CN111609864B - 路网约束下多警员协作围捕任务分配及路径规划方法 - Google Patents
路网约束下多警员协作围捕任务分配及路径规划方法 Download PDFInfo
- Publication number
- CN111609864B CN111609864B CN202010372605.9A CN202010372605A CN111609864B CN 111609864 B CN111609864 B CN 111609864B CN 202010372605 A CN202010372605 A CN 202010372605A CN 111609864 B CN111609864 B CN 111609864B
- Authority
- CN
- China
- Prior art keywords
- policeman
- road network
- task
- constraint
- interception point
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种路网约束下多警员协作围捕任务分配及路径规划方法,包括以下步骤:1)获取路网的道路拓扑地图G;2)获取路网G中警员分布信息和任务目标位置信息;3)根据任务目标出现的位置结合道路拓扑地图,确定任务目标下一个可能达到的节点集合;4)获取各警员和任务目标的移动速度;5)根据拦截点集合,以及警员和任务目标的移动速度,确认待分配警员集合;6)计算拦截点集合中各个路口的拥挤度;7)建立路网约束下多警员协作围捕任务分配及路径规划优化模型;8)求解优化模型,获得多警员协作围捕任务分配及路径规划方案。本发明通过建立多目标优化模型,合理地将警员分配到各个抓捕点,有效提高抓捕效率。
Description
技术领域
本发明涉及人工智能技术,尤其涉及一种路网约束下多警员协作围捕任务分配及路径规划方法。
背景技术
为了实现对可疑目标的抓捕任务,协作警员需要运动到可疑目标的出现地点,再对其进行抓捕,围捕是否成功必然受到诸多外在因素的影响,例如:道路交通状况、围捕点的人流量、围捕点的地势等。现有文献未能对上述影响进行考虑,因此迫切需要结合实际抓捕场景设计围捕策略和部署警力。现有文献中研究的围捕场景比较简单,大致可分为以下两类:一类是假设逃逸目标和围捕机器人都只能在栅格地图中朝着邻近的网格移动,采用马尔科夫模型或其它方法对逃逸目标进行状态估计;另一类是完全无路网约束,采用EKF在线估计逃逸目标的运动轨迹,忽略了真实路网的约束。而在实际抓捕过程中,可疑目标和警员仅能严格按照真实路网移动,路口众多的情况下轨迹预测的难度较大。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种路网约束下多警员协作围捕任务分配及路径规划方法。
本发明解决其技术问题所采用的技术方案是:一种路网约束下多警员协作围捕任务分配及路径规划方法,包括以下步骤:
1)获取路网的道路拓扑地图G=(V,E),其中,图的边E表示道路,节点V表示路口;
2)获取路网G中警员分布信息和任务目标位置信息;
3)根据任务目标出现的位置结合道路拓扑地图,确定任务目标下一个可能达到的节点集合,定义为拦截点集合I;
4)获取各警员和任务目标的移动速度;所述任务目标的移动速度通过实际路网中摄像头所采集的任务目标的时间位置信息计算得出;
5)根据拦截点集合,以及警员和任务目标的移动速度,确认待分配警员集合A;
计算任务目标和每个警员在路网中到各拦截点的最短距离及对应的时间,若对于所有拦截点存在某个警员的到达时间均大于可疑目标到达时间,则将该名警员将从分配列表中删除;
6)计算拦截点集合中各个路口的拥挤度;
7)以待分配警员集合中所有警员围捕总距离最小和任务目标的逃逸概率最低为目标,建立路网约束下多警员协作围捕任务分配及路径规划优化模型;
8)利用上述约束条件,求解路网约束下多警员协作围捕任务分配及路径规划优化模型,获得多警员协作围捕任务分配及路径规划方案。
按上述方案,所述步骤2)中,任务目标位置通过路网中的摄像头检测识别获得。
按上述方案,所述步骤6)中,拦截点集合中各个路口的拥挤度采用下式计算:
其中,αj表示第j个拦截点的拥挤指数;cj表示当前时刻第j个拦截点对应路口的人流量、车流量总数;cmax表示当前时刻所有拦截点路口对应的人流量、车流量总数的最大值;
按上述方案,所述步骤7)中,路网约束下多警员协作围捕任务分配及路径规划优化模型的目标函数如下:
7.1)待分配警员集合A中所有警员围捕总距离:
7.2)任务目标的逃逸概率:可疑目标的总逃逸概率为所有拦截点逃逸概率的平均值,计算如下:
按上述方案,所述步骤7)中,路网约束下多警员协作围捕任务分配及路径规划优化模型的约束条件如下:
7.3)建立优化模型的约束条件;
7.3.1)为最大化警力调用,所有属于集合A中的警员必须且只能分配到某一拦截点执行围捕任务;
其中,xij=1(i=1,2,...,K;j=1,2,...,N)表示将A中第i个警员分配到第j个拦截点,否则记xij=0,N为拦截点集合的拦截点总数,K为待分配警员集合中的警员总数;
7.3.2)要求分配到某个拦截点的警员必须在可疑目标之前到达该拦截点
其中,Dij表示A中第i个警员到第j个拦截点在路网约束下的最短距离,dj表示可疑目标从出现的位置到第j个拦截点在路网约束下的最短距离;vp为警员的速度,va为任务目标的速度;
7.3.3)xij是0,1变量;
xij={0,1}
按上述方案,所述步骤8)中采用NSGA-Ⅱ算法进行优化模型求解,并选取Pareto解集的几何聚类中心作为最终的警员分配方案。
本发明产生的有益效果是:
本发明不仅考虑了真实路网的约束,还考虑了不同抓捕人数和抓捕环境对可疑目标逃逸概率的影响,并以最小化所有警员运行总路程和可疑目标的逃逸概率为目标函数建立多目标优化模型,该模型根据时间、环境复杂度以及限行路段的约束,合理地将警员分配到各个抓捕点实施等待抓捕,同时使规划出的各个警员到对应拦截点在路网上运动的路径最优。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的拓扑地图示意图;
图3是本发明实施例的拦截模型示意图;
图4是本发明实施例的围捕流程示意图;
图5是本发明实施例的非劣解空间分布示意图;
图6是本发明实施例的拦截模型图;
图7是本发明实施例的警员分配及路径规划示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种路网约束下多警员协作围捕任务分配及路径规划方法,包括以下步骤:
1)获取路网的道路拓扑地图G=(V,E),其中,图的边E表示道路,节点V表示路口;
2)获取路网G中警员分布信息和任务目标位置信息,所述任务目标位置通过路网中的摄像头检测识别获得;
3)根据任务目标出现的位置结合道路拓扑地图,确定任务目标下一个可能达到的节点集合,定义为拦截点集合I;
本发明中采用的抓捕策略是对可疑目标所有可能的逃逸路径进行拦截以实现围捕,所以将与可疑目标当前节点连接的所有相邻节点设置为拦截点。如图3所示,S表示可疑目标出现的位置,橙色的实线代表可疑目标从当前节点离开后可能会选择的路径,红色的星号表示可疑目标下一时刻可能会达到的节点集合,定义为拦截点集合I。图3中可疑目标在10号路口出现,下一步可随机出现在6、9、11、15号路口,那么这四个路口组成了围捕拦截点集合I,即I={6,9,11,15}。
本实施例中假设可疑目标具有侦查能力,为确保抓捕过程不引起可疑目标的警觉,要求所有警员不能在可疑目标可能行走的路径上移动(图3中10号路口至6、9、11、15号路口的通行路段为可疑目标可能会行走的路径,所有警员在抓捕过程中限行)。加入限行路段虽然会使部分警员无法满足时间约束,增加警员任务分配和路径规划的难度,但也更符合实际抓捕场景。
4)获取各警员和任务目标的移动速度;所述任务目标的移动速度通过实际路网中摄像头所采集的任务目标的时间位置信息计算得出;
由于实施例中加入了警员的限行路段(要求所有警员不能在可疑目标可能行走的路径上移动),采用Dijkstra算法进行最短距离计算时需要对距离权值矩阵中限行路段进行权值无穷大处理。以图3为例即将距离权值中的10至{6,9,11,15}和{6,9,11,15}至10均设置为无穷大;
5)根据拦截点集合,以及警员和任务目标的移动速度,确认待分配警员集合A;
计算任务目标和每个警员在路网中到各拦截点的最短距离及对应的时间,若对于所有拦截点存在某个警员的到达时间均大于可疑目标到达时间,则将该名警员将从分配列表中删除;
6)计算拦截点集合中各个路口的拥挤度;
其中,αj表示第j个拦截点的拥挤指数;cj表示当前时刻第j个拦截点对应路口的人流量、车流量总数;cmax表示当前时刻所有拦截路口中最密集的那个路口所对应的人流量、车流量总数的最大值;
α越大表示环境越拥挤,越不适合抓捕,可疑目标的逃逸概率就越高理论上需要更多的警员去进行抓捕。同样分配到每个拦截点的警员人数也会对抓捕成功率造成影响,相同的拥挤指数下抓捕人数越多抓捕成功率越高,可疑目标在第j个拦截点的逃逸概率Pj随此拦截点拥挤指数αj和分配到这个拦截点的抓捕人数nj变化的函数关系如下式所示:
7)以待分配警员集合中所有警员围捕总距离最小和任务目标的逃逸概率最低为目标,建立路网约束下多警员协作围捕任务分配及路径规划优化模型;
参数定义:
警员的数量记为M,拦截点的数量记为N,假设警员在路网上的运动速度为vp=40km/h,可疑目标的运动速度为va=10km/h。
实际抓捕场景下,可能会存在少数警员距离所有拦截点很远,不能在可疑目标之前至少到达其中某一个拦截点,那么这些警员将不参与任务分配。定义实数变量A∈R1×K,表示M名警员中剩余K名警员可进行任务分配,K≤M。
引入0-1矩阵x∈RK×N,xij=1(i=1,2,...,K;j=1,2,...,N)表示将A中第i个警员分配到第j个拦截点,否则记xij=0。
定义实数变量D∈RK×N,和d∈R1×N。其中Dij表示A中第i个警员到第j个拦截点在路网约束下的最短距离,dj表示可疑目标从出现的位置到第j个拦截点在路网约束下的最短距离。
7.1)待分配警员集合A中所有警员围捕总距离:
7.2)任务目标的逃逸概率:可疑目标的总逃逸概率为所有拦截点逃逸概率的平均值,计算如下:
7.3)建立优化模型的约束条件;
7.3.1)为最大化警力调用,所有属于集合A中的警员必须且只能分配到某一拦截点执行围捕任务;
其中,xij=1(i=1,2,...,K;j=1,2,...,N)表示将A中第i个警员分配到第j个拦截点,否则记xij=0,N为拦截点集合的拦截点总数,K为待分配警员集合中的警员总数;
7.3.2)要求分配到某个拦截点的警员必须在可疑目标之前到达该拦截点
其中,Dij表示A中第i个警员到第j个拦截点在路网约束下的最短距离,dj表示可疑目标从出现的位置到第j个拦截点在路网约束下的最短距离;vp为警员的速度,va为任务目标的速度;
7.3.3)xij是0,1变量;
xij={0,1}
根据以上说明,将路网约束下多警员协作围捕任务分配及路径规划问题转化为下式所示的多目标优化问题;
min{f1,f2}
其中,xij=1(i=1,2,...,K;j=1,2,...,N)表示将A中第i个警员分配到第j个拦截点,否则记xij=0,N为拦截点集合的拦截点总数,Dij表示A中第i个警员到第j个拦截点在路网约束下的最短距离,dj表示可疑目标从出现的位置到第j个拦截点在路网约束下的最短距离;K为待分配警员集合中的警员总数;
8)利用上述约束条件,求解路网约束下多警员协作围捕任务分配及路径规划优化模型,获得多警员协作围捕任务分配及路径规划方案。
本实施例中,采用NSGA-Ⅱ算法进行优化模型求解,并选取Pareto解集的几何聚类中心作为最终的警员分配方案,该方案在确保抓捕成功率的情况下,使所有警员抓捕总距离尽可能短,围捕流程图如图4所示。
本发明采用NSGA-Ⅱ算法进行任务分配求解,该算法具有高效的非支配解集排序性能,已被广泛应用于多目标优化问题当中。NSGA-Ⅱ算法在传统GA算法的基础上将进化种群按支配关系分为若干层,第一层为进化群体的非支配个体集合,第二层为在进化群体中去掉第一层个体后所求得的非支配个体集合,以此类推。为保持解群体分布性和多样性,NSGA-Ⅱ算法还需要计算进化群体中每个个体的聚集距离,然后依据个体所处的层次及其聚集距离,定义一个偏序集,构造新的群体时依次在偏序集中选择个体。在构造偏序集时,优先考虑等级序号低的个体,当等级相同时优先考虑聚集距离比较大的个体。
针对所研究的问题在初始化种群时需要进行一些数据操作。首先将种群个体的长度设置成与A的长度相等,个体中的第p个数的数值q表示将A中的第p个警员分配到第q个拦截点。例如[1 3 2 2 1]表示A中总共有5名警员,将1号警员分配到1号拦截点;2号警员分配到3号拦截点;3号警员分配到2号拦截点;4号警员分配到2号拦截点;5号警员分配到1号拦截点。在种群初始化的时候个体中的每个数需要满足约束,例如2号警员在满足时间约束的情况下能到达1、2号拦截点,那么在生成粒子的时候每个个体的第2个数字只能是1或者2。
抓捕方案选取方法
通过NSGA-Ⅱ多目标优化算法得到的是一个最优解集如图5所示,所有星号点表示非劣解。在实际应用中最终解的选取往往非常重要,会根据不同需求选择不同的解。本文所研究的围捕问题既需要考虑所有警员的运动总路程还需要考虑可疑目标的逃逸概率,所以最终选取Pareto面上非劣解集的几何聚类中心作为最终抓捕方案,几何聚类中心选取方法如下:
定义F(i)distance为Pareto面上所有点到第i个点的距离之和,选取min(Fdistance)对应的点作为聚类中心。计算方式如公式(8)所示,其中m表示Pareto面上非劣解的个数,F表示的是所有非劣解对应的目标函数值矩阵。
5、实验结果及分析
本实验抓捕场景如图6所示。实际路网的路口数量有23个,有20名警员随机分布在其中的20个路口值守。4、10、23这三个路口无警员值守,可疑目标从10号路口出现,下一步可能会出现在6、9、11、15这四个路口的任意一个。根据实时人流量、车流量数据统计,得到这四个拦截点的拥挤度如下表所示:
本实验运用NSGA-Ⅱ算法时种群大小设置为100,迭代次数为200。
实验结果如图7所示,绿色点表示分配到当前拦截点的警员集合,红色粗实线表示各警员从所处位置在路网中运动到拦截点的最优路径,标记红色叉的位置表示所有警员不能经过的路段,α表示此拦截点的拥挤度,n表示分配到这个拦截点的警员人数。以图7(c)和图7(d)为例,11号拦截点的拥挤度很高为0.93,抓捕难度较大,分配了(7、8、11、12、18、19、22)号这7名警员前往抓捕。15号拦截点拥挤度很低为0.15,抓捕难度较低,分配了(15、17、21)号3名警员进行抓捕。而如图7(a)和图7(b)所示,6号和9号拦截点的拥挤度为0.4和0.5相差不大,都分配了5名警员进行抓捕,而且图中所有警员均未从限行路段经过。
表3为警员任务分配及到达时间表,表3中每名警员的可到达拦截点表示假如可疑目标选择此节点作为下一运动地点时这名警员能在满足时间的约束下与可疑目标之前到达此拦截点,分配拦截点即表示给这名警员分配到哪个拦截点去执行抓捕任务。通过表3可看出所有警员到达分配的拦截点时间均小于可疑目标到达拦截点所需时间。
表3警员任务分配及到达时间表
通过以上实验结果可以看出所有警员均能避开限行路段在路网中选择最短路径在可疑目标之前运动到所分配的拦截点,并且环境复杂度较低的拦截点分配警员人数较少而环境复杂度较高的节点由于抓捕难度大而分配了更多的警员进行抓捕。充分说明了本文所提出的方法能够根据时间、环境复杂度以及限行路段的约束,合理地将警员分配到各个抓捕点,同时使规划出的各个警员到对应拦截点在路网上运动的路径最优。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种路网约束下多警员协作围捕任务分配及路径规划方法,其特征在于,包括以下步骤:
1)获取路网的道路拓扑地图G=(V,E),其中,图的边E表示道路,节点V表示路口;
2)获取路网G中警员分布信息和任务目标位置信息;
3)根据任务目标出现的位置结合道路拓扑地图,确定任务目标下一个可能达到的节点集合,定义为拦截点集合I;
4)获取警员和任务目标的移动速度;
5)根据拦截点集合,以及警员和任务目标的移动速度,确认待分配警员集合A;
计算任务目标和每个警员在路网中到各拦截点的最短距离及对应的时间,若对于所有拦截点存在某个警员的到达时间均大于可疑目标到达时间,则将该名警员将从分配列表中删除;
6)计算拦截点集合中各个路口的拥挤度;
7)以待分配警员集合中所有警员围捕总距离最小和任务目标的逃逸概率最低为目标,建立路网约束下多警员协作围捕任务分配及路径规划优化模型;
所述步骤7)中,路网约束下多警员协作围捕任务分配及路径规划优化模型的目标函数如下:
7.1)待分配警员集合A中所有警员围捕总距离:
其中,xij=1表示将A中第i个警员分配到第j个拦截点,否则记xij=0,N为拦截点集合的拦截点总数,K为待分配警员集合A中的警员总数,Dij表示A中第i个警员到第j个拦截点在路网约束下的最短距离;
7.2)任务目标的逃逸概率:可疑目标的总逃逸概率为所有拦截点逃逸概率的平均值,计算如下:
其中,αj表示第j个拦截点的拥挤指数;
8)求解路网约束下多警员协作围捕任务分配及路径规划优化模型,获得多警员协作围捕任务分配及路径规划方案。
2.根据权利要求1所述的路网约束下多警员协作围捕任务分配及路径规划方法,其特征在于,所述步骤2)中,任务目标位置通过路网中的摄像头检测识别获得。
4.根据权利要求1所述的路网约束下多警员协作围捕任务分配及路径规划方法,其特征在于,所述步骤7)中,路网约束下多警员协作围捕任务分配及路径规划优化模型的约束条件如下:
7.3)建立优化模型的约束条件;
7.3.1)为最大化警力调用,所有属于集合A中的警员必须且只能分配到某一拦截点执行围捕任务;
其中,xij=1表示将A中第i个警员分配到第j个拦截点,否则记xij=0,N为拦截点集合的拦截点总数,K为待分配警员集合中的警员总数;
7.3.2)要求分配到某个拦截点的警员必须在可疑目标之前到达该拦截点
其中,Dij表示A中第i个警员到第j个拦截点在路网约束下的最短距离,dj表示可疑目标从出现的位置到第j个拦截点在路网约束下的最短距离;vp为警员的速度,va为任务目标的速度;
7.3.3)xij是0,1变量;
xij={0,1}。
5.根据权利要求1所述的路网约束下多警员协作围捕任务分配及路径规划方法,其特征在于,所述步骤8)中采用NSGA-Ⅱ算法进行优化模型求解,并选取Pareto解集的几何聚类中心作为最终的警员分配方案。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372605.9A CN111609864B (zh) | 2020-05-06 | 2020-05-06 | 路网约束下多警员协作围捕任务分配及路径规划方法 |
US17/306,971 US20210348928A1 (en) | 2020-05-06 | 2021-05-04 | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372605.9A CN111609864B (zh) | 2020-05-06 | 2020-05-06 | 路网约束下多警员协作围捕任务分配及路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111609864A CN111609864A (zh) | 2020-09-01 |
CN111609864B true CN111609864B (zh) | 2021-03-26 |
Family
ID=72198091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010372605.9A Active CN111609864B (zh) | 2020-05-06 | 2020-05-06 | 路网约束下多警员协作围捕任务分配及路径规划方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210348928A1 (zh) |
CN (1) | CN111609864B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949979B (zh) * | 2021-01-28 | 2024-04-09 | 迪爱斯信息技术股份有限公司 | 一种堵控规划方法及装置、围捕系统 |
CN114253975B (zh) * | 2021-12-20 | 2023-05-09 | 华中科技大学 | 一种负载感知的路网最短路径距离计算方法及装置 |
CN114692352B (zh) * | 2022-04-06 | 2023-02-03 | 中南大学 | 一种山区铁路施工便道线路网智能布设方法 |
KR20230171154A (ko) * | 2022-06-13 | 2023-12-20 | 한국과학기술원 | 차량경로문제를 위한 루프 방식의 경로표현법 및 최적화 방법 |
CN114756034B (zh) * | 2022-06-13 | 2022-09-09 | 北京蒙帕信创科技有限公司 | 一种机器人实时避障路径规划方法及装置 |
CN115994678B (zh) * | 2023-03-24 | 2023-06-20 | 中国人民解放军63921部队 | 多任务多粒度天地基资源协同调度方法和终端设备 |
CN116227888B (zh) * | 2023-05-05 | 2023-07-28 | 山东大学 | 考虑路段内线路不交叉约束的城市配电网规划方法及系统 |
CN117037501B (zh) * | 2023-10-10 | 2023-12-12 | 成都创一博通科技有限公司 | 基于人工智能的城市停车管理方法和管理系统 |
CN117151427B (zh) * | 2023-10-27 | 2024-01-30 | 湖南思达软件技术有限公司 | 一种基于大数据的交通警务协同管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
CN108738031A (zh) * | 2018-04-16 | 2018-11-02 | 大连理工大学 | 面向协同感知的多传感器联合部署模型构建方法 |
CN109359880A (zh) * | 2018-10-26 | 2019-02-19 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
CN109377567A (zh) * | 2018-10-31 | 2019-02-22 | 浙江中烟工业有限责任公司 | 一种膨胀烟丝工段的逃生训练方法及系统 |
CN110110919A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 基于粒子群算法与区域可到达路径最小化的目标拦截方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6801850B1 (en) * | 2000-10-30 | 2004-10-05 | University Of Illionis - Chicago | Method and system for tracking moving objects |
US7395151B2 (en) * | 2004-02-24 | 2008-07-01 | O'neill Dennis M | System and method for knowledge-based emergency response |
US20160148136A1 (en) * | 2014-11-24 | 2016-05-26 | Boyi Ni | Multiple sequential planning and allocation of time-divisible resources |
US20170124505A1 (en) * | 2015-11-03 | 2017-05-04 | Motorola Solutions, Inc. | Dispatch controller and method for assigning a role of pursuit vehicle |
-
2020
- 2020-05-06 CN CN202010372605.9A patent/CN111609864B/zh active Active
-
2021
- 2021-05-04 US US17/306,971 patent/US20210348928A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
CN108738031A (zh) * | 2018-04-16 | 2018-11-02 | 大连理工大学 | 面向协同感知的多传感器联合部署模型构建方法 |
CN109359880A (zh) * | 2018-10-26 | 2019-02-19 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
CN109377567A (zh) * | 2018-10-31 | 2019-02-22 | 浙江中烟工业有限责任公司 | 一种膨胀烟丝工段的逃生训练方法及系统 |
CN110110919A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 基于粒子群算法与区域可到达路径最小化的目标拦截方法 |
Non-Patent Citations (4)
Title |
---|
基于动态预测目标轨迹和围捕点的多机器人围捕算法;胡俊等;《电子学报》;20111130;第39卷(第11期);2480-2485 * |
基于概率分析的应急交通救援需求预测模型;耿彦斌等;《中国安全科学学报》;20100630;第20卷(第6期);172-176 * |
机器人救援的目标吸引动态路径规划蚁群算法;张晓勇等;《系统仿真学报》;20110930;第23卷(第9期);1854-1859 * |
突发事件下应急救援路径选择模型的构建和求解;张杰等;《计算机应用研究》;20110430;第28卷(第4期);1311-1314 * |
Also Published As
Publication number | Publication date |
---|---|
US20210348928A1 (en) | 2021-11-11 |
CN111609864A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111609864B (zh) | 路网约束下多警员协作围捕任务分配及路径规划方法 | |
CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
Zhang et al. | Learning-based energy-efficient data collection by unmanned vehicles in smart cities | |
CN108229719B (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 | |
CN113159432A (zh) | 一种基于深度强化学习的多智能体路径规划方法 | |
CN113552899B (zh) | 一种通信链路受限下的多无人机自主协同搜索方法 | |
Xu et al. | A brief review of the intelligent algorithm for traveling salesman problem in UAV route planning | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
Masadeh et al. | Reinforcement learning-based security/safety UAV system for intrusion detection under dynamic and uncertain target movement | |
Qiming et al. | A review of intelligent optimization algorithm applied to unmanned aerial vehicle swarm search task | |
Wu et al. | Route coordination of uav fleet to track a ground moving target in search and lock (sal) task over urban airspace | |
Zhao et al. | Learning transformer-based cooperation for networked traffic signal control | |
Wang et al. | A novel hybrid algorithm based on improved particle swarm optimization algorithm and genetic algorithm for multi-UAV path planning with time windows | |
CN113140108A (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
CN114629769B (zh) | 自组织网络的流量图谱生成方法 | |
Mou et al. | Three-Dimensional Area Coverage with UAV Swarm based on Deep Reinforcement Learning | |
Wang et al. | A Reinforcement Learning Approach to CAV and Intersection Control for Energy Efficiency | |
Li et al. | Improved genetic algorithm for multi-agent task allocation with time windows | |
Araújo et al. | Cooperative observation of malicious targets in a 3d urban traffic environment using uavs | |
Tuyishimire et al. | Real-time data muling using a team of heterogeneous unmanned aerial vehicles | |
CN112926779A (zh) | 基于路径规划的智能调度系统及方法 | |
CN112867023A (zh) | 一种通过动态调度无人终端最小化感知数据获取时延方法 | |
CN116027793A (zh) | 一种基于路网信息的多无人车协同目标围捕方法及系统 | |
CN117556979B (zh) | 基于群体智能搜索的无人机平台与载荷一体化设计方法 |
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 |