用于移动机器人覆盖路径规划的快速扩展蚁群优化(FaSACO)

覆盖路径规划(CPP)旨在寻找覆盖整个给定空间的最优路径。由于NP困难性质，CPP仍是一个具有挑战性的问题。蚁群优化(ACO)等仿生算法已被用于解决该问题，因为它们可利用启发式信息降低路径规划复杂度。本文提出快速扩展蚁群优化(FaSACO)，其中蚂蚁可以不同速度探索环境。如此，速度较高的蚂蚁能更快发现目标或障碍，并通过路径上的信息素轨迹将此类信息告知低速蚂蚁。该机制确保在降低整体路径规划时间的同时找到(次)最优路径。实验结果表明，FaSACO在CPU时间上比ACO高效$19.3-32.3\%$，且比ACO少覆盖$6.9-12.5\%$的单元。这使FaSACO在实时与能量受限应用中颇具吸引力。