一种AUV目标搜索方法技术

本发明专利技术公开了一种AUV目标搜索方法，包括：1.声呐探测模型的建立；2.基于改进神经激励网络的多目标搜索算法；3.基于神经激励网络与人工势场法相结合的目标搜索算法。本发明专利技术对待搜索目标的搜索顺序进行规划，再使用神经激励网络进行每个目标的搜索路径决策，减少了多目标搜索过程中的路程长度，提高了整体的搜索效率。而且针对障碍物较少的栅格提出了新的神经元分类，在使用神经激励网络算法做出全局的搜索决策的基础上使用人工势场法针对障碍物较少的栅格以及目标所在的栅格进行局部的路径规划以及避障，增加了AUV在障碍物较少的区域中的搜索效率，并且提高了算法的合理性。

An AUV target searching method

【技术实现步骤摘要】
一种AUV目标搜索方法
本专利技术属于目标搜索领域，涉及一种AUV目标搜索方法，特别是一种基于改进神经激励网络和人工势场法相结合的方法，可应用于未知水下环境中的AUV目标搜索过程。
技术介绍
海洋是孕育生物的摇篮、人类赖以生存的资源宝库、世界各地的交通要道。近年来，由于自主水下航行器(AutonomousUnderwaterVehicles，AUV)具有良好的隐蔽性、水下移动的灵活性，经济的适用性等汇集高科技手段的技术特点，在各个领域，均已经受到了广泛关注。其中，很多科学家对水下目标搜索问题进行了深入研究。曹翔、朱大奇等人针对有部分先验信息的水下环境中的目标搜索问题，提出了一种生物神经激励网络的算法。该算法将水下栅格地图与生物启发神经网络相联系，神经网络中每一个神经元与水下栅格地图中的位置单元一一对应，根据该神经网络中神经元的在线活性输出值分布情况制定AUV的搜索路径规划模型。神经激励网络算法适用于环境信息未知，目标大致位置信息已知的AUV水下搜索任务。即目标具有特定的信号发射能力，搜索区域内AUV配备的传感器能够接收到目标发射的信号，从而确认目标大致位置的情况。针对这种类型的任务，神经激励网络算法的搜索效率较高，并且能够实时做出搜索位置决策，避开障碍物。但单个AUV无法使用神经激励网络实现多个目标的搜索任务，并且神经激励算法的计算时间会随着网格密度的增大而呈指数型的增大，而且网格体积过大会到导致算法中的神经元分类不合理。
技术实现思路
针对上述现有技术，本专利技术要解决的技术问题是提供一种实现最短时间内多目标任务搜索的采用基于改进神经激励网络和人工势场法相结合的AUV目标搜索方法。为解决上述技术问题，本专利技术的一种AUV目标搜索方法，包括以下步骤：步骤1：初始化参数，包括神经激励网络算法中的神经元的衰减速率，神经元的上下限值，目标和障碍物的神经活性以及遗传算法中的最大进化代数、交叉概率、变异概率；步骤2：搜索区域栅格化，将每个栅格与神经元进行一一对应，每个神经元与周边相连的神经元相互连接，构成三维的神经网络结构；步骤3：AUV通过声呐确定AUV探测范围内是否探测到待搜索目标，若探测到，则已搜索目标数加一，并根据声呐对周围环境的探测更新环境信息；步骤4：AUV通过声呐判断待搜索目标的位置：将目标所在栅格中距离AUV最近的顶点作为目标所在位置，将待搜索目标所在栅格的搜索顺序看做一条染色体，将AUV离线规划的总距离的倒数作为适应度，使用遗传算法计算出待搜索目标的搜索顺序的最优排序；步骤5：初始化各个栅格对应的神经元活性，将待搜索顺序中的首要目标视为目标栅格，其所在栅格对应的神经元活性值Ik初始化为1，障碍物所在栅格对应的神经元活性值Ik初始化为-1，其余栅格对应的神经元活性值Ik初始化为0；步骤6：更新神经元活性图，神经网络中神经元活性变化规律满足：其中，uk表示神经元k的神经元活性，A、B、D均为给定常数，A反映神经元k的活性值的衰减速度，B和D分别是神经元k的上下限，|kl|表示神经元k与