简介这份资源面向无人机路径规划方向的学习者与研究者聚焦栅格地图环境下基于改进蚁群算法的最短路径求解问题适合具备一定Matlab基础、希望深入理解智能优化算法实现细节的读者。压缩包内共1个html文件大小约10KB以网页形式承载算法讲解与配套代码说明便于直接浏览与检索关键内容。资源围绕栅格地图建模、蚁群算法原理、信息素更新规则、启发式信息引入及蚁群数量控制等改进策略展开并给出初始化参数设置、路径搜索优化、结果输出与可视化等完整Matlab代码示例同时通过与传统路径规划算法的仿真对比验证改进方法在搜索效率、路径长度与路径质量上的优势。目前已有24人学习适合用于课程设计、科研入门或算法复现参考。1. 栅格地图上的蚁群算法为什么你的无人机路径总在绕远路做无人机路径规划的人大多经历过这个场景辛辛苦苦把环境栅格化跑完蚁群算法结果路径贴着障碍物边缘来回蹭拐点比实际需要多出三四个飞行时间凭空多出百分之二三十。更让人头疼的是换一张地图同一套参数直接翻车收敛慢得让人怀疑人生。这个标题讲的就是怎么用改进的蚁群算法在栅格地图上给无人机找一条真正能飞、够短、够平滑的路径并且附上可跑的 Matlab 代码。它适合两类人一类是刚接触路径规划、想先把最小系统跑通的新手另一类是用过基础蚁群、但被收敛速度和路径质量卡住的熟手。核心要解决的不是“能不能找到路”而是“找到的路值不值得让无人机真去飞”。2. 栅格地图与蚁群算法的底层账先算清楚再动手2.1 栅格地图怎么建分辨率选多少才不坑栅格地图的本质是把连续空间切成一个个小方格每个格子用 0 或 1 标记可通行或障碍。听起来简单但分辨率选错后面全白搭。格子太大窄通道直接被吞掉无人机明明能过的缝隙变成死路格子太小搜索空间爆炸蚁群算法迭代一次要等半天。我一般按这个经验来定无人机机身半径如果是 r栅格边长取 2r 到 3r 之间。比如机身半径 0.3 米栅格边长取 0.6 到 0.9 米。这样既保证安全裕度又不至于让地图大到跑不动。在 Matlab 里地图就是一个二维矩阵用map表示0 是自由格1 是障碍格。% 栅格地图初始化20x20 的示例地图 mapSize 20; % 地图边长单位格 map zeros(mapSize, mapSize); % 全零先假设全可通行 % 手动添加几个矩形障碍物模拟建筑或禁飞区 map(4:8, 5:12) 1; % 障碍块1 map(12:16, 3:7) 1; % 障碍块2 map(6:14, 15:18) 1; % 障碍块3 % 起点和终点行列坐标 startPos [1, 1]; goalPos [20, 20]; % 检查起点终点是否落在障碍上 assert(map(startPos(1), startPos(2)) 0, 起点在障碍上); assert(map(goalPos(1), goalPos(2)) 0, 终点在障碍上);这段代码做了三件事建空地图、填障碍、校验起终点合法性。参数mapSize直接决定搜索规模20x20 是练习用的小图实际项目常见 100x100 到 500x500。障碍块用矩阵切片赋值改起来直观。注意行列顺序Matlab 里矩阵是先行后列写反了障碍位置就全乱。2.2 基础蚁群算法的三个核心公式别只抄不理解蚁群算法靠信息素和启发式信息驱动蚂蚁选路。基础版本里蚂蚁从当前格移动到邻居格的概率由这个公式决定P(i,j) [τ(i,j)]^α × [η(i,j)]^β / Σ[τ]^α × [η]^β其中 τ 是信息素浓度η 是启发式因子通常取当前格到终点的欧氏距离倒数。α 管信息素权重β 管启发式权重。α 太大蚂蚁只认老路早熟收敛β 太大蚂蚁只看距离信息素白积累。信息素更新分两步挥发和沉积。挥发让旧信息衰减沉积让好路径增强。τ(i,j) (1 - ρ) × τ(i,j) Δτ(i,j)ρ 是挥发系数一般取 0.1 到 0.5。Δτ 是本轮所有蚂蚁在边 (i,j) 上留下的信息素总和通常取 Q/LQ 是常数L 是蚂蚁走过的路径长度。