CN115248591A - 基于混合初始化灰狼粒子群算法的uuv路径规划方法 - Google Patents

Abstract

本发明公开了一种基于混合初始化的改进灰狼粒子群算法的无人水下潜航器(UUV)路径规划方法，解决了UUV在海底探测方面的路径规划问题。首先模拟海底地貌(山脉)环境建立三维海洋环境地图，然后进行参数初始化，根据环境建模的情况不同，α、β、δ灰狼位置的初始化分情况采用传统A^*算法、灰狼优化算法(GWO)和随机数组生成，主算法利用引入环境建模参数的改进灰狼混合粒子群算法(GWO‑PSO)分别更新α、β、δ、ω狼位置，引入三次样条插值拟合完整路径，判断路径是否穿越海底山脉，并用改进的评价度函数逐个测评每个狼的路径长度，并更新排名前三的α、β、δ狼，最后重复迭代，直至输出最优路径。

Description

基于混合初始化灰狼粒子群算法的UUV路径规划方法

一、技术领域：

本发明涉及无人水下潜航器(UUV)技术领域，特别是一种基于混合初始化的改进灰狼粒子群算法的UUV路径规划方法。

二、背景技术：

水下无人潜航器(unmanned underwater vehicle，UUV)是一种无人驾驶、靠遥控或者自动控制的水下航行工具。因为UUV潜在的优势，水下无人航行器现在广泛应用于民用和军用，民用例如：海洋探测，救生等，军用例如：侦察监视，反潜，定点打击等。如今针对海洋问题，特别是海底探测采样问题,UUV的应用越来越广泛。在海底探测采样领域的应用中，通常需要UUV进行水下高精度的路径规划来完成特定任务。水下复杂环境的路径规划问题是UUV研究方向的一个重要分支，这就需要从UUV的起点到终点避开障碍物得到一个最优路径来解决三维路径规划问题。

海洋空间的UUV路径规划主要涉及路径问题：任意两个点之间的三维路径问题，即从起点到终点，规划一条可以避开所有海底山脉(即障碍物)的最佳路径，近些年应用在路径规划上的算法，例如A*、RRT、遗传算法、蚁群优化算法、粒子群优化算法、灰狼优化算法等，但是这些算法应用在三维路径规划中都存在着一些缺点，如算法初始化缺乏导向性、多样性和随机性、算法计算量大，生成路径不符合UUV路径的安全性、平滑性等问题等。

三、发明内容：

发明目的：针对以上问题，本发明提出一种基于混合初始化灰狼粒子群算法的UUV路径规划方法，该方法所规划路径满足初始化在可控范围内兼顾导向性、随机性和多样性的整体平滑要求而且能快速安全的避开海底山脉，实现水下环境最优路径规划。

根据现有技术存在的问题，本发明公开了一种基于混合初始化的改进灰狼粒子群算法的UUV路径规划方法，具体包括如下步骤：

步骤一：建立三维海洋环境空间模型，将海底地貌用指数函数描述；

步骤二：构造整个海域的曲面网格，提取海底山脉的详细三维海洋坐标；

步骤三：初始化参数，按环境建模情况的不同分为两种初始化情况，海底环境简单情况采用方式一，α狼采用灰狼算法、β狼采用A^*算法，海底环境复杂情况采用方式二，α狼采用A^*算法、β狼采用灰狼算法，两种情况的δ狼初始化均采用随机数组生成；

步骤四：基于三维海洋环境利用引入环境建模参数的改进灰狼混合粒子群优化算法获取路径算法关键坐标点；

步骤五：基于得到的路径关键坐标点利用三次样条插值求取完整路径点；

步骤六：对所有路径进行碰撞检测，即检测所有完整路径是否穿越海底山脉；

步骤七：根据引入环境建模参数的评价函数计算所有路径的评价函数值，根据评价值得出最佳路径。

在一些实施方式中基于混合初始化灰狼粒子群算法的UUV路径规划方法，其中步骤一中用指数函数对海底山脉进行建模，其有益效果是模拟真实海洋中的海底地貌；

在一些实施方式中基于混合初始化灰狼粒子群算法的UUV路径规划方法，其中步骤二中对海域进行构造网格化处理，并提取整个海域中海底山脉的坐标点，其有益效果是为后续路径碰撞检测提供数据支持；

在一些实施方式中基于混合初始化灰狼粒子群算法的UUV路径规划方法，其中步骤三按环境建模情况的不同分为两种初始化情况，如果环境建模的山峰总个数n的范围在[0，10]，且衰减量x_si和y_si的范围均在[5，6.5](即海底环境简单情况)，则用方式一：α狼采用灰狼算法、β狼采用A^*算法、δ狼初始化采用随机数组，否则采用方式二：α狼采用A^*算法、β狼采用灰狼算法、δ狼初始化采用随机数组，其有益效果是有导向的兼顾种群初始化的多样性和随机性，在不同的环境建模情况下采用不同的初始化可以使各狼根据不同的环境的复杂性提高α狼、β狼寻找路径的快速性，δ狼初始化采用随机数组的方法提高了路径的随机性，三只狼采用三种方法初始化的方法保证了狼群初始化的多样性；

在一些实施方式中基于混合初始化灰狼粒子群算法的UUV路径规划方法，其中步骤四中引入环境建模参数的改进灰狼混合粒子群优化算法获取路径算法关键坐标点，其有益效果是能更快的根据海底环境生成路径算法关键坐标点，提高了迭代求解过程中的可靠性、有效性和快速性；

在一些实施方式中基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤五中对步骤四生成的路径算法关键坐标点进行三次样条数据插值，其有益效果是生成光滑完整的路径点；

在一些实施方式中基于混合初始化灰狼粒子群算法的UUV路径规划方法，其中步骤六中对所有路径进行碰撞检测，即检测所有完整路径点是否穿越海底山脉，穿过山脉则公式(5)中碰撞代价函数f₂的u_i为1，没有穿过山脉则u_i为0，其有益效果是对穿过山脉的路径进行区分，以增加穿越山脉的路径的碰撞代价，从而增加路径评价值；

在一些实施方式中基于混合初始化灰狼粒子群算法的UUV路径规划方法，其中步骤七中引入环境建模参数的评价函数计算所有路径的评价函数值，根据评价值得出最佳路径，其有益效果是引入环境建模参数的评价函数能更快的精确的找出最优路径。

有益效果：本发明与现有技术相比的优点在于：采用指数函数对海底山脉进行建模，模拟海底山脉的真实环境；对海洋环境构造曲面网格，提取海底山脉的三维坐标点，便于后续路径与海底山脉的碰撞检测；利用传统A^*算法、灰狼算法和随机数组按环境建模的不同分情况进行种群的初始化路径，增加了灰狼种群初始化位置的导向性、多样性和随机性；利用引入环境建模参数的改进混合灰狼优化算法和粒子群算法生成路径算法关键坐标点，使得算法提高了迭代求解过程中的可靠性、有效性和快速性；利用三次样条插值找出完整路径点，使生成平滑的三维路径曲线，有效提高UUV行驶路径的平滑性；利用引入环境建模参数的航程代价函数、碰撞代价函数和环境建模代价函数组成的评价函数对路径进行评价计算，使得迭代过程提高了快速性、准确性。

四、附图及附图说明：

图1是本发明一种基于混合初始化灰狼粒子群算法的UUV路径规划方法流程图；

图2是本发明实施例1海底山脉图；

图3是本发明实施例1三维路径图；

图4是本发明实施例1评价值变化趋势；

图5是本发明实施例2的结果图：①是俯视图，②是三维路径图，③是评价值变化趋势。

五、具体实施方式：

为了使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

实施例1：

图2所示的一种基于混合初始化灰狼粒子群算法的UUV路径规划方法，具体包括如下步骤：初始化地形信息，建立三维海洋空间模型；初始化灰狼混合粒子群优化算法的参数，设置种群数及最大迭代次数；记录初始位置和终点位置，设置边界条件；根据环境建模分为两种初始化方式初始化种群，并采用集合的表示形式进行描述；利用改进的评价函数计算种群各狼的评价值，并根据评价值选出α狼、β狼、δ狼；根据引入环境参数的改进灰狼混合粒子群优化算法的位置更新公式更新所有狼群当前位置，利用三次样条插值找出完整路径，计算路径评价值；在更新后的解中选取新的α狼、β狼、δ狼；更新当前迭代次数；判断是否到达最大的迭代次数，若未达到，则继续进行迭代；若到达最大迭代次数，则输出α狼的路径及其评价函数值，整体流程图如图1。

步骤一：建立三维海洋空间模型，将海底山脉用指数函数描述如下：

式(1)中：式中Z(x,y)是(x,y)对应的z轴坐标，(x_ci，y_ci)是第i个山峰的中心坐标；h_i为地形参数，控制高度；x_si和y_si分别是第i个山峰沿x轴和y轴方向的衰减量、控制坡度,x_si、y_si范围为[5,8]；n表示山峰总个数，n的范围为[0,20]；

初始化地形信息，随机生成山峰特征参数，建模效果如图2。

步骤二：构造整个海域的曲面网格，提取海底山脉的三维空间海洋坐标。

步骤三：初始化路径步骤如下：

初始化参数：设置灰狼种群数、最大迭代次数、每只灰狼包含的路径算法关键坐标点的个数N、惯性权重、灰狼惯性因子，同时设置粒子(灰狼)位置界限和粒子(灰狼)速度界限；

种群初始化：初始化α狼、β狼、δ狼的评价值；采用传统A^*算法、灰狼算法和随机数组生成N个作为α狼、β狼、δ狼的初始化路径的算法关键坐标点；如果环境建模的山峰总个数n的范围在[0，10]，且衰减量x_si和y_si的范围均在[5，6.5]，则初始化采用方式一：α狼采用灰狼算法、β狼采用A^*算法、δ狼初始化采用随机数组，否则初始化采用方式二：α狼采用A^*算法、β狼采用灰狼算法、δ狼初始化采用随机数组；利用三次样条插值找到完整路径点，并进行碰撞检测(是否穿过海底山脉)，穿过山脉则公式(5)中碰撞代价函数f₂的u_i为1，没有穿过山脉则u_i为0，最后计算各灰狼的评价值；

(3-1)采用A^*算初始化，生成N组(x,y,z)坐标点，A^*算法公式如下：

f(m)＝g(m)+h(m) (2)

其中f(m)是初始点经由当前点m到目标点的最小代价估值，g(m)是从初始点到当前点m的最小代价，h(m)是当前点m到目标点的路径的最小估计代价；

A^*算法步骤：设置open列表和close列表，从起点开始，把起点加入open列表，遍历open列表，查找f值最小的节点，并设置为父节点，把这个节点移到close列表；对父节点周围相邻的所有点(除过不可抵达的或者在close列表的点)，如果不在open列表则加入open列表，并记录父节点的f、g、h；循环，直至把终点加入open列表；

(3-2)采用灰狼算法算初始化，生成N组(x,y,z)坐标点，灰狼算法公式如下：

式中D是个体与猎物之间的距离，X(t+1)灰狼位置更新公式，其中A、C是系数向量，X_p和X分别是猎物位置和灰狼位置，t是迭代次数；

(3-3)采用随机数组初始化路径的算法关键坐标点，在x轴、y轴坐标范围内随机生成N组(x,y)坐标点，并通过公式(1)计算z值，完成初始化δ狼；

(3-4)评价函数如下：

f＝v₁f₁+v₂f₂+v₃f₃ (4)

式中v₁、v₂、v₃为权重参数(如果初始化采用方式一则v₁＝0.4、v₂＝0.3、v₃＝0.3，如果初始化采用方式二则v₁＝0.3、v₂＝0.3、v₃＝0.4)，f₁为航程代价函数，f₂为碰撞代价函数，f₃为环境建模代价函数，f₁、f₂、f₃公式如下：

式中i为第i个点，x_i+1为第i+1个点的横坐标，x_i为第i个点的横坐标，y_i+1为第i+1个点的纵坐标，y_i为第i个点的纵坐标，z_i+1为第i+1个点所对应的高度，z_i为第i个点所对应的高度，u_i为第i次碰撞检测的结果(穿过山脉则u_i为1，没有穿过山脉则u_i为0)，j为第j个环境建模的山峰，x_si、y_si为山峰的衰减量；

更新α狼、β狼、δ狼位置，初始化结束。

步骤四：基于三维场景利用灰狼混合粒子群优化算法(GWO-PSO)获取路径关键坐标点，根据以下公式更新α狼、β狼、δ狼位置：

个体α、β、δ狼与ω狼之间的距离：

灰狼位置更新公式：

其中A₁、A₂、A₃、C₁、C₂、C₃是系数向量，X_α(t)、X_β(t)、X_δ(t)和X(t)分别是α、β、δ狼位置和ω灰狼位置，t是迭代次数，其中A(即A₁、A₂、A₃)、C(即C₁、C₂、C₃)的计算公式如下：

A＝2ar₁-a (8)

C＝2r₂ (9)

其中a是收敛因子，随着迭代次数从2线性减小到0，r₁和r₂在(0，1)取随机数；

引入粒子群算法的公式更新ω狼位置，公式如下：

式中，w为惯性权重，w取值为公式(5)中的f₃，c₁、c₂、c₃是灰狼惯性因子，c₁、c₂、c₃的取值范围为环境建模中衰减量的取值范围[5，8]，r₁、r₂、r₃是取值范围为(0，1)的随机数，v(t)为第t次迭代下的狼(粒子)的速度，X₁、X₂、X₃是灰狼位置更新公式，X(t)为第t次迭代下ω狼位置，t是迭代次数；

按照公式(10)更新ω狼位置；

步骤五：基于以上步骤得到的路径算法关键坐标点利用三次样条插值进行坐标插值，得到完整路径点。

步骤六：根据得出的路径点，判断路径是否穿越海底山脉，即进行碰撞检测；

如果穿过山脉则公式(5)中碰撞代价函数f₂的u_i为1，没有穿过山脉则u_i为0，并根据公式(5)中的f₂计算碰撞代价值。

步骤七：根据评价函数公式(4)计算各灰狼路径的评价值；

如果步骤6碰撞检测结果u_i为1，则增大评价函数中v₂的值；

按照评价值更新α狼、β狼、δ狼位置及评价值；

判断种群数是否达到最大迭代，若不满足，则返回到步骤4；若满足，则执行下一步操作；

判断是否达到最大迭代次数，若不满足终止条件，则返回步骤4；若满足条件，则继续后续步骤的进行；

α狼的路径即为UUV路径规划问题的最优路径安排，其评价值即为满足终止条件的最优值，算法结束。

画出最优路径，如图3；评价函数值变化趋势如图4。

为了说明本发明的一种基于混合初始化灰狼粒子群算法的UUV路径规划方法的性能，本发明针对UUV路径规划问题生成一个带有海底山脉的海洋环境(实例一生成海底环境简单情况)，并设置好起点[1，1，1]和终点[100，90，20]。实验时本发明将算法的种群数目设置为100，最大迭代次数设置为100，灰狼惯性因子全部设置为5.5，随机数组N设置为4。采用Matlab软件进行编程，在运行至50代时，评价值到达最低，其运行结果如图3所示。

实施例2：按照以上步骤，选取新的环境地图(生成海底环境复杂情况)，重新设置起点为[30,10,50],终点为[90，90，1],种群数目设置为90，最大迭代次数设置为100，灰狼惯性因子全部设置为6.5，随机数组N设置为3。采用Matlab软件进行编程，在运行至6代时，评价值到达最低，其运行结果如图5所示。其中①是俯视图，②是三维路径图，③是评价值变化趋势。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于包括以下步骤：

步骤一：建立三维海洋环境空间模型，将海底地貌(山脉)用指数函数描述如下：

式中Z(x,y)是(x,y)对应的z轴坐标，(x_ci，y_ci)是第i个山峰的中心坐标；h_i为地形参数，控制高度；x_si和y_si分别是第i个山峰沿x轴和y轴方向的衰减量、控制坡度,x_si、y_si范围为[5,8]；n表示山峰总个数，n的范围为[0,20]；

步骤二：根据海底地貌模型，构造整个海域的曲面网格，并提取整个海域中海底山脉的详细三维海洋坐标；

步骤三：初始化：首先初始化灰狼混合粒子群算法参数。然后初始化α狼、β狼、δ狼的评价值；采用传统A^*算法、灰狼算法和随机数组生成N个作为α狼、β狼、δ狼的初始化路径的算法关键坐标点；如果环境建模的山峰总个数n的范围在[0，10]，且衰减量x_si和y_si的范围均在[5，6.5](即海底环境简单情况)，则初始化采用方式一：α狼采用灰狼算法、β狼采用A^*算法，否则初始化采用方式二：α狼采用A^*算法、β狼采用灰狼算法，两种情况的δ狼初始化均采用随机数组生成；利用三次样条插值找到完整路径点，并进行碰撞检测(是否穿过海底山脉)，穿过山脉则公式(5)中碰撞代价函数f₂的u_i为1，没有穿过山脉则u_i为0，最后计算各灰狼的评价值；

步骤3-1：采用A^*算初始化，生成N组(x,y,z)坐标点，A^*算法公式如下：

f(m)＝g(m)+h(m) (2)

其中f(m)是初始点经由当前点m到目标点的最小代价估值，g(m)是从初始点到当前点m的最小代价，h(m)是当前点m到目标点的路径的最小估计代价；

步骤3-2：采用灰狼算法初始化，生成N组(x,y,z)坐标点，灰狼算法公式如下：

式中D是个体与猎物之间的距离，X(t+1)是灰狼位置更新公式，其中A、C是系数向量，X_p和X分别是猎物位置和灰狼位置，t是迭代次数；

步骤3-3：采用随机数组初始化路径的算法关键坐标点，在x轴、y轴坐标范围内随机生成N组(x,y)坐标点，并通过公式(1)计算z值，完成初始化δ狼；

步骤3-4：评价函数公式如下：

f＝v₁f₁+v₂f₂+v₃f₃ (4)

式中v₁、v₂、v₃为权重参数(如果初始化采用方式一，则v₁＝0.4、v₂＝0.3、v₃＝0.3，如果初始化采用方式二，则v₁＝0.3、v₂＝0.3、v₃＝0.4)，f₁为航程代价函数，f₂为碰撞代价函数，f₃为环境建模代价函数，f₁、f₂、f₃公式如下：

式中i为第i个点，x_i+1为第i+1个点的横坐标，x_i为第i个点的横坐标，y_i+1为第i+1个点的纵坐标，y_i为第i个点的纵坐标，z_i+1为第i+1个点所对应的高度，z_i为第i个点所对应的高度，u_i为第i次碰撞检测的结果(穿过山脉则u_i为1，没有穿过山脉则u_i为0)，j为第j个环境建模的山峰，x_si、y_si为山峰的衰减量；

步骤四：基于三维海洋环境利用改进灰狼混合粒子群算法获取路径的算法关键坐标点，灰狼混合粒子群优化算法的公式为：

式中D_α、D_β、D_δ是个体α、β、δ狼与ω狼之间的距离，X₁(t+1)、X₂(t+1)、X₃(t+1)是灰狼位置更新公式，其中A₁、A₂、A₃、C₁、C₂、C₃是系数向量，X_α(t)、X_β(t)、X_δ(t)和X(t)分别是α、β、δ狼位置和ω灰狼位置，t是迭代次数，

引入粒子群算法(PSO)的公式更新ω狼位置，公式如下：

式中，w为惯性权重，w取值为公式(5)中的f₃，c₁、c₂、c₃是灰狼惯性因子，c₁、c₂、c₃的取值范围为环境建模中衰减量的取值范围[5，8]，r₁、r₂、r₃取值范围为(0，1)的随机数，v(t)为第t次迭代下的狼(粒子)的速度，X₁、X₂、X₃是灰狼位置更新公式，X(t)为第t次迭代下ω狼位置，t是迭代次数；

步骤五：基于得到的路径关键坐标点利用三次样条插值求取完整路径点,得到平滑路径；

步骤六：基于以上得出的路径，对所有路径进行碰撞检测，即检测所有完整路径是否穿越海底山脉，穿过山脉则公式(5)中碰撞代价函数f₂的u_i为1，没有穿过山脉则u_i为0，根据公式(5)中的f₂碰撞代价函数调整当前路径的f₂的代价值；

步骤七：根据公式(5)中的航程代价函数、碰撞代价函数、环境建模代价函数，从而根据公式(4)评价函数计算所有路径的评价函数值，根据评价函数值得出最佳路径。

2.根据权利要求1所述的基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤一用指数函数对海底山脉进行建模，指定山脉总个数n，固定山脉中心坐标(x_ci，y_ci)、地形参数h_i、衰减量x_si和y_si。

3.根据权利要求1所述的基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤二中对整个海域进行构造网格化处理，并提取整个海域中山脉的坐标点。

4.根据权利要求1所述的基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤三根据环境建模的复杂度不同，分为两种情况进行初始化，采用传统A^*算法、灰狼算法和随机数组这三种方式根据两种情况的不同初始化α狼、β狼、δ狼的初始化路径算法关键坐标点。

5.根据权利要求1所述的基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤四中灰狼优化算法和粒子群优化算法的混合步骤，并引入了环境建模的衰减量等和环境建模评价函数值。

6.根据权利要求1所述的基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤五中对步骤四生成的路径算法关键坐标点进行三次样条插值。

7.根据权利要求1所述的基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤六中对所有生成的路径点进行碰撞检测，穿过山脉则公式(5)中碰撞代价函数f₂的u_i为1，没有穿过山脉则u_i为0，按公式(5)中的碰撞代价函数f₂计算此路径代价值。

8.根据权利要求1所述的基于混合初始化灰狼粒子群算法的UUV路径规划方法，其特征在于步骤七中根据引入环境建模参数的评价函数在所有路径中筛选出最佳路径。

Images