楊少龍, 黃 金, 向先波, 李偉超

(華中科技大學(xué)船舶與海洋工程學(xué)院, 湖北 武漢 430074)

0 引 言

隨著一帶一路建設(shè),海上經(jīng)貿(mào)活動(dòng)不斷增加,隨之海上事故頻發(fā)。在發(fā)生海難事故時(shí)為了最大限度減少生命財(cái)產(chǎn)損失,海上應(yīng)急救援需要準(zhǔn)確、快速地估計(jì)搜尋區(qū)域,設(shè)計(jì)合適區(qū)域搜尋規(guī)劃路徑提高海上搜尋成功率(probability of success,POS)并減少搜尋時(shí)間,使搜尋力量(如無人艇)以最短時(shí)間完成對(duì)高概率區(qū)域覆蓋式搜尋。

海上遇險(xiǎn)目標(biāo)搜尋區(qū)域確定是成功搜尋的重要前提。Breivik等人采用普林斯頓海洋模型分析海洋環(huán)境,建立了海上搜救模型,并利用蒙特卡羅模擬確定搜尋區(qū)域。肖方兵等人建立包含環(huán)境擾動(dòng)的遇險(xiǎn)目標(biāo)漂移模型,通過蒙特卡羅隨機(jī)粒子仿真法結(jié)合最優(yōu)搜尋矩形規(guī)則確定搜尋區(qū)域。但蒙特卡羅隨機(jī)粒子仿真法產(chǎn)生搜尋區(qū)域中少量邊緣粒子遠(yuǎn)離中心高密度粒子區(qū)域,數(shù)量稀少且分布發(fā)散。隨著時(shí)間推移,邊緣粒子分布會(huì)更加分散,顯著擴(kuò)大待搜尋矩形區(qū)域面積。這對(duì)搜尋力量投入帶來巨大負(fù)擔(dān),對(duì)于分秒必爭的救援任務(wù)而言更需要對(duì)粒子高密度聚集區(qū)域以最短時(shí)間完成搜尋覆蓋任務(wù)。

搜救力量是海上遇險(xiǎn)目標(biāo)搜尋規(guī)劃執(zhí)行主體,但有人搜尋力量難以勝任大面積、長時(shí)間、惡劣海況的區(qū)域搜尋任務(wù)。隨著無人系統(tǒng)快速發(fā)展,無人艇、無人機(jī)等新生力量為海上遇險(xiǎn)目標(biāo)搜尋帶來了新的機(jī)遇。以無人機(jī)為例, Bouzid等人、Martins等人研究無人機(jī)海上搜尋,但由于惡劣海況、惡劣天氣、續(xù)航等因素難以長時(shí)間工作。相比之下,無人艇可在水面航行,對(duì)惡劣海況適應(yīng)能力更強(qiáng)且續(xù)航滿足大范圍的區(qū)域搜尋。李亞南等人研究了無人艇集群對(duì)包含障礙的區(qū)域進(jìn)行動(dòng)態(tài)規(guī)劃,較好地適應(yīng)了動(dòng)態(tài)環(huán)境,但具體到海上搜救應(yīng)用場(chǎng)景,搜尋代價(jià)、區(qū)域覆蓋程度等是更加重要的關(guān)注點(diǎn)。

區(qū)域覆蓋搜尋問題在各領(lǐng)域廣泛存在,受到國內(nèi)外學(xué)者普遍關(guān)注。Choset等人首次利用boustrophedon細(xì)胞分解實(shí)現(xiàn)了機(jī)器人對(duì)區(qū)域的完全覆蓋,但梳狀規(guī)劃路徑未考慮機(jī)器人自身的操縱性限制。李亞南等人采用模仿獨(dú)居動(dòng)物社會(huì)行為的分布式反集群研究了無人艇集群區(qū)域全覆蓋方法,同樣忽略了欠驅(qū)動(dòng)無人艇操縱性導(dǎo)致的轉(zhuǎn)向路徑跟蹤問題。針對(duì)區(qū)域覆蓋路徑尋優(yōu),Li等人將航行距離與最大航行距離多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化。彭輝等人將多目標(biāo)航路代價(jià)估計(jì)值和有效時(shí)間估計(jì)值加權(quán)求和轉(zhuǎn)化為單目標(biāo)優(yōu)化。但這類多目標(biāo)加權(quán)轉(zhuǎn)化為單目標(biāo)做法,在實(shí)際搜尋規(guī)劃任務(wù)中卻存在權(quán)值系數(shù)難以確定的問題。

