低碳生态社区的规划实践
1国外低碳生态社区实践基本概况
低碳生态社区的实践主要集中在欧美发达资本主义国家，社区的人口规模都相对较小，300人以下居多，外国相关学者曾根据生态社区所处的位置、规模大小等特征将其分为乡村生态社区、城市绿化带地区项目、城市更新项目和生态城镇等四种类型［3］。而国外生态社区的建设策略包括以下几个方面:1)合理开发棕地，减少城市的扩张，保护生态环境。2)提倡绿色出行，通过采取限制停车位设置、进行道路路面特殊铺装等措施，积极倡导非机动车的应用。3)有效利用能源，实现能源的可循环利用与建筑的节能设计。4)强调社区的公共参与性。
2国内低碳生态社区实践概况
我国低碳社区建设刚刚起步，对低碳社区的研究处于摸索阶段。2010年的上海世博会更是以低碳为口号，同时以万科、万通、郎诗、当代等企业为代表的中国城市房地产开发策略联盟也发起了低碳绿色运动。固然我国的生态社区建设有很多成功的案例，但由于我国实际的国情与现状，低碳生态社区的建设和发达国家仍存在很大差距。从社区规模而言，我国的社区人口在5000人～10000人，这无疑从技术层面上增加了建设低碳生态社区的难度;从组织管理而言，我国居民的公众参与意识薄弱，生态保护重视度不够;从评价指标体系而言，未建立合理的低碳生态社区的评价指标体系，无法进行界定，这些都是我国低碳生态社区建设落后于发达国家的原因。
低碳社区规划的可持续发展路径
在低碳生态社区的建设与运营体系中，规划设计、建设、验收与使用管理应该是一个完整的生命周期，因此实现它们的分步发展与整体协调是实现低碳生态社区的重要途径。
1规划设计的可持续性
1)土地布局规划:功能混合的土地利用模式与紧凑的空间布局形态。城市的活力在于不同城市功能的混合和人类活动的流动，土地使用兼容性制度为土地使用的混合和多元化提供可能［5］。现代主义过分强调城市的功能分区，使居住区与商业区彼此分离，从而造成多样性城市生活的消失，人文气息逐渐散去，取而代之的是千城一面的城市景观。因此，在低碳生态社区规划中，应首先抛弃功能主义的束缚，强调多种功能的混合，在社区中合理布置商店、医院、学校等公共设施和户外活动场所，增强社区各功能空间的有机联系，不仅可以创造更好的邻里关系，也可以达到节约资源、能源，保护生态环境的目的。2)交通系统规划:步行交通系统与绿色出行方式。社区对内交通应建立完善的步行交通系统，保障社区居民的日常生活都在步行可达的范围之内，以减少居民的出行需求，达到减少机动车交通为目标。同时在社区对外交通规划中，为营造低碳生态社区，社区内应提供良好的交通联系，包括公交车线路和轨道交通线路，倡导以清洁能源为主体的公共交通体系，提倡人们采用更为绿色的出行方式。3)社区生态环境系统规划:低碳生态社区的规划应注重内在各系统的协调发展和各种生态流的畅通［5］，使社区生态系统向有序理智可持续发展的方向转变。利用绿地生态系统中的“碳中和”功能，以尊重自然为前提，建立完整的生态系统网络，采用斑块廊道基质等景观生态学的理论方法，增加社区内部物质流和能量流的交换，保持社区内生态系统的平衡。
2建筑设计与建设的可持续性
1)建筑的高效节能设计:绿色建筑应注重使用保温材料和构造，提高建筑热环境性能，同时高效利用太阳能、风能等可再生能源，使建筑自身达到自给自足的可持续状态。具体做法如:可在建筑的内外表面采用高性能的保温材料、高效节能玻璃等，从而对建筑物起到保温隔热的作用;采用外墙隔阴和屋顶隔热的措施，控制建筑物对热量的吸收;采用自然通风降温手段减少耗能与空调费用。2)健康环保建筑材料:在城市低碳生态社区的建设中，采用的健康建筑材料不仅仅是人们对安全居住环境的需求，同时可以减少这类材料对环境的负面影响，还可以延长住宅的寿命，有利于减少对资源和能源的消耗，以达到城市低碳生态社区可持续发展的目的。
3使用管理与运营体系的可持续性
1、城市规划是调控房地产开发的宏观依据。城市规划是一种整体的、长期的行为，而房地产开发是一种个体的、短期的活动。城市规划对房地产开发的影响主要体现为：
城市规划对房地产开发起着规范和管制作用。城市规划区内的土地使用和各项建设必须符合城市规划，服从规划管理。因为在市场经济条件下，房地产开发商由于受到自身利益的驱使，往往只考虑到自己的经济效益，而忽视全局和社会利益。在具体的开发过程中体现为部分房地产开发商任意提高容积率或建筑密度或占用公共绿地。2010年8月，湖南省长沙市就发生了因开发商擅改容积率致使500户居民告规划局不作为的事件。长沙市广汇房地产公司在原告们居住的小区附近新建了一个名叫兰亭峰景的楼盘，楼盘有4栋高楼，其中3栋为连体楼盘。这些高楼几乎都存在楼层加高、与原告们居住小区距离太近等问题。自从这些30多层的“摩天高楼”建起来之后，原告们大白天都要开灯才能够生活。特别是冬季，寒冷的北风本来就让人难受，回流过来的北风更是雪上加霜。原本日照、采光、通风都很好的情况不复存在，严重影响到原告居民的正常生活。成为因擅自改变建筑容积率、被国土资源部披露并挂牌督办的湖南协力房地产开发(集团)有限公司开发的“铂宫”案后的又一社会反响强烈的事件。因此，有必要通过城市规划对房地产开发行为进行规范和管制。
城市规划影响房地产开发效益。影响房地产开发效益的因素很多，城市规划就是其中的主要因素。城市规划通过影响地价从而影响房地产开发效益。城市的性质、职能、规模，城市土地配置的合理程度、用地功能布局以及城市建设总体容量控制标准从总体层面上决定了城市地价的高低，这些因素主要都是由城市规划决定的。
城市规划指导和促进房地产开发。由于城市规划是一个城市在比较长的一段时间内的发展蓝图。因此，城市规划都是建立在详细调查和科学论证的基础上的，具有一定的前瞻性和指导性。
2、房地产开发是实现城市规划合理化的有效手段。房地产开发是实现城市规划的有效手段。房地产开发，尤其是房地产综合开发，由于能够较好解决规划和实施的矛盾，从根本上克服分散建设的不足，成为实施城市总体规划的有效手段。在市场经济条件下，城市规划在实施过程中可借助房地产开发这一经济手段来调节和促进城市的用地结构、布局形态和功能分区等趋于合理。
房地产开发可以促进城市用地结构的合理化。在计划经济体制下，我国的城市用地结构极不合理和土地资源得不到合理配置。房地产开发热的兴起和城市土地的有偿使用在很大程度上改变了这种状况，促进了城市规划的发展。地价促进了城市用地结构的合理化，通过集中合并，综合开发等途径，提高了城市土地的经济效益和利用效率。
二、房地产开发与城市规划的相关性分析
1、从城市规划和房地产开发内涵、性质不同来看。在编制城市规划和进行房地产项目开发过程中，各自考虑问题的侧重点也不同。从发展战略方面看，城市规划侧重于从宏观角度分析城市的发展条件，确定城市的发展方向，而房地产开发则多从微观角度考虑企业的发展；从时间上看，城市规划侧重考虑长远的和远景的效果，兼顾近期发展，而房地产开发更注重近期的效果；从空间上看，城市规划注重整体的空间结构组织和各类用地功能的配置，而房地产开发则多从局部考虑项目的区位选择；从效益看，城市规划注重研究经济效益、社会效益和环境生态效益的相互统一，侧重研究降低社会边际成本，提高整体综合效益，而房地产开发更关心开发项目、开发宗地或企业经济效益；从信息反馈角度看，城市规划侧重听取市民的反馈意见，满足大多数市民的需要，而房地产开发侧重搜集市场信息，适应市场的需要。所以，城市规划和房地产开发是宏观和微观、整体与局部、长期与短期关系，后者服从前者、前者应兼顾后者的相辅相成关系。又因其侧重点不同而产生矛盾。如何处理两者的关系影响着城市未来的建设和发展。
2、从城市规划的不同分类对房地产开发的指导来看。房地产开发中的商品房建设是城市建设的主要组成部分之一。房地产开发和商品房建设，也要接受城市规划的指导，纳入到城市统一规划之中。但是，城市规划是有层次的，各层次的规划对房地产开发的指导作用是不同力度的。
一般来说，城市总体规划对房地产开发的指导主要体现在三方面：指明房地产开发用地的方向和地段；确定房地产业的开发规模、时序和步骤；安排房地产项目用地周围的环境和配套设施。分区规划的指导作用更加具体，尤其是在如下两方面要更加明确：确定居住区、片区、组团的划分，大致框定各居住区、片区、组团的用地范围和人口规模；指明各居住区、片区、组团的建筑及用地容量控制指标。详细规划对房地产开发的指导性、控制性更强，规定各地块建筑密度、容积率等控制指标，规定建筑后退红线距离，建筑间距；提出各地块建筑体量、色彩等要求。因此，以为有了总体规划就可以对房地产开发进行完全的指导，或者要求总体规划就做到像详细规划那样来指导房地产开发都是不切实际和无法做到的。
三、房地产开发与城市规划协调发展的路径
随着中国城市化快速来临和科学发展观的确立，追求城市综合效益的最大化是成为现代化城市发展的最终目标，城市规划与房地产开发经营协调发展则是实现这一目标的现实选择。因此，在科学发展观的指导下，寻求促进城市规划与房地产开发经营协调发展的有效途径，已经成为当前城市建设工作的重点之一。
1、城市规划应加强对房地产开发的管理。必须增强规划的超前意识。城市规划超前不仅能使房地产开发部门有一定的时间、思想和物质准备按照规划进行开发建设，而且能影响房地产开发的投资方向、策略，促进房地产业健康发展。各城市应根据各地的实际情况，以市场经济为前提，以《城市规划法》为依据，超前规划，并注重城市规划的法律效力对房地产开发全过程的宏观制约作用发挥。以嘉定新城建设为例，政府从嘉定可持续发展角度，超前制定了符合城市长期发展的总体规划，合理配置多项城市配套功能，努力规划建设生态优美、产业繁荣、配套完善、交通发达的宜居、宜业、创业、创新的现代城市。在超前规划的同时，新城建设还进一步强化了详细规划的编制和管理，从而引领和促进各类资源集聚。目前、新城建设“千米一湖、百米一林、河湖相串、荷香满城”的景观生态系统已现雏形；汽车产业集聚和区域总部的引入，打牢了
新城的产业地基，产城融合已稳步推进；酒店集聚区、大剧院和各类名校等配套功能性项目相继开工以及轨道交通11号线正式开通运营，已初显新城宜居城市的魅力。嘉定新城始终坚持“规划设计先行、基础设施先行、功能性项目先行”的开发理念：在建设管理上坚持“三名”即“名人、名牌、名城”的原则，邀请名师设计，引进名牌企业，建设名牌项目，为打造了生态宜居、产城融合、功能完善、富有内涵的江南名城提供了先决保障。
2、房地产开发要符合城市规划。房地产开发要符合城市规划，就要配合政府宏观调控和规划，不能违规操作。其次，在政府领导下，小区规划、建筑风格定位、产品定位、产品配套等方面，也要结合市场以及城市规划、城市发展定位、城市人文文化和风土人情。例如，在“绿洲香格丽花园”项目开发时，根据详细规划，我们在尊重自然生态和环境保护的前提下，结合原有河道系统和人工创造的景观体系，最大程度地拓展水体在小区内的存在价值和主题内涵，营造出极具浓郁地域特色的嘉定水乡生态居住区。并根据产品定位，大胆采用建筑复合保温系统、天然植物湿地污水直洁技术、太阳能路灯系统、地源热泵系统、室内新风系统和中央除尘系统等一系列新技术、新材料、新能源，充分体现了低碳、节能、环保理念，充分满足了嘉定城市规划要求的具有上海市郊特色、风貌鲜明、配套齐全、设施完善、居住舒适的现代化城区建设目标。
3、符合城市需求，达到可持续发展。将项目开发与城市运营结合起来，自觉围绕城市的总体发展目标，获得可持续发展，而且房地产开发要与城市的规划、发展相一致。这个城市发展需要什么，就做相应的开发。一个项目的定位一定要符合这个城市、片区的发展需求，也要符合片区消费的需求。万科集同在杭州市西北部开发建设“良渚文化村”时，充分利用紧靠著名的文化遗址，又有距杭州市中心最近的丘陵绿地和水网平原相结合的生态环境以及得天独厚的文化、生态旅游资源与便捷的水陆交通。经过切实的保护与开发，建设了白鹭郡、阳光天际、竹径茶语等居住社区以及良渚文化博物馆、良渚五星级度假村、良渚风情街、良渚生态森林公园等多元丰富的旅游休闲项目，将良渚文化村建成了集文化、人居、旅游为主的三大产业资源优势为一体的，具有世界级影响力的田园卫星城镇，并成为项目开发与城镇可持续发展有机统一的典范。
