一种智能无人船两阶段多目标点全局路径规划方法技术

本发明专利技术公开了一种智能无人船两阶段多目标点全局路径规划方法，包括：获取智能无人船工作过程中的起点和所有目标点并编号；单目标点路径规划：读取起始点和目标点的信息，通过引入非线性自适应惯性参数和正弦余弦因子，对粒子群算法进行改进，以路径距离和路径平滑度为评价指标，采用改进粒子群算法求解各点之间的最优路径和相应的距离；多目标点路径寻优：通过改变温度衰减系数

【技术实现步骤摘要】
一种智能无人船两阶段多目标点全局路径规划方法


[0001]本专利技术涉及无人船路径规划技术邻域，尤其涉及一种智能无人船两阶段多目标点全局路径规划方法
。

技术介绍

[0002]目前，各种无人技术如无人机
、
无人车和无人船等设备在当前社会中被广泛应用
。
其中水面智能无人船
(Unmanned Surface Vehicle,USV)
作为一种无人设备，凭借体积小
、
成本低
、
灵活度高等优势，能够适用于各种复杂水域，在诸多领域
(
如军事
、
工业
、
科研等
)
有着广阔的应用前景
。
[0003]凭借智能无人船的诸多优势，将智能无人船应用到水质采样具有良好的前景
。
智能无人船能够替代人工航行到指定采样点进行水质样本采集
。
由于具备多个采样点，这就需要智能无人船能够沿着可以遍历所有采样点且没有障碍物的路径运动
。
而且智能无人船航行时容易因为环境的干扰而偏离期望的路径，这就需要智能无人船的控制系统能够保持智能无人船沿着期望的路径航行
。
[0004]粒子群优化
(particle swarm optimization,PSO)
算法作为一种全局优化算法，能够求出全局最优解而不是局部最优解
。
在粒子群优化算法中，算法的搜索效率和收敛速度与惯性权重的取值有很大的关系
。
较大的惯性权重有利于全局搜索，较小的惯性权重有利于局部寻优
。
所以，如何选择惯性权重是一个需要解决的问题
。
并且，如何实现全局搜索与局部开发的平衡，以保证在全局范围内获得最佳解也是一个需要解决的问题
。
[0005]模拟退火
(Simulated Annealing
，
SA)
算法利用
Boltzmann
概率避免了算法陷入局部最优解，并成功地应用于求解旅行商问题
(TSP)
等问题
。
但
SA
算法也存在一些问题，第一个问题是它的搜索速度比较慢，原因是在每个温度下需要执行多次
Metropolis
算法的迭代才能得到一个好的结果
。
第二个问题是在选择不同的扰动机制时难以决策，因为每种扰动机制的收敛速度和寻找优化解的能力是难以预估的
。
第三个问题是由于存在能够接受低质量解的机制，在后续的迭代过程中可能抛弃当前的最优解
。
[0006]因此，为了解决上述问题，研究智能无人船进行水质采样时的多目标点全局路径规划与路径跟踪方法是十分必要的
。

