[发明专利]基于蚁群算法的无人艇全局航迹规划方法、设备及介质

说明书

本发明公开基于蚁群算法的无人艇全局航迹规划方法、设备及介质。该方法以下包括步骤：步骤一，建立任务环境模型；步骤二，建立无人艇航行代价函数；步骤三，利用改进的蚁群算法求解无人艇航行代价。本发明具有如下优点：建立了较为完善的无人艇全局航迹规划优化数学模型，使得模型本身对无人艇的航行过程有较为精确的描述；考虑了无人艇自身的航行和动力特点，将航行代价引入到蚁群算法中表征信息素和启发因子，并在此基础上，提出初始信息素设置方法，加快了算法的计算速度；提出了信息素更新规则，解决了传统蚁群算法容易陷入局部最优的问题，提高了算法的全局搜索能力；提出了死锁点的信息素更新机制，保障了算法寻优过程后期解多样性。

技术领域

本发明涉及水面无人艇航迹规划技术领域，具体涉及一种基于蚁群算法的无人艇全局航迹规划方法、设备及介质。

背景技术

无人艇在海洋环境监测、海洋权益维护和军事领域等具有广泛的应用前景，已成为海洋智能装备领域的研究热点。无人艇航迹规划使其能按预设达到目的地，是其自主执行任务的前提和保障。根据环境信息，无人艇的航迹规划分为全局航迹规划和局部航迹规划。其中，全局航迹规划是在已知任务环境信息(通常为卫星遥感地图信息)下进行的全局航迹规划，而局部航迹规划是在全局航迹基础上，根据船载设备获得的局部环境信息进行的局部实时航迹重规划。因此，全局航迹规划是无人艇航迹规划的基础和关键，决定了无人艇航迹规划的性能。

无人艇的全局航迹规划问题是一种典型的组合优化问题，求解此问题的方法主要包括遗传算法、粒子群优化算法、蚁群算法和人工势场法等。相较于其它智能优化算法，蚁群算法应用于航迹规划时具有并行搜索、收敛速度快、鲁棒性强、简单易实现等特点，但存在着初期搜索效率低、收敛速度慢和易陷入局部最优等缺点。因此，需要从信息素更新、启发信息构造等方面改进蚁群算法，以提高算法对应用环境和应用对象的适配性。

发明内容

本发明的目的在于提供一种基于蚁群算法的无人艇全局航迹规划方法、设备及介质，所述方法在蚁群算法的基础上提出了改进，既提高了运算速度，又避免了陷入局部最优，而且能够保障寻优过程后期解多样性。

本发明的目的通过如下技术方案来实现：

一种基于蚁群算法的无人艇全局航迹规划方法，包括以下步骤：

步骤一：建立任务环境模型：

(1)原始图像降采样。由于海上区域和陆地区域均属于原始卫星遥感图像中的大结构信息，而根据多分辨率理论，采用低分辨率图像有利于大结构信息的分割处理，因此先对原始图像进行降采样。原始图像的降采样过程描述为：

I_s＝D_n×n[I_o]

式中，I_o表示原始输入图像；I_s表示经过降采样后的图像；D_n×n[·]表示在长度和宽度上分别将原始图像缩小n倍的运算，1nN，N为图像本身长度和宽度上的像素数。

(2)模糊均值聚类分割。通过对降采样后的图像进行分析后可知，整个海区可被分割成深海区、近海区和陆地区三类，而无人艇可在海上执行任务。因此，还需要采用模糊均值聚类分割算法对海区图像进行分割。该方法通过比较RGB空间的每个像素值与每个类的中心点值，然后给每个像素指派一个0～1之间的模糊值来说明该像素更接近哪个类的中心点，进而实现分割。模糊规则是该像素对所有类的值之和为1，模糊均值聚类分割的过程描述为：

{I_d1,I_d2,I_d3}＝C[I_d]

式中，I_d1、I_d2、I_d3分别代表深海区、近海区和陆地区三类；C[·]算子代表模糊均值聚类分割算法。