CN110147870B - 一种用于地震灾后多无人机任务分配的优化方法 - Google Patents
一种用于地震灾后多无人机任务分配的优化方法 Download PDFInfo
- Publication number
- CN110147870B CN110147870B CN201910277440.4A CN201910277440A CN110147870B CN 110147870 B CN110147870 B CN 110147870B CN 201910277440 A CN201910277440 A CN 201910277440A CN 110147870 B CN110147870 B CN 110147870B
- Authority
- CN
- China
- Prior art keywords
- task allocation
- allocation scheme
- task
- unmanned aerial
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明涉及无人机任务分配技术领域,公开了一种用于地震灾后多无人机任务分配的优化方法。该优化方法包括:生成多架无人机的任务分配方案集合,获得多架无人机的最优任务分配方案,在判断最优任务分配方案未能通过约束校验的情况下,对最优任务分配方案进行调整,更新最优任务分配方案,以获得最终的任务分配方案。该优化方法在考虑潜在点目标的权重、无人机续航能力和传感器误差等多种约束条件的情况下优化多无人机的任务分配方案,最大限度地发挥每架无人机的效用,从而提升地震灾后快速评估任务的有效性。
Description
技术领域
本发明涉及无人机任务分配技术领域,具体地,涉及一种用于地震灾后多无人机任务分配的优化方法。
背景技术
采用无人机在地震灾后第一时间对受灾区域进行快速评估对于救援工作至关重要,特别是当地震震中位于偏远地区或者受灾区域内的通信系统遭到破坏时。但是,在现有技术中,多架无人机执行地震灾后快速评估任务时,没有考虑潜在点目标的权重、无人机续航能力和传感器误差等多种约束情况,也未考虑这些约束条件对于多无人机快速评估任务分配方案的影响,比如对潜在目标的访问次数的影响,从而没有最大限度地发挥无人机的效用,灾后快速评估任务的完成质量较差。
发明内容
本发明的目的是提供一种用于地震灾后多无人机任务分配的优化方法,该优化方法在考虑潜在点目标的权重、无人机续航能力和传感器误差等多种约束条件的情况下优化多无人机的任务分配方案,最大限度地发挥无人机的效用,从而提升快速评估任务的有效性。
为了实现上述目的,本发明提供了一种用于地震灾后多无人机任务分配的优化方法,在该优化方法中,多架无人机中的任意一架无人机的任务执行路径为:从起点出发,经过至少一个潜在点目标后返回终点,优化方法包括:对多架无人机进行编号;对于多架无人机中的每一架无人机执行以下操作:获取无人机的续航时长;根据起点、终点和续航时长,获取无人机的任务执行范围,任务执行范围中包括至少一个潜在点目标;按照随机的顺序使得无人机经过任务执行范围中的所有的潜在点目标,以生成无人机的任务执行路径;计算无人机执行任务执行路径的任务执行时间;判断任务执行时间是否大于续航时长;在判断任务执行时间大于续航时长的情况下,从任务执行路径中随机删除一个潜在点目标,直至任务执行时间小于等于续航时长,以获得无人机的可行任务路径;判断可行任务路径中是否包括至少一个潜在点目标;在判断可行任务路径中不包括任何潜在点目标的情况下,重新生成任务执行路径,并重新获得可行任务路径;根据单架无人机的可行任务路径,获得多架无人机的任务分配方案,任务分配方案包括所有的无人机的可行任务路径以及与可行任务路径中的潜在点目标对应的无人机编号;多次获得多架无人机的任务分配方案,以生成多架无人机的任务分配方案集合,任务分配方案集合包括多个任务分配方案;采用改进的粒子群算法,根据任务分配方案集合,获得多架无人机的最优任务分配方案;判断最优任务分配方案是否能够通过路径连通校验和续航能力校验;在判断最优任务分配方案未能通过路径连通校验和/或续航能力校验的情况下,对最优任务分配方案进行调整,以使得最优任务分配方案能够通过路径连通校验和续航能力校验;采用模拟退火算法更新最优任务分配方案。
优选地,在改进的粒子群算法中,采用以下方法生成新的任务分配方案:获取任务分配方案、已知最优任务分配方案和全局最优任务分配方案的长度,长度被定义为包含的潜在点目标的数量;根据任务分配方案、已知最优任务分配方案和全局最优任务分配方案的长度,分别计算任务分配方案、已知最优任务分配方案和全局最优任务分配方案的目标提取量,目标提取量被定义为所要提取的潜在点目标的数量;随机产生任务分配方案、已知最优任务分配方案和全局最优任务分配方案的提取起始位置;根据目标提取量和提取起始位置分别从任务分配方案、已知最优任务分配方案和全局最优任务分配方案中提取三个局部任务路径;将三个局部任务路径重新组合、排列,使得同一无人机的任务路径相邻,从而生成新的任务分配方案。
