CN112859912A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112859912A CN112859912A CN202110031503.5A CN202110031503A CN112859912A CN 112859912 A CN112859912 A CN 112859912A CN 202110031503 A CN202110031503 A CN 202110031503A CN 112859912 A CN112859912 A CN 112859912A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- reconnaissance
- target point
- path
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 title claims description 22
- 238000003780 insertion Methods 0.000 claims abstract description 78
- 230000037431 insertion Effects 0.000 claims abstract description 78
- 238000010845 search algorithm Methods 0.000 claims abstract description 18
- 238000002922 simulated annealing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 95
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000008263 repair mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种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,包括:获取特定区域内目标点的信息、获取该特定区域内为无人机充电的中继充电平台的信息、以及获取该特定区域内无人机基地的信息;根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型;通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径。通过设置中继充电平台,扩大无人机执行任务的范围。
Description
技术领域
本发明涉及无人机路径规划领域,具体涉及一种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。
背景技术
随着自动化和人工智能技术的快速发展,无人机逐渐被应用于军事和民用领域的各个方面。由于无人机体积小,速度快,不受空间和地理位置的局限,机动性好且成本低等优点,其常被应用于战场侦察,边境巡逻,灾后救援,物流运输以及农业作业等。
在实现本发明过程中,申请人发现现有技术中至少存在如下问题:
但是无人机续航时间短、行驶距离有限,这些缺陷大大降低了它们执行任务的范围。
发明内容
本发明实施例提供一种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,通过设置中继充电平台,扩大无人机执行任务的范围,并且优化目标是通过优化每架无人机访问侦察目标和充电平台的飞行路径来最小化完成侦察任务的总时间和无人机使用数量。
为达上述目的,一方面,本发明实施例提供一种中继充电模式下无人机路径规划的自适应优化方法,包括:
获取特定区域内目标点的信息、获取该特定区域内为无人机充电的中继充电平台的信息、以及获取该特定区域内无人机基地的信息;其中,所述特定区域内目标点的信息包括:目标点总数、各目标点在侦察区域内的位置、每个目标点被侦察的时间窗口;所述特定区域内的中继充电平台信息包括中继充电平台的位置;
根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型;
通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径;其中,无人机侦察目标点的最优规划路径使得所有目标点在各自被侦察时间窗口内被侦察到、且无人机使用数量最少、完成侦察所有目标点的总时间最少。
另一方面,本发明实施例还提供一种中继充电模式下无人机路径规划的自适应优化系统,其特征在于,包括:
信息获取单元,用于获取特定区域内目标点的信息、获取该特定区域内为无人机充电的中继充电平台的信息、以及获取该特定区域内无人机基地的信息;其中,所述特定区域内目标点的信息包括:目标点总数、各目标点在侦察区域内的位置、每个目标点被侦察的时间窗口;所述特定区域内的中继充电平台信息包括:中继充电平台的位置;
模型建立单元,用于根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型;
最优规划路径求解单元,用于通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径;其中,无人机侦察目标点的最优规划路径使得所有目标点在各自被侦察时间窗口内被侦察到、且无人机使用数量最少、完成侦察所有目标点的总时间最少。
上述技术方案具有如下有益效果:通过设置中继充电平台,扩大无人机执行任务的范围,并且优化目标是通过优化每架无人机访问侦察目标和充电平台的飞行路径来最小化完成侦察任务的总时间和无人机使用数量。
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是本发明实施例的一种中继充电模式下无人机路径规划的自适应优化方法的流程图;
图2是本发明实施例的一种中继充电模式下无人机路径规划的自适应优化系统的结构图;
图3是针对同一初始侦察路径具有不同的中继充电平台插入位置时的衍生侦察路径;
图4是在插入中继充电平台后,对中继充电平台后的某目标点的时间窗口进行检查的示意图;
图5是本发明的无人机侦察和充电的路线示意图。
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。
如图1所示,结合本发明的实施例,提供一种中继充电模式下无人机路径规划的自适应优化方法,包括:
S101:获取特定区域内目标点的信息、获取该特定区域内为无人机充电的中继充电平台的信息、以及获取该特定区域内无人机基地的信息;其中,所述特定区域内目标点的信息包括:目标点总数、各目标点在侦察区域内的位置、每个目标点被侦察的时间窗口;所述特定区域内的中继充电平台信息包括中继充电平台的位置;
S102:根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型;
S103:通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径;其中,无人机侦察目标点的最优规划路径使得所有目标点在各自被侦察时间窗口内被侦察到、且无人机使用数量最少、完成侦察所有目标点的总时间最少。
优选地,步骤102具体包括:
根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,建立无人机侦察路径目标函数;所述目标函数涉及每架无人机的权重系数、该架无人机在完成侦察所有目标点时间中的权重系数、以及侦察总时间的权重系数;并对目标函数中的决策变量建立约束函数及范围约束;
