CN110288118B - 一种基于无人机的空中救援响应方法 - Google Patents

一种基于无人机的空中救援响应方法 Download PDF

Info

Publication number
CN110288118B
CN110288118B CN201910401602.0A CN201910401602A CN110288118B CN 110288118 B CN110288118 B CN 110288118B CN 201910401602 A CN201910401602 A CN 201910401602A CN 110288118 B CN110288118 B CN 110288118B
Authority
CN
China
Prior art keywords
emergency
disaster
point
demand
emergency material
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.)
Expired - Fee Related
Application number
CN201910401602.0A
Other languages
English (en)
Other versions
CN110288118A (zh
Inventor
徐光辉
李旭
赵熙临
付波
何莉
权轶
李蒙
齐峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201910401602.0A priority Critical patent/CN110288118B/zh
Publication of CN110288118A publication Critical patent/CN110288118A/zh
Application granted granted Critical
Publication of CN110288118B publication Critical patent/CN110288118B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/12—Target-seeking control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于无人机的空中救援响应方法，通过在自然灾害发生初期，对灾区受灾点的物资需求量进行预测，确定受灾地区需求点的经纬度坐标，确定物资投放地点，并利用无人机将救灾物资运输至受灾地区需求点，提高自然灾害发生后初期救援效率，满足灾区伤员在灾后初期对医疗物资的迫切需求；通过对无人机的飞行航迹规划，拍摄主要道路交通受损情况和探测灾区灾情，并将拍摄视频反馈给应急救援指挥中心，便于应急救援指挥中心规划地面救援路线和决策应急方案。