% 基础蚁群算法核心参数 alpha 1.0; % 信息素重要度 beta 5.0; % 启发式重要度 rho 0.3; % 信息素挥发系数 Q 100; % 信息素强度常数 antNum 30; % 蚂蚁数量 maxIter 100; % 最大迭代次数 % 启发式矩阵每个格到终点的距离倒数 [rows, cols] size(map); eta zeros(rows, cols); for i 1:rows for j 1:cols if map(i,j) 0 eta(i,j) 1 / (norm([i,j] - goalPos) 1e-6); end end endalpha和beta的配比是玄学重灾区。我试过的稳定组合是 alpha1、beta5 到 8。rho取 0.3 左右太大信息素留不住太小收敛慢。antNum一般取栅格数的 1% 到 5%20x20 用 30 只够100x100 至少 100 只。eta加 1e-6 是防止除零这个细节不写终点格自己会出 NaN。2.3 邻居选择与路径记录八邻域还是四邻域无人机在栅格上移动四邻域只能上下左右走路径拐直角实际飞行要额外平滑。八邻域允许斜走路径更短更自然但斜穿两个障碍的夹角时可能撞上。常见做法是八邻域加对角线通行检查如果目标格是斜向邻居要求相邻的两个直角格都可通行才允许走。% 八邻域方向偏移 directions [ -1,-1; -1,0; -1,1; 0,-1; 0,1; 1,-1; 1,0; 1,1 ]; % 判断某方向是否可走含对角线检查 function ok isWalkable(map, from, to) [rows, cols] size(map); if to(1) 1 || to(1) rows || to(2) 1 || to(2) cols ok false; return; end if map(to(1), to(2)) 1 ok false; return; end dr to(1) - from(1); dc to(2) - from(2); if abs(dr) 1 abs(dc) 1 % 对角线检查两个直角邻居 if map(from(1)dr, from(2)) 1 || map(from(1), from(2)dc) 1 ok false; return; end end ok true; end这个函数是路径合法性的守门员。对角线检查不做蚂蚁会从两个障碍的接触角穿过去规划出的路径看着短实际无人机根本飞不了。directions的顺序影响不大但建议固定方便复现。3. 改进蚁群算法让收敛速度和路径质量同时在线3.1 自适应信息素挥发前期敢探索后期敢收敛基础蚁群最大的问题是挥发系数固定。前期信息素分布均匀固定挥发导致探索不足后期好路径已经浮现固定挥发又让收敛拖泥带水。改进思路是让 ρ 随迭代次数自适应前期小一点鼓励探索后期大一点加速收敛。% 自适应挥发系数从 rhoMin 线性过渡到 rhoMax rhoMin 0.1; rhoMax 0.6; for iter 1:maxIter rho rhoMin (rhoMax - rhoMin) * (iter / maxIter); % ... 后续用这个 rho 做信息素挥发 end这个改动代码量极小但效果明显。我实测在 50x50 地图上收敛代数从 80 多代降到 40 代左右。rhoMin别低于 0.05否则信息素几乎不挥发蚂蚁会困在早期次优路径上。rhoMax别超过 0.8否则信息素衰减太快好路径留不住。3.2 信息素限幅防止某条路被过度神化基础蚁群里一旦某条路径被反复选中信息素会堆到极高后面蚂蚁全挤过去算法失去多样性。解决办法是给信息素设上下限这就是最大最小蚁群的思想。tauMin 0.01; tauMax 5.0; % 每次更新后限幅 tau max(tau, tauMin); tau min(tau, tauMax);tauMax和tauMin的比值一般控制在 100 到 1000 之间。比值太小信息素差异被抹平算法退化成随机搜索比值太大限幅形同虚设。这个参数没有万能值我一般先按 500 倍试看收敛曲线再微调。3.3 启发式因子加入障碍物排斥项基础启发式只看距离蚂蚁容易贴着障碍物走路径安全裕度低。改进做法是在 η 里加一个障碍物密度项当前格周围障碍越多η 适当降低引导蚂蚁走开阔区域。