CN111752303B - 一种小型无人机中继充电路径规划方法与系统 - Google Patents

一种小型无人机中继充电路径规划方法与系统 Download PDF

Info

Publication number
CN111752303B
CN111752303B CN202010544449.XA CN202010544449A CN111752303B CN 111752303 B CN111752303 B CN 111752303B CN 202010544449 A CN202010544449 A CN 202010544449A CN 111752303 B CN111752303 B CN 111752303B
Authority
CN
China
Prior art keywords
path
target points
target
unmanned aerial
aerial vehicle
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
CN202010544449.XA
Other languages
English (en)
Other versions
CN111752303A (zh
Inventor
石建迈
毛慧婷
陈超
黄魁华
周玉珍
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010544449.XA priority Critical patent/CN111752303B/zh
Publication of CN111752303A publication Critical patent/CN111752303A/zh
Application granted granted Critical
Publication of CN111752303B publication Critical patent/CN111752303B/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
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/60Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明实施例提供一种小型无人机中继充电路径规划方法与系统,所述方法包括:根据蚁群算法中相邻目标点间的信息素浓度的启发值、相邻目标点间的路径距离的启发值以及相邻目标点时间窗的启发值,利用临近点搜索算法建立初始路径;根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径;通过对初始充电路径进行移除算子优化以及插入算子优化后确定最终充电路径。根据本技术方案,考虑到充电站的选择和充电水平的确定,设计了一个最优充电站插入启发式算法;并鉴于问题的复杂性,引入局部搜索算法,扩大蚁群算法迭代过程中的搜索空间,增加最优解的搜索概率。

