本发明属于无人水下航行器任务规划领域，特别涉及一种基于改进蛇优化算法的无人水下航行器任务规划方法。
背景技术：
1、对无人水下航行器(unmanned underwater vehicles，简称uuv)进行任务规划受到环境、任务目标、通信、能源管理等多方面影响，传统算法难以对运动目标进行任务规划。因此，采用具备全局寻优能力的智能群集算法进行最优参数设计。
2、蛇优化(snake optimization，so)算法是由f.a.hashim和a.g.hussien等人于2022年提出的一种受自然启发的元启发式算法，[hashim f a,hussien ag.snakeoptimizer:anovel meta-heuristic optimization algorithm[j].knowledge-basedsystems,2022,242:108320-.doi:10.1016/j.knosys.2022.108320.]。so算法从数学模型上模拟了蛇的觅食和繁殖等行为，能很好的保持勘探(全局搜索)和开发(局部搜索)之间的平衡。该算法比较新颖，具有双种群和多阶段寻优的特点，其后期寻优能力强、收敛速度快，非常适合解决非线性、多峰极值优化问题，该算法具有概念简单、参数少、时间复杂度低、可实现性强等优点，目前一些学者将其应用于解决神经网络优化、图像处理、数据预测等领域。
3、但标准蛇优化算法仍存在一些缺陷：虽然具有全局搜索能力，但也存在收敛精度差、前期收敛速度慢、阶段交互性差、初始种群随机程度严重和易陷入局部最优等问题。因此，针对上述问题部分学者已开始对算法开展改进性研究；例如通过在种群觅食阶段中引入自适应机制，减小算法陷入局部最优的概率，提高后期寻优精度；通过对温度和食物阈值进行改进，提高算法收敛速度。上述研究均在一定程度上改善了蛇优化算法的性能，但后期收敛性能下降、全局寻优结果精度低、易陷入局部最优等问题仍然存在，为使任务规划获得最优结果，有必要对海鸥算法进行大幅改进，以获得最优的飞行参数设计方案。
技术实现思路
1、本发明所要解决的技术问题是：
2、现有参数设计方法对任务规划寻优存在收敛精度差、前期收敛速度慢、阶段交互性差、初始种群随机程度严重和易陷入局部最优等问题，本发明提供一种基于改进蛇形算法的无人水下航行器任务规划方法，通过三级优化任务规划在最短时间内与运动目标相遇的方法。
3、为了解决上述技术问题，本发明采用的技术方案为：
4、一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，包括：
5、获取无人水下航行器uuv的运动参数，基于所述运动参数分别构建路径约束模型、无人水下航行器实际运动时间模型和路径约束模型；
6、采用三层嵌套优化算法对无人水下航行器uuv进行任务规划，将所述路径约束模型、所述无人水下航行器实际运动时间模型和所述路径约束模型分别作为内层蛇优化算法、中层蛇优化算法、外层蛇优化算法的适应度函数；每层都采用改进蛇优化算法对该层的适应度函数进行优化，将外、中、内三层优化算法中适应度函数的最优值和对应的任务规划参数参输出。
7、本发明进一步的技术方案：所述路径约束模型具体为：
8、将成本函数f作路径规划过程的输入，考虑与路径xi相关的最优性、安全性和可行性约束，定义总体成本函数为以下形式：
9、
10、其中，bk是权重系数，f1(xi)到f4(xi)分别是与路径长度、安全性与可行性、平滑度和航行深度相关的成本；xi为决策变量，包括n个航路点的列表pij＝(xij,yij,zij)，xij,yij,zij分别为航路点的坐标点。
11、本发明进一步的技术方案：所述时间差模型具体为：
12、将无人水下航行器实际运动时间与两者预计相遇的时间差值δt作为目标优化函数：
13、δt＝|tuuv-ttarget|
14、其中，tuuv为无人水下航行器实际运动时间；ttarget为给定的预计两者相遇时间。
15、本发明进一步的技术方案：所述改进蛇优化算法，包括：
16、使用logistic混沌映射生成蛇的初始化种群；
17、基于标准蛇优化算法融合减法优化器，将勘探阶段的位置更新公式替换为减法优化器算法来加快蛇优化算法前期寻优速度；
18、加入透镜成像反向学习策略，可以进一步加快收敛速度，跳出当前位置，扩大搜索范围，提高种群多样性。
19、本发明进一步的技术方案：还包括对种群进行划分，并且对温度和实物数量进行定义。
20、本发明进一步的技术方案：对种群进行划分，并且对温度和实物数量进行定义，具体包括：
21、蛇种群在搜索空间随机初始化以后，种群会被平分为雄性和雌性两个组；所述雄性和雌性的数量分别用以下两式表示：
22、
23、nf＝n-nm
24、其中，n代表种群总数，nm是雄性个体，nf是雌性个体；从每组中找出最好个体然后得到最佳雄性和最佳雌性以及食物的位置，分别记为fbest,m，fbest,f和ffood；
25、温度定义如下：
26、
27、其中，t为当前迭代次数，t为最大迭代次数；食物数量定义为：
28、
29、其中，c1为常数。
30、本发明进一步的技术方案：所述使用logistic混沌映射生成蛇的初始化种群，具体为：
31、r(t+1)＝μr(t)(1-r(t))
32、这段代码是实现了logistic混沌映射的功能；具体来说，它使用了混沌系数μ，并生成了一个n行m列的随机矩阵r，其中n为种群规模，m为优化变量的空间维数；然后通过迭代计算每个元素的值，使用了logistic映射公式：r(t+1)＝μr(t)(1-r(t))；
33、wi＝wmin+r×(wmax-wmin)
34、上式使用logistic混沌映射生成蛇的初始化种群，其中wi是第i个蛇个体的位置，wmax、wmin分别为求解问题的上下边界。
35、本发明进一步的技术方案：所述基于标准蛇优化算法融合减法优化器，具体为：
36、
37、其中，是一个维度为m的向量，是一个[1，2]生成的随机数，f(a)和f(b)分别是搜索代理a和b的适应度函数的值，sign是signum函数；
38、在sabo算法中，任何搜索代理wi在搜索空间中的位移都是通过每个搜索代理wj的“-v”减法的算术平均值来计算的；位置更新方式如下：
39、
40、其中，n是粒子的总数，ri是一个服从正态分布的随机值；
41、粒子位置替换公式，这个也与绝大多数算法一致；
42、
43、其中，finew为更新后个体的适应度、fi为当前个体的适应度。
44、本发明进一步的技术方案：还包括蛇在食物充足的情况下，会进入到开发阶段，根据温度的不同靠近食物或是发生战斗、交配行为。
45、本发明进一步的技术方案：每层都采用改进蛇优化算法对该层的适应度函数进行优化，将外、中、内三层优化算法中适应度函数的最优值和对应的任务规划参数参输出，包括：
46、将路径约束模型作为内层蛇优化算法适应度函数，迭代计算适应度更新个体和全局最优值，输出最优路径和最优路径运动所需时间；
47、将最优路径运动所需时间作为中层蛇优化算法适应度函数，迭代计算适应度更新个体和全局最优值，输出uuv最短运动时间；
48、将输出uuv最短运动时间与给定的预计相遇时间的差值的绝对值作为外层蛇优化算法适应度函数，迭代计算适应度更新个体和全局最优值，输出最优给定时间和最小时间差。
49、本发明的有益效果在于：
50、本发明提供了一种基于改进蛇形算法的无人水下航行器任务规划方法，该方法与传统的静态目标规划不同，是通过多级优化可以达到对动态目标的任务规划，该方法在标准蛇优化算法的基础上，融合减法优化器，采用logistic混沌映射机制进行蛇种群初始化，加入透镜成像反向学习策略。即基于多融合蛇优化算法的三级优化任务规划设计方法，具有更快的收敛速度、更高的参数搜索效率和更强的全局寻优能力。
51、具体地，在蛇优化算法中加入减法优化器，即将勘探阶段的位置更新公式替换为减法优化器算法，该算法原理简单、寻优速度快，来加快蛇优化算法前期寻优速度。
52、具体地，使用logistic混沌映射生成蛇的初始化种群，优化初始解，提高算法的收敛速度，增强了种群多样性，可以有效的避免算法早熟和陷入局部极值。
53、具体地，加入透镜成像反向学习策略，可以进一步加快收敛速度，跳出当前位置，扩大搜索范围，提高种群多样性。
1.一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，包括：
2.根据权利要求1所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，所述路径约束模型具体为：
3.根据权利要求1所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，所述时间差模型具体为：
4.根据权利要求1所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，所述改进蛇优化算法，包括：
5.根据权利要求4所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，还包括对种群进行划分，并且对温度和实物数量进行定义。
6.根据权利要求5所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，对种群进行划分，并且对温度和实物数量进行定义，具体包括：
7.根据权利要求4所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，所述使用logistic混沌映射生成蛇的初始化种群，具体为：
8.根据权利要求4所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，所述基于标准蛇优化算法融合减法优化器，具体为：
9.根据权利要求4所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，还包括蛇在食物充足的情况下，会进入到开发阶段，根据温度的不同靠近食物或是发生战斗、交配行为。
10.根据权利要求1所述的一种基于改进蛇形算法的无人水下航行器任务规划方法，其特征在于，每层都采用改进蛇优化算法对该层的适应度函数进行优化，将外、中、内三层优化算法中适应度函数的最优值和对应的任务规划参数参输出，包括：
