CN109976158B - 基于距离进化n-pso的auv能源优化路径搜寻方法 - Google Patents

基于距离进化n-pso的auv能源优化路径搜寻方法 Download PDF

Info

Publication number
CN109976158B
CN109976158B CN201910243241.1A CN201910243241A CN109976158B CN 109976158 B CN109976158 B CN 109976158B CN 201910243241 A CN201910243241 A CN 201910243241A CN 109976158 B CN109976158 B CN 109976158B
Authority
CN
China
Prior art keywords
path
particle
auv
iter
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910243241.1A
Other languages
English (en)
Other versions
CN109976158A (zh
Inventor
吴杰宏
宋成鑫
赵亮
拱长青
高利军
郭振洲
马坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Aerospace University
Original Assignee
Shenyang Aerospace University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Aerospace University filed Critical Shenyang Aerospace University
Priority to CN201910243241.1A priority Critical patent/CN109976158B/zh
Publication of CN109976158A publication Critical patent/CN109976158A/zh
Application granted granted Critical
Publication of CN109976158B publication Critical patent/CN109976158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及AUV路径优化技术领域，提供一种基于距离进化N‑PSO的AUV能源优化路径搜寻方法，首先构建水下环境模型、AUV二维运动模型；接着基于N‑PSO，粒子群中粒子随机生成初始路径，在第k次迭代中，根据粒子罚函数值更新全局最优解与个体最优解，根据粒子之间平均距离来构造距离进化因子及进化状态Evo_statek；Evo_statek＝1时，若k≥K，则输出能源最优路径及其能源消耗值，反之，则更新粒子速度与位置，进行下一次迭代；Evo_statek≠1时，对粒子随机扰动，当扰动后粒子的罚函数值均变小或iter≥ITER时，更新全局最优解与个体最优解，反之，进行下一次扰动。本发明能够从能源优化的角度进行AUV路径的优化，优化效率高、鲁棒性好、优化结果更稳定、易于实现。

Description

基于距离进化N-PSO的AUV能源优化路径搜寻方法
技术领域
本发明涉及自主式水下航行器路径优化技术领域，特别是涉及一种基于距离进化N-PSO的AUV能源优化路径搜寻方法。
背景技术
AUV(Autonomous Underwater Vehicle，自主式水下航行器)在过去的很多年被认为是执行水下探测任务最适用的工具，它因为具有活动范围大、机动性好、智能化等优点，被广泛地使用在海底考察、数据搜集、扫雷、救生及执行长期的水生检测任务等。由于海洋深处的复杂性与不可预知性，AUV在执行水下任务时可能受到障碍物与不可预知的洋流等诸多不利因素的影响。其中，AUV容易受到洋流的影响，特别是涡流的影响，因为涡流具有湍急且方向多变等特性。实践上证明AUV经过类似于涡流这样的区域时，会消耗较多的能量。为了保证执行任务期间的活动范围和续航时间，AUV携带的有限能源必须能够足够应对水下不利环境因素对航行规划产生的干扰，需要利用携带的有限能源规划出一条更安全、高效的路径。安全性主要体现在AUV在执行任务过程中能够避开不确定障碍物到达目标点，高效性体现在针对AUV携带的有限能源的情况下，如何规划出一条能源消耗更小且稳定的路径，这样的能源消耗更优且稳定的路径是能够顺利完成水下任务的关键。
现有的AUV优化路径搜寻方法没有从能源优化的角度出发，且效率低、鲁棒性差、结果不够稳定，从而不能够得到能源优化的稳定路径。
发明内容
针对现有技术存在的问题，本发明提供一种基于距离进化N-PSO的AUV能源优化路径搜寻方法，能够从能源优化的角度进行AUV路径的优化，且优化效率高、鲁棒性好、优化结果更稳定、易于实现。
本发明的技术方案为：
一种基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，包括下述步骤：
步骤1：对区域海域空间的水下环境进行探测，获取涡流、障碍物信息；将水下环境在垂直高度上分成Q层，在每层建立二维直角坐标系xOy，并构建水下环境模型，确定AUV执行任务的起始点p1与目标点pn；所述水下环境模型包括涡流场模型与障碍物模型，所述涡流场模型为
Figure GDA0003194543200000011
l＝1,2,…,L，所述障碍物模型为Om(x,y)，m＝1,2,…,M；
其中，
Figure GDA0003194543200000021
为第l个涡流场模型，
Figure GDA0003194543200000022
为二维空间点坐标(x,y)，L为水下环境中的涡流总数，Om(x,y)为第m个障碍物模型，M为水下环境中的障碍物总数；
步骤2：构造AUV的二维运动模型为AUV(p'i)；
其中，p'i为AUV路径上第i个点pi＝(xi,yi)在惯性坐标系下的速度，p'i＝(xi',yi')，xi'为AUV路径上第i个点在惯性坐标系下x轴方向的速度，yi'为AUV路径上第i个点在惯性坐标系下y轴方向的速度；AUV路径为AUV从起始点到目标点的路径，AUV路径由n个潜在的离散点控制，AUV路径的离散点集合为
