WO2021022637A1 - 一种基于改进遗传算法的无人艇路径规划方法及系统 - Google Patents

一种基于改进遗传算法的无人艇路径规划方法及系统 Download PDF

Info

Publication number
WO2021022637A1
WO2021022637A1 PCT/CN2019/107109 CN2019107109W WO2021022637A1 WO 2021022637 A1 WO2021022637 A1 WO 2021022637A1 CN 2019107109 W CN2019107109 W CN 2019107109W WO 2021022637 A1 WO2021022637 A1 WO 2021022637A1
Authority
WO
WIPO (PCT)
Prior art keywords
genetic algorithm
unmanned boat
path planning
path
population
Prior art date
Application number
PCT/CN2019/107109
Other languages
English (en)
French (fr)
Inventor
辛峻峰
张永波
李世鑫
杨奉儒
李鹏昊
Original Assignee
南京赛沃夫海洋科技有限公司
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 南京赛沃夫海洋科技有限公司 filed Critical 南京赛沃夫海洋科技有限公司
Publication of WO2021022637A1 publication Critical patent/WO2021022637A1/zh

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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T70/00—Maritime or waterways transport

Definitions

  • the present disclosure relates to the technical field of unmanned boat control, in particular to an unmanned boat path planning method and system based on an improved genetic algorithm.
  • TSP Traveling Salesman Problem
  • the research on the methods to solve the TSP problem mainly tends to heuristic algorithms with adaptive control ideas, such as genetic algorithm (GA), simulated annealing algorithm, ant colony algorithm and neural network algorithm.
  • GA genetic algorithm
  • UAV unmanned aerial vehicles
  • USV unmanned boats
  • the existing methods are as follows: (1) Apply obstacle-based genetic algorithms to narrow the search area and obtain a path with a shorter length and time cost.
  • UAV path planning methods include traditional methods such as free space method, artificial potential field method, and visible method, as well as intelligent optimization algorithms that have emerged with the development of artificial intelligence, such as ant colony algorithm, particle swarm algorithm, genetic algorithm, etc. .
  • the free space method is difficult to apply to multi-dimensional path planning problems such as the path planning of unmanned boats; artificial potential field method and particles Swarm algorithms are prone to problems such as unreachable targets, falling into local optima, and low efficiency, which cause self-crossing phenomena in unmanned boats; the view method lacks flexibility and has problems such as combinatorial explosions, while the ant colony algorithm has a large amount of calculation.
  • These algorithms are time-consuming and cannot meet the timeliness requirements of UAV path planning.
  • the traditional genetic algorithm cannot find the global optimal value due to the premature phenomenon, its good parallelism and efficient search ability meet the needs of unmanned boats in path planning.
  • the present disclosure provides a path planning method and system for an unmanned boat based on an improved genetic algorithm, which uses the improved genetic algorithm to plan the path of the unmanned boat.
  • a path planning method for unmanned craft based on improved genetic algorithm includes the following steps:
  • the improved genetic algorithm is used to plan the path based on the heading data and position data of the unmanned boat to obtain the optimal path ranking;
  • the heading and speed of the unmanned boat are corrected according to the constraint factors, and the path planning is completed.
  • An unmanned boat path planning system based on improved genetic algorithm includes:
  • Navigation data acquisition module used to acquire the heading data and position data of the unmanned boat, and preprocess it;
  • the constraint factor determination module is used to collect the ocean wave information of the environment of the unmanned boat and convert it into a constraint factor
  • the optimal path planning module is used for path planning based on the heading data and position data of the unmanned boat using an improved genetic algorithm to obtain the optimal path ranking;
  • the track correction module is used for sorting based on the optimal path, correcting the heading and speed of the UAV according to the constraint factors, and completing the path planning.
  • the improved genetic algorithm is used to plan the path based on the heading data and position data of the unmanned boat to obtain the optimal path ranking;
  • the heading and speed of the unmanned boat are corrected according to the constraint factors, and the path planning is completed.
  • a processing device includes a memory, a processor, and a computer program stored in the memory and capable of running on the processor, and the processor implements the following steps when the program is executed;
  • the improved genetic algorithm is used to plan the path based on the heading data and position data of the unmanned boat to obtain the optimal path ranking;
  • the heading and speed of the unmanned boat are corrected according to the constraint factors, and the path planning is completed.
  • the present disclosure uses the dual-domain inversion genetic algorithm and the multi-domain inversion genetic algorithm to plan the path of the unmanned boat, and generates a feasible path with short length and no self-intersection, and realizes the control and track correction of the unmanned boat ;
  • the genetic algorithm of the dual-domain inversion and the genetic algorithm based on the multi-domain inversion of the present disclosure greatly reduces the calculation time cost, improves the robustness of the algorithm, and obtains more stable, timely, and conforms to the UAV path planning Reasonable path to demand.
  • Fig. 1 is a flowchart of a path planning method for an unmanned boat based on an improved genetic algorithm in the first embodiment
  • Figure 2 is a flowchart of the genetic algorithm in the first embodiment
  • Figure 3 is a schematic diagram of the cross in the first embodiment
  • Figure 4 is a schematic diagram of mutations in Example 1.
  • Figure 5 is a schematic diagram of single domain inversion in the first embodiment
  • Fig. 6 is a schematic diagram of dual-region inversion in the first embodiment
  • Fig. 7 is a schematic diagram of multi-domain inversion in the first embodiment
  • Figure 10 is the best trajectory diagram of five instances of TSPLIB in the first embodiment
  • Figure 11 is a schematic diagram of a genetic algorithm based on dual domain inversion in the first embodiment
  • Figure 12 is a schematic diagram of a genetic algorithm based on multi-domain inversion in the first embodiment
  • MDIGA an algorithm based on multi-domain inversion.
  • This embodiment provides a path planning method for an unmanned boat based on an improved genetic algorithm. Please refer to Figure 1.
  • the method includes the following steps:
  • the longitude and latitude coordinates of the navigation point required by the unmanned boat are obtained through GPS and an electronic compass, and the longitude and latitude coordinates of the navigation point are transformed into the abscissa and ordinate values in the rectangular coordinate system.
  • the ultrasonic weather sensor collects the weather and ocean wave information of the environment of the unmanned boat, including the height of the ocean wave, the velocity of the ocean wave, and the wavelength of the ocean wave; and converts the weather and ocean wave information into constraint factors, which are applied to the unmanned boat’s Track correction.
  • the constraint factor is mainly the force of sea waves. Since the force received by the ship in the water is mainly the force of sea waves, the wave force model is used as the constraint factor to correct the track deflection.
  • the function of the constraint factor is:
  • h is the height of the waves
  • V l is the velocity of the waves
  • ⁇ 0 is the wavelength of the waves.
  • the improved genetic algorithm includes a genetic algorithm based on dual-domain inversion and a genetic algorithm based on multi-domain inversion.
  • the algorithm based on dual-domain inversion (DDIGA) is between four randomly ordered inversion points. Perform two inversion operations.
  • the permutation and combination of the four reversal point sequences also increases the number of reversal domains.
  • the algorithm based on multi-domain inversion (MDIGA), due to the significant increase in offspring, only retains the most suitable reverse chromosome and transfers it to The new generation, improve local search capabilities.
  • Figure 2 shows the calculation process of the transmission genetic algorithm CGA.
  • Choose the real number encoding method and use a string with the serial number of the visited city to represent each chromosome. Genetic parameters, such as population size, crossover and mutation probability, are usually defined based on experience. After determining the optimization problem, an initial population of candidate solutions with a certain scale is randomly generated. The fitness function is 1/len (len represents the relative path length of each chromosome), which is used to evaluate the fitness of each individual, and more suitable individuals will survive reproduction. Then, the algorithm increases the population size through iterative operations of crossover, mutation, and selection. If a certain standard is met or the maximum number of iterations is reached, the evolutionary process will be terminated.
  • crossover is mainly used to connect two parent chromosomes. These chromosomes are separated by a determined breakpoint and produce two offspring with a certain crossover probability (P C ). Mutations are mainly used to exchange gene positions at two randomly selected mutation points on the chromosome, and the occurrence of mutations has a certain mutation probability (P M ). It should be pointed out that crossover makes the chromosomes similar and helps the convergence of the population; while mutation increases the genetic diversity, so that the algorithm can further expand the population number under the condition of local optimization.
  • This embodiment proposes a single-domain inversion algorithm (SDIGA), and adds a further inversion operation after the CGA mutation.
  • SDIGA single-domain inversion algorithm
  • Two different genes on a chromosome are defined as inversion sites, and the segment between these two genes is named inversion domains. Then flip the fragment 180 degrees (reverse) and insert it into the original position of the chromosome.
  • the schematic diagrams of crossover, mutation and single domain inversion are shown in Figures 3 to 5, respectively.
  • the positions of four different genes are randomly defined as the reversal points of the chromosome coding string. Two domains are generated between the first two points and the last two points. The fragments in the two regions are reversed at the same time to propagate offspring. Compare the fitness of the offspring's chromosome and the parent's chromosome to determine the more suitable for the next generation. chromosome.
  • the double-region inversion is shown in Figure 6, where I represents the parent chromosome, and I'is the child chromosome after inversion.
  • the genetic algorithm based on the dual-domain inversion designed in this embodiment helps to retain more dominant genes from the parent chromosome and generate more adaptive encoded strings for the child chromosomes through the dual-domain inversion. At the same time, since reasonable fitness can ensure that the offspring evolve to a higher level, the ability of local search may be improved.
  • the genetic algorithm MDIGA based on multi-domain inversion is:
  • the number of offspring produced is usually the same as the number of parent chromosomes. From the basis of biological theory, the number of offspring needs to be greater than the number of parents to prevent species extinction and maintain species diversity during biological evolution.
  • the four randomly sorted points in the genetic algorithm based on dual domain inversion create two domains for DDIGA, and only one child chromosome is generated after two inversions, but in fact, every two of the four inversion points Both can define an inversion domain.
  • there are six regions in one inversion Therefore, the 6 additional daughter chromosomes will be replicated through a single inversion of each domain in the parent chromosome; this will increase the possibility of finding more suitable offspring for each generation to a certain extent.
  • this embodiment designs a genetic algorithm based on multi-domain inversion to increase the number of inversion domains and sub-chromosomes.
  • 7 in the encoded random string defines four turning points, called AD, six daughter chromosomes I '1 -I' 6 respectively region ab, ac, ad, bc, bd, and cd of the A single reversal occurs.
  • DDIGA Similarly, I '7 generated by the double inversion in the region of ab and cd. Then, the parent chromosomes and seven daughter chromosomes are classified according to their fitness, and only the most dominant chromosome I'(I' 5 in this example) is reserved for the next generation, while the other chromosomes are completely eliminated.
  • the genetic algorithm based on multi-domain inversion proposed in this embodiment can speed up the evolution to a higher degree of fitness, and improve the convergence accuracy and robustness of the algorithm.
  • This embodiment adopts the Monte Carlo simulation method to verify the effectiveness of the aforementioned CGA, DDIGA, and MDIGA algorithms from the aspects of the number of planning points, the population size, and the calculation efficiency.
  • P M recommended range is 0.001 to 0.05, this value will increase the mutation operation, out of the algorithm so that optimal solution. Therefore, based on the recommendations in the existing literature and practical experience, the crossover probability (P C ) and mutation probability (P M ) in this embodiment are defined as 0.90 and 0.10, respectively, and Monte Carlo simulation is performed on each TSP instance , Use four algorithms to get the data set of the optimal path distance. The comparison results are shown in five box diagrams in Figure 8(a)- Figure 8(e).
  • a range bar to indicate the interquartile range (IQR) of the data set, which indicates the degree of dispersion of the data set, and the median and average values are represented by a red line and a bar in the bar chart
  • the plus sign indicates that there are borders around the data bar, and the ends of the borders represent the minimum and maximum values.
  • the standard deviation is calculated to show the distance between the data set and their average value, which reflects the robustness of the algorithm. Under the same working conditions, the smaller the standard deviation, the better the robustness of the algorithm.
  • the path distance of CGA is the longest, the robustness is the worst, and the gap is more obvious.
  • MDIGA has excellent performance in reducing path distance and improving robustness.
  • the average distance and standard deviation of MDIGA are 1341.81m and 31.41m, which are 49.0% and 79.6% smaller than CGA, respectively.
  • eil51 with 51 planning points in TSPLIB is selected as the working condition.
  • the five populations are 20, 40, 60, 80 and 100 in size.
  • the maximum number of iterations (N max ) of each algorithm is set to 1600.
  • the crossover probability (P C ) and mutation probability (P M ) are 0.90 and 0.10, respectively, and 100 Monte Carlo simulations have been performed using four algorithms with different population sizes.
  • Figure 9(a)- Figure 9(e) are composed of five box plots, showing the comparison results.
  • the calculation efficiency is compared with the results of the TSPLIB instances at five different planning points, and two main criteria are selected to evaluate the calculation efficiency of each algorithm: calculation time and convergence speed.
  • the calculation time refers to the time cost required to complete the maximum number of iterations
  • the convergence rate refers to the critical number of iterations (N cri ) when the solution reaches the convergence level.
  • Figure 10 shows five examples of TSPLIB using MDIGA, where (a) is burma14, (b) is ulysses22, (c) is eil51, (d) is eil76, and (e) is the best trajectory of rat99.
  • the abscissa and ordinate respectively represent the latitude and longitude value of each planning point.
  • the red numbers are a sequence of randomly generated points, the points enclosed by the red rectangle are the starting points, and the arrows indicate the direction of the planned path.
  • the specific method for path planning based on the dual-domain inversion-based genetic algorithm is:
  • the first step is to initialize the parameters. Set the population size, maximum number of iterations, initial crossover probability and initial mutation probability.
  • the second step is to initialize the population.
  • the initial population is randomly generated as the parent in the genetic process.
  • the third step is the calculation of fitness value.
  • the fitness function is defined as 1/len, where len represents the relative path length of each chromosome. Sort the initial population according to the calculated fitness value.
  • the fourth step is to perform selection, crossover and mutation operations on chromosomes.
  • the crossover probability and mutation probability are respectively defined as 0.90 and 0.10.
  • the fitness value of the newly generated population is calculated, and the new population is reordered according to this value to obtain the new population as the primary offspring.
  • the fifth step is to perform a dual-domain inversion operation. Randomly select four serial numbers as the reversal points of chromosome encoding, generate two domains respectively between the first two points and the last two points, and the fragments in the two areas are reversed at the same time to produce new offspring, and compare offspring
  • the fitness value of chromosome and parent chromosome keep the chromosome with larger fitness value, and update the population.
  • the double-region inversion is shown in Figure 11, where S represents the parent chromosome and S'is the child chromosome after inversion.
  • the sixth step is to judge the termination condition of the iteration.
  • the iteration termination condition is set to meet the requirements of a certain working condition or the number of iterations reaches the maximum. If the termination condition is not met, the number of iterations is increased by one and go to step four; if it is met, go to step seven.
  • the optimal individual is selected from the retention results of each iteration as the optimal solution of the dual-domain inversion genetic algorithm and output, and the whole algorithm ends.
  • the first step is to initialize the parameters. Set the population size, maximum number of iterations, initial crossover probability and initial mutation probability.
  • the second step is to initialize the population.
  • the initial population is randomly generated as the parent in the genetic process.
  • the third step is the calculation of fitness value.
  • the fitness function is defined as 1/len, where len represents the relative path length of each chromosome. Sort the initial population according to the calculated fitness value.
  • the fourth step is to perform selection, crossover and mutation operations on chromosomes.
  • the crossover probability and mutation probability are respectively defined as 0.90 and 0.10.
  • the fitness value of the newly generated population is calculated, and the new population is reordered according to this value to obtain the new population as the primary offspring.
  • the fifth step is to perform multi-domain reversal operation: four reversal points are randomly defined in the encoded string, namely a, b, c, d, and the six child chromosomes S 1 -S 6 pass through the regions ab, ac, A single inversion in ad, bc, bd and cd is produced. Similar to the dual domain inversion, S 7 is generated by the double inversion in the regions ab and cd, as shown in Figure 12. Then, according to their fitness, the parent chromosome and the seven daughter chromosomes are compared, and the best quality chromosomes are retained and passed on to the next generation, while other chromosomes are completely eliminated.
  • the sixth step is to judge the termination condition of the iteration.
  • the iteration termination condition is set to meet the requirements of a certain working condition or the number of iterations reaches the maximum. If the termination condition is not met, the number of iterations is increased by one and go to step four; if it is met, go to step seven.
  • the optimal individual is selected from the retention results of each iteration as the optimal solution of the multi-domain reversal genetic algorithm and output, and the whole algorithm ends.
  • unmanned craft USV
  • USV unmanned craft
  • path planning is of great significance to the realization of autonomous navigation and control of unmanned boats.
  • the method proposed in this embodiment is applied to the self-developed USV path planning. As a preliminary study, this embodiment ignores factors such as wind, current, and waves.
  • the USV model adopted in this embodiment is a pentamaran with a length of 1.8 meters and a width of 0.9 meters.
  • a 48V, 45A battery provides power for the motor driving the propeller.
  • the navigation, guidance and control (NGC) system is placed inside the hull to ensure a dry working environment.
  • the NGC system is composed of three module subsystems: navigation data processing subsystem, path planning subsystem and autopilot subsystem.
  • navigation data processing subsystem multiple sensors including electronic compass and GPS are used to obtain heading direction and USV position data.
  • DAQ navigation data acquisition
  • the autopilot uses a closed-loop controller to determine the heading and speed of the USV.
  • GUI programs compiled based on the Spring MVC framework are used to process and record all data in the personal computer.
  • the GPRS wireless network is used as the communication unit between the USV and the personal computer, the effective distance is 5 kilometers, and the transmission speed is 1-100Mbps.
  • Figure 14-17 shows the optimal trajectory diagram of each algorithm under various working conditions.
  • SDIGA and MDIGA are better than CGA around the sequence numbers 3, 12, and 15.
  • the trajectory becomes more complicated, and the difference in path shape and distance is more obvious.
  • the trajectories generated by CGA and DDIGA have different degrees of path crossing phenomenon, which is why under the same conditions, compared with other algorithms, the reason for generating a longer route distance.
  • MDIGA is more obvious in avoiding path crossing and simplifying path shape, especially when more planning points are considered. The main reason may be that a large number of offspring and the retention of the most suitable individuals can help avoid local Optimal and converge to the optimal solution.
  • An unmanned boat path planning system based on improved genetic algorithm includes:
  • Navigation data acquisition module used to acquire the heading data and position data of the unmanned boat, and preprocess it;
  • the constraint factor determination module is used to collect the weather and wind and wave information of the environment of the unmanned boat and convert it into constraint factors
  • the optimal path planning module is used for path planning based on the heading data and position data of the unmanned boat using an improved genetic algorithm to obtain the optimal path ranking;
  • the track correction module is used for sorting based on the optimal path, correcting the heading and speed of the UAV according to the constraint factors, and completing the path planning.
  • the improved genetic algorithm is used to plan the path based on the heading data and position data of the unmanned boat to obtain the optimal path ranking;
  • the heading and speed of the unmanned boat are corrected according to the constraint factors, and the path planning is completed.
  • a processing device includes a memory, a processor, and a computer program stored in the memory and capable of running on the processor, and the processor implements the following steps when the program is executed;
  • the improved genetic algorithm is used to plan the path based on the heading data and position data of the unmanned boat to obtain the optimal path ranking;
  • the heading and speed of the unmanned boat are corrected according to the constraint factors, and the path planning is completed.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于改进遗传算法的无人艇路径规划方法及系统，采用改进遗传算法对无人艇进行路径规划；该方法包括以下步骤：获取无人艇的航向数据和位置数据，并对其进行预处理(S101)；采集无人艇所处环境的海浪信息，并将其转换为约束因子(S102)；采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序(S103)；基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划(S104)。

Description

一种基于改进遗传算法的无人艇路径规划方法及系统 技术领域
本公开涉及无人艇控制技术领域，具体涉及一种基于改进遗传算法的无人艇路径规划方法及系统。
背景技术
旅行商问题(TSP)是一个典型的NP困难问题，其目的是为旅行商规划出一条途径每座城市一次后回到起始城市的最短路径。在生产和生活中，TSP模型被广泛应用于许多领域，如车辆路径规划、机器学习、时间图、字义消歧、绿色物流、燃油效率管理、无线充电等。因此，解决TSP问题对家庭、民用和军事应用具有重要意义。
近年来对解决TSP问题方法的研究主要倾向于具有自适应调控思想的启发式算法，如遗传算法(GA)、模拟退火算法、蚁群算法和神经网络算法。相比之下，GA具有更高的鲁棒性和更强的全局搜索能力，因此已应用于机器人、无人机(UAV)、无人艇(USV)等各种自主设备的轨迹规划问题。为了解决智能机器人的无碰撞最短路径规划问题，现有的方法有为：(1)应用基于障碍物的遗传算法缩小搜索区域，获得长度和时间成本较短的路径。(2)应用于移动机器人上的传统遗传算法(CGA)进行了改进，寻找贝塞尔曲线的控制点，设计了动态工作场中的最短路径。(3)将并行遗传算法应用于多核环境下的多无人机系统，Bezier曲线进一步平滑了初步规划路径，以生成最终的飞行轨迹。(4)通过用于多无人机的新型进化算子改进GA，考虑到三维环境约束，从所需区域收集的信息最大化，获得了有利的路线。(5)就USV而言，结合避开障碍物、达到目标和减少行程时间三个目标函数，评估海洋环境负荷下路径的适用性。
为了克服CGA算法收敛速度慢、局部搜索能力差、容易出现过早收敛等固有问题，采用了基于生物进化和数学生态理论的两种或两种以上的优化算法相结合的方法来提高算法的性能，例如：(1)改进了交叉算子以产生更多的后代，从而丰富了种群多样性。通过对几个TSP实例的测试，证明了该方法的收敛速度快，达到了比CGA更优的规划路径值。(2)以总行程模糊成本和模糊时间最小化为多重目标，蚁群优化和遗传算法相结合，解决了包括源头、目的地、交通工具和路线在内的四维不精确的TSP问题。(3)在集中式无人机布局策略中，考虑到地面节点的位置，采用精英的非主导排序遗传算法来设计无人机的最优值。(4)将基于遗传算法的动态规划导航算法应用于未知动态环境下的移动地面机器人自主导航，具有更好的鲁棒性和有效性。(5)为了解决证券市场中的集团交易策略组合问题，提出了分组遗传算法(GGA)，其适应度函数由组平衡、权重平衡、投资组合回报和风险计算得出。
现有的无人艇路径规划方法包括自由空间法、人工势场法、可视图法等传统方式以及随着人工智能发展而兴起的智能优化算法，如蚁群算法，粒子群算法，遗传算法等。发明人在研发过程中发现，这些算法在应用于无人艇路径规划时均存在一些缺陷，自由空间法难以应用在如无人艇路径规划这种多维路径规划问题中；人工势场法和粒子群算法容易出现目标不 可达，陷入局部最优以及效率低等问题，使无人艇出现自交叉现象；可视图法缺乏灵活性，存在组合爆炸等问题，而蚁群算法计算量较大，两种算法均耗时较长，无法满足无人艇路径规划的及时性需求。虽然传统遗传算法也因存在早熟现象而无法寻得全局最优值，但其良好的并行性和高效的搜索能力符合无人艇在路径规划方面的需求。
发明内容
为了克服上述现有技术的不足，本公开提供了一种基于改进遗传算法的无人艇路径规划方法及系统，采用改进遗传算法对无人艇进行路径规划。
本公开一方面提供的一种基于改进遗传算法的无人艇路径规划方法的技术方案是：
一种基于改进遗传算法的无人艇路径规划方法，该方法包括以下步骤：
获取无人艇的航向数据和位置数据，并对其进行预处理；
采集无人艇所处环境的海浪信息，并将其转换为约束因子；
采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
本公开另一方面提供的一种基于改进遗传算法的无人艇路径规划系统的技术方案是：
一种基于改进遗传算法的无人艇路径规划系统，该系统包括：
航行数据获取模块，用于获取无人艇的航向数据和位置数据，并对其进行预处理；
约束因子确定模块，用于采集无人艇所处环境的海浪信息，并将其转换为约束因子；
最优路径规划模块，用于采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
航迹修正模块，用于基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
本公开另一方面提供的一种计算机可读存储介质的技术方案是：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤；
获取无人艇的航向数据和位置数据，并对其进行预处理；
采集无人艇所处环境的海浪信息，并将其转换为约束因子；
采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
本公开另一方面提供的一种处理装置的技术方案是：
一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤；
获取无人艇的航向数据和位置数据，并对其进行预处理；
采集无人艇所处环境的海浪信息，并将其转换为约束因子；
采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
通过上述技术方案，本公开的有益效果是：
(1)本公开使用双域反演遗传算法和多域反演遗传算法对无人艇进行路径规划，生成了长度短且无自交叉的可行路径，实现了对无人艇调控及航迹修正；
(2)本公开双域反演的遗传算法和基于多域反演的遗传算法，大大降低了计算时间成本，提高了算法的鲁棒性，得到更加稳定，及时的，符合无人艇路径规划需求的合理路径。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。
图1是实施例一基于改进遗传算法的无人艇路径规划方法的流程图；
图2是实施例一中遗传算法流程图；
图3是实施例一中交叉的示意图；
图4是实施例一中突变的示意图；
图5是实施例一中单域反演的示意图；
图6是实施例一中双区域反演的示意图；
图7是实施例一中多域反演的示意图；
图8(a)是实施例一中P＝14规划点下各算法的求解分布图；
图8(b)是实施例一中P＝22规划点下各算法的求解分布图；
图8(c)是实施例一中P＝51规划点下各算法的求解分布图；
图8(d)是实施例一中P＝76规划点下各算法的求解分布图；
图8(e)是实施例一中P＝99规划点下各算法的求解分布图；
图9(a)是实施例一中S＝20种群下各算法的求解分布图；
图9(b)是实施例一中S＝40种群下各算法的求解分布图；
图9(c)是实施例一中S＝60种群下各算法的求解分布图；
图9(d)是实施例一中S＝80种群下各算法的求解分布图；
图9(e)是实施例一中S＝100种群下各算法的求解分布图；
图10是实施例一中五种TSPLIB实例的最佳轨迹图；
图11是实施例一中基于双域反演的遗传算法示意图；
图12是实施例一中基于多域反演的遗传算法示意图；
图13(a)是实施例一中规划点数P＝15下各算法的收敛曲线图；
图13(b)是实施例一中规划点数P＝25下各算法的收敛曲线图；
图13(c)是实施例一中规划点数P＝35下各算法的收敛曲线图；
图13(d)是实施例一中规划点数P＝45下各算法的收敛曲线图；
图14是实施例一中规划点P＝15时各算法的轨迹图；
图15是实施例一中规划点P＝25时各算法的轨迹图；
图16是实施例一中规划点P＝35时各算法的轨迹图；
图17是实施例一中规划点P＝45时各算法的轨迹图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
名词解释：
(1)CGA，传统遗传算法；
(2)SDIGA，基于单域反演的遗传算法；
(3)DDIGA，基于双域反演的遗传算法；
(4)MDIGA，基于多域反演的算法。
实施例一
本实施例提供一种基于改进遗传算法的无人艇路径规划方法，请参阅附图1，该方法包括以下步骤：
S101，获取无人艇的航向数据和位置数据，并对其进行预处理。
具体地，通过GPS和电子罗盘获取无人艇所需航行点的经纬度坐标，并将该航行点的经纬度坐标变换为直角坐标系下的横纵坐标值。
S102，获取无人艇所处环境的天气和海浪信息，并将其转换为约束因子。
具体地，通过超声波天气传感器采集无人艇所处环境的天气和海浪信息，包括海浪的高度、海浪的流速和海浪的波长；并将天气和海浪信息转换为约束因子，应用于无人艇的航迹修正。
所述约束因子主要为海浪作用力，由于船舶在水中受到的作用力以海浪作用力为主，因此将海浪作用力模型作为约束因子进行航迹偏转的修正，约束因子函数为：
Figure PCTCN2019107109-appb-000001
其中，h为海浪的高度，V l为海浪的流速，λ 0为海浪的波长。
S103，采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序。
本实施例中，所述改进遗传算法包括基于双域反演的遗传算法和基于多域反演的遗传算 法，基于双域反演的算法(DDIGA)在四个随机排序的反演点之间进行两次反演操作。此外，四个反转点序列的排列组合也增加了反转域的数目，基于多域反演的算法(MDIGA)由于子代显著增加，只保留最适配的逆序染色体，并将其转移到新一代，提高局部搜索能力。
图2为传动的遗传算法CGA的计算流程。选择实数编码的方法，使用带有访问城市序列号的字符串来表示每条染色体。遗传参数，例如种群大小、交叉和突变概率，通常根据经验定义。在确定优化问题后，随机生成具有一定规模的候选解的初始总体。适应性函数为1/len(len代表每条染色体的相对路径长度)，用于评估每个个体的适应性，更适合的个体将在繁殖中存活下来。然后，该算法通过交叉、变异和选择的迭代操作来提高种群数量，如果满足某个标准或达到最大迭代次数，则进化过程将终止。
在CGA中，交叉主要用于连接两条父染色体，这些染色体被确定的断裂点分开，并产生两个具有一定交叉概率(P C)的后代。突变主要用于交换染色体上随机选择的两个突变点上的基因位置，且突变的发生具有一定的突变概率(P M)。应该指出的是，交叉使染色体相似，有助于种群的收敛；而突变增大遗传多样性，使算法在局部最优的情况下能进一步扩展种群数。
本实施例提出一种单域反演的算法(SDIGA)，并在CGA突变后加入了进一步的反演操作。一条染色体上的两个不同基因被定义为倒位点，在这两个基因之间的片段被命名为倒位域。然后将片段翻转180度(反向)，插入到染色体的原始位置，交叉、突变和单域反演的示意图分别如图3至图5所示。
具体地，所述基于双域反演的遗传算法DDIGA为：
在CGA中，符号编码通常被用作染色体编码，部分映射交叉(PMC)的交叉算子用于求解TSP。然而，这种交叉操作会对父染色体造成严重破坏，只有小部分亲本基因能够存活，大多数后代染色体的基因是在进化过程中产生的，这不利于遗传来自父染色体的优势基因。此外，由于基因的有限转换，突变或单域倒置在局部搜索能力上存在明显的不足。因此，设计了基于双域反演的遗传算法(DDIGA)，如图6所示。
四个不同基因的位置随机定义为染色体编码串的反转点。在前两个点和后两个点之间分别生成两个域，两个区域中的片段同时反转以繁殖后代，比较子代染色体和父代染色体的适应度，以确定下一代更合适的染色体。双区域反演如图6所示，其中I代表父染色体，而I’是倒置后的子染色体。
本实施例设计的基于双域反演的遗传算法，通过双域反演有助于从父染色体中保留更多优势基因，并为子染色体生成更具适应性的编码字符串。同时，由于合理的适应度能够保证子代向更高的水平进化，因此局部搜索的能力可能会得到提高。
具体地，所述基于多域反演的遗传算法MDIGA为：
在CGA中，产生的后代的数量通常与父染色体的数量相同。从生物学理论的基础来看，后代的数量需要大于亲本的数量，以防止物种灭绝，并在生物进化过程中保持物种多样性。
基于双域反演的遗传算法中四个随机排序的点为DDIGA创建了两个域，并且在两次反转 后只生成一个子染色体，但事实上，四个反转点中的每两个都可以定义一个反演域。根据排列组合理论，一次反演共有六个区域。因此，6个额外的子染色体将通过对父染色体中每个域的单个反转而被复制；这将在一定程度上增加为每一代寻找更合适后代的可能性。
因此，本实施例设计了基于多域反演的遗传算法，以增加反转域和子染色体的数目。如图7所示，在编码字符串中随机定义了四个反转点，称为a-d，六个子染色体I' 1-I' 6分别通过区域a-b，a-c，a-d，b-c，b-d和c-d内的单个反转产生。与DDIGA类似，I' 7由区域a-b和c-d内的双重反转生成。然后，根据它们的适应度对父染色体和七个子染色体进行分类，只有最有优势的染色体I'(本例中为I' 5)保留给下一代，而其他染色体则完全消除。
本实施例提出的基于多域反演的遗传算法可以加快向更高适应度演化的速度，并提高算法的收敛精度和鲁棒性。
本实施例采用蒙特卡罗模拟方法，从规划点的数量、种群大小和计算效率等方面来验证上述的CGA、DDIGA和MDIGA算法的有效性。
(1)不同规划点数的比较结果。
