CN117419731B - 基于多策略人工蜂群算法在海洋环境下的路径规划方法 - Google Patents
基于多策略人工蜂群算法在海洋环境下的路径规划方法 Download PDFInfo
- Publication number
- CN117419731B CN117419731B CN202311751227.5A CN202311751227A CN117419731B CN 117419731 B CN117419731 B CN 117419731B CN 202311751227 A CN202311751227 A CN 202311751227A CN 117419731 B CN117419731 B CN 117419731B
- Authority
- CN
- China
- Prior art keywords
- path
- point
- uuv
- strategy
- track
- 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 60
- 230000008569 process Effects 0.000 claims abstract description 22
- 235000012907 honey Nutrition 0.000 claims description 157
- 238000011835 investigation Methods 0.000 claims description 13
- 238000005265 energy consumption Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 235000019687 Lamb Nutrition 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000005457 optimization Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 8
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
基于多策略人工蜂群算法在海洋环境下的路径规划方法,本发明涉及海洋环境下的路径规划领域。本发明的目的是为了解决现有路径规划算法存在的收敛速度慢、易陷入局部最优的缺点并且在UUV进入目标点时没有考虑进入目标点期望角度的问题。具体过程为:步骤1:根据UUV所处海洋环境对洋流流场进行建模,得到洋流的流向与大小信息;根据UUV所处海洋环境,获取障碍物的数量和位置信息;所述UUV为水下无人航行器;步骤2:基于步骤1在满足UUV航迹不同情况的角度约束下,得到连接航迹起点与航迹终点的路径,计算路径的代价;步骤3:利用多策略ABC算法对步骤2的路径的代价最小值寻优问题进行求解,输出最优路径。
Description
技术领域
本发明涉及海洋环境下的路径规划方法。
背景技术
水下无人航行器UUV是面向海洋最具发展前景和挑战。由于水下无人航行器UUV在复杂和危险的水下环境中良好的工作性能而受到越来越多的关注。为了方便后续图像拼接和处理,在路径规划时需要UUV声纳以期望的固定角度进入目标点。由于海洋环境下的洋流会对UUV航行带来巨大影响,因此在复杂的海洋环境中UUV的路径规划除了要达到最基本的避碰要求,还要考虑洋流因素。洋流作为一种能量的流动,逆流航行会加重UUV自身能量的损耗,使航行距离变短,因此在路径规划时,希望UUV顺着海流流向航行以达到减少损耗和航行时间的目的。
查阅当前国内外相关研究文献,研究主要集中于UUV受海流和障碍物影响下的路径规划。在现有研究中,UUV以期望角度进入目标点的路径规划较少,尚未检索到相关文献和专利,因此UUV面向海流和障碍物影响下以期望角度进入目标点的UUV二维自主路径规划尚无可借鉴的解决方法。同时UUV本身也存在航迹长度、航行能耗以及航行时间等优化问题,虽然目前已经存在人工势场法 (APF) 、A*算法等路径规划算法,但这些算法存在规划速度较慢且容易陷入局部最优等问题。
发明内容
本发明的目的是为了解决现有路径规划算法存在的收敛速度慢、易陷入局部最优的缺点并且在UUV进入目标点时没有考虑进入目标点期望角度的问题,而提出基于多策略人工蜂群算法在海洋环境下的路径规划方法。
基于多策略人工蜂群算法在海洋环境下的路径规划方法具体过程为:
步骤1:根据UUV所处海洋环境对洋流流场进行建模,得到洋流的流向与大小信息;
根据UUV所处海洋环境,获取障碍物的数量和位置信息;
步骤2:基于步骤1在满足UUV航迹不同情况的角度约束下,得到连接航迹起点S与航迹终点T的路径,计算路径的代价;
步骤3:利用多策略人工蜂群算法对步骤2路径的代价进行多约束非线性优化问题求解,输出最优路径。
本发明的有益效果为:
本发明通过对路径节点搜索模型改进并配合准均匀B样条曲线实现了给定角度进入目标点的功能。改进的多策略人工蜂群算法利用佳点集对初始蜜源进行优化,使初始蜜源更加均匀、多样,提高了算法收敛速度;综合采用4种策略进化,使得人工蜂群算法ABC算法的随机搜索性变得更加可控,显著提高了算法的优化效率;通过采蜜蜂阶段先验知识的积累和新知识的探索,利用UCB算法提出了进化策略选择的引导机制,使跟随蜂能快速准确地选择进化策略;为了避免人工蜂群算法ABC算法陷入局部最优解,采用T分布配合反向学习产生新的个体,进一步增强了全局寻优能力。
1.改进了路径节点搜索模型,使UUV在满足转角限制的情况下,实现任意期望角度进入目标点。
2.改进了多策略人工蜂群算法,综合采用4种策略进化,利用UCB算法提出了进化策略选择的引导机制,使跟随蜂能快速准确地选择进化策略,提高了算法的效率和适应性,提高了算法收敛速度。
附图说明
图1为洋流建模图,为大地坐标系横坐标,单位为米;/>为大地坐标系纵坐标,单位为米;箭头代表洋流;
图2为地图建模示意图,为大地坐标系原点;/>为新坐标系横坐标,单位为米;/>为新坐标系纵坐标,单位为米;/>为大地坐标系原点;方框代表/>,/>为UUV航迹起点;五角星代表/>,/>为UUV航迹终点;/>、/>、/>、/>、/>、/>、/>、/>为直线/>的垂线;圆形代表控制点,/>、/>、/>、/>、/>、/>、/>、/>为控制点(/>、/>、/>、/>、/>、/>、、/>对应的灰色小圆圈为控制点),/>为垂线间的距离,灰色实心圆圈为障碍,斜线上的空心圆圈表示控制点;
图3为地图搜索模型改进图,方框代表,/>为UUV航迹起点;五角星代表/>,/>为UUV航迹终点;
图4为UUV速度合成图,为静水速度与大地坐标系X轴的夹角,/>为合速度与大地坐标系X轴的夹角,/>为洋流速度与大地坐标系X轴的夹角,/>为UUV合速度大小(UUV在静水中的速度和洋流速度相加后的速度),/>为洋流速度大小,/>为UUV在静水中的速度大小,灰色实心圆圈为障碍,方框代表/>,/>为UUV航迹起点;五角星代表/>,/>为UUV航迹终点;
图5为本发明的整体框架图;
