CN108388250B - 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 - Google Patents
一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 Download PDFInfo
- Publication number
- CN108388250B CN108388250B CN201810292118.4A CN201810292118A CN108388250B CN 108388250 B CN108388250 B CN 108388250B CN 201810292118 A CN201810292118 A CN 201810292118A CN 108388250 B CN108388250 B CN 108388250B
- Authority
- CN
- China
- Prior art keywords
- nest
- path
- nest position
- path length
- grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 36
- 238000010845 search algorithm Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000009827 uniform distribution Methods 0.000 claims abstract description 7
- 235000013601 eggs Nutrition 0.000 claims abstract description 4
- 235000005770 birds nest Nutrition 0.000 claims description 14
- 235000005765 wild carrot Nutrition 0.000 claims description 14
- 230000004888 barrier function Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 5
- 241000272177 Cuculiformes Species 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000271566 Aves Species 0.000 description 1
- 241001466713 Cuculus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000024703 flight behavior Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，属于水面无人艇路径规划技术领域。首先构建USV规划路径，初始化参数；每个鸟窝位置在自由栅格中开始迭代，选出初始全局最优鸟窝位置。对其余鸟窝逐个进行更新，得到新的一组鸟窝位置，用评价函数逐个测试每个鸟窝的路径长度，分别计算各鸟窝的当代布谷鸟的鸟蛋被巢主鸟发现概率；然后逐个选取鸟窝位置，随机产生一个服从均匀分布的随机数，若小于发现概率，保留当前鸟窝为当代的最终鸟窝位置，与初始全局最优鸟窝位置组合，重新选出第t+1代全局最优鸟窝位置。重复迭代，直至输出最优路径。本发明保持很强的局部精细搜索能力，改善了收敛速度慢的问题，满足USV作业过程中的需求。
Description
技术领域
本发明属于水面无人艇路径规划技术领域，具体涉及一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法。
背景技术
水面无人艇(Unmanned Surface Vehicle，USV)凭借其模块化、无人化、机动灵活、体积小以及智能化等优势，是公认的执行复杂军事和民事任务的重要手段之一，在未来海战以及非战争领域都具有重要地位。智能化是USV的重要发展方向，自主航迹规划技术是其运动控制以及轨迹跟踪的基础，体现了USV智能化水平，具有十分重要的研究意义。
路径规划算法主要有A*算法、人工势场法、模糊逻辑算法、神经网络算法、遗传算法和群智能算法等。如文献1：哈尔滨工程大学硕士论文2008年1月，张玉奎的《水面无人艇路径规划技术研究》中使用遗传算法和改进的人工势场法实现了USV路径规划的仿真实验。实验表明该方法能对多种复杂的障碍物环境进行规划，并且具有能在起点周围三面障碍物中寻找最优路径的能力，但该方法只是针对简单的几何图形和海岸线进行规划，没有引入真正意义上的电子海图。
文献2：江苏科技大学硕士论文2014年，刘建的《水面无人艇路径规划技术的研究》中将改进势场法与动态栅格法相结合，设计了一种势场动态栅格法，通过将栅格动态细化的方式建立环境模型，利用改进势场法来搜索最优路径，通过减少折线来减少多余的路径点，最终达到路径优化的目的。该方法收敛速度快，能避免传统势场法容易陷入局部极小值问题，但没有考虑风、浪、流等水文气象因素对路径规划的影响。
