CN113064450A - 一种基于退火算法的量子粒子群求解无人机路径规划方法 - Google Patents

一种基于退火算法的量子粒子群求解无人机路径规划方法 Download PDF

Info

Publication number
CN113064450A
CN113064450A CN202110354547.1A CN202110354547A CN113064450A CN 113064450 A CN113064450 A CN 113064450A CN 202110354547 A CN202110354547 A CN 202110354547A CN 113064450 A CN113064450 A CN 113064450A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
task
points
fitness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110354547.1A
Other languages
English (en)
Other versions
CN113064450B (zh
Inventor
程永
毛莺池
徐淑芳
屠子健
程杨堃
平萍
吴涛
王毅
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202110354547.1A priority Critical patent/CN113064450B/zh
Publication of CN113064450A publication Critical patent/CN113064450A/zh
Application granted granted Critical
Publication of CN113064450B publication Critical patent/CN113064450B/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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)

Abstract

本发明公开了一种基于退火算法的量子粒子群求解无人机路径规划方法，步骤包括1)根据无人机摄影特点、双曲拱坝曲面特性、大坝缺陷特性对缺陷点信息进行预处理，将缺陷点改为任务点。2)对所有任务点进行目标分配规划，通过使用高斯量子粒子群算法实现任务点的分组，之后对每一组分配无人机进行遍历。3)在对任务点进行分组规划后，使用基于退火算法的量子粒子群算法对其中的每一个组进行组内多任务点路径规划，得到一条覆盖该组内所有任务点的综合考虑耗能、飞行时间、飞行高度的无人机飞行路径。本发明提高了路径规划效率，减少了无人机的无效飞行路径、飞行时间与飞行损耗，增加飞行安全性。

