CN115357031A - 一种基于改进蚁群算法的船舶路径规划方法及系统 - Google Patents

一种基于改进蚁群算法的船舶路径规划方法及系统 Download PDF

Info

Publication number
CN115357031A
CN115357031A CN202211279619.1A CN202211279619A CN115357031A CN 115357031 A CN115357031 A CN 115357031A CN 202211279619 A CN202211279619 A CN 202211279619A CN 115357031 A CN115357031 A CN 115357031A
Authority
CN
China
Prior art keywords
ant colony
colony algorithm
path
algorithm
individual
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.)
Granted
Application number
CN202211279619.1A
Other languages
English (en)
Other versions
CN115357031B (zh
Inventor
文元桥
赵家增
吴宝祺
贺之谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202211279619.1A priority Critical patent/CN115357031B/zh
Publication of CN115357031A publication Critical patent/CN115357031A/zh
Application granted granted Critical
Publication of CN115357031B publication Critical patent/CN115357031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于改进蚁群算法的船舶路径规划方法及系统，所述方法包括：获取静态障碍物的中心坐标，并将静态障碍物膨胀成圆形障碍物，通过栅格法进行环境建模；以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数；通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径。本发明考虑了多种初始参数对蚁群算法的综合作用，避免仅考虑单一因素的或者通过经验选取参数值的不足，可以提高参数选取的准确度，提高蚁群算法的寻优性能，进而规划得到最优避碰路径。

