基于贪婪机制粒子群算法的无人船路径规划方法及系统技术方案

本发明专利技术属于路径规划领域，提供了基于贪婪机制粒子群算法的无人船路径规划方法及系统。其解决了无人船路径规划效率低的问题，达到了无人船路径规划速度快的效果。该无人船路径规划方法包括获取无人船当前位置、航向数据及目标位置；基于贪婪机制粒子群算法计算出无人船从当前位置至目标位置途径的最优位置点，再根据预设约束因子来修正无人船航向数据的航迹偏转，最终得到无人船的最优路径。

Path planning method and system of unmanned vessel based on greedy particle swarm optimization

【技术实现步骤摘要】
基于贪婪机制粒子群算法的无人船路径规划方法及系统
本专利技术属于路径规划领域，尤其涉及一种基于贪婪机制粒子群算法的无人船路径规划方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。无人船(USVs)又称自主水面飞行器，近年来在商业、科学和军事领域引起了全世界的广泛关注。USVs具有操作和维护成本低、减少伤亡风险以及在不同操作条件下具有良好的机动性和可靠性等优点。借助于有效可靠的导航设备，如全球定位系统(GPS)、无线通信单元和各种类型的传感器，USV可以经济高效地用于各种应用，包括水下测量、污染物跟踪、声学导航、海上救援，障碍物探测。尽管近年来，USV系统的相关技术取得了长足的进步，但在面对复杂或危险的环境时，如何提高USV的自主性仍然是一个挑战。例如船体水动力学、通信技术和导航、制导和控制(NGC)战略等关键问题，这些都需要进一步发展。路径规划是USV导航系统的重要组成部分，对基于导航的控制系统的可行和最优轨迹的设计以及更新信息、任务需求和环境条件具有重要意义。它的有效性不仅决定了无人船的自主性，而且影响到任务执行的可靠性和效率。USV路径规划问题通常被描述为旅行商问题(TSP)，是一个典型的组合优化问题。具体的描述是找到一个不重复地通过所有目标城市的最短闭合回路。专利技术人发现，当USV在复杂的海洋环境中执行多目标任务时，可能的路径数随着目标点数的增加呈指数增长，导致所谓的指数爆炸，在这种情况下，传统的穷举法、分枝定界法等算法无法在合理的时间代价内找到最优解，这样导致无人船路径规划速度慢且效率低。
技术实现思路
为了解决上述问题，本专利技术的第一个方面提供一种基于贪婪机制粒子群算法的无人船路径规划方法，其基于贪婪黑箱保证了粒子不断向更高的适应度方向移动，在一定程度上保持了种群的多样性，同时，利用2-opt操作有效地从旧的解决方案中保留优秀的路径片段并消除路径交叉，其能够大大降低无人船路径规划的时间，快速规划出无人船的最优路径规划。为了实现上述目的，本专利技术采用如下技术方案：一种基于贪婪机制粒子群算法的无人船路径规划方法，包括：获取无人船当前位置、航向数据及目标位置；基于贪婪机制粒子群算法计算出无人船从当前位置至目标位置途径的最优位置点，再根据预设约束因子来修正无人船航向数据的航迹偏转，最终得到无人船的最优路径；其中，基于贪婪机制粒子群算法计算无人船从当前位置至目标位置途径的最优位置点的过程为：建立贪婪黑箱，基于无人船位置初始化粒子群参数并生成初始粒子群；初始粒子群由无人船的若干条初始路径组成，粒子为路径中的位置点；进入迭代循环，将每次迭代的初始粒子群中的粒子分成预设数量的粒子组；对于每个粒子组，筛选出每个粒子组中的适应度最低的两个粒子O(1,2)，使用贪婪黑箱生成两个新粒子O’(1,2)；所述适应度为路径长度的倒数；比较O(1,2)与O’(1,2)的适应度，保留适应度高的两个粒子并更新粒子组；对所有更新后的粒子组执行2-opt操作并找到每个更新后的粒子组中的最短路径，更新粒子最优位置和群体最优位置，直至达到迭代循环停止条件时，输出当前群体最优位置。为了解决上述问题，本专利技术的第二个方面提供一种基于贪婪机制粒子群算法的无人船路径规划系统，其基于贪婪黑箱保证了粒子不断向更高的适应度方向移动，在一定程度上保持了种群的多样性，同时，利用2-opt操作有效地从旧的解决方案中保留优秀的路径片段并消除路径交叉，其能够大大降低无人船路径规划的时间，快速规划出无人船的最优路径规划。一种基于贪婪机制粒子群算法的无人船路径规划系统，包括：数据获取模块，其用于获取无人船当前位置、航向数据及目标位置；路径规划模块，其用于基于贪婪机制粒子群算法计算出无人船从当前位置至目标位置途径的最优位置点，再根据预设约束因子来修正无人船航向数据的航迹偏转，最终得到无人船的最优路径；其中，基于贪婪机制粒子群算法计算无人船从当前位置至目标位置途径的最优位置点的过程为：建立贪婪黑箱，基于无人船位置初始化粒子群参数并生成初始粒子群；初始粒子群由无人船的若干条初始路径组成，粒子为路径中的位置点；进入迭代循环，将每次迭代的初始粒子群中的粒子分成预设数量的粒子组；对于每个粒子组，筛选出每个粒子组中的适应度最低的两个粒子O(1,2)，使用贪婪黑箱生成两个新粒子O’(1,2)；所述适应度为路径长度的倒数；比较O(1,2)与O’(1,2)的适应度，保留适应度高的两个粒子并更新粒子组；对所有更新后的粒子组执行2-opt操作并找到每个更新后的粒子组中的最短路径，更新粒子最优位置和群体最优位置，直至达到迭代循环停止条件时，输出当前群体最优位置。本专利技术的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于贪婪机制粒子群算法的无人船路径规划方法中的步骤。本专利技术的第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于贪婪机制粒子群算法的无人船路径规划方法中的步骤。本专利技术的有益效果是：(1)本专利技术利用贪婪黑箱对粒子进行初始化，克服了传统方法的随机性，在优化开始时排除了一些不可行的解，提高了无人船路径的优化效率。(2)本专利技术利用贪婪黑箱保证了粒子不断向更高的适应度方向移动，在一定程度上保持了种群的多样性，同时，2-opt操作可以有效地从旧的解决方案中保留优秀的编码字符串片段，并消除路径交叉，大大降低了无人船路径规划的时间，保证解的质量的前提下，大大提高了算法的鲁棒性，大大缩短了最优路径长度，实现了快速规划出无人船的最优路径规划的目的。(3)本专利技术还根据约束因子来修正当前航向数据的航迹偏转，避免了由于航迹偏转误差造成规划路径与实际路径偏差过大的问题，提高了无人船规划的路径的准确性。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1是本专利技术实施例的一种基于贪婪机制粒子群算法的无人船路径规划方法流程图；图2是本专利技术实施例的最初的旅行路线；图3是本专利技术实施例的2-opt操作机制；图4是本专利技术实施例的传统遗传算法(CGA)、蚁群优化算法(ACO)、传统PSO算法(CPSO)、改进PSO算法(IPSO)比较；图5(a)-图5(h)是本专利技术实施例的传统遗传算法(CGA)、蚁群优化算法(ACO)、传统PSO算法(CPSO)、基于贪婪机制粒子群算法(IPSO)比较迭代的最大次数分别为300、400、500、600、700、800、900和1000的比较结果图；图6(a)-图6(h)是分别对应图5(a)-图5(h)的最优路径距离(D)与迭代(m)的迭代历史；图7(a)-图本文档来自技高网...

【技术保护点】
1.一种基于贪婪机制粒子群算法的无人船路径规划方法，其特征在于，包括：/n获取无人船当前位置、航向数据及目标位置；/n基于贪婪机制粒子群算法计算出无人船从当前位置至目标位置途径的最优位置点，再根据预设约束因子来修正无人船航向数据的航迹偏转，最终得到无人船的最优路径；/n其中，基于贪婪机制粒子群算法计算无人船从当前位置至目标位置途径的最优位置点的过程为：/n建立贪婪黑箱，基于无人船位置初始化粒子群参数并生成初始粒子群；初始粒子群由无人船的若干条初始路径组成，粒子为路径中的位置点；/n进入迭代循环，将每次迭代的初始粒子群中的粒子分成预设数量的粒子组；/n对于每个粒子组，筛选出每个粒子组中的适应度最低的两个粒子O(1,2)，使用贪婪黑箱生成两个新粒子O’(1,2)；所述适应度为路径长度的倒数；/n比较O(1,2)与O’(1,2)的适应度，保留适应度高的两个粒子并更新粒子组；/n对所有更新后的粒子组执行2-opt操作并找到每个更新后的粒子组中的最短路径，更新粒子最优位置和群体最优位置，直至达到迭代循环停止条件时，输出当前群体最优位置。/n

【技术特征摘要】
1.一种基于贪婪机制粒子群算法的无人船路径规划方法，其特征在于，包括：
获取无人船当前位置、航向数据及目标位置；
基于贪婪机制粒子群算法计算出无人船从当前位置至目标位置途径的最优位置点，再根据预设约束因子来修正无人船航向数据的航迹偏转，最终得到无人船的最优路径；
其中，基于贪婪机制粒子群算法计算无人船从当前位置至目标位置途径的最优位置点的过程为：
建立贪婪黑箱，基于无人船位置初始化粒子群参数并生成初始粒子群；初始粒子群由无人船的若干条初始路径组成，粒子为路径中的位置点；
进入迭代循环，将每次迭代的初始粒子群中的粒子分成预设数量的粒子组；
对于每个粒子组，筛选出每个粒子组中的适应度最低的两个粒子O(1,2)，使用贪婪黑箱生成两个新粒子O’(1,2)；所述适应度为路径长度的倒数；
比较O(1,2)与O’(1,2)的适应度，保留适应度高的两个粒子并更新粒子组；
对所有更新后的粒子组执行2-opt操作并找到每个更新后的粒子组中的最短路径，更新粒子最优位置和群体最优位置，直至达到迭代循环停止条件时，输出当前群体最优位置。


2.如权利要求1所述的基于贪婪机制粒子群算法的无人船路径规划方法，其特征在于，初始化粒子群参数包括初始化种群数量、最大迭代次数、适应度的计算函数以及粒子的速度相关系数。


3.如权利要求2所述的基于贪婪机制粒子群算法的无人船路径规划方法，其特征在于，迭代循环停止条件为达到最大迭代次数或当前群体的适应度最小。


4.如权利要求1所述的基于贪婪机制粒子群算法的无人船路径规划方法，其特征在于，所述约束因子为海浪作用力，海浪作用力是海浪高度及海浪流速的已知函数。


5.如权利要求1所述的基于贪婪机制粒子群算法的无人船路径规划方法，其特征在于，对所有更新后的粒子组执行2-opt操作的过程为：
对于每个更新后的粒子组，随机选择两个非相邻的位置点，它们之间的路径片段将被完整地反转并连接回原始的路径中，从而产生一个新的路径，此过程将重复，直到找到每个更新后的粒子组中的最短路径。


6.一种基于贪婪机制粒子群算法的无人船路径规划系统，其特征在于，包括：
数据...

【专利技术属性】
技术研发人员：辛峻峰，李世鑫，李鹏昊，李书悦，杨奉儒，
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