Description

一种基于无人机的空中救援响应方法
技术领域
本发明属于无人机探测技术领域，具体涉及一种基于无人机的空中救援响应方法。
背景技术
我国是世界上自然灾害最为严重的国家之一，灾害种类多，分布地域广，发生频率高，对基础设施、经济发展和人民群众的生命财产安全构成极大的破坏。近年来，受全球气候变化和我国极端天气增多的影响，洪涝、台风、风雹和滑坡等地质灾害频发，自然灾害带来的经济损失呈逐年上升趋势。
灾后救援，争分夺秒。传统探测灾情主要依靠电话热线等联系灾区现场工作人员获得汇报、派出专家组深入灾区实地探访以及通过卫星遥感技术获得空中影像照片这三种方式。但震后灾区的电力、通信、地震台站等可能被破坏，灾区通信困难，道路交通可能严重受损，而直升机运输对天气等环境要求高。因此，前两种手段响应时间慢，受环境影响大，成本高且安全度低，而卫星遥感技术虽然能够从空中较快了解灾区影像，但受分辨率和拍摄角度等因素限制，这些都给救灾决策带来困难。
近几年来，无人机在灾情侦查、现场评估、监控追踪、精准定位、辅助救援、辅助监督、投送救援物资等方面发挥着越来越重要的作用。论文(SAR.Drones:Drones forAdvanced Search and Rescue Missions)阐述了关于无人救援和执行搜索任务时的一些解决方案，文章提出的框架涉及在自然灾害情况下使用几个小型无人机，通过一种合作算法，使无人机舰队能够有效地覆盖整个地区，并向救援团队报告探测到的事件。这个示例提出了无人机执行救援任务的可行性，但涉及无人机执行救援任务与物资配送时，没有给出很好的任务分配方案与管理方法；中国专利CN205246881U公开了一种基于北斗短报文的山区自然灾害应急救援系统，该实用新型基于北斗卫星进行灾情探测，快速获取一定程度的灾情信息，但受分辨率、拍摄角和天气情况等因素的限制，给救灾决策带来困难，在自然灾害应急救援执行方案中的应用需要优化。
发明内容
本发明要解决的技术问题是：提供一种基于无人机的空中救援响应方法，用于探测灾情和规划救灾物资运输路线，提高自然灾害发生初期的救援效率。
本发明为解决上述技术问题所采取的技术方案为：一种基于无人机的空中救援响应方法，包括以下步骤：
步骤S1：获取受灾区域信息，提取受灾点信息特征；建立物资需求模型并预测受灾点需求的物资类型和数量；
步骤S2：确定受灾点的位置坐标；
步骤S3：选取物资的投放候选点；
步骤S4：根据步骤S1得到的受灾点需求的物资类型和数量、步骤S2得到的受灾点的位置坐标、步骤S3得到的物资的投放候选点数据，构建选址模型和初始解集；
步骤S5：根据步骤S4得到的初始解集计算选址模型的最优解；
步骤S6：将步骤S5得到的最优解转译为选址地点以及任务分配结果；
步骤S7：向上位机反馈无人机视频信息用于后续规划和决策。
按上述方案，所述的步骤S1中，具体步骤为：
步骤S11：设R表示受灾区域每日物资的最小需求量，Kx表示受灾区域的地区系数，Cx表示受灾区域的季节系数，Fx表示根据灾情统计得出的受灾区域的某类救助物资的理论需求量，Qx表示受灾区域群众的心理系数，Px表示受灾区域现有某类物资的实际数量，δ表示自然灾害发生后的保全率，基于CBR的应急物资需求预测方法建立自然灾害下的物资需求模型：
R＝Kx·Cx·Fx·Qx-δ·Px；
步骤S12：灾后初期对灾情进行统计，获取受灾区域信息，对灾区进行模糊化描述，提取特征因素：
设有n个案例，第i个案例为Ci(i＝1,2,...,n)，有m个特征因素，特征因素集为F＝{f1,f2,...,fm}，将案例Ci对应的第j个特征因素的特征因素集fj(j＝1,2,...，m)的隶属度记为
Figure GDA0002173441080000022
则灾情案例数据库中案例Ci对应的特征向量集为：
Figure GDA0002173441080000021
设预测方案的特征向量集为T，则所有关于VCi的集合为：
VT＝{uT(f1),uT(f2),...,uT(fm)}＝{uT(fj)|j＝1,2,...,m}；
步骤S13：对比步骤S12得到的特征因素与灾情案例数据库内的自然灾害案例；
步骤S14：根据所述的案例Ci对应特征因素集fj(j＝1,2,...,m)的隶属度
Figure GDA0002173441080000038
设
Figure GDA0002173441080000031
Figure GDA0002173441080000032
则各特征因素fj的权重ωj为：
Figure GDA0002173441080000033
设特征因素{f1,f2,...,fm}的影响权重集为{ω1,ω2,...,ωm}，且满足：
Figure GDA0002173441080000034
则受灾区域物资需求的案例贴近度为：
Figure GDA0002173441080000035
步骤S15：将步骤S14得到的贴近度作为相似度，与阈值τ比较：
Figure GDA0002173441080000036
取超过阈值的案例作为需求预测结果，或取相似度
Figure GDA0002173441080000037
最大的案例作为最终的需求预测结果；
步骤S16：人工修正步骤S15得到的需求预测结果作为本次灾后物资需求的预测结果；
步骤S17：应急调度指挥中心根据步骤S16得到的修正结果，得出灾区物资需求点的每日物资种类及数量的需求预测结果，用于对物资进行筹集和调度。
进一步的，所述的步骤S12中，特征因素包括突发自然灾害情景的描述、突发自然灾害应对的描述和应急物资需求的描述；突发自然灾害情景的描述包括突发自然灾害的类型、规模、烈度、发生地周围的人口密度、经济状态、自然环境的特征信息，用于描述突发自然灾害的属性和特征；突发自然灾害应对的描述包括突发自然灾害的应对目标、应对方式、应对工序的特征属性，用于表征应对不同自然灾害的物资需求不同；应急物资需求的描述包括应急物资的结构、数量和质量需求。
进一步的，所述的步骤S2中，采用Gauss-Kruger坐标转换方法确定受灾点的位置坐标，具体步骤为：设a为地球的半主轴长度，e2为地球的扁平率，ρ为地球的地心距，λ为位置的经度，