技术实现思路

[0007]本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种智能无人船两阶段多目标点全局路径规划方法
。
[0008]本专利技术解决其技术问题所采用的技术方案是：
[0009]本专利技术提供一种智能无人船两阶段多目标点全局路径规划方法，该方法包括以下步骤：
[0010]步骤
1、
获取智能无人船工作过程中的起点和所有目标点，并对起点和所有目标点在栅格图中进行编号；
[0011]步骤
2、
构建起点和所有目标点之间的距离矩阵；
[0012]步骤
3、
单目标点路径规划：从距离矩阵中读取起始点和目标点的信息，通过引入非线性自适应惯性参数和正弦余弦因子，对粒子群算法进行改进，以路径距离和路径平滑度为评价指标，采用改进粒子群算法求解各点之间的最优路径和相应的距离；
[0013]步骤
4、
将各点之间的最优路径长度保存在矩阵中，然后将矩阵补全为对称形式，得到更新后的完整的距离矩阵；
[0014]步骤
5、
多目标点路径寻优：通过改变温度衰减系数
、
增加多邻域搜索和记忆器，对模拟退火算法进行改进，以距离最短为目标，采用改进模拟退火算法求解了多目标点的路径寻优问题，得到最短路径顺序；
[0015]步骤
6、
输出智能无人船的最终规划路径
。
[0016]进一步地，本专利技术的所述步骤2中构建的距离矩阵为：
[0017][0018]其中，起点和所有目标点在栅格图中对应的编号，按升序的方式对它们进行排序，编号分别为
[s1,s2,...,s
n
]，
(s
n
‑
1,
s
n
)
表示点
s
n
和点
s
n
‑1,
之间的距离
。
[0019]进一步地，本专利技术的所述步骤3中引入非线性自适应惯性参数对粒子群算法进行改进的方法为：
[0020]第
i
个粒子在整个
d
维搜索空间中位置为速度为用
N
个粒子来表示不同的解，第
i
个粒子搜索到的个体最优位置为所有粒子中的最优位置为再将
x
i
带入适应度函数来计算适应度值，根据以下公式来更新每个粒子的速度和位置：
[0021][0022][0023]式中，
i
＝
1,2,...,N
，
t
为迭代次数，
ω
为惯性权重，
c1和
c2为学习因子，
r1和
r2为区间
[0,1]内的随机数；
[0024]为了平衡全局搜索和局部寻优效果，结合非线性和自适应的方法，对
ω
进行调节，惯性系数
ω
的更新公式如下：
[0025]ω
＝
ω
max
‑
(
ω
max
‑
ω
min
)*artanht/t
max
[0026]式中，
ω
max
和
ω
min
分别表示粒子在粒子群算法中惯性权重的上限和下限，
t
代表算法当前的迭代次数；
t
max
为最大迭代次数；通过引入反双曲正切函数
artanh(x)
使
ω
取值随着迭代次数变化自适应调整
。
[0027]进一步地，本专利技术的所述步骤3中引入正弦余弦因子对粒子群算法进行改进的方
法为：
[0028]在引入非线性自适应惯性参数的基础上，引入正弦余弦因子，对更新每个粒子位置的方程进行改进：
[0029][0030]式中，表示第
i
个粒子在第
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能无人船两阶段多目标点全局路径规划方法，其特征在于，该方法包括以下步骤：步骤
1、
获取智能无人船工作过程中的起点和所有目标点，并对起点和所有目标点在栅格图中进行编号；步骤
2、
构建起点和所有目标点之间的距离矩阵；步骤
3、
单目标点路径规划：从距离矩阵中读取起始点和目标点的信息，通过引入非线性自适应惯性参数和正弦余弦因子，对粒子群算法进行改进，以路径距离和路径平滑度为评价指标，采用改进粒子群算法求解各点之间的最优路径和相应的距离；步骤
4、
将各点之间的最优路径长度保存在矩阵中，然后将矩阵补全为对称形式，得到更新后的完整的距离矩阵；步骤
5、
多目标点路径寻优：通过改变温度衰减系数
、
增加多邻域搜索和记忆器，对模拟退火算法进行改进，以距离最短为目标，采用改进模拟退火算法求解了多目标点的路径寻优问题，得到最短路径顺序；步骤
6、
输出智能无人船的最终规划路径
。2.
根据权利要求1所述的智能无人船两阶段多目标点全局路径规划方法，其特征在于，所述步骤2中构建的距离矩阵为：其中，起点和所有目标点在栅格图中对应的编号，按升序的方式对它们进行排序，编号分别为
[s1,s2,...,s
n
]
，
(s
n
‑1,s
n
)
表示点
s
n
和点
s
n
‑1,
之间的距离
。3.
根据权利要求1所述的智能无人船两阶段多目标点全局路径规划方法，其特征在于，所述步骤3中引入非线性自适应惯性参数对粒子群算法进行改进的方法为：第
i
个粒子在整个
d
维搜索空间中位置为速度为用
N
个粒子来表示不同的解，第
i
个粒子搜索到的个体最优位置为所有粒子中的最优位置为再将
x
i
带入适应度函数来计算适应度值，根据以下公式来更新每个粒子的速度和位置：速度和位置：式中，
i
＝
1,2,...,N
，
t
为迭代次数，
ω
为惯性权重，
c1和
c2为学习因子，
r1和
r2为区间
[0,1]
内的随机数；为了平衡全局搜索和局部寻优效果，结合非线性和自适应的方法，对
ω
进行调节，惯性系数
ω
的更新公式如下：
ω
＝
ω
max
‑
(
ω
max
‑
ω
min
)*artanht/t
max
式中，
ω
max
和
ω
min
分别表示粒子在粒子群算法中惯性权重的上限和下限，
t
代表算法当前的迭代次数；
t
max
为最大迭代次数；通过引入反双曲正切函数
artanh(x)
使
ω
取值随着迭代次数变化自适应调整
。4.
根据权利要求3所述的智能无人船两阶段多目标点全局路径规划方法，其特征在于，所述步骤3中引入正弦余弦因子对粒子群算法进行改进的方法为：在引入非线性自适应惯性参数的基础上，引入正弦余弦因子，对更新每个粒子位置的方程进行改进：式中，表示第
i
个粒子在第
t
次迭代中在第
d
维的位置，表示当前迭代次数
t
中的最优解；
r1、r2、r3为随机数，
r4控制着正弦余弦的更新切换选择，
r4～
U[0,1]
，表示0到1之间的随机数；第
i
个粒子的全局最佳位置更新为：每个粒子依据自身最优位置和群体最优位置，更新其速度和位置；直到最终设置的终止条件，终止条件包括：迭代次数或适应度值
。5.
根据权利要求1所述的智能无人船两阶段多目标点全局路径规划方法，其特征在于，所述步骤3中以路径距离和路径平滑度来设计适应度函数，其方法为：所规划的路径要尽可能保证距离短，以此来减少智能无人船运动时的能源消耗，增加续航时间；路径距离
f
L
为：其中，第

【专利技术属性】
技术研发人员：潘林，朱海峰，李永平，李志敏，王建勇，王雷，田浩，
申请(专利权)人：锋火科技浙江有限公司，
类型：发明
国别省市：