CN109933089A - 基于最小化最大能量消耗的多无人机任务规划方法及装置 - Google Patents

Abstract

本发明实施例提供基于最小化最大能量消耗的多无人机任务规划方法及装置。其中，方法包括：获得多个任务点；将多个任务点规划为初始路径；按预设遍邻域搜索算法中的优化方式，对初始路径优化，得到M架无人机的待飞行路径；其中，将多个任务点规划为初始路径包括：确定出发点，从多个任务点中选取M个点，作为M条待扩展路径的第一个节点；在确定出M条待扩展路径的第一个节点后，针对每一条待扩展路径的末端节点，计算扩展能耗，将扩展能耗最小的任务点作为候选节点；并返回计算剩余待扩展路径的扩展能耗，直至各任务点均属于M条待扩展路径中的一条，得到M条初始路径。通过本方案可实现多无人机协同工作的飞行路径进一步有效调节。

Description

基于最小化最大能量消耗的多无人机任务规划方法及装置

技术领域

本发明涉及无人机任务规划技术领域，特别是涉及一种基于最小化最大能量消耗的多无人机任务规划方法及装置。

背景技术

随着无人机技术的发展，无人机已经广泛应用于军事、环境监测、精准农业等领域。由于单无人机在计算能力、存储空间、负载能力、电池容量等各方面存在诸多限制，而使用多无人机协同工作则可以体现出高覆盖率、高效率及高鲁棒性等优点。因此，多无人机协同工作变得尤为重要，而多无人机任务规划是多无人机协同工作中的重要部分。无人机任务规划的目的是：根据不同任务对无人机进行合理的分配，最大限度的发挥有效的作用，保证完成任务的时间并且总的油耗等成本代价最小。

多无人机任务规划存在最小化最大路径能量消耗任务规划问题。解决该问题的目的是：面对无人机在任务执行过程中的能量限制，在最小化各无人机在任务执行时的最大路径能量消耗的前提下，针对多无人机任务，规划更合适的优化目标，以保证每一架无人机都能完成所承担的任务。

但是，现有多无人机的任务规划问题经常被建模为多旅行商问题。针对多旅行商问题设计的遍邻域搜索算法在解决最小化最大路径能量消耗问题上具有较好性能。但是该算法的优化方向是最小化总路程数，其优化目标在一定程度上减少了无人机执行任务时的能量消耗，但均没有直接对于无人机的能量消耗进行考虑，使得多无人机协同工作的飞行路径无法进一步有效调节。

发明内容

本发明实施例的目的在于提供一种基于最小化最大能量消耗的多无人机任务规划方法、装置、电子设备及存储介质，以实现对多无人机协同工作飞行路径的进一步有效调节。具体技术方案如下：

第一方面，本发明实施例提供了一种基于最小化最大能量消耗的多无人机任务规划方法，包括：

获得待规划路径的多个任务点；

根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径，每一架无人机对应一条初始路径；

按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，得到所述M架无人机的待飞行路径；

其中，根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径，包括：

确定出发点，基于所述出发点与各个任务点的位置关系，从所述多个任务点中选取M个点，分别作为M条待扩展路径的第一个节点，每一条待扩展路径对应一架无人机；

在确定出M条待扩展路径的第一个节点后，针对每一条待扩展路径，基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，计算该待扩展路径对应的无人机，从该待扩展路径当前的末端节点到当前剩余的每一任务点所消耗的扩展能耗，将扩展能耗最小的任务点作为该待扩展路径当前的末端节点对应的候选节点；

针对每一第一类末端节点，将该末端节点对应的候选节点扩展至该末端节点所属的待扩展路径中，得到新的待扩展路径；所述第一类末端节点所对应的候选节点，不同于其他末端节点所对应的候选节点；

针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，将该末端节点组所对应的候选节点，扩展至所述待扩展末端节点所属的待扩展路径中，得到新的待扩展路径；所述末端节点组包括除各个第一类末端节点以外的至少两个末端节点，每一末端节点组内的各个末端节点所对应的候选节点相同；

并返回执行针对每一条待扩展路径当前的末端节点，基于该待扩展路径所对应无人机的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗的步骤，直至各个任务点均属于M条待扩展路径中的一条，得到M条初始路径。

较佳的，任一架无人机的各个飞行状态的能耗参数包括：

所述无人机在盘旋状态下的实时悬停能耗功率P_task、转向状态下的实时转向能耗功率P_turn和移动状态下的实时能耗功率；所述移动状态下的实时能耗功率包括无人机加速阶段实时速度v对应的加速能耗功率P_acc(v)、匀速移动阶段实时速度v对应的匀速能耗功率P(v)和减速阶段实时速度v对应的减速能耗功率P_dec(v)；

基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗所利用的公式包括：

E_totaz＝E_task+E_travel+E_turn；

E_total为无人机从待扩展路径的末端节点到任务点所消耗的扩展能耗；

E_task为无人机停留在任务点执行任务时的能耗，

t₁为无人机到达任务点的时刻，t₂为无人机离开任务点的时刻；

E_turn为无人机在前一任务点执行任务后，向下一任务点飞行前的转向能耗，

ω_turn为无人机转向角速度，△θ为无人机转向角度；

E_travel为无人机在任务点间进行移动的飞行能耗，

t(v)为无人机在匀速移动阶段飞行的时间。

较佳的，所述针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点的步骤，包括：

针对每一末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值；

选择对应所述扩展代价值最小的末端节点作为所述待扩展末端节点。

较佳的，所述扩展代价值按照如下公式计算：

其中，Cost_i(j)为将第i个点纳入到第j段路径时的扩展代价值；

E_extendi(j)为在扩展第i段路径时的扩展能耗；

E_path(j)为遍历已规划的j段路径所损失的能耗，其中每一段路径所损失的能耗均按照计算扩展能耗的公式计算；

E_UAV(j)为遍历已规划的j段路径的无人机的电池总容量；

p、q是对于扩展能耗和遍历已规划的j段路径损失的能耗之间的平衡参数。

较佳的，所述按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，包括：

依次按照第一优化方式和第二优化方式，对所述M架无人机的初始路径进行优化；

其中，所述第一优化方式，包括：

针对每一初始路径，按照预设操作算子对该初始路径进行路径间迭代优化，得到路径间优化路径；其中，所述路径间优化路径为所述路径间迭代优化过程中产生的一条第一迭代路径；

基于该初始路径所对应无人机的各种飞行状态的能耗参数，计算所述路径间迭代优化过程中产生的每一条第一迭代路径的路径间能量消耗量；

如果所述路径间优化路径为各条第一迭代路径中的路径间能量消耗量最小的路径，将所述路径间优化路径作为基于第一优化方式所确定的优化结果，否则，选取各条第一迭代路径中路径间能量消耗量最小的路径，作为基于第一优化方式所确定的优化结果；

其中，所述第二优化方式，包括：

针对基于第一优化方式所确定的每一优化结果，按照预设操作算子对该优化结果进行路径内迭代优化，得到路径内优化路径；其中，所述路径内优化路径为所述路径内迭代优化过程中产生的一条第二迭代路径；

基于该优化结果所对应无人机的各种飞行状态的能耗参数，计算所述路径内迭代优化过程中产生的每一条第二迭代路径的路径内能量消耗量；

如果所述路径内优化路径为各条第二迭代路径中的路径内能量消耗量最小的路径，将所述路径内优化路径作为基于第二优化方式所确定的优化结果，否则，选取各条第二迭代路径中路径内能量消耗量最小的路径，作为基于第二优化方式所确定的优化结果。

第二方面，本发明实施例还提供了一种基于最小化最大能量消耗的多无人机任务规划装置，包括：

任务点获得模块，用于获得待规划路径的多个任务点；

初始路径确定模块，用于根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径；其中，每一架无人机对应一条初始路径；

路径优化模块，用于按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，得到所述M架无人机的待飞行路径；

其中，所述初始路径确定模块，包括：

出发点确定单元，用于基于所述出发点与各个任务点的位置关系，从所述多个任务点中选取M个点，分别作为M条待扩展路径的第一个节点，每一条待扩展路径对应一架无人机；

候选节点确定单元，用于在确定出M条待扩展路径的第一个节点后，针对每一条待扩展路径，基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，计算该待扩展路径对应的无人机，从该待扩展路径当前的末端节点到当前剩余的每一任务点所消耗的扩展能耗，将扩展能耗最小的任务点作为该待扩展路径当前的末端节点对应的候选节点；

扩展路径确定单元，用于针对每一第一类末端节点，将该末端节点对应的候选节点扩展至该末端节点所属的待扩展路径中，得到新的待扩展路径；所述第一类末端节点所对应的候选节点，不同于其他末端节点所对应的候选节点；

并且，用于针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，将该末端节点组所对应的候选节点，扩展至所述待扩展末端节点所属的待扩展路径中，得到新的待扩展路径；所述末端节点组包括除各个第一类末端节点以外至少两个末端节点，每一末端节点组内的各个末端节点所对应的候选节点相同；

并返回执行针对每一条待扩展路径当前的末端节点，基于该待扩展路径所对应无人机的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗的步骤，直至各个任务点均属于M条待扩展路径中的一条，得到M条初始路径。

较佳的，任一架无人机的各个飞行状态的能耗参数包括：所述无人机在盘旋状态下的实时悬停能耗功率P_task、转向状态下的实时转向能耗功率P_turn和移动状态下的实时能耗功率；所述移动状态下的实时能耗功率包括无人机加速阶段实时速度v对应的加速能耗功率P_acc(v)、匀速移动阶段实时速度v对应的匀速能耗功率P(v)和减速阶段实时速度v对应的减速能耗功率P_dec(v)；

基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，所述候选节点确定单元计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗所利用的公式包括：

E_totaz＝E_task+E_travel+E_turn；

E_total为无人机从待扩展路径的末端节点到任务点所消耗的扩展能耗；

E_task为无人机停留在任务点执行任务时的能耗，

t₁为无人机到达任务点的时刻，t₂为无人机离开任务点的时刻；

E_turn为无人机在前一任务点执行任务后，向下一任务点飞行前的转向能耗，

ω_turn为无人机转向角速度，△θ为无人机转向角度；

E_travel为无人机在任务点间进行移动的飞行能耗，

t(v)为无人机在匀速移动阶段飞行的时间。

较佳的，所述扩展路径确定单元针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，具体为：

针对每一组末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值；

选择对应所述扩展代价值最小的末端节点作为所述待扩展末端节点。

较佳的，所述扩展路径确定单元针对每一组末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值所利用的公式为：

其中，Cost_i(j)为将第i个点纳入到第j段路径时的扩展代价值；

E_extendi(j)为在扩展第i段路径时的扩展能耗；

E_path(j)为遍历已规划的j段路径所损失的能耗，其中每一段路径所损失的能耗均按照计算扩展能耗的公式计算；

E_UAV(j)为遍历已规划的j段路径的无人机的电池总容量；

p、q是对于扩展能耗和遍历已规划的j段路径损失的能耗之间的平衡参数。

较佳的，所述路径优化模块用于按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，具体为：

依次按照第一优化方式和第二优化方式，对所述M架无人机的初始路径进行优化；

其中，所述第一优化方式，包括：

针对每一初始路径，按照预设操作算子对该初始路径进行路径间迭代优化，得到路径间优化路径；其中，所述路径间优化路径为所述路径间迭代优化过程中产生的一条第一迭代路径；

基于该初始路径所对应无人机的各种飞行状态的能耗参数，计算所述路径间迭代优化过程中产生的每一条第一迭代路径的路径间能量消耗量；

如果所述路径间优化路径为各条第一迭代路径中的路径间能量消耗量最小的路径，将所述路径间优化路径作为基于第一优化方式所确定的优化结果，否则，选取各条第一迭代路径中路径间能量消耗量最小的路径，作为基于第一优化方式所确定的优化结果；

其中，所述第二优化方式，包括：

针对基于第一优化方式所确定的每一优化结果，按照预设操作算子对该优化结果进行路径内迭代优化，得到路径内优化路径；其中，所述路径内优化路径为所述路径内迭代优化过程中产生的一条第二迭代路径；

基于该优化结果所对应无人机的各种飞行状态的能耗参数，计算所述路径内迭代优化过程中产生的每一条第二迭代路径的路径内能量消耗量；

如果所述路径内优化路径为各条第二迭代路径中的路径内能量消耗量最小的路径，将所述路径内优化路径作为基于第二优化方式所确定的优化结果，否则，选取各条第二迭代路径中路径内能量消耗量最小的路径，作为基于第二优化方式所确定的优化结果。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现使得电子设备执行上述第一方面所述的任一基于最小化最大能量消耗的多无人机任务规划方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现使得电子设备执行上述第一方面所述的任一基于最小化最大能量消耗的多无人机任务规划方法。

本发明实施例所提供的多无人机任务规划方法及装置中，在为多架无人机规划初始路径时，充分考虑了除飞行距离以外的其他能耗因素，使得无人机路径的能量消耗最低，这更好的契合了无人机执行任务时的实际要求，能很好的满足实际任务的要求，实现对多无人机协同工作时飞行路径的进一步有效调节。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种基于最小化最大路径能量消耗的多无人机任务规划方法的一种流程图；

图2为图1中步骤S102的一种具体流程图；

图3为本发明实施例所提供的一种基于最小化最大路径能量消耗的多无人机任务规划装置的结构示意图；

图4为本发明实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了实现多无人机协同工作的飞行路径进一步有效调节，本发明实施例提供了一种基于最小化最大能量消耗的多无人机任务规划方法、装置、电子设备及存储介质。

下面首先对本发明实施例所提供的一种基于最小化最大路径能量消耗的多无人机任务规划方法进行介绍。

其中，本发明实施例所提供的一种基于最小化最大路径能量消耗的多无人机任务规划方法应用于电子设备中，并且，本发明实施例所提供的一种基于最小化最大路径能量消耗的多无人机任务规划方法的执行主体可以为一种多无人机任务规划装置。

所谓的多无人机任务规划为：将指定的多个任务点规划为多架无人机待飞行的路径，每一无人机对应一条路径，进而，通过多架无人机行驶各自的路径，协同完成指定的多个任务点的任务。其中，任务点是无人机在执行预定任务时飞行路径上的节点。

如图1所示，发明实施例所提供的一种基于最小化最大路径能量消耗的多无人机任务规划方法，可以包括如下步骤：

S101，获得待规划路径的多个任务点；

例如，可以通过人工输入任务点的空间坐标，得到多个任务点；或者，将预先制作好的含有任务点信息的文档直接导入，得到多个任务点。

S102，根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径，每一架无人机对应一条初始路径；

如图2所示，上述步骤具体包括：

S1021，确定出发点，基于所述出发点与各个任务点的位置关系，从所述多个任务点中选取M个点，分别作为M条待扩展路径的第一个节点，每一条待扩展路径对应一架无人机；

其中，基于所述出发点与各个任务点的位置关系，从所述多个任务点中选取M个点，可以是在出发点附近的任务点中随机选取M个点，也可以是通过测量多个任务点与出发点之间的距离，按照距离从小到大的顺序在多个任务点中依次选取M个点。

S1022，在确定出M条待扩展路径的第一个节点后，针对每一条待扩展路径，基于该待扩展路径所对应无人机的各种飞行状态(例如匀速飞行、加减速飞行、爬升下降、盘旋等)的能耗参数，计算该待扩展路径对应的无人机，从该待扩展路径当前的末端节点到当前剩余的每一任务点所消耗的扩展能耗，将扩展能耗最小的任务点作为该待扩展路径当前的末端节点对应的候选节点；

其中，当每条扩展路径只有第一个节点时，对于每条待扩展路径而言，当前的末端节点即是该第一节点。

需要说明的是，面对无人机在任务执行过程中的能量限制，在最小化各无人机在任务执行时的最大路径能量消耗的前提下，通过建立无人机不同飞行状态的能耗参数，针对多无人机任务，能够更加精确的预测为无人机规划的路径的能耗，保证了在每一架无人机都能完成所承担的任务的前提下，能够规划更合适的优化目标。

需要强调的是，对于一个任务点而言，可能仅仅作为一个末端节点对应的候选节点，也可能作为至少两个末端节点对应的候选节点，即作为至少两条待扩展路径的候选节点。如果一候选节点对应不同待扩展路径，表明发生了竞合,如果一候选节点仅仅对应于一条待扩展路径，表明未发生竞合。基于是否发生竞合，可以按照如下步骤中的两种方式进行区别处理，最终使该同一候选节点指定至不同条待扩展路径中的其中一条待扩展路径。

S1023，针对每一第一类末端节点，将该末端节点对应的候选节点扩展至该末端节点所属的待扩展路径中，得到新的待扩展路径；所述第一类末端节点所对应的候选节点，不同于其他末端节点所对应的候选节点；

