CN111047087B - 无人机与车辆协同下路径的智能优化方法和装置 - Google Patents
无人机与车辆协同下路径的智能优化方法和装置 Download PDFInfo
- Publication number
- CN111047087B CN111047087B CN201911248480.2A CN201911248480A CN111047087B CN 111047087 B CN111047087 B CN 111047087B CN 201911248480 A CN201911248480 A CN 201911248480A CN 111047087 B CN111047087 B CN 111047087B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- unmanned aerial
- gene
- aerial vehicle
- sub
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种无人机与车辆协同下路径的智能优化方法和装置,方法应用于无人机和车辆共同执行任务,包括:构建初始种群;判断当前种群中的各条染色体是否均满足预设约束条件;计算当前种群中每一条染色体的适应度值,判断当前种群中的最高适应度值是否高于当前最优染色体的适应度值,若是则将当前最优染色体替换为最高适应度值对应的染色体,否则保持当前最优染色体不变;判断当前迭代次数是否达到预设最大迭代次数:若是,则将当前最优染色体作为全局最优解;否则,采用预设遗传算法对当前种群中的染色体进行更新,将迭代次数加1,继续迭代。本申请可以减少工作人员的工作量。
Description
技术领域
本发明涉及协同作业技术领域,具体涉及一种无人机与车辆协同下路径的智能优化方法、装置、计算机设备和存储介质。
背景技术
随着无人机与车辆协同执行任务的模式在越来越多的领域中得到应用,如地理测绘、污染检测、交通巡逻、物流配送以及电力巡检等,无人机与车辆在执行任务过程中的路径优化问题也开始受到关注。在该问题下,无人机和车辆的路径是相互影响的,无人机在空中的路径与车辆道路上的路径的需要协同优化,以使得完成任务的成本最小化,同时任务的执行特点以及道路路网的约束等也给求解路径优化问题带来了考验,且随着任务数量的增长以及任务区域的扩大,问题空间呈现“组合爆炸”的特点,精确算法难以解决该类问题,而因为能在可接受成本内快速得到满意解的优点,启发式算法成为求解该类问题的有效方法。
发明内容
(一)解决的技术问题
本发明提供了一种无人机与车辆协同下路径的智能优化方法、装置、计算机设备和存储介质,不需要工作人员携带大量电池徒步进入到作业现场,减少工作人员的工作量。
(二)技术方案
第一方面,本申请实施例提供一种无人机与车辆协同下路径的智能优化方法,该方法应用于无人机和车辆共同执行任务,该方法包括:
S110、构建初始种群,并在所述初始种群中选择适应度最高的染色体作为当前最优染色体;其中,所述初始种群中包括多条染色体,每一条染色体表征无人机与车辆共同执行任务的一个路径规划方案,在每一个路径规划方案中车辆沿着道路行驶并在停靠节点上释放无人机,无人机飞向任务节点执行任务,在无人机电量不足以至于无法继续执行下一个任务节点对应的任务时则返回到停靠节点上与车辆汇合并更换电池,继续执行下一个任务节点对应的任务,直至所有的任务节点对应的任务都被执行完成后返回到停靠节点上与车辆汇合;每一条染色体上包括2m+1个基因位,2m+1个基因位包括m个任务节点的基因位和m+1个停靠节点的基因位,在偶数基因位上设置有任务节点的编号,在奇数基因位的基因值上设置停靠节点的编号或编码0,任务节点的编号为偶数,停靠节点的编号为奇数;编码0左右两侧相邻的基因位上只能是任务节点的编码,且表示无人机在执行完前一基因位上的任务节点后未返回停靠节点就执行下一基因位上的任务节点;m为任务节点的总数;所述适应度值为无人机与车辆共同完成所有任务的总时长的倒数;
S120、判断当前种群中的各条染色体是否均满足预设约束条件,对不满足所述预设约束条件的染色体进行修正以使该染色体满足所述预设约束条件;
S130、计算当前种群中每一条染色体的适应度值,并判断当前种群中的最高适应度值是否高于当前最优染色体的适应度值,若是则将当前最优染色体替换为所述最高适应度值对应的染色体,否则保持当前最优染色体不变;
S140、判断当前迭代次数是否达到预设最大迭代次数:
若是,则将当前最优染色体作为全局最优解并输出;
否则,采用预设遗传算法对当前种群中的染色体进行更新,将迭代次数加1,并返回步骤S120;其中,更新处理之后的染色体相对于更新之前的染色体对应的路径规划方案发生变化,所述采用预设遗传算法对当前种群中的染色体进行更新包括:对当前种群中的染色体依次进行预设选择操作、预设交叉操作和预设变异操作。
第二方面,本申请实施例提供一种无人机与车辆协同下路径的智能优化装置,该装置应用于无人机和车辆共同执行任务,该装置包括:
种群生成模块,用于构建初始种群,并在所述初始种群中选择适应度最高的染色体作为当前最优染色体;其中,所述初始种群中包括多条染色体,每一条染色体表征无人机与车辆共同执行任务的一个路径规划方案,在每一个路径规划方案中车辆沿着道路行驶并在停靠节点上释放无人机,无人机飞向任务节点执行任务,在无人机电量不足以至于无法继续执行下一个任务节点对应的任务时则返回到停靠节点上与车辆汇合并更换电池,继续执行下一个任务节点对应的任务,直至所有的任务节点对应的任务都被执行完成后返回到停靠节点上与车辆汇合;每一条染色体上包括2m+1个基因位,2m+1个基因位包括m个任务节点的基因位和m+1个停靠节点的基因位,在偶数基因位上设置有任务节点的编号,在奇数基因位的基因值上设置停靠节点的编号或编码0,任务节点的编号为偶数,停靠节点的编号为奇数;编码0左右两侧相邻的基因位上只能是任务节点的编码,且表示无人机在执行完前一基因位上的任务节点后未返回停靠节点就执行下一基因位上的任务节点;m为任务节点的总数;所述适应度值为无人机与车辆共同完成所有任务的总时长的倒数;
第一判断模块,用于判断当前种群中的各条染色体是否均满足预设约束条件,对不满足所述预设约束条件的染色体进行修正以使该染色体满足所述预设约束条件;
最优更新模块,用于计算当前种群中每一条染色体的适应度值,并判断当前种群中的最高适应度值是否高于当前最优染色体的适应度值,若是则将当前最优染色体替换为所述最高适应度值对应的染色体,否则保持当前最优染色体不变;
第二判断模块,用于判断当前迭代次数是否达到预设最大迭代次数:若是,则将当前最优染色体作为全局最优解并输出;否则,采用预设遗传算法对当前种群中的染色体进行更新,将迭代次数加1,并返回所述第一判断模块;其中,更新处理之后的染色体相对于更新之前的染色体对应的路径规划方案发生变化,所述采用预设遗传算法对当前种群中的染色体进行更新包括:对当前种群中的染色体依次进行预设选择操作、预设交叉操作和预设变异操作。
第三方面,本申请提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面提供的方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面提供的方法的步骤。
(三)有益效果
本发明实施例提供了一种无人机与车辆协同下路径的智能优化方法、装置、计算机设备和存储介质,由于采用奇偶分层的方式进行编码,便于后续对种群的更新,这样可以避免或减少更新操作产生过多不合理的染色体。上述过程中,将车辆作为搭载、发射和回收无人机的平台,同时在无人机返回时为其补充能量。车辆可在不同的位置发射和回收无人机,提高工作效率。可见,本申请不需要工作人员携带大量电池徒步进入到作业现场,减少了工作人员的工作量,实现了无人机的自主作业。
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为本申请一实施例中无人机与车辆协同下路径的智能优化方法的流程示意图;
图2为本申请一实施例中无人机与车辆共同执行任务的路径示意图;
图3为本申请一实施例中一条染色体的示意图;
图4为本申请一实施例中路节点和任务节点的分布示意图;
图5为本申请一实施例中一条染色体的示意图;
图6为图5示出的染色体中的第二子染色体;
图7为图5示出的染色体中的第一子染色体;
图8为本申请一实施例中第二条染色体的示意图;
图9为对图8示出的染色体进行拆分得到的第一子染色体的示意图;
图10为对图8示出的染色体进行拆分得到的第二子染色体的示意图;
图11和图12为对图7示出的第一子染色体和图9示出的第一子染色体进行交叉操作后得到的第一子染色体的示意图;
图13和图14为对图6示出的第二子染色体和图10示出的第二子染色体进行交叉操作后得到的第二子染色体的示意图;
图15为将图11示出的第一子染色体和图13示出的第二子染色体进行组合后得到的染色体的示意图;
图16为将图12示出的第一子染色体和图14示出的第二子染色体进行组合后得到的染色体的示意图;
图17为对图7示出的第一子染色体进行交换变异后得到的第一子染色体的示意图;
图18和图19为对图6示出的第二子染色体进行连续随机变异后得到的第二子染色体的示意图;
图20为对图7示出的第一子染色体进行倒位变异后得到的第一子染色体的示意图;
图21和图22为对图6示出的第二子染色体进行连续随机变异后得到的第二子染色体的示意图;
图23为本申请一实施例中染色体的示意图;
图24为对图23示出的染色体进行修正后得到的染色体的示意图;
图25为本申请一实施例中无人机与车辆协同下路径的智能优化置的示意图;
图26为本申请一实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
第一方面,本申请实施例提供一种无人机与车辆协同下路径的智能优化方法,该方法可以由计算机设备执行,该方法应用于无人机和车辆共同执行任务,如图1所示,该方法包括如下步骤:
S110、构建初始种群,并在所述初始种群中选择适应度最高的染色体作为当前最优染色体;
其中,所述初始种群中包括多条染色体,每一条染色体表征无人机与车辆共同执行任务的一个路径规划方案,在每一个路径规划方案中车辆沿着道路行驶并在停靠节点上释放无人机,无人机飞向任务节点执行任务,在无人机电量不足以至于无法继续执行下一个任务节点对应的任务时则返回到停靠节点上与车辆汇合并更换电池,继续执行下一个任务节点对应的任务,直至所有的任务节点对应的任务都被执行完成后返回到停靠节点上与车辆汇合。
其中,每一条染色体上包括2m+1个基因位,2m+1个基因位包括m个任务节点的基因位和m+1个停靠节点的基因位,在偶数基因位上设置有任务节点的编号,在奇数基因位的基因值上设置停靠节点的编号或编码0,任务节点的编号为偶数,停靠节点的编号为奇数;编码0左右两侧相邻的基因位上只能是任务节点的编码,且表示无人机在执行完前一基因位上的任务节点后未返回停靠节点就执行下一基因位上的任务节点;m为任务节点的总数。
其中,所述适应度值为无人机与车辆共同完成所有任务的总时长的倒数。
可理解的是,由于一条染色体表示一种路径规划方案,如图2所示,每一个路径规划方案中车辆沿着道路行驶并在停靠节点上释放无人机,无人机飞向任务节点执行任务,在无人机电量不足以至于无法继续执行下一个任务节点对应的任务时则返回到停靠节点上与车辆汇合并更换电池,继续执行下一个任务节点对应的任务,直至所有的任务节点对应的任务都被执行完成后返回到停靠节点上与车辆汇合。可见,染色体考虑了无人机和车辆工作的实际场景,使得最后计算得到的染色体对应的路径规划方案具有实际实施意义。
可理解的是,上述染色体的编码方式是一种奇偶分层的编码方式。在一个可行解中包括车辆发射无人机的地点、车辆回收无人机的地点以及无人机所执行的任务。车辆发射无人机的地点、车辆回收无人机的地点均为停靠节点,任务节点(例如,杆塔),因此一条染色体是由多个停靠节点和所有的任务节点组成。为了对任务节点和停靠节点进行区分,采用偶数对任务节点进行编码,即任务节点的编码为偶数,即任务节点的编码形成的集合为{2,4,6,...,2m};采用奇数对停靠节点进行编码,即停靠节点的编码为奇数,停靠节点的编码形成的集合为{1,3,5,...,2n+1};还有一种特殊的编码0,编码0放置在两个任务节点之间,表示无人机在执行完前一基因位上的任务节点后未返回停靠节点就执行下一基因位上的任务节点。任务节点设置在偶数基因位上,也就是说,偶数基因位的基因值为任务节点的编码;停靠节点和0设置在奇数基因位上,也就是说,奇数基因位的基因值为停靠节点的编码或0。m为所有任务节点的总和,n为所有的停靠节点的总和。
举例来说,如图3所示,在一条染色体中包含4个任务节点和若干个停靠节点,无人机在停靠节点1从车辆上起飞后,执行任务节点2,再接着执行任务节点8,然后返回到停靠节点5,车辆在停靠节点5收回无人机,对无人机进行更换电池,然后从停靠节点5发射吴恩基,无人机执行任务节点6,然后执行任务节点4,最后返回停靠节点9,车辆在停靠节点9回收无人机,至此协同任务完成。
可理解的是,这里之所以采用奇偶分层的编码方式,是为了在后续步骤中对染色体进行更新操作时,便于进行拆分。
可理解的是,由于适应度值为无人机与车辆共同完成所有任务的总时长(简称总时长)的倒数,因此可以先计算每一条染色体对应的总时长,然后根据总时长计算该条染色体的适应度值。总时长越小,适应度值越高,其染色体越优秀,故选择初始种群中的适应度值最高的染色体作为当前最优染色体。
S120、判断当前种群中的各条染色体是否均满足预设约束条件,对不满足所述预设约束条件的染色体进行修正以使该染色体满足所述预设约束条件;
在一些实施例中,所述预设约束条件可依据无人机与车辆协同工作的具体场景而设置,例如,所述预设约束条件中包括所述无人机每一次从所述车辆上起飞后至再返回到所述车辆上的所用时长不能超过所述无人机的单次续航时长、每一个任务节点只能被无人机访问一次、无人机只能从停靠节点出发、所述无人机不能在道路上飞行、无人机的起飞次数和降落次数相同以及无人机在每一个飞行架次中起降点只能是停靠节点。
举例来说,在建模时,存在m个待巡检的任务节点,由于这些任务节点不同,完成不同的任务节点所需的时长不同。假设无人机只在停靠在道路上的车辆上起飞和降落,而且车辆也不允许随意在道路上停靠,所以假设在道路上有n个点是巡检车可以停靠的点,即有n个停靠节点,只有当车辆停在这些停靠节点时,无人机才能从车上起飞或返回降落到车上,停靠节点和任务节点的分布情况如图4所示,无人机与车辆协同巡检的路径如图2所示。此处以电力巡检为例,当然实际应用中还可以用在地理测绘、污染检测、交通巡逻、物流配送等其他方面。
下面对公式中可能用到的一些变量进行说明:
采用有向图G=(V,E)对无人机的作业过程进行表述。其中,V=(VR,VT)表示节点总集合,V为所有任务节点和所有停靠节点形成的集合,VR={r1,r2,...,rn}表示所有停靠节点形成的集合,停靠节点是道路上的点,是车辆的停靠点,也是无人机的起飞和降落点。VT={t1,t2,...,tm}表示所有任务节点形成的集合。E={<i,j>|i,j∈V,i≠j}表示车辆的行驶路段和无人机的飞行航段所形成的集合。DU表示无人机的单次续航时长即一次飞行的最大时长;cij表示路段或航段<i,j>的距离即节点i和节点j之间的距离,表示无人机的速度;tk表示无人机在任务节点k所消耗的时长,即无人机任务节点k所消耗的时长。
为解决无人机与车辆共同作业问题,可以采用第一公式计算所述无人机与车辆共同完成任务集合的总时长,所述第一公式包括:
式中,time为所述总时长;xij1取0或1,若xij1取0则表示所述无人机不经过节点i和节点j之间的航段,若xij1取1则表示所述无人机经过节点i和节点j之间的航段。
基于第一公式,模型的目标函数为:
为了确定可行解的范围,下面根据实际情况可设置一些约束条件:
(1)所述无人机每一次从所述车辆上起飞后至再返回到所述车辆上的所用时长不能超过所述无人机的单次续航时长;该约束条件即为无人机的最长续航时长约束,可以用第二公式表示:
(2)每一个任务节点只能被无人机访问一次,该约束条件可以采用第三公式表示:
可理解的是,从任意节点l到任务节点j的总次数为1,且从任务节点j到任意节点p的总次数为1。
(3)无人机只能从停靠节点出发,该约束条件可用第四公式表示:
(4)所述无人机不能在道路上飞行,可以用第五公式表示:
式中,VR为所有停靠节点形成的集合;
(5)无人机的起飞次数和降落次数相同,该约束条件可以用第六公式表示:
(6)无人机在每一个飞行架次中起降点只能是停靠节点,该约束条件可以用第七公式表示:
S130、计算当前种群中每一条染色体的适应度值,并判断当前种群中的最高适应度值是否高于当前最优染色体的适应度值,若是则将当前最优染色体替换为所述最高适应度值对应的染色体,否则保持当前最优染色体不变;
可理解的是,若当前种群中最高适应度值高于当前最优染色体的适应度值,则说明最高适应度值对应的染色体优于当前最优染色体,此时将当前最优染色体替换为最高适应度值对应的染色体。若当前种群中最高适应度值不高于当前最优染色体的适应度值,则说明最高适应度值对应的染色体不优于当前最优染色体,不需要对当前最优染色体进行替换。
S140、判断当前迭代次数是否达到预设最大迭代次数:
若是,则将当前最优染色体作为全局最优解并输出;
否则,采用预设遗传算法对当前种群中的染色体进行更新,将迭代次数加1,并返回步骤S120;其中,更新处理之后的染色体相对于更新之前的染色体对应的路径规划方案发生变化,所述采用预设遗传算法对当前种群中的染色体进行更新包括:对当前种群中的染色体依次进行预设选择操作、预设交叉操作和预设变异操作。
可理解的是,这里通过对当前种群中的染色体进行更新处理的方式实现对当前种群的更新,通过变异防止过早的陷入局部最优。
在实际应用中,对当前种群中的染色体依次进行预设选择操作的过程可以包括:采用轮盘赌的方式对种群进行筛选,并将筛选出来的染色体形成新的种群,适应度值高的染色体被筛选出来的概率越大。
在实际应用中,对当前种群中的染色体依次进行预设交叉操作的过程可以包括:将两条待交叉染色体均拆分为第一父代子染色体和第二父代子染色体,将第一条待交叉染色体的第一父代子染色体和第二条待交叉染色体的第一父代子染色体进行顺序交叉操作,得到两条第一子代子染色体;将第一条待交叉染色体的第二父代子染色体和第二条待交叉染色体的第二父代子染色体进行单点交叉操作,得到两条第二子代子染色体,将两条第一子代子染色体和两条第二子代子染色体组合成为两条新染色体;其中,所述第一父代子染色体和所述第一子代子染色体包括染色体上所有偶数基因位,所述第二父代子染色体和所述第二子代子染色体包括染色体上所有奇数基因位。
可理解的是,并不一定对当前种群中的所有染色体进行预设交叉操作,可以采用预设方式在当前种群中选择一些染色体进行预设交叉操作,具体的预设方式可以有多种,这里不一一赘述。
在实际应用中,对当前种群中的待变异染色体进行预设变异操作,的过程可以包括:将待变异染色体拆分为第一子染色体和第二子染色体,分别对所述第一子染色体和所述第二子染色体进行第一变异操作或第二变异操作,得到新的第一子染色体和第二子染色体,将新的第一子染色体和第二子染色体组合为一条新染色体;其中,所述第一子染色体包括染色体上所有偶数基因位,所述第二子染色体包括染色体上所有奇数基因位。
可理解的是,并不一定对当前种群中的所有染色体进行变异操作,可以采用预设方式在当前种群中选择一些染色体进行变异操作,具体的预设方式可以有多种,这里不一一赘述。
其中,所述第一变异操作可以包括:从一条待变异染色体的第一子染色体上选择两个基因位,并将该两个基因位上的节点编码进行交换,得到新的第一子染色体;从该条待变异染色体的第二子染色体上随机选择一段基因位,所述一段基因位包括连续的至少两个基因位,从预设基因集合中随机选择相应数量的基因来对所述一段基因位的基因进行替换,若替换之后首尾两个基因位中至少一个为0,则从所述预设基因集合中重新随机选择一个非零基因来替换首尾两个基因位中的基因0,直至该段基因位的首尾两个基因位均为非0,得到新的第二子染色体;所述预设基因集合为0和所有停靠节点的编号的集合。
其中,所述第二变异操作可以包括:从一条待变异染色体的第一子染色体上选择两个基因位,并将该两个基因值之间的所有基因位上的节点编码进行顺序倒置,得到新的第一子染色体;从该条待变异染色体的第二子染色体上随机选择一段基因位,所述一段基因位包括连续的至少两个基因位,从预设基因集合中随机选择相应数量的基因来对所述一段基因位的基因进行替换,若替换之后首尾两个基因位中至少一个为0,则从所述预设基因集合重新随机选择一个非零基因来替换首尾两个基因位中的基因0,直至该段基因位的首尾两个基因位均为非0,得到新的第二子染色体;所述预设基因集合为0和所有停靠节点的编号的集合。
由于染色体中存在代表异构节点的编码,为了防止更新操作产生过多不合理的染色体,所以在一些更新操作过程(交叉操作、变异操作)中对染色体进行拆分处理。例如,针对变异操作,将如图5所示出的一条染色体,可以拆分为如图6所示出的第二子染色体和如图7所示出的第一子染色体。然后分别对图6所示出的第二子染色体和图7所示出的第一子染色体进行第一变异操作或第二变异操作,从而不会影响染色体所代表的解的合理性。操作完成后,再将两个子染色体按规则组成一条新的染色体,即形成新的可行解。
也就是说,染色体交叉或变异操作的过程中通过染色体拆分的方式可以避免或减少交叉或变异后产生不可行解的情况,然而针对一些其他操作,变异过程不会产生不可行解,例如,选择操作,因此不需要进行染色体拆分。
其中,对交叉操作进行举例说明:将图5作为第一条染色体,将图8作为第二条染色体,对第一条染色体进行拆分后得到如图7所示的第一子染色体即第一父代子染色体,得到如图6所示的第二子染色体即第二父代子染色体;对第二条染色体进行拆分后得到如图9所示的第一父代子染色体,得到如图10所示的第二子染色体即第二父代子染色体。将如图7示出的第一子染色体和图9示出的第一子染色体进行顺序交叉操作,得到如图11所示出的第一子染色体即第一子代子染色体和如图12示出的第一子染色体即第一子代子染色体。将图6示出的第二子染色体和图10示出的第二子染色体进行单点交叉操作,得到图13示出第二子染色体即第二子代子染色体和图14示出的第二子染色体即第二子代子染色体。最后将图11所示出的第一子代子染色体和图13示出第二子代子染色体组成一条如图15所示的新染色体,将图12示出的第一子染色体和图14示出的第二子染色体组成一条如图16所示的新染色体。这里,将染色体拆分成两个互不干扰的子染色体,然后各自进行不同的交叉操作。顺序交叉操作即Order Crossover,可以简称为OX操作。单点交叉操作即One-PointCrossover。
其中,在第一预设变异操作中,针对第一子染色体进行的变异为变换变异,针对第二子染色体进行的变异为连续随机变异。在第二预设变异操作中,针对第一子染色体进行的变异为倒位变异,针对第二子染色体进行的变异为连续随机变异。
针对第一预设变异操作,举例来说,针对图7示出的第一子染色体,将第一个基因位和第三个基因位进行交换,得到图17示出的第一子染色体。针对图6示出的第二子染色体,选取其中的一段基因位,该段基因位包括连续的第三个基因位、第四个基因位和第五个基因位,预设基因集合为{0,1,3,5,7,9……},从该集合中选择1、3和0来替换图6中的第三个基因位、第四个基因位和第五个基因位,得到如图18所示的第二子染色体,由于替换之后尾端基因位上是0,则在预设基因集合中选择5来替换尾端基因位上的0,得到如图19所示的第二子染色体。
针对第二预设变异操作,举例来说,针对图7示出的第一子染色体,将第二个基因位和第四个基因位之间的各个基因位的节点编码进行顺序倒置,也就是说,第二个基因位的节点编码转移到第四个基因位上,第三个基因位上的节点编码不变,第四个基因位上的节点编码转移到第二个基因位上,得到图20示出的第一子染色体。针对图6示出的第二子染色体,选取其中的一段基因位,该段基因位包括连续的第一个基因位、第二个基因位,预设基因集合为{0,1,3,5,7,9……},从该集合中选择0、3来替换图6中的第一个基因位、第二个基因位,得到如图21所示的第二子染色体,由于替换之后首端基因位上是0,则在预设基因集合中选择9来替换首端基因位上的0,得到如图22所示的第二子染色体。这里的两个基因位之间的含义是包括两个基因位的。
在一些实施例中,在步骤S120中生成的初始染色体或者更新之后的染色体可能是不可行解,也就是说,可能不满足上述预设约束条件,此时对不满足上述约束条件的染色体进行修正,以使其成为可行解。
举例来说,若所述无人机每一次从所述车辆上从起飞后至再返回到所述车辆上的所用时长超过所述无人机的单次续航时长,即染色体不满足上述单次续航时长约束,即无人机在一次任务中所需的时长超过了无人机的单次续航时长,对此需要有相应的措施将不可行解转化为可行解。产生这种情况的原因是:染色体上编码0的数目过多,即无人机连续执行过多的任务,因此将染色体至少一个奇数基因位上的0转化为一个停靠节点的编号,在检查此时的染色体是否为可行解。具体可以先将其中一个0转化为一个停靠节点的编号,转化之后的染色体如果仍然不是可行解,则再选择一个0转化为一个停靠节点的编号,以此类推知道转化之后的染色体成为可行解。如图23所示,无人机在执行了任务节点8后,接着执行了任务节点6,接着又执行了任务节点4,也就是说,无人机连续执行了任务8、6和4,将第五个基因位上的0转化为停靠节点5后仍然不是可行解,接着将第七个基因位上的0转化为停靠节点7,这样才成为可行解,得到图24示出的染色体。
举例来说,任务场景如下:10个任务节点的坐标分别为:任务节点1(720120),任务节点2(120,1260),任务节点3(1200,780),任务节点4(1080,420),任务节点5(1320,1320)任务节点6(480,360),任务节点7(300,840),任务节点8(1500,960),任务节点9(1020,1200),任务节点10(540,660)。5个停靠节点的坐标分别为:停靠节点1(1080,600),停靠节点2(120,840),停靠节点3(1200,1200),停靠节点4(360,480),停靠节点5(960,240)。
注:坐标单位为米(m)。10个任务节点的任务时间分别为:3,4,5,3,4,3,4,5,3,3,单位为分钟。无人机的续航时间为:30分钟,无人机的速度为5m/s。
依据本申请,首先需要对任务节点和停靠节点进行编码,任务节点1的编码为2,任务节点2编码为4,任务节点3编码为6,任务节点4编码为8,任务节点5编码为10,任务节点6编码为12,任务节点7编码为14,任务节点8编码为16,任务节点9编码为18,任务节点10编码为20;停靠节点1编码为1,停靠节点2编码为3,停靠节点3编码为5,停靠节点4编码为7,停靠节点5编码为9。
通过本申请进行求解可得到优化后的染色体如下:5 18 0 10 0 16 0 6 1 8 0 20 12 7 20 3 14 0 4 3;
该染色体表示的路径规划方案为:车辆从停靠节点3出发,连续访问任务节点9、任务节点5、任务节点8和任务节点3,之后回到停靠节点1,再出发连续访问任务节点4、任务节点1和任务节点6,之后回到停靠节点4,再出发访问任务节点10,而后回到停靠节点2,再出发连续访问任务节点7和任务节点2,最后回到停靠节点2,至此所有的任务节点都被遍历1次,任务全部完成,该路径优化方案所用时长为51.66分钟。
本申请实施例提供的无人机与车辆协同下路径的智能优化方法,由于采用奇偶分层的方式进行编码,便于后续对种群的更新,这样可以避免或减少更新操作产生过多不合理的染色体。上述过程中,将车辆作为搭载、发射和回收无人机的平台,同时在无人机返回时为其补充能量。车辆可在不同的位置发射和回收无人机,提高工作效率。可见,本申请不需要工作人员携带大量电池徒步进入到作业现场,减少了工作人员的工作量,实现了无人机的自主执行任务。
第二方面,本申请实施例提供一种无人机与车辆协同下路径的智能优化装置,该装置应用于无人机和车辆共同执行任务,如图25所示,该装置包括:
种群生成模块,用于构建初始种群,并在所述初始种群中选择适应度最高的染色体作为当前最优染色体;其中,所述初始种群中包括多条染色体,每一条染色体表征无人机与车辆共同执行任务的一个路径规划方案,在每一个路径规划方案中车辆沿着道路行驶并在停靠节点上释放无人机,无人机飞向任务节点执行任务,在无人机电量不足以至于无法继续执行下一个任务节点对应的任务时则返回到停靠节点上与车辆汇合并更换电池,继续执行下一个任务节点对应的任务,直至所有的任务节点对应的任务都被执行完成后返回到停靠节点上与车辆汇合;每一条染色体上包括2m+1个基因位,2m+1个基因位包括m个任务节点的基因位和m+1个停靠节点的基因位,在偶数基因位上设置有任务节点的编号,在奇数基因位的基因值上设置停靠节点的编号或编码0,任务节点的编号为偶数,停靠节点的编号为奇数;编码0左右两侧相邻的基因位上只能是任务节点的编码,且表示无人机在执行完前一基因位上的任务节点后未返回停靠节点就执行下一基因位上的任务节点;m为任务节点的总数;所述适应度值为无人机与车辆共同完成所有任务的总时长的倒数;
第一判断模块,用于判断当前种群中的各条染色体是否均满足预设约束条件,对不满足所述预设约束条件的染色体进行修正以使该染色体满足所述预设约束条件;
最优更新模块,用于计算当前种群中每一条染色体的适应度值,并判断当前种群中的最高适应度值是否高于当前最优染色体的适应度值,若是则将当前最优染色体替换为所述最高适应度值对应的染色体,否则保持当前最优染色体不变;
第二判断模块,用于判断当前迭代次数是否达到预设最大迭代次数:若是,则将当前最优染色体作为全局最优解并输出;否则,采用预设遗传算法对当前种群中的染色体进行更新,将迭代次数加1,并返回所述第一判断模块;其中,更新处理之后的染色体相对于更新之前的染色体对应的路径规划方案发生变化,所述采用预设遗传算法对当前种群中的染色体进行更新包括:对当前种群中的染色体依次进行预设选择操作、预设交叉操作和预设变异操作。
第三方面,本申请提供一种计算机设备,该设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面中提供的方法的步骤。
图26示出了一个实施例中计算机设备的内部结构图。如图26所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏等。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可以存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现路径规划方法。该内存储器中也可以储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行路径规划方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图26中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的路径规划装置可以实现为一种计算机程序的形式,计算机程序可在如图26所示的计算机设备上运行。计算机设备的存储器中可存储组成该路径规划装置的各个程序模块,各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的路径规划方法中的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面提供的方法的步骤。
可理解的是,第二方面提供的装置、第三方面提供的计算机设备以及第四方面提供的存储介质均与第一方面提供的方法相对应,其有关内容的解释、举例、实施例、有益效果等内容可以参考第一方面中的相应部分,此处不再赘述。
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。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种无人机与车辆协同下路径的智能优化方法,其特征在于,该方法应用于无人机和车辆共同执行任务,该方法包括:
S110、构建初始种群,并在所述初始种群中选择适应度最高的染色体作为当前最优染色体;其中,所述初始种群中包括多条染色体,每一条染色体表征无人机与车辆共同执行任务的一个路径规划方案,在每一个路径规划方案中车辆沿着道路行驶并在停靠节点上释放无人机,无人机飞向任务节点执行任务,在无人机电量不足以至于无法继续执行下一个任务节点对应的任务时则返回到停靠节点上与车辆汇合并更换电池,继续执行下一个任务节点对应的任务,直至所有的任务节点对应的任务都被执行完成后返回到停靠节点上与车辆汇合;每一条染色体上包括2m+1个基因位,2m+1个基因位包括m个任务节点的基因位和m+1个停靠节点的基因位,在偶数基因位上设置有任务节点的编号,在奇数基因位的基因值上设置停靠节点的编号或编码0,任务节点的编号为偶数,停靠节点的编号为奇数;编码0左右两侧相邻的基因位上只能是任务节点的编码,且表示无人机在执行完前一基因位上的任务节点后未返回停靠节点就执行下一基因位上的任务节点;m为任务节点的总数;所述适应度值为无人机与车辆共同完成所有任务的总时长的倒数;
S120、判断当前种群中的各条染色体是否均满足预设约束条件,对不满足所述预设约束条件的染色体进行修正以使该染色体满足所述预设约束条件;所述预设约束条件包括所述无人机每一次从所述车辆上起飞后至再返回到所述车辆上的所用时长不能超过所述无人机的单次续航时长、每一个任务节点只能被无人机访问一次、无人机只能从停靠节点出发、所述无人机不能在道路上飞行、无人机的起飞次数和降落次数相同以及无人机在每一个飞行架次中起降点只能是停靠节点;S130、计算当前种群中每一条染色体的适应度值,并判断当前种群中的最高适应度值是否高于当前最优染色体的适应度值,若是则将当前最优染色体替换为所述最高适应度值对应的染色体,否则保持当前最优染色体不变;
S140、判断当前迭代次数是否达到预设最大迭代次数:
若是,则将当前最优染色体作为全局最优解并输出;
否则,采用预设遗传算法对当前种群中的染色体进行更新,将迭代次数加1,并返回步骤S120;其中,更新处理之后的染色体相对于更新之前的染色体对应的路径规划方案发生变化,所述采用预设遗传算法对当前种群中的染色体进行更新包括:对当前种群中的染色体依次进行预设选择操作、预设交叉操作和预设变异操作。
2.根据权利要求1所述的方法,其特征在于,所述对不满足所述预设约束条件的染色体进行修正以使该染色体满足所述预设约束条件,包括:
若所述无人机每一次从所述车辆上从起飞后至再返回到所述车辆上的所用时长超过所述无人机的单次续航时长,则将对应染色体至少一个奇数基因位上的0转化为一个停靠节点的编号。
3.根据权利要求1所述的方法,其特征在于,对当前种群中的染色体依次进行预设选择操作,包括:采用轮盘赌的方式对种群进行筛选,并将筛选出来的染色体形成新的种群,适应度值高的染色体被筛选出来的概率越大。
4.根据权利要求1所述的方法,其特征在于,对当前种群中的染色体依次进行预设交叉操作,包括:将两条待交叉染色体均拆分为第一父代子染色体和第二父代子染色体,将第一条待交叉染色体的第一父代子染色体和第二条待交叉染色体的第一父代子染色体进行顺序交叉操作,得到两条第一子代子染色体;将第一条待交叉染色体的第二父代子染色体和第二条待交叉染色体的第二父代子染色体进行单点交叉操作,得到两条第二子代子染色体,将两条第一子代子染色体和两条第二子代子染色体组合成为两条新染色体;其中,所述第一父代子染色体和所述第一子代子染色体包括染色体上所有偶数基因位,所述第二父代子染色体和所述第二子代子染色体包括染色体上所有奇数基因位。
5.根据权利要求1所述的方法,其特征在于,对当前种群中的待变异染色体进行预设变异操作,包括:将待变异染色体拆分为第一子染色体和第二子染色体,分别对所述第一子染色体和所述第二子染色体进行第一变异操作或第二变异操作,得到新的第一子染色体和第二子染色体,将新的第一子染色体和第二子染色体组合为一条新染色体;其中,所述第一子染色体包括染色体上所有偶数基因位,所述第二子染色体包括染色体上所有奇数基因位;其中:
所述第一变异操作包括:从一条待变异染色体的第一子染色体上选择两个基因位,并将该两个基因位上的节点编码进行交换,得到新的第一子染色体;从该条待变异染色体的第二子染色体上随机选择一段基因位,所述一段基因位包括连续的至少两个基因位,从预设基因集合中随机选择相应数量的基因来对所述一段基因位的基因进行替换,若替换之后首尾两个基因位中至少一个为0,则从所述预设基因集合重新随机选择一个非零基因来替换首尾两个基因位中的基因0,直至该段基因位的首尾两个基因位均为非0,得到新的第二子染色体;所述预设基因集合为0和所有停靠节点的编号的集合;
所述第二变异操作包括:从一条待变异染色体的第一子染色体上选择两个基因位,并将该两个基因值之间的所有基因位上的节点编码进行顺序倒置,得到新的第一子染色体;从该条待变异染色体的第二子染色体上随机选择一段基因位,所述一段基因位包括连续的至少两个基因位,从预设基因集合中随机选择相应数量的基因来对所述一段基因位的基因进行替换,若替换之后首尾两个基因位中至少一个为0,则从所述预设基因集合重新随机选择一个非零基因来替换首尾两个基因位中的基因0,直至该段基因位的首尾两个基因位均为非0,得到新的第二子染色体;所述预设基因集合为0和所有停靠节点的编号的集合。
6.一种无人机与车辆协同下路径的智能优化装置,其特征在于,该装置应用于无人机和车辆共同执行任务,该装置包括:
种群生成模块,用于构建初始种群,并在所述初始种群中选择适应度最高的染色体作为当前最优染色体;其中,所述初始种群中包括多条染色体,每一条染色体表征无人机与车辆共同执行任务的一个路径规划方案,在每一个路径规划方案中车辆沿着道路行驶并在停靠节点上释放无人机,无人机飞向任务节点执行任务,在无人机电量不足以至于无法继续执行下一个任务节点对应的任务时则返回到停靠节点上与车辆汇合并更换电池,继续执行下一个任务节点对应的任务,直至所有的任务节点对应的任务都被执行完成后返回到停靠节点上与车辆汇合;每一条染色体上包括2m+1个基因位,2m+1个基因位包括m个任务节点的基因位和m+1个停靠节点的基因位,在偶数基因位上设置有任务节点的编号,在奇数基因位的基因值上设置停靠节点的编号或编码0,任务节点的编号为偶数,停靠节点的编号为奇数;编码0左右两侧相邻的基因位上只能是任务节点的编码,且表示无人机在执行完前一基因位上的任务节点后未返回停靠节点就执行下一基因位上的任务节点;m为任务节点的总数;所述适应度值为无人机与车辆共同完成所有任务的总时长的倒数;
第一判断模块,用于判断当前种群中的各条染色体是否均满足预设约束条件,对不满足所述预设约束条件的染色体进行修正以使该染色体满足所述预设约束条件;所述预设约束条件包括所述无人机每一次从所述车辆上起飞后至再返回到所述车辆上的所用时长不能超过所述无人机的单次续航时长、每一个任务节点只能被无人机访问一次、无人机只能从停靠节点出发、所述无人机不能在道路上飞行、无人机的起飞次数和降落次数相同以及无人机在每一个飞行架次中起降点只能是停靠节点;
最优更新模块,用于计算当前种群中每一条染色体的适应度值,并判断当前种群中的最高适应度值是否高于当前最优染色体的适应度值,若是则将当前最优染色体替换为所述最高适应度值对应的染色体,否则保持当前最优染色体不变;
第二判断模块,用于判断当前迭代次数是否达到预设最大迭代次数:若是,则将当前最优染色体作为全局最优解并输出;否则,采用预设遗传算法对当前种群中的染色体进行更新,将迭代次数加1,并返回所述第一判断模块;其中,更新处理之后的染色体相对于更新之前的染色体对应的路径规划方案发生变化,所述采用预设遗传算法对当前种群中的染色体进行更新包括:对当前种群中的染色体依次进行预设选择操作、预设交叉操作和预设变异操作。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883395 | 2019-09-18 | ||
CN2019108833957 | 2019-09-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047087A CN111047087A (zh) | 2020-04-21 |
CN111047087B true CN111047087B (zh) | 2022-12-02 |
Family
ID=70235072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911248480.2A Active CN111047087B (zh) | 2019-09-18 | 2019-12-09 | 无人机与车辆协同下路径的智能优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047087B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488357B (zh) * | 2020-10-30 | 2022-11-04 | 合肥工业大学 | 基于车辆与无人机协同作业的末端配送方法及系统 |
CN112906959B (zh) * | 2021-02-06 | 2022-09-23 | 合肥工业大学 | 考虑众包和自配送协同情形的路径优化方法和系统 |
CN113159687B (zh) * | 2021-04-29 | 2023-08-29 | 长安大学 | 一种车间agv-uav协同的物料配送路径规划方法和系统 |
CN113177762B (zh) * | 2021-05-14 | 2024-01-05 | 大连海事大学 | 一种多中心电动车-无人机配送路径优化方法 |
CN113592148B (zh) * | 2021-07-01 | 2024-03-15 | 合肥工业大学 | 改进车辆与无人机配送路线的优化方法及系统 |
CN113807646B (zh) * | 2021-07-28 | 2023-07-04 | 合肥工业大学 | 无人机与车辆协同任务分配的智能优化方法和系统 |
CN113885555A (zh) * | 2021-09-14 | 2022-01-04 | 安徽送变电工程有限公司 | 面向输电线路密集通道巡检的多机任务分配方法和系统 |
CN114037180B (zh) * | 2021-11-25 | 2023-02-03 | 电子科技大学 | 一种基于分支定价切割算法的协同配送路径优化方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10417917B2 (en) * | 2016-03-08 | 2019-09-17 | International Business Machines Corporation | Drone management data structure |
CN106813666B (zh) * | 2017-02-13 | 2019-10-18 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及系统 |
CN107238388B (zh) * | 2017-05-27 | 2018-02-23 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
CN107145161B (zh) * | 2017-05-27 | 2020-02-21 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN107103164B (zh) * | 2017-05-27 | 2020-08-28 | 合肥工业大学 | 无人机执行多任务的分配方法及装置 |
CN108280463B (zh) * | 2017-12-20 | 2020-08-14 | 中国人民解放军国防科技大学 | 车辆搭载无人机双层路径的优化方法及装置 |
CN109919376B (zh) * | 2019-03-01 | 2021-04-06 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
-
2019
- 2019-12-09 CN CN201911248480.2A patent/CN111047087B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111047087A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047087B (zh) | 无人机与车辆协同下路径的智能优化方法和装置 | |
CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
CN111007874B (zh) | 无人机与车辆协同的电力巡检方法和装置 | |
Tseng et al. | Hybrid bidirectional ant colony optimization (hybrid BACO): an algorithm for disassembly sequence planning | |
CN103413209B (zh) | 多客户多仓库物流配送路径选择方法 | |
CN108594858B (zh) | 马尔科夫运动目标的无人机搜索方法及装置 | |
Li-ying et al. | Multiple charging station location-routing problem with time window of electric vehicle. | |
CN113703472B (zh) | 多无人机与车辆协同巡检的路径优化方法和装置 | |
CN111047086B (zh) | 车辆路径规划与无人机任务分配联合优化方法和装置 | |
CN104102956A (zh) | 一种基于策略自适应差分进化的配电网络扩展规划方法 | |
Sui et al. | ACO+ PSO+ A*: A bi-layer hybrid algorithm for multi-task path planning of an AUV | |
CN105631528A (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN113110601B (zh) | 一种无人机电力线路巡检路径优化方法及装置 | |
CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
CN108592928A (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
CN115270506B (zh) | 一种人群沿楼梯上行的通行时间预测方法及系统 | |
CN114237222A (zh) | 一种基于强化学习的取送货车辆路径规划方法 | |
Iacobucci et al. | Cascaded model predictive control for shared autonomous electric vehicles systems with V2G capabilities | |
Chen et al. | Routing and scheduling of mobile energy storage system for electricity arbitrage based on two-layer deep reinforcement learning | |
CN114611056A (zh) | 一种电动汽车充电站选址方法和装置 | |
CN114117910A (zh) | 一种基于分层深度强化学习的电动汽车充电引导策略方法 | |
Sharafi et al. | Form finding for rectilinear orthogonal buildings through charged system search algorithm | |
Ding et al. | Deep Reinforcement Learning-Based Spatiotemporal Decision of Utility-Scale Highway Portable Energy Storage Systems | |
CN115617034A (zh) | 多智能体的环境探索方法、装置、电子设备及存储介质 | |
CN114757101A (zh) | 一种面向非时敏移动目标跟踪的单星自主任务调度方法及系统 |
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 |