基于改进粒子群算法的无人艇路径规划方法及系统与流程
本公开涉及无人艇路径规划技术领域，特别是涉及基于改进粒子群算法的无人艇路径规划方法及系统。
背景技术：
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
众所周知，多传感器融合是无人飞行器自主导航的一个重要问题，特别是在实际环境中进行非预期变化时。借助于温湿度传感器、碰撞传感器、流速和流速传感器、位移传感器等多种传感器，无人驾驶飞行器已有效地应用于探空探测、环境监测、水声、海上救援、目标跟踪，以及水监测。在这些情况下，来自多个传感器的所有感知信息被组合起来并有效地利用，以生成无人驾驶车辆跟踪的理想轨迹，这通常被表述为旅行商问题(tsp)。
tsp在1979年被证明是一个典型的非确定性多项式硬组合优化问题。它的目标是设计出一条最短的路线，让旅行者无需重复地游览每个城市，最终返回出发城市。随着搜索空间趋于无穷大和复杂，传统的精确算法，如枚举法，无法在精确的计算时间内接近精确解。因此，需要开发具有自组织和自适应能力的新算法，以发现适当的解决方案，牺牲运行速度的最优性、准确性和完整性。受自然进化模型和自适应种群进化的启发，集体智能方法包括遗传算法、粒子群优化(pso)、蚁群优化(aco)、人工鱼群算法和人工蜂群算法，tsp已进入快速发展阶段。
粒子群优化是1995年由eberhart和kennedy提出的一种进化元启发式技术。它通过一组候选解(称为粒子)在多维搜索空间中以一定的速度移动这些粒子来解决优化问题。通过一个适应度函数来评估每个解，所有粒子的运动都由它们自己的经验以及整个群体的经验动态引导。最后，预计蜂群将朝着最满意的解决方案前进。pso算法具有收敛速度快、参数设置简单、易于实现等优点，在函数优化、神经网络训练、模糊系统控制等领域得到了广泛的应用。
众所周知，粒子群优化算法的性能很大程度上取决于探索(即搜索更广阔的空间)和开发(即移动到局部最优)之间的适当平衡。指出pso参数的调整对优化性能有重要影响。因此，选择合适的参数来提高算法的有效性一直是许多研究的热点。
此外，随着智能算法和自主导航技术的快速发展，粒子群算法也成功地应用于车辆路径规划问题。但是，发明人发现，现有技术中基于粒子群算法实现的无人艇路径规划，存在规划路径过长、路径规划结果容易陷入局部最优、路径规划结果不够准确的技术问题。
技术实现要素：
为了解决现有技术的不足，本公开提供了基于改进粒子群算法的无人艇路径规划方法及系统；
第一方面，本公开提供了基于改进粒子群算法的无人艇路径规划方法；
基于改进粒子群算法的无人艇路径规划方法，包括：
获取无人艇的待经过的若干个位置点；
基于改进的粒子群算法，将无人艇的待经过的若干个位置点作为输入值，经过迭代计算后，获得一条无人艇的最优移动路径；
其中，改进的粒子群算法，是基于线性下降惯性权重、自适应控制加速度系数和随机分组反演的优化策略对粒子群算法进行改进得到的；
根据最优移动路径，控制无人艇进行移动。
第二方面，本公开还提供了基于改进粒子群算法的无人艇路径规划系统；
基于改进粒子群算法的无人艇路径规划系统，包括：
获取模块，其被配置为：获取无人艇的待经过的若干个位置点；
最优移动路径获取模块，其被配置为：基于改进的粒子群算法，将无人艇的待经过的若干个位置点作为输入值，经过迭代计算后，获得一条无人艇的最优移动路径；其中，改进的粒子群算法，是基于线性下降惯性权重、自适应控制加速度系数和随机分组反演的优化策略对粒子群算法进行改进得到的；
控制模块，其被配置为：根据最优移动路径，控制无人艇进行移动。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本公开的有益效果是：
(1)通过对加速度系数和惯性权重等重要参数进行迭代调整，有效地减小了路径长度，增强了鲁棒性；
(2)通过随机分组反演策略保持了群的多样性，加快了算法的收敛速度全局收敛，避免早熟种群，保持解的精度；
(3)通过将传统粒子群优化算法与三种优化策略相结合，生成长度满足且无自交叉的可行路径。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为第一个实施例的粒子群优化算法中粒子位置更新的示意图；
