CN105388460A - 一种基于遗传算法的室内水下目标定位方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的室内水下目标定位方法，将水下目标的定位问题转化为优化问题，并应用混合遗传算法求解优化问题，得出定位结果。遗传算法中涉及的目标函数、适应度函数以及约束条件根据具体的室内水下目标定位系统确定。与现有技术相比，本发明极大的提高了目标定位精度，且其具有很高的收敛可靠性和较高的收敛速度，也可使测量误差对定位精度的影响较小。本发明亦可扩展应用于其它基于测距信息对目标进行定位的系统中。

Description

一种基于遗传算法的室内水下目标定位方法

技术领域

本发明设计水下定位导航领域，具体来说，涉及一种基于遗传算法的室内水下目标定位方法。

背景技术

遗传算法(GeneticAlgotithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。

由于遗传算法的整体搜索策略和优化搜索方法在计算中不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于许多科学，函数优化就是一个应用领域。

室内水下目标定位系统，是利用测量系统得到目标与已知参照点的距离信息和深度信息，经数据采集和信号处理后，通过专门的算法进行定位解算，目前对于水下目标，特别是静态目标，多采用的是最小二乘的方法，但其定位精度有限，应用加权最小二乘法和其他经典迭代法进行解算，对定位精度的提升效果也不大。

发明内容

本发明目的是为了解决上述问题，克服现有算法的缺陷，提出了一种基于遗传算法的室内水下目标定位方法，以提高定位精度。

本发明采用的技术方案为：一种基于遗传算法的室内水下目标定位方法，该方法具体步骤如下：

步骤一：明确室内水下目标定位系统结构；

室内水下定位系统应用短基线原理，其测量部分主要包括一个水声换能器A，三个应答器B、C、D以及一个深度传感器E，水声换能器A以及深度传感器E安装在水下目标上，三个应答器B、C、D以水域中心为中心点，以三角阵的方式分布在定位水域内，两两距离不小于三分之一水域宽度且不大于二分之一水域长度，水听器与水域边界保持一定距离，不小于四分之一水域宽度，且水听器安置深度大致为水域深度的一半，不接触水域底部；

步骤二：设定已知量和自变量；

在水域内以水域中心位置为原点建立三维坐标系，水域纵向为x轴，横向为y轴，深度方向为z轴，目标即换能器A与三个应答器的距离通过水声测距原理得到，深度信息由深度传感器E测得，故已知量为水域纵向长度a、水域横向宽度b、水域深度c，三个应答器B、C、D的坐标，分别为(x₀,y₀,z₀)、(x₁,y₁,z₁)、(x₂,y₂,z₂)，以及目标与应答器B、C、D之间的距离s₀,s₁,s₂和目标的深度h；设定的自变量为目标的xy平面坐标(x,y)；

步骤三：确立约束条件和目标函数；

目标位于水域内，故约束条件为：

$\left\{\begin{array}{c}-\frac{a}{2}\≤x\≤\frac{a}{2}\\ -\frac{b}{2}\≤y\≤\frac{b}{2}\end{array}\right.$

根据几何定律，自变量与已知量之间存在以下定位关系：

$\left\{\begin{array}{c}\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2}-s_0=n_1\\ \sqrt{{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2}-s_1=n_2\\ \sqrt{{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2}-s_2=n_3\end{array}\right.$

n_i为测量时引入的噪声，将定位问题转化为极值优化问题：

$\left\{\begin{array}{cc}find:& X=\[x,y\],X\∈\mathrm{\Φ}\\ \min :& f(x,y)=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2-s_0^2+{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2-s_1^2+{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2-s_2^2}\end{array}\right.$

式中Φ为定位方程组的解空间，f(x,y)为优化目标函数，当f(x,y)最小时，所对应的X即为目标定位结果；

步骤四：应用混合遗传算法对f(x,y)进行优化，得到优化结果及对应的X，其具体步骤为：

1)编码，确定变量上下限，生成初始群体；

2)根据目标函数f(x)建立适应度函数使用适应度函数区分群体中的好坏；

3)将交叉算子作用于群体；

4)将变异算子作用与群体；

5)依据自适应混合算子概率p_n，对群体进行经典算法局部搜索，自适应概率为p_n(t)＝p₀e^-a(1-t/T)，T为遗传算法中最大代数，t为当前进化的代数，常数p₀∈(0,1]，a取1；

6)将选择算子作用与群体；

7)终止条件判断；终止条件为是否超过最大进化代数；

得到定位方程组解(x,y)，目标定位结果即为(x,y,h)。

作为优选，所述步骤四的1)中的编码采用的是实数编码。

作为优选，所述步骤四的3)中，交叉算子采用算术交叉算子，依据交叉概率对群体进行算术交叉操作。

作为优选，所述步骤四的4)中，变异算子采用随机方向变异算子，在随机产生一个扰动方向后，以被选中的变异个体为起点，沿扰动方向以黄金分割方法搜索得到的最优步长寻求最优点，依据变异概率对群体进行变异操作。

作为优选，所述步骤四的6)中，选择算子采用联赛竞争算子，并应用最优保存策略。

有益效果：本发明的技术方案通过采用遗传算法对室内水下静态目标进行定位求解，极大的提高了目标定位精度，且其具有很高的收敛可靠性和较高的收敛速度，也可使测量误差对定位精度的影响较小。本发明亦可扩展应用于其它基于测距信息对目标进行定位的系统中。

附图说明

图1为室内水下定位系统测量部分结构示意图；

图2为本发明的方法流程图；

图3为本发明应用遗传算法对室内水下静态目标定位的具体方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的说明。

本发明的一种基于遗传算法的室内水下目标定位方法，流程如图2所示，该方法具体步骤如下：

步骤一：明确室内水下目标定位系统结构；

如图1所示，室内水下定位系统应用短基线原理，其测量部分主要包括一个水声换能器A，三个应答器B、C、D以及一个深度传感器E，水声换能器A以及深度传感器E安装在水下目标上，三个应答器B、C、D以水域中心为中心点，以三角阵的方式分布在定位水域内，两两距离不小于三分之一水域宽度且不大于二分之一水域长度，水听器与水域边界保持一定距离，不小于四分之一水域宽度，且水听器安置深度大致为水域深度的一半，不接触水域底部。

步骤二：设定已知量和自变量；

在水域内以水域中心位置为原点建立三维坐标系，水域纵向为x轴，横向为y轴，深度方向为z轴，目标即换能器A与三个应答器的距离通过水声测距原理得到，深度信息由深度传感器E测得，故已知量为水域纵向长度a、水域横向宽度b、水域深度c，三个应答器B、C、D的坐标，分别为(x₀,y₀,z₀)、(x₁,y₁,z₁)、(x₂,y₂,z₂)，以及目标与应答器B、C、D之间的距离s₀,s₁,s₂和目标的深度h；设定的自变量为目标的xy平面坐标(x,y)。

步骤三：确立约束条件和目标函数；

目标位于水域内，故约束条件为：

$\left\{\begin{array}{c}-\frac{a}{2}\≤x\≤\frac{a}{2}\\ -\frac{b}{2}\≤y\≤\frac{b}{2}\end{array}\right.$

根据几何定律，自变量与已知量之间存在以下定位关系：

$\left\{\begin{array}{c}\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2}-s_0=n_1\\ \sqrt{{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2}-s_1=n_2\\ \sqrt{{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2}-s_2=n_3\end{array}\right.$

n_i为测量时引入的噪声，将定位问题转化为极值优化问题：

$\left\{\begin{array}{cc}find:& X=\[x,y\],X\∈\mathrm{\Φ}\\ \min :& f(x,y)=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2-s_0^2+{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2-s_1^2+{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2-s_2^2}\end{array}\right.$

式中Φ为定位方程组的解空间，f(x,y)为优化目标函数，当f(x,y)最小时，所对应的X即为目标定位结果；

步骤四：应用混合遗传算法对f(x,y)进行优化，得到优化结果及对应的X，其流程如图3所示，其具体步骤为：

1)编码，确定变量上下限，生成初始群体，编码采用的是实数编码，因为实数编码改善了遗传算法的计算复杂性，提高了运算效率，另外其求解精度高，因而使用实数编码；

2)根据目标函数f(x)建立适应度函数使用适应度函数区分群体中的好坏；

3)将交叉算子作用于群体，交叉算子采用算术交叉算子，依据交叉概率对群体进行算术交叉操作；

4)将变异算子作用与群体，变异算子采用随机方向变异算子，在随机产生一个扰动方向后，以被选中的变异个体为起点，沿扰动方向以黄金分割方法搜索得到的最优步长寻求最优点，依据变异概率对群体进行变异操作，应用此种变异算子是因为在传统的实数编码遗传算法中，若变异操作在进化过程中对局部极值点的干扰效果不明显，则会出现收敛速度慢，甚至产生早熟的现象，而这种变异算子可以很大程度上避免这种情况；

5)依据自适应混合算子概率p_n，对群体进行经典算法局部搜索，自适应概率为p_n(t)＝p₀e^-a(1-t/T)，T为遗传算法中最大代数，t为当前进化的代数，常数p₀∈(0,1]，a取1。混合遗传算法中，经典算法是作为遗传算法的一个强局部搜索算子参与整个进化过程的，以有助于加速收敛。

6)将选择算子作用与群体，选择算子采用联赛竞争算子，并应用最优保存策略。采用此种选择算子亦是为了防止算法早熟，提高收敛速度，最优保存策略即是用当前群体中的最优个体直接代替本代群体中经过交叉、变异操作后所产生的最差个体。

7)终止条件判断，终止条件为是否超过最大进化代数。

得到定位方程组解(x,y)，目标定位结果即为(x,y,h)。

以上结合附图对本发明的实施方式做出详细说明，但本发明不局限于所描述的实施方式。对本领域的普通技术人员而言，在本发明的原理和技术思想的范围内，对这些实施方式进行实施方式进行多种变化、修改、替换和变形仍落入本发明的保护范围内。

Claims (5)

1.一种基于遗传算法的室内水下目标定位方法，其特征在于：该方法具体步骤如下：

步骤一：明确室内水下目标定位系统结构；

室内水下定位系统应用短基线原理，其测量部分主要包括一个水声换能器A，三个应答器B、C、D以及一个深度传感器E，水声换能器A以及深度传感器E安装在水下目标上，三个应答器B、C、D以水域中心为中心点，以三角阵的方式分布在定位水域内，两两距离不小于三分之一水域宽度且不大于二分之一水域长度，水听器与水域边界保持一定距离，不小于四分之一水域宽度，且水听器安置深度大致为水域深度的一半，不接触水域底部；

步骤二：设定已知量和自变量；

在水域内以水域中心位置为原点建立三维坐标系，水域纵向为x轴，横向为y轴，深度方向为z轴，目标即换能器A与三个应答器的距离通过水声测距原理得到，深度信息由深度传感器E测得，故已知量为水域纵向长度a、水域横向宽度b、水域深度c，三个应答器B、C、D的坐标，分别为(x₀,y₀,z₀)、(x₁,y₁,z₁)、(x₂,y₂,z₂)，以及目标与应答器B、C、D之间的距离s₀,s₁,s₂和目标的深度h；设定的自变量为目标的xy平面坐标(x,y)；

步骤三：确立约束条件和目标函数；

目标位于水域内，故约束条件为：

$\left\{\begin{array}{c}-\frac{a}{2}\≤x\≤\frac{a}{2}\\ -\frac{b}{2}\≤y\≤\frac{b}{2}\end{array}\right.$

根据几何定律，自变量与已知量之间存在以下定位关系：

$\left\{\begin{array}{c}\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2}-s_0=n_1\\ \sqrt{{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2}-s_1=n_2\\ \sqrt{{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2}-s_2=n_3\end{array}\right.$

n_i为测量时引入的噪声，将定位问题转化为极值优化问题：

$\left\{\begin{array}{cc}find:& X=\[x,y\],X\∈\mathrm{\Φ}\\ \min :& f(x,y)=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2-s_0^2+{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2-s_1^2+{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2-s_2^2}\end{array}\right.$

式中Φ为定位方程组的解空间，f(x,y)为优化目标函数，当f(x,y)最小时，所对应的X即为目标定位结果；

步骤四：应用混合遗传算法对f(x,y)进行优化，得到优化结果及对应的X，其具体步骤为：

1)编码，确定变量上下限，生成初始群体；

2)根据目标函数f(x)建立适应度函数使用适应度函数区分群体中的好坏；

3)将交叉算子作用于群体；

4)将变异算子作用与群体；

5)依据自适应混合算子概率p_n，对群体进行经典算法局部搜索，自适应概率为p_n(t)＝p₀e^-a(1-t/T)，T为遗传算法中最大代数，t为当前进化的代数，常数p₀∈(0,1]，a取1；

6)将选择算子作用与群体；

7)终止条件判断；终止条件为是否超过最大进化代数；

得到定位方程组解(x,y)，目标定位结果即为(x,y,h)。

2.根据权利要求1所述的一种基于遗传算法的室内水下目标定位方法，其特征在于：所述步骤四的1)中的编码采用的是实数编码。

3.根据权利要求1所述的一种基于遗传算法的室内水下目标定位方法，其特征在于：所述步骤四的3)中，交叉算子采用算术交叉算子，依据交叉概率对群体进行算术交叉操作。

4.根据权利要求1所述的一种基于遗传算法的室内水下目标定位方法，其特征在于：所述步骤四的4)中，变异算子采用随机方向变异算子，在随机产生一个扰动方向后，以被选中的变异个体为起点，沿扰动方向以黄金分割方法搜索得到的最优步长寻求最优点，依据变异概率对群体进行变异操作。

5.根据权利要求1所述的一种基于遗传算法的室内水下目标定位方法，其特征在于：所述步骤四的6)中，选择算子采用联赛竞争算子，并应用最优保存策略。