CN110906935A - 一种无人艇路径规划方法 - Google Patents

Abstract

本发明公开了一种无人艇路径规划方法，读入电子海图，采用栅格法对无人艇作业区域进行环境建模，确定作业区域、确定栅格分辨率以及提取碍航区；根据确定的作业区域、栅格分辨率以及碍航区，采用基于基本智能水滴算法进行全局路径规划，生成全局最优路径；输出全局最优路径。在此基础上，采用改进的智能水滴算法求解水面无人艇路径规划问题，提出了路径交叉机制，提高了算法的收敛速度，增加了路径解集的多样性，避免算法陷入局部最优进而导致搜索停滞。本发明所提基于改进智能水滴算法的水面无人艇路径规划方法能较好地解决无人艇路径规划问题，满足无人艇的作业需求。

Description

一种无人艇路径规划方法

技术领域

本发明涉及一种无人艇路径规划方法，属于水面无人艇路径规划技术领域。

背景技术

随着国家对海洋资源利用开发和国家海洋安全保障的重视，水面无人艇作为海洋开发和海上战争的重要战略武器，发挥了越来越重要的作用。目前无人艇面临的最大挑战是实现安全导航，尤其是避免海上的碰撞。航线自动规划技术是无人艇控制系统的重要组成部分，在一定程度上代表着无人艇智能化，自动化程度的高低。

由于海洋环境十分复杂，包含岛礁，沉船等多种静态障碍物，需要规划者有丰富的航海知识，经过反复推敲设计，才能确定航线。因此，快速高效规划出一条安全，经济，平滑的无人艇航线具有十分重要的意义。

传统的路径规划算法主要有：神经网络算法、蚁群算法、遗传算法等。神经网络法需要大量的训练数据，算法收敛慢，搜索能力不高；蚁群算法具有搜索时间长，容易陷入局部最优的缺点；遗传算法有计算速度慢，容易过早收敛等缺点。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种无人艇路径规划方法。

为解决上述技术问题，本发明提供一种无人艇路径规划方法，读入电子海图，采用栅格法对无人艇作业区域进行环境建模，确定作业区域、确定栅格分辨率以及提取碍航区；根据确定的作业区域、栅格分辨率以及碍航区，采用基于改进智能水滴算法进行全局路径规划，生成全局最优路径T_B；输出全局最优路径T_B。

进一步的，所述读入电子海图，采用栅格法对无人艇作业区域进行环境建模，确定作业区域、确定栅格分辨率以及提取碍航区的过程为：

2a)读入电子海图，确定无人艇作业区域，根据无人艇的起始点S和目标点G，将无人艇的作业区域构建成笛卡尔直角坐标系S-XY,其中原点为起始点S,起点S的纬度方向为X轴正方向，经度方向为Y轴方向；

2b)基于电子海图提取碍航区，包括安全等深线内部的陆地、岛礁、浮标、暗礁、沉船、海水养殖场、障碍物这些碍航物，以上物标组成碍航区。采用墨卡托投影变换将碍航区投影到直角坐标系S-XY；

2c)将无人艇作业区域栅格化，在步骤2a)构建的坐标系中，对无人艇的作业区域进行灰度化和二值化处理，得到存储栅格地图的二维数组，并记录障碍物列表V_obstacle,每个栅格的尺寸为L＝v·Δt，其中v为无人艇的航行速度，Δt为无人艇实时运动规划周期，每个栅格中心都能够用唯一序号No和坐标(x_No,y_No)标识。

3d)确定无人艇在栅格地图中的行走规则。

3.根据权利要求1所述的无人艇路径规划方法，其特征在于，所述采用基于改进智能水滴算法进行全局路径规划，生成全局最优路径T_B的过程为：

3a)初始化静态参数，包括水滴数量N_IWD，速度变化量系数a_v,b_v,c_v，泥沙变化量系数a_s,b_s,c_s，水滴初始速度initVel，水滴初始泥沙量initSoil，任意两个栅格间的泥沙量soil(i,j)＝initPathSoil，迭代代数N_Iter，全局最优路径T_B；

3b)初始化化动态参数，设置每个水滴的初始速度为水滴初始速度initVel，每个水滴的泥沙含量为初始泥沙量initSoil，每个水滴的栅格访问列表V_c(IWD)＝{}；