Description

一种基于改进蚁群算法的船舶路径规划方法及系统
技术领域
本发明属于船舶路径规划领域，具体涉及一种基于改进蚁群算法的船舶路径规划方法及系统。
背景技术
随着人工智能技术的发展，以智能船舶为代表的水面智能运载工具拓展了船舶航行的场景，为船舶驾控人员提供了更加便捷、高效和自由的操作选择。当前，船舶无人驾驶技术受到空前的关注，但是现有的船舶全自主航行的决策方案和系统并不成熟，难以应对复杂的航行场景，比如难以准确避开航行过程中水域的上存在的各种态障碍物。因此，在远程控制模式下，融合智能路径规划是实现船舶智能化的重要手段和必经阶段。
无人水面艇、船舶的路径规划技术中，除了传统的路径规划算法，基于群体智能算法的路径规划为解决复杂环境下的路径规划问题提供了新思路。比如申请号为CN201610942213.5的发明专利公开了一种基于改进蚁群算法的无人艇避碰方法，其利用改进蚁群算法进行无人艇航迹规划，针对目前蚁群算法容易陷入局部最优的缺点，通过改进启发函数和自适应调整挥发系数对信息素进行更新，克服了其易于陷于局部最优解的缺点。申请号为CN202111564382.7发明专利公开一种船舶避碰方法，其将传感器数据和船舶运动数据与蚁群算法相结合，计算出最优避碰航行路径。这些方法都通过改进的蚁群算法实现了船舶路径规划，一定程度上提高了路径规划的速度或准确度，但是对于蚁群算法来说，蚂蚁数量、信息启发式因子、期望值启发式因子、信息素衰减系数等参数对蚁群算法的性能有重要影响，而已有的这些方法都是通过经验值的方式选取蚁群算法的参数，会制约路径规划结果的可靠程度。
发明内容
有鉴于此，本发明提出了一种基于改进蚁群算法的船舶路径规划方法及系统，用于解决远程控制模式下，蚁群算法参数选取不当影响船舶路径规划效果的问题。
本发明第一方面，公开一种基于改进蚁群算法的船舶路径规划方法，所述方法包括：
获取静态障碍物的中心坐标，并将静态障碍物膨胀成圆形障碍物，通过栅格法进行环境建模；
以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数；
通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径。
在以上技术方案的基础上，优选的，所述以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数具体包括：
获取行驶路径的起点和终点，设路径节点为Pn，n=1,2,…,N，N为节点总数，相邻两个路径节点之间的欧式距离为Sn，圆形障碍物的半径为Rk，k=1,2,…,K，K为静态障碍物总数，d为路径节点至静态障碍物m的中心坐标的距离，安全距离为D0；
全局路径优化函数为：
Figure 287443DEST_PATH_IMAGE001
其中，
Figure 246172DEST_PATH_IMAGE002
、
Figure 901144DEST_PATH_IMAGE003
为权重因子，
Figure 654337DEST_PATH_IMAGE004
为避障因子，当d≥Rk+D0，表示在当前位置不需要避障，此时Tk=0；当d<Rk+D0，表示在当前位置需要避障，此时Tk≠0。
在以上技术方案的基础上，优选的，所述通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法具体包括：
设定蚁群算法的初始参数的取值范围，包括蚁群算法的种群数量m、最大迭代次数Tmax、信息启发式因子α、期望值启发式因子β以及信息素衰减系数ρ的取值范围；
在蚁群算法的初始参数的取值范围内随机初始化广义正态分布优化算法的个体位置，并初始化广义正态分布优化算法的相关参数；
分别根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划，计算当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间；
根据当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间计算广义正态分布优化算法的各个个体位置的适应度函数值；
产生一个0到1之间的随机数p，若p>0.5，计算当前各个个体位置的平均位置、标准差和最优位置，建立广义正态分布模型进行局部勘探；
若p≤0.5，根据适应度函数值大小对当前个体位置进行等级划分，分别对每一等级中的个体进行位置更新，实现全面勘探；
重新根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划，并计算各个个体位置的适应度函数值，直到达到最大迭代次数，输出最优解；
将最优解作为蚁群算法的初始参数，得到改进的蚁群算法。
在以上技术方案的基础上，优选的，广义正态分布优化算法的适应度函数为：
Figure 658644DEST_PATH_IMAGE006
Figure 433702DEST_PATH_IMAGE007
其中，F为广义正态分布优化算法的适应度，
Figure 92216DEST_PATH_IMAGE008
为加权系数，当前蚁群算法的最优解；f 1表示蚁群算法的解的质量，Ｌ current 为当前最优解，Ｌ best 为理论最优解，f 2表示蚁群算法的稳定性，D s 为当前蚁群算法搜索得到每代路径距离之间的方差；f 3表示蚁群算法的收敛速度，C表示当前蚁群算法寻得最优解时的迭代次数；f 4表示蚁群算法的运算时间，T C 表示当前蚁群算法的运行时长。
