CN117555341B - 基于改进蚁群算法的深海采矿车路径规划方法及系统 - Google Patents
基于改进蚁群算法的深海采矿车路径规划方法及系统 Download PDFInfo
- Publication number
- CN117555341B CN117555341B CN202410047927.4A CN202410047927A CN117555341B CN 117555341 B CN117555341 B CN 117555341B CN 202410047927 A CN202410047927 A CN 202410047927A CN 117555341 B CN117555341 B CN 117555341B
- Authority
- CN
- China
- Prior art keywords
- path
- dimensional
- deep sea
- colony algorithm
- ant colony
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005065 mining Methods 0.000 title claims abstract description 117
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 239000003016 pheromone Substances 0.000 claims description 75
- 241000257303 Hymenoptera Species 0.000 claims description 40
- 230000007704 transition Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 28
- 238000012876 topography Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 28
- 238000004590 computer program Methods 0.000 description 10
- 229910017052 cobalt Inorganic materials 0.000 description 6
- 239000010941 cobalt Substances 0.000 description 6
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 4
- 206010039509 Scab Diseases 0.000 description 4
- 239000013049 sediment Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 229910000510 noble metal Inorganic materials 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 150000004763 sulfides Chemical class 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 229910052727 yttrium Inorganic materials 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及海洋工程技术领域，具体提供一种基于改进蚁群算法的深海采矿车路径规划方法及系统。该规划方法包括：获取深海海底矿区地形的三维环境模型，其中，三维环境模型包括多个三维地形坐标，基于三维地形模型，计算每个三维地形坐标的坡度值，基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，根据二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径。在采用上述技术方案的情况下，本发明提供的基于改进蚁群算法的深海采矿车路径规划方法可以避免转弯次数较多，以降低采矿车能量消耗，提高最优解的质量，进而可以得到深海采矿车的最优路径。
Description
技术领域
本发明涉及海洋工程技术领域，具体提供一种基于改进蚁群算法的深海采矿车路径规划方法及系统。
背景技术
深海蕴藏丰富的多金属结核、富钴结壳和多金属硫化物等矿产资源，其中多金属结核中富含锰、铜、钴、镍等稀有贵金属元素，极具商业开采价值。不同于富钴结壳和多金属硫化物矿床，深海多金属结核赋存于水深 4000m-6000m的海底沉积物表层，往往处于半埋藏状态，矿区表层为稀软沉积物，整体地形较为平坦，伴有小突起障碍和沟壑。
路径规划是保障深海采矿车能够安全完成采矿作业的重要基础技术，对于深海采矿车高效完成采矿作业，降低能耗以及安全行驶都具有重要的实际意义。合理的路径规划方案可以保证采矿车在既定的海底采矿区域根据预先设定的路径进行安全行驶，有效减小采矿车在采矿地点转移、矿石输送过程中的路程与时间成本、降低行驶风险。
