1.水下潜航器的双重粒子群多监测点访问路径规划，其特征在于，监测点之间的路线优化与最优访问序列交替协同优化，其包括以下步骤：S1：距离矩阵的初始化：通过读入三维地形数据和所有的监测点的空间坐标，对于这n个监测点，计算任意两点之间的欧几里得距离，然后得到一个初始距离矩阵DistMatrix；

S2：最优路径序列的反复构造，具体包括：S2.1：构造种群，种群中每个粒子个体 代表一种监测点访问序列，i＝1,2,…,m，其中m是种群粒子数量，n代表访问序列中待监测点的数量，即粒子的维度数；

然后随机初始化粒子的速度集 Vi为一些带概率的边组成的集合，即一些从全部监测点中随机选取的两点构成的二元组并附加一个(0,1)之间的概率值组成的集合，其中概率值表示一条边被选中用来构造新的访问序列的可能性大小；

S2.2：根据距离矩阵DistMatrix计算每个个体的路线总长度，然后记录每个个体的历史最优个体pbest；并选出使路线长度最短的全局最优个体gbest；

S2.3：按照公式 来更新每个粒子的速度集：对于维度节点j(j＝1,2,…,n)，首先生成一个随机数ran∈[0,1]，若ran大于预先设定的分界值Pc，则fi(j)＝i，即从自身历史最优个体学习并更新速度集，否则从种群中随机选择两个个体，取它们历史最优个体中总路线长度最短的那个个体作为fi(j)来学习；然后从监测点访问序列和 里前后相连的节点组成的边集中选择属于 而不属于 的边，再乘以j j

cr当做边的概率值来构造出一个启发式速度集，其中c表示学习因子，是一个固定值；r 为介于(0,1)之间的随机数；最后将速度集中边的概率值乘以一个固定惯性权重w构成速度集再将其与刚才的启发式速度集合并，构造出新的速度集， 为种群个数；

S2.4：结合更新后的速度子集更新粒子个体的访问序列：首先构造一个空集New_Pi，随机选择一个节点t作为访问起点加入空集，剔除掉速度集Vi中概率较小的边；然后从速度集vi中查找与当前节点t相连的所有边中概率值最大的边，并将这条边另一个节点加入New_Pi中；如果速度集vi不包含与节点t相连的边，则查看原路径序列Pi中与节点t相连的节点是否已全部加入New_Pi，若还有尚未加入的边节点，则选择与当前节点相连且距离最近的边节点加入New_Pi；否则从其他种群个体中选择与当前节点距离最近且未纳入的节点加入New_Pi；最后为刚加入的节点构造下一个访问点；重复上述过程，直到所有的监测点加入到新的路径序列New_Pi为止；

S2.5：重复S2.3、S2.4两个步骤，直到到达最大迭代次数或连续若干代无法得到更好的解时即停止迭代；最后得到一条最优访问序列，完成实现第一重粒子群优化；

S3：路径点之间的路线优化：对上一步骤得到的最优访问序列中前后相连的路径点之间的距离和路线进行优化，利用优化后的距离值来更新之前的距离矩阵DistMatrix，并借此计算最优访问序列的路线总长度，更新并记录最优访问序列及其总路线长度；

S4：如果达到结束条件就终止整个算法，否则返回步骤S2；

S5：输出所有监测点的最佳访问序列、访问路线及其长度；

以任意两点之间的欧几里得直线距离作为初始距离矩阵，是粒子群算法在寻找最优访问序列过程中评价种群粒子所代表的访问序列的质量并计算其总路线长度的前提条件；基于不同的距离矩阵，粒子群优化算法寻找的最优访问序列也不同；在距离矩阵得到更新优化后，优化收敛寻找到的最优访问序列质量也更好；

监测点距离矩阵与最优路径访问序列的两重优化是交替往复进行的；构造最优访问序列的过程依赖当前的监测点距离矩阵，为减少更新任意两个监测点之间的路线和距离所带来的巨大时间开销，距离矩阵的更新又依赖于当前构造出的最优路径序列中前后相连的监测点信息，这两个过程相互依赖，交互在线进行优化。