[发明专利]基于蚁群算法的无人船节能路径规划方法

权利要求书

1.基于蚁群算法的无人船节能路径规划方法，其特征在于，包括以下步骤：

S1、通过栅格法对环境进行建模，在建模后的地图上设立n个任务点，选取两个任务点i,j，通过Lazy theta*算法计算两个任务点的中间路径点，将中间路径点连成线得到最短路径；执行循环如下：

循环步骤1、选取n个任务点后进行编号N＝{1,2,...,n}，再选取两个任务点i,j∈N,i≠j，进行最短路径计算，采用Lazy theta*算法；

循环步骤2、初始化第一集合open和第二集合closed为空集；

循环步骤3、设置任务点i为起点start，j为终点destination；设置g(start)＝0，parent(start)＝start即表示起点的父节点为自己，f(start)＝g(start)+h(start)；将起点start加入第一集合open；

循环步骤4、判断第一集合open是否为空集，若是则表示找不到最短路径，退出计算，否则执行循环步骤5；

循环步骤5、在第一集合open中取出综合代价f(s)值最小的当前节点s；

循环步骤6、判断当前节点s与其父节点是否有障碍物，即lineofsight(parent(s),s)是否成立，若成立则跳到循环步骤8，否则执行循环步骤7；

循环步骤7、在第二集和closed中寻找当前节点s的邻居x，并在符合这个要求的节点中找到g(x)+c(s,x)最小的，且LOS检查成功的；再设置g(s)＝g(x)+c(s,x)；即设置

循环步骤8、判断当前节点s是否是终点destination，若是则找到路径，退出计算，否则执行循环步骤9；

循环步骤9、将当前节点s加入第二集合closed；

循环步骤10、找出当前节点s的一个邻居节点s′，若已经全部找完，跳到循环步骤4，否则跳到循环步骤11；

循环步骤11、判断邻居节点s′是否可通行，若是则跳到循环步骤12，否则循环步骤10；

循环步骤12、判断邻居节点s′是否在第二集合closed中，若是则跳到循环步骤10，否则执行循环步骤13；

循环步骤13、判断邻居节点s′是否在第一集合open中，若是则执行循环步骤14，否则跳到循环步骤15；

循环步骤14、设置g(s′)＝g(parent(s))+c(parent(s),s′)，parent(s′)＝parent(s)，f(s′)＝g(s′)+h(s′)，将邻居节点s′加入到第一集合open中，跳到循环步骤10；

循环步骤15、判断g(parent(s))+c(parent(s),s′)g(s′)是否成立，若否则跳到循环步骤10，若是继续执行循环步骤16；

循环步骤16、更新该邻居节点s′的信息g(s′)＝g(parent(s))+c(parent(s),s′)，parent(s′)＝parent(s)，f(s′)＝g(s′)+h(s′)，跳到循环步骤10；

LOS检查即lineofsight(a,b)，检查节点a,b的连线是否会穿过障碍物，根据节点a,b的坐标x_a,y_a,x_b,y_b计算出当前连线的方程，再在坐标x_a,y_a,x_b,y_b范围内对每一个栅格执行以下操作：

若该栅格不是障碍物则跳过；若该栅格是障碍物，对该栅格的4个角分别代入计算出来的连线的方程，若该栅格的4个角都在连线的一边，表示连线不经过该障碍物，否则经过；

Lazy theta*算法中，通过下列函数来计算各个节点的优先级：

f(s)＝g(s)+h(s)；

c(s,s′)表示两点间的移动代价，其中g(s)＝c(s,start)是节点s距离起点start的起始代价，h(s)＝c(s,destination)是节点s距离终点destination的预计代价，f(s)是节点s的综合代价，c(s,s′)采用欧几里得距离计算，即两点间的直线距离；

S2、根据步骤S1中得出的中间路径点，全局风浪流干扰方向和干扰大小，计算任务点i到任务点j的最短距离d_ij和能量消耗e_ij；根据步骤S1中得到的从任务点i到任务点j的l个中间路径点集合其中是起点start，是终点destination；则可以得到任务点i到任务点j之间相邻的中间路径点之间的距离：

任务点i到任务点j的最短距离为：

其中表示任务点i到j第k个路径点的x坐标，表示任务点i到j第k个路径点的y坐标，而且d_ij＝d_ji；

人为设定全局干扰方向和全局干扰大小f_wave；设定平静水面下阻力恒定向，设定平静水面下阻力大小为f_s；根据集合S_ij选取相邻的中间路径点计算相邻的中间路径点之间的连线的角度：

则无人船前进方向和干扰的夹角为无人船能量消耗具体如下：

其中，表示在无干扰情况下，无人船从任务点i到j的能量消耗，且e_ij表示在有波浪流等外界干扰下从任务点i到j的能量消耗；

S3、计算n个任务点两两之间的最短距离和能量消耗，构建距离矩阵D和能量消耗矩阵E；n个任务点两两之间根据步骤S1和步骤S2获取最短路径距离和能量消耗，构建距离矩阵D和能量消耗矩阵E，具体如下：

S4、将距离矩阵D和能量消耗矩阵E作为启发式信息进行蚁群算法计算，获取全局最优节能路径规划；基于距离矩阵D和能量消耗矩阵E，根据信息素浓度和启发式信息概率选择下一个任务点，设置M只蚂蚁，第m只蚂蚁当前时刻从任务点i到任务点j的转移概率为：

其中t表示当前迭代的次数，allowed m(t)表示当前迭代时刻第m只蚂蚁下一步允许选择的任务点：

allowed m(t)＝N-tab u_m；

tab u_m为第m只蚂蚁设置的禁忌表，所述禁忌表中包括已经经过和当前所在的任务点编号，禁忌表中的任务点为第m只蚂蚁下一步不允许选择的任务点；

α、β和δ分别为信息素浓度启发因子、期望距离启发因子和期望能耗启发因子，α、β和δ的值选取范围均在0到5之间；

η_ij为期望距离启发函数，表示任务点最大距离与当前任务点距离的差值；

η_ij＝d_max-d_ij

d_max＝max_{i,j∈N,i≠j}d_ij；

χ_ij为期望能耗启发函数，表示任务点最大能耗与当前任务点能耗的差值；

χ_ij＝e_max-e_ij

e_max＝max_{i,j∈N,i≠j}e_ij；

τ_ij(t)为当前迭代次数的信息素浓度，τ_ij(t+n)认为是下一次迭代的信息素浓度，其更新规则为：

τ _ij(t+n) ＝ (1- ρ ) τ _ij (t)+ Δτ _ij；

ρ为信息素挥发系数，ρ∈[0.2,0.5]，信息素挥发系数确保路径上的信息素不会无限增长，每经过一轮迭代就会挥发一部分；

Δτ_ij是本次迭代在任务路径i,j上的信息素增量，是第m只蚂蚁在t到t+n时刻留在任务点i到任务点j位置间的信息素，越多蚂蚁走过该路径，信息素增加得越多，M表示蚂蚁的数量。