CN113361765A - 一种船载无人机协同监测港口船舶大气污染路径规划的方法 - Google Patents

一种船载无人机协同监测港口船舶大气污染路径规划的方法 Download PDF

Info

Publication number
CN113361765A
CN113361765A CN202110617673.1A CN202110617673A CN113361765A CN 113361765 A CN113361765 A CN 113361765A CN 202110617673 A CN202110617673 A CN 202110617673A CN 113361765 A CN113361765 A CN 113361765A
Authority
CN
China
Prior art keywords
unmanned aerial
ship
aerial vehicle
monitoring
monitored
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
CN202110617673.1A
Other languages
English (en)
Other versions
CN113361765B (zh
Inventor
沈立新
侯云霞
吕美林
张金松
孙震宇
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202110617673.1A priority Critical patent/CN113361765B/zh
Publication of CN113361765A publication Critical patent/CN113361765A/zh
Application granted granted Critical
Publication of CN113361765B publication Critical patent/CN113361765B/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
    • G06N3/004—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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种船载无人机协同监测港口船舶大气污染路径规划的方法，属于涉及航运业、环保行业技术领域，本发明方法包括：基于无人机对行驶的船舶进行监测的复杂度，作出假设；基于作出的假设，定义无人机和装载船协同监测问题；构建船载无人机协同监测港口船舶大气污染路径规划模型；基于改进人工蜂群算法，扩展食物源邻域的搜索范围，得到全局最优路径。本发明使用装载船搭载多架无人机协同监测港口区域内的行驶待监测船舶的大气污染情况，并给出船和无人机协同监测的具体方案。本发明可以辅助相关排放法规的执行，减少船舶对港口环境的污染，降低巡航综合成本，提高海上污染处置效率，提升海事巡航监控和综合执法能力。

Description

一种船载无人机协同监测港口船舶大气污染路径规划的方法
技术领域
本发明涉及航运业、环保行业技术领域，具体而言，尤其涉及一种船载无人机协同监测港口船舶大气污染路径规划的方法。
背景技术
海上运输在国际供应链中扮演着重要的角色，90％左右的世界贸易都是通过航运完成的，伴随着航运业的快速发展，港口船舶数量不断增多，船舶大气对环境的污染也越来越严重。目前船舶大气污染已成为继机动车尾气排放、工业企业排放之后第三大大气污染源。为此，国际海事组织(IMO)颁布了历史以来最严“限硫令”，规定从2020年1月起，全球海域执行不大于0.5％m/m的船用燃油硫含量标准。2019年，中国交通运输部海事局也要求各类海船在内河排放控制区(ECA)使用的船用燃油硫含量不大于0.1％m/m；各类海船在沿海大气污染物排放控制区(ECA)使用的船用燃油硫含量不大于0.5％m/m。为了确保相关执法部门有效地实施相关法规，船舶大气污染监测至关重要。目前传统的人工登船、定点监测等方法已经不能满足船舶大气污染监测的需求。尤其是COVID-19爆发以来，港口成为疫情传播的重要节点，基本暂停了登船监测作业。
近年来，随着无人机技术的成熟，使用无人机实现船舶大气污染监测已成为可能，尤其在疫情和疫情后时代仍可以保障持续性监测。所以，利用无人机搭载嗅探器监测船舶大气污染成为学术研究和实践尝试应用的热点。例如，2019年11月，大连海事局利用无人机对老铁山水道、大三山航道等船舶交通流密集海域进行了船舶大气污染监测；2020年4月23日，扬州海事局使用搭载嗅探器的大江M210无人机，通过支持实时可视化分析的软件监测十余艘船舶排放的废气。同时关于利用无人机监测船舶大气污染的研究也备受学者们的关注，近年来在Transportation Research Part B、Atmospheric Measurement Techniques、Transportation Research Part E等国际重要期刊上都有相关论文发表。
在借助无人机进行船舶大气污染监测时，核心问题是要给出无人机监测的路径规划方案。它需要解决以下问题：无人机充电问题、港口内被监测水域面积大、船舶数量多、被监测对象是动态行驶的船舶等。本作研究引入装载船作为无人机的电能移动补给基地，研究的问题是归纳成为装载船与无人机的联合路由以及多无人机协同监测的调度问题(SAMU)，目标是优化SAMU的总监测时间。为此，建立了一个装载船、多无人机双层路径规划模型，利用改进的人工蜂群算法对模型进行求解，并以天津港为例，从AIS上获取90艘船舶的实时动态数据验证了该算法的有效性。实现了船与机协同、机与机间的协同、实时监测大规模动态目标的目的。
综上所述，利用船载无人机协同监测港口船舶大气污染路径规划的研究，是根据无人机监测船舶大气污染的大量实际背景以及目前国内外关于船舶大气污染、无人机路径规划等方面的研究发展动态提炼出来的新的研究课题，具有前沿性、探索性和挑战性，无论在理论方法方面，还是在应用实践方面，都具有重要价值。本作研究的理论和实际意义主要体现在：为无人机监测船舶大气污染提供新的思路和途径；为改进和完善船载无人机协同监测港口船舶大气污染路径规划研究提供支撑；辅助政府监管部门(如海事局、环保局等)相关排放法规的执行，减少船舶对港口环境的污染。
基于上述现状，2019年，Shuaian Wang等发表在Transportation Research PartB期刊上的一篇论文“Drone scheduling to monitor vessels in emission controlareas”研究了无人机监测排放控制区内(ECA)行驶船舶大气污染路径规划问题，建立了一个基于时间扩展网络的混合整数线性规划模型，并进一步提出了一种基于拉格朗日松弛的方法对模型进行求解。其缺点是该研究中无人机需要往返岸上固定基站补充电能，监测效率相对低、成本高。同时，该研究没有尝试采用智能算法求解，不利于数据规模扩大。
2020年，Lixin Shen等发表在Transportation Research Part E期刊上的一篇论文“Synergistic path planning of multi-UAVs for air pollution detection ofships in port”研究了多无人机协同监测港口行驶船舶大气污染路径规划问题，建立了动态多目标路径规划模型，提出了动态环境下的多无人机路径规划算法，该算法将禁忌表与粒子群算法相结合来提高全局优化的能力，并通过对“最小环”的判断和切割来制定动态环境下的路径重编程时间。其缺点是该研究中无人机需要往返岸上固定基站补充电能，监测效率相对低、成本高。同时，该论文采用的是模拟数据对算法进行验证。
2020年，Fan Zhou等发表在Atmospheric Measurement Techniques期刊上的一篇论文“Monitoring the compliance of sailing ships with fuel sulfur contentregulations using unmanned aerial vehicle(UAV)measurements of ship emissionsin open water”提出了利用无人机监测开放水域行驶船舶大气污染的方法，并以长江口为监测区域，对该区域的27艘船舶进行了监测。该研究主要贡献是对利用无人机监测到的行驶船舶排放的大气污染物中所含的SOx、NOx等气体的含量值与人工监测的含量值进行对比分析。其缺点是没有给出无人机监测船舶大气污染的具体飞行路径。
