【技术实现步骤摘要】
本专利技术涉及路径规划领域，更具体地，涉及一种基于粒子优化和教学优化算法的水下多auv路径规划方法。
技术介绍
1、随着海洋资源开发与科学研究的不断深入,自主水下航行器(auv)在海洋探索和开发中扮演着日益重要的角色，而auv的路径规划算法是确保其有效执行任务的关键。
2、现有的auv路径规划算法虽然也能在一定程度上满足日常需要，但也存在一些不足。现有的auv路径规划的方法主要分为传统方法、机器学习方法和启发式方法，但均存在着效率低，灵活性差，路径不合理，路径不可靠的缺陷。
3、现有技术公开了基于种群超启发式算法的洋流环境下auv路径规划方法，该方法主要通过代价函数得到初始化种群中所有个体的初始综合代价值；然后设置种群基本操作集合和对应的操作选择概率向量；遍历整个种群，基于种群的最大概率操作对每个个体进行操作；重复迭代选择，选择代价值最小的个体，再生成最优路径。该方案对复杂的海洋环境和多auv协同作业的算法的适应性和协同性较差。
技术实现思路
1、本专利技术为克服上述现有技术auv路径规划效率低，灵活性差，路径不合理，路径不可靠的缺陷，提供一种基于粒子优化和教学优化算法的水下多auv路径规划方法。
2、本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
3、一种基于粒子优化和教学优化算法的水下多auv路径规划方法，包括：
4、s1：构建海洋环境三维地图，在所述海洋环境三维地图设置起点和终点；
6、s3：对所述第一种群进行教学优化，得到第二种群；
7、s4：基于粒子群优化算法，对第二种群进行优化，得到第三种群；
8、s5：判断是否达到优化目标；若是，则将第三种群作为最终种群；若否，则将第三种群作为第一种群，并更新粒子群优化算法的优化参数，返回步骤s2；
9、s6：选取最终种群中适应度最小的粒子，提取其中每个auv的最优路径。
10、进一步地，步骤s2中使用混沌策略生成初始路径。
11、进一步地，步骤s3中教学优化，包括：
12、s301：根据所述海洋环境三维地图，并选择第一种群中适应度最小的粒子，作为老师；对所述第一种群中每个粒子的适应度求平均值，得到第一种群的平均值；
13、s302：根据所述老师、所述第一种群、所述第一种群的平均值，得到第五种群；
14、s303：根据所述海洋环境三维地图，对所述第五种群中每个粒子求适应度平均值，得到第五种群的平均值；
15、s304：判断第五种群的平均值是否小于第一种群的平均值；若是，则将第五种群作为第四种群；若否，则将第一种群作为第四种群；
16、s305：复制第四种群的所有粒子，组成第六种群；
17、s306：选择第六种群中的一个粒子，作为第一粒子；
18、s307：随机选择第四种群中两个粒子，分别作为第二粒子和第三粒子；
19、s308：根据所述第一粒子、所述第二粒子、所述第三粒子，得到第四粒子；
20、s309：计算第四粒子的适应度；
21、s310：判断第四粒子的适应度是否小于第一粒子的适应度，若是，则将第四种群中与第一粒子对应的粒子替换为第四粒子，获得新的第四种群；若否，保留第四种群中与第一粒子对应的粒子；
22、s311：更新第一粒子，重复步骤s307-s310，直到遍历第六种群中的所有粒子；
23、s312：将最新的第四种群作为第二种群。
24、进一步地，步骤s302中，得到第五种群的公式如下：
25、swarm5＝swarm+r·(xteacher-tf·swarmmean)
26、其中，r表示随机值，tf表示教学因子，swarmmean表示第一种群的平均值、swarm表示第一种群、swarm5表示第五种群，xteacher表示老师。
27、进一步地，步骤s308中，得到第四粒子的公式如下：
28、x41＝ρ(t)·x1+r·(x2-x3)
29、x42＝ρ(t)·x1+r·(x3-x2)
30、
31、其中，x4表示第四粒子，x1表示第一粒子，x2与x3分别表示第二粒子和第三粒子，r表示随机值，f(a)表示对a求适应度，ρ表示混沌因子。
32、进一步地，步骤s4中粒子群优化，包括：
33、s401：选择第二种群中一个粒子，作为第五粒子；
34、s402：根据第五粒子中历史最优的粒子、第二种群中全局最优的粒子、所述第五粒子，产生第六粒子；
35、s403：更换第五粒子；执行步骤s402，直到遍历第二种群中的所有粒子；
36、s404：将每个第六粒子组合，组成第三种群。
37、进一步地，步骤s402中，采用下列公式生成第六粒子：
38、
39、v(t+1)＝wvi(t)+c1r1(pbesti(t)-xi(t))+c2r2(gbest-xi(t))
40、xi(t+1)＝xi(t)+vi(t+1)
41、其中，ac、bc、at均为常量，i表示粒子序号，t表示步骤s5的执行次数，x表示粒子，w表示粒子群优化算法的优化参数，ρ表示混沌因子，pbesti表示第i个粒子的历史最优粒子，gbest表示全局最优粒子，r1、r2表示随机值。
42、进一步地，适应度的计算公式如下：
43、f(x)＝k1jlength+k2jaltitude+k3jpitch+k4jyaw+k5jsafe_distance
44、其中，f(x)表示粒子x的适应度，kj表示权重因子，jlength表示路径长度，jaltitude表示行驶高度，jpitch表示俯仰角，jyaw表示偏航角，jsafe_distance表示auv之间的安全距离。
45、进一步地，步骤s5中，所述更新粒子群优化算法的优化参数的公式如下：
46、
47、其中，ρ表示混沌因子，success_num表示第三种群中相较于第一种群中粒子发生更新的总次数，n表示第三种群的大小，ratio表示种群更新率，aw与bw表示常量，w表示优化参数。
48、一种基于粒子优化和教学优化算法的水下多auv路径规划装置，包括：
49、海洋环境三维地图构建模块：构建海洋环境三维地图，在所述海洋环境三维地图设置起点和终点；
50、初始化模块：对于每个auv，重复若干次随机生成一条初始路径，所有auv每次生成的初始路径组成一个粒子，所有粒子组成第一种群；
51、教学优化模块：对所述第一种群进行教学优化，得到第二种群；本文档来自技高网...
【技术保护点】
1.一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，包括：
2.根据权利要求1所述一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，步骤S2中使用混沌策略生成初始路径。
3.根据权利要求1所述一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，步骤S3中教学优化，包括：
4.根据权利要求3所述一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，步骤S302中，得到第五种群的公式如下：
5.根据权利要求3所述一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，步骤S308中，得到第四粒子的公式如下：
6.根据权利要求1所述一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，步骤S4中粒子群优化，包括：
7.根据权利要求6所述一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，步骤S402中，采用下列公式生成第六粒子：
8.根据权利要求1、3或5所述一种基于粒子优化和教学
9.根据权利要求5所述一种基于粒子优化和教学优化算法的水下多AUV路径规划方法，其特征在于，步骤S5中，所述更新粒子群优化算法的优化参数的公式如下：
10.一种基于粒子优化和教学优化算法的水下多AUV路径规划装置，应用于权利要求1～9任一项所述的识别方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于粒子优化和教学优化算法的水下多auv路径规划方法，其特征在于，包括：
2.根据权利要求1所述一种基于粒子优化和教学优化算法的水下多auv路径规划方法，其特征在于，步骤s2中使用混沌策略生成初始路径。
3.根据权利要求1所述一种基于粒子优化和教学优化算法的水下多auv路径规划方法，其特征在于，步骤s3中教学优化，包括：
4.根据权利要求3所述一种基于粒子优化和教学优化算法的水下多auv路径规划方法，其特征在于，步骤s302中，得到第五种群的公式如下：
5.根据权利要求3所述一种基于粒子优化和教学优化算法的水下多auv路径规划方法，其特征在于，步骤s308中，得到第四粒子的公式如下：
6.根据权利要求1所述...
【专利技术属性】
技术研发人员：林智勇，闵思诗，魏纵横，温清机，郑莉莉，马毅，杨舜开，郑雅玫，郑宝芳，吴润铭，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。