[发明专利]一种基于海流历史统计信息的水下潜器路径规划方法

摘要

本发明公开了一种基于海流历史统计信息的水下潜器路径规划方法，包括确定航行区域，将航行区域栅格化、利用海流历史统计数据库生成航行区域内的海流场、利用电子海图作为环境场，将航行区域内的障碍物、岛屿、浅水区进行简化合并，生成禁航区、将海流信息和禁航区信息按照栅格进行存储、构造路径评价函数、利用粒子群算法进行最优路径搜索、输出路径，路径规划结束几个步骤。本发明利用海流历史统计数据库生成接近真实值的海流场，在充分考虑海流影响的情况下，设计了考虑航行安全性、经济性、光滑性相结合的路径评价函数，利用粒子群优化算法作为路径搜索算法进行水下潜器全局路径规划，以规划出更接近实际航行路线的潜器航行路径。

主权项

1.一种基于海流历史统计信息的水下潜器路径规划方法，其特征在于，包括以下几个步骤：步骤1.确定航行区域，将航行区域栅格化；航行区域为以路径起始点和终止点连线为对角线的矩形区域，沿经度和纬度方向分别以10′为单位进行等间隔划分，生成大小为10′X10′的栅格区域；步骤2.利用海流历史统计数据库生成航行区域内的海流场；在海流历史统计数据库的月份表中查询当前日期对应的数据表名，遍历步骤1中航行区域划分的栅格，计算每一个栅格的经纬度值，然后根据数据表名在相应的东偏量表和北偏量表中查询栅格当前经纬度对应的海流的北偏量和东偏量值，则生成航行区域内的海流场。步骤3.利用电子海图作为环境场，将航行区域内的障碍物、岛屿、浅水区进行简化合并，生成禁航区；利用电子海图信息作为静态环境场，将环境中的障碍物、浅水区、岛屿以多边形形式进行表达，多边形围成的区域为禁航区，路径不能通过，其他区域为可行域，路径能够通过。步骤4.将海流信息和禁航区信息按照栅格进行存储；对于步骤1中划分的每一个栅格，存储该栅格的位置信息、海流信息以及禁航区信息；步骤5.构造路径评价函数；具体包括以下几个步骤：(1)能量消耗潜器航行过程中的能量消耗主要由两部分组成；一部分用来克服惯性的加速力F_a，另一部分用来克服牵引潜器运动的牵引力F_d；Eenergy=∫p(Fa(t)+Fd(t))Vr(t)dt---(1)]]>Vr(t)|V→a(t)-V→c(t)|---(4)]]>F_a(t)＝w_aV_r(t)                             (5)F_d(t)＝w_dV²_r(t)                            (6)其中，E_energy表示潜器克服加速力和牵引力需要消耗的能量，V_r(t)为相对速度，即马达需要提供的速度，为绝对速度，即潜器的航行速度；为t时刻的海流速度；w_a，w_d为调和常数；由n条路径段组成的航路的能量消耗离散化为：Esum=Σi=1nEi---(7)]]>每条航路段划分成m条子航路段，划分时确保每条子航路段上的海流值的最大值与最小值偏差不大于航路段上海流平均值的十分之一；Ei=Σj=1mEij=Σj=1m(wdV2r,j+waVr,j)Vr,jΔtj≈Σj=1mwdV3r,jΔtj---(8)]]>其中，E_sum为整条航路等能量消耗，E_i为第i个航路段内的能量消耗，E_ij为第i个航路段内的第j个子航路段的能量消耗，Δt_j为第j个子航路段花费的时间，V_r，j为第j个子航路段内的潜器相对速度；(2)路径长度对于有n个节点的路径，则共有n-1条路径段，路径长度为路径段的长度相加，即：Elength=Σi=0n-1ΔLi---(9)]]>ΔLi=(yi-yi-1)2+(xi-xi-1)2---(10)]]>其中，E_length表示整条航路的长度，ΔL_i为第i条航路段的长度，x_i，y_i为第i个路径点的坐标，x_i-1，y_i-1为第i-1个路径点的坐标，1≤i≤n；(3)安全性取距离航线最近的禁航区与航线的距离L_min作为评价标准，L_min越大则航线越安全；Esafty=KLmin,Lmin≤Lsafe0,Lmin>Lsafe---(11)]]>其中，W_safty表示安全代价值，L_min为距离航线最近的禁航区与航线的距离，L_safe为潜器与禁航区应该保持的最小安全距离，K为常数；(4)光滑性路径平滑度应等于路径所有路径点的偏转角度之和，即：Esmooth=Σi=1nθi---(12)]]>其中，E_smooth表示光滑度代价值，θ_i表示第i段路径相对于第i-1段路径的偏转角度；则路径评价函数为：E(p)＝w_energyE_energy+w_saftyE_safty+w_lengthE_length+w_smoothE_smooth    (13)其中w_energy、w_safty、w_length、w_smooth为权系数；步骤6.利用粒子群算法进行最优路径搜索；采用时变参数粒子群算法进行最优路径搜索，具体包括以下几个步骤；步骤6.1.确定粒子群的参数、最大迭代次数、种群大小，完成粒子群初始化；步骤6.2.根据步骤5确定的路径评价函数计算每个粒子的适应值；步骤6.3.更新每个粒子的最优适应值和整个群体的最优适应值；如果粒子当前位置适应度小于其个体最优位置的适应度值，则以当前位置适应度值作为该粒子的最优适应；如果所有个体最优位置中出现适应度值低于整个群体的最优适应值，则以所有个体最优位置中出现的适应度值代替整个群体的最优适应度值；步骤6.4.判断当前迭代次数是否达到步骤6.1设定的最大迭代次数，如何达到则执行步骤7；否则转向步骤6.5；步骤6.5.计算当前粒子群惯性系数和学习因子；(1)惯性系数惯性系数w为：w=wmax-(wmax-wmin)iN---(14)]]>其中，w_max为最大的惯性系数，w_min为最小的惯性系数，i为当前迭代次数，N为总的迭代次数；(2)学习因子学习因子c₁、c₂为；c1=(c1f-c1c)iN+c1c---(15)]]>c2=(c2f-c2c)iN+c2c---(16)]]>其中c_1f、c_1c、c_2f、c_2c为常数，i为当前迭代次数，N为总的迭代次数；步骤6.6.更新粒子的位置和速度，并转向步骤6.2；粒子的位置和速度的更新公式如下：v_id(t+1)＝w*v_id(t)+c₁*(p_id-x_id(t))+c₂*(p_gd-x_id(t))x_id(t+1)＝x_id(t)+v_id(t+1)其中：v_id(t)、v_id(t+1)分别为第i个粒子的t和t+1时刻的粒子速度，x_id(t)、x_id(t+1)分别为第i个粒子的t和t+1时刻的粒子位置，p_id为第i个粒子的个体最优适应值，p_gd为整个群体的最优适应度值；步骤7.输出路径，路径规划结束。