Figure GDA0002173441080000041
为位置的纬度，
Figure GDA0002173441080000042
为参考点或坐标原点的经纬度，且设参数A、B、C、D为：
Figure GDA0002173441080000043
中间量
Figure GDA0002173441080000044
和Δλ为：
Figure GDA0002173441080000045
将物资需求点坐标转化为Descartes坐标为：
Figure GDA0002173441080000046
进一步的，所述的步骤S3中，具体步骤为：
步骤S31：根据无人机最大载货飞行距离确定救灾物资投放候选区域；
步骤S32：在步骤S11得到的区域中匹配受灾地区的主要交通道路，用于规划无人机巡航线路；
步骤S33：在步骤S11得到的线路中选取便于无人机起降以及投放物资的地形。
进一步的，所述的步骤S4中，具体步骤为：
步骤S41：设I表示应急物资的需求点集合，i∈I＝{1,2,3,...,i,...}；
J表示应急物资的投掷点选址备选点，j∈J＝{1,2,3,...,j,...}；
K表示应急物资的种类集合，k∈K＝{1,2,3,...,k,...}；
设(xi,yi)为步骤S2中求得的应急物资需求点i的位置坐标，设(xj,yj)为应急物资投掷点选址备选点j的位置坐标，则应急物资需求点i距离应急物资投掷点选址备选点j的欧式距离为：
Figure GDA0002173441080000051
设Mjk为应急物资投掷点选址备选点j持有物资k的总重量，Vjk表示应急物资投掷点选址备选点j持有物资k的总体积，hjk为应急物资投掷点选址备选点j对物资k的持有成本，α1为物资重量的赋值权重，α2为物资体积的赋值权重，则hjk为：
Figure GDA0002173441080000052
设pi为第i个受灾区域伤员指数，
Figure GDA0002173441080000055
为受灾区需求量指标权重，
Figure GDA0002173441080000054
为受灾区伤亡指标权重，Dik表示应急物资需求点i对种类为k的物资的每日总需求量；
则应急物资需求点i的综合重要权重wi为：
Figure GDA0002173441080000053
步骤S42：建立MO-MUAV-SS模型，
设β表示单位物资缺货的惩罚成本；
阶梯函数f(tij)表示各受灾点对物资到达的满意度；
sj为布尔变量，用于表示全部应急物资投掷点选址备选点的选择情况，为0时表示不选择该备选点，为1时表示选择该备选点；
sij为布尔变量，用于表示应急物资投掷点j与应急物资需求点i之间是否有物资流动，为0时表示没有物资流动，为1时表示表示有物资流动；
sijk为布尔变量，用于表示应急物资投掷点j与应急物资需求点i之间是否有种类为k的物资的流动，为0时表示没有种类为k的物资的流动，为1时表示有种类为k的物资的流动；
flowijk表示从应急物资投掷点j到应急物资需求点i的种类为k的物资的每日配送量；
fflowijk表示应急物资投掷点j针对种类为k的物资每日配送量占应急物资需求点i总配送量的百分比；
Qjk表示为应急物资投掷点选址备选点j容纳种类为k的物资容量上限；
tij为i到j的时间；
设目标函数Y1表示应急物资投放备选点无法及时提供需求点满意物资服务而引起的缺货惩罚成本和物资投放备选点持有物资总成本；
Figure GDA0002173441080000061
Min Y1表示应急物资投放备选点无法及时提供需求点满意物资服务而引起的缺货惩罚成本和物资投放备选点持有物资总成本最小；
设wi为需求点i的重要度，dij为i到j’的距离，设Y2表示应急物资投放备选点到救灾物资需求点的加权距离总和；
Figure GDA0002173441080000062
Min Y2表示应急物资投放备选点到救灾物资需求点的加权距离总和最小，即无人机执行救援任务中的物资运输有效总时间最短；
设ui为决策变量即需求区域i被超额覆盖的次数，ui≥0，且为整数；设Y3表示使设置的应急物资投放备选点对需求点的超额覆盖，分别计算如下：
Figure GDA0002173441080000071
Max Y3表示使设置的应急物资投放备选点对需求点的超额覆盖最大化，即在权重较大的需求区域有更多的应急物资投放备选点为其服务；
步骤S43：MO-MUAV-SS模型的约束条件分别为：
Figure GDA0002173441080000072
表示至少有一个应急物资投放备选点为需求点i提供服务；
sij-sj≤0，表示每个需求点只能由已经设置的应急物资投放备选点提供服务；
Figure GDA0002173441080000073
表示保证了应急物资投放备选点的容量处于一个最大的安全库存范围内；
Figure GDA0002173441080000074
表示最终确定应急物资投放备选点要不能超过m个；
Figure GDA0002173441080000075
表示此次应急行动中可以调用的无人机数目不能超过n个；
Figure GDA0002173441080000076
表示保证每个选定的物资投放点的无人机发出的救灾物资总量满足受灾点的需求；
Figure GDA0002173441080000077
表示从应急物资投放备选点j发出种类为k的物资总量不能超过其容量上限；
Figure GDA0002173441080000078
Figure GDA0002173441080000079
表示保证种类为k的物资运送量不会超过范围。
进一步的，所述的步骤S5中，采用带精英策略NSGA-II算法求解步骤S4构建的MO-MUAV-SS模型的Pareto最优解，具体步骤为：
步骤S51：向步骤S4得到的初始解集输入无人机参数、NSGA-II参数和变量范围，产生父种群P0；
步骤S52：对步骤S51得到的种群求解各目标函数值，根据目标函数值对群体进行非劣分层；