图2(a)-图2(e)为第一个实施例的五个计划点的每个算法的解分布；
图3(a)-图3(e)为第一个实施例的每个算法在5个总体规模下的解分布；
图4(a)-图4(e)为第一个实施例的每种算法的最优路径距离对迭代次数的演化曲线；
图5(a)-图5(e)为第一个实施例的五个tsplib示例的最佳路径；
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了基于改进粒子群算法的无人艇路径规划方法；
基于改进粒子群算法的无人艇路径规划方法，包括：
s1：获取无人艇的待经过的若干个位置点；
s2：基于改进的粒子群算法，将无人艇的待经过的若干个位置点作为输入值，经过迭代计算后，获得一条无人艇的最优移动路径；
其中，改进的粒子群算法，是基于线性下降惯性权重、自适应控制加速度系数和随机分组反演的优化策略对粒子群算法进行改进得到的；
s3：根据最优移动路径，控制无人艇进行移动。
作为一个或多个实施例，改进的粒子群算法具体步骤包括：
s201：初始化，选择种群大小和最大迭代次数；定义适应度函数；
基于自适应控制加速度系数优化策略设置加速度系数c1和c2；
基于线性下降惯性权重优化策略设置惯性权重w；
s202：对每个粒子，初始化速度和位置，评估初始适应度值，记录初始个体最优位置和粒子群最优位置；
s203：判断是否达到最大迭代次数或者误差值小于设定最小误差值；
如果是达到最大迭代次数，或者误差值小于设定最小误差值；则结束；
如果没有达到最大迭代次数，或者误差值大于等于设定最小误差值，则进入s204；
s204：对每个粒子更新个体速度和个体位置，评估新的适应度值；
基于随机分组反演优化策略，将种群划分为若干个子种群，并对每个子种群进行独立进化；
更新每个粒子的个体最优位置和粒子群最优位置，返回s203。
作为一个或多个实施例，基于自适应控制加速度系数优化策略设置加速度系数c1和c2；具体步骤包括：
k＝p/n(6)
c1＝(c1max-c1min)k+c1min(7)
c2＝(c2max-c2min)k+c2min(8)
其中，p代表在一次迭代中成功收敛的粒子数；k表示评价系数；k为一次迭代中成功收敛粒子数量与初始群大小的比值；n代表总的粒子数；c1和c2为加速度系数；c1max为c1的最大值；c1min为c1的最小值；c2max为c2的最大值；c2min为c2的最小值。
作为一个或多个实施例，基于线性下降惯性权重优化策略设置惯性权重w；具体步骤包括：
采用迭代过程中线性下降的形式动态调整惯性权重w：
w＝wmax-m×(wmax-wmin)/m(3)
其中，wmax表示惯性权重w的最大值，wmin表示惯性权重w的最小值；m表示当前迭代次数，m表示最大迭代次数。
作为一个或多个实施例，基于随机分组反演优化策略，将单种群划分为若干个子种群；具体步骤包括：将全部粒子顺序打乱，以四个为一组进行独立进化，直至所有粒子都完成进化，得到进化后的新粒子群。
作为一个或多个实施例，更新每个粒子的个体最优位置和粒子群最优位置，具体步骤包括：
其中，m和s分别表示当前迭代次数和第s维，r1和r2是在0和1之间均匀分布的随机数，w是pso的控制参数。
为了克服传统粒子群优化算法早熟和人为经验确定参数等缺点，提高求解的精度和算法的鲁棒性，本公开提出了三种优化策略：线性下降惯性权重法，自适应控制加速度系数，随机分组反演。利用蒙特卡罗模拟方法对5个tsplib实例进行了仿真研究，并对基于多传感器数据的自主式无人艇导航系统进行了应用试验。比较结果表明，自适应控制的加速度系数对减小路径长度起到了重要作用，而线性下降的惯性权重有助于提高算法的鲁棒性。同时，随机分组反演优化了局部搜索能力，通过将单个种群随机划分为若干个子种群来保持种群多样性。粒子群算法结合这三种策略，尽管在保持解的精度和避免陷入局部最优时需要更多的时间，但是能够以最短的轨迹和更强的鲁棒性表现出最佳的性能。实验结果证明了该方法的有效性和效率。
