CN115357021B - 一种基于改进凌日搜索算法的水面无人艇路径规划方法 - Google Patents
一种基于改进凌日搜索算法的水面无人艇路径规划方法 Download PDFInfo
- Publication number
- CN115357021B CN115357021B CN202211022749.7A CN202211022749A CN115357021B CN 115357021 B CN115357021 B CN 115357021B CN 202211022749 A CN202211022749 A CN 202211022749A CN 115357021 B CN115357021 B CN 115357021B
- Authority
- CN
- China
- Prior art keywords
- planet
- star
- path
- planetary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000010845 search algorithm Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000009191 jumping Effects 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于改进凌日搜索算法的水面无人艇路径规划方法,包括以下步骤:步骤一,对海平面进行数学建模;步骤二,初始化算法参数和路径;步骤三,判断行星是否在自由栅格中;步骤四,构建评价函数测试各路径长度;步骤五,利用改进凌日搜索算法寻找最优路径;步骤六,判断算法终止条件;步骤七,输出最优路径;本发明采用凌日搜索优化算法进行路径规划,通过引入精英反向学习策略,增强算法中行星的多样性,增强了算法的全局搜索能力,提高算法后期的搜索速度,通过快速修改路径的评价函数以保证路径的精度和路径距离,有更好的适应性、较快的收敛速度,能更好的满足实际需求,适用于长航程的水面无人艇路径规划。
Description
技术领域
本发明涉及水面无人艇路径规划技术领域,具体为一种基于改进凌日搜索算法的水面无人艇路径规划方法。
背景技术
水面无人艇(unmanned surface vessel,USV)是一种无人驾驶、按照任务需求搭载不同模块、高速、机动性强、体积小、自主的以及拥有一定智能化的小型水面舰艇。水面无人艇在执行民用和军用任务方面有着出色的表现。随着定位技术和通讯技术的发展,特别是在军用领域,执行海上侦察、反水雷战、反舰等作战任务,水面无人艇有着重要的地位。在海面追踪中,通常需要水面无人艇进行高精度的路径规划来完成特定任务。海面复杂环境的路径规划问题是水面无人艇研究方向的一个重要分支,且具有十分重要的研究意义。
水面无人艇路径规划问题,即从起点到终点规划一条可以避开所有障碍物的最佳路径,在现有技术中,所采用的路径规划算法有A*、遗传算法、神经网络、蚁群优化算法和粒子群优化算法等,但这些算法应用在路径规划中都存在着一些缺点,如缺乏算法多样性、容易陷入局部最优、算法计算量大导致的后期搜索速度慢、精度不高等问题。
发明内容
本发明的目的在于提供一种基于改进凌日搜索算法的水面无人艇路径规划方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于改进凌日搜索算法的水面无人艇路径规划方法,包括以下步骤:步骤一,对海平面进行数学建模;步骤二,初始化算法参数和路径;步骤三,判断行星是否在自由栅格中;步骤四,构建评价函数测试各路径长度;步骤五,利用改进凌日搜索算法寻找最优路径;步骤六,判断算法终止条件;步骤七,输出最优路径;
其中在上述步骤一中,利用栅格法对海平面进行数学建模,构建水面无人艇路径规划海域地图;
其中在上述步骤二中,在步骤一中所获取的路径规划海域地图中设置路径的起始点S和目标点T,初始化凌日搜索算法的参数:恒星的个数ns,信噪比SN、总迭代次数N;初始化搜索空间中随机产生n个行星的位置:每个行星位置表示一条路径Si={xi,yi},其中i=1,2,...,m,m表示行星的维度;
其中在上述步骤三中,对搜索区域的行星的位置进行检查,判断行星是否在自由栅格中,如果是,则进入步骤四;否则,返回步骤二,重新生成初始化路径;
其中在上述步骤四中,针对初始化路径构建评价函数,测试路径长度,评价函数如下:
其中在上述步骤五中,利用改进凌日搜索算法寻找最优路径包括以下步骤:
1)星系阶段:选择一个星系,并指定星系的中心,确定星系栖息地,从星系栖息地区域中选择ns个恒星;
2)凌日阶段:接收恒星的光(考虑恒星的适应度为光),根据光对恒星排序,然后定义空间望远镜的位置,确定恒星和望远镜之间的距离,确定恒星的初始亮度,移动每一个恒星,并考虑其适应度值视为初始亮度,根据接受的光进行排序,根据接受的光排序,确定恒星与望远镜的距离,确定恒星的新亮度,最后观测是否凌日,如果是进行步骤3),否则跳转至步骤4);
3)行星阶段:确定新行星的初始位置,接受行星的光信号,确定新行星的最终位置,判断新行星是否是最合适的,如果是,保存这颗行星,并让它成为主恒星最好的行星,跳转至步骤5);对于不是最合适的行星,采用精英反向学习策略,判断新行星是否是最合适的,如果是,保存这颗行星,让它成为主恒星最好的行星,并跳转至步骤5);否则,直接跳转至步骤5);
4)邻居阶段:研究临近行星位置,确定临近行星位置,判断临近行星是否是最好的,如果是,保存临近行星为主恒星最好的行星,并跳转至步骤5);对于不是最合适的行星,采用精英反向学习策略,判断新行星是否是最合适的,如果是,保存这颗行星,让它成为主恒星最好的行星,并跳转至步骤5);否则,直接跳转至步骤5);
5)开发阶段:去除每个行星位置的噪声,为每颗恒星选择最好的行星,选出最好的一个作为凌日搜索的最佳解;
其中在上述步骤六中,判断行星位置是否在自由栅格中,如果是,则用评价函数分别测试每个行星位置,选择出最优行星;否则返回步骤五2);
其中在上述步骤七中,返回步骤五2)重复迭代,直至迭代达到最大次数,选择出的最优行星位置即为最优路径位置。
优选的,所述步骤一中,将海平面中有障碍物的区域及雷区等设置为障碍区域,用1表示该栅格为有障碍物区域,用0表示该栅格为自由栅格。
优选的,所述步骤三中,所有初始路径都在自由栅格中。
优选的,所述步骤四中,所述步骤四中,初始最优路径的选择为:根据评价函数选评价函数值最小的行星为初始最优行星位置。
优选的,所述步骤五1)中,星系阶段包括以下公式:
选择随机区域,表达式如下:
LR.I=LGalaxy+D-Noise (2)
Noise=(c2)3Lr (4)
其中LGalaxy是星系的中心位置,Lr是搜索空间的随机位,c1是(0,1)的随机数,c2是(0,2)的随机向量;
选择恒星,公式如下:
LS,i=LR,i+D-Noise,i=1,...,ns (5)
Noise=(c5)3Lr (7)
其中,LS是恒星位置,c3、c4是(0,1)的随机数,c5是(0,1)的随机向量。
优选的,所述步骤五2)中,凌日阶段包括以下公式:
LS,new,i=LS,i+D-Noise,i=1,...,ns (10)
D=c6LS,i (11)
Noise=(c7)3LS (12)
其中,Li和Ri是行星i的亮度和等级,di是望远镜与恒星之间的位置,LT是望远镜的位置,c6为(-1,1)的随机数,c7是(0,1)的随机向量。
优选的,所述步骤五3)中,行星阶段包括以下公式:
Lz=(c8LT+RLLS,i)/2,i=1,...,ns (15)
RL=LS,new,i/LS,i (16)
其中,Lz是行星初始位置,RL代表亮度比,Lm是信噪比信号,LP行星的最终位置,c8是(0,1)的随机数,c9是(-1,1)的随机数,c10是(-1,1)的随机向量;
精英反向学习策略公式:
其中,ai、bi分别是最大值和最小值,k是(0,1)上的随机数。
优选的,所述步骤五4)中,邻居阶段包括以下公式:
Lz=(c11Ls,new+c12Lr)/2 (20)
其中,Lz为邻居行星的初始位置,LN为邻居行星的最终位置,c11、c12是(0,1)的随机数,c13是(-1,1)的随机数,c14是(-1,1)的随机向量。
优选的,所述步骤五5)中,开发阶段包括以下公式:
K=(c17)PLr (24)
其中,LE为行星特征,c15、c16为(0,2)的随机数,c17为(0,1)的随机向量,P为1到(ns*SN)之间的随机幂。
优选的,所述步骤五3)和步骤五4)中,在判断行星是不是最合适时,如果判断结果不是最合适的,则考虑到存在未发现的行星,采用精英反向学习策略公式利用公式(19),增加行星的多样性,加速找到最合适行星,并重新进行最优判断。
与现有技术相比,本发明的有益效果是:本发明首次采用凌日搜索优化算法进行路径规划,通过引入精英反向学习策略,增强算法中行星的多样性,增强了算法的全局搜索能力,提高算法后期的搜索速度,通过快速修改路径的评价函数以保证路径的精度和路径距离,有更好的适应性、较快的收敛速度,能更好的满足实际需求,适用于长航程的水面无人艇路径规划。
附图说明
图1为本发明的步骤图;
图2为本发明的方法流程图;
图3为本发明的水面无人艇规划路径示意图。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,本发明提供的一种实施例:一种基于改进凌日搜索算法的水面无人艇路径规划方法,包括以下步骤:步骤一,对海平面进行数学建模;步骤二,初始化算法参数和路径;步骤三,判断行星是否在自由栅格中;步骤四,构建评价函数测试各路径长度;步骤五,利用改进凌日搜索算法寻找最优路径;步骤六,判断算法终止条件;步骤七,输出最优路径;
其中在上述步骤一中,利用栅格法对海平面进行数学建模,构建水面无人艇路径规划海域地图,将海平面中有障碍物的区域及雷区等设置为障碍区域,用1表示该栅格为有障碍物区域,用0表示该栅格为自由栅格;
其中在上述步骤二中,在步骤一中所获取的路径规划海域地图中设置路径的起始点S和目标点T,初始化凌日搜索算法的参数:恒星的个数ns,信噪比SN、总迭代次数N;初始化搜索空间中随机产生n个行星的位置:每个行星位置表示一条路径Si={xi,yi},其中i=1,2,...,m,m表示行星的维度;
其中在上述步骤三中,对搜索区域的行星的位置进行检查,判断行星是否在自由栅格中,如果是,则进入步骤四;否则,返回步骤二,重新生成初始化路径;其中,所有初始路径都在自由栅格中,方便后续行星寻优;
其中在上述步骤四中,针对初始化路径构建评价函数,测试路径长度,其中,初始最优路径的选择为:根据评价函数选评价函数值最小的行星为初始最优行星位置,加快算法迭代;评价函数如下:
其中在上述步骤五中,利用改进凌日搜索算法寻找最优路径包括以下步骤:
1)星系阶段:选择一个星系,并指定星系的中心,确定星系栖息地,从星系栖息地区域中选择ns个恒星;
选择随机区域,表达式如下:
LR.I=LGalaxy+D-Noise (26)
Noise=(c2)3Lr (28)
其中LGalaxy是星系的中心位置,Lr是搜索空间的随机位,c1是(0,1)的随机数,c2是(0,2)的随机向量;
选择恒星,公式如下:
LS,i=LR,i+D-Noise,i=1,...,ns (29)
Noise=(c5)3Lr (31)
其中,LS是恒星位置,c3、c4是(0,1)的随机数,c5是(0,1)的随机向量;
2)凌日阶段:接收恒星的光(考虑恒星的适应度为光),根据光对恒星排序,然后定义空间望远镜的位置,确定恒星和望远镜之间的距离,确定恒星的初始亮度,移动每一个恒星,并考虑其适应度值视为初始亮度,根据接受的光进行排序,根据接受的光排序,确定恒星与望远镜的距离,确定恒星的新亮度,最后观测是否凌日,如果是进行步骤3),否则跳转至步骤4);公式如下:
LS,new,i=LS,i+D-Noise,i=1,...,ns (34)
D=c6Ls,i (35)
Noise=(c7)3LS (36)
其中,Li和Ri是行星i的亮度和等级,di是望远镜与恒星之间的位置,LT是望远镜的位置,c6为(-1,1)的随机数,c7是(0,1)的随机向量;
3)行星阶段:确定新行星的初始位置,接受行星的光信号,确定新行星的最终位置,判断新行星是否是最合适的,如果是,保存这颗行星,并让它成为主恒星最好的行星,跳转至步骤5);对于不是最合适的行星,考虑到存在未发现的行星,采用精英反向学习策略公式利用公式(19),增加行星的多样性,加速找到最合适行星,并重新进行最优判断,如果判断结果为是,则保存这颗行星,让它成为主恒星最好的行星,并跳转至步骤5);否则,直接跳转至步骤5);公式如下:
Lz=(c8LT+RLLS,i)/2,i=1,...,ns (39)
RL=LS,new,i/LS,i (40)
其中,LZ是行星初始位置,RL代表亮度比,Lm是信噪比信号,LP行星的最终位置,c8是(0,1)的随机数,c9是(-1,1)的随机数,c10是(-1,1)的随机向量;
精英反向学习策略公式:
其中,ai、bi分别是最大值和最小值,k是(0,1)上的随机数;
4)邻居阶段:研究临近行星位置,确定临近行星位置,判断临近行星是否是最好的,如果是,保存临近行星为主恒星最好的行星,并跳转至步骤5);对于不是最合适的行星,考虑到存在未发现的行星,采用精英反向学习策略公式利用公式(19),增加行星的多样性,加速找到最合适行星,并重新进行最优判断,如果判断结果为是,则保存这颗行星,让它成为主恒星最好的行星,并跳转至步骤5);否则,直接跳转至步骤
5);公式如下:
Lz=(c11Ls,new+c12Lr)/2 (44)
其中,L为邻居行星的初始位置,LN为邻居行星的最终位置,c11、c12是(0,1)的随机数,c13是(-1,1)的随机数,c14是(-1,1)的随机向量;
5)开发阶段:去除每个行星位置的噪声,为每颗恒星选择最好的行星,选出最好的一个作为凌日搜索的最佳解;公式如下:
K=(c17)PLr (48)
其中,LE为行星特征,c15、c16为(0,2)的随机数,c17为(0,1)的随机向量,P为1到(ns*SN)之间的随机幂;
其中在上述步骤六中,判断行星位置是否在自由栅格中,如果是,则用评价函数分别测试每个行星位置,选择出最优行星;否则返回步骤五2);
其中在上述步骤七中,返回步骤五2)重复迭代,直至迭代达到最大次数,选择出的最优行星位置即为最优路径位置。
基于上述,本发明的优点在于,本发明首先针对海平面建立栅格地图,设置起始点、目标点,初始化算法参数,并初始化路径,对路径进行穿越障碍物判断,构建评价函数测试各路径长度;然后引入精英反向学习策略改进凌日搜索算法,选择星系,判断是否处于凌日阶段,寻找行星位置或者邻居行星位置,进入开发阶段,去除噪声,选出最好的行星;最后判断行星位置是否处于自由栅格,用评价函数测试行星位置,并重复迭代至最大迭代次数,最优行星位置即为最优路径位置;本发明引入精英反向学习策略改进凌日搜索算法,保证了局部搜索能力,增强了全局搜索能力,提高了收敛速度,满足了水面无人艇的工作需求,解决了水面无人艇在海面侦察追踪方面的路径规划问题。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (1)
1.一种基于改进凌日搜索算法的水面无人艇路径规划方法,包括以下步骤:步骤一,对海平面进行数学建模;步骤二,初始化算法参数和路径;步骤三,判断行星是否在自由栅格中;步骤四,构建评价函数测试各路径长度;步骤五,利用改进凌日搜索算法寻找最优路径;步骤六,判断算法终止条件;步骤七,输出最优路径;其特征在于:
其中在上述步骤一中,利用栅格法对海平面进行数学建模,构建水面无人艇路径规划海域地图;
其中在上述步骤二中,在步骤一中所获取的路径规划海域地图中设置路径的起始点S和目标点T,初始化凌日搜索算法的参数:恒星的个数ns,信噪比SN、总迭代次数N;初始化搜索空间中随机产生n个行星的位置:每个行星位置表示一条路径Si={xi,yi},其中i=1,2,…,m,m表示行星的维度;
其中在上述步骤三中,对搜索区域的行星的位置进行检查,判断行星是否在自由栅格中,如果是,则进入步骤四;否则,返回步骤二,重新生成初始化路径;
其中在上述步骤四中,针对初始化路径构建评价函数,测试路径长度,评价函数如下:
其中在上述步骤五中,利用改进凌日搜索算法寻找最优路径包括以下步骤:
1)星系阶段:选择一个星系,并指定星系的中心,确定星系栖息地,从星系栖息地区域中选择ns个恒星;
2)凌日阶段:接收恒星的光,根据光对恒星排序,然后定义空间望远镜的位置,确定恒星和望远镜之间的距离,确定恒星的初始亮度,移动每一个恒星,并考虑其适应度值视为初始亮度,根据接受的光进行排序,根据接受的光排序,确定恒星与望远镜的距离,确定恒星的新亮度,最后观测是否凌日,如果是进行步骤3),否则跳转至步骤4);
3)行星阶段:确定新行星的初始位置,接受行星的光信号,确定新行星的最终位置,判断新行星是否是最合适的,如果是,保存这颗行星,并让它成为主恒星最好的行星,跳转至步骤5);对于不是最合适的行星,采用精英反向学习策略,判断新行星是否是最合适的,如果是,保存这颗行星,让它成为主恒星最好的行星,并跳转至步骤5);否则,直接跳转至步骤5);
4)邻居阶段:研究临近行星位置,确定临近行星位置,判断临近行星是否是最好的,如果是,保存临近行星为主恒星最好的行星,并跳转至步骤5);对于不是最合适的行星,采用精英反向学习策略,判断新行星是否是最合适的,如果是,保存这颗行星,让它成为主恒星最好的行星,并跳转至步骤5);否则,直接跳转至步骤5);
5)开发阶段:去除每个行星位置的噪声,为每颗恒星选择最好的行星,选出最好的一个作为凌日搜索的最佳解;
其中在上述步骤六中,判断行星位置是否在自由栅格中,如果是,则用评价函数分别测试每个行星位置,选择出最优行星;否则返回步骤五2);
其中在上述步骤七中,返回步骤五2)重复迭代,直至迭代达到最大次数,选择出的最优行星位置即为最优路径位置;
所述步骤一中,将海平面中有障碍物的区域及雷区等设置为障碍区域,用1表示该栅格为有障碍物区域,用0表示该栅格为自由栅格;
所述步骤三中,所有初始路径都在自由栅格中;
所述步骤四中,初始最优路径的选择为:根据评价函数选评价函数值最小的行星为初始最优行星位置;
所述步骤五1)中,星系阶段包括以下公式:
选择随机区域,表达式如下:
LR.I=LGalaxy+D-Noise (2)
Noise=(c2)3Lr (4)
其中LGalaxy是星系的中心位置,Lr是搜索空间的随机位,c1是(0,1)的随机数,c2是(0,2)的随机向量;
选择恒星,公式如下:
LS,i=LR,i+D-Noise,i=1,...,ns (5)
Noise=(c5)3Lr (7)
其中,LS是恒星位置,c3、c4是(0,1)的随机数,c5是(0,1)的随机向量;
所述步骤五2)中,凌日阶段包括以下公式:
LS,new,i=LS,i+D-Noise,i=1,...,ns (10)
D=c6LS,i (11)
Noise=(c7)3LS (12)
其中,Li和Ri是行星i的亮度和等级,di是望远镜与恒星之间的位置,LT是望远镜的位置,c6为(-1,1)的随机数,c7是(0,1)的随机向量;
所述步骤五3)中,行星阶段包括以下公式:
LZ=(c8LT+RLLS,i)/2,i=1,...,ns (15)
RL=LS,new,i/LS,i (16)
其中,LZ是行星初始位置,RL代表亮度比,Lm是信噪比信号,LP行星的最终位置,c8是(0,1)的随机数,c9是(-1,1)的随机数,c10是(-1,1)的随机向量;
精英反向学习策略公式:
其中,ai、bi分别是最大值和最小值,k是(0,1)上的随机数;
所述步骤五4)中,邻居阶段包括以下公式:
LZ=(c11LS,new+c12Lr)/2 (20)
其中,Lz为邻居行星的初始位置,LN为邻居行星的最终位置,c11、c12是(0,1)的随机数,c13是(-1,1)的随机数,c14是(-1,1)的随机向量;
所述步骤五5)中,开发阶段包括以下公式:
K=(c17)PLr (24)
其中,LE为行星特征,c15、c16为(0,2)的随机数,c17为(0,1)的随机向量,P为1到(ns*SN)之间的随机幂;
所述步骤五3)和步骤五4)中,在判断行星是不是最合适时,如果判断结果不是最合适的,则考虑到存在未发现的行星,采用精英反向学习策略公式利用公式(19),增加行星的多样性,加速找到最合适行星,并重新进行最优判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022749.7A CN115357021B (zh) | 2022-08-25 | 2022-08-25 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022749.7A CN115357021B (zh) | 2022-08-25 | 2022-08-25 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115357021A CN115357021A (zh) | 2022-11-18 |
CN115357021B true CN115357021B (zh) | 2023-10-10 |
Family
ID=84005160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211022749.7A Active CN115357021B (zh) | 2022-08-25 | 2022-08-25 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115357021B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599584A (zh) * | 2014-12-24 | 2015-05-06 | 惠州学院 | 一种凌日法搜寻系外行星的演示装置 |
CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
CN108388250A (zh) * | 2018-03-30 | 2018-08-10 | 哈尔滨工程大学 | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 |
CN108958202A (zh) * | 2018-07-27 | 2018-12-07 | 齐齐哈尔大学 | 一种多机器人协同探索的方法 |
CN110906935A (zh) * | 2019-12-13 | 2020-03-24 | 河海大学常州校区 | 一种无人艇路径规划方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN113156820A (zh) * | 2021-04-14 | 2021-07-23 | 北京航空航天大学 | 基于二阶锥优化的多约束下航天器姿态机动路径规划方法 |
CN113759946A (zh) * | 2021-08-30 | 2021-12-07 | 上海卫星工程研究所 | 深空探测能源安全分级管理方法及系统 |
CN114397818A (zh) * | 2022-01-04 | 2022-04-26 | 南京航空航天大学 | 基于mapio的航天器集群轨道重构路径规划方法 |
-
2022
- 2022-08-25 CN CN202211022749.7A patent/CN115357021B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599584A (zh) * | 2014-12-24 | 2015-05-06 | 惠州学院 | 一种凌日法搜寻系外行星的演示装置 |
CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
CN108388250A (zh) * | 2018-03-30 | 2018-08-10 | 哈尔滨工程大学 | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 |
CN108958202A (zh) * | 2018-07-27 | 2018-12-07 | 齐齐哈尔大学 | 一种多机器人协同探索的方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN110906935A (zh) * | 2019-12-13 | 2020-03-24 | 河海大学常州校区 | 一种无人艇路径规划方法 |
CN113156820A (zh) * | 2021-04-14 | 2021-07-23 | 北京航空航天大学 | 基于二阶锥优化的多约束下航天器姿态机动路径规划方法 |
CN113759946A (zh) * | 2021-08-30 | 2021-12-07 | 上海卫星工程研究所 | 深空探测能源安全分级管理方法及系统 |
CN114397818A (zh) * | 2022-01-04 | 2022-04-26 | 南京航空航天大学 | 基于mapio的航天器集群轨道重构路径规划方法 |
Non-Patent Citations (3)
Title |
---|
基于外行星的轨道搜索优化算法探索;Masoomeh Mirrashid等;《Results in Control and Optimization》;第1-37页 * |
基于电子海图栅格化的无人水面艇全局路径规划;范云生;赵永生;石林龙;张月;;中国航海;第40卷(第01期);第47-52页 * |
赵硕.多机器人强化学习的防碰撞方法仿真.《计算机仿真》.2016,第33卷(第5期),第389-392页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115357021A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109540151A (zh) | 一种基于强化学习的auv三维路径规划方法 | |
CN112241176A (zh) | 一种水下自主航行器在大尺度连续性障碍物环境中路径规划避障控制方法 | |
Wang et al. | Cooperative collision avoidance for unmanned surface vehicles based on improved genetic algorithm | |
CN113342008B (zh) | 一种海空协同水下目标追踪的路径规划系统及方法 | |
CN112859864A (zh) | 一种面向无人船的几何路径规划方法 | |
CN109765890B (zh) | 一种基于遗传算法的多usv群体协同避碰规划方法 | |
Desa et al. | Potential of autonomous underwater vehicles as new generation ocean data platforms | |
Yao et al. | A hierarchical architecture using biased min-consensus for USV path planning | |
CN115809609B (zh) | 一种多水下自主航行器目标搜索方法及其系统 | |
Liu et al. | Intelligent path planning for AUVs in dynamic environments: An EDA-based learning fixed height histogram approach | |
CN111144208A (zh) | 一种海上船舶目标的自动检测和识别方法及目标检测器 | |
Teng et al. | A dynamic path planning method for terrain-aided navigation of autonomous underwater vehicles | |
CN115357021B (zh) | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 | |
CN108594241B (zh) | 一种auv声隐身态势评估方法 | |
Gao et al. | An optimized path planning method for container ships in Bohai bay based on improved deep Q-learning | |
Zeng et al. | Information-driven path planning for hybrid aerial underwater vehicles | |
CN117454680A (zh) | 一种海洋搜索集群设计系统及方法 | |
CN113124873B (zh) | 基于海洋环境信息的uuv多指标约束三维航路规划方法 | |
Wang et al. | Lost at sea: Multi-searcher multi-target search | |
CN116243717A (zh) | 考虑海流不确定性的水下机器人时间最优路径规划方法 | |
Tavana et al. | A multiple criteria decision support system for autonomous underwater vehicle mission planning and control | |
Mishra et al. | Multi-USV Adaptive Exploration Using Kernel Information and Residual Variance | |
Sun et al. | The Jump Point Search algorithm based ship path planning in the Arctic environment | |
Lee et al. | Passage Planning in Coastal Waters for Maritime Autonomous Surface Ships using the D* Algorithm | |
CN116295449B (zh) | 水下自主航行器路径指示方法及装置 |
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 |