水质采样巡航船路径规划最优化方法技术

本发明专利技术公开了一种水质采样巡航船路径规划最优化方法，涉及湖泊水质采样和路径规划技术领域。所述方法在湖面的二维坐标图上进行采样点的选取与部署；采用自适应粒子群优化算法，规划出采样点网络的最优路径。所述的自适应粒子群算法将自适应函数融合在粒子群算法中用以保留交换序，在路径更新的过程中引入自适应函数后算法自动删除μ值为0所对应的交换序，算法中d(i,j)与max/2的大小判断提高了算法的收敛速度，同时有效避免了算法陷入局部最优。本发明专利技术使路径规划的效果得到了很大的改善，即规划出的路径更短，节省了水质采样巡航船的电量消耗，使巡航船的续航能力更强，提高了巡航船采样作业的性能；并解决了路径规划方法总是快而不稳的问题。

Water quality sampling, cruise ship, path planning, optimization method

The invention discloses a water quality sampling cruise ship path planning optimization method, which relates to the lake water quality sampling and path planning technical field. The method selects and deploys sampling points on the two-dimensional coordinate map of the lake, and uses adaptive particle swarm optimization to plan the optimal path of the sampling point network. Adaptive particle swarm optimization algorithm of the adaptive fusion function to retain the exchange sequence on the particle swarm algorithm, the algorithm deletes Mu = 0 corresponding to the exchange order automatic adaptive function in the process of path update after algorithm in D (I, J) to improve the convergence speed and the size of max/2 at the same time, to avoid the algorithm into a local optimum. The invention makes the path planning effect has been greatly improved, the shorter path planning, saving water sampling cruise ship power consumption, the cruise ship more endurance, improve the performance of the cruise ship sampling operations; and solve the path planning method is fast and unstable problem.

