基于MTSP-NSGA-III算法的水下滑翔机集群多点探测路径规划优化研究

针对复杂洋流环境下水下滑翔机集群执行多点探测任务时路径规划效率低的问题，研究人员提出了一种融合点对点路径规划与多旅行商问题(MTSP)的MTSP-NSGA-III优化算法。通过建立能耗、运动精度和航程时间的多目标评价模型，结合深度平均流速预测和运动合成原理，实现了集群协同路径规划。仿真表明该方法能显著提升滑翔机集群在四种洋流场景下的综合性能，为海洋三维监测网络构建提供理论支撑。

　　

海洋覆盖了地球71%的表面积，蕴藏着丰富的资源和未解之谜。随着海洋战略地位的提升，高效、低成本的海洋环境监测技术成为研究热点。水下滑翔机(Underwater Glider)作为一种依靠浮力驱动的无人潜器，以其低噪音、长航程等优势，在反气旋涡观测、生态系统调查等领域发挥着重要作用。然而，面对复杂的海洋环境，单个滑翔机在执行多点探测任务时存在效率低下、路径规划精度不足等问题。虽然学者们已开发出基于NSGA-II、蚁群算法(ACO)等单机路径规划方法，但针对滑翔机集群协同作业的多目标优化研究仍属空白。特别是在洋流影响下，如何平衡能耗、运动精度和航程时间这三个相互制约的性能指标，成为制约滑翔机集群应用的关键瓶颈。

为突破这一技术难题，来自清华大学等机构的研究团队在《Ocean Engineering》发表创新性研究。该团队创造性地将多旅行商问题(MTSP)与非支配排序遗传算法III(NSGA-III)相结合，建立了融合运动学模型、力分析模型和深度平均流速预测的多目标优化框架。通过量化分析滑翔机净浮力调节量c₁与可移动质量块位移量c₂的关系，构建了包含能量消耗E、运动误差Δd和航行时间T的三维目标函数。研究采用参考点机制和自适应交叉变异策略，在10000m×10000m海域的仿真实验中，成功实现了26个探测点、3台滑翔机的最优任务分配与路径规划。

关键技术方法包括：1)基于滑翔机动力学建立性能评价模型；2)结合深度平均流速预测开发点对点路径规划方法；3)将MTSP问题转化为多目标优化问题；4)采用NSGA-III算法进行Pareto前沿求解；5)设计四种典型洋流场景(均匀流、剪切流等)进行验证。

点对点路径规划方法
通过建立包含洋流影响的运动合成模型，研究发现当滑翔机攻角θ_T控制在40°、滑翔速度V_B为0.5m/s时，相较于自由航行方法可降低23.7%的能耗，同时将运动精度提升至Δd<200m。

多探测点路径规划方法
提出的MTSP-NSGA-III框架成功解决了集群任务分配难题。在剪切流场景下，算法生成的Pareto最优解显示，通过调整探测点访问序列可使总航程时间缩短34.2%，同时保持能量消耗E<1.5×10⁶J。

案例研究
四种洋流条件下的对比实验表明：1)均匀流场景下运动误差Δd最小(平均152m)；2)在涡流场中采用优化路径可使能耗降低29.8%；3)动态分流策略有效解决了3台滑翔机在探测点密集区域的路径冲突问题。

该研究首次实现了滑翔机集群路径规划中多目标参数的协同优化，建立的MTSP-NSGA-III框架具有三大创新价值：首先，通过引入深度平均流速预测，将传统MTSP问题扩展至动态海洋环境；其次，采用参考点机制的非支配排序，有效解决了高维目标空间的解集分布问题；最后，提出的自适应分段策略为复杂洋流下的实时路径调整提供了新思路。研究结果不仅为构建智能海洋监测网络提供了关键技术支撑，其多目标优化框架也可推广至其他无人集群系统的任务规划领域。未来研究可进一步结合强化学习算法，提升系统在时变洋流中的在线决策能力。