CN111639811A - 基于改进蚁群算法的多农机协同作业远程管理调度方法 - Google Patents

基于改进蚁群算法的多农机协同作业远程管理调度方法 Download PDF

Info

Publication number
CN111639811A
CN111639811A CN202010484077.6A CN202010484077A CN111639811A CN 111639811 A CN111639811 A CN 111639811A CN 202010484077 A CN202010484077 A CN 202010484077A CN 111639811 A CN111639811 A CN 111639811A
Authority
CN
China
Prior art keywords
task
path
ant
length
agricultural
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.)
Granted
Application number
CN202010484077.6A
Other languages
English (en)
Other versions
CN111639811B (zh
Inventor
张漫
曹如月
李世超
季宇寒
徐弘祯
李寒
李民赞
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202010484077.6A priority Critical patent/CN111639811B/zh
Publication of CN111639811A publication Critical patent/CN111639811A/zh
Application granted granted Critical
Publication of CN111639811B publication Critical patent/CN111639811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于改进蚁群算法的多机协同作业远程管理调度方法，包括任务规划和路径规划，任务规划分为任务分配和任务序列优化。首先，根据农田作业环境中的初始任务信息和农机信息，根据农机与任务的供需匹配原则，通过改进蚁群算法获得最优任务分配方案；其次，根据最优任务分配方案，通过改进蚁群算法对各农机分配的多个任务进行任务序列优化，获得最优任务序列方案；最后，根据初始环境信息建立环境地图模型，根据最优任务分配方案、最优任务序列方案以及动静态障碍物、任务地块之间的路径代价、路径平滑因素，通过改进蚁群算法进行路径规划，获得最优路径规划方案，寻求一条无碰撞的最优路径。

Description

基于改进蚁群算法的多农机协同作业远程管理调度方法
技术领域
本发明涉及人工智能领域及农机自动导航技术领域，尤其涉及一种基于蚁群算法的多农机协同作业远程管理调度方法。
背景技术
随着中国农业集约化、规模化、产业化的发展，以及自动导航作业需求的提高，多台同种或异种农机在田间协同作业的多机协同导航作业模式成为农机导航研究的重点。
目前区域农田中的作业管理缺乏高效的农机调度与多机协同作业信息获取手段及科学决策方法。农机作业过程中调度供需信息不对称，农机管理部门缺乏科学合理的调度管理方案，调度成本高且效率低，无法指导农机进行及时有效的调度。
多机协同作业远程管理调度可以帮助农机作业管理人员更快、更精确、更有效率地完成工作，减少昂贵的复查和补救遗漏作业，大大减轻劳动强度、提高作业精度、提高农业资源利用率和投入产出比，而且有利于实现农田规模化生产。
近年来，将智能优化算法用于多机协同导航系统已成为协同控制领域的一个热点问题，其中，蚁群算法是重点研究对象之一，蚁群算法是一种用来寻找优化路径的概率型算法，可以在合理的时间范围内找到可接受的最优解。
在基于基本蚁群算法的多机协同作业任务分配中，转移概率的启发函数仅与距离有关，导致规划结果出现“就近”问题，但是在实际的农田作业中，任务分配是一个多约束条件下的优化问题，除了保证路径代价尽可能小之外，还要考虑作业周期以及农机工作能力问题等。
此外，由于蚁群算法采用栅格法表示环境地图，因此会在转弯处产生尖峰，为了使农机平稳前进，同时减少在路径尖峰处不必要的能量损耗，在完成路径规划之后需要对路线进行平滑处理。
发明内容
针对上述技术问题，本发明的目的是提供一种基于改进蚁群算法的多农机协同作业远程管理调度方法，通过建立一个路径短、效率高、资源配置合理的调度模型，从而实现区域农田内的多农机协同作业远程调度管理。
多农机协同作业远程管理调度需要在多台农机和多个作业地块间建立一种映射关系，综合考虑地块位置、任务数量、作业能力、路径代价和时间期限等因素，生成合理的行车路线，使农机有序地为农田作业地块服务，以最小化调度成本和损失为目标，生成最优的调度方案，从而实现区域内多农机协同作业的调度管理。
为了实现上述目的，本发明提供了如下技术方案：
一种基于改进蚁群算法的多农机协同作业远程管理调度方法，包括如下步骤：
S1、任务规划；
S1.1、任务分配；
利用远程管理平台发布的初始任务信息和农机信息，初始任务信息包括初始任务数量和任务坐标；农机信息包括农机数量和农机坐标；根据农机与任务的供需匹配原则，通过改进蚁群算法获得最优任务分配方案；
S1.1.1、参数初始化；
设置改进蚁群算法的相关参数，包括蚂蚁数量m、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S1.1.2、通过公式1计算每个农机任务组合的路径代价，即农机与相应任务地块的距离：
D(i,j)＝sqrt(sum((worker(i,:)-task(j,:)).^2)) (公式1)
式中，worker(i,:)代表农机i的坐标，task(j,:)代表任务j的坐标，D(i,j)代表农机i和任务j之间的路径代价，单位为米；
S1.1.3、设置每个农机的最大任务执行能力，即每个农机最多能完成的任务数量，初始化任务执行能力函数，如公式2所示：
worker_quality＝maxT (公式2)
式中，maxT代表每个农机最多能完成的任务数量，worker_quality代表当前任务执行能力；
S1.1.4、每只蚂蚁按照农机和任务编号顺序选择下一个农机任务组合，通过公式3更新每个农机的任务执行能力函数；
worker_quality(i)＝worker_quality(i)-1 (公式3)
式中，worker_quality(i)代表农机i的当前任务执行能力；若一个农机的任务执行能力函数worker_quality(i)等于0时，则代表农机i当前任务执行能力为0，此时需要选择下一个农机；
S1.1.5、判断是否遍历所有任务，如果已遍历所有任务，则通过公式4至公式7计算每个蚂蚁相应规划方案的路径总长度，记录路径代价最小的任务分配方案；否则，返回步骤S1.1.4；
oneant_path(i,j)＝1 (公式4)
all_ant_path＝[all_ant_path；oneant_path] (公式5)
each_ant_path＝all_ant_path(((k-1)*task_number+1):(task_number*k),:)(公式6)
cost＝sum(each_ant_path.*DT) (公式7)
在公式4至公式7中，oneant_path(i,j)代表蚂蚁生成的一组农机任务组合，当任务j分配给农机i时，oneant_path(i,j)赋值为1；all_ant_path存储所有蚂蚁生成的农机任务组合；each_ant_path代表第k只蚂蚁生成的农机任务组合；task_number代表任务数量，DT表示农机和任务之间的路径代价D的转置矩阵；cost代表每只蚂蚁相应任务分配方案的路径总长度，单位为米，进而求得路径代价最小的任务分配方案；
S1.1.6、根据信息素更新规则更新信息素；
利用信息素挥发因子ρ和信息素常系数Q，通过公式8和公式9分别更新所有任务分配方案以及路径代价最小的任务分配方案的信息素；
pheromoneMatrix(task_number,worker_number)
＝pheromoneMatrix(task_number,worker_number)*ρ (公式8)
pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))
＝pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))*Q (公式9)
在公式8和公式9中，pheromoneMatrix代表每个农机任务组合的信息素矩阵；best_ant_path代表路径代价最小的农机任务组合；task_number代表任务数量；worker_number代表农机数量；
S1.1.7、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S1.1.4至步骤S1.1.7，直到当前迭代次数等于最大迭代次数n，则输出最优任务分配方案；
S1.2、任务序列优化；
S1.2.1、参数初始化；
设置改进蚁群算法相关参数，包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S1.2.2、根据步骤S1.1获得的最优任务分配方案，通过公式8计算每个农机分配的任务地块之间的路径代价，即根据指定的任务坐标计算任务地块之间的距离，单位为米；
D(ji,jj)＝sqrt(sum((task(ji,:)-task(jj,:)).^2)) (公式10)
在公式10中，task(ji,:)代表任务ji的坐标，task(jj,:)代表任务jj的坐标，D(ji,jj)代表任务ji和任务jj之间的路径代价，单位为米；
S1.2.3、迭代寻找最佳路径；
S1.2.3.1、随机产生各蚂蚁的起点地块；
S1.2.3.2、根据状态转移概率公式11和公式12进行路径选择，选择下一个地块；
Figure BDA0002518302650000051
Figure BDA0002518302650000052
在公式11和公式12中，Eta代表启发函数；Tau代表任务ji和任务jj连接路径上的信息素浓度；P代表状态转移概率；
S1.2.3.3、计算各个蚂蚁的路径长度；
Length(k)＝Length(k)+D(j,j+1) (公式13)
在公式13中，D(j,j+1)代表任务j和任务j+1之间的路径代价，单位为米；Length(k)代表蚂蚁k的路径长度，单位为米；
S1.2.3.4、记录路径代价最小的任务序列方案；
min_Length＝min(Length) (公式14)
Length_best(t)＝min(Length_best(t-1),min_Length) (公式15)
在公式14和公式15中，min_Length代表每次迭代中m只蚂蚁中路径代价最小的任务序列方案；Length_best(t)代表经过t次迭代后路径代价最小的任务序列方案；
S1.2.3.5、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素；
Tau＝(1-ρ)*Tau+Q/Length(k) (公式16)
在公式16中，Length(k)代表蚂蚁k的路径长度，单位为米，Tau代表任务ji和任务jj连接路径上的信息素浓度；
S1.2.4、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S1.2.3至步骤S1.2.4，直到当前迭代次数等于最大迭代次数n，则输出最优任务序列方案；
S2、路径规划；
根据初始环境信息建立环境地图模型，根据步骤S1获得的最优任务分配方案、最优任务序列方案以及动静态障碍物、任务地块之间的路径代价、路径平滑因素，通过改进蚁群算法进行路径规划，获得最优路径规划方案，寻求一条无碰撞的最优路径；
S2.1、全局路径规划；
S2.1.1、根据初始环境信息建立环境地图模型；
S2.1.2、参数初始化；设置改进蚁群算法相关参数，包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S2.1.3、根据任务规划生成的最优任务序列方案，通过公式1计算每个作业农机与指定任务地块之间的路径代价，即作业农机与最优任务序列方案中下一个待完成任务地块的距离；
D(i,j)＝sqrt(sum((worker(i,:)-task(j,:)).^2)) (公式1)
在公式1中，worker(i,:)代表农机i的坐标，task(j,:)代表任务j的坐标，D(i,j)代表农机i和任务j之间的路径代价，单位为米；
S2.1.4、每只蚂蚁根据转移概率选择下一个节点；
Figure BDA0002518302650000071
Figure BDA0002518302650000072
在公式11和公式12中，Eta代表启发函数；Tau代表节点si和节点sj连接路径上的信息素浓度；P代表转移概率；
S2.1.5、将已访问过的节点放到节点禁忌表TABUkm中；
S2.1.6、计算每只蚂蚁相应规划方案的路径长度，记录路径代价最小的路径规划方案；
Length(k)＝Length(k)+D(s,s+1) (公式13)
min_Length＝min(Length) (公式14)
Length_best(t)＝min(Length_best(t-1),min_Length) (公式15)
在公式13至公式15中，D(s,s+1)代表节点s和节点s+1之间的路径代价，单位为米；Length(k)代表蚂蚁k的路径长度，单位为米；min_Length代表每次迭代中m只蚂蚁中路径代价最小的路径规划方案；Length_best(t)代表经过t次迭代后路径代价最小的路径规划方案；
S2.1.7、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素；
Tau＝(1-ρ)*Tau+Q/Length(k) (公式16)
在公式16中，Length(k)代表蚂蚁k的路径长度，单位为米，Tau代表节点si和节点sj连接路径上的信息素浓度；
S2.1.8、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S2.1.4至步骤S2.1.8，直到当前迭代次数等于最大迭代次数n，则输出最优路径规划方案；
S2.2、局部路径规划；
S2.2.1、在农机根据步骤S2.1获得的最优路径规划方案行进过程中，利用车载传感器对周边环境信息进行实时检测并上传至远程管理平台，远程管理平台将实时采集的周边环境信息与初始环境信息进行比较，获得动态环境信息；设置时间阈值并根据动态环境信息，判断行进前方是否有障碍物，如果行进前方没有障碍物，则根据最优路径规划方案继续行进；如果行进前方有障碍物，则根据等待时间与时间阈值的关系进行行为决策；
S2.2.2、若等待时间大于时间阈值，则判断为静态障碍物；反之，则判断为动态障碍物；
如果为静态障碍物，首先绘制障碍物范围，判断农机是否可以安全通过，若可以通过，则调整作业路径以避开障碍物，根据步骤S2.1获得的最优路径规划方案继续行进；若无法避开障碍物，则根据目标地块位置和农机当前位置，按照S2.1重新规划路径；
如果为动态障碍物，首先绘制障碍物范围，根据障碍物的位置、运动速度和方向信息，判断农机是否可以安全通过，若可以，则调整农机作业路线以避开障碍物，继续沿着全局规划路线行进；若无法避开障碍物，根据远程管理平台发布的各农机当前坐标信息判断障碍物是否为其他农机，若不是，则直接根据目标地块位置和农机当前位置，按照S2.1重新规划路径；否则，在最小安全距离以外停车，并根据目标地块位置和农机当前位置，利用公式1计算两个农机与目标地块的剩余路径代价，剩余路径代价较大的农机按照S2.1重新规划路径。
所述步骤S1中进一步包括：
S1.3、任务实时调整及任务序列重新规划；
根据远程管理平台发布的动态任务信息，以及农机与任务的供需匹配原则对步骤S1.1获得的最优任务分配方案进行实时调整，并采用与步骤S1.2相同的方法对调整后的最优任务分配方案进行任务序列优化，获得调整后的最优任务序列方案；其中，动态任务信息包括动态任务数量和任务坐标；
在初始任务分配中，若存在任务未被分配的情况，则在作业进行过程中，将待分配任务按照S1.1重新分配；在作业进行过程中，若出现新增任务，则将新增任务按照S1.1分配给各个农机；若出现农机故障问题，将故障农机所对应的任务按照S1.1分配给其他农机。
所述步骤S2中进一步包括：
S2.3、路线平滑处理；
通过在路径拐点处增加新节点实现对路线的平滑操作并输出平滑路径，对比拐角处的实际角度θ与角度期望值决定是否需要增加新的节点，用新的节点代替旧节点，使得整条路径的拐角都不小于角度期望值，从而得到一条相对平滑的曲线路径。
与现有技术相比，本发明的有益效果在于：
本发明的基于改进蚁群算法的多农机协同作业远程管理调度方法，为农机管理部门提供了一种科学合理的调度管理方案，可以降低调度成本，提高工作效率，指导农机进行及时有效的调度，为进一步解决农田动态环境下多机协同作业任务规划和路径规划，实现区域内多农机协同导航作业的远程调度管理提供了基础。
附图说明
图1为本发明的基于改进蚁群算法的多农机协同作业远程管理调度方法流程图；
图2为本发明的任务分配流程图；
图3为本发明的任务序列优化流程图；
图4为本发明的全局路径规划流程图；
图5为本发明的局部路径规划流程图；
图6为本发明的路径平滑处理示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
如图1所示，一种基于改进蚁群算法的多农机协同作业远程管理调度方法，包括如下步骤：
S1、任务规划；
S1.1、任务分配；
利用远程管理平台发布的初始任务信息和农机信息，初始任务信息包括初始任务数量和任务坐标；农机信息包括农机数量和农机坐标；根据农机与任务的供需匹配原则，生成任务分配决策方案，通过改进蚁群算法(即决策算法)获得最优任务分配方案，并对农机行为进行实时检测。
多农机协同作业任务分配是指多个农机执行多个不同的任务，将任务合理地分派给各个农机，从而提高整个系统的执行效果，同时降低执行代价。农场中，各个地块作为障碍物存在，不可随意穿行，只有道路可以通行。根据实际道路分布情况，为每一个地块设置作业入口。不同地块的同一种类作业以及同一地块的不同种类作业(例如，耕地、播种、收获和运输等工作)看作是多个不同的任务。
本发明采用蚁群算法解决任务分配问题，蚂蚁站在当前农机任务的组合中，要去选择下一对农机任务的组合，判断的方式有两种：一是按照信息素大小选择；二是随机分配，最后的结果是利用蚂蚁行走的路径，通过计算路径中选择所有的农机任务组合的路径长度，在N个蚂蚁中选择最短路径的规划方式，从而更新信息素。
基于基本蚁群算法的多农机协同作业任务分配包括：初始化路径代价矩阵、初始化信息素矩阵、迭代搜索。其中，迭代搜索过程包括三个重要函数：
(1)任务分配函数
任务分配函数负责将一个指定的任务按照某种策略分配给某一农机处理。分配策略一共有两种，一是按信息素浓度分配，即将任务分配给信息素浓度最高的农机处理；二是随机分配，将任务随意分配给某一个农机处理。
(2)路径代价计算函数
每完成一次迭代，都需要计算本次迭代中所有蚂蚁的行走路径(即所有蚂蚁的路径代价)。在N个蚂蚁中选择最短路径的分配方式。
(3)更新信息素函数
每完成一次迭代，都需要更新信息素矩阵。
上述基本蚁群算法中，只考虑了农机到任务地块之间的距离，从而导致了规划结果出现“就近”问题，即将作业任务优先分配给离地块最近的农机。但是在实际的农田作业中，任务分配是一个多约束条件下的优化问题，除了保证路径代价尽可能小之外，还要考虑作业周期以及农机工作能力问题等。因此为了避免出现就近分配问题，对基本算法进行了改进。
在基于基本蚁群算法的多机协同作业任务分配中，农机与任务地块的距离是已知的，而农机的任务执行能力是未知的，因此转移概率的启发函数仅与距离有关。任务分配的直接影响因素是信息素，因此在对信息素更新时应加入农机作业执行能力的影响，综合考虑路径代价和任务执行能力进行任务分配。
如图2所示，基于改进蚁群算法的多农机协同作业任务分配的步骤如下：
S1.1.1、参数初始化；
设置改进蚁群算法的相关参数，包括蚂蚁数量m、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n。
S1.1.2、通过公式1计算每个农机任务组合的路径代价，即农机与相应任务地块的距离：
D(i,j)＝sqrt(sum((worker(i,:)-task(j,:)).^2)) (公式1)
式中，worker(i,:)代表农机i的坐标，task(j,:)代表任务j的坐标，D(i,j)代表农机i和任务j之间的路径代价，单位为米。
S1.1.3、设置每个农机的最大任务执行能力，即每个农机最多能完成的任务数量，初始化任务执行能力函数，如公式2所示：
worker_quality＝maxT (公式2)
式中，maxT代表每个农机最多能完成的任务数量，worker_quality代表当前任务执行能力。
S1.1.4、每只蚂蚁按照农机和任务编号顺序选择下一个农机任务组合，通过公式3更新每个农机的任务执行能力函数；
worker_quality(i)＝worker_quality(i)-1 (公式3)
式中，worker_quality(i)代表农机i的当前任务执行能力；若一个农机的任务执行能力函数worker_quality(i)等于0时，则代表农机i当前任务执行能力为0，此时需要选择下一个农机。
S1.1.5、判断是否遍历所有任务，如果已遍历所有任务，则通过公式4至公式7计算每个蚂蚁相应规划方案的路径总长度，记录路径代价最小的任务分配方案；否则，返回步骤S1.1.4；
oneant_path(i,j)＝1 (公式4)
all_ant_path＝[all_ant_path；oneant_path] (公式5)
each_ant_path＝all_ant_path(((k-1)*task_number+1):(task_number*k),:)(公式6)
cost＝sum(each_ant_path.*DT) (公式7)
在公式4至公式7中，oneant_path(i,j)代表蚂蚁生成的一组农机任务组合，当任务j分配给农机i时，oneant_path(i,j)赋值为1；all_ant_path存储所有蚂蚁生成的农机任务组合；each_ant_path代表第k只蚂蚁生成的农机任务组合；task_number代表任务数量，DT表示农机和任务之间的路径代价D的转置矩阵；cost代表每只蚂蚁相应任务分配方案的路径总长度，单位为米，进而求得路径代价最小的任务分配方案。
S1.1.6、根据信息素更新规则更新信息素
利用信息素挥发因子ρ和信息素常系数Q，通过公式8和公式9分别更新所有任务分配方案以及路径代价最小的任务分配方案的信息素。
pheromoneMatrix(task_number,worker_number)
＝pheromoneMatrix(task_number,worker_number)*ρ (公式8)
pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))
＝pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))*Q (公式9)
在公式8和公式9中，pheromoneMatrix代表每个农机任务组合的信息素矩阵；best_ant_path代表路径代价最小的农机任务组合；task_number代表任务数量；worker_number代表农机数量。
S1.1.7、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S1.1.4至步骤S1.1.7，直到当前迭代次数等于最大迭代次数n，则输出最优任务分配方案。
S1.2、任务序列优化
根据步骤S1.1得到的最优任务分配方案，通过改进蚁群算法对各农机分配的多个任务进行任务序列优化，获得最优任务序列方案。寻找一条最优的作业路径，从而降低任务执行代价，提高作业效率。
通常农场的地块数量远多于农机数量，因此开展任务序列优化研究是很有必要的。本发明中的多机协同作业任务序列优化问题在完成所有任务之后，不需要回到起始任务点，因此，在计算路径代价时，只需要计算起点地块到终点地块之间的路径长度。
如图3所示，基于改进蚁群算法的任务序列优化具体实现步骤如下：
S1.2.1、参数初始化；
设置改进蚁群算法相关参数，包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n。
S1.2.2、根据步骤S1.1获得的最优任务分配方案，通过公式8计算每个农机分配的任务地块之间的路径代价，即根据指定的任务坐标计算任务地块之间的距离，单位为米。
D(ji,jj)＝sqrt(sum((task(ji,:)-task(jj,:)).^2)) (公式10)
在公式10中，task(ji,:)代表任务ji的坐标，task(jj,:)代表任务jj的坐标，D(ji,jj)代表任务ji和任务jj之间的路径代价，单位为米。
S1.2.3、迭代寻找最佳路径；
S1.2.3.1、随机产生各蚂蚁的起点地块；
S1.2.3.2根据状态转移概率公式11和公式12进行路径选择，选择下一个地块；
Figure BDA0002518302650000151
Figure BDA0002518302650000152
在公式11和公式12中，Eta代表启发函数；Tau代表任务ji和任务jj连接路径上的信息素浓度；P代表状态转移概率。
S1.2.3.3、计算各个蚂蚁的路径长度；
Length(k)＝Length(k)+D(j,j+1) (公式13)
在公式13中，D(j,j+1)代表任务j和任务j+1之间的路径代价，单位为米；Length(k)代表蚂蚁k的路径长度，单位为米。
S1.2.3.4、记录路径代价最小的任务序列方案；
min_Length＝min(Length) (公式14)
Length_best(t)＝min(Length_best(t-1),min_Length) (公式15)
在公式14和公式15中，min_Length代表每次迭代中m只蚂蚁中路径代价最小的任务序列方案；Length_best(t)代表经过t次迭代后路径代价最小的任务序列方案。
S1.2.3.5、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素。
Tau＝(1-ρ)*Tau+Q/Length(k) (公式16)
在公式16中，Length(k)代表蚂蚁k的路径长度，单位为米，Tau代表任务ji和任务jj连接路径上的信息素浓度。
S1.2.4、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S1.2.3至步骤S1.2.4，直到当前迭代次数等于最大迭代次数n，则输出最优任务序列方案。
S1.3、任务实时调整及任务序列重新规划
根据远程管理平台发布的动态任务信息，以及农机与任务的供需匹配原则对步骤S1.1获得的最优任务分配方案进行实时调整，并采用与步骤S1.2相同的方法对调整后的最优任务分配方案进行任务序列优化，获得调整后的最优任务序列方案，避免一些客观因素导致的供需不匹配问题(包括农机故障及新增任务等)，从而实现动态任务规划，使整个系统具有更强的环境适应能力。其中，动态任务信息包括动态任务数量和任务坐标。
在初始任务分配中，若存在任务未被分配的情况，则在作业进行过程中，将待分配任务按照S1.1重新分配；在作业进行过程中，若出现新增任务，则将新增任务按照S1.1分配给各个农机；若出现农机故障问题，将故障农机所对应的任务按照S1.1分配给其他农机。
S2、路径规划
根据初始环境信息建立环境地图模型，根据步骤S1获得的最优任务分配方案、最优任务序列方案以及动静态障碍物、任务地块之间的路径代价、路径平滑因素，通过改进蚁群算法进行全局路径规划，获得最优路径规划方案，寻求一条无碰撞的最优路径，从而建立一个路径短、效率高、资源配置合理的调度模型。
在农机行进过程中，利用车载传感器对周边环境信息进行实时检测并上传至远程管理平台，远程管理平台将实时采集的周边环境信息与初始环境信息进行比较，获得动态环境信息；根据动态环境信息，对农机和障碍物进行碰撞检测，生成路径规划决策方案，对最优路径规划方案进行调整，并对农机行为进行实时检测，避免碰撞到动态障碍物或其他农机，引导各农机安全前进到指定位置，从而使自身具有更强的环境适应能力。在调整过程中，始终以任务地块为最终目标，避免出现局部极值点而忽略整体作业规划。
S2.1、全局路径规划
如图5所示，全局路径规划过程包括：
S2.1.1、根据初始环境信息建立环境地图模型。
S2.1.2、参数初始化。设置改进蚁群算法相关参数，包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n。
S2.1.3、根据任务规划生成的最优任务序列方案，通过公式1计算每个作业农机与指定任务地块之间的路径代价，即作业农机与最优任务序列方案中下一个待完成任务地块的距离。
D(i,j)＝sqrt(sum((worker(i,:)-task(j,:)).^2)) (公式1)
在公式1中，worker(i,:)代表农机i的坐标，task(j,:)代表任务j的坐标，D(i,j)代表农机i和任务j之间的路径代价，单位为米。
S2.1.4、每只蚂蚁根据转移概率选择下一个节点；
Figure BDA0002518302650000171
Figure BDA0002518302650000172
在公式11和公式12中，Eta代表启发函数；Tau代表节点si和节点sj连接路径上的信息素浓度；P代表转移概率。
S2.1.5、将已访问过的节点放到节点禁忌表TABUkm中。
S2.1.6、计算每只蚂蚁相应规划方案的路径长度，记录路径代价最小的路径规划方案；
Length(k)＝Length(k)+D(s,s+1) (公式13)
min_Length＝min(Length) (公式14)
Length_best(t)＝min(Length_best(t-1),min_Length) (公式15)
在公式13至公式15中，D(s,s+1)代表节点s和节点s+1之间的路径代价，单位为米；Length(k)代表蚂蚁k的路径长度，单位为米；min_Length代表每次迭代中m只蚂蚁中路径代价最小的路径规划方案；Length_best(t)代表经过t次迭代后路径代价最小的路径规划方案。
S2.1.7、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素。
Tau＝(1-ρ)*Tau+Q/Length(k) (公式16)
在公式16中，Length(k)代表蚂蚁k的路径长度，单位为米，Tau代表节点si和节点sj连接路径上的信息素浓度。
S2.1.8、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S2.1.4至步骤S2.1.8，直到当前迭代次数等于最大迭代次数n，则输出最优路径规划方案。
S2.2、局部路径规划
各个农机需要根据动态环境信息，规划出一条到达指定地块的最优作业路径，同时高效完成作业任务。路径规划主要解决3个问题：一是各个农机从初始位置到目标位置；二是绕开动静态障碍物及其他农机，并且经过某些任务地块完成相应作业任务；三是在完成任务的前提下，尽量优化运行轨迹。
在多机协同作业过程中，农田中障碍物较多，农机之间也会相互影响，成为彼此的障碍物，因此，多机协同作业路径规划难度较大。多个农机在同一农田区域作业，需要规划多条最优路径，但在具体的作业过程中，由于障碍物的存在，最优路径会发生变化，这样也会影响其他农机的作业路径。
如图5所示，所述局部路径规划过程包括：
S2.2.1、在农机根据步骤S2.1获得的最优路径规划方案行进过程中，利用车载传感器对周边环境信息进行实时检测并上传至远程管理平台，远程管理平台将实时采集的周边环境信息与初始环境信息进行比较，获得动态环境信息；设置时间阈值并根据动态环境信息，判断行进前方是否有障碍物，如果行进前方没有障碍物，则根据最优路径规划方案继续行进；如果行进前方有障碍物，则根据等待时间与时间阈值的关系进行行为决策；
S2.2.2、若等待时间大于时间阈值，则判断为静态障碍物；反之，则判断为动态障碍物；
如果为静态障碍物，首先绘制障碍物范围，判断农机是否可以安全通过，若可以通过，则调整作业路径以避开障碍物，根据步骤S2.1获得的最优路径规划方案继续行进；若无法避开障碍物，则根据目标地块位置和农机当前位置，按照S2.1重新规划路径。
如果为动态障碍物，首先绘制障碍物范围，根据障碍物的位置、运动速度和方向信息，判断农机是否可以安全通过，若可以，则调整农机作业路线以避开障碍物，继续沿着全局规划路线行进；若无法避开障碍物，根据远程管理平台发布的各农机当前坐标信息判断障碍物是否为其他农机，若不是，则直接根据目标地块位置和农机当前位置，按照S2.1重新规划路径；否则，在最小安全距离以外停车，并根据目标地块位置和农机当前位置，利用公式1计算两个农机与目标地块的剩余路径代价，剩余路径代价较大的农机按照S2.1重新规划路径。
S2.3、路线平滑处理
路径规划是创建一个农机从起始点到达目标点的免于碰撞的最优有序序列，为轨迹跟踪提供路线支持。因此，所规划的路径应满足平滑性的要求，尽量保证规划出的路径与实际作业路线相同。由于蚁群算法采用栅格法表示环境地图，因此会在转弯处产生尖峰，为了使农机平稳前进，同时减少在路径尖峰处不必要的能量损耗，在完成路径规划之后需要对路线进行平滑处理。
通过在路径拐点处增加新节点实现对路线的平滑操作并输出平滑路径，对比拐角处的实际角度θ与角度期望值决定是否需要增加新的节点，用新的节点代替旧节点，使得整条路径的拐角都不小于角度期望值，从而得到一条相对平滑的曲线路径。
如图6所示，若拐角ABC的实际角度θ小于角度期望值，则取AB和BC两条线段的中点D、E成为新的节点，再判断新节点D、E与两边构成的拐角ADE和CED的角度是否满足小于角度期望值，若满足，继续进行上述变换，取AD、DE和EC三条线段的中点F、G、H成为新的节点，再分别判断新节点F、G、H与两边构成的拐角AFG、FGH、GHC的角度是否小于角度期望值，不断寻找新的节点，直到满足角度条件，然后删除旧节点，以新节点代替。再以此判断路径内的其他节点是否满足角度条件，对于不满足条件的节点，继续进行上述变换，直到满足角度条件，使得整条路径的拐角都不小于角度期望值。

Claims (3)

1.一种基于改进蚁群算法的多农机协同作业远程管理调度方法，其特征在于：包括如下步骤：
S1、任务规划；
S1.1、任务分配；
利用远程管理平台发布的初始任务信息和农机信息，初始任务信息包括初始任务数量和任务坐标；农机信息包括农机数量和农机坐标；根据农机与任务的供需匹配原则，通过改进蚁群算法获得最优任务分配方案；
S1.1.1、参数初始化；
设置改进蚁群算法的相关参数，包括蚂蚁数量m、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S1.1.2、通过公式1计算每个农机任务组合的路径代价，即农机与相应任务地块的距离：
D(i,j)＝sqrt(sum((worker(i,:)-task(j,:)).^2)) (公式1)
式中，worker(i,:)代表农机i的坐标，task(j,:)代表任务j的坐标，D(i,j)代表农机i和任务j之间的路径代价，单位为米；
S1.1.3、设置每个农机的最大任务执行能力，即每个农机最多能完成的任务数量，初始化任务执行能力函数，如公式2所示：
worker_quality＝maxT (公式2)
式中，maxT代表每个农机最多能完成的任务数量，worker_quality代表当前任务执行能力；
S1.1.4、每只蚂蚁按照农机和任务编号顺序选择下一个农机任务组合，通过公式3更新每个农机的任务执行能力函数；
worker_quality(i)＝worker_quality(i)-1 (公式3)
式中，worker_quality(i)代表农机i的当前任务执行能力；若一个农机的任务执行能力函数worker_quality(i)等于0时，则代表农机i当前任务执行能力为0，此时需要选择下一个农机；
S1.1.5、判断是否遍历所有任务，如果已遍历所有任务，则通过公式4至公式7计算每个蚂蚁相应规划方案的路径总长度，记录路径代价最小的任务分配方案；否则，返回步骤S1.1.4；
oneant_path(i,j)＝1 (公式4)
all_ant_path＝[all_ant_path；oneant_path] (公式5)
each_ant_path＝all_ant_path(((k-1)*task_number+1):(task_number*k),:) (公式6)
cost＝sum(each_ant_path.*DT) (公式7)
在公式4至公式7中，oneant_path(i,j)代表蚂蚁生成的一组农机任务组合，当任务j分配给农机i时，oneant_path(i,j)赋值为1；all_ant_path存储所有蚂蚁生成的农机任务组合；each_ant_path代表第k只蚂蚁生成的农机任务组合；task_number代表任务数量，DT表示农机和任务之间的路径代价D的转置矩阵；cost代表每只蚂蚁相应任务分配方案的路径总长度，单位为米，进而求得路径代价最小的任务分配方案；
S1.1.6、根据信息素更新规则更新信息素；
利用信息素挥发因子ρ和信息素常系数Q，通过公式8和公式9分别更新所有任务分配方案以及路径代价最小的任务分配方案的信息素；
pheromoneMatrix(task_number,worker_number)
＝pheromoneMatrix(task_number,worker_number)*ρ (公式8)
pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))
＝pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))*Q (公式9)
在公式8和公式9中，pheromoneMatrix代表每个农机任务组合的信息素矩阵；best_ant_path代表路径代价最小的农机任务组合；task_number代表任务数量；worker_number代表农机数量；
S1.1.7、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S1.1.4至步骤S1.1.7，直到当前迭代次数等于最大迭代次数n，则输出最优任务分配方案；
S1.2、任务序列优化；
S1.2.1、参数初始化；
设置改进蚁群算法相关参数，包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S1.2.2、根据步骤S1.1获得的最优任务分配方案，通过公式8计算每个农机分配的任务地块之间的路径代价，即根据指定的任务坐标计算任务地块之间的距离，单位为米；
D(ji,jj)＝sqrt(sum((task(ji,:)-task(jj,:)).^2)) (公式10)
在公式10中，task(ji,:)代表任务ji的坐标，task(jj,:)代表任务jj的坐标，D(ji,jj)代表任务ji和任务jj之间的路径代价，单位为米；
S1.2.3、迭代寻找最佳路径；
S1.2.3.1、随机产生各蚂蚁的起点地块；
S1.2.3.2、根据状态转移概率公式11和公式12进行路径选择，选择下一个地块；
Figure FDA0002518302640000031
Figure FDA0002518302640000041
在公式11和公式12中，Eta代表启发函数；Tau代表任务ji和任务jj连接路径上的信息素浓度；P代表状态转移概率；
S1.2.3.3、计算各个蚂蚁的路径长度；
Length(k)＝Length(k)+D(j,j+1) (公式13)
在公式13中，D(j,j+1)代表任务j和任务j+1之间的路径代价，单位为米；Length(k)代表蚂蚁k的路径长度，单位为米；
S1.2.3.4、记录路径代价最小的任务序列方案；
min_Length＝min(Length) (公式14)
Length_best(t)＝min(Length_best(t-1),min_Length) (公式15)
在公式14和公式15中，min_Length代表每次迭代中m只蚂蚁中路径代价最小的任务序列方案；Length_best(t)代表经过t次迭代后路径代价最小的任务序列方案；
S1.2.3.5、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素；
Tau＝(1-ρ)*Tau+Q/Length(k) (公式16)
在公式16中，Length(k)代表蚂蚁k的路径长度，单位为米，Tau代表任务ji和任务jj连接路径上的信息素浓度；
S1.2.4、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S1.2.3至步骤S1.2.4，直到当前迭代次数等于最大迭代次数n，则输出最优任务序列方案；
S2、路径规划；
根据初始环境信息建立环境地图模型，根据步骤S1获得的最优任务分配方案、最优任务序列方案以及动静态障碍物、任务地块之间的路径代价、路径平滑因素，通过改进蚁群算法进行路径规划，获得最优路径规划方案，寻求一条无碰撞的最优路径；
S2.1、全局路径规划；
S2.1.1、根据初始环境信息建立环境地图模型；
S2.1.2、参数初始化；设置改进蚁群算法相关参数，包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S2.1.3、根据任务规划生成的最优任务序列方案，通过公式1计算每个作业农机与指定任务地块之间的路径代价，即作业农机与最优任务序列方案中下一个待完成任务地块的距离；
D(i,j)＝sqrt(sum((worker(i,:)-task(j,:)).^2)) (公式1)
在公式1中，worker(i,:)代表农机i的坐标，task(j,:)代表任务j的坐标，D(i,j)代表农机i和任务j之间的路径代价，单位为米；
S2.1.4、每只蚂蚁根据转移概率选择下一个节点；
Figure FDA0002518302640000051
Figure FDA0002518302640000052
在公式11和公式12中，Eta代表启发函数；Tau代表节点si和节点sj连接路径上的信息素浓度；P代表转移概率；
S2.1.5、将已访问过的节点放到节点禁忌表TABUkm中；
S2.1.6、计算每只蚂蚁相应规划方案的路径长度，记录路径代价最小的路径规划方案；
Length(k)＝Length(k)+D(s,s+1) (公式13)
min_Length＝min(Length) (公式14)
Length_best(t)＝min(Length_best(t-1),min_Length) (公式15)
在公式13至公式15中，D(s,s+1)代表节点s和节点s+1之间的路径代价，单位为米；Length(k)代表蚂蚁k的路径长度，单位为米；min_Length代表每次迭代中m只蚂蚁中路径代价最小的路径规划方案；Length_best(t)代表经过t次迭代后路径代价最小的路径规划方案；
S2.1.7、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素；
Tau＝(1-ρ)*Tau+Q/Length(k) (公式16)
在公式16中，Length(k)代表蚂蚁k的路径长度，单位为米，Tau代表节点si和节点sj连接路径上的信息素浓度；
S2.1.8、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S2.1.4至步骤S2.1.8，直到当前迭代次数等于最大迭代次数n，则输出最优路径规划方案；
S2.2、局部路径规划；
S2.2.1、在农机根据步骤S2.1获得的最优路径规划方案行进过程中，利用车载传感器对周边环境信息进行实时检测并上传至远程管理平台，远程管理平台将实时采集的周边环境信息与初始环境信息进行比较，获得动态环境信息；设置时间阈值并根据动态环境信息，判断行进前方是否有障碍物，如果行进前方没有障碍物，则根据最优路径规划方案继续行进；如果行进前方有障碍物，则根据等待时间与时间阈值的关系进行行为决策；
S2.2.2、若等待时间大于时间阈值，则判断为静态障碍物；反之，则判断为动态障碍物；
如果为静态障碍物，首先绘制障碍物范围，判断农机是否可以安全通过，若可以通过，则调整作业路径以避开障碍物，根据步骤S2.1获得的最优路径规划方案继续行进；若无法避开障碍物，则根据目标地块位置和农机当前位置，按照S2.1重新规划路径；
如果为动态障碍物，首先绘制障碍物范围，根据障碍物的位置、运动速度和方向信息，判断农机是否可以安全通过，若可以，则调整农机作业路线以避开障碍物，继续沿着全局规划路线行进；若无法避开障碍物，根据远程管理平台发布的各农机当前坐标信息判断障碍物是否为其他农机，若不是，则直接根据目标地块位置和农机当前位置，按照S2.1重新规划路径；否则，在最小安全距离以外停车，并根据目标地块位置和农机当前位置，利用公式1计算两个农机与目标地块的剩余路径代价，剩余路径代价较大的农机按照S2.1重新规划路径。
2.根据权利要求1所述的基于改进蚁群算法的多农机协同作业远程管理调度方法，其特征在于：所述步骤S1中进一步包括：
S1.3、任务实时调整及任务序列重新规划；
根据远程管理平台发布的动态任务信息，以及农机与任务的供需匹配原则对步骤S1.1获得的最优任务分配方案进行实时调整，并采用与步骤S1.2相同的方法对调整后的最优任务分配方案进行任务序列优化，获得调整后的最优任务序列方案；其中，动态任务信息包括动态任务数量和任务坐标；
在初始任务分配中，若存在任务未被分配的情况，则在作业进行过程中，将待分配任务按照S1.1重新分配；在作业进行过程中，若出现新增任务，则将新增任务按照S1.1分配给各个农机；若出现农机故障问题，将故障农机所对应的任务按照S1.1分配给其他农机。
3.根据权利要求1所述的基于改进蚁群算法的多农机协同作业远程管理调度方法，其特征在于：所述步骤S2中进一步包括：
S2.3、路线平滑处理；
通过在路径拐点处增加新节点实现对路线的平滑操作并输出平滑路径，对比拐角处的实际角度θ与角度期望值决定是否需要增加新的节点，用新的节点代替旧节点，使得整条路径的拐角都不小于角度期望值，从而得到一条相对平滑的曲线路径。
CN202010484077.6A 2020-06-01 2020-06-01 基于改进蚁群算法的多农机协同作业远程管理调度方法 Active CN111639811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010484077.6A CN111639811B (zh) 2020-06-01 2020-06-01 基于改进蚁群算法的多农机协同作业远程管理调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010484077.6A CN111639811B (zh) 2020-06-01 2020-06-01 基于改进蚁群算法的多农机协同作业远程管理调度方法

Publications (2)

Publication Number Publication Date
CN111639811A true CN111639811A (zh) 2020-09-08
CN111639811B CN111639811B (zh) 2023-10-31

Family

ID=72331084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010484077.6A Active CN111639811B (zh) 2020-06-01 2020-06-01 基于改进蚁群算法的多农机协同作业远程管理调度方法

Country Status (1)

Country Link
CN (1) CN111639811B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881247A (zh) * 2020-09-28 2020-11-03 民航成都物流技术有限公司 一种行李路径规划方法、系统、装置以及可读存储介质
CN112092810A (zh) * 2020-09-24 2020-12-18 上海汽车集团股份有限公司 一种车辆泊出方法、装置及电子设备
CN112288270A (zh) * 2020-10-28 2021-01-29 湖南大学 用于复杂有轨传输系统的调度方法
CN112330144A (zh) * 2020-11-04 2021-02-05 南京航空航天大学 一种面向飞行器装配协同检测的测量任务规划方法
CN113255122A (zh) * 2021-05-11 2021-08-13 北京理工大学 多服务商协同模式下的农机运维服务区域重划分方法
CN113780745A (zh) * 2021-08-16 2021-12-10 华中科技大学 一种上门服务需求驱动的it人员调度方法和系统
CN113848880A (zh) * 2021-08-30 2021-12-28 中车大连电力牵引研发中心有限公司 一种基于改进Q-learning的农机路径优化方法
CN114019982A (zh) * 2021-12-07 2022-02-08 洛阳智能农业装备研究院有限公司 一种无人驾驶智能农机集群作业方法
CN114526750A (zh) * 2022-01-10 2022-05-24 深圳市灵星雨科技开发有限公司 一种路径优化方法及装置
CN114862065A (zh) * 2022-07-05 2022-08-05 杭州数询云知科技有限公司 社工任务规划方法、装置、电子设备及存储介质
CN114913029A (zh) * 2022-04-29 2022-08-16 腾圣福(广州)农业科技有限公司 一种基于物联网的智能农业监控平台
CN115118728A (zh) * 2022-06-21 2022-09-27 福州大学 基于蚁群算法的边缘负载均衡任务调度方法
CN116050779A (zh) * 2023-01-16 2023-05-02 农业农村部南京农业机械化研究所 基于列维模拟退火算法的植保无人机动态调度方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106705970A (zh) * 2016-11-21 2017-05-24 中国航空无线电电子研究所 一种基于蚁群算法的多无人机协同路径规划方法
CN107622348A (zh) * 2017-09-18 2018-01-23 哈尔滨工程大学 一种任务顺序约束下的异构多auv系统任务协调方法
CN108829140A (zh) * 2018-09-11 2018-11-16 河南大学 一种基于多群体蚁群算法的多无人机协同目标搜索方法
CN109116841A (zh) * 2018-07-23 2019-01-01 昆明理工大学 一种基于蚁群算法的路径规划平滑优化方法
CN109460045A (zh) * 2019-01-14 2019-03-12 哈尔滨工程大学 动态障碍在线感知下usv基于改进蚁群优化的避碰规划方法
CN110345960A (zh) * 2019-06-13 2019-10-18 福建工程学院 一种规避交通障碍的路线规划智能优化方法
CN110375759A (zh) * 2019-07-15 2019-10-25 天津大学 基于蚁群算法的多机器人路径规划方法
CN110608740A (zh) * 2019-09-06 2019-12-24 遵义师范学院 一种无人船舰路径规划方法
CN110609557A (zh) * 2019-10-09 2019-12-24 中国人民解放军陆军装甲兵学院 无人车混合路径规划算法
CN111026126A (zh) * 2019-12-27 2020-04-17 哈尔滨工程大学 一种基于改进蚁群算法的无人艇全局路径多目标规划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106705970A (zh) * 2016-11-21 2017-05-24 中国航空无线电电子研究所 一种基于蚁群算法的多无人机协同路径规划方法
CN107622348A (zh) * 2017-09-18 2018-01-23 哈尔滨工程大学 一种任务顺序约束下的异构多auv系统任务协调方法
CN109116841A (zh) * 2018-07-23 2019-01-01 昆明理工大学 一种基于蚁群算法的路径规划平滑优化方法
CN108829140A (zh) * 2018-09-11 2018-11-16 河南大学 一种基于多群体蚁群算法的多无人机协同目标搜索方法
CN109460045A (zh) * 2019-01-14 2019-03-12 哈尔滨工程大学 动态障碍在线感知下usv基于改进蚁群优化的避碰规划方法
CN110345960A (zh) * 2019-06-13 2019-10-18 福建工程学院 一种规避交通障碍的路线规划智能优化方法
CN110375759A (zh) * 2019-07-15 2019-10-25 天津大学 基于蚁群算法的多机器人路径规划方法
CN110608740A (zh) * 2019-09-06 2019-12-24 遵义师范学院 一种无人船舰路径规划方法
CN110609557A (zh) * 2019-10-09 2019-12-24 中国人民解放军陆军装甲兵学院 无人车混合路径规划算法
CN111026126A (zh) * 2019-12-27 2020-04-17 哈尔滨工程大学 一种基于改进蚁群算法的无人艇全局路径多目标规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹如月 等: "基于蚁群算法的多机协同作业任务规划", 《农业机械学报》 *
曹如月;李世超;季宇寒;徐弘祯;张漫;李民赞: "基于蚁群算法的多机协同作业任务规划", 农业机械学报 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112092810A (zh) * 2020-09-24 2020-12-18 上海汽车集团股份有限公司 一种车辆泊出方法、装置及电子设备
CN111881247B (zh) * 2020-09-28 2020-12-22 民航成都物流技术有限公司 一种行李路径规划方法、系统、装置以及可读存储介质
CN111881247A (zh) * 2020-09-28 2020-11-03 民航成都物流技术有限公司 一种行李路径规划方法、系统、装置以及可读存储介质
CN112288270B (zh) * 2020-10-28 2023-09-29 湖南大学 用于复杂有轨传输系统的调度方法
CN112288270A (zh) * 2020-10-28 2021-01-29 湖南大学 用于复杂有轨传输系统的调度方法
CN112330144A (zh) * 2020-11-04 2021-02-05 南京航空航天大学 一种面向飞行器装配协同检测的测量任务规划方法
CN113255122A (zh) * 2021-05-11 2021-08-13 北京理工大学 多服务商协同模式下的农机运维服务区域重划分方法
CN113780745A (zh) * 2021-08-16 2021-12-10 华中科技大学 一种上门服务需求驱动的it人员调度方法和系统
CN113780745B (zh) * 2021-08-16 2024-05-14 华中科技大学 一种上门服务需求驱动的it人员调度方法和系统
CN113848880B (zh) * 2021-08-30 2023-12-22 中车大连电力牵引研发中心有限公司 一种基于改进Q-learning的农机路径优化方法
CN113848880A (zh) * 2021-08-30 2021-12-28 中车大连电力牵引研发中心有限公司 一种基于改进Q-learning的农机路径优化方法
CN114019982A (zh) * 2021-12-07 2022-02-08 洛阳智能农业装备研究院有限公司 一种无人驾驶智能农机集群作业方法
CN114019982B (zh) * 2021-12-07 2024-05-03 洛阳智能农业装备研究院有限公司 一种无人驾驶智能农机集群作业方法
CN114526750A (zh) * 2022-01-10 2022-05-24 深圳市灵星雨科技开发有限公司 一种路径优化方法及装置
CN114526750B (zh) * 2022-01-10 2024-02-27 深圳市灵星雨科技开发有限公司 一种路径优化方法及装置
CN114913029A (zh) * 2022-04-29 2022-08-16 腾圣福(广州)农业科技有限公司 一种基于物联网的智能农业监控平台
CN115118728A (zh) * 2022-06-21 2022-09-27 福州大学 基于蚁群算法的边缘负载均衡任务调度方法
CN115118728B (zh) * 2022-06-21 2024-01-19 福州大学 基于蚁群算法的边缘负载均衡任务调度方法
CN114862065A (zh) * 2022-07-05 2022-08-05 杭州数询云知科技有限公司 社工任务规划方法、装置、电子设备及存储介质
CN116050779A (zh) * 2023-01-16 2023-05-02 农业农村部南京农业机械化研究所 基于列维模拟退火算法的植保无人机动态调度方法
CN116050779B (zh) * 2023-01-16 2024-01-30 农业农村部南京农业机械化研究所 基于列维模拟退火算法的植保无人机动态调度方法

Also Published As

Publication number Publication date
CN111639811B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN111639811B (zh) 基于改进蚁群算法的多农机协同作业远程管理调度方法
Spekken et al. Optimized routing on agricultural fields by minimizing maneuvering and servicing time
CN106525047B (zh) 一种基于floyd算法的无人机路径规划方法
CN103472828A (zh) 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN110989352B (zh) 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法
CN106873599A (zh) 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN112925315A (zh) 一种基于改进蚁群算法和a*算法的履带车路径规划方法
CN109459052B (zh) 一种扫地机全覆盖路径规划方法
CN107357295B (zh) 一种基于栅格地图的路径搜索方法和芯片及机器人
CN112197778A (zh) 基于改进a*算法的轮式机场巡界机器人路径规划方法
CN110196602A (zh) 目标导向集中优化的快速水下机器人三维路径规划方法
CN114756034B (zh) 一种机器人实时避障路径规划方法及装置
CN108195380A (zh) 一种基于最短路径的agv最优路径选择方法
CN113985888B (zh) 一种基于改进蚁群算法的叉车路径规划方法及系统
CN109459032A (zh) 移动机器人定位方法、导航方法和网格地图建立方法
CN111895999A (zh) 一种基于结构化数据的路径规划方法
CN114186112B (zh) 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法
Wang et al. Full coverage path planning methods of harvesting robot with multi-objective constraints
CN111103886A (zh) 通行窄道的识别方法、装置、设备及计算机可读存储介质
CN113515111A (zh) 一种车辆避障路径规划方法及装置
CN111123953A (zh) 人工智能大数据下粒子化移动机器人组及其控制方法
CN110209171A (zh) 一种基于人工势场法的路径规划方法
Contente et al. A path planning application for a mountain vineyard autonomous robot
CN114690728B (zh) 一种用于物料快速运输的双向可调agv路径规划方法
CN113759915A (zh) 一种agv小车路径规划方法、装置、设备及存储介质

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