本發(fā)明涉及湖泊水質(zhì)采樣和路徑規(guī)劃技術(shù)領(lǐng)域，具體是指一種水質(zhì)采樣巡航船路徑規(guī)劃最優(yōu)化方法。

背景技術(shù)：

水是人類寶貴且不可或缺的自然資源。由于我國水污染問題日益嚴(yán)重，水環(huán)境的保護(hù)已經(jīng)被國家列為一項(xiàng)重點(diǎn)實(shí)施的政策。水環(huán)境的治理與保護(hù)需要進(jìn)行水質(zhì)監(jiān)測，而水質(zhì)采樣是水質(zhì)監(jiān)測的重要組成部分，所以水質(zhì)采樣的效率直接影響水環(huán)境治理的效率。為了提高采樣作業(yè)的效率，水質(zhì)采樣巡航船進(jìn)行采樣作業(yè)時(shí)，需要有一種能快速高效實(shí)現(xiàn)路徑的規(guī)劃的方法。一直以來，怎樣高效的解決巡航船的路徑規(guī)劃問題是該領(lǐng)域的一個(gè)難題。目前有很多智能方法可以解決這類問題。粒子群算法是智能算法中運(yùn)算最簡單的一種，粒子群優(yōu)化算法(pso算法)是由kennedy和eberhart(見參考文獻(xiàn)[1]：kennedyj，eberhartr.particleswarmoptimization[c]//ieeeinternationalconferenceonneuralnetworks，1995：1942-1948.)通過對(duì)鳥群社會(huì)行為的觀察研究，提出的一種新穎的進(jìn)化算法。pso算法設(shè)置參數(shù)少，容易實(shí)現(xiàn)，可用于解決非線性、不可微和多峰值等復(fù)雜的優(yōu)化問題，此外，該算法搜索效率高，收斂性能也很好。

技術(shù)實(shí)現(xiàn)要素：

為了提高水質(zhì)采樣巡航船路徑規(guī)劃的速度，本發(fā)明將巡航船的路徑規(guī)劃問題簡單轉(zhuǎn)化為二維旅行商問題，用改進(jìn)的粒子群優(yōu)化算法規(guī)劃點(diǎn)與點(diǎn)之間的路徑，該方法可以結(jié)合實(shí)際情況實(shí)時(shí)規(guī)劃出水質(zhì)采樣巡航船在所有采樣點(diǎn)之間的最優(yōu)行駛路徑。

針對(duì)使用基本粒子群算法規(guī)劃路徑容易早熟和陷入局部最優(yōu)的缺點(diǎn)，本發(fā)明提出了一種簡單而高效的自適應(yīng)粒子群算法，并提出了一種基于自適應(yīng)粒子群算法的水質(zhì)采樣巡航船路徑規(guī)劃最優(yōu)化方法，所述方法首先需要獲取目標(biāo)水域的采樣點(diǎn)網(wǎng)絡(luò)，然后用自適應(yīng)粒子群算法對(duì)采樣點(diǎn)網(wǎng)絡(luò)進(jìn)行采樣點(diǎn)的路徑規(guī)劃，具體包括以下三步：

第一步：用無人機(jī)攝像頭采集湖面的圖像，然后進(jìn)行圖像處理，得到湖面的二維坐標(biāo)圖。

第二步：針對(duì)湖面的二維坐標(biāo)圖，利用粒子群算法進(jìn)行采樣點(diǎn)的選取與部署，選取出工作人員所期望的采樣點(diǎn)網(wǎng)絡(luò)。

第三步：采用自適應(yīng)粒子群優(yōu)化算法，規(guī)劃出采樣點(diǎn)網(wǎng)絡(luò)的最優(yōu)路徑，輸出優(yōu)化路徑。

其中，第三步所述的采用自適應(yīng)粒子群算法得到路徑最優(yōu)解的步驟如下：

步驟3.1：根據(jù)湖面采樣點(diǎn)網(wǎng)絡(luò)的坐標(biāo)信息，設(shè)定自適應(yīng)粒子群算法的相關(guān)參數(shù)，包括種群大小、采樣點(diǎn)個(gè)數(shù)、迭代次數(shù)、加速因子c1和加速因子c2和慣性權(quán)值w；

步驟3.2：初始化粒子種群產(chǎn)生隨機(jī)路徑序列，初始化所有粒子的速度產(chǎn)生隨機(jī)交換序；

步驟3.3：計(jì)算所有采樣點(diǎn)之間的距離，記錄最大距離。

步驟3.4：根據(jù)c1，c2，w和引入的自適應(yīng)函數(shù)μ值四個(gè)參數(shù)自適應(yīng)地保留路徑交換序；

步驟3.5：根據(jù)保留的交換序進(jìn)行路徑更新；

步驟3.6：判斷是否連續(xù)迭代20次路徑長度保持不變，若是，則輸出路徑規(guī)劃的結(jié)果；若否，判斷是否達(dá)到最大迭代次數(shù)，若是，則輸出路徑規(guī)劃的結(jié)果，若否則回轉(zhuǎn)執(zhí)行步驟3.4；