步骤S53：对步骤S52得到的种群计算虚拟适应度和轮赛制选择、SBX交叉、正态变异得到子种群Qt；
步骤S54：将步骤S53得到的子种群Qt和父种群Pt合并，生成合并后种群Rt；
步骤S55：在步骤S54得到的合并后种群Rt中各条染色体表示分配的情况下，计算各无人机运输救灾物资的种类、数量以及服务的物资需求点，并以此计算步骤S42中Y1、Y2和Y3数值；
步骤S56：对步骤S55得到的Y1，Y2，Y3计算非支配顺序数和拥挤度，生成虚拟适应值；
步骤S57：对步骤S56得到的虚拟适应值排列前Z的染色体组成新的父种群Pt+1；
步骤S58：判断步骤S57得到的父种群Pt+1的次数是否达到预设最大化迭代次数，若是则依据父种群Pt+1中各染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果；若否则将代数加一并从步骤S52循环。
本发明的有益效果为：
1.本发明的一种基于无人机的空中救援响应方法，通过对灾区受灾点的物资需求量进行预测，确定受灾地区需求点的经纬度坐标，确定物资投放地点，规划救灾物资运输路线，提高自然灾害发生初期的救援效率，满足灾区伤员在灾后初期对医疗物资的迫切需求。
2.本发明应用在无人机上，在自然灾害发生初期，将救灾物资及时送入灾区物资需求点，探测灾区灾情和拍摄主要道路公路的受损情况，同时将情况反馈给应急救灾指挥中心，便于应急救援指挥中心规划地面救援路线和决策应急方案。
3.本发明成本低、易操纵、反应快，便于扩大调度指挥范围，及时调整救援策略方案，实现综合调度指挥系统。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的预测物资需求的流程图。
图3是本发明实施例的根据飞行范围确定投放点图。
图4是本发明实施例的根据道路和城市确定投放点图。
图5是本发明实施例的求最优解的流程图。
图6是本发明实施例的一条染色体示意图。
图7是本发明实施例的遗传交叉图。
图8是本发明实施例的变异图。
图9是本发明实施例的新父代种群生成图。
图10是本发明实施例的飞行轨迹和任务规划示意图。
图11是本发明实施例的道路探索仿真图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1至图5，本发明的一种基于无人机的空中救援响应方法，包括以下步骤：
步骤S1：获取受灾区域信息，提取受灾点信息特征；建立物资需求模型并预测受灾点需求的物资类型和数量：
步骤S11：设R表示受灾区域每日物资的最小需求量，Kx表示受灾区域的地区系数，Cx表示受灾区域的季节系数，Fx表示根据灾情统计得出的受灾区域的某类救助物资的理论需求量，Qx表示受灾区域群众的心理系数，Px表示受灾区域现有某类物资的实际数量，δ表示自然灾害发生后的保全率，基于CBR(Case-based Reasoning)案例推理的应急物资需求预测方法建立自然灾害下的物资需求模型：
R＝Kx·Cx·Fx·Qx-δ·Px；
步骤S12：灾后初期对灾情进行统计，获取受灾区域信息，对灾区进行模糊化描述，提取特征因素，特征因素包括突发自然灾害情景的描述、突发自然灾害应对的描述和应急物资需求的描述；突发自然灾害情景的描述包括突发自然灾害的类型、规模、烈度、发生地周围的人口密度、经济状态、自然环境的特征信息，用于描述突发自然灾害的属性和特征；突发自然灾害应对的描述包括突发自然灾害的应对目标、应对方式、应对工序的特征属性，用于表征应对不同自然灾害的物资需求不同；应急物资需求的描述包括应急物资的结构、数量和质量需求；
设有n个案例，第i个案例为Ci(i＝1,2,...,n)，有m个特征因素，特征因素集为F＝{f1,f2,...,fm}，将案例Ci对应的第j个特征因素的特征因素集fj(j＝1,2,...，m)的隶属度记为
Figure GDA0002173441080000105
则灾情案例数据库中案例Ci对应的特征向量集为：
Figure GDA0002173441080000104
设预测方案的特征向量集为T，则所有关于VCi的集合为：
VT＝{uT(f1),uT(f2),...,uT(fm)}＝{uT(fj)|j＝1,2,...,m}；
步骤S13：对比步骤S12得到的特征因素与灾情案例数据库内的自然灾害案例；
步骤S14：同一特征因素在不同的决策环境下,对决策输出的影响不同；案例库中的每一例都可当作一类案例在特征因素下的取值，根据所述的案例Ci对应特征因素集fj(j＝1,2,...,m)的隶属度
Figure GDA0002173441080000106
若u(f)在分类C＝(C1,C2,...,Cn)中分布的差异性较大，表明此分类因素对分类判别的作用大,取较高的权重值；若u(f)在分类C＝(C1,C2,...,Cn)中的分布差异较小,表明此分类因素对分类判别的作用小,取较低的权重值；设
Figure GDA0002173441080000101
Figure GDA0002173441080000102
则各特征因素fj的权重ωj为：
Figure GDA0002173441080000103
设特征因素{f1,f2,...,fm}的影响权重集为{ω1,ω2,...,ωm}，且满足：
Figure GDA0002173441080000111
则受灾区域物资需求的案例贴近度为：
Figure GDA0002173441080000112
步骤S15：将步骤S14得到的贴近度作为相似度，与阈值τ比较：
Figure GDA0002173441080000113
取超过阈值的案例作为需求预测结果，或取相似度
Figure GDA0002173441080000114
最大的案例作为最终的需求预测结果；
步骤S16：人工修正步骤S15得到的需求预测结果作为本次灾后物资需求的预测结果；
步骤S17：应急调度指挥中心根据步骤S16得到的修正结果，得出灾区物资需求点的每日物资种类及数量的需求预测结果，用于对物资进行筹集和调度。