20世纪后期，各种启发式智能搜索算法脱颖而出，研究者开始利用它们来解决无人***路径规划问题。如文献3：2009年由英国剑桥大学学者Xin-she Yang和Suash Deb在《Proceedings of World Congress on Nature&Biologically Inspired Computing》上发表的“Cuckoo Search via Lévy Flights”提出了布谷鸟搜索算法，即Cuckoo Search(CS)算法是一一种启发式智能优化算法，该算法基于布谷鸟寄生育雏行为，并结合了一些鸟类的Levy飞行行为，通过利用一些标准测试函数和随机测试函数进行大范围的对比试验，结果表明由布谷鸟搜索算法获得的最优解远远优于由粒子群算法和遗传算法获得的最优解。布谷鸟搜索算法简单易行，参数少，在解决问题时无须重新匹配大量参数。但布谷鸟搜索算法同其他一些群智能算法一样，也存在后期搜索速度慢、精度不高等缺点，利用其进行USV路径规划时需要针对这些问题做进一步改进；并且目前尚无文献将布谷鸟搜索算法应用于USV路径规划中。
发明内容
本发明针对上述现有技术中存在的问题，利用自适应布谷鸟搜索算法的优点，提出了一种快速、有效的USV路径规划方法；具体是一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法。
具体步骤如下：
步骤一：针对电子海图，利用栅格图法进行数学建模，构建USV的规划路径。
将电子海图中被障碍物覆盖的区域，海洋环境中海流速度大于USV抗流能力或者海风等级大于USV抗风能力的区域均设定为障碍区。
第i个栅格表示为：
(xi,yi)为数学建模中第i个栅格中心点在旋转坐标系B-XY下的位置坐标；旋转坐标系B-XY是在路径规划范围内根据USV作业起始点和目标点位置建立的，该坐标系原点为起点B，X轴正向为起点B指向目标点T的连线方向，且X轴正向与全局直角坐标系夹角为α。
自由栅格构成集合
USV在集合Setvalid中选择最优航迹。
步骤二、根据路径的起始点B和目标点T，初始化布谷鸟搜索算法的参数；
参数包括：鸟窝位置的个数n；总迭代次数N；
初始在搜索空间中随机产生n个鸟窝位置：
每个鸟窝位置代表一条备选路径，备选路径的表达式为：Si＝{Ai,jAi,j+1}，其中i＝1,2,…,n，j＝1,2,…,m-1，i表示第i个鸟窝位置，m表示鸟窝位置的维度，Ai,j＝(xi,j,yi,j)表示路径点坐标，Ai,1和Ai,m分别表示路径的起始点和目标点，对应B和T。
步骤三、利用布谷鸟搜索算法的备选路径构建评价函数用于测试各路径的长度；
评价函数如下：
步骤四、对搜索空间中每个鸟窝位置进行检验，判断该鸟窝是否在自由栅格中，如果是，进入步骤五；否则，重新随机产生一个新的鸟窝替换它，直到所有鸟窝均在自由栅格中为止。
即所有的备选路径都在自由栅格中。
步骤五、开始迭代，用评价函数分别测试每个在自由栅格中的鸟窝进行记录，并选出初始全局最优鸟窝位置
保留至下一代。
选择评价测试函数值最小的，也就是路径长度最短的鸟窝作为第一代初始全局最优鸟窝位置
步骤六、利用迭代公式对自由栅格中的其余鸟窝逐个进行更新，得到新的一组鸟窝位置；
针对逐个选取的鸟窝位置A，利用迭代公式更新为鸟窝位置B，如下：
初始，t为当前迭代次数，初始值t＝0；
α(t)为第t代的步长控制因子：
L(λ)为Lévy随机搜索路径；L～u＝t-λ(1＜λ≤3)。
步骤七、针对新的一组鸟窝位置，用评价函数逐个测试每个鸟窝的路径长度，并判断路径长度是否小于各自的上一代路径长度，如果是，保留该新的鸟窝位置，否则，将该新的鸟窝位置抛弃并通过Lévy飞行建立新的鸟窝位置。
针对更新后的鸟窝位置B，利用评价函数测试鸟窝位置B的路径长度，并与步骤五中更新前鸟窝位置A的路径长度相比，如果鸟窝位置B的路径长度小于更新前鸟窝位置A的路径长度，则保留路鸟窝位置B，否则，舍弃鸟窝位置B并通过Lévy飞行建立新的鸟窝位置C。
步骤八、针对经过测试后更新的该组鸟窝位置，分别计算各鸟窝的当代布谷鸟的鸟蛋被巢主鸟发现概率Pa(t)；
步骤九、从经过测试后更新的该组鸟窝位置中逐个选取鸟窝位置，并随机产生一个服从均匀分布的随机数γ与发现概率Pa(t)比较；判断γ是否小于发现概率Pa(t)，如果是，保留当前鸟窝为当代的最终鸟窝位置，进入步骤十一；否则，抛弃该鸟窝并通过Lévy飞行建立新的鸟窝位置；
随机数γ∈[0,1]，且每个鸟窝位置均对应一个服从均匀分布的随机数γ。
当鸟窝位置B/C的发现概率Pa(t)小于等于随机数γ时，抛弃该鸟窝并通过Lévy飞行建立新的鸟窝位置D；
步骤十、重新利用评价函数计算新鸟窝位置D的路径长度，并与对应的鸟窝位置B/C的路径长度进行比较，保留路径长度小的鸟窝位置为当代的最终鸟窝位置；
步骤十一、针对当代的最终一组鸟窝位置，与初始全局最优鸟窝位置
组合，重新选出第t+1代全局最优鸟窝位置
保留至下一代。
当代的最终一组鸟窝位置集合为：
全局最优鸟窝位置
为集合S0中路径长度最短的鸟窝位置。
步骤十二、返回步骤五进行重复迭代，直至达到最大迭代次数终止循环，最优鸟窝位置
即为最优路径，输出最优路径。
本发明的优点在于：