Description

一种基于退火算法的量子粒子群求解无人机路径规划方法
技术领域
本发明属于路径规划领域，特别涉及一种基于退火算法的量子粒子群求解无人机路径规划方法。
背景技术
建筑工程领域将工程施工质量中不符合规定要求的检验项或检验点定义为缺陷，随着水电站大坝的长期运行，材料老化、环境影响等原因导致了不同程度缺陷的形成。当缺陷程度较轻时，尚可采取相应的措施对缺陷进行及时地处理，达到结构的承载要求，一旦缺陷没有得到及时地处理与补救，将对大坝安全运行造成重大威胁。水库、大坝的安全，不仅直接影响着防汛工作的发挥，更关系到下游人民的生命财产安全，乃至社会稳定。定期巡检是维护大坝工程安全的重要措施，主要就是对坝体、坝基、坝肩、各类泄洪输入设施及其闸门，以及对大坝安全有重大影响的近坝区岸坡和其他与大坝安全有直接关系的建筑物和设施进行检查。现有的巡检方法主要为人工巡检与记录耗费大量人力，且效率低下，容易出现运维人员不及时或疏忽大意漏检的情况。随着大坝建龄的增加和不断叠加的环境变化影响，人工巡检的工作量与难度逐渐增大。此外，在特殊结构建筑如大坝、水库、桥梁检测过程中，常规检测手段存在局限性，比如检测盲区。盲区的检测效率低、难度大、危险系数高，而且检测精细度远远不够。
发明内容
发明目的：为了克服现有技术中存在的大坝坝面人工巡检存在的繁琐性以及困难性，得到的缺陷图像质量不高等问题，本发明提供一种基于退火算法的量子粒子群求解无人机路径规划方法，提高对于已知大坝坝面缺陷位置信息之后安排巡检路线的效率。
技术方案：为实现上述目的，本发明提供一种基于退火算法的量子粒子群求解无人机路径规划方法，包括如下步骤：
(1)缺陷点信息预处理：使用改进近邻聚类法，对缺陷点信息进行聚类预处理，以任务点取代缺陷点，减少无人机飞行时间与距离；
(2)目标分配规划：对大坝模型与预处理后的任务点进行综合飞行约束信息与飞行目标函数建模，使用量子粒子群算法求解全局最优解，基于无人机群的工作特点，实现任务点对于无人机的初步目标分配规划；
(3)单区域内多任务点路径规划：使用退火算法结合改进量子粒子群算法，设定约束信息与适应度函数，为每个区域块中所有任务点进行最小代价路径规划。
进一步的，所述步骤(1)中缺陷点信息预处理的具体步骤如下：
(1.1)统计所有缺陷点三维坐标与大坝坝体三维模型，选取新的缺陷点使用改进近邻聚类法进行聚类，聚类距离阈值为T，聚类对象为缺陷点与缺陷点或者缺陷点与前一次聚类中心点，聚类中心点坐标为两个对象坐标和除2，记录每一次聚类产生的中心点历史位置；循环判断以聚类点距离为T的范围内是否有其余缺陷点可聚类且新聚类点是否可行，若是，继续聚类，若否，跳转至步骤(1.2)；
(1.2)统计所有聚类过程产生的聚类中心点与未参与聚类的独立缺陷点，以聚类点代替缺陷点，再将聚类点的x轴增加安全距离S后设置为飞行任务点，表示无人机可实际飞行点。
进一步的，所述步骤(2)中目标分配规划的步骤如下：
(2.1)设定任务约束；
(2.2)设定目标函数；
(2.3)设定模型综合约束；
(2.4)初始化量子粒子群算法：设置算法参数，粒子维数为任务点数目N，粒子数为K，最大迭代次数为maiter，每个维度的上限为无人机数目M，初始化粒子群位置，粒子个体最优位置pbest，全局最优位置gbest，定义适应度函数F1为(2.3)定义的目标函数，得到所有粒子初始适应度值；
(2.5)更新算法中间参数：计算得到平均最优位置的mbest，其值为所有粒子当前最优位置的平均值，定义收缩扩张因子β及其线性递减策略
Figure BDA0003003208370000021
其中βt为第t次迭代时的参数值，βini为初始值，βend为结束值，t是迭代次数，T是最大迭代次数；
(2.6)迭代粒子位置：计算局部吸引子：
Figure BDA0003003208370000022
其中，
Figure BDA0003003208370000023
表示(0，1)间的随机数，ppid(t)表示第t次迭代时第i个粒子第d个维度值，pbestid(t)表示第t次迭代时第i个粒子历史最优值，gbestd(t)表示第t次迭代时全局最优值；每个粒子计算新位置：
Figure BDA0003003208370000031
新位置时的适应度并与该粒子之前的最优位置pbest适应度作比较，如果新位置的适应度优于之前的最优位置适应度，将pbest更新为新位置；将每个粒子的新位置xt+1适应度函数与全局最优位置gbest的适应度函数作比较，如果新位置的适应度优于全局最优位置的适应度，将gbest更新为新位置；
(2.7)跳转到步骤(2.5)直至达到最大循环次数maiter，将得到的gbest的值赋值给gbest，得到全局最优位置gbest；由于粒子群算法得到的解为连续值，根据四舍五入原则，将连续的值变成离散值，最优粒子第i个维度的值即为第i个任务点归属的无人机序号；
(2.8)统计此处得到的gbest的值，该粒子第i个维度上的值即为该第i个任务点应该分配到的无人机。
进一步的，所述步骤(2.1)中设定任务约束的具体步骤如下：任务约束为每个任务点都需要无人机遍历且仅遍历一次，每架无人机至少分配到一个目标点一次，以公式表达为：
Figure BDA0003003208370000032
且
Figure BDA0003003208370000033
其中，i为任务起始节点，v为第v架无人机，
Figure BDA0003003208370000034
为0-1决策变量，为1表示第v架无人机从i节点到j节点执行任务，为0表示没有分配任务。
进一步的，所述步骤(2.2)中设定目标函数的具体步骤如下：任务目标函数包括执行任务时间代价
Figure BDA0003003208370000035
其中j＝1,2,3...N,tj表示完成第j个目标的时间，cj≥0为任务的加权系数，tf≥tj为完成所有任务的总时间；多无人机总航程代价
Figure BDA0003003208370000036
其中
Figure BDA0003003208370000037
表示路径长度，
Figure BDA0003003208370000038
表示决策变量；效益函数
Figure BDA0003003208370000039
Figure BDA00030032083700000310
为编号v的无人机从节点飞行到目标任务后的成功率，与任务间有无障碍物，执行任务相对距离有关。
进一步的，所述步骤(2.3)中设定模型综合约束的具体步骤如下：综合目标函数描述为：
maxJ＝max(μ1J3-μ2J2-μ3J1)
其中μ1、μ2、μ3是代价权重因子，用来表述路径、时间和收益的侧重性。
进一步的，所述步骤(3)中单区域内多任务点路径规划的具体步骤如下：
(3.1)设定目标函数；
(3.2)初始化QPSO算法；
(3.3)更新粒子位置；
(3.4)更新局部与全局最优：计算粒子在Xid(t+1)时的适应度，判断每个粒子在新位置的适应度值是否优于最优位置pbest适应度或全局最优位置gbest适应度，若是，更新相应pbest或gbest位置；
(3.5)跳转到(3.3)循环至达到最大迭代次数并得到初步个体最优pbest1和初步全局最优gbest1与其对应适应度；
(3.6)初始化SA算法：设定初始温度T，冷却率P，最大迭代次数maiter，将(3.5)得到的pbest1作为SA算法的初始解；
(3.7)粒子迭代：依据状态函数生成新个体并按照Metropolis准则决定是否接受新个体；若是，接受新个体，若否，拒绝新个体，并且判断是否达到迭代次数；之后降低退火算法温度T；
(3.8)将新个体作为当前状态继续进行迭代操作，若不满足最大迭代次数，跳转至(3.7)，若达到退火算法的温度条件，更新全局最优及其适应度函数，得到次步全局最优路径规划路径gbest2与其适应度函数；
(3.9)求最终解：比较gbest1与gbest2的适应度函数，选择适应度函数更优的解作为路径规划最终解。
进一步的，所述步骤(3.1)中设定目标函数：目标函数综合考虑油耗约束fw、距离约束fh、航迹长度约束fL，其中fw＝εL，ε为耗油代价和飞行路径长度L的系数比，
Figure BDA0003003208370000051
其中ΔH表示根据环境及任务分析所得到的合适高度；hi表示无人机到地面的高度，kh表示约束值，
Figure BDA0003003208370000052
其中Li表示三维航迹长度，无人机三维路径目标函数为F2＝λ1fw+λ2fh+λ3fL，其中λ1、λ2、λ3分别是油耗约束、高度约束、航迹长度约束的权重系数。
进一步的，所述步骤(3.2)中初始化QPSO算法的具体步骤如下：粒子维度为各组任务点数目Ni，粒子数为K，最大迭代次数为maiter，每个维度上限为Ni，适应度函数设定为F2，各维度值为离散值，表示无人机飞行路径顺序。
进一步的，所述步骤(3.3)中更新粒子位置的具体步骤如下：确定个体最优位置pbest、全局最优位置gbest及其对应适应度；基于适应度更新平均最优位置mbest,更新局部吸引子
Figure BDA0003003208370000053
其中Pid表示局部吸引子，μ表示0～1的随机数；更新下一次迭代各个粒子的位置
Figure BDA0003003208370000054
G为变异因子，以概率
Figure BDA0003003208370000055
随机选择两个位置交换。
本发明所述的无人检测首先摒弃了需要人工对巡检部位进行检查的弊病，从而避免了人为带来的不稳定性，也减少了巡检过程的繁琐性，使得人工可以更合理地安排在之后的数据处理中。其次，无人检测可以获得更加精确的监测数据，依赖于各种安装在无人设置上的检测设备，如摄像机、红外感测器等，无人机等无人设备可以无视地形障碍限制，获得高质量的大坝坝面缺陷图像信息。
有益效果：本发明与现有技术相比具有以下优点：
本发明提供的基于退火算法的量子粒子群求解无人机路径规划算法，通过缺陷点聚类、安全判断、任务与目标约束建模，量子粒子群算法求解，退火算法局部寻优实现缺陷点信息预处理、目标分配规划、单区域内多任务点路径规划，提高了在提前直到大坝缺陷点位置信息时的无人机巡检缺陷点的路径规划效率，减少了无人机的无效飞行路径，减少了无人机的飞行时间与飞行损耗，增加了无人机的飞行安全性。
附图说明
图1为本发明的流程图；
图2为具体实施例中缺陷点聚类流程图；
图3为具体实施例中目标区域分配规划模型图；
图4为具体实施例中单区域内多任务点路径规划模型图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所述，本发明所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，具体包含以下步骤：
如图2所示，步骤(1)定义缺陷点的预处理方法
(1.1)统计所有缺陷点三维坐标与大坝坝体三维模型，选取新的缺陷点使用改进近邻聚类法进行聚类，聚类距离阈值为，聚类对象为缺陷点与缺陷点或者缺陷点与前一次聚类中心点，聚类中心点坐标为两个对象坐标和除2，记录每一次聚类产生的中心点历史位置；循环判断以聚类点距离为的范围内是否有其余缺陷点可聚类且新聚类点是否可行，若是，继续聚类，若否，进行下一步；
(1.2)统计所有聚类过程产生的聚类中心点与未参与聚类的独立缺陷点，以聚类点代替缺陷点，再将聚类点的轴增加安全距离后设置为飞行任务点；
如图3所示，本发明实施例公开的目标区域分配规划模型，综合目标函数描述为：
maxJ＝max(μ1J3-μ2J2-μ3J1)
其中μ1、μ2、μ3是代价权重因子，用来表述路径、时间和收益的侧重性；
其中
Figure BDA0003003208370000061
tj表示完成第j个目标的时间；
cj≥0为任务的加权系数；
tf≥tj为完成所有任务的总时间；
多无人机总航程代价
Figure BDA0003003208370000071
其中
Figure BDA0003003208370000072
表示路径长度，
Figure BDA0003003208370000073
表示决策变量；
效益函数
Figure BDA0003003208370000074
Figure BDA0003003208370000075
为编号v的无人机从节点飞行到目标任务后的成功率，与任务间有无障碍物，执行任务相对距离有关。
步骤(2)将(1)所得的任务点与无人机数目进行目标区域分配
(2.1)设定任务约束：任务约束为每个任务点都需要无人机遍历且仅遍历一次，每架无人机至少分配到一个目标点一次，以公式表达为：
Figure BDA0003003208370000076
且
Figure BDA0003003208370000077
其中，i为任务起始节点，v为第v架无人机，
Figure BDA0003003208370000078
为0-1决策变量，为1表示第v架无人机从i节点到j节点执行任务，为0表示没有分配任务；
(2.2)设定目标函数：任务目标函数包括执行任务时间代价
Figure BDA0003003208370000079
其中j＝1,2,3...N,tj表示完成第j个目标的时间，cj≥0为任务的加权系数，tf≥tj为完成所有任务的总时间；多无人机总航程代价
Figure BDA00030032083700000710
其中
Figure BDA00030032083700000711
表示路径长度，
Figure BDA00030032083700000712
表示决策变量；效益函数
Figure BDA00030032083700000713
Figure BDA00030032083700000714
为编号v的无人机从节点飞行到目标任务后的成功率，与任务间有无障碍物，执行任务相对距离有关。
(2.3)设定模型综合约束：综合目标函数描述为：
maxJ＝max(μ1J3-μ2J2-μ3J1)
(2.4)初始化量子粒子群算法：设置算法参数，粒子维数为任务点数目N，粒子数为K，最大迭代次数为maiter，每个维度的上限为无人机数目M，初始化粒子群位置，粒子个体最优位置pbest，全局最优位置gbest，定义适应度函数F1得到所有粒子初始适应度值；
(2.5)更新算法中间参数：计算得到平均最优位置的mbest，其值为所有粒子当前最优位置的平均值，定义收缩扩张因子β及其线性递减策略
Figure BDA00030032083700000715
其中βt为第t次迭代时的参数值，βini为初始值，βend为结束值，t是迭代次数，T是最大迭代次数；
(2.6)迭代粒子位置：计算局部吸引子：
Figure BDA0003003208370000081
其中，
Figure BDA0003003208370000082
表示(0，1)间的随机数，ppid(t)表示第t次迭代时第i个粒子第d个维度值，pbestid(t)表示第t次迭代时第i个粒子历史最优值，gbestd(t)表示第t次迭代时全局最优值；每个粒子计算新位置：
Figure BDA0003003208370000083
(2.7)将新位置时的适应度并与该粒子之前的最优位置pbest适应度作比较，如果新位置的适应度优于之前的最优位置适应度，将pbest更新为新位置；将每个粒子的新位置xt+1适应度函数与全局最优位置gbest的适应度函数作比较，如果新位置的适应度优于全局最优位置的适应度，将gbest更新为新位置；
(2.8)循环直至达到最大循环次数maiter，得到步骤(2)的全局最优位置gbest；由于粒子群算法得到的解为连续值，根据四舍五入原则，将连续的值变成离散值，最优粒子第i个维度的值即为第i个任务点归属的无人机序号；
如图4所示为求解每个无人机分配到的缺陷点的最优路径，基于步骤(2)所得每个无人机都分配到了一定数目的任务点，每架无人机对分配到的任务点进行路径规划。
步骤(3)规划每一驾无人机巡检的全局最优路径
(3.1)设定目标函数：目标函数综合考虑油耗约束fw、距离约束fh、航迹长度约束fL，其中fw＝εL，ε为耗油代价和飞行路径长度L的系数比，
Figure BDA0003003208370000084
其中ΔH表示根据环境及任务分析所得到的合适高度；hi表示无人机到地面的高度，kh表示约束值，
Figure BDA0003003208370000085
其中Li表示三维航迹长度，无人机三维路径目标函数为F2＝λ1fw+λ2fh+λ3fL，其中λ1、λ2、λ3分别是油耗约束、高度约束、航迹长度约束的权重系数；
(3.2)初始化QPSO算法：粒子维度为各组任务点数目Ni，粒子数为K，最大迭代次数为maiter，每个维度上限为Ni，适应度函数设定为F2，各维度值为离散值，表示无人机飞行路径顺序；
(3.3)更新粒子位置：确定个体最优位置pbest、全局最优位置gbest及其对应适应度；基于适应度更新平均最优位置mbest,更新局部吸引子
Figure BDA0003003208370000091
其中Pid表示局部吸引子，μ表示0～1的随机数；更新下一次迭代各个粒子的位置
Figure BDA0003003208370000092
G为变异因子，以概率
Figure BDA0003003208370000093
随机选择两个位置交换；
(3.4)更新局部与全局最优：计算粒子在Xid(t+1)时的适应度，判断每个粒子在新位置的适应度值是否优于pbest适应度或gbest适应度，若是，更新相应pbest或gbest位置；
(3.5)跳转到(3.3)循环至达到最大迭代次数并得到初步个体最优pbest1和初步全局最优gbest1与其对应适应度；
(3.6)初始化SA算法：设定初始温度T，冷却率P，最大迭代次数maiter，将(3.5)得到的pbest1作为SA算法的初始解；
(3.7)粒子迭代：依据状态函数生成新个体并按照Metropolis准则决定是否接受新个体；若是，接受新个体，若否，拒绝新个体，并且判断是否达到迭代次数；之后降低退火算法温度T；
(3.8)将新个体作为当前状态继续进行迭代操作，若不满足最大迭代次数，跳转至(3.7)，若达到退火算法的温度条件，更新全局最优及其适应度函数，得到次步全局最优路径规划路径gbest2与其适应度函数；
(3.9)求最终解：比较gbest1与gbest2的适应度函数，选择适应度函数更优的解作为路径规划最终解。

Claims (10)

1.一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，包括如下步骤：
(1)缺陷点信息预处理：使用改进近邻聚类法，对缺陷点信息进行聚类预处理，以任务点取代缺陷点，减少无人机飞行时间与距离；
(2)目标分配规划：对大坝模型与预处理后的任务点进行综合飞行约束信息与飞行目标函数建模，使用量子粒子群算法求解全局最优解，基于无人机群的工作特点，实现任务点对于无人机的初步目标分配规划；
(3)单区域内多任务点路径规划：使用退火算法结合改进量子粒子群算法，设定约束信息与适应度函数，为每个区域块中所有任务点进行最小代价路径规划。
2.根据权利要求1所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(1)中缺陷点信息预处理的具体步骤如下：
(1.1)统计所有缺陷点三维坐标与大坝坝体三维模型，选取新的缺陷点使用改进近邻聚类法进行聚类，聚类距离阈值为T，聚类对象为缺陷点与缺陷点或者缺陷点与前一次聚类中心点，聚类中心点坐标为两个对象坐标和除2，记录每一次聚类产生的中心点历史位置；循环判断以聚类点距离为T的范围内是否有其余缺陷点可聚类且新聚类点是否可行，若是，继续聚类，若否，跳转至步骤(1.2)；
(1.2)统计所有聚类过程产生的聚类中心点与未参与聚类的独立缺陷点，以聚类点代替缺陷点，再将聚类点的x轴增加安全距离S后设置为飞行任务点，表示无人机可实际飞行点。
3.根据权利要求1所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2)中目标分配规划的步骤如下：
(2.1)设定任务约束；
(2.2)设定目标函数；
(2.3)设定模型综合约束；
(2.4)初始化量子粒子群算法：设置算法参数，粒子维数为任务点数目N，粒子数为K，最大迭代次数为maiter，每个维度的上限为无人机数目M，初始化粒子群位置，粒子个体最优位置pbest，全局最优位置gbest，定义适应度函数F1为步骤(2.3)定义的目标函数，得到所有粒子初始适应度值；
(2.5)更新算法中间参数：计算得到平均最优位置的mbest，其值为所有粒子当前最优位置的平均值，定义收缩扩张因子β及其线性递减策略
Figure FDA0003003208360000021
其中βt为第t次迭代时的参数值，βini为初始值，βend为结束值，t是迭代次数，T是最大迭代次数；
(2.6)迭代粒子位置：计算局部吸引子：
Figure FDA0003003208360000022
其中，
Figure FDA0003003208360000023
表示(0，1)间的随机数，ppid(t)表示第t次迭代时第i个粒子第d个维度值，pbestid(t)表示第t次迭代时第i个粒子历史最优值，gbestd(t)表示第t次迭代时全局最优值；每个粒子计算新位置：
Figure FDA0003003208360000024
新位置时的适应度与该粒子之前的最优位置pbest适应度作比较，如果新位置的适应度优于之前的最优位置适应度，将pbest更新为新位置；将每个粒子的新位置xt+1适应度函数与全局最优位置gbest的适应度函数作比较，如果新位置的适应度优于全局最优位置的适应度，将gbest更新为新位置；
(2.7)跳转到步骤(2.5)直至达到最大循环次数maiter，将得到的gbest的值赋值给gbest，得到全局最优位置gbest；由于粒子群算法得到的解为连续值，根据四舍五入原则，将连续的值变成离散值，最优粒子第i个维度的值即为第i个任务点归属的无人机序号；
(2.8)统计此处得到的gbest的值，该粒子第i个维度上的值即为该第i个任务点应该分配到的无人机。
4.根据权利要求3所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2.1)中设定任务约束的具体步骤如下：任务约束为每个任务点都需要无人机遍历且仅遍历一次，每架无人机至少分配到一个目标点一次，以公式表达为：
Figure FDA0003003208360000031
且
Figure FDA0003003208360000032
其中，i为任务起始节点，v为第v架无人机，
Figure FDA0003003208360000033
为0-1决策变量，为1表示第v架无人机从i节点到j节点执行任务，为0表示没有分配任务。
5.根据权利要求3所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2.2)中设定目标函数的具体步骤如下：任务目标函数包括执行任务时间代价
Figure FDA0003003208360000034
其中j＝1,2,3...N,tj表示完成第j个目标的时间，cj≥0为任务的加权系数，tf≥tj为完成所有任务的总时间；多无人机总航程代价
Figure FDA0003003208360000035
其中
Figure FDA0003003208360000036
表示路径长度，
Figure FDA0003003208360000037
表示决策变量；效益函数
Figure FDA0003003208360000038
Figure FDA0003003208360000039
为编号v的无人机从节点飞行到目标任务后的成功率，与任务间有无障碍物，执行任务相对距离有关。
6.根据权利要求3所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(2.3)中设定模型综合约束的具体步骤如下：综合目标函数描述为：
maxJ＝max(μ1J3-μ2J2-μ3J1)
其中μ1、μ2、μ3是代价权重因子，用来表述路径、时间和收益的侧重性。
7.根据权利要求1所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3)中单区域内多任务点路径规划的具体步骤如下：
(3.1)设定目标函数；
(3.2)初始化QPSO算法；
(3.3)更新粒子位置；
(3.4)更新局部与全局最优：计算粒子在Xid(t+1)时的适应度，判断每个粒子在新位置的适应度值是否优于最优位置pbest适应度或全局最优位置gbest适应度，若是，更新相应pbest或gbest位置；
(3.5)跳转到步骤(3.3)循环至达到最大迭代次数并得到初步个体最优pbest1和初步全局最优gbest1与其对应适应度；
(3.6)初始化SA算法：设定初始温度T，冷却率P，最大迭代次数maiter，将步骤(3.5)得到的pbest1作为SA算法的初始解；
(3.7)粒子迭代：依据状态函数生成新个体并按照Metropolis准则决定是否接受新个体；若是，接受新个体，若否，拒绝新个体，并且判断是否达到迭代次数；之后降低退火算法温度T；
(3.8)将新个体作为当前状态继续进行迭代操作，若不满足最大迭代次数，跳转至步骤(3.7)，若达到退火算法的温度条件，更新全局最优及其适应度函数，得到次步全局最优路径规划路径gbest2与其适应度函数；
(3.9)求最终解：比较gbest1与gbest2的适应度函数，选择适应度函数更优的解作为路径规划最终解。
8.根据权利要求7所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3.1)中设定目标函数：目标函数综合考虑油耗约束fw、距离约束fh、航迹长度约束fL，其中fw＝εL，ε为耗油代价和飞行路径长度L的系数比，
Figure FDA0003003208360000041
其中ΔH表示根据环境及任务分析所得到的合适高度；hi表示无人机到地面的高度，kh表示约束值，
Figure FDA0003003208360000042
其中Li表示三维航迹长度，无人机三维路径目标函数为F2＝λ1fw+λ2fh+λ3fL，其中λ1、λ2、λ3分别是油耗约束、高度约束、航迹长度约束的权重系数。
9.根据权利要求7所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3.2)中初始化QPSO算法的具体步骤如下：粒子维度为各组任务点数目Ni，粒子数为K，最大迭代次数为maiter，每个维度上限为Ni，适应度函数设定为F2，各维度值为离散值，表示无人机飞行路径顺序。
10.根据权利要求7所述的一种基于退火算法的量子粒子群求解无人机路径规划方法，其特征在于，所述步骤(3.3)中更新粒子位置的具体步骤如下：确定个体最优位置pbest、全局最优位置gbest及其对应适应度；基于适应度更新平均最优位置mbest,更新局部吸引子
Figure FDA0003003208360000051
其中Pid表示局部吸引子，μ表示0～1的随机数；更新下一次迭代各个粒子的位置
Figure FDA0003003208360000052
G为变异因子，以概率
Figure FDA0003003208360000053
随机选择两个位置交换。
CN202110354547.1A 2021-04-01 2021-04-01 一种基于退火算法的量子粒子群求解无人机路径规划方法 Active CN113064450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110354547.1A CN113064450B (zh) 2021-04-01 2021-04-01 一种基于退火算法的量子粒子群求解无人机路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110354547.1A CN113064450B (zh) 2021-04-01 2021-04-01 一种基于退火算法的量子粒子群求解无人机路径规划方法

Publications (2)

Publication Number Publication Date
CN113064450A true CN113064450A (zh) 2021-07-02
CN113064450B CN113064450B (zh) 2022-02-08

Family

ID=76565315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110354547.1A Active CN113064450B (zh) 2021-04-01 2021-04-01 一种基于退火算法的量子粒子群求解无人机路径规划方法

Country Status (1)

Country Link
CN (1) CN113064450B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113900449A (zh) * 2021-10-26 2022-01-07 鹏城实验室 多无人机轨迹规划方法、装置、无人机及存储介质
CN115994891A (zh) * 2022-11-22 2023-04-21 河海大学 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法
CN117193348A (zh) * 2023-02-03 2023-12-08 河海大学 一种仿生无人机群大坝库区智能巡检方法
CN117193348B (zh) * 2023-02-03 2024-05-31 河海大学 一种仿生无人机群大坝库区智能巡检方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830432A (zh) * 2018-08-28 2018-11-16 北京航空航天大学 基于少量先验知识的无人机群行动方案搜索方法
CN108956638A (zh) * 2018-04-27 2018-12-07 湖南文理学院 一种用于土木工程结构表观缺陷的评定检测系统
CN108982316A (zh) * 2018-06-14 2018-12-11 河海大学文天学院 一种基于无人机检测大坝背面混凝土表面渗流系统及方法
CN110031004A (zh) * 2019-03-06 2019-07-19 沈阳理工大学 基于数字地图的无人机静态和动态路径规划方法
CN111650964A (zh) * 2020-06-05 2020-09-11 水利部交通运输部国家能源局南京水利科学研究院 一种长距离输调水工程结构缺陷探测平台
CN112146615A (zh) * 2020-09-23 2020-12-29 招商局重庆交通科研设计院有限公司 基于多架无人机的边坡监测方法
CN112230678A (zh) * 2020-10-29 2021-01-15 皖江工学院 基于粒子群算法的三维无人机路径规划方法及规划系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108956638A (zh) * 2018-04-27 2018-12-07 湖南文理学院 一种用于土木工程结构表观缺陷的评定检测系统
CN108982316A (zh) * 2018-06-14 2018-12-11 河海大学文天学院 一种基于无人机检测大坝背面混凝土表面渗流系统及方法
CN108830432A (zh) * 2018-08-28 2018-11-16 北京航空航天大学 基于少量先验知识的无人机群行动方案搜索方法
CN110031004A (zh) * 2019-03-06 2019-07-19 沈阳理工大学 基于数字地图的无人机静态和动态路径规划方法
CN111650964A (zh) * 2020-06-05 2020-09-11 水利部交通运输部国家能源局南京水利科学研究院 一种长距离输调水工程结构缺陷探测平台
CN112146615A (zh) * 2020-09-23 2020-12-29 招商局重庆交通科研设计院有限公司 基于多架无人机的边坡监测方法
CN112230678A (zh) * 2020-10-29 2021-01-15 皖江工学院 基于粒子群算法的三维无人机路径规划方法及规划系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LONGBAO WANG等: "Deep Learning-Based Diagnosing Structural Behavior in Dam Safety Monitoring System", 《SENSORS》 *
徐陈勇 等: "基于低空无人机的大坝渗漏安全检测技术研究", 《电子测量技术》 *
杨文 等: "夹岩数字大坝系统在工程精细管理中的应用", 《人民长江》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113900449A (zh) * 2021-10-26 2022-01-07 鹏城实验室 多无人机轨迹规划方法、装置、无人机及存储介质
CN113900449B (zh) * 2021-10-26 2023-12-22 鹏城实验室 多无人机轨迹规划方法、装置、无人机及存储介质
CN115994891A (zh) * 2022-11-22 2023-04-21 河海大学 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法
CN115994891B (zh) * 2022-11-22 2023-06-30 河海大学 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法
CN117193348A (zh) * 2023-02-03 2023-12-08 河海大学 一种仿生无人机群大坝库区智能巡检方法
CN117193348B (zh) * 2023-02-03 2024-05-31 河海大学 一种仿生无人机群大坝库区智能巡检方法

Also Published As

Publication number Publication date
CN113064450B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN113064450B (zh) 一种基于退火算法的量子粒子群求解无人机路径规划方法
CN103839065B (zh) 人群动态聚集特征提取方法
Hu et al. Fast image recognition of transmission tower based on big data
Wang et al. High-voltage power transmission tower detection based on faster R-CNN and YOLO-V3
CN102646279A (zh) 一种基于运动预测与多子块模板匹配相结合的抗遮挡跟踪方法
CN103488993A (zh) 一种基于fast的人群异常行为识别方法
CN109255384A (zh) 一种基于密度峰值聚类算法的交通流模式识别方法
CN114330509A (zh) 一种空中目标活动规律预测方法
CN113436174A (zh) 一种人脸质量评估模型的构建方法及应用
CN115359054A (zh) 一种基于伪缺陷空间生成的电力设备缺陷检测方法
CN116630748A (zh) 一种基于熔盐图像特征的稀土电解槽状态多参数监测方法
Song et al. Steel surface defect detection via deformable convolution and background suppression
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN111738327B (zh) 一种基于典型云层遮挡辐照差异的超短期辐照预测方法
Hong-Bin et al. Target tracking method of transmission line insulator based on multi feature fusion and adaptive scale filter
CN115423810B (zh) 一种风力发电机组叶片覆冰形态分析方法
CN116859985A (zh) 一种四旋翼自动追踪功能实现方法
CN116105739A (zh) 一种无人机风电检测动态路径最优规划方法及系统
CN115205234A (zh) 基于深度学习的砂石粒度分布曲线检测方法
CN114881204A (zh) 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法
CN114359255A (zh) 一种基于改进Yolov5s的公路路面修补检测方法
CN111079750A (zh) 一种基于局部区域聚类的电力设备故障区域提取方法
Yao et al. Indoor LiDAR Point Clouds Upsampling for Object Detection Enhancement
CN117422689B (zh) 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法
CN113486716B (zh) 机场场面目标分割方法及其系统

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