CN113959448B - 一种基于改进樽海鞘群算法的水下地形辅助导航方法 - Google Patents
一种基于改进樽海鞘群算法的水下地形辅助导航方法 Download PDFInfo
- Publication number
- CN113959448B CN113959448B CN202111248320.5A CN202111248320A CN113959448B CN 113959448 B CN113959448 B CN 113959448B CN 202111248320 A CN202111248320 A CN 202111248320A CN 113959448 B CN113959448 B CN 113959448B
- Authority
- CN
- China
- Prior art keywords
- topography
- sea squirt
- algorithm
- positioning
- swarm algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000012876 topography Methods 0.000 title claims abstract description 65
- 241000251555 Tunicata Species 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000005295 random walk Methods 0.000 claims description 7
- 241000251557 Ascidiacea Species 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000565675 Oncomelania Species 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 241000798368 Ecteinascidia Species 0.000 description 1
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3826—Terrain data
-
- 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
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于改进樽海鞘群算法的水下地形辅助导航方法,包括:步骤一:制作海底数字地形图;步骤二:多波束对海底地形进行采集,形成子图;步骤三:利用改进樽海鞘群算法实现子图在海底数字地形图中位置的定位。本发明实现了利用智能群算法对水下定位进行二维匹配定位,相对传统水下定位方法,本方法不需要求函数的一阶和二阶导数、矩阵的逆等。在目标函数较为复杂的情况下,计算量较小。
Description
技术领域
本发明属于水下定位的技术领域,具体涉及一种基于改进樽海鞘群算法的水下地形辅助导航方法。
背景技术
近年来,随着我国对海洋的探索和利用,对水下潜器的定位精度、潜航时间以及隐蔽性的需求越来越高,AUV般拥有自己的视觉和感觉系统,可在水下通过遥控或自主操作方式移动,进而辅助或者代替人们去完成某些特殊的水下作业。水下潜器可分为三类,第一类是水下载人潜器HOV,这类潜器需要需要保证潜水员的安全,因而下潜深度有限且工作时间较短。第二类是水下遥控潜器ROV,送类水下潜器是无人有缆的,需要线缆来补给能源和传送命令和数据,它的工作时间可W很长,但是需要配备专口的水面母船。ROV在海底石油、天然气、矿场探测LA及海底光瓣铺设中已有广泛的应用。第三类是水下自主无人潜器AUV,这类水下潜器无人无幾,依靠自身携带推进能源,按照事先规划的航迹来完成既定任务。AUV具有高度的隐蔽性,因而成为了世界上许多军事强国的重点研究对象。送些水下潜器成功完成任务的前提是具有可靠的导航系统。
由于惯性导航系统不依赖于任何外部信息,不向外发射信号,不会暴露运载器自身的存在,不受时间、地点、天气等外界条件限制,为水下载体长时间潜航创造了条件随着惯性导航技术的发展,惯性导航系统在尺寸、可靠性、成本和功耗等方面得到不断改进,目前己经成为水下载体的自主式导航和控制中也,但惯性导航系统也有其致命缺陷,即误差随时间积累发散,为了确保运载器的水下安全航巧,运载体必须浮出水面借助其他导航技术进行周期的校准和重调,这种周期性的位置校正方式,既消耗运载体的能量,又降低了隐蔽性。为了克服上述缺点,采用地球物理信息辅助水下载体导航定位己成为研究热点,可利用的地球物理场信息包括海底地形/地貌信息、海洋重力场/重力梯度场信息和海洋地磁场信息等。