4、重视市场需求，促进城市运作。现代城市规划除了注重其系统功能，形象功能，商业功能，居住功能，交通及其基础设施等常规功能外，还应重视其经营和市场需求功能，在布局合理的前提下，提高城市的运作效率和经营效益。由于城市规划及建设目标的实现与房地产开发密切相关，对一些重要的城市中心区建设工程项目，应注意规划部门与房地产商的协同与配合。在嘉定新城开发中，通过规划部门与房产企业协同配合，嘉定新城与上海保利、平土集团、龙湖地产、世贸集团、广东中长信、上海中导等6家公司签约投资建设五星级酒店。这6家公司将携手世界著名酒店运营公司，在嘉定新城重要地块兴建五星级酒店或同等档次的专业特色酒店，使新城不仅建设成上海的休闲度假酒店聚集地，更能为辐射长三角经济圈服务。
5、城市规划应具有弹性。现代城市规划应具有一定的弹性。由于市场及环境是在不断变化中的，为适应这种变化，提高经营效益在总体规划布局不发生重大改变的前提下，局部应具有一定的可调性，这样可促进城市与环境也应注重创新，特别应考虑具有地方的资源优势和支柱产业特点民族风特色结合，增强城市的吸引及辐射功能。另外，在规划指导下的房地产开发经营公司，也必须构建不断创新的经营理念，以独特的环境文化，经营文化，经营技巧的运作手段提升自身的核心优势，增强自身竞争能力。
引言
现如今，人们越来越重视经济发展，但是却忽视了对生态环境的保护，林业受到经济发展带来的负面危害，其可持续发展进程受到阻碍。林业可持续发展对于保护人们居住生态环境，促进社会效益、生态效益、林区经济效益的提高有非常重要的作用。因此，需要对林业可持续发展进行关注，并采取有效措施保护林业的可持续发展。
1、林业可持续发展内涵概述
经济大力发展的同时使生态环境遭到一定程度的破坏，我国政府加大了治理生态环境的力度，以实现生态环境的可持续发展，使社会、经济发展与生态环境发展相互协调。林业发展作为生态环境发展中的重要组成环节，其可持续发展与人们生产生活息息相关。林业生产包括森林产品、木材等相关林木资源经营活动。林业生产经营不仅包括对林木的采伐，还包括对林木的保护和更新，使林木资源能够持续不断地供应给人类生产生活活动。因此，林业可持续发展就是在开展林业生产时，要根据林业生态环境的特性采取科学合理的开采方式进行，保证林业生态系统不受到严重破坏，使林业生态系统能够稳定、健康的持续发展，使林木资源能够持续更新，而不是被无休止的完全开采，使林业良好的生态系统促进生态效益、经济效益的增加。
2、我国林业管理工作的现状
2.1采育失衡，森林资源锐减
采育失衡是现阶段制约林业产业发展的主要原因之一，也是林业部门以及相关工作人员亟待解决的问题之一，普遍存在于我国林业资源生产管理过程中。当今社会经济水平在不断的进步发展，对木材的需求量也呈现出逐年上升趋势，该种现象导致大量树木被砍伐，树木生长速度远远跟不上树木更新速度。技术性的保护与培育对林业资源长远健康发展有直接影响，林业资源没有得到有效的培育，进一步加重资源匮乏现象。树木生长需要一定的周期，难以满足大量的木材需求，继续进行砍伐就会形成一种恶性循环。长时间没有形成对林业资源科学有效的管理，最终导致生态环境被破坏，人们的生产生活都受到影响。
2.2林业产权结构模式单一，林业基础设施薄弱
林业资源产权范围属于公有制，不属于地方或者具体单位，因此，林业资源经营以及管理方案都是由国家直接下发。但该项制度也存在一定的缺陷，没有完善的制度对地方进行补贴以及基础设施缺乏都是其重要表现。林业资源管理需要大量的经费支持，资金不足会对林业资源的长远发展有严重的阻碍作用，因此国家应该加大扶持力度，母本上促进林业资源管理与经营。
3、做好林业管理及可持续发展的具体措施
3.1加快生态文化体系建设
繁荣的生态文化是建设生态文明的重要内容。对建设生态中国、美丽中国，引导全社会牢固树立正确生态价值观、生态道德观、生态消费观具有重要现实意义。一是加强生态文明宣传教育。以弘扬生态文明为核心，充分利用报纸杂志、广播电视、互联网等媒体平台，全面系统地宣传生态文化的丰富内涵和科学知识，大力弘扬先进的生态文化，摈弃落后思想观念和发展理念，大力宣传森林文化、树文化、花文化，使更多的人认识生态文化，接受生态文化，吸引更多目光关注林业，凝聚更多力量建设林业；二是加强生态文化产品建设，围绕森林文化、古树名木，大力开发、挖掘、收集、整理，充分体现人与自然和谐相处这一核心价值的文艺、影视、歌曲、舞蹈、书画等生态文化产品；三是加强生态文化教育基地建设。选择生态教育内容丰富，基础设施条件较好的森林公园、自然保护区、革命纪念林、树木园、植物园、动物园等作为生态文化教育基地，加强教育基地基础设施和文化展示建设。划定特定区域，开辟专门的纪念林、纪念树营造基地，组织群众积极营造“友谊林”、“三八林”、“青年林”、“结婚纪念林”、“名人纪念林”等，展现森林的绿色文化、生态文明和人文历史。积极开展野生动植物、林木认养、认领、认建工作。全力抓好各地森林公园、湿地公园、森林文化博览园等生态文化教育基地建设，充分发挥在传播生态知识、生态文明教育和倡导绿色低碳生活方面的作用。
3.2加强对自然保护区建设的完善
国家应当制定并颁布林业可持续发展的相关政策法规，以促进林业可持续发展进程，比如加强对自然保护区的保护，国家制定了自然保护区保护政策，并开展了重点保护和建设，需要结合自然保护区所在地区发展的实际情况，增强当地群众开发和建设自然保护的积极性。对自然保护区内的多种生物展开保护，在保护区内设置不同的监测点、物种养育点，实施监测自然保护区内的各种物种，救治濒临灭绝的稀有物种，并积极引进促使自然保护林业生态环境良性发展的外来物种，增加保护区内物种的多样性，全面保护自然保护区内的林业资源。此外，还可以积极开展自然保护区旅游、科研、生态保护研究等相关行业发展，使林业可持续发展全面推进。
3.3促进区域化经营的发展
森林可持续发展的目标由自然资源环境基础与社会经济发展需求决定，其实践过程也主要依赖区域复合系统，通过政府、公众与市场的相互协作实现。基于林业部门难以解决林业可持续发展中的所有经济、森林发展、生存的问题，需在社会经济和资源环境复合系统中，不断完善市场机制，并综合调控区域政策、法律法规、行政手段和科学技术等方面，才可建立与可持续发展相符的经营途径和经营模式，从而促进林业的健康发展。
结束语
要取得林业经济的长远发展，就要重视与保障生态效益，同时足够地认识目前林业经济发展中的问题与障碍，并积极探索解决对策，并建立林业可持续发展保障体系，进一步完善相关的法律法规与市场机制，开展多种经营模式，以推进科技研发并创新林业产品，努力把可持续发展的理念贯穿和融入到林业发展整个过程中，最终实现林业的可持续发展。
一、我国体育旅游产业的发展现状
我国体育旅游产业除了自身是构成我国体育产业发展的部分外，还兼顾推动旅游业发展和促进国家经济发展的作用，其特有的性质如下：一是体育旅游产业的发展需要衣食住行游的集合，具有综合性质；二是能满足体育旅游者的需求而提供体育旅游的相关服务，具有服务性质；三要依托于体育旅游资源及国家经济发展及国民消费状况，具有依托性质；四能促进国家之间体育旅游活动的对外交流，具有涉外性质。
我国体育旅游产业的发展较晚，但速度却不慢，随着我国社会经济的迅速发展，我国体育旅游产业的领域扩展速度加快、规模增大，质量有所提高，获得较高的收益，我国的体育旅游产业也顺势成为市场经济的崭新门类，在社会主义市场浪潮中散发其独特的魅力。
我国体育旅游产业在国家体育总局和国家旅游局的大力支持下，促进了体育与旅游的灵活互动及相互融合，在推动经济体制改革和加快经济结构转型升级方面作用明显。我国体育旅游产业的投资也在逐年增长，像潜水活动、登山项目、滑雪运动等成为我国体育旅游产业的发展亮点，积极推动我国体育旅游产业向前跨步。
二、我国体育旅游产业发展面临的问题与挑战
我国体育旅游产业潜力无限，但是由于发展晚、底子薄，其滞后性造成体育旅游产业发展也存在不少问题：我国体育旅游产业的经营管理模式落后，管理缺乏健全机制；发展体育旅游产业的意识比较淡薄，相对落后；发展体育旅游产业的资源天然性强，缺少必要的维护和整修而导致品质不高；发展体育旅游产业不注重对环境及基础设施的保护，造成了环境的污染和设施设备的破坏；发展体育旅游产业缺少一支专业化的人才队伍，在提供体育旅游产业的相关发展咨询及服务时不能及时有效；发展体育旅游产业的相关配套设施建设不健全；发展体育旅游产业缺乏宣传。
我国体育旅游产业的发展，离不开观念更新的引导，十三五规划给我国体育旅游产业的发展带来新的契机，要协同体育发展和旅游产业，实施促进体育旅游产业发展的相关策略，针对其所存在的问题进行查漏补正：对于体育旅游产业要加强监管，尤其是旅游相关部门要认真监督管理；提高发展体育旅游产业的思想意识，主动促进文化社区发展体育旅游基础设施建设；加速培养专门人才，促进体育旅游产业的人才队伍建设及人才储备；积极开发寻找富有特色的体育旅游资源，开设体育旅游产业新景点；促进体育与旅游的融合力度，加大体育旅游产业的规范力度，扩大发展体育旅游产业的宣传途径和方式，积极促进我国体育旅游产业的健康发展。
三、在十三五规划下我国体育旅游产业发展的新路径
我国体育旅游产业在十三五规划的指导下，将会以培育体育和旅游紧密结合点为重点，在体育旅游产业发展上进行新出路的寻找。我国体育旅游产业发展既要考虑到体育活动和体育衍生产品服务的发展，也要考虑到旅游行业的监督管理及经济发展，在借助市场的调节作用之下，促进体育旅游产业消费额度的提升，拉动体育旅游产业的经济增长，合理有效的推动我国体育和旅游业双发展。
（一）发展体育旅游产业将体育赛事与旅游相结合。像国际马拉松比赛在中国的赛事，众多马拉松比赛的参与者及爱好者就会赶赴赛区，这就给当地的旅游业带来了人群，既能满足人们对体育的爱好和追求，又能刺激消费，还可以带动相关产业的发展。
（二）要合理运用现有体育旅游资源及相关设施，举办文化体育旅游项目。如吉林省的净月潭滑雪场，既能提供给广大的滑雪爱好者一片运动场地，又曾举办净月潭瓦萨国际滑雪节，集娱乐、文化和旅游于一体，利用净月潭广阔的雪原冰湖资源，同时结合萨瓦文化及东北民俗特色旅游，从而在体育旅游产业中产生较大影响，有利于促进我国体育旅游产业的发展。
（三）要优化体育旅游产业的市场环境，进行体育旅游产业人才培养，提高人才队伍的素质及专业知识，推动体育发展和旅游业发展，借此推动社会经济大发展。
[中图分类号]G640 [文献标识码]A [文章编号]1009-5349（2014）09-0249-01
当前，我国每年有几百万的大学毕业生，但是只有少部分能够顺利就业，大学生就业问题成为了当前阻碍社会发展的重要问题。为此，加强高等院校大学生职业生涯规划发展，改变当前大学生的就业观念是一个很迫切的问题。在就业压力巨大、竞争激烈的今天，促使大学生的职业生涯规划对大学生就业是相当重要的。从我国高等院校的就业情况看来，大学生职业生涯规划中缺乏实际的就业指导方面，众多的大学毕业生对职业生涯规划表现的很茫然，这也表示必须对大学生职业生涯规划清晰定位，正确指导大学生职业生涯规划的实践活动。
一、大学生职业生涯规划的意义
随着市场经济的高速发展，企业对人才素质要求更高，同时为保持市场人才资源合理配置，大学生职业生涯规划的发展势在必行。
（一）促使大学生树立正确的职业目标
通过大学生职业生涯规划，可以促使大学生树立正确的择业意识、就业观念，选择自己向往的职业，引导大学生对个人职业生涯发展进行科学、客观的分析，正确定位自身价值，促使其认识个人目标与现实之间的差距，以便其采取正确的计划实现目标。同时，有针对性参加实践性的活动弥补自身不足，将自身的优势发挥出来，激发自身的潜能，不断增强市场竞争力，以实现自身的人生目标与理想。
（二）提高大学生的综合素质
当前，我国高等院校的教育制度是以专业知识以及专业机能为核心的教育方式，忽视了人才培养方式与市场发展情况的结合，所以需要通过大学生职业生涯规划对学生的就业方式进行培养。大学生在进大学之前希望能够实现自身的人生机制，但是其方式存在一定的盲目性。而通过职业生涯规划可以给予其正确的指导，促进大学生的全面发展，提升大学生的综合素质，根据实际的市场需要有针对性培养自己的能力，实现自身的人生价值。
二、当前我国高等院校大学生职业生涯规划发展现状
我国高等院校的大学生职业规划生涯起步较晚，当前仍是处于发展阶段，随着我国大学生就业问题越来越严重，教育部门逐渐认识到了职业生涯规划教育的重要性。当前，针对大学生的职业生涯规划，还存在以下问题：
（一）缺乏正确的职业生涯规划教育方式