3c)将每一个水滴的起始点设置为起始点S，更新访问列表；

3d)每个水滴根据基于自适应启发函数的概率公式计算出每个候选栅格的概率，根据轮盘赌策略选择下一个栅格j；

3e)每个水滴从栅格i到栅格j后更新水滴的速度vel^IWD:

其中，vel^IWD(t)表示位于栅格i时的水滴的速度，vel^IWD(t+1)表示位于栅格j时的水滴的速度，a_v,b_v,c_v为速度变化量系数；

3f)每个水滴从栅格i到栅格j后，计算泥沙变化量Δsoil(i,j):

其中，time(i,j；vel^IWD)为水滴从栅格i移动到栅格j所需的时间,其公式为：

其中，ε_v是预先设置的避免出现分母为零的正数，||c(i)-c(j)||为栅格i与栅格j之间的距离；

3g)每个水滴从栅格i到栅格j后，更新水滴的含沙量soil^IWD：

soil^IWD(t+1)＝soil^IWD(t)+Δsoil(i,j) (4)

其中，soil^IWD(t)为位于栅格i时的水滴的含沙量，soil^IWD(t+1)为位于栅格j时的水滴的含沙量；

3h)每个水滴从栅格i到栅格j后，更新栅格i到栅格j路径中泥沙量soil(i,j)：

soil(i,j)＝(1-ρ)·soil(i,j)-ρ·Δsoil(i,j) (5)

其中，ρ为路径中泥沙量更新系数；

3i)对每个水滴重复步骤(3d)到(3h)直到每个水滴到达目标点栅格为止，则本代迭代结束，根据评价函数q(path)＝length(path)选择出本代迭代的最优路径T_M；

3j)对本代迭代搜索结果采用路径交叉策略；

3k)比较本代迭代最优路径的评价函数q(T_M)和交叉最优路径的评价函数q(T_RB)，如果q(T_RB)＜q(T_M)，更新迭代最优路径T_M＝T_RB，更新评价函数q(T_M)＝q(T_RB)；

3l)使用最优路径水滴的参数更新路径中的泥沙量

其中，N_C为迭代最优路径经过的栅格节点数量；

3m)比较本代迭代最优路径的评价函数q(T_M)和全局最优路径的评价函数q(T_B)，如果q(T_M)＜q(T_B)，更新全局最优路径T_B＝T_M，评价函数q(T_B)＝q(T_M)；

3n)如果未达到迭代代数最大值N_Iter，返回步骤(3b)；

3o)对全局最优路径进行路径平滑，设全局最优路径为T_B＝{x₁,x₂,...,x_n}，将起始点x₁与转向点x₃相连，若连线不与障碍物栅格相交，则继续连接转向点x₄，以此类推，直到x₁与某个转向点x_k(k＝3,...,n)连线与障碍物相交，则将x₁和x_k-1相连，去掉中间冗余的转向点，接下来以x_k-1为起始点，连接x_k+1，重复上面的步骤，直到到达目标点x_n，最终得到去掉冗余转向点的全局最优路径T_B，长度为len(T_B)。

进一步的，所述确定无人艇在栅格地图中的行走规则的过程为：

(4a)无人艇在栅格地图中采用八叉树扩展策略，无人艇每次位移量为L或者

(4b)无人艇每次行走都能够避开障碍物；

(4c)无人艇到达目标点栅格后必须停止移动；

(4d)当候选栅格两侧相邻的栅格为障碍物栅格时，该栅格虽然为自由栅格，无人艇不可以选择。

进一步的，所述每个水滴根据基于自适应启发函数的概率公式计算出每个候选栅格的概率，根据轮盘赌策略选择下一个栅格j的过程为：

根据基于自适应启发函数的概率公式计算出每个候选栅格的概率：

根据轮盘赌策略选择下一个栅格j，其中，k为候选栅格序号，该栅格为非障碍物栅格且水滴未访问过该栅格，f(soil(i,j))为栅格i到栅格j的路径泥沙量的函数，其计算公式为：

其中，ε_s是预先设置的避免出现分母为零的正数，g(soil(i,j))是将栅格i到栅格j之间的路径含沙量转换成正数的函数，具体为：

其中，

为当前栅格i到所有候选栅格间的路径含沙量的最小值；

Huristic(i,j)为自适应启发函数，具体为：

Huristic(i,j)＝(ωdis(i,j)+(1-ω)angle(i,j))^q (10)

