亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于LazyTheta星和粒子群混合算法的水下潛器三維路徑規(guī)劃方法與流程

文檔序號:12270223閱讀:536來源:國知局
基于Lazy Theta星和粒子群混合算法的水下潛器三維路徑規(guī)劃方法與流程

本發(fā)明涉及的是一種水下潛器路徑規(guī)劃方法。具體地說是一種水下潛器的三維路徑規(guī)劃方法。



背景技術:

三維航路規(guī)劃是水下潛器等具有空間移動能力的智能機器執(zhí)行水下任務的關鍵技術之一,越來越受到人們的重視?,F(xiàn)有的三維路徑規(guī)劃算法大部分由二維路徑規(guī)劃算法發(fā)展而來,在二維路徑規(guī)劃中,A星算法應用廣泛。例如申請?zhí)枮?01110172301.9的專利文件中,提出了一種游戲路徑搜索的簡化方法;申請?zhí)枮?01410531309.3的專利文件中,他提出了一種基于二叉堆節(jié)點排序的A星尋路方法系統(tǒng);申請?zhí)枮?01410010003.3的專利文件中,提出了一種基于自適應A星算法的飛行器最優(yōu)路徑確定方法。上述三個技術方案中利用A星算法,能夠快速搜索得到二維空間中一條無碰最短路徑。然而A星算法搜索得到的路徑有兩個明顯的缺點,一是路徑長度比實際最短路徑長,二是存在許多折角需要進行后期加工平滑。Lazy Theta星算法是解決A星算法不足的一種變體。Lazy Theta星算法不僅路徑不受地圖網(wǎng)格邊緣限制,而且路徑節(jié)點少,路徑長度短,但是在三維問題求解上適應性不高,高維大范圍問題的求解計算復雜度仍很大。

三維環(huán)境相比于二維環(huán)境無論在地形障礙物建?;蚴锹窂剿阉魃隙几鼮閺碗s。目前備受關注的三維路徑規(guī)劃的算法是啟發(fā)式智能優(yōu)化算法,如粒子群算法、蟻群算法、螢火蟲算法等。例如申請?zhí)枮?01210178003.5的專利文件中,公開了一種基于粒子群算法的自適應三維空間路徑規(guī)劃方法;申請?zhí)枮?01310744400.9的專利文件中,公開了一種基于布谷鳥搜索算法的水下潛器三維路徑規(guī)劃方法;申請?zhí)枮?01310235123.9的專利文件中,公開了一種基于高程圖和蟻群尋食的三維路徑規(guī)劃方法。這些方法都在三維路徑規(guī)劃問題的求解上有較強的智能性和適應性,然而在大范圍路徑搜索上依然存在計算復雜度大、盲目性大等問題。



技術實現(xiàn)要素:

本發(fā)明的目的在于提供一種能降低計算復雜度,提高三維路徑規(guī)劃的快速性和可靠性的基于Lazy Theta星和粒子群混合算法的水下潛器三維路徑規(guī)劃方法。

本發(fā)明的目的是這樣實現(xiàn)的:

步驟1.以起點S和終點D為基準建立航行空間,以水下潛器的最小安全潛行深度zsafemin形成的水平面z為基準,建立Lazy Theta星算法二維障礙物柵格地圖,z=zsafemin

步驟2.建立Lazy Theta星算法代價函數(shù);

步驟3.以z=zsafemin水平面為Lazy Theta星算法二維路徑規(guī)劃平面,以路徑起點S的X、Y軸坐標(xs,ys)和路徑終點D的X、Y軸坐標(xd,yd)為二維路徑的起點和終點,在水平面內進行二維路徑規(guī)劃;

步驟4.根據(jù)三維路徑規(guī)劃尋找一條無碰長度最短路徑的優(yōu)化目標,設計深度規(guī)劃評價函數(shù);

步驟5.利用粒子群算法進行深度規(guī)劃;

步驟6.輸出最優(yōu)三維路徑。

本發(fā)明還可以包括:

1、步驟3具體包括:柵格地圖中的網(wǎng)格點總數(shù)為n,具體步驟如下,

步驟3.1.定義OPEN和CLOSED兩個表;

步驟3.2.初始化OPEN表和CLOSED表;

步驟3.3.判斷OPEN表是否為空,為空則搜索路徑失敗,若不為空,執(zhí)行步驟3.4;

步驟3.4.把OPEN表中表頭網(wǎng)格點Pi移入CLOSED表中,i<n;

步驟3.5.判斷節(jié)點Pi是否是終點D,若是,則路徑搜索成功,轉至步驟3.9,若不是,執(zhí)行步驟3.6;

步驟3.6.對節(jié)點Pi和其父節(jié)點進行障礙物檢測,若Pi和連線之間沒有障礙物,保留為Pi的父節(jié)點,否則,更新節(jié)點Pi的適應值和父節(jié)點;

步驟3.7.擴展Pi的東、西、南、北、東南、東北、西南、西北八個方向地理位置相鄰的子節(jié)點Pj,j<n,j≠i;

步驟3.8.對OPEN表中各個網(wǎng)格點按照適應值的大小進行升序排序,返回步驟3.3;

步驟3.9.算法終止,輸出包含路徑起點和終點的二維路徑序列P(P1,P2,...Pk),k為最終的路徑點的個數(shù)。

2、所述擴展Pi的東、西、南、北、東南、東北、西南、西北八個方向地理位置相鄰的子節(jié)點Pj,具體包括以下幾種情況:

步驟3.7.1.如果Pj不在OPEN表或者CLOSED表中,將其存放在OPEN表中,設Pi的父節(jié)點為設置Pj父節(jié)點為

步驟3.7.2.如果Pj在OPEN表中,重新計算在OPEN表中的適應值F(Pj),若新適應值小于原有適應值,更新節(jié)點Pj的適應值和父節(jié)點,若新適應值大于原有適應值,保持原有適應值和父節(jié)點的設置;

步驟3.7.3.如果Pj已經(jīng)存在于CLODED表中或者是障礙物點,忽略此節(jié)點。

3、所述利用粒子群算法進行深度規(guī)劃的具體步驟為:

步驟5.1.初始化粒子群算法參數(shù);

步驟5.2.隨機產生一組初始解;

步驟5.3.根據(jù)步驟4確定的深度規(guī)劃路徑評價函數(shù)計算各個粒子的適應度值,更新粒子的個體最優(yōu)值和種群最優(yōu)值;

步驟5.4.計算當前迭代中粒子群的慣性權重和學習因子;

步驟5.5.根據(jù)粒子更新公式更新粒子;

步驟5.6.重復步驟5.3~步驟5.5直到迭代次數(shù)達到最大迭代次數(shù)N;

步驟5.7.輸出最優(yōu)路徑節(jié)點深度坐標,粒子群算法路徑規(guī)劃結束,得到一條從起點到終點的最優(yōu)三維路徑。

本發(fā)明充分利用Lazy Theta星算法和粒子群算法的優(yōu)點,提出了一種基于Lazy Theta星和粒子群混合算法的水下潛器三維路徑規(guī)劃方法。本發(fā)明克服了傳統(tǒng)路徑規(guī)劃算法在三維路徑規(guī)劃問題的求解上適應性不強的缺陷。利用降維的思想,將三維問題轉化為一個二維平面路徑規(guī)劃和一個深度規(guī)劃,二維路徑規(guī)劃問題利用Lazy Theta星算法進行求解,得到具有二維信息的路徑節(jié)點。在得到的二維路徑節(jié)點的基礎上,利用粒子群算法對二維路徑點進行深度規(guī)劃,得到路徑點的深度信息。通過對三維問題的簡化,結合兩種不同算法的優(yōu)點,降低算法的計算復雜度,提高三維路徑規(guī)劃的快速性和可靠性。

附圖說明

圖1:本發(fā)明中基于Lazy Theta星和粒子群混合算法的三維路徑規(guī)劃的流程圖;

圖2:本發(fā)明中基于Lazy Theta星算法的二維路徑規(guī)劃流程圖;