图6a为UUV以0度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV;
图6b为UUV以60度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV;
图6c为UUV以90度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV;
图6d为UUV以120度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV;
图6e为UUV以180度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV;
图6f为UUV以-60度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV;
图6g为UUV以-90度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV;
图6h为UUV以-120度为期望角度进入目标点的路径图,方框代表UUV航迹起点;五角星代表UUV航迹终点;箭头代表洋流;代表洋流中心;灰色实心圆圈代表障碍,椭圆形表示UUV。
具体实施方式
具体实施方式一:本实施方式基于多策略人工蜂群算法在海洋环境下的路径规划方法具体过程为:
步骤1:根据UUV所处海洋环境对洋流流场进行建模,得到洋流的流向与大小信息;
根据UUV所处海洋环境,获取障碍物的数量和位置信息;
所述UUV为水下无人航行器;
步骤2:将步骤1中的现实问题抽象为数学问题;
基于步骤1在满足UUV航迹不同情况的角度约束下,得到连接航迹起点S与航迹终点T的路径,计算路径的代价;
步骤3:利用多策略人工蜂群算法对步骤2的路径的代价最小值寻优问题进行多约束非线性优化求解,输出最优路径。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤1中根据UUV所处海洋环境对洋流流场进行建模,得到洋流的流向与大小信息;
根据UUV所处海洋环境,获取障碍物的数量和位置信息;
具体过程为:
步骤1.1:根据UUV所处海洋环境,利用粘性Lamb涡流叠加的方式对洋流流场进行建模,进而得到洋流的流向与大小信息;
单个Lamb涡流数学表达式为:
(1)
式中:表示大地坐标系下洋流在X轴方向上的速度大小分量,/>表示大地坐标系下洋流在Y轴方向上的速度大小分量,/>表示大地坐标系下洋流在Z轴方向上的速度大小分量,/>表示UUV质心所在位置即当前UUV的准确位置,/>代表洋流的强度大小,表示洋流半径,/>表示洋流中心点坐标,/>表示UUV航迹在大地坐标系/>下的位置坐标,/>表示洋流在大地坐标系/>下的位置坐标;
洋流环境的建模如图1所示;
步骤1.2:根据UUV所处海洋环境,获取障碍物的数量N和位置信息,将障碍物膨胀为圆以确保UUV航行安全,障碍物通过障碍物中心位置坐标和障碍物半径大小/>来表征,通过下式表示
(2)
其中,robi为第i个障碍物的半径,为UUV航迹在大地坐标系/>下的位置坐标,/>为大地坐标系/>下障碍物中心位置坐标;
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤2中将步骤1中的现实问题抽象为数学问题;
基于步骤1在满足UUV航迹不同情况的角度约束下,得到连接航迹起点S与航迹终点T的路径,计算路径的代价;
具体过程为:
步骤2.1:进行坐标变换,将二维路径规划问题的搜索维度降为1维;具体过程为:
在航迹起点S和航迹终点T之间规划一条能满足给定期望角度约束、避开障碍物和洋流中心且长度较短、用时较少、能耗较低的最优或次优可行航迹。
已知航迹起点S、航迹终点T,UUV从航迹起点S出发,到航迹终点T结束;
在大地坐标系下,航迹起点S位置坐标为/>,航迹终点位置坐标为;
连接航迹起点S与航迹终点T,直线ST上点的位置坐标为;
直线ST与大地坐标系X轴夹角为;
(3)
在大地坐标系下,构建降维后新坐标系/>,航迹起点S作为新坐标系原点/>,直线ST作为新坐标系/>轴,在原点/>处做垂直/>轴的直线作为新坐标系的/>轴;
在新坐标系下直线ST上点的位置坐标为/>;
大地坐标系和降维后新坐标系/>的转换关系为:
(4)
步骤2.2:完成坐标变换后,在新坐标系下等分直线ST为D段小线段,获得S-1段、1-2段、…、/>段,D为航迹终点/>;
然后在连接等分小线段的等分节点1、2、…、D-1处分别做直线ST的垂线、/>、…、/>;
在垂线、/>、…、/>上分别随机取一个控制点,得到控制点/>、/>、…、/>,连接航迹起点S与控制点/>得到/>,连接控制点/>与控制点/>得到/>,直至连接航迹终点;如图2所示;
步骤2.3:对步骤2.2得到的UUV航迹进行优化,使UUV航迹满足不同情况的角度约束,如图3所示;具体过程为:
1)、当UUV期望角度在航迹终点T处的轴的左侧时UUV没有转角限制,不再额外增加路径节点以满足UUV航向角度限制;
2)、当UUV期望角度在航迹终点T处的轴时增加一条路径节点以满足UUV航向角度限制(图2中垂线中的第一条实线);
所述增加一条路径节点指在航迹终点T处做直线ST的垂线,在垂线/>上随机取一个控制点/>;
3)、当UUV期望角度在航迹终点T处的轴的右侧时,且UUV期望角度距航迹终点T处的/>轴小于等于45°时,增加两条路径节点以满足UUV航向角度限制(图2中垂线中的第一、二条实线);
所述增加两条路径节点指:在航迹终点T处做直线ST的垂线;在S到T方向的延长线上取节点T+1,在节点T+1处做直线ST的垂线/>;
所述节点T+1与航迹终点T相邻;
所述航迹终点T与节点T+1的距离与航迹起点S到节点1距离相等;
在垂线上随机取一个控制点/>,在垂线/>上随机取一个控制点/>;
4)、当UUV期望角度在航迹终点T处的轴的右侧时,且UUV期望角度距航迹终点T处的/>轴大于45°时,增加三条路径节点以满足UUV航向角度限制(图2中垂线中的第一、二、三条实线);
所述增加三条路径节点指:在航迹终点T处做直线ST的垂线;在S到T方向的延长线上取节点T+1,在节点T+1处做直线ST的垂线/>;在S到T+1方向的延长线上取节点T+2,在节点T+2处做直线ST的垂线/>;
所述节点T+2与航迹终点T+1相邻,节点T+1与航迹终点T相邻;
所述节点T+2与节点T+1的距离与航迹起点S到节点1距离相等;
在垂线上随机取一个控制点/>,在垂线/>上随机取一个控制点/>,在垂线上随机取一个控制点/>;
步骤2.4:将步骤2.3得到的UUV航迹以期望角度进入目标点;具体过程为:
针对步骤2.3的1)的情况,控制点到航迹终点T前先到控制点/>,再由控制点到航迹终点T;
针对步骤2.3的2)的情况,控制点到航迹终点T前先到控制点/>,再由控制点到航迹终点T;
针对步骤2.3的3)的情况,控制点到航迹终点T前先到控制点/>,再由控制点到航迹终点T;
针对步骤2.3的4)的情况,控制点到航迹终点T前先到控制点/>,再由控制点到航迹终点T;
其中航迹终点T前最后一个控制点的坐标/>按照下式选取;