优选地,根据目标提取量和提取起始位置分别从任务分配方案、已知最优任务分配方案和全局最优任务分配方案中提取三个局部任务路径,具体包括:若从提取起始位置向后算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量大于等于其对应的目标提取量,则按照从前向后的顺序提取局部任务路径;若从提取起始位置向后算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量小于其对应的目标提取量,且从提取起始位置向前算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量大于等于其对应的目标提取量,则按照从后向前的顺序提取局部任务路径;若从提取起始位置向前和向后算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量均小于其对应的目标提取量,则重新生成目标提取量。
优选地,采用公式(1)计算任务分配方案的目标提取量:
nx=ω·Nx 公式(1)
其中,nx为任务分配方案的目标提取量,Nx为任务分配方案的长度,ω为惯性参数;
采用公式(2)计算已知最优任务分配方案的目标提取量:
nxl=(1-ω)·c1·r1·Nxl 公式(2)
其中,nxl为已知最优任务分配方案的目标提取量,Nxl为已知最优任务分配方案的长度,c1为认知因子,r1为第一随机扰动参数;
采用公式(3)计算全局最优任务分配方案的目标提取量:
nbl=(1-ω)·c2·r2·Nbl 公式(3)
其中,nbl为全局最优任务分配方案的目标提取量,Nbl为全局最优任务分配方案的长度,c2为社会因子,r2为第二随机扰动参数。
优选地,对最优任务分配方案或扰动任务分配方案进行调整,具体包括:在判断最优任务分配方案或扰动任务分配方案未能通过路径连通校验的情况下,删除任务分配优化方案或扰动任务分配方案中重复的潜在点目标;在判断最优任务分配方案或扰动任务分配方案未能通过续航能力校验的情况下,按照潜在点目标的权重大小,依次删除至少一个潜在点目标,以使得最优任务分配方案或扰动任务分配方案能够通过续航能力校验。
优选地,采用模拟退火算法更新最优任务分配方案具体包括:确定扰动次数的值以及退火因子的初始值;对最优任务分配方案采取扰动策略,以生成扰动任务分配方案;判断扰动任务分配方案是否能够通过路径连通校验和续航能力校验;在判断扰动任务分配方案未能通过路径连通校验和/或续航能力校验的情况下,对扰动任务分配方案进行调整,以使得扰动任务分配方案能够通过路径连通校验和续航能力校验;分别计算最优任务分配方案和扰动任务分配方案的方案收益;判断扰动任务分配方案的方案收益是否大于最优任务分配方案的方案收益;在判断扰动任务分配方案的方案收益大于最优任务分配方案的方案收益的情况下,扰动任务分配方案替换最优任务分配方案,以更新最优任务分配方案;在判断扰动任务分配方案的方案收益小于等于最优任务分配方案的方案收益的情况下,更新退火因子;计算扰动任务分配方案的方案收益与最优任务分配方案的方案收益的收益差值根据退火因子和收益差值,计算扰动任务分配方案的回火接收概率;生成回火概率,回火概率为随机生成的0到1之间的任意一个数值;判断回火概率是否小于回火接收概率;在判断回火概率小于回火接收概率的情况下,扰动任务分配方案替换最优任务分配方案,以更新最优任务分配方案;判断已经生成的扰动任务分配方案的数量是否大于等于扰动次数;在判断已经生成的扰动任务分配方案的数量大于等于扰动次数的情况下,输出最优任务分配方案。
优选地,采用公式(4)更新退火因子:
其中,Titer为退火因子,m为已经生成的扰动任务分配方案的数量,M为扰动次数;
采用公式(5)计算回火接收概率:
其中,P为回火接收概率,R为收益差值,exp为指数函数。
优选地,扰动策略具体为:依次对多架无人机中的每一架无人机采取以下四种扰动措施中的一种:第一种扰动措施,随机交换无人机经过其可行任务路径上的两个潜在点目标的顺序;第二种扰动措施,随机将无人机经过其可行任务路径上的相邻的至少三个潜在点目标的顺序倒置;第三种扰动措施,随机删除无人机的可行任务路径上的一个潜在点目标;第四种扰动措施,若无人机的可行任务路径上未包含无人机的任务执行范围中所有的潜在点目标,从任务执行范围中随机选择一个未包含在可行任务路径上的潜在点目标插入可行任务路径上;若无人机的可行任务路径上包含了无人机的任务执行范围中所有的潜在点目标,从任务执行范围中随机选择一个权重最大的潜在点目标插入可行任务路径上。
优选地,采用公式(6)计算最优任务分配方案或扰动任务分配方案的方案收益:
其中,Fit为最优任务分配方案或扰动任务分配方案的方案收益,wi为潜在点目标的权重,p为无人机携带的传感器的误差,yi为第i个潜在目标被访问的次数,L为最优任务分配方案或扰动任务分配方案中包含的潜在点目标的数量。
优选地,采用公式(7)判断最优任务分配方案或扰动任务分配方案是否能够通过路径连通校验:
采用公式(8)判断最优任务分配方案或扰动任务分配方案是否能够通过续航能力校验:
其中,tij为无人机从第i个潜在点目标飞到第j个潜在点目标的时间,Tmax为无人机的续航时长。
通过上述技术方案,通过改进粒子群算法中生成新的任务分配方案的方式,解决了现有方法中无法对目标访问次数进行优化的问题;通过对任务分配方案进行调整,使得无法通过约束校验的不可行任务分配方案转化为可行任务分配方案,从而提升了获得最优任务分配方案的速度;该优化方法结合了粒子群算法的快速收敛与模拟退火算法的强局部寻优的特点,从而更快地获得更优的多无人机任务分配方案。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是根据本发明的一实施方式的一种用于地震灾后多无人机任务分配的优化方法的流程图;
图2示出了生成新的任务分配方案的过程示意图。
图3是根据本发明的一实施方式的采用模拟退火算法更新最优任务分配方案的流程图;
图4示出了集群分布型潜在点目标的分布图;
图5示出了均匀分布型潜在点目标的分布图;
图6示出了最优任务分配方案示意图;
图7示出了最优任务分配方案示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
地震属于频发且会造成重大人员伤亡和财产损失的自然灾害,在灾后第一时间对受灾区域进行快速评估对于救援工作至关重要,特别是当地震震中位于偏远地区或者受灾区域内的通信系统遭到破坏时。快速评估的主要任务之一是评估人口聚集点(如学校、医院等建筑物)的受损情况,并了解其基本需求,例如救护车和搜救人员的数量,救济物资的数量等,快速评估的结果能够帮助救援机构快速评估地震强度及其空间分布,合理地分配应急响应资源,并有针对性地制定高效、安全、可靠的救援计划,从而拯救更多人的生命,同时还可以最大限度地减少灾害造成的损失。
由于无人机具有快速、灵活、高效等特点,而且能够快速飞到受灾区域上空,并在无人员伤亡风险的情况下利用无人机所携带的传感器获取建筑物的图像信息,极大地提升了地震灾后的快速评估能力,因此,很多救援机构已经把无人机作为常规的灾后救援设备。近年来,关于无人机在地震灾后场景下的应用案例有:2008年中国汶川地震发生后,专业的无人机飞手操控无人机在受灾区域上空进行航拍,收集了100余张灾区的高清晰照片和8分钟的视频影像;无人机在2013年庐山地震中执行了多架次的快速评估任务,覆盖了超过25平方公里的受灾区域,搜集了约9GB数据量的图像信息。
本发明需要解决的技术问题:在多架无人机执行地震灾后快速评估任务时,如何在考虑潜在点目标的权重、无人机续航能力和传感器误差等多种约束的情况下快速地给每架无人机分配潜在目标,并确定每架无人机对潜在目标的访问顺序和访问次数,从而最大限度地发挥无人机的效用,并提升灾后快速评估任务的完成质量。
图1是根据本发明的一实施方式的一种用于地震灾后多无人机任务分配的优化方法的流程图。如图1所示,在本发明的一实施方式中,提供了一种用于地震灾后多无人机任务分配的优化方法,在该优化方法中,多架无人机中的任意一架无人机的任务执行路径为:从起点出发,经过至少一个潜在点目标后返回终点,该优化方法可以包括:
在步骤S101中,对多架无人机进行编号,对潜在点目标进行编号;
对于多架无人机中的每一架无人机执行以下操作:
在步骤S102中,获取无人机的续航时长;
在步骤S103中,根据起点、终点和续航时长,获取无人机的任务执行范围,任务执行范围中包括至少一个潜在点目标;
在步骤S104中,按照随机的顺序使得无人机经过任务执行范围中的所有的潜在点目标,以生成无人机的任务执行路径;
在步骤S105中,计算无人机执行任务执行路径的任务执行时间;
在步骤S106中,判断任务执行时间是否大于续航时长;
在步骤S107中,在判断任务执行时间大于续航时长的情况下,从任务执行路径中随机删除一个潜在点目标,直至任务执行时间小于等于续航时长,以获得无人机的可行任务路径;
在步骤S108中,判断可行任务路径中是否包括至少一个潜在点目标;
在判断可行任务路径中不包括任何潜在点目标的情况下,返回步骤在步骤S104中,重新生成任务执行路径,并重新获得可行任务路径;
根据无人机的数量,重复步骤在步骤S102至步骤S109,获得所有无人机的可行任务路径。
在步骤S109中,将所有的无人机的可行任务路径组合,以获得多架无人机的任务分配方案,任务分配方案包括所有的无人机的可行任务路径以及与可行任务路径中的潜在点目标对应的无人机编号,由于每架无人机的任务路径是随机生成的,所以得到的任务分配方案很大概率会对同一个潜在点目标进行多次访问;
在步骤S110中,多次获得多架无人机的任务分配方案,以生成多架无人机的任务分配方案集合,任务分配方案集合包括多个任务分配方案,获得的任务分配方案的数量例如可以预先设定;
在步骤S111中,采用改进的粒子群算法,根据任务分配方案集合,获得多架无人机的最优任务分配方案;
在步骤S112中,判断最优任务分配方案是否能够通过路径连通校验和续航能力校验;
在步骤S113中,在判断最优任务分配方案未能通过路径连通校验和/或续航能力校验的情况下,对最优任务分配方案进行调整,以使得最优任务分配方案能够通过路径连通校验和续航能力校验;
在步骤S114中,采用模拟退火算法更新最优任务分配方案。
在本发明的一实施方式中,根据起点、终点和续航时长,获取无人机的任务执行范围具体可以包括:以该无人机的起点和终点为两个焦点,以该无人机的续航里程为长轴,得到一个椭圆,该椭圆内的区域为该无人机的任务执行范围。
多架无人机的任务分配方案例如可以采用如下表格的方式来表示:
3 | 4 | 1 |
1 | 1 | 2 |
其中,第一行潜在点目标的编号,第二行为无人机的编号,该任务分配方案为:共两架无人机,分别编号为1和2;1号无人机从起点出发,依次经过3号潜在点目标和4号潜在点目标后回到终点;2号无人机从起点出发,经过2号潜在点目标后回到终点。起点和终点例如可以位于同一位置。
在本发明的一实施方式中,对最优任务分配方案进行调整,具体可以包括:
在判断最优任务分配方案未能通过路径连通校验的情况下,删除任务分配优化方案中重复的潜在点目标;
在判断最优任务分配方案未能通过续航能力校验的情况下,按照潜在点目标的权重大小,依次删除至少一个潜在点目标,以使得最优任务分配方案能够通过续航能力校验。潜在点目标的权重大小例如可以根据该潜在点目标距离地震中心的远近以及是否建有学校、医院等因素来确定。
在本发明的一实施方式中,在改进的粒子群算法中,例如可以采用以下方法生成新的任务分配方案:
获取任务分配方案、已知最优任务分配方案和全局最优任务分配方案的长度,长度被定义为包含的潜在点目标的数量;
根据任务分配方案、已知最优任务分配方案和全局最优任务分配方案的长度,分别计算任务分配方案、已知最优任务分配方案和全局最优任务分配方案的目标提取量,目标提取量被定义为所要提取的潜在点目标的数量;
随机产生任务分配方案、已知最优任务分配方案和全局最优任务分配方案的提取起始位置;
根据目标提取量和提取起始位置分别从任务分配方案、已知最优任务分配方案和全局最优任务分配方案中提取三个局部任务路径;
将三个局部任务路径重新组合、排列,使得同一无人机的任务路径相邻,从而生成新的任务分配方案。
例如可以采用公式(1)计算任务分配方案的目标提取量:
nx=ω·Nx 公式(1)
其中,nx为任务分配方案的目标提取量,Nx为任务分配方案的长度,ω为惯性参数,表示最优任务分配方案保持当前状态(不被替换)的趋势;
例如可以采用公式(2)计算已知最优任务分配方案的目标提取量:
nxl=(1-ω)·c1·r1·Nxl 公式(2)
其中,nxl为已知最优任务分配方案的目标提取量,Nxl为已知最优任务分配方案的长度,c1为认知因子,表示最优任务分配方案被替换为已知最优任务分配方案的趋势,r1为第一随机扰动参数,表示对最优任务分配方案被替换为已知最优任务分配方案的趋势进行随机扰动;
采用公式(3)计算全局最优任务分配方案的目标提取量:
nbl=(1-ω)·c2·r2·Nbl 公式(3)
其中,nbl为全局最优任务分配方案的目标提取量,Nbl为全局最优任务分配方案的长度,c2为社会因子,表示最优任务分配方案被替换为全局最优任务分配方案的趋势,r2为第二随机扰动参数,表示对最优任务分配方案被替换为全局最优任务分配方案的趋势进行随机扰动。
经过参数敏感性试验,上述参数例如可以分别设置为:ω=0.5,c1=1.8,c2=1.6,r1和r2为0至1之间的任意一个随机数值。
在采用以上三个公式获得的目标提取量为非整数的情况下,例如可以采用向上取正的方式,获得整数目标提取量。
在本发明的一实施方式中,根据目标提取量和提取起始位置分别从任务分配方案、已知最优任务分配方案和全局最优任务分配方案中提取三个局部任务路径,具体包括:
若从提取起始位置向后算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量大于等于其对应的目标提取量,则按照从前向后的顺序提取局部任务路径;
若从提取起始位置向后算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量小于其对应的目标提取量,且从提取起始位置向前算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量大于等于其对应的目标提取量,则按照从后向前的顺序提取局部任务路径;
若从提取起始位置向前和向后算起,任务分配方案或已知最优任务分配方案或全局最优任务分配方案中包含的潜在点目标的数量均小于其对应的目标提取量,则重新生成目标提取量。
图2示出了生成新的任务分配方案的过程示意图。如图2所示,位于左侧最上方的表格表示当前的任务分配方案,位于左侧中间位置的表格表示在粒子群算法中生成的已知最优任务分配方案,位于左侧最下方的一个表格表示在粒子群算法中生成的全局最优任务分配方案。任务分配方案、已知最优任务分配方案和全局最优任务分配方案的长度分别为2、3、4,目标提取量分别为1、2、2,随机产生的提取起始位置分别为1、3、2。则按照上述方法。以任务分配方案的第一列为起点,向后提取1个潜在点目标及对应的无人机编号,获得第一个局部任务路径;以已知最优任务分配方案的第3列为起点,向前提取2个潜在点目标及对应的无人机编号,获得第二个局部任务路径;以全局最优任务分配方案的第2列为起点,向后提取2个潜在点目标及对应的无人机编号,获得第三个局部任务路径。然后将三个局部任务路径组合在一起并重新排列,以使得同一个无人机经过的潜在点目标相邻,从而生成了一个新的任务分配方案。
本领域技术人员应当理解,在通过上述提取、重排和重组步骤获得的任务分配方案中,存在一架无人机两次以上经过同一个潜在点目标的情况,也就是说,在任务分配方案的生成中考虑了潜在点目标重访的情况,而不是传统的一个潜在点目标只经过一次的任务分配方式。当然,在后续过程中,本发明还采用了模拟退火算法优化了无人机对潜在点目标的访问次数。
图3是根据本发明的一实施方式的采用模拟退火算法更新最优任务分配方案的流程图。如图3所示,在本发明的一实施方式中,采用模拟退火算法更新最优任务分配方案具体可以包括:
在步骤S201中,确定扰动次数的值以及退火因子的初始值;
在步骤S202中,对最优任务分配方案采取扰动策略,以生成扰动任务分配方案;
在步骤S203中,判断扰动任务分配方案是否能够通过路径连通校验和续航能力校验;
在步骤S204中,在判断扰动任务分配方案未能通过路径连通校验和/或续航能力校验的情况下,对扰动任务分配方案进行调整,以使得扰动任务分配方案能够通过路径连通校验和续航能力校验;
在步骤S205中,分别计算最优任务分配方案和扰动任务分配方案的方案收益;
