（2）随机搜寻算法

C。K。Cheng[8]提出了一种基于行为规则的分布式自主机器人的合作随机搜寻算法。该算法是基于五个简单的规则，每个机器人都被假设有同样的能力和规则集。分布式结构使得机器人工作不需要中心控制或独立故障点。系统性能随着机器人数量的增多而变好，但是当机器人数量达到一定数量时，性能就不会再有明显的改善。尽管此方法原理简单,易于实现。但它效率低，无规则性,因此不适用于复杂环境;

（3）在线学习法

V。Roberge[9]提出一种基于在线学习的构建搜寻区域的环境地图。该搜寻策略利用AUV在工作过程中的不断通过提高在线学习能力来提高效率。但在多AUV之间没有一个明确的协调机制，会造成AUV向同一个方向运动发生碰撞或引起一些AUV的传感区域重叠造成浪费资源。

（4）同步搜寻算法

S。KYoon[10-11]提出了三种同步搜寻算法，该算法就是使多AUV同时做S形搜寻，然后在同步线上收发数据。该算法虽然在搜寻时间和搜寻距离上有优势，并且提出了当AUV出现故障时，如何恢复故障的策略。但是该算法只能对搜集海洋数据有优势，而对于搜寻目标，则效果不大。

（5）搜寻随机树算法

GuoHaitao[12-15]等人提出了一种基于栅格法的快速搜寻随机树算法，该策略将机器人工作环境离散化，再以机器人的起始栅格为随机树的根节点，然后在其余未搜寻栅格集中选取扩展点，直到随机树的叶节点包括目标点位置。该方法虽然能够搜寻到目标，但是由于是随机搜寻，具有一定的盲目与随机性，不适合搜寻复杂的实际环境，尤其是动态环境。

（6）模糊逻辑法

XiaoXiao[16-17]等人提出了基于模糊逻辑的全区域搜寻算法，先执行连续搜寻，移动机器人从当前位置根据模糊逻辑所规划的路径依次进行搜寻，当机器人到达一个新的未搜寻区域时，机器人将进行目标物体搜寻与识别，否则继续进行路径规划寻找下个未搜寻区域。在搜寻过程中，统计连续搜寻的次数，当该统计值超过一定的阈值时，则认为机器人陷入了“迷宫”，随即实施“迷宫”逃离策略。虽然可以从任意位置开始搜寻，并且具有很好的避障能力。但其在识别目标时具有不稳定性，在逃离“迷宫”时运算量大。

(7)遍历勘探法

M。M。Polycarpou[18]采用遍历勘探的方法进行连续线性搜寻。其提出一种分布式代理团队合作搜寻方法。考虑两个或两个以上的移动代理在地理环境中合作搜寻感兴趣的目标。移动代理通过配备传感器访问有限的环境区域,并且能够互相合作通信。开发合作搜寻框架是基于以下两个相互依存的任务:(1)环境在线学习和“搜寻地图”形式信息的存储;(2)搜寻地图的利用和利用其他信息来计算在线搜寻路径。虽然以上这些方法很简单,但这些方法只适合在静态环境中搜寻，而不适合动态环境的搜寻。

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的搜寻算法进行研究。虽然有些考虑到机器人之间的协作,却很少把提高搜寻效率作为机器人协作搜寻的研究重点。

本文提出在未知环境中基于生物启发模型的协作目标搜寻算法。使用此模型的主要原因是因为它可行而且有效。把生物启发模型神经网络结构作为AUV的二维工作环境,每个神经元的动力学特征符合生物薄膜细胞电流机制的分流方程，网络中的神经元之间存在着横向连接，网络中不同的神经元活性值代表着不同的环境，把搜寻路径的长短作为衡量搜寻效率的高低，AUV根据神经网络活性值的变化进行运动这种新颖的控制方法有别于传统的目标搜寻方法。而且AUV自主规划搜寻路径不需要任何时变环境下的先验知识,不需要明确全局搜寻或优化全局成本函数,也不需要任何学习过程，因此生物启发模型算法计算简单。