Figure GDA0003194543200000023
步骤3：基于非线性粒子群优化方法N-PSO，初始化迭代次数k＝1，利用规模大小为N的粒子群随机生成N条从起始点p1到目标点pn的路径
Figure GDA0003194543200000024
其中，
Figure GDA0003194543200000025
为粒子群中第j个粒子在第k次迭代中的路径，j＝1,2,...,N，
Figure GDA0003194543200000026
pijk＝(xijk,yijk)为路径
Figure GDA0003194543200000027
上第i个点的坐标，p1jk＝p1，pnjk＝pn；
步骤4：计算第k次迭代中第j个粒子的罚函数值
Figure GDA0003194543200000028
选取罚函数值最小的粒子作为第k次迭代中的全局最优粒子、全局最优粒子的路径为第k次迭代中的全局最优解gbestk、k次迭代中第j个粒子的最优路径为第k次迭代中第j个粒子的个体最优解pbestjk；
其中，
Figure GDA0003194543200000029
Figure GDA00031945432000000210
步骤5：计算第k次迭代中第j个粒子与其他粒子之间的平均距离djk，进一步构造第k次迭代中的距离进化因子Evo_fack，并定义第k次迭代中的进化状态Evo_statek；
其中，
Figure GDA00031945432000000211
dbest,k为第k次迭代中全局最优粒子与其他粒子之间的平均距离，dmax,k＝max(d1k,d2k,...,dNk)，dmin,k＝min(d1k,d2k,...,dNk)，Evo_fack的取值范围为[0,1]；
Figure GDA0003194543200000031
步骤6：
步骤6.1：若Evo_statek＝1，则粒子间的距离相对较近，进入步骤6.5；若Evo_state＝2，则粒子间的距离相对较远，进入步骤6.2；
步骤6.2：利用随机扰动使待扰动粒子集合A中的每个粒子随机移动，得到第iter次扰动后第j个粒子的路径
Figure GDA0003194543200000032
j∈A，进入步骤6.3；
其中，iter的初始值为1，A的初始值为{1,2,...,j,...,N}j≠best，best为全局最优粒子；
Figure GDA0003194543200000033
step为移动步长，rand()为随机函数，pijk_iter为第iter次扰动中对第j个粒子施加的随机扰动，pijk_iter＝pijk+radius·rand()，radius为随机移动半径；
步骤6.3：计算第iter次扰动后第j个粒子的罚函数值
Figure GDA0003194543200000034
更新待扰动粒子集合A中第j个粒子的路径
Figure GDA0003194543200000035
j∈A；
若待扰动粒子集合A中每个粒子在第iter次扰动后的罚函数值均比该粒子在第iter次扰动前的罚函数值小，则进入步骤6.4；
若有粒子在第iter次扰动后的罚函数值不比第iter次扰动前的罚函数值小，则判断扰动次数是否达到预设扰动次数最大值ITER，若iter＜ITER，则将第iter次扰动后的罚函数值比第iter次扰动前的罚函数值小的粒子从待扰动粒子集合A中剔除，令iter＝iter+1，返回步骤6.2，进行下一次扰动；若iter≥ITER，则进入步骤6.4；
步骤6.4：更新全局最优粒子，并更新第k次迭代中的全局最优解gbestk、第k次迭代中第j个粒子的个体最优解pbestjk；
步骤6.5：计算第k次迭代中全局最优粒子的路径的能源消耗值E(gbestk)；
步骤6.6：判断是否达到最大迭代次数K，
若k≥K，则全局最优粒子的路径为能源最优路径，输出能源最优路径及能源最优路径的能源消耗值E(gbestk)；
若k＜K，则更新粒子群中每个粒子的路径上每个点处的速度与坐标，k＝k+1，返回步骤4，进行下一次迭代；
其中，更新第j个粒子的路径为
Figure GDA0003194543200000041
路径
Figure GDA0003194543200000042
上第i个点的速度为p'ij,k+1＝wkp'ijk+c1kr1(pbestjk,i-pijk)+c2kr2(gbestk,i-pijk)，路径
Figure GDA0003194543200000043
上第i个点的坐标为pij,k+1＝pijk+p'ij,k+1；p'ijk为路径
Figure GDA0003194543200000044
上第i个点在惯性坐标系下的速度，p'ijk＝(x'ijk,y'ijk)，xijk'、yijk'分别为路径
Figure GDA0003194543200000045
上第i个点在惯性坐标系下x轴方向的速度、y轴方向的速度，p'ijk根据AUV的二维运动模型来计算；pbestjk,i为个体最优解pbestjk上第i个点的坐标，gbestk,i为全局最优解gbestk上第i个点的坐标；wk为第k次迭代的非线性惯性权重因子，
Figure GDA0003194543200000046
wk的取值范围为[0.4,0.9]，wini为初始非线性惯性权重因子，wend为迭代到最大迭代次数时的非线性惯性权重因子，wini＝0.9，wend＝0.4；c1k为第k次迭代的第一非线性学习因子
Figure GDA0003194543200000047
c2k为第k次迭代的第二非线性学习因子
Figure GDA0003194543200000048
bα、bβ、bκ、bλ均为边界限制因子，bα＝1，bβ＝1.5，bκ＝1，bλ＝1.5，c1k、c2k的取值范围均为[0.5,2.5]；r1、r2均为介于(0,1)之间的随机数。
所述步骤1中，
Figure GDA0003194543200000049
其中，
Figure GDA00031945432000000410
为第l个涡流在点(x,y)处的x轴方向速度，
Figure GDA00031945432000000411
为第l个涡流在点(x,y)处的y轴方向速度，
Figure GDA00031945432000000412
Figure GDA00031945432000000413
Figure GDA00031945432000000414