随着我国对于地球物理场信息(重为场、海洋地形/地貌、地磁场等)获取能力的提高以及地球物理场测量技术的发展、基准数据库的不断完善,采用地球物理场数据库(或信息)进行辅助导航己经成为水下载体惯性导航技术领域的一个重要发展方向。其中,利用水下地形/地貌信息导航技术源自于目前在陆地上己经成功应用的地形匹配技术,利用水下载体测深测潜传感器实时测得的数据和预先测得并构建的地形数据库信息相匹配,可以实现完全自主式的导航定位,得到高精度的水下位置信息,用以辅助主惯导系统校正误差。随着多波束测裸系统的发展和逐步应用于各种水下潜器,海底地形测量的精度越来越高,范围也越来越广,水下潜器可以更有效率地得到精度更高的海底地形原始数据库和实时扫测地形分布,多波束测深系统的这些优势都为海底地形辅助匹配导航创造了良好的条件。
海底地形匹巧辅助导航系统能够技好地应用于水下潜器的导航和定位,主要因为海底地形具有长期不变性,一旦获取形成数据库,可利用相当长时间,具有战略意义,这一点和水下地磁匹配导航、重力及重力梯度导航类似。地形匹配导航的原理简单易懂,即通过实测地形场的分布特征与背景场地形数据进行匹配,由于原始地形数据库信息中包含各个测深点的位置信息,所以通过匹配实测的地形高程分布就可以从背景场中获取实时位置信息,用来辅助主惯导修正误差。海底地形匹配导航系统的关键问题在于匹配算法,目前,水下地形匹配导航主要采用的算法有TERCOM算法和ICCP算法,这两种算法都是基于单波束测深系统的一维序列匹配,匹配所需的实时扫测高程值在潜器运行轨迹上是一系列的离散点分布,对原始地形的描述不够丰富,尤其在地形平坦区域或是相似性地形较多区域容易出现不能匹配或者误匹配情况,抗噪声能力和适用性方面有较大不足。所以随着多波束测深系统的发展以及该技术在水下潜器中的应用,就可以得到条带状的二维分布地形高程信息,他不仅丰富了原始地形信息的描述量,也弥补了单波束测深系统效率较低的不足。传统的匹配方法在实现算法之前,要进行大量的准备工作,如求函数的一阶和二阶导数、某些矩阵的逆等。在目标函数较为复杂的情况下,这一工作比较很困难,计算量比较大。因此,研究基于基于改进樽海鞘群算法的水下地形辅助导航方法变得很有意义。
发明内容
本发明针对目前的不足,提出一种基于改进樽海鞘群算法的水下地形辅助导航方法方法,实现了一种高效准确水下辅助导航方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于改进樽海鞘群算法的水下地形辅助导航方法方法,其特征在于,包括:
步骤一:制作海底数字地形图;
步骤二:多波束对海底地形进行采集,形成实时地形匹配图;
步骤三:根据惯导系统和其误差确认海底数字地形图的位置及大小;
步骤四:利用改进樽海鞘群算法实现子图在海底数字地形图中位置的定位;
步骤五:第k次定位结果与第k-1次定位结果之间水平位置变化与第k次和第k-1
次定位时基本导航间的水平位置变化之差应该一个阈值范围内。
优选地,在所述步骤一和步骤二中,海底数字地形图和多波束形成的子图分辨率需要相同。
优选地,子图的大小由多波束系统和AUV所处位置的水深确定。
优选地,在所述步骤四中,利用改进樽海鞘群算法的水下地形定位,其改进方法如下:
S1Circle混沌初始化樽海鞘群位置,公式如下:
S2在跟随者位置加入自适应惯性权重,公式如下:
ω=ωs(ωs-ωc)·(T-t)/T
t为当前迭代次数,T为迭代次数。
新的追随者位置更新公式如下:
为当前代樽海鞘跟随者i在第j维空间的位置,/>分别为上一代中樽海鞘跟随者i,i-1在第j维的位置。
S3对全体樽海鞘进行遗传算法局部优化
Xnew=a*X(1)+(1-a)*X(2),rand<p
Xnew=a*(Fj-X(1))+X(1),rand<q
其中a为(0,1)之间的随机数,F为食物源位置,p为交叉概率,q为变异概率X(1)、X(2)为锦标赛选择个体中最优和次优的樽海鞘
S4对食物源进行随机游走
F(t)=[0,cumsum(2r(t1)-1,cumsum(2r(t2)-1,…,cumsum(2r(tn)-1]
其中,F(t)为食物源的位置,cumsum为累加和,t为当前的迭代次数,n为最大迭代次数,r(t)为随机函数,
进行归一化:
其中,Fj表示食物源的标准化位置,aj、bj分别为第j维变量随机移动步长的最小值、最大值,分别为第j维变量第t代随机游走的最小值、最大值。
游走边界如下
其中,I随迭代次数的增加分段线性递增,
t为当前迭代次数,T为最大迭代次数,ω取决于当前代
优选地,在所述步骤四中,采取归一化相关算法作为定位适应度函数。
优选地,在所述采取归一化相关算法作为定位适应度函数中,适应度函数应取归一化相关算法的相反数,适应度函数公式如下:
其中x为海底数字地形图的水深,海底数字地形图平均水深,y为实时地形匹配图的水深,/>实时地形匹配图的平均水深。