步骤S2：确定受灾点的位置坐标：采用Gauss-Kruger高斯-克吕格坐标转换方法确定受灾点的位置坐标，具体步骤为：设a为地球的半主轴长度，e2为地球的扁平率，ρ为地球的地心距，λ为位置的经度，
Figure GDA0002173441080000115
为位置的纬度，
Figure GDA0002173441080000116
为参考点或坐标原点的经纬度，且设参数A、B、C、D为：
Figure GDA0002173441080000117
中间量
Figure GDA0002173441080000118
和Δλ为：
Figure GDA0002173441080000119
将物资需求点坐标转化为Descartes坐标为：
Figure GDA0002173441080000121
步骤S3：选取物资的投放候选点：
步骤S31：根据无人机最大载货飞行距离确定救灾物资投放候选区域；
步骤S32：在步骤S11得到的区域中匹配受灾地区的主要交通道路，用于规划无人机巡航线路；
步骤S33：在步骤S11得到的线路中选取便于无人机起降以及投放物资的地形。
步骤S4：根据步骤S1得到的受灾点需求的物资类型和数量、步骤S2得到的受灾点的位置坐标、步骤S3得到的物资的投放候选点数据，构建选址模型和初始解集：
步骤S41：设I表示应急物资的需求点集合，i∈I＝{1,2,3,...,i,...}；
J表示应急物资的投掷点选址备选点，j∈J＝{1,2,3,...,j,...}；
K表示应急物资的种类集合，k∈K＝{1,2,3,...,k,...}；
设(xi,yi)为步骤S2中求得的应急物资需求点i的位置坐标，设(xj,yj)为应急物资投掷点选址备选点j的位置坐标，则应急物资需求点i距离应急物资投掷点选址备选点j的欧式距离为：
Figure GDA0002173441080000122
设Mjk为应急物资投掷点选址备选点j持有物资k的总重量，Vjk表示应急物资投掷点选址备选点j持有物资k的总体积，hjk为应急物资投掷点选址备选点j对物资k的持有成本，α1为物资重量的赋值权重，α2为物资体积的赋值权重，则hjk为：
Figure GDA0002173441080000123
设pi为第i个受灾区域伤员指数，
Figure GDA0002173441080000133
为受灾区需求量指标权重，
Figure GDA0002173441080000134
为受灾区伤亡指标权重，Dik表示应急物资需求点i对种类为k的物资的每日总需求量；则应急物资需求点i的综合重要权重wi为：
Figure GDA0002173441080000131
步骤S42：建立MO-MUAV-SS(Multi-Objective-Multi-UAV-Site Selection)模型
设β表示单位物资缺货的惩罚成本；
阶梯函数f(tij)表示各受灾点对物资到达的满意度；
sj为布尔变量，用于表示全部应急物资投掷点选址备选点的选择情况，为0时表示不选择该备选点，为1时表示选择该备选点；
sij为布尔变量，用于表示应急物资投掷点j与应急物资需求点i之间是否有物资流动，为0时表示没有物资流动，为1时表示表示有物资流动；
sijk为布尔变量，用于表示应急物资投掷点j与应急物资需求点i之间是否有种类为k的物资的流动，为0时表示没有种类为k的物资的流动，为1时表示有种类为k的物资的流动；
设flowijk表示为从应急物资投掷点j到应急物资需求点i的种类为k的物资的每日配送量；
其中sj、sij、sijk和flowijk四个决策变量具有相互约束关系，如下表所示：
表1
Figure GDA0002173441080000132
Figure GDA0002173441080000141
fflowijk表示为应急物资投掷点j针对种类为k的物资每日配送量占应急物资需求点i总配送量的百分比；
Qjk表示为应急物资投掷点选址备选点j容纳种类为k的物资容量上限；
tij为i到j的时间；
设目标函数Y1表示应急物资投放备选点无法及时提供需求点满意物资服务而引起的缺货惩罚成本和物资投放备选点持有物资总成本；
Figure GDA0002173441080000142
Min Y1表示应急物资投放备选点无法及时提供需求点满意物资服务而引起的缺货惩罚成本和物资投放备选点持有物资总成本最小；
设wi为需求点i的重要度，dij为i到j’的距离，设Y2表示应急物资投放备选点到救灾物资需求点的加权距离总和；
Figure GDA0002173441080000143
Min Y2表示应急物资投放备选点到救灾物资需求点的加权距离总和最小，即无人机执行救援任务中的物资运输有效总时间最短；
设ui为决策变量即需求区域i被超额覆盖的次数，ui≥0，且为整数；设Y3表示使设置的应急物资投放备选点对需求点的超额覆盖，分别计算如下：
Figure GDA0002173441080000144
Max Y3表示使设置的应急物资投放备选点对需求点的超额覆盖最大化，即在权重较大的需求区域有更多的应急物资投放备选点为其服务；
阶梯函数f(tij)表示各受灾点对物资到达的满意度。在灾害发生后，物资配送的时间越长，满意度越低，根据现有的救灾72小时救灾原则和实际救援工作中对救灾物资需求的情况，用户关注在灾害发生后的前几个时段即灾后2小时、灾后4小时、灾后8小时和灾后24小时的满意度情况；设当tij＜2时，满意度为1，即完全满足，有利于救灾工作的开展；当2≤tij＜4，满意度为0.9，即基本满足，救灾工作正常进行；当4≤tij＜8时，满意度为0.6，救灾工作受到一定影响，但仍然进行；当8≤tij＜24时，满意度为0.3，救灾工作受阻；当24＜tij时，满意度为0，救灾工作不能正常进行，造成严重损失；f(tij)以函数形式表示如下：
Figure GDA0002173441080000151
步骤S43：MO-MUAV-SS模型的约束条件分别为：
Figure GDA0002173441080000152
表示至少有一个应急物资投放备选点为需求点i提供服务；
