体和三等个体， 采用如下公式进行个体轨迹向量更新： 说明书 7/9 页 11 CN 115357031 A 11 为服从正态分布的随机数， 为0到1之间的平衡系数； 基于更新后的个体轨迹向量， 采用如下公式进行位置更新： 其中，是第i个个体在时间t的轨迹向量，、为二等个体或三等个体 更新前后的位置，为一等个体，为从二等个体中随机选出的个体，为从三等个 体中随机选出的个体，F为广义正态分布优化算法的适应度； S364、 对于四等个体， 采用如下公式进行位置更新： 其中，为四等个体更新前的位置，为四等个体更新前的位置， rand产生0 到1之间的随机。
30、向量， 表示两向量间各个对应的分量相乘，表示莱维飞行函数， 表示参数为的莱维分布， 其中， 为标准的gamma函数，u、 v 均服从正态分布； 为0到1之间的随机数， ceil为向下取整函数。 0041 现有的广义正态分布优化算法的全局搜索阶段仅基于3个随机选择的个体， 其随 机性太强， 没有充分利用之前的搜索到的有用信息， 个体之间的信息共享也是完全随机的， 会造成收敛速度减慢， 解决复杂优化问题时， 搜索能力不足。 本发明针对这一问题改进了全 局勘探方式， 通过等级划分、 每一等级的个体分别进行位置更新的方式加强了不同等级之 间的信息交流， 在以一个随机概率p进行全局勘探时， 既能在当前一。
31、等个体附近进行局部搜 索、 又加强了一等个体与二等、 三等、 四等个体之间的交流， 同时在进行二等个体、 三等个体 也充分利用一等个体以及二等个体、 三等个体之间的信息共享进行全局搜索， 强化等级之 间的信息交流， 提高搜索能力， 而对于四等个体， 通过两种位置更新方式在一等个体的及莱 维飞行的引导下逐渐提升四等个体的搜索能力。 0042 S37、 返回步骤S33， 重新根据广义正态分布优化算法的个体位置运行蚁群算法进 行全局路径规划， 并计算各个个体位置的适应度函数值， 直到达到最大迭代次数， 输出最优 解； S38、 将最优解作为蚁群算法的初始参数， 得到改进的蚁群算法。 0043 得到广。
32、义正态分布优化算法的最优解之后， 以广义正态分布优化算法的最优解作 为蚁群算法的初始参数、 以全局路径优化函数作为蚁群算法的适应度函数， 进行全局路径 说明书 8/9 页 12 CN 115357031 A 12 规划， 得到全局规划路径。 0044 S4、 远程控制船舶按照全局规划路径航行并通过传感器实时感知周围环境， 确定 突发威胁的航段， 通过速度障碍法进行局部路径规划， 实现动态避障。 0045 船舶在实际航行时还可能遇到漂浮物、 游鱼、 船只交会等动态障碍物， 因此船舶在 按照全局规划路径航行的过程中需要通过传感器实时感知周围环境， 确定突发威胁的航 段， 通过速度障碍法进行局部路径。
33、规划， 动态避障后再返回全局规划路径。 0046 与上述方法实施例相对应， 本发明还提出一种基于改进蚁群算法的船舶路径规划 系统， 所述系统包括： 环境建模模块： 用于获取静态障碍物的中心坐标， 并将静态障碍物膨胀成圆形障 碍物， 通过栅格法进行环境建模； 优化函数模块： 用于以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径 优化函数； 路径规划模块： 用于通过广义正态分布优化算法优化蚁群算法的参数， 得到改进 的蚁群算法， 通过改进的蚁群算法求解全局路径优化函数， 得到全局规划路径。 0047 以上系统实施例和方法实施例是一一对应的， 系统实施例简述之处请参阅方法实 施例即可。 0048。
34、 本发明还公开一种电子设备， 包括： 至少一个处理器、 至少一个存储器、 通信接口 和总线； 其中， 所述处理器、 存储器、 通信接口通过所述总线完成相互间的通信； 所述存储器 存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指令， 以实现本发明前 述的方法。 0049 本发明还公开一种计算机可读存储介质， 所述计算机可读存储介质存储计算机指 令， 所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。 所述存 储介质包括： U盘、 移动硬盘、 只读存储器ROM、 随机存取存储器RAM、 磁碟或者光盘等各种可 以存储程序代码的介质。 0050 以上所描述的系统实施例仅。
35、仅是示意性的， 其中所述作为分离部件说明的单元可 以是或者也可以不是物理上分开的， 作为单元显示的部件可以是或者也可以不是物理单 元， 即可以分布到多个网络单元上。 本领域普通技术人员在不付出创造性的劳动的情况下， 可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。 0051 以上所述仅为本发明的较佳实施方式而已， 并不用以限制本发明， 凡在本发明的 精神和原则之内， 所作的任何修改、 等同替换、 改进等， 均应包含在本发明的保护范围之内。 说明书 9/9 页 13 CN 115357031 A 13 图1 说明书附图 1/1 页 14 CN 115357031 A 14 。