针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，将该末端节点组所对应的候选节点，扩展至所述待扩展末端节点所属的待扩展路径中，得到新的待扩展路径；所述末端节点组包括除各个第一类末端节点以外的至少两个末端节点，每一末端节点组内的各个末端节点所对应的候选节点相同；

例如，如果存在末端节点A、B、C、D和E，当前剩余的任务点为：F、G、H和I，如果A的候选节点为任务点F，B的候选节点为任务点G，C的候选节点为任务点H，D和E的候选节点均为任务点I；此时，末端节点A、B和C均属于第一类末端节点，末端节点D和E则属于一个末端节点组。

S1024，返回执行针对每一条待扩展路径当前的末端节点，基于该待扩展路径所对应无人机的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗的步骤，之后根据扩展能耗的计算结果判断是否发生竞合，如没有发生竞合，则按照步骤S1023的第一种方式进行路径扩展；如果发生竞合，则按照步骤S1023的第二种方式进行路径扩展，得到新的待扩展路径；直至各个任务点均属于M条待扩展路径中的一条，得到M条初始路径。

S103，按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，得到所述M架无人机的待飞行路径；

现有遍邻域搜索算法的优化方向为最小化总路程数，其优化目标在一定程度上减少了无人机执行任务时的能量消耗，但均没有直接对于无人机的能量消耗进行考虑。事实上，在无人机协同工作的过程中，无人机的能量消耗影响因素不仅包括飞行距离、飞行时间、飞行转向数，还涉及到在任务点停留的时间等因素。本发明实施例所提供的多无人机任务规划方法中，考虑了除飞行距离以外的其他能耗因素，使得无人机路径的能量消耗最低，这更好地契合了无人机执行任务时的实际要求，能很好的满足实际任务的要求。

现有技术中的最大能量消耗都随着无人机数目的增加而减少，而本实施例无论无人机数目多或少的情况下能量消耗都最小，表明本实施例的方法在能量消耗方面有着明显的优点。

可选的，本实施例步骤S102的具体步骤S1022中，任一架无人机的各个飞行状态的能耗参数可以包括：所述无人机在盘旋状态下的实时悬停能耗功率P_task、转向状态下的实时转向能耗功率P_turn和移动状态下的实时能耗功率；所述移动状态下的实时能耗功率包括无人机加速阶段实时速度v对应的加速能耗功率P_acc(v)、匀速移动阶段实时速度v对应的匀速能耗功率P(v)和减速阶段实时速度v对应的减速能耗功率P_dec(v)；

可以通过无人机上加载的一个能量测量模块获得无人机在各种飞行状态下的电流电压情况，通过电流与电压获得该飞行状态下的实时功率消耗。同时根据无人机上的飞行记录仪，获得无人机每一时刻的速度值，与功率相匹配进而建立扩展能耗计算公式，之后便可以根据扩展能耗计算公式进行计算，实现对路径能耗的预测。

需要说明的是，根据实践经验，针对不同距离的两相邻任务点，无人机具有相应最优的最高飞行速度。利用该规律，在无人机实际飞行过程中会按照实践中总结出的最优速度控制无人机的最高飞行速度。因此，建立无人机移动时各种状态(加速、匀速和减速)的实时功率与实时速度按照时间的对应关系，利用该关系可方便通过积分运算计算无人机在任务点间进行移动的飞行能耗。

基于无人机各种飞行状态的能耗参数，按照下述公式即可计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗。

E_totaz＝E_task+E_travel+E_turn；

E_total为无人机从待扩展路径的末端节点到任务点所消耗的扩展能耗；

E_task为无人机停留在任务点执行任务时的能耗，

t₁为无人机到达任务点的时刻，t₂为无人机离开任务点的时刻；

E_turn为无人机在前一任务点执行任务后，向下一任务点飞行前的转向能耗，

ω_turn为无人机转向角速度，△θ为无人机转向角度；

E_travel为无人机在任务点间进行移动的飞行能耗，

t(v)为无人机在匀速移动阶段飞行的时间。

为考虑任务的异质性特点，即一方面考虑任务的耗时分布不均匀(完成不同的任务需要消耗不同的时间和能量)，另一方面考虑任务的空间分布不均匀(不同区域，相同长度的飞行路径包含的任务点数目显著不同)，以平衡不同无人机间的任务分配。本实施例步骤S102中，可采用基于竞争规则的启发式方法规划初始路径，即在面对候选节点对于不同路径的扩展能耗相等且均为最小的情况，对于上述步骤S1023中的“针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点”，通过按照下述公式计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值，选择对应所述扩展代价值最小的末端节点作为所述待扩展末端节点。

其中，Cost_i(j)为将第i个点纳入到第j段路径时的扩展代价值；

E_extendi(j)为在扩展第i段路径时的扩展能耗；

E_path(j)为遍历已规划的j段路径所损失的能耗，其中每一段路径所损失的能耗均按照计算扩展能耗的公式计算；

E_UAV(j)为遍历已规划的j段路径的无人机的电池总容量；

p、q是对于扩展能耗和遍历已规划的j段路径损失的能耗之间的平衡参数。

通过扩展代价值的计算，对每架无人机已负担任务和其剩余电量间进行权衡、评估，选取扩展代价值更小的候选节点进行扩展，这样权衡了某路径已涵盖任务点所需总能耗和扩展时额外能耗，既优化扩展路径时的能量消耗，也将任务分配的均衡性纳入考虑范围，有效达到了路径规划的异质性特点。

本发明实施例所提供的基于最小化最大能量消耗的多无人机异质任务规划方法中，通过考虑影响无人机能量消耗的各类因素及任务的异质性特点，在最小化最大路径能量消耗的情况下，保证每架无人机的任务负载相对均衡，最终将所有任务点分配给多条路径，从而让相应数量的多无人机对任务点进行遍历访问，实现了多无人机协同工作的飞行路径进一步有效调节。

通过实际测量无人机在各种运动模式下的能量消耗，对无人机在各类场景下的能量消耗建立计算公式，使得在多无人机路径规划阶段能准确得出各路径所需的能量，可以在较为精确的预测路径能耗的情况下很好的进行任务均衡分配。规划结果表明，在任务密集分布区域的无人机路径中包含较多任务，长度较短，而在任务稀疏分布区域的无人机路径包含较少的任务，路径长度更长。充分体现了在面对异质任务时，本发明可以更好的实现任务的均衡分配，在平衡各无人机间的工作负载具有显著成果。

现有技术中无人机最大能量消耗与最小能量消耗的差值和无人机的数目并无较大关联，本实施例无论在无人机数目多或少的情况下都能保证无人机最大能量消耗和最小能量消耗差是各算法中最小，表明本实施例方法在平衡各无人机间工作负载有显著成果。

可选的，本实施例步骤S103中，按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，可以包括：依次按照第一优化方式和第二优化方式，对所述M架无人机的初始路径进行优化；

其中，所述第一优化方式，包括：针对每一初始路径，按照预设操作算子对该初始路径进行路径间迭代优化，即对于每一个操作位置，使用不同的操作算子来进行变换，尝试在两条路径之间调整任务点来进行路径优化，得到路径间优化路径；其中，所述路径间优化路径为所述路径间迭代优化过程中产生的一条第一迭代路径；

基于该初始路径所对应无人机的各种飞行状态的能耗参数，计算所述路径间迭代优化过程中产生的每一条第一迭代路径的路径间能量消耗量；

如果所述路径间优化路径为各条第一迭代路径中的路径间能量消耗量最小的路径，将所述路径间优化路径作为基于第一优化方式所确定的优化结果，否则，选取各条第一迭代路径中路径间能量消耗量最小的路径，作为基于第一优化方式所确定的优化结果；

其中，所述第二优化方式，包括：针对基于第一优化方式所确定的每一优化结果，按照预设操作算子对该优化结果进行路径内迭代优化，得到路径内优化路径；其中，所述路径内优化路径为所述路径内迭代优化过程中产生的一条第二迭代路径；

基于该优化结果所对应无人机的各种飞行状态的能耗参数，计算所述路径内迭代优化过程中产生的每一条第二迭代路径的路径内能量消耗量；

如果所述路径内优化路径为各条第二迭代路径中的路径内能量消耗量最小的路径，将所述路径内优化路径作为基于第二优化方式所确定的优化结果，否则，选取各条第二迭代路径中路径内能量消耗量最小的路径，作为基于第二优化方式所确定的优化结果。

本实施例第一优化方式按照预设操作算子对该初始路径进行路径间迭代优化过程中，定义了五种邻域操作算子。

第一种为one-point move算子。该算子从能量消耗最大的那条路径上挑选一个节点，然后从一条随机路径上选取一个位置，并将挑选出的节点插入该位置。该操作会在能量消耗最大路径所有节点被挑选并插入所有其他路径的所有位置之前一直重复，我们根据路径中点的分布，根据之前计算的无人机扩展能耗公式来计算预测每一条路径的能耗，并将能耗作为评价标准来对路径进行评价。

第二种和第三种为or-opt move算子，该算子有两个版本分别为or-opt2和or-opt3。该结构从能量消耗最大的那条路径上挑选相邻的两个或三个节点，然后从一条随机路径上选取一个位置，并将相邻的两个或三个节点插入。该操作会对所有可能路径的可能位置进行尝试，并在最终按照路径的最大能量消耗来进行结果的评测选取最优解。

第四种为two-point move算子。该算子从能量消耗最大的那条路径上挑选一个节点，然后从一条随机路径上选取一个节点，并将两个节点互换。该操作会在能量消耗最大的路径上所有节点被挑选并与所有其他路径的所有节点交换结束之前一直重复。

最后一种为three-point move算子。该算子从能量消耗最大的那条路径上挑选一对相邻节点，然后从一条随机路径上选取一个节点，并将相邻节点与随机路径上节点互换位置。

本实施例第二优化方式按照预设操作算子对该优化结果进行路径内迭代优化中，可以使用2-opt move算子，该算子会交换路径内的两个点的访问顺序，在算法的最终阶段通过扩展能耗对路径计算评估，确定路径内任务点的最优访问顺序，最终输出算法的最优解。操作算子的选择很大程度上决定了找到最优解的效率和最优解的效果。在迭代算法的收敛速度方面，本实施例提出的算法收敛速度要优于一般性遍邻域搜索算法。

需要说明的是，由于遍邻域搜索算法主要通过优化迭代来进行最优解的搜寻，可以在得到初始路径之后、路径间优化之前，采用邻域震动来逃离搜索过程中的局部最优解。邻域震动的具体操作为，首先设定震动的邻居距离，邻居距离决定了能扩展到的最远邻域。之后随机挑选一个路径，并从该路径中随机挑选一个节点，再随机选择另一条路径，并随机选择一个位置将之前挑选出的节点插入。这可以使得当前最优解退化，有助于我们寻找其他最优解。

本发明实施例所提供的多无人机任务规划方法，通过考虑影响无人机能量消耗的各类因素及任务的异质性特点，在最小化最大路径能量消耗的情况下，保证每架无人机的任务负载相对均衡，最终将所有任务点分配给多条路径，从而让相应数量的多无人机对任务点进行遍历访问，有效实现了对多无人机协同工作飞行路径的进一步有效调节。

相应于上述方法实施例，本发明实施例还提供了一种基于最小化最大路径能量消耗的多无人机任务规划装置，如图3所示，可以包括：

任务点获得模块301，用于获得待规划路径的多个任务点；

初始路径确定模块302，用于根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径；其中，每一架无人机对应一条初始路径；

路径优化模块303，用于按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，得到所述M架无人机的待飞行路径；

其中，所述初始路径确定模块302，包括：

出发点确定单元，用于基于所述出发点与各个任务点的位置关系，从所述多个任务点中选取M个点，分别作为M条待扩展路径的第一个节点，每一条待扩展路径对应一架无人机；

候选节点确定单元，用于在确定出M条待扩展路径的第一个节点后，针对每一条待扩展路径，基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，计算该待扩展路径对应的无人机，从该待扩展路径当前的末端节点到当前剩余的每一任务点所消耗的扩展能耗，将扩展能耗最小的任务点作为该待扩展路径当前的末端节点对应的候选节点；

扩展路径确定单元，用于针对每一第一类末端节点，将该末端节点对应的候选节点扩展至该末端节点所属的待扩展路径中，得到新的待扩展路径；所述第一类末端节点所对应的候选节点，不同于其他末端节点所对应的候选节点；

并且，用于针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，将该末端节点组所对应的候选节点，扩展至所述待扩展末端节点所属的待扩展路径中，得到新的待扩展路径；所述末端节点组包括除各个第一类末端节点以外至少两个末端节点，每一末端节点组内的各个末端节点所对应的候选节点相同；

并返回执行针对每一条待扩展路径当前的末端节点，基于该待扩展路径所对应无人机的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗的步骤，直至各个任务点均属于M条待扩展路径中的一条，得到M条初始路径。

本发明实施例所提供的多无人机任务规划方法中，在为多架无人机规划初始路径时，充分考虑了除飞行距离以外的其他能耗因素，使得无人机路径的能量消耗最低，这更好的契合了无人机执行任务时的实际要求，能很好的满足实际任务的要求，实现对多无人机协同工作时飞行路径的进一步有效调节。可选的，任一架无人机的各个飞行状态的能耗参数包括：所述无人机在盘旋状态下的实时悬停能耗功率P_task、转向状态下的实时转向能耗功率P_turn和移动状态下的实时能耗功率；所述移动状态下的实时能耗功率包括无人机加速阶段实时速度v对应的加速能耗功率P_acc(v)、匀速移动阶段实时速度v对应的匀速能耗功率P(v)和减速阶段实时速度v对应的减速能耗功率P_dec(v)；

基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，所述候选节点确定单元计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗所利用的公式包括：

E_totaz＝E_task+E_travel+E_turn；

E_total为无人机从待扩展路径的末端节点到任务点所消耗的扩展能耗；

E_task为无人机停留在任务点执行任务时的能耗，

t₁为无人机到达任务点的时刻，t₂为无人机离开任务点的时刻；

E_turn为无人机在前一任务点执行任务后，向下一任务点飞行前的转向能耗，

ω_turn为无人机转向角速度，△θ为无人机转向角度；

E_travel为无人机在任务点间进行移动的飞行能耗，

t(v)为无人机在匀速移动阶段飞行的时间。

可选的，所述扩展路径确定单元针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，具体为：

针对每一组末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值；

选择对应所述扩展代价值最小的末端节点作为所述待扩展末端节点。具体的，所述扩展路径确定单元针对每一组末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值所利用的公式为：

其中，Cost_i(j)为将第i个点纳入到第j段路径时的扩展代价值；

E_extendi(j)为在扩展第i段路径时的扩展能耗；

E_path(j)为遍历已规划的j段路径所损失的能耗，其中每一段路径所损失的能耗均按照计算扩展能耗的公式计算；

E_UAV(j)为遍历已规划的j段路径的无人机的电池总容量；

p、q是对于扩展能耗和遍历已规划的j段路径损失的能耗之间的平衡参数。

可选的，所述路径优化模块用于按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，具体为：

依次按照第一优化方式和第二优化方式，对所述M架无人机的初始路径进行优化；

其中，所述第一优化方式，包括：

针对每一初始路径，按照预设操作算子对该初始路径进行路径间迭代优化，得到路径间优化路径；其中，所述路径间优化路径为所述路径间迭代优化过程中产生的一条第一迭代路径；

基于该初始路径所对应无人机的各种飞行状态的能耗参数，计算所述路径间迭代优化过程中产生的每一条第一迭代路径的路径间能量消耗量；

如果所述路径间优化路径为各条第一迭代路径中的路径间能量消耗量最小的路径，将所述路径间优化路径作为基于第一优化方式所确定的优化结果，否则，选取各条第一迭代路径中路径间能量消耗量最小的路径，作为基于第一优化方式所确定的优化结果；

其中，所述第二优化方式，包括：

针对基于第一优化方式所确定的每一优化结果，按照预设操作算子对该优化结果进行路径内迭代优化，得到路径内优化路径；其中，所述路径内优化路径为所述路径内迭代优化过程中产生的一条第二迭代路径；

基于该优化结果所对应无人机的各种飞行状态的能耗参数，计算所述路径内迭代优化过程中产生的每一条第二迭代路径的路径内能量消耗量；

如果所述路径内优化路径为各条第二迭代路径中的路径内能量消耗量最小的路径，将所述路径内优化路径作为基于第二优化方式所确定的优化结果，否则，选取各条第二迭代路径中路径内能量消耗量最小的路径，作为基于第二优化方式所确定的优化结果。

在本发明提供的又一实施例中，还提供了一种电子设备，如图4所示，所述电子设备包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信；存储器403，用于存放计算机程序；处理器401，用于执行存储器上所存放的程序时，实现使得电子设备执行本发明实施例所提供的基于最小化最大能量消耗的多无人机任务规划方法。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现使得电子设备执行本发明实施例所提供的基于最小化最大能量消耗的多无人机任务规划方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于最小化最大路径能量消耗的多无人机任务规划方法，其特征在于，包括：

获得待规划路径的多个任务点；

根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径，每一架无人机对应一条初始路径；

按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，得到所述M架无人机的待飞行路径；

其中，根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径，包括：

确定出发点，基于所述出发点与各个任务点的位置关系，从所述多个任务点中选取M个点，分别作为M条待扩展路径的第一个节点，每一条待扩展路径对应一架无人机；

在确定出M条待扩展路径的第一个节点后，针对每一条待扩展路径，基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，计算该待扩展路径对应的无人机，从该待扩展路径当前的末端节点到当前剩余的每一任务点所消耗的扩展能耗，将扩展能耗最小的任务点作为该待扩展路径当前的末端节点对应的候选节点；

针对每一第一类末端节点，将该末端节点对应的候选节点扩展至该末端节点所属的待扩展路径中，得到新的待扩展路径；所述第一类末端节点所对应的候选节点，不同于其他末端节点所对应的候选节点；

针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，将该末端节点组所对应的候选节点，扩展至所述待扩展末端节点所属的待扩展路径中，得到新的待扩展路径；所述末端节点组包括除各个第一类末端节点以外的至少两个末端节点，每一末端节点组内的各个末端节点所对应的候选节点相同；

并返回执行针对每一条待扩展路径当前的末端节点，基于该待扩展路径所对应无人机的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗的步骤，直至各个任务点均属于M条待扩展路径中的一条，得到M条初始路径。

2.根据权利要求1所述的方法，其特征在于，任一架无人机的各个飞行状态的能耗参数包括：

所述无人机在盘旋状态下的实时悬停能耗功率P_task、转向状态下的实时转向能耗功率P_turn和移动状态下的实时能耗功率；所述移动状态下的实时能耗功率包括无人机加速阶段实时速度v对应的加速能耗功率P_acc(v)、匀速移动阶段实时速度v对应的匀速能耗功率P(v)和减速阶段实时速度v对应的减速能耗功率P_dec(v)；

基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗所利用的公式包括：

E_total＝E_task+E_travel+E_turn；

E_total为无人机从待扩展路径的末端节点到任务点所消耗的扩展能耗；

E_task为无人机停留在任务点执行任务时的能耗，

t₁为无人机到达任务点的时刻，t₂为无人机离开任务点的时刻；

E_turn为无人机在前一任务点执行任务后，向下一任务点飞行前的转向能耗，

ω_turn为无人机转向角速度，△θ为无人机转向角度；

E_travel为无人机在任务点间进行移动的飞行能耗，

t(v)为无人机在匀速移动阶段飞行的时间。

3.根据权利要求2所述的方法，其特征在于，所述针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点的步骤，包括：

针对每一末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值；

选择对应所述扩展代价值最小的末端节点作为所述待扩展末端节点。

4.根据权利要求3所述的方法，其特征在于，所述扩展代价值按照如下公式计算：

其中，Cost_i(j)为将第i个点纳入到第j段路径时的扩展代价值；

E_extendi(j)为在扩展第i段路径时的扩展能耗；

E_path(j)为遍历已规划的j段路径所损失的能耗，其中每一段路径所损失的能耗均按照计算扩展能耗的公式计算；

E_UAV(j)为遍历已规划的j段路径的无人机的电池总容量；

p、q是对于扩展能耗和遍历已规划的j段路径损失的能耗之间的平衡参数。

5.根据权利要求2至4任一所述的方法，其特征在于，

所述按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，包括：

依次按照第一优化方式和第二优化方式，对所述M架无人机的初始路径进行优化；

其中，所述第一优化方式，包括：

针对每一初始路径，按照预设操作算子对该初始路径进行路径间迭代优化，得到路径间优化路径；其中，所述路径间优化路径为所述路径间迭代优化过程中产生的一条第一迭代路径；

基于该初始路径所对应无人机的各种飞行状态的能耗参数，计算所述路径间迭代优化过程中产生的每一条第一迭代路径的路径间能量消耗量；

如果所述路径间优化路径为各条第一迭代路径中的路径间能量消耗量最小的路径，将所述路径间优化路径作为基于第一优化方式所确定的优化结果，否则，选取各条第一迭代路径中路径间能量消耗量最小的路径，作为基于第一优化方式所确定的优化结果；

其中，所述第二优化方式，包括：

针对基于第一优化方式所确定的每一优化结果，按照预设操作算子对该优化结果进行路径内迭代优化，得到路径内优化路径；其中，所述路径内优化路径为所述路径内迭代优化过程中产生的一条第二迭代路径；

基于该优化结果所对应无人机的各种飞行状态的能耗参数，计算所述路径内迭代优化过程中产生的每一条第二迭代路径的路径内能量消耗量；

如果所述路径内优化路径为各条第二迭代路径中的路径内能量消耗量最小的路径，将所述路径内优化路径作为基于第二优化方式所确定的优化结果，否则，选取各条第二迭代路径中路径内能量消耗量最小的路径，作为基于第二优化方式所确定的优化结果。

6.一种基于最小化最大路径能量消耗的多无人机任务规划装置，其特征在于，包括：

任务点获得模块，用于获得待规划路径的多个任务点；

初始路径确定模块，用于根据预先确定的M架无人机的各个飞行状态的能耗参数，采用启发式算法，将所述多个任务点规划为所述M架无人机的初始路径；其中，每一架无人机对应一条初始路径；

路径优化模块，用于按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，得到所述M架无人机的待飞行路径；

其中，所述初始路径确定模块，包括：

出发点确定单元，用于基于所述出发点与各个任务点的位置关系，从所述多个任务点中选取M个点，分别作为M条待扩展路径的第一个节点，每一条待扩展路径对应一架无人机；

候选节点确定单元，用于在确定出M条待扩展路径的第一个节点后，针对每一条待扩展路径，基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，计算该待扩展路径对应的无人机，从该待扩展路径当前的末端节点到当前剩余的每一任务点所消耗的扩展能耗，将扩展能耗最小的任务点作为该待扩展路径当前的末端节点对应的候选节点；

扩展路径确定单元，用于针对每一第一类末端节点，将该末端节点对应的候选节点扩展至该末端节点所属的待扩展路径中，得到新的待扩展路径；所述第一类末端节点所对应的候选节点，不同于其他末端节点所对应的候选节点；

并且，用于针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，将该末端节点组所对应的候选节点，扩展至所述待扩展末端节点所属的待扩展路径中，得到新的待扩展路径；所述末端节点组包括除各个第一类末端节点以外至少两个末端节点，每一末端节点组内的各个末端节点所对应的候选节点相同；

并返回执行针对每一条待扩展路径当前的末端节点，基于该待扩展路径所对应无人机的能耗参数，计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗的步骤，直至各个任务点均属于M条待扩展路径中的一条，得到M条初始路径。

7.根据权利要求6所述的装置，其特征在于，

任一架无人机的各个飞行状态的能耗参数包括：所述无人机在盘旋状态下的实时悬停能耗功率P_task、转向状态下的实时转向能耗功率P_turn和移动状态下的实时能耗功率；所述移动状态下的实时能耗功率包括无人机加速阶段实时速度v对应的加速能耗功率P_acc(v)、匀速移动阶段实时速度v对应的匀速能耗功率P(v)和减速阶段实时速度v对应的减速能耗功率P_dec(v)；

基于该待扩展路径所对应无人机的各种飞行状态的能耗参数，所述候选节点确定单元计算该待扩展路径对应的无人机，从该末端节点到当前剩余的每一任务点所消耗的扩展能耗所利用的公式包括：

E_total＝E_task+E_travel+E_turn；

E_total为无人机从待扩展路径的末端节点到任务点所消耗的扩展能耗；

E_task为无人机停留在任务点执行任务时的能耗，

t₁为无人机到达任务点的时刻，t₂为无人机离开任务点的时刻；

E_turn为无人机在前一任务点执行任务后，向下一任务点飞行前的转向能耗，

ω_turn为无人机转向角速度，△θ为无人机转向角度；

E_travel为无人机在任务点间进行移动的飞行能耗，

t(v)为无人机在匀速移动阶段飞行的时间。

8.根据权利要求7所述的装置，其特征在于，

所述扩展路径确定单元针对每一末端节点组，从该末端节点组中选取一个待扩展末端节点，具体为：

针对每一组末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值；

选择对应所述扩展代价值最小的末端节点作为所述待扩展末端节点。

9.根据权利要求8所述的装置，其特征在于，

所述扩展路径确定单元针对每一组末端节点组，计算该末端节点组中各个末端节点到所对应候选节点的扩展代价值所利用的公式为：

其中，Cost_i(j)为将第i个点纳入到第j段路径时的扩展代价值；

E_extendi(j)为在扩展第i段路径时的扩展能耗；

E_path(j)为遍历已规划的j段路径所损失的能耗，其中每一段路径所损失的能耗均按照计算扩展能耗的公式计算；

E_UAV(j)为遍历已规划的j段路径的无人机的电池总容量；

p、q是对于扩展能耗和遍历已规划的j段路径损失的能耗之间的平衡参数。

10.根据权利要求7至9任一所述的装置，其特征在于，

所述路径优化模块用于按照预设的遍邻域搜索算法中的优化方式，对所述M架无人机的初始路径进行优化，具体为：

依次按照第一优化方式和第二优化方式，对所述M架无人机的初始路径进行优化；

其中，所述第一优化方式，包括：

针对每一初始路径，按照预设操作算子对该初始路径进行路径间迭代优化，得到路径间优化路径；其中，所述路径间优化路径为所述路径间迭代优化过程中产生的一条第一迭代路径；

基于该初始路径所对应无人机的各种飞行状态的能耗参数，计算所述路径间迭代优化过程中产生的每一条第一迭代路径的路径间能量消耗量；

如果所述路径间优化路径为各条第一迭代路径中的路径间能量消耗量最小的路径，将所述路径间优化路径作为基于第一优化方式所确定的优化结果，否则，选取各条第一迭代路径中路径间能量消耗量最小的路径，作为基于第一优化方式所确定的优化结果；

其中，所述第二优化方式，包括：

针对基于第一优化方式所确定的每一优化结果，按照预设操作算子对该优化结果进行路径内迭代优化，得到路径内优化路径；其中，所述路径内优化路径为所述路径内迭代优化过程中产生的一条第二迭代路径；

基于该优化结果所对应无人机的各种飞行状态的能耗参数，计算所述路径内迭代优化过程中产生的每一条第二迭代路径的路径内能量消耗量；

如果所述路径内优化路径为各条第二迭代路径中的路径内能量消耗量最小的路径，将所述路径内优化路径作为基于第二优化方式所确定的优化结果，否则，选取各条第二迭代路径中路径内能量消耗量最小的路径，作为基于第二优化方式所确定的优化结果。