2025年OE SCI2区TOP：多种群灰狼算法NCM-GWO，UUV群协同路径规划，深度解析+性能实测

---

1.摘要

路径规划对于实现无人水下航行器（UUV）集群在复杂和动态水下环境中的高效协同作业至关重要。本文提出了一种三维UUV集群协同路径规划框架，其基于改进灰狼算法NCM-GWO构建，其通过将布谷鸟搜索（CS）的全局搜索机制与多种群策略（MP）的局部精细化机制相结合，实现探索和开发之间实平衡。此外，NCM-GWO采用非线性搜索策略动态调整收敛因子，进一步增强了算法在复杂三维环境中的性能。

2.灰狼算法GWO原理

【智能算法】灰狼算法（GWO）原理及实现

3.协同路径规划

UUV群必须在复杂的水下环境中导航，包括声纳探测区和鱼雷威胁区，协同到达目标区域并执行后续操作。设 V = { V i , i = 1 , 2 , … , n } \mathcal{V}=\{V_i,i=1,2,\ldots,n\} V={Vi​,i=1,2,…,n}表示所有的无人水下航行器 (UUV) , T = { T i , i = \mathcal{T}=\{T_i,i= T={Ti​,i= $1,2,\dots ,n\}$表示它们各自的目标点， M = { M i , i = 1 , 2 , … , m } \mathcal{M}=\{M_i,i=1,2,\ldots,m\} M={Mi​,i=1,2,…,m}表示环境中的所有威胁。

对于每个UUV$V_i$,起始点为$S_i$ ,目标点为$G_i$ ,路径上的节点表示为$P_i^k$。在约束条件$F$下，从$S_i$到$G_i$的路径轨迹可以表示：
$$S_i\to P_i^1\to \cdots \to P_i^{n_k}\to G_i$$

运动学约束

运动学约束源于无人水下航行器（UUV）固有的机动性限制。假设所有UUV具有一致的机动性能，所考虑的运动学约束包括潜水速度、倾斜角、偏航角、潜水深度和最大航程的限制：
$$\begin{array}{c}\{\begin{array}{l}{v}_{\text{min}}\le v\le v_{\text{max}},\\ -{\theta }_{\text{max}}\le \theta \le {\theta }_{\text{max}},\\ -{\varphi }_{\text{max}}\le \varphi \le {\varphi }_{\text{max}},\\ h_{\text{min}}\le h\le h_{\text{max}}<0,\\ 0\le l\le l_{\text{max}}\end{array}\end{array}$$
其中，$v$为航行速度，$\theta$为倾斜角，$\varphi$为偏航角，$h$为潜水深度，$l$为航行距离，定义每个无人潜航器的燃油成本函数和航行距离：
$$f_o=\frac{l}{l_{\max }}$$
$$l_i=\Vert S_i-P_i^1\Vert +\Vert G_i-P_i^{n_k}\Vert +\sum ^{n_k-1}\Vert P_i^n-P_i^{n+1}\Vert$$

威胁约束

威胁约束主要是指任务环境中无法进入或只能短暂进入的区域,同时考虑了声纳威胁约束和鱼雷威胁约束。UUV声纳威胁代价函数定义为：
$$f_{ts}=\{\begin{array}{llc}0,& \mathrm{if}d>d_{ts},& \\ \frac{1}{d^2},& \mathrm{if}d\le d_{ts},& \end{array}$$
UUV的鱼雷威胁代价函数定义为:
$$f_{tt}=\{\begin{array}{llc}0,& \mathrm{if}d>d_{tt},& \\ \frac{1}{d},& \mathrm{if}d\le d_{tt},& \end{array}$$

空间约束

空间协同约束主要解决无人潜航器之间的避碰问题。在无人潜航器群的协调运动中，任意两个无人潜航器之间的距离必须不小于安全距离:
$$d_{i,j}\ge d_{safe}$$

时间约束

时间协同约束主要是指在协同任务中，每个无人潜航器必须在规定时间内完成其任务的要求。根据UUV的速度范围和路径轨迹的长度，可以确定到达目标点的时间范围如下：
$$t_{\min }^i=\frac{l_i}{v_{\max }^i},t_{\max }^i=\frac{l_i}{v_{\min }^i},$$

时间成本计算如下：
$$f_t=\{\begin{array}{llc}0,& t_{\min }^i\le t_c\le t_{\max }^i,& \\ \left|t_i-t_c\right|,& \text{otherwise,}& \end{array}$$

路径平滑性约束

规划路径的平滑度是UUV群路径规划的关键因素。为了量化平滑度引入了统一成本函数:
$$f_s=\sum _{i=1}^{n-1}\{\begin{array}{llc}1,& \mathrm{if}|\Delta {\theta }_i|>{\theta }_{\max }\mathrm{or}|\Delta {\varphi }_i|>{\varphi }_{\max }& \\ 0,& \mathrm{otherwise}& \end{array},$$

优化目标：
$$J_1=\sum _{i=1}^n\left(w_o{f}_o+w_h{f}_h+w_{ts}{f}_{ts}+w_{tt}{f}_{tt}+w_s{f}_s\right)$$

多uuv的导航成本主要考虑协同约束，包括空间协同约束成本和时间协同约束成本:
$$J_2=\sum _{i=1}^n\left(\begin{array}{c}{w}_c{f}_c+w_t{f}_t\end{array}\right)$$

4.改进策略

布谷鸟搜索机制

灰狼位置更新为：
$$\{\begin{array}{ll}{\mathbf{X}}_{cs}^1={\mathbf{X}}_1+\delta \times \left({\mathbf{X}}_1-{\mathbf{X}}_{\alpha }\right)\times s,& \\ {\mathbf{X}}_{cs}^2={\mathbf{X}}_2+\delta \times \left({\mathbf{X}}_2-{\mathbf{X}}_{\alpha }\right)\times s,& \\ {\mathbf{X}}_{cs}^3={\mathbf{X}}_3+\delta \times \left({\mathbf{X}}_3-{\mathbf{X}}_{\alpha }\right)\times s,& \end{array}$$
布谷鸟搜索机制概率地丢弃先前更新的位置，并通过随机游走更新：
$${\mathbf{X}}_{new}^k=\{\begin{array}{llc}{\mathbf{X}}_{cs}^k+({\mathbf{X}}_i-{\mathbf{X}}_j),& \mathrm{if}{\kappa }_k>p_a,& \\ {\mathbf{X}}_{cs}^k,& \mathrm{if}{\kappa }_k\le p_a,& \end{array}\mathrm{for}k=1,2,3.$$
GWO核心更新为：
$$X(t+1)=\frac{X_{new}^1(t+1)+X_{new}^2(t+1)+X_{new}^3(t+1)}{3}$$

多种群机制

多种群机制将一个大种群细分为多种群，每个种群包含一组独立的灰狼，这样的分组使得不同种群可以同时在解空间的不同区域进行探索。

伪代码

5.结果展示

论文结果，UUV群协同路径规划可做

6.参考文献

[1] Xu H, Xiang X, Yan C, et al. Grey wolf optimization enhanced collaborative path planning for UUV swarms[J]. Ocean Engineering, 2025, 329: 121082.

7.代码获取