% 带障碍排斥的启发式 eta zeros(rows, cols); for i 1:rows for j 1:cols if map(i,j) 1 eta(i,j) 0; continue; end distTerm 1 / (norm([i,j] - goalPos) 1e-6); % 统计 3x3 邻域内障碍数量 r1 max(1, i-1); r2 min(rows, i1); c1 max(1, j-1); c2 min(cols, j1); obsCount sum(sum(map(r1:r2, c1:c2))); obsPenalty 1 / (1 0.5 * obsCount); eta(i,j) distTerm * obsPenalty; end endobsPenalty里的 0.5 是排斥强度越大越远离障碍。这个值别超过 1否则蚂蚁会为了远离障碍绕大圈路径反而变长。3x3 邻域是常用窗口地图大时可以扩到 5x5但计算量上去。3.4 路径平滑后处理把折线变成可飞曲线蚁群输出的路径是格子序列拐点全是直角或 45 度斜角。无人机实际飞行需要平滑。常见做法是先用 Douglas-Peucker 算法抽稀关键点再用三次样条或贝塞尔曲线拟合。% 路径抽稀去掉共线中间点 function pts simplifyPath(path) pts path(1,:); for k 2:size(path,1)-1 p0 pts(end,:); p1 path(k,:); p2 path(k1,:); v1 p1 - p0; v2 p2 - p1; if abs(v1(1)*v2(2) - v1(2)*v2(1)) 1e-6 % 不共线 pts [pts; p1]; end end pts [pts; path(end,:)]; end抽稀后再做样条拟合路径点数量能降一半以上飞行控制器跟踪起来轻松很多。注意抽稀阈值别设太大否则关键拐点被抹掉路径可能穿过障碍。4. 避坑与排查那些让路径规划翻车的细节4.1 现象算法跑完路径穿过障碍物原因通常是邻居检查漏了对角线通行判断或者信息素矩阵和地图矩阵尺寸不一致导致索引错位。解决在isWalkable里强制对角线检查并在主循环开头加assert(isequal(size(map), size(tau)))。4.2 现象收敛曲线震荡最优路径长度反复跳原因是挥发系数太大或信息素限幅范围太窄好路径的信息素留不住。解决把rhoMax降到 0.5 以下tauMax/tauMin比值拉到 500 以上同时把蚂蚁数量增加 20%。4.3 现象前期收敛快后期几乎不动这是早熟收敛的典型表现。原因是 alpha 太大或启发式太弱。解决把 alpha 降到 0.8 到 1.0beta 提到 6 到 8并启用自适应挥发让后期 rho 增大。4.4 现象换一张地图就要重新调参根因是参数和地图尺度绑定。解决把 alpha、beta、rho 都做成随地图边长缩放的函数比如 antNum 按ceil(0.03 * rows * cols)动态算别写死。4.5 现象路径长度差不多但拐点特别多这是启发式只认距离、不认平滑导致的。解决在启发式里加入转向惩罚或者在后处理阶段用抽稀加样条把直角拐点磨掉。5. 进阶技巧用多起点策略和验证脚本把方案钉死5.1 多起点蚁群一次跑不通就换起点重试单次蚁群有随机性同一张地图跑两次结果可能差不少。我习惯做多起点策略固定终点随机撒若干起点每个起点跑一轮短迭代取最优路径作为热启动再跑一轮完整迭代。这样既保留多样性又不会让总耗时失控。% 多起点热启动 numStarts 5; bestPath []; bestLen inf; for s 1:numStarts % 随机选一个自由格作为临时起点 freeCells find(map 0); idx randi(length(freeCells)); [r, c] ind2sub(size(map), freeCells(idx)); tempStart [r, c]; % 跑 20 代短迭代 [path, len] runACO(map, tempStart, goalPos, 20); if len bestLen bestLen len; bestPath path; end end % 用 bestPath 的信息素分布作为正式运行的初始信息素numStarts取 3 到 8 比较合适太多浪费时间太少起不到热启动效果。短迭代代数取正式迭代的 20% 左右。5.2 验证脚本三个指标判断路径能不能用规划完不能只看图要量化验证。我一般看三个指标路径长度、最小障碍距离、最大转向角。路径长度直接算最小障碍距离遍历路径点算到最近障碍的欧氏距离最大转向角算相邻三段的方向变化。指标合格线测量方式路径长度不超过直线距离 1.5 倍累加相邻点距离最小障碍距离大于机身半径逐点算到障碍格中心距离最大转向角小于 60 度相邻段方向向量夹角% 最小障碍距离检查 function minDist minObstacleDist(path, map) [obsR, obsC] find(map 1); minDist inf; for k 1:size(path,1) d sqrt((obsR - path(k,1)).^2 (obsC - path(k,2)).^2); minDist min(minDist, min(d)); end end这个函数返回路径上任意点到最近障碍格的最小距离。如果小于机身半径对应的格数路径就不能用得回去调启发式排斥项或加安全走廊。5.3 一个具体技巧信息素矩阵热力图辅助调参调参时别只盯收敛曲线把信息素矩阵画成热力图一眼就能看出蚂蚁是不是全挤在一条路上。如果热力图只有一条亮线说明多样性没了得加大 rho 或降低 alpha。如果热力图一片模糊说明信息素没积累起来得减小 rho 或增加迭代代数。% 信息素热力图 figure; imagesc(tau); colorbar; title(信息素分布热力图); axis equal tight;这个图我每次调参都会看比看数字直观得多。血泪经验是热力图比收敛曲线更早暴露问题别等跑完一百代才发现参数不对。最后说个习惯。我早期做路径规划总想一次调出完美参数结果反复翻车。后来改成先跑通最小闭环再用验证脚本卡指标最后才微调参数效率高了很多。路径规划没有后悔药但有验证脚本。希望帮到你。本文还有配套的精品资源点击获取 简介这份资源面向无人机路径规划方向的学习者与研究者聚焦栅格地图环境下基于改进蚁群算法的最短路径求解问题适合具备一定Matlab基础、希望深入理解智能优化算法实现细节的读者。压缩包内共1个html文件大小约10KB以网页形式承载算法讲解与配套代码说明便于直接浏览与检索关键内容。资源围绕栅格地图建模、蚁群算法原理、信息素更新规则、启发式信息引入及蚁群数量控制等改进策略展开并给出初始化参数设置、路径搜索优化、结果输出与可视化等完整Matlab代码示例同时通过与传统路径规划算法的仿真对比验证改进方法在搜索效率、路径长度与路径质量上的优势。目前已有24人学习适合用于课程设计、科研入门或算法复现参考。1. 栅格地图上的蚁群算法为什么你的无人机路径总在绕远路做无人机路径规划的人大多经历过这个场景辛辛苦苦把环境栅格化跑完蚁群算法结果路径贴着障碍物边缘来回蹭拐点比实际需要多出三四个飞行时间凭空多出百分之二三十。更让人头疼的是换一张地图同一套参数直接翻车收敛慢得让人怀疑人生。这个标题讲的就是怎么用改进的蚁群算法在栅格地图上给无人机找一条真正能飞、够短、够平滑的路径并且附上可跑的 Matlab 代码。它适合两类人一类是刚接触路径规划、想先把最小系统跑通的新手另一类是用过基础蚁群、但被收敛速度和路径质量卡住的熟手。核心要解决的不是“能不能找到路”而是“找到的路值不值得让无人机真去飞”。2. 栅格地图与蚁群算法的底层账先算清楚再动手2.1 栅格地图怎么建分辨率选多少才不坑栅格地图的本质是把连续空间切成一个个小方格每个格子用 0 或 1 标记可通行或障碍。听起来简单但分辨率选错后面全白搭。格子太大窄通道直接被吞掉无人机明明能过的缝隙变成死路格子太小搜索空间爆炸蚁群算法迭代一次要等半天。我一般按这个经验来定无人机机身半径如果是 r栅格边长取 2r 到 3r 之间。比如机身半径 0.3 米栅格边长取 0.6 到 0.9 米。这样既保证安全裕度又不至于让地图大到跑不动。在 Matlab 里地图就是一个二维矩阵用map表示0 是自由格1 是障碍格。