【技术实现步骤摘要】
水质采样巡航船路径规划最优化方法
本专利技术涉及湖泊水质采样和路径规划
，具体是指一种水质采样巡航船路径规划最优化方法。
技术介绍
水是人类宝贵且不可或缺的自然资源。由于我国水污染问题日益严重，水环境的保护已经被国家列为一项重点实施的政策。水环境的治理与保护需要进行水质监测，而水质采样是水质监测的重要组成部分，所以水质采样的效率直接影响水环境治理的效率。为了提高采样作业的效率，水质采样巡航船进行采样作业时，需要有一种能快速高效实现路径的规划的方法。一直以来，怎样高效的解决巡航船的路径规划问题是该领域的一个难题。目前有很多智能方法可以解决这类问题。粒子群算法是智能算法中运算最简单的一种，粒子群优化算法(PSO算法)是由Kennedy和Eberhart(见参考文献[1]：KennedyJ，EberhartR.Particleswarmoptimization[C]//IEEEInternationalConferenceonNeuralNetworks，1995：1942-1948.)通过对鸟群社会行为的观察研究，提出的一种新颖的进化算法。PSO算法设置参数少，容易实现，可用于解决非线性、不可微和多峰值等复杂的优化问题，此外，该算法搜索效率高，收敛性能也很好。
技术实现思路
为了提高水质采样巡航船路径规划的速度，本专利技术将巡航船的路径规划问题简单转化为二维旅行商问题，用改进的粒子群优化算法规划点与点之间的路径，该方法可以结合实际情况实时规划出水质采样巡航船在所有采样点之间的最优行驶路径。针对使用基本粒子群算法规划路径容易早熟和陷入局部最优的缺点，本专利技术提出了一种简单而高效的自适应粒子群算法，并提出了一种基于自适应粒子群算法的水质采样巡航船路径规划最优化方法，所述方法首先需要获取目标水域的采样点网络，然后用自适应粒子群算法对采样点网络进行采样点的路径规划，具体包括以下三步：第一步：用无人机摄像头采集湖面的图像，然后进行图像处理，得到湖面的二维坐标图。第二步：针对湖面的二维坐标图，利用粒子群算法进行采样点的选取与部署，选取出工作人员所期望的采样点网络。第三步：采用自适应粒子群优化算法，规划出采样点网络的最优路径，输出优化路径。其中，第三步所述的采用自适应粒子群算法得到路径最优解的步骤如下：步骤3.1：根据湖面采样点网络的坐标信息，设定自适应粒子群算法的相关参数，包括种群大小、采样点个数、迭代次数、加速因子C1和加速因子C2和惯性权值W；步骤3.2：初始化粒子种群产生随机路径序列，初始化所有粒子的速度产生随机交换序；步骤3.3：计算所有采样点之间的距离，记录最大距离。步骤3.4：根据C1，C2，W和引入的自适应函数μ值四个参数自适应地保留路径交换序；步骤3.5：根据保留的交换序进行路径更新；步骤3.6：判断是否连续迭代20次路径长度保持不变，若是，则输出路径规划的结果；若否，判断是否达到最大迭代次数，若是，则输出路径规划的结果，若否则回转执行步骤3.4；步骤3.4中，粒子群算法引入了自适应函数μ：R＝max/2将自适应函数融合在粒子群算法中用以保留交换序，在路径更新的过程中剔除相邻两点距离大于max/2的路径，Max代表相距最远的两采样点之间的距离，也就是步骤3.3计算出来的最大距离，第i个采样点的坐标可以表示为(Xi，Yi)，d(i,j)代表第i个采样点和第j个采样点之间的距离，引入自适应函数μ后算法自动删除μ值为0所对应的交换序，算法中d(i,j)与max/2的大小判断提高了算法的收敛速度，同时有效避免了算法陷入局部最优。多个采样点形成的最优路径不可能包含这样一段路径，即相距最远的两个采样点连接在一起，这种情况下的路径序列一定不是最优路径。本专利技术基于这一点让粒子群算法引入自适应函数，在路径更新的时候剔除相邻两采样点距离长度离谱的随机路径，并删除相应的交换序。步骤3.6中如果算法连续迭代20次路径长度一直保持不变则算法停止，该方法最大限度的减少了算法的运行时间，限制次数20是根据水质采样巡航船现场采样时的运行经验设计的，20次的设定值能同时保证算法的快速性和有效性。本专利技术的优点在于：(1)对获取的目标湖面图像进行图像处理，把湖面图像简单的处理成二维坐标图形，缩短了规划巡航船路径所需的时间。(2)利用粒子群算法选取与部署采样点使得巡航船根据规划路径采样得到的水质更具有代表性，该方法可以任意设置采样点网络采样点的数目，显著提高了路径规划的灵活性。(3)本专利技术用自适应粒子群算法搜索最优路径，通过自适应保留交换序的方法使路径规划的效果得到了很大的改善，即规划出的路径更短，因此节省了水质采样巡航船的电量消耗，使巡航船的续航能力更强，提高了巡航船采样作业的性能。(4)因为粒子群算法简单而高效，本专利技术分步使用了两次粒子群算法，所以路径规划的速度较其他方法有很大的优势，路径规划的效果也更加稳定，解决了路径规划方法总是快而不稳的问题。附图说明图1为本专利技术中的水质采样巡航船路径规划流程图；图2为本专利技术中的自适应粒子群算法保留交换序流程图。具体实施方式下面结合附图对本专利技术进行详细说明。本专利技术提供一种水质采样巡航船路径规划最优化方法，引入了一种保留交换序的自适应函数μ，粒子群算法引入此自适应函数后称为自适应粒子群算法，自适应粒子群算法能更加快速而高效的实现水质采样巡航船的路径规划。如图1所示流程，本专利技术提供的水质采样巡航船路径规划方法，具体包括如下步骤：步骤一、采集湖面图像，进行图像处理，得到湖面的二维坐标图。步骤二、针对湖面的二维坐标图，利用粒子群算法进行采样点的选取与部署，选取出工作人员所期望的采样点网络。步骤三、采用自适应粒子群优化算法，规划出采样点网络的最优路径，输出优化路径，具体包括如下步骤：(3.1)根据采样点网络中的采样点的坐标和个数n，设定自适应粒子群算法的种群大小为500，最大迭代次数为2000，加速因子C1设为0.5，加速因子C2设为0.7，惯性权值W随迭代次数的增加而递减。(3.2)初始化粒子和粒子速度，初始化粒子产生路径种群，初始化粒子速度就是初始化交换序，设n个采样点的路径序列为S＝(ai)，i＝1,...n。定义交换子SE(i1,i2)为交换路径序列S中的两节点ai1和ai2的顺序，则S'＝S+SE(i1,i2)为解S经交换子SE(i1,i2)操作后的新解，符号“+”代表交换的意思，交换序就是交换子组成的有序队列。(3.3)计算采样点之间的距离，记录最大距离；计算任意的两个采样点之间的距离是自适应粒子群算法不可或缺的一步，是为了满足自适应粒子群算法适应度的需要，计算时自适应粒子群算法会自动保留最大的采样点间距max。(3.4)保留交换序；加速因子C1，加速因子C2，惯性权值W和引入的自适应函数μ值四个参数，都起到了保留交换序的作用，其中μ值分别同其他三个参数结合在一起按照顺序依次保留交换序。惯性权值W定义如下：W＝0.96-0.5×I/ImaxI为当前迭代次数，Imax为最大迭代次数，惯性权值W随着算法迭代次数的增加而减小，它是根据公式实时变化的。在粒子群算法中，惯性权值W负责保留上一代交换序，其大小控制着全局搜索能力与局部搜索能力之间的平衡，为了提高自适应粒子群算法的性能和收敛速度，设置惯性权本文档来自技高网...

