CN115829179B - 一种舰船路径规划方法及装置 - Google Patents
一种舰船路径规划方法及装置 Download PDFInfo
- Publication number
- CN115829179B CN115829179B CN202211526824.3A CN202211526824A CN115829179B CN 115829179 B CN115829179 B CN 115829179B CN 202211526824 A CN202211526824 A CN 202211526824A CN 115829179 B CN115829179 B CN 115829179B
- Authority
- CN
- China
- Prior art keywords
- point
- path
- ship
- points
- population
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种舰船路径规划方法及装置，该方法包括：获取舰船路径规划的地图范围；在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果。本发明方法使用简单的编码方式，有效降低了遗传算法的搜索空间；根据先验知识和舰船航行的特点设计了交叉、插入、删除、平滑和避碰算子，提高搜索效率，并能保证收敛到全局最优解，克服了标准遗传算法的缺点。本发明方法可以稳定有效地产生最优路径和实施动态避障，具有较高的实时性。
Description
技术领域
本发明涉及舰船路径规划技术领域，尤其涉及一种舰船路径规划方法及装置。
背景技术
舰船路径规划对于舰船实现自动化航行和航线优化具有重要的意义，要求在复杂的海上环境中，根据已知的地理信息数据，寻找出一条从起点到终点的最安全且航程最短的航线。传统的图搜索法、栅格法、人工势场法等都有一定局限性。由于遗传算法在解决非线性问题上具有良好的适用性，已成为路径规划中使用较多的一种方法，被广泛的应用于机器人、飞行器的路径规划。但是标准的遗传算法本身也存在着一些缺陷，如早熟、局部最优解、占据较大的存储空间和运算时间，并且在实际应用中缺乏对特定知识的利用，保证不了对路径规划的计算效率和可靠性要求。
舰船的路径可以看作是一系列坐标点连接而成的线段，与其它路径规划不同的是，舰船的路径不仅要考虑避开陆地、岛屿、暗礁等不可行区域，还要考虑航行过程中与其它船只的安全距离问题，根据船的体积还要考虑路径拐角的大小问题，规划路径要尽可能趋于平滑，使设计出的航迹更加真实、合理。单艘舰船在静态环境中航行的情况，即舰船航行的区域中没有其它运行的船只，不考虑它与其它船只的碰撞问题。
发明内容
本发明所要解决的技术问题在于，提供一种舰船路径规划方法及装置，能够通过使用简单的编码方式，有效降低了遗传算法的搜索空间；根据舰船航行的特点设计了交叉算子、插入算子、删除算子和平滑算子，并能保证收敛到全局最优解，克服了标准遗传算法的缺点，提高路径规划问题的求解质量和求解效率。
为了解决上述技术问题，本发明实施例第一方面公开了舰船路径规划方法，所述方法包括：
S1，获取舰船路径规划的地图范围；
S2，在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；
S3，利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果，包括
S31，确定进行舰船路径规划的编码规则；所述舰船路径规划的编码规则包括编码方法、路径点选择方式、中间路径点编码和判断转向点是否在障碍物范围内；
所述编码方法为可变长实数编码；
所述路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
所述中间路径点编码包括对一维编码的改进，记录转向点的横坐标；
所述判断转向点是否在障碍物范围内的方法为：
以所述转向点P1,P2,…,Pn为端点，n为转向点个数，向左方依次作水平射线，得到射线L1,L2,…,Ln；
沿着任一所述射线，从无穷远处开始自左向右移动，遇到障碍物时得到第一个交叉点，离开障碍物时得到第二个交叉点，记录交叉点数量；
当所述交叉点数量为偶数时，所述转向点在障碍物之外，为奇数时所述转向点在障碍物之内；
S32，确定进行舰船路径规划的适应度函数，包括：路径安全性评价信息fit1、路径总长度评价信息fit2和路径平滑度信息fit3；
引入加权系数k1,k2,k3，得到改进的舰船路径规划的适应度函数f；
f＝k1fit1/(k2fit2×k3fit3)
S33，确定遗传策略，对两个种群分别设计选择、交叉、变异、插入、删除、平滑、避碰算子；
所述选择算子采用最优保存策略来选择个体，保存种群中适应度较高的那部分个体，这些个体直接进入子代，不进行算法中的其余操作；
所述变异算子利用随机替换转向点法和偏移转向点设计；
所述平滑算子为：
获取舰船路径规划中的拐角，对大于π/2的拐角进行处理；
所述处理包括删除所述大于π/2的拐角的顶点pj；
依次连接点pj-1、p1、p2、pj+1构成可行路径段pj-1p1→p1p2→p2pj+1；
当点p1和p2在障碍物内或其连线在障碍物内时，重新选取；其中点p1在点pj-1与点pj之间，点p2在点pj与点pj+1之间；
所述避碰算子利用先验知识计算，包括：
每条船的参数包括：起始点，终止点，相对起始时间≥0，速度为匀速，安全半径r。
假设船在某一路段的速度为v，初始点p0，初始时间t0，p0到Pi(xi,yi)时间为ti，点Pi-1(xi-1,yi-1)到Pi(xi,yi)的时间为Ti-1，有ti＝ti-1+Ti-1，其中
计算在ti时刻第K条船的位置，首先确定在ti时刻第K条船的航向航速，设此路径段为Qm，则在点Qm(xm,ym)的时间为tm，则ti时间第K条船的位置为Obk(xbk(ti),ybk(ti))，其中
xbk(ti)＝xm+vbx(ti-tm)
ybk(ti)＝ym+vby(ti-tm)
vbx和vby分别是速度v在x轴和y轴坐标上的分量。
经以上分析，可得时刻ti转向点Pi(xi,yi)与第K条船的距离dik为：
如果dik>r则航线是安全的，该转向点可以使用，否则丢弃；
S34，确定遗传算子执行概率，包括确定种群早熟度评价指标和概率自适应调整方法；
所述种群早熟度评价模型为：
其中Δ′为种群早熟度评价指标，Ftmax为最优个体适应度，为适应度大于/>的个体平均适应度，/>为种群个体的平均适应度，第t代种群由个体构成，M为个体数量，M个个体的适应度分别为Ft 1,Ft 2,…,Ft M；
所述概率自适应调整方法为：
设置交叉概率Pc和变异概率Pm；
当种群趋于收敛时，降低交叉概率Pc，提高变异概率Pm；当种群个体发散时，提高交叉概率Pc，降低变异概率Pm。
根据上述评价种群“早熟”程度的指标Δ′，控制交叉概率Pc、变异概率Pm在进化过程中随着Δ′的变化而改变，分别为：
式中：k1,k2＞0。由于Δ′始终大于或等于0，所以Pc取值范围在[0.5,1]之间，Pm的取值范围在[0,0.5]之间；
S35，设定遗传操作参数；所述遗传操作参数包括舰船路径起点和终点、种群大小、最大进化代数、初始路径点数、最大路径点数、遗传算子自适应选择概率系数和选择自适应双种群遗传算法；
S36，初始化种群，沿所述舰船路径起点和终点连线方向等距离选取N个点，在所述N个点的垂直线上随机选取转向点，并使这些转向点不在障碍物范围内；所述转向点为中间路径点；
随机产生两个群体的个体，作为种群进化的初始种群，得到两个种群，子种群1和子种群2；
S37，计算所述两个种群中所有个体的适应度，保留适应度最高的个体；根据早熟度评价结果计算遗传算子执行概率，依次执行选择、交叉、变异、插入、删除、平滑、避碰算子，得到下一代群体；所述下一代群体为新种群；
子种群1为探测子种群，其交叉概率Pc和变异概率Pm设置较大；使算法一直保持较高的搜索效率，并总能产生大量新的个体产生，有效避免计算结果收敛过早的现象；子种群2为开发子种群，它的Pc和Pm值较小，有利于将局部范围内的优秀个体保留下来，两个子种群分别独立进化，并且在每一代进化完成时按照一定准则进行个体交换，把各自种群中适应度值高的个体交换到另一种群中；
