本發(fā)明主要涉及無人自主水下航行器(auv)智能算法技術(shù)領(lǐng)域，具體涉及一種基于遺傳螞蟻算法的auv路徑規(guī)劃方法。

背景技術(shù)：

無人自主水下航行器(autonomousunderwatervehicle,auv)是水下機(jī)器人的一種，依靠自身的自治能力和控制自己以完成所賦予的使命。當(dāng)前海洋及海洋科學(xué)的戰(zhàn)略地位急劇上升，具有全球變化和走向深海兩大發(fā)展趨勢，逐漸形成從近岸向遠(yuǎn)洋、從淺水向深海拓展的新格局。auv目標(biāo)小、水下隱蔽性較強(qiáng)，在詳細(xì)海洋勘測、預(yù)警搜索偵察、反潛、反水雷、防御、戰(zhàn)斗支援等方面均有不可估量的潛在應(yīng)用價值。路徑規(guī)劃是保障auv航行安全必不可少的重要功能，它指綜合考慮地形、威脅等多種因素，找到從起始點到目標(biāo)點的最優(yōu)航跡。

根據(jù)環(huán)境中障礙物的分類，可將auv的路徑規(guī)劃分為全局路徑和局部路徑兩種規(guī)劃，其中，全局路徑規(guī)劃主要針對僅包含靜止、信息已知的障礙物對象的環(huán)境。

全局路徑規(guī)劃可分為兩個步驟：環(huán)境建模與規(guī)劃算法。環(huán)境建模從某種意義上說是路徑規(guī)劃的基礎(chǔ)，合理的環(huán)境表示能有利于規(guī)劃中搜索量的減少，才能有利于時空開銷的減少，環(huán)境建模的方法直接影響路徑規(guī)劃的效率和準(zhǔn)確性。

柵格法的原理是將整個空間用規(guī)劃的小格點劃分成許多小空間，非障礙物占據(jù)的柵格成為自由柵格，一般用白格表示，障礙物占據(jù)的柵格為非自由柵格，一般用黑格表示。路徑規(guī)劃的過程即為搜索自由柵格(白格)的最短路徑的過程。該方法的特點是簡單，易于實現(xiàn)，并易于擴(kuò)展到三維環(huán)境；它的缺點是表示效率不高，存在著時空開銷與求解精度之間的矛盾，當(dāng)環(huán)境區(qū)域太大時，將使柵格的數(shù)量急劇增加，使搜索存在組合爆炸的問題。

現(xiàn)有研究對柵格法存在的缺陷進(jìn)行了一定的改進(jìn)，如李向軍，霍艷麗等人提出了子平面分隔，即在一條軸上按照固定的間隔劃分區(qū)間的方法，路徑由每個平面上的一個點組成，將每一點的信息表示從三維降為二維，可有效簡化數(shù)據(jù)的表示，同時減少了搜索柵格的數(shù)量。

基于生物智能的路徑規(guī)劃算法不必建立復(fù)雜的環(huán)境模型，目前應(yīng)用較多的主要有遺傳算法、蟻群算法等。這類算法的突出優(yōu)點是可以方便的處理復(fù)雜問題模型和約束條件。

遺傳算法是一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索算法。遺傳算法模擬自然選擇和自然遺傳過程中發(fā)生的繁殖、交叉和基因突變現(xiàn)象，在每次迭代中都保留一組候選種群，并按某種指標(biāo)從種群中選取較優(yōu)的個體，利用遺傳算子對這些個體進(jìn)行組合，產(chǎn)生新一代的候選種群，重復(fù)此過程直到滿足收斂目標(biāo)。與一般的啟發(fā)式優(yōu)化搜索算法相比，群體搜索使遺傳算法突破領(lǐng)域搜索的限制，可實現(xiàn)整個解空間上的分布式信息采集和探索，而遺傳算子僅僅利用適應(yīng)值度量作為運算指標(biāo)進(jìn)行隨機(jī)操作，降低了一般啟發(fā)式算法在搜索中對人機(jī)交互的依賴。遺傳算法的缺點是對于系統(tǒng)中的反饋信息利用不夠，當(dāng)求解到一定范圍時往往做大量無為的冗余迭代，求解精度效率低。選擇保留精英算法(elitistgeneticalgorithm,ega)是遺傳算法的一種，其基本思想在每次迭代中保留適應(yīng)值最優(yōu)的個體，該算法一定程度上提高了搜索效率，但仍存在著在算法后期搜索效率降低的問題。

螞蟻算法真實地模擬了自然界螞蟻群體的覓食行為。將螞蟻算法應(yīng)用于解決優(yōu)化問題的基本思路為：用螞蟻的行走路徑表示待優(yōu)化問題的可行解，整個螞蟻群體的所有路徑構(gòu)成待優(yōu)化問題的解空間。路徑較短的螞蟻釋放的信息素量較多，隨著時間的推進(jìn)，較短的路徑上累積的信息素濃度逐漸增高，選擇該路徑的螞蟻個數(shù)也越來越多。最終，整個螞蟻會在正反饋的作用下集中到較優(yōu)的路徑上。螞蟻算法的缺點是初期信息素匱乏，求解速度慢。最大最小螞蟻系統(tǒng)(max-minantsystem,mmas)對基本的螞蟻算法從信息素更新、信息素濃度范圍等方面進(jìn)行了一定改進(jìn)，提高了算法的收斂速度，但仍存在著搜索效率不高，搜索到最優(yōu)解時間過長的問題。

遺傳算法與螞蟻算法的融合(geneticalgorithm-antalgorithm,gaaa)，其基本思想是汲取兩種算法的優(yōu)點，克服各自的缺陷，優(yōu)勢互補(bǔ)。其基本思想是算法前過程采用遺傳算法，充分利用遺傳算法的快速性、隨機(jī)性、全局收斂性，其結(jié)果是產(chǎn)生有關(guān)問題的初始信息素分布；算法后過程采用螞蟻算法，在有一定初始信息素分布的情況下，充分利用螞蟻算法并行性、正反饋性、求精解效率高等特點。兩種基本算法的融合在一定程度上提高了算法的搜索速度，但仍存在融合機(jī)制沒有充分利用兩種算法的收斂特點和算法后期尋找最優(yōu)解的效率不足的缺點。

雖然現(xiàn)有技術(shù)通過對混合算法的融合方式和融合時刻等方面的改進(jìn)，提高了gaaa算法由于自身局限性而導(dǎo)致的收斂速度慢的問題，但在應(yīng)用中仍然存在許多不足。

如梁旭，劉鵬飛，黃明等人提出了一種新的動態(tài)螞蟻遺傳混合算法，其動態(tài)地控制調(diào)用時機(jī)，并改進(jìn)了信息素的更新方法，同時引入迭代調(diào)整閾值控制算法后期的遺傳操作和螞蟻規(guī)模，在一定程度上加快了種群的進(jìn)化速度，但在應(yīng)用中仍然存在許多不足。

總體來看，現(xiàn)有的路徑規(guī)劃方法中，環(huán)境建模部分通過對傳統(tǒng)柵格法的改進(jìn)，在數(shù)據(jù)量的存儲與運算速度方面已經(jīng)有了較大改進(jìn)；但混合算法存在沒有充分利用路徑規(guī)劃的特點，融合策略有待進(jìn)一步改進(jìn)，最優(yōu)解的搜索效率和搜索精度需進(jìn)一步提高的問題。

因此希望有一種基于改進(jìn)的遺傳螞蟻混合算法的auv路徑規(guī)劃方法可以進(jìn)一步克服或至少減輕現(xiàn)有技術(shù)上的上述缺陷。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于遺傳螞蟻算法的無人機(jī)全局路徑規(guī)劃方法，提高了搜索效率，縮短最優(yōu)路徑的規(guī)劃時間，使auv成功躲避障礙物，快速到達(dá)目標(biāo)點。

為解決上述技術(shù)問題，本發(fā)明采用了以下技術(shù)方案：一種基于遺傳螞蟻算法的無人機(jī)全局路徑規(guī)劃方法，包括以下步驟：

(1)通過改進(jìn)的柵格法對環(huán)境進(jìn)行建模；

(2)將mmas算法得到的部分優(yōu)化解轉(zhuǎn)化為ega算法的初始解；

(3)利用mmas和ega算法同時進(jìn)行路徑尋優(yōu)；

(4)利用改進(jìn)的變異算子和mmas算法繼續(xù)尋優(yōu)，最終找到最優(yōu)路徑

進(jìn)一步的，步驟(1)中改進(jìn)的柵格法對環(huán)境建模的步驟包括：

(1)環(huán)境處理：首先將auv簡化為質(zhì)點，將環(huán)境中障礙物長度等效為auv長度與自身原本長度之和，auv與障礙物最短安全距離定義為路徑與障礙物邊緣重合；然后使用柵格法對環(huán)境進(jìn)行建模，將環(huán)境中的每一點用單元柵格表示，并對可行區(qū)域和障礙物區(qū)域做出不同劃分；

