Algoritmo di ottimizzazione ibrido per la risoluzione di problemi di pianificazione dei percorsi basato sull'algoritmo di ottimizzazione del lupo grigio

Itinerari più intelligenti nelle città affollate

Ogni giorno automobilisti, furgoni di consegna e robot affrontano la stessa sfida: come andare da A a B rapidamente, in sicurezza e senza sprecare carburante o tempo? Questo articolo presenta un nuovo metodo computazionale che pianifica percorsi più brevi e scorrevoli attraverso reti stradali complesse, piene di ostacoli e congestione. Ispirandosi al comportamento di caccia dei lupi grigi in branco e alle tecniche dei cercatori d’oro, gli autori mostrano come guidare veicoli e robot in modo più efficiente attraverso ambienti urbani affollati.

Perché percorsi migliori contano

Con la crescita delle città e l’aumento del traffico, anche piccoli miglioramenti nella pianificazione dei percorsi si traducono in grandi risparmi di tempo, energia e riduzione dell’inquinamento. I metodi tradizionali di ricerca del percorso funzionano bene quando la mappa è semplice, ma spesso rallentano o rimangono bloccati in ambienti affollati da molte svolte e barriere. I moderni metodi di ricerca “intelligente” cercano di imitare la natura—come stormi di uccelli o colonie di formiche—per esplorare molte opzioni contemporaneamente e scegliere soluzioni valide. Un metodo di questo tipo, chiamato algoritmo di ottimizzazione del lupo grigio, è diventato popolare per la sua semplicità e flessibilità, ma soffre ancora di tre problemi principali: può restare intrappolato in soluzioni subottimali, può convergere troppo precocemente e non sempre esplora l’intera mappa in modo approfondito.

Mescolare lupi, caos e cercatori d’oro

Per superare queste debolezze, gli autori progettano una versione migliorata chiamata CGGWO. Mantiene l’idea di base di un branco virtuale di lupi grigi che cercano il percorso migliore, ma modifica il modo in cui il branco si distribuisce e apprende. Innanzitutto, invece di posizionare i lupi in punti di partenza casuali, il metodo usa un trucco matematico chiamato mappatura caotica per spargerli più uniformemente nell’area di ricerca. Ciò aumenta la probabilità che almeno alcuni lupi scoprano regioni promettenti della mappa. Poi il metodo prende in prestito una regola da un’altra tecnica ispirata ai cercatori d’oro: il lupo “alpha” guida viene spinto verso regioni particolarmente ricche dello spazio di ricerca, come i minatori che si spostano gradualmente verso aree con più oro. Questo passaggio introduce una casualità controllata e varietà, aiutando il branco a sfuggire a scelte locali poco vantaggiose.

Incroci intelligenti e scosse leggere

CGGWO aggiunge poi due tipi di mosse a «incrocio» che mescolano informazioni tra i lupi. Nella mossa orizzontale, due percorsi candidati si scambiano porzioni delle loro traiettorie, riducendo punti ciechi e incoraggiando la ricerca a coprire la mappa in modo più completo. Nella mossa verticale, sezioni diverse all’interno di un unico percorso si mescolano tra loro, il che può rivitalizzare parti stagnanti della soluzione e impedire al branco di cristallizzarsi troppo presto su un tracciato difettoso. Infine, una lieve mutazione gaussiana—piccoli spostamenti casuali guidati dalla qualità di ciascun lupo—mantiene il branco in esplorazione. Se il percorso di un lupo è peggiore della media, riceve una scossa più intensa, aiutando l’intero gruppo a evitare di restare intrappolato in un angolo del paesaggio delle soluzioni.

Mettere alla prova il nuovo metodo

I ricercatori testano prima CGGWO su 23 problemi matematici standard ampiamente usati per valutare algoritmi di ricerca. Questi problemi vanno da paesaggi lisci con un unico minimo globale a terreni accidentati ricchi di minimi locali. Nella maggior parte di questi test, CGGWO trova risposte migliori, converge più rapidamente e mostra un comportamento più stabile rispetto a diversi concorrenti noti, incluso l’algoritmo del lupo grigio originale, l’ottimizzazione per sciame di particelle e gli algoritmi genetici. Il team poi applica il metodo a un problema realistico di pianificazione dei percorsi basato su una griglia stradale semplificata vicino a una zona commerciale trafficata di Lhasa. Gli ostacoli rappresentano tratti bloccati o congestionati, e l’obiettivo è collegare un punto di partenza e arrivo con un percorso breve e scorrevole che li eviti.

Viaggi più corti e più scorrevoli

Nel test in stile traffico, CGGWO produce costantemente percorsi più brevi con meno svolte brusche rispetto agli altri metodi, richiedendo comunque tempi di calcolo contenuti. Rispetto all’algoritmo del lupo grigio originale e ad altre tecniche concorrenti, i suoi percorsi pianificati sono più lineari e facili da seguire, riducendo la distanza fino a circa un quarto in alcuni confronti. Per il lettore non specialista, la conclusione è evidente: combinando in modo intelligente idee dal caos, dalla caccia di gruppo e dalla prospezione dell’oro, il nuovo metodo esplora le mappe in modo più approfondito e resiste a restare bloccato su soluzioni soltanto sufficienti. Questo lo rende uno strumento promettente per futuri sistemi di navigazione, robot di consegna e altre macchine intelligenti che devono trovare rapidamente percorsi sicuri ed efficienti attraverso i labirinti affollati e mutevoli delle città moderne.

Citazione: Cheng, G., Liu, Y. Hybrid optimization algorithm for solving path planning problems based on grey wolf optimization algorithm. Sci Rep 16, 8479 (2026). https://doi.org/10.1038/s41598-026-35037-z

Parole chiave: pianificazione del percorso, algoritmo di ottimizzazione, trasporto intelligente, intelligenza di sciame, navigazione robotica