Description

一种小型无人机中继充电路径规划方法与系统
技术领域
本发明涉及一种小型无人机中继充电路径规划方法与系统。
背景技术
随着高技术作战体系日趋完善,现代战争对战场信息的及时获取和空间的争夺日趋激烈,对于作战对象位置信息的获取和目标侦察等提出了更高的要求。目前的军事侦察手段主要有卫星遥感侦察、有人驾驶飞机侦察以及无人机侦察,其中无人机侦察由于其具有无人员伤亡风险、部署灵活、响应及时等特点,逐渐得到广泛的应用。同时传感器技术、信息传输网络以及飞行器平台的飞速发展,为无人机在战场上的侦察提供了强有力的技术支撑。
在实际作战过程中和军事运筹研究中,无人机路径规划都属于十分重要的课题。无人机侦察路径规划主要是指在某一特定战场中,尽可能地减少无人机的使用数量,在较短时间内完成所有既定目标的侦察任务,提高侦察效率。随着无人机小型化、智能化的发展趋势,具有体积小、隐蔽性强、运用灵活、成本低等优势的小型无人机在战场近距离侦察中得到越来越广泛的应用。但是小型无人机续航里程短,从基地出发后其可服务的范围半径就受到相应的限制,这大大降低了侦察效率,使得其往往难以完成所有侦察任务。尤其对于区域内分布较为分散的目标点来说,无人机的侦察任务更为艰巨。
为了克服小型无人机续航能力的限制,论文提出一种新的小型无人机战场侦察应用模式。通过为我方作战装备,如装甲车辆、运输车辆等,加装小型无人机快速无线充电设备,使其成为小型无人机的中继充电平台。当作战过程中,这些装备因各自任务分散部署到战场上时,就形成了一个可为小型无人机进行中继充电的充电站网络。小型无人机在执行侦察任务过程中,当电量不足时,可以到附近具备充电能力的我方作战装备上进行快速充电,然后继续执行任务。这种情况下,在优化无人机侦察路径的过程中,还需要优化选择中继充电点的决策。
发明内容
本发明实施例提供一种小型无人机中继充电路径规划方法与系统,考虑到充电站的选择和充电水平的确定,设计了一个最优充电站插入启发式算法;并鉴于问题的复杂性,引入局部搜索算法,扩大蚁群算法迭代过程中的搜索空间,增加最优解的搜索概率。
为达到上述目的,一方面,本发明实施例提供了一种小型无人机中继充电路径规划方法,所述方法包括:
根据蚁群算法中相邻目标点间的信息素浓度的启发值、相邻目标点间的路径距离的启发值以及相邻目标点时间窗的启发值,利用临近点搜索算法建立初始路径;
根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径;
通过对初始充电路径进行移除算子优化以及插入算子优化后确定最终充电路径。
另一方面,本发明实施例提供了一种小型无人机中继充电路径规划系统,所述系统包括:
初始路径建立单元:用于根据蚁群算法中相邻目标点间的信息素浓度的启发值、相邻目标点间的路径距离的启发值以及相邻目标点时间窗的启发值,利用临近点搜索算法建立初始路径;
初始充电路径建立单元:用于根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径;
路径确定单元:用于通过对初始充电路径进行移除算子优化以及插入算子优化后确定最终充电路径。
上述技术方案具有如下有益效果:蚁群算法是一种新的仿生类随机型搜索算法,仿照自然界中蚂蚁觅食的自然现象,具有群体合作、正反馈选择、并行计算等特点。近年来蚁群算法逐渐被用于求解各种车辆路径规划问题,是一种有效的求解手段。
为适应本文中的小型无人机侦察路径问题特点,本文对蚁群算法进行了两方面的改进。首先考虑到充电站的选择和充电水平的确定,设计了一个最优充电站插入启发式算法;其次,鉴于问题的复杂性,引入局部搜索算法,扩大蚁群算法迭代过程中的搜索空间,增加最优解的搜索概率。
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是本发明实施例一种小型无人机中继充电路径规划方法的流程图;
图2a、2b是本发明实施例中利用最差目标点删除算法对初始充电路径进行优化前、后的路径图;
图3a、3b是本发明实施例中利用基于距离的目标点删除算法对初始充电路径进行优化前、后的路径图;
图4是本发明实施例一种小型无人机中继充电路径规划系统的结构示意图;
图5是本发明一具体实施例的优化后的最终充电路径图。
具体实施方式
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,所描述的实施例仅仅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。