(5)
其中为航迹终点T横坐标,/>为航迹终点T纵坐标;
为/>连线与大地坐标系/>的/>轴夹角;
为控制点/>的横坐标和航迹终点T横坐标/>之间的偏移量;/>为垂线间的距离,/>,/>为垂线个数;
是为了在规划时给其一定的裕度,防止最后一个控制点与障碍物碰撞。
步骤2.5:大地坐标系下连接所有控制点形成连接航迹起点S与航迹终点T的路径;
步骤2.2中的路径点,加上2.3中的增加的路径点,再加上2.4中的路径点,还有最终的T。形成路径。
步骤2.6:采用三次准均匀B样条曲线对步骤2.5中路径进行平滑处理,得到平滑后的路径;
步骤2.7:计算步骤2.6得到的平滑后的路径的代价;平滑后的路径的代价是一个多约束非线性优化问题。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤2.6中采用三次准均匀B样条曲线对步骤2.5中路径进行平滑处理,得到平滑后的路径;具体过程为:
设步骤2.5中路径包含n个控制点,n个控制点包含航迹起点S与航迹终点T,n个控制点表示为;
三次准均匀B样条曲线定义为:
(6)
式中:为平滑后的路径,/>为第i个控制点,/>为第i个三次准均匀B样条基函数,k=3;/>与/>相对应,/>是自变量。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤2.7中计算步骤2.6得到的平滑后的路径的代价;平滑后的路径的代价是一个多约束非线性优化问题;
表达式为:
(7)
式中:,/>,/>为的权重,/>,/>,/>;/>为平滑后的路径总长度,/>为时间费用,/>为能耗代价;
平滑后的路径总长度:
(8)
式中:为平滑后路径上第/>个点的坐标,/>为平滑后路径上第/>个点的坐标,/>为平滑后路径上点的总数(平滑后路径由很多点组成);
时间费用:
(9)
(10)
式中:为UUV合速度与大地坐标系X轴的夹角,/>为洋流速度与大地坐标系X轴的夹角;
为UUV合速度(UUV在静水中的速度和洋流速度相加后的速度),/>为洋流速度, />为UUV在静水中的速度;
为平滑后路径上第/>个点到第/>个点的时间;
UUV航行各个速度分解见图4;
能耗代价:
(11)
式中:为平滑后路径上第/>个点到第/>个点的能量消耗,/>为UUV推进功率,与UUV在静水中的速度/>的三次方成正比;/>为阻力系数,本发明中选取其值由UUV 本身设计决定。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤3中利用多策略人工蜂群算法对步骤2的路径的代价最小值寻优问题进行多约束非线性优化求解,输出最优路径;
具体过程为:
步骤3.1:设置最大迭代次数iterMax,种群数目NP,蜜源未更新次数limit,阈值limitMax;
设置种群中每个个体的初始路径代价为inf(无穷大);
设置初始全局最优代价为inf(无穷大);
步骤3.2:设是/>维欧氏空间中的单位立方体,如果/>,/>不为佳点;如果/>,/>为佳点;
佳点集为:
(12)
式中:为佳点,/>为佳点集,NP为种群数目,o表示第o个个体,/>为/>维欧氏空间的维度(控制点个数);q表示第q维度;
,{ }代表取小数部分,/>是满足的最小素数;
利用佳点集优化种群中第o个个体产生一个蜜源,每个蜜源位置代表路径节点,表达式为:
(13)
式中:表示第o个个体第q维度的蜜源,蜜源代表控制点1到控制点/>;
表示第q维度的上界,/>表示第q维度的下界;
其中最后一个控制点的坐标/>按照公式(5)选取,使UUV以期望角度进入目标点;
步骤3.3:利用公式计算佳点集优化后第o个个体产生蜜源对应路径(蜜源代表控制点1到控制点/>,加上起点S和重点T,得到路径)的路径代价,将第o个个体产生蜜源对应路径的路径代价与第o个个体的初始路径代价inf比较:
若第o个个体产生蜜源对应路径的路径代价小于等于第o个个体的初始路径代价inf,则选择第o个个体产生蜜源作为当前蜜源,并记录第o个个体产生蜜源对应路径的路径代价;(大于情况不存在)
遍历种群中的每个个体寻找最小路径代价对应的蜜源作为最优蜜源,更新全局最优解;
(,/>指最优路径第一个 );
步骤3.4:设迭代次数为,令/>;
在雇佣蜂阶段,基于蜜源(步骤3.3的最优蜜源或者上一次迭代的蜜源,第一次迭代为步骤3.3最优蜜源,第二次及之后的蜜源为上一次迭代后产生的蜜源)计算4种策略下产生的新蜜源;
4种策略为:基于自我认识的进化策略、基于种群其他个体知识的进化策略、基于种群平均知识的进化策略、基于最优个体的进化策略;
步骤3.5:利用公式分别计算步骤3.4中4种策略产生的新蜜源/>的路径代价,选取路径代价(4个路径代价)最小值对应的策略为最优策略,若最优策略产生的蜜源的路径代价小于等于全局最优解/>对应的路径代价(第一次迭代全局最优解/>为步骤3.3的全局最优解/>,第二次及之后的迭代代表上一次迭代的最优蜜源),则用最优策略产生的新蜜源作为新的全局最优解/>,并且当前蜜源的未更新次数limit值加1;否则将保留步骤3.4的全局最优解/>并且当前蜜源的未更新次数limit值加1;
步骤3.6:求解即时价值和历史经验;
步骤3.7:跟随蜂阶段:
根据步骤3.6中的即时价值和历史经验,利用上界置信算法选择4种策略中值较大的策略作为最优策略;
相比于人工蜂群算法ABC算法增强了适应不同环境优化的能力;
步骤3.8:基于步骤3.7确定的最优策略,将步骤3.4的最优策略中新蜜源替换蜜源,重新计算得到新密源;
蜜源代表控制点1到控制点;
其中控制点的坐标/>按照公式(5)选取,使UUV以期望角度进入目标点;
比如步骤3.7确定的最优策略为基于自我认识的进化策略时,
中/>替换为/>,/>为/>,/>为第/>个个体的第q维度的蜜源,得到新的蜜源;
比如步骤3.7确定的最优策略为基于种群其他个体知识的进化策略时,
中/>、/>、/>替换为/>中3个不同个体的蜜源,得到新的蜜源;/>;
比如步骤3.7确定的最优策略为基于种群平均知识的进化策时,
中/>替换为/>,/>替换为,/>是NP个个体第q维度蜜源的平均值;
比如步骤3.7确定的最优策略为基于最优个体的进化策略时,中/>、/>替换为/>中2个不同个体的蜜源,得到新的蜜源;/>为第q维度的全局最优解(步骤3.5的新的全局最优解/>);/>,/>;/>;
步骤3.9:利用公式计算步骤3.8的新蜜源的路径代价;
若步骤3.8的新蜜源产生的路径代价小于等于步骤3.5确定的新的全局最优解的路径代价,则用步骤3.8的新蜜源作为新的全局最优解/>,未更新次数limit值置1,执行步骤3.10;
若步骤3.8的新蜜源产生的路径代价大于步骤3.5确定的新的全局最优解的路径代价,则继续用步骤3.5确定的新的全局最优解/>作为新的全局最优解,未更新次数limit值加l,执行步骤3.10;
步骤3.10:判断未更新次数limit值是否大于limitMax;
若未更新次数limit小于limitMax,令,执行步骤3.4(当前新的全局最优解/>替换步骤3.4中蜜源,同步骤3.8);
