一种基于遗传算法的室内水下目标定位方法

摘要

本发明公开了一种基于遗传算法的室内水下目标定位方法，将水下目标的定位问题转化为优化问题，并应用混合遗传算法求解优化问题，得出定位结果。遗传算法中涉及的目标函数、适应度函数以及约束条件根据具体的室内水下目标定位系统确定。与现有技术相比，本发明极大的提高了目标定位精度，且其具有很高的收敛可靠性和较高的收敛速度，也可使测量误差对定位精度的影响较小。本发明亦可扩展应用于其它基于测距信息对目标进行定位的系统中。

主权项

一种基于遗传算法的室内水下目标定位方法，其特征在于：该方法具体步骤如下：步骤一：明确室内水下目标定位系统结构；室内水下定位系统应用短基线原理，其测量部分主要包括一个水声换能器A，三个应答器B、C、D以及一个深度传感器E，水声换能器A以及深度传感器E安装在水下目标上，三个应答器B、C、D以水域中心为中心点，以三角阵的方式分布在定位水域内，两两距离不小于三分之一水域宽度且不大于二分之一水域长度，水听器与水域边界保持一定距离，不小于四分之一水域宽度，且水听器安置深度大致为水域深度的一半，不接触水域底部；步骤二：设定已知量和自变量；在水域内以水域中心位置为原点建立三维坐标系，水域纵向为x轴，横向为y轴，深度方向为z轴，目标即换能器A与三个应答器的距离通过水声测距原理得到，深度信息由深度传感器E测得，故已知量为水域纵向长度a、水域横向宽度b、水域深度c，三个应答器B、C、D的坐标，分别为(x₀,y₀,z₀)、(x₁,y₁,z₁)、(x₂,y₂,z₂)，以及目标与应答器B、C、D之间的距离s₀,s₁,s₂和目标的深度h；设定的自变量为目标的xy平面坐标(x,y)；步骤三：确立约束条件和目标函数；目标位于水域内，故约束条件为：$\left\{\begin{array}{c}-\frac{a}{2}\le x\le \frac{a}{2}\\ -\frac{b}{2}\le y\le \frac{b}{2}\end{array}\right.$根据几何定律，自变量与已知量之间存在以下定位关系：$\left\{\begin{array}{c}\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2}-s_0=n_1\\ \sqrt{{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2}-s_1=n_2\\ \sqrt{{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2}-s_2=n_3\end{array}\right.$n_i为测量时引入的噪声，将定位问题转化为极值优化问题：$\left\{\begin{array}{cc}find:& X=[x,y],X\in \Phi \\ \min :& f(x,y)=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(h-z_0)}^2-s_0^2+{(x-x_1)}^2+{(y-y_1)}^2+{(h-z_1)}^2-s_1^2+{(x-x_2)}^2+{(y-y_2)}^2+{(h-z_2)}^2-s_2^2}\end{array}\right.$式中Φ为定位方程组的解空间，f(x,y)为优化目标函数，当f(x,y)最小时，所对应的X即为目标定位结果；步骤四：应用混合遗传算法对f(x,y)进行优化，得到优化结果及对应的X，其具体步骤为：1)编码，确定变量上下限，生成初始群体；2)根据目标函数f(x)建立适应度函数使用适应度函数区分群体中的好坏；3)将交叉算子作用于群体；4)将变异算子作用与群体；5)依据自适应混合算子概率p_n，对群体进行经典算法局部搜索，自适应概率为p_n(t)＝p₀e^{‑a(1‑t/T)}，T为遗传算法中最大代数，t为当前进化的代数，常数p₀∈(0,1]，a取1；6)将选择算子作用与群体；7)终止条件判断；终止条件为是否超过最大进化代数；得到定位方程组解(x,y)，目标定位结果即为(x,y,h)。