现有技术中，通常通过蚁群算法来寻找深海采矿的最优路径，蚁群算法的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间，路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。然而，在采矿车的实际工作环境中，如果蚁群算法寻找到的最优路径转弯次数过多，就会导致路径轨迹不平滑，加大矿车行走过程中的能量消耗，降低行走效率。
相应地，本领域需要一种基于改进蚁群算法的深海采矿车路径规划方法及系统来解决上述技术问题。
发明内容
本发明旨在解决上述技术问题，即现有蚁群算法在深海采矿的路径规划中存在路径转弯次数过多，路径轨迹不平滑，行走过程中的能量消耗较大，行走效率较低等问题。
本发明提供了一种基于改进蚁群算法的深海采矿车路径规划方法，所述路径规划方法包括：
S1，获取深海海底矿区地形的三维环境模型，其中，所述三维环境模型包括多个三维地形坐标，
S2，基于所述三维地形模型，计算每个三维地形坐标的坡度值，
S3，基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，
S4，根据所述二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径。
在上述路径规划方法的具体实施方式中，步骤“根据所述二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径”进一步包括：
获取蚂蚁的数量，并在所述二维栅格模型中确定蚂蚁的起始点位置和目标点位置，
基于引入转角启发函数的蚁群算法，获取当前蚂蚁由起始点位置到目标点位置的路径信息，
基于蚂蚁的数量，获取全部蚂蚁由起始点位置到目标点位置的路径信息，
在所述全部蚂蚁由起始点位置到目标点位置的路径信息中，选取最优的路径信息。
在上述路径规划方法的具体实施方式中，步骤“基于引入转角启发函数的蚁群算法，获取当前蚂蚁由起始点位置到目标点位置的路径信息”进一步包括：
引用伪随机比例规则，在当前蚂蚁由起始点位置到目标点位置的路程中，计算当前节点周围的八个节点的通行性与每个可通行节点的转移概率，
位于节点（i，j）的蚂蚁k按照以下公式选择下一个可通行点，式中，/>为伪随机比例规则，k为迭代次数，m为当前迭代过程中的蚂蚁，/>为状态转移概率，i，j为是蚂蚁当前路径节点，α 为信息素重要程度参数，β 为启发式因子重要程度参数，γ 为表征转角启发函数重要程度参数，q为转移概率系数，q 0为转移概率系数阈值，T(k)为转角启发函数，以避免转弯次数较多；其中，转移概率公式来表示蚂蚁k在经过一段时间t以后，选择下一个节点的转移概率，式中，/>为蚂蚁m下一步可以选择前往的节点，T为转角启发函数，以避免转弯次数较多；其中，转角启发函数计算公式为：/>式中，θ为路径中三个相邻节点之间的转角，且θ越小代表路径越平滑，式中，/>分别为路径中三个相邻节点的空间坐标。
在上述路径规划方法的具体实施方式中，所述转移概率系数阈值的计算公式如下：式中，K为算法最大迭代次数。
在上述路径规划方法的具体实施方式中，在蚁群算法中引入正态分布函数，动态调整启发式信息，调整后的启发式信息计算公式如下：式中，c为一个常数，d ij 为两节点之间的距离，/>为经过变形的正态分布函数。
在上述路径规划方法的具体实施方式中，步骤“在所述全部蚂蚁由起始点位置到目标点位置的路径信息中，选取最优的路径信息”进一步包括：
引入信息素挥发机制在每次迭代过程中不断更新信息素，同时，引入sigmoid函数改进信息素挥发机制来控制整个迭代过程中信息素挥发因子的变化范围与速率，
信息素更新策略公式包括：式中/>为动态信息素挥发因子；/>为第k次迭代中节点i 到节点 j的信息素；M为蚂蚁总数；/>为第k次迭代中第m只蚂蚁从节点i 到节点 j的信息素增量；Q为信息素强度，K为算法最大迭代次数。
其中，改进信息素挥发因子计算公式为：式中，A和B分别为sigmoid函数的参数。
在上述路径规划方法的具体实施方式中，步骤“在所述全部蚂蚁由起始点位置到目标点位置的路径信息中，选取最优的路径信息”进一步还包括：
引入奖惩机制来更新路径上的信息素，即对最优路径上的信息素采取奖励的措施，增加更多的信息素；对最差路径上的信息素采取惩罚的措施，适当减少该路径上的信息素，从而使算法快速收敛，信息素更新策略公式包括：式中， />表示在第k次迭代中第m只蚂蚁从节点i 到节点 j的信息素增量；L m 表示第m只蚂蚁在这次循环中所经过的路径总长度；L y 和L c 为当前迭代中最优路径和最差路径的长度，L mean 为当前迭代中的平均路径长度，μ、/>分别为最优、最差路径的权重系数。
另一方面，本发明还提供了一种基于改进蚁群算法的深海采矿车路径规划系统，该系统实施如上述实施例所述的基于改进蚁群算法的深海采矿车路径规划方法，该系统包括：
三维模型获取模块，被配置为能够获取深海海底矿区地形的三维环境模型，其中，所述三维环境模型包括多个三维地形坐标，
坡度值计算模块，被配置为能够基于所述三维地形模型，计算每个三维地形坐标的坡度值，
二维模型建立模块，被配置为能够基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，
最优路径得到模块，被配置为能够根据所述二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径。
结合上述的所有技术方案，本发明提供的基于改进蚁群算法的深海采矿车路径规划方法通过获取深海海底矿区地形的三维环境模型、计算每个三维地形坐标的坡度值以及建立深海矿区二维栅格模型为蚁群算法提供数据支撑，并在蚁群算法中引入转角启发函数，进而可以避免转弯次数较多，以降低采矿车能量消耗，提高最优解的质量，因此，本发明可以得到深海采矿车的最优路径。
附图说明
下面结合附图来描述本发明的优选实施方式，附图中：
图1为本发明提供的基于改进蚁群算法的深海采矿车路径规划方法的第一种实施方式的流程图；
图2为本发明提供的三维环境模型示意图；
图3为本发明提供的二维栅格模型示意图；
图4为本发明提供的基于改进蚁群算法的深海采矿车路径规划方法的第二种实施方式的流程图；
图5为本发明的基于改进蚁群算法的深海采矿车路径规划系统的结构框图；
图6为本发明实施例提供的基于改进蚁群算法的深海采矿车路径规划方法与传统蚁群算法进行路径规划的仿真实验图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。本领域技术人员可以根据需要对其作出调整，以便适应具体的应用场合。例如，虽然本具体实施方式是结合采矿车路径规划方法应用于深海内的情形来进行描述的，但是，本发明的采矿车路径规划方法显然还可以用于其他环境中。这种有关应用场景的改变并不偏离本发明的基本原理，属于本发明的保护范围。
深海蕴藏丰富的多金属结核、富钴结壳和多金属硫化物等矿产资源，其中多金属结核中富含锰、铜、钴、镍等稀有贵金属元素，极具商业开采价值。不同于富钴结壳和多金属硫化物矿床，深海多金属结核赋存于水深 4000m-6000m的海底沉积物表层，往往处于半埋藏状态，矿区表层为稀软沉积物，整体地形较为平坦，伴有小突起障碍和沟壑。
路径规划是保障深海采矿车能够安全完成采矿作业的重要基础技术，对于深海采矿车高效完成采矿作业，降低能耗以及安全行驶都具有重要的实际意义。合理的路径规划方案可以保证采矿车在既定的海底采矿区域根据预先设定的路径进行安全行驶，有效减小采矿车在采矿地点转移、矿石输送过程中的路程与时间成本、降低行驶风险。
现有技术中，通常通过蚁群算法来寻找深海采矿的最优路径，蚁群算法的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间，路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。然而，在采矿车的实际工作环境中，如果蚁群算法寻找到的最优路径转弯次数过多，就会导致路径轨迹不平滑，加大矿车行走过程中的能量消耗，降低行走效率。
本发明的目的在于克服现有蚁群算法在深海采矿的路径规划中存在路径转弯次数过多，路径轨迹不平滑，行走过程中的能量消耗较大，行走效率较低等问题，解决了现有方法在规划深海采矿车路径的技术难题。因此，可以说该技术方案克服了技术上的偏见，并提供了一种更准确、全面的规划方法，为相关领域的工程实践提供了更可靠的支持。
下面参照图1，对本发明的基于改进蚁群算法的深海采矿车路径规划方法的第一种实施方式进行介绍。其中，图1为本发明的基于改进蚁群算法的深海采矿车路径规划方法的第一种实施方式的流程图，在本发明的第一种实施方式中，基于改进蚁群算法的深海采矿车路径规划方法包括：
S1，获取深海海底矿区地形的三维环境模型，其中，三维环境模型包括多个三维地形坐标，
S2，基于三维地形模型，计算每个三维地形坐标的坡度值，
S3，基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，
S4，根据二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径。
在本优选的实施例中，本发明提供的基于改进蚁群算法的深海采矿车路径规划方法通过获取深海海底矿区地形的三维环境模型、计算每个三维地形坐标的坡度值以及建立深海矿区二维栅格模型为蚁群算法提供数据支撑，并在蚁群算法中引入转角启发函数，进而可以避免转弯次数较多，以降低采矿车能量消耗，提高最优解的质量，因此，本发明可以得到深海采矿车的最优路径。
在该实施方式中，上述步骤S1进一步包括：获取多个海底环境坐标并整合，形成深海海底矿区地形的三维环境模型；对三维环境模型进行插值建模分析；生成插值后的多个三维地形坐标。
在一些实施例中，由于深海海底的矿区地形环境十分复杂， 不仅会覆盖着裸露的基岩，还会有水下泥砾混合物，地形高低起伏，海底地面凸起或者凹陷过大，都会使得采矿车难以通过，因此，建立起水下矿区三维环境模型是进行采矿车路径规划问题的前提。
具体来说，深海海底矿区三维环境模型是对真实连续的水下地形数值进行离散化的过程，然而，深海采矿车在进行采矿采集工作时，在线探测周围环境信息并实时处理环境信息十分困难，因此，想要得到海底矿区的环境信息，一般情况下工作人员会使用无人水下机器人提前对目标采矿区域进行地形地质勘测，从而得到相应的多个海底环境坐标，最终再根据多个海底环境坐标对目标矿区进行环境建模。进一步地，本发明再对建立得到的三维环境模型在三维空间内进行数据插值，生成插值后的多个三维地形坐标（X，Y，Z）。可选地，如图2所示，矿区范围为20×20（km），以每个方向插值100个网格为例，得到深海矿区三维地形模型。