若未更新次数limit大于等于limitMax,则采用T分布扰动策略和反向学习策略产生新的蜜源,计算蜜源的路径代价,若蜜源(采用T分布扰动策略和反向学习策略产生新的个体和对应的蜜源)的路径代价小于等于步骤3.9确定的新的全局最优解的路径代价,则用蜜源(采用T分布扰动策略和反向学习策略产生新的个体和对应的蜜源)作为新的全局最优解/>,判断迭代次数是否达到最大迭代次数iterMax,若是则输出最优路径(蜜源代表控制点1到控制点/>,加上起点S和重点T,得到路径),若否,令/>,执行步骤3.4(当前新的全局最优解/>替换步骤3.4中蜜源,同步骤3.8);若蜜源(采用T分布扰动策略和反向学习策略产生新的个体和对应的蜜源)的路径代价大于步骤3.9确定的新的全局最优解/>的路径代价,则继续用步骤3.9确定的新的全局最优解/>作为新的全局最优解/>,判断迭代次数是否达到最大迭代次数iterMax,若是则输出最优路径(蜜源代表控制点1到控制点/>,加上起点S和重点T,得到路径),若否,令,执行步骤3.4(当前新的全局最优解/>替换步骤3.4中蜜源,同步骤3.8)。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤3.4中设迭代次数为,令/>;
在雇佣蜂阶段,基于蜜源(步骤3.3的最优蜜源或者上一次迭代的蜜源,第一次迭代为步骤3.3最优蜜源,第二次及之后的蜜源为上一次迭代后产生的蜜源)计算4种策略下产生的新蜜源;
4种策略为:基于自我认识的进化策略、基于种群其他个体知识的进化策略、基于种群平均知识的进化策略、基于最优个体的进化策略;
具体过程为:
(1)基于自我认识的进化策略产生新蜜源;
(14)
式中:为第o个个体第q维度的新蜜源(蜜源代表控制点1到控制点/>);
表示第o个个体第q维度的蜜源(步骤3.3的最优蜜源或者上一次迭代的蜜源,第一次迭代为步骤3.3的最优蜜源,第一次迭代后的蜜源为上一次迭代后产生的蜜源);
为第/>个个体的第q维度的蜜源(步骤3.3的最优蜜源,第一次迭代为步骤3.3的最优蜜源,第一次迭代后的蜜源为上一次迭代后产生的蜜源);
为第/>个个体,/>为第/>个个体,/>,/>,/>,/>为种群数目,/>;一共有/>个/>;
;
为惯性权重,表示亲代个体对后代个体的影响;
(15)
式中:iter表示当前迭代次数,iterMax表示最大迭代次数;表示惯性权重最大值,/>表示惯性权重最小值;
为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点/>;
其中控制点的坐标/>按照公式(5)选取,使UUV以期望角度进入目标点;
(2)基于种群其他个体知识的进化策略产生新蜜源;
(16)
式中:、/>、/>分别代表第/>个个体、第/>个个体、第/>个个体第q维度的蜜源(步骤3.3的最优蜜源或者上一次迭代的蜜源,第一次迭代为步骤3.3的最优蜜源,第一次迭代后的蜜源为上一次迭代后产生的蜜源),/>,/>,,/>;/>为种群数目,/>;一共有/>个/>;
是与每个个体相关的变异尺度,由均值为0.5,标准差为0.1的高斯分布独立生成;/>为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点/>;
其中控制点的坐标/>按照公式(5)选取,使UUV以期望角度进入目标点;
(3)基于种群平均知识的进化策略产生新蜜源;
(17)
式中:是NP个个体第q维度蜜源的平均值;一共有/>个/>;
为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点/>;
其中控制点的坐标/>按照公式(5)选取,使UUV以期望角度进入目标点;
(4)、基于最优个体的进化策略产生新蜜源;
(18)
式中:,/>分别代表第/>个个体、第/>个个体第q维度的蜜源(步骤3.3的最优蜜源或者上一次迭代的蜜源,第一次迭代为步骤3.3的最优蜜源,第一次迭代后的蜜源为上一次迭代后产生的蜜源),/>,/>,/>;/>为第q维度的全局最优解;一共有/>个/>;
为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点/>;
其中控制点的坐标/>按照公式(5)选取,使UUV以期望角度进入目标点;
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述步骤3.6中求解即时价值和历史经验,具体求解方法如下:
1)、求解即时价值:
是在第/>次迭代时第o个个体在采用某种策略后适应度提高的程度;
即时价值由公式 (19) 计算:
(19)
式中:是第/>次迭代第o个个体对应的路径代价,/>是第次迭代第o个个体对应的路径代价(个体计算蜜源,蜜源计算路径代价);
2)、求解历史经验:
历史经验是指人工蜂群算法ABC算法在前一次迭代中采用该策略的概率的值;
历史经验由公式 (20) 计算:
(20)
式中:M表示策略总个数;表示第iter次迭代第o个个体使用第m个策略的概率,/>表示第iter次迭代第o个个体使用第m个策略的路径代价,/>。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是,所述步骤3.7中上界置信算法表达式为:
(21)
式中:表示第m个策略的/>值,/>表示所有个体在本次迭代以及之前所做决策总数;iter表示迭代次数,/>表示第m个策略在本次迭代以及之前使用的总次数;/>表示上界置信算法/>的探索能力;/>表示对策略选择的影响;
(22)。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式与具体实施方式一至九之一不同的是,所述步骤3.10中采用T分布扰动策略和反向学习策略产生新的蜜源;具体过程为:
步骤3.101:采用T分布扰动策略产生新侦查蜂个体,增加物种多样性,防止陷入局部最优解;
(23)
式中:为基于T分布扰动生成的第o个侦查蜂个体第q维度的蜜源,/>为T分布产生的扰动值,取值和iter有关;/>是步骤3.9的新的全局最优解/>对应的蜜源;
对T分布扰动策略产生的新侦查蜂个体计算适应度值;
步骤3.102:反向学习,为了提高侦查蜂的多样性,增强算法的局部搜索能力;
对T分布扰动策略产生的新侦查蜂个体位置采用反向学习策略产生新侦查蜂个体;
(24)
式中:为基于反向学习策略产生的第o个侦查蜂个体第q维度的蜜源,/>为可行解下边界,/>为可行解上边界;
对反向学习策略产生的新侦查蜂个体计算适应度值;
步骤3.103:比较采用T分布扰动策略产生的新侦查蜂个体的适应度值和采用反向学习策略产生的新侦查蜂个体的适应度值,取适应度值小的蜜源;
(25)。
其它步骤及参数与具体实施方式一至九之一相同。
整体框架图解见图5。最终输出各个期望角度的路径图为图6a、图6b、图6c、图6d、图6e、图6f、图6g、图6h。
采用以下实施例验证本发明的有益效果:
实施例一
设置洋流中心位置为[400,50],[500,300],[500,700], [200,500],[850,400]
洋流半径为10m,场强大小为5m/2.
