CN113159369A - 一种基于优化遗传算法的多林区调度航线规划方法 - Google Patents
一种基于优化遗传算法的多林区调度航线规划方法 Download PDFInfo
- Publication number
- CN113159369A CN113159369A CN202110082221.8A CN202110082221A CN113159369A CN 113159369 A CN113159369 A CN 113159369A CN 202110082221 A CN202110082221 A CN 202110082221A CN 113159369 A CN113159369 A CN 113159369A
- Authority
- CN
- China
- Prior art keywords
- route
- fitness
- application area
- probability
- solution set
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000575 pesticide Substances 0.000 claims abstract description 28
- 230000035772 mutation Effects 0.000 claims abstract description 19
- 239000003814 drug Substances 0.000 claims abstract description 9
- 230000005484 gravity Effects 0.000 claims abstract description 9
- 238000009401 outcrossing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000012377 drug delivery Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于优化遗传算法的多林区调度航线规划方法，包括以下步骤：S1、根据各施药区域的地形特点，确定各施药区域重心位置的经纬度信息；S2、采用整数编码的方式对各个施药区域进行编码；S3、通过各个施药区域的编码信息以及各施药区域重心位置的经纬度信息得到初始调度航线解集；S4、计算每一条航线的适应度，挑选出初始调度航线解集中适应度较大的一半航线进行下一步操作；S5、对挑选出航线的动态交叉概率进行计算，并根据动态交叉概率进行交叉操作，得到新航线集；S6、对新航线集中的航线采取变异操作，得到新航线解集；S7、反复执行步骤S4~S6，直至满足目标条件为止。
Description
技术领域
本发明涉及林区施药领域，尤其涉及一种基于优化遗传算法的多林区调度航线规划方法。
背景技术
我国林区地形非常复杂，既有集中的大面积林区，也有分散的小面积林地。例如东北地区、西南地区的林地多为大面积林区，而东部地区的林地以道路、村庄以及农田等地区的防护林为主，多为面积较小的片林，在航空施药的过程中，常出现施药区域为多个较小的林区，因此，对多作业区域的调度航线规划尤为重要。目前对航空多区域施药作业时调度航线的研究较少，难以满足林业航空多区域施药作业的使用需求，给林区施药操作带来了一定的困扰。
发明内容
本发明目的是针对上述问题，提供一种节约作业时间、提高作业效率的基于优化遗传算法的多林区调度航线规划方法。
为了实现上述目的，本发明的技术方案是：
一种基于优化遗传算法的多林区调度航线规划方法，包括以下步骤：
S1、根据各施药区域的地形特点，确定各施药区域重心位置的经纬度信息；
S2、采用整数编码的方式对各个施药区域进行编码；
S3、通过各个施药区域的编码信息以及各施药区域重心位置的经纬度信息得到初始调度航线解集；
S4、计算每一条航线的适应度，将初始调度航线解集中的所有航线根据适应度大小进行排序，挑选出初始调度航线解集中适应度较大的一半航线进行下一步操作；
S5、对挑选出航线的动态交叉概率进行计算，并根据动态交叉概率进行交叉操作，得到新航线集；
S6、对新航线集中的航线采取变异操作，得到新航线解集；
S7、反复执行步骤S4～S6，直至新航线解集3次迭代的进化率都小于预设的最小进化率，则输出新航线解集中航线最短的调度航线为最优航线。
进一步的，所述步骤S4中计算航线的适应度时，设|k1|k2|…|ki|…|kn|为一个编码的航线，其适应度的计算公式为：
式中，
为施药区域i到施药区域j的距离；fn为适应度。
进一步的，所述步骤S5中动态交叉概率的计算公式为：
式中，fn为适应度；fmin为适应度最小值；fmax为适应度最大值。
进一步的，所述步骤S6中根据变异概率对新航线集中的航线采取变异操作，变异概率的取值为0.2。
与现有技术相比，本发明具有的优点和积极效果是：