ω为启发因子权重，取值为0～1的随机数；

dis(i,j)为距离启发因子，由下式求得：

其中，d_ij为栅格i到栅格j之间距离，angle(i,j)为角度启发因子，由下式求得：

其中：octNo为无人艇的扩展方向，从正x轴以逆时针方向为正方向，将无人艇的一周划分为8个扩展方向，其值依次为0～7；angleNo为根据目标栅格与正x轴夹角θ确定的无人艇的所在区域，其求法如下：计算当前无人艇所在栅格与目标栅格的中心坐标连线与正x轴的夹角θ，将无人艇的一周划分为8个区域，以逆时针方向为正方向，θ的范围为[0,2π]，angleNo的值由下式求得：

其中：q为扰动因子，由下式求得：

其中，floor(x)为取不大于x最大整数的函数，mod()为求余函数，iterNo为当前迭代代数，e₁为常数，e表示欧拉数。

进一步的，所述对本代迭代搜索结果采用路径交叉策略的过程为：

从本代迭代中的水滴中随机选择两滴水滴，除去起始点和目标点外，其走过的路径分别为V_i(IWD)＝{x_i1,x_i2...x_im}和V_j(IWD)＝{x_j1,x_j2...x_jn}，如果

确定路径存在交叉点集Node＝{n₁...n_m}，选择交叉点n₁，组合成两条新的路径path1＝{S,x_i1,...,n₁,...x_jn,G}和path2＝{S,x_j1,...,n₁,...,x_im,G}，直到所有的交叉点选择完毕，得到路径交叉解集，根据评价函数计算出交叉解集的最优解T_RB，其中x_im表示第i个水滴走过的栅格序号，x_jn表示第j个水滴走过的栅格序号，S表示起始点，G表示目标点。

本发明所达到的有益效果：

本发明通过引入自适应启发函数用于计算概率选择函数，提高了算法的收敛速度。在此基础上，针对采用智能水滴算法求解水面无人艇路径规划问题，提出了路径交叉机制，增加了路径解集的多样性，避免算法陷入局部最优进而导致搜索停滞。本发明所提基于改进智能水滴算法的水面无人艇路径规划方法能较好地解决无人艇路径规划问题，满足无人艇的作业需求。

附图说明

图1为本发明的无人艇路径规划方法流程图；

图2为无人艇在栅格地图中的移动方向示意图；

图3为无人艇的一周角度分区示意图；

图4路径交叉机制交叉前路径图

图5路径交叉机制交叉后路径图

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1、2和3所示，一种无人艇路径规划方法，包括以下步骤：

(1a)读入电子海图，采用栅格法对无人艇作业区域进行环境建模，具体包括确定作业区域、确定栅格分辨率以及提取碍航区；

(1b)采用基于改进智能水滴算法进行全局路径规划，生成全局最优路径T_B。

(1c)输出全局最优路径T_B。

其中步骤(1a)读入电子海图，采用栅格法对无人艇作业区域进行环境建模，包括确定作业区域、确定栅格分辨率以及提取碍航区。其具体步骤为：

(2a)读入电子海图，确定无人艇作业区域。根据无人艇的起始点S和目标点G，将无人艇的作业区域构建成笛卡尔直角坐标系S-XY,其中原点为起始点S,起点S的纬度方向为X轴正方向，经度方向为Y轴方向。

(2b)基于电子海图提取碍航区。主要包括安全等深线内部的陆地、岛礁等物标要素以及除此之外的浮标、暗礁、沉船、海水养殖场、障碍物等碍航物，以上物标组成碍航区。采用墨卡托投影变换将碍航区投影到直角坐标系S-XY。

(2c)将无人艇作业区域栅格化。在步骤(2a)构建的坐标系中，对无人艇的作业区域进行灰度化和二值化处理，得到存储栅格地图的二维数组，并记录障碍物列表V_obstacle。每个栅格的尺寸为L＝v·Δt，其中v为无人艇的航行速度，Δt为无人艇实时运动规划周期。每个栅格中心都可以用唯一序号No和坐标(x_No,y_No)标识。

