CN108564202B - 一种基于环境预报信息的无人艇航线优化方法 - Google Patents
一种基于环境预报信息的无人艇航线优化方法 Download PDFInfo
- Publication number
- CN108564202B CN108564202B CN201810221846.6A CN201810221846A CN108564202B CN 108564202 B CN108564202 B CN 108564202B CN 201810221846 A CN201810221846 A CN 201810221846A CN 108564202 B CN108564202 B CN 108564202B
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- navigation
- unmanned
- particle
- area
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 78
- 230000007613 environmental effect Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000003068 static effect Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000005265 energy consumption Methods 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 13
- 230000002349 favourable effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T70/00—Maritime or waterways transport
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及的是一种基于环境预报信息的无人艇航线优化方法。通过气象预报收集无人艇在海上航行时可能产生影响的环境信息因素,通过全球定位***对无人艇当前的位置进行定位,得到准确的无人艇航行状态;将考虑无人艇航行区域的静态障碍物以及海流这一气象因素对无人艇的影响,结合获得的环境数据对海域的环境进行建模;基于粒子群优化算法的无人艇航线规划算法设计,算法设计出来的无人艇航线尽量避开了静态障碍物并且利用了对于无人艇航行有利的海流区域。本发明实现了无人艇可以根据环境预报信息而设计航线,可以随时根据天气环境的变化对航线做出及时的调整,避免海域上恶劣的环境对无人艇安全产生威胁,提高无人艇航行的经济性和安全性。
Description
技术领域
本发明涉及的是一种无人艇航线规划方法,具体地说是一种基于环境预报信息的无人艇航线优化方法。
背景技术
随着无人艇数量的不断增加及运输成本的上涨,无人艇航行的经济性及安全性越来越被人们所重视。因此,设计为无人艇设计一条安全经济的航线成为节能减排和降低成本的主要途径。在过去很长时间,由于技术条件的落后,人们更多的是依据航海人的经验确定航线,效果很难令人满意。近年来,随着科技的发展,人们对于海洋气候环境的预测越来越准确,基于环境信息为无人艇规划航线,可以根据航行过程中天气环境的变化而对航线做出及时调整,使航线更具有经济性及安全性。
发明内容
本发明的目的在于提供一种能随时根据天气环境的变化对航线做出及时的调整,提高无人艇航行的经济性和安全性的基于环境预报信息的无人艇航线优化方法。
本发明的目的是这样实现的:
(1)、无人艇航行海域的环境信息及无人艇航行状态的获取
通过气象预报收集无人艇在海上航行时环境信息,根据这些环境信息对无人艇航行的影响程度,筛选出对无人艇航行影响较大的环境信息;通过全球定位***对无人艇当前的位置进行定位,得到准确的无人艇航行状态;
(2)、建立包括无人艇航行海域环境信息的无人艇航行模型
根据气象预报得到的无人艇航行海域的环境信息及区域中固定障碍物的位置建立航迹图;
(3)、基于粒子群优化算法的无人艇航线规划
将粒子群优化算法应用到航线优化,最优航线相当于鸟群中的食物,通过模仿鸟群寻找食物的过程来寻找最优航线。
本发明还可以包括:
1、所述建立包括无人艇航行海域环境信息的无人艇航行模型具体包括:
在无人艇活动区域出现的静态障碍物,以任意形状的多边形表示,所述无人艇航行海域的环境信息是海流,用模拟数据表示,
假设无人艇整个活动区域的大小定义为:
E={(L,W)∈R2:La≤L≤Lb,Wa≤W≤Wb}
安全无碰撞的自由区域定义为:
其中,Obstaclei,i=1,2,…,k,表示静态障碍物集合,k为静态障碍物的数量,
使无人艇安全无碰的从起点S运动到终点G,再自由区域Efree中搜索出一条航迹,这条航迹既满足无人艇航行的安全性条件:不能与障碍物相碰,不能距离障碍物太近;又满足经济性条件,即无人艇航行过程的能耗少,将无人艇的最优航线寻找问题归结为在自由区间Efree中的优化搜索问题。
