CN110472790A - 一种多无人船路径规划方法、终端设备及存储介质 - Google Patents

Abstract

本发明涉及一种多无人船路径规划方法、终端设备及存储介质，该方法中包括：S1：获取多个无人船航行的环境信息，所述环境信息包括出发点和n个勘测点的坐标信息和无人船数目m；S2：根据环境信息构建多旅行商问题模型，并设定模型的目标函数和约束条件；S3：通过改进遗传算法对多旅行商问题模型进行求解，以对多个无人船的路径进行规划。本发明在遗传算法中加入改良圈算法，对锦标赛选择算子中加入最优保存策略，设置种族内与种族间的交叉操作，设计混合变异算子，以提高算法的收敛精度与收敛速度。与传统遗传算法相比，该改进遗传算法具有更好的全局收敛性，且在收敛速度上也有明显的提高。

Description

一种多无人船路径规划方法、终端设备及存储介质

技术领域

本发明涉及路径规划领域，尤其涉及一种多无人船路径规划的方法、终端设备及存储介质。

背景技术

水质勘测一直以来是环保工作中的一项重要任务，而水质采样则是水质勘测中的关键环节。若是依靠人工通过划船完成采样过程，不仅工作量大，同时安全系数低；若使用实时在线监测技术，将产生较高的建设成本，并且在恶劣的条件下可能会引起设备损坏，增加监测成本。故将无人船技术运用到水质采样任务中。为了保证工作的时效性，对于多个勘测点的采样任务，一般会使用多条无人船共同完成。如何对多条无人船进行航迹规划是急需解决的关键技术问题。

发明内容

为了解决上述问题，本发明提出了一种多无人船路径规划方法、终端设备及存储介质。

具体方案如下：

一种多无人船路径规划方法，包括以下步骤：

S1：获取多个无人船航行的环境信息，所述环境信息包括出发点和n个勘测点的坐标信息和无人船数目m；

S2：根据环境信息构建多旅行商问题模型，并设定模型的目标函数和约束条件；

S3：通过改进遗传算法对多旅行商问题模型进行求解，以对多个无人船的路径进行规划；

步骤S3包括以下步骤：

S31：对种群进行初始化；

S32：通过改良圈算法对种群进行优化；

S33：设定改进遗传算法采用锦标赛选择和最优保存策略相结合的选择策略：

所述锦标赛选择方法为：从种群中随机挑出t个个体，其中t≥2表示锦标赛的规模，通过比较个体适应度之间的大小关系，每次选出适应度最强的一个个体遗传到下一代种群中；

所述最优保存策略为：保存当前种群中的最优个体，并将其替换经过锦标赛选择方法后产生的下一代群体中适应度最差的个体；

S34：设定改进遗传算法的交叉操作为：按照种群中个体的适应度值的大小将种群分为多个种族，多个种族之间通过种族内交叉和种族间交叉两种结合的方式进行交叉操作；

所述种族内交叉为在种族内随机选取两个父代，采用顺序交叉算子产生两个子代，将两个子代替换两个父代；

所述种族间交叉为在两个种族间选出每个种族内的适应度值最大的个体通过顺序交叉算子产生两个子代，将两个子代分别替换两个种族中适应度值最差的个体；

S35：设定改进遗传算法采用随机交换算子、2-opt算子、旅行商间删除插入变异算子相结合的混合变异算子；

S36：通过设定的改进遗传算法对多个无人船的路径进行规划。

进一步的，步骤S2中的目标函数F为：

其中，y_(i,i+1)表示无人船是否从勘测点i到勘测点i+1，C_(i,i+1)表示勘测点i到勘测点i+1之间的距离，k＝1,2,...,m表示无人船的序号，i表示勘测点的序号，u_max表示航行路径长度最长的无人船所航行的长度，u_min表示航行路径长度最短的无人船所航行的长度，w表示加权系数。

进一步的，步骤S2中的约束条件为：

其中，x_i ^k表示第k条无人船对勘测点i是否进行采样，R表示每条无人船上的采样瓶数量。

进一步的，步骤S31还包括通过染色体编码方式对种群进行编码：所述染色体编码方式包括两部分染色体，第一部分包括由1到n组成的长度为n的勘测点序列，第二部分的长度为无人船的数量m，第二部分的内容为每条无人船的勘测点个数。