障碍物中心位置为:[150,250], [300,700], [450,550], [550,150],[700,650], [800,400], [850,50];
障碍物半径为:80,50,50,50,50,50,80;
1)以0度为期望角度进入目标点实验,设置起点S为[0,0],终点为[800,850];
2)以60度为期望角度进入目标点实验,设置起点S为[0,0],终点为[600,800];
3)以90度为期望角度进入目标点实验,设置起点S为[0,0],终点为[600,700];
4)以120度为期望角度进入目标点实验,设置起点S为[0,0],终点为[600,800];
5)以180度为期望角度进入目标点实验,设置起点S为[0,0],终点为[600,800];
6)以-60度为期望角度进入目标点实验,设置起点S为[0,0],终点为[800,850];
7)以-90度为期望角度进入目标点实验,设置起点S为[0,0],终点为[800,850];
8)以-120度为期望角度进入目标点实验,设置起点S为[0,0],终点为[800,850]。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述方法具体过程为:
步骤1:根据UUV所处海洋环境对洋流流场进行建模,得到洋流的流向与大小信息;
根据UUV所处海洋环境,获取障碍物的数量和位置信息;
所述UUV为水下无人航行器;
步骤2:基于步骤1在满足UUV航迹不同情况的角度约束下,得到连接航迹起点S与航迹终点T的路径,计算路径的代价;
步骤3:利用多策略人工蜂群算法对步骤2的路径的代价最小值寻优问题进行求解,输出最优路径;
所述步骤1中根据UUV所处海洋环境对洋流流场进行建模,得到洋流的流向与大小信息;
根据UUV所处海洋环境,获取障碍物的数量和位置信息;
具体过程为:
步骤1.1:根据UUV所处海洋环境,利用粘性Lamb涡流叠加的方式对洋流流场进行建模,进而得到洋流的流向与大小信息;
单个Lamb涡流数学表达式为:
式中:u(r)表示大地坐标系下洋流在X轴方向上的速度大小分量,v(r)表示大地坐标系下洋流在Y轴方向上的速度大小分量,w(r)表示大地坐标系下洋流在Z轴方向上的速度大小分量,r表示UUV质心所在位置即当前UUV的准确位置,k代表洋流的强度大小,roc表示洋流半径,r0表示洋流中心点坐标,(x,y)表示UUV航迹在大地坐标系XOY下的位置坐标,(x0,y0)表示洋流在大地坐标系XOY下的位置坐标;
步骤1.2:根据UUV所处海洋环境,获取障碍物的数量N和位置信息,将障碍物膨胀为圆以确保UUV航行安全,障碍物通过障碍物中心位置坐标(xi,yi)和障碍物半径大小rob来表征,通过下式表示
其中,robi为第i个障碍物的半径,(x,y)为UUV航迹在大地坐标系XOY下的位置坐标,(xi,yi)为大地坐标系XOY下障碍物中心位置坐标;
所述步骤2中基于步骤1在满足UUV航迹不同情况的角度约束下,得到连接航迹起点S与航迹终点T的路径,计算路径的代价;具体过程为:
步骤2.1:进行坐标变换,将二维路径规划问题的搜索维度降为1维;具体过程为:
已知航迹起点S、航迹终点T,UUV从航迹起点S出发,到航迹终点T结束;
在大地坐标系XOY下,航迹起点S位置坐标为(xs,ys),航迹终点位置坐标为(xT,yT);
连接航迹起点S与航迹终点T,直线ST上点的位置坐标为(x,y);
直线ST与大地坐标系X轴夹角为θ;
在大地坐标系XOY下,构建新坐标系X′O′Y′,航迹起点S作为新坐标系原点O′,直线ST作为新坐标系X′轴,在原点o′处做垂直X′轴的直线作为新坐标系的Y′轴;
在新坐标系X′O′Y′下直线ST上点的位置坐标为(x′,y′);
大地坐标系XOY和新坐标系X′O′Y′的转换关系为:
步骤2.2:完成坐标变换后,在新坐标系X′O′Y′下等分直线ST为D段小线段,获得S-1段、1-2段、…、(D-1)-D段,D为航迹终点T;
然后在连接等分小线段的等分节点1、2、…、D-1处分别做直线ST的垂线L1、L2、…、LD-1;
在垂线L1、L2、…、LD-1上分别随机取一个控制点,得到控制点P1、P2、…、PD-1,连接航迹起点S与控制点P1得到SP1,连接控制点P1与控制点P2得到P1P2,直至连接航迹终点T;
步骤2.3:对步骤2.2得到的UUV航迹(SP1,P1P2,...,PD-1T)进行优化,使UUV航迹满足不同情况的角度约束;具体过程为:
1)、当UUV期望角度在航迹终点T处的y′轴的左侧时UUV没有转角限制,不再额外增加路径节点以满足UUV航向角度限制;
2)、当UUV期望角度在航迹终点T处的y′轴时增加一条路径节点以满足UUV航向角度限制;
所述增加一条路径节点指在航迹终点T处做直线ST的垂线LT,在垂线LT上随机取一个控制点PT;
3)、当UUV期望角度在航迹终点T处的y′轴的右侧时,且UUV期望角度距航迹终点T处的y′轴小于等于45°时,增加两条路径节点以满足UUV航向角度限制;
所述增加两条路径节点指:在航迹终点T处做直线ST的垂线LT;在S到T方向的延长线上取节点T+1,在节点T+1处做直线ST的垂线LT+1;
所述节点T+1与航迹终点T相邻;
所述航迹终点T与节点T+1的距离与航迹起点S到节点1距离相等;
在垂线LT上随机取一个控制点PT,在垂线LT+1上随机取一个控制点PT+1;
4)、当UUV期望角度在航迹终点T处的y′轴的右侧时,且UUV期望角度距航迹终点T处的y′轴大于45°时,增加三条路径节点以满足UUV航向角度限制;
所述增加三条路径节点指:在航迹终点T处做直线ST的垂线LT;在S到T方向的延长线上取节点T+1,在节点T+1处做直线ST的垂线LT+1;在S到T+1方向的延长线上取节点T+2,在节点T+2处做直线ST的垂线LT+2;
所述节点T+2与航迹终点T+1相邻,节点T+1与航迹终点T相邻;
所述节点T+2与节点T+1的距离与航迹起点S到节点1距离相等;
在垂线LT上随机取一个控制点PT,在垂线LT+1上随机取一个控制点PT+1,在垂线LT+2上随机取一个控制点PT+2;
步骤2.4:将步骤2.3得到的UUV航迹以期望角度进入目标点;具体过程为:
针对步骤2.3的1)的情况,控制点PD-2到航迹终点T前先到控制点P′,再由控制点P′到航迹终点T;
针对步骤2.3的2)的情况,控制点PT到航迹终点T前先到控制点P′,再由控制点P′到航迹终点T;
针对步骤2.3的3)的情况,控制点PT+1到航迹终点T前先到控制点P′,再由控制点P′到航迹终点T;
针对步骤2.3的4)的情况,控制点PT+2到航迹终点T前先到控制点P′,再由控制点P′到航迹终点T;
其中航迹终点T前最后一个控制点P′的坐标(xp,yp)按照下式选取;
其中xend为航迹终点T横坐标,yend为航迹终点T纵坐标;
θexp为P′T连线与大地坐标系XOY的X轴夹角;
dis为控制点P′的横坐标和航迹终点T横坐标xend之间的偏移量;Ldis为垂线间的距离,D为小线段个数;
步骤2.5:大地坐标系XOY下连接所有控制点形成连接航迹起点S与航迹终点T的路径;
步骤2.6:采用三次准均匀B样条曲线对步骤2.5中路径进行平滑处理,得到平滑后的路径;
步骤2.7:计算步骤2.6得到的平滑后的路径的代价。
2.根据权利要求1所述的基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述步骤2.6中采用三次准均匀B样条曲线对步骤2.5中路径进行平滑处理,得到平滑后的路径;具体过程为:
设步骤2.5中路径包含n个控制点,n个控制点包含航迹起点S与航迹终点T,n个控制点表示为
三次准均匀B样条曲线定义为:
式中:path(u)为平滑后的路径,为第i个控制点,Bi,k(u)为第i个三次准均匀B样条基函数,k=3;Bi,k(u)与/>相对应,u是自变量。