为第l个涡流的中心点坐标(xl0,yl0)，ξl为第l个涡流的控制半径，ζl为第l个涡流的力量值，ζl为定值。
所述步骤1中，将所述障碍物处理为圆形，第m个障碍物模型Om(x,y)为(x-am)2+(y-bm)2＝rm 2；其中，(am,bm)为第m个障碍物的圆心，rm为第m个障碍物的半径。
所述步骤2中，AUV(p'i)为
Figure GDA0003194543200000051
其中，ψi为AUV路径中第i个点(xi,yi)在惯性坐标系下的偏航角，
Figure GDA0003194543200000052
Figure GDA0003194543200000053
P为AUV的自身推力所产生的速度，P为定值，
Figure GDA0003194543200000054
ψlc(xi,yi)为第l个涡流在点(xi,yi)处的方向角，
Figure GDA0003194543200000055
所述步骤4中，罚函数值
Figure GDA0003194543200000056
其中，
Figure GDA0003194543200000057
为路径
Figure GDA0003194543200000058
的能源优化目标函数值，
Figure GDA0003194543200000059
Figure GDA00031945432000000510
为路径
Figure GDA00031945432000000511
的能源消耗值，Emin为预先设定的能源消耗最小值；
Figure GDA00031945432000000512
cd为常数，tijk为路径
Figure GDA00031945432000000513
从第i个点到第i+1个点消耗的时间，
Figure GDA00031945432000000514
Figure GDA00031945432000000515
为路径
Figure GDA00031945432000000516
的第r个限制因素函数值，λr为第r个权重因子；
Figure GDA00031945432000000517
Figure GDA00031945432000000518
Figure GDA00031945432000000519
ulc，max、vlc，max分别为第l个涡流中所有点的x轴方向速度最大值、y轴方向速度最大值，
Figure GDA0003194543200000061
为路径
Figure GDA0003194543200000062
的长度，β为常数，
Figure GDA0003194543200000063
为路径
Figure GDA0003194543200000064
上的点落在第m个障碍物Om(x,y)上的程度值，
Figure GDA0003194543200000065
Figure GDA0003194543200000066
为路径
Figure GDA0003194543200000067
上等距的s个点落在第m个障碍物Om(x,y)上的个数。
所述步骤4中，对于路径
Figure GDA0003194543200000068
上等距的s个点中的任意点(x,y)，若(x-am)2+(y-bm)2≤rm 2，则该点(x,y)落在第m个障碍物Om(x,y)上。
所述步骤6.2中，radius的取值范围为[1,3]。
本发明的有益效果为：
(1)本发明从能源优化的角度进行AUV路径的优化，能够提高AUV的自治程度，同时也能够避免因为能源耗尽问题导致任务的执行失败。
(2)本发明采用的粒子群优化算法具有隐含的并行搜索能力，能够在搜寻AUV能源优化路径时具有较高的效率且易于实现。本发明将传统线性变化的惯性权重因子与学习因子转化为非线性变化，量化了粒子在进化过程中粒子间的距离变化，并针对这种距离变化构造了距离进化因子，通过距离进化因子，针对可能困在较差搜索区域的粒子进行随机干扰，避免陷入局部最优的同时加速了进化的速度。
(3)本发明通过粒子的不断进化，最后能够找到一条能源优化且相对稳定的路径，路径优化结果的鲁棒性好且更稳定。
附图说明
图1为本发明基于距离进化N-PSO的AUV能源优化路径搜寻方法的流程图；
图2为本发明实施例中区域海域空间的水下环境及AUV能源优化路径示意图；
图3为本发明实施例中距离进化过程中非线性惯性权重因子的变化趋势图；
图4为本发明实施例中距离进化过程中第一非线性学习因子的变化趋势图；
图5为本发明实施例中距离进化过程中第二非线性学习因子的变化趋势图；
图6为本发明实施例中距离进化过程中全局最优粒子路径的能源消耗值的变化趋势图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
如图1所示，为本发明基于距离进化N-PSO的AUV能源优化路径搜寻方法的流程图。本发明的基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，包括下述步骤：
步骤1：对区域海域空间的水下环境进行探测，获取涡流、障碍物信息；将水下环境在垂直高度上分成Q层，在每层建立二维直角坐标系xOy，并构建水下环境模型，确定AUV执行任务的起始点p1与目标点pn；所述水下环境模型包括涡流场模型与障碍物模型，所述涡流场模型为
Figure GDA0003194543200000071
l＝1,2,...,L，所述障碍物模型为Om(x,y)，m＝1,2,...,M；
其中，
Figure GDA0003194543200000072
为第l个涡流场模型，
Figure GDA0003194543200000073
为二维空间点坐标(x,y)，L为水下环境中的涡流总数，Om(x,y)为第m个障碍物模型，M为水下环境中的障碍物总数。所述障碍物为暗礁、海中岛屿等。
所述步骤1中，
Figure GDA0003194543200000074
其中，
Figure GDA0003194543200000075
为第l个涡流在点(x,y)处的x轴方向速度，
Figure GDA0003194543200000076
为第l个涡流在点(x,y)处的y轴方向速度，
Figure GDA0003194543200000077
Figure GDA0003194543200000078
Figure GDA0003194543200000079
为第l个涡流的中心点坐标(xl0,yl0)，ξl为第l个涡流的控制半径，ζl为第l个涡流的力量值，ζl为定值。
所述步骤1中，将所述障碍物处理为圆形，第m个障碍物模型Om(x,y)为(x-am)2+(y-bm)2＝rm 2；其中，(am,bm)为第m个障碍物的圆心，rm为第m个障碍物的半径。
本实施例中，区域海域空间为加利福尼亚州附近的区域海洋，如图2所示，区域海域空间的范围为东经129.42度～185.68度、北纬64.49度～108.97度；将水下环境在垂直高度上分成Q＝24层，每层的高度为1米，为了更加凸显出障碍物的作用，本实施例中选取靠近海平面的第一层；图2中空白的地方为加州海岸附近的海峡群岛，将该海峡群岛视为障碍物，将地理位值转化为对应的笛卡尔坐标表示。对该区域海域空间的水下环境进行探测，获取涡流、障碍物信息，所述涡流、障碍物信息包括水下环境中的障碍物总数与涡流总数、每个涡流的控制半径与力量值、每个障碍物的圆心与半径，然后构建水下环境模型。
步骤2：构造AUV的二维运动模型为AUV(p'i)；
其中，p'i为AUV路径上第i个点pi＝(xi,yi)在惯性坐标系下的速度，p'i＝(xi',yi')，xi'为AUV路径上第i个点在惯性坐标系下x轴方向的速度，yi'为AUV路径上第i个点在惯性坐标系下y轴方向的速度；AUV路径为AUV从起始点到目标点的路径，AUV路径由n个潜在的离散点控制，AUV路径的离散点集合为
Figure GDA0003194543200000081
所述步骤2中，AUV(p'i)为
Figure GDA0003194543200000082
其中，ψi为AUV路径中第i个点(xi,yi)在惯性坐标系下的偏航角，
Figure GDA0003194543200000083
Figure GDA0003194543200000084
P为AUV的自身推力所产生的速度，P为定值，
Figure GDA0003194543200000085
ψlc(xi,yi)为第l个涡流在点(xi,yi)处的方向角，
Figure GDA0003194543200000086
步骤3：基于非线性粒子群优化方法N-PSO，初始化迭代次数k＝1，利用规模大小为N的粒子群随机生成N条从起始点p1到目标点pn的路径
Figure GDA0003194543200000087
其中，
Figure GDA0003194543200000088
为粒子群中第j个粒子在第k次迭代中的路径，j＝1,2,...,N，
Figure GDA0003194543200000089
pijk＝(xijk,yijk)为路径
Figure GDA00031945432000000810
上第i个点的坐标，p1jk＝p1，pnjk＝pn。
其中，非线性粒子群优化方法(Nolinear Particle Swarm Optimization，N-PSO)是一种进化计算技术，其源于对鸟群捕食的行为研究，其通过群体中个体之间的协作和信息共享来寻找最优解，其优势在于简单、容易实现且没有许多参数的调节。本实施例中，粒子群的规模大小N＝15，AUV路径上离散点的个数n＝5。
步骤4：计算第k次迭代中第j个粒子的罚函数值
Figure GDA00031945432000000811
选取罚函数值最小的粒子作为第k次迭代中的全局最优粒子、全局最优粒子的路径为第k次迭代中的全局最优解gbestk、k次迭代中第j个粒子的最优路径为第k次迭代中第j个粒子的个体最优解pbestjk；
其中，
Figure GDA0003194543200000091
Figure GDA0003194543200000092
所述步骤4中，罚函数值
Figure GDA0003194543200000093
其中，
Figure GDA0003194543200000094
为路径
Figure GDA0003194543200000095
的能源优化目标函数值，
Figure GDA0003194543200000096
Figure GDA0003194543200000097
为路径
Figure GDA0003194543200000098
的能源消耗值，Emin为预先设定的能源消耗最小值；
Figure GDA0003194543200000099
cd为常数，tijk为路径
Figure GDA00031945432000000910
从第i个点到第i+1个点消耗的时间，
Figure GDA00031945432000000911
Figure GDA00031945432000000912
为路径
Figure GDA00031945432000000913
的第r个限制因素函数值，λr为第r个权重因子；
Figure GDA00031945432000000914
Figure GDA00031945432000000915
Figure GDA00031945432000000916
ulc，max、vlc，max分别为第l个涡流中所有点的x轴方向速度最大值、y轴方向速度最大值，
Figure GDA00031945432000000917
为路径
Figure GDA00031945432000000918
的长度，β为常数，
Figure GDA00031945432000000919
为路径
Figure GDA00031945432000000920
上的点落在第m个障碍物Om(x,y)上的程度值，
Figure GDA00031945432000000921
Figure GDA00031945432000000922
为路径
Figure GDA00031945432000000923
上等距的s个点落在第m个障碍物Om(x,y)上的个数。
所述步骤4中，对于路径
Figure GDA00031945432000000924
上等距的s个点中的任意点(x,y)，若(x-am)2+(y-bm)2≤rm 2，则该点(x,y)落在第m个障碍物Om(x,y)上。
步骤5：计算第k次迭代中第j个粒子与其他粒子之间的平均距离djk，进一步构造第k次迭代中的距离进化因子Evo_fack，并定义第k次迭代中的进化状态Evo_statek；
其中，
Figure GDA0003194543200000101
dbest,k为第k次迭代中全局最优粒子与其他粒子之间的平均距离，dmax,k＝max(d1k,d2k,…,dNk)，dmin,k＝min(d1k,d2k,…,dNk)，Evo_fack的取值范围为[0,1]；
Figure GDA0003194543200000102
步骤6：
步骤6.1：若Evo_statek＝1，则粒子间的距离相对较近，进入步骤6.5；若Evo_state＝2，则粒子间的距离相对较远，进入步骤6.2。
步骤6.2：利用随机扰动使待扰动粒子集合A中的每个粒子随机移动，得到第iter次扰动后第j个粒子的路径
Figure GDA0003194543200000103
j∈A，进入步骤6.3；
其中，iter的初始值为1，A的初始值为{1,2,...,j,...,N}j≠best，best为全局最优粒子；
Figure GDA0003194543200000104
step为移动步长，rand()为随机函数，pijk_iter为第iter次扰动中对第j个粒子施加的随机扰动，pijk_iter＝pijk+radius·rand()，radius为随机移动半径。其中，radius的取值范围为[1,3]。
步骤6.3：计算第iter次扰动后第j个粒子的罚函数值
Figure GDA0003194543200000105
更新待扰动粒子集合A中第j个粒子的路径
Figure GDA0003194543200000106
j∈A；
若待扰动粒子集合A中每个粒子在第iter次扰动后的罚函数值均比该粒子在第iter次扰动前的罚函数值小，则进入步骤6.4；
若有粒子在第iter次扰动后的罚函数值不比第iter次扰动前的罚函数值小，则判断扰动次数是否达到预设扰动次数最大值ITER，若iter＜ITER，则将第iter次扰动后的罚函数值比第iter次扰动前的罚函数值小的粒子从待扰动粒子集合A中剔除，令iter＝iter+1，返回步骤6.2，进行下一次扰动；若iter≥ITER，则进入步骤6.4。
本实施例中，预设扰动次数最大值ITER＝3。
步骤6.4：更新全局最优粒子，并更新第k次迭代中的全局最优解gbestk、第k次迭代中第j个粒子的个体最优解pbestjk。
步骤6.5：计算第k次迭代中全局最优粒子的路径的能源消耗值E(gbestk)。
步骤6.6：判断是否达到最大迭代次数K，
若k≥K，则全局最优粒子的路径为能源最优路径，输出能源最优路径及能源最优路径的能源消耗值E(gbestk)；
若k＜K，则更新粒子群中每个粒子的路径上每个点处的速度与坐标，k＝k+1，返回步骤4，进行下一次迭代；
其中，更新第j个粒子的路径为
Figure GDA0003194543200000111
路径
Figure GDA0003194543200000112
上第i个点的速度为p'ij,k+1＝wkp'ijk+c1kr1(pbestjk,i-pijk)+c2kr2(gbestk,i-pijk)，路径
Figure GDA0003194543200000113
上第i个点的坐标为pij,k+1＝pijk+p'ij,k+1；p'ijk为路径
Figure GDA0003194543200000114
上第i个点在惯性坐标系下的速度，p'ijk＝(x'ijk,y'ijk)，xijk'、yijk'分别为路径
Figure GDA0003194543200000115
上第i个点在惯性坐标系下x轴方向的速度、y轴方向的速度，p'ijk根据AUV的二维运动模型来计算；pbestjk,i为个体最优解pbestjk上第i个点的坐标，gbestk,i为全局最优解gbestk上第i个点的坐标；wk为第k次迭代的非线性惯性权重因子，
Figure GDA0003194543200000116
wk的取值范围为[0.4,0.9]，wini为初始非线性惯性权重因子，wend为迭代到最大迭代次数时的非线性惯性权重因子，wini＝0.9，wend＝0.4；c1k为第k次迭代的第一非线性学习因子
Figure GDA0003194543200000117
c2k为第k次迭代的第二非线性学习因子
Figure GDA0003194543200000118
bα、bβ、bκ、bλ均为边界限制因子，bα＝1，bβ＝1.5，bκ＝1，bλ＝1.5，c1k、c2k的取值范围均为[0.5,2.5]；r1、r2均为介于(0,1)之间的随机数。
本实施例中，最大迭代次数K＝100，经过100次迭代后，得到一条如图2所示的从起始点p1到目标点pn的稳定路径。其中，这100次迭代过程中非线性惯性权重因子、第一非线性学习因子、第二非线性学习因子的变化趋势分别如图3、图4、图5所示；这100次迭代过程中全局最优粒子的路径的能源消耗值的变化趋势如图6所示。从图6可以看出，随着距离进化的不断进行，AUV在执行任务时更加倾向于选择能源消耗更少的路径点的集合，当算法收敛时，生成的路径点集合即为一条能源优化且稳定的路径。
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (7)

1.一种基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，包括下述步骤：
步骤1：对区域海域空间的水下环境进行探测，获取涡流、障碍物信息；将水下环境在垂直高度上分成Q层，在每层建立二维直角坐标系xOy，并构建水下环境模型，确定AUV执行任务的起始点p1与目标点pn；所述水下环境模型包括涡流场模型与障碍物模型，所述涡流场模型为
Figure FDA0003194543190000011
所述障碍物模型为Om(x,y)，m＝1,2,…,M；
其中，
Figure FDA0003194543190000012
为第l个涡流场模型，
Figure FDA0003194543190000013
为二维空间点坐标(x,y)，L为水下环境中的涡流总数，Om(x,y)为第m个障碍物模型，M为水下环境中的障碍物总数；
步骤2：构造AUV的二维运动模型为AUV(p'i)；
其中，p'i为AUV路径上第i个点pi＝(xi,yi)在惯性坐标系下的速度，p'i＝(xi',yi')，xi'为AUV路径上第i个点在惯性坐标系下x轴方向的速度，yi'为AUV路径上第i个点在惯性坐标系下y轴方向的速度；AUV路径为AUV从起始点到目标点的路径，AUV路径由n个潜在的离散点控制，AUV路径的离散点集合为
Figure FDA0003194543190000014
步骤3：基于非线性粒子群优化方法N-PSO，初始化迭代次数k＝1，利用规模大小为N的粒子群随机生成N条从起始点p1到目标点pn的路径
Figure FDA0003194543190000015
其中，
Figure FDA0003194543190000016
为粒子群中第j个粒子在第k次迭代中的路径，j＝1,2,…,N，
Figure FDA0003194543190000017
pijk＝(xijk,yijk)为路径
Figure FDA0003194543190000018
上第i个点的坐标，p1jk＝p1，pnjk＝pn；
步骤4：计算第k次迭代中第j个粒子的罚函数值
Figure FDA0003194543190000019
选取罚函数值最小的粒子作为第k次迭代中的全局最优粒子、全局最优粒子的路径为第k次迭代中的全局最优解gbestk、k次迭代中第j个粒子的最优路径为第k次迭代中第j个粒子的个体最优解pbestjk；
其中，
Figure FDA00031945431900000110
Figure FDA00031945431900000111
步骤5：计算第k次迭代中第j个粒子与其他粒子之间的平均距离djk，进一步构造第k次迭代中的距离进化因子Evo_fack，并定义第k次迭代中的进化状态Evo_statek；
其中，
Figure FDA0003194543190000021
dbest,k为第k次迭代中全局最优粒子与其他粒子之间的平均距离，dmax,k＝max(d1k,d2k,…,dNk)，dmin,k＝min(d1k,d2k,...,dNk)，Evo_fack的取值范围为[0,1]；
Figure FDA0003194543190000022
步骤6：
步骤6.1：若Evo_statek＝1，则粒子间的距离相对较近，进入步骤6.5；若Evo_state＝2，则粒子间的距离相对较远，进入步骤6.2；
步骤6.2：利用随机扰动使待扰动粒子集合A中的每个粒子随机移动，得到第iter次扰动后第j个粒子的路径
Figure FDA0003194543190000023
进入步骤6.3；
其中，iter的初始值为1，A的初始值为{1,2,...,j,...,N}j≠best，best为全局最优粒子；
Figure FDA0003194543190000024
step为移动步长，rand()为随机函数，pijk_iter为第iter次扰动中对第j个粒子施加的随机扰动，pijk_iter＝pijk+radius·rand()，radius为随机移动半径；
步骤6.3：计算第iter次扰动后第j个粒子的罚函数值
Figure FDA0003194543190000025
更新待扰动粒子集合A中第j个粒子的路径
Figure FDA0003194543190000026
若待扰动粒子集合A中每个粒子在第iter次扰动后的罚函数值均比该粒子在第iter次扰动前的罚函数值小，则进入步骤6.4；
若有粒子在第iter次扰动后的罚函数值不比第iter次扰动前的罚函数值小，则判断扰动次数是否达到预设扰动次数最大值ITER，若iter＜ITER，则将第iter次扰动后的罚函数值比第iter次扰动前的罚函数值小的粒子从待扰动粒子集合A中剔除，令iter＝iter+1，返回步骤6.2，进行下一次扰动；若iter≥ITER，则进入步骤6.4；
步骤6.4：更新全局最优粒子，并更新第k次迭代中的全局最优解gbestk、第k次迭代中第j个粒子的个体最优解pbestjk；
步骤6.5：计算第k次迭代中全局最优粒子的路径的能源消耗值E(gbestk)；
步骤6.6：判断是否达到最大迭代次数K，
若k≥K，则全局最优粒子的路径为能源最优路径，输出能源最优路径及能源最优路径的能源消耗值E(gbestk)；
若k＜K，则更新粒子群中每个粒子的路径上每个点处的速度与坐标，k＝k+1，返回步骤4，进行下一次迭代；
其中，更新第j个粒子的路径为
Figure FDA0003194543190000031
路径
Figure FDA0003194543190000032
上第i个点的速度为p'ij,k+1＝wkp'ijk+c1kr1(pbestjk,i-pijk)+c2kr2(gbestk,i-pijk)，路径
Figure FDA0003194543190000033
上第i个点的坐标为pij,k+1＝pijk+p'ij,k+1；p'ijk为路径
Figure FDA0003194543190000034
上第i个点在惯性坐标系下的速度，p'ijk＝(x'ijk,y'ijk)，xijk'、yijk'分别为路径
Figure FDA0003194543190000035
上第i个点在惯性坐标系下x轴方向的速度、y轴方向的速度，p'ijk根据AUV的二维运动模型来计算；pbestjk,i为个体最优解pbestjk上第i个点的坐标，gbestk,i为全局最优解gbestk上第i个点的坐标；wk为第k次迭代的非线性惯性权重因子，
Figure FDA0003194543190000036
wk的取值范围为[0.4,0.9]，wini为初始非线性惯性权重因子，wend为迭代到最大迭代次数时的非线性惯性权重因子，wini＝0.9，wend＝0.4；c1k为第k次迭代的第一非线性学习因子
Figure FDA0003194543190000037
c2k为第k次迭代的第二非线性学习因子
Figure FDA0003194543190000038
bα、bβ、bκ、bλ均为边界限制因子，bα＝1，bβ＝1.5，bκ＝1，bλ＝1.5，c1k、c2k的取值范围均为[0.5,2.5]；r1、r2均为介于(0,1)之间的随机数。
2.根据权利要求1所述的基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，所述步骤1中，
Figure FDA0003194543190000039
其中，
Figure FDA00031945431900000310
为第l个涡流在点(x,y)处的x轴方向速度，
Figure FDA00031945431900000311
为第l个涡流在点(x,y)处的y轴方向速度，
Figure FDA00031945431900000312
Figure FDA00031945431900000313
