能量有限环境下基于改进遗传算法的USV路径规划方法
文献发布时间:2023-06-19 18:37:28
技术领域
本公开一般涉及水面无人艇路径规划方法领域,具体涉及能量有限环境下基于改进遗传算法的USV路径规划方法。
背景技术
USV作为海上的智能化作业工具,USV路径规划既是自动化的重要标识,也是自主航行的核心,所以USV完成任务的前提是其能够智能化航行作业。常用的传统路径规划方法包括蚁群、粒子群、遗传优化算法,深度学习方法等等。针对USV智能化航行作业,系统方法除了安全度和平滑性之外,实时性也是重要的考核指标。
基于能量有限的前提下,USV由起点航行至终点的过程中,不能遍历过程中每个作业点,因此需要权衡航行路径中作业点的重要度和USV所能航行的距离,重要度高的需要优先选择加入路径规划之中,因此,亟需一种在能量有限环境条件下兼顾作业点重要度和航行距离的USV路径规划方法。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种能量有限环境下基于改进遗传算法的USV路径规划方法以解决上述问题。
本申请提供一种能量有限环境下基于改进遗传算法的USV路径规划方法,包括以下步骤:
建立USV作业的空间仿真模型,所述空间仿真模型包括若干个作业点,其中包括目标起点和目标终点;
根据作业点的重要程度赋予所述作业点重要度;
基于TSP的编码方式对初始种群染色体进行编码;
以USV完成重要度高且任务点多为目标函数进行迭代计算,所述目标函数包括遍历路径参数和重要度参数;
遍历每次迭代获得的染色体,基于所述目标函数对每次迭代后获得染色体进行筛选;
以USV航行消耗的能量小于设定能量为约束条件得到最优解。
根据本申请实施例提供的技术方案,所述适应度函数根据公式(一)表示:
maxf
式中,maxf
根据本申请实施例提供的技术方案,所述遍历路径函数根据公式(二)和公式(三)表示:
式中,D(i,j)表示作业点i、j间距离,x
式中,D
根据本申请实施例提供的技术方案,所述重要度函数根据公式(四)表示:
式中,M
根据本申请实施例提供的技术方案,所述约束条件满足公式(五):
E
其中,E
根据本申请实施例提供的技术方案,所述根据TSP的编码方式对初始种群染色体进行编码包括:
设置初始种群的染色体为两端固定、中间不重复的随机数列,染色体的第一个基因设为目标起点,最后一个基因设为目标终点。
根据本申请实施例提供的技术方案,所述以USV完成重要度高且任务点多为目标函数进行迭代计算,包括以下步骤:
根据轮盘赌算法选择父代个体
根据部分匹配交叉法对父代个体进行交叉;
根据逆转变异的互换编码方式对基因进行变异。
根据本申请实施例提供的技术方案,所述根据轮盘赌算法选择选择父代个体,父代个体被选中的概率根据公式(六)表示:
其中,P
与现有技术相比本申请的有益效果在于:通过建立USV作业的空间仿真模型并对作业点赋予重要度,使得可直观的表示规划路线的大致方向,便于改进遗传算法优化搜索到最优路径;通过基于TSP的编码方式对初始种群染色体进行编码,以USV完成重要度高且任务点多为目标函数进行迭代计算,并基于所述目标函数对每次迭代后获得染色体进行筛选,以USV航行消耗的能量小于设定能量为约束条件得到最优解,使得可在能量有限的情况下将重要度高且更多的作业点列入规划路径范围内,保证在能量有限环境条件下可兼顾作业点重要度和航行距离。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本申请提供的能量有限环境下基于改进遗传算法的USV路径规划方法的步骤流程图;
图2为实施例1中USV作业空间仿真模型示意图;
图3为实施例2中染色体编码图;
图4为能量充足是USV路径规划示意图;
图5为能量为500时适应度迭代变化曲线示意图;
图6为能量约束为400时USV路径规划示意图;
图7为能量约束为300时USV路径规划示意图;
图8为能量约束为200时USV路径规划示意图;
图9为不同能量约束下适应度函数迭代曲线示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
请参考图1,本申请提供一种能量有限环境下基于改进遗传算法的USV路径规划方法,包括以下步骤:
S1、建立USV作业的空间仿真模型,所述空间仿真模型包括若干个作业点,其中包括目标起点和目标终点;
S2、根据作业点的重要程度赋予所述作业点重要度;
S3、基于TSP的编码方式对初始种群染色体进行编码;
S4、以USV完成重要度高且任务点多为目标函数进行迭代计算,所述目标函数包括遍历路径参数和重要度参数;
S5、遍历每次迭代获得的染色体,基于所述目标函数对每次迭代后获得染色体进行筛选;
S6、以USV航行消耗的能量小于设定总能量为约束条件得到最优解。
工作原理:通过建立USV作业的空间仿真模型并对作业点赋予重要度,使得可直观的表示规划路线的大致方向,便于改进遗传算法优化搜索到最优路径;通过基于TSP的编码方式对初始种群染色体进行编码,以USV完成重要度高且任务点多为目标函数进行迭代计算,并基于所述目标函数对每次迭代后获得染色体进行筛选,以USV航行消耗的能量小于设定能量为约束条件得到最优解,使得可在能量有限的情况下将重要度高且更多的作业点列入规划路径范围内,保证在能量有限环境条件下可兼顾作业点重要度和航行距离。
具体的,请参考图2,建立如图2所示的USV作业空间仿真模型,空间仿真模型中随机分布设置50个半径大小作业点,50个作业点根据重要度的不同划分为六个等级,其中,设定目标起点和目标终点的重要度为1.0,其余作业点按重要度的大小依次为0.9、0.7、0.5、0.3、0.1;
50个作业点分布的坐标分别为:
P={(31,32),(32,26),(38,34),(36,3),(28,5),(36,16),(37,21),(31,11),(30,19),(24,20),(26,15),(18,13),(19,10),(40,24),(20,31),(26,32),(3,9),(8,16),(11,23),(7,28),(4,40),(10,47),(43,29),(40,13),(32,43),(29,42),(52,28),(49,24),(47,18),(54,19),(5,14),(37,54),(45,54),(56,49),(48,44),(46,36),(49,30),(54,37),(57,30),(59,10),(23,38),(5,57),(13,51),(24,54),(30,49),(35,48),(59,23),(61,3),(50,9),(42,7)};
50个作业点的重要度分布为:
C={1,0.7,0.3,0.1,0.9,0.1,0.9,0.9,0.9,0.9,0.7,0.7,0.9,0.7,0.7,0.7,0.9,0.7,0.7,0.7,0.5,0.5,0.5,0.1,0.5,0.5,0.7,0.5,0.5,0.5,0.3,0.3,0.3,0.3,0.9,0.3,0.3,0.3,0.3,0.5,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,1}。
基于TSP的编码方式:
采用TSP问题中常用的序数编码,初始种群的染色体为两端固定、中间不重复的随机数列,即本实施例中共设有50个作业点,则初始种群染色体的长度为50,其中染色体中的基因号为作业点序号,且由于两端固定,染色体第1个和第50个基因为作业点“目标起点0”和“目标终点49”。
实施例2
为便于表述,以作业点数为9为例,请参考图3,若作业点个数为9,则初始染色体首尾为0和8,中间按工作点序号无重复排列即可。
基于目标加权原则的适应度函数更新模型:
由于本申请针对USV能量有限因素,因此USV路径规划既要考虑路径长度,又要考虑作业点重要度;
本申请采用目标加权发,适应度函数包括两个部分:遍历路径函数f
其中,D(i,j)表示作业点i、j间距离,x
其中,M
本申请中适应度函数为:
maxf
其中,α、β表示调节系数,本专利分别为3.0和1.2。
此外,由于本专利要求在所给资源条件下,USV尽可能完成重要性大且尽量多的作业任务,所以USV能量消耗公式:E(V,t)=t×V
综上所述,本专利的目标函数(适应度函数)和约束条件如下:
目标函数:maxf
约束条件:E
其中,E
基于PMX(Partial-Mapped Crossover,匹配交叉法)的交叉算子更新方法:
首先,本专利采用常用的轮盘赌选择法选择算子。
个体的选择是根据适应度大小进行选择,个体的适应度越高,则被选择到的概率越大。设种群大小为m,第i个染色体适应度值为F
其中,P
其次,本专利采用PMX方法对算子就行交叉。
染色体随机产生两个基因交叉点,定义这两点间的区域为匹配区域,并用交换两个父代的匹配区域。
例如:
父代A:872|130|9546
父代B:983|567|1420
变为:
TEMP A:872|567|9546
TEMP B:983|130|1420
最后,为了避免基因重复,本专利选择逆转变异的互换编码方法对基因进行变异。
对于TEMP A、TEMPB中匹配区域以外出现的数码重复,要依据匹配区域内的位置逐一进行替换。匹配关系:1——5、3——6、7——0。
所以,子代为:
子代A:802|567|9143
子代B:986|130|5427
改进遗传优化算法具体步骤如下:
Step1:随机产生一定数量的初始种群,用染色体的基因编码表示每个个体;
Step2:基于约束条件:E
Step3:根据适应度采用“常用的轮盘赌选择法”从种群中选择再生个体,适应度高的被选中的概率高,反之可能被淘汰;
Step4:将Step3选择的个体按照一定的交叉概率和交叉方法,生成新的个体;
Step5:将Step4生成的个体按照一定的变异概率和变异方法,生成新的个体;
Step6:由交叉和变异产生新一代的种群,返回到Step2。
在某一实施例中,若能量约束为500,适应度迭代变化曲线如图5所示。
由于能量值对USV工作有约束时,其无法遍历全部作业点:
基于C++MFC平台对能量充足时的改进遗传优化算法进行仿真实验。
当能量充足时,USV能够全部遍历作业点,即此时f
能量不足时的USV路径规划仿真:
基于C++MFC平台对能量不足时的改进遗传优化算法进行仿真实验。
能量值不足时,USV无法遍历全部工作点,只能尽可能完成重要性大且尽量多的作业任务。此时遍历工作点数少于50,且部分重要度小且偏远的工作点会被忽视。
在某一实施例中,若能量约束为400时,USV的路径规划如图6所示;
在某一实施例中,若能量约束为300时,USV的路径规划如图7所示;
在某一实施例中,若能量约束为200时,USV的路径规划如图8所示。
请参考图9,随着能量衰减,遍历城市减少,适应度函数值也随之减少,说明算法基本实现了在有限能量下尽可能遍历重要程度高的城市。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。