CN108459503A - 一种基于量子蚁群算法的无人水面艇航迹规划方法 - Google Patents

Abstract

本发明公开了一种基于量子蚁群算法的无人水面艇航迹规划方法，属于无人水面艇和航迹规划技术领域。本发明通过量子蚁群算法来解决无人水面艇的航迹规划问题，包含以下步骤：根据地理信息数据库中的障碍物分布情况，建立航行区域的静态环境模型；根据无人水面艇航迹规划的目标函数和约束条件，建立无人水面艇的航迹规划综合评价函数；采用量子蚁群算法对无人水面艇进行全局静态航迹规划。本发明提出的算法既能体现量子计算的高效性，又保持了蚁群算法较好的寻优能力和较强的鲁棒性，可以提高算法的计算速度，能够有效且快速地得到无人水面艇在复杂海况下的最优航迹，使无人水面艇在满足约束条件的前提下，得到最优航迹，从而完成任务要求。

Description

一种基于量子蚁群算法的无人水面艇航迹规划方法

技术领域

本发明属于无人水面艇和航迹规划技术领域，具体涉及一种基于量子蚁群算法的无人水面艇航迹规划方法。

背景技术

随着无人操作平台的不断发展，无人水面艇作为监测海洋环境以及代替有人船只执行危险任务的重要工具，具有广泛的应用前景。近年来，无人水面艇成为了海上智能交通领域的研究热点，而其航迹规划是无人水面艇智能化的关键技术之一。无人水面艇航迹规划的目的是利用地形环境信息和任务信息，在满足各种约束条件的前提下，规划无人水面艇从起始点到目标点的航行轨迹，使得航迹的特定评价指标达到最优，从而提高无人水面艇执行任务的效能。航迹规划技术的核心是航迹规划方法。全局静态航迹规划方法是无人水面艇在执行任务前进行的。无人水面艇通过全局环境信息建立一条可行的到达目的地的路径，无人水面艇沿着这条已规划出的路径到达目标。全局静态航迹规划的优劣依据是预先确定的性能指标，如无人艇的性能、安全要求、任务要求等约束条件，按照不同的优先级进行综合处理确定的。以此最优性能指标为标准，再通过优化算法生成一条最优参考路径。航迹规划问题是组合优化问题，是优化领域的重要分支之一。全局航迹的规划主要针对全局优化，需要处理大量数据，因此存在的主要问题是优化方法应避免局部最优，并且要解决计算量过大、耗时长等问题。

国内外专家已经对航迹规划问题进行了大量的研究，比较典型的方法有可视图法、遗传算法、模糊理论、粒子群算法、蚁群算法等。但是上述的算法存在着一些缺陷，如容易陷入局部最优值、计算空间大以及耗时长等。

量子蚁群算法是将量子计算有关概念与蚁群算法相结合的一种新兴的优化算法。将蚁群算法中的蚂蚁在路径上的留下的信息素用量子比特进行编码，得到量子信息素，量子信息素的更新规则变为通过量子旋转门策略与最优路径相结合来实现。由于采用量子比特对蚂蚁进行编码，可在蚁群规模不变的情况下，使搜索到的空间加倍，从而加快了收敛速度。量子计算拥有很好的并行性、很高的指数级存储容量以及指数加速等特点，可以克服蚁群算法容易陷入局部最优以及计算速度较慢等不足。该算法既体现了量子计算的高效性，又保持了蚁群算法较好的寻优能力和较强的鲁棒性。

发明内容

本发明的目的在于提供可以有效避免局部最优值并且提高运算速度，可以快速地获得无人水面艇执行任务的最优航行轨迹的一种基于量子蚁群算法的无人水面艇航迹规划方法。

本发明的目的通过如下技术方案来实现：

一种基于量子蚁群算法的无人水面艇航迹规划方法，包括以下步骤：

步骤1.根据地理信息数据库中的障碍物分布情况，建立航行区域的静态环境模型，所述的内容具体包括：

1-1)根据电子海图中的障碍物位置信息，将航行区域内的障碍物用多边形表示，并且忽略其高度；

1-2)将上述步骤获得的环境信息作为建模数据，采用栅格法对无人水面艇的二维航行区域进行静态环境建模，航迹规划区域需根据起始点、目标点及威胁点的坐标及网格大小来确定。

