一种基于遗传算法的光纤定位单元动态路径规划方法

本发明涉及光谱巡天，具体是一种基于遗传算法的光纤定位单元动态路径规划方法。

背景技术：

1、光谱巡天是一种广泛应用于天文学领域的观测技术，它通过获取天体的光谱信息，帮助科学家理解天体的性质和行为[1-2]。在光谱巡天中，光纤定位单元是关键设备之一，它负责将望远镜捕获的光线传输到光谱仪中。传统的光纤定位单元的路径规划通常基于预设的固定算法，这种规划方式缺乏灵活性和效率，无法根据不同的观测需求进行动态调整。此外，随着科技的不断发展，光谱巡天技术面临着越来越高的精度和效率要求，因此需要一种更加智能、高效的光纤定位单元动态路径规划方法[8]。

2、目前天体目标分配的算法存在诸多的问题。下面介绍几种典型的目标分配算法。sdss项目采用网络流算法解决观测规划问题[10]，但网络流算法不能在多项式时间内完成运算，算法的运行时间随着单元和天体数目的增多而快速增加[12]。它适合sdss这样的采用打孔法可以将数百根光纤放置到焦面上任意位置的巡天项目，没有考虑碰撞，不是非常适合采用数千根光纤定位单元的下一代光谱巡天项目[9]。2df项目采用模拟退火算法解决天体目标分配问题，但模拟退火算法运算时间很长，不能满足下一代光谱巡天项目的时间要求[11]。lamost采用距离准则，将目标分配给距离最近的单元，虽然能够减少碰撞[3-6]，但不能保证获得的分配方案是最佳的。morales等人提出了排水算法，将目标分配给己分配目标数目少的单元，与随机分配的方法相比，可以提高分配的目标数目，但没有考虑单元的尺寸与碰撞等问题。考虑到下一代光谱巡天项目焦面光纤定位单元数目的增多、观测目标的增多及观测间隔的减少，有必要研究一种快速有效的天体目标分配算法。

3、遗传算法是群智能进化算法的一种，是由john holland在19世纪60至70年代提出的[7]，具有简单、高效、可并行等优点，应用范围十分广泛，常被用于解决优化问题。相比于其他进化算法，它可拓展性强，易于与其他算法进行结合使用。遗传算法同时处理群体中多个个体，即同时对搜索空间中的多个解进行评估，使其具有较好的全局搜索性能，并易于并行化，它不需要辅助信息，仅用适应度函数来评估基因个体，并在此基础上进行遗传操作，采用自然进化机制来表现复杂的现象，能够快速准确地解决求解非常困难的问题。但是，在解决光纤定位单元动态路径规划问题时，由于光纤定位单元运动的特殊性，规划的路径必须符合自身的运动规律，因此需要建立一个建立目标函数以达到在此场景下的路径最优规划的方法。

4、参考文献如下：

5、[1]张非凡.高密度光纤定位观测规划及相关技术研究[d].合肥：中国科学技术大学,2021.

6、[2]袁海龙.sss巡天星表系统设计和光纤分配算法优化[d].合肥：中国科学技术大学,2011.

7、[3]makarem l,kneib j.p.,gillet d..collision-free coordination offiber positioers in multi-object spectrographs[c].proc.spie,2016,9913,99130v.

8、[4]tao d.,makarem l.,bouri m.,et al.priority coordination of fiberposiyioners in multi-objects spectrographs[c].proc.spie,2018,10702,107028k.

9、[5]macktoobian m.,gillet d.,kneib j.p..complete coordination ofrobotic fiber positioners for massive spectroscopic surveys[j].journal ofastronomical telescopes,instruments,and sysyems,2019,5(4),045002.

10、[6]zhang feifan,wang jianping,zhai chao,et al.fiber assignment inwide-field multiobject fiber-fed spectrographs[j].journal of astronomicaltelescopes,instruments,and systems,2020,6(4),047001.

11、[7]pasupathy r..generating homogeneous poisson processes[j].computerscience,2011.

12、[8]ozgur yeniay.an overview of gentic algorithms[j].anadoluuniversity journal of science and technology,2(1):37-49.

13、[9]deng licai,newberg h.j.,liu chao,et al.lamost experiment forgalactic understanding and exploration(legue)-the survey’s science plan[j].research in astronomy and astrophysics,2012,12(7):735-754.

14、[10]blanton m.r.,lin h.,lupton r.h.,et al.an efficient targetingstrategy for multiobject spectrograph surveys:the sloan digital sky survey“tiling”algorithm[j].astronomical journal,2003,125:2276-2286.