2、所述基于粒子群优化算法的无人艇航线规划具体包括:
1)粒子群算法的基本公式如下:
Vid(t+1)=wVid(t)+c1r1(Pid-xid(t))+c2r2(Pgd-xid(t)) (1)
xid(t+1)=xid(t)+vid(t+1) (2)
公式(1)和公式(2)称为粒子群优化算法进化公式,公式(1)为粒子的速度更新公式,公式(2)称为粒子的位置更新公式,
公式中:i=1,2...,N,是粒子的编码
t-当前的迭代次数
vid-经过t次迭代后,第i个粒子的第d维速度分量
xid-经过t次迭代后,第i个粒子的第d维位置分量
Pid-第i个粒子的个体历史最优位置pbest的第d维分量
Pgd-群体最优位置gbest的第d维分量
读入建立包括无人艇航行海域环境信息的无人艇航行模型的数据,
根据环境模型的复杂程度,对种群进行初始化,设置粒子群的种群规模为10个粒子,粒子的维数为5,惯性因子w=0.5,迭代次数为200次,学习因子c1=c2=1.49;
将每个维度的粒子随机分布在自己的区域内;
根据适应度函数公式计算粒子的适应值并和当前最优PBest和种群最优GBest相比较,输出种群最优GBest;
判断输出的GBest是否满足终止条件,若不满足继续用公式(1)和公式(2)对粒子的速度和位置进行更新再进行计算;
若符合终止条件达到最大迭代次数即输出;
2)确定适应度函数
设S模拟一条可以航行的路径,则其适应度评价函数Fit(S)如下:
Fit(S)=S_Cost(S)+E_Cost(S)
其中,S_Cost(S)是无人艇航行的安全性条件,它是确保无人艇航行时不会和障碍物发生碰撞;E_Cost(S)是无人艇的能耗条件,
S_Cost(S)由以下公式计算得出:
S_Cost(S)=w1×C(S)
C(S)是表示无人艇与障碍物靠近程度的条件:
其中M为航行区域中阻滞运动物体的个数,Ljk表示了这个物体第k条边的线段,gi表示线段到已知障碍物的长度,τ是需要定义的一个安全系数、其设置取决于无人艇本身的情况,α为一个系数,OJ为第j个物体的多边形的边数;
用D(S)表示无人艇航行的总距离:
上式中N为转折点的个数,d(pi,pi+1)=||pi+1-pi||为各个转折点之间的直线距离,在计算无人艇的速度时只考虑y轴方向上的速度,
Vm=Vact-Vflow
上式中Vact为粒子节点组成的段间的合速度方向,Vflow为海流的速度,Vm为无人艇推进器实际产生的速度,
无人艇可航行航线中的E_Cost(S)可由前面的公式得出,
无人艇不可航行航线有两个评价标准,一个海流速度过大的区域无人艇不可航行,另一个是静态障碍物区域无人艇不可航行,海流过大的区域直接用海流速度和无人艇的速度比较判定,
在上式中,A是一个能保证Fit(p)非负的适当大的实数;dist(p)为航迹总长度;为航迹与障碍物相交的线段个数;Φ(p)为航迹转向点的安全度,r和c分别为和Φ(p)这两项的权值系数,其中,r体现了对航迹中不可行部分的惩罚。
本发明提供了一种无人艇航线的设计方法,它实现了无人艇可以根据环境预报信息而设计航线,可以随时根据天气环境的变化,以便对航线做出及时的调整,避免海域上恶劣的环境对无人艇安全产生威胁,提高无人艇航行的经济性和安全性。
本发明的主要技术手段体现在:
1、无人艇航行海域的环境信息及无人艇航行状态的获取
通过气象预报收集无人艇在海上航行时可能产生影响的环境信息因素,根据这些环境因素对无人艇航行的影响程度,筛选出对无人艇航行影响较大的环境信息因素。通过全球定位***对当前的位置进行定位,得到准确的无人艇航行状态。
2、建立包括无人艇航行海域环境信息的无人艇航行模型
根据气象预报得到的无人艇航行海域的环境信息及区域中固定障碍物的位置建立航迹图,优化后无人艇的航行轨迹会避开障碍物并且能利用有利的环境因素以减少能耗耗。
3、基于粒子群优化算法的无人艇航线规划算法设计
基本的粒子群优化算法的步骤比较简练,相比于其它算法,它不包含太多的复杂操作,其中的粒子对信息的共享更充分,在路径规划领域的应用十分广泛。本发明将粒子群优化算法应用到航线优化设计的问题上,最优航线就相当于鸟群中的食物,通过模仿鸟群寻找食物的过程来寻找最优航线。
本发明包括以下有益效果:
1、本发明完成了无人艇从获取航行海域上的环境及固定障碍物信息,到寻找最优航线,完成避开对无人艇航行不利的环境因素的一系列过程,有效提升了操控人员的工作效率。
2、本发明使用改进的粒子群算法对无人艇进行航线设计,不包含太多的复杂操作,并且不容易陷入局部最优解的情况,可以有效的设计出最优航线。
3、本发明根据实时的气象预报来设计气象航线把航行海域的未来环境变化计算在内,解决传统气候航线的限制性,航行过程中随时观察天气环境的变化,以便对航线做出及时的调整,避免海域上恶劣的环境对无人艇安全产生威胁。同时利用对无人艇航行有利的环境因素,使其具有经济性及安全性,可以降低远距离海运的运营成本及提高运输效率。