在以上技术方案的基础上，优选的，若p≤0.5，根据适应度函数值大小对当前个体位置进行等级划分，分别对每一等级中的个体进行位置更新，进行全面勘探具体包括：
按照适应度函数值大小对当前个体进行降序排列，适应度函数值最大的个体的作为一等个体，适应度函数值大于预设阈值且小于最大的适应度函数值的个体作为二等个体，适应度函数值大于最小的适应度函数值且小于预设阈值的个体作为三等个体，适应度函数值最小的个体的作为四等个体；
对于一等个体，采用如下公式进行位置更新：
Figure 585515DEST_PATH_IMAGE009
其中，t表示迭代次数，T为迭代总数，
Figure 886046DEST_PATH_IMAGE010
为一等个体更新前的位置，
Figure 656556DEST_PATH_IMAGE011
为一等个体更新后的位置，
Figure 610605DEST_PATH_IMAGE012
、
Figure 732145DEST_PATH_IMAGE013
为从二等、三等、四等个体中随机选出的两个个体，r为扰动系数，
Figure 836367DEST_PATH_IMAGE014
；
对于二等个体和三等个体，采用如下公式进行个体轨迹向量更新：
Figure 821903DEST_PATH_IMAGE015
Figure 87799DEST_PATH_IMAGE016
为服从正态分布的随机数，ε为0到1之间的平衡系数；
基于更新后的个体轨迹向量，采用如下公式进行位置更新：
Figure 555690DEST_PATH_IMAGE017
其中，
Figure 198024DEST_PATH_IMAGE018
是第i个个体在时间t的轨迹向量，
Figure 802180DEST_PATH_IMAGE019
、
Figure 238978DEST_PATH_IMAGE020
为二等个体或三等个体更新前后的位置，
Figure 928585DEST_PATH_IMAGE021
为一等个体，
Figure 843452DEST_PATH_IMAGE022
为从二等个体中随机选出的个体，
Figure 803580DEST_PATH_IMAGE023
为从三等个体中随机选出的个体，F为广义正态分布优化算法的适应度；
对于四等个体，采用如下公式进行位置更新：
Figure 676858DEST_PATH_IMAGE024
其中，
Figure 853761DEST_PATH_IMAGE025
为四等个体更新前的位置，
Figure 837898DEST_PATH_IMAGE026
为四等个体更新前的位置，rand产生0到1之间的随机向量，
Figure 292013DEST_PATH_IMAGE027
表示两向量间各个对应的分量相乘，
Figure 460826DEST_PATH_IMAGE028
表示参数为
Figure 392DEST_PATH_IMAGE029
的莱维分布，
Figure 647274DEST_PATH_IMAGE030
为0到1之间的随机数，ceil为向下取整函数。
在以上技术方案的基础上，优选的，所述通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径具体包括：
以广义正态分布优化算法的最优解作为蚁群算法的初始参数、以全局路径优化函数作为蚁群算法的适应度函数，进行全局路径规划，得到全局规划路径。
在以上技术方案的基础上，优选的，所述方法还包括：
远程控制船舶按照全局规划路径航行并通过传感器实时感知周围环境，确定突发威胁的航段，通过速度障碍法进行局部路径规划，实现动态避障。
本发明第二方面，公开一种基于改进蚁群算法的船舶路径规划系统，所述系统包括：
环境建模模块：用于获取静态障碍物的中心坐标，并将静态障碍物膨胀成圆形障碍物，通过栅格法进行环境建模；
优化函数模块：用于以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数；
路径规划模块：用于通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1）本发明通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径，考虑了多种参数组合对蚁群算法的综合作用，避免仅考虑单一因素的或者通过经验选取蚁群算法参数值的不足，可以提高参数选取的准确度，提高蚁群算法的寻优性能，进而规划得到最优避碰路径；
2）本发明根据当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间计算广义正态分布优化算法的各个个体位置的适应度函数值，可以得到满足解的质量高、稳定性好、收敛速度快和运算时间短等条件的最优初始参数，蚁群算法可以兼顾解的质量、稳定性、收敛速度和运算时间，保障全局路径规划的可行性；
3）本发明在广义正态分布优化算法按照一定的概率进行全面勘探的过程中，根据适应度函数值大小对当前个体位置进行等级划分，分别对每一等级中的个体进行位置更新，通过差分进化思想加强了不同等级的个体之间的交流，增强种群的多样性，在进行局部开发的同时增强全局信息共享，提升搜索能力，加快收敛速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于改进蚁群算法的船舶路径规划方法流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种基于改进蚁群算法的船舶路径规划方法，所述方法包括：
