CN112731967B - 一种基于聚类和遗传算法的多无人机协同任务规划方法 - Google Patents

一种基于聚类和遗传算法的多无人机协同任务规划方法 Download PDF

Info

Publication number
CN112731967B
CN112731967B CN202011551845.1A CN202011551845A CN112731967B CN 112731967 B CN112731967 B CN 112731967B CN 202011551845 A CN202011551845 A CN 202011551845A CN 112731967 B CN112731967 B CN 112731967B
Authority
CN
China
Prior art keywords
unmanned aerial
task
aerial vehicle
energy consumption
clustering
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
CN202011551845.1A
Other languages
English (en)
Other versions
CN112731967A (zh
Inventor
王煜炜
薛晶晶
刘敏
付艳波
王元卓
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.)
Big Data Research Institute Institute Of Computing Technology Chinese Academy Of Sciences
Original Assignee
Big Data Research Institute Institute Of Computing Technology Chinese Academy Of Sciences
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 Big Data Research Institute Institute Of Computing Technology Chinese Academy Of Sciences filed Critical Big Data Research Institute Institute Of Computing Technology Chinese Academy Of Sciences
Priority to CN202011551845.1A priority Critical patent/CN112731967B/zh
Publication of CN112731967A publication Critical patent/CN112731967A/zh
Application granted granted Critical
Publication of CN112731967B publication Critical patent/CN112731967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于无人机系统技术领域，具体涉及一种基于聚类和遗传算法的多无人机协同任务规划方法。该方法基于K‑means聚类算法完成多个任务点的点簇划分，将多无人机协同规划能耗最优航迹问题简化为多个单架无人机的旅行商问题，并对遗传算法进行改进，基于改进后的遗传算法提出一种UAV航点规划优化算法进行航迹优化，使得无人机的能耗最优，以避免飞行过程中受到环境影响导致实际能耗值变大导致无法执行规划航线的问题出现，提高飞行效率和能量利用率。

Description

一种基于聚类和遗传算法的多无人机协同任务规划方法
技术领域
本发明属于无人机系统技术领域，具体涉及一种基于聚类和遗传算法的多无人机协同任务规划方法。
背景技术
近年来，全世界的经济基础实力得到很大程度的提升，科技也随之逐渐发展、提高，无人机技术的研究也有了较大的飞跃，其应用非常广泛。在很多复杂的场景之下，单个无人机根本无法达到人们的预期，于是提出了运用多架无人机协同实现快速高效的任务执行。
对比单无人机与多无人机协同发现：单架无人机操作简单且易实现，而多架无人机执行任务时要完善它们之间的协同规划，故而后者执行起来比较复杂，对服务器的处理速度有一定的要求。但是单架无人机只能按照顺序依次完成所有任务，这样会很耗时，很多情况下无法达到要求；而多架无人机能够在同一时间解决多个任务。相较之下，多无人机很大地提升了任务执行速度，大多数情况下能够应对任务实时性的要求。另外，无人机的运行需要能量支持，而一架无人机对能量的储存能力是有限的，单无人机执行复杂任务时很可能出现能量耗尽需要返回基地补充能量的情况，而多架无人机只要选择合适的任务管理方式完成任务分配和航迹规划，便可以达到尽可能少的能量消耗，这对于环境保护、节约能源均有益。但是就目前而言，多架无人机之间的协同配合问题值得我们进一步的深度研究。因此，设计一种多无人机协同任务规划方法至关重要。
发明内容
针对目前多架无人机协同配合存在的缺陷和问题，本发明提供一种基于聚类和遗传算法的多无人机协同任务规划方法，从而实现多无人机协同规划能耗最优的航行轨迹，便于突发紧急任务时无人机能够有一定的能源储备。
本发明解决其技术问题所采用的方案是：一种基于聚类和遗传算法的多无人机协同任务规划方法，包括以下步骤：
步骤一、根据任务类型和巡检区域获取多个无人机协同任务的所有任务航点n，将所有任务航点共同组成任务航点集
Figure BDA0002858210370000021
计算任务航点集中所有任务航点的坐标；
步骤二、选取K架无人机负责执行该巡检区域的巡检任务，以距离为划分依据使用K-means聚类算法对所有任务航点进行集中式分配；
步骤三、根据每架无人机负责的任务点的坐标计算出每架无人机执行任务的能量消耗，所述能量消耗包括飞行能耗、转向能耗和数据传输能耗；
步骤四、对遗传算法的选择、交叉变异以及进化环节进行改进，利用改进的遗传算法对无人机的巡检区域进行路径规划得到K架无人机协同的最优航迹；
步骤五、K架无人机按照步骤四的最优航迹进行航行，并在将执行任务时收集的数据传输至本地服务器的同时实时传送本机的能量剩余，若电池剩余百分比大于15％时，继续按照航迹执行任务，若无人机电池剩余百分比小于15％，后端控制服务器发送相应信息要求无人机立刻中断当前任务的执行，返回无人机基地补充能量。
上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤一中还包括根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，从而使能够完全覆盖巡检区域。
上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤二中采用K-means聚类算法将n个任务点划分为K个点簇，每一个点簇由一架UAV负责执行任务，包括以下步骤：
(1)产生随机坐标点作为聚类中心；
(2)分别计算各任务航点到K个聚类中心的距离，将任务航点依次划分给距离最近的聚类中心所属的点簇；
(3)采用均值法更新聚类中心得到新的中心坐标；
(4)根据新的中心坐标按照步骤(2)、(3)完成点簇划分；
(5)判断本次迭代得到的聚类中心的坐标是否满足预先设定的聚类中心的坐标精确度，若不满足，则多次迭代重复(3)、(4)；若满足，则结束运行。
上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述飞行能量消耗为
Figure BDA0002858210370000031
式中：
Figure BDA0002858210370000041
为
Figure BDA0002858210370000042
的飞行能耗；P为飞行功率；t为飞行时间；
Figure BDA0002858210370000043
为飞行阻力；
Figure BDA0002858210370000044
为飞行速度，
Figure BDA0002858210370000045
表示
Figure BDA0002858210370000046
执行任务时的总直线飞行距离；
上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述转向能耗：
Figure BDA0002858210370000047
式中：
Figure BDA0002858210370000048
为
Figure BDA0002858210370000049
的转向能耗、θ为转向角；α为比例参数，
Figure BDA00028582103700000410
表示
Figure BDA00028582103700000411
两点间的距离。
上述的基于聚类和遗传算法的多无人机协同任务规划方法，所述数据传输能耗：
Figure BDA00028582103700000412
式中：
Figure BDA00028582103700000413
为数据传输的能耗、ω为
Figure BDA00028582103700000414
需要传输的数据量、Pt为数据传输功率、C为数据传输的信道容量、L为数据传输路径损耗、
Figure BDA00028582103700000416
为接收者的灵敏度、
Figure BDA00028582103700000415
为常数，δ为常数，λ为常数一般取20，(x1,x2)为任务点的坐标。
上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤四中对单无人机进行航迹规划，包括以下步骤：
(1)设定种群的个体数、算法的最大循环次数，随机产生任务航点序列构成原始种群；
(2)计算个体适应度
Figure BDA0002858210370000051
(3)种群中适者生存淘汰部分个体。生存下来的所有个体作为父代按照计算出的概率交配重组产生下一代个体，之后再按照计算出的概率发生基因突变生成新个体，进而结合成新种群。
上述的基于聚类和遗传算法的多无人机协同任务规划方法，步骤五中对于未完成巡检的任务航点，派遣能量储存足够且距离较近的无人机继续执行巡检任务。
本发明的有益效果：本发明采用K-means聚类算法对所有任务航点进行分簇，实现多个无人机任务分配，充分考虑无人机执行任务过程中的飞行能耗、转向能耗和数据传输能耗，更全面地考虑无人机能耗问题，使计算得到的能耗值与实际无人机的能耗更加接近，从而显著降低规划飞行航向的差错率。基于遗传算法提出一种UAV航点规划优化算法完成单无人机的航迹规划，使得无人机的能耗最优，以避免飞行过程中受到环境影响导致实际能耗值变大导致无法执行规划航线的问题出现，提高飞行效率和能量利用率；无人机执行任务过程中在传输数据的同时实时传送能量剩余，以便于对能量剩余实时了解从而控制无人机是否继续执行任务，以便于突发紧急任务时无人机能够有一定的能源储备。
附图说明
图1为本发明多无人机协同巡检目标区域的示意图。
图2为本发明聚类算法任务划分的流程图。
图3为本发明基于遗传算法的UAV航点规划优化算法流程图。
图4为本发明UAVs航行轨迹示意图。
图5为本发明选择算法流程图。
图6为本发明进化算法流程图。
具体实施方式
针对目前多无人机协同任务规划存在的问题，本发明基于聚类和遗传算法提出一种多无人机协同任务规划方法，使用K-means聚类算法完成多个任务点的点簇划分，将多无人机协同规划能耗最优航迹问题简化为多个单架无人机的旅行商问题；然后基于遗传算法提出一种UAV航点规划优化算法解决单价无人机的能耗最优航迹规划问题。下面结合附图和实施例对本发明进一步说明。
实施例1：本实施例从获取任务航点开始，根据任务的类型来确定任务航点，如需要无人机完全覆盖整片区域，可根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，以K架UAV负责协同巡检矩形区域S为例，完成一次多无人机协同任务规划过程。
步骤一、获取航点
在待巡检的矩形区域S内有多个预先标定的重要任务点，它们共同组成该巡检任务的任务航点集
Figure BDA0002858210370000061
并确定所有任务点在区域S中的坐标。
步骤二、任务分配
共有K架无人机UAV＝{UAV1,UAV2,…,UAVk}负责执行该巡检任务，如图1所示，区域S内共有n个任务点
Figure BDA0002858210370000071
待检测。以距离为划分依据使用K-means聚类算法完成多个任务点的集中式分配，将n个目标点划分为K个点簇，每一个点簇分配一架UAV负责执行巡检任务。当任务分配系数
Figure BDA0002858210370000072
时代表
Figure BDA0002858210370000073
任务点由
Figure BDA0002858210370000074
负责巡检，由此得到
Figure BDA0002858210370000075
的任务集
Figure BDA0002858210370000076
任务集
Figure BDA0002858210370000077
中的每个元素均为
Figure BDA0002858210370000078
需要巡检的目标点。具体流程如图2所示，包括以下步骤：
(1)产生随机的坐标点作为聚类中心；
(2)分别计算各任务点到K个聚类中心的距离，将任务点依次划分给距离最近的聚类中心所属的点簇；
(3)使用均值法更新聚类中心；
(4)根据新的聚类中心坐标按照步骤(2)(3)完成点簇划分。
(5)判断本次迭代得到的聚类中心的坐标是否满足预先设定的聚类中心的坐标精确度，若不满足精确度的要求，则多次迭代重复(3)、(4)；若满足结束条件，则结束运行。
步骤三、计算无人机的总能量消耗：分别计算无人机在执行任务过程中的飞行距离、转向以及数据传输的能量消耗；
(1)飞行距离能耗：UAV在直线飞行时保持高度不变，若速度
Figure BDA0002858210370000079
不变，则UAV的动力等于飞行中受到的阻力
Figure BDA00028582103700000710
UAVs的起始位置已知，任务分配完成后，每架UAV负责一定区域，区域内的任务点的坐标已知。对于每一种航行轨迹都会有对应的能量消耗，综合UAV和其负责的任务点坐标信息，根据能耗函数计算无人机按照规定轨迹航行时消耗的能量值。
Figure BDA0002858210370000081
执行任务时直线匀速飞行时UAV的飞行能耗为：
Figure BDA0002858210370000082