在该实施方式中，基于三维地形模型，可进一步计算出每个三维地形坐标的坡度值，并基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，最后根据坡度对二维栅格模型的可通行区域进行划分。
具体来说，三维地形坐标的坡度值计算公式为：式中：ν为地形坡度倾角；arctan为反正切函数；/>为相邻网格之间的高度差；/>为相邻网格之间的水平距离。
可选地，划分通行区域后的二维栅格模型如图3所示，其中，黑色栅格表示不可通行区域，浅色栅格表示坡度为5-10°的缓坡区域部分，白色栅格表示坡度低于5°的平坦区域，平坦区域不会对采矿车行走产生额外影响，但是缓坡区域的绿色栅格由于坡度较大会消耗更长时间，可将时间转化为路程进行度量，即绿色栅格相当于边长更大的白色栅格，转换完成后即可进行路径寻优。可选地，如图3所示，本方法可以在建立二维栅格模型时将每个方向插值的100个网格简化为50个网格，进而可以较为准确反映地形特点基础上，提高计算效率。
下面参照图4，对本发明的基于改进蚁群算法的深海采矿车路径规划方法的第二种实施方式进行介绍。其中，图4为本发明的基于改进蚁群算法的深海采矿车路径规划方法的第二种实施方式的流程图，在本发明的第二种实施方式中，基于改进蚁群算法的深海采矿车路径规划方法包括：
S201，获取深海海底矿区地形的三维环境模型，其中，三维环境模型包括多个三维地形坐标，
S202，基于三维地形模型，计算每个三维地形坐标的坡度值，
S203，基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，
S204，获取蚂蚁的数量，并在二维栅格模型中确定蚂蚁的起始点位置和目标点位置，
S205，基于引入转角启发函数的蚁群算法，获取当前蚂蚁由起始点位置到目标点位置的路径信息，
S206，基于蚂蚁的数量，获取全部蚂蚁由起始点位置到目标点位置的路径信息，
S207，在所述全部蚂蚁由起始点位置到目标点位置的路径信息中，选取最优的路径信息。
在该实施方式中，由于基本蚁群算法中的蚂蚁在由起点出发寻找一条通往终点的路径时，需要不断地判断当前节点周围的八个节点的通行性与每个可通行节点的转移概率，在其中找出一个点作为转移的下一个点，转移的规则采用伪随机比例规则，位于节点（i，j）的蚂蚁k按照以下公式选择下一个可通行点。
另外，在采矿车的实际工作环境中，如果寻找到的最优路径转弯次数过多，就会导致路径轨迹不平滑，加大矿车行走过程中的能量消耗，降低行走效率。因此为了避免转弯次数较多，降低采矿车能量消耗，提高最优解的质量，本文选择在蚁群算法的状态转移概率中引入转角启发函数，以获取最优的路径信息。
因此，上述步骤S205进一步包括：引用伪随机比例规则，在当前蚂蚁由起始点位置到目标点位置的路程中，计算当前节点周围的八个节点的通行性与每个可通行节点的转移概率，
位于节点（i，j）的蚂蚁k按照以下公式选择下一个可通行点，式中，/>为伪随机比例规则，k为迭代次数，m为当前迭代过程中的蚂蚁，/>为状态转移概率，i，j为是蚂蚁当前路径节点，α 为信息素重要程度参数，β 为启发式因子重要程度参数，γ 为表征转角启发函数重要程度参数，q为转移概率系数，q 0为转移概率系数阈值，T(k)为转角启发函数，以避免转弯次数较多；
其中，转移概率公式来表示蚂蚁k在经过一段时间t以后，选择下一个节点的转移概率，式中，/>为蚂蚁m下一步可以选择前往的节点；
其中，转角启发函数计算公式为：式中，θ为路径中三个相邻节点之间的转角，且θ越小代表路径越平滑，/>式中，分别为路径中三个相邻节点的空间坐标。
在一些实施例中，蚂蚁在向下一个节点进行转移时，会以q 0的概率选择状态转移概率最大的节点，同时，蚂蚁还有（1-q 0）的概率会选择其他节点，因此，状态转移机制使得蚂蚁以大概率选择最优路径的同时蚂蚁也会去探索其他路径。综上所述，参数q 0的取值影响蚂蚁对最优路径外的其他路径的搜索程度，q 0取值较大时，蚁群算法会倾向于搜索转移概率最大的当前最优路径附近的区域。
因此，在本优选实施例中，本发明提供的基于改进蚁群算法的深海采矿车路径规划方法设置了动态变化的q 0阈值，在算法迭代初期，较大的q 0可以使算法根据全局路径信息有效地搜索最优路径，提高算法的收敛速度与收敛稳定性，随着迭代次数的不断增大，q 0值逐渐减小，提高算法对其他路径的搜索能力，避免陷入局部最优解，使算法具有良好的全局搜索能力。
因此，转移概率系数阈值q 0的计算公式如下：式中，K为算法最大迭代次数。
在一些实施例中，蚁群算法的启发式信息通过两节点之间的欧几里得距离的倒数来计算，但这种方法容易导致蚁群算法的在搜索最优路径的过程中收敛效率低。因此，本发明提供的基于改进蚁群算法的深海采矿车路径规划方法在传统启发式信息计算公式中将两节点之间的距离变为距离的平方，这样使蚂蚁在判断下一步要走的节点时有更大的概率选择比较近的栅格，从而提高蚁群算法的效率，缩短算法收敛所需要的时间。
在本优选实施例中，在蚁群算法中引入正态分布函数，动态调整启发式信息，在迭代次数较少时强化启发式信息的影响，增强算法在前期对于最短路径的搜索能力，提高算法搜索效率，在算法后期降低启发式信息的影响，从而达到强化全局搜索性能的效果，调整后的启发式信息计算公式如下：式中，c为一个常数，d ij 为两节点之间的距离，/>为经过变形的正态分布函数。
在一些实施例中，蚁群在搜索路径的过程中受到信息素指导，而路径中信息素的更新方式将会影响蚁群的路径选择概率，而传统蚁群算法所使用的固定的信息素挥发因子无法使算法性能达到最优。