S1、获取静态障碍物的中心坐标，并将静态障碍物膨胀成圆形障碍物，通过栅格法进行环境建模。
环境建模是将船舶、障碍物、起点、终点等物理环境信息进行抽象使之成为计算机可以处理的数学模型，便于路径规划。考虑到障碍物的形状不规则，可以对障碍物边界进行膨胀处理，具体是以静态障碍物的中心坐标为圆心、以障碍物边缘距离中心坐标的最大距离为半径将静态障碍物膨胀成圆形障碍物，然后在栅格中标记出圆形障碍物的范围，为路径规划做准备。
S2、以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数。
具体的，获取环境模型中行驶路径的起点和终点，设路径节点为
Figure 955895DEST_PATH_IMAGE031
，n=1,2,…,N，N为节点总数，相邻两个路径节点之间的欧式距离为Sn，圆形障碍物的半径为Rk，中心坐标为
Figure 170976DEST_PATH_IMAGE032
，k=1,2,…,K，K为静态障碍物总数，d为路径节点至静态障碍物m的中心坐标的距离，则
Figure 558357DEST_PATH_IMAGE033
。
为了在路径规划的过程中实现自动避障，船舶距离障碍物边缘的安全距离为D0，定义避障因子为：
Figure 149876DEST_PATH_IMAGE034
当d≥Rk+D0，表示船舶离障碍物较远，因此在当前位置不需要避障，此时Tk=0；当d<Rk+D0，表示会发生碰撞，因此在当前位置需要避障，此时Tk≠0。
以行驶路径最短且不与圆形障碍物碰撞为目标建立的全局路径优化函数的表达式为：
Figure 437638DEST_PATH_IMAGE035
其中，
Figure 558040DEST_PATH_IMAGE036
、
Figure 337777DEST_PATH_IMAGE037
为权重因子，
Figure 326462DEST_PATH_IMAGE036
+
Figure 203151DEST_PATH_IMAGE037
=1，当f最小时，得到的路径最小且不会发生碰撞。
S3、通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径。
蚁群算法中，种群数量、最大迭代次数、信息启发式因子、期望值启发式因子以及信息素衰减系数均是影响算法性能的重要参数，本发明通过改进的广义正态分布优化算法来优化蚁群算法的参数，得到改进的蚁群算法，进而根据改进的蚁群算法进行全局路径规划。
步骤S3具体包括如下分步骤：
S31、设定蚁群算法的初始参数的取值范围，包括蚁群算法的种群数量m、最大迭代次数T、信息启发式因子α、期望值启发式因子β以及信息素衰减系数ξ的取值范围。本发明实施例中，设置取值范围分别为
Figure 25614DEST_PATH_IMAGE038
，这些参数的取值范围即为广义正态分布优化算法的解空间。
S32、根据以上取值范围随机初始化广义正态分布优化算法的个体位置，并初始化广义正态分布优化算法的相关参数。
设广义正态分布优化算法的个体总数为M，由于待优化的初始参数为5个，广义正态分布优化算法的第i个个体表示为
Figure 761488DEST_PATH_IMAGE039
，i=1,2，…，M，
Figure 332627DEST_PATH_IMAGE040
为第i个个体的位置向量的元素取值。
设解空间中5个初始参数的上下边界分别为Uj、Lj，j=1,2,3,4,5，在上下边界范围内随机初始化广义正态分布优化算法的个体位置，即迭代次数t=1时，
Figure 204768DEST_PATH_IMAGE041
。
S33、分别根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划，计算当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间。
广义正态分布优化算法的每个个体位置代表一组蚁群算法的初始参数值，根据每一组初始参数值，运行蚁群算法进行全局路径规划，统计每一组初始参数值对应的全局路径规划结果中的当前最优解Ｌ current ，对应的理论最优解Ｌ best ，当前蚁群算法搜索得到每代路径距离之间的方差D s ，当前蚁群算法寻得最优解时的迭代次数C，当前蚁群算法的运行时长T C 。然后根据这些参数当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间。
设f 1表示蚁群算法的解的质量，f 2表示蚁群算法的稳定性，f 3表示蚁群算法的收敛速度，f 4表示蚁群算法的运算时间，则
Figure 198132DEST_PATH_IMAGE042
S34、根据当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间计算广义正态分布优化算法的各个个体位置的适应度函数值。
定义广义正态分布优化算法的适应度函数为：
Figure 17369DEST_PATH_IMAGE043
其中，F为广义正态分布优化算法的适应度，
Figure 134230DEST_PATH_IMAGE044
为加权系数，
Figure 298495DEST_PATH_IMAGE045
。
本发明通过蚁群算法对应的解的质量、稳定性、收敛速度和运算时间构建广义正态分布优化算法的适应度函数，使得广义正态分布优化算法的最优解能同时满足解的质量、稳定性、收敛速度和运算时间的要求，保障全局路径规划的可行性。