sij-sj≤0，表示每个需求点只能由已经设置的应急物资投放备选点提供服务；
Figure GDA0002173441080000153
表示保证了应急物资投放备选点的容量处于一个最大的安全库存范围内；
Figure GDA0002173441080000154
表示最终确定应急物资投放备选点要不能超过m个；
Figure GDA0002173441080000155
表示此次应急行动中可以调用的无人机数目不能超过n个；
Figure GDA0002173441080000156
表示保证每个选定的物资投放点的无人机发出的救灾物资总量满足受灾点的需求；
Figure GDA0002173441080000157
表示从应急物资投放备选点j发出种类为k的物资总量不能超过其容量上限；
Figure GDA0002173441080000158
Figure GDA0002173441080000161
表示保证种类为k的物资运送量不会超过范围。
步骤S5：采用带精英策略的NSGA-II多目标遗传算法求解步骤S4构建的MO-MUAV-SS模型的Pareto帕累托最优解：
步骤S51：向步骤S4得到的初始解集输入无人机参数、NSGA-II参数和变量范围，产生父种群P0；
步骤S52：对步骤S51得到的种群求解各目标函数值，根据目标函数值对群体进行非劣分层；
步骤S53：对步骤S52得到的种群计算虚拟适应度和轮赛制选择、SBX模拟二进制交叉、正态变异得到子种群Qt；
步骤S54：将步骤S53得到的子种群Qt和父种群Pt合并，生成合并后种群Rt；
步骤S55：在步骤S54得到的合并后种群Rt中各条染色体表示分配的情况下，计算各无人机运输救灾物资的种类、数量以及服务的物资需求点，并以此计算步骤S42中Y1、Y2和Y3数值；
步骤S56：对步骤S55得到的Y1，Y2，Y3计算非支配顺序数和拥挤度，生成虚拟适应值；
步骤S57：对步骤S56得到的虚拟适应值排列前Z的染色体组成新的父种群Pt+1；
步骤S58：判断步骤S57得到的父种群Pt+1的次数是否达到预设最大化迭代次数，若是则依据父种群Pt+1中各染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果；若否则将代数加一并从步骤S52循环。
步骤S6：将步骤S5得到的最优解转译为选址地点以及任务分配结果；
步骤S7：向上位机反馈无人机视频信息用于后续规划和决策。
参见图6至图9，设有投放候选点3个，物资需求点5个，无人机5架，采用带精英策略的NSGA-II算法优化MO-MUAV-SS模型，分别进行编码、虚拟适应度、选择，交叉，变异及精英策略运算分别如下：
编码运算为：设3个候选点(j＝3)、5个需求点(i＝5)以及5台无人机，则决策变量y(i，j，s)的个数为3×5×4＝60；决策变量x(j)的个数为3，u(i)的个数为5，则总的决策变量V的个数为60+3+5＝68个；每个染色体的位置向量对应一个选址方案，约束条件用于检测每个方案是否正确。
虚拟适应度计算为：解码染色体,按照多目标选址模型计算与每个个体相适应的目标函数,再依据目标函数的值进行非劣解分层,从而计算每一层个体的虚拟适应度。
选择运算为：选择过程使解分布均匀，并使优化朝Pareto最优解的方向进行。设置选择算子用于避免有效基因的损失,使高性能的个体得以更大概率生存,从而提高全局收敛性和计算效率。采用锦标赛选择算子,即随机选择两个个体,如果非劣解等级不同,则取等级高(级数小)的个体；否则如果两点在同一等级上,则取比较稀疏区域内的点,使进化朝非劣解和均匀散布的方向进行。如果两个个体的非支配排序不同,取序号低的个体，如果两个个体在同一级,取周围较不拥挤的个体。
交叉操作运算为：算法采用单点交叉算子进行交叉操作，单点交叉算子的具体计算过程如下：
Ⅰ.对群体中的个体进行两两随机配对。若群体大小为M，则共有[M/2]对相互配对的个体组；
Ⅱ.每一对相互配对的个体，随机设置某一基因座之后的位置为交叉点。若染色体的长度为l，则共有(L-1)个可能的交叉点位置；
Ⅲ.对每一对相互配对的个体，依设定的交叉概率Pc在其交叉点处相互交换两个个体的部分染色体，从而产生出两个新的个体。
变异运算为：本文选取的算法当中二进制变异所使用的基本位变异算子的方法如下：
Ⅰ.对个体的每一个基因座，依变异概率Pm指定其为变异点；
Ⅱ.对每一个指定的变异点，对其基因值做取反运算或用其它等位基因值来代替，从而产生出一个新的个体。变异是针对个体的某一个或某一些基因座上的基因值执行的，因此变异概率Pm也是针对基因而言，即：
Figure GDA0002173441080000171
式中B为每代中变异的基因数目；M为每代中群体拥有的个体数目；L为个体中基因串长度。
精英策略运算为：精英策略用于留住父代中的优良个体直接进入下一代，是遗传算法以概率为1收敛的必要条件：
Ⅰ.将父代Pt和子代Qt的所有个体合成一个新的统一的种群Rt＝Pt∪Qt并将其放入进化池中,使种群Rt的个体数变成2N；
Ⅱ.将种群Rt按非劣解等级分类并计算每一个体局部拥挤距离,依据等级的高低逐一选取个体,直至个体总数达到N，形成新的父代种群Pt+1；
Ⅲ.开始新一轮的选择、交叉和变异,形成新的子代种群Qt+1。
通过以上带精英策略的NSGA-II算法计算后，确定无人机及救灾物资投放点以及多无人机运载物资投放方案，为无人机分配所负责的救灾物资需求点，以及飞行顺序和时间。如下表所示：
表2
分配方案 J1 J2 J3
一 (S1->I2),(S2->I3) (S3->I4)->(S3->I5) (S4->I1)
二 (S1->I2),(S2->I3) (S3->I5)->(S3->I4) (S4->I1)
参见图10和图11，对无人机探索主要道路的巡航方式进行动态仿真，对无人机巡航结果进行预演，验证本发明易实施、相应快、成本低、实用性强的优点，对大面积区域震害的调查和救援响应效率更高。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (6)

1.一种基于无人机的空中救援响应方法，其特征在于：包括以下步骤：
步骤S1：获取受灾区域信息，提取应急物资需求点的信息特征；建立物资需求模型并预测应急物资需求点需求的物资类型和数量；
步骤S2：确定应急物资需求点的位置坐标；
步骤S3：选取应急物资投掷点；
步骤S4：根据步骤S1得到的应急物资需求点需求的物资类型和数量、步骤S2得到的应急物资需求点的位置坐标、步骤S3得到的应急物资投掷点，构建选址模型和初始解集，所述的步骤S4中，具体步骤为：
步骤S41：设I表示应急物资需求点的集合，i∈I＝{1,2,3,...,i,...}；
J表示应急物资投掷点的集合，j∈J＝{1,2,3,...,j,...}；
K表示应急物资的种类集合，k∈K＝{1,2,3,...,k,...}；
设(xi,yi)为步骤S2中求得的应急物资需求点i的位置坐编标，设(xj,yj)为应急物资投掷点j的位置坐标，则应急物资需求点i距离应急物资投掷点j的欧式距离为：
Figure FDA0003457518250000011
设Mjk为应急物资投掷点j持有物资k的总重量，Vjk表示应急物资投掷点j持有物资k的总体积，hjk为应急物资投掷点j对物资k的持有成本，α1为物资重量的赋值权重，捷α2为物资体积的赋值权重，则hjk为：
Figure FDA0003457518250000012
设pi为第i个受灾区域伤员指数，
Figure FDA0003457518250000013
为受灾区需求量指标权重，
Figure FDA0003457518250000014
为受灾区伤亡指标权重，Dik表示应急物资需求点i对种类为k的物资的每日总需求量；
则应急物资需求点i的综合重要权重wi为：
Figure FDA0003457518250000015
步骤S42：建立MO-MUAV-SS模型，
设β表示单位物资缺货的惩罚成本；
阶梯函数f(tij)表示各应急物资需求点对物资到达的满意度；
sj为布尔变量，用于表示全部应急物资投掷点的选择情况，为0时表示不选择该应急物资投掷点，为1时表示选择该应急物资投掷点；
sij为布尔变量，用于表示应急物资投掷点j与应急物资需求点i之间是否有物资流动，为0时表示没有物资流动，为1时表示表示有物资流动；
sijk为布尔变量，用于表示应急物资投掷点j与应急物资需求点i之间是否有种类为k的物资的流动，为0时表示没有种类为k的物资的流动，为1时表示有种类为k的物资的流动；
flowijk表示从应急物资投掷点j到应急物资需求点i的种类为k的物辑资的每日配送量；
f flowijk表示应急物资投掷点j针对种类为k的物资每日配送量占应急物资需求点i总配送量的百分比；
Qjk表示为应急物资投掷点j容纳D种类为k的物资容量上限；
tij为i到j的时间；
设目标函数Y1表示应急物资投掷点无法及时提供需求点满意物资服务而引起的缺货惩罚成本和应急物资投掷点持有物资总成本；
Figure FDA0003457518250000021
Min Y1表示应急物资投掷点无法及时提供应急物资需求点满意物资服务而引起的缺货惩罚成本和应急物资投掷点持有物资总成本最小；
设wi为应急物资需求点i的重要度，dij为i到j的距离，设Y2表示应急物资投掷点到应急物资需求点的加权距离总和；
Figure FDA0003457518250000022
Min Y2表示应急物资投掷点到应急物资需求点的加权距离总和最小，即无人机执行救援任务中的物资运输有效总时间最短；
设ui为应急物资需求点i被超额覆盖的次数，ui≥0，且为整数；设Y3表示使设置的应急物资投掷点对应急物资需求点的超额覆盖，分别计算如下：
Figure FDA0003457518250000031
Max Y3表示使设置的应急物资投掷点对应急物资需求点的超额覆盖最大化，即在权重较大的需求区域有更多的应急物资投掷点为其服务；
步骤S43：MO-MUAV-SS模型的约束条件分别为：
Figure FDA0003457518250000032
表示至少有一个应急物资投掷点为应急物资需求点i提供服务；
sij-sj≤0，表示每个应急物资需求点只能由已经设置的应急物资投掷点提供服务；
Figure FDA0003457518250000033
表示保证了应急物资投掷点的容量处于一个辑最大的安全库存范围内；
Figure FDA0003457518250000034
表示最终确定应急物资投掷点要不能超过编m个；
Figure FDA0003457518250000035
表示此次应急行动中可以调用的F无人机数目不能超过n个；
Figure FDA0003457518250000036
表示保证每个选D定的应急物资投掷点的无人机发出的救灾物资总量满足应急物资需求P点的需求；
Figure FDA0003457518250000037
表示从应急物资投掷点j发出种类为k的物资总量不能超过其容量上限；
Figure FDA0003457518250000038
Figure FDA0003457518250000039
表示保证种类为k的物资运送量不会超过范围；
步骤S5：根据步骤S4得到的初始解集计算选址模型的最优解；
步骤S6：将步骤S5得到的最优解转译为选址地点以及任务分配结果；
步骤S7：向上位机反馈无人机视频信息用于后续规划和决策。
2.根据权利要求1所述的一种基于无人机的空中救援响应方法，其特征在于：所述的步骤S1中，具体步骤为：
步骤S11：设R表示受灾区域每日物资的最小需求量，Kx表示受灾区域的地区系数，Cx表示受灾区域的季节系数，Fx表示根据灾情统计得出的受灾区域的某类救助物资的理论需求量，Qx表示受灾区域群众的心理系数，Px表示受灾区域现有某类物资的实际数量，δ表示自然灾害发生后的保全率，基于案例推理的应急物资需求预测方法建立自然灾害下的物资需求模型：
R＝Kx·Cx·Fx·Qx-δ·Px；
步骤S12：灾后初期对灾情进行统计，获取受灾区域信息，对灾区进行模糊化描述，提取特征因素：
设有n个案例，第i个案例为Ci(i＝1,2,...,n)，有m个特征因素，特征因素集为F＝{f1,f2,...,fm}，将案例Ci对应的第j个特征因素的特征因素集fj(j＝1,2,...,m)的隶属度记为
Figure FDA0003457518250000041
则灾情案例数据库中案例Ci对应的特征向量集为：
Figure FDA0003457518250000042
设预测方案的特征向量集为T，则所有关于FVCi的集合为：
VT＝{uT(f1),uT(f2),..D.,uT(fm)}＝{uT(fj)|j＝1,2,...,m}；
步骤S13：对比步骤S12得到的特征因素与灾情案例数据库内的自然灾害案例；
步骤S14：根据所述的P案例Ci对应特征因素集fj(j＝1,2,...,m)的隶属度
Figure FDA0003457518250000043
设
Figure FDA0003457518250000044
Figure FDA0003457518250000045
则各特征因素fj的权重ωj为：
Figure FDA0003457518250000046
设特征因素集{f1,f2,...,fm}的影响权重集为{ω1,ω2,...,ωm}，且满足：
Figure FDA0003457518250000051
则受灾区域物资需求的案例贴近度为：
Figure FDA0003457518250000052
步骤S15：将步骤S14得到的贴近度作为相似度，与阈值τ比较：
Figure FDA0003457518250000053
取超过阈值的案例作为需求预测结果，或取相似度
Figure FDA0003457518250000054
最大的案例作为最终的需求预测结果；
步骤S16：人工修正步骤S15得到的需求预测结果作为本次灾后物资需求的预测结果；
步骤S17：应急调度指挥中心根据步骤S16F得到的修正结果，得出应急物资需求点的每日物资种类及数量的需求预测结果，用于对物资进行筹集和调度。
3.根据权利要求2所述的一种基于D无人机的空中救援响应方法，其特征在于：所述的步骤S12中，特征P因素包括突发自然灾害情景的描述、突发自然灾害应对的描述和应急物资需求的描述；突发自然灾害情景的描述包括突发自然灾害的类型、规模、捷烈度、发生地周围的人口密度、经济状态、自然环境的特征信息，用于描述突发自然灾害的属性和特征；突发自然灾害应对的描述包括突发自然灾害的应对目标、应对方式、应对工序的特征属性，用于表征应对不同自然灾害的物资需求不同；应急物资需求的描述包括应急物资的结构、数量和质量需求。
4.根据权利要求2所述的一种基于无人机的空中救援响应方法，其特征在于：所述的步骤S2中，采用Gauss-Kruger坐标转换方法确定应急物资需求点的位置坐标，具体步骤为：设a为地球的半主轴长度，e2为地球的扁平率，ρ为地球的地心距，λ为位置的经度，
Figure FDA0003457518250000055
为位置的纬度，
Figure FDA0003457518250000056
为参考点或坐标原点的经纬度，且设参数A、B、C、D为：
Figure FDA0003457518250000061
中间量
Figure FDA0003457518250000062
和Δλ为：
Figure FDA0003457518250000063
将应急物资需求点坐标转化为Descartes坐标为：
Figure FDA0003457518250000064
5.根据权利要求4所述的一种基于无人机的空中救援响应方法，其特征在于：所述的步骤S3中，具体步骤为：
步骤S31：根据无人机最大载货飞行距离确定救灾物资投放候选区域；
步骤S32：在步骤S31得到的区域中匹配受灾地区的主要交通道路，用于规划无人机巡航线路；
步骤S33：在步骤S32得到的线路中选取便于无人机起降以及投放物资的地形。
6.根据权利要求5所述的一种基于无人机的空中救援响应方法，其特征在于：所述的步骤S5中，采用带精英策略NSGA-II算法求解步骤S4构建的MO-MUAV-SS模型的Pareto最优解，具体步骤为：
步骤S51：向步骤S4得到的初始解集输入无人机参数、NSGA-II参数和变量范围，产生父种群Pt，t＝0；
步骤S52：对步骤S51得到的种群求解各目标函数值，根据目标函数值对群体进行非劣分层；
步骤S53：对步骤S52得到的种群计算虚拟适应度和轮赛制选择、SBX交叉、正态变异得到子种群Qt；
步骤S54：将步骤S53得到的子种群Qt和父种群Pt合并，生成合并后种群Rt；
步骤S55：在步骤S54得到的合并后种群Rt中各条染色体表示分配的情况下，计算各无人机运输救灾物资的种类、数量以及服务的物资需求点，并以此计算步骤S42中Y1、Y2和Y3数值；
步骤S56：对步骤S55得到的Y1，Y2，Y3计算非支配顺序数和拥挤度，生成虚拟适应值；
步骤S57：对步骤S56得到的虚拟适应值排列前Z的染色体组成新的父种群Pt+1；
步骤S58：判断步骤S57得到的父种群Pt+1的次数是否达到预设最大化迭代次数，若是则依据父种群Pt+1中各染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果；若否则将代数加一并从步骤S52循环。
CN201910401602.0A 2019-05-14 2019-05-14 一种基于无人机的空中救援响应方法 Expired - Fee Related CN110288118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910401602.0A CN110288118B (zh) 2019-05-14 2019-05-14 一种基于无人机的空中救援响应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910401602.0A CN110288118B (zh) 2019-05-14 2019-05-14 一种基于无人机的空中救援响应方法

Publications (2)

Publication Number Publication Date
CN110288118A CN110288118A (zh) 2019-09-27
CN110288118B true CN110288118B (zh) 2022-04-01

Family

ID=68001848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910401602.0A Expired - Fee Related CN110288118B (zh) 2019-05-14 2019-05-14 一种基于无人机的空中救援响应方法

Country Status (1)

Country Link
CN (1) CN110288118B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112230675B (zh) * 2020-10-19 2022-06-24 南京航空航天大学 在协同搜救中考虑运行环境和性能的无人机任务分配方法
CN112722297B (zh) * 2020-12-04 2023-09-29 东华理工大学 一种面向震后应急的无人机航摄方法
CN113253758B (zh) * 2021-06-01 2022-08-26 南京理工大学 一种无人机多目标救援决策方法
CN113537735B (zh) * 2021-06-28 2022-08-09 山东师范大学 基于非线性规划的分级应急物资分配方法及系统
CN116153049B (zh) * 2023-04-04 2023-06-27 四川互慧软件有限公司 一种基于图像处理的救护车到院时间预估方法
CN116308000B (zh) * 2023-05-25 2023-09-08 中央军委后勤保障部信息中心 物流方案评估方法、装置、电子设备及可读存储介质
CN116704386B (zh) * 2023-08-01 2023-10-20 四川开澜科技有限公司 一种基于ai的精准应急救援方法及装置
CN118075728B (zh) * 2024-04-24 2024-07-16 北京语言大学 一种面向应急通信场景的无人机响应决策方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590289A (zh) * 2016-01-05 2016-05-18 南京工业大学 一种城市地震应急疏散场地选址方法
CN106997509A (zh) * 2017-03-28 2017-08-01 南京航空航天大学 一种不确定信息融合的应急物资分布需求预测方法
CN107651180A (zh) * 2017-09-29 2018-02-02 广州地理研究所 一种无人机精准投弹灭火系统
CN108197747A (zh) * 2018-01-04 2018-06-22 东南大学 城市轨道交通应急救援站选址方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9834306B2 (en) * 2016-02-09 2017-12-05 Abdullah Almasoud Emergency unmanned aerial vehicle and method for deploying an unmanned aerial vehicle

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590289A (zh) * 2016-01-05 2016-05-18 南京工业大学 一种城市地震应急疏散场地选址方法
CN106997509A (zh) * 2017-03-28 2017-08-01 南京航空航天大学 一种不确定信息融合的应急物资分布需求预测方法
CN107651180A (zh) * 2017-09-29 2018-02-02 广州地理研究所 一种无人机精准投弹灭火系统
CN108197747A (zh) * 2018-01-04 2018-06-22 东南大学 城市轨道交通应急救援站选址方法及装置

Also Published As

Publication number Publication date
CN110288118A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110288118B (zh) 一种基于无人机的空中救援响应方法
CN111862579B (zh) 一种基于深度强化学习的出租车调度方法及系统
Hong et al. A range-restricted recharging station coverage model for drone delivery service planning
CN107045673B (zh) 基于堆模型融合的公共自行车流量变化量预测方法
Phithakkitnukoon et al. Taxi-aware map: Identifying and predicting vacant taxis in the city
CN107798187A (zh) 一种高效卫星星座多目标优化方法
CN112230675B (zh) 在协同搜救中考虑运行环境和性能的无人机任务分配方法
Feng et al. Allocation using a heterogeneous space Voronoi diagram
Liu et al. Humanitarian logistics planning for natural disaster response with Bayesian information updates.
CN113485409B (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
CN116300990B (zh) 用于低空环境的直升机和无人机协同搜救时间规划方法
Golabi et al. Bypassing or flying above the obstacles? A novel multi-objective UAV path planning problem
CN114199255A (zh) 一种用于城区物流无人机终端配送航路网络的规划方法
CN117875523B (zh) 基于多源数据的公交站点优化方法
CN112380945B (zh) 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统
CN117521932A (zh) 一种基于网格化划分的无人机巡检管理系统
Sun et al. Study on safe evacuation routes based on crowd density map of shopping mall
CN116432883A (zh) 一种双目标应急物资运送优化方法、系统及设备
CN116629413A (zh) 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法
CN113919188B (zh) 一种基于上下文-mab的中继无人机路径规划方法
CN113554221B (zh) 一种“流空间”视角下的城镇开发边界模拟预测方法
CN112434857A (zh) 一种基于ga-pso优化的无人机机场网络选址布置方法
CN114812553A (zh) 一种顾及dsm模型的多无人机协同三维航迹规划方法
CN114066240A (zh) 一种基于救援效率的通航救援调度优化方法
CN113919995A (zh) 一种低空空域栅格划设与编码方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220401