[Paper] 以信息素为中心的蚁群优化算法用于路径规划

Source: arXiv - 2601.07597v1

概述

本文介绍了 Pheromone‑Focused Ant Colony Optimization (PFACO)，这是经典蚁群优化（ACO）算法的改进版本，旨在解决复杂环境中路径规划任务常见的收敛缓慢和搜索不聚焦的问题。通过将信息素沉积引导至搜索空间中更有前景的区域，PFACO 能提供更快、更高质量的路径——这一进步可以为机器人导航、物流路线规划乃至游戏 AI 路径寻找节省数分钟时间。

关键贡献

• 针对性的初始信息素布局 – 使用欧几里得距离到起点/终点节点，在更有可能包含最优路径的区域播种信息素。
• 对有前景解的动态强化 – 在每次迭代中放大高质量路径上的信息素，加速收敛同时保持多样性。
• 前瞻性转弯惩罚机制 – 抑制不必要的弯曲，产生更平滑、更高效的轨迹。
• 全面的实验验证 – PFACO 在基准路径规划问题上始终在速度和解的质量上优于多种最先进的 ACO 变体。

方法论

1. 问题表示 – 环境被建模为一个图，其中节点对应于航路点，边对应可通行的连接。
2. 初始信息素分布 – 与均匀起始不同，PFACO 计算每个节点到起点和目标的欧氏距离。位于两者之间直线更近的节点会获得更高的初始信息素水平，从而使早期蚂蚁行走倾向于感兴趣的“走廊”。
3. 蚂蚁行走与解的评估 – 每只蚂蚁依据当前信息素图和启发式信息（通常为距离的倒数）以概率方式构建路径。完整路径生成后，计算其代价（例如长度、转弯次数）并进行评估。
4. 强化与更新 – 表现最好的蚂蚁会在其经过的边上额外沉积信息素，而所有蚂蚁都会执行标准的蒸发步骤。这种双层更新在提升优秀路径信息素的同时，不会完全抹去探索的可能性。
5. 前瞻惩罚 – 在路径构建过程中，算法会前瞻一步：如果加入某条边会相对于前一段产生剧烈转弯，则对该转移概率施加惩罚，促使蚂蚁倾向于更平滑的路径。
6. 迭代循环 – 步骤 3‑5 重复进行，直至满足停止准则（最大迭代次数或收敛阈值）。

整体流程对使用过经典 ACO 的人来说仍然熟悉，但这三种“聚焦”机制使搜索更加有针对性。

Source: …

结果与发现

• 收敛速度 – PFACO 在网格基和随机生成的图上，以大约 40‑60 % 更少的迭代次数 达到接近最优的解，相比标准 ACO 及其最新变体。
• 解的质量 – 最终路径长度平均 缩短 5‑12 %，转向次数下降 15‑25 %，验证了转向惩罚组件的有效性。
• 鲁棒性 – 在不同障碍密度和图规模（从 50 到 500 节点）下，PFACO 保持了稳定的性能，而部分基线算法出现发散或陷入局部最小。
• 可扩展性 – 由于聚焦信息素初始化和前瞻检查引入的计算开销极小（< 3 % 额外运行时间），PFACO 适用于实时或准实时应用。

实际意义

• 机器人与自动驾驶车辆 – 更快的收敛意味着车载规划器能够在出现障碍时即时重新规划路线，提高安全性和响应速度。
• 物流与车队管理 – 更平滑的路线直接转化为燃油节省和递送车辆磨损降低，尤其在密集的城市网格中。
• 游戏开发与仿真 – NPC（非玩家角色）能够计算出更真实、抖动更少的路径，无需昂贵的后处理，提升玩家沉浸感。
• 网络路由与物联网 – 同样的原理可用于数据包路由，通过最小化跳数并避免“转弯”（即不必要的协议切换）来提升延迟表现。
• 集成简便 – PFACO 可以无缝接入现有的 ACO 框架，只需最少的代码修改——替换信息素初始化、更新规则，并加入转弯惩罚检查。

限制与未来工作

• 启发式依赖 – PFACO 仍然将欧几里得距离作为主要启发式；在高度非欧几里得空间（例如带有风场的三维空中导航）中，初始聚焦可能效果不佳。
• 参数敏感性 – 转向惩罚强度和强化因子需要针对不同领域进行调参；自动参数自适应尚未探索。
• 动态环境 – 实验在静态图上进行；将 PFACO 扩展到持续变化的地图（例如移动障碍物）仍是一个未解决的挑战。
• 混合化 – 作者建议将 PFACO 与局部搜索或基于机器学习的预测模型相结合，以进一步提升性能，这是一条有前景的未来研究方向。

作者

• Yi Liu
• Hongda Zhang
• Zhongxue Gan
• Yuning Chen
• Ziqing Zhou
• Chunlei Meng
• Chun Ouyang

论文信息

• arXiv ID: 2601.07597v1
• 分类: cs.NE, cs.AI
• 发布时间: 2026年1月12日
• PDF: 下载 PDF