步骤2.根据无人水面艇航迹规划的目标函数和约束条件，建立无人水面艇的航迹规划综合评价函数，所述的内容具体包括：

2-1)建立无人水面艇的无人水面艇的航迹规划综合评价函数：

minJ＝λ_E·J_E+λ_T·J_T+λ_C·J_C

式中，J_E为能耗代价函数，J_T为地形威胁代价函数，J_C为气象威胁代价函数，λ_E、λ_T和λ_C分别代表相应的代价函数所占的权重，且λ_E+λ_T+λ_C＝1；

约束条件为：

其中，L为无人水面艇航迹总航程；L_max为无人水面艇的最大航程；v_i为无人水面艇在第i段航迹段内的航行速度；v_max为无人水面艇航行时的最大速度；设无人水面艇最小转弯半径为r_min，则无人艇航行时转弯半径要求满足约束条件：r≥r_min。

步骤3.采用量子蚁群算法对无人水面艇进行全局静态航迹规划，所述的内容具体包括：

3-1)初始化量子蚁群。设蚂蚁个数为n个，每只蚂蚁携带m个量子比特，最大迭代次数N_max，其中t时刻量子蚁群可表示为：则在第t次迭代中第i(i＝1，2，…，n)个蚂蚁个体的量子比特可表示为

通过量子比特来表示各节点上的信息素浓度，即表示在第t次迭代时第i个量子蚂蚁在第j个节点上的信息素浓度值，则也是第t次迭代中第i个蚂蚁个体的量子信息素矩阵，为量子比特的相位；Rnd是(0,1)之间随机数；当迭代次数t＝0时，量子信息素矩阵各元素都初始设置为

3-2)将蚂蚁置于航迹规划空间的出发点上，由于蚂蚁k由节点a转移到节点b的移动规则为

其中q为在[0,1]内均匀分布的随机数；q₀为某一常数(0≤q₀≤1)；allowed_a为蚂蚁k由节点a出发可能到达的所有节点的集合；为按下式选择的目标位置；

τ_ab(t)为在第t次迭代时节点a到节点b的路径上的信息素浓度；α(α＞0)为信息素重要性参与程度；η_ab(t)为在第t次迭代时节点a到节点b的路径上的距离启发因子，其表达式η_ab(t)＝1/d_ab，d_ab为节点a到节点b的距离；β(β＞0)为距离启发因子重要性参与程度；λ_ab(t)为在第t次迭代时节点a到节点b的路径上的威胁程度启发因子，其表达式为即在在第t次迭代时节点a到节点b的路径上威胁代价的倒数；γ(γ＞0)为威胁程度启发因子的重要性参与程度；μ(x_s)为位置x_s的量子信息强度，式中表示第s个量子位的量子态坍缩到|0>的概率，即对蚂蚁k而言，越小，则μ(x_s)越大，从而p(x_s)也越大；θ(θ＞0)为量子比特启发式因子，其值越大，则蚂蚁越倾向于选择所含量子信息多的节点。

然后按上述的规则选择节点；

3-3)通过量子旋转门改变蚂蚁自身携带的量子比特的相位，使其向目标节点移动，其中量子旋转门为

则式中θ为旋转角度；

3-4)直至所有的蚂蚁遍历完所有的节点，记录蚂蚁对各节点的选择信息，生成候选解，记录每只量子蚂蚁的可行解，并计算其相应的航迹代价值；

3-5)若n只蚂蚁都产生了各自的解，则转向3-6)，否则，转向3-2)；

3-6)记录本次迭代后n只量子蚂蚁构造出的全局最优解，对每只蚂蚁经过一步转移后进行信息素局部更新和对所有蚂蚁一次迭代后的得到的最优路径进行全局更新，记蚂蚁前一节点位置为p_q，当前节点位置为p_r，移动后节点位置为p_s，则信息素浓度局部更新规则为：