為此,針對(duì)海上搜救區(qū)域搜尋規(guī)劃面臨的目標(biāo)包含概率(probability of containment, POC)、搜尋探測(cè)概率(probability of detection, POD)表示搜救力量探測(cè)到搜尋目標(biāo)的概率,以及搜尋代價(jià)等優(yōu)化需求,開展基于無人艇的多目標(biāo)優(yōu)化搜尋規(guī)劃方法研究,在最少搜尋路徑代價(jià)下實(shí)現(xiàn)最大化搜尋POS=POC×POD,表示搜尋行動(dòng)成功找到目標(biāo)的概率。一方面,搜尋區(qū)域確定聚焦高密度區(qū)域及最佳POC;另一方面,搜尋規(guī)劃優(yōu)化實(shí)現(xiàn)總路徑最短且POD最大。首先,建立海上遇險(xiǎn)目標(biāo)漂移粒子分布位置,然后依次對(duì)搜尋區(qū)域和搜尋路徑進(jìn)行優(yōu)化求解。對(duì)于搜尋區(qū)域,設(shè)計(jì)一種基于腐蝕膨脹的置信橢圓搜尋區(qū)域確定算法,實(shí)現(xiàn)區(qū)域內(nèi)粒子POC和單位面積粒子數(shù)達(dá)到全局最優(yōu)。對(duì)于搜尋路徑,為實(shí)現(xiàn)優(yōu)化搜尋線間距、遍歷次序等從而獲取全局最優(yōu)總路徑和POD采用非支配排序的遺傳算法(nondominated sorting genetic algorithm II, NSGA-II),該算法使用帶精英策略快速非支配排序從而實(shí)現(xiàn)快速、準(zhǔn)確的搜索性能。本文最后通過對(duì)比常規(guī)矩形區(qū)域的梳狀路徑搜尋規(guī)劃,揭示所提方法在搜尋工作路徑等指標(biāo)的顯著優(yōu)勢(shì)。

1 無人艇區(qū)域搜尋規(guī)劃總體思路

無人艇區(qū)域搜尋規(guī)劃總體思路如圖1所示。搜尋任務(wù)分為兩個(gè)階段:一是根據(jù)已知海況信息以及船只失事前最后一次上傳信息利用蒙特卡羅隨機(jī)粒子仿真獲得粒子初始位置分布,然后根據(jù)粒子分布特點(diǎn)采用聚類算法將粒子分類,最后采用規(guī)則區(qū)域確定算法鎖定高密度區(qū)域,使得搜尋力量盡可能投入到高概率區(qū)域;二是根據(jù)搜尋區(qū)域位置和形狀信息結(jié)合無人艇轉(zhuǎn)向數(shù)學(xué)模型,進(jìn)行多目標(biāo)搜尋路徑規(guī)劃,同時(shí)滿足最大化POD和最短總路徑。

圖1 水上遇險(xiǎn)目標(biāo)搜尋整體框架Fig.1 Framework of distress targets overboard searching

無人艇執(zhí)行搜尋路徑跟蹤任務(wù),通過艇載視覺、雷達(dá)、紅外探測(cè)等傳感器探測(cè)落水人員。單次任務(wù)結(jié)束后根據(jù)搜尋結(jié)果重復(fù)上述步驟,直至滿足要求。

2 基于腐蝕膨脹的置信橢圓搜尋區(qū)域確定

2.1 海上遇險(xiǎn)目標(biāo)概率分布

海上遇險(xiǎn)目標(biāo)位置分布中包含多種不確定因素,導(dǎo)致目標(biāo)漂移軌跡呈現(xiàn)多樣性。為此,在文獻(xiàn)[3]基礎(chǔ)上采用蒙特卡羅隨機(jī)粒子仿真法建立海上遇險(xiǎn)人員漂移位置分布。預(yù)測(cè)時(shí)長0.5 h,風(fēng)場(chǎng)、流場(chǎng)數(shù)據(jù)以及落水人員風(fēng)壓屬性見文獻(xiàn)。如圖2所示,海上遇險(xiǎn)目標(biāo)概率分布呈現(xiàn)較為明顯的類簇特征,且邊緣粒子分布相對(duì)分散。

