CN107831781B - 一种机器鱼运动的控制方法及系统 - Google Patents

Abstract

本发明公开了一种机器鱼运动的控制方法及系统。该方法包括：确定代价函数，所述代价函数为机器鱼的运动参数、运动时间与能耗之间的关系函数，所述运动参数包括机器鱼尾鳍的摆动偏转角、摆动幅值、摆动频率；根据所述代价函数，采用遗传算法，确定所述运动参数的最优值；采用S面控制法确定所述机器鱼的偏转方向；根据所述机器鱼的所述运动参数的最优值以及所述机器鱼的偏转方向，控制所述机器鱼运动。本发明提供的机器鱼运动的控制方法及系统将机器鱼运动所产生的运动能耗与机器鱼的控制相结合，能够在满足机器鱼既定任务的同时，降低机器鱼的运动能量的消耗。

Description

一种机器鱼运动的控制方法及系统

技术领域

本发明涉及机器鱼领域，特别是涉及一种机器鱼运动的控制方法及系统。

背景技术

现有技术中，机器鱼所采用的运动控制器通常使用PID，模糊控制等常用的控制方法和控制器，这类控制器尽管能完成机器鱼的既定任务，但没有考虑机器鱼是电池供电，其能量有限，限制了机器鱼完成既定的任务。

发明内容

本发明的目的是提供一种机器鱼运动的控制方法及系统，将机器鱼运动所产生的运动能耗与机器鱼的控制相结合，能够在满足机器鱼既定任务的同时，降低机器鱼的运动能量的消耗。

为实现上述目的，本发明提供了如下方案：

一种机器鱼运动的控制方法，所述方法包括：

确定代价函数，所述代价函数为机器鱼的运动参数、运动时间与能耗之间的关系函数，所述运动参数包括机器鱼尾鳍的摆动偏转角、摆动幅值、摆动频率；

根据所述代价函数，采用遗传算法，确定所述运动参数的最优值；

采用S面控制法确定所述机器鱼的偏转方向；

根据所述机器鱼的所述运动参数的最优值以及所述机器鱼的偏转方向，控制所述机器鱼运动。

可选的，所述确定代价函数，具体包括：

确定代价函数为Cost＝r₁·E(ω_A,α_A,α₀,t)+r₂·t，其中，

E(ω_A,α_A,α₀,t)为所述机器鱼的能耗代价，t为所述机器鱼的运动时间，r₁为能耗代价的比例系数，r₂为时间代价的比例系数，c₁为速度有效值系数，c₂为推力有效值系数，α₀、α_A、ω_A分别为所述机器鱼尾鳍的摆动偏转角、摆动幅值和摆动频率，C_D为所述机器鱼固有的阻力系数，L为所述机器鱼的尾鳍长度，d为所述机器鱼的尾鳍宽度，S为所述机器鱼尾鳍与水体的接触面积，ρ为水体密度。

可选的，所述根据所述代价函数，采用遗传算法，确定所述运动参数的最优值，具体包括：

获取初始种群，所述初始种群由多个个体构成，各所述个体包括所述机器鱼的摆动偏转角、摆动幅值和摆动频率以及运动时间；

根据所述代价函数构造遗传算法中的适应度函数；

采用所述遗传算法对所述初始种群进行优化，得到所述运动参数的最优值。

可选的，所述采用S面控制法确定所述机器鱼的偏转方向，具体包括：

获取S面控制法的控制函数

其中，δ为所述机器鱼姿态角与期望角之间的偏差，k₁为所述偏差的控制参数，k₂为所述偏差在单位时间内的变化率的控制参数，所述姿态角为机器鱼的运动方向与坐标系坐标轴的夹角，所述期望角为目的地与所述坐标系坐标轴的夹角；

根据所述控制函数以及所述机器鱼在运动过程中姿态角与期望角之间的偏差计算S值；

根据

确定所述机器鱼在运动过程中的偏转方向，其中，Direction值为0，代表所述机器鱼尾鳍的摆动偏转角为0，所述机器鱼直行，Direction值为-1，代表所述机器鱼尾鳍的摆动偏转角为负，机器鱼右转，Direction值为1，代表所述机器鱼尾鳍的摆动偏转角为正，机器鱼左转。

可选的，所述根据所述代价函数构造遗传算法中的适应度函数，具体包括：

根据所述代价函数构造遗传算法中的适应度函数，所述适应度函数为f＝c_max-Cost，其中，c_max为大于所述代价函数Cost的常数。

本发明还提供了一种控制机器鱼运动的系统，所述系统包括：

代价函数确定模块，用于确定代价函数，所述代价函数为机器鱼的运动参数、运动时间与能耗之间的关系函数，所述运动参数包括机器鱼尾鳍的摆动偏转角、摆动幅值、摆动频率；

最优值确定模块，用于根据所述代价函数，采用遗传算法，确定所述运动参数的最优值；

偏转方向确定模块，用于采用S面控制法确定所述机器鱼的偏转方向；

控制模块，用于根据所述机器鱼的所述运动参数的最优值以及所述机器鱼的偏转方向，控制所述机器鱼运动。

可选的，所述代价函数确定模块，具体包括：

代价函数确定单元，用于确定代价函数为Cost＝r₁·E(ω_A,α_A,α₀,t)+r₂·t，其中，

E(ω_A,α_A,α₀,t)为所述机器鱼的能耗代价，t为所述机器鱼的运动时间，r₁为能耗代价的比例系数，r₂为时间代价的比例系数，c₁为速度有效值系数，c₂为推力有效值系数，α₀、α_A、ω_A分别为所述机器鱼尾鳍的摆动偏转角、摆动幅值和摆动频率，C_D为所述机器鱼固有的阻力系数，L为所述机器鱼的尾鳍长度，d为所述机器鱼的尾鳍宽度，S为所述机器鱼尾鳍与水体的接触面积，ρ为水体密度。

可选的，所述最优值确定模块，具体包括：

初始种群获取单元，用于获取初始种群，所述初始种群由多个个体构成，各所述个体包括所述机器鱼的摆动偏转角、摆动幅值和摆动频率以及运动时间；

适应度函数构造单元，用于根据所述代价函数构造遗传算法中的适应度函数；

最优值确定单元，用于采用所述遗传算法对所述初始种群进行优化，得到所述运动参数的最优值。

可选的，所述偏转方向确定模块，具体包括：

控制函数获取单元，用于获取S面控制法的控制函数

其中，δ为所述机器鱼姿态角与期望角之间的偏差，k₁为所述偏差的控制参数，k₂为所述偏差在单位时间内的变化率的控制参数，所述姿态角为机器鱼的运动方向与坐标系坐标轴的夹角，所述期望角为目的地与所述坐标系坐标轴的夹角；

S值计算单元，用于根据所述控制函数以及所述机器鱼在运动过程中姿态角与期望角之间的偏差计算S值；

偏转方向确定单元，用于根据

确定所述机器鱼在运动过程中的偏转方向，其中，Direction值为0，代表所述机器鱼尾鳍的摆动偏转角为0，所述机器鱼直行，Direction值为-1，代表所述机器鱼尾鳍的摆动偏转角为负，机器鱼右转，Direction值为1，代表所述机器鱼尾鳍的摆动偏转角为正，机器鱼左转。

可选的，所述适应度函数构造单元，具体包括：

适应度函数构造子单元，用于根据所述代价函数构造遗传算法中的适应度函数，所述适应度函数为f＝c_max-Cost，其中，c_max为大于所述代价函数Cost的常数。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的机器鱼运动的控制方法及系统将机器鱼能耗和运行时间的加权和作为代价函数，利用遗传算法获得机器鱼的三个运动参数尾鳍摆动偏转角、幅值和频率的最优值，利用S面控制法获得偏转角的方向，最后将摆动偏转角、幅值和频率输入机器鱼，控制机器鱼的运动方式和状态。本发明提供的机器鱼运动的控制方法及系统不仅完成机器鱼的既定任务，也利于延长机器鱼等智能移动设备在水下环境的持续运行时间。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例机器鱼运动的控制框图；

图2为本发明实施例机器鱼运动的控制方法的流程图；

图3为本发明实施例机器鱼在坐标系下的运动控制示意图；

图4为本发明实施例机器鱼运动的控制系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种机器鱼运动的控制方法及系统，将机器鱼运动所产生的运动能耗与机器鱼的控制相结合，能够在满足机器鱼既定任务的同时，降低机器鱼的运动能量的消耗。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例机器鱼运动的控制框图，如图1所示，本发明提供的机器鱼运动控制方法通过遗传算法求出能效最优的机器鱼尾鳍摆动幅度、摆动频率以及在运行过程中的摆动偏角，使得机器鱼以能效最优的运动方式巡游，并在S面运动控制器的作用下，控制机器鱼不断朝向目标位置移动。

图2为本发明实施例机器鱼运动的控制方法的流程图，如图2所示，本发明提供的机器鱼运动的控制方法步骤如下：

步骤201：确定代价函数，所述代价函数为机器鱼的运动参数、运动时间与能耗之间的关系函数，所述运动参数包括机器鱼尾鳍的摆动偏转角、摆动幅值、摆动频率；

步骤202：根据所述代价函数，采用遗传算法，确定所述运动参数的最优值；

步骤203：采用S面控制法确定所述机器鱼的偏转方向；

步骤204：根据所述机器鱼的所述运动参数的最优值以及所述机器鱼的偏转方向，控制所述机器鱼运动。

其中，步骤201确定代价函数，具体包括：

确定代价函数为Cost＝r₁·E(ω_A,α_A,α₀,t)+r₂·t，其中，

E(ω_A,α_A,α₀,t)为所述机器鱼的能耗代价，t为所述机器鱼的运动时间，r₁为能耗代价的比例系数，r₂为时间代价的比例系数，c₁为速度有效值系数，c₂为推力有效值系数，α₀、α_A、ω_A分别为所述机器鱼尾鳍的摆动偏转角、摆动幅值和摆动频率，C_D为所述机器鱼固有的阻力系数，L为所述机器鱼的尾鳍长度，d为所述机器鱼的尾鳍宽度，S为所述机器鱼尾鳍与水体的接触面积，ρ为水体密度。C_D、L、d、S、ρ均为已知量，r₁、r₂、c₁、c₂为人为设定值。

本实施例提供了三种运动方式，其中，方式1侧重能耗，方式2侧重用时和方式3综合能耗和时间之间的平衡，方式1中r₁＝2000,r₂＝0.01；方式2中r₁＝0.1，r₂＝400；方式3中r₁＝2，r₂＝0.3。其中，方式1中r₁、r₂取值范围分别为[1000,2000]及[0.001,0.01]；方式2中r₁、r₂取值范围分别为[0.1,80]及[0.4,400]；方式3中r₁、r₂取值范围分别为[0.1,80]及[0.4,400]。

步骤202根据所述代价函数，采用遗传算法，确定所述运动参数的最优值，具体包括：

获取初始种群，所述初始种群由多个个体构成，各所述个体包括所述机器鱼的摆动偏转角、摆动幅值和摆动频率以及运动时间；

根据所述代价函数构造遗传算法中的适应度函数；所述适应度函数为f＝c_max-Cost，其中，c_max为大于所述代价函数Cost的常数；

采用所述遗传算法对所述初始种群进行优化，得到所述运动参数的最优值。

本实施例中，遗传算法开始，将种群初始化，对于ω_A、α_A、α₀三个尾鳍摆动参数各设置20个个体组成遗传算法中的种群。以运动方式1举例，算法随机产生种群中的每一个个体，如其中一组为ω_A＝1,α_A＝30,α₀＝15以及通过运动轨迹长度10与该组参数对应速度

之比求出的时间t＝299.2150，其个体编号为1；另一组个体为ω_A＝1.5,α_A＝25,α₀＝12以及求出的时间t＝237.7172，其个体编号为2。

个体编码过程由于三个尾鳍摆动参数均为实数，故选择二进制编码方式作为尾鳍摆动参数个体的基因编码方式。将上例中种群所有个体进行角度弧度归一化后得到，编号1：ω_A＝6.2832,α_A＝0.5236,α₀＝0.2618,t＝299.2150；其二进制编码为：ω_A＝0110.01001000011,α_A＝0000.10000110000,α₀＝0000.01000011000,编号2：ω_A＝9.4248,α_A＝0.4363,α₀＝0.2094,t＝237.7172；其二进制编码为：ω_A＝1001.01101100101,α_A＝0000.0110111110,α₀＝0000.00110101100。

由于本算法是求机器鱼运动过程中的最小费用问题，代价函数总取非负值，并且是以求代价函数最小值为优化目标，故建立适应度函数为f＝c_max-Cost，其中c_max为足够大的常数，使得适应度值非负且适应度值越大个体越优。进而选用轮盘赌选择即比例选择方法作为遗传算法中的选择算子，其中每个个体被选中的概率与其适应度大小成正比，选择某个体的概率是通过该个体的适应度与当前群体中所有成员的适应度之和的比值而得到。在算法中c_max值取9999，对于三种运动方式其值均为足够大，在本例中的编号1的个体代价值为3547.5，相应的适应度值为6451.5；编号2的个体代价值为6406.4，相应的适应度值为3592.6。若当前群体中所有成员的适应度之和为100000，则编号1个体占比为6.45％，其选择次数为2；编号2个体占比为3.59％，其选择次数为1，由于编号1个体选择次数为2至少存在1个其他编号个体被淘汰。该方法保证了当前适应度最优的个体能够进化到下一代而不被遗传操作的随机性破坏，保证了算法的收敛性。

交叉和变异运算为种群提供了新的个体，增加了种群多样性。本算法中采用单点交叉算子，并设置交叉概率为0.5。继续上例中，执行交叉操作时，首先从种群中随机挑选两个个体：编号1和编号2，并随机确定一个交叉点：染色体第7位，然后再随机产生一个交叉概率值p_c，如果该值大于预设的交叉概率0.5，即p_c>0.5，则将该位后的两个染色体的部分结构进行互换，并生成两个新个体：编号1：ω_A＝0110.01001000011,α_A＝0000.10000110000,α₀＝0000.01000011000编号2：ω_A＝1001.01101100101,α_A＝0000.0110111110,α₀＝0000.00110101100。若小于交叉概率，则不进行交叉运算。

变异运算对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，从而产生新个体。本算法中首先确定出各个个体随机产生的的基因变异位置，然后依照概率p_m＝0.005将变异点的原有基因值取反。如对本例中编号1个体进行交叉后染色体的第6位基因进行变异，变异后的个体编码为：ω_A＝0110.00001000011,α_A＝0000.11000110000,α₀＝0000.00000011000。

群体经过重复该遗传过程数代进化之后，其适应度的最大值、平均值都会得到明显的改进。应用遗传算法求取最优运动控制参数。通过遗传算法对于运动方式1得到的优化后尾鳍摆动参数为：α_AOpt＝20°,α_0Opt＝10°,ω_AOpt＝1hz；运动方式2得到的优化后尾鳍摆动参数为：α_AOpt＝35°,α_0Opt＝20°,ω_AOpt＝1.75hz；运动方式3得到的优化后尾鳍摆动参数为：α_AOpt＝35°,α_0Opt＝20°,ω_AOpt＝1.2294hz。

步骤203采用S面控制法确定所述机器鱼的偏转方向，具体包括：

获取S面控制法的控制函数

其中，δ为所述机器鱼姿态角与期望角之间的偏差，k₁为所述偏差的控制参数，k₂为所述偏差在单位时间内的变化率的控制参数，所述姿态角为机器鱼的运动方向与坐标系坐标轴的夹角，所述期望角为目的地与所述坐标系坐标轴的夹角；

在机器鱼的运动过程中，实时地获取机器鱼姿态角与期望角，并实时地计算机器鱼姿态角与期望角之间的偏差；

根据所述控制函数以及所述机器鱼在运动过程中实时获取的姿态角与期望角之间的偏差实时地计算S值；

根据

确定所述机器鱼在运动过程中的偏转方向，其中，Direction值为0，代表所述机器鱼尾鳍的摆动偏转角为0，所述机器鱼直行，Direction值为-1，代表所述机器鱼尾鳍的摆动偏转角为负，机器鱼右转，Direction值为1，代表所述机器鱼尾鳍的摆动偏转角为正，机器鱼左转。

由于机器鱼运动控制方法的核心思想是令机器鱼朝向目标点移动。如图3所示，令δ逐步趋近于0，从而使机器鱼到达目标点。控制输入量是由公式

求取出的机器鱼当前时刻姿态角(∠ψ)与期望值(∠θ)之差δ；输出量为控制参数：α₀。其中，(X_T,Y_T)为机器鱼运动目标位置坐标；(X_t,Y_t)为t时刻机器鱼位置坐标。

步骤204将遗传算法求取出的最优尾鳍摆动参数与S面运动控制法求取出的Direction值相结合，对机器鱼的运动进行实时的控制，任意时刻下机器鱼尾鳍摆动参数为：

本发明采用S面控制器与遗传算法结合的方式，控制机器鱼尾鳍以能效优化的方式朝向目标位置进行摆动，使得机器鱼不断朝向目标位置移动，并最终到达目标位置。

本发明提供的机器鱼运动的控制方法将机器鱼能耗和运行时间的加权和作为代价函数，利用遗传算法获得机器鱼的三个运动参数尾鳍摆动偏转角、幅值和频率的最优值，利用S面控制法获得偏转角的方向，最后将摆动偏转角、幅值和频率输入机器鱼，控制机器鱼的运动方式和状态。本发明提供的机器鱼运动的控制方法及系统不仅完成机器鱼的既定任务，也利于延长机器鱼等智能移动设备在水下环境的持续运行时间。

本发明还提供了一种机器鱼运动的控制系统，图4为本发明实施例机器鱼运动的控制系统结构图，如图4所示，机器鱼运动的控制系统包括：

代价函数确定模块401，用于确定代价函数，所述代价函数为机器鱼的运动参数、运动时间与能耗之间的关系函数，所述运动参数包括机器鱼尾鳍的摆动偏转角、摆动幅值、摆动频率；

最优值确定模块402，用于根据所述代价函数，采用遗传算法，确定所述运动参数的最优值；

偏转方向确定模块403，用于采用S面控制法确定所述机器鱼的偏转方向；

控制模块404，用于根据所述机器鱼的所述运动参数的最优值以及所述机器鱼的偏转方向，控制所述机器鱼运动。

其中，所述代价函数确定模块401，具体包括：

代价函数确定单元，用于确定代价函数为Cost＝r₁·E(ω_A,α_A,α₀,t)+r₂·t，其中，

E(ω_A,α_A,α₀,t)为所述机器鱼的能耗代价，t为所述机器鱼的运动时间，r₁为能耗代价的比例系数，r₂为时间代价的比例系数，c₁为速度有效值系数，c₂为推力有效值系数，α₀、α_A、ω_A分别为所述机器鱼尾鳍的摆动偏转角、摆动幅值和摆动频率，C_D为所述机器鱼固有的阻力系数，L为所述机器鱼的尾鳍长度，d为所述机器鱼的尾鳍宽度，S为所述机器鱼尾鳍与水体的接触面积，ρ为水体密度。

所述最优值确定模块402，具体包括：

初始种群获取单元，用于获取初始种群，所述初始种群由多个个体构成，各所述个体包括所述机器鱼的摆动偏转角、摆动幅值和摆动频率以及运动时间；

适应度函数构造单元，用于根据所述代价函数构造遗传算法中的适应度函数；所述适应度函数构造单元，具体包括：

适应度函数构造子单元，用于根据所述代价函数构造遗传算法中的适应度函数，所述适应度函数为f＝c_max-Cost，其中，c_max为大于所述代价函数Cost的常数。

最优值确定单元，用于采用所述遗传算法对所述初始种群进行优化，得到所述运动参数的最优值。

所述偏转方向确定模块403，具体包括：

控制函数获取单元，用于获取S面控制法的控制函数

其中，δ为所述机器鱼姿态角与期望角之间的偏差，k₁为所述偏差的控制参数，k₂为所述偏差在单位时间内的变化率的控制参数，所述姿态角为机器鱼的运动方向与坐标系坐标轴的夹角，所述期望角为目的地与所述坐标系坐标轴的夹角；

S值计算单元，用于根据所述控制函数以及所述机器鱼在运动过程中姿态角与期望角之间的偏差计算S值；

偏转方向确定单元，用于根据

确定所述机器鱼在运动过程中的偏转方向，其中，Direction值为0，代表所述机器鱼尾鳍的摆动偏转角为0，所述机器鱼直行，Direction值为-1，代表所述机器鱼尾鳍的摆动偏转角为负，机器鱼右转，Direction值为1，代表所述机器鱼尾鳍的摆动偏转角为正，机器鱼左转。

本发明提供的机器鱼运动的控制系统将机器鱼能耗和运行时间的加权和作为代价函数，利用遗传算法获得机器鱼的三个运动参数尾鳍摆动偏转角、幅值和频率的最优值，利用S面控制法获得偏转角的方向，最后将摆动偏转角、幅值和频率输入机器鱼，控制机器鱼的运动方式和状态。本发明提供的机器鱼运动的控制方法及系统不仅完成机器鱼的既定任务，也利于延长机器鱼等智能移动设备在水下环境的持续运行时间。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种机器鱼运动的控制方法，其特征在于，所述方法包括：

确定代价函数，所述代价函数为机器鱼的运动参数、运动时间与能耗之间的关系函数，所述运动参数包括机器鱼尾鳍的摆动偏转角、摆动幅值、摆动频率；

采用遗传算法，确定所述运动参数的最优值，其中，根据所述代价函数构造所述遗传算法中的适应度函数；

采用S面控制法确定所述机器鱼的偏转方向；

根据所述机器鱼的所述运动参数的最优值以及所述机器鱼的偏转方向，控制所述机器鱼运动；

其中，所述确定代价函数，具体包括：

确定代价函数为Cost＝r₁·E(ω_A,α_A,α₀,t)+r₂·t，其中，

，E(ω_A,α_A,α₀,t)为所述机器鱼的能耗代价，t为所述机器鱼的运动时间，r₁为能耗代价的比例系数，r₂为时间代价的比例系数，c₁为速度有效值系数，c₂为推力有效值系数，α₀、α_A、ω_A分别为所述机器鱼尾鳍的摆动偏转角、摆动幅值和摆动频率，C_D为所述机器鱼固有的阻力系数，L为所述机器鱼的尾鳍长度，d为所述机器鱼的尾鳍宽度，S为所述机器鱼尾鳍与水体的接触面积，ρ为水体密度。

2.根据权利要求1所述的机器鱼运动的控制方法，其特征在于，所述采用遗传算法，确定所述运动参数的最优值，具体包括：

获取初始种群，所述初始种群由多个个体构成，各所述个体包括所述机器鱼的摆动偏转角、摆动幅值和摆动频率以及运动时间；

根据所述代价函数构造遗传算法中的适应度函数；

采用所述遗传算法对所述初始种群进行优化，得到所述运动参数的最优值。

3.根据权利要求1所述的机器鱼运动的控制方法，其特征在于，所述采用S面控制法确定所述机器鱼的偏转方向，具体包括：

获取S面控制法的控制函数

其中，δ为所述机器鱼姿态角与期望角之间的偏差，k₁为所述偏差的控制参数，k₂为所述偏差在单位时间内的变化率的控制参数，所述姿态角为机器鱼的运动方向与坐标系坐标轴的夹角，所述期望角为目的地与所述坐标系坐标轴的夹角；

根据所述控制函数以及所述机器鱼在运动过程中姿态角与期望角之间的偏差计算S值；

根据

确定所述机器鱼在运动过程中的偏转方向，其中，Direction值为0，代表所述机器鱼尾鳍的摆动偏转角为0，所述机器鱼直行，Direction值为-1，代表所述机器鱼尾鳍的摆动偏转角为负，机器鱼右转，Direction值为1，代表所述机器鱼尾鳍的摆动偏转角为正，机器鱼左转。

4.根据权利要求2所述的机器鱼运动的控制方法，其特征在于，所述根据所述代价函数构造遗传算法中的适应度函数，具体包括：

根据所述代价函数构造遗传算法中的适应度函数，所述适应度函数为f＝c_max-Cost，其中，c_max为大于所述代价函数Cost的常数。

5.一种控制机器鱼运动的系统，其特征在于，所述系统包括：

代价函数确定模块，用于确定代价函数，所述代价函数为机器鱼的运动参数、运动时间与能耗之间的关系函数，所述运动参数包括机器鱼尾鳍的摆动偏转角、摆动幅值、摆动频率；

最优值确定模块，用于根据所述代价函数，采用遗传算法，确定所述运动参数的最优值；

偏转方向确定模块，用于采用S面控制法确定所述机器鱼的偏转方向；

控制模块，用于根据所述机器鱼的所述运动参数的最优值以及所述机器鱼的偏转方向，控制所述机器鱼运动；

其中，所述代价函数确定模块，具体包括：

代价函数确定单元，用于确定代价函数为Cost＝r₁·E(ω_A,α_A,α₀,t)+r₂·t，其中，

，E(ω_A,α_A,α₀,t)为所述机器鱼的能耗代价，t为所述机器鱼的运动时间，r₁为能耗代价的比例系数，r₂为时间代价的比例系数，c₁为速度有效值系数，c₂为推力有效值系数，α₀、α_A、ω_A分别为所述机器鱼尾鳍的摆动偏转角、摆动幅值和摆动频率，C_D为所述机器鱼固有的阻力系数，L为所述机器鱼的尾鳍长度，d为所述机器鱼的尾鳍宽度，S为所述机器鱼尾鳍与水体的接触面积，ρ为水体密度。

6.根据权利要求5所述的控制机器鱼运动的系统，其特征在于，所述最优值确定模块，具体包括：

初始种群获取单元，用于获取初始种群，所述初始种群由多个个体构成，各所述个体包括所述机器鱼的摆动偏转角、摆动幅值和摆动频率以及运动时间；

适应度函数构造单元，用于根据所述代价函数构造遗传算法中的适应度函数；

最优值确定单元，用于采用所述遗传算法对所述初始种群进行优化，得到所述运动参数的最优值。

7.根据权利要求5所述的控制机器鱼运动的系统，其特征在于，所述偏转方向确定模块，具体包括：

控制函数获取单元，用于获取S面控制法的控制函数

其中，δ为所述机器鱼姿态角与期望角之间的偏差，k₁为所述偏差的控制参数，k₂为所述偏差在单位时间内的变化率的控制参数，所述姿态角为机器鱼的运动方向与坐标系坐标轴的夹角，所述期望角为目的地与所述坐标系坐标轴的夹角；

S值计算单元，用于根据所述控制函数以及所述机器鱼在运动过程中姿态角与期望角之间的偏差计算S值；

偏转方向确定单元，用于根据

确定所述机器鱼在运动过程中的偏转方向，其中，Direction值为0，代表所述机器鱼尾鳍的摆动偏转角为0，所述机器鱼直行，Direction值为-1，代表所述机器鱼尾鳍的摆动偏转角为负，机器鱼右转，Direction值为1，代表所述机器鱼尾鳍的摆动偏转角为正，机器鱼左转。

8.根据权利要求6所述的控制机器鱼运动的系统，其特征在于，所述适应度函数构造单元，具体包括：

适应度函数构造子单元，用于根据所述代价函数构造遗传算法中的适应度函数，所述适应度函数为f＝c_max-Cost，其中，c_max为大于所述代价函数Cost的常数。

Images