CN111290390B - 一种基于天牛须搜索的智能船舶路径规划方法 - Google Patents
一种基于天牛须搜索的智能船舶路径规划方法 Download PDFInfo
- Publication number
- CN111290390B CN111290390B CN202010117269.3A CN202010117269A CN111290390B CN 111290390 B CN111290390 B CN 111290390B CN 202010117269 A CN202010117269 A CN 202010117269A CN 111290390 B CN111290390 B CN 111290390B
- Authority
- CN
- China
- Prior art keywords
- longicorn
- iteration
- whisker
- ship
- value
- 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
Links
- 241000254173 Coleoptera Species 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241001481710 Cerambycidae Species 0.000 claims abstract description 198
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000010845 search algorithm Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 66
- 238000005457 optimization Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于天牛须搜索的智能船舶路径规划方法,包括:在船舶行驶之前,获取船舶的起始位置、终点位置以及障碍物位置;基于所述船舶的起始位置、终点位置以及障碍物的位置,采用预先设定的天牛算法对船舶从起始位置到终点位置的路径进行搜索,获取船舶从起始位置到终点位置的行驶路径;船舶从起始位置到终点位置的行驶路径中具有多个路径节点;天牛算法对船舶从起始位置到终点位置进行搜索的过程中,确定天牛算法中用于获取路径节点的天牛左须的适应度函数和天牛右须的适应度函数;并根据所述天牛左须的适应度函数和天牛右须的适应度函数,在搜索过程中依次确定船舶行驶路径中的每一个路径节点,并基于多个路径节点组成船舶的行驶路径。
Description
技术领域
本发明涉及一种基于天牛须搜索的智能船舶路径规划方法。
背景技术
智能船舶路径规划问题是智能船舶实现自主航行要解决的首要问题,如何规划出安全、经济、高效的航行路径是船舶自主航行研究的热点问题之一。目前,常见的智能船舶路径规划方法有基于图搜索算法的路径规划方法和基于智能优化算法的路径规划方法两大类。
基于智能优化算法的路径规划方法一般是先建立环境模型,获取衡量路径优劣程度的目标函数,然后再通过相应的算法进行寻优,获取全局最优路径。但是该类方法中如基于粒子群优化算法、蚁群算法、人工鱼群算法等路径规划方法需要多个个体,运算量很大,路径获取的效率很低。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种基于天牛须搜索的智能船舶路径规划方法。
(二)技术方案
为了达到上述目的,本发明提供一种基于天牛须搜索的智能船舶路径规划方法,包括:
A1、在船舶行驶之前,获取船舶的起始位置、终点位置以及障碍物位置;
A2、基于所述船舶的起始位置、终点位置以及障碍物的位置,采用预先设定的天牛算法对船舶从起始位置到终点位置的路径进行搜索,获取船舶从起始位置到终点位置的行驶路径;
所述船舶从起始位置到终点位置的行驶路径中具有多个路径节点;
其中,所述天牛算法对船舶从起始位置到终点位置进行搜索的过程中,根据所述船舶的终点位置以及障碍物的位置,确定所述天牛算法中用于获取路径节点的天牛左须的适应度函数和天牛右须的适应度函数;并根据所述天牛左须的适应度函数和天牛右须的适应度函数,在搜索过程中依次确定船舶行驶路径中的每一个路径节点,然后基于所述多个路径节点组成船舶的行驶路径。
优选的,步骤A2具体包括:
A2-1根据船舶的起始位置、终点位置、障碍物位置,对天牛须搜索算法进行初始化,获取天牛须搜索算法中天牛的位置、天牛的目标位置和天牛的步长;以及最大迭代次数n;
A2-2、根据船舶的终点位置、障碍物位置,采用迭代的方式对天牛的位置、天牛的步长进行更新,并在每一次迭代后,获取新的天牛的步长和作为船舶路径节点的新的天牛的位置,以及每一次迭代时,当前迭代的次数i;
其中,针对每一次迭代,根据船舶的终点位置、障碍物位置以及天牛的位置,获取本次迭代中天牛的左须适应度函数和天牛右须适应度函数,并根据本次迭代中天牛的左须适应度函数和天牛右须适应度函数,获取新的天牛步长和作为船舶路径节点的新的天牛的位置;
其中,当前的迭代的次数为i时,天牛左须的适应度函数为:
当前的迭代的次数为i时,天牛右须的适应度函数为:
其中,os1i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的个数,os2i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的个数,min on∈os1i||Df1i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的距离最小值,min on∈os2i||Df2i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的距离最小值;Df1i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛左须最近的障碍物位置的距离;Df2i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛右须最近的障碍物位置的距离;Dfgi为当前的迭代次数为i时,在上一次迭代后天牛的位置与天牛的目标位置的距离;
A2-3、判断所述当前迭代的次数i是否小于最大迭代次数n;
若不小于,则确定搜索结束,并根据天牛的位置和每次迭代中作为船舶路径节点的新的天牛的位置,确定船舶的行驶路径。
优选的,所述A2-2具体包括:
针对每一次迭代,在每一次迭代中,根据与当前迭代次数相应的天牛的左须适应度函数和天牛右须适应度函数,确定与当前迭代次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值;
在每一次迭代中,比较所述与当前迭代次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值的大小,获取比较结果;
在每次迭代中,根据所述比较结果和上一次迭代后天牛的步长,获取新的天牛的位置。
优选的,所述根据所述比较结果和上一次迭代后的天牛步长,获取新的天牛的位置,具体包括:
若与当前迭代次数相应的天牛左须的适应度函数的值小于与当前迭代次数相应的天牛右须的适应度函数值时,则根据上一次迭代后天牛的步长获取新的天牛的位置;
新的天牛的位置为:上一次迭代后天牛的位置向天牛左须的方向移动上一次迭代后天牛的步长后的位置;
若上一次迭代后天牛的位置相应的天牛右须的适应度值小于上一次迭代后天牛的位置相应的天牛左须的适应度值时,则根据上一次迭代后天牛步长,获取本次迭代后的天牛的位置;
本次迭代后天牛的位置为:上一次迭代后天牛的位置向天牛右须的方向移动上一次迭代后天牛的步长后的位置。
优选的,所述A2-2具体包括:
针对每一次迭代,在每一次迭代中,根据与当前的迭代的次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值的比较结果,获取与当前的迭代的次数相应的第一适应度值;
所述第一适应度值为与当前的迭代的次数相应的天牛左须的适应度函数值和天牛右须的适应度函数值中数值小的适应度函数值;
在每一次迭代中,判断与当前的迭代次数相应的第一适应度值和最优适应度值的大小,获取判断结果;
所述最优适应度值为:在当前迭代之前的所有的迭代中的第一适应度值中的最小适应度值;
根据判断结果,确定步长参数;
根据所述步长参数对上次迭代后的天牛步长进行更新,获取新的天牛的步长;
所述新的天牛步长为上次迭代后天牛步长和所述步长参数的乘积。
优选的,所述根据判断结果,确定步长参数,具体包括:
若判断结果为:当前迭代中的第一适应度值小于或等于最优适应度值时,则确定所述步长参数与预先设定的参数α相同;
若判断结果为:当前迭代中的第一适应度值大于最优适应度值时,则根据预先设定的公式(1)确定步长参数;
其中,所述公式(1)为:
其中,β为步长参数,α为预先设定的参数;i为当前的迭代次数。
优选的,所述参数α的值为0.95。
优选的,所述船舶的行驶路径为船舶的起始位置和每一迭代中作为船舶路径节点的新的天牛的位置依次连接的路径。
(三)有益效果
本发明的有益效果是:本发明将天牛须搜索算法应用于智能船舶路径规划之中具有一般基于智能优化算法的船舶路径规划方法的优点,同时又具有运算量小,算法运行效率高的特点。
附图说明
图1为本发明的基于天牛须搜索的智能船舶路径规划方法流程图;
图2为本发明实施例中采用天牛须搜索算法对船舶进行路径规划的方法示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
参见附图1,本实施例中基于天牛须搜索的智能船舶路径规划方法,包括:
A1、在船舶行驶之前,获取船舶的起始位置、终点位置以及障碍物位置。
A2、基于所述船舶的起始位置、终点位置以及障碍物的位置,采用预先设定的天牛算法对船舶从起始位置到终点位置的路径进行搜索,获取船舶从起始位置到终点位置的行驶路径。
所述船舶从起始位置到终点位置的行驶路径中具有多个路径节点。
其中,所述天牛算法对船舶从起始位置到终点位置进行搜索的过程中,根据所述船舶的终点位置以及障碍物的位置,确定所述天牛算法中用于获取路径节点的天牛左须的适应度函数和天牛右须的适应度函数;并根据所述天牛左须的适应度函数和天牛右须的适应度函数,在搜索过程中依次确定船舶行驶路径中的每一个路径节点,然后基于所述多个路径节点组成船舶的行驶路径。
参见附图2,本实施例中优选的,步骤A2具体包括:
A2-1根据船舶的起始位置、终点位置、障碍物位置,对天牛须搜索算法进行初始化,获取天牛须搜索算法中天牛的位置、天牛的目标位置和天牛的步长;以及最大迭代次数n。
A2-2、根据船舶的终点位置、障碍物位置,采用迭代的方式对天牛的位置、天牛的步长进行更新,并在每一次迭代后,获取新的天牛的步长和作为船舶路径节点的新的天牛的位置,以及每一次迭代时,当前迭代的次数i。
其中,针对每一次迭代,根据船舶的终点位置、障碍物位置以及天牛的位置,获取本次迭代中天牛的左须适应度函数和天牛右须适应度函数,并根据本次迭代中天牛的左须适应度函数和天牛右须适应度函数,获取新的天牛步长和作为船舶路径节点的新的天牛的位置。
其中,当前的迭代的次数为i时,天牛左须的适应度函数为:
当前的迭代的次数为i时,天牛右须的适应度函数为:
其中,os1i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的个数,os2i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的个数,min on∈os1i||Df1i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的距离最小值,min on∈os2i|||Df2i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的距离最小值;Df1i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛左须最近的障碍物位置的距离;Df2i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛右须最近的障碍物位置的距离;Dfgt为当前的迭代次数为i时,在上一次迭代后天牛的位置与天牛的目标位置的距离。
本实施例中优选的,所述A2-2具体包括:
针对每一次迭代,在每一次迭代中,根据与当前迭代次数相应的天牛的左须适应度函数和天牛右须适应度函数,确定与当前迭代次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值。
在每一次迭代中,比较所述与当前迭代次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值的大小,获取比较结果。
在每次迭代中,根据所述比较结果和上一次迭代后天牛的步长,获取新的天牛的位置。
本实施例中,所述根据所述比较结果和上一次迭代后的天牛步长,获取新的天牛的位置,具体包括:
若与当前迭代次数相应的天牛左须的适应度函数的值小于与当前迭代次数相应的天牛右须的适应度函数值时,则根据上一次迭代后天牛的步长获取新的天牛的位置。
新的天牛的位置为:上一次迭代后天牛的位置向天牛左须的方向移动上一次迭代后天牛的步长后的位置。
若上一次迭代后天牛的位置相应的天牛右须的适应度值小于上一次迭代后天牛的位置相应的天牛左须的适应度值时,则根据上一次迭代后天牛步长,获取本次迭代后的天牛的位置。
本次迭代后天牛的位置为:上一次迭代后天牛的位置向天牛右须的方向移动上一次迭代后天牛的步长后的位置。
在本实施例中具体应用中,所述A2-2具体包括:
针对每一次迭代,在每一次迭代中,根据与当前的迭代的次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值的比较结果,获取与当前的迭代的次数相应的第一适应度值。
所述第一适应度值为与当前的迭代的次数相应的天牛左须的适应度函数值和天牛右须的适应度函数值中数值小的适应度函数值;
在每一次迭代中,判断与当前的迭代次数相应的第一适应度值和最优适应度值的大小,获取判断结果。
所述最优适应度值为:在当前迭代之前的所有的迭代中的第一适应度值中的最小适应度值。
根据判断结果,确定步长参数。
根据所述步长参数对上次迭代后的天牛步长进行更新,获取新的天牛的步长。
所述新的天牛步长为上次迭代后天牛步长和所述步长参数的乘积。
本实施例中,所述根据判断结果,确定步长参数,具体包括:
若判断结果为:当前迭代中的第一适应度值小于或等于最优适应度值时,则确定所述步长参数与预先设定的参数α相同。
若判断结果为:当前迭代中的第一适应度值大于最优适应度值时,则根据预先设定的公式(1)确定步长参数。
其中,所述公式(1)为:
其中,β为步长参数,α为预先设定的参数;i为当前的迭代次数。
本实施例中优选的,所述参数α的值为0.95。
A2-3、判断所述当前迭代的次数i是否小于最大迭代次数n。
若不小于,则确定搜索结束,并根据天牛的位置和每次迭代中作为船舶路径节点的新的天牛的位置,确定船舶的行驶路径。
本实施例中,所述船舶的行驶路径为船舶的起始位置和每一迭代中作为船舶路径节点的新的天牛的位置的连线,本实施例中根据天牛搜索食物的行为提出天牛须搜索算法,并将其应用于智能船舶路径规划之中,可以输出一条最优的规划航线,保证其经济性和安全性。
本实施例中利用船舶避障特点建立适应度函数,以坐标与障碍物距离最远并且与目标点距离最小作为判断依据,作为食物气味密度从而诱使天牛做出位置移动。
本实施例中通过改变步长参数,既可以保证做到全局搜索,又可以保证算法的收敛速度。
本实施例将天牛须搜索算法应用于智能船舶路径规划之中具有一般基于智能优化算法的船舶路径规划方法的优点,同时又具有运算量小,算法运行效率高的特点。
实施例二
参见附图1,本实施例中基于天牛须搜索的智能船舶路径规划方法,包括:
A1、在船舶行驶之前,获取船舶的起始位置、终点位置以及障碍物位置。
A2、基于所述船舶的起始位置、终点位置以及障碍物的位置,采用预先设定的天牛算法对船舶从起始位置到终点位置的路径进行搜索,获取船舶从起始位置到终点位置的行驶路径。
所述船舶从起始位置到终点位置的行驶路径中具有多个路径节点。
其中,所述天牛算法对船舶从起始位置到终点位置进行搜索的过程中,根据所述船舶的终点位置以及障碍物的位置,确定所述天牛算法中用于获取路径节点的天牛左须的适应度函数和天牛右须的适应度函数;并根据所述天牛左须的适应度函数和天牛右须的适应度函数,在搜索过程中依次确定船舶行驶路径中的每一个路径节点,然后基于所述多个路径节点组成船舶的行驶路径。
参见附图2,本实施例中优选的,步骤A2具体包括:
初始化。天牛须搜索算法参数初始化:最大迭代次数max_interaction;
状态感知、认知。状态感知、认知的内容包括船舶起点位置、终点位置、障碍物信息、船舶自身参数信息等。
迭代次数赋值。Interaction=1,第一次循环,迭代次数赋1,依次循环次数加一。
Interaction<max_interaction?。判断当前迭代次数,若当前迭代次数不小于最大迭代次数,则判定寻路结束,输出最终路径。当当前迭代次数达到设置的最大迭代次数时,则认为寻路结束,输出最终路径,最终路径为包含起止点的一系列天牛的位置坐标。
如果当前迭代次数小于最大迭代次数,则计算天牛左右两须适应度函数值。也是判断天牛下一步移动方向的依据。在路径规划过程中,判断天牛下一步移动的依据主要有距离终点最近以及距离障碍物边界最远,当天牛左须方向离终点更近且离障碍物边界点最远,则相当于天牛左须的气味浓度大,则下一步天牛向左须方向移动一定的步长。
本实施例中的适应度函数用距离函数来表示,天牛坐标与障碍物距离最远并且与目标点距离最小,天牛与目标点的距离通过欧式距离表示。
其中,当前的迭代的次数为i时,天牛左须的适应度函数为:
当前的迭代的次数为i时,天牛右须的适应度函数为:
其中,os1i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的个数,os2i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的个数,min on∈os1i||Df1i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的距离最小值,min on∈os2i||Df2i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的距离最小值;Df1i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛左须最近的障碍物位置的距离;Df2i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛右须最近的障碍物位置的距离;Dfgi为当前的迭代次数为i时,在上一次迭代后天牛的位置与天牛的目标位置的距离。
综上所述,天牛左右两须适应度函数值即计算适应度函数值的大小,适应度函数值越小,表示当前方向的食物气味浓度大,下一步,天牛向该方向移动一定的步长。
更新天牛位置。根据适应度函数的计算,判断天牛左须和右须哪一侧气味浓度大,然后天牛则向该方向移动当前的步长,通过按比例减小搜索步长,可以有效提高寻优性能和收敛速度。
更新步长。天牛在更新位置后,同时对搜索步长进行更新,可以加快算法的收敛速度。针对每一次迭代,在每一次迭代中,根据与当前的迭代的次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值的比较结果,获取与当前的迭代的次数相应的第一适应度值。
所述第一适应度值为与当前的迭代的次数相应的天牛左须的适应度函数值和天牛右须的适应度函数值中数值小的适应度函数值;在每一次迭代中,判断与当前的迭代次数相应的第一适应度值和最优适应度值的大小,获取判断结果。所述最优适应度值为:在当前迭代之前的所有的迭代中的第一适应度值中的最小适应度值。根据判断结果,确定步长参数。根据所述步长参数对上次迭代后的天牛步长进行更新,获取新的天牛的步长。
所述新的天牛步长为上次迭代后天牛步长和所述步长参数的乘积。
本实施例中,所述根据判断结果,确定步长参数,具体包括:
若判断结果为:当前迭代中的第一适应度值小于或等于最优适应度值时,则确定所述步长参数与预先设定的参数α相同。
若判断结果为:当前迭代中的第一适应度值大于最优适应度值时,则根据预先设定的公式(1)确定步长参数。
其中,所述公式(1)为:
其中,β为步长参数,α为预先设定的参数;i为当前的迭代次数。
本实施例中优选的,所述参数α的值为0.95。
输出最终路径。当当前迭代次数达到设置的最大迭代次数时,则认为寻路结束,输出最终路径,最终路径为包含起止点的一系列天牛的位置坐标。
本实施例中利用船舶避障特点建立适应度函数,以坐标与障碍物距离最远并且与目标点距离最小作为判断依据,作为食物气味密度从而诱使天牛做出位置移动。
本实施例中通过改变步长参数,既可以保证做到全局搜索,又可以保证算法的收敛速度。
本实施例将天牛须搜索算法应用于智能船舶路径规划之中具有一般基于智能优化算法的船舶路径规划方法的优点,同时又具有运算量小,算法运行效率高的特点。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (5)
1.一种基于天牛须搜索的智能船舶路径规划方法,其特征在于,包括:
A1、在船舶行驶之前,获取船舶的起始位置、终点位置以及障碍物位置;
A2、基于所述船舶的起始位置、终点位置以及障碍物的位置,采用预先设定的天牛算法对船舶从起始位置到终点位置的路径进行搜索,获取船舶从起始位置到终点位置的行驶路径;
所述船舶从起始位置到终点位置的行驶路径中具有多个路径节点;
其中,所述天牛算法对船舶从起始位置到终点位置进行搜索的过程中,根据所述船舶的终点位置以及障碍物的位置,确定所述天牛算法中用于获取路径节点的天牛左须的适应度函数和天牛右须的适应度函数;并根据所述天牛左须的适应度函数和天牛右须的适应度函数,在搜索过程中依次确定船舶行驶路径中的每一个路径节点,然后基于所述多个路径节点组成船舶的行驶路径;
步骤A2具体包括:
A2-1根据船舶的起始位置、终点位置、障碍物位置,对天牛须搜索算法进行初始化,获取天牛须搜索算法中天牛的位置、天牛的目标位置和天牛的步长;以及最大迭代次数n;
A2-2、根据船舶的终点位置、障碍物位置,采用迭代的方式对天牛的位置、天牛的步长进行更新,并在每一次迭代后,获取新的天牛的步长和作为船舶路径节点的新的天牛的位置,以及每一次迭代时,当前迭代的次数i;
其中,针对每一次迭代,根据船舶的终点位置、障碍物位置以及天牛的位置,获取本次迭代中天牛的左须适应度函数和天牛右须适应度函数,并根据本次迭代中天牛的左须适应度函数和天牛右须适应度函数,获取新的天牛步长和作为船舶路径节点的新的天牛的位置;
其中,当前的迭代的次数为i时,天牛左须的适应度函数为:
当前的迭代的次数为i时,天牛右须的适应度函数为:
其中,os1i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的个数,os2i为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的个数,min on∈os1i||Df1i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛左须方向感知到的障碍物的距离最小值,min on∈os2i||Df2i||表示为当前的迭代次数为i时,在上一次迭代后天牛的位置上天牛右须方向感知到的障碍物的距离最小值;Df1i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛左须最近的障碍物位置的距离;Df2i为在当前的迭代次数为i时,上一次迭代后天牛的位置与距离天牛右须最近的障碍物位置的距离;Dfgi为当前的迭代次数为i时,在上一次迭代后天牛的位置与天牛的目标位置的距离;
A2-3、判断所述当前迭代的次数i是否小于最大迭代次数n;
若不小于,则确定搜索结束,并根据天牛的位置和每次迭代中作为船舶路径节点的新的天牛的位置,确定船舶的行驶路径;
所述A2-2具体包括:
针对每一次迭代,在每一次迭代中,根据与当前迭代次数相应的天牛的左须适应度函数和天牛右须适应度函数,确定与当前迭代次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值;
在每一次迭代中,比较所述与当前迭代次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值的大小,获取比较结果;
在每次迭代中,根据所述比较结果和上一次迭代后天牛的步长,获取新的天牛的位置;
所述根据所述比较结果和上一次迭代后的天牛步长,获取新的天牛的位置,具体包括:
若与当前迭代次数相应的天牛左须的适应度函数的值小于与当前迭代次数相应的天牛右须的适应度函数值时,则根据上一次迭代后天牛的步长获取新的天牛的位置;
新的天牛的位置为:上一次迭代后天牛的位置向天牛左须的方向移动上一次迭代后天牛的步长后的位置;
若上一次迭代后天牛的位置相应的天牛右须的适应度值小于上一次迭代后天牛的位置相应的天牛左须的适应度值时,则根据上一次迭代后天牛步长,获取本次迭代后的天牛的位置;
本次迭代后天牛的位置为:上一次迭代后天牛的位置向天牛右须的方向移动上一次迭代后天牛的步长后的位置。
2.根据权利要求1所述的方法,其特征在于,所述A2-2具体包括:
针对每一次迭代,在每一次迭代中,根据与当前的迭代的次数相应的天牛的左须适应度函数的值和天牛右须适应度函数的值的比较结果,获取与当前的迭代的次数相应的第一适应度值;
所述第一适应度值为与当前的迭代的次数相应的天牛左须的适应度函数值和天牛右须的适应度函数值中数值小的适应度函数值;
在每一次迭代中,判断与当前的迭代次数相应的第一适应度值和最优适应度值的大小,获取判断结果;
所述最优适应度值为:在当前迭代之前的所有的迭代中的第一适应度值中的最小适应度值;
根据判断结果,确定步长参数;
根据所述步长参数对上次迭代后的天牛步长进行更新,获取新的天牛的步长;
所述新的天牛步长为上次迭代后天牛步长和所述步长参数的乘积。
4.根据权利要求3所述的方法,其特征在于,所述参数α的值为0.95。
5.根据权利要求1所述的方法,其特征在于,所述船舶的行驶路径为船舶的起始位置和每一迭代中作为船舶路径节点的新的天牛的位置依次连接的路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117269.3A CN111290390B (zh) | 2020-02-25 | 2020-02-25 | 一种基于天牛须搜索的智能船舶路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117269.3A CN111290390B (zh) | 2020-02-25 | 2020-02-25 | 一种基于天牛须搜索的智能船舶路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111290390A CN111290390A (zh) | 2020-06-16 |
CN111290390B true CN111290390B (zh) | 2023-06-30 |
Family
ID=71020462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117269.3A Active CN111290390B (zh) | 2020-02-25 | 2020-02-25 | 一种基于天牛须搜索的智能船舶路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111290390B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859713B (zh) * | 2020-08-03 | 2023-11-24 | 国网重庆市电力公司电力科学研究院 | 一种户内变电站工频电场优化装置 |
CN112327850B (zh) * | 2020-11-06 | 2023-10-13 | 大连海事大学 | 一种水面无人艇路径规划方法 |
CN112817312B (zh) * | 2020-12-31 | 2022-12-06 | 浙江工业大学 | 一种基于双重搜索优化算法的路径规划方法 |
CN112965492B (zh) * | 2021-02-07 | 2022-03-18 | 武汉理工大学 | 一种船舶运动的控制方法、系统、装置及存储介质 |
CN113255872B (zh) * | 2021-05-19 | 2022-11-18 | 河北科技大学 | 基于Chan算法的天牛须探索定位方法 |
CN113985922B (zh) * | 2021-11-10 | 2023-11-17 | 浙江建德通用航空研究院 | 一种多目标约束下的无人机分级式路径规划方法 |
CN114527744B (zh) * | 2022-01-11 | 2024-04-02 | 燕山大学 | 基于天牛须搜索优化的无人帆船路径跟踪制导方法 |
CN115328208A (zh) * | 2022-09-21 | 2022-11-11 | 西华大学 | 一种实现全局动态路径规划的无人机路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319764A (zh) * | 2018-01-15 | 2018-07-24 | 湖北汽车工业学院 | 基于天牛须搜索算法的空间直线度误差评定方法 |
CN109613921A (zh) * | 2019-01-08 | 2019-04-12 | 智慧航海(青岛)科技有限公司 | 基于快速移动萤火虫算法的无人船舶局部路径规划方法 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及系统 |
-
2020
- 2020-02-25 CN CN202010117269.3A patent/CN111290390B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319764A (zh) * | 2018-01-15 | 2018-07-24 | 湖北汽车工业学院 | 基于天牛须搜索算法的空间直线度误差评定方法 |
CN109613921A (zh) * | 2019-01-08 | 2019-04-12 | 智慧航海(青岛)科技有限公司 | 基于快速移动萤火虫算法的无人船舶局部路径规划方法 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及系统 |
Non-Patent Citations (2)
Title |
---|
BSO算法在移动机器人三维路径规划中的应用;沈显庆等;《黑龙江科技大学学报》;20191130(第06期);第117-121页 * |
Model predictive ship collision avoidance based on Q-learning beetle swarm antenna search and neural networks;Shuo Xie等;《Ocean Engineering》;20191025;第193卷;第1-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111290390A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111290390B (zh) | 一种基于天牛须搜索的智能船舶路径规划方法 | |
CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN110347151B (zh) | 一种融合Bezier优化遗传算法的机器人路径规划方法 | |
CN108180914B (zh) | 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法 | |
CN109116841B (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
CN111323016A (zh) | 一种基于自适应蚁群算法的移动机器人路径规划方法 | |
CN105527964A (zh) | 一种机器人路径规划方法 | |
CN112987799B (zh) | 一种基于改进rrt算法的无人机路径规划方法 | |
CN104035438A (zh) | 一种基于种群多样性的自适应多目标机器人避障算法 | |
CN113189988B (zh) | 一种基于Harris算法与RRT算法复合的自主路径规划方法 | |
CN114326735A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN109211242B (zh) | 一种融合rrt与蚁群算法的三维空间多目标路径规划方法 | |
Li et al. | An adaptive ant colony algorithm for autonomous vehicles global path planning | |
Li et al. | Mobile robot path planning based on improved genetic algorithm with A-star heuristic method | |
CN109214596A (zh) | 求取具有方向约束和障碍限制的栅格最短路径afw算法 | |
CN111366169A (zh) | 一种确定性移动机器人路径规划方法 | |
CN111189455B (zh) | 一种无人机航路规划方法、系统及存储介质 | |
CN116540738A (zh) | 基于运动约束改进蚁群算法的移动机器人路径规划方法 | |
CN113721622B (zh) | 一种机器人路径规划方法 | |
CN112000105B (zh) | 一种基于交流策略蚁群算法的移动机器人路径规划方法 | |
CN113124875A (zh) | 一种路径导航方法 | |
CN115494840B (zh) | 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法 | |
CN115903808A (zh) | 基于粒子群、蚁群和A-Star算法结合的机器人路径规划方法 | |
Huang et al. | A multi-robot coverage path planning algorithm based on improved darp algorithm |
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 |