附图说明
图1无人艇航行海域模型图;
图2航线设计中粒子的搜索空间;
图3粒子群算法航线优化流程图;
图4无人艇航线规划算法优化结束示意图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明的目的按以下步骤实现:
1、无人艇航行海域的环境信息及无人艇航行状态的获取
通过气象预报收集无人艇在海上航行时可能产生影响的环境信息因素,根据这些环境因素对无人艇航行的影响程度,筛选出对无人艇航行影响较大的环境信息因素。分析这些对无人艇航行造成影响的环境因素,避开危险的环境并且尽可能利用有利的环境因素。通过全球定位***对无人艇当前的位置进行定位,得到准确的无人艇航行状态。
2、建立包括无人艇航行海域环境信息的无人艇航行模型
无人艇航行在大海这样充满水的自然环境中,存在着许多自然界的静态及动态的环境约束其航行,包括各种气象因素、岛屿、其它的无人艇及海底地形等。本发明将考虑无人艇航行区域的静态障碍物以及海流这一气象因素对无人艇的影响,运用Matlab软件对海域的环境进行建模。
图1为无人艇航行海域的模型图,在无人艇活动区域出现的静态障碍物,以任意形状的多边形来表示,这样的表示方法一方面考虑了任何形状的物体都可以用多边形来逼近模拟,另一方这些影响因素可能会对无人艇的航行产生威胁,也可能不会对影响无人艇的安全航行。点S:(x1,y1)表示航行的起点,点G:(x2,y2)表示航行的终点。
本发明中考虑的海上环境信息是海流,再图中用矢量箭头来表示海流,箭头的方向模拟了海流的方向,箭头的长短按照一定的比例模拟了海流的大小。这里我们把预报信息用模拟数据来表示,图中矢量箭头明显的区域就是环境信息预报中对无人艇航行有影响的海流区域。考虑到无人艇航行安全以及能耗,在航行时应尽量避免海流较大的区域,以免发生危险;若海流的方向和大小对无人艇的航行有利,还有尽可能的利用海流来节省燃料。
假设无人艇整个活动区域的大小定义为:
E={(L,W)∈R2:La≤L≤Lb,Wa≤W≤Wb}
于是,安全无碰撞的自由区域就定义为:
其中,Obstaclei(i=1,2,…,k)表示静态障碍物集合,k为静态障碍物的数量。
根据上面的定义,要想使无人艇安全无碰的从起点S运动到终点G,就是要再自由区域 Efree中搜索出一条航迹。这条航迹既要满足无人艇航行的安全性条件:不能与障碍物相碰。不能距离障碍物太近;又要满足经济性条件,即无人艇航行过程的能耗尽可能少。所以说,无人艇的最优航线寻找问题可以归结为在自由区间Efree中的优化搜索问题。
3、基于粒子群优化算法的无人艇航线规划算法设计
(1)算法设计的思想和流程
粒子群算法的基本公式如下:
Vid(t+1)=wWid(t)+c1r1(Pid-xid(t))+c2r2(Pgd-xid(t)) (1)
xid(t+1)=xid(t)+vid(t+1) (2)
公式(1)和公式(2)通常被称为粒子群优化算法进化公式。公式(1)为粒子的速度更新公式,公式(2)称为粒子的位置更新公式。
公式中:i=1,2...,N,是粒子的编码
t-当前的迭代次数
vid-经过t次迭代后,第i个粒子的第d维速度分量
xid-经过t次迭代后,第i个粒子的第d维位置分量
Pid-第i个粒子的个体历史最优位置pbest的第d维分量
Pgd-群体最优位置gbest的第d维分量
在粒子群优化算法优化问题中,总的优化方向和原则就是向着不断降低种群适应值的方向发展,最后到达全局最优的位置
图2是在航线优化设计问题中,用粒子模拟无人艇的简化图形(没有考虑环境因素的影响)。图2中粒子的搜索空间就是无人艇的可航行区域。图2中的粒子维数是5,种群规模是 10个。粒子的维数可以看成是无人艇航行路线转折点的个数,每个粒子都在自己的搜索空间不断移动搜索最优点,进而确定最佳航线。
将粒子群优化算法应用到航线优化设计的问题上,最优航线就相当于鸟群中的食物,要使粒子产生寻找食物地动力就需要找到适应度函数。在本发明中,环境因素影响了无人艇的航行安全及能耗,这就促使无人艇要改变航向寻找最优航线来避免干扰,通过对这些环境影响因素的分析进而确定算法所需的适应度函数才能完成整个寻优工作。在本发明中考虑的环境信息除了固定的障碍物之外还有海流这一气象环境因素。
图3为粒子群优化算法的流程图,利用粒子群算法进行航线优化设计的过程如下:
读入之前环境建模的数据到算法中;
根据环境模型的复杂程度,对种群进行初始化,设置粒子群的种群规模为10个粒子,粒子的维数为5(过大容易导致优化失败),惯性因子w=0.5,迭代次数为200次,学习因子 c1=c2=1.49;
将每个维度的粒子随机分布在自己的区域内;
根据适应度函数公式计算粒子的适应值并和当前最优PBest和种群最优GBest相比较,输出种群最优GBest;
判断输出的GBest是否满足终止条件,若不满足继续用公式(1)和公式(2)对粒子的速度和位置进行更新再进行计算;
若符合终止条件达到最大迭代次数即可输出。
(2)确定适应度函数
假设S模拟一条可以航行的路径,则其适应度评价函数Fit(S)如下:
Fit(S)=S_Cost(S)+E_Cost(S)
上式中,S_Cost(S)是无人艇航行的安全性条件,它是确保无人艇航行时不会和障碍物发生碰撞;E_Cost(S)是无人艇的能耗条件。
S_Cost(S)可以由以下公式计算得出:
S_Cost(S)=w1×C(S)
C(S)是表示无人艇与障碍物靠近程度的条件:
上式中M为航行区域中阻滞运动物体的个数,Ljk表示了这个物体第k条边的线段,gi表示线段到已知障碍物的长度,τ是需要定义的一个安全系数,其设置取决于无人艇本身的情况,决定了无人艇和障碍物的最近距离,α为一个系数,OJ为第j个物体的多边形的边数。
关于E_Cost(S)的计算,本发明的工作需要考虑航行海域的海流这一影响因素,对于速度较大的海流会选择直接避开,但是有些对航行有利的海流还有加以利用。所以计算能量时还需要考虑海流的能量利用。
用D(S)来表示无人艇航行的总距离:
上式中N为转折点的个数,d(pi,pi+1)=||pi+1-pi||为各个转折点之间的直线距离。在初始化的时候就需要读入各点海流的速度和方向,海流的情况通过坐标点的大小和正负来表示。考虑到计算量以及工作的难度,为了简化计算,在计算无人艇的速度时只考虑y轴方向上的速度。
Vm=Vact-Vflow
上式中Vact为粒子节点组成的段间的合速度方向,Vflow为海流的速度,Vm为无人艇推进器实际产生的速度。
无人艇可航行航线中的E_Cost(S)可由前面的公式得出,下面介绍无人艇不可航行航线的评价。
本发明中的无人艇不可航行航线有两个评价标准,一个海流速度过大的区域不可航行,另一个是静态障碍物区域无人艇不可航行。海流过大的区域可直接用海流速度和无人艇的速度比较即可判定。
在上式中,A是一个能保证Fit(p)非负的适当大的实数;dist(p)为航迹总长度;为航迹与障碍物相交的线段个数;Φ(p)为航迹转向点的安全度。r和c分别为和Φ(p)这两项的权值系数,其中,r体现了对航迹中不可行部分的惩罚。
4、无人艇航线规划算法的仿真验证
图4所示就是算法优化结束后的,环境模型使用前面设计好的包括静态障碍物以及海流的环境模型,海流的速度以及方向设置在这里使用的是模拟数据来模拟环境预报信息,在实际应用中取决于无人艇航行海域的气象预报。其中的路径是由当前迭代次数内的全局最优值联结而成,在初始时粒子的位置以及速度都是随机的,不断进行迭代寻找最优值。可以看出经过无人艇航线优化算法设计出来的航线尽量避开了静态障碍物以及海流速度较大的区域,并且设计的航线利用了对于无人艇航行有利的海流区域,从而节省了能耗。
Claims (1)
1.一种基于环境预报信息的无人艇航线优化方法,其特征是:
(1)、无人艇航行海域的环境信息及无人艇航行状态的获取
通过气象预报收集无人艇在海上航行时环境信息,根据这些环境信息对无人艇航行的影响程度,筛选出对无人艇航行影响较大的环境信息;通过全球定位***对无人艇当前的位置进行定位,得到准确的无人艇航行状态;
(2)、建立包括无人艇航行海域环境信息的无人艇航行模型
根据气象预报得到的无人艇航行海域的环境信息及区域中固定障碍物的位置建立航迹图;
在无人艇活动区域出现的静态障碍物,以任意形状的多边形表示,所述无人艇航行海域的环境信息是海流,用模拟数据表示,
假设无人艇整个活动区域的大小定义为:
E={(L,W)∈R2:La≤L≤Lb,Wa≤W≤Wb}
安全无碰撞的自由区域定义为:
其中,Obstaclei,i=1,2,…,k,表示静态障碍物集合,k为静态障碍物的数量,
使无人艇安全无碰的从起点S运动到终点G,再自由区域Efree中搜索出一条航迹,这条航迹既满足无人艇航行的安全性条件:不能与障碍物相碰,不能距离障碍物太近;又满足经济性条件,即无人艇航行过程的能耗少,将无人艇的最优航线寻找问题归结为在自由区间Efree中的优化搜索问题;
(3)、基于粒子群优化算法的无人艇航线规划
将粒子群优化算法应用到航线优化,最优航线相当于鸟群中的食物,通过模仿鸟群寻找食物的过程来寻找最优航线;
1)粒子群算法的基本公式如下:
Vid(t+1)=wVid(t)+c1r1(Pid-xid(t))+c2r2(Pgd-xid(t)) (1)
xid(t+1)=xid(t)+vid(t+1) (2)
公式(1)和公式(2)称为粒子群优化算法进化公式,公式(1)为粒子的速度更新公式,公式(2)称为粒子的位置更新公式,
公式中:i=1,2...,N,是粒子的编码
t-当前的迭代次数
vid-经过t次迭代后,第i个粒子的第d维速度分量
xid-经过t次迭代后,第i个粒子的第d维位置分量
Pid-第i个粒子的个体历史最优位置pbest的第d维分量
Pgd-群体最优位置gbest的第d维分量
读入建立包括无人艇航行海域环境信息的无人艇航行模型的数据,
根据环境模型的复杂程度,对种群进行初始化,设置粒子群的种群规模为10个粒子,粒子的维数为5,惯性因子w=0.5,迭代次数为200次,学习因子c1=c2=1.49;
将每个维度的粒子随机分布在自己的区域内;
根据适应度函数公式计算粒子的适应值并和当前最优PBest和种群最优GBest相比较,输出种群最优GBest;
判断输出的GBest是否满足终止条件,若不满足继续用公式(1)和公式(2)对粒子的速度和位置进行更新再进行计算;
若符合终止条件达到最大迭代次数即输出;
2)确定适应度函数
设S模拟一条可以航行的路径,则其适应度评价函数Fit(S)如下:
Fit(S)=S_Cost(S)+E_Cost(S)
其中,S_Cost(S)是无人艇航行的安全性条件,它是确保无人艇航行时不会和障碍物发生碰撞;E_Cost(S)是无人艇的能耗条件,
S_Cost(S)由以下公式计算得出:
S_Cost(S)=w1×C(S)
C(S)是表示无人艇与障碍物靠近程度的条件:
其中M为航行区域中阻滞运动物体的个数,Ljk表示了这个物体第k条边的线段,gi表示线段到已知障碍物的长度,τ是需要定义的一个安全系数、其设置取决于无人艇本身的情况,α为一个系数,OJ为第j个物体的多边形的边数;
用D(S)表示无人艇航行的总距离:
上式中N为转折点的个数,d(pi,pi+1)=||pi+1-pi||为各个转折点之间的直线距离,在计算无人艇的速度时只考虑y轴方向上的速度,
Vm=Vact-Vflow
上式中Vact为粒子节点组成的段间的合速度方向,Vflow为海流的速度,Vm为无人艇推进器实际产生的速度,
无人艇可航行航线中的E_Cost(S)可由前面的公式得出,
无人艇不可航行航线有两个评价标准,一个海流速度过大的区域无人艇不可航行,另一个是静态障碍物区域无人艇不可航行,海流过大的区域直接用海流速度和无人艇的速度比较判定,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810221846.6A CN108564202B (zh) | 2018-03-18 | 2018-03-18 | 一种基于环境预报信息的无人艇航线优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810221846.6A CN108564202B (zh) | 2018-03-18 | 2018-03-18 | 一种基于环境预报信息的无人艇航线优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564202A CN108564202A (zh) | 2018-09-21 |
CN108564202B true CN108564202B (zh) | 2022-03-18 |
Family
ID=63532892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810221846.6A Active CN108564202B (zh) | 2018-03-18 | 2018-03-18 | 一种基于环境预报信息的无人艇航线优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564202B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657863B (zh) * | 2018-12-20 | 2021-06-25 | 智慧航海(青岛)科技有限公司 | 一种基于萤火虫算法的无人船全局路径动态优化方法 |
CN109933067B (zh) * | 2019-03-12 | 2022-07-15 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
GB2583089B (en) * | 2019-04-12 | 2021-09-22 | Thales Holdings Uk Plc | A system and method of planning a path for an autonomous vessel |
CN110595472B (zh) * | 2019-08-14 | 2021-06-15 | 青岛科技大学 | 一种无人船双目标气象航线优化方法和*** |
CN111222701B (zh) * | 2020-01-08 | 2023-04-07 | 中国船舶重工集团公司第七二四研究所 | 一种基于海洋环境图层的船舶航线自动规划与评价方法 |
CN111026135B (zh) * | 2020-01-18 | 2020-11-13 | 上海大学 | 一种无人艇高性能航行前馈控制***及其控制方法 |
CN111367176B (zh) * | 2020-03-19 | 2022-05-13 | 江苏科技大学 | 一种无人艇岛礁区航线实时优化方法 |
CN111338379B (zh) * | 2020-03-19 | 2021-04-23 | 北京航空航天大学 | 自动控制飞行器的协同路径规划方法 |
CN112560207A (zh) * | 2020-11-30 | 2021-03-26 | 华中科技大学 | 一种无人艇走航式海底缆线无源电磁探测***及定位方法 |
CN112606973B (zh) * | 2020-12-29 | 2023-03-28 | 武汉理工大学 | 一种水空两栖立体式搜救***及方法 |
CN112733378B (zh) * | 2021-01-18 | 2022-03-08 | 中国人民解放军91776部队 | 无人艇需求计算及配置方法和装置 |
CN113686338A (zh) * | 2021-08-12 | 2021-11-23 | 上海哈航惯性科技有限公司 | 一种基于惯性导航设备的航路优化方法 |
CN113625720B (zh) * | 2021-08-19 | 2024-05-10 | 中国舰船研究设计中心 | 一种无人艇自主航行控制算法仿真评估*** |
CN115130202B (zh) * | 2022-06-06 | 2023-04-11 | 中国船舶集团有限公司***工程研究院 | 一种无人艇航行仿真模拟方法及*** |
CN115294674B (zh) * | 2022-10-09 | 2022-12-20 | 南京信息工程大学 | 一种无人艇航行状态的监测评估方法 |
CN117647981B (zh) * | 2023-11-23 | 2024-06-21 | 中船(北京)智能装备科技有限公司 | 一种无人艇智能航行控制方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
CN103196449A (zh) * | 2013-03-28 | 2013-07-10 | 哈尔滨工程大学 | 基于潮流潮汐预报信息的船舶航路规划方法 |
CN104700165A (zh) * | 2015-03-27 | 2015-06-10 | 合肥工业大学 | 一种多无人机舰机协同路径规划方法 |
CN106845716A (zh) * | 2017-01-25 | 2017-06-13 | 东南大学 | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 |
KR20170111242A (ko) * | 2016-03-25 | 2017-10-12 | 한국전자통신연구원 | 기상 정보를 활용한 무인 선박용 자동 항로 변경장치 및 그 방법 |
CN107356254A (zh) * | 2017-06-07 | 2017-11-17 | 东南大学 | 适用于地磁辅助导航航迹规划的粒子群优化方法 |
CN107727098A (zh) * | 2017-09-26 | 2018-02-23 | 上海大学 | 一种依次巡查多个目标位置的无人水面艇路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037809A (zh) * | 2016-11-02 | 2017-08-11 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇避碰方法 |
-
2018
- 2018-03-18 CN CN201810221846.6A patent/CN108564202B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
CN103196449A (zh) * | 2013-03-28 | 2013-07-10 | 哈尔滨工程大学 | 基于潮流潮汐预报信息的船舶航路规划方法 |
CN104700165A (zh) * | 2015-03-27 | 2015-06-10 | 合肥工业大学 | 一种多无人机舰机协同路径规划方法 |
KR20170111242A (ko) * | 2016-03-25 | 2017-10-12 | 한국전자통신연구원 | 기상 정보를 활용한 무인 선박용 자동 항로 변경장치 및 그 방법 |
CN106845716A (zh) * | 2017-01-25 | 2017-06-13 | 东南大学 | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 |
CN107356254A (zh) * | 2017-06-07 | 2017-11-17 | 东南大学 | 适用于地磁辅助导航航迹规划的粒子群优化方法 |
CN107727098A (zh) * | 2017-09-26 | 2018-02-23 | 上海大学 | 一种依次巡查多个目标位置的无人水面艇路径规划方法 |
Non-Patent Citations (3)
Title |
---|
Comparison of Parallel Genetic Algorithm and Particle Swarm Optimization for Real-Time UAV Path Planning;Vincent Roberge,etc;《IEEE Transactions on Industrial Informatics》;20130228;第9卷(第1期);第132-141页 * |
基于虚拟势场理论的AUV局部路径规划方法;焦鹏 等;《中国造船》;20070331;第48卷(第1期);第76-81页 * |
水面无人艇路径规划算法研究;卢艳爽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110515(第5期);正文第1-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108564202A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
Wang et al. | A Three-Dimensional Dijkstra's algorithm for multi-objective ship voyage optimization | |
Chen et al. | A hybrid path planning algorithm for unmanned surface vehicles in complex environment with dynamic obstacles | |
CN108416152B (zh) | 基于电子海图的无人艇蚁群能耗最优全局路径规划方法 | |
Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
Wu et al. | Long-voyage route planning method based on multi-scale visibility graph for autonomous ships | |
CN111580518B (zh) | 一种基于改进果蝇优化和动态窗口法的无人艇分层避障方法 | |
CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
CN111665846B (zh) | 一种基于快速扫描法的水面无人艇路径规划方法 | |
CN112068564B (zh) | 一种基于经济航行优化的船舶智能操控方法 | |
CN110906935B (zh) | 一种无人艇路径规划方法 | |
CN111222701A (zh) | 一种基于海洋环境图层的船舶航线自动规划与评价方法 | |
Lan et al. | Improved RRT algorithms to solve path planning of multi-glider in time-varying ocean currents | |
CN112819255B (zh) | 多准则船舶航线确定方法、装置、计算机设备及可读存储介质 | |
Wang et al. | Local path optimization method for unmanned ship based on particle swarm acceleration calculation and dynamic optimal control | |
Marie et al. | 1 Multi-objective optimization of motor vessel route | |
CN110196059A (zh) | 一种无人艇全局路径规划方法 | |
CN112880678A (zh) | 一种复杂水域环境中无人艇航行规划方法 | |
CN111984012A (zh) | 一种无人船自主避障及航线规划的方法 | |
CN110320907A (zh) | 一种基于改进蚁群算法和椭圆碰撞锥推演模型的无人水面艇双层避碰方法 | |
Ennong et al. | Design and experiment of a sea-air heterogeneous unmanned collaborative system for rapid inspection tasks at sea | |
CN110443368B (zh) | 一种冲突状态下船舶集群态势分析方法 | |
Yi-Han et al. | Path planning of surface unmanned craft based on variable step-length sparse A-star algorithm | |
Cheng et al. | Trajectory optimization for ship navigation safety using genetic annealing algorithm | |
CN116300913A (zh) | 一种基于视觉信息的无人艇多约束局部路径规划方法 |
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 |