基于数据驱动的遗传算法的无人艇路径规划研究

doi:10.11959/j.issn.2096-6652.201926

智能科学与技术学报 ›› 2019, Vol. 1 ›› Issue (2): 171-180.doi: 10.11959/j.issn.2096-6652.201926

基于数据驱动的遗传算法的无人艇路径规划研究

辛峻峰¹(),张永波²,伯佳更¹,赵博文¹,范世缘¹

¹ 青岛科技大学，山东青岛 266100
² 青岛国家海洋科学研究中心，山东青岛 266071

修回日期:2017-05-25 出版日期:2019-06-20 发布日期:2019-09-09
作者简介:辛峻峰（1982- ），男，山东青岛人，中国海洋大学博士生，主要研究方向为智能无人艇设计研究、港口航道及近海工程、船舶与海洋工程等。|张永波（1981- ），男，山东烟台人，中国海洋大学博士生，主要研究方向为海洋结构物水动力分析。|伯佳更（1995- ），男，主要研究方向为智能无人艇路线规划研究。|赵博文（1998- ），男，山东济南人，主要研究方向为船舶性能在CFD中的应用。|范世缘（1998- ），女，山东济南人，主要研究方向为机械设计、神经网络、认知神经科学等。
基金资助:
国家自然科学基金资助项目(51609120);山东省教育厅基金资助项目(J16LB72);山东省重点研发计划基金资助项目(2018YFJH0704)

Study on path planning of unmanned surface vessel based on data-driven genetic algorithm

Junfeng XIN¹(),Yongbo ZHANG²,Jiageng BO¹,Bowen ZHAO¹,Shiyuan FAN¹

¹ Qingdao University of Science ＆Technology,Qingdao 266100,China
² National Oceanographic Center,Qingdao 266071,China

Revised:2017-05-25 Online:2019-06-20 Published:2019-09-09
Supported by:
The National Natural Science Foundation of China(51609120);Shandong Provincial Department of Education Project(J16LB72);Shandong Key Research and Development Plan(2018YFJH0704)

摘要/Abstract

摘要：

遗传算法（GA）是无人艇路径规划系统中的一种有效方法，为了克服该算法易陷入局部最优早熟和收敛速度慢等缺陷，在不增加算法复杂度的前提下，基于数据驱动线性动态交叉策略提出了一种能够在最短时间内自适应动态调整控制参数的改进遗传算法（LCPGA）。与传统的遗传算法相比，LCPGA增加了种群多样性，能更有效地避免陷入局部最优，并提高了路径规划的精度、稳健性和收敛速度。仿真实验和无人艇现场试验验证了该算法具有更优良的性能，该算法可为无人艇路径规划提供一定的应用价值。

关键词: 路径规划, 改进遗传算法, 无人艇, 自适应

Abstract:

The genetic algorithm (GA) is an effective method for the path planning system of unmanned surface vessel (USV),but it is easy to fall into local optimal precocity and converges slowly.For this,without increasing the complexity of the algorithm,a data-driven linear changing parameters genetic algorithm (LCPGA) was proposed,which can adjust adaptively control parameters in the shortest time.Compared with the traditional genetic algorithm,the LCPGA increases the diversity of the population,avoids falling into local optimum more effectively,and improves the accuracy,robustness and convergence speed of path planning.Then simulation experiments and field tests verify the more excellent performance of the LCPGA.This algorithm can be helpful in path planning for unmanned surface vessel.

Key words: path planning, improved genetic algorithm, unmanned surface vessel, self-adaption

中图分类号:

TH212，TH213.3

辛峻峰, 张永波, 伯佳更, 等. 基于数据驱动的遗传算法的无人艇路径规划研究[J]. 智能科学与技术学报, 2019, 1(2): 171-180.

Junfeng XIN, Yongbo ZHANG, Jiageng BO, et al. Study on path planning of unmanned surface vessel based on data-driven genetic algorithm[J]. Chinese Journal of Intelligent Science and Technology, 2019, 1(2): 171-180.

图/表 28

图1

图2

表1

图4

图5

表2

图6

表3

图7

表4

图8

图9

图10

图11

表5

图12

表6

图13

图14

表7

表8

图15

图16

表9

表10

图17

图18

表11

参考文献 19

[1]	GOLDBERG D E . Genetic algorithms in search,optimization and machine learning[M]. Addison-Wesley Pub.Co. 1989： 2104-2116.
[2]	SRINIVAS M , PATNAIK L M . Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE Transactions on Systems Man ＆ Cybernetics, 2002,24(4): 656-667.
[3]	郑南宁 . 人工智能新时代[J]. 智能科学与技术学报, 2019,1(1): 1-3.
	ZHENG N N . The new era of artificial intelligence[J]. Chinese Journal of Intelligent Science and Technology, 2019,1(1): 1-3.
[4]	张钹 . 人工智能进入后深度学习时代.智能科学与技术学报[J]. 2019,1(1): 4-6.
	ZHANG B . Artificial intelligence is entering the post deep-learning era[J]. Chinese Journal of Intelligent Science and Technology, 2019,1(1): 4-6.
[5]	郑亚君, 薛磊, 董璐 ,等. 基于 UWB 定位技术的多移动机器人编队控制.智能科学与技术学报[J]. 2019,1(1): 83-87.
	ZHENG Y J , XUE L , DONG L ,et al. Formation control of mobile robots with UWB localization technology[J]. Chinese Journal of Intelligent Science and Technology, 2019,1(1): 83-87.
[6]	CHANG W A , RAMAKRISHNA R S . A genetic algorithm for shortest path routing problem and the sizing of populations[M]. IEEE Press, 2002.
[7]	HAUPT R L , HAUPT S E . Practical Genetic Algorithms,Second Edition[M]. 2004.
[8]	TSAI C C , HUANG H C , CHAN C K . Parallel elite genetic algorithm and its application to global path planning for autonomous robot navigation[J]. IEEE Transactions on Industrial Electronics, 2011,58(10): 4813-4821.
[9]	TUNCER A , YILDIRIM M . Dynamic path planning of mobile robots with improved genetic algorithm[J]. Computers ＆ Electrical Engineering, 2012,38(6): 1564-1572.
[10]	ELSHAMLI A , ABDULLAH H A , AREIBI S . Genetic algorithm for dynamic path planning[C]// Canadian Conference on Electrical and Computer Engineering. 2004: 677-680.
[11]	MANELY J E , . Unmanned surface vehicles,15 years of development[C]// Proc.Oceans 2008 MTS/IEEE Quebec Conference Exhibition. 2008: 1-4.
[12]	VEERS J , BERTRAN V . Development of the USV multi-mission surface vehicle III[C]// 5th Int.Computer and IT Application in the Maritime Industries. 2006: 345-355.
[13]	LU Y S . Research on the path planning algorithm for the surface of the surface[D]. Harbin:Harbin Engineering University, 2010.
[14]	RATNAWEERA A , HALGAMUGE S K , WATSON H C . Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients[J]. IEEE Transactions on Evolutionary Computation, 2004,8(3): 240-255.
[15]	HOLLAND J H . Adaptation in natural and artificial systems[J]. Quarterly Review of Biology, 1975,6(2): 126-137.
[16]	LIANG J Y . Some common problems in the application of genetic algorithm[J]. Computer Application Research, 1999(7): 20-21.
[17]	HOLLAND J H . Outline for a logic theory of adaptive systems[J]. Journal of the Association for Computing Machinery, 1962,9(3): 297-314.
[18]	SAMADI M , OTHMAN M F . Global path planning for autonomous mobile robot using genetic algorithm[C]// International Conference on Signal-Image Technology ＆ Internet-Based Systems. 2013: 726-730.
[19]	LEE J , KIM D W . An effective initialization method for genetic algorithm-based robot path planning using a directed acyclic graph[J]. Information Sciences, 2015:332.

