本發(fā)明涉及深海潛器路徑規(guī)劃，具體涉及一種深海潛器柔性手抓取作業(yè)路徑規(guī)劃方法。

背景技術(shù)：

1、在眾多深海作業(yè)中，如何高效準確地完成目標(biāo)物體的抓取是關(guān)鍵技術(shù)之一。這就需要深海潛航器配備具有高度靈活性的柔性手，并結(jié)合先進的路徑規(guī)劃算法來實現(xiàn)精確的抓取任務(wù)。

2、傳統(tǒng)的剛性機械臂雖然能夠提供較大的力矩輸出，但在復(fù)雜的深海環(huán)境中卻難以適應(yīng)多變的工作條件。相比之下，柔性手由于其獨特的柔順性，能夠更好地適應(yīng)未知或變化的工作環(huán)境，減少與環(huán)境的碰撞風(fēng)險，同時提高操作的安全性和靈活性。此外，柔性手還具備良好的負載能力，能夠有效減輕深海潛航器的整體重量，提高其機動性和續(xù)航能力。柔性手的路徑規(guī)劃對于確保任務(wù)的成功至關(guān)重要。合理的路徑規(guī)劃不僅能避免與海底障礙物的碰撞，還能減少不必要的能量消耗，提高作業(yè)效率。尤其是在執(zhí)行精細抓取任務(wù)時，如采集脆弱的生物樣本或是修復(fù)深海設(shè)施等，精確的路徑規(guī)劃更是不可或缺。

3、因此，現(xiàn)需要一種適用于深海環(huán)境下的潛器柔性手抓取作業(yè)路徑規(guī)劃方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種深海潛器柔性手抓取作業(yè)路徑規(guī)劃方，以解決現(xiàn)有技術(shù)中不能對深海環(huán)境下的潛器柔性手抓取作業(yè)路徑進行規(guī)劃的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種深海潛器柔性手抓取作業(yè)路徑規(guī)劃方法，具體包括如下步驟：

3、s1，對參數(shù)進行初始化，參數(shù)包括：地圖起終點的信息、地形與威脅的約束信息以及柔性手的移動特性信息，柔性手的移動特性信息包括：柔性手的移動時間、移動速度、航跡長度和俯仰角。

4、s2，使用隨機初始化的方式初始化原始種群，使用基于kmeans算法的數(shù)據(jù)預(yù)處理方法對隨機初始化的種群進行數(shù)據(jù)預(yù)處理操作。

5、s3，使用q_learning算法得到最適合粒子群算法運行的參數(shù)組合。

6、s4，計算粒子的連續(xù)未更新數(shù)是否大于閾值，如果大于，則說明粒子長時間沒有進行更新操作，在每個維度上將以概率c，用全局最優(yōu)解在該維度上的分量替換當(dāng)前粒子在該維度上的分量。

7、s5，利用改進模擬退火算法策略來進行種群中全局最優(yōu)解的更新。

8、s6，重復(fù)步驟s3-s5，直到滿足迭代次數(shù)的要求，輸出柔性手最優(yōu)的規(guī)劃路徑。

9、進一步地，步驟s2中使用隨機初始化的方式初始化原始種群具體包括如下步驟：

10、s2.1，假設(shè)路徑由維向量，即個點擬合而成，共有個粒子組成一個群落。以該路徑的坐標(biāo)為例，在表述粒子路徑的坐標(biāo)的群落中，第個粒子表示為一個維的向量：

11、（1）；

12、表示路徑的坐標(biāo)點位置，表示路徑中的第個點的坐標(biāo)。

13、進一步地，步驟s2中使用基于kmeans算法的數(shù)據(jù)預(yù)處理方法對隨機初始化的種群進行數(shù)據(jù)預(yù)處理操作具體包括如下步驟：

14、s2.2，將個聚類中心設(shè)為，計算每個個體到每個聚類中心的歐氏距離：

15、?????????????(2)；

16、其中，表示個體數(shù)量，以規(guī)劃路徑中的坐標(biāo)為例，表示第個個體，也即路徑的坐標(biāo)點位置，表示第個聚類中心，其中表示第個個體的第個屬性，表示第個聚類中心的第個屬性。

17、s2.3，計算每個簇的簇中心：

18、(3)；

19、其中，為第類簇的中心，為第類簇的個體數(shù)。

20、s2.4，計算每個簇中個體的平均適應(yīng)度值來區(qū)分不同簇之間的差異：

21、(4)；

22、其中，是第類簇的平均適應(yīng)度值，是個體的適應(yīng)度值。

23、s2.5，對所有簇的平均適應(yīng)度值進行排序，以求解最小化問題為例，將所有簇按照平均適應(yīng)度值升序排列，并將適應(yīng)度值較小的個體作為優(yōu)勢個體。

24、進一步地，在選擇優(yōu)勢個體時具體包括如下步驟：

25、s2.5.1，首先，設(shè)為每個簇的抽取率，按升序排序的簇為集合，隨后然后進行次迭代。

26、s2.5.2，從第一個簇開始，每次迭代按順序選擇一個類簇，并從簇中提取的個體加入集合作為優(yōu)勢個體。每次迭代后將的值減小5，可以在保證種群多樣性的前提下，選擇盡可能多的優(yōu)勢個體來提高候選解的質(zhì)量。