1)、一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，将布谷鸟搜索算法中步长控制因子α和发现概率Pa做自适应调整，前期迭代时将α设置的足够大，而将Pa设置的比较小以增强变量多样性，保持很强的全局搜索能力；在后期迭代中减小α、增大Pa以更好调整解变量，保持很强的局部精细搜索能力；相比现有技术中将其设定为固定值，改善了收敛速度慢的问题。
2)、一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，首次提出将布谷鸟搜索算法用于USV路径规划，充分利用布谷鸟搜索算法控制参数简单、高效易行的优点，满足USV作业过程中的需求。
附图说明
图1是本发明一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法的流程图。
图2是本发明利用栅格图法对电子海图进行数学建模构建USV的规划路径示意图。
具体实施方式
下面将结合附图对本发明进行详细说明。
本发明涉及水面无人艇路径规划技术领域，具体涉及一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，如图1所示，包括：对水面无人艇路径规划问题数学建模、初始化布谷鸟搜索算法、利用布谷鸟搜索算法进行最优路径搜索、选出全局最优鸟窝位置并判断终止条件、输出最优路径五个基本步骤；利用了布谷鸟搜索算法的简单高效性及强大的全局搜索能力，又提高了算法局部搜索能力和收敛速度。相对于传统的水面无人艇路径规划方法来说具有更好的智能性和适应性，相对于其他智能优化算法而言具有较快的收敛速度和较高的寻优精度、能更好地满足实际需要。
所述的一种基于自适应布谷鸟搜索算法的路径规划方法，具体包括以下几个步骤：
如图1所示，具体步骤如下：
步骤一：针对电子海图，利用栅格图法进行数学建模，构建USV的规划路径。
如图2所示，将电子海图中被障碍物覆盖的区域，海洋环境中海流速度大于USV抗流能力或者海风等级大于USV抗风能力的区域均设定为障碍区。
第i个栅格表示为：
(xi,yi)为数学建模中第i个栅格中心点在旋转坐标系B-XY下的位置坐标；旋转坐标系B-XY是在路径规划范围内根据USV作业起始点和目标点位置建立的，该坐标系原点为起点B，X轴正向为起点B指向目标点T的连线方向，且X轴正向与全局直角坐标系夹角为α。
自由栅格构成集合
USV在集合Setvalid中选择最优航迹。
步骤二、根据路径的起始点B和目标点T，初始化布谷鸟搜索算法的参数；
参数包括：鸟窝位置的个数n即鸟窝位置种群大小；总迭代次数N；
初始在搜索空间中随机产生n个鸟窝位置，表示为：
每个鸟窝位置代表一条备选路径，备选路径的表达式为：Si＝{Ai,jAi,j+1}，其中i＝1,2,…,n，j＝1,2,…,m-1，i表示第i个鸟窝位置，m表示鸟窝位置的维度，Ai,j＝(xi,j,yi,j)表示路径点坐标，Ai,1和Ai,m分别表示路径的起始点和目标点，对应B和T。
步骤三、利用布谷鸟搜索算法的备选路径构建评价函数用于测试各路径的长度；
评价函数如下：
步骤四、对搜索空间中每个鸟窝位置进行检验，判断该鸟窝是否在自由栅格中，如果是，进入步骤五；否则，重新随机产生一个新的鸟窝替换它，直到所有鸟窝均在自由栅格中为止。
即所有的备选路径都在自由栅格中。
步骤五、开始迭代，用评价函数分别测试每个在自由栅格中的鸟窝进行记录，并选出初始全局最优鸟窝位置
保留至下一代。
选择评价测试函数值最小的，也就是路径长度最短的鸟窝作为第一代初始全局最优鸟窝位置
步骤六、利用迭代公式对自由栅格中的其余鸟窝逐个进行更新，得到新的一组鸟窝位置；
针对逐个选取的鸟窝位置A，利用迭代公式更新为鸟窝位置B，如下：
初始，t为当前迭代次数，初始值t＝0；
α(t)为第t代的步长控制因子：
αmax＝0.55，αmin＝0.01，
L(λ)为Lévy随机搜索路径；L～u＝t-λ(1＜λ≤3)。
步骤七、针对新的一组鸟窝位置，用评价函数逐个测试每个鸟窝的路径长度，并判断路径长度是否小于各自的上一代路径长度，如果是，保留该新的鸟窝位置，否则，将该新的鸟窝位置抛弃并通过Lévy飞行建立新的鸟窝位置。
针对更新后的鸟窝位置B，利用评价函数测试鸟窝位置B的路径长度，并与步骤五中更新前鸟窝位置A的路径长度相比，如果鸟窝位置B的路径长度小于更新前鸟窝位置A的路径长度，则保留路鸟窝位置B，否则，舍弃鸟窝位置B并通过Lévy飞行建立新的鸟窝位置C。
步骤八、针对经过测试后更新的该组鸟窝位置，分别计算各鸟窝的当代布谷鸟的鸟蛋被巢主鸟发现概率Pa(t)；
步骤九、从经过测试后更新的该组鸟窝位置中逐个选取鸟窝位置，并随机产生一个服从均匀分布的随机数γ与发现概率Pa(t)比较；判断γ是否小于发现概率Pa(t)，如果是，保留当前鸟窝为当代的最终鸟窝位置，进入步骤十一；否则，抛弃该鸟窝并通过Lévy飞行建立新的鸟窝位置；
随机数γ∈[0,1]，且每个鸟窝位置均对应一个服从均匀分布的随机数γ。
当鸟窝位置B/C的发现概率Pa(t)小于等于随机数γ时，抛弃该鸟窝并通过Lévy飞行建立新的鸟窝位置D；
步骤十、重新利用评价函数计算新鸟窝位置D的路径长度，并与对应的鸟窝位置B/C的路径长度进行比较，保留路径长度小的鸟窝位置为当代的最终鸟窝位置；
步骤十一、针对当代的最终一组鸟窝位置，与初始全局最优鸟窝位置