τ(p_s)＝τ(p_r)+ρ·Δτ_rs

式中，τ(p_s)为移动后的节点的信息素浓度，τ(p_r)为当前节点的信息素浓度，ρ(0＜ρ＜1)为信息素挥发因子，用来表达原有信息素浓度的保留程度，其作用为避免路径上信息素的无限积累，Δτ_rs为在本次循环中各个蚂蚁在路径(p_r→p_s)上新增的信息素浓度， Q为常数，J_k为蚂蚁在本次循环中所得的航迹代价值；

所有蚂蚁完成一次循环后，进行信息素全局更新，其规则为：

Q为常数，J_e为本次循环中所得最优路径的航迹代价值；

其中s～为当前得到的最优解；

3-7)若t≥N_max，则转向3-8)，否则，转向3-2)；

3-8)输出得到的最优解及其相应的航迹总代价值，并根据最优解得到最优航迹，算法结束。

本发明的有益效果在于：

本发明结合了无人水面艇航迹规划的特点，将量子蚁群算法应用于无人水面艇航迹寻优的过程中，能够有效地避免寻优过程中陷入局部最优，并且能够极大地提高运算速度；

本发明提运用栅格法对航行区域的静态环境进行建模，该方法具有精度高、对于环境变化具有更强的适应性并且更易得到优化解。

附图说明

图1为无人水面艇航迹规划方法的流程图；

图2为量子蚁群算法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

图1是本发明所设计算法实现步骤的流程图，其特征在于以下的步骤：

步骤1.根据地理信息数据库中的障碍物分布情况，建立航行区域的静态环境模型，所述的内容具体包括：

1-1)根据电子海图中的障碍物位置信息，将航行区域内的障碍物用多边形表示，并且忽略其高度；

1-2)将上述步骤获得的环境信息作为建模数据，采用栅格法对无人水面艇的二维航行区域进行静态环境建模，航迹规划区域需根据起始点、目标点及威胁点的坐标及网格大小来确定。

步骤2.根据无人水面艇航迹规划的目标函数和约束条件，建立无人水面艇的航迹规划综合评价函数，所述的内容具体包括：

2-1)建立无人水面艇的无人水面艇的航迹规划综合评价函数：

minJ＝λ_E·J_E+λ_T·J_T+λ_C·J_C

式中，J_E为能耗代价函数，J_T为地形威胁代价函数，J_C为气象威胁代价函数，λ_E、λ_T和λ_C分别代表相应的代价函数所占的权重，且λ_E+λ_T+λ_C＝1；约束条件为：

其中，L为无人水面艇航迹总航程；L_max为无人水面艇的最大航程；v_i为无人水面艇在第i段航迹段内的航行速度；v_max为无人水面艇航行时的最大速度；设无人水面艇最小转弯半径为r_min，则无人艇航行时转弯半径要求满足约束条件：r≥r_min。

步骤3.采用量子蚁群算法对无人水面艇进行全局航迹规划，所述的内容具体包括：

3-1)初始化量子蚁群。设蚂蚁个数为n＝50个，每只蚂蚁携带m＝2个量子比特，最大迭代次数N_max＝500，其中t时刻量子蚁群可表示为：则在第t次迭代中第i(i＝1，2，…，n)个蚂蚁个体的量子比特可表示为

通过量子比特来表示各节点上的信息素浓度，即表示在第t次迭代时第i个量子蚂蚁在第j个节点上的信息素浓度值，则也是第t次迭代中第i个蚂蚁个体的量子信息素矩阵，为量子比特的相位；Rnd是(0,1)之间随机数；当迭代次数t＝0时，量子信息素矩阵各元素都初始设置为