3.根据权利要求2所述的基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述步骤2.7中计算步骤2.6得到的平滑后的路径的代价;
表达式为:
f(x)=w1f1+w2f2+w3f3 (7)
式中:w1,w2,w3为权重,w1=0.4,w2=0.4,w3=0.2;f1为平滑后的路径总长度,f2为时间费用,f3为能耗代价;
平滑后的路径总长度f1:
式中:(xi′+1,yi′+1)为平滑后路径上第i′+1个点的坐标,(xi′,yi′)为平滑后路径上第i′个点的坐标,n′为平滑后路径上点的总数;
时间费用f2:
式中:θri′为UUV合速度与大地坐标系X轴的夹角,θci′为洋流速度与大地坐标系X轴的夹角;
Vri′为UUV合速度,Vci′为洋流速度,Vs为UUV在静水中的速度;
ti′,i′+1为平滑后路径上第i′个点到第i′+1个点的时间;
能耗代价f3:
式中:Ei′,i′+1为平滑后路径上第i′个点到第i′+1个点的能量消耗,Pvehilce为UUV推进功率,与UUV在静水中的速度Vs的三次方成正比;k为阻力系数。
4.根据权利要求3所述的基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述步骤3中利用多策略人工蜂群算法对步骤2的路径的代价最小值寻优问题进行求解,输出最优路径;具体过程为:
步骤3.1:设置最大迭代次数iterMax,种群数目NP,蜜源未更新次数limit,阈值limitMax;
设置种群中每个个体的初始路径代价为inf;
设置初始全局最优代价为inf;
步骤3.2:设Gs′是s′维欧氏空间中的单位立方体,如果ro,q不为佳点;如果ro,q∈Gs′,ro,q为佳点;
佳点集P为:
P={r1,1,r1,2,…,ro,q,…,rNP,s′} (12)
式中:ro,q为佳点,P为佳点集,NP为种群数目,o表示第o个个体,s′为s′维欧氏空间的维度;q表示第q维度;
{}代表取小数部分,/>是满足/>的最小素数;
利用佳点集P优化种群中第o个个体产生一个蜜源,每个蜜源位置代表路径节点,表达式为:
xo,q=(xqmax-xqmin)×ro,q+xqmin (13)
式中:xo,q表示第o个个体第q维度的蜜源,蜜源代表控制点1到控制点P′;
xqmax表示第q维度的上界,xqmin表示第q维度的下界;
其中最后一个控制点P′的坐标(xp,yp)按照公式(5)选取,使UUV以期望角度进入目标点;
步骤3.3:利用公式f(x)=w1f1+w2f2+w3f3计算佳点集优化后第o个个体产生蜜源对应路径的路径代价,将第o个个体产生蜜源对应路径的路径代价与第o个个体的初始路径代价inf比较:
若第o个个体产生蜜源对应路径的路径代价小于等于第o个个体的初始路径代价inf,则选择第o个个体产生蜜源作为当前蜜源,并记录第o个个体产生蜜源对应路径的路径代价;
遍历种群中的每个个体寻找最小路径代价对应的蜜源作为最优蜜源,更新全局最优解Gbest;
步骤3.4:设迭代次数为iter,令iter=1;
在雇佣蜂阶段,基于蜜源计算4种策略下产生的新蜜源;
4种策略为:基于自我认识的进化策略、基于种群其他个体知识的进化策略、基于种群平均知识的进化策略、基于最优个体的进化策略;
步骤3.5:利用公式f(x)=w1f1+w2f2+w3f3分别计算步骤3.4中4种策略产生的新蜜源vo,q的路径代价,选取路径代价最小值对应的策略为最优策略,若最优策略产生的蜜源的路径代价小于等于全局最优解Gbest对应的路径代价,则用最优策略产生的新蜜源作为新的全局最优解Gbest,并且当前蜜源的未更新次数limit值加1;否则将保留步骤3.4的全局最优解Gbest并且当前蜜源的未更新次数limit值加1;
步骤3.6:求解即时价值和历史经验;
步骤3.7:跟随蜂阶段:
根据步骤3.6中的即时价值和历史经验,利用上界置信算法ucb选择4种策略中ucb值较大的策略作为最优策略;
步骤3.8:基于步骤3.7确定的最优策略,将步骤3.4的最优策略中新蜜源替换蜜源,重新计算得到新密源;
蜜源代表控制点1到控制点P′;
其中控制点P′的坐标(xp,yp)按照公式(5)选取,使UUV以期望角度进入目标点;
步骤3.9:利用公式f(x)=w1f1+w2f2+w3f3计算步骤3.8的新蜜源的路径代价;
若步骤3.8的新蜜源产生的路径代价小于等于步骤3.5确定的新的全局最优解Gbest的路径代价,则用步骤3.8的新蜜源作为新的全局最优解Gbest,未更新次数limit值置1,执行步骤3.10;
若步骤3.8的新蜜源产生的路径代价大于步骤3.5确定的新的全局最优解Gbest的路径代价,则继续用步骤3.5确定的新的全局最优解Gbest作为新的全局最优解Gbest,未更新次数limit值加l,执行步骤3.10;
步骤3.10:判断未更新次数limit值是否大于limitMax;
若未更新次数limit小于limitMax,令iter=iter+1,执行步骤3.4;
若未更新次数limit大于等于limitMax,则采用T分布扰动策略和反向学习策略产生新的蜜源,计算蜜源的路径代价,若蜜源的路径代价小于等于步骤3.9确定的新的全局最优解Gbest的路径代价,则用蜜源作为新的全局最优解Gbest,判断迭代次数是否达到最大迭代次数iterMax,若是则输出最优路径,若否,令iter=iter+1,执行步骤3.4;若蜜源的路径代价大于步骤3.9确定的新的全局最优解Gbest的路径代价,则继续用步骤3.9确定的新的全局最优解Gbest作为新的全局最优解Gbest,判断迭代次数是否达到最大迭代次数iterMax,若是则输出最优路径,若否,令iter=iter+1,执行步骤3.4。
5.根据权利要求4所述的基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述步骤3.4中设迭代次数为iter,令iter=1;
在雇佣蜂阶段,基于蜜源计算4种策略下产生的新蜜源;
4种策略为:基于自我认识的进化策略、基于种群其他个体知识的进化策略、基于种群平均知识的进化策略、基于最优个体的进化策略;
具体过程为:
(1)基于自我认识的进化策略产生新蜜源;
式中:vo,q为第o个个体第q维度的新蜜源;
xo,q表示第o个个体第q维度的蜜源;
xo′,q为第o′个个体的第q维度的蜜源;
o为第o个个体,o′为第o′个个体,o≠o′,o=1,2,...,NP,o′=1,2,...,NP,NP为种群数目,q=1,2,...,s′;
ξ为惯性权重,表示亲代个体对后代个体的影响;
式中:iter表示当前迭代次数,iterMax表示最大迭代次数;ξmax表示惯性权重最大值,ξmin表示惯性权重最小值;
vo,q为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点P′;
其中控制点P′的坐标(xp,yp)按照公式(5)选取,使UUV以期望角度进入目标点;
(2)基于种群其他个体知识的进化策略产生新蜜源;
vo,q=ξ×xr1,q+F(xr2,q-xr3,q) (16)
式中:xr1,q、xr2,q、xr3,q分别代表第r1个个体、第r2个个体、第r3个个体第q维度的蜜源,r1=1,2,...,NP,r2=1,2,...,NP,r3=1,2,...,NP,r1≠r2≠r3;NP为种群数目,q=1,2,...,s′;
F是与每个个体相关的变异尺度;
vo,q为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点P′;
其中控制点P′的坐标(xp,yp)按照公式(5)选取,使UUV以期望角度进入目标点;
