【技术实现步骤摘要】
本专利技术属于路径规划领域，更具体地，涉及一种基于混合共生生物搜索算法的auv路径规划方法。
技术介绍
1、自主水下机器人(autonomous underwatervehicles，auv)具有机动性强、通用性高、智能化程度高的优点。近年来，auv在海洋资源探测领域展现了巨大的应用潜力，涵盖了海洋考察、环境监测、数据采集、水产养殖、工业设备检测等等多个关键领域。然而，auv在复杂的海洋环境下执行任务时，会受到弱通信、低能见度、生物侵扰等相关因素的影响，为了确保auv在水下能够安全、高效地完成任务，需要根据环境进行自主路径规划。
2、auv路径规划的目标是找到一条从起点到终点的路径，使其能够在满足任务需求的同时，最大限度地节约能源和避开障碍。常见的路径规划算法有a*算法、动态窗口法dwa、快速随机树算法rrt和基于概率图的算法prm。然而，由于在水下航行的实际应用中，目标函数和相关约束条件非常复杂，使用这些方法在多约束条件下进行路径规划时，往往存在时间复杂度高、容易陷入局部最优值等问题，无法找到全局最优解。auv路径规划问题可以视为非确定性的np难问题，基于群体智能算法的优化方法在处理np难问题时有巨大的潜力。
3、群体智能算法具有结构简单、易实现、效果好等优点，目前已有许多研究人员将这种算法应用到auv路径规划场景。文献《dynamic path planning ofa three-dimensionalunderwaterauvbased on an adaptive genetic algorit
4、现有技术公开号为cn116107322a的专利技术专利提出了一种自主水下机器人三维路径规划方法，通过构建能耗最优适应度函数对路径进行规划，当路径规划不为最优时，根据能耗最优适应度函数反馈的优势群体以及劣势群体，通过粒子群算法对优势群体以及劣势群体进行优化更新，再根据能耗最优适应度函数进行路径规划，直至规划出最优路径，该方案种群个体间并无信息交互，存在着未能充分利用个体的位置信息的问题。
5、综上，基于参数或引入某些函数的调整策略可以提高算法的性能，但是，由于种群的多样性信息没有得到充分利用，因此可能存在调整参数不当的风险，需要一种能够充分利用种群多样性的方法。群智能算法往往存在容易陷入局部最优和稳定性不足的问题，现有工作中的许多算法改进方法使得算法的变得更加复杂。如何在不增加算法的计算复杂度的前提下提出一种提高算法性能，改善算法缺陷的方法，是本专利技术致力于解决的问题和实现的目标。
技术实现思路
1、本专利技术为克服现有技术中容易陷入局部最优，算法稳定性不足，未能充分利用个体的位置信息的问题，提供一种基于混合共生生物搜索算法的auv路径规划方法。
2、本专利技术提供了一种基于混合共生生物搜索算法的auv路径规划方法，包括如下步骤：
3、确定需要进行路径规划区域的地图范围，并根据威胁区域信息和地形障碍信息构建完整的地图模型，定义起点和终点；利用地图模型初始化算法参数和种群参数；
4、以起点和终点作为端点，确定一条直线路径，对所述路径进行分割，在分割的路径上构建新的坐标系，在新的坐标系上进行种群的初始化，确定种群中每个个体的路径，并随机初始化个体的速度；
5、根据第一预设公式构建目标函数，利用目标函数计算种群中所有个体的适应度值，记录种群及个体最优适应度值及对应的最优路径，并按第二预设公式更新算法的相关参数；
6、根据预设算法规则迭代更新个体路径；
7、判断是否达到迭代终止条件，若没有达到终止条件，则回到所述计算种群中所有个体的适应度值处继续进行迭代计算，直到最后达到终止条件则停止迭代，输出全局最优路径。
8、进一步地，所述初始化算法参数和种群参数，具体包括：算法计算空间的维度、种群数量大小、最大迭代次数、算法中的惯性参数最小值与最大值、全局学习因子和自我学习因子的最小值与最大值、适应度函数的权重系数、全局最优适应度值、自适应函数的衰减因子、种群中个体的速度最小值与最大值。
9、进一步地，所述确定种群中每个个体的路径的方法为，以起点和终点作为端点，确定一条直线线段，将连成的线段平均分成多条等长线段，分别作垂直于每条线段的直线，在每条直线上随机选取一个点作为路径点，按顺序连接起点、每个路径点和终点，构成一条完整的路径。
10、进一步地，所述构建目标函数的第一预设公式为：
11、
12、其中，μ表示权重系数，目标函数fcost的约束包含三个部分：燃料成本约束ffuel、威胁约束fthreat、俯仰角约束和偏转角约束fθ。
13、进一步地，所述燃料成本约束的计算公式为：
14、
15、其中，设置ffuel＝1，length表示整条路径的长度，计算公式如下：
16、
17、其中，n为线段的个数，线段上的路径点i的坐标为(xi，yi，zi)。
18、进一步地，所述威胁约束fthreat的计算公式为：
19、fthreat＝fhit+fdanger
20、其中，海洋地形碰撞约束fhit的计算方法如下：
21、
22、其中，zi表示路径点i的z轴坐标，f(xi,yi)表示计算坐标(xi,yi)的地形高度，chit设置为常数值q；
23、在海洋环境中存在除了地形威胁之外的危险区域，如果该段路径处在威胁区域中，危险区域约束fdanger的计算方法如下：
24、
25、其中，第k段路径的威胁成本fdanger(k)的计算公式如下：
26、
27、其中，lk表示第k段路径的长度，m表示威胁区域的数量，表示第i个威胁区域中心到该第k段j倍长度位置的距离，ri表示第i个威胁区域的半径。
28、进一步地，所述俯仰角约束和偏航角约束fθ的计算公式为：
29、
30、其中，第k个路径点到第k+1个路径点连组成的路径的俯仰角和偏航角θ：
31、
32、定义第i段路径的
33、
34、定义第i段路径的fθ:
35、
36、其中，为路径中俯仰角的最大值，θmax为路径中偏航角的最大值。
37、进一步地，所述记录最优适应度值及对应的最优路径的方法为：
38、若种群中存在个体适应度值优于全局最优适应度值，则更新全局最优适应度值和全局最优路径；
39、若种群本文档来自技高网...
【技术保护点】
1.一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述初始化算法参数和种群参数，具体包括：算法计算空间的维度、种群数量大小、最大迭代次数、算法中的惯性参数最小值与最大值、全局学习因子和自我学习因子的最小值与最大值、适应度函数的权重系数、全局最优适应度值、自适应函数的衰减因子、种群中个体的速度最小值与最大值。
3.根据权利要求1所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述确定种群中每个个体的路径的方法为，以起点和终点作为端点，确定一条直线线段，将连成的线段平均分成多条等长线段，分别作垂直于每条线段的直线，在每条直线上随机选取一个点作为路径点，按顺序连接起点、每个路径点和终点，构成一条完整的路径。
4.根据权利要求1所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述构建目标函数的第一预设公式为：
5.根据权利要求4所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其
6.根据权利要求4所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述威胁约束Fthreat的计算公式为：
7.根据权利要求4所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述俯仰角约束和偏航角约束Fθ的计算公式为：
8.根据权利要求1所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述记录最优适应度值及对应的最优路径的方法为：
9.根据权利要求1所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述更新算法相关参数的第二预设公式为：
10.根据权利要求1所述的一种基于混合共生生物搜索算法的AUV路径规划方法，其特征在于，所述迭代更新个体路径的算法为：
...【技术特征摘要】
1.一种基于混合共生生物搜索算法的auv路径规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于混合共生生物搜索算法的auv路径规划方法，其特征在于，所述初始化算法参数和种群参数，具体包括：算法计算空间的维度、种群数量大小、最大迭代次数、算法中的惯性参数最小值与最大值、全局学习因子和自我学习因子的最小值与最大值、适应度函数的权重系数、全局最优适应度值、自适应函数的衰减因子、种群中个体的速度最小值与最大值。
3.根据权利要求1所述的一种基于混合共生生物搜索算法的auv路径规划方法，其特征在于，所述确定种群中每个个体的路径的方法为，以起点和终点作为端点，确定一条直线线段，将连成的线段平均分成多条等长线段，分别作垂直于每条线段的直线，在每条直线上随机选取一个点作为路径点，按顺序连接起点、每个路径点和终点，构成一条完整的路径。
4.根据权利要求1所述的一种基于混合共生生物搜索算法的auv路径规划方法，其特征在于...
【专利技术属性】
技术研发人员：林智勇，马毅，魏纵横，温清机，郑莉莉，闵思诗，杨舜开，冯诗婷，郑雅玫，郑宝芳，马欣，陈纯茵，
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。