(2d)确定无人艇在栅格地图中的行走规则。

其中步骤(1b)采用基于改进智能水滴算法进行全局路径规划，生成全局最优路径T_B的具体步骤为：

(3a)初始化静态参数。包括水滴数量N_IWD，速度变化量系数a_v,b_v,c_v，泥沙变化量系数a_s,b_s,c_s，水滴初始速度initVel，水滴初始泥沙量initSoil，任意两个栅格间的泥沙量soil(i,j)＝initPathSoil，迭代代数N_Iter，全局最优路径T_B；

(3b)初始化化动态参数。设置每个水滴的初始速度为水滴初始速度initVel，每个水滴的泥沙含量为初始泥沙量initSoil，每个水滴的栅格访问列表V_c(IWD)＝{}；

(3c)将每一个水滴的起始点设置为起始点S，更新访问列表V_c(IWD)。

(3d)每个水滴根据基于自适应启发函数的概率公式计算出每个候选栅格的概率，根据轮盘赌策略选择下一个栅格j。

(3e)每个水滴从栅格i到栅格j后更新水滴的速度vel^IWD:

其中，a_v,b_v,c_v为速度变化量系数；优选为：a_v＝1,b_v＝0.1,c_v＝1。

(3f)每个水滴从栅格i到栅格j后，计算泥沙变化量Δsoil(i,j):

其中，a_s,b_s,c_s为泥沙变化量系数，优选为：a_s＝1,b_s＝0.1,c_s＝1，time(i,j；vel^IWD)为水滴从栅格i移动到栅格j所需的时间,其公式为：

其中，ε_v是一个很小的正数，避免出现分母为零的情况。||c(i)-c(j)||为栅格i与栅格j之间的距离；

(3g)每个水滴从栅格i到栅格j后，更新水滴的含沙量soil^IWD：

soil^IWD(t+1)＝soil^IWD(t)+Δsoil(i,j) (4)

(3h)每个水滴从栅格i到栅格j后，更新栅格i到栅格j路径中泥沙量soil(i,j)：

soil(i,j)＝(1-ρ)·soil(i,j)-ρ·Δsoil(i,j) (5)

其中，ρ为路径中泥沙量更新系数；

(3i)对每个水滴重复步骤(3d)到(3h)直到每个水滴到达目标点栅格为止，则本代迭代结束。根据评价函数q(path)＝length(path)选择出本代迭代的最优路径T_M；

(3j)对本代迭代搜索结果采用路径交叉策略。

(3k)比较本代迭代最优路径的评价函数q(T_M)和交叉最优路径的评价函数q(T_RB)，如果q(T_RB)＜q(T_M)，更新迭代最优路径T_M＝T_RB，更新评价函数q(T_M)＝q(T_RB)；

(3l)使用最优路径水滴的参数更新路径中的泥沙量

其中，N_C为迭代最优路径经过的栅格节点数量；

(3m)比较本代迭代最优路径的评价函数q(T_M)和全局最优路径的评价函数q(T_B)，如果q(T_M)＜q(T_B)，更新全局最优路径T_B＝T_M，评价函数q(T_B)＝q(T_M)；

(3n)如果已经达到迭代代数最大值N_Iter，那么结束程序，否则返回步骤(3b)；

(3o)对全局最优路径进行路径平滑。假设全局最优路径T_B＝{x₁,x₂,...,x_n}，将起始点x₁与转向点x₃相连，若连线不与障碍物栅格相交，则继续连接转向点x₄，以此类推，直到x₁与某个转向点x_k(k＝3,...,n)连线与障碍物相交，则将x₁和x_k-1相连，去掉中间冗余的转向点。接下来以x_k-1为起始点，连接x_k+1，重复上面的步骤，直到到达目标点x_n。最终得到去掉冗余转向点的全局最优路径T_B，长度为len(T_B)。

其中步骤(2d)确定无人艇在栅格地图中的行走规则的具体步骤为：

(4a)无人艇位移约束。无人艇在栅格地图中采用八叉树扩展策略，所以无人艇每次位移量为L或者

(4b)障碍物约束。无人艇每次行走都能够避开障碍物，即无人艇只会从当前栅格周围的自由栅格中选择下一步的栅格。

(4c)运动约束。无人艇到达目标点栅格后必须停止移动。

(4d)特殊情况下的行走规则。当候选栅格两侧相邻的栅格为障碍物栅格时，该栅格虽然为自由栅格，无人艇不可以选择。

其中步骤(3d)每个水滴基于自适应启发函数的概率选择策略选择下一个栅格，其具体步骤为：

根据基于自适应启发函数的概率公式计算出每个候选栅格的概率：

根据轮盘赌策略选择下一个栅格j。其中，k为候选栅格序号，该栅格为非障碍物栅格且水滴未访问过该栅格。

f(soil(i,j))为栅格i到栅格j的路径泥沙量的函数，其计算公式为：

其中，ε_s是一个很小的正数。g(soil(i,j))是将栅格i到栅格j之间的路径含沙量转换成正数的函数，具体为：

其中，

为当前栅格i到所有候选栅格间的路径含沙量的最小值。

Huristic(i,j)为自适应启发函数，具体为：

Huristic(i,j)＝(ωdis(i,j)+(1-ω)angle(i,j))^q (10)

ω为启发因子权重，取值为0～1的随机数；

dis(i,j)为距离启发因子，由下式求得：

其中，d_ij为栅格i到栅格j之间距离，angle(i,j)为角度启发因子，由下式求得：

其中：octNo为无人艇的扩展方向，从正x轴以逆时针方向为正方向，将无人艇的一周划分为8个扩展方向，其值依次为0～7；angleNo为根据目标栅格与正x轴夹角θ确定的无人艇的所在区域，其求法如下：计算当前无人艇所在栅格与目标栅格的中心坐标连线与正x轴的夹角θ，将无人艇的一周划分为8个区域，以逆时针方向为正方向，θ的范围为[0,2π]，angleNo的值可由下式求得：

其中：q为扰动因子，由下式求得：

其中，floor(x)为取不大于x最大整数的函数，mod()为求余函数，iterNo为当前迭代代数，e₁为常数，取0.2，e表示欧拉数，为数学中一个常数，其值约为2.71828。

如图2,3所示，假设θ为18°，angleNo＝floor((18°+22.5°)/45°)＝0，当octNo＝0时，由于octNo＝＝angleNo，则angle(i,j)＝5e₁；当octNo＝1,7时，由于mod(angleNo+1,8)ormod(angleNo-1,8)，即1或者7，则angle(i,j)＝4e₁；当octNo＝2,6时，由于mod(angleNo+2,8)ormod(angleNo-2,8)，即2或者6，则angle(i,j)＝3e₁；当octNo＝3,5时，由于mod(angleNo+3,8)ormod(angleNo-3,8)，即3或者5，则angle(i,j)＝2e₁；当octNo＝4时，由于mod(angleNo+4,8)，即4，则angle(i,j)＝e₁。

其中步骤(3j)对本代迭代搜索结果采用路径交叉策略的具体方法为：从本代迭代中的水滴中随机选择两滴水滴，除去起始点和目标点外，其走过的路径分别为V_i(IWD)＝{x_i1,x_i2...x_im}和V_j(IWD)＝{x_j1,x_j2...x_jn}。如果

那么可以确定路径存在交叉点集Node＝{n₁...n_m}。选择交叉点n₁，组合成两条新的路径path1＝{S,x_i1,...,n₁,...x_jn,G}和path2＝{S,x_j1,...,n₁,...,x_im,G}，直到所有的交叉点选择完毕。得到路径交叉解集Rc＝{path1,...,path2m}。根据评价函数计算出交叉解集的最优解T_RB，其中x_im表示第i个水滴走过的栅格序号，x_jn表示第j个水滴走过的栅格序号，S表示起始点，G表示目标点。如图4所示，实线和虚线为两条路径，交叉点为N，交叉后得到的最优路径如图5所示。综上，路径交叉机制可以产生新的较优个体，同时可以加快算法的寻优速度。

本发明提出了新的概率选择函数，引入自适应启发函数，可以提高算法的收敛速度。在此基础上，针对基本智能水滴算法易陷入局部最优的问题，提出了路径交叉机制，采用该机制可以增加路径解集的多样性，避免算法陷入局部最优导致搜索停滞。本发明所提基于改进智能水滴算法的水面无人艇路径规划方法能较好地解决无人艇路径规划问题,满足无人艇的作业需求。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种无人艇路径规划方法，其特征在于，