进一步的，步骤S32包括以下步骤：

S321：构造赋权完全图G(v,e)，其中，v表示待采样的勘测点，e表示连接各勘测点的边；

S322：引入m-1个虚拟节点形成虚拟勘测点，且虚拟勘测点与基地的距离和虚拟勘测点之间的距离设为无穷大，虚拟勘测点与勘测点之间的距离等于基地与勘测点之间的距离，勘测点与虚拟勘测点共同形成一条哈密顿回路；

S323：对染色体的第一部分加入出发点与虚拟勘测点形成一条哈密顿圈，对哈密顿圈进行修改后得到具有更小权值的另一个哈密顿圈，通过反复修改最终得到最优圈。

进一步的，步骤S323具体为：设哈密顿圈为C＝v₁v₂...v_i-1v_iv_i+1...v_j-1v_jv_{j+ 1}...v_nv₁，当哈密顿圈中满足1＜i＜j＜n，且i与j均不为虚拟勘测点时则构造一个新的哈密顿圈，即删除原哈密顿圈中的四条边，即边v_i-1v_i、v_iv_i+1、v_j-1v_j和v_jv_j+1，新增四条边，即边v_i-1v_j、v_jv_i+1、v_j-1v_i和v_iv_j+1；若删除的四条边与新增的四条边能够满足条件w(v_i-1,v_j)+w(v_j,v_i+1)+w(v_j-1,v_i)+w(v_i,v_j+1)＜w(v_i-1,v_i)+w(v_i,v_i+1)+w(v_j-1,v_j)+w(v_j,v_j+1)，其中，w(v_i-1,v_j)表示边v_i-1v_j的长度，则将新构造的哈密顿圈取代原哈密顿圈，反复修改直至无法改进位置，从而得到最优哈密顿圈。

一种多无人船路径规划终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。

本发明采用如上技术方案，将多无人采样船执行采样任务的路径规划问题抽象为多目标多旅行商问题，并对遗传算法进行改进，在遗传算法中加入改良圈算法，对锦标赛选择算子中加入最优保存策略，设置种族内与种族间的交叉操作，设计混合变异算子，以提高算法的收敛精度与收敛速度。与传统遗传算法相比，该改进遗传算法具有更好的全局收敛性，且在收敛速度上也有明显的提高。

附图说明

图1所示为本发明实施例一的流程图。

图2所示为该实施例中两部分染色体编码示意图。

图3所示为该实施例中加入出发点和虚拟勘测点后的染色体编码示意图。

图4所示为该实施例中2-opt算子操作示意图。

图5所示为该实施例中旅行商间删除插入变异算子操作示意图。

图6所示为该实施例中勘测点总数为50，无人船数为3的多无人船航迹规划结果示意图。

图7所示为该实施例中勘测点总数为50，无人船数为5的多无人船航迹规划结果示意图。

图8所示为该实施例中勘测点总数为100，无人船数为3的多无人船航迹规划结果示意图。

图9所示为该实施例中勘测点总数为100，无人船数为5的多无人船航迹规划结果示意图。

图10所示为该实施例中传统遗传算法与改进遗传算法的收敛情况比对图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

实施例一：

该实施例中的需要解决的技术问题为：已知各个固定水质勘测点的具体位置，以出发点S为无人船基地，m条装载采样瓶的无人采样船协同航行到n个水质勘测点，最终回到出发点位置，勘测点总数n大于无人采样船总数m。每条无人船可到多个勘测点进行采样，要求每个勘测点都需要被采样且每个勘测点只能被一条无人船收集样本，m条无人采样船需要在完成采样任务后回到出发点S，要求为每条无人采样船规划出合适的路径。M＝{M₁,M₂,...,M_m}为m条无人船的集合，N＝{N₁,N₂,...,N_n}为n个水质勘测点的集合。

针对上述技术问题，本发明实施例提供了一种多无人船路径规划方法，如图1所示，包括以下步骤：

S1：获取多个无人船航行的环境信息，所述环境信息包括出发点和n个勘测点的坐标，并确定无人船数目m。

所述坐标位置的确定可以通过常用的栅格法建立的二位环境模型来进行确定。

S2：根据环境信息构建多旅行商问题模型，将多无人船的路径规划问题转化为多旅行商问题(MTSP)，因此，根据技术问题建立了多旅行商问题模型，并确定模型的目标函数和约束函数。

由于该实施例是建立在多目标基础上的，因此设定目标函数包含主次两个目标，一方面为了尽可能节约能耗，要求所有无人采样船航行路径总长度最短，若只考虑总长度最短，将会出现m-1条无人船均只对一个勘测点执行采样任务，而其他n-m+1个勘测点由剩下的一条无人船完成，无法满足实际工作需要，故在主目标基础上需考虑每条无人船的工作量均衡问题，即每条无人船航行的路径长度尽可能均衡，故要求航行路径长度最长的无人船所航行的长度与航行路径最短的无人船所航行的长度差值最小。定义变量：

其中，x_i ^k表示第k条无人船对勘测点i是否进行采样，y_(i,i+1) ^k表示第k条无人船是否从勘测点i移动至勘测点i+1，k＝1,2,...,m，i＝1,2,...,n，C_(i,j)表示勘测点i到勘测点j之间的距离。

目标函数一f₁表示为：

目标函数二f₂表示为：

f₂＝min(u_max-u_min) (4)

其中，C_(i,i+1)表示勘测点i到勘测点i+1之间的距离，u_max表示航行路径长度最长的无人船所航行的长度，u_min表示航行路径长度最短的无人船所航行的长度。

通过加权方式将两个目标组合在一起，加权后的总目标函数F为：

F＝f₁+w*f₂ (5)

其中，w表示加权系数，由于该实施例中以f₁为主目标，f₂为次目标，故w取0.4。

考虑到每条无人船上装有的采样瓶数量有限，假设每条无人船上采样瓶数量均为R，故每条无人船能够执行采样任务的最大勘测点数为R，即约束条件为：

S3：通过改进遗传算法根据环境信息对无人船的路径进行规划，即对建立的多旅行商问题模型进行求解。

首先介绍改进遗传算法方案。

(1)编码方案

由于冗余解的存在，增加了解空间，降低了搜索效率，故该实施例中采用两部分染色体编码方式，两部分染色体编码方式是将染色体分为两个部分，染色体的第一部分由1到n组成的长度为n的序列，表示n个水质勘测点，染色体的第二部分长度为无人船总数m，表示每条无人船所需采样的勘测点个数，故染色体第二部分值的总和应等于总勘测点数n，两部分染色体的总长度为n+m。

如图2所示，假设共有3条无人采样船需对12个勘测点位置进行采样，无人船1采样的勘测点数量为3，依次采样的勘测点位置为3、9、5，无人船2采样的勘测点数量为5，依次采样的勘测点位置为11、7、4、8、10，无人船3采样的勘测点数量为4，依次采样的勘测点位置为12、1、6、2。

(2)种群初始化

为了增加种群多样性，采用随机方式生成初始种群，染色体第一部分随机生成n个勘测点位置的排序，染色体第二部分在满足每条无人船采样瓶数有限的约束条件下随机生成每条无人船采样的勘测点数目。

(3)基于改良圈算法优化种群

构造一个赋权完全图G(v,e)，其中v表示待采样的勘测点位置，边e表示连接各个勘测点的路径，各边上的权值为路径长度。

为了形成一条哈密顿回路，该实施例中引入虚拟节点形成虚拟勘测点，虚拟勘测点与无人船基地的距离和虚拟勘测点之间的距离均假设为无穷大，虚拟勘测点与勘测点之间的距离等于基地与勘测点之间的距离，引入的虚拟勘测点数为m-1，如图3所示，假设共有3条无人采样船需对12个勘测点位置进行采样，增加一个基地位置即出发点与两个虚拟勘测点到两部分染色体的第一部分，出发点为13，两个虚拟勘测点分别为14、15，无人船1对三个勘测点执行采样任务，无人船2对五个勘测点执行采样任务，无人船3对四个勘测点执行采样任务。

通过遗传算法得到解空间，对染色体第一部分加入出发点与虚拟勘测点形成一条哈密顿回路，对哈密顿圈进行修改后得到具有更小权值的另一个哈密顿圈，通过反复修改最终得到最优圈，具体步骤如下：

假设C＝v₁v₂...v_i-1v_iv_i+1...v_j-1v_jv_j+1...v_nv₁是一个哈密顿圈，为防止虚拟勘测点位置发生变化导致解产生较大变化，当哈密顿圈中满足1＜i＜j＜n，且i与j均不为虚拟勘测点时才能构造一个新的哈密顿圈，即删除原哈密顿圈中的四条边，包括边v_i-1v_i,边v_iv_i+1,边v_j-1v_j,边v_jv_j+1，新增四条边，包括边v_i-1v_j,边v_jv_i+1,边v_j-1v_i,边v_iv_j+1。若删除的四条边与新增的四条边能够满足条件w(v_i-1,v_j)+w(v_j,v_i+1)+w(v_j-1,v_i)+w(v_i,v_j+1)＜w(v_i-1,v_i)+w(v_i,v_i+1)+w(v_j-1,v_j)+w(v_j,v_j+1)，其中w(v_i-1,v_j)表示边v_i-1v_j的长度，则将新构造的哈密顿圈取代原哈密顿圈，反复修改直至无法改进位置，从而得到最优哈密顿圈。

(4)选择策略

在执行选择操作时，在群体大小为p的群体中，利用锦标赛选择方法，从种群中随机挑出t个个体，其中t≥2表示锦标赛的规模，通过比较个体适应度之间的大小关系，每次选出适应度最强的一个个体遗传到下一代种群中。

锦标赛选择的优势在于只需要对个体之间相对适应度值的大小进行比较，但操作方法中可能出现尚未选择到种群中最优个体的情况导致最优个体丢失，故该实施例中结合最优保存策略，保存当前种群中的最优个体，并将其替换经过锦标赛选择方法后产生的下一代群体中适应度最差的个体。

(5)交叉操作

交叉操作作为遗传算法产生新个体的关键环节，对遗传算法的有效性起到至关重要的作用。

该实施例按照适应度值优劣情况基于适应度值排序将种群分为多个种族，对种群采样两种交叉方式：一种是种族内交叉方式，在种族内随机选取两个父代，采用顺序交叉算子产生两个子代，将两个子代替换两个父代；另一种是种族间交叉方式，在两个种族间选出每个种族内的适应度值最优个体通过顺序交叉算子产生两个子代，将两个子代分别替换两个种族中适应度值最差的个体。通过种族间的个体交叉可以有效控制父代个体的海明距离，从而增加种群多样性。

(6)变异算子

遗传算法中的变异算子能够提高局部搜索能力，维持种群多样性，避免出现早熟现象。该实施例中采用随机交换算子、2-opt算子、旅行商间删除插入变异算子相结合的混合变异算子。

随机交换算子是针对某个旅行商内以及旅行商间的变异操作，随机选择两个交换位置，将这两个位置进行交换。

2-opt算法是删除路线中的两条边，用另外两条更短的边重新连接路径。2-opt算子是针对某个旅行商内的变异操作。如图4所示，S为起点位置，对某个旅行商的子路径内，即某条无人船航行子路径内随机选择两个位置a1、a2，将两个位置之间的基因序列进行反向排列。

旅行商间删除插入变异算子是建立在随机选取的两个旅行商间进行的变异操作，如图5所示，假设b点原为某一旅行商访问的城市位置即某一无人船执行采样的勘测点，将b点从该旅行商访问城市中删除，插入到另一旅行商访问城市a1与a2之间，则删除点的旅行商的访问数量减少1，而新增点的旅行商的访问数量增加1。由于每条无人船上的采样瓶数有限，故在每条无人船采样点数发生变化前应保证变化后的数量不会超过该无人船上的采样瓶数量。

最后，通过上述改进遗传算法对多旅行商问题模型进行求解。

所述改进遗传算法的计算流程与传统的遗传算法的流程相同，包括：

步骤1：种群初始化；

步骤2：评估种群中个体的适应度；

步骤3：根据选择策略进行选择；

步骤4：进行种群交叉操作；

步骤5：进行种群变异操作；

步骤6：判断迭代次数是否小于最大迭代次数，如小于，返回步骤2，否则结束，输出结果。

实验仿真

为验证改进遗传算法处理多目标多无人采样船路径规划问题的性能，该实施例中采用Matlab编程，基于Matlab R2006a运行环境，PC机操作系统为windows7，RAM为4.00GB，处理器为Intel(R)Core(TM)i3-4150。

对于无人采样船行驶的海域及水质采样位置，该实施例中设置为无障碍物区域内随机分布的点。根据无人船基地位置设置的差别，将仿真实验分为两个大类，一类采样情况的基地位置设置为无障碍区域中心位置，另一类采样情况的基地位置设置为无障碍区域边缘位置。针对两种类型的采样情况分别设置多种相同测试条件，即无人采样船数量与勘测点数量，如表1所示。对于每种测试条件下，对应无人船上采样瓶总数的约束如表2所示。

表1

基地位置	勘测点总数	无人采样船总数
			中心	50	3，5
中心	100	3，5
			边缘	50	3，5
边缘	100	3，5

表2

改进遗传算法仿真测试的参数设置如下：最大迭代次数设置为2000，种群大小设置为100，交叉概率设置为0.8，变异概率设置为0.3。

勘测点总数为50，无人船数为3的多无人船航迹规划结果如图6所示。勘测点总数为50，无人船数为5的多无人船航迹规划结果如图7所示。勘测点总数为100，无人船数为3的多无人船航迹规划结果如图8所示。勘测点总数为100，无人船数为5的多无人船航迹规划结果如图9所示。表3为八种测试条件下的相关仿真数据结果。

表3

从仿真结果可以看出，各条无人船能合理分配采样点并以合适的路径进行采样，改进的遗传算法具有较好的全局收敛性，各条无人船之间的路径长度也能保持大致接近，且各条无人船所采样的勘测点数均没有出现超过携带的采样瓶数的现象。

以3条无人船与50个采样点为例对比传统遗传算法与改进遗传算法，传统遗传算法的种群大小与最大迭代次数与改进遗传算法一样，其交叉概率与变异概率调至最优，仿真结果如图10所示，改进遗传算法在收敛速度上得到明显提高，且目标函数值能收敛到更优解全局搜索能力更强。

本发明实施例一将多无人采样船执行采样任务的路径规划问题抽象为多目标多旅行商问题，并对遗传算法进行改进，在遗传算法中加入改良圈算法，对锦标赛选择算子中加入最优保存策略，设置种族内与种族间的交叉操作，设计混合变异算子，以提高算法的收敛精度与收敛速度。通过仿真实验验证，该实施例的改进遗传算法具有更好的全局收敛性，且在收敛速度上也有明显的提高。

实施例二：

本发明还提供一种多无人船路径规划终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。

进一步地，作为一个可执行方案，所述多无人船路径规划终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述多无人船路径规划终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述多无人船路径规划终端设备的组成结构仅仅是多无人船路径规划终端设备的示例，并不构成对多无人船路径规划终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述多无人船路径规划终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。

进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述多无人船路径规划终端设备的控制中心，利用各种接口和线路连接整个多无人船路径规划终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述多无人船路径规划终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。

所述多无人船路径规划终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (8)

1.一种多无人船路径规划方法，其特征在于，包括以下步骤：

S1：获取多个无人船航行的环境信息，所述环境信息包括出发点和n个勘测点的坐标信息和无人船数目m；

S2：根据环境信息构建多旅行商问题模型，并设定模型的目标函数和约束条件；

S3：通过改进遗传算法对多旅行商问题模型进行求解，以对多个无人船的路径进行规划；

步骤S3包括以下步骤：

S31：对种群进行初始化；

S32：通过改良圈算法对种群进行优化；

S33：设定改进遗传算法采用锦标赛选择和最优保存策略相结合的选择策略：

所述锦标赛选择方法为：从种群中随机挑出t个个体，其中t≥2表示锦标赛的规模，通过比较个体适应度之间的大小关系，每次选出适应度最强的一个个体遗传到下一代种群中；

所述最优保存策略为：保存当前种群中的最优个体，并将其替换经过锦标赛选择方法后产生的下一代群体中适应度最差的个体；

S34：设定改进遗传算法的交叉操作为：按照种群中个体的适应度值的大小将种群分为多个种族，多个种族之间通过种族内交叉和种族间交叉两种结合的方式进行交叉操作；

所述种族内交叉为在种族内随机选取两个父代，采用顺序交叉算子产生两个子代，将两个子代替换两个父代；

所述种族间交叉为在两个种族间选出每个种族内的适应度值最大的个体通过顺序交叉算子产生两个子代，将两个子代分别替换两个种族中适应度值最差的个体；

S35：设定改进遗传算法采用随机交换算子、2-opt算子、旅行商间删除插入变异算子相结合的混合变异算子；

S36：通过设定的改进遗传算法对多个无人船的路径进行规划。

2.根据权利要求1所述的方法，其特征在于：步骤S2中的目标函数F为：

其中，y_(i,i+1)表示无人船是否从勘测点i到勘测点i+1，C_(i,i+1)表示勘测点i到勘测点i+1之间的距离，k＝1,2,...,m表示无人船的序号，i表示勘测点的序号，u_max表示航行路径长度最长的无人船所航行的长度，u_min表示航行路径长度最短的无人船所航行的长度，w表示加权系数。

3.根据权利要求2所述的方法，其特征在于：步骤S2中的约束条件为：

其中，x_i ^k表示第k条无人船对勘测点i是否进行采样，R表示每条无人船上的采样瓶数量。

4.根据权利要求1所述的方法，其特征在于：步骤S31还包括通过染色体编码方式对种群进行编码：所述染色体编码方式包括两部分染色体，第一部分包括由1到n组成的长度为n的勘测点序列，第二部分的长度为无人船的数量m，第二部分的内容为每条无人船的勘测点个数。

5.根据权利要求4所述的方法，其特征在于：步骤S32包括以下步骤：

S321：构造赋权完全图G(v,e)，其中，v表示待采样的勘测点，e表示连接各勘测点的边；

S322：引入m-1个虚拟节点形成虚拟勘测点，且虚拟勘测点与基地的距离和虚拟勘测点之间的距离设为无穷大，虚拟勘测点与勘测点之间的距离等于基地与勘测点之间的距离，勘测点与虚拟勘测点共同形成一条哈密顿回路；

S323：对染色体的第一部分加入出发点与虚拟勘测点形成一条哈密顿圈，对哈密顿圈进行修改后得到具有更小权值的另一个哈密顿圈，通过反复修改最终得到最优圈。

6.根据权利要求5所述的方法，其特征在于：步骤S323具体为：设哈密顿圈为C＝v₁v₂...v_i-1v_iv_i+1...v_j-1v_jv_j+1...v_nv₁，当哈密顿圈中满足1<i<j<n，且i与j均不为虚拟勘测点时则构造一个新的哈密顿圈，即删除原哈密顿圈中的四条边，即边v_i-1v_i、v_iv_i+1、v_j-1v_j和v_jv_j+1，新增四条边，即边v_i-1v_j、v_jv_i+1、v_j-1v_i和v_iv_j+1；若删除的四条边与新增的四条边能够满足条件w(v_i-1,v_j)+w(v_j,v_i+1)+w(v_j-1,v_i)+w(v_i,v_j+1)<w(v_i-1,v_i)+w(v_i,v_i+1)+w(v_j-1,v_j)+w(v_j,v_j+1)，其中，w(v_i-1,v_j)表示边v_i-1v_j的长度，则将新构造的哈密顿圈取代原哈密顿圈，反复修改直至无法改进位置，从而得到最优哈密顿圈。

7.一种多无人船路径规划终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～6中任一所述方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6中任一所述方法的步骤。