عنوان فارسی مقاله:برنامه ریزی مسیر وسیله نقلیه سطحی بدون سرنشین بر اساس الگوریتم جستجوی گنجشک پیشرفته

چکیده

به منظور حل مسئله بسیاری از محدودیت‌ها و یک محیط ناوبری پیچیده در برنامه‌ریزی مسیر وسایل نقلیه سطحی بدون سرنشین (USV)، یک الگوریتم جستجوی گنجشک پیشرفته با ترکیب نقشه آشوب مکعبی و استراتژی گام تصادفی گاوسی برای برنامه‌ریزی آن پیشنهاد شد. در مرحله اول، در مرحله مقدار دهی اولیه جمعیت، نقشه آشوب مکعبی برای جایگزینی روش تولید تصادفی الگوریتم جستجوی سنتی گنجشک برای بهینه سازی توزیع اولیه ناهموار جمعیت و بهبود توانایی جستجوی جهانی جمعیت استفاده شد. در مرحله دوم، در تکرار دیرهنگام الگوریتم، انحراف معیار برازش معرفی می‌شود تا مشخص شود که آیا جمعیت در بهینه محلی به دام افتاده است یا خیر. اگر درست باشد، استراتژی پیاده‌روی تصادفی گاوسی برای اختلال فرد بهینه و کمک به الگوریتم برای فرار از بهینه محلی استفاده می‌شود. ثالثاً، محیط آبی انتخاب شده مدل‌سازی می‌شود و اطلاعات ناوبری نمودار ناوبری الکترونیکی داخلی اصلی (ENC) از پیش پردازش شده، شبکه‌بندی شده و تورم مانع پردازش می‌شود. در نهایت، آزمایش‌های برنامه‌ریزی مسیر USV در یک محیط شبکه ENC داخلی انجام می‌شود. نتایج تجربی نشان می‌دهد که در مقایسه با الگوریتم جستجوی گنجشک سنتی، میانگین ارزش تناسب مسیر برنامه‌ریزی‌شده توسط الگوریتم جستجوی گنجشک بهبودیافته ۱۴٫۸ درصد کاهش می‌یابد و واریانس آن ۴۹٫۹ درصد کاهش می‌یابد. مسیر برنامه ریزی شده توسط الگوریتم کیفیت خوب و پایداری بالایی دارد و در ترکیب با ENC می‌تواند مسیر مطمئنی را برای USV فراهم کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Path Planning of Unmanned Surface Vehicle Based on Improved Sparrow Search Algorithm

Abstract

In order to solve the problem of many constraints and a complex navigation environment in the path planning of unmanned surface vehicles (USV), an improved sparrow search algorithm combining cubic chaotic map and Gaussian random walk strategy was proposed to plan it. Firstly, in the population initialisation stage, cubic chaotic map was used to replace the random generation method of the traditional sparrow search algorithm to optimise the uneven initial distribution of the population and improve the global search ability of the population. Secondly, in the late iteration of the algorithm, the standard deviation of fitness is introduced to determine whether the population is trapped in the local optimum. If true, the Gaussian random walk strategy is used to perturb the optimal individual and assist the algorithm to escape the local optimum. Thirdly, the chosen water environment is modelled, and the navigation information of the original inland electronic navigation chart (ENC) is preprocessed, gridised, and the obstacle swelling is processed. Finally, the path planning experiments of USV are carried out in an inland ENC grid environment. The experimental results show that, compared with the traditional sparrow search algorithm, the average fitness value of the path planned by improved sparrow search algorithm is reduced by 14.8% and the variance is reduced by 49.9%. The path planned by the algorithm is of good quality and high stability and, combined with ENC, it can provide a reliable path for USV