2023年CIE SCI2区TOP，ACO+PSO+A*：一种用于 AUV 多任务路径规划的双层混合算法，深度解析+性能实测-洪萨配资

1.摘要

面向AUV在三维复杂海洋环境中的多任务路径规划问题，本文构建以最短路径与最小危险距离为目标的双层多目标模型，并提出ACO+PSO+A *双层混合算法：外层ACO优化任务访问顺序，内层PSO生成航路点并结合A *规划无碰撞路径，通过反馈机制迭代更新信息素以提升解的质量。

2.AUV多任务路径规划模型

针对三维含障碍海洋环境下AUV多任务路径规划问题，本文将任务点T TT与长方体障碍物O OO进行空间抽象建模，目标是在避障约束下生成一条遍历全部任务的最短安全路径。为简化求解，假设AUV可视为粒子匀速运动，障碍物与任务点位置已知且固定，每个任务仅访问一次，能量充足目起点终点任务固定。在此基础上，构建双层双目标规划模型：上层为固定起终点的改进TSP，决策任务序列Q QQ，目标最小化相邻任务间无碰撞路径的综合评价代价：
min ⁡ ∑ i = 1 m − 1 C E i ( i + 1 ) \min\sum_{i=1}^{m-1}CE_{i(i+1)}mini=1∑m−1CEi(i+1)

下层在给定任务序列后，为相邻任务Q i → Q i + 1 Q_i\to Q_{i+1}Qi→Qi+1规划由航路点q i q_iqi组成的无碰撞路径，同时最小化总路径长度并最大化安全性(航路点到障碍物的最小距离):

{ min ⁡ ∑ i = 1 m − 1 ∑ j = 1 ∣ q i ∣ − 1 d ( q i j , q i , j + 1 ) max ⁡ ∑ i = 1 m − 1 min ⁡ j S ( q i j ) \begin{cases}\min\sum_{i=1}^{m-1}\sum_{j=1}^{|q_i|-1}d(q_{ij},q_{i,j+1})\\\max\sum_{i=1}^{m-1}\min_jS(q_{ij})&\end{cases}{min∑i=1m−1∑j=1∣qi∣−1d(qij,qi,j+1)max∑i=1m−1minjS(qij)

采用曼哈顿距离与单位步长约束
∣ x k − x k + 1 ∣ + ∣ y k − y k + 1 ∣ + ∣ z k − z k + 1 ∣ = 1 |x_k-x_{k+1}|+|y_k-y_{k+1}|+|z_k-z_{k+1}|=1∣xk−xk+1∣+∣yk−yk+1∣+∣zk−zk+1∣=1

3.双层混合算法

外部蚁群算法

外层ACO部分基于最大最小蚁群系统（MMAS）思想：用综合评价（同时考虑路径长度与安全性）作为启发信息，利用信息素与启发因子共同决定任务转移概率，并引入精英策略优先强化当前最优解以加速收敛。为兼顾搜索范围与收敛速度，论文还设计了自适应信息素挥发机制：前期增强探索以避免早熟收敛，后期提高优劣路径差异以加快稳定收敛，并通过信息素上下界约束防止算法陷入局部最优。

内部PSO-A*混合算法

内层PSO+A* 混合算法用PSO在相邻任务之间生成少量关键航路点，从而显著缩小可行解空间；再利用A* 在这些航路点之间进行精细搜索，快速得到连接航路点的最优无碰撞路径，实现粗规划+细规划的加速策略。

4.结果展示

5.参考文献

[1] Sui F, Tang X, Dong Z, et al. ACO+ PSO+ A*: A bi-layer hybrid algorithm for multi-task path planning of an AUV[J]. Computers & Industrial Engineering, 2023, 175: 108905.