群智能(Swarm Intelligence)优化算法是一类以多个解(也称为个体)组成群体的方式,通过某些或全部个体的信息交互完成寻优的算法.群智能优化算法本质上都属于随机搜索算法,最具典型的包括遗传算法、粒子群算法、蚁群算法等,这些算法成功体现出了模拟自然界生物自适应线性在算法设计中的重要性和可行性.由于群智能优化算法可以在较短的时间内获得最优解,逐渐成为了现代优化算法领域的研究热点.粒子群算法(Particle Swarm Optimization Algorithm)是一种并行的全局性随机搜索算法,它概念简单易实现、搜索速度快范围大,它的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解.目前对PSO算法的研究主要集中在算法改进、算法数学分析、算法参数选择、社会和生物行为、融合与比较、应用研究等六个方面.遗传算法(Genetic Algorithm)基于生物的进化遗传,是目前智能优化领域应用最广的算法,涉及到很多学科并且可以解决多种实际应用问题.本论文提出了一种混合智能算法(HGC-PSO),用以解决粒子群算法中的早熟收敛问题,主要完成了以下两个工作:第一个工作是粒子群和遗传两种算法的结合,根据群体适应度方差确定变异概率,第一引入柯西变异,对种群中除全局最优值外适应值最好的部分粒子进行柯西变异操作,用以解决算法运行过程中种群趋于单一的难题.第二对全局最优值进行高斯变异,改变粒子的运行方向,以增强粒子跳出局部最优的能力,这部分内容在本文的第4章.第二个工作是对水下潜器工作环境建模分析,并将水下潜器导航规划问题转化为三维空间表示,同时针对环境建模,将HGC-PSO算法应用在水下潜器路径规划中,这部分内容在本文的第5章.粒子群算法的早熟收敛问题一直是研究者们关注的热点,考虑到粒子群算法在迭代后期容易陷入局部最优,不利于全局搜索,而HGC-PSO引入了高斯和柯西变异算子,利用粒子群收敛的判断机制计算变异概率,解决了种群搜索区域单一、进入局部最优的难题.实验结果表明,HGC-PSO算法虽然比标准粒子群算法搜索时间略长,但它具备良好的收敛性能,并有效的避免了早熟收敛.路径规划是水下潜器的核心问题,为了找到一个较好的运动路线,研究者们提出了多种方法,比如人工场势法、分割法等.本文主要是尝试用HGC-PSO算法来进行水下潜器的路径规划,但只是探讨在此问题上用HGC-PSO算法来进行规划是否可行,而没有太多的考虑其搜索结果的性能.从实验结果可以知道,HGC-PSO算法基本上可以实现三维水下导航规划,但在其深层次的性能还有待进一步验证.