由于我国缺乏针对职业生涯规划理论的系统研究，导致其仍旧停留在职业发展阶段理论和人职匹配理论上的教育，缺乏针对实际市场发展的大规模调查研究分析。在对大学生的职业规划指导上，还仅仅针对毕业生和就业的指导，对大学生社会价值与自我价值的实现缺乏系统性的指导。
（二）大学生职业规划与就业意识的淡薄
众多的应届毕业生求职时都是将待遇与机遇作为求职的第一要素，导致个人的职业规划与市场需求以及就业形势相违背，职业价值观模糊，导致大学生的求职就业的压力和负担加重。职业生涯规划是指学生通过自身对社会的认知和对自身职业方向的调控，学校教师只是起到正确引导作用，引导学生树立正确的职业发展方向。
（三）缺乏专业的人员对职业生涯规划进行正确指导
我国教育事业缺乏正确的理论指导，导致对学生的职业生涯规划指导忽视，更没有意识到职业生涯规划的重要性。并且各大高等院校缺乏专业的职业生涯规划指导教师，大多数都是德育教育、学工处教师、就业指导部门人员进行指导，参与大学生职业生涯规划会议多为各院系书记、辅导员等，缺乏相应的专业知识。所以导致大学生职业生涯规划教育工作效果差，不能够很好地缓解大学生就业困难的情况。
三、改进大学生职业规划教育的建议
（一）促使大学生树立正确的职业生涯规划理念
职业生涯规划教育的目的是促进大学生树立适合自身的职业理念，所以高校应将树立正确的职业生涯规划理念作为教育工作的核心，并且根据不同阶段进行不同侧重的指导。帮助他们树立正确的就业观念、认清楚当前的就业形势，以增强器自身的职业竞争力，为日后的求职打下基础。
（二）加强专业指导教师的培养
职业规划指导教师需要具备较高的素质，所以要对大学生职业生涯规划的指导教师进行有针对性的培养或者进修。同时聘请校外专业的职业生涯规划指导人员对学生进行咨询指导，逐步建立高素质的专业教育人员。
四、结束语
综合上述，通过以上高校大学生职业生涯规划的发展情况，通过加强对大学生的职业生涯规划教育，促使其树立正确的就业意识，为以后就业打下基础。
【参考文献】
[1]蓝红.大学生职业生涯规划探究[J].中国大学生就业，
关键词: 产业集成;路径规划;技术路径规划(TRM)
Key words: industrial integration;roadmapping;Technology Roadmapping(TRM)
中图分类号:F062・9 文献标识码:A 文章编号:1006-4311(2009)10-0009-05
0引言
近年来,随着技术路径规划方法使用频率的提高和使用范围的扩大,该方法成为企业或行业为其未来发展识别关键要素(包括技术、组织能力、产业政策等)、从而规划发展路径的有效工具。其应用范围主要体现在如下六类:①产品-技术规划;②业务重组;③流程开发;④战略评价;⑤研究网络的开发;⑥部门预测,并体现出应用领域不断拓展的趋势[1]。值得一提的是,TRM方法在新领域的每一次大胆尝试,都为该领域提供了新的发展契机,甚至引发了本领域管理思想中的文化变革[2]。尽管TRM方法的应用背景千差万别,但是均依托于包含多个层次的概念性框架,经过科学合理的筛选,将各层次的核心要素和指示要素演变的时间轴纳入最终的路径图,从而引导具体实践。这一思想可被产业集成的路径规划所借鉴,用于制定对地方乃至国家产业集成进程有指导意义的路径图。
我国目前对产业集成路径的研究主要在于集成路径的关键点提炼上,对产业集成的研究则侧重于其内涵和特性,以及对该理论的经济学解释[3-6],缺乏可用于路径规划的概念性框架和规划流程。本文以TRM的结构框架为基础,建立指导产业集成路径规划的概念性框架和规划流程,以期为特定产业的路径规划提供理论基础和实践指导。
1TRM的结构框架
技术路径规划的过程就是技术路径图的构建过程。技术路径图有很多形式,最普通的一种是描绘目标如何与资源、能力联系起来的多层图示,并辅之以时间轴,以指示特殊事件发生的时间节点。例如用于新产品开发的技术路径图中,会使用时间轴指示新产品开发过程中的阶段付成果。特定应用领域的概念性框架是技术路径图的构建基础,然而概念框架的建立除了依赖所应用领域的特定知识体系外,在组成部分、以及各部分间关系上还依赖技术路径规划本身的结构框架,表现为技术路径图的层次及层次间关系。
技术路径图的顶层用于代表路径规划要取得的成果或要满足的状态,包括外部市场和产业趋势与驱动(社会的、技术的、环境的、经济的、政治的、和基础设施的),以及内部商业趋势和驱动、里程碑、目标等,根据评价标准识别目标是技术路径规划的第一步。中层代表对顶层的趋势和驱动做出反应所借助的方式、手段、途径等,例如随着时间将要交付的产品、服务或能力,这常常直接与产品(特征和绩效)的演进相关。商业视角和技术视角通过中层得以沟通。底层通常与对趋势和驱动做出反应所需的资源相关,包括基于知识的资源,例如技术、技能和能力,以及其他资源,例如财政、伙伴关系和设施,用于支持中层的方式、手段、途径等。为了使技术路径图尽可能完整的反映路径规划的各个阶段,可根据实际需要把每一层扩充为多层。技术路径图一般指明了两个方向的路径:水平方向的路径指的是市场、产品、技术随着时间的变化过程;竖直方向的路径反映的是研发计划、技术、产品和市场的关系路径。技术路径图就是由这两个维度纵横交错而成的[7]。
2产业集成的概念性框架
产业集成是当产业集群发展到高级阶段时,由主导产业、相关性产业和支持性产业紧密联系所形成的具有整体竞争优势的创新集合体,其实质是具有开放性、创新性、动态性和网络特征的复杂系统。
产业集成的概念性框架是基于技术路径图的层次结构构建的。技术路径图的顶层用于代表路径规划要取得的成果或要满足的状态,鉴于产业集成是依托所在地域而发展起来的,其目的是要以产业集成为载体实现区域经济的持续稳定发展,因此,应把区域经济发展作为产业集成概念性框架的顶层。技术路径图的中层代表对顶层趋势和驱动做出反应所借助的方式、手段、途径等,援引至产业集成中,即是为实现区域经济发展产业集成要具备的能力,表现为产业集成的竞争优势。技术路径图的底层代表对趋势和驱动做出反应所需的资源,用于支持中层的方式、手段、途径等,援引至产业集成中即是区域经济发展所需的资源,用以获得中层的竞争优势,表现为产业集成的承载力。产业集成概念性框架与技术路径图结构的对照如表1所示。
2.1 顶层:区域经济发展
产业集成是实现区域经济持续稳定发展的载体。首先,产业集成使交易成本从本质上降低,进一步促进集成内外企业及相关机构的合作与创新,强化区域经济系统的内外经济联系,增强区域经济的开放程度,降低区域产品成本,使市场扩大,区域经济的比较优势增强;同时令区域经济系统的分工与协作愈加明显和集中,强化其主导产业;再者,产业集成的发展可以增强区域的聚集效应,形成规模经济,强化区域经济子系统之间的联系,使区域主导产业前向、后向扩散的范围和程度扩大,提高区域经济的区位优势,使区域的投资吸引力增强,从而加快新的优势产业的形成,进一步推动区域经济发展。
2.2 中层:竞争优势
竞争优势的增强是产业集成乃至区域经济发展的内源动力。产业集成是由产业集群演化形成的,且产业集群的竞争优势已在理论和实践两个层面得到验证,因此产业集成的竞争优势也就不言而喻了,只是与一般的产业集群相比,产业集成的竞争优势有其特殊性。产业集成的竞争优势以成本优势、创新优势和结构优势为主,辅之以其他优势。
2.2.1 成本优势
产业集成的成本优势体现在成本节约的广度和深度上。产业集成的成本优势离不开由于地理位置临近而引发的成本节约,包括处于同一产品链上的企业通过专业化分工降低原材料和产品的运输成本,节约生产时间与库存,从而降低生产成本;相同生产领域内企业通过合作和联盟等形式共同进行原材料采购,使议价能力提高,节约采购成本和运输成本;产业地理集中能够共同分享各种基础设施、服务设施,节约设施的重置成本;企业的经济活动根植于地方社会网络,良好信任基础的形成能够减少投机行为的发生,从而降低交易成本;企业的集中可引发人才的集中,劳动力的获取和使用成本也得到降低。产业集成特有的成本优势体现在两个方面:一方面,企业通过集成网络紧密联系,频繁的创新活动能够不断创造新的市场需求,在产业和服务的分工程度和专业化程度方面产生更高需求,从而形成正反馈,通过生产效率的提高达到成本降低的目的;另一方面,产业集成的网络特征使得企业间的竞争与合作在更大的空间展开,有利于企业改善官僚制的组织形式,从而通过有效的组织管理从更深层次上节约成本。
2.2.2 创新优势
产业集成具备长期的创新优势,体现在如下方面:第一,产业集成内完善的信息交流平台促进了主体间的资源共享与能力互补。除了群聚使得群内知识和信息不断累加从而为共享提供可能性外,集成的优势主要体现在完善的集成网络使信息的交流壁垒减少甚至消失,加快信息的交流速度,节约企业的学习费用,推动知识创新的增值与扩散,从而提高产业集群的整体技术创新能力。第二,产业集成内的分工协作降低了创新过程中各行为主体需承担的风险。集群使得风险由于行为主体数量增多而被分散,但更主要的是集成后其应对风险的综合能力得到加强,使技术创新过程中的不确定性因素减少,并缩短技术研发和商业转化之间的时间差,从根本上降低了需承担的风险。第三,产业集成的开放性和动态性便于其长期保持创新优势。产业集成能够突破因路径依赖所导致的集群锁定效应,保证区域内不断有新的行为主体加入,使纷繁复杂的信息不断涌入并得到交流,促进技术创新、管理创新等各类创新活动的发生,为集成企业提供更广阔的竞争和发展空间。
2.2.3 结构优势
产业集成内的产业结构虽然也是由主导产业、相关性产业和支持性产业构成,但随着外部环境变化,产业集成内的企业能够根据企业自身条件灵活地在主导产业和相关性产业间转化,同时仍享有其支持性产业所提供的便利,从而不会因主导产业衰落而失去竞争优势。一方面,主导产业和相关性产业可以互相转化。当主导产业已经成熟,竞争者之间面临产能过剩的压力时,企业内的人员和设备往往随着内部创业而重新配置,伴之以产业间的技术转移,促进了新的相关性产业产生。然而,各企业为了满足自身成长需要,往往是同一时间进入到了同一相关性产业中,由于新的相关性产业是由不同领域的不同企业转化而来的,因此从其诞生之日起就能汲取各方面新技术,产生活跃的创新活动,使其发展成为新的主导产业。另一方面,主导产业和支持性产业相互融合。为了使产业间信息流通顺畅、服务更加完善、应变能力增强,处于主导产业的企业往往和其支持性产业中的供应商互相投资控股,企业与供应商长期合作关系能够使主导产业衰落企业转而进入相关性产业时,仍可获得可靠的产品或服务。上述分析与产业集成的经济学解释相一致[5],进一步证实了产业集成的结构优势能够使其获得竞争优势。
除了上述分析的三个优势以外,产业集成也具备其他优势,如营销优势、融资优势、组织优势等,在进行产业集成路径规划时,要根据产业集成的实际情况以及要取得的预期效果选定。
2.3 底层:承载力
“承载力”是从工程地质领域转借过来的概念,其本意是指地基的强度对建筑物负重的能力,应用到产业集成领域,是指产业集成所在区域对其竞争优势的支撑能力,是竞争优势的来源。产业集成的各个竞争优势是由不同的承载力以及承载力间的相互作用共同支撑的,主要包括环境承载力、行为主体承载力、社会资本承载力、体制政策承载力。
2.3.1 环境承载力
产业集成所在区域的环境承载力是其竞争优势得以形成的前提条件。地理环境在产业集成早期发挥了重要作用,例如硅谷优美的自然环境与适宜的气候吸引了先驱企业进入,其持续衍生与裂变又为集成产生了新的进入企业。基建环境由交通、用水、电力、通信、休闲设施、公共建筑设施共同构成,其中便利的交通与通信条件是影响产业集成的重要因素,特别是信息基础设施建设,可使企业之间信息资源及时并充分共享,实现企业间业务协作,为整体竞争优势获取提供物质保障。同属于环境承载力的还有市场环境、市场发育程度及发育空间决定了产业集成内资源的转化能力,直接影响创新成果转化成产品投入市场的周期,开放的市场环境能够保持集成行为主体的异质性,从而促进新知识获取和创新,从而影响其竞争优势的形成。
2.3.2 行为主体承载力
产业集成的行为主体与产业集群一致,包括企业、高等院校与科研院所、中介服务机构。企业构成了产业集成日常运作的核心,是影响产业集成竞争优势的关键,位于同一价值链上的企业通过合作竞争等行为获取利润,同时还通过经验与知识共享等方式实现企业价值的增值。高等院校和科研院所是产业集成保持竞争优势的动力源泉,其不仅为集成输入大量的高素质人才,更是通过产学研合作等方式加速了技术创新和管理创新,例如在硅谷地区大学与产业界之间建立了产业联盟,加强了本地公司与整个地区基于知识的动态竞争优势。中介服务机构包括行业协会、各种服务中心、事务所和金融机构等,此类组织在形成产业集成竞争优势过程中的主要作用表现在:缩短行为主体相互之间的搜寻与选择的过程,通过综合比较优势、沟通供求信息和规范企业行为等方式促使其走上协同。
2.3.3 社会资本承载力
社会资本是指行为主体建立在相互信任与合作基础之上的持续社会关系网络,以及行为主体在互动过程中所产生的共享知识、规范、合作和信任等各种形式的资源,它能够给拥有主体带来利益。例如硅谷内的非正式交流促进了各种隐性经验类知识的传播,使其区域内信息和知识得以有效交流和扩散,成为其创新优势的来源之一。社会资本有利于拥有主体间信息、知识的快速流动,使拥有主体获取社会稀缺资源,提高创新效率,增强创新能力。产业集成正是这样一种关系网络综合体。值得一提的是,企业与高等院校、中介机构由于特殊的地缘、亲缘、学缘和行缘等多重关系,在长期的、频繁的交互作用中能够形成基于信任的社会关系网络,从而使所属区域具有比大企业等级组织更灵活、比市场效率更高的优势,从而将生产成本和经营成本降到最低[8],从这一角度来讲,社会资本承载力是产业集成竞争优势的显著来源之一。
2.3.4 体制政策承载力
体制政策承载力除了包括国家层面的体制政策外,主要是指产业集成所在地区地方政府对产业集成的特定体制政策支持。在我国,大多数高新区都是由政府规划而产生的,并通过产业政策、税收政策、外资吸引政策、人才保障机制等来吸引资金、人才、技术等生产要素向区内集聚,特别是吸引那些具备产业带动优势和有产业关联效应的企业进入园区,从而有效推动高新区走向产业集成的进程。新竹科学工业园在规划伊始为了保证园区的高科技品质,建立了严格的高新企业审查机制,确保入园企业均是具有较强创新能力的企业,从而使园区发展迅速,产业特色很快形成。班加罗尔工业园则是借助印度对软件产业实行的零关税、零流通税和零服务税等措施,成为全球最成功的软件外包中心。由此可见,源于政府的体制政策支持是产业集成取得竞争优势的重要推动力。
以上对产业集成概念性框架中各层的分析,如图1所示。为了尽可能完整地反映整个框架,特在承载力一层下设微观要素层,作为对承载力层的支撑。
3用TRM进行产业集成路径规划的流程
鉴于路径规划的演变是由管理实践引导,而不是源于管理理论,因此,对于该方法的每一次应用都需要根据特定背景和目的进行定制[9]。产业集成路径规划的流程由三个核心阶段组成,分别是竞争优势选择阶段、承载力评估阶段和规划制定阶段。此外,在路径规划正式开始前,还需建立规划小组、确定规划目标、制定规划进度表,在产业集成路径规划制定完毕并付诸实施后,还需对实施效果进行动态跟踪,将其反馈到先前路径规划的制定流程中,由此开始新一轮的集成路径规划。三个核心阶段具体如下。
图2是按上述方法绘制的典型产业集成路径规划图。规划图中的各层与产业集成概念性框架中的层次一致。ME1,ME2,ME3,BP1,BP2,CA1是对应层次中权重较大的要素,各层中的要素个数可根据路径规划背景和计算结果选定,通常情况下,要素个数自上而下逐渐增多。水平方向的路径指明了各要素随时间推移的预期发展过程,可通过添加字母下脚标的方式区别各时间点的要素状态。竖直方向的关键路径在图中用粗箭线表示,即路径ME2b-BP2a-BP2b-CA1b-REDb。其中ME2是微观要素层中对区域经济发展影响权重最大的要素,BP2是使ME-BP路径权重最大的承载力,CA1是使BP-CA路径权重最大的竞争优势。同时,纵向路径需要指明路径中各要素的状态,因此有必要添加字母下脚标对要素状态进行区分。在图中,路径ME1a-ME1b-BP1a-BP1b-CA1a-CA1b-REDb和路径ME3a-ME3b-BP2b-CA1b-REDb是除关键路径外的另两条纵向路径,连接着各层中权重较大的因素,对规划目标的实现同样有深远影响,故不可忽略。
路径规划图本身,尽管概念和结构相对简单,包含的具体信息也十分有限,但却基于组织内大量的支持性分析,从不同视角整合了组织内的微观要素、信息资源、工具和方法,代表着路径规划过程的最终精炼产出。纵观产业集成路径规划整个流程不难看出,路径规划是一个动态的过程,需要根据环境变化而灵活调整,以维持其生命力,便于其效果的持久发挥。
4结论和展望
将TRM方法应用于产业集成路径规划是一种大胆尝试。该方法的结构框架为产业集成概念性框架构建提供了有益指导,概念性框架中的区域经济发展、竞争优势和承载力构成了路径规划图的三个层次。路径规划流程很好地整合了各层中的核心要素,通过现有的分析技术和分析工具有效地建立起层级间的联系,从而为特定产业的路径规划提供指导。然而,还需从产业集成路径规划实践中提炼出涉及更多层次、更多方面的新内容,并将其他有效的分析工具与分析方法合理引入到规划流程中,从而提高此方法的使用效率并拓展其适用范围,这是后续研究有待深入的方面。
参考文献:
[1]Robert Phaal, Clare Farrukh, David Probert. Customizing Roadmapping. Research Technology Management, 2004,47(2):26-37.
[2] Alec McMillan. Roadmapping――Agent of Change. Research Technology Management, 2003,46(2):40-47.
[3]王海龙、武春友:《基于产业集成的科技创业企业成长路径――以路明科技集团为例》[J];《管理学报》2007(5):668-673。
[4]张贵、周立群:《产业集成化:产业组织结构演进新趋势》[J];《中国工业经济》2005(7):36-42。
[5]黄建康:《产业集成:基于提升传统产业竞争力的分析》[J];《宏观经济》2004(4):16-18。
[6]张立、王学人:《推进我国产业集成的问题、成因及对策探讨》[J];《当代财经》2002(7):56-58。
二是“十三五”规划是我们国家经济发展进入新常态以后编制的第一个五年规划。因为新常态不是一个很短期的、几年就过去了。如果说前37年是一个常态的话，可能后面还会经历很长时间的新常态。“十三五”规划是引领经济发展新常态的一个重要规划，是关于基本的定位。
“十三五”规划建议分成八个部分。第一部分讲的形势，我们面临的环境；第二部分讲的目标和理念；第三部分到第七部分，分别以五大发展理念所引领的发展路径为标题，阐释了未来五年经济社会发展各个方面的任务和重要的举措，包括一些制度性建设的内容。最后一部分是关于党的领导是怎么实现全面发展的目标和发展任务的政治保证。
为什么做这样一种布局，这样一种篇章结构？大家如果看一看过去几个五年规划，从来没有这么安排过，这是一种全新的结构、全新的篇章布局。这种结构背后的逻辑是什么？
第一，我们已经有了一个既定的目标。是一个没有退路的目标，无法改变的目标，也就是全面建成小康社会，这是不能变的。党的十六大提出来叫全面建设小康社会，到十的时候改成全面建成小康社会。到2020年实现这个目标是必须完成的任务，是没有退路的。
第二，目标是不能变的，但是环境和形势是变化着的。从党的十六大提出全面建设小康社会以来，包括党的十提出全面建成小康社会以来，我们国内外经济发展环境和形势已经发生了重大变化。归结到一点，就国内来讲，就是经济发展进入到了新常态。
第三，不能变的目标碰上了变化了的形势，应该怎么办。最近几年经济运行、经济发展的情况不断告诉我们一个事实，特别是最近两年更加明显，也就是说传统的发展方式，旧常态下的发展路径已经走不下去了。我们必须要在思想上进一步解放，在理念上进一步破题，这样才能找到正确的发展路径。
前言
现阶段，在现代社会中，各领域生产智能化发展速度不断加快，与此同时，智能机器人成为了国内外该领域的研究人员的重点科研对象，并且针对智能机器人的路径选择问题进行深入探究。在研究过程中，为了能够令机器人帮助人类做更多的实际工作，则开发了智能机器人来辅助实践，在各项指令的操作和影响下下，机器人能够完成人类赋予它的任务。
一、遗传算法概述
（一）简析遗传算法
早在上个世纪中叶，世界范围内的少数计算机科学家开始探究遗传算法的雏形，而后，在一段时期内，遗传算法成为了一种进化计算的分支策略，填补了编码方案设计领域的空白。实际上，遗传算法在实践过程中的应用策略较为简单，在该算法支撑下的搜索能力以及躲避障碍物的能力都较强。
（二）遗传算法的实践优势
应用遗传算法来对智能机器人的路径进行科学规划的过程中，可以将其与直角坐标法结合起来应用，这样一来，便可以简化数据计算以及编码过程的复杂程度，保障机器人在行进的过程中的大部分时间处于环境的中心位置，从而避免遇到障碍而停止行进[1]。
二、基于遗传算法的智能机器人的路径规划
要想令智能型机器人顺利地游走于各类静态与动态环境之中，不被各种障碍物体所碰到，并能够完成一定的任务，并不是一件容易的事。因此，需要利用遗传算法这一科学研究内容来完善智能机器人的路径规划方案，使其达到既定行进目标。
（一）智能机器人研究项目概述
在智能机器人的研究领域中，机器人的路径规划指的是机器人在它的工作范围内，根据系统内部的指令来进行最优化的选择，包括行走路径最短或行走时间最少等决策都是通过路径规划指令来引导，甚至在智能机器人的行走过程中遇到障碍物时，则也同样需要路径规划指令操作来判断最优的行动路径[2]。
（二）在遗传算法影响下的智能机器人路径规划的特征与优劣势研究
1.基于遗传算法的智能机器人行进路径的特点分析
遗传算法是以自然遗传机制为前提，在某种程度上以生物进化过程为基础来构建的一种数学模型，在其中利用变异编制控制机构等计算程序。基于遗传算法的智能机器人路径规划需要占据大量的存储运算空间，因此，智能机器人的路径规划速度较为缓慢，在复杂动态环境下的路径规划实效不佳，需要在未来研究过程中对其进行改进。
2.基于遗传算法的智能机器人路径规划的优劣势分析
就从基于遗传算法的智能机器人路径规划来看，尽管这一模式能够在一定程度上为机器人提供可行的行进方案，但其行进速度较为缓慢，即使受到局部选择极小的障碍，也会令智能机器人在动态环境中步履维艰。研究发现，基于遗传算法的智能机器人路径规划具备一定的研究价值，推进了智能机器人项目的研究进展。
通过分析遗传算法的特征及其演进过程，运用遗传算法或其它模拟形式来优化智能机器人的路径规划，则可以在一定程度上增强智能机器人的性能。但是，无论何种方法，都或多或少的存在一定的问题，不能达到智能机器人最优路径选择的要求[3]。相对而言，尽管存在一定的不足，但基于遗传算法的智能机器人路径规划相对还是较为可行。目前，在各项技术支撑下的智能机器人已经具备一定的实践能力。
在遗传算法的推进下，智能机器人项目的研究有了新的进展，且在机器人的路径规划方面有了极大的突破，但就目前的研究成果来看，智能机器人的行进路线并不完美，成功完成某一既定的行进任务的概率并不高，因此，相关的技术科研人员还需针对路径规划问题做深入的探讨与研究。未来的主要研究方向有以下几项内容：其一，全局路径规划与局部路径规划的有效整合；其二，多传感器信息融合技术的引入；其三，智能算法以及相关改进研究等[4]。相信在多元化的智能算法影响下，智能机器人的行进路径规划则会更加准确，并且，能够完成更为高级的指令任务，为人类社会各领域的生产建设提供优质的服务。
结束语：
通过研究智能机器人路径规划可以了解到，不同策略方式的选择应用都可以充实到智能机器人研究成果之中，尤其是遗传算法的实践应用，令智能机器人路径规划更加合理。从以往的研究资料中可以了解到，智能机器人路径规划是机器人研究领域中的一项重要分支，同时也是智能机器人用以执行各种指令的基础条件。在研究智能机器人的路径规划过程中，遇到了诸如易陷入局部最优等问题，进而提出应用改进遗传算法来改善这一状况，并且取得了良好的实效。总之，基于遗传算法的机器人路径规划能够在一定程度上推动该研究项目的发展，从而积累更多的研究经验。■
参考文献
[1]崔瑾娟.基于遗传算法的机器人路径规划[J].洛阳师范学院学报，2013，02（02）：35-36.
