基于遗传—改进蚁群融合算法的波浪滑翔机路径规划研究
发布时间：2021-03-29 05:52
波浪滑翔机是一种用于海洋环境观测的无人自主航行器,其独特的双体机构可以将波浪起伏转化为航行动力,具有超长续航、自主导航定位、人工智能识别等特点。波浪滑翔机可以根据任务需求搭载各种传感器,进行海洋环境的数据采集,实现海面、水下、空中的通信中继和目标监测。这种新型的监测平台,克服了传统海洋观测方式能源的限制,使长距离、长时间的海洋观测成为可能。我国已实现了波浪滑翔机的自主研发,掌握了通信、导航、监测等关键技术,其中路径规划是实现自主导航的前决条件,是研究工作的重点和难点。通过对路径规划算法的研究和分析,针对波浪滑翔机的动力特点和航行环境,本文提出了基于人工探路蚁的蚁群路径规划算法ACA-Apa（Ant Colony Algorithm based on Artifical Pathfinder Ant）。首先,引入人工探路蚁种群,通过探路蚁对可行节点方向的障碍物分布提前探索并将信息反馈给搜索蚁,增加了搜索蚁的视觉范围,避免了搜索蚁陷入障碍物内部出现折返或死亡现象,减小了算法陷入死锁的几率;其次,综合考虑海洋环境对波浪滑翔机航行速度的影响,提高了航线距离和耗时的综合效果;最后,引入变异算子,...
【文章来源】：青岛大学山东省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
波浪滑翔机示意图
青岛大学硕士学位论文8LiquidRobotics公司作为波浪滑翔机的行业领导者已经在推广“数字海洋”的概念。“数字海洋”将使水下传感器、无人水下潜航器、空中无人机以及卫星连接起来，并使他们相互共享数据和计算能力。波浪滑翔机可以穿越海面，将水下和空中平台之间的信息进行传递，还可以将信息传递到陆地中转站，在整个系统中的起着至关重要的作用。2.2蚁群算法2.2.1蚁群算法概述蚁群算法是一种用来搜索优化问题的自然种群仿生算法，于1992年Dorigo首次在他的博士论文中提出。1996年，Dorigo又在他的文章中系统的阐述了蚁群算法的基本原理和数学模型[14]，之后蚁群算法获得了蓬勃的发展，由单一的TSP领域扩展到多个应用领域，由离散问题领域扩展到连续问题领域。蚁群算法属于群体智能算法，是通过模拟蚂蚁觅食过程设计出来的，蚂蚁在觅食过程中会在走过的路径上分泌一种称之为信息素的物质，并且蚂蚁可以感知这种物质的浓度，蚂蚁总是朝着浓度高的方向移动，因此整个蚂蚁族群就表现出了对信息素的正反馈现象[15-16]。如图2.2所示，长度越短的路径上经过的蚂蚁越多，其遗留的信息素也就越多，后期过来的蚂蚁选择这条路径的几率也变得越来越大，从而构成了正反馈的过程，逐渐逼近最优路径。蚂蚁之间以信息素为交流媒介，从而判断洞穴到食物的最短路径。研究专家将蚂蚁的这种行为抽象出来，形成了蚁群算法的搜索行为[17]。图2.2蚁群算法原理示意图
青岛大学硕士学位论文13第三章基于海洋环境的改进蚁群算法3.1海洋环境建模3.1.1环境建模算法概述波浪滑翔机工作的海洋环境复杂多变，为了使规划出来的路径效果较好，应选择合适的建模方式，对波浪滑翔机航行观测的海洋区域进行环境建模。常用的建模方式有：可视图法、Voronoi图法、栅格法、自由空间法。（一）Voronoi图法Voronoi图,也称Thiessen多边形，是由连接两邻点直线的垂直平分线组成的连续多边形产生的连接图[31-32]，在地理、气象、机器人等诸多领域具有广泛的应用。它的构建方式是：首先构造一系列连接障碍物中心点的直线，然后做这些直线的垂直平分线，最后调整这些边，使其具有最少的顶点。如图3.1所示，将障碍物的外接圆膨胀，以此来将运动物体看做一个质点，忽略其体积大校然后将所有障碍物中心点连线的垂直平分线延长连接起来。最后，保留最合适的线段并连接起点和终点。图3.1Voronoi图法建模示意图基于Voronoi图的路径规划实时性较好，生成的路径安全性高，离障碍物较远且路径较为平滑，但不能保证路径的最优性。最终路径是由若干条固定的线段连接而成，线段条数少，路径较为平滑，但同样线段条数少，制约了路径的多样性，对于所有固定的局部路径线段来说，最终路径是最优的，从全局来看却不是最优。（二）可视图法
本文编号：3107028
【文章来源】：青岛大学山东省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
波浪滑翔机示意图
青岛大学硕士学位论文8LiquidRobotics公司作为波浪滑翔机的行业领导者已经在推广“数字海洋”的概念。“数字海洋”将使水下传感器、无人水下潜航器、空中无人机以及卫星连接起来，并使他们相互共享数据和计算能力。波浪滑翔机可以穿越海面，将水下和空中平台之间的信息进行传递，还可以将信息传递到陆地中转站，在整个系统中的起着至关重要的作用。2.2蚁群算法2.2.1蚁群算法概述蚁群算法是一种用来搜索优化问题的自然种群仿生算法，于1992年Dorigo首次在他的博士论文中提出。1996年，Dorigo又在他的文章中系统的阐述了蚁群算法的基本原理和数学模型[14]，之后蚁群算法获得了蓬勃的发展，由单一的TSP领域扩展到多个应用领域，由离散问题领域扩展到连续问题领域。蚁群算法属于群体智能算法，是通过模拟蚂蚁觅食过程设计出来的，蚂蚁在觅食过程中会在走过的路径上分泌一种称之为信息素的物质，并且蚂蚁可以感知这种物质的浓度，蚂蚁总是朝着浓度高的方向移动，因此整个蚂蚁族群就表现出了对信息素的正反馈现象[15-16]。如图2.2所示，长度越短的路径上经过的蚂蚁越多，其遗留的信息素也就越多，后期过来的蚂蚁选择这条路径的几率也变得越来越大，从而构成了正反馈的过程，逐渐逼近最优路径。蚂蚁之间以信息素为交流媒介，从而判断洞穴到食物的最短路径。研究专家将蚂蚁的这种行为抽象出来，形成了蚁群算法的搜索行为[17]。图2.2蚁群算法原理示意图
青岛大学硕士学位论文13第三章基于海洋环境的改进蚁群算法3.1海洋环境建模3.1.1环境建模算法概述波浪滑翔机工作的海洋环境复杂多变，为了使规划出来的路径效果较好，应选择合适的建模方式，对波浪滑翔机航行观测的海洋区域进行环境建模。常用的建模方式有：可视图法、Voronoi图法、栅格法、自由空间法。（一）Voronoi图法Voronoi图,也称Thiessen多边形，是由连接两邻点直线的垂直平分线组成的连续多边形产生的连接图[31-32]，在地理、气象、机器人等诸多领域具有广泛的应用。它的构建方式是：首先构造一系列连接障碍物中心点的直线，然后做这些直线的垂直平分线，最后调整这些边，使其具有最少的顶点。如图3.1所示，将障碍物的外接圆膨胀，以此来将运动物体看做一个质点，忽略其体积大校然后将所有障碍物中心点连线的垂直平分线延长连接起来。最后，保留最合适的线段并连接起点和终点。图3.1Voronoi图法建模示意图基于Voronoi图的路径规划实时性较好，生成的路径安全性高，离障碍物较远且路径较为平滑，但不能保证路径的最优性。最终路径是由若干条固定的线段连接而成，线段条数少，路径较为平滑，但同样线段条数少，制约了路径的多样性，对于所有固定的局部路径线段来说，最终路径是最优的，从全局来看却不是最优。（二）可视图法
本文编号：3107028
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3107028.html