在步骤S206中,判断扰动任务分配方案的方案收益是否大于最优任务分配方案的方案收益;
在步骤S207中,在判断扰动任务分配方案的方案收益大于最优任务分配方案的方案收益的情况下,扰动任务分配方案替换最优任务分配方案,以更新最优任务分配方案;
在步骤S208中,在判断扰动任务分配方案的方案收益小于等于最优任务分配方案的方案收益的情况下,更新退火因子;
在步骤S209中,计算扰动任务分配方案的方案收益与最优任务分配方案的方案收益的收益差值
在步骤S210中,根据退火因子和收益差值,计算扰动任务分配方案的回火接收概率;
在步骤S211中,随机生成回火概率,回火概率为随机生成的0到1之间的任意一个数值;
在步骤S212中,判断回火概率是否小于回火接收概率;
在步骤S213中,在判断回火概率小于回火接收概率的情况下,扰动任务分配方案替换最优任务分配方案,以更新最优任务分配方案;
在步骤S214中,判断已经生成的扰动任务分配方案的数量是否大于等于扰动次数;
在步骤S215中,在判断已经生成的扰动任务分配方案的数量大于等于扰动次数的情况下,输出最优任务分配方案。
对扰动任务分配方案进行调整的方法与对最优任务分配方案调整的方法相同,此处不再赘述。
例如可以采用公式(4)更新退火因子:
其中,Titer为退火因子,m为已经生成的扰动任务分配方案的数量,M为扰动次数;
采用公式(5)计算回火接收概率:
其中,P为回火接收概率,R为收益差值,exp为指数函数。
例如可以采用公式(6)计算最优任务分配方案或扰动任务分配方案的方案收益:
其中,Fit为最优任务分配方案或扰动任务分配方案的方案收益,wi为潜在点目标的权重,p为无人机携带的传感器的误差,yi为第i个潜在目标被访问的次数,L为最优任务分配方案或扰动任务分配方案中包含的潜在点目标的数量。
例如可以采用公式(7)判断最优任务分配方案或扰动任务分配方案是否能够通过路径连通校验:
例如可以采用公式(8)判断最优任务分配方案或扰动任务分配方案是否能够通过续航能力校验:
其中,tij为无人机从第i个潜在点目标飞到第j个潜在点目标的时间,Tmax为无人机的续航时长。在本发明的实施方式中,可以认为所有的无人机的结构相同,续航时长相同,不同的无人机从第i个潜在点目标飞到第j个潜在点目标的时间也相同。
在本发明的一实施方式中,扰动策略例如具体可以为:
依次对多架无人机中的每一架无人机采取以下四种扰动措施中的一种:
第一种扰动措施,随机交换无人机经过其可行任务路径上的两个潜在点目标的顺序;
第二种扰动措施,随机将无人机经过其可行任务路径上的相邻的至少三个潜在点目标的顺序倒置;
第三种扰动措施,随机删除无人机的可行任务路径上的一个潜在点目标;
第四种扰动措施,若无人机的可行任务路径上未包含无人机的任务执行范围中所有的潜在点目标,从任务执行范围中随机选择一个未包含在可行任务路径上的潜在点目标插入可行任务路径上;若无人机的可行任务路径上包含了无人机的任务执行范围中所有的潜在点目标,从任务执行范围中随机选择一个权重最大的潜在点目标插入可行任务路径上。
为了验证上述的用于地震灾后多无人机任务分配的优化方法的有效性,在本发明中还提供了一下实施例。
根据地震灾后潜在点目标的分布特征构造了图4和图5所示的两种类型的数据集。图4所示的潜在点目标的数据集为集群分布型(Clustered distributed),图5所示的潜在点目标的数据集为均匀分布型(Evenly distributed)。
在上述两类数据集模拟的地震灾后场景中,潜在点目标数量N分别为21个和32个,分别使用2架、3架和4架同构的无人机对上述两个场景进行灾后快速评估任务,无人机的最大安全续航时间Tmax分别为10min、20min和30min,飞行速度为v=1km/min,每架无人机所携带传感器的探测误差概率p=0.2。每种情况在同一实验条件下运行10次。
表1示出了采用本发明提供的用于地震灾后多无人机任务分配的优化方法对上述两类地震灾后快速评估的结果。其中,RMAX表示采用上述优化方法运行10次中的最大收益,RAVG表示采用上述优化方法运行10次中的平均收益,RMIN表示采用上述优化方法运行10次中的最小收益,CPUavg表示采用上述优化方法运行10次的平均计算时间,单位为秒。C表示集群分布型数据集,E表示均匀分布型数据集。C-2-10表示采用2架续航时间为10min的无人机对图4所示的数据集进行快速评估,其他以此类推。
另外,图6示出了采用上述优化方法获得的C-2-10情况下的最优任务分配方案,图7示出了采用上述优化方法获得的E-2-10情况下的最优任务分配方案。
表1地震灾后快速评估结果
从表1可以看出,本发明提供的优化方法的稳定性较好,RMAX与RAVG相差不到10%,RMAX与RMIN相差不到15%,且运算时间短。
通过上述实施方式,通过改进粒子群算法中生成新的任务分配方案的方式,解决了现有方法中无法对目标访问次数进行优化的问题;通过对任务分配方案进行调整,使得无法通过约束校验的不可行任务分配方案转化为可行任务分配方案,从而提升了获得最优任务分配方案的速度;该优化方法结合了粒子群算法的快速收敛与模拟退火算法的强局部寻优的特点,从而更快地获得更优的多无人机任务分配方案。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种用于地震灾后多无人机任务分配的优化方法,其特征在于,多架无人机中的任意一架无人机的任务执行路径为:从起点出发,经过至少一个潜在点目标后返回终点,所述优化方法包括:
对所述多架无人机进行编号;
对于所述多架无人机中的每一架无人机执行以下操作:
获取无人机的续航时长;
根据所述起点、所述终点和所述续航时长,获取所述无人机的任务执行范围,所述任务执行范围中包括至少一个所述潜在点目标;
按照随机的顺序使得所述无人机经过所述任务执行范围中的所有的潜在点目标,以生成所述无人机的任务执行路径;
计算所述无人机执行所述任务执行路径的任务执行时间;
判断所述任务执行时间是否大于所述续航时长;
在判断所述任务执行时间大于所述续航时长的情况下,从所述任务执行路径中随机删除一个所述潜在点目标,直至所述任务执行时间小于等于所述续航时长,以获得所述无人机的可行任务路径;
判断所述可行任务路径中是否包括至少一个所述潜在点目标;
在判断所述可行任务路径中不包括任何所述潜在点目标的情况下,重新生成所述任务执行路径,并重新获得所述可行任务路径;
根据单架无人机的所述可行任务路径,获得多架无人机的任务分配方案,所述任务分配方案包括所有的无人机的所述可行任务路径以及与所述可行任务路径中的所述潜在点目标对应的无人机编号;
多次获得所述多架无人机的所述任务分配方案,以生成所述多架无人机的任务分配方案集合,所述任务分配方案集合包括多个所述任务分配方案;
采用改进的粒子群算法,根据所述任务分配方案集合,获得多架无人机的最优任务分配方案;
判断所述最优任务分配方案是否能够通过路径连通校验和续航能力校验;
在判断所述最优任务分配方案未能通过所述路径连通校验和/或所述续航能力校验的情况下,对所述最优任务分配方案进行调整,以使得所述最优任务分配方案能够通过所述路径连通校验和所述续航能力校验;
采用改进的模拟退火算法更新所述最优任务分配方案。
2.根据权利要求1所述的优化方法,其特征在于,在所述改进的粒子群算法中,采用以下方法生成新的任务分配方案:
获取所述任务分配方案、已知最优任务分配方案和全局最优任务分配方案的长度,所述长度被定义为包含的所述潜在点目标的数量;
根据所述任务分配方案、所述已知最优任务分配方案和所述全局最优任务分配方案的长度,分别计算所述任务分配方案、所述已知最优任务分配方案和所述全局最优任务分配方案的目标提取量,所述目标提取量被定义为所要提取的所述潜在点目标的数量;
随机产生所述任务分配方案、所述已知最优任务分配方案和所述全局最优任务分配方案的提取起始位置;
根据所述目标提取量和所述提取起始位置分别从所述任务分配方案、所述已知最优任务分配方案和所述全局最优任务分配方案中提取三个局部任务路径;
将所述三个局部任务路径重新组合、排列,使得同一无人机的任务路径相邻,从而生成新的任务分配方案。
3.根据权利要求2所述的优化方法,其特征在于,根据所述目标提取量和所述提取起始位置分别从所述任务分配方案、所述已知最优任务分配方案和所述全局最优任务分配方案中提取三个局部任务路径,具体包括:
若从所述提取起始位置向后算起,所述任务分配方案或所述已知最优任务分配方案或所述全局最优任务分配方案中包含的所述潜在点目标的数量大于等于其对应的所述目标提取量,则按照从前向后的顺序提取局部任务路径;
若从所述提取起始位置向后算起,所述任务分配方案或所述已知最优任务分配方案或所述全局最优任务分配方案中包含的所述潜在点目标的数量小于其对应的所述目标提取量,且从所述提取起始位置向前算起,所述任务分配方案或所述已知最优任务分配方案或所述全局最优任务分配方案中包含的所述潜在点目标的数量大于等于其对应的所述目标提取量,则按照从后向前的顺序提取局部任务路径;
若从所述提取起始位置向前和向后算起,所述任务分配方案或所述已知最优任务分配方案或所述全局最优任务分配方案中包含的所述潜在点目标的数量均小于其对应的所述目标提取量,则重新生成所述目标提取量。
4.根据权利要求3所述的优化方法,其特征在于,采用公式(1)计算所述任务分配方案的所述目标提取量:
nx=ω·Nx 公式(1)
其中,nx为所述任务分配方案的所述目标提取量,Nx为所述任务分配方案的长度,ω为惯性参数;
采用公式(2)计算所述已知最优任务分配方案的所述目标提取量:
nxl=(1-ω)·c1·r1·Nxl 公式(2)
其中,nxl为所述已知最优任务分配方案的所述目标提取量,Nxl为所述已知最优任务分配方案的长度,c1为认知因子,r1为第一随机扰动参数;
采用公式(3)计算所述全局最优任务分配方案的所述目标提取量:
nbl=(1-ω)·c2·r2·Nbl 公式(3)
其中,nbl为所述全局最优任务分配方案的所述目标提取量,Nbl为所述全局最优任务分配方案的长度,c2为社会因子,r2为第二随机扰动参数。
5.根据权利要求1所述的优化方法,其特征在于,对所述最优任务分配方案进行调整,具体包括:
在判断所述最优任务分配方案未能通过所述路径连通校验的情况下,删除所述任务分配优化方案中重复的所述潜在点目标;
在判断所述最优任务分配方案未能通过所述续航能力校验的情况下,按照所述潜在点目标的权重大小,依次删除至少一个所述潜在点目标,以使得所述最优任务分配方案能够通过所述续航能力校验。
6.根据权利要求1至5中任意一项所述的优化方法,其特征在于,所述采用模拟退火算法更新所述最优任务分配方案具体包括:
确定扰动次数的值以及退火因子的初始值;
对所述最优任务分配方案采取扰动策略,以生成扰动任务分配方案;
判断所述扰动任务分配方案是否能够通过路径连通校验和续航能力校验;
在判断所述扰动任务分配方案未能通过所述路径连通校验和/或所述续航能力校验的情况下,对所述扰动任务分配方案进行调整,以使得所述扰动任务分配方案能够通过所述路径连通校验和所述续航能力校验;
分别计算所述最优任务分配方案和所述扰动任务分配方案的方案收益;
判断所述扰动任务分配方案的方案收益是否大于所述最优任务分配方案的方案收益;
在判断所述扰动任务分配方案的方案收益大于所述最优任务分配方案的方案收益的情况下,所述扰动任务分配方案替换所述最优任务分配方案,以更新所述最优任务分配方案;
在判断所述扰动任务分配方案的方案收益小于等于所述最优任务分配方案的方案收益的情况下,更新所述退火因子;
计算所述扰动任务分配方案的方案收益与所述最优任务分配方案的方案收益的收益差值
根据所述退火因子和所述收益差值,计算所述扰动任务分配方案的回火接收概率;
生成回火概率,所述回火概率为随机生成的0到1之间的任意一个数值;
判断所述回火概率是否小于所述回火接收概率;
在判断所述回火概率小于所述回火接收概率的情况下,所述扰动任务分配方案替换所述最优任务分配方案,以更新所述最优任务分配方案;
判断已经生成的所述扰动任务分配方案的数量是否大于等于所述扰动次数;
在判断已经生成的所述扰动任务分配方案的数量大于等于所述扰动次数的情况下,输出所述最优任务分配方案。
8.根据权利要求7所述的优化方法,其特征在于,所述扰动策略具体为:
依次对多架无人机中的每一架无人机采取以下四种扰动措施中的一种:
第一种扰动措施,随机交换所述无人机经过其可行任务路径上的两个潜在点目标的顺序;
第二种扰动措施,随机将所述无人机经过其可行任务路径上的相邻的至少三个潜在点目标的顺序倒置;
第三种扰动措施,随机删除所述无人机的可行任务路径上的一个潜在点目标;
第四种扰动措施,若所述无人机的可行任务路径上未包含所述无人机的任务执行范围中所有的潜在点目标,从所述任务执行范围中随机选择一个未包含在所述可行任务路径上的潜在点目标插入所述可行任务路径上;若所述无人机的可行任务路径上包含了所述无人机的任务执行范围中所有的潜在点目标,从所述任务执行范围中随机选择一个权重最大的潜在点目标插入所述可行任务路径上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277440.4A CN110147870B (zh) | 2019-04-08 | 2019-04-08 | 一种用于地震灾后多无人机任务分配的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277440.4A CN110147870B (zh) | 2019-04-08 | 2019-04-08 | 一种用于地震灾后多无人机任务分配的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147870A CN110147870A (zh) | 2019-08-20 |
CN110147870B true CN110147870B (zh) | 2022-11-11 |
Family
ID=67589686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910277440.4A Active CN110147870B (zh) | 2019-04-08 | 2019-04-08 | 一种用于地震灾后多无人机任务分配的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147870B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401681B (zh) * | 2020-02-10 | 2022-04-19 | 合肥工业大学 | 多无人机协同巡逻任务分配优化方法 |
CN111399533B (zh) * | 2020-02-10 | 2022-07-26 | 合肥工业大学 | 异构多无人机协同任务分配与路径优化方法 |
CN111352417B (zh) * | 2020-02-10 | 2022-08-02 | 合肥工业大学 | 异构多无人机协同路径的快速生成方法 |
CN111414005A (zh) * | 2020-03-11 | 2020-07-14 | 五邑大学 | 无人机集群的任务派遣决策方法及系统 |
CN113095645B (zh) * | 2021-03-31 | 2023-06-23 | 中国科学院自动化研究所 | 针对任务分布不均的紧急场景的异构无人机任务分配方法 |
CN114649085B (zh) * | 2022-01-20 | 2023-08-04 | 淮安市第二人民医院 | 基于大数据的急救医疗用品管理系统 |
CN117852847A (zh) * | 2024-03-08 | 2024-04-09 | 山东金宇信息科技集团有限公司 | 基于无人机的夜间地震灾后物资分配方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886201A (zh) * | 2017-11-29 | 2018-04-06 | 合肥工业大学 | 多无人机任务分配的多目标优化方法及装置 |