关键词：多机器人；路径规划；强化学习；评判准则
abstract:this paper analyzed and concluded the main method and current research of the path planning research for multirobot.then discussed the criterion of path planning research for multirobot based large of literature.meanwhile,it expounded the bottleneck of the path planning research for multirobot，forecasted the future development of multirobot path planning.
key words:multirobot；path planning;reinforcement learning;evaluating criteria
近年来，分布式人工智能(dai)成为人工智能研究的一个重要分支。dai研究大致可以分为dps（distributed problem solving）和mas（multiagent system）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（mars）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术界研究的热点,而路径规划研究又是其核心部分。
机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果[1~3]，例如在静态环境中常见的有连接图法、可视图法、切线图法、voronoi图法、自由空间法、栅格法、拓扑法、链接图法、dempstershafer证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划研究比单个机器人路径规划要复杂得多，必须考虑多机器人系统中机器人之间的避碰机制、机器人之间的相互协作机制、通信机制等问题。
1 多机器人路径规划方法
单个机器人的路径规划是找出从起始点至终点的一条最短无碰路径。多个机器人的路径规划侧重考虑整个系统的最优路径，如系统的总耗时间最少路径或是系统总路径最短等。从目前国内外的研究来看，在规划多机器人路径时，更多考虑的是多机器人之间的协调和合作式的路径规划。
目前国内外多机器人路径规划研究方法分为传统方法、智能优化方法和其他方法三大类。其中传统方法主要有基于图论的方法（如可视图法、自由空间法、栅格法、voronoi图法以及人工势场方法等）；智能优化方法主要有遗传算法、蚁群算法、免疫算法、神经网络、强化学习等；其他方法主要有动态规划、最优控制算法、模糊控制等。它们中的大部分都是从单个机器人路径规划方法扩展而来的。
1）传统方法 多机器人路径规划传统方法的特点主要体现在基于图论的基础上。方法一般都是先将环境构建成一个图，然后再从图中寻找最优的路径。其优点是比较简单，比较容易实现；缺点是得到的路径有可能不是最优路径，而是次优路径。薄喜柱等人[4]提出的一种新路径规划方法的基本思想就是基于栅格类的环境表示和障碍地图的。而人工势场方法的基本思想是将移动机器人在环境中的运动视为一种虚拟人工受力场中的运动。障碍物对移动机器人产生斥力，目标点产生引力，引力和斥力周围由一定的算法产生相应的势，机器人在势场中受到抽象力作用,抽象力使得机器人绕过障碍物。其优点是适合未知环境下的规划，不会出现维数爆炸问题；但是人工势场法也容易陷入局部最小，并且存在丢失解的部分有用信息的可能。顾国昌等人[5]提出了引用总体势减小的动态调度技术的多机器人路径规划，较好地解决了这个问题。
2）智能优化方法 多机器人路径规划的智能优化方（算）法是随着近年来智能计算发展而产生的一些新方法。其相对于传统方法更加智能化，且日益成为国内外研究的重点。
遗传算法是近年来计算智能研究的热点，作为一种基于群体进化的概率优化方法，适用于处理传统搜索算法难以解决的复杂和非线性问题，如多机器的路径规划问题。在路径规划中，其基本思想是先用链接图法把环境地图构建成一个路径节点链接网，将路径个体表达为路径中一系列中途节点，并转换为二进制串；然后进行遗传操作（如选择、交叉、复制、变异），经过n次进化，输出当前的最优个体即机器人的最优路径。遗传算法的缺点是运算速度不快，进化众多的规划要占据很大的存储空间和运算时间；优点是有效避免了局部极小值问题，且计算量较小。
孙树栋等人[6，7]在这方面较早地展开了研究，提出的基于集中协调思想的一种混合遗传算法来规划多机器人路径方法较好地解决了避障问题。但不足的是该方法必须建立环境地图，在环境未知情况下的规划没有得到很好的解决；且规划只能保证找到一个比较满意的解，在求解全局最优解时仍有局限。
文献[8]中提出的一种基于定长十进编码方法有效降低了遗传算法的编码难度，克服了已有的变长编码机制及定长二进制编码机制需特殊遗传操作算子和特殊解码的缺陷, 使得算法更加简单有效。
智能计算的另一种常见的方法——蚁群算法属于随机搜索的仿生算法。其基本思想是模拟蚂蚁群体的觅食运动过程来实现寻优，通过蚂蚁群体中各个体之间的相互作用，分布、并行地解决组合优化问题。该算法同样比较适合解决多机器人的路径规划问题。
朱庆保[9]提出了在全局未知环境下多机器人运动蚂蚁导航算法。该方法将全局目标点映射到机器人视野域边界附近作为局部导航子目标，再由两组蚂蚁相互协作完成机器人视野域内局部最优路径的搜索，然后在此基础上进行与其他机器人的碰撞预测与避碰规划。因此，机器人的前进路径不断被动态修改，从而在每条局部优化路径引导下，使机器人沿一条全局优化的路径到达目标点。但其不足是在动态不确定的环境中路径规划时间开销剧增，而且机器人缺乏必要的学习，以至于整个机器人系统路径难以是最优路径。
强化学习[10，11] (又称再激励学习)是一种重要的机器学习方法。它是一种智能体从环境状态到行为映射的学习，使得行为从环境中获得积累奖赏值最大。其原理如图1所示。
强化学习算法一般包含了两个步骤：a）从当前学习循环的值函数确定新的行为策略；b）在新的行为策略指导下，通过所获得的瞬时奖惩值对该策略进行评估。学习循环过程如下所示，直到值函数和策略收敛:
v0π1v1π2…v*π*v*
目前比较常见的强化学习方法有：monte carlo方法、动态规划方法、td（时间差分）方法。其中td算法包含sarsa算法、q学习算法以及dyna-q算法等。其q值函数迭代公式分别为
td（0）策略： v(si)v(si)+α[γi+1+γv(si+1)-v(si)]
sarsa算法： q(st,at)q(st,at)+α[γt+1+γq(st+1,at.+1)-q(st,at)]qs′学习算法： qπ(s,a)=∑pαss′[rass′+γvπ(s′)]
近年来，基于强化学习的路径规划日益成为国内外学者研究的热点。m. j. mataric[12]首次把强化学习引入到多机器人环境中。而基于强化学习的多机器人路径规划的优点主要体现在：无须建立精确的环境模型，简化了智能体的编程；无须构建环境地图；强化学习可以把路径规划、避碰、避障、协作等问题统一解决。
张芳等人[13]提出了基于再激励协调避障路径规划方法，把再励函数设计为基于行为分解的无模型非均匀结构，新的再励函数结构使得学习速度得以提高且有较好的鲁棒性。同时，证明了在路径规划中，机器人的趋向目标和避障行为密切相关，对反映各基本行为的再励函数取加权和来表示总的再励函数要优于取直接和的表示方式，也反映了再励函数设计得合理与否及其确切程度将影响再励学习的收敛速度。王醒策等人[14]在动态编队的强化学习算法方面展开了研究。宋一然[15]则提出了分段再励函数的强化学习方法进行路径规划。其缺点是学习次数较多、效率不高，当机器人数目增加时，它有可能面临维数灾难的困难。所以，基于强化学习的路径规划在多机器人环境下的学习将变得比较困难，需要对传统的强化学习加以优化，如基于人工神经网络的强化学习[16]等。
3)其他方法 除了以上国内外几种比较常见且研究较多的方法外，还有唐振民等人[17]提出的基于动态规划思想的多机器人路径规划，把运筹学中的动态规划思想与dijkstra算法引入到多机器人的路径规划中，用动态规划的基本思想来解决图论中的费用流问题和路径规划中的层级动态联盟问题。其选择距离邻近法作为联盟参考依据。一个机器人的邻居是指在地理位置上分布在这个机器人周围的其他机器人；与该机器人最近邻的机器人为第一层邻居,第一层邻居的邻居为该机器人的第二层邻居, 依此类推。那么层级越高（即越近)的邻居,它满足协作要求的可能性越大。动态规划算法实质上是一种以空间换时间的技术，它在实现的过程中，必须存储产生过程中的各种状态，其空间复杂度要大于其他算法，故动态规划方法比较适合多机器人的全局路径规划。
孙茂相等人[18]提出了最优控制与智能决策相结合的多移动机器人路径规划方法。其首先构造一个以各机器人最优运动状态数据库为核心的实时专家系统, 在离线状态下完成; 然后各机器人在此专家系统的支持下, 以最优规划策略为基础, 采用速度迁移算法, 自主决定其控制。该方法拥有较好的稳定性与复杂度。焦立男等人[19]提出的基于局部传感和通信的多机器人运动规划框架较好地解决了多机器人路径规划在局部在线规划的系统框架问题。沈捷等人[20]提出了保持队形的多移动机器人路径规划。以基于行为的导航算法为基础,把机器人队列的运动过程划分为正常运动、避障和恢复队形三个阶段。在避障阶段,引入虚拟机器人使队形保持部分完整;当队形被严重打乱时,规划机器人的局部目标位姿使队列快速恢复队形。其算法重点为避障机器人进入避障状态,暂时脱离队列,并以虚拟机器人代替避障机器人。
2 多机器人避碰和避障
避障和避碰是多机器人路径规划研究中需要考虑的重点问题之一。避障和避碰主要讨论的内容有防止碰撞；冲突消解、避免拥塞；如何避免死锁。在路径规划中常见的多机器人避障方法[21]有主从控制法、动态优先法（建立在机器人之间的通信协商上）、交通规则法、速率调整法，以及障碍物膨胀法、基于人工势场的方法等。
目前国内外对于多机器人避障展开的研究还不是很多，比较典型的有徐潼等人[22]以th.fraichard的思想为基础，扩充并完善了路径/速度分解方案来协调多机器人,设立集中管理agent进行整体规划，为每个机器人规划路径；并根据优先级规则对运动特征进行分布式规划以避免机器人间的冲突。周明等人[23]提出分布式智能避撞规划系统，将原来比较复杂的大系统转换为相对简单的子系统问题,由各智能机器人依据任务要求和环境变化, 独立调整自身运动状态,完成任务的分布式智能决策体系结构。任炏等人[24]提出了基于过程奖赏和优先扫除的强化学习多机器人系统的冲突消解方法。该算法能够显著减少冲突,避免死锁,提高了系统整体性能。欧锦军等人[25]提出了通过调整机器人的运动速度实现多机器人避碰，将避碰问题转换为高维线性空间的优化问题, 并进一步将其转换为线性方程的求解。该方法的缺点是系统的复杂度较高、计算量太大。
人工势场方法的特点是计算简洁、实时性强、便于数学描述，且适合于多自由度机器人环境，但容易产生抖动和陷入局部极小。为了克服其缺点，景兴建等人[26]提出了人工协调场的方法，在传统排斥力场中增加一个协调力,并将吸引力、排斥力和协调力与局部环境下机器人的运动状态和运动要求结合起来，有效地保证机器人的安全性，提高机器人在复杂动态环境下行为决策的准确性和鲁棒性。
3 多机器人协作和协调机制
多机器人间的运动协调[27~31]是多机器人路径规划的关键，也是多机器人与单机器人路径规划相区别的根本所在。多机器人系统在复杂动态实时环境下，由于受到时间、资源及任务要求的约束，需要在有限时间、资源的情况下进行资源分配、任务调配、冲突解决等协调合作问题，而机器人间的协调与协作，能够大大地提高整个系统的效率和鲁棒性，成为系统完成控制或解决任务的关键。
目前已有的协调方式分为集中式、分布式和混合式三种。在集中式协调中，集中规划器详细地规划出每个机器人的动作，通常的做法是将多个机器人看做一个多自由度的机器人进行规划；而分布式协调规划中，机器人之间进行合作，将一个任务分成多个子任务，根据各自的特点完成不同的子任务，从而共同完成总任务；混合式协调是集中式和分布式混合在一起的形式。
多机器人间典型的协调方法[32]有合同网协议[33]、黑板模型、结果共享的协同方法、市场机制。近年来强化学习在多机器人协作方面也得到很好的应用，陈雪江[32]在基于强化学习的多机器人协作方面展开了研究，提出了多智能体协作的两层强化学习方法来求解在多智能体完全协作、有通信情况下的协作问题。其主要通过在单个智能体中构筑两层强化学习单元来实现：第一层强化学习单元负责学习智能体的联合任务协作策略；第二层强化学习单元负责学习在本智能体看来是最有效的行动策略。陈伟等人[34]提出基于多目标决策理论的多机器人协调方法；通过对环境的拓扑建模,从基于行为的机器人学角度出发,对任务进行分解并设计目标行为,以多目标行为决策理论作为决策支持,从而达到多机器人运动协调的目的。
4 多机器人路径规划方(算)法的判优准则
通常评价机器人路径规划方(算)法的标准文献[35]有正确性、时间/空间复杂度、并行性、可靠性、扩展性、鲁棒性和学习。而多机器人的路径规划除了以上一些衡量标准之外，还需要考虑整个系统的最优化以及机器人间的协调性。
1)正确性 是分析算法的最基本的原则之一。一般来说算法的正确性是指:在给定有效的输入数据后，算法经过有穷时间的计算能给出正确的答案。但在多机器人路径规划算法中，正确性主要指:路径规划算法要生成多个机器人协调运动的无碰安全路径;这条路径是优化的。
2)安全性 一般指多机器人所生成的各路径中节点与障碍物有一定的距离。但在实际的应用背景下，有人认为安全性可以从两个方面来理解：a）狭义地讲，它就是机器人在行走过程中所做的功。在一定的条件下，它与路径长度准则是一致的。b）广义地讲，它是各种优化条件加权综合而得到的结果。
3)复杂度 一个算法的复杂性高低体现在该算法所需要的计算机资源的多少上面。所需要的资源越多，该算法的复杂性越高；反之，所需要的资源越少，该算法的复杂性就越低。算法的复杂性包括时间复杂度和空间复杂度。
在多机器人的路径规划算法中，算法的复杂度分析显得尤为重要。一般地，单机器人路径规划算法的时空复杂度已经颇高，它们的数量级至少是o(n2)；多机器人的路径规划算法不仅是m-o(n2)(即m个机器人路径规划简单地叠加)，它们之间还存在着对运动空间竞争的冲突，面对不断变化的冲突的协调需要花费大量的时间和空间。通常多机器人的路径规划算法与机器人的个数呈指数关系o(km×n2)（k为常数）。这对多机器人路径规划算法的时间/空间复杂度控制是一个很严峻的考验。
4)并行性 算法的并行性从算法设计、编写程序、编译和运行等多个不同的层次来体现。路径规划过程需要大量的计算，当处理的环境比较复杂，机器人工作的环境过于紧凑，尤其是机器人数量很多时，算法的时间/空间复杂度势必会成为算法效率的关键。因此，在算法设计和运行上的并行性是通常考虑的方法。对多个机器人的路径规划尽量采用分布式多进程的规划机制，以实现每个机器人路径规划的并行性。
5)可靠性 把多个机器人及其工作环境看成是一个系统，多机器人处于它们各自的起始点时，称该系统处于初始状态；当它们处于各自的目标点时，称该系统处于目标状态。多机器人的路径规划就是在该系统的这两个状态间建立一串合理的状态变迁。这一状态变迁过程可能会历经许多状态，如果在状态变迁过程中，路径规划算法控制不好各状态间的转移关系，就会导致系统紊乱，出现机器人间的碰撞、找不到路径等恶性后果，使任务失败。所以这就对算法的可靠性和完备性提出了挑战。为了很好地克服这一困难，需要对系统的各种可能状态建模，分析它们相互间的关系，建立有限状态自动机模型或petri网模型，并以此为指导，按照软件工程的思想，构造恰当的算法输入来对算法的可靠性进行检验。
6)可扩展性 在多机器人的路径规划算法中，可扩展性主要是指一种路径规划算法在逻辑上，或者说在实现上能否容易地从2d空间扩展到3d空间，从低自由度扩展到高自由度，从较少的机器人数到更多的机器人数。可扩展性在各种路径规划算法之间没有一种量的比较标准，只能从实际的具体情况出发、从对环境描述的适宜程度出发、从算法解决这一问题的复杂度出发、从算法本身的自适应出发等来考虑。
7)鲁棒性和学习 鲁棒性对于多机器人系统非常重要。因为许多应用，如路径规划要求连续的作业、系统中的单个机器人出现故障或被破坏，要求机器人利用剩余的资源仍然能够完成任务。学习是在线适应特定的任务。虽然通用的系统非常有用，但将它用于特定应用上时，通常需要调整一些参数。具有在线调整相关参数的能力是非常吸引人的，这在将体系结构转移到其他应用时可以节省许多工作。尤其是多机器人系统中机器人的自身学习和相互间的学习能够大大提高整个系统的效率和系统的稳定性。
8）最优化 对动态环境有优化反应。由于有些应用领域涉及的是动态的环境条件，具有根据条件优化系统的反应能力成为能否成功的关键。
5 结束语
综上所述，国内外研究者在多机器人路径规划取得了一些成果，但是在协作、学习、通信机制等方面仍面临很大的困难和不足。如何进一步提高机器人间的协调性，增强机器人自身以及相互间的学习以提高多机器人系统的效率和鲁棒性都有待深入研究。近年来无线通信技术得到长足发展,但在目前的技术条件下，在多机器人系统中实现所有机器人之间的点对点实时通信还有较大困难，这也是大多数多机器人系统仍然采用集中通信方式的主要原因。因此，如何降低多机器人系统对通信速度的依赖程度也是一个非常重要的问题。
总之,多机器人路径规划设计和实现是一项极其复杂的系统工程,展望其能在结合计算智能方法，如差分进化、遗传算法、粒子群算法、免疫算法、模糊逻辑算法、bp网络、人工势场的改进、模拟退火和环境建模方法等方面取得新的突破。
参考文献：
［1］weiss g.multiagent systems:a modern approach to distributed modern approach to artificial intelligence[m].cambridge, massachusetts：mit press，1999：121-161.
