蚁群算法是基于生物蚁群系统的集体觅食行为而发展的一类仿生优化算法，采用并行分布式计算，有具有较强鲁棒性、强大的全局寻优能力、较强适应能力以及易于与其他算法结合的优点。但是，在该算法取得成功的同时也具有以下这些缺点：算法的搜索时间较长、对复杂问题的描述能力不够强大、容易出现搜索停滞现象，同时蚁群算法的数学基础比较薄弱。

上面所提到的方法,大部分都是针对移动机器人的研究，很少有针对AUV的搜索算法进行研究。虽然部分考虑到机器人之间的协作,却很少把提高搜索效率作为机器人协作搜索的研究重点。

本文以多AUV作为研究对象，将生物启发模型应用在多AUV协作搜寻中，提出一种多AUV协作搜寻算法。给出多AUV在各种环境中的搜寻仿真实验结果。主要研究内容如下：

1、利用生物启发的原理，建立三维神经网络模型，分析模型的稳定性。

2、研究三维环境下多AUV协作搜寻的策略。将水下三维环境抽象为离散的栅格立体地图，由地图构建三维神经网络模型。为搜寻区域和障碍物区域的神经元活性值分别对AUV起吸引和抑制作用。

3、将分区的策略加入三维环境下多AUV搜寻策略中，通过分区提高多AUV系统的效率性和稳定性。在AUV出现故障的情况下，分区搜寻策略可以通过二次分区来对故障AUV的子区域进行搜寻。

2基于生物启发神经网络目标搜索算法文献综述

由于深海作业环境的复杂性和不可预知性，AUV虽具有高度的自治能力，但自身携带的动力能源有限，为了能使AUV在这些有限的条件下高效完成对多个目标搜索任务，且能够避开水中障碍物安全航行，本文提出了基于生物启发神经网络算法。该算法不需要环境的先验知识和学习过程，能够高效的完成目标搜索。

2。1生物启发神经网络原理

生物神经元由细胞体、树突、轴突和突触四部分组成。其中，细胞体是神经元的主体，是神经元活动的能量供应地；树突是从细胞体向外延伸的许多突起的神经纤维，而神经元靠树突接收来自其他神经元的输入信息，相当于细胞体的输入端；轴突是用来传出细胞体产生的输出电化学信号，相当于细胞体的输出端，而突触则是神经元之间的输入/输出接口

[23]。从生物控制论的观点看，生物神经元作为控制和信息处理基本单元，具有这些优点：时空整合功能、动态极化性、兴奋与抑制状态、结构的可塑性、脉冲与电位信号的转换、突触时延和不变期、学习、遗忘和疲劳。根据神经网络的这些优点，科学家们的研究方向主要集中在生物原型研究、建立理论

模型、网络模型与算法研究以及人工神经网络应用系统等方面。

Hodgkin和Huxley[24]等人最早提出了使用电路原件模拟细胞膜的电流机制，这是一种应用生物神经系统中的均匀片状薄膜的计算模型。在此基础上，Grossberg[25]提出了生物启发模型。薄膜上的膜电压动态特性可以描述