根据该适应度函数计算广义正态分布优化算法的每个个体位置的适应度函数值。
S35、产生一个0到1之间的随机数p，若p>0.5，计算当前各个个体位置的平均位置、标准差和最优位置，建立广义正态分布模型进行局部勘探。
基于个体在种群中的分布与正态分布之间的关系，建立广义正态分布模型：
Figure 602437DEST_PATH_IMAGE046
Figure 877561DEST_PATH_IMAGE047
为第i个个体在第t次迭代时的轨迹向量，
Figure 989873DEST_PATH_IMAGE048
为第i个个体的广义平均位置，
Figure 419980DEST_PATH_IMAGE049
为广义标准差，
Figure 883322DEST_PATH_IMAGE050
为惩罚因子，公式如下：
Figure 555612DEST_PATH_IMAGE051
其中，a、b、
Figure 788010DEST_PATH_IMAGE052
和
Figure 762919DEST_PATH_IMAGE053
均为0到1之间的随机数，
Figure 838192DEST_PATH_IMAGE052
和
Figure 189538DEST_PATH_IMAGE053
服从正态分布，
Figure 276443DEST_PATH_IMAGE054
为第t次迭代的最优位置；
局部勘探采用如下公式进行个体位置更新：
Figure 812467DEST_PATH_IMAGE055
S36、若p≤0.5，根据适应度函数值大小对当前个体位置进行等级划分，分别对每一等级中的个体进行位置更新，实现全面勘探。
步骤S36具体包括如下分步骤：
S361、按照适应度函数值大小对当前个体进行降序排列，根据适应度函数值大小对当前个体位置进行等级划分。
其中，适应度函数值最大的个体的作为一等个体，适应度函数值大于预设阈值且小于最大的适应度函数值的个体作为二等个体，适应度函数值大于最小的适应度函数值且小于预设阈值的个体作为三等个体，适应度函数值最小的个体的作为四等个体；
S362、对于一等个体，采用如下公式进行位置更新：
Figure 984822DEST_PATH_IMAGE056
其中，t表示迭代次数，T为迭代总数，
Figure 500379DEST_PATH_IMAGE057
为一等个体更新前的位置，
Figure 707370DEST_PATH_IMAGE058
为一等个体更新后的位置，
Figure 24082DEST_PATH_IMAGE059
、
Figure 808367DEST_PATH_IMAGE060
为从二等、三等、四等个体中随机选出的两个个体，r为扰动系数，
Figure 501516DEST_PATH_IMAGE061
；
S363、对于二等个体和三等个体，采用如下公式进行个体轨迹向量更新：
Figure 563013DEST_PATH_IMAGE062
Figure 440839DEST_PATH_IMAGE063
为服从正态分布的随机数，ε为0到1之间的平衡系数；
基于更新后的个体轨迹向量，采用如下公式进行位置更新：
Figure 587787DEST_PATH_IMAGE064
其中，
Figure 943682DEST_PATH_IMAGE065
是第i个个体在时间t的轨迹向量，
Figure 859685DEST_PATH_IMAGE066
、
Figure 783779DEST_PATH_IMAGE067
为二等个体或三等个体更新前后的位置，
Figure 44121DEST_PATH_IMAGE068
为一等个体，
Figure 79073DEST_PATH_IMAGE069
为从二等个体中随机选出的个体，
Figure 849583DEST_PATH_IMAGE070
为从三等个体中随机选出的个体，F为广义正态分布优化算法的适应度；
S364、对于四等个体，采用如下公式进行位置更新：
Figure 69212DEST_PATH_IMAGE071
其中，
Figure 190752DEST_PATH_IMAGE072
为四等个体更新前的位置，
Figure 888449DEST_PATH_IMAGE073
为四等个体更新前的位置，rand产生0到1之间的随机向量，
Figure 779045DEST_PATH_IMAGE074
表示两向量间各个对应的分量相乘，
Figure 44941DEST_PATH_IMAGE075
表示莱维飞行函数，
Figure 512832DEST_PATH_IMAGE076
表示参数为
Figure 420745DEST_PATH_IMAGE077
的莱维分布，
Figure 900268DEST_PATH_IMAGE078
，其中，
Figure 963164DEST_PATH_IMAGE079
，
Figure 528138DEST_PATH_IMAGE080
为标准的gamma函数，u、v均服从正态分布；
Figure 833217DEST_PATH_IMAGE081
为0到1之间的随机数，ceil为向下取整函数。
现有的广义正态分布优化算法的全局搜索阶段仅基于3个随机选择的个体，其随机性太强，没有充分利用之前的搜索到的有用信息，个体之间的信息共享也是完全随机的，会造成收敛速度减慢，解决复杂优化问题时，搜索能力不足。本发明针对这一问题改进了全局勘探方式，通过等级划分、每一等级的个体分别进行位置更新的方式加强了不同等级之间的信息交流，在以一个随机概率p进行全局勘探时，既能在当前一等个体附近进行局部搜索、又加强了一等个体与二等、三等、四等个体之间的交流，同时在进行二等个体、三等个体也充分利用一等个体以及二等个体、三等个体之间的信息共享进行全局搜索，强化等级之间的信息交流，提高搜索能力，而对于四等个体，通过两种位置更新方式在一等个体的及莱维飞行的引导下逐渐提升四等个体的搜索能力。
