移动机器人路径规划是机器人学中的一个重要研究领域，旨在寻找从起点到目标点的安全、高效路径。传统的蚁群算法（Ant Colony Optimization, ACO）是一种常用的路径规划方法，它模拟了蚂蚁在寻找食物过程中留下的信息素轨迹来探索解决方案。然而，在复杂环境中，单纯使用蚁群算法可能会导致路径规划的效率降低，甚至出现死锁问题。
针对这些问题，该研究提出了一种改进的双层蚁群算法。在这一算法中，蚂蚁被分为引导层蚁群和普通层蚁群。引导层蚁群主要负责全局路径的探索，而普通层蚁群则处理局部路径优化。这样的分层设计有助于提高算法的搜索效率和路径的平滑度。
为了加速算法的收敛速度和提高路径的平滑性，引导层的蚂蚁在设计启发函数时对终点网格赋予更大的吸引力，而普通层的蚂蚁启发函数同时考虑起点、终点和转折点的影响，使得路径选择更加灵活且考虑了全局信息。
对于复杂环境下可能出现的死锁问题，引导层蚁群采用自由寻路-剪枝策略。当引导层蚂蚁陷入死锁时，能够快速跳出并重新规划路径，从而避免了算法在局部最优解中停滞不前。
为了进一步提高算法的运行效率，每次迭代后只对较短路径进行信息素更新，并在信息素更新公式中引入次优路径抑制因子。这一策略鼓励蚂蚁探索不同的路径，增强不同层蚂蚁之间的协同作用，防止过早陷入局部最优。
通过仿真实验，该算法在大规模环境和复杂障碍环境中显示出了良好的可行性和高效性，同时也表现出很好的鲁棒性，即在面对环境变化时仍能保持稳定的表现。
总结来说，该研究提出的改进双层蚁群算法为移动机器人路径规划提供了一个新的视角。通过优化蚁群结构和启发式策略，该算法有效地解决了传统蚁群算法在复杂环境中的效率和死锁问题，提高了路径规划的质量。这种创新的方法对于未来移动机器人在各种复杂场景下的自主导航具有重要的参考价值。