在考虑中继充电的小型无人机侦察规划问题中,多架小型无人机从临时基地出发对战场上的多个目标进行侦察,侦察过程中电量不足时,可以寻求我方在战场上的搭载快速无线充电设备的作战平台进行快速充电,然后继续执行侦察任务,每架无人机通过多次中继充电接力,协同完成战场区域内所有预定目标的侦察任务。
考虑中继充电的无人机路径规划问题中的关键要素与约束如下。
1)小型无人机
执行侦察任务的小型无人机为锂电池驱动,电池容量是确定的,无人机飞行时消耗电量与飞行速度和距离相关。无人机搭载的传感器在侦察目标时消耗电量且与侦察精度和时间相关,不侦察目标时,侦察传感器关闭,不消耗电量。当无人机悬停在侦察点上方等待合适的目标侦察窗口时,仍需要消耗电量,但电量消耗速度小于飞行或侦察时的消耗速度。无人机从基地出发,完成侦察任务后必须回到基地。
2)中继充电平台
我方一些作战平台,如装甲车、运输车辆、导弹发射车等装备,事前安装了快速无线充电设备。这些平台因各自的任务分散部署在战场上,能够为无人机进行快速充电,为无人机的充能量与充电时间相关,且充电函数已知。这些作战平台在战场上的位置和无人机指挥中心是信息共享的。
3)侦察目标
需要侦察的目标分布在战场不同位置,并且每个侦察目标只能在给定的时间窗口进行侦察,并且在每个目标的侦察时间与精度是任务给定的,目标的位置信息也已知。
在给定上述信息的情况下,考察中继充电的无人机侦察路径规划问题通过优化每架无人机访问侦察目标和中继充电平台的飞行路径来最小化侦察任务完成的总时间和无人机使用数量。
中继充电无人机路径规划不需要考虑货物装备问题,其携带的传感器重量是恒定的,但是无人机在等待过程中以及在侦察目标点进行侦察时都在消耗电量,需要建立相应的约束进行建模,而充电汽车在等待和目标点服务时不消耗电能,相应模型中也没有体现。同时大部分充电汽车采用电池充满策略,而无人机为了尽快完成侦察任务,在中继点进行部分充电,只充后续路径需要的电量,以节省时间。
如图1所示,是本发明实施例一种小型无人机中继充电路径规划方法的流程图,所述方法包括:
S101:根据蚁群算法中相邻目标点间的信息素浓度的启发值、相邻目标点间的路径距离的启发值以及相邻目标点时间窗的启发值,利用临近点搜索算法建立初始路径.
优选地,所述根据蚁群算法中信息素浓度、相邻目标点之间的路径距离以及相邻目标时间窗,利用临近点搜索算法建立初始路径,包括:
在建立初始路径的过程中,无人机从基地出发根据转移概率公式不断选择下一目标点,直至没有满足条件的目标点,无人机返回基地重新出发,直到访问完所有目标点;其中,转移概率公式如下:
Figure GDA0002910671010000041
其中
Figure GDA0002910671010000042
为无人机k在i点选择j点作为下一个目标点的概率;
Jk(i)是所有目标点的集合;
τij为相邻目标点间的信息素浓度的启发值,相邻目标点间的信息素浓度的启发值为所述初始路径的目标函数值的倒数;
hij为相邻目标点间的路径距离的启发值,表示为
Figure GDA0002910671010000043
其中dij为边<i,j>的长度;
tij为相邻目标点时间窗的启发值,表示为
Figure GDA0002910671010000051
lj为下一个目标点j的最晚服务开始时间;
α为相邻目标点间的信息素浓度的启发值的相对权重、β为相邻目标点之间的路径距离的启发值的相对权重,γ为相邻目标时间窗的启发值的相对权重。
进一步优选地,所述方法还包括,根据信息素挥发机制及精英蚂蚁策略对信息素浓度的启发值进行更新,即除了蚂蚁搜索产生的最优解所经过的路径之外,其余精英蚂蚁所产生的较优的可接受路径也会被用来更新信息素的浓度;所述相邻目标点间的信息素浓度的启发值按如下方式进行更新:
Figure GDA0002910671010000052
其中,
Figure GDA0002910671010000053
为更新之后的相邻目标点间的信息素浓度的启发值,
Figure GDA0002910671010000054
为更新之前的相邻目标点间的信息素浓度的启发值,
Figure GDA0002910671010000055
为信息素挥发参数,
Figure GDA0002910671010000056
Figure GDA0002910671010000057
其中,Q是一个常数,Costib为当前无人机路径的最优解,
Figure GDA0002910671010000059
为δth精英无人机路径的解。
S102:根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径。
由于小型无人机电池容量有限,其续航里程往往受到电量水平的限制。蚁群算法所构造的未插入充电站(No-Recharged,NR)的解
Figure GDA0002910671010000058
及初始路径,往往存在违背里程约束的路径。因此,这些路径中需要插入充电站对无人机进行适当充电才能顺利完成该条路径的侦察任务。为解决该问题,本文设计了一个充电站最优插入启发式算法。
优选地,所述根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径,包括:根据无人机的最大续航里程,确定无人机从基地或者充电站出发能够到达的最远目标点,在该目标点后插入距离最近的充电站;遍历初始路径,确定初始路径中的所有充电站,形成初始充电路径。
充电站插入算法的基本思路是对于超过无人机最大续航里程的回路,找到无人机出发后能到达的最远目标点,即无人机从基地或者充电站出发可到达但无法继续到达下一个目标点。在该目标点后插入距离最近的充电站。若余下的路径仍里程违背,则继续按此方式插入充电站。在搜索过程中,遍历所有可插入充电站的位置。
确定了充电站的插入位置之后,即可通过后续飞行路径所需要的实际电量对无人机进行充电。由于无人机除了飞行时间和侦查时间要耗电之外,若无人机在该侦查点最早侦查开始时间之前到达,无人机需要悬停在侦查点上方进行等待,该等待过程同样需要耗电。因此无人机在后续侦查点的等待时间内的耗电量会影响前一个充电站的充电水平,进而影响了无人机所需要的充电时间。同样的,无人机在充电站的充电时间在很大程度上也会影响其后续侦查点的等待时间的长短。因此,这两者因素的交互影响使得如何确定无人机在充电点的充电水平变得更为复杂。为了解决该问题,本文允许无人机在充电站可以多充电,即先不考虑充电时间计算出后续飞行路径所需要的耗电量确定无人机的充电水平。一旦确定了相应的充电时间之后,其后续路径的等待时间有可能会相应缩短,进而使得无人机在到达下一个充电点或者基地时往往会有剩余电量,这就是多充电原则。
当充电水平确定之后,检查该回路上的目标侦察点时间窗约束是否仍然满足。若有目标点的时间窗不满足,则将该目标点从该路径中移除并将其添加到集合Vunvisit。在整个充电站插入的过程中,可行解的接受第一准则首先是尽可能保留较多的目标点,其次则是接受较低成本的可行解。
S103:通过对初始充电路径进行移除算子优化以及插入算子优化后确定最终充电路径。
局部搜索算法可以在一定程度上防止蚁群算法陷入局部最优解,扩大蚁群算法每次迭代过程中的搜索空间,提高可行解寻优的质量。在本文中,局部搜索算法的核心是移除算子和插入算子,通过不断破坏与重构当前解,增加解的多样性。在搜索过程中,考虑到目标点位置每一次的重新调整都很可能会导致充电站最优插入位置的改变,因此局部搜索是建立在移除充电站之后的当前解路径上进行的。在每一次迭代之后,重新对调整后的解路径应用充电站插入算法,生成可行解。
优选地,所述通过对初始充电路径进行移除算子优化,包括:
对所述初始充电路径进行路径移除和目标点移除;其中,
路径移除是指移除被选中的回路上的所有目标点,包括随机路径删除,从当前初始充电路径中随机选择一条路径回路,删除该路径回路上的所有目标点并将这些目标点放进移除列表中;选择的随机性可以增大搜索空间。
最短路径删除,从当前初始充电路径中挑选出最短的一条路径回路,删除该路径回路上所有目标点并将这些目标点放进移除列表中;该算子的目的是尽可能最大化车载量的利用率。以及,
结束最早路径删除,从当前初始充电路径中选择配送时间结束最早的一条回路,删除该回路上所有目标点并将这些目标点放进移除列表中;该算子的目的是基于现实因素考虑,尽可能达到相应的工作时长。
目标点移除是移除设定数量λ的目标点,λ由总的目标点数量决定,在一个特定区间内随机选择,包括随机目标点删除,从当前初始充电路径中随机选择第一设定数量的目标点进行删除;随机性的删除操作可以使得搜索过程更加多样化,防止陷入局部最优。
最差目标点删除,如图2所示,计算出当前初始充电路径中每个目标点距离前后邻接的目标点距离之和,按该距离之和的数值进行降序排序,选择前第二设定数量个目标点进行删除;
基于时间窗的目标点删除,随机挑选一个目标点,找出其余目标点中最晚服务开始时间与该目标点最晚服务开始时间最接近的目标点进行删除,直至删除第三设定数量个目标点;以及,
基于距离的目标点删除,如3所示,随机挑选一个目标点,找出距离该目标点最近的目标点进行删除,直至删除第四设定数量个目标点。
优选地,所述通过对初始充电路径进行插入算子优化,其中,插入算子是将移除列表中的目标点重新插回被破坏的当前解中,在插入过程中需要考虑该条回路的车容量及时间窗的可行性,但不需要考虑车辆里程的限制,包括:
贪婪插入,将被移除目标点依次插回当前解最优的位置,使得每次插入增加的成本最低;
后悔值插入,确定所有被移除目标点的最优和次优插入位置,计算所有被移除目标点的最优插入成本和次优插入成本的差值,将差值大于设定阈值的被移除目标点插入其最优位置;
基于模拟退火准则插入,确定所有被移除目标点的最优和次优插入位置,以设定概率接受次优插入位置进行对应移除目标点重新插入;
优先插入准则插入,计算出每一个被移除的目标点可重新插回当前初始充电路径的位置个数,按该个数的数值进行升序排序,依次选择目标点插入其最优插入位置。该算子的目的是尽可能将所有客户点成功插回,避免重新指派一架无人机。
优选地,为移除算子和插入算子中包括的具体算法分配相同的权重,按照轮盘赌进行随机选择组合对所述初始充电路径进行优化。
如图4所示,是本发明实施例一种小型无人机中继充电路径规划系统的结构示意图,所述系统包括:
初始路径建立单元21:用于根据蚁群算法中相邻目标点间的信息素浓度的启发值、相邻目标点间的路径距离的启发值以及相邻目标点时间窗的启发值,利用临近点搜索算法建立初始路径;
初始充电路径建立单元22:用于根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径;
路径确定单元23:用于通过对初始充电路径进行移除算子优化以及插入算子优化后确定最终充电路径。
进一步地,所述初始路径建立单元21具体用于:
在建立初始路径的过程中,无人机从基地出发根据转移概率公式不断选择下一目标点,直至没有满足条件的目标点,无人机返回基地重新出发,直到访问完所有目标点;其中,转移概率公式如下:
Figure GDA0002910671010000081
其中
Figure GDA0002910671010000082
为无人机k在i点选择j点作为下一个目标点的概率;
Jk(i)是所有目标点的集合;
τij为相邻目标点间的信息素浓度的启发值,相邻目标点间的信息素浓度的启发值为所述初始路径的目标函数值的倒数;
hij为相邻目标点间的路径距离的启发值,表示为
Figure GDA0002910671010000083
其中dij为边<i,j>的长度;
tij为相邻目标点时间窗的启发值,表示为
Figure GDA0002910671010000084
lj为下一个目标点j的最晚服务开始时间;
α为相邻目标点间的信息素浓度的启发值的相对权重、β为相邻目标点之间的路径距离的启发值的相对权重,γ为相邻目标时间窗的启发值的相对权重。
进一步地,所述初始充电路径建立单元22具体用于,根据无人机的最大续航里程,确定无人机从基地或者充电站出发能够到达的最远目标点,在该目标点后插入距离最近的充电站;
遍历初始路径,确定初始路径中的所有充电站,形成初始充电路径。
应用实例
由于无人机在整个飞行、侦察以及悬停等待过程中所消耗的电量水平均有所不同,假定耗电率均与所耗时间线性相关。且无人机在充电站会根据实际需求进行适当充电,因此其充电时间与充电水平、充电速率均相关。本实验中关于无人机的相关参数设定见表1.
Figure GDA0002910671010000101
表1:无人机相关参数
为了对模型和算法进行验证,在实验中对含有10个目标侦察点以及相对应的充电平台数量(包括基地)为4。算法所有代码由Visual C++编程实现,在处理器为 Intel(R)Core(TM)i5-8265U,内存8G的笔记本电脑上运行,蚁群算法相关的参数值设定为 P=30,α=5,β=5,γ=10,
Figure GDA0002910671010000102
Q=100,种群迭代100次,算法停止。应用改进蚁群算法的优化结果见图5。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (8)

1.一种小型无人机中继充电路径规划方法,其特征在于,所述方法包括:
根据蚁群算法中相邻目标点间的信息素浓度的启发值、相邻目标点间的路径距离的启发值以及相邻目标点时间窗的启发值,利用临近点搜索算法建立初始路径;
根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径;
通过对初始充电路径进行移除算子优化以及插入算子优化后确定最终充电路径;
所述通过对初始充电路径进行移除算子优化,包括:
对所述初始充电路径进行路径移除和目标点移除;其中,
路径移除包括随机路径删除,从当前初始充电路径中随机选择一条路径回路,删除该路径回路上的所有目标点并将这些目标点放进移除列表中;
最短路径删除,从当前初始充电路径中挑选出最短的一条路径回路,删除该路径回路上所有目标点并将这些目标点放进移除列表中;以及,
结束最早路径删除,从当前初始充电路径中选择配送时间结束最早的一条回路,删除该回路上所有目标点并将这些目标点放进移除列表中;
目标点移除包括随机目标点删除,从当前初始充电路径中随机选择第一设定数量的目标点进行删除;
最差目标点删除,计算出当前初始充电路径中每个目标点距离前后邻接的目标点距离之和,按该距离之和的数值进行降序排序,选择前第二设定数量个目标点进行删除;
基于时间窗的目标点删除,随机挑选一个目标点,找出其余目标点中最晚服务开始时间与该目标点最晚服务开始时间最接近的目标点进行删除,直至删除第三设定数量个目标点;以及,
基于距离的目标点删除,随机挑选一个目标点,找出距离该目标点最近的目标点进行删除,直至删除第四设定数量个目标点;
所述通过对初始充电路径进行插入算子优化,包括:
贪婪插入,将被移除目标点依次插回当前解最优的位置,使得每次插入增加的成本最低;
后悔值插入,确定所有被移除目标点的最优和次优插入位置,计算所有被移除目标点的最优插入成本和次优插入成本的差值,将差值大于设定阈值的被移除目标点插入其最优位置;
基于模拟退火准则插入,确定所有被移除目标点的最优和次优插入位置,以设定概率接受次优插入位置进行对应移除目标点重新插入;
优先插入准则插入,计算出每一个被移除的目标点可重新插回当前初始充电路径的位置个数,按该个数的数值进行升序排序,依次选择目标点插入其最优插入位置。
2.如权利要求1所述的小型无人机中继充电路径规划方法,其特征在于,所述根据蚁群算法中信息素浓度、相邻目标点之间的路径距离以及相邻目标时间窗,利用临近点搜索算法建立初始路径,包括:
在建立初始路径的过程中,无人机从基地出发根据转移概率公式不断选择下一目标点,直至没有满足条件的目标点,无人机返回基地重新出发,直到访问完所有目标点;其中,转移概率公式如下:
Figure FDA0003764838470000021
其中
Figure FDA0003764838470000022
为无人机k在i点选择j点作为下一个目标点的概率;
Jk(i)是所有目标点的集合;
τij为相邻目标点间的信息素浓度的启发值,相邻目标点间的信息素浓度的启发值为所述初始路径的目标函数值的倒数;
hij为相邻目标点间的路径距离的启发值,表示为
Figure FDA0003764838470000023
其中dij为边<i,j>的长度;
tij为相邻目标点时间窗的启发值,表示为
Figure FDA0003764838470000024
lj为下一个目标点j的最晚服务开始时间;
α为相邻目标点间的信息素浓度的启发值的相对权重、β为相邻目标点之间的路径距离的启发值的相对权重,γ为相邻目标时间窗的启发值的相对权重。
3.如权利要求2所述的小型无人机中继充电路径规划方法,其特征在于,还包括,根据信息素挥发机制及精英蚂蚁策略对信息素浓度的启发值进行更新;所述相邻目标点间的信息素浓度的启发值按如下方式进行更新:
Figure FDA0003764838470000025
其中,
Figure FDA0003764838470000026
为更新之后的相邻目标点间的信息素浓度的启发值,
Figure FDA0003764838470000027
为更新之前的相邻目标点间的信息素浓度的启发值,
Figure FDA0003764838470000031
为信息素挥发参数,
Figure FDA0003764838470000032
Figure FDA0003764838470000033
其中,Q是一个常数,Costib为当前无人机路径的最优解,
Figure FDA0003764838470000034
为δth精英无人机路径的解。
4.如权利要求3所述的小型无人机中继充电路径规划方法,其特征在于,所述根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径,包括:
根据无人机的最大续航里程,确定无人机从基地或者充电站出发能够到达的最远目标点,在该目标点后插入距离最近的充电站;
遍历初始路径,确定初始路径中的所有充电站,形成初始充电路径。
5.如权利要求1所述的小型无人机中继充电路径规划方法,其特征在于,为移除算子和插入算子中包括的具体算法分配相同的权重,按照轮盘赌进行随机选择组合对所述初始充电路径进行优化。
6.一种小型无人机中继充电路径规划系统,其特征在于,所述系统包括:
初始路径建立单元:用于根据蚁群算法中相邻目标点间的信息素浓度的启发值、相邻目标点间的路径距离的启发值以及相邻目标点时间窗的启发值,利用临近点搜索算法建立初始路径;
初始充电路径建立单元:用于根据无人机的最大续航里程在所述初始路径中插入充电站,形成初始充电路径;
路径确定单元:用于通过对初始充电路径进行移除算子优化以及插入算子优化后确定最终充电路径;
所述通过对初始充电路径进行移除算子优化,包括:
对所述初始充电路径进行路径移除和目标点移除;其中,
路径移除包括随机路径删除,从当前初始充电路径中随机选择一条路径回路,删除该路径回路上的所有目标点并将这些目标点放进移除列表中;
最短路径删除,从当前初始充电路径中挑选出最短的一条路径回路,删除该路径回路上所有目标点并将这些目标点放进移除列表中;以及,
结束最早路径删除,从当前初始充电路径中选择配送时间结束最早的一条回路,删除该回路上所有目标点并将这些目标点放进移除列表中;
目标点移除包括随机目标点删除,从当前初始充电路径中随机选择第一设定数量的目标点进行删除;
最差目标点删除,计算出当前初始充电路径中每个目标点距离前后邻接的目标点距离之和,按该距离之和的数值进行降序排序,选择前第二设定数量个目标点进行删除;
基于时间窗的目标点删除,随机挑选一个目标点,找出其余目标点中最晚服务开始时间与该目标点最晚服务开始时间最接近的目标点进行删除,直至删除第三设定数量个目标点;以及,
基于距离的目标点删除,随机挑选一个目标点,找出距离该目标点最近的目标点进行删除,直至删除第四设定数量个目标点;
所述通过对初始充电路径进行插入算子优化,包括:
贪婪插入,将被移除目标点依次插回当前解最优的位置,使得每次插入增加的成本最低;
后悔值插入,确定所有被移除目标点的最优和次优插入位置,计算所有被移除目标点的最优插入成本和次优插入成本的差值,将差值大于设定阈值的被移除目标点插入其最优位置;
基于模拟退火准则插入,确定所有被移除目标点的最优和次优插入位置,以设定概率接受次优插入位置进行对应移除目标点重新插入;
优先插入准则插入,计算出每一个被移除的目标点可重新插回当前初始充电路径的位置个数,按该个数的数值进行升序排序,依次选择目标点插入其最优插入位置。
7.如权利要求6所述的小型无人机中继充电路径规划系统,其特征在于,所述初始路径建立单元具体用于:
在建立初始路径的过程中,无人机从基地出发根据转移概率公式不断选择下一目标点,直至没有满足条件的目标点,无人机返回基地重新出发,直到访问完所有目标点;其中,转移概率公式如下:
Figure FDA0003764838470000041
其中
Figure FDA0003764838470000051
为无人机k在i点选择j点作为下一个目标点的概率;
Jk(i)是所有目标点的集合;
τij为相邻目标点间的信息素浓度的启发值,相邻目标点间的信息素浓度的启发值为所述初始路径的目标函数值的倒数;
hij为相邻目标点间的路径距离的启发值,表示为
Figure FDA0003764838470000052
其中dij为边<i,j>的长度;
tij为相邻目标点时间窗的启发值,表示为
Figure FDA0003764838470000053
lj为下一个目标点j的最晚服务开始时间;
α为相邻目标点间的信息素浓度的启发值的相对权重、β为相邻目标点之间的路径距离的启发值的相对权重,γ为相邻目标时间窗的启发值的相对权重。
8.如权利要求7所述的小型无人机中继充电路径规划系统,其特征在于,所述初始充电路径建立单元具体用于,根据无人机的最大续航里程,确定无人机从基地或者充电站出发能够到达的最远目标点,在该目标点后插入距离最近的充电站;
遍历初始路径,确定初始路径中的所有充电站,形成初始充电路径。
CN202010544449.XA 2020-06-15 2020-06-15 一种小型无人机中继充电路径规划方法与系统 Active CN111752303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010544449.XA CN111752303B (zh) 2020-06-15 2020-06-15 一种小型无人机中继充电路径规划方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010544449.XA CN111752303B (zh) 2020-06-15 2020-06-15 一种小型无人机中继充电路径规划方法与系统

Publications (2)

Publication Number Publication Date
CN111752303A CN111752303A (zh) 2020-10-09
CN111752303B true CN111752303B (zh) 2022-09-27

Family

ID=72675236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010544449.XA Active CN111752303B (zh) 2020-06-15 2020-06-15 一种小型无人机中继充电路径规划方法与系统

Country Status (1)

Country Link
CN (1) CN111752303B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112484727A (zh) * 2020-10-14 2021-03-12 中国人民解放军国防科技大学 一种基于双充电模式的无人机路径规划方法
CN112859912B (zh) * 2021-01-11 2022-06-21 中国人民解放军国防科技大学 中继充电模式下无人机路径规划的自适应优化方法与系统
CN114237301B (zh) * 2022-02-24 2022-05-20 南京南机智农农机科技研究院有限公司 一种空地一体化植保作业系统与方法
CN117022715B (zh) * 2023-10-09 2024-02-06 国网山东省电力公司沂水县供电公司 一种巡检无人机电能补给方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372766A (zh) * 2016-12-06 2017-02-01 国网四川省电力公司检修公司 用于电磁干扰环境中的无人机路径规划方法
CN107491925A (zh) * 2017-09-25 2017-12-19 湖北工业大学 一种基于蚁群算法的快递无人机运输系统及方法
CN209167898U (zh) * 2018-04-16 2019-07-26 佛山科学技术学院 一种基于蚁群算法的机器人路径规划系统
CN108710365A (zh) * 2018-04-19 2018-10-26 五邑大学 一种基于最优路径巡航的水上机器人自动充电方法及装置
CN109141430B (zh) * 2018-09-04 2022-02-18 南京理工大学 基于模拟退火蚁群算法的电力巡检机器人路径规划方法
CN110058613B (zh) * 2019-05-13 2022-05-13 大连海事大学 一种多无人机多蚁群协同搜索目标方法

Also Published As

Publication number Publication date
CN111752303A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111752303B (zh) 一种小型无人机中继充电路径规划方法与系统
CN112484727A (zh) 一种基于双充电模式的无人机路径规划方法
CN112859912B (zh) 中继充电模式下无人机路径规划的自适应优化方法与系统
Schneider et al. An adaptive VNS algorithm for vehicle routing problems with intermediate stops
Shetty et al. Priority-based assignment and routing of a fleet of unmanned combat aerial vehicles
Shi et al. Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization
Di Puglia Pugliese et al. Trucks and drones cooperation in the last‐mile delivery process
Zhu et al. Aerial refueling: Scheduling wireless energy charging for UAV enabled data collection
Yan et al. Optimal routes and aborting strategies of trucks and drones under random attacks
Zhao et al. Robust traveling salesman problem with drone: balancing risk and makespan in contactless delivery
CN113671986A (zh) 空地协同下无人机与车辆的任务分配方法和系统
CN116911729A (zh) 一种考虑电池更换计划的无人机与卡车协同配送方法
CN115276758A (zh) 一种基于任务松弛度的中继卫星动态调度方法
Nguyen et al. The parallel drone scheduling traveling salesman problem with collective drones
CN115079701A (zh) 一种无人车与无人机协同的路径规划方法
Yuan et al. An enhanced genetic algorithm for unmanned aerial vehicle logistics scheduling
Sun et al. The traveling salesman problem: Route planning of recharging station-assisted drone delivery
CN110033111B (zh) 机场场面运动规划方法和装置
CN108197749B (zh) 飞行器滑行调度方法与装置
CN117151422B (zh) 卡车-无人机多目标协同配送规划方法与系统
Shi et al. Adaptive large neighborhood search algorithm for the Unmanned aerial vehicle routing problem with recharging
Yang et al. A multi-platform active debris removal mission planning method based on DCOP with chain topology
Liu et al. A double-adaptive general variable neighborhood search for an unmanned electric vehicle routing and scheduling problem in green manufacturing systems
CN114625167A (zh) 基于启发式Q-learning算法的无人机协同搜索方法及系统
Nelson et al. US Army Aviation air movement operations assignment, utilization and routing

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