优选地,在所述S3中,对遗传算法优化的樽海鞘个体与未优化的个体适应度比较,采取贪婪策略选取适应度好的樽海鞘个体。
优选地,所述步骤四中包括如下操作:
S4.1设置种群规模N,迭代次数T,问题维度dim,权重因子初始值ωs,最终值ωf,交叉变异概率p、q;
S4.2利初始化规模为N,维数是dim的樽海鞘群,由此产生N块候选图像块;
S4.3排序:将群体中按照ρ(i)排序,相似度值大的一半视为领导者,另一半视为跟随者;
S4.4利用改进后的樽海鞘群算法更新领导者与跟随者位置;
S4.5计算更新后种群的适应度值,并更新食物源位置;
S4.6重复S3.3-S3.5,如果达到设置的精度要求或规定的最大迭代次数,则终止算法,输出相似度最高的位置;
S4.7将第k次定位结果与第k-1次定位结果之间水平位置变化与第k次和第k-1次定位时基本导航间的水平位置变化之差与阈值进行比较;如果其差小于阈值,则匹配成功,如果大于阈值则在此位置进行第二次次匹配,如第二个匹配仍然大于阈值,则放弃此位置的匹配,进行下一地点匹配。
上述技术方案可以得到以下有益效果:
(1)利用了更加丰富的原始地形信息进行地形匹配,增加了匹配的精度和成功率。传统的匹配方法在实现算法之前,要进行大量的准备工作,如求函数的一阶和二阶导数、某些矩阵的逆等。在目标函数较为复杂的情况下,这一工作比较很困难,计算量比较大。因此,研究基于基于改进樽海鞘群算法的水下地形辅助导航方法变得很有意义。
(2)实现了由定位算法由一维向二维的转变。
(3)避免了求函数的一阶和二阶导数、某些矩阵的逆等,减少了计算量。
(4)采用樽海鞘群搜索策略,避免了传统的遍历全部的搜索方法减少了计算量。
(5)在基本的樽海鞘群算法的基础上,引入Circle映射、遗传算法、自适应惯性权重、随机游走策略,来提高算法的全局搜索能力和跳出局部最优能力。改进后的算法在8个测试函数和水下地形匹配中的整体效果优于原始算法。
附图说明
图1为水下辅助定位流程图;
图2为改进樽海鞘法定位原理图;
图3地形一三维地形图;
图4地形一匹配效果图;
图5地形二三维地形图;
图6地形二匹配效果图;
图7地形导航效果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明公开了一种基于改进樽海鞘群算法的水下地形辅助导航方法,包括如下步骤:
S1构建海底数字地形图。
如图1、2所示,选用了美国国家海洋和大气管理局数据库中的东经127.528°-128.205°,北纬27.328°-28.005°海底地形高程数据作为典型测试区域,经4格点样条函数内插形成100m规则格网高程地形数据,海底数字地形图大小为752*752。
S2多波束获取实时地形匹配面。
选取海底数字地形图中50*50子图加入1dB,5dB,10dB,15dB信噪比代替多波束获取的实时地形匹配面,海底数字地形图和多波束形成的子图分辨率相同。
S3选取300*300格网作为搜索范围,搜索中心为惯导系统提供的位置(惯导系统基本导航误差特性:0均值,0.05倍距离的高斯白噪音)。
S4利用改进后的樽海鞘群算法进行水下地形定位。
S4.1设置种群规模100,迭代次数150,问题维度2,权重因子初始值ωs,最终值ωf,交叉变异概率p、q,由此产生50块候选图像块。
S4.2排序:将群体按照ρ(i)排序,相似度值大的一半视为领导者,另一半视为跟随者。
S4.3利用改进后的樽海鞘群算法更新领导者与跟随者位置。
S4.4计算更新后种群的适应度值,并更新食物源位置。
S4.5重复S4.2-S4.4,如果达到设置的精度要求或规定的最大迭代次数,则终止算法,输出相似度最高的位置,效果如图4、图6。
S4.6每100格网进行定位一次,在每个真实位置范围加入10dB信噪比模拟ADCP的实时扫描匹配图。将第k次定位结果与第k-1次定位结果之间水平位置变化与第k次和第k-1次定位时基本导航间的水平位置变化之差与阈值进行比较。如果其差小于10,则匹配成功,如果大于10则在此位置进行第二次次匹配,如第二个匹配仍然大于10,则放弃此位置的匹配,进行下一地点匹配如图7。
S5第k次定位结果与第k-1次定位结果之间水平位置变化与第k次和第k-1次定位时基本导航间的水平位置变化之差在一个阈值范围内。
其中,继续参考图2所示,改进的樽海鞘算法如下:
引入Circle映射初始化樽海鞘个体位置,增加初始种群的多样性。公式如下:
其中,t为当前迭代次数,T为迭代次数。
通过遗传算法优化樽海鞘个体位置更新方式,增强算法的全局搜索和局部开发能力。在追随者位置更新公式中引入自适应惯性权重,使算法全局搜索和局部搜索能力得到更好的平衡。公式如下:
ω=ωs(ωs-ωc)·(T-t)/T
其中,t为当前迭代次数,T为迭代次数。
对全体樽海鞘进行遗传算法局部优化,优化公式如下:
Xnew=a*X(1)+(1-a)*X(2),rand<p
Xnew=a*(Fj-X(1))+X(1),rand<q