15、[11]miszalski b.,shortridge k.,saunders w.,et al.multi-objectspectroscopy field configuration by simulated annealing[j].monthly notices ofthe royal astronomical society,2006,371:1573-1549.

16、[12]金熠.lamost光纤位置检测与观测规划中相关问题的研究[d].合肥：中国科学技术大学,2007.

技术实现思路

1、为了解决上述问题，本发明提出一种基于遗传算法的光纤定位单元动态路径规划方法。

2、一种基于遗传算法的光纤定位单元动态路径规划方法，其具体步骤如下：

3、s1、建立模型：建立一个包括光纤的位置、速度、目标位置、安全区、障碍物的位置和大小类信息的路径规划模型；

4、s2、编码：将这个初始路径规划转换为二进制编码表示，形成初始种群，每个个体都代表一种可能的路径规划；

5、s3、适应度函数：设计一个适应度函数来衡量每个个体的适应度，该适应度函数能够是路径长度、到达目标位置所需时间、碰撞次数类；

6、s4、选择操作：根据适应度函数选择优秀的个体进行繁殖；

7、s5、交叉操作：随机选择两个个体进行交叉操作，产生新的个体；

8、s6、变异操作：对新生个体进行变异操作，以增加种群的多样性；

9、s7、迭代更新种群：重复以上选择、交叉、变异操作，直到满足终止条件；

10、s8、解码：将最优秀的个体解码为实际的路径；

11、s9、验证与调整：在实际环境中运行并验证规划的路径是否有效，根据验证结果调整遗传算法的参数或修改模型。

12、所述的步骤s1的障碍物为其他光纤或等臂定位器。

13、所述的步骤s1的安全区的半径记为rsafe，可由公式得到：rsafe＝(s-ds)/2,式中s为单元间距。

14、当第i个单元中心坐标为(xc,yc),目标坐标为(xt,yt),则由安全区的概念可知，对于所有单元式都成立时，单元之间不会发生碰撞,单元式如下所示：(xt-xc)2+(yt-yc)2≤rsafe2除了通过目标与单元中心的距离判断目标是否处于安全区外，由单元的焦面分布和机械结构能够看出，当单元处于安全区时，中心轴转角没有限制，偏心轴有最大转角的限制，可由以下公式求得偏心轴的最大转角φsm：φsm＝arccos(l12-l22-rsafe2/2l1l2)。

15、所述的步骤s3中步骤s3中，适应性函数值能够按照以下公式进行计算：f＝f1+f2+f3+α*f4其中f1、f2、f3分别代表路径长度、到达目标位置所需时间、碰撞次数，α是一个已知常数，f4则代表已知动态障碍物的轨迹对适应性函数值的贡献度，且碰撞次数越少，个体的适应度越高。

16、所述的步骤s4中，选择操作能够采用轮盘赌选择、锦标赛选择、排名选择等遗传算法的选择方法，其中选择操作能够按照以下公式进行计算：p_i＝f_i/∑(f_j)，其中p_i代表某个个体被选择的概率，f_i代表该个体的适应性函数值，∑(f_j)代表所有个体适应性函数值的总和。

17、所述的步骤s5中，交叉操作能够采用单点交叉、多点交叉、均匀交叉类遗传算法的交叉方法，其中交叉操作能够按照以下公式进行：c＝a+b-ab其中c代表交叉后产生的新个体，a和b分别代表两个参与交叉的父代个体，ab代表a和b的位串交叉。

18、所述的步骤s6中，变异操作能够采用位翻转变异、倒位变异、交换变异类遗传算法的变异方法，其中变异操作能够按照以下公式进行：m＝a+b-a*b其中m代表变异后产生的新个体，a和b分别代表两个参与变异的父代个体。

19、所述的步骤s9中，实际环境中运行并验证规划的路径是否有效能够采用模拟仿真或实际测试类方法。

20、所述的步骤s9中，遗传算法的参数包括种群大小、交叉率、变异率、终止条件类，能够根据实际情况进行调整。

21、本发明的有益效果是：遗传算法能够在搜索过程中自动寻找最优解或次优解；并行性强，可以在多处理器环境下实现并行计算；鲁棒性好，对于不同的天体和观测条件都可以自适应地进行路径规划；可以与其他优化算法结合使用；整体上，该发明提高了光谱寻天技术的效率和精度，从而推动了天文学领域的发展。