CN109916419A - 一种面向对象的混合遗传算法无人艇实时路径规划方法 - Google Patents

Abstract

本发明涉及海事智能交通技术领域，具体涉及一种面向对象的混合遗传算法无人艇实时路径规划方法。步骤一：建立水面无人艇的运动数学模型；步骤二：建立海风、海浪、海流环境干扰的数学模型；步骤三：基于进化遗传算法进行水面无人艇全局路径规划，对静态障碍物进行避碰；步骤四：基于蚁群优化算法进行水面无人艇局部路径规划，对动态障碍物进行避碰；步骤五：复航回归到计划航迹，重复步骤三和步骤四进行实时路径规划，到达终点；本发明通过进化遗传算法进行全局路径规划，解决无人艇对多个静态静态障碍物的路径规划问题，通过蚁群优化算法进行局部路径规划，对动态障碍物进行实时避碰。

Description

一种面向对象的混合遗传算法无人艇实时路径规划方法

技术领域

本发明涉及海事智能交通技术领域，具体涉及一种面向对象的混合遗传算法无人艇实时路径规划方法。

背景技术

水面无人艇(unmanned surface vessel，简称USV)在工业和军事领域不断的发展，作为海洋环境监测、维护海洋权益的重要工具也得到了极大的重视。

由于，路径规划是无人艇自主控制研究的关键技术之一。全局路径规划能够在无人艇航行区域离线生成预定路径，并能够避开静态障碍物，如岛屿、静态浮标等。然而，无人艇航行区域的实际环境是会不断发生变化的，应用非实时性的全局路径规划将会导致与动态障碍物的碰撞。

目前，水面无人艇多采用局部路径规划技术，然而局部路径规划的算法相对较为简单，能够执行实时性要求较高的任务，但是把局部路径规划作为一个独立的系统，其并不能包含有整体的环境信息。因此，一个理想的解决方案是将这两种路径规划集成一个混合路径规划的架构中，来处理实际环境中的路径规划问题。

发明内容

本发明的目的在于提供一种面向对象的混合遗传算法无人艇实时路径规划方法，以通过进化遗传算法进行全局路径规划，解决无人艇对多个静态静态障碍物的路径规划问题，通过蚁群优化算法进行局部路径规划，对动态障碍物进行实时避碰。

本发明实施例提供一种面向对象的混合遗传算法无人艇实时路径规划方法，包括：

步骤一：建立水面无人艇的运动数学模型；

步骤二：建立海风、海浪、海流环境干扰的数学模型；

步骤三：基于进化遗传算法进行水面无人艇全局路径规划，对静态障碍物进行避碰；

步骤四：基于蚁群优化算法进行水面无人艇局部路径规划，对动态障碍物进行避碰；

步骤五：复航回归到计划航迹，重复步骤三和步骤四进行实时路径规划，到达终点；

所述步骤一，包括：

建立水面无人艇的运动数学模型；

其中，所述水面无人艇的运动数学模型的建立方法为：

令水面无人艇的位置点为S_o(x_o,v_o)，障碍物的位置点为S_T(x_T,y_T)，水面无人艇的航行速度为v_o(v_xo,v_yo)，障碍物的运动速度为v_T(v_xT,v_yT)，则：

水面无人艇的运动速度的大小为：水面无人艇的运动速度的航向为：其中，

障碍物的运动速度的大小为：障碍物的运动速度的航向为：

水面无人艇与障碍物的相对运动速度分量表示为：水面无人艇与障碍物的相对运动速度大小为：水面无人艇与障碍物的相对运动速度方向为：

水面无人艇与障碍物的相对距离为：

障碍物相对于水面无人艇的方向为：

水面无人艇相对于障碍物的方向为：

障碍物的相对位置为：

水面无人艇航行方向和障碍物的交叉角为：

水面无人艇与障碍物最近的相遇距离为：其中，如果水面无人艇在障碍物的后方，则DCPA_T是正值；如果水面无人艇在障碍物的前方，则DCPA_T是负值；

水面无人艇与障碍物到达最近会遇点的时间为：其中，如果障碍物还没有经过最近相遇位置点时，TCPA_T是正值；如果障碍物运动航迹已经超出了最近的相遇位置点时，TCPA_T是负值；

