CN113064449A - 一种无人机调度方法及系统 - Google Patents
一种无人机调度方法及系统 Download PDFInfo
- Publication number
- CN113064449A CN113064449A CN202110351946.2A CN202110351946A CN113064449A CN 113064449 A CN113064449 A CN 113064449A CN 202110351946 A CN202110351946 A CN 202110351946A CN 113064449 A CN113064449 A CN 113064449A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- task
- information
- scheduling
- 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 53
- 238000013178 mathematical model Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000002068 genetic effect Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- 238000010845 search algorithm Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- RYAUSSKQMZRMAI-YESZJQIVSA-N (S)-fenpropimorph Chemical compound C([C@@H](C)CC=1C=CC(=CC=1)C(C)(C)C)N1C[C@H](C)O[C@H](C)C1 RYAUSSKQMZRMAI-YESZJQIVSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人机调度方法及系统,涉及电力系统运行检修技术领域。所述方法包括获取飞行任务信息;根据所述任务信息以及若干可供调度的无人机信息,构建数学模型;每个所述无人机对应一个无人机站;通过神经网络算法对所述数学模型进行处理,随机生成调度方案集;其中,所述调度方案集包括若干种调度方案;从若干调度方案中选择总飞行里程最短的方案,作为最优调度方案。本发明能够在多个不同优先级待检测地点且待检测地点数量大于无人机数量的情况下,实现调度在不同地点的无人机,且使得无人机总飞行距离最短、时间最少或者效率最高。
Description
技术领域
本发明涉及电力系统运行检修技术领域,尤其涉及一种无人机调度方法及系统。
背景技术
无人机电力巡检是一种全新的输电线路巡检方式,代表了智能电网输电线路巡检的发展方向,是空地协同智能电网的典型应用。无人机可沿电网进行定位自主巡检,实时传送拍摄影像,提高了电力巡检的工作效率、应急抢险水平和供电可靠率。在山洪暴发、地震灾害等紧急情况下,无人机可对线路的潜在危险,诸如塔基陷落等问题进行勘测与紧急排查,对于迅速恢复供电、降低断供期成本具有重要意义。
现有电网中无人机电力巡检的应用研究多集中在提高无人机对故障检测的精确性和无人机的准确定位上。但是由于没有系统性地调度策略,容易导致多个无人机执行多个不同地点的电力巡检任务时配合度低,造成资源浪费。
发明内容
本发明目的在于,提供一种无人机调度方法,以解决多个无人机在执行多个不同地点的电力巡检任务时配合度低,造成资源浪费的问题。
为实现上述目的,本发明实施例提供一种无人机调度方法,包括:
获取飞行任务信息;其中,所述任务信息包括若干子任务信息,所述子任务信息包括子任务的位置信息和停留时间;
根据所述任务信息以及若干可供调度的无人机信息构建数学模型;每个所述无人机对应一个无人机站;
通过神经网络算法对所述数学模型进行处理,随机生成调度方案集;其中,所述调度方案集包括若干种调度方案;
从所述调度方案集中选择总飞行里程最短的方案,作为最优调度方案。
优选地,所述根据所述任务信息以及若干可供调度的无人机信息,构建数学模型前,还包括:
根据所述任务信息对子任务的优先级进行排序;所述任务信息还包括子任务的任务类型和子任务间的约束关系。
优选地,所述通过神经网络算法对所述数学模型进行处理,随机生成调度方案集,包括:
获取无人机站的位置信息及子任务的位置信息;
根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配;
对参数进行初始化并随机生成一种调度方案。
优选地,所述根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配,包括:
根据无人机站的位置信息及子任务的位置信息,结合距离最近分配法,进行任务地点的分配。
本发明实施例还提供一种无人机调度系统,包括:
任务获取模块,用于获取飞行任务信息;其中,所述任务信息包括若干子任务信息,所述子任务信息包括子任务的位置信息和停留时间;
数学模型构建模块,用于根据所述任务信息以及若干可供调度的无人机信息构建数学模型;每个所述无人机对应一个无人机站;
调度方案生成模块,用于通过神经网络算法对所述数学模型进行处理,随机生成调度方案集;其中,所述调度方案集包括若干种调度方案;
调度方案选择模块,用于从所述调度方案集中选择总飞行里程最短的方案,作为最优调度方案。
优选地,还包括:
排序模块,用于根据所述任务信息对子任务的优先级进行排序;所述任务信息还包括子任务的任务类型和子任务间的约束关系。
优选地,所述调度方案生成模块包括定位模块、地点分配模块和初始化模块;
所述定位模块用于获取无人机站的位置信息及子任务的位置信息;
所述地点分配模块用于根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配;
所述初始化模块用于对参数进行初始化并随机生成一种调度方案。
优选地,所述地点分配模块还用于根据无人机站的位置信息及子任务的位置信息,结合距离最近分配法,进行任务地点的分配。
本发明实施例还提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例所述的无人机调度方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一实施例所述的无人机调度方法。
本发明实施例提供的无人机调度方法包括获取飞行任务信息;其中,所述任务信息包括若干子任务信息,所述子任务信息包括子任务的位置信息和停留时间;根据所述任务信息以及若干可供调度的无人机信息构建数学模型;每个所述无人机对应一个无人机站;通过神经网络算法对所述数学模型进行处理,随机生成调度方案集;其中,所述调度方案集包括若干种调度方案;从所述调度方案集中选择总飞行里程最短的方案,作为最优调度方案。与现有技术相比,本发明具有以下有益效果:能够在多个不同优先级待检测地点且待检测地点数量大于无人机数量的情况下,实现调度在不同地点的无人机,且使得无人机总飞行距离最短、时间最少或者效率最高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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是本发明某一实施例提供的无人机调度方法的流程示意图;
图2是本发明某一实施例提供的无人机调度方法随机生成的调度方案示意图;
图3是本发明某一实施例提供的无人机调度系统的结构示意图;
图4是本发明某一实施例提供的计算机终端设备的结构示意图。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明某一实施例提供的无人机调度方法的流程示意图。本实施例提供的无人机调度方法,包括以下步骤:
S110,获取飞行任务信息。其中,任务信息包括若干子任务信息,所述子任务信息包括子任务的位置信息和停留时间。
S120,根据任务信息以及若干可供调度的无人机信息构建数学模型。每个无人机对应一个无人机站。
S130,通过神经网络算法对数学模型进行处理,随机生成调度方案集;其中,调度方案集包括若干种调度方案。
S140,从调度方案集中选择总飞行里程最短的方案,作为最优调度方案。
无人机在执行电力巡检任务过程中,可能会有故障检测、维修等需求,相应的检测、维修任务会有一定的关联性,比如完成了某个检修任务才能执行另一项检修任务,因此需要对不同任务进行优先级的排序,使得调度方案更加科学。根据任务信息对子任务的优先级进行排序,这里的任务信息还包括子任务的任务类型和子任务间的约束关系。根据子任务的任务类型和子任务间的约束关系,对各个子任务进行评估,输出任务序列以及具体信息到任务调度模块进行任务的规划调度。
在本实施例中,根据数学模型,利用神经网络算法求解模型随机生成调度方案集包括:获取无人机站的位置信息及子任务的位置信息;根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配;对参数进行初始化并随机生成一种调度方案。
此外,根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配,包括:根据无人机站的位置信息及子任务的位置信息,结合距离最近分配法,进行任务地点的分配。
在某一具体实施方式中,构建数学模型的过程如下,由于输电线路的日常巡检任务,巡检任务地点数量一般情况下多于无人机的数量。假设G个无人机站各有一架无人机,获取的飞行任务信息包括N项需要执行的子任务,且无人机数量小于任务数量,即G<N。