因此，在上述步骤S207进一步包括：引入信息素挥发机制在每次迭代过程中不断更新信息素，同时，引入sigmoid函数改进信息素挥发机制来控制整个迭代过程中信息素挥发因子的变化范围与速率。
在本优选实施例中，本发明提供的基于改进蚁群算法的深海采矿车路径规划方法通过引入sigmoid函数改进信息素挥发机制来控制整个迭代过程中信息素挥发因子的变化范围与速率，因而，在蚁群算法搜索最优路径的过程中，利用当前迭代次数对sigmoid函数进行重构，使算法在迭代初期信息素挥发速度较慢，保证蚁群算法在前期能够偏向搜索最优路径，使得前期的解收敛稳定，而不至于过于离散。
随着迭代次数的增加，路径上信息素挥发因子逐渐增大，增大了算法的搜索空间，保证算法不会陷入停滞状态而导致解过于单一。改进信息素挥发机制对蚁群算法的前期、中期及后期的信息素挥发强度进行适当调整与干预，避免算法在搜索不同的行走路径的过程中，信息素随着迭代次数不断积累，不同路径信息素浓度差异过大而陷入局部最优，提高算法的随机搜索能力与全局寻优能力。
进一步地，信息素更新策略公式包括：式中/>为动态信息素挥发因子；/>为第k次迭代中节点i 到节点 j的信息素；M为蚂蚁总数；/>为第k次迭代中第m只蚂蚁从节点i 到节点 j的信息素增量；Q为信息素强度，K为算法最大迭代次数。
其中，改进信息素挥发因子计算公式为：式中，A和B分别为sigmoid函数的参数。
在一些实施例中，传统蚁群算法的信息素更新策略是在每一次迭代完成后，会对每只蚂蚁走过的路径进行判断，找出那些成功到达目的地的蚂蚁，然后在它们行走过的路径上增加信息素，但有些蚂蚁成功到达目的地所经过的路径长度过大，并不符合寻优要求，这种蚂蚁通常被称为劣质蚂蚁。在劣质蚂蚁寻找到的路径上增加信息素，就会影响到后续迭代中的蚂蚁对最优路径的寻找。
因此，在上述步骤S207进一步还包括：引入奖惩机制来更新路径上的信息素。
在本优选实施例中，本发明提供的基于改进蚁群算法的深海采矿车路径规划方法通过采用一种奖惩机制来更新路径上的信息素，即对最优路径上的信息素采取奖励的措施，增加更多的信息素；对最差路径上的信息素采取惩罚的措施，适当减少该路径上的信息素，从而使算法快速收敛。
进一步地，信息素更新策略公式包括：式中，表示在第k次迭代中第m只蚂蚁从节点i 到节点 j的信息素增量；L m 表示第m只蚂蚁在这次循环中所经过的路径总长度；L y 和L c 为当前迭代中最优路径和最差路径的长度，L mean 为当前迭代中的平均路径长度，μ、/>分别为最优、最差路径的权重系数。
需要说明的是，上述实施方式仅仅用来阐述本发明的原理，并非旨在与限制本发明的保护范围，在不偏离本发明原理的条件下，本领域技术人员能够对上述结构进行调整，以便本发明能够应用于更加具体的应用场景。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
综上所述，本发明提出的基于改进蚁群算法的深海采矿车路径规划方法具有提高效率和收敛速度、增强全局搜索能力和随机搜索能力、加速收敛、优化路径质量和能量消耗等积极效果。深海采矿车路径规划领域具有优越性和可行性，为深海采矿区域的车辆路径规划提供了理论和技术支持。其有益的技术效果具体包括：
（1）提高了算法的效率和收敛速度：通过引入启发式信息机制，给蚁群算法设置路径搜索的引导方向，缩短了算法收敛所需的时间，增强了算法在前期的搜索能力。同时，通过引入变形后的正态分布函数，降低了启发式信息对算法后期的影响，从而加强了全局搜索性能。
（2）改善了全局搜索能力和随机搜索能力：通过引入动态的信息素挥发因子，控制蚁群的搜索行为。在算法迭代初期，提高了算法的收敛稳定性；随着迭代次数的增加，降低了信息素的正反馈作用，避免算法陷入停滞状态，保证了解的多样性，提高了算法的随机搜索能力。
（3）加速了算法的收敛：通过在蚁群算法的信息素更新策略中引入奖惩机制，对最优路径采取奖励措施，增加更多的信息素；对最差路径采取惩罚措施，适当减少该路径上的信息素。这样可以使算法快速收敛，加速找到最优解。
（4）优化了路径质量和能量消耗：在蚁群算法的状态转移概率中引入转角启发函数，避免采矿车转弯次数过多，提高最优解的质量，使最优路径更加平滑，减小矿车行走过程中的能量消耗。同时，引入参数自适应伪随机转移规则动态调整转移概率阈值，进一步提高了算法的搜索效率和全局寻优能力。
（5）在深海采矿车路径规划领域具有优越性和可行性：通过与传统蚁群算法进行比较，证明本发明不仅能够产生高质量的最优解，而且在收敛速度和转弯次数方面具有显著优势。与现有方法相比，本发明生成的最优路径最为平滑且转弯次数最少。此外，本发明所得到的平均路径长度表现出良好的稳定性。
另一方面，本发明还提供了一种基于改进蚁群算法的深海采矿车路径规划系统，如图5所示，该系统实施如上述实施例的一种基于改进蚁群算法的深海采矿车路径规划方法，该系统包括：
三维模型获取模块501，被配置为能够获取深海海底矿区地形的三维环境模型，其中，三维环境模型包括多个三维地形坐标，
坡度值计算模块502，被配置为能够基于三维地形模型，计算每个三维地形坐标的坡度值，
二维模型建立模块503，被配置为能够基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，