圖2 海上遇險(xiǎn)目標(biāo)概率分布Fig.2 Probability distribution of targets in distress at sea

2.2 海上遇險(xiǎn)目標(biāo)概率分布聚類

如圖2所示,若直接利用矩形區(qū)域框選包括所有粒子來確定搜尋區(qū)域,則會(huì)顯著增大搜尋代價(jià),且在粒子低密度區(qū)域浪費(fèi)搜尋力量。因此,采用聚類算法將所有粒子分簇,再結(jié)合分簇結(jié)果設(shè)計(jì)合理的搜尋區(qū)域。傳統(tǒng)K均值聚類算法是不考慮概率特性的計(jì)算點(diǎn)與類簇中心的歐式距離來判定歸屬,不適應(yīng)本場(chǎng)景應(yīng)用,因此采用高斯混合模型(Gaussian mixture model,GMM)進(jìn)行聚類,假設(shè)GMM模型由組高斯模型組成,對(duì)應(yīng)GMM概率密度函數(shù)如下:

(1)

其中,第組分模型概率密度公式為

(2)

式中:為權(quán)值;為均值;為方差;為數(shù)據(jù)維度(=2);為高斯模型數(shù);為描述二維坐標(biāo)的樣本向量。

首先確定模型組數(shù)值,結(jié)合圖2分布特征設(shè)定=2,然后使用最大期望算法迭代求解直至產(chǎn)生的新聚類中心與上一次聚類中心差值小于預(yù)設(shè)常數(shù)0005,結(jié)束后將獲得所有粒子分簇的劃分結(jié)果。如圖3所示,粒子分布呈現(xiàn)兩個(gè)類簇。此外,少量粒子顯著遠(yuǎn)離類簇中心且呈相對(duì)分散的特征,從搜尋角度而言需要投入相當(dāng)大的搜尋代價(jià)才能完全覆蓋這些概率密度較低的分散區(qū)域,不利于提高搜尋效率。

圖3 基于GMM聚類粒子分布圖Fig.3 Distribution of GMM-based clustering particles

為此,進(jìn)一步設(shè)計(jì)基于腐蝕膨脹的橢圓搜尋區(qū)域確定算法,聚焦高密度區(qū)域提高搜尋效率。

2.3 基于腐蝕膨脹的橢圓搜尋區(qū)域確定算法

基于腐蝕膨脹的置信橢圓搜尋區(qū)域確定算法分為3個(gè)步驟。

根據(jù)聚類結(jié)果分別求出各類數(shù)據(jù)均值以及數(shù)據(jù)協(xié)方差矩陣對(duì)應(yīng)的特征值和特征向量。

獲取最大特征值并求出對(duì)應(yīng)的特征向量,求出最大特征向量與軸夾角。

根據(jù)橢圓公式構(gòu)造卡方檢驗(yàn),其中自由度為2,選取置信度為95%,可得橢圓長短半軸公式為

(3)

(4)

式中:,分別為橢圓長半軸和短半軸;為置信度;,分別為協(xié)方差矩陣的最大和最小特征值;,為腐蝕膨脹系數(shù)。

通過上述3步獲得置信橢圓中心、長軸和短軸,從而確定橢圓面積和邊界。通過調(diào)節(jié)腐蝕膨脹系數(shù)可以改變區(qū)域大小從而改變單位面積粒子數(shù)和POC。為了獲取全局最優(yōu)單位面積粒子數(shù)和POC建立了如下多目標(biāo)優(yōu)化模型:

max POC

(5)

(6)

式(5)與式(6)分別表示優(yōu)化目標(biāo)POC(橢圓內(nèi)粒子數(shù)除以隨機(jī)粒子總數(shù))和單位面積的粒子數(shù),其中表示產(chǎn)生隨機(jī)粒子總數(shù)。

