MuL_ACO

本文提出了一种互学习自适应蚁群优化算法（MuL-ACO），用于复杂不平坦 环境下移动机器人的路径规划。MuL-ACO由两个独立且连续的算法组成，依次完成路径生成和优化。首先，基于模拟退火算法（SA）的去温功能，自适应调整信息素挥发因子，从而加速蚁群算法的收敛。其次，提出了一种相互学习的轨迹优化算法来生成初始路径的节点特征。每个节点向其他节点学习以生成最优路径节点，从而优化平滑度并最小化路径长度。 此外，为了适应室外不平坦的环境，对高特征的二维地图进行建模，将高度信息作为重要的考虑因素引入到MuL-ACO中。仿真结果表明，该方法可以快速生成高综合质量的 无碰撞路径。