本發(fā)明涉及智能水下機器人領域，特別是一種考慮洋流的多智能auvs水下路徑規(guī)劃方法。

背景技術：

1、在目前深海領域是人類探索較為少的領域，這個領域藏著許多未知的資源，加之在該域中，海洋是一個吸收且能存儲二氧化碳的巨大碳匯，通過研究搜索深海，學者可以更好的理解碳循環(huán)過程及其對氣候變化的影響，對研究地球的氣候系統(tǒng)有著重要影響，而前往深海探索的智能auv(無人自主潛水器)更是急切需求，auv在海洋的探索可分為導航與定位、路徑規(guī)劃、數(shù)據(jù)采集與處理、通信與數(shù)據(jù)傳輸以及能源管理與維護等重要步驟，其中路徑規(guī)劃技術是auv探索環(huán)節(jié)的一個重要步驟，規(guī)劃出最優(yōu)的路徑往往可以使得auv更高效、更安全、更準確的完成深海洋流擾動的水下任務。鑒于水下環(huán)境的特殊性，特別是由于低帶寬海底信道的限制，有效的通信在此環(huán)境中顯得尤為困難。在這一挑戰(zhàn)性背景下，水下機器人的路徑規(guī)劃成為了一個高度復雜且需求嚴苛的研究領域。特別在考慮到深海海洋環(huán)境中洋流的動態(tài)變化和不確定性，開發(fā)適應性強且高效的路徑規(guī)劃策略顯得至關重要。

2、目前的auv路徑規(guī)劃算法可以根據(jù)其基本原理分為基于幾何模型的、基于采樣的、人工勢場的以及智能算法?；趲缀文Ｐ偷穆窂揭?guī)劃算法屬于離散最優(yōu)規(guī)劃，是一種傳統(tǒng)而成熟的方法。然而，這些算法需要高水平的模型構建，并且最終的路徑規(guī)劃結果與模型的精確程度密切相關。在處理復雜動態(tài)環(huán)境下，智能算法能更好地解決路徑規(guī)劃問題。相較于傳統(tǒng)算法，群智能優(yōu)化算法模擬生物種群行為，在大型或者復雜搜索空間中具有更高的計算效率。此外，群智能優(yōu)化算法適合并行處理和分布式計算，因此對于大規(guī)模問題更為有效?？傊谔幚硌罅鲾_動、不確定性以及復雜環(huán)境下的路徑規(guī)劃問題時，群智能優(yōu)化算法具有更強的適應性計算效率和集成性。

3、智能優(yōu)化算法中的代表性算法包括遺傳算法、蟻群算法和粒子群算法等。相較于這些經(jīng)典的智能優(yōu)化算法，dbo算法在執(zhí)行搜索時基于子種群采用不同的搜索方式，并采用動態(tài)邊界的搜索策略來減少搜索空間。一些研究表明，與其他經(jīng)典算法相比，dbo算法具有更好的收斂性和較強的全局規(guī)劃能力。然而，現(xiàn)實中，dbo算法也存在著一些缺陷，其中包括在不確定環(huán)境下難以有效規(guī)劃出最優(yōu)路徑。因此，如何改進dbo算法以使其在存在洋流干擾這樣不確定環(huán)境下能夠更好地規(guī)劃出最優(yōu)路徑，是一個亟待解決的問題。

技術實現(xiàn)思路

1、針對上述缺陷，本發(fā)明的目的在于提出一種適用于海底洋流環(huán)境的智能auv路徑規(guī)劃方法，該方案使得整體路徑規(guī)劃方法更加的高效。

2、為達此目的，本發(fā)明采用以下技術方案：

3、一種考慮洋流的多智能auvs水下路徑規(guī)劃方法，包括以下步驟：

4、(1)基于提前收集好的海洋數(shù)據(jù)，利用洋流函數(shù)，調(diào)整參數(shù)得到模擬洋流，同時確定航行時最有價值的航點建立起田字型搜索策略的導向二維洋流圖；