公开号为CN206876678U的专利提出了一种船舶换油检测装置，解决了非登船情况下无法检测船舶是否使用低硫油的问题，实现对船舶在运行和停靠状态的检测，能够区分环境大气和船舶排放，根据观测浓度反向判断船用燃油硫含量，内置判定条件和算法，借助无人机和污染物监测模块，实现对高排放船舶的筛查，减少监管人员的工作量，提高对高排放嫌疑船舶的辨识率。其缺点是没有考虑无人机监测目标是动态的情况。
申请号为201910046460.0的发明专利提供了一种基站式无人机大气环境监测系统，该发明解决了现有的无人机技术在大气环境监测中监测范围有限，监测效率低下，同步性不强等问题。在大范围内多无人机进行同步监测，协同性和应急能力强，管理灵活方便，减少了大量人力物力，对协助大气污染物溯源，预测污染物扩散趋势，快速应对突发性大气环境污染事故具有很大作用。其缺点是该发明采用固定充电点对无人机补充电能，无人机不能实现远程监测。申请号为201910212661.3的发明专利提供了一种基于飞行平台的船舶排放检测方法及系统，无人机上安装有气体传感器模块；无人机用气体传感器模块实时测量排放烟羽的气体污染物浓度，并根据所述气体污染物浓度判定船舶排放是否合格。该发明提供的船舶排放检测方法及系统实现了非接触式的船舶排放快速在线检测。其缺点是该发明并没有考虑无人机后续如何补充电能和如何对行驶船舶进行大气污染监测等问题。申请号为202021501193.6专利提供了一种基于无人机的船舶烟羽SO2排放采集、检测装置。利用无人机飞行器对船舶尾气进行采集和分析，这种方式有效解决了现有技术中测试程序繁琐，排气温度高、废气难以收集的问题。其缺点是没有考虑多架无人机协同监测船舶大气污染和无人机后续补充电能的情况。
发明内容
根据上述提出的技术问题，提供一种船载无人机协同监测港口船舶大气污染路径规划的方法。本发明使用装载船搭载多架无人机协同监测港口区域内的行驶船舶的大气污染情况，并给出船和无人机协同监测的具体方案。本发明可以辅助相关排放法规的执行，减少船舶对港口环境的污染，降低巡航综合成本，提高海上污染处置效率，提升海事巡航监控和综合执法能力。本发明具体的研究内容主要分为以下五个部分。
研究内容一：装载船与多无人机间的协同。使用装载船作为无人机的移动补给基地搭载多架无人机协同监测港口区域内的行驶船舶大气污染排放情况。无人机在监测过程中会受限于能源的补给要求。该方法可以保障在执行整体任务过程中，多无人机的实时充电要求，保障装载船和多无人机协同工作时的整体路径优化。
研究内容二：多无人机间协同监测。给出基于异地起降的多无人机协同监测多艘行驶船舶的路径策略。在港口中，当被监测目标船舶数量规模较大时，单架无人机难以高效完成任务。因此，在满足港口实际环境以及无人机电能限制的约束条件下，将港口中行驶的待监测船舶分配给多架无人机进行船舶大气污染监测。每一个待监测船舶只能被一架无人机监测，并使得无人机机群执行监测任务的总时间最小。保障在最短的时间内，监测更多的待监测船舶，有效地提高了监测效率，降低总监测的时间成本。
研究内容三：动态环境下被监测目标船舶实时动态定位。由于港口内的被监测的船舶处于行驶状态，它们的位置实时变化。针对该问题，我们利用算法中的预测模块根据船舶自动识别系统(AIS)中的实时动态数据来对被监测船舶位置进行准确有效的动态定位。该模块可以有效地解决动态环境下被监测船舶实时动态定位问题。
研究内容四：基于船舶自动识别系统(AIS)实时数据的模型建立和算法实现。建立船搭载多无人机协同监测港口船舶大气污染的双层路径规划模型，实现基于模拟退火思想的人工蜂群算法，并将本发明中的算法与本专利申请人在之前发表过的多无人机协同监测港口船舶大气污染路径规划论文中提到的粒子群算法(引入禁忌表)进行对比分析，最后，以天津港AIS实时船舶数据进行模拟仿真，给出装载船和多无人机协同监测港口行驶船舶大气污染的双层路径规划和多无人机调度方案。
研究内容五：本发明利用装载船作为无人机的移动基地搭载多架无人机协同监测港口船舶大气污染与Shuaian Wang等发表在Transportation Research Part B期刊上的一篇论文“Drone scheduling to monitor vessels in emission control areas”相比，证明了本发明引入装载船作为无人机的移动补给基地，可以有效的解决无人机受电能限制的问题。
本发明采用的技术手段如下：
一种船载无人机协同监测港口船舶大气污染路径规划的方法，包括如下步骤：
S1、基于无人机对行驶的船舶进行监测的复杂度，作出假设；
S2、基于步骤S1中作出的假设，定义无人机和装载船协同监测问题；
S3、构建船载无人机协同监测港口船舶大气污染路径规划模型；
S4、基于改进人工蜂群算法，扩展食物源邻域的搜索范围，得到全局最优路径。
进一步地，所述步骤S1中，作出的假设如下：
假设一、装载船的行驶航线被建模为一个连通图；
假设二、无人机监测每一艘船舶的时间是固定的；
假设三、无人机从一艘船到另一艘船的时间仅基于两艘船之间的距离来计算；
假设四、无人机更换电池的时间忽略不计；
假设五、装载船在行驶过程中不会被搁浅；
假设六、不考虑天气状况对无人机监测船舶大气污染的影响；
假设七、装载船和无人机均以恒定速度行驶；
进一步地，所述步骤S2中，定义无人机和装载船协同监测问题具体如下：
定义V＝{v1,v2,…vn}为n个待监测船舶的集合；
定义U＝{u1,u2,…,uq}为q个无人机的集合；
定义Z＝{z1,z2,…zm}是交通路线上选择的m个无人机放飞点的集合；
定义C＝{c1,c2,…,cm}是交通路线上选择的m个无人机回收点的集合；
定义K＝{k1,k2,…kh}将V分割成h个元素的集合,ki表示一个无人机的路径；|ki|表示第i个无人机路径上待监测船舶的数量；
定义
Figure BDA0003093820310000061
是一条从zi点出发，抵达ci点的装载船的行驶路线的长度；
定义
Figure BDA0003093820310000062
是一条从zi点放飞，访问ki中的各个待监测船舶，回到ci点的无人机监测路线的长度；
定义D0是装载船从港口的出发点；
定义p是无人机的位置；
定义
Figure BDA0003093820310000063
是无人机当前剩余可用飞行时间；
定义
Figure BDA0003093820310000064
为无人机监测船舶vi所需要的时间；
定义Vdrone为无人机的飞行速度；
定义Vship为装载船的速度；
定义Tw为无人机的最大续航时间；
定义
Figure BDA0003093820310000065
为无人机开始路径ki的时刻；
定义
Figure BDA0003093820310000066
为无人机结束路径ki的时刻；
定义
Figure BDA0003093820310000067
无人机路径ki的放飞处；
定义
Figure BDA0003093820310000068
无人机路径ki的回收处；
定义
Figure BDA0003093820310000069
为装载船回收无人机的时刻
定义
Figure BDA00030938203100000610
为装载船放飞无人机的时刻；
定义
Figure BDA0003093820310000071
为装载船从
Figure BDA0003093820310000072
点开始，在
Figure BDA0003093820310000073
点结束的行驶路径长度；
定义
Figure BDA0003093820310000074
为无人机从
Figure BDA0003093820310000075
点开始，访问ki中的各个待监测船舶，在
Figure BDA0003093820310000076
点结束的飞行路线长度；
定义N为无人机的数量；
进一步地，所述步骤S3中构建的船载无人机协同监测港口船舶大气污染路径规划模型包括目标函数和约束两部分，具体如下：
目标函数：
Figure BDA0003093820310000077
Figure BDA0003093820310000078
Fmin＝F1+F2
其中，目标函数F1用于计算无人机未外出作业过程中的总时间，总时间等于期间路线总长度除以装载船的行驶速度；目标函数F2用于计算从z1点到c1点耗费的时间，装载船在行驶的同时，无人机也在外出作业，因而产生时间轴上的重叠，耗费的时间等于无人机执行本轮监测任务的耗时与装载船从z1行驶至c1的耗时之间的较大值；目标函数Fmin用于累加每对放飞点和回收点之间的时间耗费。
约束：
(k1,k2,…,kh)＝K (1)
Figure BDA0003093820310000079