种群大小N	交叉概率P_c	变异概率P_m	最大迭代次数（次）
传统算法100	0.90	0.10	1000
改进算法100	—	—	1000

点数（个）	平均值（m）			方差（m²）
点数（个）	传统算法	改进算法	相对误差	传统算法	改进算法	相对误差
10	2.705	2.705	0.000	0.000%	0.000	0.000%
20	4.879	4.467	-8.444	0.092%	0.006	-93.478%
30	6.198	5.223	-15.73	0.166%	0.031	-81.325%
40	7.598	5.937	-21.86	0.312%	0.035	-88.782%
50	8.414	5.884	-30.07	0.491%	0.054	-89.002%

点数（个）	传统算法（s）	改进算法（s）	相对误差
10	18.645	16.214	-13.040%
20	19.665	16.691	-15.123%
30	20.112	16.865	-16.145%
40	21.044	17.139	-18.556%
50	23.206	18.362	-20.874%

点数（个）	传统算法（次）	改进算法（次）	相对误差
10	52	20	-61.538%
20	83	62	-25.301%
30	98	154	57.143%
40	723	386	-46.611%
50	869	587	-32.451%

天气现象	风向	风力（级）	浪高（m）	能见度（km）
多云	北风	3～4	1	12

基于数据驱动的遗传算法的无人艇路径规划研究

Study on path planning of unmanned surface vessel based on data-driven genetic algorithm

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 28

参考文献 19

相关文章 11

Metrics

推荐阅读 0

坐标序号	纬度	经度
1	N36°03′ 22.38′′	E120°22′ 57.06′′
2	N36°03′ 21.94′′	E120°23′ 11.96′′
3	N36°03′ 9.95′′	E120°23′ 6.15′′
4	N36°03′ 38.43′′	E120°22′ 55.51′′
5	N36°03′ 11.26′′	E120°22′ 56.27′′
6	N36°03′ 9.76′′	E120°23′ 5.38′′
7	N36°03′ 20.26′′	E120°22′ 58.45′′
8	N36°03′ 2.14′′	E120°23′ 17.12′′
9	N36°03′ 6.57′′	E120°23′ 24.70′′
10	N36°03′ 8.45′′	E120°23′ 10.63′′

[1]	张佳欣, 张森林, 刘妹琴, 董山玲, 郑荣濠. 面向海洋环境自适应采样的多AUV协同定位[J]. 智能科学与技术学报, 2022, 4(4): 503-512.
[2]	王云, 王美蕴, 周健, 邹媛媛, 李少远. 基于改进层次聚类和GL-APSO算法的配电网动态重构[J]. 智能科学与技术学报, 2022, 4(3): 410-417.
[3]	郁洲, 毕敬, 苑海涛. 基于改进DQN算法的复杂海战场路径规划方法[J]. 智能科学与技术学报, 2022, 4(3): 418-425.
[4]	王雨倩, 丁嵘. 基于群体智能成果的路径规划程序自动生成系统[J]. 智能科学与技术学报, 2022, 4(2): 255-263.
[5]	董璐, 熊爱玲. 基于改进RRT*-Smart的复杂动态环境下的无人艇路径规划[J]. 智能科学与技术学报, 2022, 4(2): 264-276.
[6]	廖泽华, 梁子钰, 周天民, 卢经纬, 魏庆来. 基于平行控制的离散非线性系统的事件触发近似最优控制[J]. 智能科学与技术学报, 2021, 3(4): 435-443.
[7]	夏丽娜, 李擎, 宋睿卓, 王子涵, 许镇. 未知异构多智能体系统无模型自适应动态规划同步控制[J]. 智能科学与技术学报, 2021, 3(4): 444-448.
[8]	王腾, 潘晶, 董璐, 孙长银. 面向防疫的智能导诊机器人关键技术及应用[J]. 智能科学与技术学报, 2021, 3(2): 187-194.
[9]	高寒冰, 张驰, 靳明艳, 肖杨, 丛丰裕. 基于多源域自适应的跨被试情感脑电识别[J]. 智能科学与技术学报, 2021, 3(1): 59-64.
[10]	杜宏庆,陈德旺,黄允浒,朱凤华,李灵犀. 基于改进遗传算法与支持度的模糊系统优化建模方法[J]. 智能科学与技术学报, 2020, 2(2): 179-185.
[11]	乔欣,葛晨阳,邓鹏超,周艳辉,姚慧敏. ToF相机的有效深度数据提取与校正算法研究[J]. 智能科学与技术学报, 2020, 2(1): 72-79.

	传统算法	改进算法	相对误差
最优解距离（km）	0.038	0.037	-2.631%
用时（s）	5.666	4.807	-15.160%

坐标序号	纬度	经度
1	N36°03′22.38″	E120°22′57.06″
2	N36°03′21.94″	E120°23′11.96″
3	N36°03′9.95″	E120°23′06.15″
4	N36°03′38.43″	E120°22′55.51″
5	N36°03′11.26″	E120°22′56.27″
6	N36°03′09.76″	E120°23′05.38″
7	N36°03′20.26″	E120°22′58.45″
8	N36°03′02.14″	E120°23′17.12″
9	N36°03′06.57″	E120°23′24.70″
10	N36°03′08.45″	E120°23′10.63″
11	N36°03′12.20″	E120°23′08.70″
12	N36°03′11.14″	E120°23′12.10″
13	N36°03′09.95″	E120°23′00.67″
14	N36°03′27.69″	E120°23′13.90″
15	N36°03′17.70″	E120°23′08.02″
16	N36°03′16.82″	E120°23′13.03″
17	N36°03′16.26″	E120°23′18.20″
18	N36°03′31.62″	E120°23′11.66″
19	N36°03′25.82″	E120°23′08.26″
20	N36°03′15.32″	E120°23′04.92″
21	N36°03′44.86″	E120°23′54.46″
22	N36°03′28.53″	E120°23′47.99″
23	N36°03′24.43″	E120°23′59.50″
24	N36°03′27.32″	E120°23′54.61″
25	N36°03′24.44″	E120°23′59.50″

	传统算法	改进算法	相对误差
最优解距离（km）	0.061	0.057	-6.557%
用时（s）	18.961	16.538	-12.779%

坐标序号	纬度	经度
1	N36°03′22.38″	E120°22′57.06″
2	N36°03′21.94″	E120°23′11.96″
3	N36°03′09.95″	E120°23′06.15″
4	N36°03′38.43″	E120°22′55.51″
5	N36°03′11.26″	E120°22′56.27″
6	N36°03′09.76″	E120°23′05.38″
7	N36°03′20.26″	E120°22′58.45″
8	N36°03′02.14″	E120°23′17.12″
9	N36°03′06.57″	E120°23′24.70″
10	N36°03′08.45″	E120°23′10.63″
11	N36°03′12.20″	E120°23′08.70″
12	N36°03′11.14″	E120°23′12.10″
13	N36°03′09.95″	E120°23′00.67″
14	N36°03′27.69″	E120°23′13.90″
15	N36°03′17.70″	E120°23′08.02″
16	N36°03′16.82″	E120°23′13.03″
17	N36°03′16.26″	E120°23′18.20″
18	N36°03′31.62″	E120°23′11.66″
19	N36°03′25.82″	E120°23′08.26″
20	N36°03′15.32″	E120°23′04.92″
21	N36°03′44.85"	E120°23′54.46"
22	N36°03′28.52"	E120°23′47.98"
23	N36°03′24.43"	E120°23′59.49"
24	N36°03′27.32"	E120°23′54.61"
25	N36°03′24.44"	E120°23′59.49"
26	N36°03′25.98"	E120°24′19.16"
27	N36°03′24.44"	E120°23′59.49"
28	N36°03′34.67"	E120°23′54.48"
29	N36°03′26.06"	E120°24′15.69"
30	N36°03′36.45"	E120°23′41.22"
31	N36°03′28.29"	E120°23′42.87"
32	N36°03′27.26"	E120°23′55.84"
33	N36°03′37.42"	E120°23′43.61"
34	N36°03′24.64"	E120°24′04.51"
35	N36°03′28.05"	E120°24′07.45"