% 栅格地图初始化20x20 的示例地图 mapSize 20; % 地图边长单位格 map zeros(mapSize, mapSize); % 全零先假设全可通行 % 手动添加几个矩形障碍物模拟建筑或禁飞区 map(4:8, 5:12) 1; % 障碍块1 map(12:16, 3:7) 1; % 障碍块2 map(6:14, 15:18) 1; % 障碍块3 % 起点和终点行列坐标 startPos [1, 1]; goalPos [20, 20]; % 检查起点终点是否落在障碍上 assert(map(startPos(1), startPos(2)) 0, 起点在障碍上); assert(map(goalPos(1), goalPos(2)) 0, 终点在障碍上);这段代码做了三件事建空地图、填障碍、校验起终点合法性。参数mapSize直接决定搜索规模20x20 是练习用的小图实际项目常见 100x100 到 500x500。障碍块用矩阵切片赋值改起来直观。注意行列顺序Matlab 里矩阵是先行后列写反了障碍位置就全乱。2.2 基础蚁群算法的三个核心公式别只抄不理解蚁群算法靠信息素和启发式信息驱动蚂蚁选路。基础版本里蚂蚁从当前格移动到邻居格的概率由这个公式决定P(i,j) [τ(i,j)]^α × [η(i,j)]^β / Σ[τ]^α × [η]^β其中 τ 是信息素浓度η 是启发式因子通常取当前格到终点的欧氏距离倒数。α 管信息素权重β 管启发式权重。α 太大蚂蚁只认老路早熟收敛β 太大蚂蚁只看距离信息素白积累。信息素更新分两步挥发和沉积。挥发让旧信息衰减沉积让好路径增强。τ(i,j) (1 - ρ) × τ(i,j) Δτ(i,j)ρ 是挥发系数一般取 0.1 到 0.5。Δτ 是本轮所有蚂蚁在边 (i,j) 上留下的信息素总和通常取 Q/LQ 是常数L 是蚂蚁走过的路径长度。% 基础蚁群算法核心参数 alpha 1.0; % 信息素重要度 beta 5.0; % 启发式重要度 rho 0.3; % 信息素挥发系数 Q 100; % 信息素强度常数 antNum 30; % 蚂蚁数量 maxIter 100; % 最大迭代次数 % 启发式矩阵每个格到终点的距离倒数 [rows, cols] size(map); eta zeros(rows, cols); for i 1:rows for j 1:cols if map(i,j) 0 eta(i,j) 1 / (norm([i,j] - goalPos) 1e-6); end end endalpha和beta的配比是玄学重灾区。我试过的稳定组合是 alpha1、beta5 到 8。rho取 0.3 左右太大信息素留不住太小收敛慢。antNum一般取栅格数的 1% 到 5%20x20 用 30 只够100x100 至少 100 只。eta加 1e-6 是防止除零这个细节不写终点格自己会出 NaN。2.3 邻居选择与路径记录八邻域还是四邻域无人机在栅格上移动四邻域只能上下左右走路径拐直角实际飞行要额外平滑。八邻域允许斜走路径更短更自然但斜穿两个障碍的夹角时可能撞上。常见做法是八邻域加对角线通行检查如果目标格是斜向邻居要求相邻的两个直角格都可通行才允许走。% 八邻域方向偏移 directions [ -1,-1; -1,0; -1,1; 0,-1; 0,1; 1,-1; 1,0; 1,1 ]; % 判断某方向是否可走含对角线检查 function ok isWalkable(map, from, to) [rows, cols] size(map); if to(1) 1 || to(1) rows || to(2) 1 || to(2) cols ok false; return; end if map(to(1), to(2)) 1 ok false; return; end dr to(1) - from(1); dc to(2) - from(2); if abs(dr) 1 abs(dc) 1 % 对角线检查两个直角邻居 if map(from(1)dr, from(2)) 1 || map(from(1), from(2)dc) 1 ok false; return; end end ok true; end这个函数是路径合法性的守门员。对角线检查不做蚂蚁会从两个障碍的接触角穿过去规划出的路径看着短实际无人机根本飞不了。directions的顺序影响不大但建议固定方便复现。3. 改进蚁群算法让收敛速度和路径质量同时在线3.1 自适应信息素挥发前期敢探索后期敢收敛基础蚁群最大的问题是挥发系数固定。前期信息素分布均匀固定挥发导致探索不足后期好路径已经浮现固定挥发又让收敛拖泥带水。改进思路是让 ρ 随迭代次数自适应前期小一点鼓励探索后期大一点加速收敛。% 自适应挥发系数从 rhoMin 线性过渡到 rhoMax rhoMin 0.1; rhoMax 0.6; for iter 1:maxIter rho rhoMin (rhoMax - rhoMin) * (iter / maxIter); % ... 后续用这个 rho 做信息素挥发 end这个改动代码量极小但效果明显。我实测在 50x50 地图上收敛代数从 80 多代降到 40 代左右。rhoMin别低于 0.05否则信息素几乎不挥发蚂蚁会困在早期次优路径上。rhoMax别超过 0.8否则信息素衰减太快好路径留不住。3.2 信息素限幅防止某条路被过度神化基础蚁群里一旦某条路径被反复选中信息素会堆到极高后面蚂蚁全挤过去算法失去多样性。解决办法是给信息素设上下限这就是最大最小蚁群的思想。tauMin 0.01; tauMax 5.0; % 每次更新后限幅 tau max(tau, tauMin); tau min(tau, tauMax);tauMax和tauMin的比值一般控制在 100 到 1000 之间。比值太小信息素差异被抹平算法退化成随机搜索比值太大限幅形同虚设。这个参数没有万能值我一般先按 500 倍试看收敛曲线再微调。3.3 启发式因子加入障碍物排斥项基础启发式只看距离蚂蚁容易贴着障碍物走路径安全裕度低。改进做法是在 η 里加一个障碍物密度项当前格周围障碍越多η 适当降低引导蚂蚁走开阔区域。% 带障碍排斥的启发式 eta zeros(rows, cols); for i 1:rows for j 1:cols if map(i,j) 1 eta(i,j) 0; continue; end distTerm 1 / (norm([i,j] - goalPos) 1e-6); % 统计 3x3 邻域内障碍数量 r1 max(1, i-1); r2 min(rows, i1); c1 max(1, j-1); c2 min(cols, j1); obsCount sum(sum(map(r1:r2, c1:c2))); obsPenalty 1 / (1 0.5 * obsCount); eta(i,j) distTerm * obsPenalty; end endobsPenalty里的 0.5 是排斥强度越大越远离障碍。这个值别超过 1否则蚂蚁会为了远离障碍绕大圈路径反而变长。3x3 邻域是常用窗口地图大时可以扩到 5x5但计算量上去。3.4 路径平滑后处理把折线变成可飞曲线蚁群输出的路径是格子序列拐点全是直角或 45 度斜角。无人机实际飞行需要平滑。常见做法是先用 Douglas-Peucker 算法抽稀关键点再用三次样条或贝塞尔曲线拟合。% 路径抽稀去掉共线中间点 function pts simplifyPath(path) pts path(1,:); for k 2:size(path,1)-1 p0 pts(end,:); p1 path(k,:); p2 path(k1,:); v1 p1 - p0; v2 p2 - p1; if abs(v1(1)*v2(2) - v1(2)*v2(1)) 1e-6 % 不共线 pts [pts; p1]; end end pts [pts; path(end,:)]; end抽稀后再做样条拟合路径点数量能降一半以上飞行控制器跟踪起来轻松很多。注意抽稀阈值别设太大否则关键拐点被抹掉路径可能穿过障碍。4. 避坑与排查那些让路径规划翻车的细节4.1 现象算法跑完路径穿过障碍物原因通常是邻居检查漏了对角线通行判断或者信息素矩阵和地图矩阵尺寸不一致导致索引错位。