[2]蔡自兴，徐光祐.人工智能及其应用:研究生用书[m].3版.北京：清华大学出版社，2004：124-198.
[3]谭民,王硕,曹志强.多机器人系统[m].北京：清华大学出版社，2005：6-81.
[4]薄喜柱,洪炳熔.动态环境下多移动机器人路径规划的一种新方法[j].机器人，2001,23（5）：407-410.
[5]顾国昌,李亚波.基于总体势减小的动态调度技术解决多机器人的路径规划[j].机器人，2001,23（2）：171-174.
[6]孙树栋,林茂.基于遗传算法的多移动机器人协调路径规划[j].自动化学报，2000,26（5）：672-676.
[7]周明,孙树栋,彭炎午.基于遗传算法的多机器人系统集中协调式路径规划[j].航空学报，2000,21（2）：146-149.
[8]cai zixing,peng zhihong.cooperative coevolutionary adaptive genetic algorithm in path planning of cooperative multimobile robot systems[j].journal of intelligent and robotic systems:theory and applications,2002,33(1):61-71.
[9]朱庆保.全局未知环境下多机器人运动蚂蚁导航算法[j].软件学报，2006,17（9）：1890-1898.
[10]sandholm t w，crites r h.multiagent reinforcement learning in the iterated prisoner’s dilemma[j].biosystems，1996，37(1):147-166.
[11]高阳，陈世福，陆鑫.强化学习研究综述[j].自动化学报，2004,30（1）：
86-100.
[12]mataric m j.interaction and intelligent behavior[d].massachusetls:department of electrical engineering and computer science,mit,1994.
[13]张芳,颜国正,林良明.基于再励学习的多移动机器人协调避障路径规划方法[j].计算机工程与应用，2003，39（3）：80-83.
[14]王醒策,张汝波,顾国昌.多机器人动态编队的强化学习算法研究[j].计算机研究与发展，2003,40（10）：1444-1450.
[15]宋一然.基于强化学习的多机器人路径规划方法[j].莆田学院学报，2006,13（2）：38-41.
[16]韩学东,洪炳熔.基于人工神经网络的多机器人协作学习研究[j].计算机工程与设计，2002,23（6）：1-3.
[17]唐振民,赵春霞,杨静宇，等.基于动态规划思想的多机器人路径规划[j].南京理工大学学报，2003,27（5）：610-615.
[18]孙茂相,周明,王艳红,等.多移动机器人实时最优运动规划[j].控制与决策，1998,
13（2）：125-130.
[19]焦立男,唐振民.基于局部传感和通讯的多机器人运动规划框架[j].计算机工程与应用，2007,43(17)：89-93.
[20]沈捷,费树岷，郑波.多移动机器人保持队形路径规划[j].东南大学学报，2005,35(3):391-395.
[21]mansor m a，morris a s.path planning in unknown environment with obstacles using virtual window[j].journal of intelligent and robotic systems，1999，24(3):235-251.
[22]徐潼，唐振民.多机器人系统中的动态避碰规划[j].计算机工程，2003,29(17):
79-81,104.
[23]周明,孙茂相,尹朝万，等.多移动机器人分布式智能避撞规划系统[j].机器人，1999,21（2）：139-143.
[24]任炏,陈宗海.基于强化学习算法的多机器人系统的冲突消解的方法[j].控制与决策，2006,21(4):430-434,439.
[25]欧锦军,朱枫.一种多移动机器人避碰规划方法[j].机器人，2000,22(6):474-481.
[26]景兴建,王越超,谈大龙.基于人工协调场的多移动机器人实时协调避碰规划[j].控制理论与应用，2004,21(5):757-764.
[27]panait l,luke s.cooperative multiagent learning:the state of the art[j].autonomous agents and multiagent systems,2005,11(3):387-434.
[28]tzafestas c s,prokopiou p a,tzafestas s g.path planning and control of a cooperative three robot system manipulating large objects[j].journal of intelligent and robotic systems，1998,22(2):99-116.
[29]薛宏涛,叶媛媛,沈林成，等.多智能体系统体系结构及协调机制研究综述[j].机器人，2001,23（1）：85-90.
[30]周风余,李贻斌,宋锐，等.基于混合式多智能体系统的协作多机器人系统研究[j].山东大学学报:工学版，2005,35(1):82-87.
[31]夏冰,张佐,张毅,等.基于多智能体系统的动态路径选择算法研究[j].公路交通科技，2003,20（1）：93-96.
[32]陈雪江.基于强化学习的多机器人协作机制研究[d].杭州：浙江工业大学，2004.
目前国内外多机器人路径规划研究方法分为传统方法、智能优化方法和其他方法三大类。其中传统方法主要有基于图论的方法（如可视图法、自由空间法、栅格法、Voronoi图法以及人工势场方法等）；智能优化方法主要有遗传算法、蚁群算法、免疫算法、神经网络、强化学习等；其他方法主要有动态规划、最优控制算法、模糊控制等。它们中的大部分都是从单个机器人路径规划方法扩展而来的。
1）传统方法多机器人路径规划传统方法的特点主要体现在基于图论的基础上。方法一般都是先将环境构建成一个图，然后再从图中寻找最优的路径。其优点是比较简单，比较容易实现；缺点是得到的路径有可能不是最优路径，而是次优路径。薄喜柱等人[4]提出的一种新路径规划方法的基本思想就是基于栅格类的环境表示和障碍地图的。而人工势场方法的基本思想是将移动机器人在环境中的运动视为一种虚拟人工受力场中的运动。障碍物对移动机器人产生斥力，目标点产生引力，引力和斥力周围由一定的算法产生相应的势，机器人在势场中受到抽象力作用,抽象力使得机器人绕过障碍物。其优点是适合未知环境下的规划，不会出现维数爆炸问题；但是人工势场法也容易陷入局部最小，并且存在丢失解的部分有用信息的可能。顾国昌等人[5]提出了引用总体势减小的动态调度技术的多机器人路径规划，较好地解决了这个问题。
2）智能优化方法多机器人路径规划的智能优化方（算）法是随着近年来智能计算发展而产生的一些新方法。其相对于传统方法更加智能化，且日益成为国内外研究的重点。
遗传算法是近年来计算智能研究的热点，作为一种基于群体进化的概率优化方法，适用于处理传统搜索算法难以解决的复杂和非线性问题，如多机器的路径规划问题。在路径规划中，其基本思想是先用链接图法把环境地图构建成一个路径节点链接网，将路径个体表达为路径中一系列中途节点，并转换为二进制串；然后进行遗传操作（如选择、交叉、复制、变异），经过N次进化，输出当前的最优个体即机器人的最优路径。遗传算法的缺点是运算速度不快，进化众多的规划要占据很大的存储空间和运算时间；优点是有效避免了局部极小值问题，且计算量较小。
孙树栋等人[6，7]在这方面较早地展开了研究，提出的基于集中协调思想的一种混合遗传算法来规划多机器人路径方法较好地解决了避障问题。但不足的是该方法必须建立环境地图，在环境未知情况下的规划没有得到很好的解决；且规划只能保证找到一个比较满意的解，在求解全局最优解时仍有局限。
文献[8]中提出的一种基于定长十进编码方法有效降低了遗传算法的编码难度，克服了已有的变长编码机制及定长二进制编码机制需特殊遗传操作算子和特殊解码的缺陷,使得算法更加简单有效。
智能计算的另一种常见的方法——蚁群算法属于随机搜索的仿生算法。其基本思想是模拟蚂蚁群体的觅食运动过程来实现寻优，通过蚂蚁群体中各个体之间的相互作用，分布、并行地解决组合优化问题。该算法同样比较适合解决多机器人的路径规划问题。
朱庆保[9]提出了在全局未知环境下多机器人运动蚂蚁导航算法。该方法将全局目标点映射到机器人视野域边界附近作为局部导航子目标，再由两组蚂蚁相互协作完成机器人视野域内局部最优路径的搜索，然后在此基础上进行与其他机器人的碰撞预测与避碰规划。因此，机器人的前进路径不断被动态修改，从而在每条局部优化路径引导下，使机器人沿一条全局优化的路径到达目标点。但其不足是在动态不确定的环境中路径规划时间开销剧增，而且机器人缺乏必要的学习，以至于整个机器人系统路径难以是最优路径。
强化学习[10，11](又称再激励学习)是一种重要的机器学习方法。它是一种智能体从环境状态到行为映射的学习，使得行为从环境中获得积累奖赏值最大。其原理如图1所示。
强化学习算法一般包含了两个步骤：a）从当前学习循环的值函数确定新的行为策略；b）在新的行为策略指导下，通过所获得的瞬时奖惩值对该策略进行评估。学习循环过程如下所示，直到值函数和策略收敛:
v0π1v1π2…v*π*v*
目前比较常见的强化学习方法有：MonteCarlo方法、动态规划方法、TD（时间差分）方法。其中TD算法包含Sarsa算法、Q学习算法以及Dyna-Q算法等。其Q值函数迭代公式分别为
TD（0）策略：V(si)V(si)+α[γi+1+γV(si+1)-V(si)]
Sarsa算法：Q(st,at)Q(st,at)+α[γt+1+γQ(st+1,at.+1)-Q(st,at)]Qs′学习算法：Qπ(s,a)=∑Pαss′[Rass′+γVπ(s′)]
近年来，基于强化学习的路径规划日益成为国内外学者研究的热点。M.J.Mataric[12]首次把强化学习引入到多机器人环境中。而基于强化学习的多机器人路径规划的优点主要体现在：无须建立精确的环境模型，简化了智能体的编程；无须构建环境地图；强化学习可以把路径规划、避碰、避障、协作等问题统一解决。
张芳等人[13]提出了基于再激励协调避障路径规划方法，把再励函数设计为基于行为分解的无模型非均匀结构，新的再励函数结构使得学习速度得以提高且有较好的鲁棒性。同时，证明了在路径规划中，机器人的趋向目标和避障行为密切相关，对反映各基本行为的再励函数取加权和来表示总的再励函数要优于取直接和的表示方式，也反映了再励函数设计得合理与否及其确切程度将影响再励学习的收敛速度。王醒策等人[14]在动态编队的强化学习算法方面展开了研究。宋一然[15]则提出了分段再励函数的强化学习方法进行路径规划。其缺点是学习次数较多、效率不高，当机器人数目增加时，它有可能面临维数灾难的困难。所以，基于强化学习的路径规划在多机器人环境下的学习将变得比较困难，需要对传统的强化学习加以优化，如基于人工神经网络的强化学习[16]等。
3)其他方法除了以上国内外几种比较常见且研究较多的方法外，还有唐振民等人[17]提出的基于动态规划思想的多机器人路径规划，把运筹学中的动态规划思想与Dijkstra算法引入到多机器人的路径规划中，用动态规划的基本思想来解决图论中的费用流问题和路径规划中的层级动态联盟问题。其选择距离邻近法作为联盟参考依据。一个机器人的邻居是指在地理位置上分布在这个机器人周围的其他机器人；与该机器人最近邻的机器人为第一层邻居,第一层邻居的邻居为该机器人的第二层邻居,依此类推。那么层级越高（即越近)的邻居,它满足协作要求的可能性越大。动态规划算法实质上是一种以空间换时间的技术，它在实现的过程中，必须存储产生过程中的各种状态，其空间复杂度要大于其他算法，故动态规划方法比较适合多机器人的全局路径规划。
孙茂相等人[18]提出了最优控制与智能决策相结合的多移动机器人路径规划方法。其首先构造一个以各机器人最优运动状态数据库为核心的实时专家系统,在离线状态下完成;然后各机器人在此专家系统的支持下,以最优规划策略为基础,采用速度迁移算法,自主决定其控制。该方法拥有较好的稳定性与复杂度。焦立男等人[19]提出的基于局部传感和通信的多机器人运动规划框架较好地解决了多机器人路径规划在局部在线规划的系统框架问题。沈捷等人[20]提出了保持队形的多移动机器人路径规划。以基于行为的导航算法为基础,把机器人队列的运动过程划分为正常运动、避障和恢复队形三个阶段。在避障阶段,引入虚拟机器人使队形保持部分完整;当队形被严重打乱时,规划机器人的局部目标位姿使队列快速恢复队形。其算法重点为避障机器人进入避障状态,暂时脱离队列,并以虚拟机器人代替避障机器人。
2多机器人避碰和避障
避障和避碰是多机器人路径规划研究中需要考虑的重点问题之一。避障和避碰主要讨论的内容有防止碰撞；冲突消解、避免拥塞；如何避免死锁。在路径规划中常见的多机器人避障方法[21]有主从控制法、动态优先法（建立在机器人之间的通信协商上）、交通规则法、速率调整法，以及障碍物膨胀法、基于人工势场的方法等。