其中,a为(0,1)之间的随机数,F为食物源位置,p为交叉概率,q为变异概率X(1)、X(2)为锦标赛选择个体中最优和次优的樽海鞘。
对食物源进行随机游走,公式如下:
F(t)=[0,Cumsum(2r(t1)-1,cumsum(2r(t2)-1,…,cumsum(2r(tn)-1]
其中,F(t)为食物源的位置,cumsum为累加和,t为当前的迭代次数,n为最大迭代次数,r(t)为随机函数:
进行归一化
其中,Fj表示食物源的标准化位置,aj、bj分别为第j维变量随机移动步长的最小值、最大值,分别为第j维变量第t代随机游走的最小值、最大值。
在采取所述归一化相关算法作为定位适应度函数中,适应度函数取归一化相关算法的相反数,适应度函数公式如下:
其中x为海底数字地形图的水深,海底数字地形图平均水深,y为实时地形匹配图的水深,/>实时地形匹配图的平均水深。
游走边界如下:
其中,I随迭代次数的增加分段线性递增:
t为当前迭代次数,T为最大迭代次数,ω取决于当前代数:
随机游走对食物源进行扰动,增加算法后期跳出局部最优,通过对8个基准测试函数进行仿真实验来评估改进算法的寻优能力,结果如下表1,种群为50,迭代次数150,每个测试函数独立进行30次。
表1:基准测试函数
从表3中可以看出对于5个单峰函数(F1-F5),ISSA(本文所提出的樽海鞘群改进方法)在求解F1-F4的精度时平均值和最优值获得了理论最优值0;对于多峰函数F6、F7、F8,ISSA和CASSA(基于疯狂自适应的樽海鞘群算法)在求解F6、F8的精度时获得了理论最优值0。ISSA的标准差始终比SCSSA(正弦余弦算法的樽海鞘群算法)和SSA(樽海鞘群算法)算法小,在单峰函数上ISSA比CASSA在F1-F4函数上标准差小,这说明ISSA在低维和高维基准函数的寻优求解有着很好的稳定性,寻优能力和跳出局部最优的能力也比其他算法好。
表3:各算法的寻优结果
两个地形在不同信噪比情况下分别进行30次地形匹配,地形一三维地形图和匹配效果图参见体3、4,地形二三维地形图和匹配效果图参见图5、6。从表4、表5、表6、表7可以看出ISSA在水下地形定位上的成功率远高于其他两种算法(X、Y方向误差小于5格网认为匹配成功),ISSA在圆概率误差也比其他两种算法小,但对于水下定位来说还是比较大,原因是在定位过程中,算法陷入局部最优,导致其中几次的定位结果与真实位置相差太大。
从表7中可以看出,在利用S4.6方法进行的水下辅助导航,修正后的航迹与真实航迹误差始终在5个格网之内。
表4:地形一匹配成功率
表5:地形二匹配成功率
表5续表
表6:圆概率误差
表7:水下导航误差
/>
Claims (7)
1.一种基于改进樽海鞘群算法的水下地形辅助导航方法,其特征在于:包括:
步骤一:制作海底数字地形图;
步骤二:多波束对海底地形进行采集,形成实时地形匹配图;
步骤三:根据惯导系统和惯导系统误差确认海底数字地形图的位置及大小;
步骤四:利用改进樽海鞘群算法实现子图在海底数字地形图中位置的定位;
利用改进樽海鞘群算法的水下地形定位,其改进方法如下:
S1Circle混沌初始化樽海鞘群位置,公式如下:
S2在跟随者位置加入自适应惯性权重,公式如下:
ω=ωs(ωs-ωc)·(T-t)/T
其中,t为当前迭代次数,T为迭代次数;
新的追随者位置更新公式如下:
其中,为当前代樽海鞘跟随者i在第j维空间的位置,/>分别为上一代中樽海鞘跟随者i,i-1在第j维的位置;
S3对全体樽海鞘进行遗传算法局部优化
Xnew=a*X(1)+(1-a)*X(2),rand<p
Xnew=a*(Fj-X(l))+X(l),rand<q
其中,a为(0,1)之间的随机数,F为食物源位置,p为交叉概率,q为变异概率X(1)、X(2)为锦标赛选择个体中最优和次优的樽海鞘;
S4对食物源进行随机游走
F(t)=[0,cumsum(2r(t1)-1,cumsum(2r(t2)-1,…,cumsum(2r(tn)-1]
其中,F(t)为食物源的位置,cumsum为累加和,t为当前的迭代次数,n为最大迭代次数,r(t)为随机函数,
进行归一化:
其中,Fj表示食物源的标准化位置,aj、bj分别为第j维变量随机移动步长的最小值、最大值,分别为第j维变量第t代随机游走的最小值、最大值;
游走边界如下
其中,I随迭代次数的增加分段线性递增:
t为当前迭代次数,T为最大迭代次数,ω取决于当前代数
步骤五:第k次定位结果与第k-1次定位结果之间水平位置变化与第k次和第k-1次定位时基本导航间的水平位置变化之差在一个阈值范围内。
2.根据权利要求1一种基于改进樽海鞘群算法的水下地形辅助导航方法,其特征在于:在所述步骤一和步骤二中,海底数字地形图和多波束形成的子图分辨率相同。
3.根据权利要求2所述的一种基于改进樽海鞘群算法的水下地形辅助导航方法,其特征在于:所述子图的大小由多波束系统和AUV所处位置的水深确定。