读入电子海图，采用栅格法对无人艇作业区域进行环境建模，确定作业区域、确定栅格分辨率以及提取碍航区；

根据确定的作业区域、栅格分辨率以及碍航区，采用基于改进智能水滴算法进行全局路径规划，生成全局最优路径T_B；

输出全局最优路径T_B。

2.根据权利要求1所述的无人艇路径规划方法，其特征在于，所述读入电子海图，采用栅格法对无人艇作业区域进行环境建模，确定作业区域、确定栅格分辨率以及提取碍航区的过程为：

2a)读入电子海图，确定无人艇作业区域，根据无人艇的起始点S和目标点G，将无人艇的作业区域构建成笛卡尔直角坐标系S-XY,其中原点为起始点S,起点S的纬度方向为X轴正方向，经度方向为Y轴方向；

2b)基于电子海图提取碍航区，包括安全等深线内部的陆地、岛礁、浮标、暗礁、沉船、海水养殖场、障碍物这些碍航物，以上物标组成碍航区。采用墨卡托投影变换将碍航区投影到直角坐标系S-XY；

2c)将无人艇作业区域栅格化，在步骤2a)构建的坐标系中，对无人艇的作业区域进行灰度化和二值化处理，得到存储栅格地图的二维数组，并记录障碍物列表V_obstacle,每个栅格的尺寸为L＝v·Δt，其中v为无人艇的航行速度，Δt为无人艇实时运动规划周期，每个栅格中心都能够用唯一序号No和坐标(x_No,y_No)标识。

3d)确定无人艇在栅格地图中的行走规则。

3.根据权利要求1所述的无人艇路径规划方法，其特征在于，所述采用基于改进智能水滴算法进行全局路径规划，生成全局最优路径T_B的过程为：

3a)初始化静态参数，包括水滴数量N_IWD，速度变化量系数a_v,b_v,c_v，泥沙变化量系数a_s,b_s,c_s，水滴初始速度initVel，水滴初始泥沙量initSoil，任意两个栅格间的泥沙量soil(i,j)＝initPathSoil，迭代代数N_Iter，全局最优路径T_B；

3b)初始化化动态参数，设置每个水滴的初始速度为水滴初始速度initVel，每个水滴的泥沙含量为初始泥沙量initSoil，每个水滴的栅格访问列表V_c(IWD)＝{}；

3c)将每一个水滴的起始点设置为起始点S，更新访问列表；

3d)每个水滴根据基于自适应启发函数的概率公式计算出每个候选栅格的概率，根据轮盘赌策略选择下一个栅格j；

3e)每个水滴从栅格i到栅格j后更新水滴的速度vel^IWD:

其中，vel^IWD(t)表示位于栅格i时的水滴的速度，vel^IWD(t+1)表示位于栅格j时的水滴的速度，a_v,b_v,c_v为速度变化量系数；

3f)每个水滴从栅格i到栅格j后，计算泥沙变化量Δsoil(i,j):

其中，time(i,j；vel^IWD)为水滴从栅格i移动到栅格j所需的时间,其公式为：

其中，ε_v是预先设置的避免出现分母为零的正数，||c(i)-c(j)||为栅格i与栅格j之间的距离；

3g)每个水滴从栅格i到栅格j后，更新水滴的含沙量soil^IWD：

soil^IWD(t+1)＝soil^IWD(t)+Δsoil(i,j)(4)

其中，soil^IWD(t)为位于栅格i时的水滴的含沙量，soil^IWD(t+1)为位于栅格j时的水滴的含沙量；

3h)每个水滴从栅格i到栅格j后，更新栅格i到栅格j路径中泥沙量soil(i,j)：

soil(i,j)＝(1-ρ)·soil(i,j)-ρ·Δsoil(i,j)(5)

其中，ρ为路径中泥沙量更新系数；

3i)对每个水滴重复步骤(3d)到(3h)直到每个水滴到达目标点栅格为止，则本代迭代结束，根据评价函数q(path)＝length(path)选择出本代迭代的最优路径T_M；

3j)对本代迭代搜索结果采用路径交叉策略；

3k)比较本代迭代最优路径的评价函数q(T_M)和交叉最优路径的评价函数q(T_RB)，如果q(T_RB)＜q(T_M)，更新迭代最优路径T_M＝T_RB，更新评价函数q(T_M)＝q(T_RB)；

