基于人工探路蚁的波浪滑翔机路径规划

发布时间：2021-10-25 04:57

　　波浪滑翔机是一种由海洋波浪驱动的新型海洋环境监测平台,为了实现波浪滑翔机的路径规划,提出了一种改进的蚁群算法,引入了人工探路蚁的概念,通过探路蚁对可行节点方向的障碍物分布提前探索,并将障碍物分布情况作为选择下一节点的考虑因素,如果障碍物分布复杂,如U型陷阱,就避免该节点。在此基础上,考虑了影响波浪滑翔机速度的主要环境因素,通过波浪滑翔机的速度预测模型,将所有海洋环境因素归一化为航行速度,并引入到算法的节点转移状态规则中。最后用最优最差奖惩机制改进蚁群算法的迭代信息素更新策略。实验结果表明,改进后的算法有效避免了算法死锁和局部最优解,提高了算法的收敛速度,规划出来的路线距离短,安全性高。 

【文章来源】：计算机工程与应用. 2020,56(04)北大核心CSCD

【文章页数】：6 页

【部分图文】：

波浪滑翔机结构图

蚁群算法是1994年Dorigo提出的一种相对成熟的群体智能优化算法，通过模拟自然界蚂蚁觅食的行为来寻求最优解。根据外界环境的变化，蚁群算法可以动态做出反应，且鲁棒性能好，被广泛应用于旅行商问题（Traveling Salesman Problem,TSP）、车辆调度问题、网络路由问题等实际问题中[10]。常规蚁群算法的节点选择方式是根据节点之间的信息素浓度和启发信息进行概率选择的，在t时刻，蚂蚁k从节点Xi转移到节点Xj的转移概率公式如下：

(1）更换仿真环境，增加障碍物分布的复杂情况。在新的静态环境中进行仿真实验，如图8所示，在图7仿真环境的基础上增加了障碍物的复杂情况。常规蚁群算法在遇到障碍物阻挡前进方向时，绕障碍物移动，没有提前探索到障碍物，这增加了路径的长度[20]。而改进蚁群算法提前探索到了障碍物的分布，提前舍弃该节点躲避了障碍物，相较于常规蚁群，路径长度较短，安全性更高。图7 改进算法和常规算法仿真路线对比

【参考文献】：
期刊论文
[1]自适应搜索半径蚁群动态路径规划算法[J]. 赵峰,杨春曦,陈飞,黄凌云,谈诚.  计算机工程与应用. 2018(19)
[2]基于改进蚁群算法的机器人路径规划[J]. 方春城,孙培明.  测控技术. 2018(04)
[3]机器人制孔自适应蚁群路径规划算法[J]. 刘艳梅,王鑫,马跃晏.  火力与指挥控制. 2017(10)
[4]复杂环境下基于改进人工蜂群算法的机器人路径规划[J]. 张林,徐曙,姚森敏,伍国兴.  机械设计与制造. 2017(10)
[5]求解TSP的改进信息素二次更新与局部优化蚁群算法[J]. 许凯波,鲁海燕,程毕芸,黄洋.  计算机应用. 2017(06)
[6]基于改进蚁群算法的移动机器人路径规划[J]. 朱颢东,孙振,吴迪,申圳.  重庆邮电大学学报(自然科学版). 2016(06)
[7]基于动态参数蚁群算法的寻源导热反问题研究[J]. 乔庆玲,卢玫,张翠珍,陶亮.  上海理工大学学报. 2016(02)
[8]基于信息素的自适应连续域混合蚁群算法[J]. 周袅,葛洪伟,苏树智.  计算机工程与应用. 2017(06)
[9]机器人全局路径规划的混合蚁群系统算法[J]. 吕金秋,游晓明,刘升.  计算机工程与应用. 2016(11)
[10]改进蚁群算法及其在机器人避障中的应用[J]. 裴振兵,陈雪波.  智能系统学报. 2015(01)

硕士论文
[1]波浪滑翔机速度预测与路径规划的研究[D]. 易龙江.青岛大学 2017



本文编号：3456696