所述步骤二，包括：

建立海风、海浪、海流环境干扰的数学模型；

其中，所述海风干扰模型的建立为：

采用X_W来表示沿ox方向的平均风力，Y_W表示沿o_y方向的平均风力，N_w表示平均风力矩：

上式中，C_X(γ_R)，C_Y(γ_R)为平均风力的系数，C_N(γ_R)为平均风力矩的系数，C_Y(γ_R)表示水面无人艇横向风力系数，C_X(γ_R)表示水面无人艇纵向的风力系数，C_N(γ_R)表示由风产生的转艏风力矩的系数，通过水面无人艇的相关方程确定C_X(γ_R)，C_Y(γ_R)，C_Y(γ_R)的值；水面无人艇正投影的面积表示为A_T，侧投影的面积表示为A_L，水面无人艇长度表示为L_OA；空气密度为ρ_A；水面无人艇在海上航行时存在航行速度V(u,v)，将实际风的方向和速度分别叫做绝对风向和绝对风速，而作用在水面无人艇上的风的方向和速度分别叫做相对风向α_WIND和相对风速V_T，相对速度用V_R表示，风舷角γ_R代表相对风速和水面无人艇首部之间的夹角，V_R，γ_R可通过下列方程式计算获得：

上式中，αWIND和ψ在0°～360°范围内变动，γ_R在-180°～+180°范围内变动；

大气瑞流所引起的脉动风力被认为是由标准差(σ_X、σ_Y，σ_N)和绝对风速V_T的平方成正相关的某种白噪声产生的：

其中，所述海浪干扰模型的建立为：

对于波浪漂流力(C_DX，C_DY)和力矩系数C_DN，将其定义为：

将纵向漂移力考虑到其中，得到：

上式中，遭遇角用χ表示，波长用λ表示，波浪的漂移力系数用C_DX、C_DY、C_DN表示，流体的密度用ρ来表示，水面无人艇长度用L表示，平均波浪幅值用a表示；

由不同种频率的规则波叠加而成的不规则波中的各个力的和力矩的大小由下式得到：

不规则波的漂流力及力矩由下式得到：

其中，所述海流干扰模型的建立为：

水面无人艇在均匀海流作用下，会产生绕oz轴方向的附加干扰力和力矩，通过两种不同的方式表示海流干扰的数学模型，一种表达如下：

上式中，海流速度用V_c表示，水面无人艇水线下部的正投影面积为A_jw，水面无人艇水线下面的侧投影面面积为A_sw，海流的流进角度为β，作用力的相关系数可分别表示为ox轴方向的C_X(β)，oy轴方向的C_Y(β)，作用力矩的相关系数为oz轴方向的C_N(β)；

第二种方法是在水面无人艇的运动方程中将海流的影响考虑进来：用相对于海流的速度代替水面无人艇运动方程中的航行速度，流向ψ_c以顺时针方向计算，流速V_c沿ox轴、oy轴的速度分量为：

水面无人艇的相对速度沿ox轴、oy轴的分量为u、v，相对水流速度的投影为u_r、v_r，则有：

或

所述步骤三，包括：

基于进化遗传算法进行水面无人艇全局路径规划，对静态障碍物进行避碰；

其中，所述进化遗传算法的具体描述为：

通过遗传算法中的选择、交叉、变异、删除和修复遗传算子的操作实现种群的更替与修复，针对水面无人艇海上航行的实际情况及风浪流的干扰作用，选取较小的变异概率Pm＝0.1,较大的交叉概率Pc＝0.7，水面无人艇全局路径规划过程步骤如下：

(a)进入水面无人艇的路径规划避碰仿真平台；(b)获取相关参数，得到静态障碍物的个数信息；(c)对GA的参数进行初始化操作，所述参数包括发生迭代的次数、种群中染色体的数量、交叉及变异概率Pc和Pm；(d)生成路径的最初种群，并进入GA的迭代循环；(e)解码染色体，依据路径的长度、路径的安全性和路径的光滑度评价因子计算,得到适应度函数的值；(f)根据所述适应度函数的值，通过“轮盘赌”方法选出下一代的染色体进行交叉、变异、修复遗传操作，从而优化种群；(g)迭代完成后，输出能够规避静态障碍物的可行路径；

所述步骤四，包括：

基于蚁群优化算法进行水面无人艇局部路径规划，对动态障碍物进行避碰；

其中，所述蚁群优化算法的具体描述为：

水面无人艇局部路径规划过程步骤如下：

(a)构造解空间；(b)初始化参数；(c)每只蚂蚁按照选择概率，选择下一个可行节；(d)在一定迭代范围内，最优值是否改变，若没有变化，则更新挥发系数值；(e)局部信息素和全局信息素更新；(f)满足迭代终止条件，输出能够规避动态障碍物的可行路径；

本发明的有益效果在于：

1.本发明完成了无人艇运动数学模型的建立,一方面是为设计无人艇运动控制器提供方便,另一方面也为研究在仿真环境下无人艇闭环系统的性能提供基础；

2.本发明使用蚁群-遗传算法对无人艇航行路径进行实时规划，克服了进化遗传算法对单个和多个动态障碍物无法规避的问题，也克服了蚁群优化算法易于陷于局部最优解的问题,使得无人艇规划路径的质量有所提升；

3.本发明完成了无人艇从搜索附近航行环境，收集并分析障碍物信息，到制定避碰对策，完成对障碍物的躲避的一系列过程，有效提升了无人艇的智能化，减少了操控人员的工作量；

4.本发明通过改进传统单一的对无人艇路径规划的算法，实现无人艇在执行搜救、勘察等任务的时候能够即使发现动态障碍物，根据障碍物的分布情况实施避碰策略，确保无人艇航行时的安全性。

附图说明

图1为本发明中水面无人艇与障碍物的相对运动示意图；

图2为本发明中海风干扰模型示意图；

图3为本发明一种面向对象的混合遗传算法无人艇实时路径规划方法的流程图；

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明做进一步描述：

本发明的技术方案是这样实现的：

1.无人艇数学模型的建立

已知水面无人艇的位置点为S_o(x_o,v_o)，障碍物的位置点为S_T(x_T,y_T)，无人艇的航行速度为v_o(v_xo,v_yo)，障碍物的运动速度为v_T(v_xT,v_yT)，则在水面无人艇航行在海洋环境中。两者相对运动示意图如图1所示:

(1)无人艇的运动速度

速度的大小：

航向：

其中

(2)目标船舶的运动速度

速度大小：

航向：

(3)相对运动的速度

相对速度的分量：

相对速度大小：

相对速度方向：

(4)水面无人艇与目标船只的相对距离

(5)目标船只相对于水面无人艇的方向

(6)水面无人艇相对于目标船只的方向

(7)移动船只的相对位置：

(8)移动船只和水面无人艇航行方向的交叉角：

(9)水面无人艇与移动船只最近的相遇距离：

其中，如果水面无人艇在移动船只的后方，则DCPA_T是正值；如果水面无人艇在移动船只的前方，则DCPA_T是负值。

(10)到达最近会遇点的时间：

如果移动船只还没有经过两船最近相遇位置点时，TCPA_T是正值；如果移动船只运动航迹已经超出了两船最近的相遇位置点时，TCPA_T是负值。

利用无人艇的运动数学模型模拟实船的航行情况，为后续的研究提供理论基础。

2.海洋环境干扰模型建立

(1)风力干扰模型

海上的风不仅会产生海浪，还会对海上航行的无人艇产生相应的作用力和力矩的影响，使其偏离原定的航行路径运行。所以在水面无人艇的路径规划避碰方法的研究中，考虑到海平面风的影响因数是十分重要的。可用平均风力和脉动平均风力。

采用X_W来表示沿ox方向的平均风力，Y_W表示沿o_y方向的平均风力，而N_w则表示平均风力矩，如图2所示。

其中C_X(γ_R)，C_Y(γ_R)为平均风力的系数C_N(γ_R)为平均风力矩的系数，C_Y(γ_R)表示水面无人艇横向风力系数，C_X(γ_R)代表水面无人艇纵向的风力系数，C_N(γ_R)是因为风产生的转艏风力矩的系数，可以通过水面无人艇的相关方程来确定C_X(γ_R)，C_Y(γ_R)，C_Y(γ_R)的值。水面无人艇正投影的面积可表示为A_T而侧投影的面积可表示为A_L，水面无人艇的长度是L_OA。空气密度为ρ_A。因为水面无人艇在海上航行时，存在着航行速度V(u,v)，所以作用在无人艇上的风的方向和速度同实际的风的方向和速度存在偏差。将实际风的方向和速度分别叫做绝对风向和绝对风速；而作用在水面无人艇上的风的方向和速度叫做相对风向和相对风速(α_WIND和V_T)。相对速度我们用V_R来表示，用风舷角γ_R来代表相对风速和水面无人艇首部之间的夹角，V_R，γ_R可通过下列方程式计算获得：

