一种基于粒子群算法的自适应三维空间路径规划方法

摘要

本发明提出一种基于粒子群算法的自适应三维空间路径规划方法，针对海底地形高程图。首先初始化粒子的空间位置和位移，在初始化空间位置时进行了维度重构，初始化第一代粒子所经过的最佳位置及群体当代所发现的最佳位置，然后更新粒子的下一代位移以及空间位置，在更新中引入吸引算子和排除算子，通过计算粒子的适应度，更新粒子下一代所经过的最佳位置以及种群所发现的最佳位置，反复更新粒子的位移以及空间位置，直到完成所要求的迭代次数。本发明方法对寻路环境没有特殊要求，在路径规划过程中的收敛速度、收敛精度及自适应性都得到了提高，并使粒子节点在空间中自由移动成为可能，增大了寻路的成功率，减少了路径规划的计算量。

主权项

一种基于粒子群算法的自适应三维空间路径规划方法，环境数据为海底地形高程图，其特征在于，该方法包括以下步骤：步骤1，初始化参数，过程为：首先，在海底地形高程图的范围内随机初始化粒子初始种群迭代次数k＝1，为组成粒子的节点；i＝1,2,...,n，表示第i个粒子，n≥1为种群数量；j＝1,2,...,m，表示某粒子的第j个节点，m≥3为节点个数；令其中S,D分别为寻路的起始点和目标点；然后，对各粒子的节点的次序，按照重构指标进行重构，第i个粒子的第j个节点的重构指标λ_j为：初始化第i个粒子的第j个节点位移设置最大移动步长step_max和最小步长step_min，0≤step_min≤step_max；设置惯性权重的最大值ω_max和最小值ω_min，0＜ω_max≤1，0≤ω_min≤ω_max；设置自身学习因子的最大和最小值分别为设置全局学习因子的最大值和最小值分别为设置最大种群迭代次数为k_max；步骤2，记录第k＝1代时，第i个粒子所经过的最佳位置然后确定各粒子的适应度值，的适应度为：其中，为粒子所表示的路径的长度；为惩罚因子，常量M＞0，为粒子的节点在障碍物内的个数；最后，取集合中适应度值最小的粒子，设为X_i′，令群体当前所发现的最佳位置$P^g=\left\{P_j^g\right\}=X_{i^{\prime }};$步骤3，确定粒子各节点的位移包括两种方法：(1)吸引算子与粒子群算法采用紧耦合策略，则位移为：(2)吸引算子与粒子群算法采用松耦合策略，则位移为：(1)和(2)中，惯性权重惯性权重单调控制量u_ω≥0；自身学习因子$c_1=c_1^{\max }-{\left(\frac{k}{k_{\max }}\right)}^{u_c}·(c_1^{\max }-c_1^{\min }),$全局学习因子$c_2=c_2^{\min }+{\left(\frac{k}{k_{\max }}\right)}^{u_c}·(c_2^{\max }-c_2^{\min }),$学习因子单调控制量u_c＞0；为[0,1]区间的随机数；吸引算子阻力系数为排除算子；(2)中的表示原粒子群粒子位移；步骤4：确定当代最大位移模量step_k：${\mathrm{step}}_k={\mathrm{step}}_{\max }-{\left(\frac{k}{k_{\max }}\right)}^{u_s}·({\mathrm{step}}_{\max }-{\mathrm{step}}_{\min })$最大位移模量单调控制量u_s＞0；判断步骤3得到的是否大于step_k，若是，则令否则令确定节点$A_{i,j}^k(i=\mathrm{1,2},...,n,j=\mathrm{2,3},...,m-1)$下一代的位置于是第k+1代粒子$X_i^{k+1}=\left\{A_{i,j}^{k+1}\right\}(i=\mathrm{1,2},...,n,j=\mathrm{1,2},...,m);$步骤5：确定第k+1代粒子的适应度值，适应度为：若$F\left(X_i^{k+1}\right)<F\left(P_i^b\right),$则令$P_i^b=X_i^{k+1};$步骤6：设为中适应度值最小的位置，若则令步骤7：更新当前迭代次数k＝k+1，并判断当前迭代次数k是否大于最大迭代次数k_max，若是则结束本方法，否则转步骤3执行。