采用来自TSPLIB的五个模型实例：burma14、ulysses22、eil51、eil76和rat99。相应地，五种规划点(P)分别为14、22、51、76和99，最大迭代次数(N max)分别设置为100、200、1600、2000和2000，种群大小(S)为100。交叉概率(P C)和变异概率(P M)的值通常由实践经验决定。根据M.Elhoseny等人的建议 [26]，P C的取值范围建议为0.7～1，低于此值将减少交叉操作，并且不利于进化。P M的取值范围建议为0.001～0.05，大于此值将增加变异操作，使算法跳出最优解。因此，根据现有文献中的建议和实际操作的经验，本实施例中的交叉概率(P C)和突变概率(P M)分别定义为0.90和0.10，对每个TSP实例进行蒙特卡罗模拟，用四种算法得到最优路径距离的数据集。比较结果如图8(a)-图8(e)中五个箱型图表示。
对于每个箱型图中的不同算法，绘制一个范围条来表示数据集的四分位范围(IQR)，它表示数据集的分散程度，中间值和平均值用条形图中一条红线和一个加号符号标识，此外，数据条的四周存在边框，边框的末端分别代表最小值和最大值。通过计算标准差来显示数据集与它们的平均值之间的距离，反映出了算法的鲁棒性。在相同的工作条件下，标准差越小，算法的鲁棒性越好。
当有14个规划点时，CGA提供的解决方案与图中的其他解决方案相比具有更大的平均距离和更高的数据分散度，如图8(a)所示，而其它三种改进算法的平均最佳路径距离的结果相似，均为30.9m。同时CGA和DDIGA的中值小于它们的平均值，这意味着在一百次重复模拟中，这两种算法比其他算法更容易产生较大的数据。
随着图8(b)-图8(e)中P的增加，CGA的路径距离最长，鲁棒性最差，且差距更加明显。而MDIGA在减少路径距离和提高鲁棒性方面都具有优异的性能。在P＝99的情况下，MDIGA的平均距离和标准偏差为1341.81m和31.41m，分别比CGA小49.0％和79.6％。此外，除了P＝22的情况外，SDIGA在几乎所有情况下都比DDIGA表现得更好，这意味着在这项实验中，并不 是所有的改进都对算法有效。由于SDIGA和DDIGA的子代数目与父代数目相同，因此SDIGA足够迭代的单域反演和DDIGA足够迭代的双域反演之间没有本质区别。结果还表明，只有增加后代的数量，算法的性能才能得到显著的优化。
(2)不同种群大小的比较结果。
本实施例选择TSPLIB中有51个规划点的eil51作为工作条件。5个种群大小分别为20、40、60、80和100。此外，每个算法的最大迭代次数(N max)设置为1600。交叉概率(P C)和变异概率(P M)分别为0.90和0.10，利用四种不同种群大小的算法进行了100次蒙特卡罗模拟。图9(a)-图9(e)由五个箱型图组成，显示了比较结果。
如图9(a)所示，这三种改进算法，特别是SDIGA和MDIGA，通过与CGA的比较，有效地减小了最优路径距离，提高了算法的鲁棒性。此外，中值几乎与每个柱中的平均值一致，这意味着所有算法都能在eil51的工作条件下产生均匀分布的数据。
如图9(b)-图9(e)所示，当S增加时，出现明显的影响，即每个算法的总体最佳距离进一步减小，虽然每种算法的鲁棒性随种群的增加而略有变化，但没有发现规律性的变化趋势。此外，双域反演算法在减少最优路径距离和提高算法鲁棒性方面都不如SDIGA，这与上述中提到的假设不符。相比之下，MDIGA仍是TSP最有利的算法。当S＝60时，MDIGA的平均距离为451.63m，标准差为7.72m，分别比CGA小25.8％和79.2％。
(3)计算效率比较结果。
本实施例利用五种不同规划点的TSPLIB实例的结果对计算效率进行比较，选择两个主要标准来评估每种算法的计算效率：计算时间和收敛速度。计算时间是指完成最大迭代次数所需的时间成本，收敛速度是指解决方案达到收敛水平时的临界迭代次数(N cri)。
总的来说，可以观察到，随着迭代次数的增加，每个算法的路径距离逐渐变短，然后在临界数(N cri)处收敛到一个稳定的水平程度，最终达到全局最优。随着计划点数的增加，每个算法的临界点数和时间消耗都有上升趋势。相比之下，在整个计算过程中，MDIGA的曲线比其他算法的曲线要低，收敛速度更快，临界数也更低。例如，当P＝76时，MDIGA收敛于N cri＝586，比CGA快63％，而完成相同迭代所花费的时间则多46％。值得注意的是，改进后的算法，特别是SDIGA和MDIGA，大大降低了计算时间成本，保证了解的精度，避免了陷入局部最优。
此外，图10给出了使用MDIGA的五种TSPLIB实例，其中(a)为burma14、(b)为ulysses22、(c)为eil51、(d)为eil76、(e)为rat99的最佳轨迹。横坐标和纵坐标分别代表每个规划点的经纬度值。红色数字是随机生成的点的序列，红色矩形所围点为起点，箭头表示规划路径的方向。
具体地，所述采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划的具体实现过程如下：
(1)基于双域反演的遗传算法进行路径规划。
具体地，所述基于双域反演的遗传算法进行路径规划的具体方法为：
第一步，参数初始化。设置种群规模，最大迭代次数，初始交叉概率和初始变异概率。
第二步，初始化种群。随机生成初始种群作为遗传过程中的父代。
第三步，适应度值的计算。适应度函数定义为1/len，其中len代表每条染色体的相对路径长度。根据计算所得适应度值对初始种群进行排序。
第四步，对染色体进行选择，交叉和变异操作。其中交叉概率和变异概率分别定义为0.90和0.10，同时计算新产生种群的适应度值，根据该值重新排序，获得新的种群作为初级子代。
第五步，进行双域反演操作。随机选择四个序号作为染色体编码的反转点，在前两个点和后两个点之间分别生成两个域，两个区域中的片段同时反转以产生新的子代，比较子代染色体和父代染色体的适应度值，保留适应度值更大的染色体，更新种群。双区域反演如图11所示，其中S代表父染色体，而S’是反转后的子染色体。
第六步，迭代终止条件判断。迭代终止条件设定为满足某一工况需求或迭代次数达到最大。若不满足终止条件，则迭代次数加一，转步骤四；若满足则转步骤七。
第七步，从各迭代保留结果中选择最优个体作为双域反演遗传算法的最优解并输出，整个算法结束。
(2)基于多域反演的遗传算法进行路径规划。
具体地，所述基于多域反演的遗传算法进行路径规划的具体方法为：
第一步，参数初始化。设置种群规模，最大迭代次数，初始交叉概率和初始变异概率。
第二步，初始化种群。随机生成初始种群作为遗传过程中的父代。
第三步，适应度值的计算。适应度函数定义为1/len，其中len代表每条染色体的相对路径长度。根据计算所得适应度值对初始种群进行排序。
第四步，对染色体进行选择，交叉和变异操作。其中交叉概率和变异概率分别定义为0.90和0.10，同时计算新产生种群的适应度值，根据该值重新排序，获得新的种群作为初级子代。
第五步，进行多域反转操作：在编码字符串中随机定义了四个反转点，分别为a，b，c，d，六个子染色体S 1-S 6分别通过区域a-b，a-c，a-d，b-c，b-d和c-d内的单个反转产生。与双域反演类似，S 7由区域a-b和c-d内的双重反转生成，如图12所示。然后，根据它们的适应度对父染色体和七个子染色体进行对比，保留最优质的染色体传给下一代，而其他染色体则完全消除。
第六步，迭代终止条件判断。迭代终止条件设定为满足某一工况需求或迭代次数达到最大。若不满足终止条件，则迭代次数加一，转步骤四；若满足则转步骤七。
第七步，从各迭代保留结果中选择最优个体作为多域反转遗传算法的最优解并输出，整个算法结束。
S104，根据最优路径排序，整合路径序号，调整无人艇舵机的速度与转向，修正无人艇航迹，完成路径规划。
具体地，根据最优路径排序，整合路径序号，调整无人艇舵机的速度与转向，修正无人艇航迹，完成路径规划的具体实现过程为：
将改进遗传算法所规划的最优路径排序与GPS导航模块采集的经纬度坐标相结合，绘制 出建立于实际海洋环境下的直角坐标系路径图，并得到无人艇的当前位置与目标点之间的距离及偏转角信息。
根据约束因子对无人艇当前位置与目标点之间的距离及偏转角信息进行数据处理，得到无人艇当前位置与目标点的实时偏转角度及相对距离，根据得到的距离及偏转角信息，控制舵机进行启动，加速，偏转，减速等操作。
实验验证
对本实施例提出的基于改进遗传算法的无人艇路径规划方法进行实验验证，具体实现过程如下：
目前，无人艇(USV)由于具有降低人员伤亡风险和提高任务效率的优点，在民用和军用领域得到了广泛的应用。路径规划问题作为核心技术之一，对实现无人艇的自主导航和控制具有重要意义。本实施例提出的方法应用于自行开发的USV路径规划。作为初步研究，本实施例忽略了风、流、波等因素。
本实施例采用的USV模型，收长1.8米，宽0.9米的五体船，同时，48V，45A电池为驱动螺旋桨的电机提供动力。
将导航、制导和控制(NGC)系统放置于船体内部以保证其干燥的工作环境，NGC系统由导航数据处理子系统，路径规划子系统和自动驾驶仪子系统三个模块子系统组成。在导航数据处理子系统中，多个传感器包括电子罗盘和GPS，用于获取船首方向和USV位置数据。由
Figure PCTCN2019107109-appb-000002
生产的超声波天气传感器，型号：
Figure PCTCN2019107109-appb-000003
用于收集实时、现场特定的天气和位置信息。所有来自上述多传感器的电压信号都由导航数据采集(DAQ)系统采集，导航数据与船舶日志和状态信息一起实时存储。
然后，处理所有信息并将其传递到路径规划子系统，其中应用GA以生成最佳轨迹。根据规划的路线，自动驾驶仪采用闭环控制器来确定USV的航向和速度。此外，基于Spring MVC框架编译的GUI程序用于处理和记录个人计算机中的所有数据。以GPRS无线网络作为USV与个人计算机之间的通信单元，有效距离为5公里，传输速度为1-100Mbps。需要注意的是，在将本实施例提出的路径规划方法应用于USV的NGC系统时，仍然存在一些挑战。由于受风、浪、流的影响，无人艇有偏离规划轨道的趋势，因此需要对航向进行相应的修正。同时，需要加强USV数据传输的稳定性，特别是在需要远程海上作业时。另外，在路径规划子系统中还需要增加动态障碍物检测和避障功能，特别是恶劣海况下，对传感器的精度要求更加严格。
在浮山湾青岛奥帆中心附近的实际环境中，根据4种工况，随机选取4种不同规划点数方案：15、25、35、45。每个条件在经纬度上都有相同的起点(N 36°03′22.38〃，E 120°22′57.06〃)。将上述四种GA分别用于USV模型，以验证它们的路径规划的有效性。种群大小(S)设置为100。最大迭代次数(N max)为150，250，350和450，分别对应于四种规划点数。此外，交叉概率(P C)和变异概率(P M)仍为0.90和0.10。
在四种工作条件下，每种算法的迭代收敛曲线如图13(a)-图13(d)所示。在四种比较算法中，MDIGA更具优势。随着P的增加，MDIGA在加速收敛和优化路径距离方面的优势变得更 加明显，例如当P＝45时，MDIGA的曲线收敛于N cri＝186并且获得77.1m的最佳路径距离，比CGA短33.1％。此外，DDIGA的表现也不如SDIGA。在大多数情况下，DDIGA计划的轨迹比SDIGA略长，如图13(a)-图13(c)所示。在相同的N max下，三种改进的算法比CGA需要更多的计算时间，但是，MDIGA并不是最耗时的算法，它表现出了平衡路径优化和时间消耗的理想能力。
图14-图17给出了每种算法在各种工况下的最优轨迹图。当图中有15个计划点时，如图16所示，SDIGA和MDIGA在序号为3、12和15周围的优化比CGA更好。此外，随着P值的增加，轨迹变得更加复杂，路径形状和距离的差异也更加明显，从图15中(a)，16中(a)，16中(c)和17中(a)中可以看出，CGA和DDIGA产生的轨迹具有不同程度的路径交叉现象，这就是为什么在相同条件下，与其他算法相比，生成更长的路线距离的原因。但同时，MDIGA在避免路径交叉和简化路径形状方面表现得更为明显，尤其是在考虑更多规划点的情况下，其主要原因可能是大量的后代和最合适的个体的保留可以帮助避免局部最优并收敛到最优解。
实施例二
一种基于改进遗传算法的无人艇路径规划系统，该系统包括：
航行数据获取模块，用于获取无人艇的航向数据和位置数据，并对其进行预处理；
约束因子确定模块，用于收集无人艇所处环境的天气和风浪信息，并将其转换为约束因子；
最优路径规划模块，用于采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
航迹修正模块，用于基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
实施例三
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤；
获取无人艇的航向数据和位置数据，并对其进行预处理；
收集无人艇所处环境的天气和风浪信息，并将其转换为约束因子；
采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
实施例四
一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤；
获取无人艇的航向数据和位置数据，并对其进行预处理；
收集无人艇所处环境的天气和风浪信息，并将其转换为约束因子；
采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

