基于改进神经网络的多AUV全覆盖路径规划

针对三维环境下的多自主水下机器人(Autonomous Underwater Vehicle,AUV)全覆盖路径规划问题,提出一种基于改进神经网络—Glasius生物启发神经网络（Glasius Bio-inspired Neural Network,GBNN）的全覆盖路径规划算法。对AUV的水下工作环境构建离散的三维栅格地图;根据栅格地图,建立相对应的三维GBNN模型;根据GBNN活性值的动态变化,AUV规划各自的搜索路径,对水下任务区域进行全覆盖搜索。仿真结果表示,多AUV可以协同完成覆盖搜索任务,能够自动避开各类静态和动态的障碍物,自动逃离路径的死锁区。     

一种自主水下航行器路径规划算法

提出了一种自主水下航行器穿越雷区的路径规划算法。将路径规划分为全局路径规划和局部路径规划两个部分,建立了水雷分布的Voronoi图,采用遗传算法规划出初步的全局最优路径。自主水下航行器按照全局最优路径航行时,利用前视声纳作为探测仪器。根据所测得的障碍物相对于自主水下航行器的位置关系设计出一个模糊推理系统(FIS)求解其避障角度,完成局部路径规划。仿真结果表明了这种算法的有效性。     

基于精英族系遗传算法的AUV集群路径规划

针对传统路径规划算法仅能规划单一最短路径且不能调节路径宽度而难以适用于自主式水下航行器(autonomous underwater vehicle, AUV)集群航路规划的缺陷, 提出了精英族系遗传算法(elite family genetic algorithm, EFGA)。该算法将基因适应度加入适应度评价函数中, 同时在进化过程中标记精英个体作为多路径规划结果, 并在该算法基础上针对AUV集群路径规划问题设计了一种多智能体路径规划(multi-agent path planning, MAPP)方法。仿真结果表明, 该算法可以求解无冲突路径集合实现MAPP, 通过实现AUV集群的最优多路径航行方案减少集群的航行耗时, 且能够满足不同AUV编队规模对可调路径宽度的需求。     

基于改进鲸鱼优化算法的AUV三维路径规划

自主水下机器人(autonomous underwater vehicle, AUV)已成为不同领域多种水下作业最有效的装备之一。针对其全局路径规划问题，提出了一种基于改进鲸鱼优化算法的求解方法。首先对于建模问题，在环境模型中，鉴于三维空间中设置路径点的复杂性，给出了基于连接型快速扩展随机树(connected rapidly-exploring random tree, RRT-Connect)的建模方法；在数学优化模型中，综合了路径平滑度、下潜梯度和航行时间等3项评价准则，并考虑了强海流及障碍物带来的相关约束。然后针对上述模型，提出了一种改进的鲸鱼优化算法。引入了基于问题连接结构的优化思想，据此在线构建了关键子集族和有效子集族，用于实时发现关键度和有效度较高的连接集，并增大其重复利用率，以提高算法的收敛速度和精度。此外，为更全面有效地利用历史进化信息，设计了多学习集构造个体引领者及联合引导策略，以进一步增强算法的整体性能。最后根据实际海底地形信息和不同海流模型，设置了多种路径规划情形进行仿真实验。结果表明，相对于文献中其他鲸鱼优化算法和经典算法，所提算法在求解精度、收敛速度和稳定性...     

变化海流环境下AUV能量最优三维路径规划

为获取变化海流环境下自主水下航行器(autonomous underwater vehicle, AUV)的能量最优路径, 基于最优控制理论提出一种用于AUV的三维能量最优路径规划算法。首先, 为了有效抑制海流对路径规划的影响, 将海流向量加入到AUV运动学模型中。其次, 在已知俯仰角及AUV位置的情况下, 利用庞特里亚金极小值原理, 获得能量最优控制律。最后, 利用线性定常系统的状态空间理论, 计算得到初始艏向角、航速以及能量消耗。在仿真环节, 通过与负反馈控制策略相比较, 说明所提算法能够规划出三维能量最优路径, 而且可以有效降低AUV的能量消耗。     

基于双向汇聚引导蚁群算法的机器人路径规划

路径规划是自主移动机器人技术的核心理论问题之一,论文采用网格法建立路径规划问题的环境模型,提出了基于先验知识的优势方位角,建立了主优势网格和次优网格的改进网格模型,并采用基于子路径认知方法的信息素释放策略,提出了起始点与目标点互换的交替双向引导策略,实现了一种汇聚融合的信息素结构,实现了基于改进网格模型的双向汇聚斑迹信息素蚁群算法。实验表明,该方法在求解具有复杂障碍物分布的大规模地图规划问题时,具有空间复杂度小和效率高的优点,大大提升了构建初始解及收敛的速度,具有很好的求解性能。     

基于分层马尔可夫决策过程的AUV全局路径规划研究

自主路径规划是自治式水下机器人(AUV)自主能力的重要体现,是保障AUV在大范围复杂海洋环境中自主完成使命作业的关键技术之一。提出了基于马尔可夫决策过程的路径规划方法;并建立了基本的马尔可夫决策模型和结合状态聚类的分层马尔可夫决策模型,同时给出了两种规划的仿真实验及结果分析。实验证明,此类方法能够很好地求解大范围复杂环境内AUV的二维路径规划问题。     

基于大范围海图数据的自主式水下潜器全局路径规划方法研究

在大范围海图数据环境中，应用遗传算法(GA)对自主式水下潜器(简称AUV)的全局路径规划问题进行了研究，介绍了基于栅格的环境模型及其数据结构，讨论了GA的染色体编码方式、基于知识的初始种群生成方法与适应度函数，基于领域知识设计了五种遗传算子。通过仿真结果可以看出：采用可变长编码方式使路径描述简单、清晰，算法具有收敛速度快、求解实际问题效率高的特点。     

复杂海事安全条件下的船舶应急航线决策方法

针对船舶作业需要满足的复杂海事安全条件,提出一种基于改进智能水滴-交互速度障碍的船舶应急航线自主决策方法.通过引入最优解邻域扩张机制增加解的多样性,对基本智能水滴算法进行改进,避免算法在寻优过程中陷入局部最优解导致算法"早熟".利用改进的智能水滴算法对已知环境进行全局航线决策,再利用交互速度障碍法根据遇到的动态障碍物进行局部航线重规划.仿真实验证明航线决策方法可以快速有效地规划出最优航线并实现实时动态避碰.     

基于模型参考的多自主水下航行器自适应覆盖控制

针对海洋监测过程中由水下粘滞物等因素引起系统模型参数变化的情况,提出了一种基于模型参考的多自主水下航行器(autonomous underwater vehicles,AUV)自适应覆盖控制方法,旨在合理分配多AUV资源,提高目标海域的监测效率。首先根据给出的系统代价函数,应用质心Voronoi分配原则对目标海域进行最优分配,确定多AUV最优监测目标。在此基础上,利用基于模型参考的自适应控制方法,设计在AUV模型参数未知的情况下,多AUV的最优覆盖控制方法,使得覆盖网络能够从任意初始位置收敛到最优覆盖配置。最后通过仿真实验验证了上述算法的可行性与有效性。     

基于双重遗传算法机制的路径规划

静动态障碍物同时存在的复杂环境下进行路径规划是一个比较难解决的课题.引入双重的遗传算法机制,提出了第一重遗传机制负责静态障碍物的避碰,第二重遗传算法机制以第一重机制规划出的最优路径为基础,负责动态障碍物的避碰的方法;设计优化算子,引入自适应技术提高路径的生成速度.实验表明,该方法能综合考虑多种因素,收敛到全局最优路径.     

实际环境中多无人车协同路径规划模型研究

地面无人车的集群作战运用是当前人工智能与作战指挥交叉领域的热点研究问题。针对实际环境中多无人车无法满足动态威胁条件下的协同路径规划问题,采用全局路径规划算法A-star与局部路径规划算法RL相结合的思路,从感知到行为决策全交互协同的角度开展多无人车协同路径规划模型研究,设计协同作战态势威胁算法、状态与动作空间、奖励函数、势力范围函数;设计协同作战编队构型策略生成及打击路径动态优化子模型,完成基于自主学习的多无人车协同路径规划控制模型构建与求解。结果表明：该路径规划模型可有效应对复杂城市环境下多无人车协同路径规划任务需求。     

VTS雷达及岸基溢油雷达组合选址优化

针对实际建址时存在障碍物遮挡和雷达传递衰减的船舶交通管理系统(Vessel Traffic Service, VTS)雷达及岸基溢油雷达组合选址问题,基于空间几何方法,在三维空间中提出了障碍物遮挡判断方法,并引入衰减函数进行雷达衰减测度,以建站成本最小和水域面积覆盖率最大为目标建立多目标选址模型。根据问题设计了自适应混沌多目标粒子群算法,在满足位置约束时生成初始解,提高算法求解速度;引入混沌机制和飞蛾火焰算法的螺旋搜索机制对粒子速度及位置更新策略进行改进,增强算法的局部和全局搜索能力。通过算例验证了本文所提出的判断方法及模型的有效性。研究成果不仅深化和拓展了VTS雷达选址及溢油问题的相关研究,也为海事主管机构在进行VTS雷达站及溢油雷达选址时提供理论依据。     

一般两层非线性规划问题的模拟退火全局优化

提出了一种基于模拟退火算法求解一般两层非线性规划问题的全局优化策略.采用模拟退火算法è求解上层问题,用精确惩罚函数处理约束,保证了算法稳定迅速地收敛于全局最优解.为了提高算法的效率,对标准模拟退火算法采取了一些改进措施.下层的非线性规划问题则采用可变容差单纯型算法完成求解.所设计的组合算法思路清晰,编程简单,数值计算结果表明,该算法有着良好的全局收敛可靠性和较高的收敛速度,是求解一般两层非线性规划问题的一种有效算法.     

基于改进蚁群算法的建筑火灾疏散路径规划研究

针对综合建筑火灾中人员疏散路径动态规划问题,以待疏散人员所需逃生时间最短为目标,考虑火灾产物和人群密度对人员逃生速度的影响,构建基于改进蚁群算法的人员疏散路径规划模型。建立由障碍物顶点栅格构成的疏散网络数据模型,改进蚁群算法的启发函数、死锁处理策略,引入烟花算法中的爆炸算子优化蚂蚁路径,以某综合建筑为例进行仿真实验。结果表明：该模型不仅能够避免疏散路径经过危险区域,还可根据建筑环境状况和人员分布情况实时调整疏散路径,提高了人员疏散路径安全性。     

海流建模及其在路径规划中的应用

对水下航行器进行路径规划时,除了要考虑所规划的路径长度外,还需要考虑所规划路径满足航行器能量消耗约束,其中海流是影响航行器能量消耗的重要因素,为考虑海流对路径规划的影响,这里提出了一种利用B样条曲面对动态海流环境进行建模的方法,并将海流对航行器能量消耗的影响作为约束函数应用到路径规划算法中,使航行器能够在路径的搜索过程中,综合考虑全局路径消耗和能量消耗,寻找能够实现目标函数最优的路径;另外考虑到海流各向异性、时变的特性,对路径规划算法进行改进,使航行器规划路径能够利用海流模型,避开局部湍流,并根据动态海流信息实时对所设计路径进行修正。通过仿真验证,将建立的海流模型应用到路径规划算法后,改进的路径规划算法可以利用海流减少航行器的能源消耗,根据海流的实时变化调整航行路径,航行器满足安全运动条件,并实现在满足能源消耗前提下的路径长度最优。     

基于改进PID神经网络算法的AUV垂直面控制

针对一类小型低速自主水下航行器(AUV)的垂直面运动控制问题,设计了一种改进的PID神经网络控制器,实现对水下航行器在垂直面内深度和俯仰角的全局控制。利用REMUS水下航行器模型搭建了Simulink下AUV垂直面仿真控制系统,仿真结果表明,改进的控制方法克服了原方法中饱和区过大的问题,具有良好的动态性能同时能够适应不同的学习速率和网络初始权重,对水下航行器的工程实际应用具有一定参考价值。     

基于蚁群算法的水下潜器全局路径规划技术研究

全局路径规划是水下潜器智能控制的关键技术之一,其任务是在已知障碍物的环境中按照某一最优指标寻找一条从起始点到目标点的无碰路径。文章使用蚁群算法对水下潜器三维空间全局路径规划问题进行了研究,讨论了三维空间的抽象环境建模方法,依据安全性、经济性和路径最短原则设计了算法适应值评价函数,综合利用迭代最优和全局最优信息设计了信息素更新规则,仿真结果验证了算法的正确性和有效性。     

连续搜索路径的最优化计算

在搜索状态建模和一阶搜索状态方程求解的基础上,建立了对随机运动进行连续搜索的发现概率最优控制模型。应用动态规划原理给出了最优搜索路径的逼近算法。算例表明,在目标初始位置和速度均服从圆正态分布的条件下,最优路径算法收敛。     

非确定环境下基于分层理论多无人机动态协同设计

针对非确定环境下多无人机自主协同控制这一多约束、强耦合非线性优化问题,采用分层理论将其分解成三个相对独立子层,即协同感知层、环境态势理解层和协同全局重规划层.协同感知层借助"层协作感知"算子来进行多模信息融合,解决非确定环境下目标(包括静态确定目标和动态非确定目标)的感知与识别;环境态势理解层则是解决动态非确定环境更新,以及基于窗口势场法的障碍物(威胁目标)规避问题;而协同全局重规划层则是利用"层场景引擎"来实现多机非确定环境下的自主协同、路径快速寻优及状态决策.模拟结果显示构建的多机自主协同模型能较好地解决非确定环境下的路径寻优和状态决策问题.