多种群灰狼优化算法在复杂水下环境中用于协作多自主水下航行器（AUV）路径规划

《IEEE Systems Journal》：Multipopulation Grey Wolf Optimization for Cooperative Multi-AUV Path Planning in Complex Underwater Environments

多自主水下机器人协同规划中提出了一种改进的混合灰狼优化算法IMMP-GWO，通过融合贪心算法与柯西突变算子增强进化能力，结合余弦定律优化收敛因子，并采用正弦余弦算法结合动态静态元素迭代关联的位置更新策略，有效平衡探索与收敛。实验验证了其在计算效率、收敛速度和鲁棒性上的优越性。

　　

摘要：

本文提出了一种创新方法，称为改进的多目标多群体灰狼优化算法（IMMP-GWO），用于解决在具有多个目标点的复杂水下环境中多自主水下航行器（multi-AUVs）的合作规划问题。该算法综合考虑了多种因素，如AUV的机动性、能耗、海底地形以及障碍物避让。一个关键的创新点是采用了贪婪算法和柯西变异算子进行混合增强，这显著提升了算法的进化能力。此外，通过引入余弦定律改进了传统GWO算法的收敛性，解决了其固有的收敛限制。还引入了一种基于正弦余弦算法以及动态和静态元素迭代相关性的位置更新策略，以更好地平衡探索行为并加速收敛速度。为了解决GWO边界处理过程中的定向问题，提出了一种新方法，该方法根据最小距离最优权重生成新的个体。仿真结果表明，IMMP-GWO算法在计算复杂性、收敛速度和稳定性方面表现更为优越，并通过消融研究和关键参数的敏感性分析得到了验证。总体而言，IMMP-GWO满足了多AUV规划的要求，在各种性能指标上均优于现有方法。

引言

近年来，自主水下航行器（AUVs）在海洋调查、海底测绘、水下管道维护和导航侦察等任务中发挥了重要作用，因此在科学研究、工业和军事应用中受到了广泛关注[1]、[2]、[3]。在这些任务所需的核心技术中，路径规划尤为重要，研究人员对此进行了大量研究[4]。传统的路径规划方法如A* [5]和RRT [6]，以及最近的仿生算法，如粒子群优化（PSO）[7]、布谷鸟搜索（CS）[8]、[9]和灰狼优化（GWO）[10]、[11]，都被提出来应对这一挑战。