基于偏好驱动区间多目标优化的AUV水下路径规划研究

本文提出一种偏好区间多目标粒子群算法（P-IMO-PSO），通过区间数建模海洋环境不确定性（如动态洋流、危险区域），将决策者（DM）偏好融入优化过程，在导航时间、路径安全与能耗间取得平衡。仿真表明，该算法较传统IMO-PSO将平均导航时间区间降低20.85%，收敛更快且路径更符合实际需求，显著提升AUV在复杂水下环境中的适应性与鲁棒性。

　　

Highlight

本研究聚焦复杂不确定海洋环境中的自主水下航行器（AUV）路径规划问题，针对动态洋流、地形复杂度及危险区域位置不确定性等多重因素，采用区间数方法对洋流参数与不确定危险区域进行建模，将不确定性转化为区间约束，构建区间多目标优化问题（IMOP）。基于此框架，提出偏好区间多目标粒子群优化算法（P-IMO-PSO）。该算法集成决策者（DM）偏好信息以引导优化过程，在平衡导航时间、路径安全与能耗的同时提升迭代效率。MATLAB仿真实验结果验证了所提算法在不同洋流模型与不确定环境条件下的性能。结果表明，与传统IMO-PSO算法相比，P-IMO-PSO显著提升路径规划效率，将平均导航时间区间降低20.85%，同时优化导航时间、减弱随机性并加速收敛。此外，该算法生成的路径更契合决策者（DM）偏好，在保障安全的前提下有效利用洋流优势，从而提升AUV导航效率。这些优势凸显了该方法在复杂水下环境中的卓越适用性与鲁棒性。

Underwater environment modeling

为保障仿真环境真实性，本研究采用高分辨率数字高程模型（DEM）表征水下地形。图1展示了AUV水下导航的环境建模结果：图1(a)为DEM地形模型的俯视图，图1(b)为高程模型的前视图，图1(c)为基于Lamb-Oseen涡流模型（Lamb-Oseen vortex model）的洋流仿真环境，为AUV路径规划提供更贴近实际的动态流体背景。

Preference interval multi-objective particle swarm optimization algorithms

将上述不确定环境因素参数化为区间后，本章进一步阐述所提P-IMO-PSO算法的实现细节。下文构建了相应的数学模型与相关公式，并展开详细讨论。

Simulation and analysis

本研究采用MATLAB R2023b构建仿真环境以评估所提算法。仿真实验分三个阶段设计，旨在检验P-IMO-PSO算法在不确定水下环境中的适应性与鲁棒性。

CRediT authorship contribution statement

Chengchang Tong： 撰写初稿（Writing – original draft）、验证（Validation）、软件实现（Software）、方法论构建（Methodology）、概念化（Conceptualization）。

Yixiang Wang： 评审与编辑（Writing – review & editing）、软件实现（Software）、调研（Investigation）、形式分析（Formal analysis）。

Weizhe Zhang： 评审与编辑（Writing – review & editing）、概念化（Conceptualization）。

Hongbo Wang： 评审与编辑（Writing – review & editing）、监督指导（Supervision）、资金获取（Funding acquisition）。

Declaration of competing interest

作者声明不存在任何已知的竞争性经济利益或个人关系，以避免对本研究报道内容产生不当影响。

Acknowledgment

本研究获海事防务技术创新中心创新基金（JJ-2022-702-01）与中国船舶集团海洋导航与控制技术实验室项目（2023010302）资助。