Figure BDA0002858210370000083
Figure BDA0002858210370000084
式中：Ed为UAV飞行能耗；P为飞行功率；t为飞行时间；
Figure BDA0002858210370000085
为飞行阻力；
Figure BDA0002858210370000086
为飞行速度，
Figure BDA0002858210370000087
表示
Figure BDA0002858210370000088
执行任务时的总直线飞行距离。
(2)转向能耗：无人机在航行过程中会存在航向改变的情况，航向改变会产生能量消耗。假设UAV转向的能耗与总转向角的大小成正比，则UAV转向能耗为：
Figure BDA0002858210370000089
式中：Er为UAV转向能耗、θ为转向角；α为比例参数，
Figure BDA00028582103700000810
表示
Figure BDA00028582103700000811
两点间的距离。
(3)数据传输能耗：UAV在飞行过程中需要传输数据，若传输的数据量较大，其能量消耗相对于飞行距离、转向的能耗不能忽视。UAV数据传输路径损耗
Figure BDA00028582103700000812
接收者的灵敏度为
Figure BDA0002858210370000091
那么无人机的发送功率为：
Figure BDA0002858210370000092
式中：(x1,x2)为任务点的坐标。
传输的信道容量为C，UAV需要传输的数据量为ω，那无人机数据传输消耗的能量为：
Figure BDA0002858210370000093
则无人机整个过程中的能耗为飞行距离、转向以及数据传输的能耗之和，UAV执行分配任务所需要的能耗总量为：
Etotal＝Ed+Er+Et。
步骤四、对单无人机进行航迹规划：对于
Figure BDA0002858210370000094
的航迹的要求是：从基地起飞，遍历其任务集
Figure BDA0002858210370000095
中的所有任务点后向基地返航，要求飞行过程中的能量消耗尽可能少。使用基于遗传算法改进的UAV航点规划优化算法，设定最大迭代次数为100，初始种群个数为50，经过多次迭代，最终得到各无人机的航行轨迹见附图4，步骤如下：
(1)设定种群的个体数、算法的最大循环次数，随机产生航点序列构成原始种群，种群中每个个体为任务点的排序序列组成的集合，其中起点和终点为无人机基地O。
设定种群个体数为50，最大迭代次数为100，经过多次迭代，最终得到各无人机的航行轨迹见附图4，图中不同颜色的轨迹代表不同的无人机，任务点旁边的数字是UAV巡检的顺序。
(2)计算个体适应度：根据计算出的每个个体对应的路线需要消耗的UAV总能量计算个体适应度：
Figure BDA0002858210370000101
(3)种群中保留适应度较大的个体，淘汰适应度较小的个体。生存下来的所有个体作为父代按照计算出的概率交配重组产生下一代个体，之后再按照计算出的概率发生基因突变生成新个体，进而结合成新种群。
(4)重复(2)、(3)，直到完成循环，得到能耗最优的航迹规划。
其中对遗传算法的改进主要体现在：
1)选择：提出新的选择方案，新的选择方式综合了上一代选择后的个体以及交叉、变异后得到的个体组成了新种群，根据能耗最小为最优的原则选择个体，剩余个体根据能耗值有一定的概率取代之前选择的耗能较小的个体。具体选择流程如图5所示。
首先确定选择后的种群sleFromPop、交叉变异后的种群mutToCro以及选择的个体数量sleNum。
然后从sleFromPop和mutToCro中选择互不相同的个体组成新的种群poplation，新种群poplation的个体数popSize。
然后计算poplation中每个个体适应度和路径消耗总能量totalEng；将totalEng由小到大排序得sortEng；将sortEng前sleNum个体赋给newSleFromPop。
当c＝sleNum+1：popSize时随机生成到sleNum之间的一个整数r1，计算概率p：
Figure BDA0002858210370000111
随机生成[0,1]中的数r2，若r2＜p则执行程序newSleFromPop(，：)＝poplation(sortEngNum(c)，：)；反之则停止。
2)交叉变异：交叉和变异算子随个体的情况做出动态调整。
Figure BDA0002858210370000112
Figure BDA0002858210370000113
式中：croPro表示发生交叉的概率；mutPro发生变异的概率；b1、b2、b3、b4为常数，表示影响因子；Eave表示总能量的平均值；E1表示当前个体能耗；E2分别表示个体的能耗；Emin表示能耗最小值。
3)进化。规定每完成五次的选择、交叉和变异后种群发生进化，对每个个体先随机产生两个整数，将这两个数之间的序列进行翻转，比较翻转后消耗能量的大小，若翻转后个体耗能小则用翻转后个体代替原来个体，具体流程见图6。
首先确定目标点的坐标集合tar1、当前种群poplation、种群中的个体数popSize以及目标点的个数n，使evoToPop＝poplation。
对于种群中的每个个体随机产生两个互不相同的[2，n+1]间的整数，将两数之间的序列翻转。
计算新个体的耗能evo1SumEng和原个体的耗能popSumEng。
若popSumEng＞evo1SumEng，将新个体代替原个体；反之，停止。
步骤五、无人机按照计算好的航迹执行任务，将收集到的信息回传后端控制服务器，同时实时传送本机的能量剩余。若电池剩余百分比大于15％时，继续按照航迹执行任务，若无人机电池剩余百分比小于15％，后端控制服务器发送相应信息要求无人机立刻中断当前任务的执行，返回无人机基地补充能量。对于未完成巡检的任务点，需要派遣能量储存足够且距离较近的无人机继续执行巡检任务。
以上所述仅为本发明的较佳实施例，并不限制本发明，凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：包括以下步骤：
步骤一、根据任务类型和巡检区域获取多个无人机协同任务的所有任务航点n，将所有任务航点共同组成任务航点集P＝{P1,P2,…,Pn}，计算任务航点集中所有任务航点的坐标；
步骤二、选取K架无人机负责执行该巡检区域的巡检任务，以距离为划分依据使用K-means聚类算法对所有任务航点进行集中式分配；
步骤三、根据每架无人机负责的任务点的坐标计算出每架无人机执行任务的能量消耗，所述能量消耗包括飞行能耗、转向能耗和数据传输能耗；
所述飞行能耗为：
Figure FDA0003257189280000011
式中：Edj为UAVj的飞行能耗；P为飞行功率；t为飞行时间；
Figure FDA0003257189280000012
为飞行阻力；
Figure FDA0003257189280000013
为飞行速度，
Figure FDA0003257189280000014
表示UAVj执行任务时的总直线飞行距离；
所述转向能耗为：
Figure FDA0003257189280000015
式中：Erj为UAVj的转向能耗、θ为转向角；α为比例参数，||(xi-xi-1,yi-yi-1)||2表示Pi-1、Pi两点间的距离；
所述数据传输能耗为：
Figure FDA0003257189280000021
式中：Etj为数据传输的能耗、ω为UAVj需要传输的数据量、Pt为数据传输功率、C为数据传输的信道容量、L为数据传输路径损耗、z为接收者的灵敏度、P0＝10z+δ为常数，δ为常数，λ为常数一般取20；(x1,x2)为任务点的坐标；
步骤四、利用改进的遗传算法对无人机的巡检区域进行路径规划得到K架无人机协同的最优航迹；
步骤五、K架无人机按照步骤四的最优航迹进行航行，并在将执行任务时收集的数据传输至本地服务器的同时实时传送本机的能量剩余，若电池剩余百分比大于15％时，继续按照航迹执行任务，若无人机电池剩余百分比小于15％，后端控制服务器发送相应信息要求无人机立刻中断当前任务的执行，返回无人机基地补充能量。
2.根据权利要求1所述的基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：步骤一中还包括根据无人机装载的传感器或者摄像机的覆盖范围确定划分的规格，采用网格分割法，将待测区域网格化处理，待测点为每个网格的中心，从而使能够完全覆盖巡检区域。
3.根据权利要求1所述的基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：步骤二中采用K-means聚类算法将n个任务点划分为K个点簇，每一个点簇由一架UAV负责执行任务，包括以下步骤：
(1)产生随机坐标点作为聚类中心；
(2)分别计算各任务航点到K个聚类中心的距离，将任务航点依次划分给距离最近的聚类中心所属的点簇；
(3)采用均值法更新聚类中心得到新的中心坐标；
(4)根据新的中心坐标按照步骤(2)、(3)完成点簇划分；
(5)判断本次迭代得到的聚类中心的坐标是否满足预先设定的聚类中心的坐标精确度，
若不满足，则多次迭代重复(3)、(4)；
若满足，则结束运行。
4.根据权利要求1所述的基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：步骤四中对单无人机进行航迹规划，包括以下步骤：
(1)设定种群的个体数、算法的最大循环次数，随机产生任务航点序列构成原始种群；
(2)计算个体适应度
Figure FDA0003257189280000031
(3)种群中适者生存淘汰部分个体，生存下来的所有个体作为父代按照计算出的概率交配重组产生下一代个体，之后再按照计算出的概率发生基因突变生成新个体，进而结合成新种群；
(4)重复(2)、(3)，直到完成循环，得到能耗最优的航迹规划。
5.根据权利要求1所述的基于聚类和遗传算法的多无人机协同任务规划方法，其特征在于：步骤五中对于未完成巡检的任务航点，派遣能量储存足够且距离较近的无人机继续执行巡检任务。
CN202011551845.1A 2020-12-24 2020-12-24 一种基于聚类和遗传算法的多无人机协同任务规划方法 Active CN112731967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011551845.1A CN112731967B (zh) 2020-12-24 2020-12-24 一种基于聚类和遗传算法的多无人机协同任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011551845.1A CN112731967B (zh) 2020-12-24 2020-12-24 一种基于聚类和遗传算法的多无人机协同任务规划方法

Publications (2)

Publication Number Publication Date
CN112731967A CN112731967A (zh) 2021-04-30
CN112731967B true CN112731967B (zh) 2021-11-19

Family

ID=75615386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011551845.1A Active CN112731967B (zh) 2020-12-24 2020-12-24 一种基于聚类和遗传算法的多无人机协同任务规划方法

Country Status (1)

Country Link
CN (1) CN112731967B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671986B (zh) * 2021-07-28 2022-10-18 合肥工业大学 空地协同下无人机与车辆的任务分配方法和系统
CN113961001B (zh) * 2021-08-27 2023-11-28 中国人民解放军军事科学院战争研究院 一种基于rvo策略和最优控制算法的混合型多智能体协同路径规划方法
CN113741482B (zh) * 2021-09-22 2023-03-21 西北工业大学 一种基于异步遗传算法的多智能体路径规划方法
CN114088885B (zh) * 2021-11-22 2023-05-23 安徽中科大赛悟科技有限公司 一种大气污染物走航检测系统
CN114217634B (zh) * 2021-12-06 2023-10-10 中国人民解放军国防科技大学 一种基于物联网的无人机蓝牙通信系统及方法
CN114172942B (zh) * 2021-12-09 2023-06-30 中国人民解放军陆军工程大学 多无人机辅助物联网的协同任务分配与轨迹优化方法
CN115249134B (zh) * 2022-09-23 2022-12-23 江西锦路科技开发有限公司 一种用于无人机的资源分配方法、装置、设备及存储介质
CN115755954B (zh) * 2022-10-28 2023-07-25 佳源科技股份有限公司 巡检路径规划方法、系统、计算机设备及存储介质
CN115755963B (zh) * 2022-11-15 2023-07-11 大连理工大学 一种考虑载具投递模式的无人机群协同任务规划方法
CN115879603B (zh) * 2022-11-17 2024-05-14 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置
CN116109176B (zh) * 2022-12-21 2024-01-05 成都安讯智服科技有限公司 一种基于协同聚类的报警异常预测方法和系统
CN116088586B (zh) * 2023-04-10 2023-06-30 中国电子科技集团公司第二十八研究所 一种无人机作战过程中的临机任务规划的方法
CN117332981B (zh) * 2023-10-26 2024-05-03 宁波市特种设备检验研究院 一种基于偏序聚类和改进差分进化算法的任务分配方法
CN117519244B (zh) * 2023-11-23 2024-05-10 南京瀚海伏羲防务科技有限公司 无人机集群协同探测多目标的路径规划方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109547938A (zh) * 2019-01-11 2019-03-29 西南大学 无线传感器网络中无人机的轨迹规划方法
CN109682380A (zh) * 2019-01-16 2019-04-26 北京邮电大学 一种通信无人机路径优化方法及设备
CN109933089A (zh) * 2019-03-25 2019-06-25 北京邮电大学 基于最小化最大能量消耗的多无人机任务规划方法及装置
CN110348595A (zh) * 2019-05-31 2019-10-18 南京航空航天大学 一种基于飞行数据的无人机混合推进系统能量管控方法
CN110414722A (zh) * 2019-07-08 2019-11-05 中国人民解放军陆军工程大学 基于能耗公平的无人机协同侦察路径规划方法
CN110426043A (zh) * 2019-08-06 2019-11-08 中国人民解放军陆军工程大学 面向线目标的无人机侦察航迹规划方法
CN110426039A (zh) * 2019-07-04 2019-11-08 中国人民解放军陆军工程大学 基于任务完成时间最小化的多无人机路径规划方法
CN110634331A (zh) * 2019-09-12 2019-12-31 广州大学 基于负载均衡的多uav路径设计方法
CN110645988A (zh) * 2019-10-11 2020-01-03 广州大学 一种基于最优寿命的无人机路径规划方法
CN110736478A (zh) * 2018-07-20 2020-01-31 华北电力大学 一种无人机辅助移动云感知的路径规划与任务分配方案
CN111193536A (zh) * 2019-12-11 2020-05-22 西北工业大学 一种多无人机基站轨迹优化和功率分配方法
CN111431961A (zh) * 2020-02-20 2020-07-17 重庆邮电大学 一种云数据中心的节能任务分配方法
CN111623780A (zh) * 2020-06-08 2020-09-04 大连海事大学 一种基于优先级目标分配的多无人船协同路径规划方法
CN111664852A (zh) * 2020-06-15 2020-09-15 天津大学 一种无人机路径规划方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110736478A (zh) * 2018-07-20 2020-01-31 华北电力大学 一种无人机辅助移动云感知的路径规划与任务分配方案
CN109547938A (zh) * 2019-01-11 2019-03-29 西南大学 无线传感器网络中无人机的轨迹规划方法
CN109682380A (zh) * 2019-01-16 2019-04-26 北京邮电大学 一种通信无人机路径优化方法及设备
CN109933089A (zh) * 2019-03-25 2019-06-25 北京邮电大学 基于最小化最大能量消耗的多无人机任务规划方法及装置
CN110348595A (zh) * 2019-05-31 2019-10-18 南京航空航天大学 一种基于飞行数据的无人机混合推进系统能量管控方法
CN110426039A (zh) * 2019-07-04 2019-11-08 中国人民解放军陆军工程大学 基于任务完成时间最小化的多无人机路径规划方法
CN110414722A (zh) * 2019-07-08 2019-11-05 中国人民解放军陆军工程大学 基于能耗公平的无人机协同侦察路径规划方法
CN110426043A (zh) * 2019-08-06 2019-11-08 中国人民解放军陆军工程大学 面向线目标的无人机侦察航迹规划方法
CN110634331A (zh) * 2019-09-12 2019-12-31 广州大学 基于负载均衡的多uav路径设计方法
CN110645988A (zh) * 2019-10-11 2020-01-03 广州大学 一种基于最优寿命的无人机路径规划方法
CN111193536A (zh) * 2019-12-11 2020-05-22 西北工业大学 一种多无人机基站轨迹优化和功率分配方法
CN111431961A (zh) * 2020-02-20 2020-07-17 重庆邮电大学 一种云数据中心的节能任务分配方法
CN111623780A (zh) * 2020-06-08 2020-09-04 大连海事大学 一种基于优先级目标分配的多无人船协同路径规划方法
CN111664852A (zh) * 2020-06-15 2020-09-15 天津大学 一种无人机路径规划方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《Coordinated Optimization Algorithm Combining GA with Cluster for Multi-UAVs to Multi-tasks Task Assignment and Path Planning》;Yunhong Ma 等;《2019 IEEE 15th International Conference on Control and Automation》;20190719;第1026-1031页 *
《UAV Delivery Planning Based on K-means++ Clustering and Genetic Algorithm》;Sinuo Pan;《2019 5th International Conference on Control Science and Systems Engineering》;20190531;第14-19页 *
《低空多无人机自组网数据可靠传输的跨层方法》;方堃 等;《计算机工程》;20170331;第140-146页 *
《多无人机协同侦察任务规划方法研究综述》;庞强伟 等;《电讯技术》;20190630;第741-748页 *

Also Published As

Publication number Publication date
CN112731967A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112731967B (zh) 一种基于聚类和遗传算法的多无人机协同任务规划方法
CN108196575B (zh) 一种无人机任务分配及路线规划方法
CN111695776B (zh) 无人机集群分布式在线协同区域侦察方法及装置
Kim et al. Perception-driven navigation: Active visual SLAM for robotic area coverage
CN111862579A (zh) 一种基于深度强化学习的出租车调度方法及系统
CN111142553B (zh) 基于生物捕食能量模型的无人机集群自主任务分配方法
CN113671985A (zh) 一种分阶段多基地无人机任务分配和航迹规划方法
CN113342008B (zh) 一种海空协同水下目标追踪的路径规划系统及方法
Cao et al. Concentrated coverage path planning algorithm of UAV formation for aerial photography
CN113342030B (zh) 基于强化学习的多无人机协同自组织控制方法及系统
CN116257082B (zh) 多无人机分布式主动协同探测方法
Sujit et al. Self assessment-based decision making for multiagent cooperative search
CN113867358A (zh) 多无人车协同遍历任务的智能路径规划方法
CN113157002A (zh) 一种基于多无人机多基站的空地协同全覆盖轨迹规划方法
CN113485409A (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
CN114706422A (zh) 基于未知环境碰撞冲突预测的群机器人多目标搜索方法
CN115454132A (zh) 一种面向山地光伏电站的无人机巡检三维路径规划方法及系统
MahmoudZadeh et al. A cooperative fault-tolerant mission planner system for unmanned surface vehicles in ocean sensor network monitoring and inspection
CN114186859A (zh) 复杂未知环境多机协同多目标任务分配方法
Han et al. Dynamic collaborative charging algorithm for mobile and static nodes in Industrial Internet of Things
CN114138003B (zh) 一种小型固定翼无人机双机协同区域侦察方法
Castagna et al. Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility
Xi et al. Power-aware path planning for vehicle-assisted multi-UAVs in mobile crowd sensing
CN115146866A (zh) 一种考虑实际多约束的多条等效最优路径规划方法
CN114020027A (zh) 一种动态服务时间的无人机联合配送路径优化方法

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