步驟3.4中，粒子群算法引入了自適應(yīng)函數(shù)μ：

r＝max/2

將自適應(yīng)函數(shù)融合在粒子群算法中用以保留交換序，在路徑更新的過程中剔除相鄰兩點(diǎn)距離大于max/2的路徑，max代表相距最遠(yuǎn)的兩采樣點(diǎn)之間的距離，也就是步驟3.3計(jì)算出來的最大距離，第i個(gè)采樣點(diǎn)的坐標(biāo)可以表示為(xi，yi)，d(i,j)代表第i個(gè)采樣點(diǎn)和第j個(gè)采樣點(diǎn)之間的距離，引入自適應(yīng)函數(shù)μ后算法自動(dòng)刪除μ值為0所對(duì)應(yīng)的交換序，算法中d(i,j)與max/2的大小判斷提高了算法的收斂速度，同時(shí)有效避免了算法陷入局部最優(yōu)。

多個(gè)采樣點(diǎn)形成的最優(yōu)路徑不可能包含這樣一段路徑，即相距最遠(yuǎn)的兩個(gè)采樣點(diǎn)連接在一起，這種情況下的路徑序列一定不是最優(yōu)路徑。本發(fā)明基于這一點(diǎn)讓粒子群算法引入自適應(yīng)函數(shù)，在路徑更新的時(shí)候剔除相鄰兩采樣點(diǎn)距離長度離譜的隨機(jī)路徑，并刪除相應(yīng)的交換序。

步驟3.6中如果算法連續(xù)迭代20次路徑長度一直保持不變則算法停止，該方法最大限度的減少了算法的運(yùn)行時(shí)間，限制次數(shù)20是根據(jù)水質(zhì)采樣巡航船現(xiàn)場采樣時(shí)的運(yùn)行經(jīng)驗(yàn)設(shè)計(jì)的，20次的設(shè)定值能同時(shí)保證算法的快速性和有效性。

本發(fā)明的優(yōu)點(diǎn)在于：

(1)對(duì)獲取的目標(biāo)湖面圖像進(jìn)行圖像處理，把湖面圖像簡單的處理成二維坐標(biāo)圖形，縮短了規(guī)劃巡航船路徑所需的時(shí)間。

(2)利用粒子群算法選取與部署采樣點(diǎn)使得巡航船根據(jù)規(guī)劃路徑采樣得到的水質(zhì)更具有代表性，該方法可以任意設(shè)置采樣點(diǎn)網(wǎng)絡(luò)采樣點(diǎn)的數(shù)目，顯著提高了路徑規(guī)劃的靈活性。

(3)本發(fā)明用自適應(yīng)粒子群算法搜索最優(yōu)路徑，通過自適應(yīng)保留交換序的方法使路徑規(guī)劃的效果得到了很大的改善，即規(guī)劃出的路徑更短，因此節(jié)省了水質(zhì)采樣巡航船的電量消耗，使巡航船的續(xù)航能力更強(qiáng)，提高了巡航船采樣作業(yè)的性能。

(4)因?yàn)榱Ｗ尤核惴ê唵味咝?，本發(fā)明分步使用了兩次粒子群算法，所以路徑規(guī)劃的速度較其他方法有很大的優(yōu)勢(shì)，路徑規(guī)劃的效果也更加穩(wěn)定，解決了路徑規(guī)劃方法總是快而不穩(wěn)的問題。

附圖說明

圖1為本發(fā)明中的水質(zhì)采樣巡航船路徑規(guī)劃流程圖；

圖2為本發(fā)明中的自適應(yīng)粒子群算法保留交換序流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行詳細(xì)說明。

本發(fā)明提供一種水質(zhì)采樣巡航船路徑規(guī)劃最優(yōu)化方法，引入了一種保留交換序的自適應(yīng)函數(shù)μ，粒子群算法引入此自適應(yīng)函數(shù)后稱為自適應(yīng)粒子群算法，自適應(yīng)粒子群算法能更加快速而高效的實(shí)現(xiàn)水質(zhì)采樣巡航船的路徑規(guī)劃。如圖1所示流程，本發(fā)明提供的水質(zhì)采樣巡航船路徑規(guī)劃方法，具體包括如下步驟：

步驟一、采集湖面圖像，進(jìn)行圖像處理，得到湖面的二維坐標(biāo)圖。

步驟二、針對(duì)湖面的二維坐標(biāo)圖，利用粒子群算法進(jìn)行采樣點(diǎn)的選取與部署，選取出工作人員所期望的采樣點(diǎn)網(wǎng)絡(luò)。

步驟三、采用自適應(yīng)粒子群優(yōu)化算法，規(guī)劃出采樣點(diǎn)網(wǎng)絡(luò)的最優(yōu)路徑，輸出優(yōu)化路徑，具體包括如下步驟：

(3.1)根據(jù)采樣點(diǎn)網(wǎng)絡(luò)中的采樣點(diǎn)的坐標(biāo)和個(gè)數(shù)n，設(shè)定自適應(yīng)粒子群算法的種群大小為500，最大迭代次數(shù)為2000，加速因子c1設(shè)為0.5，加速因子c2設(shè)為0.7，慣性權(quán)值w隨迭代次數(shù)的增加而遞減。

(3.2)初始化粒子和粒子速度，初始化粒子產(chǎn)生路徑種群，初始化粒子速度就是初始化交換序，設(shè)n個(gè)采樣點(diǎn)的路徑序列為s＝(ai)，i＝1,...n。定義交換子se(i1,i2)為交換路徑序列s中的兩節(jié)點(diǎn)aⁱ1和aⁱ2的順序，則s'＝s+se(i1,i2)為解s經(jīng)交換子se(i1,i2)操作后的新解，符號(hào)“+”代表交換的意思，交換序就是交換子組成的有序隊(duì)列。

(3.3)計(jì)算采樣點(diǎn)之間的距離，記錄最大距離；

計(jì)算任意的兩個(gè)采樣點(diǎn)之間的距離是自適應(yīng)粒子群算法不可或缺的一步，是為了滿足自適應(yīng)粒子群算法適應(yīng)度的需要，計(jì)算時(shí)自適應(yīng)粒子群算法會(huì)自動(dòng)保留最大的采樣點(diǎn)間距max。

(3.4)保留交換序；

加速因子c1，加速因子c2，慣性權(quán)值w和引入的自適應(yīng)函數(shù)μ值四個(gè)參數(shù)，都起到了保留交換序的作用，其中μ值分別同其他三個(gè)參數(shù)結(jié)合在一起按照順序依次保留交換序。

慣性權(quán)值w定義如下：

w＝0.96-0.5×i/imax

i為當(dāng)前迭代次數(shù)，imax為最大迭代次數(shù)，慣性權(quán)值w隨著算法迭代次數(shù)的增加而減小，它是根據(jù)公式實(shí)時(shí)變化的。在粒子群算法中，慣性權(quán)值w負(fù)責(zé)保留上一代交換序，其大小控制著全局搜索能力與局部搜索能力之間的平衡，為了提高自適應(yīng)粒子群算法的性能和收斂速度，設(shè)置慣性權(quán)值w隨迭代次數(shù)的增加而遞減。

自適應(yīng)函數(shù)值μ定義如下：

自適應(yīng)函數(shù)值融合在自適應(yīng)粒子群算法中作為保留交換序的判斷條件。

(3.5)根據(jù)步驟(3.4)中保留的路徑交換序更新路徑；

當(dāng)前的路徑根據(jù)得到的交換序進(jìn)行路徑序列的更新。路徑的更新同交換序的保留一樣分為三個(gè)步驟：

步驟一、根據(jù)加速因子c1和自適應(yīng)函數(shù)μ保留的交換序更新路徑，當(dāng)前路徑和對(duì)應(yīng)交換序的交換子相加得到新的路徑，這里的相加“+”如上文所述是交換的含義。

步驟二、繼續(xù)根據(jù)加速因子c2和自適應(yīng)函數(shù)μ保留的交換序更新路徑，更新方法和步驟一相同。

步驟三、最后根據(jù)慣性權(quán)值w和自適應(yīng)函數(shù)μ保留的交換序更新路徑。更新方法和上述兩個(gè)步驟相同。

(3.6)檢查終止條件；

首先檢查當(dāng)前路徑長度迭代20次后是否變化，如果無變化則終止迭代，并輸出當(dāng)前路徑作為優(yōu)化路徑；如果路徑變短則檢查是否達(dá)到最大迭代次數(shù)，達(dá)到最大迭代次數(shù)則終止迭代，未達(dá)到最大迭代次數(shù)則返回步驟(3.4)。

本發(fā)明在步驟3.4中引入了自適應(yīng)函數(shù)保留交換序，如圖2所示流程，步驟如下：

步驟a、根據(jù)加速因子c1和μ保留粒子位置交換序；

加速因子c1是粒子對(duì)自身序列的作用因子，結(jié)合μ共同作用于交換序的保留。

步驟b、根據(jù)加速因子c2和μ保留粒子位置交換序；

加速因子c2是粒子對(duì)群體序列的作用因子，結(jié)合μ一起作用于交換序的選擇，步驟a和步驟b依次保留粒子的位置交換序。

步驟c、根據(jù)w和μ保留粒子速度交換序；

結(jié)束步驟a和步驟b兩個(gè)步驟的計(jì)算后，慣性權(quán)值w結(jié)合μ函數(shù)再共同作用于粒子速度交換序的保留，保留上一代粒子交換序。