采用基于非支配排序并結(jié)合擁擠度算子求解該多目標(biāo)優(yōu)化問題,確定最佳腐蝕膨脹系數(shù)。根據(jù)橢圓區(qū)域特點(diǎn),腐蝕膨脹系數(shù)范圍為08～12,步長001。以圖3中紅色粒子區(qū)域1為例,對(duì)不同腐蝕膨脹系數(shù)下POC和單位面積粒子數(shù)進(jìn)行非支配排序并結(jié)合擁擠度算子得到優(yōu)化結(jié)果如圖4所示。

圖4 不同腐蝕系數(shù)下POC和單位面積粒子數(shù)Fig.4 POC and number of particles per unit area under different corrosion coefficients

基于最優(yōu)前沿面采用擁擠度算子對(duì)結(jié)果排序得到擁擠度最小值所對(duì)應(yīng)的腐蝕膨脹系數(shù)即全局最優(yōu)腐蝕膨脹系數(shù),即圖4中點(diǎn)取值。選擇圖4中最優(yōu)前沿面上、、點(diǎn)繪制橢圓區(qū)域,如圖5對(duì)比可見,紅色橢圓區(qū)域相比于藍(lán)色區(qū)域單位面積粒子密度更高,可縮小待搜尋區(qū)域;與青色區(qū)域相比,紅色橢圓區(qū)域POC概率更高。

圖5 不同腐蝕膨脹系數(shù)下橢圓區(qū)域Fig.5 Elliptical region under different corrosion expansion coefficients

基于此方法優(yōu)化得出兩組聚類粒子的最佳置信橢圓區(qū)域如圖6所示。區(qū)域1長軸腐蝕膨脹系數(shù)=093,短軸腐蝕膨脹系數(shù)=099,POC概率為0469。區(qū)域2長軸腐蝕膨脹系數(shù)=092,短軸腐蝕膨脹系數(shù)=101,對(duì)應(yīng)POC為0473。兩個(gè)區(qū)域整體POC概率為0942。

圖6 基于腐蝕膨脹的置信橢圓區(qū)域Fig.6 Confidence ellipsoid region based on corrosion expansion

3 無人艇區(qū)域覆蓋搜尋路徑規(guī)劃

3.1 問題描述

通過第2節(jié)確定最佳搜尋區(qū)域后,欠驅(qū)動(dòng)無人艇需要設(shè)計(jì)合適的搜尋規(guī)劃路徑完成區(qū)域覆蓋任務(wù)。采用NSGA-II算法同時(shí)考慮搜尋總路徑與POD雙目標(biāo)優(yōu)化問題,結(jié)合非支配排序和擁擠度算子求得非支配解更接近真實(shí)Pareto最優(yōu)解集,適用于本場(chǎng)景問題。

3.2 問題建模

欠驅(qū)動(dòng)無人艇搜尋區(qū)域路徑規(guī)劃主要關(guān)注搜尋總路徑和POD兩個(gè)目標(biāo)。其中,搜尋總路徑包含工作路徑和非工作路徑,工作路徑為無人艇在搜尋區(qū)域內(nèi)所有直線作業(yè)行路徑總和,非工作路徑為各作業(yè)行轉(zhuǎn)向路徑總和。執(zhí)行任務(wù)過程中需要滿足約束條件包括:① 轉(zhuǎn)向路徑最短;② 轉(zhuǎn)向次數(shù)最少;③ 每條作業(yè)行均被遍歷一次且不回起始行。約束條件中轉(zhuǎn)向路徑需依據(jù)無人艇操縱特性建立轉(zhuǎn)向數(shù)學(xué)模型,根據(jù)欠驅(qū)動(dòng)無人艇轉(zhuǎn)向特性和作業(yè)行間距建立了U型和Ω型兩種轉(zhuǎn)向類型。如圖7所示,其中P1B1、P2B2為工作路徑,B1B2之間圓弧段路徑為非工作路徑,為當(dāng)前作業(yè)行與下一條作業(yè)行之間的間距,兩個(gè)圓心距表示無人艇最小回轉(zhuǎn)直徑,=arccos()。

圖7 兩種類型轉(zhuǎn)向模式Fig.7 Two types of steering modes

受橢圓搜尋區(qū)域邊界特征影響,搜尋區(qū)域內(nèi)各條直線作業(yè)行長度不一(如和點(diǎn)),這會(huì)對(duì)無人艇的轉(zhuǎn)向路徑?jīng)Q策帶來影響。為此,建立適應(yīng)不同高度差的無人艇轉(zhuǎn)向數(shù)學(xué)模型為

=|·tan-Δ|+

(7)

(8)

式中:、表示作業(yè)行路徑編號(hào)≠;表示從當(dāng)前作業(yè)行駛出到駛?cè)胂乱粭l作業(yè)行的轉(zhuǎn)向路徑總長度;=(π2+);Δ=|-|表示第作業(yè)行和第作業(yè)行高度差,其中式(7)和式(8)分別對(duì)應(yīng)于圖7中Ω型轉(zhuǎn)彎模式和U型轉(zhuǎn)彎模式。

將作業(yè)行總路徑和POD作為優(yōu)化目標(biāo),以起始作業(yè)行、作業(yè)行遍歷順序和搜尋線間距為變量,以橢圓長軸方向?yàn)樗褜し较?可建立描述該問題數(shù)學(xué)模型。其中作業(yè)總行數(shù)計(jì)算式為

(9)

式中:為相鄰兩條搜尋作業(yè)行間距,即搜尋線間距;start為搜尋作業(yè)起始行,總行數(shù)計(jì)算為向下取整;為決策變量,表示是否包含從行到行的轉(zhuǎn)向路徑,其中=0表示不包含,=1表示包含;為無人艇掃海寬度;表示集合{1,2,…,};||表示集合中元素個(gè)數(shù),則整體優(yōu)化模型表述如下:

(10)

s.t.

=, ?,∈

(11)

(12)

∈{1,0},,∈;≠

(13)

式(10)為優(yōu)化目標(biāo)函數(shù),要求總路徑最短且POD最大;式(11)表示轉(zhuǎn)向路徑具有對(duì)稱性即從行到行與從行到行轉(zhuǎn)向路徑長度相等;式(12)與式(13)表示每條作業(yè)行有且僅被遍歷一次且最終不回到起始行。

3.3 NSGA-II優(yōu)化算法設(shè)計(jì)

利用NSGA-II算法獲得最優(yōu)起始行、作業(yè)行遍歷順序和搜尋線間距,實(shí)現(xiàn)總距離和POD值最優(yōu),整個(gè)過程分為以下3步。

設(shè)定群體規(guī)模、編碼長度、交叉概率、變異概率以及最大遺傳代數(shù)等參數(shù),根據(jù)無人艇航行性能確定搜尋線間距范圍和間距步長。

利用遺傳算法產(chǎn)生初始起始行和作業(yè)行遍歷順序初始值,然后按照確定搜尋線間距計(jì)算在起始行確定條件下,遺傳算法確定最佳遍歷順序,由此確定每個(gè)子代總路徑和POD,采用非支配排序和擁擠度算子獲取父代和子代合并后新子代作為下一次計(jì)算的父代,反復(fù)迭代直至達(dá)到終止條件并保存最優(yōu)總路徑和POD。

依據(jù)搜尋線間距步長改變搜尋線間距重復(fù)步驟2直至達(dá)到搜尋線間距范圍上限。然后利用非支配排序并結(jié)合擁擠度算子獲得不同搜尋線間距下?lián)頂D度最小值即全局最優(yōu)總路徑和POD,最后輸出最優(yōu)值所對(duì)應(yīng)的起始行、作業(yè)行遍歷次序和搜尋線間距,上述步驟偽代碼如算法1所示。

算法 1 無人艇路徑優(yōu)化算法01 輸入:N,Gen,Gen1,Pc,Pm,S;∥輸入種群大小N,起始行最大遺傳代數(shù)Gen,遍歷順序最大遺傳代數(shù)Gen1,交叉概率Pc,變異概率Pm,搜尋線間距范圍S02 輸出:s[];∥輸出Pareto非劣解集03 for i=S_min:S_step:S_max04 Chrom=crtbp(N,PRECI);∥得到初始種群05 for j=1:Gen06 MP=Mating(Chrom,FrontValue,CrowdD istance);∥二元錦標(biāo)賽選擇07 SelCh=recombin(‘xovsp’,Pc);∥單點(diǎn)交叉08 Chrom=mut(SelCh,Pm);∥變異09 Sobj=object_calculation(Chrom);∥獲取每個(gè)種群初始行10 for m=1:Gen111 Tobj=TSP(Sobj, PRECI);∥獲取每個(gè)種群最優(yōu)遍歷順序所對(duì)應(yīng)總路徑和POD12 end for13 FrontV=NonDominateSort(TObj);∥快速非支配排序

14 CrowdD=CrowdDistances(TObj,Fron tV);∥擁擠度距離計(jì)算15 end for16 [distance POD]=find_sort(FrontV,CrowdD);∥該搜尋線間距下最優(yōu)值17 save=[save; distance POD];∥保存最優(yōu)值18 end for19 best_FrontV=NonDominateSort(save_best);20 best_CrowdD=CrowdDistances(save,best_FrontV);21 [d P]=find_sort(best_FrontV, best_CrowdD);∥獲得不同搜尋線間距下最優(yōu)值

4 算法應(yīng)用實(shí)例

算法求解在Matlab 2017b中實(shí)現(xiàn),仿真計(jì)算機(jī)為Intel(R) Core(TM)i5-6200U CPU @ 2.30 GHz、內(nèi)存12 GB、操作系統(tǒng)Windows10 64位系統(tǒng)。將世代距離(generational distance,GD)引入作為整體收斂性評(píng)價(jià)指標(biāo),GD值越小表明越接近真實(shí)Pareto最優(yōu)解集。此外,海上搜尋規(guī)劃通常以矩形區(qū)域框選感興趣范圍,且基于最小跨度理論規(guī)劃平行線掃描方向減少無人艇往復(fù)轉(zhuǎn)彎次數(shù)。因此,本文以橢圓最小外接矩形作為對(duì)比,長軸為長邊,短軸為短邊,且短軸是最小跨度方向,根據(jù)該外接矩形搜尋區(qū)域進(jìn)行搜尋規(guī)劃性能比較。

NSGA-II算法中初始參數(shù)設(shè)定為:種群大小為100,最大遺傳代數(shù)為Gen為200,交叉概率Pc為0.9,變異概率Pm為0.05,搜尋線間距范圍為0.1～0.2 nmile,掃海寬度為0.2 nmile,區(qū)域1的橢圓長半軸為5.21 nmile,短半軸為2.36 nmile,區(qū)域2的橢圓長半軸為6.31 nmile,短半軸為4.56 nmile,無人艇最小回轉(zhuǎn)直徑為8 m。

以圖6所示橢圓區(qū)域1為例,區(qū)域覆蓋路徑規(guī)劃結(jié)果表明當(dāng)搜尋線間距步長0.02 nmile時(shí),在搜尋線間距為0.12 nmile時(shí),總路徑和POD值達(dá)到最優(yōu),分別為337.04 nmile和0.811,作業(yè)行遍歷順序?yàn)榘葱蛞来伪闅v,Pareto前沿面如圖8所示。

圖8 區(qū)域1優(yōu)化結(jié)果的Pareto前沿面及規(guī)劃路徑Fig.8 Pareto front of area 1 optimization result and planned path

NSGA-II算法優(yōu)化結(jié)果GD值為0.015,接近于0,表明所求得解接近真實(shí)Pareto最優(yōu)解集?；赑areto最優(yōu)前沿面解采用擁擠度算子對(duì)結(jié)果排序從而獲得擁擠度最小值即全局最優(yōu)解,根據(jù)所得最優(yōu)解對(duì)應(yīng)的作業(yè)起始行、作業(yè)遍歷順序和搜尋線間距可得到搜尋規(guī)劃路徑。如圖8左上角區(qū)域1所示規(guī)劃結(jié)果,圖8右下角為路徑局部放大圖,可見無人艇轉(zhuǎn)向過程以U型連接兩條作業(yè)行,符合無人艇轉(zhuǎn)向特性,且具有較短的非工作路徑。

為了對(duì)比常規(guī)矩形區(qū)域和橢圓區(qū)域在搜尋工作路徑和POD等方面的指標(biāo)差異,以橢圓區(qū)域1的外接矩形區(qū)域進(jìn)行搜尋規(guī)劃,通過優(yōu)化作業(yè)起始行、作業(yè)行遍歷順序和搜尋線間距獲得全局最優(yōu)總路徑和POD,對(duì)比結(jié)果如表1所示。橢圓區(qū)域POD比矩形區(qū)域略大,但由于POC小于矩形區(qū)域,導(dǎo)致兩者POS相等。本場(chǎng)景下搜尋線間距遠(yuǎn)大于無人艇最小回轉(zhuǎn)直徑,因此,兩種搜尋區(qū)域均采用U型按序依次遍歷完成路徑規(guī)劃。然而,對(duì)比總路徑,橢圓區(qū)域比矩形區(qū)域少23.4%,可以有效減少搜尋路徑代價(jià)。

表1 橢圓區(qū)域1和矩形區(qū)域1的搜尋指標(biāo)對(duì)比

按照同樣方式對(duì)橢圓區(qū)域2進(jìn)行計(jì)算,結(jié)果表明當(dāng)搜尋線間距為0.12 nmile時(shí),總路徑和POD值最優(yōu)且最優(yōu)值分別為719.98 nmile和0.811,所規(guī)劃路徑順序?yàn)榘葱蛞来伪闅v。優(yōu)化結(jié)果所對(duì)應(yīng)的Pareto前沿面如圖9所示,GD值為0.032。區(qū)域1和區(qū)域2總體POS為0.764,對(duì)應(yīng)總路徑為1 050.42 nmile。

圖9 區(qū)域2優(yōu)化結(jié)果的Pareto前沿面及規(guī)劃路徑Fig.9 Pareto front of region 2 optimization result and planned path

對(duì)比兩個(gè)橢圓區(qū)域的外接矩形區(qū)域所規(guī)劃結(jié)果可知,矩形區(qū)域總體POS為0.769,總路徑為1 384.13 nmile。由此,相比常規(guī)矩形區(qū)域搜尋規(guī)劃方法,本文所提橢圓區(qū)域搜尋路徑規(guī)劃方法在POS幾乎不變的情況下,縮短搜尋路徑代價(jià)達(dá)0.318,為實(shí)際海上應(yīng)急搜尋提供了高效的搜尋決策依據(jù)。

5 結(jié) 論

本文提出面向遇險(xiǎn)目標(biāo)單向搜尋的無人艇區(qū)域搜尋規(guī)劃方法。首先利用GMM聚類算法對(duì)蒙特卡羅隨機(jī)粒子仿真法產(chǎn)生初始粒子聚類,然后采用基于腐蝕膨脹的置信橢圓法確定被搜尋區(qū)域,最后采用NSGA-II多目標(biāo)優(yōu)化算法對(duì)搜尋區(qū)域進(jìn)行合理規(guī)劃。

主要貢獻(xiàn)和創(chuàng)新點(diǎn)有:① 采用GMM聚類算法對(duì)粒子分類,將粒子分類成多個(gè)區(qū)域,減少后續(xù)搜尋區(qū)域確定中不必要的搜尋面積;② 通過基于腐蝕膨脹的置信橢圓法確定全局下最優(yōu)搜尋區(qū)域,使得區(qū)域內(nèi)POD和單位面積粒子數(shù)全局最優(yōu),保證搜尋聚焦高密度區(qū)域;③ 建立面向橢圓區(qū)域邊界特征的欠驅(qū)動(dòng)無人艇轉(zhuǎn)向模型,減少非工作路徑長度,提高搜尋效率;④ 采用NSGA-II多目標(biāo)優(yōu)化算法對(duì)總路徑和POD進(jìn)行優(yōu)化獲得全局最優(yōu)起始作業(yè)行、搜尋線間距和搜尋作業(yè)行遍歷次序,達(dá)到滿足一定搜尋成功率前提下,縮短搜尋路徑代價(jià)達(dá)31.8%,提高搜尋時(shí)效性。