CN108647770A (zh) * | 2018-04-19 | 2018-10-12 | 东华大学 | 一种基于粒子群算法的多无人机救灾搜索路径的优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10374863B2 (en) * | 2012-12-05 | 2019-08-06 | Origin Wireless, Inc. | Apparatus, systems and methods for event recognition based on a wireless signal |
-
2019
- 2019-04-08 CN CN201910277440.4A patent/CN110147870B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886201A (zh) * | 2017-11-29 | 2018-04-06 | 合肥工业大学 | 多无人机任务分配的多目标优化方法及装置 |
CN108647770A (zh) * | 2018-04-19 | 2018-10-12 | 东华大学 | 一种基于粒子群算法的多无人机救灾搜索路径的优化方法 |
Non-Patent Citations (2)
Title |
---|
基于离散粒子群优化的无人机协同多任务分配;梁国强等;《计算机仿真》;20180215(第02期);全文 * |
基于粒子群算法的多无人机任务分配方法;李炜等;《控制与决策》;20100915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110147870A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147870B (zh) | 一种用于地震灾后多无人机任务分配的优化方法 | |
Caldas de Castro et al. | Controlling the false discovery rate: a new application to account for multiple and dependent tests in local statistics of spatial association | |
CN110083173B (zh) | 无人机编队巡检任务分配的优化方法 | |
Andelman et al. | Alternative configurations of conservation reserves for Paraguayan bats: considerations of spatial scale | |
CN105426375B (zh) | 一种关系网络的计算方法及装置 | |
US20180204093A1 (en) | Clustering-based person re-identification | |
Bonnet‐Lebrun et al. | Identifying priority conservation areas for a recovering brown bear population in Greece using citizen science data | |
CN111309046B (zh) | 异构无人机编队地震灾后勘察的任务分配方法 | |
CN108269087A (zh) | 位置信息的处理方法及装置 | |
KR101982756B1 (ko) | 분산인메모리기반 복합형스트림 데이터처리시스템 및 방법 | |
CN110619466A (zh) | 信息处理方法、装置及存储介质 | |
CN114707745A (zh) | 一种资源分配方法、系统、存储介质及电子设备 | |
CN113285960A (zh) | 一种服务数据共享云平台的数据加密方法及系统 | |
CN113973336B (zh) | 一种网络中干扰小区的确定方法、装置、设备和存储介质 | |
CN109428760B (zh) | 一种基于运营商数据的用户信用评估方法 | |
CN113762593A (zh) | 地震灾后无人机应急物资配送方法和装置 | |
CN110889173B (zh) | 一种基于装配关系等级化的装配单元划分方法 | |
CN117479136A (zh) | 基于手机信令的应急救援方案获取方法、装置及设备 | |
KR20190023492A (ko) | 학사 관리 시스템 및 이의 동작 방법 | |
CN107220279B (zh) | 灾害事件的动态跟踪方法及系统 | |
US20190163847A1 (en) | Method, apparatus, and system for predicting spread of disaster using scenario | |
CN110489568B (zh) | 生成事件图的方法、装置、存储介质和电子设备 | |
CN114638554B (zh) | 营销业务健康指数评价联控方法及系统 | |
Zuccaro et al. | Seismic impact scenarios in the volcanic areas in Campania | |
CN117592748A (zh) | 用于减小山火风险的灭火车部署方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |