国内外研究现状这些年来，我国以及外国学者对多智能体路径规划和聚集方面都有过不浅的研究成果，根据公开信息表示，浙大中一支研究队伍在粒子群优化算法方面、东南大学中研究队伍对动态路径规划方面都有较为深入的研究。接下来简要介绍一下以上几个领域以及与之相关领域的研究进展。78786

1 可移动智能体的路径规划方法

路径规划是移动智能体研究的主要内容之一，在机器人救援仿真系统中， 救援智能体所需面对的一个关键问题就是：如何在地图上找到两点之间的最短路径， 并掠照这个路径到达目的地（4］。在传统的路径规划问题中， 机器人或者智能体所在环境的路况 是不变的， 所以， 在早期的路径规划算法中， 都会提供完整的拓扑信息， 而且默认拓 扑结构是不变的， 静态的。 用于解决传统最短路径问题的经典算法主要有： D＊算法、 Dijkstra算法、 A＊算法， 这些算法确实可以在拓扑结构己知的、 静态的地图中找到最短 路径， 并已经应用到一些机器人救援仿真系统的设计ri:p[SJ。然而， 采用这种静态拓扑的 路径规划算法虽然可以基于震前的城市地图信息， 计算出－条理论上的最短路径， 但由于震后房屋倒塌、 桥梁断裂等情况随时可能发生， 这条理论上的最短路径极有可能 是被路障堵死行不通的。 基于这种情况， 国内外的很多研究人员针对智能体的动态路 径规划问题提出了许多方法， 他们主要有：论文网

1。基于蚁群算法的路径规划方法

在最近的几年里， 动态问题的优化吸引了各个领域研究人员广泛的兴趣， 他们研究出了许多性能优越的动态算法， 其中一个就是蚁群算法。 在蚂蚁的社会体系中， 他 们展示出了一种团队群体解决问题的能力， 并展示出一种很强的适应动态环境的健壮性和动态性［6］（η。由于蚂蚁在觅食的过程中会在它所经过的路径上释放一种被称为信息 素的物质， 从而， 其他蚂蚁就会根据路径上信息素的多少、 强弱程度来确定行进的方 向。 这样， 蚂蚁越多的路径上的信息素浓度就会越大， 而随着这条路径上信息素浓度的增大， 这条路径上的蚂蚁也就会越来越多， 从而形成一种正反馈。正是在这个正反 馈机制的作用下， 蚁群最终会找到一条觅食的最短路径。 针对蚁群的这种特性， 各个 领域的研究人员研究出了多种形式的蚁群算法， 其中MMAS (Max-Min）算法、 ACS

( Ant Colony System）算法和基于优化排名的蚁群算法都己经成功的应用于路径优化问 题的求解。Liu等和Bedi等成功的将改进的ACS算法应用到城市道路的路径搜索。Chen等成功的将蚁群算法应用到输水管道中， 优化了输水管道的运输过程。蚁群算法还被应用到了生物医学领域的蛋白质相互作用网络中。

2。其他研究人员提出的动态路径规划算法

王云宽等提出了一种基于几何方法的多智能体刚性运动的路径规划算法，它实行边界实时跟踪， 及时的改进算法的实时目标评价， 但这种动态算法只适用于网格型的路径搜索， 很难应用到以城市为拓扑方式的救援仿真系统中。刘丹等提出了一种将 人士势场算法局部路径搜索的灵活性与A非算法全局路径搜索的高效性相结合的路径规 划算法，把路径规划分为以下两个部分：趋向于目标的全局路径规划和躲避其它移动智 能体和未知障碍的局部路径规划，这是一种分层次的实时路径规划算法，但是这种 算法在地图动态变化的时候，会多次重复计算最短路径， 搜索速度会因此变慢。 Li等 人在具有移动障碍物的多智能体系统中，在假设移动障碍物可以被智能体预测的前提 下，提出了一种基于进化的多智能体路径搜索办法，但是这种方法没有考虑到算法陷入局部最优解的问题，所以不能满足在不可预知环境下路径规划的需要。