S38，重复S37，两个种群各自产生的新种群，直到所述下一代群体中个体数量与父代群体数量相等；
S39，用保留的上一代的适应度最高的个体替换所述新种群中适应度最低的个体，并检查算法停止条件，若达到最大进化代数，则终止算法，并选取适应度最高的可行路径，得到舰船路径规划结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述确定进行舰船路径规划的编码规则，包括；
S311，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划编码方法为可变长实数编码；
S312，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划的路径点选择方式；所述舰船路径规划的路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
S313，以所述舰船路径规划起点为坐标原点，所述舰船路径规划起点和终点连线为横坐标，建立新坐标系；
在所述新坐标系中，对所述中间路径点进行编码，得到中间路径点可变长实数编码信息。
作为一种可选的实施方式，在本发明实施例第一方面中，所述确定进行舰船路径规划的适应度函数，包括：
S321，对所述舰船路径规划的参数信息进行处理，得到所述舰船路径规划的路径安全性评价信息、路径总长度评价信息和路径平滑度信息；
S322，对所述路径安全性评价信息、路径总长度评价信息和路径平滑度信息进行处理，得到舰船路径规划的适应度函数。
作为一种可选的实施方式，在本发明实施例第一方面中，所述设计选择、交叉、变异、插入、删除、平滑、避碰算子，包括：
S331，利用单点交叉法设计交叉算子；
S332，利用插入随机中间路径点，或在相邻两个中间路径点之间插入M个中间路径点的方式设计插入算子，M为大于等于1的整数；
S333，所述删除算子为：
对任一舰船路径规划起点和终点之间的路径进行处理，当该路径上的点(xi-1,yi-1)与点(xi,yi)的连线经过障碍物，但点(xi-1,yi-1)与点(xi+1,yi+1)的连线不经过障碍物时，将点(xi,yi)添加到存储器R中，如果R不为空，从中随机选取一点删除；否则，在该路径中任选一个中间路径点按预设的概率删除。
本发明第二方面公开了一种舰船路径规划装置，所述装置包括：
地图获取模块，用于获取舰船路径规划的地图范围；
参数获取模块，用于在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；
路径规划模块，用于利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果，包括
S31，确定进行舰船路径规划的编码规则；所述舰船路径规划的编码规则包括编码方法、路径点选择方式、中间路径点编码和判断转向点是否在障碍物范围内；
所述编码方法为可变长实数编码；
所述路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
所述中间路径点编码包括对一维编码的改进，记录转向点的横坐标；
所述判断转向点是否在障碍物范围内的方法为：
以所述转向点P1,P2,…,Pn为端点，n为转向点个数，向左方依次作水平射线，得到射线L1,L2,…,Ln；
沿着任一所述射线，从无穷远处开始自左向右移动，遇到障碍物时得到第一个交叉点，离开障碍物时得到第二个交叉点，记录交叉点数量；
当所述交叉点数量为偶数时，所述转向点在障碍物之外，为奇数时所述转向点在障碍物之内；
S32，确定进行舰船路径规划的适应度函数，包括：路径安全性评价信息fit1、路径总长度评价信息fit2和路径平滑度信息fit3；
引入加权系数k1,k2,k3，得到改进的舰船路径规划的适应度函数f；
f＝k1fit1/(k2fit2×k3fit3)
S33，确定遗传策略，对两个种群分别设计选择、交叉、变异、插入、删除、平滑、避碰算子；
所述选择算子采用最优保存策略来选择个体，保存种群中适应度较高的那部分个体，这些个体直接进入子代，不进行算法中的其余操作；
所述变异算子利用随机替换转向点法和偏移转向点设计；
所述平滑算子为：
获取舰船路径规划中的拐角，对大于π/2的拐角进行处理；
所述处理包括删除所述大于π/2的拐角的顶点pj；
依次连接点pj-1、p1、p2、pj+1构成可行路径段pj-1p1→p1p2→p2pj+1；
当点p1和p2在障碍物内或其连线在障碍物内时，重新选取；其中点p1在点pj-1与点pj之间，点p2在点pj与点pj+1之间；
所述避碰算子利用先验知识计算，包括：
每条船的参数包括：起始点，终止点，相对起始时间≥0，速度为匀速，安全半径r。
假设船在某一路段的速度为v，初始点p0，初始时间t0，p0到Pi(xi,yi)时间为ti，点Pi-1(xi-1,yi-1)到Pi(xi,yi)的时间为Ti-1，有ti＝ti-1+Ti-1，其中
计算在ti时刻第K条船的位置，首先确定在ti时刻第K条船的航向航速，设此路径段为Qm，则在点Qm(xm,ym)的时间为tm，则ti时间第K条船的位置为Obk(xbk(ti),ybk(ti))，其中
xbk(ti)＝xm+vbx(ti-tm)
ybk(ti)＝ym+vby(ti-tm)
vbx和vby分别是速度v在x轴和y轴坐标上的分量。
经以上分析，可得时刻ti转向点Pi(xi,yi)与第K条船的距离dik为：
如果dik>r则航线是安全的，该转向点可以使用，否则丢弃；
S34，确定遗传算子执行概率，包括确定种群早熟度评价指标和概率自适应调整方法；
所述种群早熟度评价模型为：
其中Δ′为种群早熟度评价指标，Ftmax为最优个体适应度，为适应度大于/>的个体平均适应度，/>为种群个体的平均适应度，第t代种群由个体构成，M为个体数量，M个个体的适应度分别为Ft 1,Ft 2,…,Ft M；
所述概率自适应调整方法为：
设置交叉概率Pc和变异概率Pm；
当种群趋于收敛时，降低交叉概率Pc，提高变异概率Pm；当种群个体发散时，提高交叉概率Pc，降低变异概率Pm。
根据上述评价种群“早熟”程度的指标Δ′，控制交叉概率Pc、变异概率Pm在进化过程中随着Δ′的变化而改变，分别为：
式中：k1,k2＞0。由于Δ′始终大于或等于0，所以Pc取值范围在[0.5,1]之间，Pm的取值范围在[0,0.5]之间；
S35，设定遗传操作参数；所述遗传操作参数包括舰船路径起点和终点、种群大小、最大进化代数、初始路径点数、最大路径点数、遗传算子自适应选择概率系数和选择自适应双种群遗传算法；
S36，初始化种群，沿所述舰船路径起点和终点连线方向等距离选取N个点，在所述N个点的垂直线上随机选取转向点，并使这些转向点不在障碍物范围内；所述转向点为中间路径点；
随机产生两个群体的个体，作为种群进化的初始种群，得到两个种群，子种群1和子种群2；
S37，计算所述两个种群中所有个体的适应度，保留适应度最高的个体；根据早熟度评价结果计算遗传算子执行概率，依次执行选择、交叉、变异、插入、删除、平滑、避碰算子，得到下一代群体；所述下一代群体为新种群；
子种群1为探测子种群，其交叉概率Pc和变异概率Pm设置较大；使算法一直保持较高的搜索效率，并总能产生大量新的个体产生，有效避免计算结果收敛过早的现象；子种群2为开发子种群，它的Pc和Pm值较小，有利于将局部范围内的优秀个体保留下来，两个子种群分别独立进化，并且在每一代进化完成时按照一定准则进行个体交换，把各自种群中适应度值高的个体交换到另一种群中；
S38，重复S37，两个种群各自产生的新种群，直到所述下一代群体中个体数量与父代群体数量相等；
S39，用保留的上一代的适应度最高的个体替换所述新种群中适应度最低的个体，并检查算法停止条件，若达到最大进化代数，则终止算法，并选取适应度最高的可行路径，得到舰船路径规划结果。
作为一种可选的实施方式，在本发明实施例第二方面中，所述确定进行舰船路径规划的编码规则，包括；
S311，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划编码方法为可变长实数编码；
S312，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划的路径点选择方式；所述舰船路径规划的路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