S37、返回步骤S33，重新根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划，并计算各个个体位置的适应度函数值，直到达到最大迭代次数，输出最优解；
S38、将最优解作为蚁群算法的初始参数，得到改进的蚁群算法。
得到广义正态分布优化算法的最优解之后，以广义正态分布优化算法的最优解作为蚁群算法的初始-参数、以全局路径优化函数作为蚁群算法的适应度函数，进行全局路径规划，得到全局规划路径。
S4、远程控制船舶按照全局规划路径航行并通过传感器实时感知周围环境，确定突发威胁的航段，通过速度障碍法进行局部路径规划，实现动态避障。
船舶在实际航行时还可能遇到漂浮物、游鱼、船只交会等动态障碍物，因此船舶在按照全局规划路径航行的过程中需要通过传感器实时感知周围环境，确定突发威胁的航段，通过速度障碍法进行局部路径规划，动态避障后再返回全局规划路径。
与上述方法实施例相对应，本发明还提出一种基于改进蚁群算法的船舶路径规划系统，所述系统包括：
环境建模模块：用于获取静态障碍物的中心坐标，并将静态障碍物膨胀成圆形障碍物，通过栅格法进行环境建模；
优化函数模块：用于以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数；
路径规划模块：用于通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径。
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进蚁群算法的船舶路径规划方法，其特征在于，所述方法包括：
获取静态障碍物的中心坐标，并将静态障碍物膨胀成圆形障碍物，通过栅格法进行环境建模；
以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数；
通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径。
2.根据权利要求1所述的基于改进蚁群算法的船舶路径规划方法，其特征在于，所述以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数具体包括：
获取行驶路径的起点和终点，设路径节点为Pn，n=1,2,…,N，N为节点总数，相邻两个路径节点之间的欧式距离为Sn，圆形障碍物的半径为Rk，k=1,2,…,K，K为静态障碍物总数，d为路径节点至静态障碍物m的中心坐标的距离，安全距离为D0；
全局路径优化函数为：
Figure 314480DEST_PATH_IMAGE001
其中，
Figure 700462DEST_PATH_IMAGE002
、
Figure 575139DEST_PATH_IMAGE003
为权重因子，
Figure 704769DEST_PATH_IMAGE004
为避障因子。
3.根据权利要求1所述的基于改进蚁群算法的船舶路径规划方法，其特征在于，所述通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法具体包括：
设定蚁群算法的初始参数的取值范围，包括蚁群算法的种群数量m、最大迭代次数T、信息启发式因子α、期望值启发式因子β以及信息素衰减系数ξ的取值范围；
在蚁群算法的初始参数的取值范围内随机初始化广义正态分布优化算法的个体位置，并初始化广义正态分布优化算法的相关参数；
分别根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划，计算当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间；
根据当前蚁群算法对应的解的质量、稳定性、收敛速度和运算时间计算广义正态分布优化算法的各个个体位置的适应度函数值；
产生一个0到1之间的随机数p，若p>0.5，计算当前各个个体位置的平均位置、标准差和最优位置，建立广义正态分布模型进行局部勘探；
若p≤0.5，根据适应度函数值大小对当前个体位置进行等级划分，分别对每一等级中的个体进行位置更新，进行全面勘探；
重新根据广义正态分布优化算法的个体位置运行蚁群算法进行全局路径规划，并计算各个个体位置的适应度函数值，直到达到最大迭代次数，输出最优解；
将最优解作为蚁群算法的初始参数，得到改进的蚁群算法。
4.根据权利要求3所述的基于改进蚁群算法的船舶路径规划方法，其特征在于，广义正态分布优化算法的适应度函数为：
Figure 669500DEST_PATH_IMAGE006
Figure 405375DEST_PATH_IMAGE007
其中，F为广义正态分布优化算法的适应度，
Figure 197751DEST_PATH_IMAGE008
为加权系数，当前蚁群算法的最优解；f 1表示蚁群算法的解的质量，Ｌ current 为当前最优解，Ｌ best 为理论最优解，f 2表示蚁群算法的稳定性，D s 为当前蚁群算法搜索得到每代路径距离之间的方差；f 3表示蚁群算法的收敛速度，C表示当前蚁群算法寻得最优解时的迭代次数；f 4表示蚁群算法的运算时间，T C 表示当前蚁群算法的运行时长。