最优路径得到模块504，被配置为能够根据二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
为进一步说明本发明实施例相关效果，进行如下实验。
采用本发明方法与传统蚁群算法在图3中的深海矿区二维栅格模型中进行采矿车路径规划，结果如图6所示，本发明方法路径总长度为31.1105 km，转弯次数共9次，传统蚁群算法路径长度为36.7462 km，转弯次数共30次，仿真实验结果证明，相较于传统蚁群算法，本发明方法得到的最优路径长度和转弯次数明显减少，其中路径长度可缩短18.12%，转弯次数减小70%，这表明本发明方法通过改进启发式信息、挥发性因子、信息素更新策略及状态转移概率四种机制在采矿车静态路径规划方面有明显优势。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (5)
1.一种基于改进蚁群算法的深海采矿车路径规划方法，其特征在于，所述路径规划方法包括：
S1，获取深海海底矿区地形的三维环境模型，其中，所述三维环境模型包括多个三维地形坐标，
S2，基于所述三维环境模型，计算每个三维地形坐标的坡度值，
S3，基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，
S4，根据所述二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径，
其中，步骤S4进一步包括：
获取蚂蚁的数量，并在所述二维栅格模型中确定蚂蚁的起始点位置和目标点位置，
基于引入转角启发函数的蚁群算法，获取当前蚂蚁由起始点位置到目标点位置的路径信息，
基于蚂蚁的数量，获取全部蚂蚁由起始点位置到目标点位置的路径信息，
在所述全部蚂蚁由起始点位置到目标点位置的路径信息中，选取最优的路径信息，
步骤“在所述全部蚂蚁由起始点位置到目标点位置的路径信息中，选取最优的路径信息”进一步包括：
引入信息素挥发机制在每次迭代过程中不断更新信息素，同时，引入sigmoid函数改进信息素挥发机制来控制整个迭代过程中信息素挥发因子的变化范围与速率，
引入奖惩机制来更新路径上的信息素，即对最优路径上的信息素采取奖励的措施，增加更多的信息素；对最差路径上的信息素采取惩罚的措施，适当减少该路径上的信息素，从而使算法快速收敛，
其中，信息素更新策略公式包括：式中/>为动态信息素挥发因子；/>为第k次迭代中节点i 到节点 j的信息素；M为蚂蚁总数；/>为第k次迭代中第m只蚂蚁从节点i 到节点 j的信息素；Q为信息素强度，K为算法最大迭代次数；
改进信息素挥发因子计算公式为：式中，A和B分别为sigmoid函数的参数，
信息素更新策略公式包括：式中， />表示在第k次迭代中第m只蚂蚁从节点i 到节点 j的信息素增量；L m 表示第m只蚂蚁在这次循环中所经过的路径总长度；L y 和L c 为当前迭代中最优路径和最差路径的长度，L mean 为当前迭代中的平均路径长度，μ、/>分别为最优、最差路径的权重系数。
2.根据权利要求1所述的基于改进蚁群算法的深海采矿车路径规划方法，其特征在于，步骤“基于引入转角启发函数的蚁群算法，获取当前蚂蚁由起始点位置到目标点位置的路径信息”进一步包括：
引用伪随机比例规则，在当前蚂蚁由起始点位置到目标点位置的路程中，计算当前节点周围的八个节点的通行性与每个可通行节点的转移概率，
位于节点（i，j）的蚂蚁k按照以下公式选择下一个可通行点，式中，/>为伪随机比例规则，k为迭代次数，m为当前迭代过程中的蚂蚁，/>为状态转移概率，i，j为是蚂蚁当前路径节点，α 为信息素重要程度参数，β 为启发式因子重要程度参数，γ 为表征转角启发函数重要程度参数，q为转移概率系数，q 0为转移概率系数阈值；
其中，转移概率公式来表示蚂蚁k在经过一段时间t以后，选择下一个节点的转移概率，式中，/>为蚂蚁m下一步可以选择前往的节点，T(k)为转角启发函数，以避免转弯次数较多；
其中，转角启发函数计算公式为：式中，θ为路径中三个相邻节点之间的转角，且θ越小代表路径越平滑，/>式中，/>分别为路径中三个相邻节点的空间坐标。
3.根据权利要求2所述的基于改进蚁群算法的深海采矿车路径规划方法，其特征在于，
所述转移概率系数阈值的计算公式如下：式中，K为算法最大迭代次数。
4.根据权利要求2所述的基于改进蚁群算法的深海采矿车路径规划方法，其特征在于，在蚁群算法中引入正态分布函数，动态调整启发式信息，调整后的启发式信息计算公式如下：式中，c为一个常数，d ij 为两节点之间的距离，/>为经过变形的正态分布函数。
5.一种基于改进蚁群算法的深海采矿车路径规划系统，其特征在于，该系统实施如权利要求1~4任意一项所述一种基于改进蚁群算法的深海采矿车路径规划方法，该系统包括：
三维模型获取模块，被配置为能够获取深海海底矿区地形的三维环境模型，其中，所述三维环境模型包括多个三维地形坐标，
坡度值计算模块，被配置为能够基于所述三维环境模型，计算每个三维地形坐标的坡度值，
二维模型建立模块，被配置为能够基于每个三维地形坐标的坡度值，建立深海矿区二维栅格模型，
最优路径得到模块，被配置为能够根据所述二维栅格模型，在蚁群算法中引入转角启发函数，得到深海采矿车的最优路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410047927.4A CN117555341B (zh) | 2024-01-12 | 2024-01-12 | 基于改进蚁群算法的深海采矿车路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410047927.4A CN117555341B (zh) | 2024-01-12 | 2024-01-12 | 基于改进蚁群算法的深海采矿车路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117555341A CN117555341A (zh) | 2024-02-13 |
| CN117555341B true CN117555341B (zh) | 2024-05-24 |
Family
ID=89820983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410047927.4A Active CN117555341B (zh) | 2024-01-12 | 2024-01-12 | 基于改进蚁群算法的深海采矿车路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117555341B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10545026B1 (en) * | 2017-06-05 | 2020-01-28 | Philip Raymond Schaefer | System and method for tracking the position of a person and providing navigation assistance |
| CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
| CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
| CN115826570A (zh) * | 2022-11-10 | 2023-03-21 | 中国矿业大学 | 基于ssa-pidnn的太空采矿机器人轨迹控制方法 |
| CN115951694A (zh) * | 2023-02-20 | 2023-04-11 | 中国船舶重工集团公司第七0七研究所九江分部 | 基于改进蚁群算法的水下平台三维路径多目标规划方法 |
| CN116339316A (zh) * | 2023-02-13 | 2023-06-27 | 中国科学院沈阳自动化研究所 | 一种基于深度强化学习的深海采矿机器人路径规划方法 |
| CN116912279A (zh) * | 2023-07-13 | 2023-10-20 | 南京师范大学 | 基于海底测深数据的大陆架自动提取方法及装置 |
| CN117007051A (zh) * | 2023-07-31 | 2023-11-07 | 哈尔滨工程大学 | 一种基于改进蚁群算法的auv高精度水声定位航路规划方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2582885B1 (en) * | 2010-06-18 | 2019-10-02 | Nautilus Minerals Pacific Pty Ltd | Method and apparatus for auxiliary seafloor mining |
| US10054447B2 (en) * | 2016-08-17 | 2018-08-21 | Sharp Laboratories Of America, Inc. | Lazier graph-based path planning for autonomous navigation |
| CN111641930B (zh) * | 2020-06-01 | 2021-04-13 | 秦川 | 应用于海洋信息网络的分层式数据采集系统及方法 |
-
2024
- 2024-01-12 CN CN202410047927.4A patent/CN117555341B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10545026B1 (en) * | 2017-06-05 | 2020-01-28 | Philip Raymond Schaefer | System and method for tracking the position of a person and providing navigation assistance |
| CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
| CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
| CN115826570A (zh) * | 2022-11-10 | 2023-03-21 | 中国矿业大学 | 基于ssa-pidnn的太空采矿机器人轨迹控制方法 |
| CN116339316A (zh) * | 2023-02-13 | 2023-06-27 | 中国科学院沈阳自动化研究所 | 一种基于深度强化学习的深海采矿机器人路径规划方法 |
| CN115951694A (zh) * | 2023-02-20 | 2023-04-11 | 中国船舶重工集团公司第七0七研究所九江分部 | 基于改进蚁群算法的水下平台三维路径多目标规划方法 |
| CN116912279A (zh) * | 2023-07-13 | 2023-10-20 | 南京师范大学 | 基于海底测深数据的大陆架自动提取方法及装置 |
| CN117007051A (zh) * | 2023-07-31 | 2023-11-07 | 哈尔滨工程大学 | 一种基于改进蚁群算法的auv高精度水声定位航路规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| Simulation of Route Planning for Deep Sea Mining Vehicle Based on Improved Ant Colony Algorithm;Jiang Yong et al.;2018 IEEE 3rd International Conference on Cloud Computing and Internet of Things (CCIOT);20200312;全文 * |
| 基于蚁群算法深海采矿机器人工作路径规划;史春雪;海洋工程;20080531;第26卷(第2期);全文 * |
| 海沟模型及钢悬链线立管疲劳寿命预测研究;娄敏;石油机械;20211231;第49卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117555341A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109164810B (zh) | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 | |
| CN110989352B (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
| CN111311746B (zh) | 一种基于钻孔数据的智能三维地质建模方法 | |
| CN108375379A (zh) | 基于变异的双重dqn的快速路径规划方法及移动机器人 | |
| CA2412779A1 (en) | Optimal paths for marine data collection | |
| CN108803332A (zh) | 基于改进生物地理学的路径规划方法 | |
| CN115129064B (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN111307158B (zh) | 一种auv三维航路规划方法 | |
| CN115454067A (zh) | 一种基于融合算法的路径规划方法 | |
| CN114185354A (zh) | 一种基于dqn的agv全局路径规划方法和系统 | |
| Liang et al. | An enhanced ant colony optimization algorithm for global path planning of deep-sea mining vehicles | |
| CN117555341B (zh) | 基于改进蚁群算法的深海采矿车路径规划方法及系统 | |
| CN116360437A (zh) | 智能机器人路径规划方法、装置、设备及存储介质 | |
| CN110726416A (zh) | 一种基于障碍区域扩张策略的强化学习路径规划方法 | |
| CN116861799B (zh) | 基于残差的海底地形反演模型生成及海底地形反演方法 | |
| CN116185018A (zh) | 一种水陆两栖机器人路径规划控制方法 | |
| CN113759921B (zh) | 可移动设备路径规划方法、装置与计算机可读存储介质 | |
| Chen et al. | GVD-exploration: An efficient autonomous robot exploration framework based on fast generalized Voronoi diagram extraction | |
| Yu et al. | A novel automated guided vehicle (agv) remote path planning based on rlaca algorithm in 5g environment | |
| CN116976535B (zh) | 一种基于少数障碍侧与转向代价相融合的路径规划方法 | |
| CN117387628B (zh) | 一种基于有向质点蚁群的水下机器人路径规划方法及设备 | |
| CN118857305B (zh) | 一种人工智能机器人路径规划方法及系统 | |
| CN117579533B (zh) | 一种可用于多目标优化的光缆网络路由智能规划方法 | |
| CN118408547A (zh) | 移动机器人路径规划方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |