CN111612217A - 一种用于海上风电场巡检的水面无人艇改进ga-sa路径规划方法 - Google Patents
一种用于海上风电场巡检的水面无人艇改进ga-sa路径规划方法 Download PDFInfo
- Publication number
- CN111612217A CN111612217A CN202010314100.7A CN202010314100A CN111612217A CN 111612217 A CN111612217 A CN 111612217A CN 202010314100 A CN202010314100 A CN 202010314100A CN 111612217 A CN111612217 A CN 111612217A
- Authority
- CN
- China
- Prior art keywords
- solution
- algorithm
- improved
- temperature
- path planning
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于海上风电场巡检的水面无人艇改进GA‑SA路径规划方法,本发明涉及水面无人艇路径规划方法。本发明的目的是为了解决现有算法效率低下,精度较低的问题。过程为:一、初始化算法参数;二、进行可行解的染色体编码,设置适应度值函数;三、将适应度值最高的作为最优个体;四、判断是否满足收敛条件,若是则输出当前最优个体;否进入五;五、将当前最优值作为SA算法的初始解,并随机得到一个更新解;判断更新解的能量变化;若能量变化小于0,则更新解作为最新解;否则按概率保留更新解;六、判断是否达到收敛条件,若否,重复五;若是,返回三替换最优个体,重复执行四至六,直到满足收敛条件。本发明用于水面无人艇的路径规划领域。
Description
技术领域
本发明涉及水面无人艇路径规划方法。
背景技术
水面无人艇(Unmanned Surface Vehicle,USV)是几大无人载体中的其中一类,但是较无人机,无人车和无人水下航行器发展的较晚。同有人舰艇相比,水面无人艇凭借其无人、体积小、高速等典型优点,可以更高效的完成一些民用和科考任务,如海洋资源勘探,海洋地理信息收集,海图绘制和海上搜救等,同时也能完成多种军事任务,如海上情报收集,重点海域监测,排雷作业,反潜探测,反恐突击等[1-3]([1]Li M.,He Y.,Ma Y.,etal.Design and implementation of a new jet-boat based unmanned surface vehicle[C].Proceedings of International Conference on Automatic Control&ArtificialIntelligence,Xiamen,China,2012:768-771.)([2]Villa J L.,Paez J.,Quintero C.,etal.Design and control ofan unmanned surface vehicle for environmentalmonitoring applications[C].Proceedings ofRobotics&Automation,Bogota,Colombia,2017:1-5.)([3]Specht C.,Switalski E.,Specht M.Application of an autonomous/unmanned survey vessel(ASV/USV)and bathymetric measurements[J].Polish MarineResearch,2017,24(3):36-44.),如图1所示。
全局路径规划是指建立在目前已知的环境基础上,根据一定的评价指标和避碰准则,对全局路径所作出的规划。但是目前所采用的一些传统算法虽然其计算简单、易于操作,但效率低下,计算结果精度较低,而若采用仿生算法等先进算法,虽然计算精度大大提高,但计算更为繁琐。
因此,本发明针对无人艇的海上风电场巡检的全局路径规划问题,提出一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法。
发明内容
本发明的目的是为了解决现有算法效率低下,精度较低的问题,而提出一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法。
一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法具体过程为:
步骤一、初始化改进遗传模拟退火算法的各个参数,包括种群规模、自适应交叉、变异算子、初始温度、降温系数、马尔科夫链长和截止温度;
步骤二、根据问题解的特性,进行染色体编码操作,设置适应度值函数;
步骤三、将所有染色体解码,并计算所有个体的适应度值,选择当前适应度最高的个体为最优个体;
步骤四、判断当前种群是否满足收敛条件,若满足收敛条件,则算法结束,输出当前最优个体;若不满足条件,则进入进化阶段,执行选择,交叉,变异操作;
步骤五、将进化后的新一代种群得到的最优值作为模拟退火算法的初始解,执行步骤六;
所述最优值为当前适应度最高的个体;
步骤六、在步骤五中的新一代种群得到的最优值的邻域内产生一个随机扰动,得到一个更新解;判断更新解与最优解的能量变化;
若更新解的能量小于最优解的能量,则更新解替换最优解,得到当前的最新解;
式中ΔEk为能量的变化值,T为当前温度;
步骤七、判断当前的最新解是否达到模拟退火算法的收敛条件,若没有达到,则重复步骤六;若达到,则将当前的最新解返回步骤三替换步骤三中的当前适应度最高的个体,重复执行步骤四至步骤七,直到满足遗传算法收敛条件。
本发明的有益效果为:
本发明首先分别对遗传算法和模拟退火的算法进行了介绍,分别分析其优缺点。然后根据其优缺点分别对遗传算法和模拟退火算法进行了改进。针对遗传算法中固定的交叉、变异算子不适用于全部进化过程的问题,提出了自适应交叉、变异算子,并通过求函数极值的仿真实验验证其有效性和优越性。其次针对模拟退火算法前期收敛速度过慢的问题,提出了自适应降温系数,加速前期算法收敛,并通过求解TSP问题的仿真实验验证了其有效性和优越性。最后利用改进遗传算法对在海上风电场问题中的USV全路径规划进行了仿真实验,并与单独利用传统遗传算法和传统模拟退火算法进行了对比,该方法进行的路径规划结果效率更高,从而验证了其优越性。解决现有传统算法虽然其计算简单、易于操作,但效率低下,计算结果精度较低,以及现有仿生算法等先进算法,虽然计算精度大大提高,但计算更为繁琐的问题。
由表2三种算法求解的结果,可以看到传统遗传算法求得的路径长度为16.95,传统模拟退火算法求得的路径长度为17.37,可以看出遗传算法求得的结果比模拟退火算法求得的结果略优,这是得益于遗传算法较强的全局空间搜索能力,但优化幅度仅为2%。而采用改进遗传模拟退火算法求出的路径长度为15.51,优化幅度较遗传算法已经达到了8%,由此可以看出本发明所提出的改进GA-SA算法较传统算法可以较大的提升算法精度。基于以上分析,改进遗传模拟退火算法能很好的实现两种算法的优劣互补,最终提升算法的精度。
附图说明
图1为水面无人艇示意图;
图2为f(x)函数图像;
图3a为传统遗传算法仿真解的初始位置图;
图3b为传统遗传算法仿真解的最终位置图;
图3c为传统遗传算法仿真最优函数值变化趋势图;
图4a为改进遗传算法仿真解的初始位置图;
图4b为改进遗传算法仿真解的最终位置图;
图4c为改进遗传算法仿真最优函数值变化趋势图;
图5a为传统模拟退火算法仿真最终路线图;
图5b为传统模拟退火算法仿真路线长度变化趋势图;
图6a为改进模拟退火算法仿真最终路线图;
图6b为改进模拟退火算法仿真路线长度变化趋势图;
图7a为传统遗传算法仿真结果图;
图7b为传统模拟退火算法仿真结果图;
图8为改进算法仿真结果图。
具体实施方式
具体实施方式一:本实施方式一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法具体过程为:
遗传算法
遗传算法(Genetic Algorithm,GA)是以达尔文所提出的“进化论”为基础,并结合了生物进化过程所提出的一种在种群繁衍进化过程中“优胜劣汰”来寻找最优值的方法。遗传算法通过计算种群内所有个体的适应度值来判定个体的优劣度,并通过选择、交叉、变异操作来完成“优胜劣汰”的过程。其主要优点如下:
(1)具有较强的全局寻优能力;
(2)寻优过程中通过概率的方法来淘汰和保留种群中的个体,而不需要根据不同的种群类型来制定不同的进化规则,计算简单,自适应能力较强。
遗传算法的主要组成要素有:染色体编码,适应度,选择,交叉,变异。
模拟退火算法
模拟退火算法(Simulated Annealing,SA)由物体的降温过程演变而来,当物体的初始化温度很高时,整个物体处于一种不稳定的状态,内能较大,但是随着物体温度的慢慢降低,内能减小,整个物体开始趋于稳定,直到物体温度降至最低值,内能减到最小,同时整个物体进入一种平衡状态。
首先设立一个温度较高的初始温度,即为模拟退火算法的初始值,然后以一定的降温速度来使温度逐渐下降,直到系统进入一个平衡状态,得到一个稳定的解。但是,这可能是一个局部最优解,为了加强模拟退火算法的求解精度,其会以Metrppolis概率接受一个随机新解,从而可以跳出局部最优解,去寻找全局最优解。
为了使用基于改进GA-SA算法的全局路径规划控制器,实现对水面无人艇的全局路径规划控制,本发明专利的目标,即设计全局路径规划控制器,使水面无人艇在工程任务开始之前规划出理想的路径。
遗传算法的改进
遗传算法的最大优点在于我们不必设计求解最优解的详细过程,而只要简单的筛除表现不好的个体就行了。但是遗传算法的局部搜索能力较差,导致算法出现“早熟”现象。同时,传统的遗传算法,常采用固定的交叉,变异算子,虽经多次实验调整,也难以保证在下一次实验时该值为最佳值,这样就会影响算法寻优的效率和精度。在遗传算法的几个主要组成因素中,交叉算子和变异算子是决定遗传算法寻优性能的两个关键因素[4]([4]ZhangJ,Chung S H,Lo W L.Clustering-based adaptive crossover and mutationprobabilities for genetic algorithms[J].IEEE Transactions on EvolutionaryComputation,2007,11(3):326-335.)。
交叉算子设置的优劣决定着在进化过程中种群个体多样性的好坏,交叉过程在遗传算法中起主导作用。而变异算子则对遗传算法的全局搜索能力起到决定性作用,但是如果变异算子设置不当,则会导致种群良好的个体多样性遭到破坏。
在传统的遗传算法求解最优值问题时,往往会通过若干次实验来选取合适的交叉算子和变异算子的值,或根据前人的经验来决定这两个值。但由于遗传算法的过程都是从一个全局的随机种群,依靠适应度收敛至最终的最优值。
自适应交叉,变异算子
基于以上分析本文提出自适应交叉,变异算子,可以动态的再种群进化过程中调整自身的值,从而更好的适应每一代的进化过程。如果当代种群的平均适应度值与当代种群的最优适应度值的差较大,可认为当前种群的种群较分散,即拥有丰富的物种多样性,根据遗传算法的原理,这个时候应该加大交叉算子的值,这样可以使当代种群更加充分的执行交叉操作,繁衍更多的优质个体,同时也应当略微减少变异算子的值,这样可以减少优质个体被破坏的概率,提升遗传算法的收敛速度,尽快使算法收敛。反之相反。得出自适应交叉,遗传算子如下:
自适应交叉:
变异算子:
式中km为自适应系数;
改进遗传算法仿真试验
为了验证改进遗传算法的优越性,本发明对该算法进行仿真实验。选取最常见的求函数极值问题,对算法进行验证。
测试函数选为f=x+10sin(4x)+7cos(3x),定义域设为[0,10],求函数在定义域内的最大值。函数图像如图2所示:
经几次初步调试,确定自适应交叉、变异算子中的自适应系数km=1.2,km=0.1。设定解的初始数量为20,即种群的初始数量为20。本文采用二进制编码序列,因为一定长度的二进制数可以表示一定精度的浮点数。本发明要求解的精度为小数点后四位,因为2^16<(10-0)×10^4<2^17,所以编码所用的二进制串长度至少为17位。将二进制串转化为对应的区间内浮点数方法如下:
现将二进制数转为对应的10进制:
再将该十进制数转换为对应区间内的浮点数:
选择规则采用轮盘赌选择和最佳保留策略相结合的方式,轮盘赌选择首先计算出每个个体的适应度值与整个种群中个体适应度值和的比值,然后以这个值做为该个体是否进入下一代进化的概率,这种方法会使种群保持较好的多样性,但同时也会丢失适应度高的个体却保留了适应度低个体,所以本文同时采用最佳选择策略。在选择过程中,首先按轮盘赌选择方法进行选择操作,然后将当前群体中适应度最高的个体结构完整地复制到下一代群体中。
交叉规则选用均匀交叉,以一定的交叉概率将两个个体的每个基因位置上的基因都进行交换,从而繁衍出两个新的个体。
变异规则选用基本位变异,即对个体编码串中随机选择的某一位或某几位的基因值以变异概率进行变异操作,在采用二进制编码方法的遗传算法中,变异操作就是选定随机的基因位,以变异概率Pm完成0和1的相互转换。
分别使用传统遗传算法和改进遗传算法在matlab中进行仿真实验,首先进行传统遗传算法的仿真实验。
由仿真结果图3a、3b、3c可以看出,传统遗传算法求解的函数最大值点[6.5749,20.2563]。由图3b可以看出这明显是一个错误答案。原因就在于因为交叉、变异算子的固定值在进化过程中不能随着种群当前的进化过程进行动态的调整,在其中的某几代计划过程中起到了不利的影响,从而导致种群陷入了“早熟”,不能进一步的搜索全局最优值,直接影响了算法的准确性。
在传统的遗传算法中添加自适应交叉、变异算子,并进行仿真实验。
由仿真结果图4a、4b、4c可以看出,传统遗传算法求解的函数最大值点[8.2944,24.8959]。由图4a可以看出初始解的位置是十分分散的,经过进化后最终的位置由图4b所示。可以看出当算法收敛后,绝大部分种群都聚集在最优解附近,没有出现传统遗传算法中出现的“早熟”现象。这是由于交叉、变异算子的值在种群进化中随着当前种群的适应度集中程度改变,可以尽快的跳出极值区,引导整个种群始终向着全局适应度值高的方向集中。由图4c可以看出,改进遗传算法在进化到15代左右时就逼近了最优解,在23代左右因为变异产生一个不良解,但是很快就被淘汰,之后的进化过程整体趋于稳定,一直集中在最优解附近,直到算法收敛。
通过上述传统遗传算法与应用了自适应交叉、变异算子的改进遗传算法的仿真试验,不难看出改进遗传算法强化学习能够有效的避免算法出现“早熟”的问题,改善算法计算效率,提升算法的精度。
模拟退火算法的改进
模拟退火算法优势在于其拥有较强的局部搜索能力,但是由上文介绍的模拟退火算法的原理可以知道,其每一步生成的解是随机生成的,缺乏对全局环境的认知,所以容易在局部最优值处停滞不前[5,6]([5]陶重犇,雷祝兵,李春光,等.基于改进模拟退火算法的搬运机器人路径规划[J].计算机测量与控制,2018,v.26;No.238(07):191-194.)([6]何锦福,符强,王豪东.求解TSP问题的改进模拟退火算法[J].计算机时代,2019(7):47-50.)。另外,为了保证模拟退火算法有较高的精度,通常会把起始温度设的较高,同时使降温速度较慢,但是这就造成了前期降温速度过慢[7]([7]李江伟,许伦辉.退火算法与神经网络算法结合在路径规划中的研究[J].自动化与仪表,2017(11):11-14+36.),从而影响了整个算法的收敛速度。决定模拟退火算法性能的核心是相关参数的选择。所以本部分主要研究模拟退火算法中主要的参数选择规则,并针对模拟退火算法前期降温速度过慢的问题提出一种自适应降温加速系数。
模拟退火算法的关键参数设置
模拟退火算法主要包含四个关键参数,初始温度、降温系数、马尔可夫链长、截止温度。
初始温度
模拟退火算法的全局搜索能力的高低主要取决于初始温度的设置。如果初始温度设置的越高,那么算法获得更高质量解的几率就越大,但同时也会使收敛速度降低,所以初始温度的设定要平衡求解精度和收敛速度之间的矛盾。在实验中需要根据问题求解精度要求,当进一步的升高初始温度时,解的精度并没有获得较大的提高时,就可以选择第一次达到该精度时的较低的温度作为初始温度值。
降温系数
模拟退火算法的收敛过程是通过系统温度逐渐降低至常温来实现的,目前主要的降温方式有两种,第一种是使用一种经典的降温函数,另一种是采用降温系数来实现温度成比例的下降。本文采用第二种降温方式,温度下降的速度由降温系数来控制。通常为了保证更高的求解精度,需要较慢的降温速度,但同样也会影响算法的收敛速度。在保证一定的求解精度的前提下,本发明提出了一种自适应降温系数来加快收敛速度。
马尔可夫链长
模拟退火算法的收敛需要在迭代产生的每一个温度下,算法产生的解都能趋于平衡,这就需要在各个温度下解的数量足够大。目前常用的决定各个温度下解的数量的方法是使用Metropolis准则,而其中的核心参数就是马尔可夫链长,其值越大,代表着模拟退火算法在当前温度下迭代的次数越多,也就可以获得更多的当前温度下的解。同时由于在当前温度下算法迭代的过程中会以一定的概率接收新解,其值设定的大小也决定了算法对全局空间的搜索能力。通常情况下马尔可夫链长与问题的可能解的数量大小m有关,根据m的值取一个定值或者建立与m的映射关系。通常取值范围为[10,30]。
截止温度
截止温度决定了算法的收敛条件,当系统温度降低至截止温度时算法结束。通常情况下为了保证有充分的时间求出更好的解,要求设置截止温度接近于0。本文设置的截止温度为0.001。
自适应降温系数
在模拟退火算法的降温过程中,采用上节的第二种的降温函数Ti+1=αTi,系统的温度会呈线性下降。但是因为初始温度往往设计的比较大,与截止温度的差较大。那么在算法计算初期迭代十分缓慢。但在实际应用中,迭代初期随机选择的解中劣质解所占的比重较大,所以在算法初期可以相对应的加速温度下降速度,而进入算法的中后期后在降低降温速度,以便求得精度更高的解。所以本文提出自适应降温加速系数如下式所示:
而在采用了本文提出的自适应降温系数后,系统整体的收敛时间大大降低,从而可以适当的加大马尔可夫链长,从而提升模拟退火对全局搜索的能力,提高求解的精度。带入到降温函数中,可得自适应降温函数:
Ti+1=CαTi
改进模拟退火算法仿真试验
为了验证改进模拟退火算法的有效性和优越性,选用旅行商问题进行验证。旅行商问题,即TSP问题(Traveling Salesman Problem),也可以被称为旅行推销员问题,非常经典的组合优化问题。旅行商问题的内容是假设有一个旅行商人要拜访n个城市,他需要选择一条途径每个城市的路线,限制条件为每个城市只能经过一次,并且终点需为旅行商出发城市。以路径的长度作为评价指标,所选路径的长度越小,那么该路径的评价指标越高。
按照上文阐述的模拟退火算法关键参数设置的方法,初始温度T0=10000、降温系数α=0.99、马尔可夫长度l=15、截止温度Tn=0.01。首先使用传统经典模拟退火算法进行matlab仿真,城市数量设为20,每个城市的位置随机生成,位置如表1所示:
表1城市坐标
然后在matlab开展仿真实验,结果如图5a、5b、6a、6b:
由图5b与图6b可以看出,改进模拟退火算法前期拥有更为陡峭的下降趋势,传统模拟算法在第450次迭代时得出的解与最终解的差达到最优解的约20%,而改进模拟退火算法在第260次迭代时,当前解与最终解的差即达到最优解的20%左右,因此改进模拟退火算法较传统模拟退火算法有更快的收敛速度。由图6b可以看出在第415次迭代后,每一次更新的最优解的变化幅度在0.5%以内,即系统趋于稳定,得到的最优路径长度为388.1312。由于马尔可夫链长的增加,改进遗传模拟退火算法具有更强的全局空间搜索能力,有更大的概率可以搜索到更优的值,同时由于自适应降温系数的应用,整体算法收敛的时间没有因为马尔科夫链长的增加而增长,反而提升了收敛速度。
通过上述传统模拟退火算法与改进模拟退火算法的对比试验,不难看出改进模拟退火算法在解决组合优化问题时可以在提高求解精度的同时加快算法收敛速度,提升算法的计算效率。
基于改进GA-SA算法的全局路径规划
前面分别针对传统遗传算法和模拟退火算法存在的一些缺点进行了改进,通过仿真试验验证了改进算法的有效性和优越性。但是遗传算法的优势在于其较强的全局空间搜索能力,而模拟退火算法的最大优点则是其较强的局部空间搜索能力。所以本发明专利将两种算法互补,并用于USV在海上风电场巡检问题中的全局路径规划。
改进GA-SA算法的计算流程
本发明提出的改进遗传模拟退火算法是以传统遗传算法为基本框架,在遗传算法繁衍出新的种群后,带入模拟退火算法进行局部寻优,以此提高整体算法的准确度。
改进遗传模拟退火算法的流程如下所示:
步骤一、初始化改进遗传模拟退火算法的各个参数,包括种群规模、自适应交叉、变异算子、初始温度、降温系数、马尔科夫链长和截止温度;
步骤二、根据问题解的特性(就是不同类型的可行解,选择不同的编码方式),进行染色体编码操作(每个寻优问题的解在遗传算法中成为染色体,而区分不同的染色体则是通过不同的编码方式来解决。编码的方式代表了遗传算法的运算方法,同时也影响着算法的效率。),设置适应度值函数(每个个体的优劣程度通过适应度值来判断,然后根据适应度的大小,对个体进行优胜劣汰。遗传算法在种群体进化的过程中,可以根据个体的适应度去寻找最优解,引导算法总是向着适应度高的方向进行。一般的,在求解实际问题时需要根据实际问题的目标函数来确定遗传算法中的适应度函数;比如我们想求得一条最短路径,那么这个适应度函数就是路径长度的计算公式。);
步骤三、将所有染色体解码,并计算所有个体的适应度值(每个个体的优劣程度通过适应度值来判断,然后根据适应度的大小,对个体进行优胜劣汰。遗传算法在种群进化的过程中,可以根据个体的适应度去寻找最优解,引导算法总是向着适应度高的方向进行。一般的,在求解实际问题时需要根据实际问题的目标函数来确定遗传算法中的适应度函数;比如我们想求得一条最短路径,那么这个适应度函数就是路径长度的计算公式。),选择当前适应度最高的个体为最优个体;
步骤四、判断当前种群(最优个体是当前种群中适应度值最高的个体)是否满足收敛条件,若满足收敛条件,则算法结束,输出当前最优个体;若不满足条件,则进入进化阶段,执行选择,交叉,变异操作;
选择:选择就是从父代群体中按某种规则选出子代个体,然后遗传到下一代种群。主要原则是根据上文中所计算处的适应度值,适应度值更高的个体有更高的概率遗传到下一代的种群中。
交叉:为了使遗传算法的进化过程可以产生更加适应环境的遗传基因,增强种群的多样性,算法采用交叉操作来实现。其是指根据一定的规则使某两个染色体的基因片段互相交换,从而形成两个新的个体。
变异:变异就是基因发生了突变,发生变异以后种群可以产生全新的基因形式,新基因可能会使生物产生更高的适应性,从而被遗传到下一代种群。所以变异会加速当前种群升级。
步骤五、将进化后的新一代种群得到的最优值作为模拟退火算法的初始解,执行步骤六;
所述最优值为当前适应度最高的个体;
步骤六、在步骤五中的新一代种群得到的最优值的邻域内产生一个随机扰动(用一个随机函数产生),得到一个更新解;判断更新解与遗传算法给出的最优解的能量变化;
若更新解的能量小于之前给出最优解的能量,则更新解替换最优解,得到当前的最新解;
式中ΔEk为能量的变化值,T为当前温度;
步骤七、判断当前的最新解是否达到模拟退火算法的收敛条件,若没有达到,则重复步骤六;若达到,则将当前的最新解返回步骤三替换步骤三中的当前适应度最高的个体(一开始不是在一定的范围内随机取了一定个数的解,然后执行完选择交叉变异操作后,产生了一堆新的解,并且我们找到了最优的那个解,最终如果没有达到迭代要求将这个最新解和之前产生的一堆解再作为种群,执行交叉变异操作,也就是步骤四),重复执行步骤四至步骤七,直到满足遗传算法收敛条件。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中自适应交叉为:
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤一中变异算子为:
式中km为自适应系数。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤一中初始温度为:
根据求解精度要求,当进一步的升高初始温度时,解的精度并没有获得较大的提高时,就选择第一次达到该精度时的较低的温度作为初始温度。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤一中降温系数为:
采用降温系数来实现温度成比例的下降,温度下降的速度由降温系数来控制;
自适应降温加速系数如下式所示:
式中C为自适应降温加速系数,T1为当前温度,Tmin为截止温度;
带入到降温函数Ti+1=αTi中,得自适应降温函数:
Ti+1=CαTi
式中α为增益系数,Ti为i时刻温度。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤一中马尔可夫链长取值范围为[10,30]。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤一中截止温度为0.001。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述步骤二中编码方式为二进制编码法、浮点编码法或符号编码法。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:所述步骤四中选择规则为轮盘赌规则,随机竞争规则,最佳保留法或排挤选择等;
交叉方法为单点交叉、两点交叉、多点交叉或均匀交叉等;
变异方法为基本位变异或边界变异等。
其它步骤及参数与具体实施方式一至八之一相同。
仿真试验
以某风电场实际尺寸按比例建模,同时由于多波束成像声呐的扫描特性确定了USV必须绕每个风电桩做圆周运动。所以问题就转化为了算法需要通过计算选出择五个风电桩根据多波束扫描距离形成的圆上的五个点,并要求其连线的总距离最短,可以理解为一个包含排列组合的TSP问题。
本文以每个路径圆上取20个间距相等的点作为备选的可行解,那么问题解的数量即为N=205,即种群规模。这是一个比较大的数字,所以首先对可行解进行筛选。因为危险空间是不可进入空间,所以首先对所有备选方案进行计算是否会进入危险空间,及备选方案的路径到五个风电桩圆心的距离是否小于危险空间的半径,然后更新备选方案,并更新种群规模N′。自适应交叉算子中的系数kc=0.85,自适应遗传算子中的系数km=0.1,初始温度T0=10000,基本降温系数α=0.99,马尔科夫链长l=0.99,截止温度TN=0.01。为了验证改进模拟退火算法的有效性和优越性,先分别使用遗传算法和模拟退火算法进行仿真实验,再用改进遗传模拟退火算法进行仿真实验。
使用遗传算法和模拟退火算法进行仿真实验结果如图7a、7b;
然后使用本文提出的改进遗传模拟退火算法进行仿真实验结果如8;
表2三种优化算法结果对比
上表为三种算法求解的结果,可以看到传统遗传算法求得的路径长度为16.95,传统模拟退火算法求得的路径长度为17.37,可以看出遗传算法求得的结果比模拟退火算法求得的结果略优,这是得益于遗传算法较强的全局空间搜索能力,但优化幅度仅为2%。而采用改进遗传模拟退火算法求出的路径长度为15.51,优化幅度较遗传算法已经达到了8%,由此可以看出本发明所提出的改进GA-SA算法较传统算法可以较大的提升算法精度。基于以上分析,改进遗传模拟退火算法能很好的实现两种算法的优劣互补,最终提升算法的精度。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法,其特征在于:
步骤一、初始化改进遗传模拟退火算法的各个参数,包括种群规模、自适应交叉、变异算子、初始温度、降温系数、马尔科夫链长和截止温度;
步骤二、根据问题解的特性,进行染色体编码操作,设置适应度值函数;
步骤三、将所有染色体解码,并计算所有个体的适应度值,选择当前适应度最高的个体为最优个体;
步骤四、判断当前种群是否满足收敛条件,若满足收敛条件,则算法结束,输出当前最优个体;若不满足条件,则进入进化阶段,执行选择,交叉,变异操作;
步骤五、将进化后的新一代种群得到的最优值作为模拟退火算法的初始解,执行步骤六;
所述最优值为当前适应度最高的个体;
步骤六、在步骤五中的新一代种群得到的最优值的邻域内产生一个随机扰动,得到一个更新解;判断更新解与最优解的能量变化;
若更新解的能量小于最优解的能量,则更新解替换最优解,得到当前的最新解;
式中ΔEk为能量的变化值,T为当前温度;
步骤七、判断当前的最新解是否达到模拟退火算法的收敛条件,若没有达到,则重复步骤六;若达到,则将当前的最新解返回步骤三替换步骤三中的当前适应度最高的个体,重复执行步骤四至步骤七,直到满足遗传算法收敛条件。
4.根据权利要求3所述一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法,其特征在于:所述步骤一中初始温度为:
根据求解精度要求,当进一步的升高初始温度时,解的精度并没有获得提高时,就选择第一次达到该精度时的较低的温度作为初始温度。
6.根据权利要求5所述一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法,其特征在于:所述步骤一中马尔可夫链长取值范围为[10,30]。
7.根据权利要求6所述一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法,其特征在于:所述步骤一中截止温度为0.001。
8.根据权利要求7所述一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法,其特征在于:所述步骤二中编码方式为二进制编码法、浮点编码法或符号编码法。
9.根据权利要求8所述一种用于海上风电场巡检的水面无人艇改进GA-SA路径规划方法,其特征在于:所述步骤四中选择规则为轮盘赌规则、随机竞争规则、最佳保留法或排挤选择;
交叉方法为单点交叉、两点交叉、多点交叉或均匀交叉;
变异方法为基本位变异或边界变异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314100.7A CN111612217A (zh) | 2020-04-20 | 2020-04-20 | 一种用于海上风电场巡检的水面无人艇改进ga-sa路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314100.7A CN111612217A (zh) | 2020-04-20 | 2020-04-20 | 一种用于海上风电场巡检的水面无人艇改进ga-sa路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612217A true CN111612217A (zh) | 2020-09-01 |
Family
ID=72200256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010314100.7A Pending CN111612217A (zh) | 2020-04-20 | 2020-04-20 | 一种用于海上风电场巡检的水面无人艇改进ga-sa路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612217A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095587A (zh) * | 2021-04-26 | 2021-07-09 | 国家电网有限公司 | 变电站的检修路径计算方法 |
CN113222264A (zh) * | 2021-05-21 | 2021-08-06 | 南京林业大学 | 一种基于耦合算法的多林区航线调度规划方法 |
-
2020
- 2020-04-20 CN CN202010314100.7A patent/CN111612217A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095587A (zh) * | 2021-04-26 | 2021-07-09 | 国家电网有限公司 | 变电站的检修路径计算方法 |
CN113222264A (zh) * | 2021-05-21 | 2021-08-06 | 南京林业大学 | 一种基于耦合算法的多林区航线调度规划方法 |
CN113222264B (zh) * | 2021-05-21 | 2022-03-18 | 南京林业大学 | 一种基于耦合算法的多林区航线调度规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442135B (zh) | 一种基于改进遗传算法的无人艇路径规划方法及系统 | |
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
CN108376116B (zh) | 基于改进粒子群算法的测试用例生成方法 | |
CN112650237B (zh) | 基于聚类处理和人工势场的船舶路径规划方法和装置 | |
CN110160526B (zh) | 基于遗传算法的航线规划方法 | |
CN110398250B (zh) | 一种无人艇全局路径规划方法 | |
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 | |
CN112418521A (zh) | 一种短时海洋鱼群和鱼量的预测方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN111612217A (zh) | 一种用于海上风电场巡检的水面无人艇改进ga-sa路径规划方法 | |
CN113112065B (zh) | 一种海洋污染巡检采样多无人船路径规划方法 | |
Kularatne et al. | Optimal path planning in time-varying flows with forecasting uncertainties | |
CN109765890B (zh) | 一种基于遗传算法的多usv群体协同避碰规划方法 | |
CN110348636B (zh) | 路径规划预测方法、装置、设备和计算机可读存储介质 | |
CN110906935A (zh) | 一种无人艇路径规划方法 | |
CN113610312A (zh) | 基于改进遗传算法的船舶航行实时最优航线规划方法 | |
CN110837680A (zh) | 一种水下拖缆稳态运动多目标优化方法及系统 | |
Ma et al. | Solving heterogeneous USV scheduling problems by problem-specific knowledge based meta-heuristics with Q-learning | |
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 | |
CN112215395B (zh) | 一种基于海洋大数据的水下装备适应性信息保障系统 | |
Jones et al. | Stochastic optimization for autonomous vehicles with limited control authority | |
Gong et al. | A mutation operator self-adaptive differential evolution particle swarm optimization algorithm for USV navigation | |
CN116952239A (zh) | 一种基于改进a*与dwa融合的无人艇路径规划方法 | |
CN109976158A (zh) | 基于距离进化n-pso的auv能源优化路径搜寻方法 | |
CN113985899B (zh) | 基于区间多目标优化的水下机器人全局路径规划方法 |
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 |