5.根据权利要求3所述的基于改进蚁群算法的船舶路径规划方法，其特征在于，若p≤0.5，根据适应度函数值大小对当前个体位置进行等级划分，分别对每一等级中的个体进行位置更新，进行全面勘探具体包括：
按照适应度函数值大小对当前个体进行降序排列，适应度函数值最大的个体的作为一等个体，适应度函数值大于预设阈值且小于最大的适应度函数值的个体作为二等个体，适应度函数值大于最小的适应度函数值且小于预设阈值的个体作为三等个体，适应度函数值最小的个体的作为四等个体；
对于一等个体，采用如下公式进行位置更新：
Figure 335471DEST_PATH_IMAGE009
其中，t表示迭代次数，T为迭代总数，
Figure 63255DEST_PATH_IMAGE010
为一等个体更新前的位置，
Figure 411060DEST_PATH_IMAGE011
为一等个体更新后的位置，
Figure 882493DEST_PATH_IMAGE012
、
Figure 140299DEST_PATH_IMAGE013
为从二等、三等、四等个体中随机选出的两个个体，r为扰动系数，
Figure 665083DEST_PATH_IMAGE014
；
对于二等个体和三等个体，采用如下公式进行个体轨迹向量更新：
Figure 641130DEST_PATH_IMAGE015
Figure 509728DEST_PATH_IMAGE016
为服从正态分布的随机数，ε为0到1之间的平衡系数；
基于更新后的个体轨迹向量，采用如下公式进行位置更新：
Figure 622041DEST_PATH_IMAGE017
其中，
Figure 691628DEST_PATH_IMAGE018
是第i个个体在时间t的轨迹向量，
Figure 14025DEST_PATH_IMAGE019
、
Figure 561681DEST_PATH_IMAGE020
为二等个体或三等个体更新前后的位置，
Figure 918713DEST_PATH_IMAGE021
为一等个体，
Figure 159202DEST_PATH_IMAGE022
为从二等个体中随机选出的个体，
Figure 844261DEST_PATH_IMAGE023
为从三等个体中随机选出的个体，F为广义正态分布优化算法的适应度；
对于四等个体，采用如下公式进行位置更新：
Figure 821706DEST_PATH_IMAGE024
其中，
Figure 908611DEST_PATH_IMAGE025
为四等个体更新前的位置，
Figure 585580DEST_PATH_IMAGE026
为四等个体更新前的位置，rand产生0到1之间的随机向量，
Figure 616990DEST_PATH_IMAGE027
表示两向量间各个对应的分量相乘，
Figure 772028DEST_PATH_IMAGE028
表示参数为
Figure 838073DEST_PATH_IMAGE029
的莱维分布，
Figure 420364DEST_PATH_IMAGE030
为0到1之间的随机数，ceil为向下取整函数。
6.根据权利要求3所述的基于改进蚁群算法的船舶路径规划方法，其特征在于，所述通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径具体包括：
以广义正态分布优化算法的最优解作为蚁群算法的初始参数、以全局路径优化函数作为蚁群算法的适应度函数，进行全局路径规划，得到全局规划路径。
7.根据权利要求1所述的基于改进蚁群算法的船舶路径规划方法，其特征在于，所述方法还包括：
远程控制船舶按照全局规划路径航行并通过传感器实时感知周围环境，确定突发威胁的航段，通过速度障碍法进行局部路径规划，实现动态避障。
8.一种基于改进蚁群算法的船舶路径规划系统，其特征在于，所述系统包括：
环境建模模块：用于获取静态障碍物的中心坐标，并将静态障碍物膨胀成圆形障碍物，通过栅格法进行环境建模；
优化目标模块：用于以行驶路径最短且不与圆形障碍物碰撞为目标建立全局路径优化函数；
路径规划模块：用于通过广义正态分布优化算法优化蚁群算法的参数，得到改进的蚁群算法，通过改进的蚁群算法求解全局路径优化函数，得到全局规划路径。
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1~7任一项所述的方法。
CN202211279619.1A 2022-10-19 2022-10-19 一种基于改进蚁群算法的船舶路径规划方法及系统 Active CN115357031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211279619.1A CN115357031B (zh) 2022-10-19 2022-10-19 一种基于改进蚁群算法的船舶路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211279619.1A CN115357031B (zh) 2022-10-19 2022-10-19 一种基于改进蚁群算法的船舶路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN115357031A true CN115357031A (zh) 2022-11-18
CN115357031B CN115357031B (zh) 2023-01-03

