河蟹养殖无人投饵船多池塘转塘路径规划系统【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流可以私信或者点击《获取方式》1基于改进模拟退火的多池塘转塘全局路径规划通过无人机航拍获得江苏兴化某河蟹养殖区6个池塘的分布数据提取每个池塘的边界坐标和转塘码头位置。定义转塘路径为从基地码头出发依次访问各池塘码头完成投饵作业然后返回基地的最短哈密顿回路。采用概率密度函数改进的模拟退火算法求解。改进降温函数为T_kT_0·(1-k/K_max)^p指数p用柯西分布概率密度函数动态调整在高温区p取较小值2使缓慢降温充分搜索低温区p增大至5加速收敛。设定降温阈值T_threshold0.01当T_k低于阈值且连续500次迭代解未改进直接跳出循环。Metropolis准则中加入动态调节参数λ10.5·(k/K_max)使初期更容易接受劣解后期趋于爬坡。种群包含30个并行搜索的个体避免一次运行陷入。仿真中改进SA规划的总转塘距离为1483m传统SA为2637m减少43.78%规划时间0.87s远快于传统SA的3.89s和PSO的1.77s。2改进A*与动态人工势场融合的池塘内自主巡航投饵船在池塘内从转塘码头移至装料码头或从作业结束点移向转塘码头需要点到点路径规划。构建5m分辨率栅格地图采用改进A*算法进行全局路径搜索。改进A*的评价函数加入动态加权因子ωexp(-d_g/d_s)d_g为当前点到目标距离d_s为起点到目标距离使得搜索初期更偏启发式以快速接近目标后期偏实际代价保证最优。同时引入转折惩罚函数每次转向增加额外代价5并删除共线冗余点。生成路径后应用B样条平滑。然后将此平滑路径作为改进人工势场法的引力路径构造引力势场U_att0.5·ξ·d(q,path)^2ξ2.5斥力势场采用改进的Firby势场障碍物影响范围设为8m。融合算法在模拟池塘环境中平均规划时间18ms路径长度比单独A*减少5.1%且动态避障时生成路径更平滑指令节点数减少65%。实验船在池塘中实际测试自动巡航成功率100%。3云-边-端协同的转塘路径规划系统软件设计三层架构。云服务器部署在阿里云ECS运行MySQL存储池塘地图、作业记录和路径规划参数同时提供RESTful API供调用。MATLAB路径规划平台作为一个计算服务接收区域池塘数据后自动调用改进模拟退火算法生成最优转塘顺序并调用改进A*与APF融合算法生成每个池塘内的自主巡航路径结果以JSON格式回传。安卓APP层展示高德地图叠加矢量池塘图层用户可配置投饵量、转塘顺序模式并实时接收投饵船GPS回传位置叠加显示规划路径与实际轨迹。通讯采用MQTT协议船载4G模块。系统测试中APP端发起一次完整6池塘路径规划请求服务器响应时间1.2s路径生成准确能根据实时水位调整不可通行区域投饵船按规划路径转塘整个作业循环时间比人工操作缩短47.5%饵料利用均匀度提升33%。import numpy as np import random, math # 1. 改进模拟退火 TSP def improved_sa_tsp(dist_matrix, T01000, K_max5000): n len(dist_matrix) current_sol list(range(n)); random.shuffle(current_sol) current_cost path_cost(current_sol, dist_matrix) best_sol, best_cost current_sol.copy(), current_cost T T0 for k in range(K_max): # 生成邻域解2-opt i, j random.sample(range(n), 2) new_sol current_sol.copy() new_sol[i:j] reversed(new_sol[i:j]) new_cost path_cost(new_sol, dist_matrix) delta new_cost - current_cost if delta 0: current_sol, current_cost new_sol, new_cost if new_cost best_cost: best_sol, best_cost new_sol, new_cost else: # 动态Metropolis lam 1 0.5 * (k / K_max) if random.random() math.exp(-delta / (T * lam)): current_sol, current_cost new_sol, new_cost # 温度更新柯西分布概率密度函数动态p p 2 if T 100 else 5 T T0 * (1 - k / K_max) ** p if T 0.01 and k 200 and best_cost current_cost: break return best_sol, best_cost def path_cost(route, d): return sum(d[route[i], route[i1]] for i in range(len(route)-1)) d[route[-1], route[0]] # 2. 改进A* 人工势场融合 def improved_a_star(grid, start, goal): open_set []; heapq.heappush(open_set, (0, start)) came_from, g_score {start: 0}, {start: 0} d_s heuristic(start, goal) while open_set: cur heapq.heappop(open_set)[1] if cur goal: break for nb in neighbors8(cur, grid): tentative_g g_score[cur] (1.4 if abs(nb[0]-cur[0])abs(nb[1]-cur[1])2 else 1) if nb not in g_score or tentative_g g_score[nb]: g_score[nb] tentative_g d_g heuristic(nb, goal) w math.exp(-d_g / d_s) # 动态加权因子 f tentative_g w * d_g turning_penalty(came_from.get(cur), cur, nb) heapq.heappush(open_set, (f, nb)) came_from[nb] cur # 重建路径、B样条平滑 return reconstruct_path(came_from, start, goal) def turning_penalty(prev, cur, nb): if prev is None: return 0 # 计算转角 v1 (cur[0]-prev[0], cur[1]-prev[1]) v2 (nb[0]-cur[0], nb[1]-cur[1]) dot v1[0]*v2[0] v1[1]*v2[1] angle math.acos(max(-1, min(1, dot/(np.linalg.norm(v1)*np.linalg.norm(v2))))) return 5 * angle # 转折惩罚 # 3. 人工势场沿全局路径 def apf_global_guidance(current_pos, goal_pos, obstacles, global_path): att_force 2.5 * (np.array(global_path[-1]) - current_pos) rep_force np.array([0.0, 0.0]) for obs in obstacles: d np.linalg.norm(current_pos - obs) if d 8: rep_force (1/d - 1/8) * (current_pos - obs) / d**3 # 全局路径引力最近路径点 closest_idx np.argmin([np.linalg.norm(current_pos - p) for p in global_path]) path_force 1.0 * (global_path[min(closest_idx3, len(global_path)-1)] - current_pos) total_force att_force rep_force path_force return total_force / np.linalg.norm(total_force)