本发明公开了一种基于优化遗传算法的多林区调度航线规划方法，其可以在对多个施药区域进行施药作业时，实现对施药区域的作业顺序进行快速规划，从而得到航程最短的调度航线；飞行员只需根据规划的航线进行飞行施药操作即可，其可以缩短多区域施药操作的调度航程，节约了多区域施药操作的工作时间，提高了林区施药的施药效率，同时其有效减小了航空燃油的使用量，节约了林区施药作业的经济成本，给多区域林区施药操作带来了便利。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的框架流程图。
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，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
如图1所示，本实施例公开了一种基于优化遗传算法的多林区调度航线规划方法分为5步：
(1)编码施药区域；
(2)通过适应度函数筛选最优航线；
(3)通过动态交叉函数优化航线；
(4)通过变异因子最终确定最优航线；
(5)通过进化率确定是否终止算法。
第一步、编码施药区域：
针对某一施药区域，规划的喷雾航线航程不随施药起点变化而变化，虽然采用不同起点进行施药，转向航程会有所变化，但是影响较小，可忽略不计。因此在进行多区域调度航线规划时，可把每个施药区域看成一个点，如图1所示。选取该区域的重心点表示该区域。
通过对多区域调度航线分析，把最短调度航线问题转换成区域作业顺序问题，即商旅问题。
本发明采用整数编码的方式对n个施药区域进行编码，即把染色体分为n段，其中每一段对应一个施药区域的节点，假设有10个施药区域，其编号为：{1，2，3，4，5，6，7，8，9，10}，则生成的染色体编码是10个施药区域编号的一种组合排列方式，如：|8|1|3|5|2|4|10|7|9|6|，不能有缺失或者重复的编号。
第二步、通过适应度函数筛选最优航线：
最优航线的选择是建立在适应度的基础上，根据航线适应度确定在选择该航线的概率。适应度表示“个体”对“环境”的适应能力，适应度函数值越大表示该航线的适应能力越强，即航线越优。被选中的概率也越大，该航线的各个线段被遗传到下一代的概率也越大，反之则越小。
设|k1|k2|…|ki|…|kn|为一个编码的航线，其适应度函数为如式(1)所示。
式中，
为施药区域i到施药区域j的距离；fn为适应度，遍历所有节点后回到出发节点的距离的倒数。
第三步、通过通过动态交叉函数优化航线：
交叉操作是模拟生物杂交进化法则，是根据适应度对染色体进行的操作。交叉操作可以提高遗传算法的搜索能力，是遗传算法中的核心操作。即把两个父代个体的部分结构随机地加以替换重组，生成两个新个体的操作。通过交叉操作可产生新的优良个体。交叉操作需要按照一定的概率Pc执行，即执行交叉操作的个体占个体总数的比值。
交叉概率Pc的取值范围一般为[0.6,1.0]，交叉概率取值过大时，高适应度的个体难以保存，破坏了遗传模式；如果取值过小，搜索速度较慢，算法执行效率较低。传统遗传算法的交叉概率取值凭经验而定，而本发明提出一种动态交叉概率Pc的计算方式，如式(2)所示。
式中，fn为适应度；fmin为适应度最小值；fmax为适应度最大值。
本发明改进的交叉算子可根据航线适应度的高低，调整交叉概率。使适应度高的航线，采用较低的交叉概率，以保证其性能优良的“基因”保留至下一代。对于适应度低的航线，使用较高的交叉概率，以便去除不良“基因”。通过式(2)可计算出交叉概率为0.6-0.9之间的动态值，该方式可以加快搜索速度，使性能越差的航线越容易被剔除，性能越好的航线越容易被保留。
本发明采用双点顺序交叉方法，即随机确定两处交叉点位置，进行双点交叉，再按顺序去除重复结点，具体交叉如下所示：
父代1：12|3456|789
父代2：98|7654|321
交叉后把父代2交叉区域加到父代1前面，把父代1交叉区域加到父代2前面得到：
准子代1：7654|123456789
准子代2：3456|987654321
依次删除准子代1和准子代2中与交叉区域相同的编号得到两个新个体：
子代1：7654|12389
子代2：3456|98721
第四步、通过变异因子最终确定最优航线：
变异操作是一种局部随机搜索操作，可以使遗传算法具有局部的随机搜索能力。变异操作是以一定的概率Pm随机地改变个体的某些基因。变异概率一般取值较小，取值过大会破坏算法的搜索模式，如果Pm＞0.5，遗传算法则退化为随机搜索，本发明变异概率Pm的取值为0.2。变异操作属于辅助性操作，在执行选择操作和交叉操作的过程中，可能会出现基因丢失问题。通过变异操作能够避免该现象，保证了算法的有效性。同时增加了算法寻找最优解的能力，以及防止出现未成熟收敛问题。
第五步、通过进化率确定是否终止算法：
传统遗传算法通过迭代次数判断是否终止算法。本发明通过设置判断算法的进化率决定是否终止算法。即本发明在算法初始时设置最小进化率。对比每次解集迭代的进化率，如果解集连续3迭代的进化率都小于最小进化率，判定此时遗传算法处于低速优化阶段，则终止遗传算法，输出解集中的最优解。
本发明中的遗传算法基本步骤如下：(1)在一定编码方案下，随机产生一个初始航线集；(2)用相应的解码方法，并求得各个航线的适应值；(3)按照航线适应值的大小，选出航线集中适应值较大的航线；(4)执行交叉和变异操作，并形成新一代的航线集；(5)反复执行步骤2～4，直至满足目标条件为止。
具体实施操作；
施药作业前准备：根据各施药区域的地形特点，确定各施药区域的重心。
最优调度航线的获取：
(1)采用整数编码的方式对n个施药区域进行编码，设置航线解集中航线条数M、变异概率Pm、最小进化率U等参数等。假设有10个施药区域，其编号为：{1，2，3，4，5，6，7，8，9，10}。
(2)系统中输入这10个施药区域重心的经纬度信息，得到初始调度航线解集，共M条航线。
(3)计算各航线的适应度大小，根据适应度大小进行排序，挑选出解集中适应度较大的一半航线进行交叉操作。
(4)通过动态交叉概率Pc公式，计算出各航线的交叉概率。使适应度高的航线，采用较低的交叉概率，以保证其性能优良的“基因”保留至下一代。对于适应度低的航线，使用较高的交叉概率，以便去除不良“基因”。
(5)对交叉后新得到的航线采取变异操作。通过变异操作补全丢失的“基因”，同时防止算法出现未成熟收敛问题。
(6)当对比每次解集迭代的进化率，如果解集连续3次迭代的进化率都小于最小进化率，判定此时动态遗传算法处于低速优化阶段，则终止遗传算法，输出解集中的航线最短的调度航线。传统的运算方式是通过设定进化代数，例如在算法中设定进化代数为100代，算法的最大循环次数就是100，循环执行100次以后停止，输出此时的结果。本技术方案中是通过对比进化率的方式决定什么时候停止运行输出结果。
本技术方案的改进点包括：
采用整数编码方式编码。因为我们是对施药区域编码，这种方式最合适。
设计动态交叉概率的计算公式。传统的是固定值，是依靠经验自己设定的。我们这样把他与适应度函数结合了起来，根据适应度函数动态调整，减少人为主观因素，更加方便。
何时停止算法，输出结果。传统的都是设定的代数，代数设定少了，可能输出的结果不理想。代数设定多了，可能早就达到效果了，但是还在运行，浪费时间。这样人为控制算法运行时间的方式结果很可能不理想。我们是通过进化率的，避免人为主观因素，可以准确快速的输出理想结果。
本技术方案中的算法一共可以理解成这5点：如何编码、如何设定适应度函数、如何设定交叉概率、如何设定变异概率、何时停止运行。我们在编码、交叉概率、何时停止运行三个方面进行了改进，变异概率是人为设定，我们也是凭经验设定的0.2。
本发明中的调度航线规划方法可根据多区域的位置分布以及起始点的位置，规划出航程最短的调度航线，飞行员根据规划的航线飞行，可以节约作业时间，提高施药效率，减小航空燃油的使用量，节约施药成本。
Claims (4)
1.一种基于优化遗传算法的多林区调度航线规划方法，其特征在于：包括以下步骤：
S1、根据各施药区域的地形特点，确定各施药区域重心位置的经纬度信息；
S2、采用整数编码的方式对各个施药区域进行编码；
S3、通过各个施药区域的编码信息以及各施药区域重心位置的经纬度信息得到初始调度航线解集；
S4、计算每一条航线的适应度，将初始调度航线解集中的所有航线根据适应度大小进行排序，挑选出初始调度航线解集中适应度较大的一半航线进行下一步操作；
S5、对挑选出航线的动态交叉概率进行计算，并根据动态交叉概率进行交叉操作，得到新航线集；
S6、对新航线集中的航线采取变异操作，得到新航线解集；
S7、反复执行步骤S4～S6，直至新航线解集3次迭代的进化率都小于预设的最小进化率，则输出新航线解集中航线最短的调度航线为最优航线。
2.如权利要求1所述的基于优化遗传算法的多林区调度航线规划方法，其特征在于：所述步骤S4中计算航线的适应度时，设|k1|k2|…|ki|…|kn|为一个编码的航线，其适应度的计算公式为：
式中，
为施药区域i到施药区域j的距离；fn为适应度。
3.如权利要求2所述的基于优化遗传算法的多林区调度航线规划方法，其特征在于：所述步骤S5中动态交叉概率的计算公式为：
式中，fn为适应度；fmin为适应度最小值；fmax为适应度最大值。
4.如权利要求3所述的基于优化遗传算法的多林区调度航线规划方法，其特征在于：所述步骤S6中根据变异概率对新航线集中的航线采取变异操作，变异概率的取值为0.2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110082221.8A CN113159369B (zh) | 2021-01-21 | 2021-01-21 | 一种基于优化遗传算法的多林区调度航线规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110082221.8A CN113159369B (zh) | 2021-01-21 | 2021-01-21 | 一种基于优化遗传算法的多林区调度航线规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113159369A true CN113159369A (zh) | 2021-07-23 |
| CN113159369B CN113159369B (zh) | 2023-06-23 |
Family
ID=76878699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110082221.8A Active CN113159369B (zh) | 2021-01-21 | 2021-01-21 | 一种基于优化遗传算法的多林区调度航线规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159369B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116151505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
| CN117235558A (zh) * | 2023-11-14 | 2023-12-15 | 江苏宁翔通用航空有限公司 | 一种用于大面积丘陵山区多田块航线调度规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130308570A1 (en) * | 2012-05-17 | 2013-11-21 | Beijing University Of Posts And Telecommunications | Method for joint optimization of schedule and resource allocation based on the genetic algorithm |
| US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
| CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
| CN109508034A (zh) * | 2018-12-20 | 2019-03-22 | 北京理工大学 | 一种复杂多边形测区下的多旋翼无人机测绘航线规划方法 |
| CN110160526A (zh) * | 2019-04-23 | 2019-08-23 | 北京海兰信数据科技股份有限公司 | 基于遗传算法的时间最短航线规划方法、燃油量最小航线规划方法、成本最低航线规划方法 |
| CN110196051A (zh) * | 2019-05-30 | 2019-09-03 | 广东电网有限责任公司 | 一种航线规划方法、系统及电子设备和存储介质 |
| CN112033416A (zh) * | 2020-09-18 | 2020-12-04 | 中原工学院 | 一种无人机静态航迹规划方法和装置 |
-
2021
- 2021-01-21 CN CN202110082221.8A patent/CN113159369B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130308570A1 (en) * | 2012-05-17 | 2013-11-21 | Beijing University Of Posts And Telecommunications | Method for joint optimization of schedule and resource allocation based on the genetic algorithm |
| US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
| CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
| CN109508034A (zh) * | 2018-12-20 | 2019-03-22 | 北京理工大学 | 一种复杂多边形测区下的多旋翼无人机测绘航线规划方法 |
| CN110160526A (zh) * | 2019-04-23 | 2019-08-23 | 北京海兰信数据科技股份有限公司 | 基于遗传算法的时间最短航线规划方法、燃油量最小航线规划方法、成本最低航线规划方法 |
| CN110196051A (zh) * | 2019-05-30 | 2019-09-03 | 广东电网有限责任公司 | 一种航线规划方法、系统及电子设备和存储介质 |
| CN112033416A (zh) * | 2020-09-18 | 2020-12-04 | 中原工学院 | 一种无人机静态航迹规划方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| XIAODONG WANG等: "Research of Route Planning Based on Genetic Algorithm", IEEE, pages 199 - 202 * |
| 何苗;张川;: "基于遗传算法的终端区航迹优化方法", 飞行力学, no. 04, pages 44 - 48 * |
| 徐博等: "多作业区域植保无人机航线规划算法", 农业机械学报, no. 02, pages 80 - 86 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116151505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
| CN116151505B (zh) * | 2023-04-20 | 2023-08-04 | 深圳市明源云科技有限公司 | 小区动线规划方法、装置、电子设备及可读存储介质 |
| CN117235558A (zh) * | 2023-11-14 | 2023-12-15 | 江苏宁翔通用航空有限公司 | 一种用于大面积丘陵山区多田块航线调度规划方法 |
| CN117235558B (zh) * | 2023-11-14 | 2024-03-19 | 江苏宁翔通用航空有限公司 | 一种用于大面积丘陵山区多田块航线调度规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113159369B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106600147B (zh) | 面向可分解任务的多无人机任务分配方法和装置 | |
| CN108764555B (zh) | 一种基于Hadoop的共享单车停放点选址方法 | |
| CN106529674B (zh) | 多无人机协同多目标分配方法 | |
| Patel et al. | A hybrid ACO/PSO based algorithm for QoS multicast routing problem | |
| CN106156897A (zh) | 物流配送中最优路径规划模拟系统 | |
| CN113159369A (zh) | 一种基于优化遗传算法的多林区调度航线规划方法 | |
| CN106228265B (zh) | 基于改进粒子群优化的总拖期运输计划调度方法 | |
| CN104504198B (zh) | 一种基于双层协同进化的航路网络拓扑设计方法 | |
| CN105871724A (zh) | 电力通信网线路优化方法及系统 | |
| CN107392355A (zh) | 一种基于差分进化算法的多机场协同调度鲁棒优化方法 | |
| CN112735188B (zh) | 基于复杂网络理论的空中交通网络脆弱性分析系统 | |
| CN109460900B (zh) | 一种机场新建卫星厅的转场航班分配方法 | |
| CN112530206B (zh) | 空中交通网络脆弱性分析方法 | |
| CN109299778A (zh) | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 | |
| Yang et al. | Application of improved ant colony optimization algorithm on traveling salesman problem | |
| CN106295791A (zh) | 用于寻找旅行商最优路径的方法 | |
| CN108108554B (zh) | 一种多材料车身装配顺序规划优化方法 | |
| Zong et al. | Pedestrian-vehicle mixed evacuation model based on multi-particle swarm optimization | |
| CN106597850B (zh) | 一种基于混沌蛙跳的植保无人机编队目标分配方法 | |
| CN113326990B (zh) | 基于动态遗传算法串行融合的直升机调度航线规划方法 | |
| CN105489066B (zh) | 空中交通流量调控方法 | |
| CN113554215B (zh) | 一种基于蚁群-遗传融合算法的直升机调度航线规划方法 | |
| CN104715281A (zh) | 一种基于多蚁群系统的混合交通流疏散路径规划方法 | |
| CN116339973A (zh) | 基于粒子群优化算法的数字孪生云平台计算资源调度方法 | |
| CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 |
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 |