技术领域
[0001] 本发明涉及路径规划领域，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。
相关背景技术
[0002] 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。
[0003] 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。
[0004] 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。
具体实施方式
[0065] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0066] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0067] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0068] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0069] 实施例
[0070] 如图1所示，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：
[0071] 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；
[0072] S2：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；
[0073] S3：对所述第一种群进行教学优化，得到第二种群；
[0074] 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；
[0075] 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；
[0076] 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。
[0077] 一个具体实施例中，使用数据栅格法构建海洋三维地图。
[0078] 一个具体实施例中，路径之间存在最小安全距离，最小安全距离设置为2米。当然，所述最小安全距离也可根据实际情况更换为其他值。
[0079] 一个具体实施例中，优化目标为S5执行100次迭代或者第三种群相较于第一种群在50次迭代中并未产生变化。当然，具体迭代次数可根据优化情况调整。
[0080] 需要说明的是，一个种群包含多个粒子，一个粒子包含多个路径，一个路径包含多个路径点。
[0081] 进一步地，步骤S2中使用混沌策略生成初始路径。
[0082] 一个具体实施例中，混沌策略的映射方法的混沌因子采用下列公式生成：
[0083]
[0084] 其中，ρ′表示混沌因子，i表示粒子序号，μ表示分叉因子，设置为4，rand表示随机数生成函数。当然，分叉因子也可根据初始路径情况，更换为其他值。
[0085] 进一步地，如图2所示，步骤S3中教学优化，包括：
[0086] 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；
[0087] 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；
[0088] 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；
[0089] 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；
[0090] S305：复制第四种群的所有粒子，组成第六种群；
[0091] S306：选择第六种群中的一个粒子，作为第一粒子；
[0092] 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；
[0093] 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；
[0094] S309：计算第四粒子的适应度；
[0095] 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；
[0096] 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；
[0097] S312：将最新的第四种群作为第二种群。
[0098] 进一步地，步骤S302中，得到第五种群的公式如下：
[0099] swarm5＝swarm+r·(xteacher‑rf·swarmmean)
[0100] 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。
[0101] 一个具体实施例中，r∈[0,1]，Tf是教学因子，Tf∈[1,2]。
[0102] 进一步地，步骤S308中，得到第四粒子的公式如下：
[0103] x41＝ρ(t)·x1+r·(x2‑x3)
[0104] x42＝ρ(t)·x1+r·(x3‑x2)
[0105]
[0106] 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。
[0107] 一个具体实施例中，r∈[0,1]。
[0108] 进一步地，如图3所示，步骤S4中粒子群优化，包括：
[0109] S401：选择第二种群中一个粒子，作为第五粒子；
[0110] 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；
[0111] 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；
[0112] S404：将每个第六粒子组合，组成第三种群。
[0113] 进一步地，步骤S402中，采用下列公式生成第六粒子：
[0114]
[0115] v(t+1)＝wvi(t)+c1r1(pbesti(t)‑xi(t))+c2r2(gbest‑xi(t))
[0116] xi(t+1)＝xi(t)+vi(t+1)
[0117] 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。
[0118] 一个具体实施例中，ac的值为2.5，bc的值为0.5，at的值为100。
[0119] 一个具体实施例中，最优的判断标准为适应度最小。第i个粒子的历史最优粒子是所有对应第i个序号的产生的粒子中，适应度最小的粒子。全局最优粒子是所有产生的粒子中，适应度最小的粒子。
[0120] 进一步地，适应度的计算公式如下：
[0121] F(X)＝k1Jlength+k2Jaltitude+k3Jpitch+k4Jyaw+k5Jsafe_distance
[0122] 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。
[0123] 一个具体实施例中，k1+k2+k3+k4+k5＝1。
[0124] 一个具体实施例中，Jlength的计算公式如下：
[0125]
[0126] 其中，Npim表示第m个路径的路径点，(xmj‑1,ymj‑1,zmj‑1)和(xmj,ymj,zomj)分别表示第m个路径的第j‑1个路径点和第j个路径点，n表示粒子的路径。
[0127] 一个具体实施例中，Jaltotude的计算公式如下：
[0128]
[0129] 其中，Npm表示第m个路径的路径点，(xmj,ymj,zmj)表示第m个路径的第j个路径点，map(xmj,ymj)表示第m个路径的第j个路径点坐标(xmj,ymj)在海洋环境三维地图中z方向高度，hmax、hmin分别表示容许的高度最大值和最小值，t表示步骤S5的执行次数，n表示路径。
[0130] 一个具体实施例中，Jpitch的计算公式如下：
[0131]
[0132] 其中，Npm表示第m个路径的路径点，P3表示阈值，(xmj‑1,ymj‑1,zmj‑1)和(xmj,ymj,zmj)分别表示第m个路径的第j‑1个路径点和第m个路径的第j个路径点，βmax、βmin分别表示容许的俯仰角最大值和最小值，t表示步骤S5的执行次数，n表示路径。
[0133] P3的值设置为5，当然，也可根据计算的需要选择其他值。
[0134] 一个具体实施例中，Jyaw的计算公式如下：
[0135]
[0136]
[0137] 其中，Npm表示第m个路径的路径点，P4表示阈值，(xmj‑1,ymj‑1,zmj‑1)和(xmj,ymj,zmj)分别表示第m个路径的第j‑1个路径点和第m个路径的第j个路径点，αmax、αmin分别表示容许的偏航角最大值和最小值，t表示步骤S5的执行次数，n表示路径。
[0138] P4的值设置为5，当然，也可根据计算的需要选择其他值。
[0139] 一个具体实施例中，Jsafe_distance的计算公式如下：
[0140]
[0141] 其中，Npm表示第m个路径的路径点，j、l表示路径序号，djl表示第m个路径的第j个路径点与第l个路径的第j个路径点之间的距离，dmin表示容许的安全距离的最小值，t表示步骤S5的执行次数，n表示路径。
[0142] 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：
[0143]
[0144] 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。
[0145] 一个具体实施例中，ρ的计算方式如下：
[0146]
[0147] 其中，ρ表示混沌因子，t表示步骤S5的执行次数，μ表示分叉因子，设置为4，rand表示随机数生成函数。当然，分叉因子也可根据优化参数生成情况，更换为其他值。
[0148] 一个具体实施例中，aw的值为0.9，bw的值为0.4。
[0149] 如图4所示，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：
[0150] 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；
[0151] 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；
[0152] 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；
[0153] 粒子群优化模块：基于粒子群优化算法，对第二种群进行优化，得到第三种群；
[0154] 迭代模块：判断是否达到优化目标，并进行迭代优化；
[0155] 路径提取模块：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。
[0156] 相同或相似的标号对应相同或相似的部件；
[0157] 附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0158] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