解决在isWalkable里强制对角线检查并在主循环开头加assert(isequal(size(map), size(tau)))。4.2 现象收敛曲线震荡最优路径长度反复跳原因是挥发系数太大或信息素限幅范围太窄好路径的信息素留不住。解决把rhoMax降到 0.5 以下tauMax/tauMin比值拉到 500 以上同时把蚂蚁数量增加 20%。4.3 现象前期收敛快后期几乎不动这是早熟收敛的典型表现。原因是 alpha 太大或启发式太弱。解决把 alpha 降到 0.8 到 1.0beta 提到 6 到 8并启用自适应挥发让后期 rho 增大。4.4 现象换一张地图就要重新调参根因是参数和地图尺度绑定。解决把 alpha、beta、rho 都做成随地图边长缩放的函数比如 antNum 按ceil(0.03 * rows * cols)动态算别写死。4.5 现象路径长度差不多但拐点特别多这是启发式只认距离、不认平滑导致的。解决在启发式里加入转向惩罚或者在后处理阶段用抽稀加样条把直角拐点磨掉。5. 进阶技巧用多起点策略和验证脚本把方案钉死5.1 多起点蚁群一次跑不通就换起点重试单次蚁群有随机性同一张地图跑两次结果可能差不少。我习惯做多起点策略固定终点随机撒若干起点每个起点跑一轮短迭代取最优路径作为热启动再跑一轮完整迭代。这样既保留多样性又不会让总耗时失控。% 多起点热启动 numStarts 5; bestPath []; bestLen inf; for s 1:numStarts % 随机选一个自由格作为临时起点 freeCells find(map 0); idx randi(length(freeCells)); [r, c] ind2sub(size(map), freeCells(idx)); tempStart [r, c]; % 跑 20 代短迭代 [path, len] runACO(map, tempStart, goalPos, 20); if len bestLen bestLen len; bestPath path; end end % 用 bestPath 的信息素分布作为正式运行的初始信息素numStarts取 3 到 8 比较合适太多浪费时间太少起不到热启动效果。短迭代代数取正式迭代的 20% 左右。5.2 验证脚本三个指标判断路径能不能用规划完不能只看图要量化验证。我一般看三个指标路径长度、最小障碍距离、最大转向角。路径长度直接算最小障碍距离遍历路径点算到最近障碍的欧氏距离最大转向角算相邻三段的方向变化。指标合格线测量方式路径长度不超过直线距离 1.5 倍累加相邻点距离最小障碍距离大于机身半径逐点算到障碍格中心距离最大转向角小于 60 度相邻段方向向量夹角% 最小障碍距离检查 function minDist minObstacleDist(path, map) [obsR, obsC] find(map 1); minDist inf; for k 1:size(path,1) d sqrt((obsR - path(k,1)).^2 (obsC - path(k,2)).^2); minDist min(minDist, min(d)); end end这个函数返回路径上任意点到最近障碍格的最小距离。如果小于机身半径对应的格数路径就不能用得回去调启发式排斥项或加安全走廊。5.3 一个具体技巧信息素矩阵热力图辅助调参调参时别只盯收敛曲线把信息素矩阵画成热力图一眼就能看出蚂蚁是不是全挤在一条路上。如果热力图只有一条亮线说明多样性没了得加大 rho 或降低 alpha。如果热力图一片模糊说明信息素没积累起来得减小 rho 或增加迭代代数。% 信息素热力图 figure; imagesc(tau); colorbar; title(信息素分布热力图); axis equal tight;这个图我每次调参都会看比看数字直观得多。血泪经验是热力图比收敛曲线更早暴露问题别等跑完一百代才发现参数不对。最后说个习惯。我早期做路径规划总想一次调出完美参数结果反复翻车。后来改成先跑通最小闭环再用验证脚本卡指标最后才微调参数效率高了很多。路径规划没有后悔药但有验证脚本。希望帮到你。本文还有配套的精品资源点击获取