l之间的距离，wkl表示神经元k与l之间的神经元连接权系数，当神经元k与神经元l之间有连接时,wkl＝μ/|kl|；μ是一个给定常系数、在0到1之间；当神经元k与神经元l之间没有连接时，wkl＝0；[ul]+表示神经元k周围的神经元给神经元k的正向输入，即，神经元k周围所有神经元的神经元活性之和；表示与神经元k位置距离不超过的周边神经元的正激励之和，[Ik]-表示从障碍物输入到I神经元的变量；步骤7：制定AUV搜索路径决策模型并作出下一搜索位置决策，AUV前往周边相连的神经元中神经活性最大的栅格，然后更新当前位置，实现AUV的最优下一时刻位置的选取，AUV搜索路径决策模型满足：其中，Pc、Pp、Pn分别是表示AUV的当前位置、前一时刻位置和下一时刻位置；步骤8：判断是否搜索到全部目标，若未搜索到所有目标，则跳转步骤3。若所有目标被搜索到，则任务结束，退出算法。作为本专利技术的一种改进，本专利技术的另一种AUV目标搜索方法，包括以下步骤：步骤1：初始化参数，包括神经激励网络算法中的神经元的衰减速率，神经元的上下限值，目标和障碍物的神经活性以及遗传算法中的最大进化代数、交叉概率、变异概率；步骤2：搜索区域栅格化，将每个栅格与神经元进行一一对应，每个神经元与周边相连的神经元相互连接，构成三维的神经网络结构；步骤3：AUV通过声呐确定AUV探测范围内是否探测到待搜索目标，若探测到，则已搜索目标数加一，并根据声呐对周围环境的探测更新环境信息；步骤4：AUV通过声呐判断待搜索目标的位置：将目标所在栅格中距离AUV最近的顶点作为目标所在位置，将待搜索目标所在栅格的搜索顺序看做一条染色体，将AUV离线规划的总距离的倒数作为适应度，使用遗传算法计算出待搜索目标的搜索顺序的最优排序；步骤5：初始化各个栅格对应的神经元活性，将待搜索顺序中的首要目标视为目标栅格，其所在栅格对应的神经元活性值Ik初始化为1，障碍物所在栅格对应的神经元活性值Ik初始化具体为：当障碍物为定义的大型障碍物时，神经元活性值Ik初始化为-1：当障碍物为定义的小型障碍物时，神经元活性值Ik初始化为0；其余栅格对应的神经元活性值Ik初始化为0；步骤6：更新神经元活性图，神经网络中神经元活性变化规律满足：其中，uk表示神经元k的神经元活性，A、B、D均为给定常数，A反映神经元k的活性值的衰减速度，B和D分别是神经元k的上下限，|kl|表示神经元k与l之间的距离，wkl表示神经元k与l之间的神经元连接权系数，当神经元k与神经元l之间有连接时,wkl＝μ/|kl|；μ是一个给定常系数、在0到1之间；当神经元k与神经元l之间没有连接时，wkl＝0；[ul]+表示神经元k周围的神经元给神经元k的正向输入，即，神经元k周围所有神经元的神经元活性之和；表示与神经元k位置距离不超过的周边神经元的正激励之和，[Ik]-表示从障碍物输入到I神经元的变量；步骤7：制定AUV搜索路径决策模型并作出下一搜索位置决策，AUV前往周边相连的神经元中神经活性最大的栅格，然后更新当前位置，实现AUV的最优下一时刻位置的选取，AUV搜索路径决策模型满足：其中，Pc、Pp、Pn分别是表示AUV的当前位置、前一时刻位置和下一时刻位置；步骤8：设置人工势场法算法标志位flag，当flag＝1时，使用人工势场法进行该神经元对应的栅格内的路径规划并避障，当flag＝0时，直接进行直线路径规划；步骤9：判断是否搜索到全部目标，若未搜索到所有目标，则跳转步骤3。若所有目标被搜索到，则任务结束，退出算法。本专利技术的有益效果：本专利技术提出的基于改进神经激励网络和人工势场法相结合的AUV目标搜索方法通过使用遗传算法对待搜索目标的搜索顺序按搜索路径长度进行规划，再使用神经激励网络进行每个目标的搜索路径决策，减少了多目标搜索过程中的路径长度，提本文档来自技高网...

【技术保护点】
1.一种AUV目标搜索方法，其特征在于，包括以下步骤：/n步骤1：初始化参数，包括神经激励网络算法中的神经元的衰减速率，神经元的上下限值，目标和障碍物的神经活性以及遗传算法中的最大进化代数、交叉概率、变异概率；/n步骤2：搜索区域栅格化，将每个栅格与神经元进行一一对应，每个神经元与周边相连的神经元相互连接，构成三维的神经网络结构；/n步骤3：AUV通过声呐确定AUV探测范围内是否探测到待搜索目标，若探测到，则已搜索目标数加一，并根据声呐对周围环境的探测更新环境信息；/n步骤4：AUV通过声呐判断待搜索目标的位置：将目标所在栅格中距离AUV最近的顶点作为目标所在位置，将待搜索目标所在栅格的搜索顺序看做一条染色体，将AUV离线规划的总距离的倒数作为适应度，使用遗传算法计算出待搜索目标的搜索顺序的最优排序；/n步骤5：初始化各个栅格对应的神经元活性，将待搜索顺序中的首要目标视为目标栅格，其所在栅格对应的神经元活性值I

【技术特征摘要】
1.一种AUV目标搜索方法，其特征在于，包括以下步骤：
步骤1：初始化参数，包括神经激励网络算法中的神经元的衰减速率，神经元的上下限值，目标和障碍物的神经活性以及遗传算法中的最大进化代数、交叉概率、变异概率；
步骤2：搜索区域栅格化，将每个栅格与神经元进行一一对应，每个神经元与周边相连的神经元相互连接，构成三维的神经网络结构；
步骤3：AUV通过声呐确定AUV探测范围内是否探测到待搜索目标，若探测到，则已搜索目标数加一，并根据声呐对周围环境的探测更新环境信息；
步骤4：AUV通过声呐判断待搜索目标的位置：将目标所在栅格中距离AUV最近的顶点作为目标所在位置，将待搜索目标所在栅格的搜索顺序看做一条染色体，将AUV离线规划的总距离的倒数作为适应度，使用遗传算法计算出待搜索目标的搜索顺序的最优排序；
步骤5：初始化各个栅格对应的神经元活性，将待搜索顺序中的首要目标视为目标栅格，其所在栅格对应的神经元活性值Ik初始化为1，障碍物所在栅格对应的神经元活性值Ik初始化为-1，其余栅格对应的神经元活性值Ik初始化为0；
步骤6：更新神经元活性图，神经网络中神经元活性变化规律满足：



其中，uk表示神经元k的神经元活性，A、B、D均为给定常数，A反映神经元k的活性值的衰减速度，B和D分别是神经元k的上下限，|kl|表示神经元k与l之间的距离，wkl表示神经元k与l之间的神经元连接权系数，当神经元k与神经元l之间有连接时,wkl＝μ/|kl|；μ是一个给定常系数、在0到1之间；当神经元k与神经元l之间没有连接时，wkl＝0；[ul]+表示神经元k周围的神经元给神经元k的正向输入，即，神经元k周围所有神经元的神经元活性之和；表示与神经元k位置距离不超过的周边神经元的正激励之和，[Ik]-表示从障碍物输入到I神经元的变量；
步骤7：制定AUV搜索路径决策模型并作出下一搜索位置决策，AUV前往周边相连的神经元中神经活性最大的栅格，然后更新当前位置，实现AUV的最优下一时刻位置的选取，AUV搜索路径决策模型满足：



其中，Pc、Pp、Pn分别是表示AUV的当前位置、前一时刻位置和下一时刻位置；
步骤8：判断是否搜索到全部目标，若未搜索到所有目标，则跳转步骤3。若所有目标被搜索到，则任务结束，退出算法。


2.一种AUV目标搜索方法，其特征在于，包括以下步骤：
步骤1：初始化参数，包括神经激励网络算法中的神经元的衰减速率，神经...

【专利技术属性】
技术研发人员：李娟，张韵，张栩，徐健，王宏健，陈兴华，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23