在无人机数量小于任务数量的情况下,多无人机多任务的调度问题适用于多旅行商模型。多旅行商问题(MTSP)是对经典旅行商(TSP)的一个泛化,可具体描述为:多架无人机从不同无人机站出发,遍历所有的任务地点,在满足每个任务地点被一架无人机经过一次的前提下,使遍历全部任务地点的调度方案中的路径最短。多旅行商问题可以映射到许多现实问题中,比如车辆路径规划、应急物资配送、无人机覆盖搜索等。
根据G个无人机站将N项任务地点划分为G个区域,第g个无人机站分配到Lg个任务(g=1,2...G),第g个无人机站被分配的任务中第i个到第j个任务地点的距离为dij,该无人机站到第j个任务地点的距离为dgj,每架无人机一次飞行的最大行驶距离为Dm;再假设用集合Rg表示第g个无人机站无人机的路径,其中的元素rgi表示任务rgi在第g个区域中的路径的顺序为i(不包括无人机站),令rg0=0表示无人机站的位置。
以飞行总里程最短为目标函数,则可建立如下多机多任务调度问题的数学模型,其中,
目标函数为:
约束条件为:
s.t.drg(i-1),rgi+drgLg,rg0≤Dm (2)
0≤Lg≤N (4)
Rg={rgi|rgi∈{1,2...,Lg},i=1,2...,Lg} (6)
其中,式(1)为目标函数,即要求飞行总里程最短;式(2)保证每架无人机飞行距离长度不超过无人机一次飞行的最大距离;式(3)保证每个任务最多被分配给无人机站一次。式(4)表明每架无人机服务任务数量不超过任务总数量;式(5)表明所有无人机站所执行的任务数量之和等于总的任务数量;式(6)表示每条路径任务的组成。
针对多旅行商模型应用于本发明提出的多无人机多任务场景中提出两种算法:遗传算法和禁忌搜索算法。
遗传算法(Genetic algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
禁忌搜索算法是一种全局性邻域搜索算法,通过局部邻域搜索机制和相应的禁忌准则来避免迂回搜索,并通过破禁水平来释放一些被禁忌的优良状态,进而保证多样化的有效探索,以最终实现全局优化。
在所建立的数学模型中存在多个无人机站,因此在求解算法中我们首先采用距离最近分配法确定每个无人机站服务的任务地点,转化成单旅行商问题求解。
遗传算法的伪代码见表1,禁忌搜索算法的伪代码见表2。
表1.遗传算法伪代码表
表2.禁忌搜索算法伪代码表
在某一具体实施方式中,本实施例基于以下前提条件给出获得无人机的调度方案:
(1)无人机从多个无人机站向不同任务地点出发;
(2)每项任务必须完成,且仅能由一架无人机完成;
(3)每架无人机一次飞行的最大行驶距离和速度一定;
(4)无人机完成任务后,必须返回原无人机站;
(5)无人机站与任务地点之间的最短距离已知且固定。
在某计算机上,利用仿真软件用于对解决无人机的调度方案的多旅行商问题进行多组仿真实验。本实施例提供的无人机调度方法具体包括如下步骤:
(1)任务评估模块接收任务信息,包括但不限于任务类型、地点、数量、约束关系;
(2)根据这些信息任务评估模块将会对任务区别优先级,输出任务序列以及具体信息到任务调度模块进行任务的规划调度;
(3)根据无人机站及其任务地点的位置信息利用距离最近分配法实现任务地点的分配;
(4)对本发明算法进行仿真,验证其性能;
(5)对仿真结果进行分析,然后增加任务地点规模对比两种算法的收敛速度。
上述仿真条件为:在40km×40km的范围内存在4个无人机站,每个无人机站有一架无人机,30个日常巡检任务地点,日常巡检任务服务时间为10分钟,无人机最大行驶距离为200km。无人机站与各项任务地点的坐标请参阅表3-表4。
表3.无人机站坐标表
无人机站 | A | B | C | D |
横坐标x(km) | 6.00 | 20.74 | 32.01 | 33.26 |
纵坐标y(km) | 13.58 | 36.81 | 10.76 | 22.65 |
表4.输电线路日常巡检任务地点坐标表
其中,遗传算法的最大迭代次数为500次,禁忌搜索算法的最大迭代次数为2000次,其余变量如任务地点、无人机地点等客观变量保持一致。分别进行10次仿真实验,对遗传算法与禁忌搜索算法仿真产生的各10组仿真实验数据进行最优路径与相应迭代次数的对比得到最优结果。请参阅图2,图2中的(a)和(b)分别是本实施例通过遗传算法和禁忌搜索算法随机生成的调度方案。图中的A、B、C、D点分别为4个无人机站,其他节点为无人机巡检的任务位置点。
在步骤(3)中,假设G个无人机站各有一架无人机,此刻需要执行N项任务。且无人机数量小于任务数量,即G<N。
根据G个无人机站将N项任务地点划分为G个区域,第g个无人机站分配到Lg个任务(g=1,2...G),第g个无人机站被分配的任务中第i个到第j个任务地点的距离为dij,该无人机站到第j个任务地点的距离为dgj,每架无人机一次飞行的最大行驶距离为Dm;再假设用集合Rg表示第g个无人机站无人机的路径,其中的元素rgi表示任务rgi在第g个区域中的路径的顺序为i(不包括无人机站),令rg0=0表示无人机站的位置。建立无人机多机多任务调度问题模型的目标函数和约束函数如下:
s.t.drg(i-1),rgi+drgLg,rg0≤Dm (2)
0≤Lg≤N (4)
Rg={rgi|rgi∈{1,2...,Lg},i=1,2...,Lg} (6)
其中,
式(1)为目标函数,即要求飞行总里程最短;
式(2)保证每架无人机飞行距离长度不超过无人机一次飞行的最大距离;
式(3)保证每个任务最多被分配给无人机站一次。
式(4)表明每架无人机服务任务数量不超过任务总数量;
式(5)表明所有无人机站所执行的任务数量之和等于总的任务数量;
式(6)表示每条路径任务的组成。
在步骤(4)中,利用遗传算法求解模型随机生成若干调度方案,进一步选择最优调度方案包括:
(41)导入无人机站及其任务地点的位置信息;
(42)根据无人机站及其任务地点的位置信息利用距离最近分配法实现任务地点的分配;
(43)对相关参数进行初始化,种群大小NIND=100、交叉概率Pc=0.9、变异概率Pm=0.05、代沟GGAP=0.9、最大迭代次数MAXGEN=500;
(44)随机产生一条调度方案;
(45)对调度方案进行迭代优化,计算适应度,进行选择、交叉、变异、逆转操作,更新迭代次数;
(46)到达终止迭代次数时输出得到的最优调度方案。
在步骤(4)中,利用禁忌搜索算法求解模型随机生成若干调度方案,进一步选择最优调度方案包括:
(41)导入无人机站及其任务地点的位置信息;
(42)根据无人机站及其任务地点的位置信息利用距离最近分配法实现任务地点的分配;
(43)初始化禁忌表Tabu、禁忌长度L=21、候选解个数=2、最大迭代次数G=2000;
(44)随机产生一条调度方案;
(45)对调度方案进行迭代优化:生成当前解的邻域解,并从中选出候选解CaNum,根据候选解CaNum是否满足藐视准则更新禁忌表,更新迭代次数;
(46)到达终止迭代次数时输出得到的最优调度方案。
请参阅图3,图3为本发明某一实施例提供的无人机调度系统的结构示意图。在本实施例中与上述实施例相同的部分,在此不再赘述。本实施例提供的无人机调度系统包括:
任务获取模块01,用于获取飞行任务信息。其中,任务信息包括若干子任务信息,子任务信息包括子任务的位置信息和停留时间。
数学模型构建模块02,用于根据任务信息以及若干可供调度的无人机信息构建数学模型。每个无人机对应一个无人机站。
调度方案生成模块03,用于通过神经网络算法对数学模型进行处理,随机生成调度方案集;其中,调度方案集包括若干种调度方案。调度方案生成模块包括定位模块、地点分配模块和初始化模块;定位模块用于获取无人机站的位置信息及子任务的位置信息;地点分配模块用于根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配;初始化模块用于对参数进行初始化并随机生成一种调度方案。地点分配模块还用于根据无人机站的位置信息及子任务的位置信息,结合距离最近分配法,进行任务地点的分配。
调度方案选择模块04,用于从调度方案集中选择总飞行里程最短的方案,作为最优调度方案。
此外,无人机在执行电力巡检任务过程中,可能会有故障检测、维修等需求,相应的检测、维修任务会有一定的关联性,比如完成了某个检修任务才能执行另一项检修任务,因此需要对不同任务进行优先级的排序,使得调度方案更加科学。根据任务信息对子任务的优先级进行排序,这里的任务信息还包括子任务的任务类型和子任务间的约束关系。因此需要排序模块,用于根据任务信息对子任务的优先级进行排序。
本发明实施例提供的无人机调度方法是协同智能电网的一个典型应用。利用无人机进行电力巡检,通过视频回传功能可以在远程及时发现线路安全问题并确定故障类型,特别适用于存在大面积无人区的边远地区,降低维修检测成本。在多个无人机站点的情况下,采用合适的分区方法将多无人机站无人机优化调度问题分解为几个相对独立的单无人机站无人机优化调度问题,然后分别对各个单无人机站无人机调度问题进行求解。实现自动调度无人机使得无人机高效协同完成多任务点的巡检任务,以解决无人机电力巡检场景中任务数量多于无人机数量时,单无人机故障检测不够及时、续航能力不够、日常巡检中能耗较大的问题。
请参阅图4,本发明实施例提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任意一个实施例中的无人机调度方法。
处理器用于控制该计算机终端设备的整体操作,以完成上述的无人机调度方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作,这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的无人机调度方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述任意一个实施例中的无人机调度方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由计算机终端设备的处理器执行以完成上述的无人机调度方法,并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种无人机调度方法,其特征在于,包括:
获取飞行任务信息;其中,所述任务信息包括若干子任务信息,所述子任务信息包括子任务的位置信息和停留时间;
根据所述任务信息以及若干可供调度的无人机信息,构建数学模型;每个所述无人机对应一个无人机站;
通过神经网络算法对所述数学模型进行处理,随机生成调度方案集;其中,所述调度方案集包括若干种调度方案;
从所述调度方案集中选择总飞行里程最短的方案,作为最优调度方案。
2.根据权利要求1所述的无人机调度方法,其特征在于,所述根据所述任务信息以及若干可供调度的无人机信息,构建数学模型前,还包括:
根据所述任务信息对子任务的优先级进行排序;所述任务信息还包括子任务的任务类型和子任务间的约束关系。
3.根据权利要求1所述的无人机调度方法,其特征在于,所述通过神经网络算法对所述数学模型进行处理,随机生成调度方案集,包括:
获取无人机站的位置信息及子任务的位置信息;
根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配;
对参数进行初始化并随机生成一种调度方案。
4.根据权利要求3所述的无人机调度方法,其特征在于,所述根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配,包括:
根据无人机站的位置信息及子任务的位置信息,结合距离最近分配法,进行任务地点的分配。
5.一种无人机调度系统,其特征在于,包括:
任务获取模块,用于获取飞行任务信息;其中,所述任务信息包括若干子任务信息,所述子任务信息包括子任务的位置信息和停留时间;
数学模型构建模块,用于根据所述任务信息以及若干可供调度的无人机信息,构建数学模型;每个所述无人机对应一个无人机站;
调度方案生成模块,用于通过神经网络算法对所述数学模型进行处理,随机生成调度方案集;其中,所述调度方案集包括若干种调度方案;
调度方案选择模块,用于从所述调度方案集中选择总飞行里程最短的方案,作为最优调度方案。
6.根据权利要求5所述的无人机调度系统,其特征在于,还包括:
排序模块,用于根据所述任务信息对子任务的优先级进行排序;所述任务信息还包括子任务的任务类型和子任务间的约束关系。
7.根据权利要求5所述的无人机调度系统,其特征在于,所述调度方案生成模块包括定位模块、地点分配模块和初始化模块;
所述定位模块用于获取无人机站的位置信息及子任务的位置信息;
所述地点分配模块用于根据无人机站的位置信息及子任务的位置信息,进行任务地点的分配;
所述初始化模块用于对参数进行初始化并随机生成一种调度方案。
8.根据权利要求5所述的无人机调度系统,其特征在于,所述地点分配模块还用于根据无人机站的位置信息及子任务的位置信息,结合距离最近分配法,进行任务地点的分配。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的无人机调度方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的无人机调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351946.2A CN113064449B (zh) | 2021-03-31 | 2021-03-31 | 一种无人机调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110351946.2A CN113064449B (zh) | 2021-03-31 | 2021-03-31 | 一种无人机调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064449A true CN113064449A (zh) | 2021-07-02 |
CN113064449B CN113064449B (zh) | 2024-03-12 |
Family
ID=76565000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110351946.2A Active CN113064449B (zh) | 2021-03-31 | 2021-03-31 | 一种无人机调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064449B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724415A (zh) * | 2021-09-01 | 2021-11-30 | 国网福建省电力有限公司龙岩供电公司 | 一种配电线路无人机交互式自动巡检方法及设备 |
CN113961014A (zh) * | 2021-09-03 | 2022-01-21 | 西北工业大学 | 基于规则库的多意外事件下无人机调度处理系统和方法 |
CN116011695A (zh) * | 2023-03-27 | 2023-04-25 | 湖南胜云光电科技有限公司 | 一种获取无人机目标路径的数据处理系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596500A (zh) * | 2018-04-28 | 2018-09-28 | 广州亿航智能技术有限公司 | 调度无人机集群的方法、中控系统及计算机存储介质 |
CN109947130A (zh) * | 2019-04-03 | 2019-06-28 | 广东电网有限责任公司 | 一种基于网格化管理的输电多机编队巡视管理方法和系统 |
CN110308740A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种面向移动目标追踪的无人机群动态任务分配方法 |
CN110610273A (zh) * | 2019-09-18 | 2019-12-24 | 武汉光发科技有限公司 | 一种车机协同巡检方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
CN111415026A (zh) * | 2019-01-08 | 2020-07-14 | 北京京东尚科信息技术有限公司 | 无人设备调度装置、系统和方法 |
CN111582697A (zh) * | 2020-04-29 | 2020-08-25 | 西安交通大学 | 一种配电网故障的评估与调度方法及系统 |
CN111580561A (zh) * | 2020-05-28 | 2020-08-25 | 深圳市易链信息技术有限公司 | 基于粒子群算法优化的无人机调度方法、系统和可读存储介质 |
CN111652460A (zh) * | 2020-04-10 | 2020-09-11 | 安徽继远软件有限公司 | 多无人机协同巡检多杆塔的智能优化方法和系统 |
CN112508369A (zh) * | 2020-11-27 | 2021-03-16 | 北京工商大学 | 基于改进蚁群算法的多无人机任务分配方法 |
-
2021
- 2021-03-31 CN CN202110351946.2A patent/CN113064449B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596500A (zh) * | 2018-04-28 | 2018-09-28 | 广州亿航智能技术有限公司 | 调度无人机集群的方法、中控系统及计算机存储介质 |
CN111415026A (zh) * | 2019-01-08 | 2020-07-14 | 北京京东尚科信息技术有限公司 | 无人设备调度装置、系统和方法 |
CN109947130A (zh) * | 2019-04-03 | 2019-06-28 | 广东电网有限责任公司 | 一种基于网格化管理的输电多机编队巡视管理方法和系统 |
CN110308740A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种面向移动目标追踪的无人机群动态任务分配方法 |
CN110610273A (zh) * | 2019-09-18 | 2019-12-24 | 武汉光发科技有限公司 | 一种车机协同巡检方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
CN111652460A (zh) * | 2020-04-10 | 2020-09-11 | 安徽继远软件有限公司 | 多无人机协同巡检多杆塔的智能优化方法和系统 |
CN111582697A (zh) * | 2020-04-29 | 2020-08-25 | 西安交通大学 | 一种配电网故障的评估与调度方法及系统 |
CN111580561A (zh) * | 2020-05-28 | 2020-08-25 | 深圳市易链信息技术有限公司 | 基于粒子群算法优化的无人机调度方法、系统和可读存储介质 |
CN112508369A (zh) * | 2020-11-27 | 2021-03-16 | 北京工商大学 | 基于改进蚁群算法的多无人机任务分配方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724415A (zh) * | 2021-09-01 | 2021-11-30 | 国网福建省电力有限公司龙岩供电公司 | 一种配电线路无人机交互式自动巡检方法及设备 |
CN113961014A (zh) * | 2021-09-03 | 2022-01-21 | 西北工业大学 | 基于规则库的多意外事件下无人机调度处理系统和方法 |
CN116011695A (zh) * | 2023-03-27 | 2023-04-25 | 湖南胜云光电科技有限公司 | 一种获取无人机目标路径的数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113064449B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113064449A (zh) | 一种无人机调度方法及系统 | |
CN109948944B (zh) | 一种卫星任务调度方法及系统 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN110412869B (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
US20090012923A1 (en) | Method and apparatus for distributing assignments | |
CN111352711B (zh) | 多计算引擎调度方法、装置、设备及存储介质 | |
Shahzaad et al. | Resilient composition of drone services for delivery | |
CN109918731B (zh) | 基于关键路径的卫星任务规划仿真分析方法与系统 | |
CN112596543B (zh) | 多机协同巡检系统 | |
CN108764579A (zh) | 一种基于拥塞控制的仓储多机器人任务调度方法 | |
CN111580561A (zh) | 基于粒子群算法优化的无人机调度方法、系统和可读存储介质 | |
CN111626619A (zh) | 基于云雾混合计算的无人机群任务分配方法、系统和可读存储介质 | |
Berghida et al. | EBBO: an enhanced biogeography-based optimization algorithm for a vehicle routing problem with heterogeneous fleet, mixed backhauls, and time windows | |
Wu et al. | Research on task priority model and algorithm for satellite scheduling problem | |
D’Emidio et al. | Collision-free allocation of temporally constrained tasks in multi-robot systems | |
CN113327030A (zh) | 一种多星任务规划方法、系统、设备及存储介质 | |
CN113886034A (zh) | 任务调度方法、系统、电子设备及存储介质 | |
CN115276758A (zh) | 一种基于任务松弛度的中继卫星动态调度方法 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
US7454749B2 (en) | Scalable parallel processing on shared memory computers | |
CN114565203A (zh) | 一种基于大邻域搜索算法和K-means的多星多任务规划方法 | |
Richards et al. | Distributed Satellite Constellation Planning and Scheduling. | |
CN111367664A (zh) | 信息处理方法和相关装置 | |
Yokoyama et al. | Priority rule-based construction procedure combined with genetic algorithm for flexible job-shop scheduling problem | |
Mufti et al. | A GPU accelerated path planner for multiple unmanned aerial vehicles |
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 |