其中α_WIND，ψ在0°～360°范围内变动，γ_R在-180°～+180°范围内变动。

大气瑞流所引起的脉动风力被认为是由标准差(σ_X、σ_Y，σ_N)和绝对风速V_T的平方成正相关的某种白噪声产生的。

(2)海浪干扰模型

影响水面无人艇海上航行的状态，使其产生振荡的主要干扰素就是海浪。我们通常主要研究的海浪是风浪，它是在风的作用下而形成的不规则的海浪。季节变化，水域状况，风力情况等影响这它的大小变化。

对于波浪漂流力(C_DX，C_DY)和力矩系数C_DN，在Hirano的研究中将其定义为：

上述的计算中并没有将纵向漂移力考虑到其中，Dailydoola在其基础上进行改进，给出下列计算方法:

式中，遭遇角用χ表示，波长用λ表示，波浪的漂移力系数用C_DX、C_DY、C_DN表示，流体的密度用ρ来表示，水面无人艇长度用L表示，平均波浪幅值用a表示。

由不同种频率的规则波叠加而成的不规则波中的各个力的和力矩的大小可通式(22)获得，再由下列方程计算出不规则波的漂流力及力矩。

(3)海流干扰模型

按时间的角度来看，海流一般可归为非定常海流和定常海流这两类。而就地理方位而言，又可归为非均匀海流和均勾海流这两类。在有关水面无人艇路径规划避碰的研究中，一般把海流看作恒定均匀来考虑，只对水面无人艇的运动速度及位置状况产生影响。水面无人艇在均匀海流作用下，会产生绕oz轴方向的的附加干扰力和力矩。可通过两种不同的方式来表示海流干扰的数学模型。一种表达如下：

其中：海流速度用用V_c表示，水面无人艇水线下部的正投影面积为A_jw；水面无人艇水线下面的侧投影面面积为A_sw；海流的流进角度为β，作用力的相关系数可分别表示为C_X(β)(ox轴方向)，C_Y(β)(oy轴)。作用力矩的相关系数为C_N(β)(oz轴方向)。

第二种方法是在水面无人艇的运动方程中将海流的影响考虑进来。用相对于海流的速度来代替水面无人艇运动方程中的航行速度。流向ψ_c以顺时针方向考虑计算。流速V_c沿ox轴、oy轴的速度分量为：

海上航行的水面无人艇的相对速度沿ox轴、oy轴的分量为u、v相对水流速度的投影为u_r，v_r则有：

或

3.基于进化遗传算法的无人艇全局路径规划

对水面无人艇的全局路径规划，本文主要采用改进的遗传算法来进行障碍物的规避。通过遗传算法中的选择、交叉、变异、删除和修复等遗传算子的操作来实现种群的更替与修复的。尽管可以通过选择操作来提升群体的平均适应度数值，即如果个体的适应度数值较高则进入到下一代种群中的概率会很大,但是新的个体的生成只可以通过交叉和变异遗传操作来实现。

据很多研究表明，交叉和变异率对于解的全局收敛有着较大的影响。在一般情况下，交叉和变异率都是常数，但在实际操作过程中对于其数值的选取却很难确定下了，较小的交叉和变异率在一定程度上不能确保收敛于全局的最优解，而较大的交叉和变异率反而会增加迭代的次数。针对水面无人艇海上航行的实际情况及风浪流的干扰作用，本文依据先验的经验选取了较小的变异概率Pm＝0.1,较大的交叉概率Pc＝0.7。无人艇(USV)路径规划过程的主要步骤如下。

步骤1、进入水面无人艇(USV)的路径规划避碰仿真平台；

步骤2、获取相关参数(静态障碍物的个数)信息；

步骤3、对GA的相关参数进行初始化，包括发生迭代的次数、种群中染色体的数量、交叉及变异概率Pc和Pm；

步骤4、生成路径的最初种群，并进入GA的迭代循环；

步骤5、解码染色体，依据路径的长度、路径的安全性、和路径的光滑度评价因子来计算适应度函数的值；

步骤6、根据适应度函数的值，通过“轮盘赌”方法来选出下一代的染色体进行交叉、变异、修复等遗传操作，从而优化种群；

步骤7、迭代完成后，输出能够规避静态障碍物的可行路径。

4.基于蚁群优化算法的无人艇局部路径规划

全局路径规划适用于已知静态环境下，只有这样才能为无人艇提供一条无人的路径。但是，当环境中出现了动态变化的障碍物时，全局路径规划就不能胜任了，而局部路径规划的优势也就能够体现出来，因此将全局路径规划作为前提，研究了以蚁群算法为基础的局部路径规划算法。