圖3:本發(fā)明中基于粒子群算法的深度規(guī)劃流程圖。

具體實施方式

本發(fā)明先用Lazy Theta星進行二維路徑規(guī)劃,再利用粒子群算法對路徑在深度方向上進行深度規(guī)劃,得到水下潛器的三維路徑,具體包括以下幾個步驟:

步驟1.航行空間的建模

步驟1.1.航行空間的建立

在水下潛器三維路徑規(guī)劃范圍內建立全局坐標系Oxyz,以坐標為(xs,ys,zs)的起點S和坐標為(xd,yd,zd)的終點D建立航行空間。

步驟1.2.建立Lazy Theta星算法二維地圖

在步驟1.1建立的航行空間內,以水下潛器潛行的最小安全潛行深度zsafemin為標準作水平面,形成z=zsafemin的水平面。以z=zsafemin水平面上的障礙物為基準,建立障礙物柵格地圖。沿X、Y方向,即沿著經(jīng)度、緯度方向分別以10′為單位劃分,形成10′×10′的柵格區(qū)域。檢測每個網(wǎng)格的中心點的X、Y坐標位置是否處于障礙物內,處于障礙物內的網(wǎng)格值置為1,處于障礙物外的網(wǎng)格值置為0。遍歷所有的網(wǎng)格點,得到具有障礙物信息的0-1柵格地圖。

步驟2.Lazy Theta星算法代價函數(shù)建立

為了達到Lazy Theta星算法搜索一條無碰的最短二維路徑的目的,設計代價函數(shù)F(P)為:

其中,F(xiàn)(P)是適應值函數(shù),G(P)是自起始節(jié)點S到節(jié)點P所走過的實際路徑長度,其值等于起始節(jié)點S到節(jié)點P的父節(jié)點Pparent走過的實際路徑長度加上父節(jié)點Pparent到節(jié)點P的歐式距離H(P)是路徑的啟發(fā)值,是節(jié)點P到終點D的歐式距離。二維歐式距離計算公式如下:

其中,P.x,P.y為節(jié)點P的X、Y軸坐標,Pparent.x,Pparent.y為節(jié)點Pparent的X、Y軸坐標,D.x,D.y為終點D的X、Y軸坐標。

步驟3.利用Lazy Theta星算法在水平面內進行二維路徑規(guī)劃

以z=zsafemin水平面為Lazy Theta星算法二維路徑規(guī)劃平面,以路徑起點S的X、Y軸坐標(xs,ys)和路徑終點D的X、Y軸坐標(xd,yd)為二維路徑的起點和終點,進行路徑規(guī)劃。設柵格地圖中一共有n個網(wǎng)格點,Lazy Theta星算法二維路徑規(guī)劃流程如圖2,具體步驟如下:

步驟3.1.定義OPEN和CLOSED兩個表,OPEN表用于存放未檢測過的網(wǎng)格點,CLOSED表存放已檢測過的網(wǎng)格點。

步驟3.2.將起始點S放入OPEN表中,初始化起始點S的父節(jié)點為其自身,適應值F(S)=0。CLOSED表初始化為空,第i個節(jié)點定義為Pi,其中i為網(wǎng)格點的索引(i<n)。

步驟3.3.判斷OPEN表是否為空,為空則搜索路徑失敗,若不為空,轉至步驟3.4。

步驟3.4.把OPEN表中表頭網(wǎng)格點Pi移入CLOSED表中。

步驟3.5.判斷節(jié)點Pi是否是目標終點D,若是,則路徑搜索成功,轉至步驟3.9,若不是,轉至步驟3.6。

步驟3.6.對節(jié)點Pi和其父節(jié)點進行障礙物檢測,等距離取節(jié)點Pi和節(jié)點連線上的q個點,定位這q個點坐標是否有在障礙內的點,q的值可根據(jù)柵格地圖分辨率大小而定,在本發(fā)明中,取q=10。若Pi和連線之間沒有障礙物,保留為Pi的父節(jié)點,若Pi和連線之間存在障礙物,計算起始點S到節(jié)點Pi已經(jīng)擴展過的所有鄰居節(jié)點Pc(此節(jié)點在CLOSED表中)的路徑長度G(Pc),并計算節(jié)點Pi到節(jié)點Pc的直線距離選取鄰居節(jié)點中使得值最小的節(jié)點Pc'作為節(jié)點Pi的父節(jié)點,更新節(jié)點Pi的適應值和父節(jié)點。