Family

ID=84008121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211279619.1A Active CN115357031B (zh) 2022-10-19 2022-10-19 一种基于改进蚁群算法的船舶路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN115357031B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116069045A (zh) * 2023-04-06 2023-05-05 武汉大学 一种基于移动机器人的辐射环境探测方法和系统
CN116795108A (zh) * 2023-06-09 2023-09-22 西南交通大学 基于多源感知信号的智能无人车配送方法
CN116882307A (zh) * 2023-09-08 2023-10-13 武汉理工大学 考虑不确定初始状态的车辆安全轨迹规划方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112033403A (zh) * 2020-05-06 2020-12-04 东华大学 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
CN114625150A (zh) * 2022-05-17 2022-06-14 南京汇与信息科技有限公司 基于危险指数和距离函数的快速蚁群无人艇动态避障方法
CN114815802A (zh) * 2022-01-06 2022-07-29 中冶南方（武汉）自动化有限公司 一种基于改进蚁群算法的无人天车路径规划方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112033403A (zh) * 2020-05-06 2020-12-04 东华大学 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
CN114815802A (zh) * 2022-01-06 2022-07-29 中冶南方（武汉）自动化有限公司 一种基于改进蚁群算法的无人天车路径规划方法和系统
CN114625150A (zh) * 2022-05-17 2022-06-14 南京汇与信息科技有限公司 基于危险指数和距离函数的快速蚁群无人艇动态避障方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵海英 等: ""正态分布蚁群算法求解函数优化问题"", 《计算机工程与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116069045A (zh) * 2023-04-06 2023-05-05 武汉大学 一种基于移动机器人的辐射环境探测方法和系统
CN116795108A (zh) * 2023-06-09 2023-09-22 西南交通大学 基于多源感知信号的智能无人车配送方法
CN116795108B (zh) * 2023-06-09 2023-12-01 西南交通大学 基于多源感知信号的智能无人车配送方法
CN116882307A (zh) * 2023-09-08 2023-10-13 武汉理工大学 考虑不确定初始状态的车辆安全轨迹规划方法及系统
CN116882307B (zh) * 2023-09-08 2023-11-24 武汉理工大学 考虑不确定初始状态的车辆安全轨迹规划方法及系统

Also Published As

Publication number Publication date
CN115357031B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN115357031B (zh) 一种基于改进蚁群算法的船舶路径规划方法及系统
CN113433967B (zh) 一种可充电无人机路径规划方法及系统
CN111026126A (zh) 一种基于改进蚁群算法的无人艇全局路径多目标规划方法
CN112904869B (zh) 基于多树rrt的无人艇加权迭代路径规划方法及设备
CN114625151B (zh) 一种基于强化学习的水下机器人避障路径规划方法
CN112462803B (zh) 一种基于改进nsga-ii的无人机路径规划方法
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
CN115290096B (zh) 一种基于强化学习差分算法的无人机动态航迹规划方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN115435787B (zh) 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统
CN116225066A (zh) 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法
CN112947541A (zh) 一种基于深度强化学习的无人机意图航迹预测方法
WO2023093378A1 (zh) 路径规划方法及装置、设备、存储介质
CN116859903A (zh) 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法
CN115952935A (zh) 一种基于改进袋獾优化算法的无人机路径规划方法
CN115933693A (zh) 一种基于自适应混沌粒子群算法的机器人路径规划方法
CN115686057A (zh) 一种基于鲸鱼优化算法的多无人机路径规划方法
CN107229998A (zh) 一种无人机自主寻路策略方法
Wu et al. An adaptive conversion speed Q-learning algorithm for search and rescue UAV path planning in unknown environments
CN116400737B (zh) 一种基于蚁群算法的安全路径规划系统
CN117093019A (zh) 改进狼群算法的无人机电力线路路径规划方法
CN115951682A (zh) 一种考虑洋流存在条件下的带约束四目标auv全局路径规划方法
CN116466701A (zh) 一种无人水面艇能耗最小轨迹规划方法
CN112925317B (zh) 一种基于改进型头脑风暴优化算法的auv路径规划方法
CN115562347A (zh) 基于boa-tsar算法的近地配送无人机路径规划方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Wen Yuanqiao

Inventor after: Zhao Jiazeng

Inventor after: Wu Baoqi

Inventor after: He Ziqian

Inventor before: Wen Yuanqiao

Inventor before: Zhao Jiazeng

Inventor before: Wu Baoqi

Inventor before: He Zhiqian

CB03 Change of inventor or designer information