4.根据权利要求1所述的一种基于改进樽海鞘群算法的水下地形辅助导航方法,其特征在于:在所述步骤四中,采取归一化相关算法作为定位适应度函数。
5.根据权利要求4所述的一种基于改进樽海鞘群算法的水下地形辅助导航方法,其特征在于:在采取所述归一化相关算法作为定位适应度函数中,适应度函数取归一化相关算法的相反数,适应度函数公式如下:
其中x为海底数字地形图的水深,海底数字地形图平均水深,y为实时地形匹配图的水深,y实时地形匹配图的平均水深。
6.根据权利要求1所述的一种基于改进樽海鞘群算法的水下地形辅助导航方法,其特征在于:在所述S3中,对遗传算法优化的樽海鞘个体与未优化的个体适应度比较,采取贪婪策略选取适应度好的樽海鞘个体。
7.根据权利要求1所述的一种基于改进樽海鞘群算法的水下地形辅助导航方法,其特征在于:所述步骤四中包括如下操作:
S4.1设置种群规模N,迭代次数T,问题维度dim,权重因子初始值ωs,最终值ωf,交叉变异概率p、q;
S4.2利初始化规模为N,维数是dim的樽海鞘群,由此产生N块候选图像块;
S4.3排序:将群体中按照ρ(i)排序,相似度值大的一半视为领导者,另一半视为跟随者;
S4.4利用改进后的樽海鞘群算法更新领导者与跟随者位置;
S4.5计算更新后种群的适应度值,并更新食物源位置;
S4.6重复S3.3-S3.5,如果达到设置的精度要求或规定的最大迭代次数,则终止算法,输出相似度最高的位置;
S4.7将第k次定位结果与第k-1次定位结果之间水平位置变化与第k次和第k-1次定位时基本导航间的水平位置变化之差与阈值进行比较;如果其差小于阈值,则匹配成功,如果大于阈值则在此位置进行第二次次匹配,如第二个匹配仍然大于阈值,则放弃此位置的匹配,进行下一地点匹配。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248320.5A CN113959448B (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
LU502256A LU502256B1 (en) | 2021-10-26 | 2022-06-13 | Underwater topography aided navigation method based on improved salpa group algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248320.5A CN113959448B (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113959448A CN113959448A (zh) | 2022-01-21 |
CN113959448B true CN113959448B (zh) | 2023-08-29 |
Family
ID=79467082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111248320.5A Active CN113959448B (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113959448B (zh) |
LU (1) | LU502256B1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114543809B (zh) * | 2022-02-18 | 2023-11-14 | 东南大学 | 基于改进遗传算法的多路径地形匹配方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220510A (zh) * | 2019-06-03 | 2019-09-10 | 哈尔滨工程大学 | 一种考虑地图准确性的水下机器人海底地形匹配导航路径规划方法 |
CN110414584A (zh) * | 2019-07-22 | 2019-11-05 | 山东大学 | 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统 |
CN110516877A (zh) * | 2019-08-28 | 2019-11-29 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
CN110572126A (zh) * | 2019-09-19 | 2019-12-13 | 国网河南省电力公司焦作供电公司 | 一种基于樽海鞘算法的仿生智能孤岛检测方法 |
CN111031502A (zh) * | 2019-11-06 | 2020-04-17 | 湖北工业大学 | 一种基于樽海鞘群算法的无线传感器网络节点定位方法 |
CN111126549A (zh) * | 2019-12-24 | 2020-05-08 | 昆明理工大学 | 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 |
CN111432368A (zh) * | 2020-03-31 | 2020-07-17 | 中国人民解放军国防科技大学 | 一种适用于稀疏锚节点wsn的测距定位方法 |
CN113036762A (zh) * | 2021-05-10 | 2021-06-25 | 中国建筑第五工程局有限公司 | 基于ssa算法的多通道电力信号模式的快速识别方法 |
CN113110490A (zh) * | 2021-05-07 | 2021-07-13 | 金陵科技学院 | 基于改进的樽海鞘群算法的机器人多目标路径规划 |
CN113222285A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法 |
CN113270869A (zh) * | 2021-05-31 | 2021-08-17 | 河北工业大学 | 一种含光伏配电网的无功优化方法 |
CN113363963A (zh) * | 2021-05-20 | 2021-09-07 | 南昌大学 | 一种改进麻雀搜索算法优化三相sapf直流侧控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260054B2 (en) * | 2008-09-22 | 2012-09-04 | Trend Micro Incorporated | Methods for matching image-based texual information with regular expressions |
-
2021
- 2021-10-26 CN CN202111248320.5A patent/CN113959448B/zh active Active
-
2022
- 2022-06-13 LU LU502256A patent/LU502256B1/en active IP Right Grant
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110220510A (zh) * | 2019-06-03 | 2019-09-10 | 哈尔滨工程大学 | 一种考虑地图准确性的水下机器人海底地形匹配导航路径规划方法 |
CN110414584A (zh) * | 2019-07-22 | 2019-11-05 | 山东大学 | 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统 |
CN110516877A (zh) * | 2019-08-28 | 2019-11-29 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及系统 |
CN110572126A (zh) * | 2019-09-19 | 2019-12-13 | 国网河南省电力公司焦作供电公司 | 一种基于樽海鞘算法的仿生智能孤岛检测方法 |
CN111031502A (zh) * | 2019-11-06 | 2020-04-17 | 湖北工业大学 | 一种基于樽海鞘群算法的无线传感器网络节点定位方法 |
CN111126549A (zh) * | 2019-12-24 | 2020-05-08 | 昆明理工大学 | 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 |
CN111432368A (zh) * | 2020-03-31 | 2020-07-17 | 中国人民解放军国防科技大学 | 一种适用于稀疏锚节点wsn的测距定位方法 |
CN113110490A (zh) * | 2021-05-07 | 2021-07-13 | 金陵科技学院 | 基于改进的樽海鞘群算法的机器人多目标路径规划 |
CN113036762A (zh) * | 2021-05-10 | 2021-06-25 | 中国建筑第五工程局有限公司 | 基于ssa算法的多通道电力信号模式的快速识别方法 |
CN113363963A (zh) * | 2021-05-20 | 2021-09-07 | 南昌大学 | 一种改进麻雀搜索算法优化三相sapf直流侧控制方法 |
CN113222285A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法 |
CN113270869A (zh) * | 2021-05-31 | 2021-08-17 | 河北工业大学 | 一种含光伏配电网的无功优化方法 |