步骤1、构造解空间；

步骤2、初始化参数；

步骤3、每只蚂蚁按照选择概率，选择下一个可行节；

步骤4、在一定迭代范围内，最优值是否改变，若没有变化，则更新挥发系数值；

步骤5、局部信息素和全局信息素更新；

步骤6、满足迭代终止条件，输出结果。

5.混合遗传算法无人艇实时在线路径规划

这种方法首先根据海图等静态环境信息进行全局路径规划，得到计划航迹；其次无人艇开始以计划航迹行驶并不断探测周边环境以发现动态障碍物，当发现动态障碍物时进入局部路径规划，实时避碰动态障碍物；最后在完全躲避过动态障碍物后，开始回归计划航迹并到达终点。将蚁群优化算法和进化遗传算法相结合，设计了一种实时避碰航迹控制算法。无人艇(USV)使用该算法进行路径规划的过程主要步骤如下。

步骤1、进入水面无人艇(USV)的路径规划避碰仿真平台；

步骤2、获取相关参数(静态障碍物的个数)信息,并且对相关参数进行初始化，其中包括发生迭代的次数、种群中染色体的数量、交叉及变异概率Pc,Pm等等；

步骤3、生成路径的最初种群，并进入GA的迭代循环；

步骤4、时刻检测无人艇周围环境，检测动态障碍物信息，如果有动态障碍物进行步骤5，如无动态障碍物，进行步骤6；

步骤5、蚁群优化算法进行动态避障，避障完成后回归计划航迹；

步骤6、根据适应度函数的值，通过“轮盘赌”方法来选出下一代的染色体进行交叉、变异、修复等遗传操作，从而优化种群；

步骤7、迭代完成后，输出能够规避障碍物的最优可行路径。

Claims (5)

1.一种面向对象的混合遗传算法无人艇实时路径规划方法，其特征在于，包括：

步骤一：建立水面无人艇的运动数学模型；

步骤二：建立海风、海浪、海流环境干扰的数学模型；

步骤三：基于进化遗传算法进行水面无人艇全局路径规划，对静态障碍物进行避碰；

步骤四：基于蚁群优化算法进行水面无人艇局部路径规划，对动态障碍物进行避碰；

步骤五：复航回归到计划航迹，重复步骤三和步骤四进行实时路径规划，到达终点。

2.根据权利要求1所述的一种面向对象的混合遗传算法无人艇实时路径规划方法，其特征在于，所述步骤一，包括：

建立水面无人艇的运动数学模型；

其中，所述水面无人艇的运动数学模型的建立方法为：

令水面无人艇的位置点为S_o(x_o,v_o)，障碍物的位置点为S_T(x_T,y_T)，水面无人艇的航行速度为v_o(v_xo,v_yo)，障碍物的运动速度为v_T(v_xT,v_yT)，则：