为了在动态环境下为自主式水下航行器规划多目标优化路径，采用粒子群优化算法寻找合适的临时航路点，并结合航路点制导生成最优路径。为了避免早熟种群、路由自交叉和增强鲁棒性，本公开在pso算法的基础上，结合线性下降惯性权重、自适应控制加速度系数和随机分组反演等优化策略，提出了三种改进算法。首先，对5个tsplib实例进行了100次montecarlo仿真，比较了每种改进算法在路由长度、计算效率和算法鲁棒性方面的有效性。并将改进的粒子群算法应用于自主研制的多传感器数据usv的导航、制导和控制系统。
传统的粒子群优化算法是一种基于种群的随机优化方法。在演化过程开始时，pso算法在s维搜索空间内随机生成n个候选解(即n个粒子)。对于第i粒子，其位置可以由矢量xi＝(xi1,xi2,...,xis)t表示，同时，其速度可以由向量vi＝(vi1,vi2,...,vis)t表示。对于tsp和路径规划问题，将适应度函数定义为1/d(d为路径长度)。对于每一次迭代，所有的粒子都依赖于两种经验来指导它们的运动：一种是迄今为止个体已知的最佳位置(pis)，另一种是迄今为止整个粒子群已知的最佳位置(pgs)。相应地，每个粒子的速度和位置根据公式(1)和(2)进行更新。
其中m和s分别表示当前迭代次数和第s维。r1和r2是在0和1之间均匀分布的随机数。c1、c2和w分别是pso的控制参数，称为个人认知系数、社会认知系数和惯性权重。
应该注意的是，公式(1)的右边有三个速度项。
加速度系数c1和c2在平衡个人认知和社会认知引导粒子朝着目标最优解移动的影响方面起着重要作用。c1和c2的值通常建议为2。此外，有报道称，r1和r2的随机特性可以减弱个体最知名位置和群体最知名位置对速度更新的影响。可以保持种群多样性，在一定程度上避免早熟种群现象。
图1显示了连续两次迭代中粒子位置变化的示意图。当达到最大迭代次数(m)或最小误差阈值时，终止算法过程。传统粒子群优化算法的伪码如表1所示。
表1传统粒子群算法的伪码
线性下降惯性权重：
惯性权重w反映了历史速度对每个粒子当前速度的影响，它可以平衡当前和全局搜索的能力。
当w＝0时，根据公式(1)可以发现，粒子速度仅取决于其当前对个体最优位置(pis)和群体最优位置(pgs)的认知。
如果一个粒子在它当前的pgs中，它将保持静止，而其他粒子将以pis和pgs的加权速度飞行。
在这种情况下，整个群体将被拉向当前pgs并收敛到局部最优。
相反，借助于惯性分量，所有粒子都有探索更大空间的倾向。因此，当面临函数优化、神经网络训练、模糊系统控制等各种优化问题时，需要调整w值，以平衡局部搜索和全局搜索的算法能力。
此外，惯性权重w也影响全局搜索行为，特别是收敛行为。
一般来说，w的值越小有助于加快全局最优解的收敛速度，而w的值越大则有助于探索整个搜索空间。
为了在早期迭代过程中获得更好的全局搜索能力，并在后期迭代过程中提高局部利用率，避免陷入局部最优，根据公式(3)，采用迭代过程中线性下降的形式动态调整惯性权重w。
w＝wmax-m×(wmax-wmin)/m(3)
其中wmax和wmin分别表示惯性权重w的最大值和最小值。
自适应控制加速度系数：
加速度系数c1和c2反映了粒子之间的信息交换，决定了粒子在个人认知和社会认知的指导下，在一次迭代中向目标解移动的距离。
加速度系数的小值会使粒子远离目标区域，而加速度系数的大值会促使粒子快速向目标区域移动，但最终偏离目标区域。
当c1和c2都等于零时，粒子将以其当前速度飞行，直到到达搜索空间的边界。因此，在有限的搜索空间内很难找到满意的解。
如果c1为零，粒子将失去认知功能。虽然考虑到粒子间的相互作用可以扩大搜索空间，但在面对复杂的优化问题时更容易陷入局部最优。
当c2为零时，群中不存在信息交换；每个粒子将独立工作。几乎不可能找到最优解。
c1和c2的值在传统pso的整个进化过程中保持不变。但是，固定的设置有其固有的局限性：较大的值会使每个粒子快速收敛到局部最优，而较小的值会导致每个粒子远离目标区域。
因此，采用了迭代线性变化速度系数的概念，在迭代的早期阶段使用相对较大的c1和相对较低的c2。随着迭代次数的增加，c1的值线性减小，而c2的值线性增大，如公式(4)和(5)所示。
研究表明，线性变化的加速系数有助于降低迭代初期的早熟收敛概率，提高迭代后期的收敛性能。