3-2)将蚂蚁置于航迹规划空间的出发点上，由于蚂蚁k由节点a转移到节点b的移动规则为

其中q为在[0,1]内均匀分布的随机数；q₀＝0.5；allowed_a为蚂蚁k由节点a出发可能到达的所有节点的集合；为按下式选择的目标位置；

τ_ab(t)为在第t次迭代时节点a到节点b的路径上的信息素浓度；信息素重要性参与程度α＝0.5；η_ab(t)为在第t次迭代时节点a到节点b的路径上的距离启发因子，其表达式η_ab(t)＝1/d_ab，d_ab为节点a到节点b的距离；距离启发因子重要性参与程度β＝2；λ_ab(t)为在第t次迭代时节点a到节点b的路径上的威胁程度启发因子，其表达式为即在在第t次迭代时节点a到节点b的路径上威胁代价的倒数；威胁程度启发因子的重要性参与程度γ＝2；μ(x_s)为位置x_s的量子信息强度，式中表示第s个量子位的量子态坍缩到|0>的概率，即对蚂蚁k而言，越小，则μ(x_s)越大，从而p(x_s)也越大；量子比特启发式因子θ＝1。

然后按上述的规则选择节点；

3-3)通过量子旋转门改变蚂蚁自身携带的量子比特的相位，使其向目标节点移动，其中量子旋转门为

则式中θ为旋转角度；

3-4)直至所有的蚂蚁遍历完所有的节点，记录蚂蚁对各节点的选择信息，生成候选解，记录每只量子蚂蚁的可行解，并计算其相应的航迹代价值；

3-5)若n只蚂蚁都产生了各自的解，则转向3-6)，否则，转向3-2)；

3-6)记录本次迭代后n只量子蚂蚁构造出的全局最优解，对每只蚂蚁经过一步转移后进行信息素局部更新和对所有蚂蚁一次迭代后的得到的最优路径进行全局更新，记蚂蚁前一节点位置为p_q，当前节点位置为p_r，移动后节点位置为p_s，则信息素浓度局部更新规则为：

τ(p_s)＝τ(p_r)+ρ·Δτ_rs

式中，τ(p_s)为移动后的节点的信息素浓度，τ(p_r)为当前节点的信息素浓度，信息素挥发因子ρ＝0.7，用来表达原有信息素浓度的保留程度，其作用为避免路径上信息素的无限积累，Δτ_rs为在本次循环中各个蚂蚁在路径(p_r→p_s)上新增的信息素浓度， Q为常数，J_k为蚂蚁在本次循环中所得的航迹代价值；

所有蚂蚁完成一次循环后，进行信息素全局更新，其规则为：

Q为常数，J_e为本次循环中所得最优路径的航迹代价值；

其中s～为当前得到的最优解；

3-7)若t≥N_max，则转向3-8)，否则，转向3-2)；

3-8)输出得到的最优解及其相应的航迹总代价值，并根据最优解得到最优航迹，算法结束。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于量子蚁群算法的无人水面艇航迹规划方法，其特征在于，包括以下步骤：

步骤1.根据地理信息数据库中的障碍物分布情况，建立航行区域的静态环境模型；

步骤2.根据无人水面艇航迹规划的目标函数和约束条件，建立无人水面艇的航迹规划综合评价函数；

步骤3.采用量子蚁群算法对无人水面艇进行全局航迹规划。

2.根据权利要求1所述的基于量子蚁群算法的无人水面艇航迹规划方法，所述的步骤1具体包括：

1-1)根据电子海图中的障碍物位置信息，将航行区域内的障碍物用多边形表示，并且忽略其高度；

1-2)将上述步骤获得的环境信息作为建模数据，采用栅格法对无人水面艇的二维航行区域进行静态环境建模，航迹规划区域需根据起始点、目标点及威胁点的坐标及网格大小来确定。

3.根据权利要求1所述的基于量子蚁群算法的无人水面艇航迹规划方法，所述的步骤2具体包括：

2-1)建立无人水面艇的无人水面艇的航迹规划综合评价函数：

min J＝λ_E·J_E+λ_T·J_T+λ_C·J_C

式中，J_E为能耗代价函数，J_T为地形威胁代价函数，J_C为气象威胁代价函数，λ_E、λ_T和λ_C分别代表相应的代价函数所占的权重，且λ_E+λ_T+λ_C＝1；

2-2)约束条件为：

其中，L为无人水面艇航迹总航程；L_max为无人水面艇的最大航程；v_i为无人水面艇在第i段航迹段内的航行速度；v_max为无人水面艇航行时的最大速度；设无人水面艇最小转弯半径为r_min，则无人艇航行时转弯半径要求满足约束条件：r≥r_min。

4.根据权利要求1所述的基于量子蚁群算法的无人水面艇航迹规划方法，所述的步骤3具体包括：

3-1)初始化量子蚁群，设蚂蚁个数为n个，每只蚂蚁携带m个量子比特，最大迭代次数N_max，其中t时刻量子蚁群可表示为：则在第t次迭代中第i(i＝1，2，…，n)个蚂蚁个体的量子比特可表示为：

通过量子比特来表示各节点上的信息素浓度，即表示在第t次迭代时第i个量子蚂蚁在第j个节点上的信息素浓度值，则也是第t次迭代中第i个蚂蚁个体的量子信息素矩阵，为量子比特的相位；Rnd是(0,1)之间随机数；当迭代次数t＝0时，量子信息素矩阵各元素都初始设置为

3-2)将蚂蚁置于航迹规划空间的出发点上，由于蚂蚁k由节点a转移到节点b的移动规则为

其中q为在[0,1]内均匀分布的随机数；q₀为某一常数(0≤q₀≤1)；allowed_a为蚂蚁k由节点a出发可能到达的所有节点的集合；为按下式选择的目标位置；

τ_ab(t)为在第t次迭代时节点a到节点b的路径上的信息素浓度；α(α＞0)为信息素重要性参与程度；η_ab(t)为在第t次迭代时节点a到节点b的路径上的距离启发因子，其表达式η_ab(t)＝1/d_ab，d_ab为节点a到节点b的距离；β(β＞0)为距离启发因子重要性参与程度；λ_ab(t)为在第t次迭代时节点a到节点b的路径上的威胁程度启发因子，其表达式为即在在第t次迭代时节点a到节点b的路径上威胁代价的倒数；γ(γ＞0)为威胁程度启发因子的重要性参与程度；μ(x_s)为位置x_s的量子信息强度，式中表示第s个量子位的量子态坍缩到|0>的概率，即对蚂蚁k而言，越小，则μ(x_s)越大，从而p(x_s)也越大；θ(θ＞0)为量子比特启发式因子，其值越大，则蚂蚁越倾向于选择所含量子信息多的节点，然后按上述的规则选择节点；

3-3)通过量子旋转门改变蚂蚁自身携带的量子比特的相位，使其向目标节点移动，其中量子旋转门为

则式中θ为旋转角度；

3-4)直至所有的蚂蚁遍历完所有的节点，记录蚂蚁对各节点的选择信息，生成候选解，记录每只量子蚂蚁的可行解，并计算其相应的航迹代价值；

3-5)若n只蚂蚁都产生了各自的解，则转向3-6)，否则，转向3-2)；

3-6)记录本次迭代后n只量子蚂蚁构造出的全局最优解，对每只蚂蚁经过一步转移后进行信息素局部更新和对所有蚂蚁一次迭代后的得到的最优路径进行全局更新，记蚂蚁前一节点位置为p_q，当前节点位置为p_r，移动后节点位置为p_s，则信息素浓度局部更新规则为：

τ(p_s)＝τ(p_r)+ρ·Δτ_rs

式中，τ(p_s)为移动后的节点的信息素浓度，τ(p_r)为当前节点的信息素浓度，ρ(0＜ρ＜1)为信息素挥发因子，用来表达原有信息素浓度的保留程度，其作用为避免路径上信息素的无限积累，Δτ_rs为在本次循环中各个蚂蚁在路径(p_r→p_s)上新增的信息素浓度， Q为常数，J_k为蚂蚁在本次循环中所得的航迹代价值；

所有蚂蚁完成一次循环后，进行信息素全局更新，其规则为：

Q为常数，J_e为本次循环中所得最优路径的航迹代价值；

其中为当前得到的最优解；

3-7)若t≥N_max，则转向3-8)，否则，转向3-2)；

3-8)输出得到的最优解及其相应的航迹总代价值，并根据最优解得到最优航迹，算法结束。