目前国内外对于多机器人避障展开的研究还不是很多，比较典型的有徐潼等人[22]以Th.Fraichard的思想为基础，扩充并完善了路径/速度分解方案来协调多机器人,设立集中管理agent进行整体规划，为每个机器人规划路径；并根据优先级规则对运动特征进行分布式规划以避免机器人间的冲突。周明等人[23]提出分布式智能避撞规划系统，将原来比较复杂的大系统转换为相对简单的子系统问题,由各智能机器人依据任务要求和环境变化,独立调整自身运动状态,完成任务的分布式智能决策体系结构。任炏等人[24]提出了基于过程奖赏和优先扫除的强化学习多机器人系统的冲突消解方法。该算法能够显著减少冲突,避免死锁,提高了系统整体性能。欧锦军等人[25]提出了通过调整机器人的运动速度实现多机器人避碰，将避碰问题转换为高维线性空间的优化问题,并进一步将其转换为线性方程的求解。该方法的缺点是系统的复杂度较高、计算量太大。
人工势场方法的特点是计算简洁、实时性强、便于数学描述，且适合于多自由度机器人环境，但容易产生抖动和陷入局部极小。为了克服其缺点，景兴建等人[26]提出了人工协调场的方法，在传统排斥力场中增加一个协调力,并将吸引力、排斥力和协调力与局部环境下机器人的运动状态和运动要求结合起来，有效地保证机器人的安全性，提高机器人在复杂动态环境下行为决策的准确性和鲁棒性。
3多机器人协作和协调机制
多机器人间的运动协调[27~31]是多机器人路径规划的关键，也是多机器人与单机器人路径规划相区别的根本所在。多机器人系统在复杂动态实时环境下，由于受到时间、资源及任务要求的约束，需要在有限时间、资源的情况下进行资源分配、任务调配、冲突解决等协调合作问题，而机器人间的协调与协作，能够大大地提高整个系统的效率和鲁棒性，成为系统完成控制或解决任务的关键。
目前已有的协调方式分为集中式、分布式和混合式三种。在集中式协调中，集中规划器详细地规划出每个机器人的动作，通常的做法是将多个机器人看做一个多自由度的机器人进行规划；而分布式协调规划中，机器人之间进行合作，将一个任务分成多个子任务，根据各自的特点完成不同的子任务，从而共同完成总任务；混合式协调是集中式和分布式混合在一起的形式。
摘要：在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。
关键词：多机器人；路径规划；强化学习；评判准则
Abstract:Thispaperanalyzedandconcludedthemainmethodandcurrentresearchofthepathplanningresearchformultirobot.Thendiscussedthecriterionofpathplanningresearchformultirobotbasedlargeofliterature.Meanwhile,itexpoundedthebottleneckofthepathplanningresearchformultirobot，forecastedthefuturedevelopmentofmultirobotpathplanning.
Keywords:multirobot；pathplanning;reinforcementlearning;evaluatingcriteria
近年来，分布式人工智能(DAI)成为人工智能研究的一个重要分支。DAI研究大致可以分为DPS（distributedproblemsolving）和MAS（multiagentsystem）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（MARS）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术界研究的热点,而路径规划研究又是其核心部分。
机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果[1~3]，例如在静态环境中常见的有连接图法、可视图法、切线图法、Voronoi图法、自由空间法、栅格法、拓扑法、链接图法、DempsterShafer证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划研究比单个机器人路径规划要复杂得多，必须考虑多机器人系统中机器人之间的避碰机制、机器人之间的相互协作机制、通信机制等问题。
1多机器人路径规划方法
单个机器人的路径规划是找出从起始点至终点的一条最短无碰路径。多个机器人的路径规划侧重考虑整个系统的最优路径，如系统的总耗时间最少路径或是系统总路径最短等。从目前国内外的研究来看，在规划多机器人路径时，更多考虑的是多机器人之间的协调和合作式的路径规划。
目前国内外多机器人路径规划研究方法分为传统方法、智能优化方法和其他方法三大类。其中传统方法主要有基于图论的方法（如可视图法、自由空间法、栅格法、Voronoi图法以及人工势场方法等）；智能优化方法主要有遗传算法、蚁群算法、免疫算法、神经网络、强化学习等；其他方法主要有动态规划、最优控制算法、模糊控制等。它们中的大部分都是从单个机器人路径规划方法扩展而来的。
1）传统方法多机器人路径规划传统方法的特点主要体现在基于图论的基础上。方法一般都是先将环境构建成一个图，然后再从图中寻找最优的路径。其优点是比较简单，比较容易实现；缺点是得到的路径有可能不是最优路径，而是次优路径。薄喜柱等人[4]提出的一种新路径规划方法的基本思想就是基于栅格类的环境表示和障碍地图的。而人工势场方法的基本思想是将移动机器人在环境中的运动视为一种虚拟人工受力场中的运动。障碍物对移动机器人产生斥力，目标点产生引力，引力和斥力周围由一定的算法产生相应的势，机器人在势场中受到抽象力作用,抽象力使得机器人绕过障碍物。其优点是适合未知环境下的规划，不会出现维数爆炸问题；但是人工势场法也容易陷入局部最小，并且存在丢失解的部分有用信息的可能。顾国昌等人[5]提出了引用总体势减小的动态调度技术的多机器人路径规划，较好地解决了这个问题。
2）智能优化方法多机器人路径规划的智能优化方（算）法是随着近年来智能计算发展而产生的一些新方法。其相对于传统方法更加智能化，且日益成为国内外研究的重点。
遗传算法是近年来计算智能研究的热点，作为一种基于群体进化的概率优化方法，适用于处理传统搜索算法难以解决的复杂和非线性问题，如多机器的路径规划问题。在路径规划中，其基本思想是先用链接图法把环境地图构建成一个路径节点链接网，将路径个体表达为路径中一系列中途节点，并转换为二进制串；然后进行遗传操作（如选择、交叉、复制、变异），经过N次进化，输出当前的最优个体即机器人的最优路径。遗传算法的缺点是运算速度不快，进化众多的规划要占据很大的存储空间和运算时间；优点是有效避免了局部极小值问题，且计算量较小。
孙树栋等人[6，7]在这方面较早地展开了研究，提出的基于集中协调思想的一种混合遗传算法来规划多机器人路径方法较好地解决了避障问题。但不足的是该方法必须建立环境地图，在环境未知情况下的规划没有得到很好的解决；且规划只能保证找到一个比较满意的解，在求解全局最优解时仍有局限。
文献[8]中提出的一种基于定长十进编码方法有效降低了遗传算法的编码难度，克服了已有的变长编码机制及定长二进制编码机制需特殊遗传操作算子和特殊解码的缺陷,使得算法更加简单有效。
智能计算的另一种常见的方法——蚁群算法属于随机搜索的仿生算法。其基本思想是模拟蚂蚁群体的觅食运动过程来实现寻优，通过蚂蚁群体中各个体之间的相互作用，分布、并行地解决组合优化问题。该算法同样比较适合解决多机器人的路径规划问题。
朱庆保[9]提出了在全局未知环境下多机器人运动蚂蚁导航算法。该方法将全局目标点映射到机器人视野域边界附近作为局部导航子目标，再由两组蚂蚁相互协作完成机器人视野域内局部最优路径的搜索，然后在此基础上进行与其他机器人的碰撞预测与避碰规划。因此，机器人的前进路径不断被动态修改，从而在每条局部优化路径引导下，使机器人沿一条全局优化的路径到达目标点。但其不足是在动态不确定的环境中路径规划时间开销剧增，而且机器人缺乏必要的学习，以至于整个机器人系统路径难以是最优路径。
强化学习[10，11](又称再激励学习)是一种重要的机器学习方法。它是一种智能体从环境状态到行为映射的学习，使得行为从环境中获得积累奖赏值最大。其原理如图1所示。
强化学习算法一般包含了两个步骤：a）从当前学习循环的值函数确定新的行为策略；b）在新的行为策略指导下，通过所获得的瞬时奖惩值对该策略进行评估。学习循环过程如下所示，直到值函数和策略收敛:
v0π1v1π2…v*π*v*
目前比较常见的强化学习方法有：MonteCarlo方法、动态规划方法、TD（时间差分）方法。其中TD算法包含Sarsa算法、Q学习算法以及Dyna-Q算法等。其Q值函数迭代公式分别为
TD（0）策略：V(si)V(si)+α[γi+1+γV(si+1)-V(si)]
Sarsa算法：Q(st,at)Q(st,at)+α[γt+1+γQ(st+1,at.+1)-Q(st,at)]Qs′学习算法：Qπ(s,a)=∑Pαss′[Rass′+γVπ(s′)]
近年来，基于强化学习的路径规划日益成为国内外学者研究的热点。M.J.Mataric[12]首次把强化学习引入到多机器人环境中。而基于强化学习的多机器人路径规划的优点主要体现在：无须建立精确的环境模型，简化了智能体的编程；无须构建环境地图；强化学习可以把路径规划、避碰、避障、协作等问题统一解决。
张芳等人[13]提出了基于再激励协调避障路径规划方法，把再励函数设计为基于行为分解的无模型非均匀结构，新的再励函数结构使得学习速度得以提高且有较好的鲁棒性。同时，证明了在路径规划中，机器人的趋向目标和避障行为密切相关，对反映各基本行为的再励函数取加权和来表示总的再励函数要优于取直接和的表示方式，也反映了再励函数设计得合理与否及其确切程度将影响再励学习的收敛速度。王醒策等人[14]在动态编队的强化学习算法方面展开了研究。宋一然[15]则提出了分段再励函数的强化学习方法进行路径规划。其缺点是学习次数较多、效率不高，当机器人数目增加时，它有可能面临维数灾难的困难。所以，基于强化学习的路径规划在多机器人环境下的学习将变得比较困难，需要对传统的强化学习加以优化，如基于人工神经网络的强化学习[16]等。
3)其他方法除了以上国内外几种比较常见且研究较多的方法外，还有唐振民等人[17]提出的基于动态规划思想的多机器人路径规划，把运筹学中的动态规划思想与Dijkstra算法引入到多机器人的路径规划中，用动态规划的基本思想来解决图论中的费用流问题和路径规划中的层级动态联盟问题。其选择距离邻近法作为联盟参考依据。一个机器人的邻居是指在地理位置上分布在这个机器人周围的其他机器人；与该机器人最近邻的机器人为第一层邻居,第一层邻居的邻居为该机器人的第二层邻居,依此类推。那么层级越高（即越近)的邻居,它满足协作要求的可能性越大。动态规划算法实质上是一种以空间换时间的技术，它在实现的过程中，必须存储产生过程中的各种状态，其空间复杂度要大于其他算法，故动态规划方法比较适合多机器人的全局路径规划。
孙茂相等人[18]提出了最优控制与智能决策相结合的多移动机器人路径规划方法。其首先构造一个以各机器人最优运动状态数据库为核心的实时专家系统,在离线状态下完成;然后各机器人在此专家系统的支持下,以最优规划策略为基础,采用速度迁移算法,自主决定其控制。该方法拥有较好的稳定性与复杂度。焦立男等人[19]提出的基于局部传感和通信的多机器人运动规划框架较好地解决了多机器人路径规划在局部在线规划的系统框架问题。沈捷等人[20]提出了保持队形的多移动机器人路径规划。以基于行为的导航算法为基础,把机器人队列的运动过程划分为正常运动、避障和恢复队形三个阶段。在避障阶段,引入虚拟机器人使队形保持部分完整;当队形被严重打乱时,规划机器人的局部目标位姿使队列快速恢复队形。其算法重点为避障机器人进入避障状态,暂时脱离队列,并以虚拟机器人代替避障机器人。
2多机器人避碰和避障
避障和避碰是多机器人路径规划研究中需要考虑的重点问题之一。避障和避碰主要讨论的内容有防止碰撞；冲突消解、避免拥塞；如何避免死锁。在路径规划中常见的多机器人避障方法[21]有主从控制法、动态优先法（建立在机器人之间的通信协商上）、交通规则法、速率调整法，以及障碍物膨胀法、基于人工势场的方法等。
目前国内外对于多机器人避障展开的研究还不是很多，比较典型的有徐潼等人[22]以Th.Fraichard的思想为基础，扩充并完善了路径/速度分解方案来协调多机器人,设立集中管理agent进行整体规划，为每个机器人规划路径；并根据优先级规则对运动特征进行分布式规划以避免机器人间的冲突。周明等人[23]提出分布式智能避撞规划系统，将原来比较复杂的大系统转换为相对简单的子系统问题,由各智能机器人依据任务要求和环境变化,独立调整自身运动状态,完成任务的分布式智能决策体系结构。任炏等人[24]提出了基于过程奖赏和优先扫除的强化学习多机器人系统的冲突消解方法。该算法能够显著减少冲突,避免死锁,提高了系统整体性能。欧锦军等人[25]提出了通过调整机器人的运动速度实现多机器人避碰，将避碰问题转换为高维线性空间的优化问题,并进一步将其转换为线性方程的求解。该方法的缺点是系统的复杂度较高、计算量太大。
人工势场方法的特点是计算简洁、实时性强、便于数学描述，且适合于多自由度机器人环境，但容易产生抖动和陷入局部极小。为了克服其缺点，景兴建等人[26]提出了人工协调场的方法，在传统排斥力场中增加一个协调力,并将吸引力、排斥力和协调力与局部环境下机器人的运动状态和运动要求结合起来，有效地保证机器人的安全性，提高机器人在复杂动态环境下行为决策的准确性和鲁棒性。
3多机器人协作和协调机制
多机器人间的运动协调[27~31]是多机器人路径规划的关键，也是多机器人与单机器人路径规划相区别的根本所在。多机器人系统在复杂动态实时环境下，由于受到时间、资源及任务要求的约束，需要在有限时间、资源的情况下进行资源分配、任务调配、冲突解决等协调合作问题，而机器人间的协调与协作，能够大大地提高整个系统的效率和鲁棒性，成为系统完成控制或解决任务的关键。
目前已有的协调方式分为集中式、分布式和混合式三种。在集中式协调中，集中规划器详细地规划出每个机器人的动作，通常的做法是将多个机器人看做一个多自由度的机器人进行规划；而分布式协调规划中，机器人之间进行合作，将一个任务分成多个子任务，根据各自的特点完成不同的子任务，从而共同完成总任务；混合式协调是集中式和分布式混合在一起的形式。
多机器人间典型的协调方法[32]有合同网协议[33]、黑板模型、结果共享的协同方法、市场机制。近年来强化学习在多机器人协作方面也得到很好的应用，陈雪江[32]在基于强化学习的多机器人协作方面展开了研究，提出了多智能体协作的两层强化学习方法来求解在多智能体完全协作、有通信情况下的协作问题。其主要通过在单个智能体中构筑两层强化学习单元来实现：第一层强化学习单元负责学习智能体的联合任务协作策略；第二层强化学习单元负责学习在本智能体看来是最有效的行动策略。陈伟等人[34]提出基于多目标决策理论的多机器人协调方法；通过对环境的拓扑建模,从基于行为的机器人学角度出发,对任务进行分解并设计目标行为,以多目标行为决策理论作为决策支持,从而达到多机器人运动协调的目的。
4多机器人路径规划方(算)法的判优准则
通常评价机器人路径规划方(算)法的标准文献[35]有正确性、时间/空间复杂度、并行性、可靠性、扩展性、鲁棒性和学习。而多机器人的路径规划除了以上一些衡量标准之外，还需要考虑整个系统的最优化以及机器人间的协调性。
1)正确性是分析算法的最基本的原则之一。一般来说算法的正确性是指:在给定有效的输入数据后，算法经过有穷时间的计算能给出正确的答案。但在多机器人路径规划算法中，正确性主要指:路径规划算法要生成多个机器人协调运动的无碰安全路径;这条路径是优化的。
2)安全性一般指多机器人所生成的各路径中节点与障碍物有一定的距离。但在实际的应用背景下，有人认为安全性可以从两个方面来理解：a）狭义地讲，它就是机器人在行走过程中所做的功。在一定的条件下，它与路径长度准则是一致的。b）广义地讲，它是各种优化条件加权综合而得到的结果。
3)复杂度一个算法的复杂性高低体现在该算法所需要的计算机资源的多少上面。所需要的资源越多，该算法的复杂性越高；反之，所需要的资源越少，该算法的复杂性就越低。算法的复杂性包括时间复杂度和空间复杂度。
在多机器人的路径规划算法中，算法的复杂度分析显得尤为重要。一般地，单机器人路径规划算法的时空复杂度已经颇高，它们的数量级至少是O(n2)；多机器人的路径规划算法不仅是m-O(n2)(即m个机器人路径规划简单地叠加)，它们之间还存在着对运动空间竞争的冲突，面对不断变化的冲突的协调需要花费大量的时间和空间。通常多机器人的路径规划算法与机器人的个数呈指数关系O(km×n2)（k为常数）。这对多机器人路径规划算法的时间/空间复杂度控制是一个很严峻的考验。
4)并行性算法的并行性从算法设计、编写程序、编译和运行等多个不同的层次来体现。路径规划过程需要大量的计算，当处理的环境比较复杂，机器人工作的环境过于紧凑，尤其是机器人数量很多时，算法的时间/空间复杂度势必会成为算法效率的关键。因此，在算法设计和运行上的并行性是通常考虑的方法。对多个机器人的路径规划尽量采用分布式多进程的规划机制，以实现每个机器人路径规划的并行性。
5)可靠性把多个机器人及其工作环境看成是一个系统，多机器人处于它们各自的起始点时，称该系统处于初始状态；当它们处于各自的目标点时，称该系统处于目标状态。多机器人的路径规划就是在该系统的这两个状态间建立一串合理的状态变迁。这一状态变迁过程可能会历经许多状态，如果在状态变迁过程中，路径规划算法控制不好各状态间的转移关系，就会导致系统紊乱，出现机器人间的碰撞、找不到路径等恶性后果，使任务失败。所以这就对算法的可靠性和完备性提出了挑战。为了很好地克服这一困难，需要对系统的各种可能状态建模，分析它们相互间的关系，建立有限状态自动机模型或Petri网模型，并以此为指导，按照软件工程的思想，构造恰当的算法输入来对算法的可靠性进行检验。
6)可扩展性在多机器人的路径规划算法中，可扩展性主要是指一种路径规划算法在逻辑上，或者说在实现上能否容易地从2D空间扩展到3D空间，从低自由度扩展到高自由度，从较少的机器人数到更多的机器人数。可扩展性在各种路径规划算法之间没有一种量的比较标准，只能从实际的具体情况出发、从对环境描述的适宜程度出发、从算法解决这一问题的复杂度出发、从算法本身的自适应出发等来考虑。
7)鲁棒性和学习鲁棒性对于多机器人系统非常重要。因为许多应用，如路径规划要求连续的作业、系统中的单个机器人出现故障或被破坏，要求机器人利用剩余的资源仍然能够完成任务。学习是在线适应特定的任务。虽然通用的系统非常有用，但将它用于特定应用上时，通常需要调整一些参数。具有在线调整相关参数的能力是非常吸引人的，这在将体系结构转移到其他应用时可以节省许多工作。尤其是多机器人系统中机器人的自身学习和相互间的学习能够大大提高整个系统的效率和系统的稳定性。
8）最优化对动态环境有优化反应。由于有些应用领域涉及的是动态的环境条件，具有根据条件优化系统的反应能力成为能否成功的关键。
5结束语
综上所述，国内外研究者在多机器人路径规划取得了一些成果，但是在协作、学习、通信机制等方面仍面临很大的困难和不足。如何进一步提高机器人间的协调性，增强机器人自身以及相互间的学习以提高多机器人系统的效率和鲁棒性都有待深入研究。近年来无线通信技术得到长足发展,但在目前的技术条件下，在多机器人系统中实现所有机器人之间的点对点实时通信还有较大困难，这也是大多数多机器人系统仍然采用集中通信方式的主要原因。因此，如何降低多机器人系统对通信速度的依赖程度也是一个非常重要的问题。
总之,多机器人路径规划设计和实现是一项极其复杂的系统工程,展望其能在结合计算智能方法，如差分进化、遗传算法、粒子群算法、免疫算法、模糊逻辑算法、BP网络、人工势场的改进、模拟退火和环境建模方法等方面取得新的突破。
参考文献：
［1］WEISSG.Multiagentsystems:amodernapproachtodistributedmodernapproachtoartificialintelligence[M].Cambridge,Massachusetts：MITPress，1999：121-161.
[2]蔡自兴，徐光祐.人工智能及其应用:研究生用书[M].3版.北京：清华大学出版社，2004：124-198.
[3]谭民,王硕,曹志强.多机器人系统[M].北京：清华大学出版社，2005：6-81.
[4]薄喜柱,洪炳熔.动态环境下多移动机器人路径规划的一种新方法[J].机器人，2001,23（5）：407-410.
[5]顾国昌,李亚波.基于总体势减小的动态调度技术解决多机器人的路径规划[J].机器人，2001,23（2）：171-174.
[6]孙树栋,林茂.基于遗传算法的多移动机器人协调路径规划[J].自动化学报，2000,26（5）：672-676.
[7]周明,孙树栋,彭炎午.基于遗传算法的多机器人系统集中协调式路径规划[J].航空学报，2000,21（2）：146-149.
[8]CAIZixing,PENGZhihong.Cooperativecoevolutionaryadaptivegeneticalgorithminpathplanningofcooperativemultimobilerobotsystems[J].JournalofIntelligentandRoboticSystems:TheoryandApplications,2002,33(1):61-71.
[9]朱庆保.全局未知环境下多机器人运动蚂蚁导航算法[J].软件学报，2006,17（9）：1890-1898.
[10]SANDHOLMTW，CRITESRH.Multiagentreinforcementlearningintheiteratedprisoner’sdilemma[J].BioSystems，1996，37(1):147-166.
[11]高阳，陈世福，陆鑫.强化学习研究综述[J].自动化学报，2004,30（1）：
86-100.
[12]MATARICMJ.Interactionandintelligentbehavior[D].Massachusetls:DepartmentofElectricalEngineeringandComputerScience,MIT,1994.
[13]张芳,颜国正,林良明.基于再励学习的多移动机器人协调避障路径规划方法[J].计算机工程与应用，2003，39（3）：80-83.
[14]王醒策,张汝波,顾国昌.多机器人动态编队的强化学习算法研究[J].计算机研究与发展，2003,40（10）：1444-1450.
[15]宋一然.基于强化学习的多机器人路径规划方法[J].莆田学院学报，2006,13（2）：38-41.
[16]韩学东,洪炳熔.基于人工神经网络的多机器人协作学习研究[J].计算机工程与设计，2002,23（6）：1-3.
[17]唐振民,赵春霞,杨静宇，等.基于动态规划思想的多机器人路径规划[J].南京理工大学学报，2003,27（5）：610-615.
[18]孙茂相,周明,王艳红,等.多移动机器人实时最优运动规划[J].控制与决策，1998,
13（2）：125-130.
[19]焦立男,唐振民.基于局部传感和通讯的多机器人运动规划框架[J].计算机工程与应用，2007,43(17)：89-93.
[20]沈捷,费树岷，郑波.多移动机器人保持队形路径规划[J].东南大学学报，2005,35(3):391-395.
[21]MANSORMA，MORRISAS.Pathplanninginunknownenvironmentwithobstaclesusingvirtualwindow[J].JournalofIntelligentandRoboticSystems，1999，24(3):235-251.
[22]徐潼，唐振民.多机器人系统中的动态避碰规划[J].计算机工程，2003,29(17):
79-81,104.
[23]周明,孙茂相,尹朝万，等.多移动机器人分布式智能避撞规划系统[J].机器人，1999,21（2）：139-143.
[24]任炏,陈宗海.基于强化学习算法的多机器人系统的冲突消解的方法[J].控制与决策，2006,21(4):430-434,439.
[25]欧锦军,朱枫.一种多移动机器人避碰规划方法[J].机器人，2000,22(6):474-481.
[26]景兴建,王越超,谈大龙.基于人工协调场的多移动机器人实时协调避碰规划[J].控制理论与应用，2004,21(5):757-764.
[27]PANAITL,LUKES.Cooperativemultiagentlearning:thestateoftheart[J].AutonomousAgentsandMultiAgentSystems,2005,11(3):387-434.
[28]TZAFESTASCS,PROKOPIOUPA,TZAFESTASSG.Pathplanningandcontrolofacooperativethreerobotsystemmanipulatinglargeobjects[J].JournalofIntelligentandRoboticSystems，1998,22(2):99-116.
[29]薛宏涛,叶媛媛,沈林成，等.多智能体系统体系结构及协调机制研究综述[J].机器人，2001,23（1）：85-90.
[30]周风余,李贻斌,宋锐，等.基于混合式多智能体系统的协作多机器人系统研究[J].山东大学学报:工学版，2005,35(1):82-87.
[31]夏冰,张佐,张毅,等.基于多智能体系统的动态路径选择算法研究[J].公路交通科技，2003,20（1）：93-96.
[32]陈雪江.基于强化学习的多机器人协作机制研究[D].杭州：浙江工业大学，2004.
[33]SMITHR.Thecontractnetprotocol:highlevelcommunicationandcontrolinadistributedproblemsolver[J].IEEETransonComputer,1980，C-29(12):1104-1113.
[34]陈伟,张铭钧,孟宪松.基于多目标决策理论的多机器人协调方法[J].哈尔滨工程大学学报，2003,24（3）：308-312.
[35]李亚波.多机器人的路径规划与协调[D].哈尔滨：哈尔滨工程大学，2000.
