基于改進蟻群算法的變電站巡檢機器人路徑規劃研究

謝志文，汪 政，王 銳，周 原

(廣東電網有限責任公司電力科學研究院，廣東 廣州 510080)

電網輸電工作的正常運行需要開展變電站巡檢工作。最常見變電站巡檢工作是借助人力資源，該巡檢方式消耗大量人力，人長期在變電站環境中開展巡檢工作，經常受到電磁輻射與復雜環境侵害，對于人體健康危大[1-3]。隨著科學技術的不斷進步，機器人技術逐漸進入變電站巡檢工作中，路徑規劃研究是機器人巡檢工作中至關重要的一部分。

在機器人系統內部安裝所需巡檢的環境地圖，目的地確定下來以后，機器人沿著算法規劃完成的路徑自主運行，在機器人內部安裝超聲傳感器與光視覺傳感器，以此檢測出運行前方的靜止障礙物或者運動障礙物[4-6]。有學者提出以生物認知作為基礎的機器人路徑規劃方法[7]，該方法計算過程復雜，實現路徑規劃需要經過系統復雜計算，降低機器人反應時間；還有學者將離散灰狼算法作為基礎規劃機器人的巡檢路徑[8]，該方法由于路徑規劃以路徑最短為目標，造成巡檢過程中多次出現漏巡檢的情況。

蟻群算法對螞蟻尋找食物的過程進行模擬，提出多種假設形成一種智能模式[9-10]。為變電站機器人巡檢規劃更加合理的路徑，提出了改進蟻群算法的變電站機器人巡檢規劃方法。

1 巡檢機器人路徑規劃方法

1.1 巡檢地圖構建

變電站中機器人巡檢地圖通過柵格法被劃分成眾多小柵格，一個二值表示一個小柵格，最終使用二值表示全部柵格，由此實現全區域空間在地圖上使用二值表示。實驗開展時地圖使用一個矩陣來表示，如果地圖中某一個障礙物的位置出現變化，對某個二值做出調整就能重新獲取地圖結構[11-13]。地圖構建完成以后才可以通過改進后的蟻群算法尋找最為安全、最為準確也是最短的巡檢路徑。

1.2 用于規劃機器人巡檢路徑的改進蟻群算法

1.2.1 蟻群算法數學模型

使用式(1)表示t時刻下，某個螞蟻從巡檢點i至j的概率：

(1)

式中，τij(t)與dij={i，j=1，2，…，n}分別代表范圍(i，j)上在時刻t時的信息素數量與從一個巡檢點至另一個巡檢點的距離；與分別表期望啟發因子與信息素啟發因子；在(i，j)上，ηij=1/dij表示啟發函數，該啟發函數也就是兩個巡檢點之間的期望度；AK與{C-tabUk}相等，其中tabUk等于{1，2，…，m}，同時tabUk也代表第k個螞蟻的禁忌表，該表用來統計第k個螞蟻經過的巡檢點。

正常情況下螞蟻遺留的信息素存在揮發現象，外界環境也會對螞蟻行進造成路線影響，對這些因素綜合考慮，信息素揮發情況設定ρ表示，1-ρ為經過揮發后信息素剩余量。螞蟻遍歷一次巡視后，重新更新巡視路徑上的信息素：

(2)

2.2.2 改進蟻群算法

(1)構建轉角啟發因子。把方向系數ε引入到基礎蟻群算法中，由此使得途徑選擇指向性得以提升，避免機器人轉彎角度太大導致路徑搜索時間浪費。設定圖1表示t時刻路徑搜索時機器人狀態。

圖1 路徑搜索原理Fig.1 Principle of path search

機器人巡檢過程中依次經過巡檢點1-4，如果機器人行進從巡檢點1到巡檢點2，巡檢點3和下一個巡檢路徑的起點，巡檢點4是下一個巡檢路徑的終點，當機器人巡檢到巡檢點2時，和x軸之間形成一個角度，稱為φ1，當機器人巡檢到巡檢點3時，和x軸之間形成一個角度，稱為φ2。從圖1中能夠看出，機器人巡檢的方向越接近終點越大，由此獲得轉角啟發因子：

(3)

(2) 啟發函數改進。前文中所闡述的蟻群算法并沒有對當前巡檢點與目標巡檢點之間的距離加以考慮，這一欠缺導致蟻群算法的搜索效率被降低。所以本文改進方法中引進A*算法中的估價函數，使得算法在計算過程中如果遇到自鎖情況可以自動跳出[14]。使用A*算法能夠將路徑中當前巡檢點與目標巡檢點代價估計出來，開展選擇，使得搜索范圍降低，由此確保搜索效率的提升[15]。式(4)為估計函數：

f(n)=g(n)+h(n)

(4)

式中，g(n)與h(n_)分別表示實際代價與估計代價，二者又分別是巡檢起點與當前巡檢點距離以及下個巡檢點至目標巡檢點之間的距離。

改進啟發函數為：

(5)

式中，dij相當于g(n)，也是巡檢起點與當前巡檢點的距離，djE相當于h(n)，也是當前巡檢點與目標巡檢點的距離。

(3)改進信息素揮發因子。上文所研究的基礎蟻群算法原理中，以固定值確定信息素，這種信息素內容確定方式比較單一，不適合路徑巡檢過程中分配信息素，這種情況下，巡檢初期由于信息素較少，螞蟻搜索時盲目性過高，巡檢后期大量信息素積累，干擾選擇信息素，所以這種固定值確定信息素不能搜索得到最優路徑。通過這些分析，本文對信息素揮發因子加以改進，確保信息素揮發因子符合拉普拉斯概率密度函數變化：

(6)

式中，b與μ分別表示尺度與位置的參數，如果μ與ρ相等，選取最大值作為取值。

根據拉普拉斯概率分布研究分析獲悉，路線規劃之初選取比較小的信息素因子，積累下一定量的信息素，使得螞蟻搜索路徑時提升導向性；路線規劃中期增大揮發因子，使得蟻群算法的迭代速率得到提升；路線規劃末期，降低信息素揮發因子，使得算法收斂速度加快。經過改進后的蟻群算法，在時刻下某個螞蟻從巡視點i至j的概率使用式(7)表示：

(7)

(4) 算法流程。改進蟻群算法的改進蟻群算法變電站巡檢機器人路徑規劃流程如圖2所示。

圖2 改進蟻群算法計算流程Fig.2 Calculation process of improved ant colony algorithm

改進蟻群算法變電站巡檢機器人路徑規劃步驟如下：①利用柵格法構建環境地圖；②將算法參數設定下來，確定巡檢的起始位置與巡檢終點位置；③在巡檢起點位置放置一只螞蟻，開始尋找巡檢路線；④通過概率公式確定螞蟻行進的下一個巡檢點；⑤對全部螞蟻位置開展判斷，判定每只螞蟻是否都到達巡檢終點，如果全部螞蟻已經到達巡檢終點就僅需下一步計算，如果沒有到達巡檢終點就繼續返回上一步；⑥依據改進后的信息素更新準則，更新信息素；⑦將各個螞蟻的路徑長度保存下來，對當下螞蟻最優路徑加以選擇并且對比曾經獲取的最優路徑，得到全局最優解；⑧判定迭代是否達到次數，如果已經多達迭代次數就將最優解輸出，如果沒有到達迭代次數就重新返回到步驟③，重新尋找路線。

3 具體應用實例分析

3.1 應用對象

以某市大型變電站為例，使用本文方法規劃巡檢機器人的行進路線，同時尋找出機器人巡檢的最優路徑。使用平面坐標系把該變電站布局與巡檢點標記出來，平面效果如圖3所示。

圖3 變電站平面效果及巡檢點分布Fig.3 Layout of substation plan and inspection point

在該變電站中機器人巡檢的起點是充電室，對變電站中的20個巡檢點開展巡檢，針對各個巡檢點，巡檢機器人每次只巡檢一次，待遍歷全部巡檢點后，巡檢機器人重新回到充電室之內。

3.2 相關參數設置

實驗過程中需要先確定改進蟻群算法數，這些參數包含4組，分別分為：信息素重要程度、信息素蒸發系數、啟發因子重要程度、信息素增加強度系數，分析最小路徑長度與迭代次數時，改變任意值但是確保有一個值不變，參數計算結果如圖4所示。在圖4中，只對改進蟻群算法每組參數中最優代表性的一組開展實驗分析，只改變單一變量，獲得最優參數，經過各組實驗中曲線波動收斂情況與最終獲得的最優路徑計算結果，確定各參數分別為1.0、8.0、0.4、1.0時路徑尋優效果較為理性，所以后續機器人巡檢路線規劃可以使用這4個參數。

圖4 參數選擇對迭代最短路徑影響Fig.4 Influence of parameter selection on shortest path of iteration

3.3 結果與分析

使用柵格法針對圖3中的變電站平面圖構建變電站巡檢柵格圖，圖中的自由區域與設備分布導致的障礙區域利用二值表示，改進蟻群算法規劃的機器人巡檢路線如圖5所示。

圖5 機器人巡檢路線規劃Fig.5 Robot inspection route planning

在圖5中，使用本文改進的蟻群算法規劃路徑后機器人在巡檢過程中能夠避開變電站環境中的障礙物，利用算法中螞蟻開辟的全新道路，獲得更加直接平滑的巡檢路線，加快機器人巡檢速度，這也直接證明經過改進的蟻群算法具有較強的搜索能力。

4 結語

研究改進蟻群算法的變電站巡檢機器人路徑規劃方法，在基礎蟻群算法的基礎上引入啟發因子，使得選擇路徑時具有較高的指向性，降低路徑搜索時間，避免出現機器人轉彎角過大的情況；在蟻群算法的基礎上結合A*算法，使得啟發函數得到改進，對多個巡檢點之間的距離加以考慮，進一步提升路徑規劃效率；使用拉普拉變化信息素揮發策略，使得蟻群算法的迭代速率得到提升。以實際變電站為實驗對象開展試驗，證明本文方法在規劃機器人巡檢路線時具有較高的巡檢效率與較短的巡檢時間，適合推廣使用。