【技术保护点】
水质采样巡航船路径规划最优化方法，其特征在于：第一步：用无人机摄像头采集湖面的图像，然后进行图像处理，得到湖面的二维坐标图；第二步：针对湖面的二维坐标图，利用粒子群算法进行采样点的选取与部署，选取出工作人员所期望的采样点网络；第三步：采用自适应粒子群优化算法，规划出采样点网络的最优路径，输出优化路径；所述的采用自适应粒子群算法得到路径最优解的步骤如下：步骤3.1：根据湖面采样点网络的坐标信息，设定自适应粒子群算法的相关参数，包括种群大小、采样点个数、迭代次数、加速因子C1和加速因子C2和惯性权值W；步骤3.2：初始化粒子种群产生随机路径序列，初始化所有粒子的速度产生随机交换序；步骤3.3：计算所有采样点之间的距离，记录最大距离；步骤3.4：根据C1，C2，W和引入的自适应函数μ值四个参数自适应地保留路径交换序；所述的自适应函数μ：

【技术特征摘要】
1.水质采样巡航船路径规划最优化方法，其特征在于：第一步：用无人机摄像头采集湖面的图像，然后进行图像处理，得到湖面的二维坐标图；第二步：针对湖面的二维坐标图，利用粒子群算法进行采样点的选取与部署，选取出工作人员所期望的采样点网络；第三步：采用自适应粒子群优化算法，规划出采样点网络的最优路径，输出优化路径；所述的采用自适应粒子群算法得到路径最优解的步骤如下：步骤3.1：根据湖面采样点网络的坐标信息，设定自适应粒子群算法的相关参数，包括种群大小、采样点个数、迭代次数、加速因子C1和加速因子C2和惯性权值W；步骤3.2：初始化粒子种群产生随机路径序列，初始化所有粒子的速度产生随机交换序；步骤3.3：计算所有采样点之间的距离，记录最大距离；步骤3.4：根据C1，C2，W和引入的自适应函数μ值四个参数自适应地保留路径交换序；所述的自适应函数μ：R＝max/2将自适应函数融合在粒子群算法中用以保留交换序，在路径更新的过程中剔除相邻两点距离大于max/2的路径，Max代表相距最远的两采样点之间的距离，也就是步骤3.3计算出来的最大距离，第i个采样点的坐标表示为(Xi,Yi)，d(i,j)代表第i个采样点和第j个采样点之间的距离；步骤3.5：根据保留的交换序进行路径更新；步骤3.6：判断是否连续迭代20次路径长度保持不变，若是，则输出路径规划的结果；若否，判断是否达到最大迭代次数，若是，则输出路径...

【专利技术属性】
技术研发人员：于家斌，王小艺，许继平，宗陈，金学波，王立，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京,11