S313，以所述舰船路径规划起点为坐标原点，所述舰船路径规划起点和终点连线为横坐标，建立新坐标系；
在所述新坐标系中，对所述中间路径点进行编码，得到中间路径点可变长实数编码信息。
作为一种可选的实施方式，在本发明实施例第二方面中，所述确定进行舰船路径规划的适应度函数，包括：
S321，对所述舰船路径规划的参数信息进行处理，得到所述舰船路径规划的路径安全性评价信息、路径总长度评价信息和路径平滑度信息；
S322，对所述路径安全性评价信息、路径总长度评价信息和路径平滑度信息进行处理，得到舰船路径规划的适应度函数。
作为一种可选的实施方式，在本发明实施例第二方面中，所述设计选择、交叉、变异、插入、删除、平滑、避碰算子，包括：
S331，利用单点交叉法设计交叉算子；
S332，利用插入随机中间路径点，或在相邻两个中间路径点之间插入M个中间路径点的方式设计插入算子，M为大于等于1的整数；
S333，所述删除算子为：
对任一舰船路径规划起点和终点之间的路径进行处理，当该路径上的点(xi-1,yi-1)与点(xi,yi)的连线经过障碍物，但点(xi-1,yi-1)与点(xi+1,yi+1)的连线不经过障碍物时，将点(xi,yi)添加到存储器R中，如果R不为空，从中随机选取一点删除；否则，在该路径中任选一个中间路径点按预设的概率删除。
本发明第三方面公开了另一种舰船路径规划装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的舰船路径规划方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的舰船路径规划方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，对标准遗传算法进行了改进和扩充，使用简单的编码方式，有效降低了遗传算法的搜索空间；根据先验知识和舰船航行的特点设计了交叉算子、插入算子、删除算子、平滑算子和避碰算子，提高搜索效率，并能保证收敛到全局最优解，克服了标准遗传算法的缺点。本发明方法可以稳定有效地产生最优路径和实施动态避障，具有较高的实时性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例公开的一种舰船路径规划方法的流程示意图；
图2是本发明实施例公开的一种舰船路径规划方法的路径编码示意图；
图3是本发明实施例公开的一种舰船路径规划方法的遗传算子示意图；
图4是本发明实施例公开的一种舰船路径规划方法的判断转向点是否在障碍物内示意图；
图5是本发明实施例公开的一种舰船路径规划装置的结构示意图；
图6本发明实施例公开的又一种舰船路径规划装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种舰船路径规划方法及装置，能够通过获取舰船路径规划的地图范围；在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果。本发明方法使用简单的编码方式，有效降低了遗传算法的搜索空间；根据先验知识和舰船航行的特点设计了交叉、插入、删除、平滑和避碰算子，提高搜索效率，并能保证收敛到全局最优解，克服了标准遗传算法的缺点。本发明方法可以稳定有效地产生最优路径和实施动态避障，具有较高的实时性。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种舰船路径规划方法的流程示意图。其中，图1所描述的舰船路径规划方法应用于舰船路径识别、舰船路径自动规划等领域，本发明实施例不做限定。如图1所示，该舰船路径规划方法可以包括以下操作：
S1，获取舰船路径规划的地图范围；
S2，在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；
S3，利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果。
在本发明的舰船路径规划中，目标是在一幅障碍物分布已知的二维电子海图上寻找一条最优路径，使航船到达目标点距离最短，同时考虑了航行区域有其他航行船舶，通过制定计算规则来解决多船避碰问题，并尽可能地最大化与障碍物的距离。
可选的，利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果，包括：
S31，确定进行舰船路径规划的编码规则；所述舰船路径规划的编码规则包括编码方法、路径点选择方式和中间路径点编码；
S32，确定进行舰船路径规划的适应度函数；
S33，确定遗传策略，设计选择、交叉、变异、插入、删除、平滑、避碰算子；
S34，确定遗传算子执行概率，包括确定种群早熟度评价指标和概率自适应调整方法；
S35，设定遗传操作参数；所述遗传操作参数包括舰船路径起点和终点、种群大小、最大进化代数、初始路径点数、最大路径点数和遗传算子自适应选择概率系数；
S36，初始化种群，沿所述舰船路径起点和终点连线方向等距离选取N个点，在所述N个点的垂直线上随机选取转向点，并使这些转向点不在障碍物范围内；所述转向点为中间路径点；
所述初始化种群的方法为贪婪算法；
随机选定转向点后，利用贪婪算法求解出一条较优的遍历转向点序列作为初始种群；
贪婪算法步骤为：
建立舰船航迹规划的数学模型来描述问题；
把求解初始种群的问题分成若干个子问题；
对每个子问题求解，得到子问题的局部最优解；
把子问题的解局部最优解合成原来解问题的一个解。
S37，计算所述种群中所有个体的适应度，保留适应度最高的个体；根据早熟度评价结果计算遗传算子执行概率，依次执行选择、交叉、变异、插入、删除、平滑、避碰算子，得到下一代群体；所述下一代群体为新种群；
S38，重复S37，直到所述下一代群体中个体数量与父代群体数量相等；
S39，用保留的上一代的适应度最高的个体替换所述新种群中适应度最低的个体，并检查算法停止条件，若达到最大进化代数，则终止算法，并选取适应度最高的可行路径，得到舰船路径规划结果。
可选的，确定进行舰船路径规划的编码规则，包括；
S311，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划编码方法为可变长实数编码；
舰船的路径可以视为一系列坐标点连接而成的线段，针对舰船的路径规划也就是对这些坐标点做各种操作以使它们符合舰船航行的需要。考虑到舰船的路径规划自身的特点(不仅需要避开不可行区域、航行过程中与其它船只保持安全距离问题，还要保证路径的平滑性)，以及舰船航迹中转向点个数的不确定性，采用可变长的实数编码，用实数直接对路径坐标点进行编码，以便于对路径点的灵活操作，从而避免使用二进制编码时二进制位串与直角坐标点之间互相转换的繁琐操作，且易于进行遗传算子操作。
S312，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划的路径点选择方式；所述舰船路径规划的路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
可选的，为了使规划出的路径最短，在选取初始种群时，尽量使选择的点都分布在起点和终点连线的周围两侧。为了减小运算的误差，选取起点和终点连线上的一组点作为每个控制周期运算时的规划子目标。这些点把起点和终点的连线若干等分，我们把这些点称之为中间路径点。每一个控制周期时，都选择与舰船当前位置距离最小的点作为当前时刻的规划路径点，即距离当前位置最近的且不在障碍物区域内的路径点。这样规划出的路径都是围绕起点和终点连线的，可以保证规划出的路径最短。
S313，以所述舰船路径规划起点为坐标原点，所述舰船路径规划起点和终点连线为横坐标，建立新坐标系；
在所述新坐标系中，对所述中间路径点进行编码，得到中间路径点可变长实数编码信息。
舰船航行路径可以看作由起点和终点及一系列中间路径点组成的路径，其结构为
(x0,y0)→(x1,y1)···(xi,yi)→(xn,yn)
其中(x0,y0)为起点，(xn,yn)为终点，(xi,yi)为起点和终点之间的一系列中间路径点，以下称之为转向点，i＝1,2,···n-1。由于起点和终点固定，因此只需要对转向点坐标进行编码，在海图的坐标系xoy中，路径编码是二维的，为了降低编码长度，对坐标进行变换。新坐标系为x′o′y′，原点为路径的起点，x轴为起点与终点的连线，如图2所示，然后在起点和终点之间把x轴平分成x1、x2、···xn-1，则转向点可以简化为一维的y轴坐标编码形式，表示为Y1,Y2,···Yn，在遗传操作中，只需要对y轴坐标进行优化即可，考虑到路径中横坐标固定不变，可能导致在复杂环境中无法找到可行路径，并且有可能无法找到最优解，本发明对一维编码作了改进，仍然记录转向点的横坐标，在进行某些遗传操作时可以对横坐标进行操作，其它算子则只对纵坐标进行操作。
可选的，确定进行舰船路径规划的适应度函数，包括：
S321，对所述舰船路径规划的参数信息进行处理，得到所述舰船路径规划的路径安全性评价信息、路径总长度评价信息和路径平滑度信息；
为了防止舰船与障碍物碰撞，应尽量使其与障碍物保持一定的安全距离，假设舰船的安全半径为r，舰船与障碍物的距离为d，路径安全性评价信息fit1可以表示为：
其中，n为路径个数。
即舰船与障碍物的距离大于安全半径，其适应度为1，否则为0。路径中的可行转向点越多其适应度越高。
路径总长度L为：
其中d(pi-1pi)是转向点pi-1与pi之间的长度，如果pi-1与pi之间的路径不可行，则使用惩罚函数法对其适应度进行惩罚，惩罚函数ωi定义如下：
其中ci的定义与前面相同，ε(ε>1)为惩罚因子，路径的路径总长度评价信息fit2可以写为：
评价路径好坏是求路径长度最短的问题，通过惩罚因子，可以使不可行路径的变长，从而降低它的适应值。
舰船的几何外形特点决定了其在航行过程中不能以大的拐角进行转向，因此整条航行路径应平缓而光滑，即每一转向点处的拐角值应尽可能小。这里假设拐角最大值不能超过π/2，路径平滑度信息fit3可以使用路径的平均拐角值来计算：
式中，ε为一个趋于零的常数(>0)，αi(i＝2,3,···,n-1)表示两向量(xi-1,yi-1)和(xi,yi)之间的夹角(0≤αi≤π)，k为αi中大于或等于π/2的个数，即当某一夹角大于或等于π/2时，对适应度进行惩罚。当n＝2时，路径为起始点与终止点的连线。若其可行，则fit3值为0，可以看出fit3值越小，路径的平滑度越好。
S322，对所述路径安全性评价信息、路径总长度评价信息和路径平滑度信息进行处理，得到舰船路径规划的适应度函数。
得到了路径安全性评价信息、路径总长度评价信息和路径平滑度信息的评价函数，就可以获得整条路径的适应度函数。采用各项评价函数加权求和是常用的确定适应度函数的方法，因为各个加权系数不是恒定不变的，而是随着路径和障碍物的情况变化而变化，这种情况下各个加权系数就很难调整和确定。因此，在确定适应度函数时，尽量使适应度函数的项数最少，但又必须把路径规划的三个条件融合在遗传优化过程中。本文设计的评价函数f为：
f＝fit1/(fit2×fit3)
以f作为选择操作的依据，路径的长度和平均拐角越小，其适应度越好。
可选的，引入加权系数k1,k2,k3，对所述评价函数f进行改进，得到改进的评价函数f＝k1fit1/(k2fit2×k3fit3)，加权系数k1,k2,k3可以通过大量实验获得，本发明不做限制。
可选的，所述设计选择、交叉、变异、插入、删除、平滑、避碰算子，包括：
S331，利用锦标赛选择法和精英保留法设计选择算子；
锦标赛选择法在选择时先随机的在群体中选择K个个体进行比较，适应度最好的个体将被选择作为生成下一代的父体，参数K称为竞赛规模。这种选择方式能使种群中适应度好的个体具有较大的“生存”机会。同时，由于它只使用适应度的相对值作为选择的标准，而与适应度的数值大小不成直接比例，从而避免了超级个体的影响，在一定程度上避免了过早收敛和停滞现象的发生。
精英保留法即当前种群中适应度最好的个体不参加遗传操作，直接复制到下一代，替换经交叉和变异操作产生的子种群中适应度最差的个体。其优点是在搜索过程中某一代的最优个体可不被遗传操作所破坏，这样可以保证遗传算法以概率收敛到最优解。本发明方法设定保留种群总体3％的个体。
可选的，使用最优保存策略来选择个体，的原理是：无论个体的适应度如何，在具有随机性的交叉、变异操作后，都有一定的几率会损失目前为止高适应度的个体。为了保证种群的高适应度提高算法的效率，最优保存就是保存种群中适应度较高的那部分个体。这些个体直接进入子代，不进行算法中的其余操作。
S332，利用单点交叉法设计交叉算子；
在两个父体上分别随机选取一个交叉点(起点和终点除外)，在该点将父体路径断开，分成头尾两部分，然后将一条路径的头部与另一条路径的尾部连接在一起，形成两个新的路径。个体路径的长度与角度期望的大小和环境复杂度相关，为了防止切断拼接操作后出现过于繁琐或简单的路径，对生成的新个体长度进行限制，若不符合要求，则重新获取两个个体新的切断点。
S333，利用随机替换转向点法和偏移转向点设计变异算子；
随机替换转向点法针对不可行路径，转向点选取的相对破坏性小，转向点的搜索空间可以放宽。所以可随机选择一个坐标点，假设要变异的转向点坐标为(xi,yi)，则选择的坐标点横坐标范围应在区间(xi-1,xi+1)内，纵坐标在整个规划区域。判断该坐标点是否在可行域中(不在障碍物内部及边界之外的坐标点称为在可行域之内)，若是，则替代被选中的转向点；若不是，则重新选取坐标点直到符合为止，再执行替换操作。
偏移转向点针对可行路径，为避免随机替换的破坏，改为在被选转向点纵坐标一定范围内的可行域中随机选择替代点，即将转向点在一定范围内随机偏移。其中范围的大小与期望的偏移距离大小以及可行路径所占的比例相关，偏移期望值越大，选取的范围也增大，同样可行路径所占的比例增加，为减少破坏性，相对缩小选取的范围，偏移后的新坐标表示为：。
ynew＝yold±rand·desiredclear·(1-feasiblearate)
其中ynew为转向点的原始纵坐标，rand为(0,1)之间的随机数，desiredclear为期望偏移的间隔，feasiblearate为当代种群中可行路径所占的比例。如图3(a)和(b)所示。
S334，利用插入随机中间路径点，或在相邻两个中间路径点之间插入M个中间路径点的方式设计插入算子，M为大于等于1的整数；如图3(c)和(d)所示。
S335，所述删除算子为：
对任一舰船路径规划起点和终点之间的路径进行处理，当该路径上的点(xi-1,yi-1)与点(xi,yi)的连线经过障碍物，但点(xi-1,yi-1)与点(xi+1,yi+1)的连线不经过障碍物时，将点(xi,yi)添加到存储器R中，如果R不为空，从中随机选取一点删除；否则，在该路径中任选一个中间路径点按预设的概率删除；如图3(e)和(f)所示。
S336，所述平滑算子为：
获取舰船路径规划中的拐角，对大于π/2的拐角进行处理；
所述处理包括删除所述大于π/2的拐角的顶点pj；
依次连接点pj-1、p1、p2、pj+1构成可行路径段pj-1p1→p1p2→p2pj+1；
当点p1和p2在障碍物内或其连线在障碍物内时，重新选取；其中点p1在点pj-1与点pj之间，点p2在点pj与点pj+1之间；如图3(g)。
S337，利用先验知识，设计避碰算子。
为保证舰船航行时与其他船舶核障碍物的安全距离，在插入转向点时利用先验知识进行避碰设计，可以保证每条路径的安全性。设已获取各船航向和速度，各船在每一段折线内做匀速直线运动，设定每条船的起始时间、每个转向点都有两个时间：一是本段路径的航行时间，二是航行至本转向点所花费的总时间。
每条船的参数包括：起始点，终止点，相对起始时间(≥0)，速度(匀速)，安全半径r。
假设船在某一路段的速度为v，初始点p0，初始时间t0，p0到Pi(xi,yi)时间为ti，点Pi-1(xi-1,yi-1)到Pi(xi,yi)的时间为Ti-1，有ti＝ti-1+Ti-1，其中
计算在ti时刻第K条船的位置，首先确定在ti时刻第K条船的航向航速，设此路径段为Qm，则在点Qm(xm,ym)的时间为tm，则ti时间第K条船的位置为Obk(xbk(ti),ybk(ti))，其中
xbk(ti)＝xm+vbx(ti-tm)
ybk(ti)＝ym+vby(ti-tm)
vbx和vby分别是速度v在x轴和y轴坐标上的分量。
经以上分析，可得时刻ti转向点Pi(xi,yi)与第K条船的距离dik为：
如果dik>r则航线是安全的，该转向点可以使用，否则丢弃。
可选的，所述确定遗传算子执行概率，包括：
S341，利用种群早熟度评价模型，计算得到种群早熟度评价指标；
所述种群早熟度评价模型为：
其中Δ′为种群早熟度评价指标，Ftmax为最优个体适应度，为适应度大于/>的个体平均适应度，/>为种群个体的平均适应度，第t代种群由个体构成，M为个体数量，M个个体的适应度分别为Ft 1,Ft 2,…,Ft M；
S342，所述概率自适应调整方法为：
设置交叉概率Pc和变异概率Pm；
当种群趋于收敛时，降低交叉概率Pc，提高变异概率Pm；当种群个体发散时，提高交叉概率Pc，降低变异概率Pm。
根据上述评价种群“早熟”程度的指标Δ′，控制交叉概率Pc、变异概率Pm在进化过程中随着Δ′的变化而改变，分别为：
式中：k1,k2＞0。由于Δ′始终大于或等于0，所以Pc取值范围在[0.5,1]之间，Pm的取值范围在[0,0.5]之间。从上式可见，在进化过程中，Pc、Pm根据Δ′取值的不同而动态的自适应调整：当种群个体趋于离散(即Δ′变大)时，Pc增大、Pm减小，种群开发优良个体能力增强；当种群个体趋于收敛(即Δ′变小)时，Pc减小、Pm增大，种群产生新个体能力增强。
可选的，所述方法还包括判断转向点是否在障碍物范围内的方法为：
以所述转向点P1,P2,…,Pn为端点，n为转向点个数，向左方依次作水平射线，得到射线L1,L2,…,Ln；
沿着任一所述射线，从无穷远处开始自左向右移动，遇到障碍物时得到第一个交叉点，离开障碍物时得到第二个交叉点，记录交叉点数量；
当所述交叉点数量为偶数时，所述转向点在障碍物之外，为奇数时所述转向点在障碍物之内。
如图4所示，三个小黑点(P1、P2和P3)所示，分别以点P1、P2和P3为端点，向左方依次作水平射线L1、L2和L3。由于多边形是有界的，所以射线L1(L2，L3)的左端一定在多边形外；考虑沿着L1(L2，L3)从无穷远处开始自左向右移动，遇到和多边形的第一个交点的时候，进入到了多边形的内部，遇到第二个交点的时候，离开了多边形。所以，一般情况下，当交叉点数为偶数值，表示点在障碍物之外，为奇数表示在障碍物之内。但是有些特殊情况(比如刚好过障碍物的顶点等)要加以考虑：有些情况下交点只能计算一个，有些情况下交点不应被计算(如果L和多边形的一条边重合，则这条边应被忽略不计)。为了统一起见，规定在计算射线L和多边形的交点的时候，对于多边形的水平边不作考虑；对于多边形的顶点和L相交的情况，如果该顶点是其所属的边上纵坐标较大的顶点，则计数，否则忽略；对于P在多边形边上的情形，直接可判断P属于多边行。
可选的，采用自适应双种群遗传算法实现舰船路径规划，主要按以下步骤进行：
(1)产生初始种群：算法在预设的搜索范围内随机产生两个群体的个体，作为种群进化的初始种群；
(2)计算适应度值：通过选取的适应度函数分别计算这两个群体所有个体的适应度值，根据具体问题的不同需要进行解的选择排序。
(3)优化准则：考察进化的解或者代数是否满足优化准则，一旦满足优化准则就终止算法计算，否则继续进行计算寻找最优解。
(4)选择、交叉、变异操作：这两个群体分别独立的运行选择、交叉、变异操作：其中子种群1为探测子种群，其交叉概率Pc和变异概率Pm设置较大。该种群使算法一直保持较高的搜索效率，并总能产生大量新的个体产生，有效避免计算结果收敛过早的现象；子种群2为开发子种群，它的Pc和Pm值较小，有利于将局部范围内的优秀个体保留下来。这两个子种群分别独立进化，并且在每一代进化完成时按照一定准则进行个体交换，把各自种群中适应度值高的个体交换到另一种群中。在交叉和变异的过程中，其交叉、变异概率会根据种群的进化而改变，这种变化主要根据的是个体适应度值的平均值来进行调整的。
(5)两个种群各自产生的新种群重新回到步骤(2)计算其适应度值后利用优化准则进行判定，如果不满足优化准则就重复上述步骤直到满足优化准则，算法才会结束。
实施例二
请参阅图5，图5是本发明实施例公开的一种舰船路径规划装置的流程示意图。其中，图5所描述的舰船路径规划方法应用于舰船路径识别、舰船路径自动规划等领域，本发明实施例不做限定。如图5所示，该舰船路径规划装置可以包括以下操作：
S301，地图获取模块，用于获取舰船路径规划的地图范围；
S302，参数获取模块，用于在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；
S303，路径规划模块，用于利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果。
可选的，所述利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果，包括：
S31，确定进行舰船路径规划的编码规则；所述舰船路径规划的编码规则包括编码方法、路径点选择方式和中间路径点编码；
S32，确定进行舰船路径规划的适应度函数；
S33，确定遗传策略，设计选择、交叉、变异、插入、删除、平滑、避碰算子；
S34，确定遗传算子执行概率，包括确定种群早熟度评价指标和概率自适应调整方法；
S35，设定遗传操作参数；所述遗传操作参数包括舰船路径起点和终点、种群大小、最大进化代数、初始路径点数、最大路径点数和遗传算子自适应选择概率系数；
S36，初始化种群，沿所述舰船路径起点和终点连线方向等距离选取N个点，在所述N个点的垂直线上随机选取转向点，并使这些转向点不在障碍物范围内；所述转向点为中间路径点；
所述初始化种群的方法为贪婪算法；
随机选定转向点后，利用贪婪算法求解出一条较优的遍历转向点序列作为初始种群；
S37，计算所述种群中所有个体的适应度，保留适应度最高的个体；根据早熟度评价结果计算遗传算子执行概率，依次执行选择、交叉、变异、插入、删除、平滑、避碰算子，得到下一代群体；所述下一代群体为新种群；
S38，重复S37，直到所述下一代群体中个体数量与父代群体数量相等；
S39，用保留的上一代的适应度最高的个体替换所述新种群中适应度最低的个体，并检查算法停止条件，若达到最大进化代数，则终止算法，并选取适应度最高的可行路径，得到舰船路径规划结果。
可选的，所述确定进行舰船路径规划的编码规则，包括；
S311，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划编码方法为可变长实数编码；
S312，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划的路径点选择方式；所述舰船路径规划的路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
S313，以所述舰船路径规划起点为坐标原点，所述舰船路径规划起点和终点连线为横坐标，建立新坐标系；
在所述新坐标系中，对所述中间路径点进行编码，得到中间路径点可变长实数编码信息。
可选的，所述确定进行舰船路径规划的适应度函数，包括：
S321，对所述舰船路径规划的参数信息进行处理，得到所述舰船路径规划的路径安全性评价信息、路径总长度评价信息和路径平滑度信息；
S322，对所述路径安全性评价信息、路径总长度评价信息和路径平滑度信息进行处理，得到舰船路径规划的适应度函数。
可选的，所述设计选择、交叉、变异、插入、删除、平滑、避碰算子，包括：
S331，利用锦标赛选择法和精英保留法设计选择算子；
S332，利用单点交叉法设计交叉算子；
S333，利用随机替换转向点法和偏移转向点设计变异算子；
S334，利用插入随机中间路径点，或在相邻两个中间路径点之间插入M个中间路径点的方式设计插入算子，M为大于等于1的整数；
S335，所述删除算子为：
对任一舰船路径规划起点和终点之间的路径进行处理，当该路径上的点(xi-1,yi-1)与点(xi,yi)的连线经过障碍物，但点(xi-1,yi-1)与点(xi+1,yi+1)的连线不经过障碍物时，将点(xi,yi)添加到存储器R中，如果R不为空，从中随机选取一点删除；否则，在该路径中任选一个中间路径点按预设的概率删除；
S336，所述平滑算子为：
获取舰船路径规划中的拐角，对大于π/2的拐角进行处理；
所述处理包括删除所述大于π/2的拐角的顶点pj；
依次连接点pj-1、p1、p2、pj+1构成可行路径段pj-1p1→p1p2→p2pj+1；
当点p1和p2在障碍物内或其连线在障碍物内时，重新选取；其中点p1在点pj-1与点pj之间，点p2在点pj与点pj+1之间；
S337，利用先验知识，设计避碰算子；所述避碰算子的计算过程为：
利用距离计算模型，计算得到时刻ti转向点Pi(xi,yi)与第K条船的距离dik；所述距离计算模型为：
当dik>r时航线是安全的，该转向点可以使用，否则丢弃；其中xbk(ti)＝xm+vbx(ti-tm)，ybk(ti)＝ym+vby(ti-tm)，xi,yi为点pi的坐标，ti＝ti-1+Ti-1，Ti-1为点Pi-1(xi-1,yi-1)到点Pi(xi,yi)的时间，ti时刻第K条船的路径段为Qm，在点Qm(xm,ym)的时间为tm，ti时间第K条船的位置为Obk(xbk(ti),ybk(ti))，vbx和vby分别为速度v在x轴和y轴坐标上的分量，舰船在某一路段的速度为v，初始点为p0，初始时间为t0，p0到点Pi(xi,yi)时间为ti。
可选的，所述确定遗传算子执行概率，包括：
S341，利用种群早熟度评价模型，计算得到种群早熟度评价指标；
所述种群早熟度评价模型为：
其中Δ′为种群早熟度评价指标，Ftmax为最优个体适应度，为适应度大于/>的个体平均适应度，/>为种群个体的平均适应度，第t代种群由个体构成，M为个体数量，M个个体的适应度分别为Ft 1,Ft 2,…,Ft M；
S342，所述概率自适应调整方法为：
设置交叉概率Pc和变异概率Pm；
当种群趋于收敛时，降低交叉概率Pc，提高变异概率Pm；当种群个体发散时，提高交叉概率Pc，降低变异概率Pm。
可选的，所述方法还包括判断转向点是否在障碍物范围内的方法为：
以所述转向点P1,P2,…,Pn为端点，n为转向点个数，向左方依次作水平射线，得到射线L1,L2,…,Ln；
沿着任一所述射线，从无穷远处开始自左向右移动，遇到障碍物时得到第一个交叉点，离开障碍物时得到第二个交叉点，记录交叉点数量；
当所述交叉点数量为偶数时，所述转向点在障碍物之外，为奇数时所述转向点在障碍物之内。
实施例三
请参阅图6，图6是本发明实施例公开的另一种舰船路径规划装置的流程示意图。其中，图6所描述的舰船路径规划方法应用于舰船路径识别、舰船路径自动规划等领域，本发明实施例不做限定。如图6所示，该舰船路径规划装置可以包括以下操作：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一或实施例二所描述的舰船路径规划方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的舰船路径规划方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种舰船路径规划方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种舰船路径规划方法，其特征在于，所述方法包括：
S1，获取舰船路径规划的地图范围；
S2，在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；
S3，利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果，包括
S31，确定进行舰船路径规划的编码规则；所述舰船路径规划的编码规则包括编码方法、路径点选择方式、中间路径点编码和判断转向点是否在障碍物范围内；
所述编码方法为可变长实数编码；
所述路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
所述中间路径点编码包括对一维编码的改进，记录转向点的横坐标；
所述判断转向点是否在障碍物范围内的方法为：
以所述转向点P1,P2,…,Pn为端点，n为转向点个数，向左方依次作水平射线，得到射线L1,L2,…,Ln；
沿着任一所述射线，从无穷远处开始自左向右移动，遇到障碍物时得到第一个交叉点，离开障碍物时得到第二个交叉点，记录交叉点数量；
当所述交叉点数量为偶数时，所述转向点在障碍物之外，为奇数时所述转向点在障碍物之内；
S32，确定进行舰船路径规划的适应度函数，包括：路径安全性评价信息fit1、路径总长度评价信息fit2和路径平滑度信息fit3；
引入加权系数k1,k2,k3，得到改进的舰船路径规划的适应度函数f；
f＝k1fit1/(k2fit2×k3fit3)
S33，确定遗传策略，对两个种群分别设计选择、交叉、变异、插入、删除、平滑、避碰算子；
所述选择算子采用最优保存策略来选择个体，保存种群中适应度较高的那部分个体，这些个体直接进入子代，不进行算法中的其余操作；
所述变异算子利用随机替换转向点法和偏移转向点设计；
所述平滑算子为：
获取舰船路径规划中的拐角，对大于π/2的拐角进行处理；
所述处理包括删除所述大于π/2的拐角的顶点pj；
依次连接点pj-1、p1、p2、pj+1构成可行路径段pj-1p1→p1p2→p2pj+1；
当点p1和p2在障碍物内或其连线在障碍物内时，重新选取；其中点p1在点pj-1与点pj之间，点p2在点pj与点pj+1之间；
所述避碰算子利用先验知识计算，包括：
每条船的参数包括：起始点，终止点，相对起始时间≥0，速度为匀速，安全半径r；
假设船在某一路段的速度为v，初始点p0，初始时间t0，p0到Pi(xi,yi)时间为ti，点Pi-1(xi-1,yi-1)到Pi(xi,yi)的时间为Ti-1，有ti＝ti-1+Ti-1，其中
计算在ti时刻第K条船的位置，首先确定在ti时刻第K条船的航向航速，设此路径段为Qm，则在点Qm(xm,ym)的时间为tm，则ti时间第K条船的位置为Obk(xbk(ti),ybk(ti))，其中
xbk(ti)＝xm+vbx(ti-tm)
ybk(ti)＝ym+vby(ti-tm)
vbx和vby分别是速度v在x轴和y轴坐标上的分量；
经以上分析，可得时刻ti转向点Pi(xi,yi)与第K条船的距离dik为：
如果dik>r则航线是安全的，该转向点可以使用，否则丢弃；
S34，确定遗传算子执行概率，包括确定种群早熟度评价指标和概率自适应调整方法；
所述种群早熟度评价模型为：
其中Δ′为种群早熟度评价指标，Ftmax为最优个体适应度，为适应度大于/>的个体平均适应度，/>为种群个体的平均适应度，第t代种群由个体/>构成，M为个体数量，M个个体的适应度分别为Ft 1,Ft 2,…,Ft M；
所述概率自适应调整方法为：
设置交叉概率Pc和变异概率Pm；
当种群趋于收敛时，降低交叉概率Pc，提高变异概率Pm；当种群个体发散时，提高交叉概率Pc，降低变异概率Pm；
根据上述评价种群“早熟”程度的指标Δ′，控制交叉概率Pc、变异概率Pm在进化过程中随着Δ′的变化而改变，分别为：
式中：k1,k2＞0；由于Δ′始终大于或等于0，所以Pc取值范围在[0.5,1]之间，Pm的取值范围在[0,0.5]之间；
S35，设定遗传操作参数；所述遗传操作参数包括舰船路径起点和终点、种群大小、最大进化代数、初始路径点数、最大路径点数、遗传算子自适应选择概率系数和选择自适应双种群遗传算法；
S36，初始化种群，沿所述舰船路径起点和终点连线方向等距离选取N个点，在所述N个点的垂直线上随机选取转向点，并使这些转向点不在障碍物范围内；所述转向点为中间路径点；
随机产生两个群体的个体，作为种群进化的初始种群，得到两个种群，子种群1和子种群2；
S37，计算所述两个种群中所有个体的适应度，保留适应度最高的个体；根据早熟度评价结果计算遗传算子执行概率，依次执行选择、交叉、变异、插入、删除、平滑、避碰算子，得到下一代群体；所述下一代群体为新种群；
子种群1为探测子种群，其交叉概率Pc和变异概率Pm设置较大；使算法一直保持较高的搜索效率，并总能产生大量新的个体产生，有效避免计算结果收敛过早的现象；子种群2为开发子种群，它的Pc和Pm值较小，有利于将局部范围内的优秀个体保留下来，两个子种群分别独立进化，并且在每一代进化完成时按照一定准则进行个体交换，把各自种群中适应度值高的个体交换到另一种群中；
S38，重复S37，两个种群各自产生的新种群，直到所述下一代群体中个体数量与父代群体数量相等；
S39，用保留的上一代的适应度最高的个体替换所述新种群中适应度最低的个体，并检查算法停止条件，若达到最大进化代数，则终止算法，并选取适应度最高的可行路径，得到舰船路径规划结果。
2.根据权利要求1所述的舰船路径规划方法，其特征在于，所述确定进行舰船路径规划的编码规则，包括；
S311，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划编码方法为可变长实数编码；
S312，对所述舰船路径规划的参数信息进行分析，确定舰船路径规划的路径点选择方式；所述舰船路径规划的路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
S313，以所述舰船路径规划起点为坐标原点，所述舰船路径规划起点和终点连线为横坐标，建立新坐标系；
在所述新坐标系中，对所述中间路径点进行编码，得到中间路径点可变长实数编码信息。
3.根据权利要求1所述的舰船路径规划方法，其特征在于，所述确定进行舰船路径规划的适应度函数，包括：
S321，对所述舰船路径规划的参数信息进行处理，得到所述舰船路径规划的路径安全性评价信息、路径总长度评价信息和路径平滑度信息；
S322，对所述路径安全性评价信息、路径总长度评价信息和路径平滑度信息进行处理，得到舰船路径规划的适应度函数。
4.根据权利要求1所述的舰船路径规划方法，其特征在于，所述设计选择、交叉、变异、插入、删除、平滑、避碰算子，包括：
S331，利用单点交叉法设计交叉算子；
S332，利用插入随机中间路径点，或在相邻两个中间路径点之间插入M个中间路径点的方式设计插入算子，M为大于等于1的整数；
S333，所述删除算子为：
对任一舰船路径规划起点和终点之间的路径进行处理，当该路径上的点(xi-1,yi-1)与点(xi,yi)的连线经过障碍物，但点(xi-1,yi-1)与点(xi+1,yi+1)的连线不经过障碍物时，将点(xi,yi)添加到存储器R中，如果R不为空，从中随机选取一点删除；否则，在该路径中任选一个中间路径点按预设的概率删除。
5.一种舰船路径规划装置，其特征在于，所述装置包括：
地图获取模块，用于获取舰船路径规划的地图范围；
参数获取模块，用于在所述地图范围内，获取舰船路径规划的参数信息；所述参数信息包括舰船路径规划起点和终点、初始路径点数、最大路径点数和障碍物分布信息、舰船路径规划中的拐角；
路径规划模块，用于利用预设的舰船路径规划模型，对所述舰船路径规划的参数信息进行处理，得到舰船路径规划结果，包括
S31，确定进行舰船路径规划的编码规则；所述舰船路径规划的编码规则包括编码方法、路径点选择方式、中间路径点编码和判断转向点是否在障碍物范围内；
所述编码方法为可变长实数编码；
所述路径点选择方式包括：
所述舰船路径规划的路径包括可行路径和不可行路径；
设置进行舰船路径规划的中间路径点；所述中间路径点为所述舰船路径规划起点和终点连线上的若干个点的集合；
所述中间路径点将所述舰船路径规划起点和终点连线进行N等分，在每一个控制周期内，选择与舰船当前位置距离最小的中间路径点为当前时刻的规划路径点；
所述中间路径点编码包括对一维编码的改进，记录转向点的横坐标；
所述判断转向点是否在障碍物范围内的方法为：
以所述转向点P1,P2,…,Pn为端点，n为转向点个数，向左方依次作水平射线，得到射线L1,L2,…,Ln；
沿着任一所述射线，从无穷远处开始自左向右移动，遇到障碍物时得到第一个交叉点，离开障碍物时得到第二个交叉点，记录交叉点数量；
当所述交叉点数量为偶数时，所述转向点在障碍物之外，为奇数时所述转向点在障碍物之内；
S32，确定进行舰船路径规划的适应度函数，包括：路径安全性评价信息fit1、路径总长度评价信息fit2和路径平滑度信息fit3；
引入加权系数k1,k2,k3，得到改进的舰船路径规划的适应度函数f；
f＝k1fit1/(k2fit2×k3fit3)
S33，确定遗传策略，对两个种群分别设计选择、交叉、变异、插入、删除、平滑、避碰算子；
所述选择算子采用最优保存策略来选择个体，保存种群中适应度较高的那部分个体，这些个体直接进入子代，不进行算法中的其余操作；
所述变异算子利用随机替换转向点法和偏移转向点设计；
所述平滑算子为：
获取舰船路径规划中的拐角，对大于π/2的拐角进行处理；
所述处理包括删除所述大于π/2的拐角的顶点pj；
依次连接点pj-1、p1、p2、pj+1构成可行路径段pj-1p1→p1p2→p2pj+1；
当点p1和p2在障碍物内或其连线在障碍物内时，重新选取；其中点p1在点pj-1与点pj之间，点p2在点pj与点pj+1之间；
所述避碰算子利用先验知识计算，包括：
每条船的参数包括：起始点，终止点，相对起始时间≥0，速度为匀速，安全半径r；
假设船在某一路段的速度为v，初始点p0，初始时间t0，p0到Pi(xi,yi)时间为ti，点Pi-1(xi-1,yi-1)到Pi(xi,yi)的时间为Ti-1，有ti＝ti-1+Ti-1，其中
计算在ti时刻第K条船的位置，首先确定在ti时刻第K条船的航向航速，设此路径段为Qm，则在点Qm(xm,ym)的时间为tm，则ti时间第K条船的位置为Obk(xbk(ti),ybk(ti))，其中
xbk(ti)＝xm+vbx(ti-tm)
ybk(ti)＝ym+vby(ti-tm)
vbx和vby分别是速度v在x轴和y轴坐标上的分量；
经以上分析，可得时刻ti转向点Pi(xi,yi)与第K条船的距离dik为：
如果dik>r则航线是安全的，该转向点可以使用，否则丢弃；
S34，确定遗传算子执行概率，包括确定种群早熟度评价指标和概率自适应调整方法；
所述种群早熟度评价模型为：
其中Δ′为种群早熟度评价指标，Ftmax为最优个体适应度，为适应度大于/>的个体平均适应度，/>为种群个体的平均适应度，第t代种群由个体/>构成，M为个体数量，M个个体的适应度分别为Ft 1,Ft 2,…,Ft M；
所述概率自适应调整方法为：
设置交叉概率Pc和变异概率Pm；
当种群趋于收敛时，降低交叉概率Pc，提高变异概率Pm；当种群个体发散时，提高交叉概率Pc，降低变异概率Pm；
根据上述评价种群“早熟”程度的指标Δ′，控制交叉概率Pc、变异概率Pm在进化过程中随着Δ′的变化而改变，分别为：
式中：k1,k2＞0；由于Δ′始终大于或等于0，所以Pc取值范围在[0.5,1]之间，Pm的取值范围在[0,0.5]之间；
S35，设定遗传操作参数；所述遗传操作参数包括舰船路径起点和终点、种群大小、最大进化代数、初始路径点数、最大路径点数、遗传算子自适应选择概率系数和选择自适应双种群遗传算法；
S36，初始化种群，沿所述舰船路径起点和终点连线方向等距离选取N个点，在所述N个点的垂直线上随机选取转向点，并使这些转向点不在障碍物范围内；所述转向点为中间路径点；
随机产生两个群体的个体，作为种群进化的初始种群，得到两个种群，子种群1和子种群2；
S37，计算所述两个种群中所有个体的适应度，保留适应度最高的个体；根据早熟度评价结果计算遗传算子执行概率，依次执行选择、交叉、变异、插入、删除、平滑、避碰算子，得到下一代群体；所述下一代群体为新种群；
子种群1为探测子种群，其交叉概率Pc和变异概率Pm设置较大；使算法一直保持较高的搜索效率，并总能产生大量新的个体产生，有效避免计算结果收敛过早的现象；子种群2为开发子种群，它的Pc和Pm值较小，有利于将局部范围内的优秀个体保留下来，两个子种群分别独立进化，并且在每一代进化完成时按照一定准则进行个体交换，把各自种群中适应度值高的个体交换到另一种群中；
S38，重复S37，两个种群各自产生的新种群，直到所述下一代群体中个体数量与父代群体数量相等；
S39，用保留的上一代的适应度最高的个体替换所述新种群中适应度最低的个体，并检查算法停止条件，若达到最大进化代数，则终止算法，并选取适应度最高的可行路径，得到舰船路径规划结果。
6.一种舰船路径规划装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-4任一项所述的舰船路径规划方法。
7.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-4任一项所述的舰船路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211526824.3A CN115829179B (zh) | 2022-11-30 | 2022-11-30 | 一种舰船路径规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211526824.3A CN115829179B (zh) | 2022-11-30 | 2022-11-30 | 一种舰船路径规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115829179A CN115829179A (zh) | 2023-03-21 |
| CN115829179B true CN115829179B (zh) | 2023-08-01 |
Family
ID=85533403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211526824.3A Active CN115829179B (zh) | 2022-11-30 | 2022-11-30 | 一种舰船路径规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115829179B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341784B (zh) * | 2023-05-19 | 2023-08-04 | 浙江飞航智能科技有限公司 | 一种舱段多边形封闭区域任务下路径优化方法 |
| CN117115239B (zh) * | 2023-06-07 | 2024-02-23 | 中国人民解放军91977部队 | 用于远区电磁散射强度估计的入射线交点获取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111338356A (zh) * | 2020-04-07 | 2020-06-26 | 哈尔滨工程大学 | 改进分布式遗传算法的多目标无人船避碰路径规划方法 |
| CN112684796A (zh) * | 2020-12-14 | 2021-04-20 | 大连海事大学 | 一种针对复杂海域usv航行的路径规划方法 |
| CN114414516A (zh) * | 2021-04-30 | 2022-04-29 | 中国人民解放军91977部队 | 一种光电环境分级方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070056463A1 (en) * | 2003-10-25 | 2007-03-15 | Jim Rodnunsky | Object movement system and method |
| CN102360214B (zh) * | 2011-09-02 | 2013-03-06 | 哈尔滨工程大学 | 一种基于萤火虫算法的舰船路径规划方法 |
| CN105975674B (zh) * | 2016-04-29 | 2019-11-05 | 天津大学 | 一种船舶分支管路路径规划方法 |
| US10535274B2 (en) * | 2017-08-03 | 2020-01-14 | Airbus Operations S.A.S. | System and method for collision avoidance |
-
2022
- 2022-11-30 CN CN202211526824.3A patent/CN115829179B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111338356A (zh) * | 2020-04-07 | 2020-06-26 | 哈尔滨工程大学 | 改进分布式遗传算法的多目标无人船避碰路径规划方法 |
| CN112684796A (zh) * | 2020-12-14 | 2021-04-20 | 大连海事大学 | 一种针对复杂海域usv航行的路径规划方法 |
| CN114414516A (zh) * | 2021-04-30 | 2022-04-29 | 中国人民解放军91977部队 | 一种光电环境分级方法 |
Non-Patent Citations (1)
| Title |
|---|
| 舰船目标特性测量技术专利分析与发展研究;王雅芬 等;舰船电子工程;第41卷(第12期);4-9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115829179A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115829179B (zh) | 一种舰船路径规划方法及装置 | |
| Ai et al. | Coverage path planning for maritime search and rescue using reinforcement learning | |
| US10365110B2 (en) | Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles | |
| CN109885891A (zh) | 一种智能车gpu并行加速轨迹规划方法 | |
| Graham et al. | Pathfinding in computer games | |
| CN110906935B (zh) | 一种无人艇路径规划方法 | |
| CN102855387B (zh) | 一种基于小生境粒子群的二维空间多路径规划方法 | |
| CN110181508A (zh) | 水下机器人三维航路规划方法及系统 | |
| CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
| CN113505189B (zh) | 一种基于多层级全球格网的面状目标栅格化方法 | |
| CN109556609B (zh) | 一种基于人工智能的避碰方法及装置 | |
| 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 | |
| Du et al. | An optimized path planning method for coastal ships based on improved DDPG and DP | |
| CN114611663A (zh) | 一种基于在线更新策略的定制化行人轨迹预测方法 | |
| CN114625150A (zh) | 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 | |
| Park et al. | Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors | |
| CN112182819B (zh) | 一种基于赋权图的结构拓扑优化方法、系统以及可读存储介质 | |
| CN115421522B (zh) | 一种基于并行自适应蚁群算法的无人机覆盖路径规划方法 | |
| US20170039477A1 (en) | Probabilistic inferences network utilizing second order uncertainty | |
| CN116307331A (zh) | 航空器轨迹的规划方法 | |
| CN115493591A (zh) | 一种多航路规划方法 | |
| CN113627646B (zh) | 一种基于神经网络的路径规划方法、装置、设备及介质 | |
| Alsouly et al. | Enhanced Genetic Algorithm for Mobile Robot Path Planning in Static and Dynamic Environment. | |
| CN110399679B (zh) | 一种地基基础位置优化设计方法 | |
| CN113645632A (zh) | 基于人工免疫优化和可视多边形算法的5g基站布局方法 |
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 |