Global path planning for multiple AUVs using GWO

* Authors: [[Madhusmita Panda]], [[Bikramaditya Das]], [[Bibhuti Bhusan Pati]]

DOI: 10.24425/ACS.2020.132586

初读印象

comment:: 本文采用灰狼优化（Grey Wolf Optimization，GWO）算法求解编队中多AUV的次优路径。将所得结果与遗传算法（GA）应用于同一问题的结果进行了比较。GWO被用作编队中三个AUV的GPP算法。在弱通信条件下，设计了一种基于局部信息的滑模控制器，在保持编队队形的同时最小化跟踪误差。通过Lyapunov稳定性分析验证了滑模面的稳定性。通过合理的路径规划，AUV可以在更短的时间内以更少的能量消耗到达目标，从而使路径成本最小化。因此，较低的路径成本导致较便宜的水下任务。

文章骨架

%%创新点到底是什么?%%
novelty::

应用GWO生成AUV的次优路径。
提出的性能拥有路径规划是与著名的GA路径规划结果考虑障碍自由,丰富环境中度障碍和障碍。比较显示拥有生产成本优化的路径。
考虑到得到的结果较好，采用GWO算法，通过非线性SMC控制器对编队中的3个AUV进行最优路径规划。

%%有什么意义？%%
significance::

%%使用了什么方法?%%
usage method::灰狼优化

约束
1. 路径长度
  $$
  L(O D)=\sum_{i=0}^{I} l\left(P_{i}, P_{i+1}\right)
  $$

$$
l\left(P_{i}, P_{i+1}\right)=\sqrt{\left(x_{i+1}-x_{i}\right)^{2}+\left(y_{i+1}- y_{i}\right)^{2}+\left(z_{i+1}-z_{i}\right)^{2}}
$$

2. 碰撞惩罚
    $$
    C(O D)=\left\{\begin{array}{ll}
    l_{\min }-r_{\min }, & \text { when } r_{\min }>l_{\min } \\
    e^{\rho\left(l_{\min }-r_{\min }\right)} & \text { when } r_{\min } \leqslant l_{\min }
    \end{array}\right.
    $$

3. 下潜惩罚
$$
G(O D)=\max _{i=0 \text { to } d} \lambda\left(P_{i}, P_{i+1}\right)
$$