基于蟻群算法的新能源汽車最優行駛路徑規劃

摘要：為了提高新能源汽車的行駛效率、更有效地利用能源，文章提出了基于蟻群算法的最優行駛路徑規劃方法。在建立新能源汽車運動學模型后，利用蟻群算法確定新能源汽車的活動路徑節點參數，從而構建路徑規劃目標函數，再通過求解目標函數，得到最優的行駛路徑規劃結果。實驗結果表明，該方法能夠有效規劃出起點與終點之間的最短路徑，縮短新能源汽車的行駛距離，提高行駛效率。

關鍵詞：蟻群算法；新能源汽車；行駛路徑；路徑規劃

中圖分類號：TP399

文獻標志碼：A

0 引言

作為一種新興的運輸方式，新能源汽車在環境保護和節能方面有著明顯的優勢。在這一社會背景下，實現新能源汽車的最優行駛路徑規劃，提高其行駛效率并降低能耗，是相關領域亟待解決的問題。

蟻群算法模仿螞蟻覓食行為，具有自組織、魯棒性、正反饋等優點，被廣泛應用于路徑規劃、任務調度等領域^［1］。因此，本文提出了一種基于蟻群算法的新能源汽車最優行駛路徑規劃方法，通過模擬螞蟻在覓食過程中所表現出的信息素傳遞機制，根據路徑上的信息素濃度動態選擇最優路徑，以實現新能源汽車的最優行駛路徑規劃。

1 方法設計

1.1 建立新能源汽車規劃的運動學模型

為了實施新能源車輛計劃的運動規劃，本研究利用小擾動分析方法對新能源汽車進行動力學建模^［2］。首先，融合新能源汽車在行駛過程中的姿態信息，利用誤差反饋對其進行跟蹤修正，得到新能源汽車路徑規劃的傳輸方程：

公式（1）中，w（k）為新能源汽車軸系慣量協方差矩陣；A、B、C、D為新能源汽車質心分布矩陣參數；n為自變量維度控制約束，是一個正整數；ΔA、ΔB為新能源汽車避障穩態誤差增益。在此基礎上，結合姿態陀螺儀和加速度傳感器，對新能源汽車進行軌跡、姿態采樣，構造用于新能源車輛計劃的控制器，所述控制器表示為：

在建立控制器后，本研究將系統的步態運動特性與阻尼參數作為自鎮的定性調控參數，通過線性規劃設計與自適應處理，獲得參數融合與信息處理功能，具體如下：

公式（3）中，i為新能源汽車的模糊度參數；u（x）為新能源汽車路徑空間的測量矩陣；z（x）為基于終端位姿的新能源汽車航跡分配空間矩陣；b為矩陣維數。將參數融合與信息處理結果相結合，構建新能源汽車的運動學模型，其表達為：

公式（4）中，m為新能源汽車路徑規劃的約束狀態參數變量^［3］。

1.2 基于蟻群算法確定新能源汽車活動路徑節點參數

以上述構建的新能源汽車的運動學模型為基礎，本研究利用蟻群算法中的信息素原理，確定新能源汽車的運動學模型活動路徑節點參數。

考慮到新能源汽車在真實的運動空間中的大幅度轉彎情況會受到很大的影響^［4］，因此，本研究選擇路徑節點自適應參數，在新能源汽車轉彎的過程中，通過調整參數的方式，對周圍環境中的障礙物進行規避，其公式為：

公式（5）中，?為計算過程中的調整系數；M_max為計算過程中的最大迭代次數；M為蟻群算法中當前迭代次數。這考慮到蟻群算法在使用中具有一定的搜索特征^［5］。

1.3 構建路徑規劃目標函數

利用基于蟻群算法確定新能源汽車活動路徑節點參數，本研究構建了一個路徑規劃目標函數。這個目標函數將衡量路徑規劃的效果，并指導蟻群算法的搜索過程。路徑規劃目標函數的構建是基于對路徑節點參數的綜合考慮，旨在實現路徑規劃的最優化。本研究假設新能源汽車從起點到終點的路徑節點數為N，各節點之間的距離為L，信息素量為J。路徑規劃的目標是在滿足行駛時間、安全、效率等約束條件下，最小化行駛路徑長度^［6］。路徑規劃目標函數如下所示：

公式（6）表示將路徑長度和信息素量2個因素結合起來，形成一個綜合的目標函數值。其中，L表示一個節點到另一個節點的距離，J表示節點與節點之間的信息素量。

1.4 目標函數的求解

針對上述構建的路徑規劃目標函數，本文結合啟發式函數優化法，對目標函數進行優化求解，從而實現路徑規劃與優化。假設搜索節點的代價函數為f（x），函數表達式如下所示：

f（x）=g+h+f """（7）

公式（7）中，g代表搜索節點的實際代價，h代表代價評估值。在采用上述代價函數對路徑規劃目標函數進行求解時，由于缺乏對移動距離的限制，導致求解出的路徑規劃結果可能存在路徑較長的問題^［7］。因此，本文引入啟發式函數，對上述代價函數進行優化，從而優化目標函數的路徑規劃效果。啟發式函數如下所示：

公式（8）中，D₁和D₂分別代表當前位置到目標點的具體以及原始位置到目標點的距離。

通過上述步驟即可完成對路徑規劃優化目標函數的求解。至此，基于蟻群算法的新能源汽車最優行駛路徑規劃方法設計完成。

2 實驗與分析

為了深入驗證基于蟻群算法的新能源汽車最優行駛路徑規劃方法的可行性，在理論部分完成后，對本文所提方法的實際路徑規劃效果進行嚴格檢驗。

2.1 實驗準備

為驗證本文方法的優勢，采用仿真實驗的方式對此方法的應用效果加以驗證。實驗中，本研究選取了2種常規的路徑規劃方法作為參照對象。這2種方法分別是楊鋮等^［1］提出的基于改進NeRF-Navigation的移動機器人三維路徑規劃方法（傳統方法1）和薛光輝等^［2］提出的基于改進概率路線圖算法的煤礦機器人路徑規劃方法（傳統方法2）。在實驗環節中，構建了一個實驗平臺，確保實驗的公正性和準確性。在這個平臺上，采用這3種路徑規劃方法對同一個行駛路徑進行規劃，然后對比不同方法下的實際規劃效果。

本次實驗在 MATLAB R2018b 軟件中完成。在本次實驗中，設定了新能源汽車的活動范圍為10 km×10 km的區域，采用柵格法將其細分為20×20個規模的地圖。給定起點與終點，并在地圖上設置了2個動態障礙物以及多個不規則靜態障礙物。這些障礙物分別代表了實際道路上的車輛、行人、建筑物等，以模擬真實的道路環境。這種設置使得實驗更具有實際意義，能夠更好地測試新能源汽車的路徑規劃能力。在實驗空間中，放置了3臺信號相同的新能源汽車，并確保它們具有相同的運行速度。動態障礙物的運動速度也與新能源汽車相匹配，遵循預設的運動軌跡。這種設置確保了實驗的公平性，使得不同路徑規劃方法能在同一條件下進行比較。為了確保安全，新能源汽車與障礙物之間的安全距離設定為0.5個柵格距離。這個安全距離的設定是基于對實際道路安全距離的考慮，旨在確保新能源汽車在行駛過程中不會與障礙物發生碰撞。為了便于控制實驗環境參數，將新能源汽車的運動環境進行了仿真，如圖1所示。

圖1中，灰色的四邊形為靜態障礙物，它們不規則地分布在地圖上，模擬了實際道路上的各種固定障礙物，如建筑、樹木等。圓形代表實驗過程中的運動物質，包括動態障礙物和新能源汽車。其中，黑色圓形表示動態障礙物，它們的運動方向由箭頭指示。白色圓形代表新能源汽車，同樣根據箭頭的指向表示其運動方向。

2.2 結果分析

對比3種方法規劃的路徑長度，結果如圖2所示。

分析圖2可以看出，隨著檢測次數的增加，3種方法所檢測出的路徑長度都在逐漸增加。但在3種方法中，本文方法規劃的路徑長度是最短的。這說明相較于其他2種方法，本文方法在規劃新能源汽車的最優行駛路徑時更為有效，它能夠更精確地找到起點與終點之間的最短路徑，從而減少行駛距離，提高行駛效率。

3 結語

本研究設計了基于蟻群算法的新能源汽車最優行駛路徑規劃方法，通過模擬螞蟻的信息素傳遞機制，尋找從起點到終點的最優路徑。該方法能夠充分利用道路資源，降低行駛過程中的能耗，提高行駛效率。

隨著新能源汽車的普及和智能化技術的發展，基

于蟻群算法的最優行駛路徑規劃方法將發揮越來越重要的作用。期待它在未來的新能源汽車領域中發揮更大的價值，為推動綠色出行和可持續發展作出更大的貢獻。

參考文獻

［1］楊鋮，侯耀斐.基于改進NeRF-Navigation的移動機器人三維路徑規劃方法［J］.電腦知識與技術，2023（24）：14-17，26.

［2］薛光輝，劉爽，王梓杰，等.基于改進概率路線圖算法的煤礦機器人路徑規劃方法［J］.工礦自動化，2023（6）：175-181.

［3］程淼海，郭濤，項明明，等.基于改進蟻群算法的電力信息網絡設備智能巡檢機器人路徑規劃方法［J］.自動化與儀表，2023（3）：40-43，58.

［4］于飛，盧朝霞.基于改進蟻群算法的四足巡檢機器人全局路徑規劃方法［J］.制造業自動化，2022（7）：154-157.

［5］李鵬，閔小翠，王建華.基于改進蟻群算法的巡檢機器人避障路徑規劃方法設計［J］.機械與電子，2022（2）：71-74，80.

［6］張曉曄，謝志文，吳暉.基于時間柵格法和最優搜索的電網巡檢機器人避障路徑規劃方法［J］.機械與電子，2021（9）：71-75.

［7］張寶華.電子商務環境下艦船供應鏈物流配送最優路徑規劃方法［J］.艦船科學技術，2020（8）：178-180.

（編輯 沈 強）

Optimal driving path planning for new energy vehicles based on ant colony algorithm

Teng" Zhuoyi

（Guangxi Modern Vocational and Technical College， Hechi 547000， China）Abstract： In order to improve the driving efficiency of new energy vehicles and make more effective use of energy， this study proposes an optimal driving path planning method based on ant colony algorithm. After establishing the kinematic model of new energy vehicles， this study uses ant colony algorithm to determine the activity path node parameters of new energy vehicles， thereby constructing a path planning objective function. Then， by solving the objective function， the optimal driving path planning result is obtained. The experimental results show that this method can effectively plan the shortest path between the starting and ending points， shorten the driving distance of new energy vehicles， and improve driving efficiency.

Key words：ant colony ；new energy vehicles; driving path; path planning