Aiming at the problems of slow convergence speed, poor global search ability, and unknown time-varying dynamic obstacles in path planning of ant colony algorithm in a dynamic environment, an improved ant colony optimization algorithm using time taboo strategy, namely time taboo ant colony algorithm (TTACO),is proposed. Use adaptive initial pheromone distribution, rollback strategy, pheromone preferential limit update to improve the algorithm's convergence speed and global search ability. For the poor global search ability of the algorithm and the unknown time-varying problem of dynamic obstacles in a dynamic environment, a time taboo strategy is first proposed, and on the basis of this strategy, a three-step arbitration method is proposed to improve the algorithm's global search ability. For the problem of unknown time-varying dynamic obstacles, an Occupancy grid prediction model is proposed based on the time taboo strategy to solve the problem of dynamic obstacle avoidance. In order to improve the algorithm's calculation speed when avoiding obstacles, an ant colony information inheritance mechanism is established. Finally, the algorithm is used to conduct dynamic and static simulation experiments in a simulated factory environment, and compared with similar algorithms. The experimental results show that the time taboo ant colony algorithm can obtain a better path and accelerate the algorithm convergence speed in a static environment, And can successfully avoid dynamic obstacles in a dynamic environment.

中文翻译：

---

动态环境中基于时间禁忌蚁群优化的移动机器人路径规划

针对动态环境下蚁群算法路径规划中收敛速度慢，全局搜索能力差，时变动态障碍未知等问题，提出了一种采用时间禁忌策略的改进蚁群优化算法，即时间禁忌蚁群算法。 （TTACO），建议。使用自适应初始信息素分布，回滚策略，信息素优先限制更新以提高算法的收敛速度和全局搜索能力。针对该算法全局搜索能力较弱，以及动态环境中动态障碍物未知的时变问题，提出了一种时间禁忌策略，并在此策略的基础上提出了一种三步仲裁的方法，以提高算法的有效性。该算法的全局搜索能力。针对未知时变动态障碍问题，提出了一种基于时间禁忌策略的乘员网格预测模型，以解决动态避障问题。为了提高避障时算法的计算速度，建立了蚁群信息继承机制。最后，该算法用于在模拟工厂环境中进行动态和静态模拟实验，并与类似算法进行比较。实验结果表明，时间禁忌蚁群算法在静态环境下可以获得较好的路径，加快了算法的收敛速度，可以成功地避免动态环境下的动态障碍。为解决动态避障问题，提出了一种基于时间禁忌策略的乘员网格预测模型。为了提高避开障碍物时算法的计算速度，建立了蚁群信息继承机制。最后，该算法用于在模拟工厂环境中进行动态和静态模拟实验，并与类似算法进行比较。实验结果表明，时间禁忌蚁群算法在静态环境下可以获得较好的路径，加快了算法的收敛速度，可以成功地避免动态环境下的动态障碍。为解决动态避障问题，提出了一种基于时间禁忌策略的乘员网格预测模型。为了提高避障时算法的计算速度，建立了蚁群信息继承机制。最后，该算法用于在模拟工厂环境中进行动态和静态模拟实验，并与类似算法进行比较。实验结果表明，时间禁忌蚁群算法在静态环境下可以获得较好的路径，加快了算法的收敛速度，可以成功地避免动态环境下的动态障碍。该算法用于在模拟工厂环境中进行动态和静态模拟实验，并与类似算法进行比较。实验结果表明，时间禁忌蚁群算法在静态环境下可以获得较好的路径，加快了算法的收敛速度，可以成功地避免动态环境下的动态障碍。该算法用于在模拟工厂环境中进行动态和静态模拟实验，并与类似算法进行比较。实验结果表明，时间禁忌蚁群算法在静态环境下可以获得较好的路径，加快了算法的收敛速度，可以成功地避免动态环境下的动态障碍。