(2)子區(qū)域劃分：在三維環(huán)境下，以auv運動的主方向為x軸，將x軸坐標(biāo)間距小于α的障礙物聚為一類，聚類結(jié)果記為n；接著在每一類障礙物中x軸最小值和最大值處作與x軸垂直的兩個平面，從而劃分成2n+1個子區(qū)間；二維環(huán)境依次類推。

進(jìn)一步的，步驟(2)中mmas算法得到部分優(yōu)化解轉(zhuǎn)化為ega算法初始解的方法包括以下步驟：

a、對mmas和ega算法的參數(shù)進(jìn)行初始化，所述參數(shù)包括螞蟻數(shù)量m1，揮發(fā)系數(shù)ρ，種群數(shù)量m2，交叉概率pc，變異概率pm，最大迭代次數(shù)iter_max，信息素重要程度因子α，啟發(fā)函數(shù)重要程度因子β，初始化時迭代次數(shù)iter設(shè)置為1；

b、確定解的表示形式，算法得到對路徑的解用該路徑經(jīng)過的柵格信息集合標(biāo)識；(采用區(qū)域劃分的方法，可使解中的每一個柵格減少一個維度的信息，而按照步驟s12中子區(qū)域劃分的方法，auv在不包含障礙物的子區(qū)間中的路徑就可以只用起始和終點兩個柵格表示，而在包含障礙物的子區(qū)間中再考慮用具體的柵格表示，減小了需要的柵格量，從而進(jìn)一步減少了需處理和存儲的數(shù)據(jù)量；)

c、通過迭代最優(yōu)解和全局最優(yōu)解的關(guān)系定義算法的轉(zhuǎn)換時刻，將轉(zhuǎn)化時刻mmas的路徑解和此時全局最優(yōu)解作為ega算法的初始解。

進(jìn)一步的，步驟(3)中利用mmas和ega算法同時進(jìn)行路徑尋優(yōu)時，

一方面，采用mmas算法繼續(xù)優(yōu)化解的質(zhì)量，并以每次迭代得到的最優(yōu)解更新路徑信息素濃度，其計算公式如下：

式中，τij(t)表示t時刻ij兩柵格間的信息素濃度，ρ表示揮發(fā)系數(shù)，表示迭代最優(yōu)解的信息素濃度增量；

同時將ega算法每次迭代得到最優(yōu)解用于信息素濃度的更新中。

每次迭代中，繼續(xù)按照mmas算法，更新迭代最優(yōu)解所對應(yīng)路徑上的信息素濃度；每次迭代中，執(zhí)行ega算法的選擇、交叉和變異操作，并將得到的解保留作為下一代ega算法的初始解群，循環(huán)次數(shù)iter＝iter+1；變異算子包括兩種，第一種變異算子為解在柵格序列中隨機(jī)選取兩個點，將這兩個柵格位置對換形成新的解的序列，另一種變異算子為在解的柵格序列中隨機(jī)選取兩個點，將這兩個柵格件的柵格按倒序排列形成新的柵格序列。

進(jìn)一步的，步驟(4)中利用改進(jìn)的變異算子和mmas算法繼續(xù)尋優(yōu)時，當(dāng)算法陷入停滯狀態(tài)時，算法中螞蟻數(shù)量進(jìn)行增加以提高找到粳稻路徑的可能性；在ega算法中僅保留改進(jìn)的變異算子。(此時最優(yōu)解已接近理論上的全局最優(yōu)解，僅保留對最優(yōu)解的變異操作，且規(guī)定變異后的解得到了改進(jìn)才得到保留；在每5次迭代中采用作用類似于2-opt優(yōu)化的變異算子，有效改進(jìn)解中交叉的路徑)。

有益效果：相對于現(xiàn)有技術(shù)，本發(fā)明具有以下優(yōu)點：1)采用新的子區(qū)域劃分方法，簡化了解的表達(dá)形式，減少了數(shù)據(jù)的計算量與存儲量；2)設(shè)計了新的基本算法結(jié)合機(jī)制，根據(jù)mmas算法與ega算法的收斂速度的特點，采取了在每次中將迭代最優(yōu)解和ega優(yōu)化得到的最優(yōu)解共同更新信息素的方法，提高了搜索最優(yōu)解的效率；3)在算法陷入停滯狀態(tài)時，采用了增大螞蟻數(shù)量和改進(jìn)的ega變異算子，進(jìn)一步提高了最優(yōu)路徑的搜索效率。。

附圖說明

圖1為本發(fā)明所述auv路徑規(guī)劃方法的流程框圖；

圖2為本發(fā)明所述auv路徑規(guī)劃方法的算法邏輯流程圖；

圖3為本發(fā)明具體實施方式中25×25柵格環(huán)境下本發(fā)明的混合算法規(guī)劃路徑示意圖；

圖4為本發(fā)明具體實施方式中算法二在25×25柵格環(huán)境下的規(guī)劃路徑示意圖；

圖5為本發(fā)明具體實施方式中算法三在25×25柵格環(huán)境下的規(guī)劃路徑示意圖；

圖6為本發(fā)明在500×500×500柵格環(huán)境下三種算法比較的規(guī)劃路徑的示意圖。

具體實施方式

下面結(jié)合附圖并以具體實施例，進(jìn)一步闡明本發(fā)明。應(yīng)理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價形式的修改均落于本申請所附權(quán)利要求所限定的范圍。

本發(fā)明的auv路徑規(guī)劃方法的工作原理：由于在大范圍空間內(nèi)，螞蟻算法較遺傳算法初始解質(zhì)量明顯改善，而mmas算法在仿真初期全局最優(yōu)解會快速收斂，因而在算法初期采用mmas迅速改善解的質(zhì)量；轉(zhuǎn)入ega算法后，采用mmas與ega算法共同更新信息素的機(jī)制，可加快收斂速度的同時，保證信息素分布的多樣性；在仿真后期陷入停滯狀態(tài)時，采用變異算子和增加螞蟻數(shù)量的mmas算法，保留優(yōu)良解特征的同時，增加找到最優(yōu)解的可能性。

在本發(fā)明一寬泛實施例中，路徑規(guī)劃方法包括以下步驟：

步驟s1，通過改進(jìn)的柵格法對環(huán)境進(jìn)行建模；

步驟s2，將mmas算法得到的一部分優(yōu)化解轉(zhuǎn)化為ega算法的初始解；

步驟s3，利用mmas和ega算法同時進(jìn)行路徑尋優(yōu)；

步驟s4，利用改進(jìn)的變異算子和mmas算法繼續(xù)尋優(yōu)，最終找到最優(yōu)路徑。

所述步驟s1中通過改進(jìn)的柵格法對環(huán)境進(jìn)行建模包括以下內(nèi)容：

步驟s11，環(huán)境處理，將auv簡化為質(zhì)點，障礙物作適當(dāng)“膨化”處理為球體(三維環(huán)境)或圓(二維環(huán)境)，其半徑為auv長度與自身長度之和，auv經(jīng)過障礙物的最短安全距離定義為路徑與障礙物球心(或圓心)的最短距離大于障礙物球體(或圓)半徑，使用柵格法為環(huán)境建模，將環(huán)境中的每一點(包括障礙物)用單元柵格表示，進(jìn)一步對可行區(qū)域和障礙物區(qū)域做出不同劃分；

步驟s12，子區(qū)域劃分，以三維環(huán)境為例，在auv運動的主方向x軸上，各點僅依據(jù)各障礙物的x坐標(biāo)對障礙物進(jìn)行聚類，將x軸坐標(biāo)間距較小或x軸有重合的障礙物聚為一類，其聚類結(jié)果記為n；再在每一類中，以x坐標(biāo)最小和最大處，作與x軸垂直、與yz平面平行的兩個平面，則區(qū)域中共有2n個平面，劃分為2n+1個子區(qū)間；二維環(huán)境依此類推。

所述步驟s2中將mmas算法得到的一部分優(yōu)化解轉(zhuǎn)化為ega算法的初始解包括以下內(nèi)容：

步驟s21，初始化mmas和ega算法參數(shù)，主要包括設(shè)置螞蟻數(shù)量m1，揮發(fā)系數(shù)ρ，種群數(shù)量m2，交叉概率pc，變異概率pm，最大迭代次數(shù)iter_max，信息素重要程度因子α，啟發(fā)函數(shù)重要程度因子β，初始化時迭代次數(shù)iter設(shè)置為1；

步驟s22，設(shè)置適應(yīng)度函數(shù)，將路徑長度和安全性作為主要參考指標(biāo)，由于auv在航行中的威脅主要來自高度差的變化和障礙物，而在規(guī)劃中路徑不會與障礙物發(fā)生碰撞，因此安全性主要考慮auv的高度變化；

在auv高度不允許發(fā)生變化時，將其運動視為二維環(huán)境的運動，適應(yīng)度函數(shù)只考慮路徑長度最短；

在auv高度允許發(fā)生變化的情況時，將其運動視為三維環(huán)境下的運動，此時適應(yīng)度函數(shù)f的表達(dá)式如下：

式中，i表示不同的螞蟻，每只螞蟻形成的路徑一共有ni段路徑。lij表示第i只螞蟻第j段路徑的長度，hij表示該段路徑起點與終點間的高度差，wij為權(quán)重系數(shù)，θij表示第i只螞蟻第j段路徑的危險系數(shù)，當(dāng)該段路徑通過障礙物所在的柵格時，該系數(shù)取一個較大的值，反之設(shè)置為0；

步驟s23，確定解的表示形式，在算法中一條路徑的解用該路徑經(jīng)過的柵格信息集合表示，采用區(qū)域劃分的方法，可使解中的每一個柵格減少一個維度的信息，而按照步驟s12中子區(qū)域劃分的方法，auv在不包含障礙物的子區(qū)間中的路徑就可以只用起始和終點兩個柵格表示，而在包含障礙物的子區(qū)間中再考慮用具體的柵格表示，減小了需要的柵格量，從而進(jìn)一步減少了需處理和存儲的數(shù)據(jù)量；

步驟s24，形成算法的初始解，在每次迭代中利用mmas算法得到路徑解，螞蟻k在柵格i選擇下一個柵格j的轉(zhuǎn)移公式如下：

式中，allowedk為螞蟻k待訪問的柵格的集合；

對迭代最優(yōu)解對應(yīng)的路徑進(jìn)行信息素更新，同時，在每次迭代中，計算解的平均值length_ave，全局最優(yōu)解length_best和迭代最優(yōu)解length_ibest；

定義判斷算法轉(zhuǎn)換時刻的變量length_diff1,length_diff2和length_diff3如下：

length_diff1(iter)＝length_ave(iter)-length_best(iter)；

length_diff2(iter)＝length_ibest(iter)-length_best(iter)；

length_diff3(iter)＝length_ave(iter)-length_ibest(iter)；

步驟s25，確定算法的轉(zhuǎn)化時機(jī)iter_1，設(shè)置轉(zhuǎn)化的最小迭代數(shù)iter1和最大迭代數(shù)iter2，iter_1應(yīng)滿足以下表達(dá)式：

iter1≤iter_1≤iter2；

步驟s26，將轉(zhuǎn)化時刻mmas的路徑解和此時的全局最優(yōu)解作為ega算法的初始解。

所述步驟s3中利用mmas和ega算法同時進(jìn)行路徑尋優(yōu)包括以下內(nèi)容：

步驟s31，在每一次迭代中，繼續(xù)按照mmas算法，更新迭代最優(yōu)解所對應(yīng)的路徑上的信息素濃度；

步驟s32，在每一次迭代中，執(zhí)行ega算法的選擇、交叉和變異操作，并把得到的解保留作為下一代ega算法的初始解群，循環(huán)次數(shù)iter＝iter+1；

變異算子分為兩種，第一種為在解的柵格序列中隨機(jī)選取兩個點，將這兩個柵格的位置對換，形成新的解的序列；

第二種變異算子為在解的柵格序列中隨機(jī)選取兩個點，將這兩個柵格間的柵格按倒序排列，形成新的柵格序列；

步驟s33，將每一代ega算法得到的最優(yōu)解的信息素更新；

每一次迭代中，信息素的更新由mmas和ega兩種算法的迭代最優(yōu)解共同更新。

所述步驟s4中利用改進(jìn)的變異算子和mmas算法繼續(xù)尋優(yōu)包括以下內(nèi)容：

步驟s41，判斷算法陷入停滯狀態(tài)的時刻iter_2，設(shè)置最小迭代數(shù)iter3，停滯時刻iter_2連續(xù)m次迭代和迭代次數(shù)滿足以下表達(dá)式：

iter_2≥iter3；

length_best(iter_2-m)＝···＝length_best(iter_2-1)＝length_best(iter_2)；

步驟s42，將算法中螞蟻的數(shù)量增加，以增加找到更多路徑的可能性；

步驟s43，在ega算法中僅保留改進(jìn)的變異算子，此時最優(yōu)解已接近理論上的全局最優(yōu)解，交叉操作可能會破壞已有的優(yōu)良模式，因此僅保留對最優(yōu)解的變異操作，且規(guī)定變異后的解得到了改進(jìn)才得到保留；

步驟s44，在每5次迭代中采用作用類似于2-opt優(yōu)化的變異算子，可有效改進(jìn)解中交叉的路徑；

為驗證本發(fā)明混合算法的有效性與可行性，在cpu為i3-3220，4g內(nèi)存的硬件環(huán)境下，利用軟件matlab進(jìn)行模擬仿真，分別在二維和三維環(huán)境下對auv路徑規(guī)劃的效果進(jìn)行驗證；

首先在25×25的二維柵格環(huán)境下，使用本發(fā)明算法，算法二和傳統(tǒng)gaaa算法對auv進(jìn)行路徑規(guī)劃，設(shè)定算法仿真迭代次數(shù)均為50次，實驗結(jié)果如圖3，圖4和圖5所示；

對比圖3-5可知，在設(shè)置的仿真迭代次數(shù)(50次)下，本發(fā)明算法規(guī)劃的路徑明顯短于算法二和算法三規(guī)劃的路徑，因此本發(fā)明算法在尋優(yōu)能力上明顯較優(yōu)；

為驗證本發(fā)明改進(jìn)混合算法在不同環(huán)境下的適應(yīng)性，在500×500×500的三維柵格環(huán)境下進(jìn)行仿真。此環(huán)境下，本發(fā)明的混合算法與算法二和算法三尋找最優(yōu)路徑結(jié)果如圖6所示。

為更好的說明本發(fā)明混合算法的有效性，分別對傳統(tǒng)gaaa算法，算法二和本發(fā)明的混合算法進(jìn)行30次仿真，設(shè)置仿真次數(shù)200次，將得到的結(jié)果進(jìn)行對比分析，如表1-2所示；

表1為二維環(huán)境下仿真結(jié)果比較

通過表1可以看出，本發(fā)明改進(jìn)混合算法優(yōu)于傳統(tǒng)gaaa算法和算法二。本發(fā)明的混合算法較傳統(tǒng)gaaa算法和算法二在出現(xiàn)最優(yōu)解的次數(shù)方面提高了150％和42.9％；而第一次出現(xiàn)最優(yōu)解的迭代數(shù)則降低了31.9％和21.5％；相應(yīng)的，本發(fā)明混合算法第一次出現(xiàn)最優(yōu)解的時間縮短了35.3％和18.5％。因此，新算法不僅提高了搜索最優(yōu)解的概率，還縮短了最優(yōu)解搜索的時間和迭代次數(shù)。而三種算法最優(yōu)解和運行時間的比較，說明了新算法雖然使得程序運行時間有所增加，但第一次出現(xiàn)最優(yōu)解的時間仍有明顯優(yōu)勢。

表2為三維環(huán)境下仿真結(jié)果比較

通過表2可知，三維環(huán)境下性能指標(biāo)的變化與上表二維環(huán)境中的變化趨勢基本一致，對比表明，本發(fā)明改進(jìn)混合算法不僅收斂速度較快，尋找最優(yōu)路徑的概率同樣較大，再次驗證了本發(fā)明所提改進(jìn)算法的有效性和可行性。綜上說明，本發(fā)明混合算法相較現(xiàn)有遺傳蟻群混合算法，提高了搜索效率和最優(yōu)解的出現(xiàn)概率，得到符合最短要求的路徑。