步驟3.7.擴展Pi的八個方向(東,西,南,北,東南,東北,西南,西北)地理位置相鄰的子節(jié)點Pj(j<n,j≠i),考慮以下幾種情況:

(1)如果Pj不在OPEN表或者CLOSED表中,將其存放在OPEN表中,設Pi的父節(jié)點為直接設置Pj父節(jié)點為計算節(jié)點Pj的適應值F(Pj)=G(Pj)+H(Pj),G(Pj)是自起始節(jié)點S到節(jié)點Pj所走過的實際路徑長度,其值等于起始節(jié)點S到節(jié)點Pj的父節(jié)點Piparent走過的實際路徑長度加上父節(jié)點Piparent到節(jié)點Pj的歐式距離H(Pj)是路徑的啟發(fā)值,是節(jié)點Pj到終點D的歐式距離。

(2)如果Pj在OPEN表中,重新計算在OPEN表中的適應值F(Pj)。若新適應值小于原有適應值,更新節(jié)點Pj的適應值和父節(jié)點,若新適應值大于原有適應值,保持原有適應值和父節(jié)點的設置。

(3)如果Pj已經(jīng)存在于CLODED表中或者是障礙物點,忽略此節(jié)點,返回步驟3.7。

步驟3.8.對OPEN表中各個網(wǎng)格點按照適應值的大小進行升序排序,返回3.3步驟。

步驟3.9.算法終止,輸出包含路徑起始點和終點二維路徑點序列P(P1,P2,...Pk),k為最終的路徑點的個數(shù)。

步驟4.深度規(guī)劃評價函數(shù)的建立

Lazy Theta星算法規(guī)劃出二維路徑點后,三維路徑規(guī)劃中路徑點的X、Y軸坐標確定。問題轉化為:路徑P(P1,P2,...Pk)的每個路徑點Pi(i<k)所在X、Y方向上的坐標位置(Pi.x,Pi.y)確定(在步驟3得到),利用粒子群算法(PSO)優(yōu)化路徑點Z軸方向上的坐標位置Pi.z,得到完整的三維路徑,k為二維路徑點的個數(shù)。

粒子群中每個粒子代表一條路徑,粒子的維數(shù)即路徑的節(jié)點數(shù)。粒子各維的值是路徑節(jié)點的深度,因此只要以航程最短為目標,搜索合適的節(jié)點深度組合就可以達到三維規(guī)劃的目的。根據(jù)三維路徑規(guī)劃尋找一條無碰長度最短路徑的優(yōu)化目標,設路徑P(P1,P2,...Pk)為路徑上的節(jié)點集,其中k為粒子維數(shù),其值等于步驟3得到的路徑節(jié)點數(shù)目,節(jié)點之間直線連接即成為一條無碰路徑,評價函數(shù)f(P)設置為:

其中,ΔLi是第i段路徑的直線歐式距離。Pi.x,Pi.y,Pi.z為第i個路徑節(jié)點的X、Y、Z軸方向上的坐標,Pi-1.x,Pi-1.y,Pi-1.z為第i-1個路徑節(jié)點的X、Y、Z軸方向上的坐標,其中i≤k。m1和m2分別是進入障礙物的節(jié)點數(shù)和中間節(jié)點數(shù),M是路徑進入障礙物的懲罰值,取值為起點S與終點D歐式距離的20%~50%。

本發(fā)明的障礙物檢測中,除了檢測路徑節(jié)點是否進入障礙物外,還考慮連接節(jié)點的直線段是否進入障礙物。具體做法是,在每個節(jié)點直線段中間均勻插入若干點,插入點的數(shù)量q可以根據(jù)規(guī)劃難度而定,本發(fā)明中設置q=10。定位路徑節(jié)點和路徑節(jié)點間的點的X、Y坐標所在點的障礙物所在深度,若路徑點的Z坐標位置在障礙物深度以下,視為路徑點進入障礙物,在障礙物深度以上,則為沒有進入障礙物。

步驟5.利用粒子群算法進行深度規(guī)劃

粒子群深度規(guī)劃流程如圖3所示,具體步驟如下:

步驟5.1.初始化粒子群算法的各類參數(shù),包括粒子數(shù)目n、迭代次數(shù)N、粒子維數(shù)k、更新速度。

步驟5.2.隨機產生一組初始解。

步驟5.3.根據(jù)步驟4確定的路徑評價函數(shù)計算各個粒子的適應值。更新粒子的個體最優(yōu)值和種群最優(yōu)值。

若當前迭代的粒子個體適應度優(yōu)于歷史記錄的個體最優(yōu)值,則以當前粒子的適應度作為該粒子的個體最優(yōu)值。若種群中出現(xiàn)某個體的最優(yōu)值優(yōu)于種群最優(yōu)值,則以此個體的最優(yōu)值作為種群最優(yōu)值。

步驟5.4.計算當前迭代中粒子群的慣性權重和學習因子

(1)慣性權重ω的計算方法

慣性權重ω代表了粒子慣性的大小,ω較大時具有較強的全局收斂能力,ω較小時具有較強的局部搜索能力。在實際問題中,一般希望算法的初始階段有較強的全局搜索能力,到算法的后期則希望算法有較強的局部搜索能力。因此,慣性權重ω隨迭代次數(shù)的增加設計成:

式中,ωmax為最大慣性權重,取值范圍為0.75~1.05,本發(fā)明中取值為0.9,ωmin為最小慣性權重系數(shù),取值范圍為0.3~0.55,本發(fā)明取值為0.4,i為當前迭代次數(shù),N為最大迭代次數(shù)。

(2)學習因子的計算方法

兩個學習因子中,c1越大粒子種群多樣性越好。c2越大則粒子的收斂速度越快。為了使算法不要過早收斂,提高種群的多樣性,在優(yōu)化初期取較大的c1使得種群多樣性豐富,在算法的后期提高c2加快算法收斂。根據(jù)這兩個規(guī)則設計c1、c2隨迭代次數(shù)變化的計算公式為:

其中,c1f,c1c,c2f,c2c為常數(shù),c1f,c2c取值范圍為0.3~0.7,c1c,c2f取值范圍為2.2~2.8,本發(fā)明取c1f=0.5,c1c=2.5,c2f=2.5,c2c=0.5,i為當前迭代次數(shù),N為最大迭代次數(shù)。

步驟5.5.根據(jù)粒子更新公式更新粒子

設粒子群的種群粒子數(shù)目為n,k維空間中搜索最優(yōu)解,k的值等于步驟3得到的路徑節(jié)點數(shù)目。第j個粒子位置記為Pj=(Pj1,Pj2,...,Pjk),j=1,2,...,n,粒子速度記為Vj=(Vj1,Vj2,...,Vjk),(j=1,2,...,n)。第j個粒子至今搜索到的個體最優(yōu)解記為Pjbest,群體至今搜索到的最優(yōu)解記為Pgbest。第j個粒子的位置和速度根據(jù)以下公式進行更新:

V′j=ωVj+c1rand()(Pjbest-Pj)+c2rand()(Pgbest-Pj)

P′j=Pj+P′j

式中,Vj'是第j個粒子更新后的運動速度,Pj'是第j個粒子更新后的粒子位置,在本發(fā)明中為粒子各路徑點的深度信息。ω是慣性權重系數(shù),c1,c2是學習因子,ω,c1,c2的值由步驟5.4求得。c1,c2調節(jié)的是粒子學習種群最優(yōu)解和個體最優(yōu)解的程度。rand()為在0到1之間取的隨機數(shù)。

步驟5.6.重復步驟5.3~步驟5.5直到迭代次數(shù)達到N。

步驟5.7.輸出路徑節(jié)點深度坐標,粒子群算法路徑規(guī)劃結束,至此得到一條從起點S到終點D的最優(yōu)三維路徑。

步驟6.輸出最優(yōu)三維路徑。

當前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1