[发明专利]基于距离进化N-PSO的AUV能源优化路径搜寻方法

摘要

本发明涉及AUV路径优化技术领域，提供一种基于距离进化N‑PSO的AUV能源优化路径搜寻方法，首先构建水下环境模型、AUV二维运动模型；接着基于N‑PSO，粒子群中粒子随机生成初始路径，在第k次迭代中，根据粒子罚函数值更新全局最优解与个体最优解，根据粒子之间平均距离来构造距离进化因子及进化状态Evo_statek；Evo_statek＝1时，若k≥K，则输出能源最优路径及其能源消耗值，反之，则更新粒子速度与位置，进行下一次迭代；Evo_statek≠1时，对粒子随机扰动，当扰动后粒子的罚函数值均变小或iter≥ITER时，更新全局最优解与个体最优解，反之，进行下一次扰动。本发明能够从能源优化的角度进行AUV路径的优化，优化效率高、鲁棒性好、优化结果更稳定、易于实现。

主权项

1.一种基于距离进化N‑PSO的AUV能源优化路径搜寻方法，其特征在于，包括下述步骤：步骤1：对区域海域空间的水下环境进行探测，获取涡流、障碍物信息；将水下环境在垂直高度上分成Q层，在每层建立二维直角坐标系xOy，并构建水下环境模型，确定AUV执行任务的起始点p₁与目标点p_n；所述水下环境模型包括涡流场模型与障碍物模型，所述涡流场模型为所述障碍物模型为O_m(x,y)，m＝1,2,...,M；其中，为第l个涡流场模型，为二维空间点坐标(x,y)，L为水下环境中的涡流总数，O_m(x,y)为第m个障碍物模型，M为水下环境中的障碍物总数；步骤2：构造AUV的二维运动模型为AUV(p'_i)；其中，p'_i为AUV路径上第i个点p_i＝(x_i,y_i)在惯性坐标系下的速度，p'_i＝(x_i',y_i')，x_i'为AUV路径上第i个点在惯性坐标系下x轴方向的速度，y_i'为AUV路径上第i个点在惯性坐标系下y轴方向的速度；AUV路径为AUV从起始点到目标点的路径，AUV路径由n个潜在的离散点控制，AUV路径的离散点集合为步骤3：基于非线性粒子群优化方法N‑PSO，初始化迭代次数k＝1，利用规模大小为N的粒子群随机生成N条从起始点p₁到目标点p_n的路径其中，为粒子群中第j个粒子在第k次迭代中的路径，j＝1,2,...,N，p_ijk＝(x_ijk,y_ijk)为路径上第i个点的坐标，p_1jk＝p₁，p_njk＝p_n；步骤4：计算第k次迭代中第j个粒子的罚函数值选取罚函数值最小的粒子作为第k次迭代中的全局最优粒子、全局最优粒子的路径为第k次迭代中的全局最优解gbest_k、k次迭代中第j个粒子的最优路径为第k次迭代中第j个粒子的个体最优解pbest_jk；其中，步骤5：计算第k次迭代中第j个粒子与其他粒子之间的平均距离d_jk，进一步构造第k次迭代中的距离进化因子Evo_fac_k，并定义第k次迭代中的进化状态Evo_state_k；其中，d_best,k为第k次迭代中全局最优粒子与其他粒子之间的平均距离，d_max,k＝max(d_1k,d_2k,...,d_Nk)，d_min,k＝min(d_1k,d_2k,...,d_Nk)，Evo_fac_k的取值范围为[0,1]；步骤6：步骤6.1：若Evo_state_k＝1，则粒子间的距离相对较近，进入步骤6.5；若Evo_state＝2，则粒子间的距离相对较远，进入步骤6.2；步骤6.2：利用随机扰动使待扰动粒子集合A中的每个粒子随机移动，得到第iter次扰动后第j个粒子的路径进入步骤6.3；其中，iter的初始值为1，A的初始值为{1,2,...,j,...,N}j≠best，best为全局最优粒子；step为移动步长，rand()为随机函数，p_{ijk_iter}为第iter次扰动中对第j个粒子施加的随机扰动，p_{ijk_iter}＝p_ijk+radius·rand()，radius为随机移动半径；步骤6.3：计算第iter次扰动后第j个粒子的罚函数值更新待扰动粒子集合A中第j个粒子的路径若待扰动粒子集合A中每个粒子在第iter次扰动后的罚函数值均比该粒子在第iter次扰动前的罚函数值小，则进入步骤6.4；若有粒子在第iter次扰动后的罚函数值不比第iter次扰动前的罚函数值小，则判断扰动次数是否达到预设扰动次数最大值ITER，若iter＜ITER，则将第iter次扰动后的罚函数值比第iter次扰动前的罚函数值小的粒子从待扰动粒子集合A中剔除，令iter＝iter+1，返回步骤6.2，进行下一次扰动；若iter≥ITER，则进入步骤6.4；步骤6.4：更新全局最优粒子，并更新第k次迭代中的全局最优解gbest_k、第k次迭代中第j个粒子的个体最优解pbest_jk；步骤6.5：计算第k次迭代中全局最优粒子的路径的能源消耗值E(gbest_k)；步骤6.6：判断是否达到最大迭代次数K，若k≥K，则全局最优粒子的路径为能源最优路径，输出能源最优路径及能源最优路径的能源消耗值E(gbest_k)；若k＜K，则更新粒子群中每个粒子的路径上每个点处的速度与坐标，k＝k+1，返回步骤4，进行下一次迭代；其中，更新第j个粒子的路径为路径上第i个点的速度为p'_ij,k+1＝w_kp'_ijk+c_1kr₁(pbest_jk,i‑p_ijk)+c_2kr₂(gbest_k,i‑p_ijk)，路径上第i个点的坐标为p_ij,k+1＝p_ijk+p'_ij,k+1；p'_ijk为路径上第i个点在惯性坐标系下的速度，p'_ijk＝(x'_ijk,y'_ijk)，x_ijk'、y_ijk'分别为路径上第i个点在惯性坐标系下x轴方向的速度、y轴方向的速度，p'_ijk根据AUV的二维运动模型来计算；pbest_jk,i为个体最优解pbest_jk上第i个点的坐标，gbest_k,i为全局最优解gbest_k上第i个点的坐标；w_k为第k次迭代的非线性惯性权重因子，w_k的取值范围为[0.4,0.9]，w_ini为初始非线性惯性权重因子，w_end为迭代到最大迭代次数时的非线性惯性权重因子，w_ini＝0.9，w_end＝0.4；c_1k为第k次迭代的第一非线性学习因子c_2k为第k次迭代的第二非线性学习因子b_α、b_β、b_κ、b_λ均为边界限制因子，b_α＝1，b_β＝1.5，b_κ＝1，b_λ＝1.5，c_1k、c_2k的取值范围均为[0.5,2.5]；r₁、r₂均为介于(0,1)之间的随机数。