【技术实现步骤摘要】
基于改进粒子群算法的无人艇路径规划方法及系统
本公开涉及无人艇路径规划
,特别是涉及基于改进粒子群算法的无人艇路径规划方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
,并不必然构成现有技术。众所周知,多传感器融合是无人飞行器自主导航的一个重要问题,特别是在实际环境中进行非预期变化时。借助于温湿度传感器、碰撞传感器、流速和流速传感器、位移传感器等多种传感器,无人驾驶飞行器已有效地应用于探空探测、环境监测、水声、海上救援、目标跟踪,以及水监测。在这些情况下,来自多个传感器的所有感知信息被组合起来并有效地利用,以生成无人驾驶车辆跟踪的理想轨迹,这通常被表述为旅行商问题(TSP)。TSP在1979年被证明是一个典型的非确定性多项式硬组合优化问题。它的目标是设计出一条最短的路线,让旅行者无需重复地游览每个城市,最终返回出发城市。随着搜索空间趋于无穷大和复杂,传统的精确算法,如枚举法,无法在精确的计算时间内接近精确解。因此,需要开发具有自组织和自适应能力的新算法,以发现适当的解决方案,牺牲运行速度的最优性、准确性和完整性。受自然进化模型和自适应种群进化的启发,集体智能方法包括遗传算法、粒子群优化(PSO)、蚁群优化(ACO)、人工鱼群算法和人工蜂群算法,TSP已进入快速发展阶段。粒子群优化是1995年由Eberhart和Kennedy提出的一种进化元启发式技术。它通过一组候选解(称为粒子)在多维搜索空间中以一定的速度移动这些粒子来解决优化问题。通过一个适应度函数来评估每个解,所 ...
【技术保护点】
1.基于改进粒子群算法的无人艇路径规划方法,其特征是,包括:/n获取无人艇的待经过的若干个位置点;/n基于改进的粒子群算法,将无人艇的待经过的若干个位置点作为输入值,经过迭代计算后,获得一条无人艇的最优移动路径;/n其中,改进的粒子群算法,是基于线性下降惯性权重、自适应控制加速度系数和随机分组反演的优化策略对粒子群算法进行改进得到的;/n根据最优移动路径,控制无人艇进行移动。/n
【技术特征摘要】
1.基于改进粒子群算法的无人艇路径规划方法,其特征是,包括:
获取无人艇的待经过的若干个位置点;
基于改进的粒子群算法,将无人艇的待经过的若干个位置点作为输入值,经过迭代计算后,获得一条无人艇的最优移动路径;
其中,改进的粒子群算法,是基于线性下降惯性权重、自适应控制加速度系数和随机分组反演的优化策略对粒子群算法进行改进得到的;
根据最优移动路径,控制无人艇进行移动。
2.如权利要求1所述的方法,其特征是,改进的粒子群算法具体步骤包括:
S201:初始化,选择种群大小和最大迭代次数;定义适应度函数;
基于自适应控制加速度系数优化策略设置加速度系数c1和c2;
基于线性下降惯性权重优化策略设置惯性权重w;
S202:对每个粒子,初始化速度和位置,评估初始适应度值,记录初始个体最优位置和粒子群最优位置;
S203:判断是否达到最大迭代次数或者误差值小于设定最小误差值;
如果是达到最大迭代次数,或者误差值小于设定最小误差值;则结束;
如果没有达到最大迭代次数,或者误差值大于等于设定最小误差值,则进入S204;
S204:对每个粒子更新个体速度和个体位置,评估新的适应度值;
基于随机分组反演优化策略,将种群划分为若干个子种群,并对每个子种群进行独立进化;
更新每个粒子的个体最优位置和粒子群最优位置,返回S203。
3.如权利要求2所述的方法,其特征是,基于自适应控制加速度系数优化策略设置加速度系数c1和c2;具体步骤包括:
K=P/N(6)
c1=(c1max-c1min)K+c1min(7)
c2=(c2max-c2min)K+c2min(8)
其中,P代表在一次迭代中成功收敛的粒子数;K表示评价系数;K为一次迭代中成功收敛粒子数量与初始群大小的比值;N代表总的粒子数;c1和c2为加速度系数;c1max为c1的最大值;c1min为c1的最小值;c2max为c2的最大值;c2min为c2的最小值。
4.如权利要求2所述的方法,其特征是,基于线性下降惯性权重优化策略设置惯性权重w;具体步骤包括:
采用迭代过程中线性下降的形式动态调整惯性权重w:
w=wmax-m×(wmax-wmin)/M(3)
其中,wmax表示惯性权重w的最大值,wmin表示惯性权重w的最小值;m表示当前迭代次数,M表示最大迭代次数。
5.如权利要求2所述的方法...
【专利技术属性】
技术研发人员:辛峻峰,李鹏昊,杨奉儒,李世鑫,李书悦,
申请(专利权)人:青岛蓝海未来海洋科技有限责任公司,
类型:发明
国别省市:山东;37
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。