CN110941261A - 一种自主式水下航行器多区域遍历路径规划方法 - Google Patents

Abstract

本发明公开一种自主式水下航行器多区域遍历路径规划方法，包括(1)基于局部区域遍历方法生成局部区域路径，并统计各局部区域所有可能的遍历起始点；(2)基于L‑SHADE优化方法分析出最优遍历顺序和各局部区域最佳的遍历起始点；(3)根据获得的最佳遍历起始点位置和最优遍历顺序组合局部遍历路径，生成最优的遍历路径。本方案通过优化步骤有效减少了水下航行器转弯次数，使水下航行器执行任务过程更加容易控制，姿态更加稳定；并且通过构建适应度函数，由L‑SHADE优化方法计算寻优，保证获取最优的的区域遍历顺序和最佳的局部区域遍历起始点，总之，本方案方法受任务起始点位置影响较小，不仅高效而且稳定，具有较高的实际应用价值。

Description

一种自主式水下航行器多区域遍历路径规划方法

技术领域

本发明涉及水下航行器导航技术领域，具体涉及一种自主式水下航行器多区域遍历路径规划方法。

背景技术

自主式水下航行器(AUV，Autonomous Underwear Vehicle)的路径规划性能反映了AUV的自主水平，路径规划问题也一直是AUV研究领域的热点问题。遍历路径规划是海洋调查的一项重要任务，而AUV的续航力是完成任务的基本条件。但是由于体积的限制，AUV携带能源有限，因此规划效率最优的航行路径，以最低能耗执行任务，有利于减少任务执行时间，缓解AUV能源不足的限制，对于AUV在实际中的应用具有重要意义。

现有的路径规划方法有精确单元分解法、基于网格的全遍历覆盖方法和最优覆盖方法。(1)精确单元分解方法未考虑单元与单元之间的遍历路径问题，因此，该方法规划出的路径依然存在优化空间；(2)基于网格的全遍历覆盖方法内存使用率会呈指数级增长，不能适用于复杂环境下的路径规划，而且该方法需要精确定位保证地图的一致性；(3)最优覆盖方法将各分解单元看作节点，然后利用遗传算法或将问题转化为旅行商问题求解最优路径，该方法对精确单元法和基于网格的方法作出进一步优化，但是将分解单元看作为质点，容易导致求解结果不精确，因为区域并不是一个点，如果有多个区域的话，从哪个点进入或驶出一个区域也很重要，区域内部规划路径的起始点和终止点也并非固定不变，故而对最终的路径规划结果有很大影响；而且，使用遗传算法作为计算引擎可能出现收敛速度慢、计算结果差的现象。

发明内容

本发明针对现有技术中存在的缺陷，提出一种自主式水下航行器多区域遍历路径规划方法，解决了多个任务区域之间的最优路径规划问题，在水面或水下执行任务时，通过规划最优的路径，减少任务时长，提升任务执行效率。

本发明是采用以下的技术方案实现的：一种自主式水下航行器多区域遍历路径规划方法，包括以下步骤：

步骤A、局部区域规划：针对AUV巡航的多区域范围进行局部区域遍历，生成局部区域路径，并统计各局部区域所有的遍历起始点；

步骤B、优化：根据步骤A所得到的所有遍历起始点，通过优化分析获得最优遍历顺序和各局部区域的最佳遍历起始点；

步骤C、路径生成：基于获得的最佳遍历起始点位置和最优遍历顺序组合局部遍历路径，生成最优的遍历路径。

进一步的，所述步骤A中在进行局部区域规划时，以转弯次数最少为优化目标确定最优的扫描方向；

(1)设侧扫声呐单侧扫描范围为d，局部区域顶点个数为n，顶点集合为V＝{V₁,…,V_n}，边的集合为E＝{E₁,…,E_n}，第i条边E_i与每个顶点各有一个距离，计算其中的最大距离D_i,j，并得到最大距离对应的顶点V_j，从顶点V_j到边E_i作垂线，即得到一个扫描方向，按照该方向扫描所需的转弯次数t为

其中d为常量，符号

表示向上取整，D_i,j越小，转弯次数越少；

(2)所巡航的多区域范围的每条边都存在一个对应的扫描方向，依次计算每个扫描方向所需的转弯次数，进而确定最优的扫描方向。

进一步的，在生成局部区域路径时：

基于最优的扫描方向对转弯次数进行优化，设得到的最优扫描方向对应的顶点为V_j(x_j,y_j)，j∈[1,n]对应的边为E_w，w∈[1,n-1]，n为局部区域顶点个数，按照扫描方向平移E_w的两个端点，得到一组平行线，求取该组平行线与局部区域其他边的交点，得到最终的路径点：

E_w的两个点每平移一次得到一条直线，设得到move_num条相互平行的直线；求得move_num条相互平行的直线中每条直线与局部区域其他边的交点，一条直线与其他边共有两个不重复的交点，将这两个交点作为一组点，得到move_num组交点，分别为：

计算交点C_i与C_i+1的距离

和C_i与C_i+2的距离

其中i＝2,…,2move_num-2，如果

则交换C_i+1与C_i+2的位置，所有组的交点顺序调整完毕后得到以C₁为起始点，以

为终点的局部区域路径，并且由该条局部区域路径可以生成其他三条转弯次数相同的路径，局部区域可能的遍历起始点即为四条路径的起点。

进一步的，所述步骤B中的优化过程具体包括以下步骤：

步骤B1、以局部区域的遍历起始点为初始种群，以路径总长度最短为优化目标，构建适应度函数，得到可更新的可行路径；

步骤B2、基于L-SHADE方法迭代对可行路径进行优化；

步骤B3、确定每个局部区域的最佳遍历起始点和最优遍历顺序。

进一步的，所述步骤B1包括：

(1)构建初始可行路径：

设有N个局部区域Z＝{Z₁,…,Z_N}，第i个局部区域可能的遍历起始点为S＝{S_i1,…,S_i4}，对应的局部区域终点分别为T＝{T_i1,…,T_i4}，其中i∈[1,N]；从集合Z中随机选取一个局部区域，并在选定的局部区域中随机选择一个起始点作为个体的属性，然后将选定的该区域总集合Z中移除，重复操作随机选择其他局部区域直至Z变为空集，进而获得局部区域遍历起始点的一个随机序列；

将局部区域中的遍历起始点进行编号并随机排列，得到一组整数序列I＝{I₁,…,I_N}，计算个体中的i个属性值，进而生成可行路径，直到生成的可行路径数量达到18*N数量时停止，以这些可行路径为初始可行路径集；

(2)构建适应度函数：

以总的路径长度最短为优化目标建立适应度函数，个体的适应度函数为

其中，D_j为第j个局部区域遍历终点与第j+1个局部区域遍历起始点的距离，j＝[1,…,N-1]，设每个局部区域遍历的路径长度存放在集合P中，设备的布放点到任务区域的距离为D_s，最后一个局部区域遍历终止点到回收点的距离为D_e；

(3)可行路径自更新：

首先从可行解中随机选出NP₀个解作为初始种群，定义集合A，用来存储在选择过程中被淘汰的个体，初始化为空；定义数组MF和MCR，用来存储在上一代表现较好的变异因子和交叉概率，|MF|＝|MCR|＝H，H为L-SHADE算法的控制参数，定义F为变异因子，CR为交叉概率，从1至H中随机选择整数r，并计算第g代种群中第i个个体对应的变异因子F_i,g和交叉概率CR_i,g；

然后计算种群中每个个体的适应度，选出适应度最高的个体x_r1,g，再从剩余的适应度最高的p％的个体组成的集合和A的并集中随机选出两个差分基向量x_r2,g,x_r3,g对第g代种群进行变异操作，即可行路径自身的更新：

v_i,g＝x_i,g+F_i,g·(x_r1,g-x_i,g)+F_i,g(x_r2,g-x_r3,g)。 (17)

进一步的，所述步骤B2包括：

(1)可行路径自更新后的合规处理：

设经过可行路径自更新得到的结果为变异矩阵M，首先对变异后个体的属性从小到大排序并计算各属性所在位置，然后对各属性所在位置从小到大排序并计算其位置，最终的位置序列作为各属性所属局部区域的编号IM；所属局部区域编号确定以后，再确定局部区域内部遍历起始点的编号；

最后使用下式计算最终的变异矩阵：

RM＝(IM-1)*4+IS (19)

其中，

以处理后的变异结果代替原有的变异结果以最大程度保持变异后个体中符合要求的属性，而仅改变非整数或发生重合的属性；

(2)可行路径间的交叉变换：

设

为第g代种群中第i个个体的第j个元素，j＝1,…D，则交叉过程按照如下规则进行：

其中

为第g代种群中第i个变异个体的第j个元素，

为第g代种群中第i个个体与第i个变异个体的第j个元素交叉的结果；

(3)可行路径间的高效路径选择：

将交叉过程产生的结果与原来种群个体进行对比，保留适应度高的个体成为下一代种群，淘汰适应度低的个体，将淘汰的个体存放到集合A中，即：

(4)可行路径集合参数更新：

在第g代种群中，初始化集合SF和SCR为空，如果变异交叉后得到的新个体被成功选择，则将该个体对应的变异因子F_i,g和交叉概率CR_i,g分别存放到集合SF和SCR中，|SF|＝|SCR|，SF和SCR用于更新MF和MCR。

进一步的，所述步骤B3中，根据步骤B2得到最终的种群后，从种群中选择适应度最小的个体作为最优个体，最优个体中的数字代表各局部区域遍历起始点的编号，进而根据编号确定区域遍历顺序。

进一步的，所述步骤C中，根据最优个体中的编号，得到每个局部区域的遍历起始点，每个遍历起始点对应一条局部区域的路径，将局部区域路径按照遍历起始点的顺序连接起来，生成最终的遍历路径，完成最优遍历路径的规划。

与现有技术相比，本发明的优点和积极效果在于：

(1)采用基于扫描方向的遍历方法针对转弯次数进行优化，有效减少了水下航行器转弯次数，使水下航行器执行任务过程更加容易控制，姿态更加稳定；

(2)将局部区域遍历起始点与遍历顺序相结合，构建适应度函数，由L-SHADE优化方法计算寻优，保证获取最优的的区域遍历顺序和最佳的局部区域遍历起始点。

附图说明

图1为本发明实施例所述路径规划方法流程示意图；

图2为本发明实施例所选择的任务起始点示意图；

图3为随机选择任务起始点使用L-SHADE优化方法得到的遍历路径示意图；

图4为基于不同任务起始点本发明所述方法和质点法遍历路径长度对比图；

图5为包含相同路径点且转弯次数相同的四条路径示意图。

具体实施方式

为了能够更清楚的理解本发明的上述目的和优点，下面结合附图对本发明的具体实施方式做详细地描述。

如图1所示，本实施例所提出的自主式水下航行器多区域遍历路径规划方法包括以下步骤：

步骤1、局部区域规划：基于局部区域遍历方法生成局部区域路径，并统计各局部区域所有可能的遍历起始点；

步骤2、优化：基于L-SHADE优化方法分析出最优遍历顺序和各局部区域最佳的遍历起始点；

步骤3、路径生成：基于获得的最佳遍历起始点位置和最优遍历顺序组合局部遍历路径，生成最优的遍历路径。

一、局部区域规划：

步骤1中，在进行局部区域规划时，为了保证调查期间AUV平台的稳定性，以转弯次数最少为优化目标确定最优的扫描方向。

假设侧扫声呐单侧扫描范围为d，局部区域顶点个数为n，顶点集合为V＝{V₁,…,V_n}，边的集合为E＝{E₁,…,E_n}，第i条边E_i与每个顶点各有一个距离，计算其中的最大距离D_i,j，选出最大距离对应的顶点V_j，从顶点V_j到边E_i作垂线，即可得到一个扫描方向，按照该方向扫描所需的转弯次数t为

其中d为常量，符号

表示向上取整，因此D_i,j越小，转弯次数越少。

每条边都存在一个对应的扫描方向，依次计算每个扫描方向所需的转弯次数，可以确定最优的扫描方向。获得最优的扫描方向后，使用前后运动模式对局部区域规划转弯最少的四条路径，每条路径的起始点即为可能的遍历起始点。

具体的，生成局部区域路径的具体过程为：

假设多边形区域第一个顶点V₁和第二个顶点V₂之间为第一条边E₁，第二个顶点与第三个顶点之间的边为E₂，第n个顶点与第一个顶点之间的边为E_n，顶点坐标分别为{V₁(x₁,y₁),…,V_n(x_n,y_n)}，则第i条边的方程为：

其中自变量x和y的取值范围为：

假设得到的最优扫描方向对应的顶点为V_j(x_j,y_j)，j∈[1,n]对应的边为E_w，w∈[1,n-1]，其两端的顶点分别为V_w,V_w+1，j与w满足如下关系：

V_j到E_w的距离为：

其中，

按照扫描方向平移E_w的两个端点，得到一组平行线，再求该组平行线与局部区域其他边的交点，则可得到最终的路径点。

定义最优扫描方向为

两个端点需要平移的次数为

首先考虑E_w斜率存在且不为零的情况，边E_w的两个端点V_w和V_w+1平移p次得到的点分别为

和

其中p＝1,…,move_num，则有

其中

当边E_w斜率不存在或者斜率为零时计算较为简单，在此不再讨论。

两个点每平移一次得到一条直线，因此可以得到move_num条相互平行的直线，然后求得每条直线与局部区域其他边的交点，一条直线与其他边共有两个不重复的交点，将这两个交点作为一组点，可得到move_num组交点，分别为

计算交点C_i与C_i+1的距离

和C_i与C_i+2的距离

其中i＝2,…,2move_num-2，如果

则交换C_i+1与C_i+2的位置，所有组的交点顺序调整完毕后可得到以C₁为起始点，以

为终点的局部区域遍历路径，并且由该条路径可以生成其他三条转弯次数相同的路径，局部区域可能的遍历起始点即为四条路径的起点。

这里需要解释的是：如图5(a)(b)(c)(d)所示，共有四条路径，但是这四条路径都包含相同的路径点，并且转弯的次数相同(WP(1),WP(2),…,WP(12)为一条路径)；也就是说，如果求得一条路径，那么就可以获得这条路径上的所有路径点，由这些路径点共可以组成四条完全不同的路径点序列。如果已经得到一条路径，那么就可以由这条路径生成其他的三条转弯次数相同的路径。

二、优化：

步骤2中在进行优化时，采用L-SHADE优化方法计算最优遍历顺序和最佳遍历起始点。得到局部区域四条可能的最优遍历路径后，面临的问题是如何选择各局部区域的遍历顺序。局部区域的遍历路径中，每条路径的起始点对应唯一的局部区域遍历终点，同时也能够确定一条路径长度，只要确定局部区域遍历起始点及其顺序就相当于确定了局部区域的遍历路径和遍历顺序。因此本实施例中以局部区域的遍历起始点为初始种群，以路径总长度最短为优化目标，构建适应度函数，使用L-SHADE方法迭代优化，确定每个局部区域的遍历起始点和遍历顺序，最终生成总体遍历路径。具体步骤如下：

步骤21、以局部区域的遍历起始点为基础生成初始种群，然后，以路径总长度最短为优化目标，构建适应度函数，得到更新后的可行路径；

(1)构建初始可行路径：

种群由个体组成，每个个体具有多个属性，在该问题中，个体为一条可行路径，由各局部区域的遍历起始点组成，属性为这条路径上的各遍历起始点。假设有N个局部区域Z＝{Z₁,…,Z_N}，第i个局部区域可能的遍历起始点为S＝{S_i1,…,S_i4}，对应的局部区域终点分别为T＝{T_i1,…,T_i4}，其中i∈[1,N]。在集合Z中随机选取一个局部区域，然后从该区域的四个可能的遍历起始点中随机选择一个起始点作为个体的一个属性，然后将该区域从集合Z中移除，重复上述步骤，直到Z变为空集，则可以得到局部区域遍历起始点的一个随机序列，将该序列作为种群中的一个个体。

为了实现数值计算，本实施例中做了一些特殊处理，将区域中的遍历起始点按照一定规则编号，使用编号代替各局部区域遍历起始点作为属性，使用编号的集合作为个体。区域Z_i对应的四个遍历起始点编号分别为i*4-3，i*4-2，i*4-1和i*4。其中i*4-3与i*4互为区域Z_i的遍历起始点和终止点，这样所有的局部区域编号形成有序的序列范围是[1,4*N]。将各局部区域编号随机排列，得到一组整数序列I＝{I₁,…,I_N}，则个体中第i个属性值可由下式计算：

p＝I_i*4-round(rand*3) (11)

其中，round()为四舍五入取整函数，rand为生成区间(0,1)内随机数的函数，按照上述方法生成可行路径，直到生成的可行路径数量达到18倍的区域数量时停止，以这些可行路径为初始可行路径集合。

(2)构建适应度函数：

以总的路径长度最短为优化目标建立适应度函数。种群中个体的属性为各局部区域遍历起始点的编号，每个编号对应一个局部区域遍历终点的编号。个体中第i个遍历起始点I_i对应的终止点编号为

根据编号找到个体中相应的遍历起始点和终止点，计算第j个局部区域遍历终点与第j+1个局部区域遍历起始点的距离D_j，j＝[1,…,N-1]。假如每个局部区域遍历的路径长度存放在集合P中，设备的布放点到任务区域的距离为D_s，最后一个局部区域遍历终止点到回收点的距离为D_e，则个体的适应度函数为

(3)可行路径自身更新(变异操作)

首先从可行解中随机选出NP₀个解作为初始种群，定义集合A，用来存储在选择过程中被淘汰的个体，初始化为空。定义数组MF和MCR，用来存储在上一代表现较好的变异因子和交叉概率，他们的大小|MF|＝|MCR|＝H,H为L-SHADE算法的控制参数，数组中的值初始化为0.5。定义F为变异因子，CR为交叉概率，从1至H中随机选择整数r，第g代种群中第i个个体对应的变异因子和交叉概率计算方法如下：

其中rand表示在区间(0,1)内的随机数，normrnd表示生成服从正态分布随机数的函数。如果F_i,g的值超出区间(0,1)，则

然后计算种群中每个个体的适应度，选出适应度最高的个体x_r1,g，再从剩余的适应度最高的p％的个体组成的集合和A的并集中随机选出两个差分基向量x_r2,g,x_r3,g对第g代种群进行变异操作，即可行路径自身的更新：

v_i,g＝x_i,g+F_i,g·(x_r1,g-x_i,g)+F_i,g(x_r2,g-x_r3,g) (17)

步骤22、可行路径的优化：

(1)可行路径自身更新后的合规处理；

值得注意的是，变异后的个体需要符合个体属性的要求。个体属性具有两个要求：一是属性值为整数，二是各属性值代表各局部区域的遍历起始点，不同位置的属性值不能属于同一局部区域。考虑到变异操作结果有可能不符合原先种群的对属性要求(种群个体变异后，产生了不属于种群的异类)，也就是说可行路径自身更新后有可能不再是可行路径。为了避免修正这一可能出现的风险，则需要对变异操作做特殊的处理。

由于种群中的个体是由各局部区域遍历起始点编号组成，而变异后的个体有可能产生非整数或同属于一个局部区域，因此对变异后个体中不符合要求的属性作特殊处理。假设通过变异操作得到的结果为变异矩阵M，首先对变异后个体的属性从小到大排序并计算各属性所在位置，然后对各属性所在位置从小到大排序并计算其位置，最终的位置序列作为各属性所属局部区域的编号IM。所属局部区域编号确定以后，再确定局部区域内部遍历起始点的编号，按照下式计算：

最后使用下式计算最终的变异矩阵：

RM＝(IM-1)*4+IS (19)

以处理后的变异结果代替原有的变异结果可以最大程度保持变异后个体中符合要求的属性，而仅改变非整数或发生重合的属性。

(2)可行路径间的交叉变换(交叉操作)

交叉操作是指种群中原个体与变异个体之间元素的交叉变换，设

为第g代种群中第i个个体的第j个元素，j＝1,…D，则交叉过程按照如下规则进行：

其中

为第g代种群中第i个变异个体的第j个元素，

为第g代种群中第i个个体与第i个变异个体的第j个元素交叉的结果。交叉后的得到的个体u需保证在可行解范围内。

(3)可行路径间的高效路径选择

选择过程是指交叉过程产生的结果与原来种群个体进行对比，保留适应度高的个体成为下一代种群，淘汰适应度低的个体，将淘汰的个体存放到集合A中。公式如下：

(4)优化方法中可行路径集合包含可行路径数量和其他参数的更新

在第g代种群中，初始化集合SF和SCR为空，如果变异交叉后得到的新个体被成功选择，则将该个体对应的变异因子F_i,g和交叉概率CR_i,g分别存放到集合SF和SCR中，|SF|＝|SCR|，SF和SCR用于更新MF和MCR。假设k为M集合MF和MCR的索引序号，满足如下条件：

其中，mod为为取余函数，表示g/H的余数。

参数更新按照如下规则进行：

Δf_l＝|f(u_l,g)-f(x_l,g)| (26)

最后，假设第g代种群规模为NP_g，种群规模线性缩减规则如下：

其中，round为取整函数，min(NP)为最小种群规模，max(g)为最大种群迭代次数，g为当前种群迭代次数。第g代种群中适应度最高的NP_g+1个个体保留形成第g+1代种群，其余个体存入集合A。

步骤23、确定局部区域最佳遍历起始点和局部区域最优遍历顺序；

迭代到达一定次数后，算法收敛，得到最终的种群，从种群中选择适应度最小的个体，即为最优个体。最优个体中的数字代表各局部区域遍历起始点的编号，编号即代表各局部区域遍历起始点，同时，根据编号可确定区域遍历顺序。

三、路径生成：

步骤3中在生成路径时，目的就是生成全局的最优遍历路径。根据最优个体中的编号，得到每个局部区域的遍历起始点，每个遍历起始点对应一条局部区域的路径，将局部区域路径按照遍历起始点的顺序连接起来，生成最终的遍历路径，完成最优遍历路径的规划。

四、实验验证：

为了进一步验证本发明所述方法的有效性，选择不同的任务起始点使用本发明规划遍历路径，当遍历完所有区域后，停止规划，最后一个路径路径点即为任务终止点。任务区域和起始点选择如图2所示：

分别以局部区域的四个可能的遍历入口点为任务起始点，图2中圆点表示选择的任务起始点，复杂区域包含四个局部区域，因此共选择16个任务起始点得到16条路径用来验证本文方法的优势和稳定性。图中为从16个任务起始点中随机选择一个使用L-SHADE优化方法得到的遍历路径，其中圆点表示选择的起始点，五角星表示路径终点。

分别使用本文提出的方法和质点法由16个任务起始点出发，得到16组路径，计算路径长度如下表所示：

表1不同起始点两种方法生成的路径长度

对比图如图4所示，图4中x轴代表不同的任务起始点，灰色柱状图表示本发明规划的遍历路径总长度，白色柱状图表示质点法规划的遍历路径总长度，折线图表示提升的效率。可以看出，不同的任务起始点位置，本发明生成的路径都比质点法生成的遍历路径长度短，任务执行效率高，效率提升在4.62％-7.56％之间。

而且，通过表1中的数据可以计算出，使用本发明在不同起始点生成的16条遍历路径长度最大值为3853.31，最小值为3816.76，平均值为3831.99，标准差为11.23，而使用质点法生成的16条遍历路径长度最大值为4153.10，最小值为4008.36，标准差为41.06。本发明生成的遍历路径长度数据离散程度较低，表明本发明结果受任务起始点位置影响较小，不仅高效而且稳定。也就是说，本实施例所提出的方法，解决了基于网格遍历方法的计算量大的问题、以及普通优化方法如遗传算法、传统的差分进化方法等收敛速度慢的问题，同时，也有效解决了传统的全遍历路径规划将区域看做质点导致的优化结果不精确的问题。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，比如，局部区域规划过程中采用的基于扫描方向的遍历方法可由沿局部区域长边遍历方法替代；优化过程中采用的L-SHADE优化算法可由遗传算法、粒子群算法或其他进化算法以及进化算法的改进算法替代，具体算法实施细节上可能有所不同，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种自主式水下航行器多区域遍历路径规划方法，其特征在于，包括以下步骤：

步骤A、局部区域规划：针对AUV巡航的多区域范围进行局部区域遍历，生成局部区域路径，并统计各局部区域所有的遍历起始点；

步骤B、优化：根据步骤A所得到的所有遍历起始点，通过优化分析获得最优遍历顺序和各局部区域的最佳遍历起始点；

步骤C、路径生成：基于获得的最佳遍历起始点位置和最优遍历顺序组合局部遍历路径，生成最优的遍历路径。

2.根据权利要求1所述的自主式水下航行器多区域遍历路径规划方法，其特征在于：所述步骤A中在进行局部区域规划时，以转弯次数最少为优化目标确定最优的扫描方向。

3.根据权利要求1或2所述的自主式水下航行器多区域遍历路径规划方法，其特征在于：步骤A中在生成局部区域路径时：

基于最优的扫描方向对转弯次数进行优化，设得到的最优扫描方向对应的顶点为V_j(x_j,y_j)，j∈[1,n]对应的边为E_w，w∈[1,n-1]，n为局部区域顶点个数，按照扫描方向平移E_w的两个端点，得到一组平行线，求取该组平行线与局部区域其他边的交点，得到最终的路径点，进而确定局部区域路径及其遍历起始点。

4.根据权利要求1所述的自主式水下航行器多区域遍历路径规划方法，其特征在于：所述步骤B中的优化过程具体包括以下步骤：

步骤B1、以局部区域的遍历起始点为初始种群，以路径总长度最短为优化目标，构建适应度函数，得到可行路径；

步骤B2、基于L-SHADE方法迭代对可行路径进行优化；

步骤B3、确定每个局部区域的最佳遍历起始点和最优遍历顺序。

5.根据权利要求4所述的自主式水下航行器多区域遍历路径规划方法，其特征在于：所述步骤B1包括：

(1)构建初始可行路径：

设有N个局部区域Z＝{Z₁,…,Z_N}，第i个局部区域可能的遍历起始点为S＝{S_i1,…,S_i4}，对应的局部区域终点分别为T＝{T_i1,…,T_i4}，其中i∈[1,N]；从集合Z中随机选取一个局部区域并进行移除操作，随机选择其他局部区域直至Z变为空集，进而获得局部区域遍历起始点的一个随机序列；

将局部区域中的遍历起始点进行编号并随机排列，得到一组整数序列I＝{I₁,…,I_N}，计算个体中的i个属性值，以生成可行路径，直到生成的可行路径数量达到18*N数量时停止，则所得到的可行路径构成初始可行路径集；

(2)构建适应度函数：

以总的路径长度最短为优化目标建立适应度函数，个体的适应度函数为

其中，D_j为第j个局部区域遍历终点与第j+1个局部区域遍历起始点的距离，j＝[1,…,N-1]，设每个局部区域遍历的路径长度存放在集合P中，设备的布放点到任务区域的距离为D_s，最后一个局部区域遍历终止点到回收点的距离为D_e；

(3)可行路径自更新：

首先从得到的可行解中随机选出NP₀个解作为初始种群，定义集合A，用来存储在选择过程中被淘汰的个体，初始化为空；定义数组MF和MCR，用来存储在上一代表现较好的变异因子和交叉概率，|MF|＝|MCR|＝H，H为L-SHADE算法的控制参数，定义F为变异因子，CR为交叉概率，从1至H中随机选择整数r，并计算第g代种群中第i个个体对应的变异因子F_i,g和交叉概率CR_i,g；

然后计算种群中每个个体的适应度，选出适应度最高的个体x_r1,g，再从剩余的适应度最高的p％的个体组成的集合和A的并集中随机选出两个差分基向量x_r2,g,x_r3,g对第g代种群进行变异操作，实现可行路径自身的更新：

v_i,g＝x_i,g+F_i,g·(x_r1,g-x_i,g)+F_i,g(x_r2,g-x_r3,g) (17) 。

6.根据权利要求5所述的自主式水下航行器多区域遍历路径规划方法，其特征在于：所述步骤B2包括：

(1)可行路径自更新后的合规处理：

设经过可行路径自更新得到的结果为变异矩阵M，首先对变异后个体的属性从小到大排序并计算各属性所在位置，然后对各属性所在位置从小到大排序并计算其位置，最终的位置序列作为各属性所属局部区域的编号IM；所属局部区域编号确定以后，再确定局部区域内部遍历起始点的编号；

最后基于式(19)计算最终的变异矩阵：

RM＝(IM-1)*4+IS (19)

其中，

以处理后的变异结果代替原有的变异结果以最大程度保持变异后个体中符合要求的属性，而仅改变非整数或发生重合的属性；

(2)可行路径间的交叉变换：

设

为第g代种群中第i个个体的第j个元素，j＝1,…D，则交叉过程按照如下规则进行：

其中

为第g代种群中第i个变异个体的第j个元素，

为第g代种群中第i个个体与第i个变异个体的第j个元素交叉的结果；

(3)可行路径间的高效路径选择：

将交叉过程产生的结果与原来种群个体进行对比，保留适应度高的个体成为下一代种群，淘汰适应度低的个体，将淘汰的个体存放到集合A中，即：

(4)可行路径集合参数更新：

在第g代种群中，初始化集合SF和SCR为空，如果变异交叉后得到的新个体被成功选择，则将该个体对应的变异因子F_i,g和交叉概率CR_i,g分别存放到集合SF和SCR中，|SF|＝|SCR|，SF和SCR用于更新MF和MCR。

7.根据权利要求6所述的自主式水下航行器多区域遍历路径规划方法，其特征在于：所述步骤B3中，根据步骤B2得到最终的种群后，从种群中选择适应度最小的个体作为最优个体，最优个体中的数字代表各局部区域遍历起始点的编号，进而根据编号确定区域遍历顺序。

8.根据权利要求7所述的自主式水下航行器多区域遍历路径规划方法，其特征在于：所述步骤C中，根据最优个体中的编号，得到每个局部区域的遍历起始点，每个遍历起始点对应一条局部区域的路径，将局部区域路径按照遍历起始点的顺序连接起来，生成最终的遍历路径，完成最优遍历路径的规划。

Images