27、s2.5.3，在完成次迭代后，在集合中提取的優(yōu)勢個體數(shù)量為，種群中不足的個體將隨機生成，最終輸出為預(yù)處理后的種群。

28、進一步地，步驟s3具體包括如下步驟：

29、s3.1，初始化每個粒子的q表，從粒子中找到適應(yīng)度值最優(yōu)的粒子，該粒子對應(yīng)的q表就是目前的最優(yōu)q表，q表更新公式為：

30、(5)；

31、式中，、為第t次迭代與t+1次迭代時的狀態(tài)；、分別為第t次迭代與t+1次迭代時的動作，和分別是學(xué)習(xí)率和折扣系數(shù)，取值范圍為[0,1]，為粒子在狀態(tài)下執(zhí)行動作所獲得的即時獎勵，是粒子在狀態(tài)采取動作的期望q值，是新狀態(tài)下所有可能的行動的最大預(yù)期未來獎勵。

32、進一步地，步驟s3具體包括如下步驟：

33、s3.2，從數(shù)據(jù)預(yù)處理后的初始化種群中依次選擇粒子，將每一個粒子都通過q_learning算法結(jié)合最優(yōu)q表來進行預(yù)測，得到預(yù)測結(jié)果后將從全局搜索，隨機搜索，綜合搜索和局部搜索四種行為中選擇出最適合粒子搜索的行為，獎勵函數(shù)設(shè)置為：

34、（6）；

35、（7）；

36、其中，為更新后的適應(yīng)度值，為更新之前的的適應(yīng)度值，為算法的最大迭代次數(shù)，action為所選的行為。

37、s3.3，使用公式（8）和公式（9）來更新粒子的位置與速度，等待所有粒子都更新結(jié)束后，選擇出適應(yīng)度值表現(xiàn)最好的粒子作為最優(yōu)粒子，并通過粒子的位置和表現(xiàn)更新q表：

38、（8）；

39、；

40、（9）；

41、式中，s為粒子數(shù)，為第t次迭代時粒子的位置，為最大迭代次數(shù)，為慣性權(quán)重參數(shù);和為命名學(xué)習(xí)因子，分別控制每次迭代中從個體和群體歷史最優(yōu)位置獲得的正向知識，和是[0,1]中的兩個隨機數(shù)，和分別是個體和群體的歷史最優(yōu)位置，為第次迭代時的速度。

42、進一步地，步驟s4具體為：

43、粒子的連續(xù)未更新數(shù)為，當(dāng)超過閾值時，將會以概率c，根據(jù)來更新當(dāng)前粒子在每個維度上的位置，c的取值為0.7；?的計算公式為：

44、?????????????????(10)；

45、其中，和分別表示的上界和下界。

46、進一步地，步驟s5具體包括如下步驟：

47、s5.1，引入模擬退火算法來更新種群的全局最優(yōu)解，參數(shù)的計算公式設(shè)置為如下：

48、???????????????(11)；

49、式中，為當(dāng)前系統(tǒng)的溫度，為自然指數(shù)函數(shù)，為第t次迭代的當(dāng)前全局最優(yōu)解的適應(yīng)度值。

50、s5.2，用公式來更新，其中，為控制溫度變化率的參數(shù)，取值范圍為[0,1]。

51、s5.3，的計算公式為:

52、?????????????????????(12)。

53、s5.4，當(dāng)經(jīng)過指定的迭代次數(shù)后，執(zhí)行如式(12)所示的回溫公式：

54、(13)；

55、其中，是指定的迭代次數(shù)，設(shè)置為200，為常數(shù)，設(shè)置為0.05。

56、本發(fā)明具有如下有益效果：

57、本發(fā)明將粒子群算法與q_learning算法結(jié)合，對每個粒子構(gòu)建一張?q?表，供粒子參數(shù)動態(tài)選擇，在不同的迭代階段選擇合適的搜索策略，很好地平衡了算法的全局搜索能力和局部搜索能力。在數(shù)據(jù)預(yù)處理方面，算法使用了一種基于kmeans聚類算法的數(shù)據(jù)預(yù)處理策略，該策略將算法的初始化種群劃分為多個不同的簇，并根據(jù)簇的平均適應(yīng)度值對簇進行排序，按比例選擇出表現(xiàn)更好的個體作為初始化種群，提高了初始解的質(zhì)量。并且本發(fā)明通過融合改進模擬退火算法，改進了粒子群算法中全局最優(yōu)解的更新策略，增強了算法的優(yōu)化能力，避免陷入局部收斂。同時算法記錄每個粒子連續(xù)的未更新數(shù)，當(dāng)其超過一定閾值時，將根據(jù)全局最優(yōu)解更新當(dāng)前粒子在每個維度上的位置，這種策略一定程度上加速了粒子的收斂。