其中下标max和min代表加速度系数c1和c2的最大值和最小值。
然而，在整个进化过程中，当加速系数的值线性变化时，加速系数对算法收敛性的影响受到限制。例如，社会信息对算法后期的搜索效率有较大的影响，而加速度系数的简单线性变化并不能及时实现这一点。
因此，本公开根据算法的收敛程度引入了一个评价参数k，其值定义为一次迭代中成功收敛粒子(称为有利粒子)数量与初始群大小的比值，如等式(6)所示。然后利用方程(7)和方程(8)，利用评价参数(k)自适应地控制加速度系数的变化率。
k＝p/n(6)
c1＝(c1max-c1min)k+c1min(7)
c2＝(c2max-c2min)k+c2min(8)
其中p代表可以在一次迭代中成功收敛的粒子数。
自适应控制加速度系数策略利用评价参数k将加速度系数的值与优化状态相关联。随着迭代次数的增加，群中有利粒子的数目也在增加，这将扩大有利粒子对整个群的影响。因此，应该尽可能地保护优秀的解决方案，以帮助避免局部最优。
随机分组反演：
cpso使用一个由所有粒子组成的种群来进行进化，因此，它很可能导致一种现象，即所有粒子都聚集在某个位置上，并停止探索搜索空间的其他区域。为了避免早熟种群的发生，提出了随机分组反演的概念，并在每次迭代过程中，在更新pis和pgs之前加入随机分组反演，将单种群划分为若干个子种群，并进行独立进化，从而增强了种群的多样性，加速了整个种群的全局收敛。
对于子种群中的粒子数，初步研究表明，较大的粒子数会降低基于价值的选择的内在能力，而较小的粒子数则会削弱分组机制的作用。最后，这个数字被设置为4；换句话说，4个粒子被随机排序，形成一个子种群。
在随机分组策略的基础上，进一步提出了一种模拟生物进化过程中的反转操作的算法，在评估每个粒子的适应度之后，所有四个粒子都聚集在每个子群发现的局部最优值周围，然后对四个粒子中路径值最小的粒子进行反演，生成新的粒子并替换子群中的任意两个原始粒子，其中对随机选择的两个反演点的tsp旅行顺序进行交换。
局部最优值指的是，计算四个粒子的路径值，比较出最小路径值，即为当前状况下的最优值。
对四个粒子中路径值最小的粒子进行反演，反演方式即通过随机数确定两个反演点，将两个反演点的tsp顺序交换，形成新的粒子，替换原来四个粒子中的任意两个，完成反演过程。
所述反演点，是指：随机数所代表的tsp旅行顺序。
事实上，随机分组反演的策略是基于达尔文的进化论：种群的内部竞争和不确定性突变。从理论上讲，种群的内部竞争是一个择优选择的过程，即只有最适者生存。倒置是一种不确定突变，有助于维持种群多样性。最终，群粒子池不仅保留了每个子群中最合适的个体，而且还保留了基于反演的变体。因此，该策略有助于增强种群多样性，提高群体优化的有效性。随机分组反转伪码如表2所示。
表2随机分组反转伪码
在传统粒子群优化算法的基础上，提出了三种改进策略的算法：自适应控制加速度系数算法(apso)、自适应控制加速度系数算法和线性下降惯性权重算法(awpso)，该算法综合了加速度系数自适应控制、惯性权重线性下降和随机分组反演(awipso)的优点。为了消除粒子群算法在matlab操作环境下的随机性，本节采用蒙特卡罗仿真方法，从规划点数、群大小和计算效率三个方面比较了各种算法对tsp的性能。为了避免计算机模型对算法运行能力的影响，所有的仿真都在同一台内存为8.0gb的计算机(intel(r)core(tm)i7-7700hqcpu@2.80ghz)上进行。此外，所有示例实例都取自tsplib。
不同规划点数的比较研究：
tsplib中考虑的五个实例是burma14、ulysses22、eil51、eil76和rat99。相应地，计划点(q)的数量分别为14,22,51、76和99，最大迭代次数(m)分别设置为100,200,1600、2000和2000。每个算法的种群大小(r)设置为500。对于cpso，加速度系数c1和c2在值为2，w在值为0.9。对于改进算法，在进化过程中，个体认知系数c1的变化范围设定为0.9-1.2，社会认知系数c2的变化范围为0.2-1.0。对于线性下降惯性权重w，该值从0.9变为0.4。各算法的参数设置详见表3。
表3.每个算法的参数设置