其中,所述对目标函数中决策变量建立约束函数,具体包括:
建立第二约束函数,通过第二约束函数使得每个目标点被侦察至少且仅为一次;
建立第三约束函数,通过第三约束函数使得在无人机侦察路径上的相邻的侦察目标点与中继充电平台之间,或者,相邻的侦察目标点与侦察目标点之间具有连接性,
建立第四约束函数,通过第四约束函数使得无人机在任一目标点的飞入次数和飞出次数相等,以及无人机在任一中继充电平台的飞入次数和飞出次数相等。
建立第五约束函数,通过第五约束函数使得无人机在访问当前目标点之后,能够与后续目标点在时间上具有连续性;
建立第六约束函数,通过第六约束函数使得无人机在访问当前中继充电平台之后,能够与后续目标点在时间上具有连续性;
建立第七约束函数,通过第七约束函数确保无人机在侦察时目标点的时间窗口的可行性;
建立第八约束函数,通过第八约束函数确保无人机离开侦察目标时电量为非负值;
建立第九约束函数,通过第九约束函数确保无人机离开中继充电平台时电量为非负值;
建立第十约束函数,通过第十约束函数确保无人机离开充电平台时的电池电量水平满足相应预设电量值;
建立第十一约束函数,通过第十一约束函数确保无人机的在充电之后的电量水平不超过该无人机最大电池容量。
优选地,步骤103具体包括:
S1031:针对无人机侦察路径目标函数,假设不采用第十一约束函数约束无人机的电池容量、采用第七约束函数约束无人机的侦察时间满足目标点的时间窗口时,通过邻域搜索算法为无人机依次设置所要侦察的目标点,以形成该无人机的初步侦察路径;其中,为无人机每设置一个所要侦察目标点的原则是:该无人机总路程距离增加最小;
S1032:采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解;
S1033:基于初始可行解,进行如下操作步骤:
第一、根据移除算子的权重,以轮盘赌概率自多个移除算子中选择一个移除算子,在将初始可行解中的所有中继充电平台移除之后,根据所选移除算子设定的移除目标点规则在初始可行解中移除相应数量的目标点,得到当前解;
第二、根据插入算子的权重,以轮盘赌概率自多个插入算子选择一个插入算子,根据所选插入算子设定的插入目标点规则将被移除的目标点重新插回到当前解中修复当前解,得到新的当前解;在将被移除的目标点插回到当前解时,不考虑无人机的电量约束,仅使每个目标点的时间窗口满足约束;
第三、利用最优充电平台插入策略,将中继充电平台插入到新的当前解中生成新的邻域解;
S1034:将新的邻域解作为迭代之初的当前可行解,基于当前可行解,采用前述的第一到第三的步骤进行迭代;多次迭代后生成最优解,将所述最优解作为无人机侦察目标点的最优规划路径。
优选地,所述移除算子包括两类:路径移除类算子和目标点移除类算子;路径移除是指移除被选中规划路径上的所有目标点;目标点移除是指移除预设数量的目标点,所移除目标点随机位于各规划路径上;所述移除目标点的预设数量为在该特定区域内目标点总数的5%n~10%、且为整数;其中,所述路径移除类算子包括:随机路径移除算子和最短路径移除算子;所述目标点移除类算子包括:随机目标点移除算子、距离最差目标点移除、时间最差目标点移除、Shaw值目标点移除、基于距离的目标点移除、基于时间窗的目标点移除和区域目标点移除;所述插入算子包括:基于距离的贪婪插入、后悔值-2插入、后悔值-3插入、基于时间的贪婪插入和基于时间的区域贪婪插入;
所述中继充电模式下无人机路径规划的自适应优化方法,还包括:
S104:在将新的邻域解作为迭代之初的当前可行解进行迭代达到预设次数之后,根据各移除算子在迭代过程中的表现更新各移除算子的权重,以及根据各插入算子在迭代过程中的表现更新各插入算子的权重;所述算子权重更新的公式为:
r为轮盘赌的参数;
ωi为该算子在前Nw次迭代中被调用的次数;
πi为算子i的得分,每个算子的得分代表该算子在每次迭代中的表现;若该次迭代找到了新的全局最优解,则将该次迭代中所采用算子的分数增加σ1;若该次迭代找到的解优于当前解,则将该次迭代中所采用算子的分数增加σ2;若该次迭代找到的解比当前解差、且可被接受,则将该次迭代中所使用算子的分数增加σ3,其中,σ1>σ2>σ3;该次迭代找到了新的全局最优解是指当前解优于已知全局最优解,则将当前解作为当前全局最优解;已经全局最优解是指本次迭代之前所有解中的最优解。
优选地,步骤1034具体包括:
通过总成本函数表示每次迭代生成新的邻域解的总成本;将当前迭代生成新的邻域解的总成本函数与迭代开始之初的当前可行解的总成本函数进行比对;
若当前迭代生成新的邻域解的总成本函数小于迭代开始之初的当前可行解的总成本函数,则将新的邻域解作为下一次迭代所用的可行解;
若当前迭代生成新的邻域解的总成本函数大于迭代开始之初的当前可行解的总成本函数,通过概率判断是否接受该新的邻域解作为当前可行解,其中T为温度参数;随着迭代次数的增加,温度会以一定的速率hT随之下降,其中h为温度下降的速率参数;
优选地,所述采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解,具体包括:
在初步侦察路径上插入中继充电平台后,采用多充电原则、并根据各中继充电平台后续侦察规划路径实际所需要的电量水平计算确定无人机在各中继充电平台所需的充电量;所述多充电原则是指:将无人机在当前中继充电平台的充电时间计入到该无人机在该中继充电平台的后一目标点的等待时间;根据该无人机自当前中继充电平台到其后一目标点的飞行时间、以及在后一目标点的等待时间计算该无人机所需电量;
根据无人机所需的充电量计算其在中继充电平台所需的充电时间,根据无人机在中继充电平台所需的充电时间核对该中继充电平台之后的侦察路径上的目标点时间窗口是否仍满足第六约束函数;其中,无人机通过其所需的充电量与其现存电量至少能够完成侦察中继充电平台后一目标点;
如果该中继充电平台之后的某目标点时间窗口不满足第六约束函数,则将该目标点自当前侦察路径中移除;
将被移除的目标点插回到其他侦察路径中,并在插入到其他侦察路径后判断目标点时间窗口是否满足第六约束函数;当被移除的目标点被插入到其他侦察路径后,该被移除的目标点时间窗口满足第六约束函数,则该目标点保留在其所插入的侦察路径中;
如果剩余无法插入到其他侦察路径中的目标点,则指派一架新无人机来形成一条新侦察路径,直至该特定区域的所有目标点规划入侦察路径。
优选地,所述采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解,具体包括:
遍历无人机初步侦察路径,在无人机的电量不超出第十一约束函数所约束的电池容量上限时,当中继充电平台在同一侦察路径的插入位置不同生成多种可行解时,原同一初始侦察路径对应衍生成多条侦察路径;
在多条衍生侦察路径中,当各中继充电平台之后的所有目标点时间窗口满足第六约束函数时,自多条衍生侦察路径中选择侦察任务完成时间最短的衍生侦察路径作为可行路径,将可行路径作为初始可行解;
某些衍生侦察路径中,在中继充电平台之后的某目标点时间窗口不满足第六约束函数时;将时间窗口不满足第六约束函数的目标点自某些衍生侦察路径移除之后形成中间侦察路径,自衍生侦察路径和中间侦察路径中选择目标点数量满足预设数量的侦察路径作为优选路径,选择侦察完成所有目标点时间最短的侦察路径作为可行路径,将可行路径作为初始可行解。
如图2所示,结合本发明的实施例,提供一种中继充电模式下无人机路径规划的自适应优化系统,包括:
信息获取单元21,用于获取特定区域内目标点的信息、获取该特定区域内为无人机充电的中继充电平台的信息、以及获取该特定区域内无人机基地的信息;其中,所述特定区域内目标点的信息包括:目标点总数、各目标点在侦察区域内的位置、每个目标点被侦察的时间窗口;所述特定区域内的中继充电平台信息包括:中继充电平台的位置;
模型建立单元22,用于根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型;
最优规划路径求解单元23,用于通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径;其中,无人机侦察目标点的最优规划路径使得所有目标点在各自被侦察时间窗口内被侦察到、且无人机使用数量最少、完成侦察所有目标点的总时间最少。
优选地,所述模型建立单元22,具体用于:
根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,建立无人机侦察路径目标函数;所述目标函数涉及每架无人机的权重系数、该架无人机在完成侦察所有目标点时间中的权重系数、以及侦察总时间的权重系数;并对目标函数中的决策变量建立约束函数及范围约束;
其中,所述对目标函数中决策变量建立约束函数,具体包括:
建立第二约束函数,通过第二约束函数使得每个目标点被侦察至少且仅为一次;
建立第三约束函数,通过第三约束函数使得在无人机侦察路径上的相邻的侦察目标点与中继充电平台之间,或者,相邻的侦察目标点与侦察目标点之间具有连接性,
建立第四约束函数,通过第四约束函数使得无人机在任一目标点的飞入次数和飞出次数相等,以及无人机在任一中继充电平台的飞入次数和飞出次数相等。
建立第五约束函数,通过第五约束函数使得无人机在访问当前目标点之后,能够与后续目标点在时间上具有连续性;
建立第六约束函数,通过第六约束函数使得无人机在访问当前中继充电平台之后,能够与后续目标点在时间上具有连续性;
建立第七约束函数,通过第七约束函数确保无人机在侦察时目标点的时间窗口的可行性;
建立第八约束函数,通过第八约束函数确保无人机离开侦察目标时电量为非负值;
建立第九约束函数,通过第九约束函数确保无人机离开中继充电平台时电量为非负值;
建立第十约束函数,通过第十约束函数确保无人机离开充电平台时的电池电量水平满足相应预设电量值;
建立第十一约束函数,通过第十一约束函数确保无人机的在充电之后的电量水平不超过该无人机最大电池容量。
优选地,所述最优规划路径求解单元23,具体用于:
针对无人机侦察路径目标函数,假设不采用第十一约束函数约束无人机的电池容量、采用第七约束函数约束无人机的侦察时间满足目标点的时间窗口时,通过邻域搜索算法为无人机依次设置所要侦察的目标点,以形成该无人机的初步侦察路径;其中,为无人机每设置一个所要侦察目标点的原则是:该无人机总路程距离增加最小;
采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解;
基于初始可行解,进行如下操作步骤:
第一、根据移除算子的权重,以轮盘赌概率自多个移除算子中选择一个移除算子,在将初始可行解中的所有中继充电平台移除之后,根据所选移除算子设定的移除目标点规则在初始可行解中移除相应数量的目标点,得到当前解;
第二、根据插入算子的权重,以轮盘赌概率自多个插入算子选择一个插入算子,根据所选插入算子设定的插入目标点规则将被移除的目标点重新插回到当前解中修复当前解,得到新的当前解;在将被移除的目标点插回到当前解时,不考虑无人机的电量约束,仅使每个目标点的时间窗口满足约束;
第三、利用最优充电平台插入策略,将中继充电平台插入到新的当前解中生成新的邻域解;
将新的邻域解作为迭代之初的当前可行解,基于当前可行解,采用前述的第一到第三的步骤进行迭代;多次迭代后生成最优解,将所述最优解作为无人机侦察目标点的最优规划路径。
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明,实施过程中没有介绍到的技术细节,可以参考前文的相关描述。
本发明为一种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,为了克服小型无人机续航能力的限制,研究了考虑中继充电的无人机路径规划问题,即无人机在执行任务过程中,当电量不足时可飞往附近充电平台进行无线快速充电。同时为了尽可能减少中继充电所增加的充电时间和充电成本,还设计了一种允许对无人机进行部分充电的充电平台插入策略。通过引入充电策略相关的决策变量,建立并求解了无人机中继充电路径规划问题的非线性混合整数规划模型。并设计了一种改进的自适应大规模邻域搜索算法,提高了问题求解的效率。
一、基本信息
本专利解决中继充电的无人机任务路径规划问题。在考虑中继充电的小型无人机侦察路径规划问题中,多架小型无人机从临时基地出发对给定区域内的一系列目标进行侦察,在侦察过程中当无人机电量不足时,可以寻求我方在特定区域内(比如战场上)的搭载无线充电设备的作战平台(如装甲车辆、运输车辆等)进行快速充电,然后继续执行侦察任务,最后返回无人机基地。每架无人机通过多次中继充电接力,共同完成特定区域内所有预定目标的侦察任务,并返回无人机基地,如图5所示。
本发明的使用场景包括以下主要组成:
(1)无人机
执行侦察任务的小型无人机采用电池驱动,比如锂电池。电池电量消耗主要分为三个部分。首先,无人机在飞行时消耗电量,电池消耗的速度与飞行速度和距离有关。其次,当无人机收集目标信息时,无人机上的传感器开始工作并消耗电池电量,消耗速率与目标侦察的精度和持续时间有关。其他时候,传感器关闭,不消耗电池电量。第三部分,当无人机悬停在目标上方等待时,消耗电量。在问题中,所有无人机从基地出发,在规定的时间内完成所有目标侦察任务后必须返回基地。
(2)中继充电平台
在侦察区域内的一些装备平台上装有无线充电设备以及电池更换设备、备用电池等,能够为无人机进行无线快速充电或更换电池,这些中继充电平台设置在侦察区域的不同位置,构成了一个稳定的充电网络。在采用无线快充时,无人机不必给电池充满电(部分充电),可根据后续侦察任务实际所需要的电量进行部分充电,且无人机电池的充电水平与充电时间有关。这些装备平台和基地在战场上的位置是已知的。
(3)侦察目标
一系列侦察目标位于侦察区域的不同位置,每个目标只能在特定的时间窗口内被侦察。如果无人机到达目标的时间早于该目标点的最早侦察开始时间,无人机需要在目标上方盘旋等待。若晚于该目标点最晚侦察开始时间,则该无人机不能成功侦察该目标点。
二、数学模型搭建
在上述给定信息的情况下,设定该问题的优化目标是通过优化每架无人机访问侦察目标和充电平台的飞行路径来最小化完成侦察任务的总时间和无人机使用数量。应用混合整数规划建模方法,建立了无线快速充电模式下的无人机侦察路径规划问题模型。
首先,问题描述和模型开发中使用的符号如表1所示。
表1模型符号定义
基于上述假设和定义,我们建立了一个非线性混合整数数学模型(无人机侦察路径规划模型),如下所示:
s.t.
在模型中,公式(1)为目标函数,目标函数通过加权系数最小化无人机使用数量和完成侦察任务总时间。
约束公式(2)为第二约束函数,第二约束函数确保每个目标被侦察至少且仅为一次。
约束公式(3)为第三约束函数,第三约束函数保证侦察目标点与中继充电平台之间的连接性。
约束公式(4)为第四约束函数,第四约束函数使得每个点(包括所有目标点和充电平台)的飞入次数和飞出次数是相等的。