Figure BDA00030938203100000710
Figure BDA00030938203100000711
Figure BDA00030938203100000712
dzi,p＝0 (6)
Figure BDA00030938203100000713
Figure BDA00030938203100000714
Figure BDA00030938203100000715
Figure BDA0003093820310000081
其中，约束(1)和约束(2)用于保证集合ki中所包含的每艘待监测船舶只被监测一次，集合K包含了所有的待监测船舶；约束(3)用于保证无人机单次出行的持续时间不超过最大续航时间，无人机单次出行的耗时等于在路途上所耗费的时间加上无人机在监测节点所花费的时间；约束(4)用于保证无人机剩余的电量能够飞回控制中心；约束(5)用于保证无人机从装载船上起飞的时候电量为电池容量；约束(6)表示无人机只能飞向装载船和待监测船舶；约束(7)表示无人机当前可用剩余时间不能小于零，也不能大于无人机最大续航时间；约束(8)表示装载船回收无人机的时间，等于装载船放飞无人机的时刻加上装载船在无人机执行检测任务时，装载船的行驶时间；约束(9)表示无人机从装载船上起飞，执行完监测任务，回到装载船上的时间；约束(10)表示其他约束。
进一步地，所述步骤S4的具体实现过程如下：
S41、求解船载无人机协同监测港口船舶大气污染路径规划的基本思路：S411、初步明确港口中待监测船舶的数量，并对待监测船舶进行聚类；
S412、根据待监测船舶的聚类中心，对装载船的行驶路径进行规划；
S413、计算出每一个聚类中利用无人机进行监测需要耗费的总时间，即“每个聚类中待监测船舶的距离之和”除以无人机的飞行速度，加上“聚类中待监测船舶的数量”乘以“每艘待监测船舶所需的监测时间”，根据总监测时间和单架无人机的最大续航时间判断需要放飞的无人机的数量；
S414、船与无人机协同作业，当装载船行驶至与待监测船舶聚类中心距离为L时，开始放飞无人机执行监测任务；
S415、依据步骤S413确定每个聚类中放飞的无人机数量n，来获取n架无人机的监测路径；根据所有无人机和待监测船舶某时刻的位置，计算出连接所有无人机与待监测船舶的距离L1，和连接所有待监测船舶的距离L2，以总路线最短为原则，断开每架无人机相邻两条线中的一条，得到n条以无人机为起点的路径，无人机将按照此路径进行监测；
S416、根据动态环境变化，重新获取无人机监测的规划路径，由于船舶始终处于运动状态，所以监测完一条船舶后，就把该船舶作为固定不动的点，并计算该时刻连接所有待监测船舶的距离L2，若L2当前的长度与所有时刻L2的最小值的差值超过预设阈值，则重新生成由无人机、未监测完成的船舶以及进港船舶组成的新路径；
S417、无人机协同作业，在监测过程中，若出现作业空闲的无人机，将协同其他无人机完成监测任务；
S418、由于无人机电池容量的限制，当无人机电量不足时，该无人机就需飞回装载船上进行充电，每架无人机在充电完成后继续参与监测任务；
S419、直到所有待监测船舶都被监测完后，该监测任务结束；
S42、基于模拟退火思想的人工蜂群算法具体实现过程如下：
S421、首先初始化m个食物源Ni，每个食物源对应一只雇佣蜂；
S422、在每次迭代中，雇佣蜂搜索各自食物源的领域，得到一个新的食物源Ni'，如果新食物源的适应度值fit(Ni')比当前食物源的适应度值fit(Ni)高，则用新食物源替换当前食物源，并将搜索次数wi置为0，否则对该食物源对应的解的第一层和第二层行驶路径分别进行一次搜索，如果得到的邻域解更优则替换当前解；
S423、如果分层搜索后仍不能提高当前食物源的适应度，则将搜索次数加1；
S424、每只跟随蜂在每次迭代中根据当前各个食物源的适应度以轮盘赌的方式选择一个食物源并使用与雇佣蜂相同的邻域操作进行搜索；
S425、加入对当前最优解的搜索，使当前最优解得到充分的搜索；
S426、当某个食物源的搜索次数达到限制值limit后，使用该食物源的一个邻域作为新的食物源进行后续搜索；最后将群体迭代次数v加1，如果达到最大迭代次数Nmax，则终止算法。
进一步地，所述步骤S417的具体实现方法如下：
计算其他工作无人机在各自路径上的剩余任务量，即待监测船舶数量+路线长度，按照剩余任务量的大小，依次排序正在执行任务的无人机路径；
按照排序好的工作无人机路径，依次计算该空闲无人机监测各条船舶是否能够使目标函数的值减少，从而找到能够使目标函数值减少的第一艘船舶，称之为星号船舶；
若星号船舶不是某一工作无人机路径的最后一条船舶，则断开该船舶与其所在工作无人机飞行路径方向相反方向的紧邻船舶之间的边；若星号船舶是某一无人机飞行路径上的最后一条船舶，则将该条路线上的船舶相对均匀的分配给两架无人机进行监测，同时取消其他无人机监测这些船舶的任务。
本发明还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时，执行上述船载无人机协同监测港口船舶大气污染路径规划的方法。
本发明还提供了一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器通过所述计算机程序运行执行上述船载无人机协同监测港口船舶大气污染路径规划的方法。
较现有技术相比，本发明具有以下优点：
1、本发明提供的船载无人机协同监测港口船舶大气污染路径规划的方法，实现了非接触式的船舶大气污染快速在线检测。
2、本发明提供的船载无人机协同监测港口船舶大气污染路径规划的方法，能够实现机与机协同，即：使用多无人机协同监测港口行驶船舶大气污染，能够解决待监测船舶数量较多的问题，降低总监测时间成本，提高监测效率。
3、本发明提供的船载无人机协同监测港口船舶大气污染路径规划的方法，能够实现船与机协同，即：利用装载船作为无人机的移动补给基地搭载无人机协同监测港口行驶船舶大气污染，能够解决无人机受电能限制的问题，扩大无人机的飞行范围，提高总体的监测效率，降低基站建设成本。
4、本发明提供的船载无人机协同监测港口船舶大气污染路径规划的方法，明确了触发多无人机和装载船监测任务中规划的场景，能够有效的监测港口中行驶的待监测船舶。
5、本发明提供的船载无人机协同监测港口船舶大气污染路径规划的方法，在解决船搭载多无人机协同发监测港口行驶船舶大气污染的路径规划问题的过程中，采用了大规模破坏修复算法，确保算法不陷入局部最优解。
6、本发明提供的船载无人机协同监测港口船舶大气污染路径规划的方法，对于第二层多无人机路径规划，使用多个搜索算子来提高人工蜂群算法的局部搜索能力，多算子人工蜂群算法，扩展了食物源邻域的搜索范围，增加了全局寻优的可能性。
7、本发明提供的船载无人机协同监测港口船舶大气污染路径规划的方法，融合了模拟退火的思想的改进人工蜂群算法，提高了人工蜂群算法的全局寻优能力。
基于上述理由本发明可在航运业、环保行业等领域广泛推广。
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做以简单地介绍，显而易见地，下面描述中的附图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装载船和无人机协同示意图。
图2为多无人机协同示意图。
图3触发无人机飞行路径动态重规划的场景图。
图4为本发明实施例提供的船载多架无人机协同监测港口船舶大气污染路径图。
图5为本发明方法流程图。
图6为本发明实施例提供的目标函数说明示意图；
图7为无人机协同监测图a。
图8为无人机协同监测图b。
图9为本发明实施例提供的待监测船舶、搭载无人机的船舶和无人机的初始位置示意图。
图10为本发明实施例提供的港口内新增行驶船舶示意图。
图11为本发明实施例提供的SAMU监测总时间与无人机个数关系示意图。
图12为本发明实施例提供的无人机最大飞行时间与SAMU监测总时间关系图。
图13为本发明实施例提供的待监测船舶的数量与算法运行时间的关系图。
图14为本发明实施例提供的无人机的数量与算法运行时间的关系示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明研究的是装载船搭载多架无人机协同监测港口中行驶船舶大气污染(SAMU)的双层路径规划问题，主要分为以下三个场景进行描述：
船和无人机协同：以图1为例，解释装载船和无人机如何进行协同。在t0时刻无人机在装载船上起飞，无人机从location1飞到VLocation2对待监测船舶v1进行大气污染监测,所耗费的时间为t1＝d(location1,VLocation2)/Vdrone，此时，装载船继续向前行驶。当无人机监测完船舶v1(VLocation2)之后，需要寻找距离该无人机当前位置最近的待监测船舶，经计算得出，距离当前无人机位置最近的是待监测船舶v2(VLocation3)。无人机从船舶v1飞到船舶v2所耗费的时间是t2＝d(VLocation2,VLocation3)/Vdrone，此时，需要预先判断该无人机监测完船舶v2之后剩余的时间是否可以回到装载船上(location4)，即比较无人机监测完船舶v2的剩余时间
Figure BDA0003093820310000131
与从船舶v2到装载船(location4)的时间t3＝d(VLocation3,location4)/Vdrone的大小，当TL>t3时，表明无人机监测完船舶v2之后可以返回装载船(location4)上，无人机将会继续执行监测船舶v2的任务。当TL<t3时，表明无人机监测完船舶v2之后不可以返回装载船(location4)上，此时无人机受电能限制，在监测完船舶v1之后，不能继续执行监测船舶v2的任务，需要立即返回装载船上(SLocation2)。
多无人机协同：在满足港口实际环境以及无人机电能限制的约束条件下，将港口中行驶的待监测船舶分配给多架具有相同飞行能力的无人机进行船舶大气污染监测，每一个待监测船舶只能被一架无人机监测，并使得无人机机群执行监测任务的总时间最小。由于无人机连续飞行的时间和距离均有限，这就使得无人机单次出动仅能监测少量的待监测船舶。因此，我们需要合理规划每架无人机单次出动所访问的待监测船舶子集和顺序，保证无人机在电池耗尽前回到回收点，如图2所示。
动态环境下待监测船舶实时动态定位：由于港口中部分环境信息处于未知的状态，从而导致任务空间的变化，比如有新的船舶驶入港口，无人机机群需要对新进入的船舶进行监测，则要向任务集合V中增加一个或多个任务；又比如未监测的船舶驶出港口，则需要取消任务集合V中的一个或多个任务。假设无人机开始执行的任务顺序如图3中的(a)所示，在T＝t0时刻，无人机对待监测船舶v1开始执行船舶大气污染监测任务。
无人机监测船舶v1耗时为
Figure BDA0003093820310000132
在
Figure BDA0003093820310000133
时刻，无人机完成对船舶v1的监测。图3中的(b)表明，在
Figure BDA0003093820310000134
时刻，港口中新驶入待监测船舶v4，触发重分配算法，重新对无人机路径进行规划，此时，无人机在监测完船舶v1之后，无人机下一个监测点将由船舶v2变为船舶v4；图3中的(c)表明，在
Figure BDA0003093820310000135
时刻，港口中待监测船舶v2驶出港口，触发重分配算法，重新对无人机路径进行规划，此时，无人机在监测完船舶v1之后，无人机下一个监测点将由船舶v2变为船舶v3；图3中的(d)表明，在
Figure BDA0003093820310000141
时刻，由于港口中待监测船舶是动态的，在经过
Figure BDA0003093820310000142
时间之后，港口内的待监测船舶位置发生变化，触发重分配算法，重新对无人机路径进行规划规划，此时，无人机在监测完船舶v1之后，无人机下一个监测点将由船舶v2变为船舶v3。
本发明以图4为例，对船和无人机协同、多无人机协同进行解释说明：
在初始状态下，装载船搭载着三架无人机和足够的无人机电池从港口出发点D0出发，同时放飞无人机d1，无人机d1将会依次监测附近待监测船舶v1和待监测船舶v2。
装载船继续向前行驶，当装载船行驶至
Figure BDA0003093820310000143
时回收无人机u1，并对其更换电池，同时放飞无人机u2和无人机u3继续执行监测任务。
装载船行驶至
Figure BDA0003093820310000144
时，开始对无人机u2和u3进行回收和更换电池，对无人机u3更换完电池之后，立即放飞无人机u3继续执行监测任务。
装载船行驶至
Figure BDA0003093820310000145
时回收无人机u3。
由于
Figure BDA0003093820310000146
和
Figure BDA0003093820310000147
之间没有待监测船舶，所以在
Figure BDA0003093820310000148
处不需要放飞无人机，此时，装载船将搭载着三架无人机继续前往下一个
Figure BDA0003093820310000149
装载船在
Figure BDA00030938203100001410
处同时放飞三架无人机执行监测任务。
装载船行驶至
Figure BDA00030938203100001411
时对三架无人机进行回收。
当本区域内的所有待监测船舶都被监测完之后，装载船搭载着无人机回到港口出发点，整个监测任务结束。
如图5所示，本发明提供了一种船载无人机协同监测港口船舶大气污染路径规划的方法，包括如下步骤：
S1、基于无人机对行驶的船舶进行监测的复杂度，作出假设；
具体实施时，作为本发明优选的实施方式，在现实中，使用无人机对行驶的船舶进行监测是非常复杂的。为简化模型，所述步骤S1中，作出的假设如下：
假设一、装载船的行驶航线被建模为一个连通图；
假设二、无人机监测每一艘船舶的时间是固定的；
假设三、无人机从一艘船到另一艘船的时间仅基于两艘船之间的距离来计算；
假设四、无人机更换电池的时间忽略不计；
假设五、装载船在行驶过程中不会被搁浅；
假设六、不考虑天气状况对无人机监测船舶大气污染的影响；
假设七、装载船和无人机均以恒定速度行驶；
S2、基于步骤S1中作出的假设，定义无人机和装载船协同监测问题；
具体实施时，作为本发明优选的实施方式，所述步骤S2中，定义无人机和装载船协同监测问题具体如下：
定义V＝{v1,v2,…vn}为n个待监测船舶的集合；
定义U＝{u1，u2，…，uq}为q个无人机的集合；
定义Z＝{z1,z2,…zm}是交通路线上选择的m个无人机放飞点的集合；
定义C＝{c1,c2,…,cm}是交通路线上选择的m个无人机回收点的集合；
定义K＝{k1,k2,…kh}将V分割成h个元素的集合,ki表示一个无人机的路径；|ki|表示第i个无人机路径上待监测船舶的数量；
定义
Figure BDA0003093820310000151
是一条从zi点出发，抵达ci点的装载船的行驶路线的长度；
定义
Figure BDA0003093820310000152
是一条从zi点放飞，访问ki中的各个待监测船舶，回到ci点的无人机监测路线的长度；
定义D0是装载船从港口的出发点；
定义p是无人机的位置；
定义
Figure BDA0003093820310000153
是无人机当前剩余可用时间；
定义
Figure BDA0003093820310000154
为无人机监测船舶vi所需要的时间；
定义Vdrone为无人机的飞行速度；
定义Vship为装载船的速度；
定义Tw为无人机的最大续航时间；
定义
Figure BDA0003093820310000155
为无人机开始路径ki的时刻；
定义
Figure BDA0003093820310000156
为无人机结束路径ki的时刻；
定义
Figure BDA0003093820310000161
无人机路径ki的放飞处；
定义
Figure BDA0003093820310000162
无人机路径ki的回收处；
定义
Figure BDA0003093820310000163
为装载船回收无人机的时刻
定义
Figure BDA0003093820310000164
为装载船放飞无人机的时刻；
定义
Figure BDA0003093820310000165
为装载船从
Figure BDA0003093820310000166
点开始，在
Figure BDA0003093820310000167
点结束的行驶路径长度；
定义
Figure BDA0003093820310000168
为无人机从
Figure BDA0003093820310000169
点开始，访问ki中的各个待监测船舶，在
Figure BDA00030938203100001610
点结束的飞行路线长度；
定义N为无人机的数量；
S3、构建船载无人机协同监测港口船舶大气污染路径规划模型；
具体实施时，作为本发明优选的实施方式，所述步骤S3中构建的船载无人机协同监测港口船舶大气污染路径规划模型包括目标函数和约束两部分，具体如下：
目标函数：
Figure BDA00030938203100001611
Figure BDA00030938203100001612
Fmin＝F1+F2
其中，目标函数F1用于计算无人机未外出作业过程中的总时间，总时间等于期间路线总长度除以装载船的行驶速度；目标函数F2用于计算从z1点到c1点耗费的时间，装载船在行驶的同时，无人机也在外出作业，因而产生时间轴上的重叠，耗费的时间等于无人机执行本轮监测任务的耗时与装载船从z1行驶至c1的耗时之间的较大值；目标函数Fmin用于累加每对放飞点和回收点之间的时间耗费。
约束：
(k1，k2，…，kh)＝K (1)
Figure BDA00030938203100001613
Figure BDA0003093820310000171
Figure BDA0003093820310000172
Figure BDA0003093820310000173
Figure BDA0003093820310000174
Figure BDA0003093820310000175
Figure BDA0003093820310000176
Figure BDA0003093820310000177
Figure BDA0003093820310000178
其中，约束(1)和约束(2)用于保证集合ki中所包含的每艘待监测船舶只被监测一次，集合K包含了所有的待监测船舶；约束(3)用于保证无人机单次出行的持续时间不超过最大续航时间，无人机单次出行的耗时等于在路途上所耗费的时间加上无人机在监测节点所花费的时间；约束(4)用于保证无人机剩余的电量能够飞回控制中心；约束(5)用于保证无人机从装载船上起飞的时候电量为电池容量；约束(6)表示无人机只能飞向装载船和待监测船舶；约束(7)表示无人机当前剩余可用时间不能小于零，也不能大于无人机最大续航时间；约束(8)表示装载船回收无人机的时间，等于装载船放飞无人机的时刻加上装载船在无人机执行检测任务时，装载船的行驶时间；约束(9)表示无人机从装载船上起飞，执行完监测任务，回到装载船上的时间；约束(10)表示其他约束。
本发明的研究目标是最小化装载船和无人机协同监测港口行驶船舶大气污染的总时间耗费。借助装载船和多架无人机协同监测的完整时间耗费F可以拆分为两个部分F1和F2，监测任务的完整时间耗费F等于装载船走完全部路线的耗时和在路线上回收执行监测任务的无人机的耗时之和。如图6所示，装载船从港口(D0)出发，行驶至放飞点z1，放飞无人机执行任务，在回收点c1处回收无人机，然后前往下一个放飞点z2，将更换完电池的无人机重新放飞，并于回收点处回收无人机，在D0到z1点，c1点到z2点这两个过程中，无人机并未外出执行任务，因而所耗费的时间等于装载船在港口中行驶所用的时间。
S4、基于改进人工蜂群算法，扩展食物源邻域的搜索范围，得到全局最优路径。
具体实施时，作为本发明优选的实施方式，所述步骤S4的具体实现过程如下：
S41、求解船载无人机协同监测港口船舶大气污染路径规划的基本思路：S411、初步明确港口中待监测船舶的数量，并对待监测船舶进行聚类；
S412、根据待监测船舶的聚类中心，对装载船的行驶路径进行规划；
S413、计算出每一个聚类中利用无人机进行监测需要耗费的总时间，即“每个聚类中待监测船舶的距离之和”除以无人机的飞行速度，加上“聚类中待监测船舶的数量”乘以“每艘待监测船舶所需的监测时间”，根据总监测时间和单架无人机的最大续航时间判断需要放飞的无人机的数量；
S414、船与无人机协同作业，当装载船行驶至与待监测船舶聚类中心距离为L时，开始放飞无人机执行监测任务；
S415、依据步骤S413确定每个聚类中放飞的无人机数量n，来获取n架无人机的监测路径；根据所有无人机和待监测船舶某时刻的位置，计算出连接所有无人机与待监测船舶的距离L1，和连接所有待监测船舶的距离L2，以总路线最短为原则，断开每架无人机相邻两条线中的一条，得到n条以无人机为起点的路径，无人机将按照此路径进行监测；
S416、根据动态环境变化，重新获取无人机监测的规划路径，由于船舶始终处于运动状态，所以监测完一条船舶后，就把该船舶作为固定不动的点，并计算该时刻连接所有待监测船舶的距离L2，若L2当前的长度与所有时刻L2的最小值的差值超过预设阈值，则重新生成由无人机、未监测完成的船舶以及进港船舶组成的新路径；
S417、无人机协同作业，在监测过程中，若出现作业空闲的无人机，将协同其他无人机完成监测任务；
所述步骤S417的具体实现方法如下：
计算其他工作无人机在各自路径上的剩余任务量，即待监测船舶数量+路线长度，按照剩余任务量的大小，依次排序正在执行任务的无人机路径；
按照排序好的工作无人机路径，依次计算该空闲无人机监测各条船舶是否能够使目标函数的值减少，从而找到能够使目标函数值减少的第一艘船舶，称之为星号船舶；
若星号船舶不是某一工作无人机路径的最后一条船舶，则断开该船舶与其所在工作无人机飞行路径方向相反方向的紧邻船舶之间的边；若星号船舶是某一无人机飞行路径上的最后一条船舶，则将该条路线上的船舶相对均匀的分配给两架无人机进行监测，同时取消其他无人机监测这些船舶的任务。
S418、由于无人机电池容量的限制，当无人机电量不足时，该无人机就需飞回装载船上进行充电，每架无人机在充电完成后继续参与监测任务；
S419、直到所有待监测船舶都被监测完后，该监测任务结束；
S42、基于模拟退火思想的人工蜂群算法具体实现过程如下：
S421、首先初始化m个食物源Ni，每个食物源对应一只雇佣蜂；
S422、在每次迭代中，雇佣蜂搜索各自食物源的领域，得到一个新的食物源Ni'，如果新食物源的适应度值fit(Ni')比当前食物源的适应度值fit(Ni)高，则用新食物源替换当前食物源，并将搜索次数wi置为0，否则对该食物源对应的解的第一层和第二层行驶路径分别进行一次搜索，如果得到的邻域解更优则替换当前解；
S423、如果分层搜索后仍不能提高当前食物源的适应度，则将搜索次数加1；
S424、每只跟随蜂在每次迭代中根据当前各个食物源的适应度以轮盘赌的方式选择一个食物源并使用与雇佣蜂相同的邻域操作进行搜索；
S425、加入对当前最优解的搜索，使当前最优解得到充分的搜索；
S426、当某个食物源的搜索次数达到限制值limit后，使用该食物源的一个邻域作为新的食物源进行后续搜索；最后将群体迭代次数v加1，如果达到最大迭代次数Nmax，则终止算法。
为构建邻域解，本发明使用了破坏与修复的方法。对于一个完整的解，首先选择一个破坏操作对该解的路径进行部分的破坏，然后选择一个修复操作将破坏的解重新修复，从而得到一个新解。本发明设计的算法中，雇佣蜂和跟随蜂在搜索食物源的邻域时使用的破坏操作仅面向待监测船舶的破坏操作，而当食物源的搜索次数达到limit次后，雇佣蜂转化为侦查蜂，此时，侦查蜂将从一个与当前解相异更大的一个邻域重新开始搜索。
本发明采用二维向量的方式来表示SAMU问题的解。第一层装载船的数量限制为N1，无人机放飞或回收为
Figure BDA0003093820310000201
问题解的个数用
Figure BDA0003093820310000202
的二维向量进行表示，向量的长度可以根据路径长度进行调整。本发明使用图4对应的路径图进行解释说明，该路径对应的解，其表示如表1所示，表中第一行表示第一层装载船的行驶路径，其他的行分别表示归属于两个相邻无人机放飞点或者或回收点之间的第二层无人机飞行路径，其中
Figure BDA0003093820310000203
Figure BDA0003093820310000204
为四个无人机放飞点或回收点的标识符，D0为装载船离开港口的出发点，d1、d2、d3为无人机的编号。
表1SAMU问题的解的表示方法
Figure BDA0003093820310000205
实施例
为了证明本发明基于模拟退火思想的改进的变算子人工蜂群算法的有效性，进行如下实验，本实施例中，使用MATLAB R2018a实现了算法的求解。本次实验是在处理器为Intel(R)Core(TM)i5-7500 CPU@3.4GHz，内存为4GB的电脑上运行的。实验内容如下：
(1)基于真实的船舶位置数据进行无人机飞行路径求解。
(2)对不同的参数对实验结果的灵敏度进行分析。
本发实施例以天津港进出港船舶为对象进行模拟。在2020年11月29日下午13：00，从船舶自动识别系统(AIS)中获取了90艘在天津港口内航行的船舶的位置数据，实验涉及的参数默认值见表2所示：
表2实验涉及的部分参数
Figure BDA0003093820310000211
本实施例中，列出了90艘待监测船舶、1艘装载船和3架无人机的初始位置。初始时刻，3架无人机和装载船的位置是相同的(vi表示第i艘船舶，D0表示装载船离开港口的初始点，同时也是3架无人机和装载船的初始位置，(x,y)表示位置坐标)如表3所示。图9显示出了待监测船舶、装载船和无人机的初始位置。表3为在上述场景下采用改进的多算子人工蜂群算法计算得到的船载无人机协同监测港口船舶大气污染(SAMU)路径规划结果。图10是在图9的基础上新增加的两艘入港船舶，并调用路径重规划算法得到新的SAMU路径规划结果如表4所示。
表3装载船、无人机、待监测船舶初始位置
Figure BDA0003093820310000212
表4 SAMU路径规划结果
Figure BDA0003093820310000221
表5 SAMU路径重规划
Figure BDA0003093820310000222
如图11所示，随着无人机个数的增加，SAMU监测任务的总时间也会减少，但是SAMU监测任务的总时间的减少幅度在变小，所以当无人机的个数超过一定阈值后，再次增加无人机的个数可能对降低SAMU监测任务的总时间的耗费影响不大。
如图12所示，当增大无人机的最大续航时间时，SAMU监测任务的总时间变化幅度不大，而王帅安的论文中得出随着无人机的最大续航时间的增大，无人机监测任务的总时间呈现出减少的趋势，通过本发明得出的结论与王帅安论文中得出的结论进行对比，表明本发明引入装载船作为无人机的移动补给基地，可以有效地解决无人机受电能限制的问题。
如图13所示，在无人机个数相同的情况下，港口内行驶船舶数量增多，算法的运行时间也会增加。
如图14所示，当待监测船舶有90艘的时候，可用无人机的数量从3增加到8，计算时间从2279.677秒增加到3214.958秒，由此可见，当可用无人机的数量增加时，也会导致算法运行时间增加。
在本申请所提供的实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种船载无人机协同监测港口船舶大气污染路径规划的方法，其特征在于，包括如下步骤：
S1、基于无人机对行驶的船舶进行监测的复杂度，作出假设；
S2、基于步骤S1中作出的假设，定义无人机和装载船协同监测问题；
S3、构建船载无人机协同监测港口船舶大气污染路径规划模型；
S4、基于改进人工蜂群算法，扩展食物源邻域的搜索范围，得到全局最优路径。
2.根据权利要求1所述的船载无人机协同监测港口船舶大气污染路径规划的方法，其特征在于，所述步骤S1中，作出的假设如下：
假设一、装载船的行驶航线被建模为一个连通图；
假设二、无人机监测每一艘船舶的时间是固定的；
假设三、无人机从一艘船到另一艘船的时间仅基于两艘船之间的距离来计算；
假设四、无人机更换电池的时间忽略不计；
假设五、装载船在行驶过程中不会被搁浅；
假设六、不考虑天气状况对无人机监测船舶大气污染的影响；
假设七、装载船和无人机均以恒定速度行驶。
3.根据权利要求1所述的船载无人机协同监测港口船舶大气污染路径规划的方法，其特征在于，所述步骤S2中，定义无人机和装载船协同监测问题具体如下：
定义V＝{v1,v2,…vn}为n个待监测船舶的集合；
定义U＝{u1,u2,…,uq}为q个无人机的集合；
定义Z＝{z1,z2,…zm}是交通路线上选择的m个无人机放飞点的集合；
定义C＝{c1,c2,…,cm}是交通路线上选择的m个无人机回收点的集合；
定义K＝{k1,k2,…kh}将V分割成h个元素的集合,ki表示一个无人机的路径；|ki|表示第i个无人机路径上待监测船舶的数量；
定义
Figure FDA0003093820300000021
是一条从zi点出发，抵达ci点的装载船的行驶路线的长度；
定义
Figure FDA0003093820300000022
是一条从zi点放飞，访问ki中的各个待监测船舶，回到ci点的无人机监测路线的长度；
定义D0是装载船从港口的出发点；
定义p是无人机的位置；
定义
Figure FDA0003093820300000023
是无人机当前剩余可用飞行时间；
定义
Figure FDA0003093820300000024
为无人机监测船舶vi所需要的时间；
定义Vdrone为无人机的飞行速度；
定义Vship为装载船的速度；
定义Tw为无人机的最大续航时间；
定义
Figure FDA0003093820300000025
为无人机开始路径ki的时刻；
定义
Figure FDA0003093820300000026
为无人机结束路径ki的时刻；
定义
Figure FDA0003093820300000027
无人机路径ki的放飞处；
定义
Figure FDA0003093820300000028
无人机路径ki的回收处；
定义
Figure FDA0003093820300000029
为装载船回收无人机的时刻
定义
Figure FDA00030938203000000210
为装载船放飞无人机的时刻；
定义
Figure FDA00030938203000000211
为装载船从
Figure FDA00030938203000000212
点开始，在
Figure FDA00030938203000000213
点结束的行驶路径长度；
定义
Figure FDA00030938203000000214
为无人机从
Figure FDA00030938203000000215
点开始，访问ki中的各个待监测船舶，在
Figure FDA00030938203000000216
点结束的飞行路线长度；
定义N为无人机的数量。
4.根据权利要求1所述的船载无人机协同监测港口船舶大气污染路径规划的方法，其特征在于，所述步骤S3中构建的船载无人机协同监测港口船舶大气污染路径规划模型包括目标函数和约束两部分，具体如下：
目标函数：
Figure FDA0003093820300000031
Figure FDA0003093820300000032
Fmin＝F1+F2
其中，目标函数F1用于计算无人机未外出作业过程中的总时间，总时间等于期间路线总长度除以装载船的行驶速度；目标函数F2用于计算从z1点到c1点耗费的时间，装载船在行驶的同时，无人机也在外出作业，因而产生时间轴上的重叠，耗费的时间等于无人机执行本轮监测任务的耗时与装载船从z1行驶至c1的耗时之间的较大值；目标函数Fmin用于累加每对放飞点和回收点之间的时间耗费。
约束：
(k1,k2,…，kh)＝K (1)
Figure FDA0003093820300000033
Figure FDA0003093820300000034
Figure FDA0003093820300000035
Figure FDA0003093820300000036
Figure FDA0003093820300000037
Figure FDA0003093820300000038
Figure FDA0003093820300000039
Figure FDA00030938203000000310
Figure FDA00030938203000000311
其中，约束(1)和约束(2)用于保证集合ki中所包含的每艘待监测船舶只被监测一次，集合K包含了所有的待监测船舶；约束(3)用于保证无人机单次出行的持续时间不超过最大续航时间，无人机单次出行的耗时等于在路途上所耗费的时间加上无人机在监测节点所花费的时间；约束(4)用于保证无人机剩余的电量能够飞回控制中心；约束(5)用于保证无人机从装载船上起飞的时候电量为电池容量；约束(6)表示无人机只能飞向装载船和待监测船舶；约束(7)表示无人机当前剩余可用时间不能小于零，也不能大于无人机最大续航时间；约束(8)表示装载船回收无人机的时间，等于装载船放飞无人机的时刻加上装载船在无人机执行检测任务时，装载船的行驶时间；约束(9)表示无人机从装载船上起飞，执行完监测任务，回到装载船上的时间；约束(10)表示其他约束。
5.根据权利要求1所述的船载无人机协同监测港口船舶大气污染路径规划的方法，其特征在于，所述步骤S4的具体实现过程如下：
S41、求解船载无人机协同监测港口船舶大气污染路径规划的基本思路：
S411、初步明确港口中待监测船舶的数量，并对待监测船舶进行聚类；
S412、根据待监测船舶的聚类中心，对装载船的行驶路径进行规划；
S413、计算出每一个聚类中利用无人机进行监测需要耗费的总时间，即“每个聚类中待监测船舶的距离之和”除以无人机的飞行速度，加上“聚类中待监测船舶的数量”乘以“每艘待监测船舶所需的监测时间”，根据总监测时间和单架无人机的最大续航时间判断需要放飞的无人机的数量；
S414、船与无人机协同作业，当装载船行驶至与待监测船舶聚类中心距离为L时，开始放飞无人机执行监测任务；
S415、依据步骤S413确定每个聚类中放飞的无人机数量n，来获取n架无人机的监测路径；根据所有无人机和待监测船舶某时刻的位置，计算出连接所有无人机与待监测船舶的距离L1，和连接所有待监测船舶的距离L2，以总路线最短为原则，断开每架无人机相邻两条线中的一条，得到n条以无人机为起点的路径，无人机将按照此路径进行监测；
S416、根据动态环境变化，重新获取无人机监测的规划路径，由于船舶始终处于运动状态，所以监测完一条船舶后，就把该船舶作为固定不动的点，并计算该时刻连接所有待监测船舶的距离L2，若L2当前的长度与所有时刻L2的最小值的差值超过预设阈值，则重新生成由无人机、未监测完成的船舶以及进港船舶组成的新路径；
S417、无人机协同作业，在监测过程中，若出现作业空闲的无人机，将协同其他无人机完成监测任务；
S418、由于无人机电池容量的限制，当无人机电量不足时，该无人机就需飞回装载船上进行充电，每架无人机在充电完成后继续参与监测任务；
S419、直到所有待监测船舶都被监测完后，该监测任务结束；
S42、基于模拟退火思想的人工蜂群算法具体实现过程如下：
S421、首先初始化m个食物源Ni，每个食物源对应一只雇佣蜂；
S422、在每次迭代中，雇佣蜂搜索各自食物源的领域，得到一个新的食物源Ni'，如果新食物源的适应度值fit(Ni')比当前食物源的适应度值fit(Ni)高，则用新食物源替换当前食物源，并将搜索次数wi置为0，否则对该食物源对应的解的第一层和第二层行驶路径分别进行一次搜索，如果得到的邻域解更优则替换当前解；
S423、如果分层搜索后仍不能提高当前食物源的适应度，则将搜索次数加1；
S424、每只跟随蜂在每次迭代中根据当前各个食物源的适应度以轮盘赌的方式选择一个食物源并使用与雇佣蜂相同的邻域操作进行搜索；
S425、加入对当前最优解的搜索，使当前最优解得到充分的搜索；
S426、当某个食物源的搜索次数达到限制值limit后，使用该食物源的一个邻域作为新的食物源进行后续搜索；最后将群体迭代次数v加1，如果达到最大迭代次数Nmax，则终止算法。
6.根据权利要求1所述的船载无人机协同监测港口船舶大气污染路径规划的方法，其特征在于，所述步骤S417的具体实现方法如下：
计算其他工作无人机在各自路径上的剩余任务量，即待监测船舶数量+路线长度，按照剩余任务量的大小，依次排序正在执行任务的无人机路径；
按照排序好的工作无人机路径，依次计算该空闲无人机监测各条船舶是否能够使目标函数的值减少，从而找到能够使目标函数值减少的第一艘船舶，称之为星号船舶；
若星号船舶不是某一工作无人机路径的最后一条船舶，则断开该船舶与其所在工作无人机飞行路径方向相反方向的紧邻船舶之间的边；若星号船舶是某一无人机飞行路径上的最后一条船舶，则将该条路线上的船舶相对均匀的分配给两架无人机进行监测，同时取消其他无人机监测这些船舶的任务。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时，执行所述权利要求1至6中任一项权利要求所述的方法。
8.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序运行执行所述权利要求1至6中任一项权利要求所述的方法。
CN202110617673.1A 2021-05-31 2021-05-31 一种船载无人机协同监测港口船舶大气污染路径规划的方法 Active CN113361765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110617673.1A CN113361765B (zh) 2021-05-31 2021-05-31 一种船载无人机协同监测港口船舶大气污染路径规划的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110617673.1A CN113361765B (zh) 2021-05-31 2021-05-31 一种船载无人机协同监测港口船舶大气污染路径规划的方法

Publications (2)

Publication Number Publication Date
CN113361765A true CN113361765A (zh) 2021-09-07
CN113361765B CN113361765B (zh) 2023-12-12

Family

ID=77531540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110617673.1A Active CN113361765B (zh) 2021-05-31 2021-05-31 一种船载无人机协同监测港口船舶大气污染路径规划的方法

Country Status (1)

Country Link
CN (1) CN113361765B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113624241A (zh) * 2021-10-11 2021-11-09 中国人民解放军66136部队 一种面向进港运动船舶的无人机查证路线规划方法
CN113778128A (zh) * 2021-09-18 2021-12-10 中国人民解放军国防科技大学 基于遗传算法的无人机侦察任务规划方法及装置
CN113778127A (zh) * 2021-09-18 2021-12-10 中国人民解放军国防科技大学 基于遗传算法的无人机侦察路径规划方法及装置
CN114022039A (zh) * 2021-11-26 2022-02-08 特斯联科技集团有限公司 一种无人车碳排放计算方法
CN115034534A (zh) * 2022-03-02 2022-09-09 武汉理工大学 一种内河船舶水污染物接收处置船的配置规划方法及系统
CN115329857A (zh) * 2022-08-04 2022-11-11 武汉理工大学 内河通航水域等级划分方法、装置、电子设备及存储介质
CN115437407A (zh) * 2022-09-30 2022-12-06 中国人民解放军陆军装甲兵学院 一种无人机路径规划方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158340A1 (en) * 2016-12-02 2018-06-07 Veniam, Inc. Systems and methods for port management in a network of moving things, for example including autonomous vehicles
CN108459616A (zh) * 2018-03-07 2018-08-28 西安电子科技大学 基于人工蜂群算法的无人机群协同覆盖航路规划方法
US20190050948A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
CN109740828A (zh) * 2019-02-28 2019-05-10 广州中国科学院沈阳自动化研究所分所 船舶航行路径规划方法、系统、介质和设备
CN110244763A (zh) * 2019-06-21 2019-09-17 浙江海洋大学 海水污染物的远程监测系统及监测方法
CN111754139A (zh) * 2020-07-22 2020-10-09 泰州市金海运船用设备有限责任公司 海洋油污警报信号接收联网呼叫系统
CN112327907A (zh) * 2020-10-23 2021-02-05 福州智匠科技有限公司 一种无人机路径规划方法
CN112423255A (zh) * 2020-11-09 2021-02-26 湛江三木科技有限公司 一种海洋环境在线监测预警系统
CN112615913A (zh) * 2020-12-09 2021-04-06 大连海事大学 一种面向海洋环境监测的无人机与无人船协同的信息回传方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180158340A1 (en) * 2016-12-02 2018-06-07 Veniam, Inc. Systems and methods for port management in a network of moving things, for example including autonomous vehicles
US20190050948A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
CN108459616A (zh) * 2018-03-07 2018-08-28 西安电子科技大学 基于人工蜂群算法的无人机群协同覆盖航路规划方法
CN109740828A (zh) * 2019-02-28 2019-05-10 广州中国科学院沈阳自动化研究所分所 船舶航行路径规划方法、系统、介质和设备
CN110244763A (zh) * 2019-06-21 2019-09-17 浙江海洋大学 海水污染物的远程监测系统及监测方法
CN111754139A (zh) * 2020-07-22 2020-10-09 泰州市金海运船用设备有限责任公司 海洋油污警报信号接收联网呼叫系统
CN112327907A (zh) * 2020-10-23 2021-02-05 福州智匠科技有限公司 一种无人机路径规划方法
CN112423255A (zh) * 2020-11-09 2021-02-26 湛江三木科技有限公司 一种海洋环境在线监测预警系统
CN112615913A (zh) * 2020-12-09 2021-04-06 大连海事大学 一种面向海洋环境监测的无人机与无人船协同的信息回传方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DE YUAN LIU ETAL: ""Adaptive attitude controller design for tail-sitter unmanned aerial vehicles"", 《JOURNAL OF VIBRATION AND CONTROL》, vol. 27, no. 2, pages 185 - 196 *
张皓琳等: ""无人机遥感技术在海洋资源监管中的应用"", 《信息技术与信息化智能技术》, vol. 1, no. 7, pages 231 - 233 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113778128A (zh) * 2021-09-18 2021-12-10 中国人民解放军国防科技大学 基于遗传算法的无人机侦察任务规划方法及装置
CN113778127A (zh) * 2021-09-18 2021-12-10 中国人民解放军国防科技大学 基于遗传算法的无人机侦察路径规划方法及装置
CN113778127B (zh) * 2021-09-18 2023-02-28 中国人民解放军国防科技大学 基于遗传算法的无人机侦察路径规划方法及装置
CN113624241A (zh) * 2021-10-11 2021-11-09 中国人民解放军66136部队 一种面向进港运动船舶的无人机查证路线规划方法
CN114022039A (zh) * 2021-11-26 2022-02-08 特斯联科技集团有限公司 一种无人车碳排放计算方法
CN115034534A (zh) * 2022-03-02 2022-09-09 武汉理工大学 一种内河船舶水污染物接收处置船的配置规划方法及系统
CN115034534B (zh) * 2022-03-02 2024-10-25 武汉理工大学 一种内河船舶水污染物接收处置船的配置规划方法及系统
CN115329857A (zh) * 2022-08-04 2022-11-11 武汉理工大学 内河通航水域等级划分方法、装置、电子设备及存储介质
CN115329857B (zh) * 2022-08-04 2024-02-09 武汉理工大学 内河通航水域等级划分方法、装置、电子设备及存储介质
CN115437407A (zh) * 2022-09-30 2022-12-06 中国人民解放军陆军装甲兵学院 一种无人机路径规划方法及系统

Also Published As

Publication number Publication date
CN113361765B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN113361765A (zh) 一种船载无人机协同监测港口船舶大气污染路径规划的方法
Bierwirth et al. A follow-up survey of berth allocation and quay crane scheduling problems in container terminals
Shen et al. Synergistic path planning of multi-UAVs for air pollution detection of ships in ports
CN106251016B (zh) 一种基于动态时间窗的泊车系统路径规划方法
CN110428161A (zh) 一种基于端边云架构的无人驾驶矿车云智能调度方法
CN113777953A (zh) 一种面向水陆两栖飞机的海上搜救任务仿真评估方法
Wang et al. Study on route division for ship energy efficiency optimization based on big environment data
CN114896819A (zh) 一种中远海区多搜救装备协同搜救任务的规划方法
Shen et al. Synergistic path planning for ship-deployed multiple UAVs to monitor vessel pollution in ports
Sun et al. Monitoring scheduling of drones for emission control areas: An ant colony-based approach
CN111538349B (zh) 面向多任务的长航程auv自主决策方法
CN110033111B (zh) 机场场面运动规划方法和装置
Shang et al. Collaborative path planning of multiple carrier-based aircraft based on multi-agent reinforcement learning
CN116341043A (zh) 海上失事舰船的多机救援任务规划仿真方法及系统
Xie et al. Joint optimization of ship speed and trim based on machine learning method under consideration of load
Ten et al. Automatic identification system in accelerating decarbonization of maritime transportation: The state-of-the-art and opportunities
CN110880049A (zh) 区域级多风场运维排程方法和系统
Xu et al. Research Status and Key Technologies of Intelligent Technology for Unmanned Surface Vehicle System
Tsiogkas et al. Facilitating multi-AUV collaboration for marine archaeology
CN117527050A (zh) 一种基于任务分解的无人机蜂群电磁空间模型及构建方法
Chen et al. Collision avoidance for formation of autonomous ships using separation and recovery mechanism combine artificial potential field method
CN114462691A (zh) 一种面向进港运动船舶的巡逻艇查证路线规划方法
Mao et al. Optimization of Maritime Search and Rescue Resources Selection Based on Response Threshold Ant Colony Algorithm.
Luglietti et al. Towards the definition of specialized vessels' model
Monisha et al. A step towards IMO greenhouse gas reduction goal: effectiveness of machine learning based CO2 emission prediction model

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