CN113326990A - 基于动态遗传算法串行融合的直升机调度航线规划方法 - Google Patents

基于动态遗传算法串行融合的直升机调度航线规划方法 Download PDF

Info

Publication number
CN113326990A
CN113326990A CN202110690807.2A CN202110690807A CN113326990A CN 113326990 A CN113326990 A CN 113326990A CN 202110690807 A CN202110690807 A CN 202110690807A CN 113326990 A CN113326990 A CN 113326990A
Authority
CN
China
Prior art keywords
route
solution set
scheduling
genetic algorithm
air
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
CN202110690807.2A
Other languages
English (en)
Other versions
CN113326990B (zh
Inventor
刘洋洋
王梦
伍德林
张春岭
房浩
尹牛牛
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.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
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 Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202110690807.2A priority Critical patent/CN113326990B/zh
Publication of CN113326990A publication Critical patent/CN113326990A/zh
Application granted granted Critical
Publication of CN113326990B publication Critical patent/CN113326990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明公开了一种基于动态遗传算法串行融合的直升机调度航线规划方法，采用动态遗传算法串行融合的方式，对动态遗传算法的自我加融。增加各施药区域起始点与终止点，重新规划，实现在最短航线的基础上，细化到作业施药区域的起始点与终止点，从而得到最短施药区域间调度路径。本发明增加通过对比进化率的方式决定什么时候停止运行输出结果。本发明提升了算法的搜索速度，可实现在对多个施药区域进行作业时，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，其可以缩短多施药区域作业的调度航程，节约工作时间，提高了作业效率，同时其有效减小了航空燃油的使用量，节约了成本。

Description

基于动态遗传算法串行融合的直升机调度航线规划方法
技术领域
本发明涉及农林航空技术领域，尤其涉及一种基于动态遗传算法串行融合的直升机调度航线规划方法。
背景技术
我国农林区地形非常复杂，既有集中的大面积施药区域，也有相互独立的小面积施药区域。在航空植保作业过程中，常出现作业施药区域为多个分散的施药区域，因此对多施药区域的调度航线规划尤为重要。目前国内外对航空植保多施药区域调度航线的研究较少，难以满足我国农林航空多施药区域植保作业的需求，影响农林作物产量，制约我国农业经济的发展。
发明内容
本发明的目的是针对现有技术的不足，基于传统遗传算法，提供一种操作简单、效率较高的基于动态遗传算法串行融合的直升机调度航线规划方法。在传统遗传算法进行二次开发，并采用串行融合的方式，对在多区域调度规划中，考虑每一作业区域的作业起点和终点，规划出路线最短的区域间调度航线。
为了实现上述目的，本发明的技术方案是：
一种基于动态遗传算法串行融合的直升机调度航线规划方法，包括如下步骤：
S1、根据各作业施药区域的地形特点，在二维地图上作各作业施药区域的外切圆，并确定外切圆圆心的经纬度信息；
S2、采用整数编码的方式，对各个作业施药区域外切圆圆心进行十进制编码，确定作业施药区域数量；
S3、根据需要的作业施药区域数量，设置第一阶动态遗传算法的航线解集中的参数，航线条数M、变异概率Pm、最小进化率U、最大迭代次数GENMAX1、最小进化率连续迭代次数a、迭代次数初值置(gen1)＝1；
S4、通过各作业施药区域外切圆圆心的编码信息，采用随机产生种群的方式得到第一阶初始调度航线解集Gather1；
S5、计算第一阶初始调度航线解集Gather1中每一条作业航线的适应度，适应度值为每条作业航线长度的倒数；
S6、将第一阶初始调度航线解集Gather1中的所有作业航线根据适应度大小进行排序，以中位数为节点，将第一阶初始调度航线解集Gather1划分为相等的上下两部分，挑选出第一阶初始调度航线解集Gather1中适应度较大的那部分航线，进行下一步操作；
S7、对挑选出作业航线进行动态交叉概率计算，并根据动态交叉概率进行交叉操作和变异操作，得到第一阶新航线解集Gather0，并将第一阶新航线解集Gather0的数据赋予第一阶初始调度航线解集Gather1，并且迭代次数加1，即(gen1)←(gen1)+1；
S8、检查迭代次数(gen1)是否达到最大值GENMAX1，达到以后则输出第一阶新航线解集中航线最短的调度航线为最优航线，否则执行S9；
S9、判断新航线解集迭代的进化率是否连续多次都小于预设的最小进化率，如果都小于，则输出第一阶航线解集Gather1，否则执行步骤S5；
S10、把第一阶动态遗传算法输出航线解集Gather1作为第二阶动态遗传算法的初始调度航线解集Gather2；
S11、设置第二阶动态遗传算法种群大小、迭代次数、变异概率、最小进化率、最小进化率连续迭代次数，第二阶算法最大迭代次数GENMAX2，并将迭代次数初值置1，即(gen2)＝1；
S12、采用二进制编码的方式，初始化航线解集Gather2；
S13、结合每一作业施药区域的作业起点和终点，计算第二阶算法的适应度值；
S14、将航线解集Gather2中的所有航线根据适应度大小进行排序，并以中位数为节点，将数值集合Gather2划分为相等的上下两部分，挑选出航线解集Gather2中适应度较大的那部分航线进行下一步操作；
S15、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和变异操作，得到新航线集Gather3，并将新航线集Gather3的数据赋予解集Gather2，并且迭代次数加1，即(gen2)←(gen2)+1；
S16、检查迭代次数(gen2)是否达到最大值GENMAX2，达到以后则输出航线解集Gather2中航线最短的调度航线，该航线为规划的最优航线，即多施药区域航线调度规划的最佳调度方案，否则执行S17；
S17、判断新航线解集迭代的进化率是否连续多次都小于预设的最小进化率，如果都小于，则输出新航线解集中航线最短的调度航线为最优航线，否则执行步骤S13。
作为对上述技术方案的改进，所述步骤S5中，适应度值计算公式为
设|k1|k2|…|ki|…|kn|为一个编码的航线)，
则
Figure BDA0003126641080000031
式中，
Figure BDA0003126641080000032
为施药区域i到施药区域j的距离；fn为适应度。
适应度fn设计为针对每一种进出入状态下第二阶算法得到的所有施药区域间调度航线的最短距离的倒数，以状态编码0101为例，假设算法第二阶求得施药区域间调度航线有n种，则该适应度计算公式为
Figure BDA0003126641080000041
以四个施药区域为例，作业顺序假定为ABCD，B施药区域的作业起始点可分别为B1与B2或B2与B1，两种状态分别用0与1表示，则A1A2B1B2C1C2D1D2的状态编码为0000，即表明作业顺序为从A1出发，进入A施药区域，从A2出，B1进，B2出，C1进，C2出，D1进，D2出，再回到A1；若作业顺序为A1A2B2B1C1C2D2D1，则状态编码为0101。
作为对上述技术方案的改进，所述步骤S7中动态交叉概率的计算公式为：
Figure BDA0003126641080000042
式中，fn为适应度；fmin为最小适应度值；fmax为最大适应度值。
作为对上述技术方案的改进，所述步骤S7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0.1。
作为对上述技术方案的改进，将飞机起降点看成2个点，但将坐标定为同一数值，以方便计算适应度值。
作为对上述技术方案的改进，所述步骤S3和S11中动态遗传算法解集中的种群大小设置为作业施药区域数与飞机起降点之和的4倍，迭代次数、变异概率、迭代次数、变异概率、最小进化率、最小进化率连续迭代次数设置为常数。
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动态遗传算法串行融合的直升机调度航线规划方法。在传统遗传算法进行二次开发，并采用串行融合的方式，对在多施药区域调度规划中，考虑每一作业施药区域的作业起点和终点，规划出路线最短的施药区域间调度航线。本发明采用动态遗传算法串行融合的方式，对动态遗传算法的自我加融，提升了搜索速度，较快得出最优航线。第一阶动态遗传算法采用十进制，第二阶动态遗传算法采用二进制。第二阶算法结合第一阶算法得出的解集，增加各施药区域起始点与终止点，重新规划，实现在最短航线的基础上，细化到作业施药区域的起始点与终止点，从而得到最短施药区域间调度路径。在算法终止方面，本发明在传统算法通过设定进化代数的基础上，增加通过对比进化率的方式决定什么时候停止运行输出结果。本发明提升了算法的搜索速度，可实现在对多个施药区域进行作业时，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，其可以缩短多施药区域作业的调度航程，节约工作时间，提高了作业效率，同时其有效减小了航空燃油的使用量，节约了成本。
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为本发明中的算法流程图；
图2为多林区航线规划任务图；
图3为单施药区域内航线规划示意图。
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，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。
实施例1：
假设作业施药区域包括5个分散施药区域，直升机经过每个施药区域的进入点和出去点，遍历每个施药区域。施药区域内部采用图3所示的全覆盖航线规划算法遍历完施药区域所有面积。因此每个施药区域必有进入点和出去点。调度规划时必须从两点进出，但不具体哪一点。如从图2中A1进入后，必须从A2出去，或者从A2进入后，必须从A1出去。
算法实施过程如图1所示：
1、施药作业前准备：
(1)根据各作业施药区域的地形特点，在二维地图上作各施药区域的外切圆，并确定外切圆圆心的经纬度信息；
(2)采用整数编码的方式，对各个施药区域外切圆圆心进行十进制编码，确定施药区域数量。
2、最优调度航线的获取：
(1)根据需要的作业施药区域数量，设置第一阶动态遗传算法的航线解集中航线条数M、变异概率Pm、最小进化率U、迭代次数GENMAX1、最小进化率连续迭代次数a、迭代次数初值置(gen1)等参数(参数均为常数，例如M＝1000，Pm＝0.1，U＝1％，GENMAX1＝100，a＝4，(gen1)＝1)。假设有5个施药区域(n＝5)，其编号为：{1，2，3，4，5}。
(2)系统中输入这5个施药区域外切圆圆心的经纬度信息，通过各施药区域圆心的编码信息，采用随机产生种群的方式，得到初始调度航线解集Gather1，共1000条航线。
(3)计算解集Gather1每一条航线的适应度值，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，以中位数为节点，将数值集合Gather1划分为相等的上下两部分，挑选出初始调度航线解集中适应度较大的那部分航线。
(4)通过动态交叉概率Pc公式，计算出各航线的交叉概率。对挑选出的航线，进行交叉操作，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”。得到新航线集Gather0，并将新航线集Gather0的数据赋予解集Gather1。
(5)对交叉后新得到的航线采取变异操作，并且迭代次数加1，即(gen1)←(gen1)+1。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)检查迭代次数是否达到100，达到以后则输出新航线解集中航线最短的调度航线为最优航线；如果未达到最大迭代次数，则进一步判断新航线解集迭代的进化率是否连续4多次都小于预设的最小进化率1％，如果都小于，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，输出航线解集Gather1。否则执行步骤(3)。
(7)把第一阶动态遗传算法输出航线解集Gather1作为第二阶动态遗传算法的初始调度航线解集Gather2；
(8)设置第二阶动态遗传算法航线解集中航线条数M2、变异概率Pm2、最小进化率U2、迭代次数GENMAX2、最小进化率连续迭代次数a、迭代次数初值置(gen2)等参数(参数均为常数，例如M2＝1000，Pm2＝0.2，U2＝1.5％，GENMAX2＝100，a＝3，(gen2)＝1)。
(9)采用二进制编码的方式，初始化航线解集Gather2。飞机起降点的处理是关键点，将飞机起降点看成2个点，但将坐标定为同一数值。例如作业顺序为ABCDE，B施药区域的作业起始点可分别为B1与B2或B2与B1，两种状态分别用0与1表示，则A1A2B1B2C1C2D1D2E1E2的状态编码为00000，即表明作业顺序为从A1出发，进入A施药区域，从A2出，B1进，B2出，C1进，C2出，D1进，D2出，E1进，E2出，再回到A1；若作业顺序为A1A2B2B1C1C2D2D1E1E2，则状态编码为01010。
(10)结合每一作业施药区域的作业起点和终点，计算第二阶算法的适应度值f′n；
(11)将航线解集Gather2中的所有航线根据适应度大小进行排序，并以中位数为节点，将数值集合Gather2划分为相等的上下两部分，挑选出航线解集Gather2中适应度较大的那部分航线；
(12)通过动态交叉概率Pc公式，计算出各航线的交叉概率。对挑选出的航线，进行交叉操作，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”。得到新航线集Gather4，并将新航线集Gather4的数据赋予解集Gather2。
(13)对交叉后新得到的航线采取变异操作，并且迭代次数加1，即(gen2)←(gen2)+1。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。
(14)检查迭代次数是否达到100，达到以后则输出新航线解集中航线最短的调度航线为最优航线；如果未达到最大迭代次数，则进一步判断新航线解集迭代的进化率是否连续3多次都小于预设的最小进化率1.5％，如果都小于，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。否则执行步骤(10)。
本发明中的调度航线规划方法可根据多施药区域的位置分布，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，提高作业效率，减小航空燃油的使用量，节约施药成本。

Claims (6)

1.一种基于动态遗传算法串行融合的直升机调度航线规划方法，其特征在于：包括如下步骤：
S1、根据各作业施药区域的地形特点，在二维地图上作各作业施药区域的外切圆，并确定外切圆圆心的经纬度信息；
S2、采用整数编码的方式，对各个作业施药区域外切圆圆心进行十进制编码，确定作业施药区域数量；
S3、根据需要的作业施药区域数量，设置第一阶动态遗传算法的航线解集中的参数，航线条数M、变异概率Pm、最小进化率U、最大迭代次数GENMAX1、最小进化率连续迭代次数a、迭代次数初值置(gen1)＝1；
S4、通过各作业施药区域外切圆圆心的编码信息，采用随机产生种群的方式得到第一阶初始调度航线解集Gather1；
S5、计算第一阶初始调度航线解集Gather1中每一条作业航线的适应度，适应度值为每条作业航线长度的倒数；
S6、将第一阶初始调度航线解集Gather1中的所有作业航线根据适应度大小进行排序，以中位数为节点，将第一阶初始调度航线解集Gather1划分为相等的上下两部分，挑选出第一阶初始调度航线解集Gather1中适应度较大的那部分航线，进行下一步操作；
S7、对挑选出作业航线进行动态交叉概率计算，并根据动态交叉概率进行交叉操作和变异操作，得到第一阶新航线解集Gather0，并将第一阶新航线解集Gather0的数据赋予第一阶初始调度航线解集Gather1，并且迭代次数加1，即(gen1)←(gen1)+1；
S8、检查迭代次数(gen1)是否达到最大值GENMAX1，达到以后则输出第一阶新航线解集中航线最短的调度航线为最优航线，否则执行S9；
S9、判断新航线解集迭代的进化率是否连续多次都小于预设的最小进化率，如果都小于，则输出第一阶航线解集Gather1，否则执行步骤S5；
S10、把第一阶动态遗传算法输出航线解集Gather1作为第二阶动态遗传算法的初始调度航线解集Gather2；
S11、设置第二阶动态遗传算法种群大小、迭代次数、变异概率、最小进化率、最小进化率连续迭代次数，第二阶算法最大迭代次数GENMAX2，并将迭代次数初值置1，即(gen2)＝1；
S12、采用二进制编码的方式，初始化航线解集Gather2；
S13、结合每一作业施药区域的作业起点和终点，计算第二阶算法的适应度值；
S14、将航线解集Gather2中的所有航线根据适应度大小进行排序，并以中位数为节点，将数值集合Gather2划分为相等的上下两部分，挑选出航线解集Gather2中适应度较大的那部分航线进行下一步操作；
S15、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和变异操作，得到新航线集Gather3，并将新航线集Gather3的数据赋予解集Gather2，并且迭代次数加1，即(gen2)←(gen2)+1；
S16、检查迭代次数(gen2)是否达到最大值GENMAX2，达到以后则输出航线解集Gather2中航线最短的调度航线，该航线为规划的最优航线，即多施药区域航线调度规划的最佳调度方案，否则执行S17；
S17、判断新航线解集迭代的进化率是否连续多次都小于预设的最小进化率，如果都小于，则输出新航线解集中航线最短的调度航线为最优航线，否则执行步骤S13。
2.如权利要求1所述的基于动态遗传算法串行融合的直升机调度航线规划方法，其特征在于：所述步骤S5中，适应度值计算公式为
设|k1|k2|…|ki|…|kn|为一个编码的航线)，
则
Figure FDA0003126641070000031
式中，
Figure FDA0003126641070000032
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1所述的基于动态遗传算法串行融合的直升机调度航线规划方法，其特征在于：所述步骤S7中动态交叉概率的计算公式为：
Figure FDA0003126641070000033
式中，fn为适应度；fmin为最小适应度值；fmax为最大适应度值。
4.如权利要求1所述的基于动态遗传算法串行融合的直升机调度航线规划方法，其特征在于：所述步骤S7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0.1。
5.如权利要求3所述的基于动态遗传算法串行融合的直升机调度航线规划方法，其特征在于：将飞机起降点看成2个点，但将坐标定为同一数值，以方便计算适应度值。
6.如权利要1所述的基于动态遗传算法串行融合的直升机调度航线规划方法，其特征在于：所述步骤S3和S11中动态遗传算法解集中的种群大小设置为作业施药区域数与飞机起降点之和的4倍，迭代次数、变异概率、迭代次数、变异概率、最小进化率、最小进化率连续迭代次数设置为常数。
CN202110690807.2A 2021-06-22 2021-06-22 基于动态遗传算法串行融合的直升机调度航线规划方法 Active CN113326990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110690807.2A CN113326990B (zh) 2021-06-22 2021-06-22 基于动态遗传算法串行融合的直升机调度航线规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110690807.2A CN113326990B (zh) 2021-06-22 2021-06-22 基于动态遗传算法串行融合的直升机调度航线规划方法

Publications (2)

Publication Number Publication Date
CN113326990A true CN113326990A (zh) 2021-08-31
CN113326990B CN113326990B (zh) 2022-11-15

Family

ID=77424210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110690807.2A Active CN113326990B (zh) 2021-06-22 2021-06-22 基于动态遗传算法串行融合的直升机调度航线规划方法

Country Status (1)

Country Link
CN (1) CN113326990B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018149A (zh) * 2022-06-01 2022-09-06 南京林业大学 一种直升机航空施药飞机起降点位置规划方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11118501A (ja) * 1997-10-17 1999-04-30 Yoshinori Haseyama 最適経路探索方法
JP2004326711A (ja) * 2003-04-30 2004-11-18 Hitachi Eng Co Ltd 配車計画立案方法および装置
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
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
CN110298589A (zh) * 2019-07-01 2019-10-01 河海大学常州校区 基于遗传-蚁群融合算法的动态服务资源调度方法
CN111598209A (zh) * 2020-03-23 2020-08-28 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于串行式融合的ga&pso优化算法研究
CN112819211A (zh) * 2021-01-21 2021-05-18 安徽农业大学 一种基于蚁群迭代算法的多区域调度航线规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11118501A (ja) * 1997-10-17 1999-04-30 Yoshinori Haseyama 最適経路探索方法
JP2004326711A (ja) * 2003-04-30 2004-11-18 Hitachi Eng Co Ltd 配車計画立案方法および装置
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
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
CN110298589A (zh) * 2019-07-01 2019-10-01 河海大学常州校区 基于遗传-蚁群融合算法的动态服务资源调度方法
CN111598209A (zh) * 2020-03-23 2020-08-28 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于串行式融合的ga&pso优化算法研究
CN112819211A (zh) * 2021-01-21 2021-05-18 安徽农业大学 一种基于蚁群迭代算法的多区域调度航线规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DAVID H.WOLPERT等: "No Free Lunch Theorems for Optimiaztion", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 *
余慧慧: "基于混合遗传算法的考虑运输时间的柔性作业车间调度问题研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *
刘洋洋等: "基于遗传蚁群算法的批量塑件混合流水生产调度研究", 《模具工业》 *
刘超等: "基于自适应遗传算法的航迹规划研究", 《飞行力学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018149A (zh) * 2022-06-01 2022-09-06 南京林业大学 一种直升机航空施药飞机起降点位置规划方法

Also Published As

Publication number Publication date
CN113326990B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Gao et al. Multi-UAV reconnaissance task allocation for heterogeneous targets using grouping ant colony optimization algorithm
CN105225003A (zh) 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法
CN113724534B (zh) 一种航班飞行轨迹多目标动态规划方法
CN113159459B (zh) 基于融合算法的多林区航线调度规划方法
CN109409773B (zh) 一种基于合同网机制的对地观测资源动态规划方法
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
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
Xu et al. A hybrid algorithm based on MOSFLA and GA for multi-UAVs plant protection task assignment and sequencing optimization
CN116027807B (zh) 一种异构无人机群协同电力巡检方法
CN115938162A (zh) 一种考虑高空风时变性的冲突最小化航迹协同规划方法
CN112530206A (zh) 空中交通网络脆弱性分析方法
CN113159369B (zh) 一种基于优化遗传算法的多林区调度航线规划方法
Huang et al. Supply distribution center planning in UAV-based logistics networks for post-disaster supply delivery
CN106981194B (zh) 一种高速路网关键路段的识别方法
CN113934228B (zh) 基于协商共识的集群四旋翼无人机任务规划方法
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
CN113029175B (zh) 考虑双程的多途经点的快速路径规划方法
CN108491505A (zh) 一种基于拓扑势值排序的dsatur图顶点着色方法
CN113191567A (zh) 一种基于双层融合智能算法的多林区航线调度规划方法
Li et al. UAV Path planning based on shuffled frog-leaping algorithm and dubins path
Chen et al. Heuristic navigation model based on genetic programming for multi-uav power inspection problem with charging stations
CN113222264B (zh) 一种基于耦合算法的多林区航线调度规划方法
CN115394124B (zh) 一种基于网络流量解耦的大规模空中交通流量优化方法
CN109726895B (zh) 一种多目标点的任务执行规划方法及装置

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