约束公式(5)和约束公式(6)分别为第四约束函数和第五约束函数,第四约束函数和第五约束函数分别确保在无人机访问目标和充电平台之后所有目标点时间连续上的可行性。
约束公式(7)为第七约束函数,第七约束函数确保无人机在侦察时目标点的时间窗口的可行性。
约束公式(8)和约束公式(9)分别第八约束函数和第九约束函数,第八约束函数和第九约束函数分别保证无人机离开侦察目标或充电平台时电量是非负的。
约束公式(10)为第十约束函数,第十约束函数确定了无人机离开充电平台时的电池电量水平(满足预设电量值)。
约束公式(11)为第十一约束函数,第十一约束函数确保无人机的在充电之后的电量水平不超过该无人机最大电池容量,
约束(12)-(14)为变量约束。
二、自适应大规模邻域搜索算法
针对无人机中继充电的问题特点,通过基于模拟退火准则的自适应大规模邻域搜索算法、以及最优充电平台插入策略来生成问题模型(无人机侦察路径规划模型)的可行解。该算法的核心思想是在多次迭代过程中采用多种毁坏算子和重构算子不断构造新的邻域解,并且每个算子都具有一定的权重,每次迭代则根据每个算子的权重进行选择,权重越大,被选择的概率也就越大。在一定的迭代次数之后,我们将根据每个算子在之前迭代中的表现对算子的权重进行调整。
在不考虑无人机电池容量约束的情况下,利用临近点搜索算法构造初始解。即在满足时间窗约束的情况下,依次插入增加总路程距离最小的目标点。如果由于时间窗的限制,没有目标点可以插入到当前的路径中,那么我们重新指派一架新的无人机开始一条新的路径,并继续相同的步骤,直到所有的目标都被成功访问。此时生成的初始解是不满足无人机续航能力约束的,是不可行的,因此需采用充电平台插入策略来生成初始可行解(初始解)。
在初始可行解的基础上,开始最优解的搜索。在搜索过程中由于每次侦察目标点位置的调整会影响最优充电平台插入的最优路径,因此整个搜索框架为“先搜索,后充电”。即我们在每次迭代搜索之前先将当前可行解中所有的充电平台移除,且在调用修复算子进行解的修复时不考虑无人机的续航里程限制,在修复了当前解之后调用最优充电平台插入策略来生成新的当前可行解。两个算法的主要步骤见表2。
表2自适应大规模邻域搜索
2.1构造邻域解
基于初始可行解,通过不同的移除算子和插入算子的组合对当前解(初始可行解,)进行邻域搜索。首先根据算子的权重,以轮盘赌概率选择一个移除算子,根据相应的移除规则删除当前解中一定数量的目标点。然后,同样根据概率选择一个插入算子将被移除的目标点重新插回到当前解中,从而修复当前解。最后,利用最优充电平台插入策略,将充电平台插入当前解中从而生成新的邻域解。
2.1.1移除算子
本文中使用的移除算子分为两类:路径移除和目标点移除。路径移除是指移除被选中路径上的所有目标点,而目标点移除则是移除一定数量λ的目标点,可以为任意一条路径上的目标点。λ由战场区域内总的侦察目标点数量n决定,在一个特定区间内随机选择。本文中,λ我们设定的值为在区间5%n~10%n的一个随机整数。
1.随机路径移除算子:该算子从当前解中随机挑选出一条回路,移除该回路上所有目标点并将这些目标点放进移除列表中。随机选择整条路径的移除,可以在大范围内对当前解的结构进行毁坏,可以在搜索过程中扩大解空间,提高搜索到全局最优的概率。
2.最短路径移除算子:该算子从当前解中挑选出最短的一条回路,移除该回路上所有目标点并将这些目标点放进移除列表中。该算子的目的是尽可能最大化无人机的利用率,尽可能减少无人机的使用数量。
3.随机目标点移除算子:该算子随机从当前解的所有路径上选择λ个目标点移除,随机性的目标点移除可以使得搜索过程更加多样化,使得新的邻域解的空间更大。
4.距离最差目标点移除:该算子计算出当前解中每个目标点k距离前后邻接目标点i,j的距离之和(dik+dkj),按此差值进行降序排序,选择前λ个目标点进行移除。
5.时间最差目标点移除:该算子计算出当前解中每个目标点i的实际开始侦察时间ui与时间窗口最早侦察开始时间ei两者之间的差值|ui-ei|,按此差值进行降序排序,选择前λ个目标点进行移除。该算子的主要思想是尽可能地避免无人机在目标点的等待时间或者延迟侦察开始的时间,使得目标点的时间窗口尽可能地贴合。
6.Shaw值目标点移除:该算子由Shaw(1998)提出,主要思想是根据一种预定义规则依次进行目标点的移除。由于无人机没有载重约束,因此本文采用的该算子中不考虑目标点的需求载重约束因素。首先随机选择一个目标点进行移除,若目标点i与j在同一条回路中,则lij的值取-1,否则取1。通过计算每个目标点的Shaw值——Φ1dij+Φ2|ei-ej|+Φ3lij+Φ4|si-sj|,选择Shaw值最小的下一个目标点j,并以该目标点作为当前点进行下一个满足Shaw值的目标点的选择。
7.基于距离的目标点移除:该算子根据目标点之间的距离进行移除,是Shaw值目标点移除算子的一种特殊情况,即当Φ1=1,Φ2=Φ3=Φ4=0时,计算Shaw值并依次选择下一个目标点。
8.基于时间窗的目标点移除:该算子根据目标点的时间窗最早侦察开始时间的贴近程度进行移除,同样也是Shaw值目标点移除算子的一种特殊情况,即当Φ2=1,Φ1=Φ3=Φ4=0时,计算Shaw值并依次选择下一个目标点。
9.区域目标点移除:该算子首先在目标点分布的直角坐标系中确定一个特定大小的区域范围,然后在该特定区域中随机选择目标点进行移除。若选定的区域中的目标点不足λ个,则重新随机选择一个区域范围,继续移除当前区域内的目标点,直至移除λ个目标点。
2.1.2插入算子
插入算子是将移除列表中的目标点重新插回被毁坏的当前解中进行解的修复。在目标点重新插回过程中需要满足每个目标点的时间窗约束,但不需要考虑无人机续航里程的限制,即在搜索过程中允许不可行解的产生。
1.基于距离的贪婪插入:该算子采用极致贪婪的思想,计算出所有被移除的目标点插回当前解中最优位置所增加的距离成本,优先将插入成本最低的目标点插入其最优位置。若有目标点无法插回到当前解的已有路径中,则设定其插入成本为一个很大的值,重复以上同样步骤,最后将无法插回当前解路径的目标点重新指派一架新的无人机进行侦察访问,直至所有被移除的目标点都被重新插回当前解中。
2.后悔值-2插入:贪婪插入算子常常将具有很少可行插入位置的目标点的插入推迟到后面的迭代中,往往可能造成该目标点无法重新插回。为避免该问题的出现,该算子首先找出所有被移除目标点的最优插入位置和次优插入位置,并计算最优插入成本和次优插入成本,取两者的差值。差值较大的目标点优先插入其最优插入位置。
3.后悔值-3插入:该算子与后悔值-2插入算子原理相近。首先找出所有被移除目标点的最优插入位置和第三优插入位置,并计算出相应插入成本,取两者的差值。差值较大的目标点优先插入其最优插入位置。
4.基于时间的贪婪插入:该算子与基于距离的贪婪插入算子原理相近,区别在于计算所有目标点的插入成本为增加的完成整条回路所花的时间。优先将插入时间成本最低的目标点插入其最优位置。重复以上步骤,直至所有被移除的目标点都被重新插回当前解中。
5.基于时间的区域贪婪插入:该算子同样采用基于时间的贪婪插入算子中的规则对目标点进行排序选择,不同的是该算子不必去遍历当前解的所有回路,只需在随机选中的区域所包含的回路中插回。
2.2充电平台插入策略
对于一条违背续航里程约束的路径,需要通过插入充电平台进行中继充电来生成可行路径。然而,无人机只需在其电量消耗前进行充电,其在飞行过程中可选择多个位置进行充电平台的访问。因此,充电平台的插入具有多种可能性,不同的插入位置会产生相应的不同可行路径。主要步骤见表3.
表3充电平台插入策略
问题(无人机侦察路径规划模型)中多个充电平台分布在区域内的不同位置,对于每个目标点来说,在其之后访问充电平台需要对分布在其附近的充电平台进行选择。为了减少访问充电平台路程所花的时间,一般会选择离当前目标点i和下一个目标点j距离最近的充电平台sb。
sb={s|min(dis+dsj)}
同时为了找到中继充电平台的最优插入位置,对于路径上的所有可插位置进行遍历,生成相应的可行解进行选择。同一条路径,不同的插入位置会产生不同的可行路径。如图3所示,对于同一条不可行路径,图(a)中在目标点4和5之间插入充电平台s0,图(b)在分别在目标点1和2、5和6之间插入充电平台s1、s2,两者都能生成可行路径。由于充电平台位置的分布等原因,路径(b)所生成的可行路径有可能比路径(a)要短。因此,我们需要对所有可行路径进行遍历选择。
在充电平台的插入位置确定好之后,我们即可根据路径上实际所需要的电量来确定充电水平。无人机在执行侦察任务过程中,除了飞行、侦察目标点需要消耗电量以外,在目标点上方盘旋等待时也会消耗电量。因此,在计算充电平台后续路径所需电量时,我们需要确定后续路径目标点的等待时间。然而,由于无人机在充电平台充电也会花费一定的时间,在充电水平没有确定的情况下无法计算后续的等待时间。由此看来,这两者因素相互影响,使得充电水平的确定较为困难。
为了确保无人机充电之后的电量水平可顺利完成后续路程的任务,我们采用“多充电原则”,即在计算后续路程实际所需要的电量时,先假定当前充电平台的充电时间不计,计算出后续路程中目标点等待时间所耗电量,从而来确定充电水平。在此充电原则下,充电时间确定之后很有可能会使得后续路程中目标点的等待时间缩短等待时间耗电量的计算有可能会超出实际所需要的电量,从而导致无人机到达下一个充电平台或者基地时会有一定的剩余电量,这就是所谓的“多充电原则”。
在时间窗口可行但未考虑续航里程约束的原路径上插入充电平台之后,由于无人机在充电平台产生了一定的充电时间,使得插入充电平台后路径上的目标点的时间窗口需要重新检查是否仍得到满足。由于充电平台的插入只对在充电平台之后的目标点产生影响,因此,对于充电平台之前访问的目标点的时间窗不需要重新验证其可行性。如图4所示,该条路径违背了最大续航里程约束,需要进行中继充电。当在目标点T3后插入充电平台S4,由于无人机在S4的充电时间较长,使得无人机在到达下一个目标点T4时错过了其最晚侦察开始时间,从而无法对T4顺利进行侦察。此时,我们要将T4从该条路径中删除,直接访问下一个目标点T5和T6,最后返回基地。被删除的目标点如T4将被增加到目标点移除列表中,并统一对这些目标点进行重新规划。
对于这些由于不满足时间窗约束而被移除的目标点,首先尝试将它们插回到当前解的其他路径中,若不可行,再重新指派一架无人机来完成该目标点的侦察任务,直至所有目标点均被成功访问,从而生成问题的可行解。
对于同一条违背最大续航里程约束的路径,选择不同的位置插入充电平台会产生不同的可行路径。如图3所示,路径(a)和(b)是两种不同的可行路径。由于这两条路径均保留了原有路径上所有目标点,因此,目标点数量一致,但两者访问充电平台的次数不同。在这种情况下,我们将比较这两条可行路径的任务完成时间,并选择完成时间较短的可行路径。此外在插入充电平台之后目标点的时间窗约束有可能不再满足,此时需要删除路径中时间窗不可行的目标点。因此若有多条可行路径进行比较,当其目标点数量不一致时,我们将优先接受目标点数量较多的可行路径。其次,再根据可行路径上无人机完成所有任务的时间选择较短时间的可行路径。
2.3算子权重更新
在毁坏与修复机制中,所有移除算子和插入算子的选择由轮盘赌概率进行选择。在搜索开始之初,所有移除和插入算子都具有相同的权重wi,i∈{1,2,...,k},并且我们选择算子j是通过以下的概率公式来选择的:
在本文中,共包含9个移除算子和5个插入算子,因此其初始概率分别设为1/9和1/5,使得它们在最开始的迭代过程中具有相同的可能概率被选中。在搜索过程中,每个算子将根据在之前Nw迭代中的各自表现进行更新,更新规则如下:
其中,为算子i在第t+1次迭代中的权重值,r为轮盘赌的参数,πi为算子i的得分,以及ωi为该算子在前Nw次迭代中被调用的次数。每个算子的得分代表了该算子在每次迭代中的表现。若该次迭代找到了新的全局最优解,则该次迭代中的算子的分数增加σ1。若该次迭代找到的解优于当前解,则该次迭代中的算子的分数增加σ2。若该次迭代找到的解比当前解差,但是可被接受的,则该次迭代中的算子的分数增加σ3。
2.4模拟退火接受准则
自适应大规模邻域搜索算法采用模拟退火准则作为解的接受准则,在迭代过程中,Ψbest为全局最优解,Ψcurrent为迭代开始之初的当前解,一次迭代之后生成新的解Ψnew,每个可行解的总成本函数记为c(X)。若c(Ψnew)<c(Ψcurrent),则接受新解Ψnew作为当前解,否则将以概率来确定是否接受该新解作为当前解,其中T为温度参数。随着迭代次数的增加,温度会以一定的速率hT随之下降,其中h为温度下降的速率参数。
三、应用案例
为了验证算法的有效性,比较算法性能,我们通过将本文中的自适应大规模邻域搜索和蚁群算法(Ant Colony Optimization,ACO)进行实验对比。蚁群算法由Dorigo等人首次提出,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,由意大利学者Dorigo等提出,具有群体合作、正反馈选择、并行计算等特点。且蚁群算法近年来已经被许多研究者证明为一种有效的用于求解各类路径规划问题(Vehicle RoutingProblem,VRP)以及充电汽车路径规划问题(Electric Vehicle Routing Problem,EVRP)的方法。
为了求解本发明的最优规划路径,以及验证算法的有效性,我们在Solomon公开数据集的基础上设计了一组新的问题标准算例,并在该算例上进行一系列实验。以R101算例为例,来验证自适应大规模邻域搜索算法的有效性。
实验中,我们将无人机电池容量设定为一个固定值150。当无人机在目标侦察点上空进行侦察时,传感器会开始工作运转,此时无人机相比于其在飞行以及等待阶段消耗电量的速度更快。因此在实验中,我们设定无人机在飞行过程中电量消耗的速度为1,在目标点上方等待时的电量消耗的速度为0.5以及在侦察目标点进行情报收集时电量消耗的速度为2。此外,我们设定无人机在匀速飞行过程中飞行速度为1,在充电站的充电速率为0.33,在该充电速率下,给电量为0的电池充满电所需的充电时间为50分钟。无人机相关参数设置见表4。
表4无人机相关参数
所有实验都在Visual C++中进行编码,并在英特尔核心i5处理器上实现,该处理器具有3GHz运行速度和8GB RAM内存。
实验结果中将本发明所用算法和蚁群算法所求得的最优解的目标函数值、无人机数量以及无人机侦察飞行路线进行对比分析,如表5所示。通过计算结果表明,自适应大规模邻域搜索算法所求得的最优解无论是目标函数值还是无人机数量都优于蚁群算法。
表5实验结果对比
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”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
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 (10)
1.一种中继充电模式下无人机路径规划的自适应优化方法,其特征在于,包括:
获取特定区域内目标点的信息、获取该特定区域内为无人机充电的中继充电平台的信息、以及获取该特定区域内无人机基地的信息;其中,所述特定区域内目标点的信息包括:目标点总数、各目标点在侦察区域内的位置、每个目标点被侦察的时间窗口;所述特定区域内的中继充电平台信息包括中继充电平台的位置;
根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型;
通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径;其中,无人机侦察目标点的最优规划路径使得所有目标点在各自被侦察时间窗口内被侦察到、且无人机使用数量最少、完成侦察所有目标点的总时间最少。
2.根据权利要求1所述的中继充电模式下无人机路径规划的自适应优化方法,其特征在于,根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型,具体包括:
根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,建立无人机侦察路径目标函数;所述目标函数涉及每架无人机的权重系数、该架无人机在完成侦察所有目标点时间中的权重系数、以及侦察总时间的权重系数;并对目标函数中的决策变量建立约束函数及范围约束;
其中,所述对目标函数中决策变量建立约束函数,具体包括:
建立第二约束函数,通过第二约束函数使得每个目标点被侦察至少且仅为一次;
建立第三约束函数,通过第三约束函数使得在无人机侦察路径上的相邻的侦察目标点与中继充电平台之间,或者,相邻的侦察目标点与侦察目标点之间具有连接性,
建立第四约束函数,通过第四约束函数使得无人机在任一目标点的飞入次数和飞出次数相等,以及无人机在任一中继充电平台的飞入次数和飞出次数相等。
建立第五约束函数,通过第五约束函数使得无人机在访问当前目标点之后,能够与后续目标点在时间上具有连续性;
建立第六约束函数,通过第六约束函数使得无人机在访问当前中继充电平台之后,能够与后续目标点在时间上具有连续性;
建立第七约束函数,通过第七约束函数确保无人机在侦察时目标点的时间窗口的可行性;
建立第八约束函数,通过第八约束函数确保无人机离开侦察目标时电量为非负值;
建立第九约束函数,通过第九约束函数确保无人机离开中继充电平台时电量为非负值;
建立第十约束函数,通过第十约束函数确保无人机离开充电平台时的电池电量水平满足相应预设电量值;
建立第十一约束函数,通过第十一约束函数确保无人机的在充电之后的电量水平不超过该无人机最大电池容量。
3.根据权利要求2所述的中继充电模式下无人机路径规划的自适应优化方法,其特征在于,所述通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径,具体包括:
针对无人机侦察路径目标函数,假设不采用第十一约束函数约束无人机的电池容量、采用第七约束函数约束无人机的侦察时间满足目标点的时间窗口时,通过邻域搜索算法为无人机依次设置所要侦察的目标点,以形成该无人机的初步侦察路径;其中,为无人机每设置一个所要侦察目标点的原则是:该无人机总路程距离增加最小;
采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解;
基于初始可行解,进行如下操作步骤:
第一、根据移除算子的权重,以轮盘赌概率自多个移除算子中选择一个移除算子,在将初始可行解中的所有中继充电平台移除之后,根据所选移除算子设定的移除目标点规则在初始可行解中移除相应数量的目标点,得到当前解;
第二、根据插入算子的权重,以轮盘赌概率自多个插入算子选择一个插入算子,根据所选插入算子设定的插入目标点规则将被移除的目标点重新插回到当前解中修复当前解,得到新的当前解;在将被移除的目标点插回到当前解时,不考虑无人机的电量约束,仅使每个目标点的时间窗口满足约束;
第三、利用最优充电平台插入策略,将中继充电平台插入到新的当前解中生成新的邻域解;
将新的邻域解作为迭代之初的当前可行解,基于当前可行解,采用前述的第一到第三的步骤进行迭代;多次迭代后生成最优解,将所述最优解作为无人机侦察目标点的最优规划路径。
4.根据权利要求2所述的中继充电模式下无人机路径规划的自适应优化方法,其特征在于,所述移除算子包括两类:路径移除类算子和目标点移除类算子;路径移除是指移除被选中规划路径上的所有目标点;目标点移除是指移除预设数量的目标点,所移除目标点随机位于各规划路径上;所述移除目标点的预设数量为在该特定区域内目标点总数的5%n~10%、且为整数;其中,所述路径移除类算子包括:随机路径移除算子和最短路径移除算子;所述目标点移除类算子包括:随机目标点移除算子、距离最差目标点移除、时间最差目标点移除、Shaw值目标点移除、基于距离的目标点移除、基于时间窗的目标点移除和区域目标点移除;所述插入算子包括:基于距离的贪婪插入、后悔值-2插入、后悔值-3插入、基于时间的贪婪插入和基于时间的区域贪婪插入;
所述中继充电模式下无人机路径规划的自适应优化方法,还包括:
在将新的邻域解作为迭代之初的当前可行解进行迭代达到预设次数之后,根据各移除算子在迭代过程中的表现更新各移除算子的权重,以及根据各插入算子在迭代过程中的表现更新各插入算子的权重;所述算子权重更新的公式为:
r为轮盘赌的参数;
ωi为该算子在前Nw次迭代中被调用的次数;
πi为算子i的得分,每个算子的得分代表该算子在每次迭代中的表现;若该次迭代找到了新的全局最优解,则将该次迭代中所采用算子的分数增加σ1;若该次迭代找到的解优于当前解,则将该次迭代中所采用算子的分数增加σ2;若该次迭代找到的解比当前解差、且可被接受,则将该次迭代中所使用算子的分数增加σ3,其中,σ1>σ2>σ3;该次迭代找到了新的全局最优解是指当前解优于已知全局最优解,则将当前解作为当前全局最优解;已经全局最优解是指本次迭代之前所有解中的最优解。
5.根据权利要求3所述的中继充电模式下无人机路径规划的自适应优化方法,其特征在于,所述将新的邻域解作为迭代的当前可行解,基于当前可行解,采用前述的第一到第三的步骤重新迭代;多次迭代后生成最优解,将所述最优解作为无人机侦察目标点的最优路径规划,具体包括:
通过总成本函数表示每次迭代生成新的邻域解的总成本;将当前迭代生成新的邻域解的总成本函数与迭代开始之初的当前可行解的总成本函数进行比对;
若当前迭代生成新的邻域解的总成本函数小于迭代开始之初的当前可行解的总成本函数,则将新的邻域解作为下一次迭代所用的可行解;
若当前迭代生成新的邻域解的总成本函数大于迭代开始之初的当前可行解的总成本函数,通过概率判断是否接受该新的邻域解作为当前可行解,其中T为温度参数;随着迭代次数的增加,温度会以一定的速率hT随之下降,其中h为温度下降的速率参数;
6.根据权利要求3所述的中继充电模式下无人机路径规划的自适应优化方法,其特征在于,所述采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解,具体包括:
在初步侦察路径上插入中继充电平台后,采用多充电原则、并根据各中继充电平台后续侦察规划路径上实际所需要的电量水平计算确定无人机在各中继充电平台所需的充电量;所述多充电原则是指:将无人机在当前中继充电平台的充电时间计入到该无人机在该中继充电平台的后一目标点的等待时间;根据该无人机自当前中继充电平台到其后一目标点的飞行时间、以及在后一目标点的等待时间计算该无人机所需电量;
根据无人机所需的充电量计算其在中继充电平台所需的充电时间,根据无人机在中继充电平台所需的充电时间核对该中继充电平台之后的侦察路径上的目标点时间窗口是否仍满足第六约束函数;其中,无人机通过其所需的充电量与其现存电量至少能够完成侦察中继充电平台后一目标点;
如果该中继充电平台之后的某目标点时间窗口不满足第六约束函数,则将该目标点自当前侦察路径中移除;
将被移除的目标点插回到其他侦察路径中,并在插入到其他侦察路径后判断目标点时间窗口是否满足第六约束函数;当被移除的目标点被插入到其他侦察路径后,该被移除的目标点时间窗口满足第六约束函数,则该目标点保留在其所插入的侦察路径中;
如果剩余无法插入到其他侦察路径中的目标点,则指派一架新无人机来形成一条新侦察路径,直至该特定区域的所有目标点规划入侦察路径。
7.根据权利要求6所述的中继充电模式下无人机路径规划的自适应优化方法,其特征在于,所述采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解,具体包括:
遍历无人机初步侦察路径,在无人机的电量不超出第十一约束函数所约束的电池容量上限时,当中继充电平台在同一侦察路径的插入位置不同生成多种可行解时,原同一初始侦察路径对应衍生成多条侦察路径;
在多条衍生侦察路径中,当各中继充电平台之后的所有目标点时间窗口满足第六约束函数时,自多条衍生侦察路径中选择侦察任务完成时间最短的衍生侦察路径作为可行路径,将可行路径作为初始可行解;
某些衍生侦察路径中,在中继充电平台之后的某目标点时间窗口不满足第六约束函数时;将时间窗口不满足第六约束函数的目标点自某些衍生侦察路径移除之后形成中间侦察路径,自衍生侦察路径和中间侦察路径中选择目标点数量满足预设数量的侦察路径作为优选路径,选择侦察完成所有目标点时间最短的侦察路径作为可行路径,将可行路径作为初始可行解。
8.一种中继充电模式下无人机路径规划的自适应优化系统,其特征在于,包括:
信息获取单元,用于获取特定区域内目标点的信息、获取该特定区域内为无人机充电的中继充电平台的信息、以及获取该特定区域内无人机基地的信息;其中,所述特定区域内目标点的信息包括:目标点总数、各目标点在侦察区域内的位置、每个目标点被侦察的时间窗口;所述特定区域内的中继充电平台信息包括:中继充电平台的位置;
模型建立单元,用于根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,使用混合整数规划建模方法建立无人机侦察路径规划模型;
最优规划路径求解单元,用于通过基于模拟退火准则的自适应大规模邻域搜索算法和充电平台插入策略求解无人机侦察路径规划模型,求解得到无人机侦察目标点的最优规划路径;其中,无人机侦察目标点的最优规划路径使得所有目标点在各自被侦察时间窗口内被侦察到、且无人机使用数量最少、完成侦察所有目标点的总时间最少。
9.根据权利要求8所述的中继充电模式下无人机路径规划的自适应优化系统,其特征在于,所述模型建立单元,具体用于:
根据该特定区域的目标点信息、中继充电平台信息和无人机基地信息,建立无人机侦察路径目标函数;所述目标函数涉及每架无人机的权重系数、该架无人机在完成侦察所有目标点时间中的权重系数、以及侦察总时间的权重系数;并对目标函数中的决策变量建立约束函数及范围约束;
其中,所述对目标函数中决策变量建立约束函数,具体包括:
建立第二约束函数,通过第二约束函数使得每个目标点被侦察至少且仅为一次;
建立第三约束函数,通过第三约束函数使得在无人机侦察路径上的相邻的侦察目标点与中继充电平台之间,或者,相邻的侦察目标点与侦察目标点之间具有连接性,
建立第四约束函数,通过第四约束函数使得无人机在任一目标点的飞入次数和飞出次数相等,以及无人机在任一中继充电平台的飞入次数和飞出次数相等。
建立第五约束函数,通过第五约束函数使得无人机在访问当前目标点之后,能够与后续目标点在时间上具有连续性;
建立第六约束函数,通过第六约束函数使得无人机在访问当前中继充电平台之后,能够与后续目标点在时间上具有连续性;
建立第七约束函数,通过第七约束函数确保无人机在侦察时目标点的时间窗口的可行性;
建立第八约束函数,通过第八约束函数确保无人机离开侦察目标时电量为非负值;
建立第九约束函数,通过第九约束函数确保无人机离开中继充电平台时电量为非负值;
建立第十约束函数,通过第十约束函数确保无人机离开充电平台时的电池电量水平满足相应预设电量值;
建立第十一约束函数,通过第十一约束函数确保无人机的在充电之后的电量水平不超过该无人机最大电池容量。
10.根据权利要求9所述的中继充电模式下无人机路径规划的自适应优化系统,其特征在于,所述最优规划路径求解单元,具体用于:
针对无人机侦察路径目标函数,假设不采用第十一约束函数约束无人机的电池容量、采用第七约束函数约束无人机的侦察时间满足目标点的时间窗口时,通过邻域搜索算法为无人机依次设置所要侦察的目标点,以形成该无人机的初步侦察路径;其中,为无人机每设置一个所要侦察目标点的原则是:该无人机总路程距离增加最小;
采用第十一约束函数约束该无人机的电池容量上限,采用充电平台插入策略在初步侦察路径上插入中继充电平台,生成无人机侦察路径规划模型的初始可行解;
基于初始可行解,进行如下操作步骤:
第一、根据移除算子的权重,以轮盘赌概率自多个移除算子中选择一个移除算子,在将初始可行解中的所有中继充电平台移除之后,根据所选移除算子设定的移除目标点规则在初始可行解中移除相应数量的目标点,得到当前解;
第二、根据插入算子的权重,以轮盘赌概率自多个插入算子选择一个插入算子,根据所选插入算子设定的插入目标点规则将被移除的目标点重新插回到当前解中修复当前解,得到新的当前解;在将被移除的目标点插回到当前解时,不考虑无人机的电量约束,仅使每个目标点的时间窗口满足约束;
第三、利用最优充电平台插入策略,将中继充电平台插入到新的当前解中生成新的邻域解;
将新的邻域解作为迭代之初的当前可行解,基于当前可行解,采用前述的第一到第三的步骤进行迭代;多次迭代后生成最优解,将所述最优解作为无人机侦察目标点的最优规划路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031503.5A CN112859912B (zh) | 2021-01-11 | 2021-01-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031503.5A CN112859912B (zh) | 2021-01-11 | 2021-01-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112859912A true CN112859912A (zh) | 2021-05-28 |
CN112859912B CN112859912B (zh) | 2022-06-21 |
Family
ID=76002373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110031503.5A Active CN112859912B (zh) | 2021-01-11 | 2021-01-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112859912B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325875A (zh) * | 2021-06-21 | 2021-08-31 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN113778127A (zh) * | 2021-09-18 | 2021-12-10 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察路径规划方法及装置 |
CN113778128A (zh) * | 2021-09-18 | 2021-12-10 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察任务规划方法及装置 |
CN113852933A (zh) * | 2021-08-31 | 2021-12-28 | 广州杰赛科技股份有限公司 | 车联网网络的中继节点选择方法、装置、设备及存储介质 |
CN115061134A (zh) * | 2022-06-22 | 2022-09-16 | 扬州宇安电子科技有限公司 | 基于机载雷达侦察系统的无人机飞行安全检测系统及方法 |
CN116989819A (zh) * | 2023-09-27 | 2023-11-03 | 湘江实验室 | 一种基于模型解的路径确定方法及装置 |
CN117148870A (zh) * | 2023-10-31 | 2023-12-01 | 江西五十铃汽车有限公司 | 一种基于无人机技术的汽车救援方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030220772A1 (en) * | 2002-05-22 | 2003-11-27 | Hsiao-Dong Chiang | Dynamical methods for solving large-scale discrete and continuous optimization problems |
US20080134193A1 (en) * | 2006-11-08 | 2008-06-05 | Board Of Regents, The University Of Texas System | System, Method and Apparatus for Allocating Resources by Constraint Selection |
CN106020189A (zh) * | 2016-05-24 | 2016-10-12 | 武汉科技大学 | 基于邻域约束的空地异构机器人系统路径规划方法 |
GB201712075D0 (en) * | 2017-07-27 | 2017-09-13 | Kompetenzzentrum-Das Virtuelle Fahrzeug | Method and process for motion planning in (un-)structured environments with pedestrians and use of probabilistic manifolds |
CN108990158A (zh) * | 2018-07-12 | 2018-12-11 | 南昌大学 | 基于二元加载机制下无人机充电边缘计算网络的资源分配方法 |
CN110428111A (zh) * | 2019-08-08 | 2019-11-08 | 西安工业大学 | Uav/ugv协同长时多任务作业轨迹规划方法 |
CN111752303A (zh) * | 2020-06-15 | 2020-10-09 | 中国人民解放军国防科技大学 | 一种小型无人机中继充电路径规划方法及系统 |
-
2021
- 2021-01-11 CN CN202110031503.5A patent/CN112859912B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030220772A1 (en) * | 2002-05-22 | 2003-11-27 | Hsiao-Dong Chiang | Dynamical methods for solving large-scale discrete and continuous optimization problems |
US20080134193A1 (en) * | 2006-11-08 | 2008-06-05 | Board Of Regents, The University Of Texas System | System, Method and Apparatus for Allocating Resources by Constraint Selection |
CN106020189A (zh) * | 2016-05-24 | 2016-10-12 | 武汉科技大学 | 基于邻域约束的空地异构机器人系统路径规划方法 |
GB201712075D0 (en) * | 2017-07-27 | 2017-09-13 | Kompetenzzentrum-Das Virtuelle Fahrzeug | Method and process for motion planning in (un-)structured environments with pedestrians and use of probabilistic manifolds |
CN108990158A (zh) * | 2018-07-12 | 2018-12-11 | 南昌大学 | 基于二元加载机制下无人机充电边缘计算网络的资源分配方法 |
CN110428111A (zh) * | 2019-08-08 | 2019-11-08 | 西安工业大学 | Uav/ugv协同长时多任务作业轨迹规划方法 |
CN111752303A (zh) * | 2020-06-15 | 2020-10-09 | 中国人民解放军国防科技大学 | 一种小型无人机中继充电路径规划方法及系统 |
Non-Patent Citations (4)
Title |
---|
MOHAMMADREZA RADMANESH: "Flight formation of UAVs in presence of moving obstacles using fast-dynamic mixed integer linear programming", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
ZHENYU NA: "Join trajectory optimization and communication design for UAV-enabled OFDM networks", 《AD HOC NETWORKS》 * |
张天宇: "动态客流需求下基于公平与效率的城市轨道交通列车时刻表优化模型与算法", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
毛慧婷: "The Electric Vehicle Routing Problem With Time Windows and Multiple Recharging Options", 《IEEE ACCESS》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325875A (zh) * | 2021-06-21 | 2021-08-31 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN113325875B (zh) * | 2021-06-21 | 2022-06-07 | 西安电子科技大学 | 一种实现无人机数目最小化的无人机路径规划方法 |
CN113852933A (zh) * | 2021-08-31 | 2021-12-28 | 广州杰赛科技股份有限公司 | 车联网网络的中继节点选择方法、装置、设备及存储介质 |
CN113852933B (zh) * | 2021-08-31 | 2023-09-15 | 广州杰赛科技股份有限公司 | 车联网网络的中继节点选择方法、装置、设备及存储介质 |
CN113778127A (zh) * | 2021-09-18 | 2021-12-10 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察路径规划方法及装置 |
CN113778128A (zh) * | 2021-09-18 | 2021-12-10 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察任务规划方法及装置 |
CN113778127B (zh) * | 2021-09-18 | 2023-02-28 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察路径规划方法及装置 |
CN115061134A (zh) * | 2022-06-22 | 2022-09-16 | 扬州宇安电子科技有限公司 | 基于机载雷达侦察系统的无人机飞行安全检测系统及方法 |
CN116989819A (zh) * | 2023-09-27 | 2023-11-03 | 湘江实验室 | 一种基于模型解的路径确定方法及装置 |
CN116989819B (zh) * | 2023-09-27 | 2024-01-02 | 湘江实验室 | 一种基于模型解的路径确定方法及装置 |
CN117148870A (zh) * | 2023-10-31 | 2023-12-01 | 江西五十铃汽车有限公司 | 一种基于无人机技术的汽车救援方法及系统 |
CN117148870B (zh) * | 2023-10-31 | 2024-03-05 | 江西五十铃汽车有限公司 | 一种基于无人机技术的汽车救援方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112859912B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
WO2022077954A1 (zh) | 一种基于双充电模式的无人机路径规划方法 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN113299085A (zh) | 一种交通信号灯控制方法、设备及存储介质 | |
CN111752303B (zh) | 一种小型无人机中继充电路径规划方法与系统 | |
CN113485429B (zh) | 空地协同交通巡检的路径优化方法和装置 | |
Shi et al. | Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization | |
Gao et al. | Multi-UAV task allocation based on improved algorithm of multi-objective particle swarm optimization | |
CN112801361A (zh) | UAVs和UGVs长时多目标路径规划问题及求解算法 | |
Hou et al. | A metaheuristic algorithm for routing school buses with mixed load | |
CN110986951B (zh) | 一种基于惩罚权重的路径规划方法、导航格以及栅格地图 | |
CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和系统 | |
Gavalas et al. | Efficient cluster-based heuristics for the team orienteering problem with time windows | |
CN108197749B (zh) | 飞行器滑行调度方法与装置 | |
Xu et al. | A novel Drosophila‐back propagation method for the lithium‐ion battery state of charge estimation adaptive to complex working conditions | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
CN115841286A (zh) | 一种基于深度强化学习的外卖配送路径规划方法 | |
CN115936568A (zh) | 动态车辆配送任务的路径规划方法、电子设备和存储介质 | |
CN114625167A (zh) | 基于启发式Q-learning算法的无人机协同搜索方法及系统 | |
CN113283827B (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 | |
CN109377111A (zh) | 基于改进模拟退火算法的作业调度方法和装置 | |
Zheng et al. | A fuzzy receding horizon control strategy for dynamic vehicle routing problem | |
CN114861971A (zh) | 最小化成本为目标的混合车辆路径优化方法和系统 | |
CN111556546B (zh) | 最短信息收集路径的搜索方法、系统、存储介质及应用 | |
Wei et al. | Long-term autonomous mission planning of AUV in large-scale complex marine environment |
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 |