5、(2)基于改進dbo的思想，在構建的問題空間中利用一種海洋因子云理論進行auvs群的初始化位置；

6、(3)每個auv根據(jù)當前位置評估其周圍環(huán)境的適應度，并采取對應種群的行動來更新自己的位置；

7、(4)按照自適應洋流比例分為四大種群；

8、(5)種群1通過融合洋流因子的滾球行動、遇到障礙物則通過融合跳躍機制的跳舞、種群2通過覓食、種群3通過繁殖和種群4通過趨近遠差的偷竊各自執(zhí)行尋找最優(yōu)點的路徑點；

9、(6)將各自的區(qū)域的最優(yōu)路徑點進行信息整合和決策，通過洋流評價機制篩選出最優(yōu)路徑。

10、進一步地，步驟(1)中，所述田字型搜索策略的二維導向洋流圖，田字型搜索策略步驟如下：以四個種群為單位，遍布整個二維平面圖進行搜索，每個田字型小區(qū)域內(nèi)，按照四大種群不同的策略更新不同auv的位置，按照適應度值來評判出最優(yōu)路徑點，最優(yōu)以及最差位置的路徑點如下公式所示：

11、四種auv種群的位置分別表示為：auvs種群1、auvs種群2、auvs種群3、auvs種群4；

12、g＝{gg|g＝1,2,…,∞}?(1)

13、f＝{ff|f＝1,2,…,∞}?(2)

14、h＝{hh|h＝1,2,…,∞}?(3)

15、t＝{tt|t＝1,2,…,∞}?(4)

16、

17、其中，c(xi,xi+1)表示表示從位置xi到xi+1的洋流影響；

18、

19、ωc＝α3·(1+β|c*(px)|)(5.1)

20、

21、公式(1)g表示融合洋流因子的滾球行動的auvs種群1；公式(2)f表示洋流自適應繁殖的auvs種群2；公式(3)h表示洋流自適應覓食的auvs種群3；公式(4)t表示近利避害的偷竊的auvs種群4；其括號里面代表著一個個auvs位置點；

22、公式(5)中：

23、pb＝{px}表示最優(yōu)位置；

24、pw＝{px}表示最差位置；

25、f(px)表示個體最優(yōu)度值；

26、根據(jù)目標函數(shù)得到的適應度函數(shù)；

27、其中根據(jù)當前洋流狀況動態(tài)調(diào)整權重ωa，ωb和ωc，其中α1，α2,α3是初始權重，β是一個調(diào)節(jié)參數(shù)，|c*(p(x)|表示洋流強度，fmin表示最小路徑，∈min表示所消耗的最低能量，適應度值越小，證明auv個體更合適；

28、式(5.1)動態(tài)權重調(diào)整：根據(jù)當前洋流狀況動態(tài)調(diào)整權重ωa,ωa,和ωa，其中α1,α2,α3是初始權重，β是一個調(diào)節(jié)參數(shù)，|c*(px)|表示洋流強度；

29、式(5.2)這里m(t)是一個洋流預測模型，可以預測未來一段時間內(nèi)的洋流變化；本方案帶入了一個洋流模型，以此來代表一個海域的洋流，倘若在其他海域，可以根據(jù)海洋數(shù)據(jù)總結出洋流模型，再代入即可；

30、其中，是一個時變函數(shù)，表示在時間t從xi到xi+1的洋流影響。

31、進一步地，步驟(2)中，采用海洋因子云理論初始化，具體實施步驟如下：洋流公式如下：

32、

33、公式(6)中ix，lx，mx，bx的期望值和方差視為種群的個體，利用融合洋流云理論生成這些參數(shù)的期望值和方差，作為初始種群的個體，以此來初始化蜣螂算法的種群；

34、云理論生成渦旋參數(shù)ix，lx，mx，bx的期望值和方差；

35、e[ix]e[lx]e[mx]e[bx]分別表示渦旋參數(shù)ix，lx，mx，bx的期望值，分別表示其方差，則可以表示為：

36、渦旋強度ix的期望值e[ix]和方差

37、渦旋位置橫坐標mx的期望值e[mx]和方差

38、渦旋位置縱坐標lx的期望值e[lx]和方差

39、渦旋尺度半徑bx的期望值e[bx]和方差

40、基于云理論正態(tài)分布，其概率密度函數(shù)如下：auv的種群個體，通常希望它們的分布符合特定的概率密度函數(shù)，如公式(7)，這樣做的目的是確保種群在搜索空間中的分布能夠覆蓋潛在的解空間，并且能夠更有效地搜索到最優(yōu)解；

41、

42、在這個公式中，x是隨機變量，e是期望值，σ2是方差；

43、通過調(diào)整e和σ2，我們可以生成不同的隨機數(shù)，從而實現(xiàn)對渦旋參數(shù)的隨機生成；根據(jù)此方法生成的種群，如下公式(8)表示其個體，表達如下：

44、

45、這樣，一個個體xi就包含了所有渦旋參數(shù)的期望值和方差。

46、進一步地，所述的種群1通過融合洋流因子的滾球行動，當其在無障礙物區(qū)域時，采用此種操作方式，λ＜γ時，為無障礙物模式，結合洋流公式，將其中的改為洋流環(huán)境影響因子，公式如下：

47、

48、公式(9)表示的是種群1通過融合洋流因子的滾球行動，公式(10)表示洋流環(huán)境影響因子；

49、其中，l為海流因子，由于海流因子影響著整體海流對路徑規(guī)劃的影響程度，可以考慮將海流因子設定在[-1,1]的范圍內(nèi)，表示海流對路徑規(guī)劃的正向或負向影響，0表示不受海流影響；

50、w洋流旋渦偏轉系數(shù)，洋流旋渦偏轉系數(shù)影響著海洋中渦旋對路徑規(guī)劃的影響程度，可以考慮將其設定在[0,1]的范圍內(nèi)，表示洋流渦旋對路徑規(guī)劃的正向影響程度，0表示不受渦旋影響，1表示受到最大影響；

51、ζi'(a)和ζj'(a)表示不順應洋流的位置信息，可以通過洋流公式計算得到然后將這些值與順應洋流的位置信息ζi(a)和ζj(a)相減，再減去最差位置|si(t)-sw|的影響，從而得到更新的位置信息；

52、當λ≥γ時，為有障礙物模式，這個時候種群1執(zhí)行導向跳舞步驟，融合了一種自適應目標點搜索方向的方法，首先找出當前節(jié)點(x0,y0)和目標點(xg,yg)與x軸方向相連的直線形成的角α；其中，α主要根據(jù)起始點、目標點與x軸之間的夾角來判斷；

53、

54、其中，

55、公式(11)表示種群1執(zhí)行導向跳舞步驟，公式(12)表示角度α；

56、當前節(jié)點目標點表示障礙物，τ表示可調(diào)參數(shù)，可以控制障礙物對路徑規(guī)劃的影響程度，使得算法能夠更加靈活地避開障礙物，提高路徑規(guī)劃的成功率，通過這種當前節(jié)點與目標點建立關系，從而使得auv避開障礙物，不再盲目搜索，而是依據(jù)目標點的方向來確定，避免陷入局部尋優(yōu)，同時也減少不必要的搜索時間，提高效率；

57、公式(11)中融合了表示搜索方向上的障礙物，起著預測障礙物的作用，通過增加靠近障礙物的移動成本，該機制積極引導路徑搜索盡早避開附近的障礙物。

58、進一步地，種群2通過繁殖步驟，具體過程如下：改變了繁殖區(qū)域，具體的公式如下

59、ω'＝max(sb×(1-k),ω)?(13)

60、公式(13)表示繁殖區(qū)域的下界限，sb表示種群中最優(yōu)位置；

61、

62、公式(14)表示繁殖區(qū)域的上界限；

63、

64、ζi(a)和ζj(a)是根據(jù)洋流公式計算得到的洋流對個體位置a的影響；

65、β是一個調(diào)節(jié)參數(shù)，用于控制洋流對邊界比例因子的影響程度；

66、其中公式(13)和(14)中的參數(shù)k，為公式(15)；

67、這樣設計的自適應因子k可以使得邊界比例因子在洋流影響較大時減小，在洋流影響較小時增加，從而使得算法在搜索過程中更靈活地調(diào)整搜索范圍，有助于更好地發(fā)現(xiàn)全局最優(yōu)解；

68、

69、公式(16)表示種群2繁殖步驟中的位置更新公式。

70、較佳地，種群3通過覓食步驟，具體過程如下：改進了邊界選擇策略，加入洋流自適應因子，以此來適應洋流對路徑規(guī)劃的影響，具體公式步驟如下：

71、ω＝max(sb*×(1-k),ω)?(17)

72、公式(17)表示繁殖區(qū)域的下界限；

73、

74、公式(18)表示繁殖區(qū)域的上界限，sb*表示局部最優(yōu)位置，即當前種群中的最優(yōu)位置；

75、

76、公式(19)表示種群3覓食步驟中的位置更新公式；

77、邊界比例因子的自適應調(diào)整使得算法在受到強烈洋流影響時縮小搜索范圍，避免過度探索；而在洋流影響較小時擴大搜索范圍，增加探索性；這種靈活性和適應性有助于算法更好地適應不同的搜索環(huán)境，提高搜索的效率和準確性；

78、洋流的影響可能導致個體在搜索空間中偏離目標，如果搜索范圍過大，可能會浪費資源在無效的搜索空間中；反之，如果搜索范圍過小，可能會錯過潛在的全局最優(yōu)解；因此，通過調(diào)整邊界比例因子，可以控制搜索范圍，使得算法更加集中精力在有可能包含最優(yōu)解的區(qū)域內(nèi)；適當調(diào)整搜索范圍有助于更好地發(fā)現(xiàn)全局最優(yōu)解；當洋流影響較小時，增大搜索范圍可以增加探索性，有助于在搜索空間中更全面地尋找全局最優(yōu)解；而當洋流影響較大時，縮小搜索范圍可以避免陷入局部最優(yōu)解，提高全局搜索的效率。

79、較佳地，種群4通過近利避害的偷竊，其思想就是auv靠近于最優(yōu)位置，遠離最差位置，具體公式(20)過程如下：

80、si(t+1)＝sb+h×z×((pb-|si(t)|)-(pw-|si(t)|)+(sb-|si(t)|)-(sw-|si(t)|))(20)

81、通過減去遠離種群最差解(pw-|si(t)|)和全局最差解(sw-|si(t)|)，使得整體公式變成更加靠近最優(yōu)解位置，遠離最差解位置。

82、較佳地，將auv群分為以四個種群為一個田字單位進行搜索最優(yōu)位置，分別為種群1融合洋流因子的滾球行動和導向跳舞機制，種群2和種群3通過洋流自適應邊界分別進行洋流自適應繁殖和洋流自適應覓食，種群4通過近利避害的偷竊各自執(zhí)行尋找最優(yōu)點的路徑點；

83、自適應比例，是指適應洋流的變化情況，可根據(jù)洋流的影響動態(tài)的調(diào)整比例，以此來適應洋流，使得整體方法更加高效；具體的公式如下：

84、四個比例系數(shù)如公式(21)所示：

85、

86、分別代表auv種群1、auv種群2、auv種群3、auv種群4；

87、其中，洋流自適應因子如公式(22)所示：

88、

89、η代表洋流變化，k1和k2是調(diào)整參數(shù)；0<ω<1，通過調(diào)整自適應因子ω，動態(tài)地調(diào)整各個種群auv的比例系數(shù)，以適應洋流變化和優(yōu)化整體性能。

90、較佳地，將各自的區(qū)域的最優(yōu)路徑點進行信息整合和決策，引入順應洋流的評價機制，按照滿足篩選出最優(yōu)個體，最后匯總得到最優(yōu)路徑；

91、順應洋流的評價機制函數(shù)如公式(23)所示：

92、

93、s表示路徑點的坐標，v表示洋流速度向量，表示單位向量指向路徑點s的方向，d(s)表示路徑點s到最近洋流線的距離，cvortex(s)表示路徑點s處的漩渦影響因子,|v|表示洋流速度的大小；

94、第一部分考慮了路徑點的方向與洋流方向的一致性，并根據(jù)洋流速度的大小進行了歸一化；

95、第二部分考慮了路徑點到最近洋流線的距離，距離越近適應性越高；

96、第三部分考慮了漩渦對路徑點的影響，漩渦影響因子與洋流速度的大小有關，體現(xiàn)了漩渦對路徑規(guī)劃的影響；

97、f*(s)>0,表示路徑點s的方向與洋流方向一致，適應性較高；

98、f*(s)＝0,表示路徑點s的方向與洋流方向垂直，適應性為中等；

99、f*(s)<0,表示路徑點s的方向與洋流方向相反，適應性低。

100、較佳地，適應度值是根據(jù)目標函數(shù)來計算，構建目標函數(shù)公式如下：

101、位置表示公式：

102、g＝{gg|g＝1,2,…,∞}?(1)

103、f＝{ff|f＝1,2,…,∞}?(2)

104、h＝{hh|h＝1,2,…,∞}?(3)

105、t＝{tt|t＝1,2,…,∞}?(4)

106、這四個公式分別表示四種auv種群的位置集合，每個集合包含無限多個可能的位置點，在本發(fā)明專利中設置為每個種群30架auv；

107、

108、這個公式(5)集合定義了最優(yōu)位置pb和最差位置pw，以及適應度函數(shù)f(px)的計算方法；

109、

110、式(al)表示是最短路徑；

111、

112、式(a2)表示是最小能量消耗；

113、目標函數(shù)的兩個公式定義了優(yōu)化問題的兩個主要目標：根據(jù)洋流自適應出最短路徑和最小能量消耗，其中的c*就是自適應的洋流影響因子；

114、約束條件：

115、

116、位置約束：

117、

118、速度約束：

119、

120、加速度約束：

121、

122、上述公式定義了auv運動的各種約束條件，變量含義：

123、gg,ff,hh,tt:分別表示四種auv種群中的個體位置；

124、px,py:auv的位置點；

125、f(px):位置px的適應度值；

126、最小路徑長度；

127、∈min:最小能量消耗；

128、dj:路徑的第j段長度；

129、第i段路徑的能量消耗；

130、ζi(α),ζj(α):洋流影響因子，包含了旋渦的位置、半徑和大小，即生成的路徑點都要滿足在這個限制內(nèi)；

131、s(x,y):auv的二維位置坐標；

132、auv的速度和加速度；

133、rmax,amax:最大速度和加速度限制；

134、適應度函數(shù)f(px)直接與目標函數(shù)f(最短路徑)和ε(最小能量消耗)相關聯(lián)；

135、四種auv種群(g,f,h,t)代表了不同的搜索策略，每種策略針對特定的環(huán)境因素或約束條件；

136、目標函數(shù)(a1)和(a2)與適應度函數(shù)中的fmin和∈min直接對應；

137、約束條件(a3)-(a6)確保了auv的運動滿足實際物理和環(huán)境限制；

138、田字型搜索策略將整個搜索空間分成小區(qū)域，每個區(qū)域內(nèi)應用不同的auv種群策略，通過適應度值評判最優(yōu)路徑點

139、上述技術方案中的一個技術方案包括以下有益效果：1、設計了一種適用于海底洋流環(huán)境的智能auv路徑規(guī)劃方法，通過將auvs分為四個種群同時進行最優(yōu)位置的搜索，提高了效率，與此同時，每個位置更新步驟都進行了優(yōu)化改進，使得整體路徑規(guī)劃方法更加的高效。2、通過引入洋流自適應因子，通過實時洋流數(shù)據(jù)調(diào)整種群比例，確保auv群體能夠快速適應環(huán)境變化，同時通過順應洋流進行路徑規(guī)劃，使得整體auvs能量效率較低，提高了能量的利用率。