(3)基于种群平均知识的进化策略产生新蜜源;
式中:是NP个个体第q维度蜜源的平均值;
vo,q为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点P′;
其中控制点P′的坐标(xp,yp)按照公式(5)选取,使UUV以期望角度进入目标点;
(4)、基于最优个体的进化策略产生新蜜源;
式中:xr1,q,xr2,q分别代表第r1个个体、第r2个个体第q维度的蜜源,r1=1,2,...,NP,r2=1,2,...,NP,r1≠r2;Gbestq为第q维度的全局最优解;
vo,q为第o个个体第q维度的新蜜源,蜜源代表控制点1到控制点P′;
其中控制点P′的坐标(xp,yp)按照公式(5)选取,使UUV以期望角度进入目标点。
6.根据权利要求5所述的基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述步骤3.6中求解即时价值和历史经验,具体求解方法如下:
1)、求解即时价值:
即时价值由公式(19)计算:
式中:是第iter-1次迭代第o个个体对应的路径代价,/>是第iter次迭代第o个个体对应的路径代价;
2)、求解历史经验:
历史经验由公式(20)计算:
式中:M表示策略总个数;表示第iter次迭代第o个个体使用第m个策略的概率,fitm表示第iter次迭代第o个个体使用第m个策略的路径代价,o=1,2,...,NP。
7.根据权利要求6所述的基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述步骤3.7中上界置信算法ucb表达式为:
式中:ucb(m)表示第m个策略的ucb值,N=iter×NP表示所有个体在本次迭代以及之前所做决策总数;iter表示迭代次数,nm表示第m个策略在本次迭代以及之前使用的总次数;表示上界置信算法ucb的探索能力;/>表示对策略选择的影响;
8.根据权利要求7所述的基于多策略人工蜂群算法在海洋环境下的路径规划方法,其特征在于:所述步骤3.10中采用T分布扰动策略和反向学习策略产生新的蜜源;具体过程为:
步骤3.101:采用T分布扰动策略产生新侦查蜂个体;
po,q=xo,q+T(iter)×xo,q (23)
式中:po,q为基于T分布扰动生成的第o个侦查蜂个体第q维度的蜜源,T(iter)为T分布产生的扰动值;
对T分布扰动策略产生的新侦查蜂个体计算适应度值fit(po,q);
步骤3.102:对T分布扰动策略产生的新侦查蜂个体位置采用反向学习策略产生新侦查蜂个体;
式中:为基于反向学习策略产生的第o个侦查蜂个体第q维度的蜜源,L为可行解下边界,U为可行解上边界;
对反向学习策略产生的新侦查蜂个体计算适应度值
步骤3.103:比较采用T分布扰动策略产生的新侦查蜂个体的适应度值和采用反向学习策略产生的新侦查蜂个体的适应度值,取适应度值小的蜜源;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751227.5A CN117419731B (zh) | 2023-12-19 | 2023-12-19 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751227.5A CN117419731B (zh) | 2023-12-19 | 2023-12-19 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117419731A CN117419731A (zh) | 2024-01-19 |
CN117419731B true CN117419731B (zh) | 2024-03-12 |
Family
ID=89532960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311751227.5A Active CN117419731B (zh) | 2023-12-19 | 2023-12-19 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117419731B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012078022A1 (en) * | 2010-12-09 | 2012-06-14 | Universiti Sains Malaysia | System of autonomous surface vehicles with swarming algorithm |
CN105511480A (zh) * | 2016-02-25 | 2016-04-20 | 哈尔滨工程大学 | 一种基于人工蜂群优化的模型预测的欠驱动uuv深度控制方法 |
CN108762280A (zh) * | 2018-04-12 | 2018-11-06 | 哈尔滨工程大学 | 一种考虑海洋环流影响的uuv基于能量消耗优化的远程航海路径规划方法 |
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 |
CN112947438A (zh) * | 2021-02-05 | 2021-06-11 | 中国人民解放军海军工程大学 | 基于全振荡型入侵野草优化算法的auv在线路径规划方法 |
CN114114920A (zh) * | 2021-11-26 | 2022-03-01 | 江苏科技大学 | 一种基于人工蜂群改进算法的船舶动力定位系统的推力分配方法 |
CN115686002A (zh) * | 2022-10-24 | 2023-02-03 | 中国船舶集团有限公司第七〇七研究所 | 一种复杂海域下的水面无人艇路径跟踪控制方法 |
CN116734856A (zh) * | 2023-06-16 | 2023-09-12 | 河海大学 | 一种考虑洋流影响的水下机器人路径规划方法 |
-
2023
- 2023-12-19 CN CN202311751227.5A patent/CN117419731B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012078022A1 (en) * | 2010-12-09 | 2012-06-14 | Universiti Sains Malaysia | System of autonomous surface vehicles with swarming algorithm |
CN105511480A (zh) * | 2016-02-25 | 2016-04-20 | 哈尔滨工程大学 | 一种基于人工蜂群优化的模型预测的欠驱动uuv深度控制方法 |
CN108762280A (zh) * | 2018-04-12 | 2018-11-06 | 哈尔滨工程大学 | 一种考虑海洋环流影响的uuv基于能量消耗优化的远程航海路径规划方法 |
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 |
CN112947438A (zh) * | 2021-02-05 | 2021-06-11 | 中国人民解放军海军工程大学 | 基于全振荡型入侵野草优化算法的auv在线路径规划方法 |
CN114114920A (zh) * | 2021-11-26 | 2022-03-01 | 江苏科技大学 | 一种基于人工蜂群改进算法的船舶动力定位系统的推力分配方法 |
CN115686002A (zh) * | 2022-10-24 | 2023-02-03 | 中国船舶集团有限公司第七〇七研究所 | 一种复杂海域下的水面无人艇路径跟踪控制方法 |
CN116734856A (zh) * | 2023-06-16 | 2023-09-12 | 河海大学 | 一种考虑洋流影响的水下机器人路径规划方法 |
Non-Patent Citations (4)
Title |
---|
AUV实时避障算法研究进展;郭银景;鲍建康;刘琦;屈衍玺;吕文红;;水下无人系统学报;20200815(第04期);全文 * |
Classification of electroencephalography based on bp neural network optimized by crossover operation of artificial bee colonies;Xu Jian et al.;LASER & OPTOELECTRONICS PROGRESS;20211108;全文 * |
Multi-UAVs Collaboration Routing Plan Based on Modified Artificial Bee Colony Algorithm;Zhang, S.; Lv, M.; Wang, Y.; Liu, W.;Advances in Guidance, Navigation and Control: Proceedings of 2020 International Conference on Guidance, Navigation and Control, ICGNC 2020.;20221231;全文 * |
海洋环境下基于量子行为粒子群优化的时间最短路径规划方法;冯炜;张静远;王众;王新鹏;;海军工程大学学报;20171231(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117419731A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | The review unmanned surface vehicle path planning: Based on multi-modality constraint | |
Fu et al. | An improved A* algorithm for the industrial robot path planning with high success rate and short length | |
Chen et al. | Optimal time-consuming path planning for autonomous underwater vehicles based on a dynamic neural network model in ocean current environments | |
CN112558612B (zh) | 一种基于云模型量子遗传算法的异构智能体编队控制方法 | |
MahmoudZadeh et al. | Efficient AUV path planning in time-variant underwater environment using differential evolution algorithm | |
Yan et al. | Path planning for autonomous underwater vehicle based on an enhanced water wave optimization algorithm | |
CN111307158B (zh) | 一种auv三维航路规划方法 | |
CN107966153A (zh) | 水下航行器路径规划算法 | |
Lan et al. | Improved RRT algorithms to solve path planning of multi-glider in time-varying ocean currents | |
Xu et al. | Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation | |
Li et al. | Toward time-optimal trajectory planning for autonomous ship maneuvering in close-range encounters | |
Yu et al. | Path optimization of AUV based on smooth-RRT algorithm | |
Li et al. | Three-dimensional path planning for AUVs in ocean currents environment based on an improved compression factor particle swarm optimization algorithm | |
CN110906935A (zh) | 一种无人艇路径规划方法 | |
CN112099501B (zh) | 一种基于势场参数优化的无人艇路径规划方法 | |
Ma et al. | A new coverage path planning algorithm for unmanned surface mapping vehicle based on A-star based searching | |
Sun et al. | A novel fuzzy control algorithm for three-dimensional AUV path planning based on sonar model | |
Yang et al. | Intelligent path planning of underwater robot based on reinforcement learning | |
Yang et al. | A time-saving path planning scheme for autonomous underwater vehicles with complex underwater conditions | |
CN112650246A (zh) | 一种船舶自主导航方法及装置 | |
Chen et al. | Path planning of AUV during diving process based on behavioral decision-making | |
Sun et al. | Energy optimised D* AUV path planning with obstacle avoidance and ocean current environment | |
CN115143970A (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
Zhang et al. | A hybrid path planning algorithm considering AUV dynamic constraints based on improved A* algorithm and APF algorithm | |
Tan et al. | Adaptive adjustable fast marching square method based path planning for the swarm of heterogeneous unmanned surface vehicles (USVs) |
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 |