  1. 一种基于改进遗传算法的无人艇路径规划方法，其特征是，该方法包括以下步骤：
    获取无人艇的航向数据和位置数据，并对其进行预处理；
    采集无人艇所处环境的海浪信息，并将其转换为约束因子；
    采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
    基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
  2. 根据权利要求1所述的基于改进遗传算法的无人艇路径规划方法，其特征是，所述无人艇的航向数据和位置数据包括无人艇所需航行点的经纬度坐标数据，并将航行点的经纬度坐标变换为直角坐标系下的横纵坐标值。
  3. 根据权利要求1所述的基于改进遗传算法的无人艇路径规划方法，其特征是，所述约束因子为：
    Figure PCTCN2019107109-appb-100001
    其中，h为海浪的高度，V l为海浪的流速，λ 0为海浪的波长。
  4. 根据权利要求1所述的基于改进遗传算法的无人艇路径规划方法，其特征是，所述改进遗传算法包括基于双域反演的遗传算法和基于多域反演的遗传算法。
  5. 根据权利要求4所述的基于改进遗传算法的无人艇路径规划方法，其特征是，基于双域反演的遗传算法进行路径规划的具体方法为：
    (1)参数初始化：设置种群规模，最大迭代次数，初始交叉概率和初始变异概率；
    (2)初始化种群：随机生成初始种群作为遗传过程中的父代；
    (3)适应度值的计算：计算每条染色体的适应度值，根据计算所得适应度值对初始种群进行排序；
    (4)对染色体进行选择，交叉和变异操作，同时计算新产生种群的适应度值，根据该值重新排序，获得新的种群作为初级子代；
    (5)进行双域反演操作：随机选择四个序号作为染色体编码的反转点，在前两个点和后两个点之间分别生成两个域，两个区域中的片段同时反转以产生新的子代，比较子代染色体和父代染色体的适应度值，保留适应度值更大的染色体，更新种群；
    (6)判断是否满足迭代终止条件，若不满足终止条件，则迭代次数加一，转步骤(4)；若满足则转步骤(7)；
    (7)从各迭代保留结果中选择最优个体作为双域反演遗传算法的最优解并输出。
  6. 根据权利要求3所述的基于改进遗传算法的无人艇路径规划方法，其特征是，基于 多域反演的遗传算法进行路径规划的具体方法为：
    (1)参数初始化：设置种群规模，最大迭代次数，初始交叉概率和初始变异概率；
    (2)初始化种群：随机生成初始种群作为遗传过程中的父代；
    (3)适应度值的计算：计算每条染色体的适应度值，根据计算所得适应度值对初始种群进行排序；
    (4)对染色体进行选择，交叉和变异操作，同时计算新产生种群的适应度值，根据该值重新排序，获得新的种群作为初级子代；
    (5)进行多域反转操作：在编码字符串中随机定义了四个反转点，在任意两个反转点之间生成六个区域，六个区域中的片段单个反转产生六个新的子染色，以及在前两个点和后两个点之间分别生成两个域，两个区域中的片段同时反转以产生新的第七个子染色；比较七个子代染色体和父代染色体的适应度值，适应度值更大的染色体，更新种群；
    (6)判断是否满足迭代终止条件，若不满足终止条件，则迭代次数加一，转步骤(4)；若满足则转步骤(7)；
    (7)从各迭代保留结果中选择最优个体作为多域反演遗传算法的最优解并输出。
  7. 根据权利要求1所述的基于改进遗传算法的无人艇路径规划方法，其特征是，所述基于最优路径排序，根据约束因子修正无人艇的航向和航速的具体方法为：
    将得到的最优路径排序与无人艇所需航行点的经纬度坐标数据相结合，绘制直角坐标系路径图，并得到无人艇的当前位置与目标点之间的距离及偏转角信息；
    根据约束因子对无人艇当前位置与目标点之间的距离及偏转角信息进行数据处理，得到无人艇当前位置与目标点的实时偏转角度及相对距离。
  8. 一种基于改进遗传算法的无人艇路径规划系统，其特征是，该系统包括：
    航行数据获取模块，用于获取无人艇的航向数据和位置数据，并对其进行预处理；
    约束因子确定模块，用于采集无人艇所处环境的海浪信息，并将其转换为约束因子；
    最优路径规划模块，用于采用改进遗传算法根据无人艇的航向数据和位置数据进行路径规划，得到最优路径排序；
    航迹修正模块，用于基于最优路径排序，根据约束因子修正无人艇的航向和航速，完成路径规划。
  9. 一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于改进遗传算法的无人艇路径规划方法中的步骤。
  10. 一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于改进遗传算法的无人艇路径规划方法中的步骤。
PCT/CN2019/107109 2019-08-06 2019-09-20 一种基于改进遗传算法的无人艇路径规划方法及系统 WO2021022637A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910721372.6 2019-08-06
CN201910721372.6A CN110442135B (zh) 2019-08-06 2019-08-06 一种基于改进遗传算法的无人艇路径规划方法及系统

Publications (1)

Publication Number Publication Date
WO2021022637A1 true WO2021022637A1 (zh) 2021-02-11

Family

ID=68433459

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/107109 WO2021022637A1 (zh) 2019-08-06 2019-09-20 一种基于改进遗传算法的无人艇路径规划方法及系统

Country Status (3)

Country Link
CN (1) CN110442135B (zh)
LU (1) LU102400B1 (zh)
WO (1) WO2021022637A1 (zh)

Cited By (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818472A (zh) * 2021-02-25 2021-05-18 西北工业大学 一种民用飞机飞行试验科目安排及优化方法
CN112947480A (zh) * 2021-03-24 2021-06-11 武汉理工大学 一种移动机器人路径规划方法、存储介质及系统
CN113095733A (zh) * 2021-05-10 2021-07-09 北京化工大学 一种基于改进遗传算法求解单机械臂转移作业车间调度方法
CN113110424A (zh) * 2021-03-26 2021-07-13 大连海事大学 一种基于海图信息的无人艇避碰方法
CN113128788A (zh) * 2021-05-17 2021-07-16 华北电力大学 一种电力应急物资输送路径优化方法、装置及存储介质
CN113124873A (zh) * 2021-04-09 2021-07-16 青岛哈船海智科技有限公司 基于海洋环境信息的uuv多指标约束三维航路规划方法
CN113159687A (zh) * 2021-04-29 2021-07-23 长安大学 一种车间agv-uav协同的物料配送路径规划方法和系统
CN113175930A (zh) * 2021-03-22 2021-07-27 西安理工大学 基于mmea的多无人机协同航迹规划方法
CN113177762A (zh) * 2021-05-14 2021-07-27 大连海事大学 一种多中心电动车-无人机配送路径优化方法
CN113188547A (zh) * 2021-05-06 2021-07-30 国能朔黄铁路发展有限责任公司 无人机路径规划方法、装置、控制器及存储介质
CN113222272A (zh) * 2021-05-26 2021-08-06 合肥工业大学 基于双层遗传编码的应急物资运输与装载协同优化方法
CN113361753A (zh) * 2021-05-26 2021-09-07 中国电子技术标准化研究院 基于量子遗传算法的确定最优路径的方法、系统和介质
CN113571134A (zh) * 2021-07-28 2021-10-29 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于骨干粒子群算法的基因数据特征选择方法及装置
CN113592148A (zh) * 2021-07-01 2021-11-02 合肥工业大学 改进车辆与无人机配送路线的优化方法及系统
CN113624235A (zh) * 2021-07-31 2021-11-09 武夷科技信息(北京)有限公司 一种无人机实时动态调整导航路径的方法
CN113673922A (zh) * 2021-07-09 2021-11-19 合肥工业大学 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统
CN113687657A (zh) * 2021-08-26 2021-11-23 鲁东大学 用于多智能体编队动态路径规划的方法和存储介质
CN113741477A (zh) * 2021-09-14 2021-12-03 中国船舶重工集团公司第七0七研究所九江分部 一种欠驱动船舶靠泊路径规划方法
CN113779885A (zh) * 2021-09-16 2021-12-10 南京航空航天大学 一种基于遗传算法的容差优化方法
CN113778127A (zh) * 2021-09-18 2021-12-10 中国人民解放军国防科技大学 基于遗传算法的无人机侦察路径规划方法及装置
CN113867358A (zh) * 2021-10-13 2021-12-31 中国人民解放军陆军工程大学 多无人车协同遍历任务的智能路径规划方法
CN113885533A (zh) * 2021-11-12 2022-01-04 江苏海洋大学 一种无人艇的无人驾驶方法及系统
CN113887782A (zh) * 2021-08-27 2022-01-04 西安电子科技大学 一种面向维修资源配送调度的遗传-烟花混合方法及系统
CN113885555A (zh) * 2021-09-14 2022-01-04 安徽送变电工程有限公司 面向输电线路密集通道巡检的多机任务分配方法和系统
CN113945796A (zh) * 2021-09-29 2022-01-18 集美大学 一种配电网故障定位方法、终端设备及存储介质
CN114020022A (zh) * 2021-11-04 2022-02-08 中国人民解放军陆军工程大学 异构无人机协同打击任务规划方法及装置
CN114036749A (zh) * 2021-11-09 2022-02-11 上海交通大学 一种考虑续航里程的新能源共享汽车的调度方法
CN114049243A (zh) * 2021-10-26 2022-02-15 中山大学 一种浒苔堆积量估算方法、系统及存储介质
CN114265355A (zh) * 2021-12-30 2022-04-01 上海大学 一种具有自主控制无人艇悬停功能的遥控器及其控制方法
CN114281104A (zh) * 2021-12-16 2022-04-05 成都戎星科技有限公司 一种基于改进蚁群算法的多无人机协同调控方法
CN114355895A (zh) * 2021-12-14 2022-04-15 南京航空航天大学 一种车辆主动避撞路径规划方法
CN114397896A (zh) * 2022-01-10 2022-04-26 贵州大学 一种改进粒子群算法的动态路径规划方法
CN114399043A (zh) * 2021-06-16 2022-04-26 北京理工大学 一种基于非支配排序粒子群遗传算法的车辆位置路由方法
CN114578772A (zh) * 2021-04-16 2022-06-03 西南交通大学 一种agv集群控制系统设计框架及方法
CN114594788A (zh) * 2022-02-28 2022-06-07 西安交通大学 一种未知环境下四旋翼无人飞行器航迹规划方法及系统
CN114611984A (zh) * 2022-03-24 2022-06-10 集美大学 海上大规模救助资源调度决策方法、系统及存储介质
CN114608596A (zh) * 2022-03-09 2022-06-10 大连大学 一种基于dssa算法的路径规划方法
CN114648162A (zh) * 2022-03-18 2022-06-21 山东大学 基于混合启发式算法的多色喷涂路径规划方法及系统
CN114967764A (zh) * 2022-04-28 2022-08-30 农业农村部南京农业机械化研究所 多作业区域植保无人机航线规划与任务分配方法
CN114995413A (zh) * 2022-05-26 2022-09-02 南京航空航天大学 基于改进遗传算法的智能小车路径规划方法
CN115062936A (zh) * 2022-06-06 2022-09-16 同济大学 一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法
CN115079995A (zh) * 2022-07-22 2022-09-20 中南大学 一种中子谱仪被测样品测点排序方法和系统
CN115119143A (zh) * 2022-06-29 2022-09-27 西北工业大学 一种无人机辅助地面基站的位置部署方法及系统
CN115357021A (zh) * 2022-08-25 2022-11-18 齐齐哈尔大学 一种基于改进凌日搜索算法的水面无人艇路径规划方法
CN115421508A (zh) * 2022-08-01 2022-12-02 西安工业大学 一种适用于多无人机多目标航迹规划的粒子群优化方法
CN115438860A (zh) * 2022-09-06 2022-12-06 西安电子科技大学广州研究院 一种基于进化算法的多智能体路径规划方法
CN115451974A (zh) * 2022-11-09 2022-12-09 广东电网有限责任公司湛江供电局 一种电力设备巡检路径规划方法、系统、设备和介质
CN115469671A (zh) * 2022-10-21 2022-12-13 江苏海洋大学 一种基于聚集-置换策略的机器人路径规划方法
CN115495859A (zh) * 2022-09-19 2022-12-20 上海交通大学 一种基于遗传算法的仓网规划算法
CN115562074A (zh) * 2022-10-29 2023-01-03 福州大学 一种快速生成无人机最优规划路径的仿真系统及方法
WO2023029188A1 (zh) * 2021-08-31 2023-03-09 南京天溯自动化控制系统有限公司 路径规划方法、装置、设备及存储介质
CN115857516A (zh) * 2023-03-02 2023-03-28 之江实验室 结合牛耕式运动与遗传算法的全覆盖路径规划方法和装置
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置
CN115952942A (zh) * 2023-03-13 2023-04-11 季华实验室 多目标巡检调度规划方法、装置、电子设备及存储介质
CN116047909A (zh) * 2023-01-13 2023-05-02 大连海事大学 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法
CN116090357A (zh) * 2023-04-07 2023-05-09 中国人民解放军96901部队 多目标打击任务可行性快速评估方法
CN116243701A (zh) * 2022-10-28 2023-06-09 北京航空航天大学杭州创新研究院 基于最优推进速度的水下机器人最优能耗路径规划方法
CN116519003A (zh) * 2023-06-28 2023-08-01 广汽埃安新能源汽车股份有限公司 一种路径规划方法、装置、电子设备及存储介质
CN116678409A (zh) * 2023-04-24 2023-09-01 大连海事大学 一种基于改进灰狼算法的北极冰区船舶路径规划方法
CN116954239A (zh) * 2023-06-12 2023-10-27 成都丰千达科技有限公司 一种基于改进粒子群算法的无人机航迹规划方法及系统
CN116989797A (zh) * 2023-09-26 2023-11-03 北京理工大学 无人机航迹优化方法、装置、电子设备及存储介质
CN117356546A (zh) * 2023-12-01 2024-01-09 南京禄口国际机场空港科技有限公司 一种机场草坪用的喷雾车的控制方法、系统及存储介质
CN117419731A (zh) * 2023-12-19 2024-01-19 青岛哈尔滨工程大学创新发展中心 基于多策略人工蜂群算法在海洋环境下的路径规划方法
CN117494919A (zh) * 2023-11-13 2024-02-02 广州力生机器人技术有限公司 一种基于多机器人协同码垛作业的路径规划方法及装置
CN117608200A (zh) * 2024-01-23 2024-02-27 山东科技大学 一种海洋航行器路径规划方法
CN117601136A (zh) * 2024-01-24 2024-02-27 济宁鲁鑫工程机械有限公司 一种自动焊接机器人路径规划方法及系统
CN117689677A (zh) * 2024-02-01 2024-03-12 山东大学日照研究院 一种砂轮磨损状态识别方法、系统、设备及介质
CN117742373A (zh) * 2023-11-13 2024-03-22 广东工业大学 基于改进遗传算法的无人机路径规划方法
CN117951851A (zh) * 2024-02-19 2024-04-30 重庆大学 一种应对极端降雨的道路大排水行泄路径优化设计方法
CN118411058A (zh) * 2024-07-02 2024-07-30 中国电子科技集团公司信息科学研究院 基于区域目标离散化的多星对地观测任务规划方法及装置
CN118628074A (zh) * 2024-08-12 2024-09-10 中国人民解放军国防科技大学 海上协同搜救的任务规划方法、装置、设备及存储介质

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145068B (zh) * 2019-12-09 2023-09-26 南京航空航天大学 一种长距离高时效经济性巡航车速规划方法
CN111026135B (zh) * 2020-01-18 2020-11-13 上海大学 一种无人艇高性能航行前馈控制系统及其控制方法
CN113805570B (zh) * 2020-05-28 2024-06-28 广州汽车集团股份有限公司 车辆行驶路径和行驶速度协同规划方法、系统及存储介质
CN111610788B (zh) * 2020-06-13 2023-04-18 大连海事大学 一种分级模糊-人工势场路径规划的方法
CN111664852B (zh) * 2020-06-15 2023-07-04 天津大学 一种无人机路径规划方法及装置
CN112034865B (zh) * 2020-08-12 2021-10-08 浙江大学 基于优化算法的全驱动水下航行器航迹跟踪控制方法
CN112381284B (zh) * 2020-11-11 2023-12-01 成都信息工程大学 一种无人接驳车多站点路径优化的改进遗传算法
CN112529278B (zh) * 2020-12-02 2021-08-31 中国人民解放军93209部队 基于联结矩阵寻优的航路网规划方法及装置
CN113570022B (zh) * 2021-03-05 2023-05-23 福建工程学院 传感器网络中可充电移动小车路径规划方法及装置
CN113029150B (zh) * 2021-03-10 2023-09-08 辽宁工程技术大学 一种多约束条件下的智能飞行器航迹规划方法
CN113595774B (zh) * 2021-07-19 2023-08-01 广西大学 一种基于iaga算法的高速列车车联网拓扑优化方法
CN113762594B (zh) * 2021-07-23 2023-07-07 合肥工业大学 车机协同配送灾后救援物资的路径规划方法和装置
CN113780839B (zh) * 2021-09-15 2023-08-22 湖南视比特机器人有限公司 基于深度强化学习的演化式分拣作业调度方法及系统
CN113778128B (zh) * 2021-09-18 2023-03-31 中国人民解放军国防科技大学 基于遗传算法的无人机侦察任务规划方法及装置
CN113703463B (zh) * 2021-09-23 2023-12-05 大连海事大学 一种基于精英多种群演化算法的船舶避碰路径规划方法
CN113819919B (zh) * 2021-09-26 2022-07-01 陕西科技大学 一种基于布尔约束的机器人最优路径规划方法
CN114169828B (zh) * 2021-12-08 2024-06-04 南通大学 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统
CN114493090A (zh) * 2021-12-13 2022-05-13 石河子大学 工业园区综合能源智能管控方法及装置
CN114281108B (zh) * 2021-12-28 2024-05-03 北京神星科技有限公司 基于分层改进遗传算法的投送任务规划方法
CN114578708B (zh) * 2022-01-26 2024-07-02 吉林大学 基于Matlab/Simulink飞行汽车工况识别系统
CN114610027B (zh) * 2022-03-07 2024-10-18 吉林大学 一种船舶航海路径规划方法
CN114647541B (zh) * 2022-03-18 2024-04-26 西安微电子技术研究所 一种基于改进演化硬件的电路自修复方法
CN114812553B (zh) * 2022-03-21 2024-09-06 武汉大学 一种顾及dsm模型的多无人机协同三维航迹规划方法
CN114781863B (zh) * 2022-04-21 2024-06-07 南京航空航天大学 多机器人协同加工效率与质量双目标优化任务规划方法
CN114897246A (zh) * 2022-05-16 2022-08-12 北京航空航天大学 基于遗传算法和贪心策略的飞艇多任务点航线规划方法
CN114859930A (zh) * 2022-05-19 2022-08-05 山东省海洋科学研究院(青岛国家海洋科学研究中心) 一种路径规划方法、无人艇集群的控制方法及系统
CN115167502B (zh) * 2022-06-10 2024-08-20 中国人民解放军国防科技大学 基于免疫克隆算法的无人机协同航迹规划方法及装置
CN115167501B (zh) * 2022-06-10 2024-10-18 中国人民解放军国防科技大学 基于免疫克隆算法的无人机航迹优化方法、装置和设备
CN114924593B (zh) * 2022-06-16 2024-04-26 华中科技大学 一种车辆与多无人机会合路线快速规划方法
CN115113647A (zh) * 2022-07-11 2022-09-27 大连海事大学 一种基于智能演化算法的集群无人机资源调度方法
CN115079704B (zh) * 2022-08-01 2024-02-27 中国电信股份有限公司 路径规划方法、装置、存储介质及电子设备
CN115345549B (zh) * 2022-08-11 2024-01-23 上海维祥信息技术有限公司 结合装载方案的车辆路径调整方法及系统
CN115616907B (zh) * 2022-09-22 2023-08-04 上海海事大学 一种无人艇航向智能规划方法及控制器
CN115801665B (zh) * 2022-11-22 2024-05-24 山西大学 一种基于转发图的域内路由保护方法
CN116088542B (zh) * 2023-04-12 2023-08-18 中国水产科学研究院南海水产研究所 一种基于遥感技术的渔船作业安全预警方法及系统
CN116542468B (zh) * 2023-05-06 2023-10-20 中国人民解放军32370部队 一种无人机集群任务规划方法
CN117213484B (zh) * 2023-06-21 2024-06-18 深圳大学 一种基于遗传算法的航点连线方法、装置及智能终端
CN117196271B (zh) * 2023-11-08 2024-02-13 北京理工大学 一种柔性车间异构机器人双效调度方法
CN117968689A (zh) * 2023-12-25 2024-05-03 荆楚理工学院 基于遗传粒子混合算法的无人机路径规划方法和系统
CN118168602A (zh) * 2024-03-11 2024-06-11 自然资源部第一海洋研究所 一种海洋环境数据采集方法及系统
CN118244054B (zh) * 2024-04-01 2024-09-10 国网安徽省电力有限公司六安市叶集供电公司 一种基于量子遗传算法的智能终端监测方法及装置
CN118195277B (zh) * 2024-05-16 2024-07-23 中国人民解放军海军航空大学 直升机群海上平台出动作业一体化调度方法
CN118348810B (zh) * 2024-05-28 2024-10-15 安华海洋智能装备(深圳)有限公司 用于海洋探测设备的优化方法、系统及探测设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1441913A (zh) * 2000-06-26 2003-09-10 维斯特恩格科地震控股有限公司 海洋数据收集的最佳路线
US9340270B2 (en) * 2013-02-27 2016-05-17 Furuno Electric Company Limited Nautical automatic steering device, automatic steering method, and non-transitory computer-readable medium storing automatic steering program
CN105867383A (zh) * 2016-05-16 2016-08-17 哈尔滨工程大学 一种usv自主避碰控制的方法
CN107741744A (zh) * 2017-11-15 2018-02-27 哈尔滨工程大学 一种海洋观测平台的最优艏向控制方法
EP3287862A1 (en) * 2016-08-25 2018-02-28 Imotec Holding B.V. Method for steering an underactuated ship
CN109062058A (zh) * 2018-09-26 2018-12-21 大连海事大学 基于自适应模糊最优控制的船舶航向轨迹跟踪设计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323820A (zh) * 2011-04-19 2012-01-18 江苏科技大学 一种智能舵系统及其控制方法
CN102830707A (zh) * 2012-09-21 2012-12-19 中国航空无线电电子研究所 航行器起降俯仰姿态控制系统
CN108983774B (zh) * 2018-07-16 2021-06-01 哈尔滨工程大学 一种基于模糊状态观测器的单喷泵推进无人水面艇自适应航向控制方法
CN108919675B (zh) * 2018-09-10 2021-03-19 上海阜有海洋科技有限公司 一种多点系泊系统控制模型优化算法
CN109828570B (zh) * 2019-02-18 2021-10-01 哈尔滨工程大学 一种自适应边界层水面无人艇控制导引方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1441913A (zh) * 2000-06-26 2003-09-10 维斯特恩格科地震控股有限公司 海洋数据收集的最佳路线
US9340270B2 (en) * 2013-02-27 2016-05-17 Furuno Electric Company Limited Nautical automatic steering device, automatic steering method, and non-transitory computer-readable medium storing automatic steering program
CN105867383A (zh) * 2016-05-16 2016-08-17 哈尔滨工程大学 一种usv自主避碰控制的方法
EP3287862A1 (en) * 2016-08-25 2018-02-28 Imotec Holding B.V. Method for steering an underactuated ship
CN107741744A (zh) * 2017-11-15 2018-02-27 哈尔滨工程大学 一种海洋观测平台的最优艏向控制方法
CN109062058A (zh) * 2018-09-26 2018-12-21 大连海事大学 基于自适应模糊最优控制的船舶航向轨迹跟踪设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FU, YANG: "Research on the Path Planning and Collision Avoidance Methods of the USV", ENGINEERING SCIENCE AND TECHNOLOGY II, CHINA MASTER'S THESES FULL-TEXT DATABASE, 15 January 2019 (2019-01-15), XP055777403 *
WU, BIN: "The Research of Solving TSP Based On Genetic Algorithm", JOURNAL OF SHENGLI COLLEGE CHINA UNIVERSITY OF PETROLEUM, vol. 28, no. 3, 30 September 2014 (2014-09-30), pages 24, XP009525782, ISSN: 1673-5935 *

Cited By (108)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818472A (zh) * 2021-02-25 2021-05-18 西北工业大学 一种民用飞机飞行试验科目安排及优化方法
CN113175930B (zh) * 2021-03-22 2024-04-30 西安理工大学 基于mmea的多无人机协同航迹规划方法
CN113175930A (zh) * 2021-03-22 2021-07-27 西安理工大学 基于mmea的多无人机协同航迹规划方法
CN112947480A (zh) * 2021-03-24 2021-06-11 武汉理工大学 一种移动机器人路径规划方法、存储介质及系统
CN113110424A (zh) * 2021-03-26 2021-07-13 大连海事大学 一种基于海图信息的无人艇避碰方法
CN113124873B (zh) * 2021-04-09 2022-08-16 青岛哈船海智科技有限公司 基于海洋环境信息的uuv多指标约束三维航路规划方法
CN113124873A (zh) * 2021-04-09 2021-07-16 青岛哈船海智科技有限公司 基于海洋环境信息的uuv多指标约束三维航路规划方法
CN114578772B (zh) * 2021-04-16 2023-08-11 青岛中车四方车辆物流有限公司 一种agv集群控制系统设计框架及方法
CN114578772A (zh) * 2021-04-16 2022-06-03 西南交通大学 一种agv集群控制系统设计框架及方法
CN113159687A (zh) * 2021-04-29 2021-07-23 长安大学 一种车间agv-uav协同的物料配送路径规划方法和系统
CN113159687B (zh) * 2021-04-29 2023-08-29 长安大学 一种车间agv-uav协同的物料配送路径规划方法和系统
CN113188547A (zh) * 2021-05-06 2021-07-30 国能朔黄铁路发展有限责任公司 无人机路径规划方法、装置、控制器及存储介质
CN113095733A (zh) * 2021-05-10 2021-07-09 北京化工大学 一种基于改进遗传算法求解单机械臂转移作业车间调度方法
CN113177762A (zh) * 2021-05-14 2021-07-27 大连海事大学 一种多中心电动车-无人机配送路径优化方法
CN113177762B (zh) * 2021-05-14 2024-01-05 大连海事大学 一种多中心电动车-无人机配送路径优化方法
CN113128788B (zh) * 2021-05-17 2024-03-08 华北电力大学 一种电力应急物资输送路径优化方法、装置及存储介质
CN113128788A (zh) * 2021-05-17 2021-07-16 华北电力大学 一种电力应急物资输送路径优化方法、装置及存储介质
CN113361753A (zh) * 2021-05-26 2021-09-07 中国电子技术标准化研究院 基于量子遗传算法的确定最优路径的方法、系统和介质
CN113361753B (zh) * 2021-05-26 2023-07-04 中国电子技术标准化研究院 基于量子遗传算法的确定最优路径的方法、系统和介质
CN113222272B (zh) * 2021-05-26 2022-09-20 合肥工业大学 基于双层遗传编码的应急物资运输与装载协同优化方法
CN113222272A (zh) * 2021-05-26 2021-08-06 合肥工业大学 基于双层遗传编码的应急物资运输与装载协同优化方法
CN114399043A (zh) * 2021-06-16 2022-04-26 北京理工大学 一种基于非支配排序粒子群遗传算法的车辆位置路由方法
CN114399043B (zh) * 2021-06-16 2024-06-04 北京理工大学 一种基于非支配排序粒子群遗传算法的车辆位置路由方法
CN113592148A (zh) * 2021-07-01 2021-11-02 合肥工业大学 改进车辆与无人机配送路线的优化方法及系统
CN113592148B (zh) * 2021-07-01 2024-03-15 合肥工业大学 改进车辆与无人机配送路线的优化方法及系统
CN113673922A (zh) * 2021-07-09 2021-11-19 合肥工业大学 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统
CN113571134B (zh) * 2021-07-28 2024-07-02 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于骨干粒子群算法的基因数据特征选择方法及装置
CN113571134A (zh) * 2021-07-28 2021-10-29 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于骨干粒子群算法的基因数据特征选择方法及装置
CN113624235A (zh) * 2021-07-31 2021-11-09 武夷科技信息(北京)有限公司 一种无人机实时动态调整导航路径的方法
CN113687657A (zh) * 2021-08-26 2021-11-23 鲁东大学 用于多智能体编队动态路径规划的方法和存储介质
CN113887782A (zh) * 2021-08-27 2022-01-04 西安电子科技大学 一种面向维修资源配送调度的遗传-烟花混合方法及系统
WO2023029188A1 (zh) * 2021-08-31 2023-03-09 南京天溯自动化控制系统有限公司 路径规划方法、装置、设备及存储介质
CN113741477A (zh) * 2021-09-14 2021-12-03 中国船舶重工集团公司第七0七研究所九江分部 一种欠驱动船舶靠泊路径规划方法
CN113885555A (zh) * 2021-09-14 2022-01-04 安徽送变电工程有限公司 面向输电线路密集通道巡检的多机任务分配方法和系统
CN113779885B (zh) * 2021-09-16 2024-04-30 南京航空航天大学 一种基于遗传算法的容差优化方法
CN113779885A (zh) * 2021-09-16 2021-12-10 南京航空航天大学 一种基于遗传算法的容差优化方法
CN113778127B (zh) * 2021-09-18 2023-02-28 中国人民解放军国防科技大学 基于遗传算法的无人机侦察路径规划方法及装置
CN113778127A (zh) * 2021-09-18 2021-12-10 中国人民解放军国防科技大学 基于遗传算法的无人机侦察路径规划方法及装置
CN113945796B (zh) * 2021-09-29 2023-10-24 集美大学 一种配电网故障定位方法、终端设备及存储介质
CN113945796A (zh) * 2021-09-29 2022-01-18 集美大学 一种配电网故障定位方法、终端设备及存储介质
CN113867358B (zh) * 2021-10-13 2023-08-29 中国人民解放军陆军工程大学 多无人车协同遍历任务的智能路径规划方法
CN113867358A (zh) * 2021-10-13 2021-12-31 中国人民解放军陆军工程大学 多无人车协同遍历任务的智能路径规划方法
CN114049243B (zh) * 2021-10-26 2023-09-29 中山大学 一种浒苔堆积量估算方法、系统及存储介质
CN114049243A (zh) * 2021-10-26 2022-02-15 中山大学 一种浒苔堆积量估算方法、系统及存储介质
CN114020022B (zh) * 2021-11-04 2023-08-18 中国人民解放军陆军工程大学 异构无人机协同打击任务规划方法及装置
CN114020022A (zh) * 2021-11-04 2022-02-08 中国人民解放军陆军工程大学 异构无人机协同打击任务规划方法及装置
CN114036749A (zh) * 2021-11-09 2022-02-11 上海交通大学 一种考虑续航里程的新能源共享汽车的调度方法
CN113885533A (zh) * 2021-11-12 2022-01-04 江苏海洋大学 一种无人艇的无人驾驶方法及系统
CN114355895A (zh) * 2021-12-14 2022-04-15 南京航空航天大学 一种车辆主动避撞路径规划方法
CN114355895B (zh) * 2021-12-14 2023-11-07 南京航空航天大学 一种车辆主动避撞路径规划方法
CN114281104B (zh) * 2021-12-16 2024-02-20 成都戎星科技有限公司 一种基于改进蚁群算法的多无人机协同调控方法
CN114281104A (zh) * 2021-12-16 2022-04-05 成都戎星科技有限公司 一种基于改进蚁群算法的多无人机协同调控方法
CN114265355A (zh) * 2021-12-30 2022-04-01 上海大学 一种具有自主控制无人艇悬停功能的遥控器及其控制方法
CN114265355B (zh) * 2021-12-30 2024-02-20 上海大学 一种具有自主控制无人艇悬停功能的遥控器及其控制方法
CN114397896A (zh) * 2022-01-10 2022-04-26 贵州大学 一种改进粒子群算法的动态路径规划方法
CN114594788A (zh) * 2022-02-28 2022-06-07 西安交通大学 一种未知环境下四旋翼无人飞行器航迹规划方法及系统
CN114608596B (zh) * 2022-03-09 2024-04-12 大连大学 一种基于dssa算法的路径规划方法
CN114608596A (zh) * 2022-03-09 2022-06-10 大连大学 一种基于dssa算法的路径规划方法
CN114648162A (zh) * 2022-03-18 2022-06-21 山东大学 基于混合启发式算法的多色喷涂路径规划方法及系统
CN114611984A (zh) * 2022-03-24 2022-06-10 集美大学 海上大规模救助资源调度决策方法、系统及存储介质
CN114967764A (zh) * 2022-04-28 2022-08-30 农业农村部南京农业机械化研究所 多作业区域植保无人机航线规划与任务分配方法
CN114995413A (zh) * 2022-05-26 2022-09-02 南京航空航天大学 基于改进遗传算法的智能小车路径规划方法
CN115062936A (zh) * 2022-06-06 2022-09-16 同济大学 一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法
CN115119143A (zh) * 2022-06-29 2022-09-27 西北工业大学 一种无人机辅助地面基站的位置部署方法及系统
CN115079995A (zh) * 2022-07-22 2022-09-20 中南大学 一种中子谱仪被测样品测点排序方法和系统
CN115079995B (zh) * 2022-07-22 2022-11-11 中南大学 一种中子谱仪被测样品测点排序方法和系统
CN115421508A (zh) * 2022-08-01 2022-12-02 西安工业大学 一种适用于多无人机多目标航迹规划的粒子群优化方法
CN115357021B (zh) * 2022-08-25 2023-10-10 齐齐哈尔大学 一种基于改进凌日搜索算法的水面无人艇路径规划方法
CN115357021A (zh) * 2022-08-25 2022-11-18 齐齐哈尔大学 一种基于改进凌日搜索算法的水面无人艇路径规划方法
CN115438860A (zh) * 2022-09-06 2022-12-06 西安电子科技大学广州研究院 一种基于进化算法的多智能体路径规划方法
CN115495859B (zh) * 2022-09-19 2023-11-03 上海交通大学 一种基于遗传算法的仓网规划方法
CN115495859A (zh) * 2022-09-19 2022-12-20 上海交通大学 一种基于遗传算法的仓网规划算法
CN115469671B (zh) * 2022-10-21 2024-05-28 江苏海洋大学 一种基于聚集-置换策略的机器人路径规划方法
CN115469671A (zh) * 2022-10-21 2022-12-13 江苏海洋大学 一种基于聚集-置换策略的机器人路径规划方法
CN116243701A (zh) * 2022-10-28 2023-06-09 北京航空航天大学杭州创新研究院 基于最优推进速度的水下机器人最优能耗路径规划方法
CN115562074A (zh) * 2022-10-29 2023-01-03 福州大学 一种快速生成无人机最优规划路径的仿真系统及方法
CN115451974A (zh) * 2022-11-09 2022-12-09 广东电网有限责任公司湛江供电局 一种电力设备巡检路径规划方法、系统、设备和介质
CN115879603B (zh) * 2022-11-17 2024-05-14 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置
CN116047909B (zh) * 2023-01-13 2023-09-05 大连海事大学 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法
CN116047909A (zh) * 2023-01-13 2023-05-02 大连海事大学 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法
CN115857516A (zh) * 2023-03-02 2023-03-28 之江实验室 结合牛耕式运动与遗传算法的全覆盖路径规划方法和装置
CN115952942A (zh) * 2023-03-13 2023-04-11 季华实验室 多目标巡检调度规划方法、装置、电子设备及存储介质
CN116090357A (zh) * 2023-04-07 2023-05-09 中国人民解放军96901部队 多目标打击任务可行性快速评估方法
CN116678409B (zh) * 2023-04-24 2024-03-12 大连海事大学 一种基于改进灰狼算法的北极冰区船舶路径规划方法
CN116678409A (zh) * 2023-04-24 2023-09-01 大连海事大学 一种基于改进灰狼算法的北极冰区船舶路径规划方法
CN116954239B (zh) * 2023-06-12 2024-03-19 成都丰千达科技有限公司 一种基于改进粒子群算法的无人机航迹规划方法及系统
CN116954239A (zh) * 2023-06-12 2023-10-27 成都丰千达科技有限公司 一种基于改进粒子群算法的无人机航迹规划方法及系统
CN116519003A (zh) * 2023-06-28 2023-08-01 广汽埃安新能源汽车股份有限公司 一种路径规划方法、装置、电子设备及存储介质
CN116519003B (zh) * 2023-06-28 2023-09-01 广汽埃安新能源汽车股份有限公司 一种路径规划方法、装置、电子设备及存储介质
CN116989797B (zh) * 2023-09-26 2023-12-15 北京理工大学 无人机航迹优化方法、装置、电子设备及存储介质
CN116989797A (zh) * 2023-09-26 2023-11-03 北京理工大学 无人机航迹优化方法、装置、电子设备及存储介质
CN117494919B (zh) * 2023-11-13 2024-04-19 广州力生机器人技术有限公司 一种基于多机器人协同码垛作业的路径规划方法及装置
CN117742373A (zh) * 2023-11-13 2024-03-22 广东工业大学 基于改进遗传算法的无人机路径规划方法
CN117494919A (zh) * 2023-11-13 2024-02-02 广州力生机器人技术有限公司 一种基于多机器人协同码垛作业的路径规划方法及装置
CN117356546A (zh) * 2023-12-01 2024-01-09 南京禄口国际机场空港科技有限公司 一种机场草坪用的喷雾车的控制方法、系统及存储介质
CN117356546B (zh) * 2023-12-01 2024-02-13 南京禄口国际机场空港科技有限公司 一种机场草坪用的喷雾车的控制方法、系统及存储介质
CN117419731A (zh) * 2023-12-19 2024-01-19 青岛哈尔滨工程大学创新发展中心 基于多策略人工蜂群算法在海洋环境下的路径规划方法
CN117419731B (zh) * 2023-12-19 2024-03-12 青岛哈尔滨工程大学创新发展中心 基于多策略人工蜂群算法在海洋环境下的路径规划方法
CN117608200B (zh) * 2024-01-23 2024-05-10 山东科技大学 一种海洋航行器路径规划方法
CN117608200A (zh) * 2024-01-23 2024-02-27 山东科技大学 一种海洋航行器路径规划方法
CN117601136B (zh) * 2024-01-24 2024-04-02 济宁鲁鑫工程机械有限公司 一种自动焊接机器人路径规划方法及系统
CN117601136A (zh) * 2024-01-24 2024-02-27 济宁鲁鑫工程机械有限公司 一种自动焊接机器人路径规划方法及系统
CN117689677B (zh) * 2024-02-01 2024-04-16 山东大学日照研究院 一种砂轮磨损状态识别方法、系统、设备及介质
CN117689677A (zh) * 2024-02-01 2024-03-12 山东大学日照研究院 一种砂轮磨损状态识别方法、系统、设备及介质
CN117951851A (zh) * 2024-02-19 2024-04-30 重庆大学 一种应对极端降雨的道路大排水行泄路径优化设计方法
CN118411058A (zh) * 2024-07-02 2024-07-30 中国电子科技集团公司信息科学研究院 基于区域目标离散化的多星对地观测任务规划方法及装置
CN118628074A (zh) * 2024-08-12 2024-09-10 中国人民解放军国防科技大学 海上协同搜救的任务规划方法、装置、设备及存储介质

Also Published As

Publication number Publication date
LU102400B1 (en) 2021-04-27
CN110442135A (zh) 2019-11-12
CN110442135B (zh) 2020-08-21
LU102400A1 (en) 2021-02-09

Similar Documents

Publication Publication Date Title
WO2021022637A1 (zh) 一种基于改进遗传算法的无人艇路径规划方法及系统
CN111780777B (zh) 一种基于改进a*算法和深度强化学习的无人车路径规划方法
CN110160526B (zh) 基于遗传算法的航线规划方法
CN108459503B (zh) 一种基于量子蚁群算法的无人水面艇航迹规划方法
Liu et al. An improved heuristic mechanism ant colony optimization algorithm for solving path planning
CN102788581B (zh) 一种基于改进的微分进化算法的船舶航路规划方法
CN102768536A (zh) 一种基于多目标萤火虫算法的路径规划方法
CN115202394B (zh) 一种基于改进遗传算法的无人机全覆盖路径规划方法
Zheng et al. A Decision‐Making Method for Ship Collision Avoidance Based on Improved Cultural Particle Swarm
Li et al. A mixing algorithm of ACO and ABC for solving path planning of mobile robot
Cui et al. Multi-strategy adaptable ant colony optimization algorithm and its application in robot path planning
Chen et al. Path planning of AUV during diving process based on behavioral decision-making
Zeng et al. Robotic global path-planning based modified genetic algorithm and A* algorithm
Dong et al. Double ant colony algorithm based on dynamic feedback for energy-saving route planning for ships
Zhang et al. A multi-strategy improved differential evolution algorithm for UAV 3D trajectory planning in complex mountainous environments
Ma et al. Solving heterogeneous USV scheduling problems by problem-specific knowledge based meta-heuristics with Q-learning
Li et al. Dynamic route planning for a USV-UAV multi-robot system in the rendezvous task with obstacles
Wei et al. A hyperheuristic algorithm based on evolutionary strategy for complex mission planning of AUVs in marine environment
Song et al. A novel path planning algorithm for ships in dynamic current environments
Gao et al. An optimized path planning method for container ships in Bohai bay based on improved deep Q-learning
CN114943168B (zh) 一种水上浮桥组合方法及系统
Xi et al. Power-aware path planning for vehicle-assisted multi-UAVs in mobile crowd sensing
Wu et al. Complete Coverage Path Planning Based on Improved Genetic Algorithm for Unmanned Surface Vehicle
Zhang et al. Research on complete coverage path planning for unmanned surface vessel
Ren et al. A multi-objective optimization model of robot path planning under different scenarios

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19940185

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19940185

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19940185

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 11.08.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19940185

Country of ref document: EP

Kind code of ref document: A1