水面无人艇的运动速度的大小为：水面无人艇的运动速度的航向为：其中，

障碍物的运动速度的大小为：障碍物的运动速度的航向为：

水面无人艇与障碍物的相对运动速度分量表示为：水面无人艇与障碍物的相对运动速度大小为：水面无人艇与障碍物的相对运动速度方向为：

水面无人艇与障碍物的相对距离为：

障碍物相对于水面无人艇的方向为：

水面无人艇相对于障碍物的方向为：

障碍物的相对位置为：

水面无人艇航行方向和障碍物的交叉角为：

水面无人艇与障碍物最近的相遇距离为：其中，如果水面无人艇在障碍物的后方，则DCPA_T是正值；如果水面无人艇在障碍物的前方，则DCPA_T是负值；

水面无人艇与障碍物到达最近会遇点的时间为：其中，

如果障碍物还没有经过最近相遇位置点时，TCPA^T是正值；如果障碍物运动航迹已经超出了最近的相遇位置点时，TCPA^T是负值。

3.根据权利要求1所述的一种面向对象的混合遗传算法无人艇实时路径规划方法，其特征在于：所述步骤二，包括：

建立海风、海浪、海流环境干扰的数学模型；

其中，所述海风干扰模型的建立为：

采用X_W来表示沿ox方向的平均风力，Y_W表示沿o_y方向的平均风力，N_w表示平均风力矩：

上式中，C_X(γ_R)，C_Y(γ_R)为平均风力的系数，C_N(γ_R)为平均风力矩的系数，C_Y(γ_R)表示水面无人艇横向风力系数，C_X(γ_R)表示水面无人艇纵向的风力系数，C_N(γ_R)表示由风产生的转艏风力矩的系数，通过水面无人艇的相关方程确定C_X(γ_R)，C_Y(γ_R)，C_Y(γ_R)的值；水面无人艇正投影的面积表示为A_T，侧投影的面积表示为A_L，水面无人艇长度表示为L_OA；空气密度为ρ_A；水面无人艇在海上航行时存在航行速度V(u,v)，将实际风的方向和速度分别叫做绝对风向和绝对风速，而作用在水面无人艇上的风的方向和速度分别叫做相对风向α_WIND和相对风速V_T，相对速度用V_R表示，风舷角γ_R代表相对风速和水面无人艇首部之间的夹角，V_R，γ_R可通过下列方程式计算获得：

上式中，αWIND和ψ在0°～360°范围内变动，γ_R在-180°～+180°范围内变动；

大气瑞流所引起的脉动风力被认为是由标准差(σ_X、σ_Y，σ_N)和绝对风速V_T的平方成正相关的某种白噪声产生的：

其中，所述海浪干扰模型的建立为：

对于波浪漂流力(C_DX，C_DY)和力矩系数C_DN，将其定义为：

将纵向漂移力考虑到其中，得到：

上式中，遭遇角用χ表示，波长用λ表示，波浪的漂移力系数用C_DX、C_DY、C_DN表示，流体的密度用ρ来表示，水面无人艇长度用L表示，平均波浪幅值用a表示；

由不同种频率的规则波叠加而成的不规则波中的各个力的和力矩的大小由下式得到：

不规则波的漂流力及力矩由下式得到：

其中，所述海流干扰模型的建立为：

水面无人艇在均匀海流作用下，会产生绕oz轴方向的附加干扰力和力矩，通过两种不同的方式表示海流干扰的数学模型，一种表达如下：

上式中，海流速度用V_c表示，水面无人艇水线下部的正投影面积为A_jw，水面无人艇水线下面的侧投影面面积为A_sw，海流的流进角度为β，作用力的相关系数可分别表示为ox轴方向的C_X(β)，oy轴方向的C_Y(β)，作用力矩的相关系数为oz轴方向的C_N(β)；

第二种方法是在水面无人艇的运动方程中将海流的影响考虑进来：用相对于海流的速度代替水面无人艇运动方程中的航行速度，流向ψ^c以顺时针方向计算，流速V_c沿ox轴、oy轴的速度分量为：

水面无人艇的相对速度沿ox轴、oy轴的分量为u、v，相对水流速度的投影为u_r、v_r，则有：

或

4.根据权利要求1所述的一种面向对象的混合遗传算法无人艇实时路径规划方法，其特征在于：所述步骤三，包括：

基于进化遗传算法进行水面无人艇全局路径规划，对静态障碍物进行避碰；

其中，所述进化遗传算法的具体描述为：

通过遗传算法中的选择、交叉、变异、删除和修复遗传算子的操作实现种群的更替与修复，针对水面无人艇海上航行的实际情况及风浪流的干扰作用，选取较小的变异概率Pm＝0.1,较大的交叉概率Pc＝0.7，水面无人艇全局路径规划过程步骤如下：

(a)进入水面无人艇的路径规划避碰仿真平台；(b)获取相关参数，得到静态障碍物的个数信息；(c)对GA的参数进行初始化操作，所述参数包括发生迭代的次数、种群中染色体的数量、交叉及变异概率Pc和Pm；(d)生成路径的最初种群，并进入GA的迭代循环；(e)解码染色体，依据路径的长度、路径的安全性和路径的光滑度评价因子计算,得到适应度函数的值；(f)根据所述适应度函数的值，通过“轮盘赌”方法选出下一代的染色体进行交叉、变异、修复遗传操作，从而优化种群；(g)迭代完成后，输出能够规避静态障碍物的可行路径。

5.根据权利要求1所述的一种面向对象的混合遗传算法无人艇实时路径规划方法，其特征在于：所述步骤四，包括：

基于蚁群优化算法进行水面无人艇局部路径规划，对动态障碍物进行避碰；

其中，所述蚁群优化算法的具体描述为：

水面无人艇局部路径规划过程步骤如下：

(a)构造解空间；(b)初始化参数；(c)每只蚂蚁按照选择概率，选择下一个可行节；(d)在一定迭代范围内，最优值是否改变，若没有变化，则更新挥发系数值；(e)局部信息素和全局信息素更新；(f)满足迭代终止条件，输出能够规避动态障碍物的可行路径。