对每个tsp实例进行了100次蒙特卡罗仿真，得到了四种算法的最优路径距离(d)数据集。比较结果以方框图和晶须图的形式呈现(见图2(a)-图2(e))。关于盒子和胡须的传说和解释是指m.e.spear的作品。在每个方块图中，一个范围条代表数据集的四分位范围，它在一定程度上指示了数据分散的程度和算法的健壮性，中间值和平均值在条形图中用线和加号标识，同时，胡须被拉长在棒的两侧，两端分别代表最优值和最差值。
此外，表4列出了每个算法的数据集和每个计划点的详细统计信息，包括已知的tsplib最优解、最差、最佳和最优路径距离的平均值。此外，计算标准差以显示数据集与平均值的距离，它代表算法的稳健性。
在图2(a)中的burma14实例中，可以看到，所提出的优化策略有助于降低d的平均值，并使数据集更紧密地聚集在一起。然而，在路径距离和算法鲁棒性方面，三种改进算法的差异小于0.4％。
当计划点数(q)增加时(见图2(b)-图2(e))，自适应控制加速度系数、线性下降惯性权重和随机分组反演各自的优点逐渐显现出来。对于q＝76，自适应控制的加速系数策略在将apso与cpso进行比较时在减少路径长度方面起到了实质性的作用。同时，线性下降的惯性权重主要影响数据的离散度。awpso的标准偏差为52.48m，比apso低10.7％。相比之下，awipso的平均最短路径距离为590.1m，最小标准差为12.4m，具有明显的优越性，说明随机分组反演策略在减少路径长度和提高算法鲁棒性方面都有相当大的作用。此外，当q＝99时，awipso的最优值为1248m，仅比tsplib的已知最优解大3％。
不同群体大小的比较研究：
选择了eil51计划点的tsp实例作为工作条件。五种群大小(r)分别为300、400、500、600和700。此外，每个算法的最大迭代次数(m)设置为500。每个算法的其他参数设置，如c1、c2和w，与不同规划点数的比较研究中的参数设置相同。
对每个算法和每个种群进行了100次蒙特卡罗模拟。比较结果以图3(a)-图3(e)中的五个方框图和触须图的形式显示。表5列出了最佳路径距离的详细统计数据，包括四个数据集的摘要。
当种群大小为300时，如图3(a)所示，三种优化策略各自的优点可以类似地归纳为图2(a)-图2(e)所示。自适应控制的加速度系数有助于缩短路径距离。与apso和awpso的进行比较时，线性下降惯性权重对数据分散度降低2.1％有一定影响。平均最优路径长度为457.0m，标准差为9.9m，与awpso相比，随机分组反演在缩短路径距离和提高算法鲁棒性方面效果明显。此外，中值几乎与每个条中的平均值一致，这意味着所有算法都可以在eil51条件下产生均匀分布的数据。
表45个规划点的100次最优路径距离的统计结果
表5.五种群规模下100次最优路径距离的统计结果
一般来说，群大小对算法性能的影响是，随着群大小的增加，每个算法的全局最优距离可以进一步减小。例如，对于r＝700，cpso的平均d值为785.0m，与r＝300的情况相比减少了10％。对于awipso，当r＝700时，平均d为456.1m，相对于r＝300，仅减少0.2％。结果表明，群规模对算法性能的影响并不明显。此外，虽然每种算法的鲁棒性都会因群体规模的变化而略有变化，但并没有发现规律性的变化趋势。相比之下，awipso始终是最有利的算法。最优路径长度和算法鲁棒性几乎不受群大小的影响。当r＝700时，awipso的平均距离为456.1m，标准差为9.2m，分别比cpso小42.0％和78.3％。
计算效率比较结果：
给出了五个不同规划点的tsplib实例的演化曲线，以比较每种算法的计算效率。选择了两个主要的效率评价指标：时间消耗和收敛速度。前者指的是完成最大迭代次数的时间消耗，后者指的是解决方案收敛到最佳值的迭代次数(mcri)。图4(a)-图4(e)显示了500次迭代中每个算法的最优路径距离(d)相对于迭代次数(m)的演化历史。同时，关于每个算法的计算效率的所有详细信息都列在表6中。
一般来说，在初始阶段，随着迭代次数的增加，每种算法的最优路径距离演化曲线急剧下降，然后下降的趋势变得温和一些，最后达到临界数水平(mcri)。进化曲线的发展和全局最优距离的大小完全取决于规划点的数目和所使用的算法。随着规划点数(q)的增加，每种算法的临界数和最优距离都有增加的趋势。
相比之下，与本节中考虑的五个计划点的其他算法相比，awipso收敛到最短路径距离；此外，当p小于22时，awipso的临界值与其它的临界值没有明显的差异。然而，随着q的增加，awipso需要最多的迭代次数来收敛。例如，当q＝76时，awipso的mcri为378，分别是cpso、apso、awpso的6、1.9和1.4倍。这背后的原因可能是，具有更多计划点的条件会增加路径的复杂性，并且对算法性能有更强的需求，特别是在避免过早收敛。换言之，在进化过程中，cpso、apso和awpso可能陷入局部最优，导致mcri相对较小，而awipso可以保持解的精度，在收敛前需要更多的迭代。在计算时间上，当q＝99时，awipso比cpso、apso和awpso完成相同迭代次数的时间分别多6.7、2.4和2.4倍。为了减小路径距离，需要将计算时间开销扩展到一定程度。
此外，图5(a)-图5(e)显示了使用awipso的五个tsplib实例(burma14、ulysses22、eil51、eil76、rat99)的最佳轨迹。横坐标和纵坐标分别代表纬度和经度的值。起点封闭在矩形框中，箭头表示计划路径的方向。可以观察到，随着q值的增大，轨迹的形状和距离变得更加复杂。
表6.各算法计算效率的仿真结果
多传感器融合是usv自主导航的一个重要问题。本公开在传统粒子群优化算法的基础上，提出了三种在实际海洋环境中实现usv实时自主导航的优化策略：线性下降惯性权重法、自适应控制加速度系数法和随机分组反演法。对五个tsplib实例进行了montecarlo仿真，并对无人驾驶地面车辆进行了应用试验，揭示了它们各自或组合的优点。结果如下：
(1)自适应控制的加速系数利用了有利粒子对群的影响，提高了早期迭代全局搜索和后期局部搜索的能力。该策略在减少路径长度方面发挥了重要作用。
(2)线性下降的惯性权重主要有助于提高算法的鲁棒性。
(3)随机分组反演优化了局部搜索能力，保持了种群多样性，避免了早熟种群，保持了求解精度。
(4)将这三种策略相结合的粒子群优化算法在生成最满意长度且不存在自交叉的路由时具有优越性。然而，在全球趋同之前需要更多的时间消耗。
(5)规划点越多，生成的轨迹越复杂，对算法性能要求越高。然而，每种算法的群规模对路径规划的影响都是不规则的，在一定程度上可以忽略不计。
实施例二，本实施例还提供了基于改进粒子群算法的无人艇路径规划系统；
基于改进粒子群算法的无人艇路径规划系统，包括：
获取模块，其被配置为：获取无人艇的待经过的若干个位置点；
最优移动路径获取模块，其被配置为：基于改进的粒子群算法，将无人艇的待经过的若干个位置点作为输入值，经过迭代计算后，获得一条无人艇的最优移动路径；其中，改进的粒子群算法，是基于线性下降惯性权重、自适应控制加速度系数和随机分组反演的优化策略对粒子群算法进行改进得到的；
控制模块，其被配置为：根据最优移动路径，控制无人艇进行移动。
作为一个或多个实施例，最优移动路径获取模块，包括：
初始化单元，其被配置为：初始化，选择种群大小和最大迭代次数；定义适应度函数；
基于自适应控制加速度系数优化策略设置加速度系数c1和c2；
基于线性下降惯性权重优化策略设置惯性权重w；
第一评估单元，其被配置为：对每个粒子，初始化速度和位置，评估初始适应度值，记录初始个体最优位置和粒子群最优位置；
判断单元，其被配置为：判断是否达到最大迭代次数或者误差值小于设定最小误差值；
如果是达到最大迭代次数，或者误差值小于设定最小误差值；则结束；
如果没有达到最大迭代次数，或者误差值大于等于设定最小误差值，则进入第二评估单元；
第二评估单元，其被配置为：对每个粒子更新个体速度和个体位置，评估新的适应度值；
基于随机分组反演优化策略，将种群划分为若干个子种群，并对每个子种群进行独立进化；
更新每个粒子的个体最优位置和粒子群最优位置，返回判断单元。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述的方法。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！