Figure FDA00031945431900000314
为第l个涡流的中心点坐标(xl0,yl0)，ξl为第l个涡流的控制半径，ζl为第l个涡流的力量值，ζl为定值。
3.根据权利要求2所述的基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，所述步骤1中，将所述障碍物处理为圆形，第m个障碍物模型Om(x,y)为(x-am)2+(y-bm)2＝rm 2；其中，(am,bm)为第m个障碍物的圆心，rm为第m个障碍物的半径。
4.根据权利要求3所述的基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，所述步骤2中，AUV(p'i)为
Figure FDA0003194543190000041
其中，ψi为AUV路径中第i个点(xi,yi)在惯性坐标系下的偏航角，
Figure FDA0003194543190000042
Figure FDA0003194543190000043
P为AUV的自身推力所产生的速度，P为定值，
Figure FDA0003194543190000044
ψlc(xi,yi)为第l个涡流在点(xi,yi)处的方向角，
Figure FDA0003194543190000045
5.根据权利要求4所述的基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，所述步骤4中，罚函数值
Figure FDA0003194543190000046
其中，
Figure FDA0003194543190000047
为路径
Figure FDA0003194543190000048
的能源优化目标函数值，
Figure FDA0003194543190000049
Figure FDA00031945431900000410
为路径
Figure FDA00031945431900000411
的能源消耗值，Emin为预先设定的能源消耗最小值；
Figure FDA00031945431900000412
cd为常数，tijk为路径
Figure FDA00031945431900000413
从第i个点到第i+1个点消耗的时间，
Figure FDA00031945431900000414
Figure FDA00031945431900000415
为路径
Figure FDA00031945431900000416
的第r个限制因素函数值，λr为第r个权重因子；
Figure FDA00031945431900000417
Figure FDA0003194543190000051
Figure FDA0003194543190000052
ulc，max、vlc，max分别为第l个涡流中所有点的x轴方向速度最大值、y轴方向速度最大值，
Figure FDA0003194543190000053
为路径
Figure FDA0003194543190000054
的长度，β为常数，
Figure FDA0003194543190000055
为路径
Figure FDA0003194543190000056
上的点落在第m个障碍物Om(x,y)上的程度值，
Figure FDA0003194543190000057
Figure FDA0003194543190000058
为路径
Figure FDA0003194543190000059
上等距的s个点落在第m个障碍物Om(x,y)上的个数。
6.根据权利要求5所述的基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，所述步骤4中，对于路径
Figure FDA00031945431900000510
上等距的s个点中的任意点(x,y)，若(x-am)2+(y-bm)2≤rm 2，则该点(x,y)落在第m个障碍物Om(x,y)上。
7.根据权利要求6所述的基于距离进化N-PSO的AUV能源优化路径搜寻方法，其特征在于，所述步骤6.2中，radius的取值范围为[1,3]。
CN201910243241.1A 2019-03-28 2019-03-28 基于距离进化n-pso的auv能源优化路径搜寻方法 Active CN109976158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910243241.1A CN109976158B (zh) 2019-03-28 2019-03-28 基于距离进化n-pso的auv能源优化路径搜寻方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910243241.1A CN109976158B (zh) 2019-03-28 2019-03-28 基于距离进化n-pso的auv能源优化路径搜寻方法

Publications (2)

Publication Number Publication Date
CN109976158A CN109976158A (zh) 2019-07-05
CN109976158B true CN109976158B (zh) 2021-10-15

Family

ID=67081277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910243241.1A Active CN109976158B (zh) 2019-03-28 2019-03-28 基于距离进化n-pso的auv能源优化路径搜寻方法

Country Status (1)

Country Link
CN (1) CN109976158B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111307158B (zh) * 2020-03-19 2022-11-18 哈尔滨工程大学 一种auv三维航路规划方法
CN113222096B (zh) * 2021-04-30 2022-11-11 桂林理工大学 一种面向云计算任务调度的改进粒子群算法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479338A (zh) * 2010-11-29 2012-05-30 江南大学 用正弦函数描述非线性惯性权重的微粒群算法
CN107168309A (zh) * 2017-05-02 2017-09-15 哈尔滨工程大学 一种基于行为的多水下机器人路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112612290B (zh) * 2020-12-06 2023-03-07 西北工业大学 一种考虑洋流的水下航行器三维多任务路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479338A (zh) * 2010-11-29 2012-05-30 江南大学 用正弦函数描述非线性惯性权重的微粒群算法
CN107168309A (zh) * 2017-05-02 2017-09-15 哈尔滨工程大学 一种基于行为的多水下机器人路径规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DENPSO: A Distance Evolution Nonlinear PSO Algorithm for Energy-Efficient Path Planning in 3D UASNs;Jiehong Wu 等;《IEEE Access》;20190730;第7卷;105514-105530 *
SIWPSO-Based Controller Design for AUV;Jau Woei Perng 等;《Applied Mechanics and Materials》;20140228;第525卷;736-740 *
The Application of an Improved PSO to the Submersible Path-planning;Yu Fei 等;《Transactions of Beijing Institute of Technology》;20100915;第30卷(第9期);1059-1064 *
三维复杂水下空间中AUV在线路径规划;宋成鑫 等;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210415;第5章 *
海洋环境下基于量子行为粒子群优化的时间最短路径规划方法;冯炜 等;《海军工程大学学报》;20171231;第29卷(第6期);72-77 *

Also Published As

Publication number Publication date
CN109976158A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN103336526B (zh) 基于协同进化粒子群滚动优化的机器人路径规划方法
CN107289939B (zh) 基于svm算法的无人船路径规划方法
Cao et al. Target search control of AUV in underwater environment with deep reinforcement learning
CN107622231A (zh) 一种水天一体智能漂浮物收集系统及其收集方法
CN110083165A (zh) 一种机器人在复杂狭窄环境下路径规划方法
CN107168309B (zh) 一种基于行为的多水下机器人路径规划方法
CN106338919A (zh) 基于增强学习型智能算法的无人艇航迹跟踪控制方法
Guo et al. Research progress of path planning methods for autonomous underwater vehicle
CN110597058B (zh) 一种基于增强学习的三自由度自主水下航行器控制方法
CN108388250B (zh) 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法
CN113485371B (zh) 一种基于改进麻雀搜索算法的水下多auv路径规划方法
CN112925315A (zh) 一种基于改进蚁群算法和a*算法的履带车路径规划方法
CN109976158B (zh) 基于距离进化n-pso的auv能源优化路径搜寻方法
CN111338350A (zh) 基于贪婪机制粒子群算法的无人船路径规划方法及系统
CN110906935A (zh) 一种无人艇路径规划方法
CN112650246B (zh) 一种船舶自主导航方法及装置
Wang et al. An adaptive particle swarm optimization for underwater target tracking in forward looking sonar image sequences
CN108931243A (zh) 一种复杂海洋环境影响下基于能耗和采样量多目标优化的uuv路径规划方法
CN109798899B (zh) 一种面向海底未知地形搜索的树扩散启发式路径规划方法
Huang et al. 3D search path planning for the blended-wing-body underwater glider
Wang et al. Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle
Han et al. Whale optimization algorithm for ship path optimization in large-scale complex marine environment
Kundu et al. Modified shuffled frog leaping algorithm based 6DOF motion for underwater mobile robot
CN116483094A (zh) 一种融合空地视角和多维信息的无人车路径规划方法
Yang et al. Research on dynamic path planning of auv based on forward looking sonar and fuzzy control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant