CN113342034A - 一种无人机通道巡检与精细化巡检的组合策略算法 - Google Patents

Abstract

本发明为关于无人机通道巡检与精细化巡检的组合策略算法，首先结合无人机飞行任务规划侧重点的不同，分析了无人机目标分配任务规划问题的目标函数和数学模型。其次，针对标准粒子群算法对无人机目标分配问题的寻优能力进行了研究，首先引入量子行为扩大了粒子搜索范围，然后借鉴粒子群算法惯性权重选取思想，将线性微分递减策略引入量子粒子群算法中的扩张收缩因子，提高了全局搜索能力并提高收敛速度，在此基础上，在算法迭代过程中引入高斯学习策略，利用高斯学习逃逸能力的特点提高了种群多样性。然后，对标准粒子群算法、量子粒子群算法和独立改进算法进行单多峰函数测试并进行分析。最后，采用改进的混合算法求解无人机目标分配问题模型。

Description

一种无人机通道巡检与精细化巡检的组合策略算法

技术领域

本发明涉及无人机应用领域，具体是一种关于无人机通道巡检与精细化巡检的组合策略算法。

背景技术

电网分布广泛且设置复杂，造成电力系统运维管理难度较大。传统的人工巡检效率低、成本高、精确度低，而现代无人机技术的创新应用，开启了人机协同巡检的新模式，输电线路巡检人工智能化趋向越来越明显。无人机技术支持下的输电线路巡检克服了巡检区域跨度大、地形复杂、自然环境恶劣、输电线路设备长期暴露引发的材料老化等问题，巡检效率、精确度和成本优势更为明显。

随着无人机作用日益凸显，无人机任务规划也随之得到广泛的关注。在输电线路的巡检中，主要涉及通道巡检与精细化巡检，两种巡检任务对无人机执行任务的要求有所不同，需要调动的设备及耗电量也存在差异。一般来说，精细化巡检比通道巡检更加耗电，也即无人机执行精细化巡检任务比通道巡检所能完成的距离(范围)更小、时间更短。

现有对无人机任务规划系统开展的研究主要由无人机目标分配和路径规划两个部分构成，合理有效的任务规划可以保证无人机执行任务时的安全和效率。

无人机路径规划是指在满足一些由自身结构限制或续航能力组成的约束条件下，为了完成某项任务，寻找无人机从起始点出发，对目标点集中的所有目标点进行访问，最终回到起始点，并且使飞行代价最小的飞行路径。

无人机目标分配是指基于已知的环境信息和任务需求为单机系统或多机系统中的每一架无人机分配一个或者一组的目标序列。在任务规划过程中，无人机通过相关一系列规划算法确定无人机任务类型和执行任务办法，在保证无人机执行任务时自身安全的前提下还可以根据具体实际任务要求以最好效果完成规划任务。

在无人机飞行过程中会受到自身硬件结构、周边电磁、气象环境等不同方面的影响和干扰，由于无人机自身体积较小，在飞行的过程中非常容易受到不同方向、不同速度的风的干扰。风速具有很强的不确定性，会对无人机在空中的姿态造成影响，而且若不加以控制，会直接威胁到无人机的飞行安全，这种情况下可能会导致“炸机”坠毁甚至造成人员受伤。因此，为了使无人机既能够出色完成任务，又不至于发生事故，必须通过相应的措施和方法来合理调整飞行的姿态与航线。除此之外，在实际任务规划中，运用基于智能算法无人机任务规划的方法考虑到多类型巡检任务、搜索规模大(每新增一条输电线路，航线组合数承指数级增长)、环境约束条件多(穿越学校、居民区、军队、山林、施工现场等的飞行要求不同)等问题，最终获得的往往不是最优解。

本发明希望通过在无人机性能限制的情况下(通道巡检最远能够覆盖的范围内)，通过合理规划通道巡检与精细化巡检的任务分配模式，包括(飞行时间分配、飞行距离分配、任务交叉分配等)，采用一系列规划算法确定执行任务的策略，在保证无人机执行任务时自身安全的前提下根据具体实际任务要求以最好效果完成巡检任务.

发明内容

为了克服现有技术的不足，本发明希望通过在无人机性能限制的情况下(通道巡检最远能够覆盖的范围内)，通过合理规划通道巡检与精细化巡检的任务分配模式，包括(飞行时间分配、飞行距离分配、任务交叉分配等)，采用一系列规划算法确定执行任务的策略，在保证无人机执行任务时自身安全的前提下根据具体实际任务要求以最好效果完成巡检任务。

为了达到上述目的，本发明所采用的技术方案如下：本发明首先结合无人机飞行任务规划侧重点的不同，分析了无人机目标分配任务规划问题的目标函数和数学模型。其次，针对标准粒子群算法对无人机目标分配问题的寻优能力进行了研究，首先引入量子行为扩大了粒子搜索范围，然后借鉴粒子群算法惯性权重选取思想，将线性微分递减策略引入量子粒子群算法中的扩张收缩因子，提高了全局搜索能力并提高收敛速度，在此基础上，在算法迭代过程中引入高斯学习策略，利用高斯学习逃逸能力的特点提高了种群多样性。然后，对标准粒子群算法、量子粒子群算法和独立改进算法进行单多峰函数测试并进行分析。最后，采用改进的混合算法求解无人机目标分配问题模型。

相比现有技术，本发明的有益效果在于：解决无人机目标分配领域常用的算法包括禁忌搜索算法、BP神经网络算法等多种算法，均可以在求解目标分配模型的问题上获得较好的分配结果，但是在实际应用中，考虑到无人机自身性能约束，程序占用内存较大等问题，在对大规模问题模型处理过程中容易出现时间爆炸性增长或者在一定时间达不到最优结果就一直不停的计算下去的问题。因此，本发明应用粒子群算法规则简单、无需考虑目标函数复杂度高和程序所占内存小等特点，在保证无人机执行任务时自身安全的前提下根据具体实际任务要求以最好效果完成巡检任务，解决了无人机目标分配规划及路径规划的实际问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图：

图1为本发明的算法逻辑图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：请参阅图1，本发明揭示了一种无人机通道巡检与精细化巡检的组合策略算法。首先对于无人机目标分配问题要考虑到无人机任务之间的耦合性，求解无人机目标分配模型可以看作是求解组合优化问题，其原理是通过一定时间的计算获取最优解，但容易伴随出现陷入局部最优解等问题，计算时间往往不可预计。

无人机任务规划是将规划问题中重要任务节点整合化，保证无人机任务对接和直接关联的系统。无人机路径规划是最大限度的考虑任务需求、环境信息和无人机性能限制，获取无人机从起始位置到达指定位置的最优或次优路线，完成无人机目标分配的前期规划任务。在无人机目标分配和无人机路径规划问题模型的基础上，选取合理的任务规划算法进行求解。

根据无人机目标分配任务规划的需求，研究无人机目标分配模型和相关约束条件并确定分配任务目标函数。针对无人机目标分配模型的求解问题，选择粒子群作为无人机目标分配算法并进行改进，提出一种基于高斯线性微分递减量子粒子群算法。通过对粒子群算法寻优性能的分析，本发明选取粒子群作为本发明的无人机任务规划基本算法，并根据粒子群的不足做如下改进：针对粒子群算法不能保证搜索到解空间的所有位置引入量子行为，增强算法的全局搜索能力。针对算法迭代收敛速度较慢的问题引入线性递减微分策略，提高算法的收敛速度。针对粒子群多样性不可避免的缺失问题引入高斯学习策略，避免陷入局部最优的缺陷。最后通过6个多峰测试函数将改进算法和其它算法进行性能比较。

请参阅图1，本发明首先对无人机任务规划中的前期无人机目标分配问题建模进行研究，分析无人机自身、环境和任务等相关约束，确定目标函数。其次，针对标准粒子群算法搜索解空间受限、迭代后期收敛速度慢和种群多样性缺失的问题，引入量子行为提高粒子群的全局搜索能力，并借鉴粒子群惯性权重处理方法，在处理量子粒子群扩张收缩因子时引入线性微分递减策略，提高粒子群算法收敛速度，设计一种改进粒子群算法，然后，引入高斯学习应用到粒子群算法中，提高粒子群的多样性，提出一种基于高斯线性微分递进量子粒子群优化算法，阐述算法改进部分原理、算法流程和对三大改进部分进行算法仿真分析，最后验证改进算法的较好的性能。为无人机规划任务应用提供实际分配方案。

步骤201、无人机目标分配问题建模：无人机目标分配任务作为前期全局性规划任务的主要功能是将总任务分解为若干单架无人机或者多架无人机完成的任务或者任务集合。针对任务或任务集合、任务实际要求和任务目的的侧重性，确定无人机所要执行的具体分配，并给出任务分配时间。

本发明首先采用单架或多架无人机分配给多个静态已知目标位置的任务分配问题。要求无人机以最少时间和最小代价完成无人机前期全局性分配任务。已知目标位置坐标和无人机出发节点求满足各个无人机任务代价最小的目标分配。已知执行任务的各个无人机各项性能特征相同。

设有M架无人机(V₁，V₀，……V_M)，N个目标(T₁，T₀，……T_M)，并且每架无人机携带种类不同的传感器等类别。则无人机静态分配模型如下：

U_i＝{U₁，U₂，...，U_M}，i∈1，2，...，M→T_j＝{T₁，T₂，...，T_j}，j∈1，2，...，N

作为优选，无人机数量M和目标数量N分别产生如下三种情况：M>N、M＝N和M<N。

(1)当M>N时，无人机数量多于目标数量，会存在目标分配重复的冲突，根据任务代价最小的情况下进行合理的多目标分配。

(2)当M＝N时，无人机数量和目标数量是相同的并且是一一对应的关系，在目标没有被遗漏的情况下，找出最佳的分配方案，并将任务总代价和总收益达到最佳状态。

(3)当M<N时，无人机数量少于目标数量，根据无人机自身性能、任务约束和环境约束等信息，选择收益最多的分配方案，无需考虑目标之间是否存在冲突。

根据不同任务需求，相应的约束同样具有多样形式，主要包括：

同一目标上的任务只执行一次，满足约束条件为：

其中，其中i(i＝1,……，N+W)为任务起始节点，v为第v架无人机；

为0-1决策变量，

表示第v架无人机从i节点到j节点执行任务，

即没有分配任务。

一架无人机至少分配到一个目标点一次，满足约束条件为：

根据实际情况的不同，目标函数侧重点不同。静态目标分配中期望完成全局所有任务的同时还要无人机保证在较短的时间内做出响应，无人机目标分配执行任务时间代价最小目标函数如下：

其中，j＝1,2,3……N，t_j为完成第j个目标的时间，C_j≥0为任务的加权系数，≥为完成所有任务的总时间。

多无人机总航程代价函数为：

其中

表示路径长度，

表示决策变量，取值0或1，它决定了无人机与目标之间的对应关系。

无人机执行前期全局目标分配需要合理的调配机群资源，要求最大化任务执行效益。本发明效益函数由成功执行任务效益决定：

式中，

为决策变量，当无人机v从点i飞行到j点执行任务时

否则＝0。

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。

综上所述，目标函数可描述如下：

maxJ＝max(μ₁J₃-μ₂J₂-μ₃J₁)

其中μ₁、μ₂、μ₃是代价权重因子，用于表述路径、时间和收益的侧重性。

步骤202、粒子群算法的改进：求解无人机单目标分配问题的本质是对组合优化问题的求解，一般来说，组合优化问题往往是不可微的、不连续的并要求遍历所有组合信息。与传统算法不同，标准粒子搜索范围广且求解直观简单，不需要对目标函数进行分析。另外，标准粒子群算法群的解对种群的初始值依赖程度较小，可以轻松地解决不可微分等其他传统优化方法难以解决的目标方程。

选择粒子群优化算法应用到无人机目标分配中，将粒子看作是决策结果可行解，通过并行方式高效搜索，其给出的方案解质量对初始种群的依赖性较小，从而为求解目标分配问题提供更可靠且有效的方式。

步骤203、基于改进算法的目标分配：无人机目标分配对时间有一定的要求，因此算法在求解分配问题时既要考虑算法的有效性还要考虑求解时间。改进后的算法在粒子群聚集搜索空间变小的时候增大粒子搜索范围，避免算法过早收敛。线性微分递减策略的引入在算法迭代的后期具有更快的收敛速度，高斯学习策略的引入增加了种群多样性，提高了收敛精度。在求解无人机目标分配问题中，本发明改进的量子粒子群算法相比前两种算法具有更好的收敛精度和较短的收敛时间，有良好的规划计算效率，目标函数获取最优值。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (1)

1.一种关于无人机通道巡检与精细化巡检的组合策略算法，其特征在于，具体步骤如下：

步骤101、对于无人机目标分配问题要考虑到无人机任务之间的耦合性，求解无人机目标分配模型可以看作是求解组合优化问题；

步骤201、无人机目标分配问题建模：无人机目标分配任务作为前期全局性规划任务的主要功能是将总任务分解为若干单架无人机或者多架无人机完成的任务或者任务集合；针对任务或任务集合、任务实际要求和任务目的的侧重性，确定无人机所要执行的具体分配，并给出任务分配时间；

已知目标位置坐标和无人机出发节点求满足各个无人机任务代价最小的目标分配；已知执行任务的各个无人机各项性能特征相同；

设有M架无人机(V₁，V₀，……V_M)，N个目标(T₁，T₀，……T_M)，并且每架无人机携带种类不同的传感器等类别；则无人机静态分配模型如下：

U_i＝{U₁，U₂，...，U_M}，i∈1，2，...，M→T_j＝{T₁，T₂，...，T_j}，j∈1，2，...，N

无人机数量M和目标数量N分别产生如下三种情况：M＞N、M＝N和M＜N；

(1)当M＞N时，无人机数量多于目标数量，会存在目标分配重复的冲突，根据任务代价最小的情况下进行合理的多目标分配；

(2)当M＝N时，无人机数量和目标数量是相同的并且是一一对应的关系，在目标没有被遗漏的情况下，找出最佳的分配方案，并将任务总代价和总收益达到最佳状态；

(3)当M＜N时，无人机数量少于目标数量，根据无人机自身性能、任务约束和环境约束等信息，选择收益最多的分配方案，无需考虑目标之间是否存在冲突；

根据不同任务需求，相应的约束同样具有多样形式，主要包括：

同一目标上的任务只执行一次，满足约束条件为：

其中，其中i(i＝1，……，N+W)为任务起始节点，v为第v架无人机；

为0-1决策变量，

表示第v架无人机从i节点到j节点执行任务，

即没有分配任务；

一架无人机至少分配到一个目标点一次，满足约束条件为：

根据实际情况的不同，目标函数侧重点不同；静态目标分配中期望完成全局所有任务的同时还要无人机保证在较短的时间内做出响应，无人机目标分配执行任务时间代价最小目标函数如下：

其中，j＝1，2，3……N，t_j为完成第j个目标的时间，C_i≥0为任务的加权系数，≥为完成所有任务的总时间；

多无人机总航程代价函数为：

其中

表示路径长度，

表示决策变量，取值0或1，它决定了无人机与目标之间的对应关系；

无人机执行前期全局目标分配需要合理的调配机群资源，要求最大化任务执行效益；本发明效益函数由成功执行任务效益决定：

式中，

为决策变量，当无人机v从点i飞行到j点执行任务时

否则＝0；

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；

综上所述，目标函数可描述如下：

maxJ＝max(μ₁J₃-μ₂J₂-μ₃J₁)

其中μ₁、μ₂、μ₃是代价权重因子，用于表述路径、时间和收益的侧重性；

步骤202、粒子群算法的改进：求解无人机单目标分配问题的本质是对组合优化问题的求解，一般来说，组合优化问题往往是不可微的、不连续的并要求遍历所有组合信息；

选择粒子群优化算法应用到无人机目标分配中，将粒子看作是决策结果可行解，通过并行方式高效搜索，其给出的方案解质量对初始种群的依赖性较小，从而为求解目标分配问题提供更可靠且有效的方式；

步骤203、基于改进算法的目标分配：无人机目标分配对时间有一定的要求，因此算法在求解分配问题时既要考虑算法的有效性还要考虑求解时间；改进后的算法在粒子群聚集搜索空间变小的时候增大粒子搜索范围，避免算法过早收敛；线性微分递减策略的引入在算法迭代的后期具有更快的收敛速度，高斯学习策略的引入增加了种群多样性，提高了收敛精度。

Images