CN111309046B - 异构无人机编队地震灾后勘察的任务分配方法 - Google Patents

异构无人机编队地震灾后勘察的任务分配方法 Download PDF

Info

Publication number
CN111309046B
CN111309046B CN202010084539.5A CN202010084539A CN111309046B CN 111309046 B CN111309046 B CN 111309046B CN 202010084539 A CN202010084539 A CN 202010084539A CN 111309046 B CN111309046 B CN 111309046B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
survey
target
task allocation
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
Application number
CN202010084539.5A
Other languages
English (en)
Other versions
CN111309046A (zh
Inventor
杨善林
朱默宁
罗贺
王国强
胡笑旋
夏维
马华伟
唐奕城
靳鹏
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.)
Hefei University of Technology
Original Assignee
Hefei 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010084539.5A priority Critical patent/CN111309046B/zh
Publication of CN111309046A publication Critical patent/CN111309046A/zh
Application granted granted Critical
Publication of CN111309046B publication Critical patent/CN111309046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/101Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种异构无人机编队地震灾后勘察的任务分配方法,具体涉及无人机技术领域,该方法可以包括:先确定需要异构多无人机勘察的勘察目标的相关信息、无人机的站点信息和无人机的相关参数;再计算并存储站点到勘察目标、勘察目标之间的欧式距离;然后建立多站点可重访团队定向问题MD‑RTOP模型,获取异构多无人机进行编队执行勘察任务的初始任务分配方案集合,最后采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA算法进行优化以获得每架无人机的访问勘察目标的最优任务分配方案。基于本发明实施例提供的方法,可以降低任务分配的时间,最大限度地发挥无人机的效用,有效提升地震灾后勘察任务的完成质量。

Description

异构无人机编队地震灾后勘察的任务分配方法
技术领域
本发明涉及无人机技术领域,具体涉及一种异构无人机编队地震灾后勘察的任务分配方法。
背景技术
地震灾害会造成惨重的人员伤亡和巨大的财产损失,地震发生后,对灾区进行系统地勘察对于灾后重建工作有着重要的意义。地震灾后勘察的主要目的是为救援工作的科学部署和有效开展提供决策支持,然而地震触发的山体滑坡、崩塌、泥石流等次生灾害给勘察工作带来了很大麻烦,也对救援人员的生命产生巨大的威胁。
由于无人机可以快速地进入地震灾区,并通过所搭载的传感器快速捕获图像和视频数据,所以已被广泛地应用于地震灾后勘察任务中。但无人机所搭载的传感器不可避免地存在探测误差,为了降低探测误差对于勘察任务的影响,可以通过多次访问同一个目标的方式提升勘察任务的期望收益。与此同时,地震受灾区域面积广阔,需要勘察的任务点数量庞大,而可以投入的无人机数量有限,且为异构无人机,即不同无人机的续航能力不同,所搭载传感器的探测误差也不同。为了提升由多架异构无人机组成的无人机编队在执行灾后勘察任务时的期望收益,如何最大限度地发挥无人机的续航能力访问尽可能多的任务点,并最大化勘察任务的期望收益是亟待解决的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种异构无人机编队地震灾后勘察的任务分配方法,可以在多种约束条件下优化无人机对潜在目标的访问次数,并最大限度地发挥无人机的效用,从而提升地震灾后勘察任务的有效性。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供了一种异构无人机编队地震灾后勘察的任务分配方法,其特征在于,所述方法包括:
确定需要异构多无人机勘察的至少一个勘察目标的目标坐标及其权重;
获取所述多无人机的站点的站点数量、站点编号及站点坐标;
获取访问所述勘察目标的所述无人机的相关参数;所述相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长和/或飞行速度;
计算所述站点到所有所述勘察目标的欧氏距离以及所有勘察目标之间的欧氏距离,并使用二维矩阵进行存储,记做欧氏距离矩阵;
根据所述无人机的飞行速度计算每架无人机从所述站点到每个勘察目标的飞行时长以及每架无人机在所有勘察目标之间的飞行时长,并使用三维矩阵进行存储,记做飞行时长矩阵;
建立所述多站点可重访团队定向问题MD-RTOP模型;
采用所述MD-RTOP模型根据每个所述勘察目标的目标坐标及其权重、每架无人机的续航时间、每架无人机的出发站点,获取所述异构多无人机进行编队执行勘察任务的初始任务分配方案集合;其中,所述初始任务分配方案集合包括多个任务分配方案,所述任务分配方案被定义为所述异构多无人机中每架无人机的任务执行顺序及对应的无人机编号,所述任务执行顺序包括无人机的起点、无人机依次经过的勘察目标、无人机的终点;
采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA算法对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述勘察目标的最优任务分配方案。
可选地,所述无人机从第k个站点到各所述勘察目标i的欧氏距离通过公式(1)计算得到:
Figure BDA0002381576230000031
其中,xk表示无人机第k个站点的横坐标,xi表示勘察目标i的横坐标,yk表示无人机第k个站点的纵坐标,yi表示勘察目标i的纵坐标;由于欧氏距离的对称性,所以dki=dik
所述所有勘察目标之间的欧氏距离通过公式(2)计算得到:
Figure BDA0002381576230000032
其中,xi表示无人机第k个站点的横坐标,xj表示勘察目标j的横坐标,yi表示无人机第k个站点的纵坐标,yj表示勘察目标j的纵坐标。由于欧氏距离的对称性,所以dij=dji
可选地,从第k个站点出发的第u架无人机从站点到各所述勘察目标的飞行时长通过下式计算得到:
Figure BDA0002381576230000033
其中,
Figure BDA0002381576230000034
表示从第k个站点出发的第u架无人机从站点到勘察目标i的飞行时长,dki表示从所述第k个无人机站点到所述勘察目标i的欧氏距离,vu表示第u架无人机的飞行速度。由于dki=dik,所以
Figure BDA0002381576230000035
各所述勘察目标之间的飞行时长通过下式计算得到:
Figure BDA0002381576230000036
其中,
Figure BDA0002381576230000037
表示从第k个无人机站点出发的第u架无人机在所有勘察目标之间的飞行时长,dij表示所有勘察目标之间的欧氏距离,vu表示第u架无人机的飞行速度。由于dij=dji,所以
Figure BDA0002381576230000038
可选地,所述MD-RTOP模型的目标函数采用公式(5)来表示:
Figure BDA0002381576230000041
其中,i为勘察目标的编号,u为无人机的编号,wi为勘察目标i的权重,pu为第u架无人机所携带传感器的探测误差,
Figure BDA0002381576230000042
为表示第u架无人机对勘察目标i的访问次数,N为所述勘察目标的数量,U为所述无人机的数量,Max为最大值函数。
可选地,所述MD-RTOP模型的约束条件采用公式(6)至(9)来表示:
Figure BDA0002381576230000043
Figure BDA0002381576230000044
Figure BDA0002381576230000045
Figure BDA0002381576230000046
其中,k为无人机出发站点的编号,k’为无人机返回站点的编号,K为无人机站点的数量,D为无人机站点的集合;h、i和j为勘察目标的编号,N为勘察目标的数量,T为勘察目标的集合;u为无人机的编号,U为无人机的数量,U为无人机的集合;
Figure BDA0002381576230000047
为第u架无人机从第k个站点到勘察目标i的决策变量,
Figure BDA0002381576230000048
为第u架无人机从勘察目标j到第k’个站点的决策变量;
Figure BDA0002381576230000049
为第u架无人机从勘察目标h到勘察目标i的决策变量,
Figure BDA00023815762300000410
为第u架无人机从勘察目标i到勘察目标j的决策变量;
Figure BDA00023815762300000411
为第u架无人机从第k个站点到勘察目标i的飞行时间,
Figure BDA00023815762300000412
为第u架无人机从勘察目标i到勘察目标j的飞行时间,
Figure BDA00023815762300000413
为第u架无人机从勘察目标j到第k’个站点的飞行时间;
Figure BDA00023815762300000414
为第u架无人机的续航时长;公式(9)为二元决策变量
Figure BDA00023815762300000415
的取值,当
Figure BDA00023815762300000416
为1时表示第u架无人机选择了从勘察目标i到勘察目标j的路径,当
Figure BDA0002381576230000051
为0时表示第u架无人机没有选择这条路径。
可选地,采用所述MD-RTOP模型根据每个所述勘察目标的目标坐标及其权重、每架无人机的续航时间、每架无人机的出发站点,获取所述异构多无人机进行编队执行勘察任务的初始任务分配方案集合,包括:
采用变长度的整数编码方式描述所述初始任务集合中的任意一个任务分配方案,记做染色体;其中,所述染色体的第1行为无人机的路径,染色体的第2行为无人机的编号;
并通过以下步骤1~步骤4生成所述初始任务分配方案集合:
步骤1:以勘察目标集合T作为无人机u的备选访问目标集合,以无人机u的发射站点k为圆心,以无人机u的续航能力为半径,构造圆,删掉集合T中在所述圆以外的点所对应的勘察目标编号,得到集合Tu
步骤2:将集合Tu中的勘察目标编号进行随机排列,并在该随机排列的最前面和最后面加上无人机的出发站点编号k和返回站点编号k’,这样就得到了无人机u路径,然后在染色体的第2行写入无人机的编号u,从而得到无人机u的勘察任务分配方案;
步骤3:根据无人机的数量U重复步骤2,直到所有的无人机都得到勘察任务分配方案,将所述勘探任务分配方案合并后就得到了一条初始染色体;
步骤4:根据预设的初始任务分配方案集合所需要的方案数量重复步骤2-3,得到初始任务分配方案集合。
可选地,采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA算法对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述勘察目标的最优任务分配方案,包括:
步骤1,以公式(10)作为适应度函数,计算所述初始任务方案集合中的每个任务分配方案的适应度值;
Figure BDA0002381576230000061
步骤2,根据每个任务分配方案的适应度值,采用轮盘赌机制对初始任务方案集合进行选择操作,每次选出2个任务分配方案进行交叉操作;
步骤3,采用分段拼接机制对选出的2个任务分配方案进行交叉操作,得到2个新任务分配方案;
步骤4,重复步骤2-3,直到达到预设的交叉操作次数,从而得到一个较优任务分配方案集合,找出所述较优任务方案集合中适应度值最大的任务分配方案,作为当前最优任务方案,截止此时,算完成了1代遗传操作;
步骤5,重复步骤1-4,直到当前最优任务方案连续10代遗传操作没有更新,此时结束遗传操作,转入模拟退火操作;
步骤6,将所述当前最优任务方案作为模拟退火操作的初始分配方案,对初始分配方案进行扰动操作,得到初始分配方案的多个临域方案;
通过多轮迭代对所述多个临域方案进行优化,获得每架所述无人机的访问任意一个或多个所述巡逻目标的最优任务分配方案。
可选地,采用分段拼接机制对选出的2个任务分配方案进行交叉操作,得到2个新任务分配方案,直到达到预设的交叉操作次数,从而得到一个较优任务分配方案集合,包括:
步骤1:将所述2个任务方案作为父代染色体,对父代染色体进行分段,经过分段后的每段染色体都代表了一架无人机的任务分配方案;
步骤2:将所述两条待交叉的父代染色体进行拼接;
步骤3:根据无人机的数量U重复步骤2,直到所述两条待交叉的父代染色体中的每一段染色体都完成了单点拼接的交叉操作,将所有的染色体段按无人机编号的顺序进行合并,就得到了子代染色体;基于所述子代染色体构建较优任务方案集合。
可选地,对初始分配方案进行扰动操作,包括:
通过替换一个巡逻目标来提升任务分配方案的适应度值,其包括:
设计一种基于收益距离比Rpd的扰动策略,Rpd的计算公式如下:
Figure BDA0002381576230000071
其中,Δwi为用巡逻目标i替换一个巡逻目标后任务方案中巡逻目标的权重变化值,Δdi为用巡逻目标i替换一个巡逻目标后任务方案的路径长度变化值;
当对初始分配方案进行扰动操作时,随机选择所述初始分配方案中的一个基因位,并随机产生一个巡逻目标i,计算用巡逻目标i替换基因位上的目标后的收益距离比Rpd,如果Rpd>0,则接受该扰动操作,否则以exp(Rpd)的概率接受该扰动操作。
(三)有益效果
本发明提供了一种异构无人机编队地震灾后勘察的任务分配方法。与现有技术相比,具备以下有益效果:
1、通过循环迭代的优化方法解决了从多个站点出发的异构无人机编队协同完成地震灾后勘察的任务分配问题;
2、在多种约束条件下潜在目标可被多次访问,最大限度地发挥无人机的效用;
3、能够快速得到高质量的任务分配方案,而且算法的鲁棒性很好,多次运行的结果差距很小。
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是根据本申请实施例的异构无人机编队地震灾后勘察的任务分配方法流程示意图;
图2是根据本申请实施例的异构无人机编队地震灾后勘察任务场景示意图;
图3是根据本申请实施例的异构无人机编队地震灾后勘察任务具体执行场景示意图;
图4是根据本申请实施例的异构无人机编队地震灾后勘察最优任务分配方案示意图。
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,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。
本申请实施例通过提供一种异构无人机编队地震灾后勘察的任务分配方法。本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
先确定需要异构多无人机勘察的至少一个勘察目标的相关信息、无人机站点的站点信息和无人机的相关参数;再计算并存储站点到所有勘察目标、所有勘察目标之间的欧式距离;然后建立多站点可重访团队定向问题MD-RTOP(multi-depot revisit-allowedteam orienteering problem)模型,获取异构多无人机进行编队执行勘察任务的初始任务分配方案集合,最后采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA算法对初始任务分配方案集合进行优化以获得每架无人机的访问任意一个或多个勘察目标的最优任务分配方案。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1是根据本申请实施例的异构无人机编队地震灾后勘察的任务分配方法流程示意图,参见图1可知,本实施例提供的异构无人机编队地震灾后勘察的任务分配方法流程示意图可以包括:
步骤S101,确定需要异构多无人机勘察的至少一个勘察目标的目标坐标及其权重;
步骤S102,获取多无人机的站点的站点数量、站点编号及站点坐标;
步骤S103,获取访问勘察目标的无人机的相关参数;相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长和/或飞行速度;
步骤S104,计算站点到所有勘察目标的欧氏距离以及所有勘察目标之间的欧氏距离,并使用二维矩阵进行存储,记做欧氏距离矩阵;
步骤S105,根据无人机的飞行速度计算每架无人机从站点到每个勘察目标的飞行时长以及每架无人机在所有勘察目标之间的飞行时长,并使用三维矩阵进行存储,记做飞行时长矩阵;
步骤S106,建立多站点可重访团队定向问题MD-RTOP模型;
步骤S107,采用MD-RTOP模型根据每个勘察目标的目标坐标及其权重、每架无人机的续航时间、每架无人机的出发站点,获取异构多无人机进行编队执行勘察任务的初始任务分配方案集合;其中,初始任务分配方案集合包括多个任务分配方案,任务分配方案被定义为异构多无人机中每架无人机的任务执行顺序及对应的无人机编号,任务执行顺序包括无人机的起点、无人机依次经过的勘察目标、无人机的终点;
步骤S108,采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA算法对所述初始任务分配方案集合进行优化以获得每架无人机的访问任意一个或多个所述勘察目标的最优任务分配方案。
本发明实施例提供了一种异构无人机编队地震灾后勘察的任务分配方法,在本发明实施例提供的方法中,通过循环迭代的优化方法,针对地震灾后的地震灾后勘察任务实现了对异构无人机编队进行任务分配,降低了任务分配的时间,最大限度地发挥了无人机的效用,有效提升了地震灾后勘察任务的完成质量。
勘察任务场景如图2所示,异构无人机U1、U2、U3、U4分别从不同站点D1、D2、D3、D4出发(图2中的D1、D2、D3、D4的位置坐标与U1、U2、U3、U4的位置坐标重合),对勘察目标1-60进行勘察,根据U1、U2、U3、U4所搭载传感器的探测误差、续航时长和/或飞行速度给每架无人机分配不同的勘察目标,同时按照重要目标优先选择原则,颜色越深重要性越高,其中目标1-60按照颜色深浅的不同代表重要性的不同,并通过优化每架无人机对勘察目标的访问顺序和访问次数提升勘察任务的期望收益,优化异构无人机地震灾后勘察的任务分配方案。
图3是根据本申请实施例的异构无人机编队地震灾后勘察任务架构示意图,参见图3可知,所有无人机从不同的站点出发,对地震受灾区域进行灾后勘察,由于受灾区域面积大,需要勘察的建筑物数量多,而每架无人机的续航时长有限,所以无法覆盖所有建筑物,需要根据建筑物的权重进行有选择性的勘察,比如对医院、学校等可作为灾民安置点的建筑物进行多次访问,通过无人机获取的可信度较高的信息安排后续的救援工作,将地震造成的人民生命和财产损失降到最低。执行上述步骤S101~108的构无人机编队地震灾后勘察的任务分配方法可由救援指挥中心的专家执行。
下面分别对上述步骤S101~108进行详细说明。
参见上述步骤S101,首先要确定异构无人机勘察的至少一个勘察目标的目标坐标及其权重。以执行地震灾后勘察任务来讲,多无人机对受灾区域内的建筑物进行勘察(即上文提及的勘察目标),勘察的主要目的是在无人机的续航时长内尽可能准确地获取勘察目标的信息,从而有针对性地采取后续救援行动,所以,无人机无法覆盖目标区域内所有的勘察目标,而是有选择地访问部分勘察目标,比如:可作为灾民安置点的建筑物(如医院和学校)应作为优先考虑的勘察目标。因此,对于目标区域中不同的勘察目标来讲,其各自重要程度是不一样的,在本实施例中,勘察目标的重要程度可通过权重进行表示,权重数值越大说明勘察目标越重要。继续参见图2可知,图2中1-60分别表示60个勘察目标,其颜色深浅即表示权重大小,颜色越浅则表示权重越小,即重要程度越小。参见图2可知,越靠近中心勘察目标的权重越大,其中,勘察目标24、30、31、37权重最大,其次是17、18、23、25、36、38、43、44,再次是11、12、13、16、19、29、32、42、45、48、49、50依次减小,1、2、3、20、27、40、21、34、41、58、59、60相等为最小。
在本实施例中,对于目标区域中的各勘察目标也可以依据勘察目标的不同属性进行设定,一般情况下,勘察目标的权重可以用wi={1,2,…,10}表示,各勘察目标的勘察目标坐标可以通过GPS获取或是其他方式获取,本发明对此不做限定。当然,实际应用中目标区域还可以是其他属性的需要无人机进行侦察的区域,本发明不做限定。
参见上述步骤S102,获取多无人机的站点的站点数量、站点编号及站点坐标等站点相关信息。
在本发明实施例中,无人机的站点在实际地震灾后勘察中,相当于救援指挥中心。在本发明实施例中,异构多无人机的站点可同时作为无人机对勘察目标执行勘察任务的起点,或是不同的起点或是终点,并且站点的数量和位置可根据实际情况进行调整,本发明不做限定。而站点坐标,可同时作为无人机的起点坐标和终点坐标。具体获取站点坐标时,可以利用GPS或是其他方式进行获取,本发明不做限定。
参见上述步骤S103,获取访问勘察目标的无人机的相关参数;相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长和/或飞行速度。
以上述实施例所提及的地震受灾区域来讲,由于无人机可以不受路面损坏影响快速地进入地震灾区,并通过所搭载的传感器快速捕获图像和视频数据,所以已被广泛地应用于地震灾后救援行动中。而在实际应用中,对于不同救援小组的无人机,具体表现为无人机所携带传感器的探测误差、续航时间和/或飞行速度存在差异。因此,在上述步骤S103中,不仅需要获取异构无人机的数量,还需要获取每架无人机的相关参数。通过对各无人机中相关参数的获取,可以在后续优化无人机路径中,可以对每架无人机进行个性化设定以及优化路径,从而提升每架无人机的使用效率。其中,无人机的编号是可以与无人机进行一一对应的唯一编号。
参见上述步骤S104,计算站点到所有勘察目标的欧氏距离以及所有勘察目标之间的欧氏距离,并使用二维矩阵进行存储,记做欧氏距离矩阵。
欧氏距离是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。而在数学中,一个距离矩阵是一个包含一组点两两之间距离的矩阵(即二维数组)。因此给定N个欧几里得空间中的点,其距离矩阵就是一个非负实数作为元素的N×N的对称矩阵。
无人机从第k个站点到各所述勘察目标i的欧氏距离通过公式(1)计算得到:
Figure BDA0002381576230000121
其中,xk表示无人机第k个站点的横坐标,xi表示勘察目标i的横坐标,yk表示无人机第k个站点的纵坐标,yi表示勘察目标i的纵坐标;由于欧氏距离的对称性,所以dki=dik
所述所有勘察目标之间的欧氏距离通过公式(2)计算得到:
Figure BDA0002381576230000131
其中,xi表示无人机第k个站点的横坐标,xj表示勘察目标j的横坐标,yi表示无人机第k个站点的纵坐标,yj表示勘察目标j的纵坐标。由于欧氏距离的对称性,所以dij=dji
欧式距离使用三维矩阵进行存储,记做欧氏距离矩阵。如表1所示,矩阵的第1行到第k行为无人机站点的编号,矩阵的第k+1行到第k+N行为无人机勘察目标的编号;矩阵的第1列到第k列为无人机站点的编号,矩阵的第k+1列到第k+N列为无人机勘察目标的编号。例如:dD1T1表示第1个无人机站点到第1个勘察目标的欧氏距离。
Inf表示无穷大,由于无人机不允许从站点出发后不对任何勘察目标进行勘察就返回站点,所以第1行到第k行的第1列第k列均为无穷大;同时,不允许无人机在同一个勘察目标停留,所以目标自己到自己的距离也设为无穷大。
表1
Figure BDA0002381576230000132
Figure BDA0002381576230000141
参见上述步骤S105,根据无人机的飞行速度计算每架无人机从所述站点到每个勘察目标的飞行时长以及每架无人机在所有勘察目标之间的飞行时长,并使用三维矩阵进行存储,记做飞行时长矩阵。
从第k个站点出发的第u架无人机从站点到各所述勘察目标的飞行时长通过下式计算得到:
Figure BDA0002381576230000142
其中,
Figure BDA0002381576230000143
表示从第k个站点出发的第u架无人机从站点到勘察目标i的飞行时长,dki表示从所述第k个无人机站点到所述勘察目标i的欧氏距离,vu表示第u架无人机的飞行速度。由于dki=dik,所以
Figure BDA0002381576230000144
各所述勘察目标之间的飞行时长通过下式计算得到:
Figure BDA0002381576230000145
其中,
Figure BDA0002381576230000146
表示从第k个无人机站点出发的第u架无人机在所有勘察目标之间的飞行时长,dij表示所有勘察目标之间的欧氏距离,vu表示第u架无人机的飞行速度。由于dij=dji,所以
Figure BDA0002381576230000147
使用三维矩阵进行存储,记做飞行时长矩阵,三维矩阵的页为无人机的编号。三维矩阵的第1行为无人机的编号,矩阵的第2行到第N+1行为无人机勘察目标的编号;矩阵的第1列为无人机的编号,矩阵的第2列到第N+1列为无人机勘察目标的编号。表2所示的是三维矩阵的第u页,即从第k个无人机站点出发的第u架无人机的所有飞行时长。第1行的第2列到第N+1列为从第k个无人机站点Dk出发的第u架无人机从站点到所有勘察目标的飞行时长;第2行到第N+1行的第2列到第N+1列是从第k个无人机站点Dk出发的第u架无人机在所有勘察目标之间的飞行时长;第1列的第2行到第N+1行为从第k个无人机站点Dk出发的第u架无人机从所有勘察目标到第k个无人机站点Dk的飞行时长。例如:
Figure BDA0002381576230000151
表示第u架无人机从第k个无人机站点出发飞到第1个勘察目标的飞行时长。
表2
Figure BDA0002381576230000152
Inf表示无穷大,由于无人机不允许出发后不对任何勘察目标进行勘察就返回,所以第1行第1列为无穷大,同时,不允许无人机在同一个勘察目标停留,所以目标自己到自己的飞行时长也设为无穷大。
参见上述步骤S106,建立所述多站点可重访团队定向问题MD-RTOP模型。
其中,MD-RTOP模型的目标函数采用公式(5)来表示:
Figure BDA0002381576230000153
其中,i为勘察目标的编号,u为无人机的编号,wi为勘察目标i的权重,pu为第u架无人机所携带传感器的探测误差,
Figure BDA0002381576230000154
为表示第u架无人机对勘察目标i的访问次数,N为所述勘察目标的数量,U为所述无人机的数量,Max为最大值函数。
进一步地,MD-RTOP模型的约束条件采用公式(6)至(9)来表示:
Figure BDA0002381576230000161
Figure BDA0002381576230000162
Figure BDA0002381576230000163
Figure BDA0002381576230000164
其中,k为无人机出发站点的编号,k’为无人机返回站点的编号,K为无人机站点的数量,D为无人机站点的集合;h、i和j为勘察目标的编号,N为勘察目标的数量,T为勘察目标的集合;u为无人机的编号,U为无人机的数量,U为无人机的集合;
Figure BDA0002381576230000165
为第u架无人机从第k个站点到勘察目标i的决策变量,
Figure BDA0002381576230000166
为第u架无人机从勘察目标j到第k’个站点的决策变量;
Figure BDA0002381576230000167
为第u架无人机从勘察目标h到勘察目标i的决策变量,
Figure BDA0002381576230000168
为第u架无人机从勘察目标i到勘察目标j的决策变量;
Figure BDA0002381576230000169
为第u架无人机从第k个站点到勘察目标i的飞行时间,
Figure BDA00023815762300001610
为第u架无人机从勘察目标i到勘察目标j的飞行时间,
Figure BDA00023815762300001611
为第u架无人机从勘察目标j到第k’个站点的飞行时间;
Figure BDA00023815762300001612
为第u架无人机的续航时长;
公式(9)为二元决策变量
Figure BDA00023815762300001613
的取值,当
Figure BDA00023815762300001614
为1时表示第u架无人机选择了从勘察目标i到勘察目标j的路径,当
Figure BDA00023815762300001615
为0时表示第u架无人机没有选择这条路径。
参见上述步骤S107,采用MD-RTOP模型根据每个勘察目标的目标坐标及其权重、每架无人机的续航时间、每架无人机的出发站点,获取所述异构多无人机进行编队执行勘察任务的初始任务分配方案集合。
其中,初始任务分配方案集合包括多个任务分配方案,而任务分配方案被定义为所述异构多无人机中每架无人机的任务执行顺序及对应的无人机编号,所述任务执行顺序包括无人机的起点、无人机依次经过的勘察目标、无人机的终点。
在本申请一可选实施例中,采用变长度的整数编码方式描述初始任务集合中的任意一个任务分配方案,记做染色体;其中,染色体的第1行为无人机的路径,染色体的第2行为无人机的编号;采用变长度的整数编码方式的染色体示意图如表3所示:
表3
无人机路径 3 5 4 2 1 1 5 3 1
无人机编号 1 1 1 1 2 2 2 2 2
如表3所示,第1架无人机从第3个站点出发,依次勘察5号目标和4号目标之后返回第2个站点;第2架无人机从第1个站点出发,依次勘察1号目标、5号目标和3号目标之后返回第1个站点。
接着,通过以下步骤1~步骤4生成所述初始任务分配方案集合:
步骤1:以勘察目标集合T作为无人机u的备选访问目标集合,以无人机u的发射站点k为圆心,以无人机u的续航能力为半径,构造圆,删掉集合T中在所述圆以外的点所对应的勘察目标编号,得到集合Tu
步骤2:将集合Tu中的勘察目标编号进行随机排列,并在该随机排列的最前面和最后面加上无人机的出发站点编号k和返回站点编号k’,这样就得到了无人机u路径,然后在染色体的第2行写入无人机的编号u,从而得到无人机u的勘察任务分配方案;
步骤3:根据无人机的数量U重复步骤2,直到所有的无人机都得到勘察任务分配方案,将所述勘探任务分配方案合并后就得到了一条初始染色体;
步骤4:根据预设的初始任务分配方案集合所需要的方案数量重复步骤2-3,得到初始任务分配方案集合。
最后执行上述步骤S108,采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA(Hybrid Genetic Simulated Annealing)算法对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述勘察目标的最优任务分配方案。
路径规划问题目前还没有可应用的确定性算法来找到车辆的最佳路径和实际可实现性,对于路径规划的求解,元启发式方法的应用已得到普遍认可。元启发式是独立于问题的解决方案,它们不需要适应特定问题的解决方案。相反,它们近似地解决了广泛的路径规划问题。
HGSA算法是一种高效求解模型的混合启发式算法,由遗传算法GA和模拟退火算法SA构成,GA具有快速寻找新解能力,但在算法后期爬山能力较差并容易陷入局部最优,而SA具有很好的全局寻优能力虽然收敛速度较慢。因此HGSA算法在第一阶段先采用GA算法快速得到一个较优的解,并以此作为SA算法的初始解,第二阶段通过局部寻优操作最终得到最优解。HGSA算法可以在较短的时间内得到模型高质量的可行解,可以满足地震灾后场景下快速规划每架无人机任务路径的实际需求。
最优任务分配方案获取步骤如下:
步骤1,以公式(10)作为适应度函数,计算所述初始任务方案集合中的每个任务分配方案的适应度值;
Figure BDA0002381576230000181
步骤2,根据每个任务分配方案的适应度值,采用轮盘赌机制对初始任务方案集合进行选择操作,每次选出2个任务分配方案进行交叉操作;
步骤3,采用分段拼接机制对选出的2个任务分配方案进行交叉操作,得到2个新任务分配方案;
步骤4,重复步骤2-3,直到达到预设的交叉操作次数,从而得到一个较优任务分配方案集合,找出所述较优任务方案集合中适应度值最大的任务分配方案,作为当前最优任务方案,截止此时,算完成了1代遗传操作;
步骤5,重复步骤1-4,直到当前最优任务方案连续10代遗传操作没有更新,此时结束遗传操作,转入模拟退火操作;
步骤6,将所述当前最优任务方案作为模拟退火操作的初始分配方案,对初始分配方案进行扰动操作,得到初始分配方案的多个临域方案;
通过多轮迭代对所述多个临域方案进行优化,获得每架所述无人机的访问任意一个或多个所述巡逻目标的最优任务分配方案。
在本申请一可选实施例中,上述步骤3和步骤4可进一步地描述为以下三个步骤:
步骤1:将所述2个任务方案作为父代染色体,对父代染色体进行分段,经过分段后的每段染色体都代表了一架无人机的任务分配方案;
步骤2:将所述两条待交叉的父代染色体进行拼接;
步骤3:根据无人机的数量U重复步骤2,直到所述两条待交叉的父代染色体中的每一段染色体都完成了单点拼接的交叉操作,将所有的染色体段按无人机编号的顺序进行合并,就得到了子代染色体;基于所述子代染色体构建较优任务方案集合。
同时,对初始分配方案进行扰动操作,包括:
通过替换一个巡逻目标来提升任务分配方案的适应度值,其包括:
设计一种基于收益距离比(profit distance ratio)Rpd的扰动策略,Rpd的计算公式如下:
Figure BDA0002381576230000191
其中,Δwi为用巡逻目标i替换一个巡逻目标后任务方案中巡逻目标的权重变化值,Δdi为用巡逻目标i替换一个巡逻目标后任务方案的路径长度变化值;
当对初始分配方案进行扰动操作时,随机选择所述初始分配方案中的一个基因位,并随机产生一个巡逻目标i,计算用巡逻目标i替换基因位上的目标后的收益距离比Rpd,如果Rpd>0,则接受该扰动操作,否则以exp(Rpd)的概率接受该扰动操作。需要说明的是,本实施例提供的公式中的各常量参数可根据实际需要进行调整,对于上述实施例所提供公式的合理变形均属于本发明的保护范围。
图4是最优的任务分配方案示意图,图中的点线、实线、点实线和虚线分别表示四架异构无人机U1、U2、U3和U4的任务分配方案。
综上所述,与现有技术相比,具备以下有益效果:
1、通过循环迭代的优化方法解决了从多个站点出发的异构无人机编队协同完成地震灾后勘察的任务分配问题;
2、在多种约束条件下潜在目标可被多次访问,最大限度地发挥无人机的效用;
3、能够快速得到高质量的任务分配方案,而且算法的鲁棒性很好,多次运行的结果差距很小。
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 (6)

1.一种异构无人机编队地震灾后勘察的任务分配方法,其特征在于,所述方法包括:
确定需要异构多无人机勘察的至少一个勘察目标的目标坐标及其权重;
获取所述多无人机的站点的站点数量、站点编号及站点坐标;
获取访问所述勘察目标的所述无人机的相关参数;所述相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长和/或飞行速度;
计算所述站点到所有所述勘察目标的欧氏距离以及所有勘察目标之间的欧氏距离,并使用二维矩阵进行存储,记做欧氏距离矩阵;
根据所述无人机的飞行速度计算每架无人机从所述站点到每个勘察目标的飞行时长以及每架无人机在所有勘察目标之间的飞行时长,并使用三维矩阵进行存储,记做飞行时长矩阵;
建立多站点可重访团队定向问题MD-RTOP模型;
采用所述MD-RTOP模型根据每个所述勘察目标的目标坐标及其权重、每架无人机的续航时间、每架无人机的出发站点,获取所述异构多无人机进行编队执行勘察任务的初始任务分配方案集合;其中,所述初始任务分配方案集合包括多个任务分配方案,所述任务分配方案被定义为所述异构多无人机中每架无人机的任务执行顺序及对应的无人机编号,所述任务执行顺序包括无人机的起点、无人机依次经过的勘察目标、无人机的终点;
采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA算法对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述勘察目标的最优任务分配方案;
所述MD-RTOP模型的约束条件采用公式(6)至(9)来表示:
Figure FDA0003603656110000011
Figure FDA0003603656110000021
Figure FDA0003603656110000022
Figure FDA0003603656110000023
其中,k为无人机出发站点的编号,k’为无人机返回站点的编号,K为无人机站点的数量,D为无人机站点的集合;h、i和j为勘察目标的编号,N为勘察目标的数量,T为勘察目标的集合;u为无人机的编号,U为无人机的集合;
Figure FDA0003603656110000024
为第u架无人机从第k个站点到勘察目标i的决策变量,
Figure FDA0003603656110000025
为第u架无人机从勘察目标j到第k’个站点的决策变量;
Figure FDA0003603656110000026
为第u架无人机从勘察目标h到勘察目标i的决策变量,
Figure FDA0003603656110000027
为第u架无人机从勘察目标i到勘察目标j的决策变量;
Figure FDA0003603656110000028
为第u架无人机从第k个站点到勘察目标i的飞行时间,
Figure FDA0003603656110000029
为第u架无人机从勘察目标i到勘察目标j的飞行时间,
Figure FDA00036036561100000210
为第u架无人机从勘察目标j到第k’个站点的飞行时间;
Figure FDA00036036561100000211
为第u架无人机的续航时长;
公式(9)为二元决策变量
Figure FDA00036036561100000212
的取值,当
Figure FDA00036036561100000213
为1时表示第u架无人机选择了从勘察目标i到勘察目标j的路径,当
Figure FDA00036036561100000214
为0时表示第u架无人机没有选择这条路径;
采用所述MD-RTOP模型根据每个所述勘察目标的目标坐标及其权重、每架无人机的续航时间、每架无人机的出发站点,获取所述异构多无人机进行编队执行勘察任务的初始任务分配方案集合,包括:
采用变长度的整数编码方式描述所述初始任务集合中的任意一个任务分配方案,记做染色体;其中,所述染色体的第1行为无人机的路径,染色体的第2行为无人机的编号;
并通过以下步骤1~步骤4生成所述初始任务分配方案集合:
步骤1:以勘察目标集合T作为无人机u的备选访问目标集合,以无人机u的发射站点k为圆心,以无人机u的续航能力为半径,构造圆,删掉集合T中在所述圆以外的点所对应的勘察目标编号,得到集合Tu
步骤2:将集合Tu中的勘察目标编号进行随机排列,并在该随机排列的最前面和最后面加上无人机的出发站点编号k和返回站点编号k’,这样就得到了无人机u路径,然后在染色体的第2行写入无人机的编号u,从而得到无人机u的勘察任务分配方案;
步骤3:根据无人机的数量U重复步骤2,直到所有的无人机都得到勘察任务分配方案,将所述勘察任务分配方案合并后就得到了一条初始染色体;
步骤4:根据预设的初始任务分配方案集合所需要的方案数量重复步骤2-3,得到初始任务分配方案集合;
采用引入分段拼接和自适应切换机制的混合遗传模拟退火HGSA算法对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述勘察目标的最优任务分配方案,包括:
步骤1,以公式(10)作为适应度函数,计算所述初始任务方案集合中的每个任务分配方案的适应度值;
Figure FDA0003603656110000031
其中,i为勘察目标的编号,u为无人机的编号,wi为勘察目标i的权重,pu为第u架无人机所携带传感器的探测误差,
Figure FDA0003603656110000032
为表示第u架无人机对勘察目标i的访问次数,N为所述勘察目标的数量,U为所述无人机的数量;
步骤2,根据每个任务分配方案的适应度值,采用轮盘赌机制对初始任务方案集合进行选择操作,每次选出2个任务分配方案进行交叉操作;
步骤3,采用分段拼接机制对选出的2个任务分配方案进行交叉操作,得到2个新任务分配方案;
步骤4,重复步骤2-3,直到达到预设的交叉操作次数,从而得到一个较优任务分配方案集合,找出所述较优任务方案集合中适应度值最大的任务分配方案,作为当前最优任务方案,截止此时,算完成了1代遗传操作;
步骤5,重复步骤1-4,直到当前最优任务方案连续10代遗传操作没有更新,此时结束遗传操作,转入模拟退火操作;
步骤6,将所述当前最优任务方案作为模拟退火操作的初始分配方案,对初始分配方案进行扰动操作,得到初始分配方案的多个临域方案;
通过多轮迭代对所述多个临域方案进行优化,获得每架所述无人机的访问任意一个或多个巡逻目标的最优任务分配方案。
2.根据权利要求1所述的方法,其特征在于,所述无人机从第k个站点到各所述勘察目标i的欧氏距离通过公式(1)计算得到:
Figure FDA0003603656110000041
其中,xk表示无人机第k个站点的横坐标,xi表示勘察目标i的横坐标,yk表示无人机第k个站点的纵坐标,yi表示勘察目标i的纵坐标;由于欧氏距离的对称性,所以dki=dik
所述所有勘察目标之间的欧氏距离通过公式(2)计算得到:
Figure FDA0003603656110000042
其中,xi表示勘察目标i的横坐标,xj表示勘察目标j的横坐标,yi表示无人机第k个站点的纵坐标,yi表示勘察目标i的纵坐标。由于欧氏距离的对称性,所以dij=dji
3.根据权利要求1所述的方法,其特征在于,
从第k个站点出发的第u架无人机从站点到各所述勘察目标的飞行时长通过下式计算得到:
Figure FDA0003603656110000051
其中,
Figure FDA0003603656110000052
为第u架无人机从第k个站点到勘察目标i的飞行时间,dki表示从第k个无人机站点到所述勘察目标i的欧氏距离,vu表示第u架无人机的飞行速度。由于dki=dik,所以
Figure FDA0003603656110000053
各所述勘察目标之间的飞行时长通过下式计算得到:
Figure FDA0003603656110000054
其中,
Figure FDA0003603656110000055
为第u架无人机从勘察目标i到勘察目标j的飞行时间,dij表示所有勘察目标之间的欧氏距离,vu表示第u架无人机的飞行速度。由于dij=dji,所以
Figure FDA0003603656110000056
4.根据权利要求1所述的方法,其特征在于,所述MD-RTOP模型的目标函数采用公式(5)来表示:
Figure FDA0003603656110000057
Max为最大值函数。
5.根据权利要求1所述的方法,其特征在于,采用分段拼接机制对选出的2个任务分配方案进行交叉操作,得到2个新任务分配方案,直到达到预设的交叉操作次数,从而得到一个较优任务分配方案集合,包括:
步骤1:将2个任务方案作为父代染色体,对父代染色体进行分段,经过分段后的每段染色体都代表了一架无人机的任务分配方案;
步骤2:将两条待交叉的父代染色体进行拼接;
步骤3:根据无人机的数量U重复步骤2,直到所述两条待交叉的父代染色体中的每一段染色体都完成了单点拼接的交叉操作,将所有的染色体段按无人机编号的顺序进行合并,就得到了子代染色体;基于所述子代染色体构建较优任务方案集合。
6.根据权利要求1所述的方法,其特征在于,对初始分配方案进行扰动操作,包括:
通过替换一个巡逻目标来提升任务分配方案的适应度值,其包括:
设计一种基于收益距离比Rpd的扰动策略,Rpd的计算公式如下:
Figure FDA0003603656110000061
其中,Δwi为用巡逻目标i替换一个巡逻目标后任务方案中巡逻目标的权重变化值,Δdi为用巡逻目标i替换一个巡逻目标后任务方案的路径长度变化值;
当对初始分配方案进行扰动操作时,随机选择所述初始分配方案中的一个基因位,并随机产生一个巡逻目标i,计算用巡逻目标i替换基因位上的目标后的收益距离比Rpd,如果Rpd>0,则接受该扰动操作,否则以exp(Rpd)的概率接受该扰动操作。
CN202010084539.5A 2020-02-10 2020-02-10 异构无人机编队地震灾后勘察的任务分配方法 Active CN111309046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010084539.5A CN111309046B (zh) 2020-02-10 2020-02-10 异构无人机编队地震灾后勘察的任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010084539.5A CN111309046B (zh) 2020-02-10 2020-02-10 异构无人机编队地震灾后勘察的任务分配方法

Publications (2)

Publication Number Publication Date
CN111309046A CN111309046A (zh) 2020-06-19
CN111309046B true CN111309046B (zh) 2022-08-02

Family

ID=71144954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010084539.5A Active CN111309046B (zh) 2020-02-10 2020-02-10 异构无人机编队地震灾后勘察的任务分配方法

Country Status (1)

Country Link
CN (1) CN111309046B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434901B (zh) * 2020-10-15 2022-11-04 合肥工业大学 无人机交通巡逻方案的智能重决策方法和系统
CN112965528B (zh) * 2021-02-22 2023-06-30 广东电网有限责任公司 受灾点的救援策略确定方法、装置、设备和存储介质
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
CN113485429B (zh) * 2021-07-23 2022-01-18 安徽有云智能科技有限公司 空地协同交通巡检的路径优化方法和装置
CN116243729B (zh) * 2023-05-11 2023-08-18 四川腾盾科技有限公司 一种基于固定翼集群无人机在线分组的相位协同规划方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727512B (zh) * 2008-10-17 2012-07-04 中国科学院过程工程研究所 一种基于变分多尺度方法的并行计算系统
KR101666132B1 (ko) * 2014-12-26 2016-10-18 서울대학교산학협력단 무인기의 시장기반 분산형 임무 할당 방법 및 이를 수행하기 위한 프로그램이 기록된 기록매체
US10203701B2 (en) * 2015-11-06 2019-02-12 Massachusetts Institute Of Technology Dynamic task allocation in an autonomous multi-UAV mission
CN108229719B (zh) * 2017-11-29 2021-12-14 合肥工业大学 无人机编队任务分配与航迹规划的多目标优化方法及装置
CN109254588B (zh) * 2018-10-17 2020-08-11 北京航空航天大学 一种基于交叉变异鸽群优化的无人机集群协同侦察方法
CN110083173B (zh) * 2019-04-08 2022-01-11 合肥工业大学 无人机编队巡检任务分配的优化方法

Also Published As

Publication number Publication date
CN111309046A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111309046B (zh) 异构无人机编队地震灾后勘察的任务分配方法
CN111352417B (zh) 异构多无人机协同路径的快速生成方法
Xu et al. Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities
CN111401681B (zh) 多无人机协同巡逻任务分配优化方法
Saeidian et al. Evaluation and comparison of Genetic Algorithm and Bees Algorithm for location–allocation of earthquake relief centers
CN107977743B (zh) 多无人机协同任务分配方法及装置
Waiming et al. A two-phase genetic annealing method for integrated earth observation satellite scheduling problems
US7788199B2 (en) Method and apparatus for distributing assignments
CN108229719A (zh) 无人机编队任务分配与航迹规划的多目标优化方法及装置
CN113485429B (zh) 空地协同交通巡检的路径优化方法和装置
CN104121903B (zh) 一种基于边界值问题的滚动航路规划方法
CN111310992B (zh) 面向地震灾后快速评估的多无人机路径优化方法
JP2020119530A (ja) 重要業績評価指標のようなユーザ要求事項に適したターゲット物体予測ネットワークを用いた、cnn基盤の変動に強い物体検出器を学習する方法及び学習装置、並びにこれを利用したテスティング方法及びテスティング装置
CN111460877A (zh) 利用图像级联及cnn的客体检测方法及装置
Morici et al. Empirical predictive model for seismic damage of historical churches
Heyns Optimisation of surveillance camera site locations and viewing angles using a novel multi-attribute, multi-objective genetic algorithm: A day/night anti-poaching application
Fang et al. Routing UAVs in landslides Monitoring: A neural network heuristic for team orienteering with mandatory visits
CN111160521A (zh) 基于深度神经网络图编码器的城市人类流动模式检测方法
CN113865589A (zh) 一种基于地形坡度的长距离快速路径规划方法
CN115328210B (zh) 路径规划方法、装置、终端设备以及存储介质
CN111399533B (zh) 异构多无人机协同任务分配与路径优化方法
CN111506104B (zh) 一种规划无人机位置的方法及装置
CN115599774B (zh) 基于局部时空树回归模型的时空非平稳性分析方法及系统
CN114117260B (zh) 时空轨迹索引与查询处理方法、装置、设备及介质
CN113657650B (zh) 面向地震灾后快速勘察的车机协同路径优化方法和装置

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