Non-Patent Citations (1)
Title |
---|
AUV水下地形匹配辅助导航技术研究;陈小龙;中国博士学位论文全文数据库 工程科技Ⅱ辑(第04期);C036-33 * |
Also Published As
Publication number | Publication date |
---|---|
CN113959448A (zh) | 2022-01-21 |
LU502256B1 (en) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101520328B (zh) | 地磁场线图匹配自主导航方法 | |
CN107314768B (zh) | 水下地形匹配辅助惯性导航定位方法及其定位系统 | |
Donovan | Position error correction for an autonomous underwater vehicle inertial navigation system (INS) using a particle filter | |
CN109141436A (zh) | 改进的无迹卡尔曼滤波算法在水下组合导航中的应用方法 | |
CN108871351B (zh) | 一种auv海底地形匹配的动态路径规划方法 | |
CN108896040B (zh) | 天空海一体化水下潜器惯性/重力组合导航方法和系统 | |
Norgren et al. | A multibeam-based SLAM algorithm for iceberg mapping using AUVs | |
Yoerger et al. | Fine-scale seafloor survey in rugged deep-ocean terrain with an autonomous robot | |
CN111309010B (zh) | 一种基于仿生机器人的无人艇海底地形测绘控制系统实现的控制方法 | |
CN113959448B (zh) | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 | |
CN110487276B (zh) | 一种基于相关分析的采样矢量匹配定位方法 | |
CN111307158B (zh) | 一种auv三维航路规划方法 | |
CN110220510B (zh) | 一种考虑地图准确性的水下机器人海底地形匹配导航路径规划方法 | |
CN112284384A (zh) | 考虑量测异常的集群式多深海潜航器的协同定位方法 | |
CN109738902B (zh) | 一种基于同步信标模式的水下高速目标高精度自主声学导航方法 | |
CN111412918B (zh) | 无人艇全局安全路径规划方法 | |
Zhou et al. | Underwater acoustic-based navigation towards multi-vehicle operation and adaptive oceanographic sampling | |
Jung et al. | Navigation of unmanned surface vehicles using underwater geophysical sensing | |
Li et al. | Terrain matching positioning method based on node multi-information fusion | |
Sato et al. | Sea trials of a high maneuverability compact autonomous underwater vehicle | |
CN113776535A (zh) | 一种基于栅格化电子海图的无人艇航路规划方法 | |
Eustice et al. | Towards bathymetry-optimized Doppler re-navigation for AUVs | |
Chen et al. | Underwater terrain navigation based on improved bayesian estimation | |
Ånonsen et al. | Terrain aided underwater navigation using pockmarks | |
Ma et al. | An improved vector matching algorithm for underwater gravity aided navigation |
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 |