3l)使用最优路径水滴的参数更新路径中的泥沙量

其中，N_C为迭代最优路径经过的栅格节点数量；

3m)比较本代迭代最优路径的评价函数q(T_M)和全局最优路径的评价函数q(T_B)，如果q(T_M)＜q(T_B)，更新全局最优路径T_B＝T_M，评价函数q(T_B)＝q(T_M)；

3n)如果未达到迭代代数最大值N_Iter，返回步骤(3b)；

3o)对全局最优路径进行路径平滑，设全局最优路径为T_B＝{x₁,x₂,...,x_n}，将起始点x₁与转向点x₃相连，若连线不与障碍物栅格相交，则继续连接转向点x₄，以此类推，直到x₁与某个转向点x_k(k＝3,...,n)连线与障碍物相交，则将x₁和x_k-1相连，去掉中间冗余的转向点，接下来以x_k-1为起始点，连接x_k+1，重复上面的步骤，直到到达目标点x_n，最终得到去掉冗余转向点的全局最优路径T_B，长度为len(T_B)。

4.根据权利要求2所述的无人艇路径规划方法，其特征在于，所述确定无人艇在栅格地图中的行走规则的过程为：

(4a)无人艇在栅格地图中采用八叉树扩展策略，无人艇每次位移量为L或者

(4b)无人艇每次行走都能够避开障碍物；

(4c)无人艇到达目标点栅格后必须停止移动；

(4d)当候选栅格两侧相邻的栅格为障碍物栅格时，该栅格虽然为自由栅格，无人艇不可以选择。

5.根据权利要求3所述的无人艇路径规划方法，其特征在于，所述每个水滴根据基于自适应启发函数的概率公式计算出每个候选栅格的概率，根据轮盘赌策略选择下一个栅格j的过程为：

根据基于自适应启发函数的概率公式计算出每个候选栅格的概率：

根据轮盘赌策略选择下一个栅格j，其中，k为候选栅格序号，该栅格为非障碍物栅格且水滴未访问过该栅格，f(soil(i,j))为栅格i到栅格j的路径泥沙量的函数，其计算公式为：

其中，ε_s是预先设置的避免出现分母为零的正数，g(soil(i,j))是将栅格i到栅格j之间的路径含沙量转换成正数的函数，具体为：

其中，

为当前栅格i到所有候选栅格间的路径含沙量的最小值；

Huristic(i,j)为自适应启发函数，具体为：

Huristic(i,j)＝(ωdis(i,j)+(1-ω)angle(i,j))^q (10)

ω为启发因子权重，取值为0～1的随机数；

dis(i,j)为距离启发因子，由下式求得：

其中，d_ij为栅格i到栅格j之间距离，angle(i,j)为角度启发因子，由下式求得：

其中：octNo为无人艇的扩展方向，从正x轴以逆时针方向为正方向，将无人艇的一周划分为8个扩展方向，其值依次为0～7；angleNo为根据目标栅格与正x轴夹角θ确定的无人艇的所在区域，其求法如下：计算当前无人艇所在栅格与目标栅格的中心坐标连线与正x轴的夹角θ，将无人艇的一周划分为8个区域，以逆时针方向为正方向，θ的范围为[0,2π]，angleNo的值由下式求得：

其中：q为扰动因子，由下式求得：

其中，floor(x)为取不大于x最大整数的函数，mod()为求余函数，iterNo为当前迭代代数，e₁为常数，e表示欧拉数。

6.根据权利要求3所述的无人艇路径规划方法，其特征在于，所述对本代迭代搜索结果采用路径交叉策略的过程为：

从本代迭代中的水滴中随机选择两滴水滴，除去起始点和目标点外，其走过的路径分别为V_i(IWD)＝{x_i1,x_i2...x_im}和V_j(IWD)＝{x_j1,x_j2...x_jn}，如果

确定路径存在交叉点集Node＝{n₁...n_m}，选择交叉点n₁，组合成两条新的路径path1＝{S,x_i1,...,n₁,...x_jn,G}和path2＝{S,x_j1,...,n₁,...,x_im,G}，直到所有的交叉点选择完毕，得到路径交叉解集，根据评价函数计算出交叉解集的最优解T_RB，其中x_im表示第i个水滴走过的栅格序号，x_jn表示第j个水滴走过的栅格序号，S表示起始点，G表示目标点。

Images