组合，重新选出第t+1代全局最优鸟窝位置
保留至下一代。
当代的最终一组鸟窝位置集合为：
全局最优鸟窝位置
为集合S0中路径长度最短的鸟窝位置。
步骤十二、返回步骤五进行重复迭代，直至达到最大迭代次数终止循环，最优鸟窝位置
即为最优路径，输出最优路径。
Claims (5)
1.一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，其特征在于，具体步骤如下：
步骤一、针对电子海图，利用栅格图法进行数学建模，构建水上无人艇的规划路径；
将电子海图中被障碍物覆盖的区域，海洋环境中海流速度大于水上无人艇抗流能力或者海风等级大于水上无人艇抗风能力的区域均设定为障碍区；
第i个栅格表示为：
(xi,yi)为数学建模中第i个栅格中心点在旋转坐标系B-XY下的位置坐标；旋转坐标系B-XY是在路径规划范围内根据水上无人艇作业起始点和目标点位置建立的，该坐标系原点为起点B，X轴正向为起点B指向目标点T的连线方向，且X轴正向与全局直角坐标系夹角为α；
自由栅格构成集合
USV在集合Setvalid中选择最优航迹；
步骤二、根据路径的起始点B和目标点T，初始化布谷鸟搜索算法的参数；
参数包括：鸟窝位置的个数n；总迭代次数N；
初始在搜索空间中随机产生n个鸟窝位置：
每个鸟窝位置代表一条备选路径，备选路径的表达式为：Si＝{Ai,jAi,j+1}，其中i＝1,2,…,n，j＝1,2,…,m-1，i表示第i个鸟窝位置，m表示鸟窝位置的维度，Ai,j＝(xi,j,yi,j)表示路径点坐标，Ai,1和Ai,m分别表示路径的起始点和目标点，对应B和T；
步骤三、利用布谷鸟搜索算法的备选路径构建评价函数用于测试各路径的长度；
评价函数如下：
步骤四、对搜索空间中每个鸟窝位置进行检验，判断该鸟窝是否在自由栅格中，如果是，进入步骤五；否则，重新随机产生一个新的鸟窝替换它，直到所有鸟窝均在自由栅格中为止；
步骤五、开始迭代，用评价函数分别测试每个在自由栅格中的鸟窝进行记录，并选出初始全局最优鸟窝位置
保留至下一代；
步骤六、利用迭代公式对自由栅格中的其余鸟窝逐个进行更新，得到新的一组鸟窝位置；
针对逐个选取的鸟窝位置A，利用迭代公式更新为鸟窝位置B'，如下：
初始，t为当前迭代次数，初始值t＝0；
α(t)为第t代的步长控制因子：
L(λ)为Lévy随机搜索路径；L～u＝t-λ，1＜λ≤3；
步骤七、针对新的一组鸟窝位置，用评价函数逐个测试每个鸟窝的路径长度，并判断路径长度是否小于各自的上一代路径长度，如果是，保留该新的鸟窝位置；否则，将该新的鸟窝位置抛弃并通过Lévy飞行建立新的鸟窝位置；
步骤八、针对经过测试后更新的该组鸟窝位置，分别计算各鸟窝的当代布谷鸟的鸟蛋被巢主鸟发现概率Pa(t)；
步骤九、从经过测试后更新的该组鸟窝位置中逐个选取鸟窝位置，并随机产生一个服从均匀分布的随机数γ与发现概率Pa(t)比较；判断γ是否小于发现概率Pa(t)，如果是，保留当前鸟窝为当代的最终鸟窝位置，进入步骤十一；否则，抛弃该鸟窝并通过Lévy飞行建立新的鸟窝位置；
步骤十、重新利用评价函数计算新鸟窝位置D的路径长度，并与对应的鸟窝位置B'或鸟窝位置C的路径长度进行比较，保留路径长度小的鸟窝位置为当代的最终鸟窝位置；
步骤十一、针对当代的最终一组鸟窝位置，与初始全局最优鸟窝位置
组合，重新选出第t+1代全局最优鸟窝位置
保留至下一代；
当代的最终一组鸟窝位置集合为：
全局最优鸟窝位置
为集合S0中路径长度最短的鸟窝位置；
步骤十二、返回步骤五进行重复迭代，直至达到最大迭代次数终止循环，最优鸟窝位置
即为最优路径，输出最优路径。
2.如权利要求1所述的一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，其特征在于，所述的备选路径都在自由栅格中。
3.如权利要求1所述的一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，其特征在于，所述的步骤五中，初始全局最优鸟窝位置
的选取方法为：选择评价测试函数值最小的，也就是路径长度最短的鸟窝作为第一代初始全局最优鸟窝位置
4.如权利要求1所述的一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，其特征在于，所述的步骤七中，针对更新后的鸟窝位置B'，利用评价函数测试鸟窝位置B'的路径长度，并与步骤五中更新前鸟窝位置A的路径长度相比，如果鸟窝位置B'的路径长度小于更新前鸟窝位置A的路径长度，则保留路鸟窝位置B'，否则，舍弃鸟窝位置B'并通过Lévy飞行建立新的鸟窝位置C；
5.如权利要求1所述的一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法，其特征在于，所述的步骤九中，随机数γ∈[0,1]，且每个鸟窝位置均对应一个服从均匀分布的随机数γ；当鸟窝位置B'或鸟窝位置C的发现概率Pa(t)小于等于随机数γ时，抛弃该鸟窝并通过Lévy飞行建立新的鸟窝位置D。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810292118.4A CN108388250B (zh) | 2018-03-30 | 2018-03-30 | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810292118.4A CN108388250B (zh) | 2018-03-30 | 2018-03-30 | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108388250A CN108388250A (zh) | 2018-08-10 |
| CN108388250B true CN108388250B (zh) | 2021-03-05 |
Family
ID=63073341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810292118.4A Active CN108388250B (zh) | 2018-03-30 | 2018-03-30 | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108388250B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508343A (zh) * | 2018-08-30 | 2019-03-22 | 广西民族大学 | 一种单纯形法的布谷鸟搜索方法及其应用 |
| CN109240288B (zh) * | 2018-08-31 | 2021-08-10 | 武汉理工大学 | 一种基于轨迹单元的障碍物情况下无人艇避碰路径规划方法 |
| CN109299778B (zh) * | 2018-10-16 | 2022-06-14 | 南京邮电大学 | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 |
| CN109543534B (zh) * | 2018-10-22 | 2020-09-01 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
| CN110428093A (zh) * | 2019-07-19 | 2019-11-08 | 北京工商大学 | 基于改进的布谷鸟算法的城市轨道列车运行优化方法 |
| CN110516877A (zh) * | 2019-08-28 | 2019-11-29 | 青岛蓝海未来海洋科技有限责任公司 | 一种基于数据正反向驱动线性变参数遗传算法的无人艇路径规划方法及*** |
| CN111673742A (zh) * | 2020-05-22 | 2020-09-18 | 江苏信息职业技术学院 | 一种工业机器人轨迹跟踪控制算法 |
| CN113687662B (zh) * | 2021-09-08 | 2023-12-19 | 南京理工大学 | 基于布谷鸟算法改进人工势场法的四旋翼编队避障方法 |
| CN115357021B (zh) * | 2022-08-25 | 2023-10-10 | 齐齐哈尔大学 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
| US9020953B1 (en) * | 2011-03-08 | 2015-04-28 | Pmc-Sierra Us, Inc. | Search table for data networking matching |
| CN104936186A (zh) * | 2015-07-21 | 2015-09-23 | 桂林电子科技大学 | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 |
| CN105225003A (zh) * | 2015-09-23 | 2016-01-06 | 西北工业大学 | 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法 |
| CN105260785A (zh) * | 2015-08-24 | 2016-01-20 | 屈迟文 | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 |
| CN106444835A (zh) * | 2016-10-11 | 2017-02-22 | 哈尔滨工程大学 | 基于Lazy Theta星和粒子群混合算法的水下潜器三维路径规划方法 |
| CN107248014A (zh) * | 2017-06-27 | 2017-10-13 | 安徽师范大学 | 基于量子布谷鸟搜索算法的智能垃圾回收路径规划方法 |
-
2018
- 2018-03-30 CN CN201810292118.4A patent/CN108388250B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9020953B1 (en) * | 2011-03-08 | 2015-04-28 | Pmc-Sierra Us, Inc. | Search table for data networking matching |
| CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
| CN104936186A (zh) * | 2015-07-21 | 2015-09-23 | 桂林电子科技大学 | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 |
| CN105260785A (zh) * | 2015-08-24 | 2016-01-20 | 屈迟文 | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 |
| CN105225003A (zh) * | 2015-09-23 | 2016-01-06 | 西北工业大学 | 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法 |
| CN106444835A (zh) * | 2016-10-11 | 2017-02-22 | 哈尔滨工程大学 | 基于Lazy Theta星和粒子群混合算法的水下潜器三维路径规划方法 |
| CN107248014A (zh) * | 2017-06-27 | 2017-10-13 | 安徽师范大学 | 基于量子布谷鸟搜索算法的智能垃圾回收路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| Path control of Mobile Robot Using Cuckoo-PID;A. Shukla 等;《IEEE Xplore》;20160111;第1-5页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108388250A (zh) | 2018-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
| CN107504972B (zh) | 一种基于鸽群算法的飞行器航迹规划方法及装置 | |
| CN110031004B (zh) | 基于数字地图的无人机静态和动态路径规划方法 | |
| CN102880186B (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
| Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
| CN114625151B (zh) | 一种基于强化学习的水下机器人避障路径规划方法 | |
| CN109540151A (zh) | 一种基于强化学习的auv三维路径规划方法 | |
| CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
| CN112082552A (zh) | 基于改进的混合粒子群优化算法的无人机航迹规划方法 | |
| CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
| CN110991972A (zh) | 一种基于多智能体强化学习的货物运输*** | |
| CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
| CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
| CN109269502A (zh) | 一种基于多策略改进粒子群算法的无人机三维航路规划方法 | |
| CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
| Cheng et al. | Path planning based on immune genetic algorithm for UAV | |
| CN110162077B (zh) | 一种基于飞鱼算法的无人机航迹规划方法 | |
| CN112000126B (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
| CN111811532B (zh) | 基于脉冲神经网络的路径规划方法和装置 | |
| CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
| CN113283181A (zh) | 一种障碍物和海流环境中多auv快速围捕方法 | |
| CN117035435A (zh) | 一种动态环境下的多无人机任务分配与航迹规划优化方法 | |
| CN113777571B (zh) | 一种基于深度学习的无人机集群动态方向图综合方法 | |
| CN117806346A (zh) | 一种基于自适应蜣螂优化器的无人机路径规划方法 | |
| Zhang et al. | Path planning of patrol robot based on modified grey wolf optimizer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |