[发明专利]一种基于粒子群算法的UUV路径规划方法

说明书

本发明涉及一种基于粒子群算法的UUV路径规划方法，包括以下步骤：S1：根据路径长度f₁、UUV与障碍物之间的排斥势场以及UUV与目标之间的吸引势场f₃构建UUV路径规划优化模型f；S2：初始化PSO相关参数；S3：通过所述相关参数计算时变加速因子c₁、c₂和c₃；S4：计算非线性惯性权重w；S5：通过时变加速因子c₁，c₂和c₃，非线性惯性权重w计算粒子速度与粒子位置S6：通过评估适应度函数f，更新粒子个体最优群体最优和第k代粒子个体最优S7：判断迭代次数，如果迭代次数k达到最大次数T，则输出最优结果，停止运算；否则，k＝k+1，返回S4；本发明不仅可以实现全局搜索能力和局部搜索能力的平衡，而且还可以高效、灵活的实现UUV路径规划求解。

技术领域

本发明属于水下无人系统领域，具体涉及一种基于粒子群算法的UUV路径规划方法。

背景技术

随着无人水下航行器(Unmanned Underwater Vehicle,UUV)在海洋工程和军事作战领域的普及和广泛应用，UUV作为一种必备的智能无人水下运载工具引起了国内外广泛关注。路径规划研究是UUV应用领域最具挑战性的问题之一，因为它是保证UUV安全、高效完成复杂水下任务的基础。UUV路径规划的主要目标是；在水下环境中计算从起点到终点最优无碰撞的最短路径。

UUV路径规划问题可以分为两类:局部路径规划(local path planning,LPP)和全局路径规划(global path planning,GPP)；

LPP主要依靠声传感器(如前视声纳)获取未知或部分已知的环境信息，该类规划问题主要采用了人工势场法、模糊逻辑算法、滚动窗口法等方法。然而，这些方法往往存在计算成本高、水下空间大时路径规划效率低、甚至出现死锁现象等问题；

GPP作为另一种方法被广泛提出，它可以被表述为一个约束优化的非确定性多项式难题。近几十年来，许多GPP方法被提出，如图算法和可见性图，特别是全局进化算法。与其他GPP算法相比，进化算法具有实现简单、全局搜索能力强、收敛速度快、鲁棒性好的优点，该类规划方法包括启发式的A*算法、遗传算法、蚁群算法、差分进化等，并取得了一定的成果。

粒子群优化方法(Particle Swarm Optimization，PSO)作为一种全局进化算法，其灵感来源于鸟群、鱼群等随机群体的行为，主要利用群体智能来实现优化目标。

由于粒子群算法具有群智能、内在并行性和计算代价低等特点，因此在UUV路径规划领域得到了广泛的应用。但由于种群大小、惯性权重和加速度系数等可调参数的存在，使得PSO在局部最优问题中存在过早收敛和陷入陷阱的问题，甚至缺乏种群多样性，造成规划路径非最优，进而影响UUV水下作业效率与质量。

为了克服以上缺点，因此希望开发出新的PSO优化方法，实现UUV路径规划路径、计算时间最优。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种+主题名称。本发明要解决的技术问题通过以下技术方案实现：

一种基于粒子群算法的UUV路径规划方法，包括以下步骤：

步骤1：根据路径长度f₁、UUV与障碍物之间的排斥势场以及UUV与目标之间的吸引势场f₃构建UUV路径规划优化模型f；

步骤2：初始化PSO相关参数；

步骤3：通过所述相关参数计算时变加速因子c₁、c₂和c₃；

步骤4：计算非线性惯性权重w；