CN113657650B - 面向地震灾后快速勘察的车机协同路径优化方法和装置 - Google Patents

面向地震灾后快速勘察的车机协同路径优化方法和装置 Download PDF

Info

Publication number
CN113657650B
CN113657650B CN202110838004.7A CN202110838004A CN113657650B CN 113657650 B CN113657650 B CN 113657650B CN 202110838004 A CN202110838004 A CN 202110838004A CN 113657650 B CN113657650 B CN 113657650B
Authority
CN
China
Prior art keywords
vehicle
investigation
node
path
unmanned aerial
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.)
Active
Application number
CN202110838004.7A
Other languages
English (en)
Other versions
CN113657650A (zh
Inventor
罗贺
朱默宁
王国强
胡笑旋
马华伟
靳鹏
夏维
唐奕城
张歆悦
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110838004.7A priority Critical patent/CN113657650B/zh
Publication of CN113657650A publication Critical patent/CN113657650A/zh
Application granted granted Critical
Publication of CN113657650B publication Critical patent/CN113657650B/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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种面向地震灾后快速勘察的车机协同路径优化方法和装置，涉及路径规划领域。本发明通过获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据；基于灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型；对车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案。本发明通过多个车辆与多架无人机组成的联合体从多个站点出发，协同完成勘察任务，采用车机协同的模式可以更好地发挥车辆与无人机各自的特点，从而提高勘察任务的期望收益。

Description

面向地震灾后快速勘察的车机协同路径优化方法和装置
技术领域
本发明涉及路径规划技术领域，具体涉及一种面向地震灾后快速勘察的车机协同路径优化方法和装置。
背景技术
地震灾害的发生极大可能致使地面破坏和建筑物坍塌，是造成人员伤亡的主要原因。灾害发生后，对受灾地区进行系统的勘察，了解灾害分布情况，科学部署工作计划，不仅对灾后救援工作有极大的帮助，对灾后重建也有即为重要的意义。
现有技术中，面向地震灾后勘察工作仅考虑使用无人机完成勘察任务，但地震灾后受灾面积大，可完成进行工作的无人机的数量并非充足，且无人机进行勘察的范围受续航时长的限制，导致灾后勘察任务的期望收益较低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种面向地震灾后快速勘察的车机协同路径优化方法和装置，解决了现有的灾后勘察任务的期望收益较低。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供一种面向地震灾后快速勘察的车机协同路径优化方法，所述方法包括：
S1、获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，所述勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据；
S2、基于所述灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型；
S3、对所述车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案。
优选的，多站点可重访带时间窗的车机协同团队定向模型包括目标函数，采用公式(3)来表示：
Figure GDA0003290745710000021
其中，h为目标点编号，T为目标点集合；d为无人机编号，D为无人机集合；
Figure GDA0003290745710000022
为目标点h的权重，pd为编号d的无人机所携带传感器的探测误差；/>
Figure GDA0003290745710000023
为编号d的无人机勘察目标点h的勘察次数。
优选的，多站点可重访带时间窗的车机协同团队定向模型包括约束条件，采用公式(4)至(9)来表示：
Figure GDA0003290745710000024
Figure GDA0003290745710000025
Figure GDA0003290745710000026
Figure GDA0003290745710000027
Figure GDA0003290745710000031
Figure GDA0003290745710000032
其中：
公式(4)～(5)表示每个节点仅被访问一次，且每辆车从站点出发，并返回该站点；公式(6)表示各节点进出平衡约束；公式(7)表示车辆到达节点时间和节点开始服务时间的关系；公式(8)～(9)表示决策变量取值约束；
d为无人机编号，D为无人机集合；h、i和o为节点编号，N为节点集合，T为目标点集合，V为站点集合；k为车辆编号，K为车辆集合；
Figure GDA0003290745710000033
为决策变量，编号为k的车辆是否选择从节点h到达节点i的路径，/>
Figure GDA0003290745710000034
为决策变量，编号d的无人机从节点h出发到达节点i并返回编号d的车辆或以站点o为终点的路径；/>
Figure GDA0003290745710000035
为决策变量，编号为k的车辆是否选择从站点r到达目标点i的路径；/>
Figure GDA0003290745710000036
为决策变量，编号为k的车辆是否选择从目标点i到达站点l的路径；/>
Figure GDA0003290745710000037
为决策变量，编号为k的车辆是否选择从节点i到达节点j的路径；/>
Figure GDA0003290745710000038
为编号为k的车辆从节点h到节点i的行驶时长。
优选的，所述对车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案，包括：
S301、生成车辆和无人机协同快速勘察的初始路径规划方案集合；
S302、基于初始路径规划方案集合，采用分段位置交叉和扰动策略的混合遗传模拟退火算法进行优化以获得车辆和无人机协同快速勘察的最优任务规划方案。
优选的，所述生成车辆和无人机协同快速勘察的初始路径规划方案集合，包括：
设定编码规则，包括：一条染色体表示一个车辆和无人机协同快速勘察的初始任务路径规划方案，染色体采用的编码方式，由两行构成，染色体的第一行由车辆访问的目标点路径构成，染色体的第一行和第二行结合表示无人机访问的目标点路径；
根据所述编码规则，按以下4步生成车辆和无人机协同快速勘察初始路径规划方案集合：
步骤1：目标点的编号进行随机排列生成染色体的第1行，再将该排列分成|K|每段的前面和后面各加1个0代表站点，其中第k段染色体对应于第k辆车的路径；
步骤2:对第k段染色体从前向后每次取出2个目标编号，以这2个编号对应的点目标作为椭圆的2个焦点，以无人机的续航能力为长轴，构造最大续航范围；
步骤3:如果最大续航范围中只有1个目标点，则在前一个目标点编号的下面写上该目标点的编号；如果最大续航范围中不只1个目标点，则随机选择1个目标编号写在前一个目标编号的下面；如果最大续航范围中没有目标，则在前一个目标编号的下面写上-1，重复上述操作直到该段染色体的倒数第2位，在最后1位的下面写上-1；
步骤4：重复步骤2-3共|K|次，即可得到每个车辆和无人机协同路径规划方案，形成初始路径规划方案集合。
优选的，所述基于初始路径规划方案集合，采用分段位置交叉和扰动策略的混合遗传模拟退火算法进行优化以获得车辆和无人机协同快速勘察的最优任务规划方案，包括：
S302a、设置分段位置交叉和扰动策略的混合遗传模拟退火算法的执行参数和基于车机协同团队定向模型的目标函数，以公式(10)作为适应度函数，计算任务路径规划方案的适应度值；所述执行参数包括最大迭代次数、交叉概率和扰动迭代次数；
Figure GDA0003290745710000051
S302b、根据路径规划方案的适应度值，采用轮盘赌选择机制从规划方案集合中选择两条染色体，适应度值越大被选中的概率越大；
S302c、根据交叉概率，对两条染色体采用分段单点位交叉方式进行交叉操作，得到两个子任务路径规划方案；
S302d、重复步骤S302b～S302c，直至达到预设最大迭代次数，得到较优的任务路径规划方案，作为当前最优解，停止遗传操作；
S302e、将当前最优解作为模拟退火算法的初始解，对初始人物路径规划方案进行多次扰动，直至达到扰动迭代次数，获得车机协同快速勘察的最优任务路径规划方案。
优选的，所述对两条染色体采用分段单点位交叉方式进行交叉操作，得到两个子任务路径规划方案，包括：
步骤1：采用轮盘赌方式选择两个规划方案作为父代染色体，对染色体进行分段操作，一段染色体表示一辆车和一架无人机协同路径规划方案；
步骤2：采用算术交叉操作，步骤1中得到的每段染色体产生[0，1]的随机数，将小于预设的交叉概率的两段染色体进行交叉操作，随机从两段染色体的第一行选择一个目标点，将两段染色体两行对应的基因位进行交换，选择目标点避开该段首位和末位基因；
步骤3：根据车辆数量|K|重复进行步骤2操作，直至待交叉染色体的每一段都进行交叉操作，并按照车辆顺序进行合并，得到两个新的规划方案。
第二方面，本发明一种面向地震灾后快速勘察的车机协同路径优化装置，该装置包括：
数据获取模块，用于获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，所述勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据；
模型构建模型，用于基于所述灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型；
模型求解模块，用于对所述车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案。
第三方面，本发明提供一种计算机可读存储介质，其存储用于面向地震灾后快速勘察的车机协同路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的面向地震灾后快速勘察的车机协同路径优化方法。
第四方面，本发明提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的面向地震灾后快速勘察的车机协同路径优化方法。
(三)有益效果
本发明提供了一种面向地震灾后快速勘察的车机协同路径优化方法和装置。与现有技术相比，具备以下有益效果：
本发明的一种面向地震灾后快速勘察的车机协同路径优化方法和装置通过获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，所述勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据；基于灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型；对车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案。本发明通过多个车辆与多架无人机组成的联合体从多个站点出发，协同完成勘察任务，采用车机协同的模式可以更好地发挥车辆与无人机各自的特点，从而提高勘察任务的期望收益。
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为本发明实施例一种面向地震灾后快速勘察的车机协同路径优化方法的框图；
图2为多站点可重访的异构车机的勘察路径示意图；
图3为染色体形式示意图；
图4为单点位交叉示意图；
图5为图3所示染色体的对应路径示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种面向地震灾后快速勘察的车机协同路径优化方法和装置，解决了现有的灾后勘察任务的期望收益较低的技术问题，实现多个车辆与多架无人机组成的联合体协同完成勘察任务，提高勘察任务的期望收益。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
现有技术中，面向地震灾后勘察工作仅考虑使用无人机完成勘察任务，但地震灾后受灾面积大，可完成进行工作的无人机的数量并非充足，且无人机进行勘察的范围受续航时长的限制。为提升灾后勘察任务的期望收益，将多个车辆与多架无人机组成的联合体协同完成勘察任务，采用车机协同的模式可以更好地发挥车辆与无人机各自的特点，从而提高勘察任务的期望收益。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1～2所示，本发明实施例提供一种面向地震灾后快速勘察的车机协同路径优化方法，该方法包括：
S1、获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，所述勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据；
S2、基于灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型；
S3、对车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案。
本发明实施例通过多个车辆与多架无人机组成的联合体从多个站点出发，协同完成勘察任务，采用车机协同的模式可以更好地发挥车辆与无人机各自的特点，从而提高勘察任务的期望收益。
在步骤S1中，获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，具体实施过程如下：
计算机获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，并对这些数据进行编号。
勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据。
多个车辆与多架无人机组成的联合体数据包括无人机数据和车辆数据。
无人机数据包括无人机编号、无人机飞行速度和无人机续航能力。车辆数据包括车辆编号和车辆行驶速度。多个站点数据包括多个站点的坐标。
在步骤S2中，基于灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型，具体实施过程如下：
所述多站点可重访带时间窗的车机协同团队定向模型的目标函数为异构车机协同地震灾后快速勘察的期望收益最大化，采用公式(3)来表示：
Figure GDA0003290745710000101
其中，h为目标点编号，T为目标点集合；d为无人机编号，D为无人机集合；
Figure GDA0003290745710000102
为目标点h的权重，pd为编号d的无人机所携带传感器的探测误差；/>
Figure GDA0003290745710000103
为编号d的无人机勘察目标点h的勘察次数。
所述多站点可重访带时间窗的车机协同团队定向模型的约束条件采用公式(4)至(9)来表示：
Figure GDA0003290745710000104
Figure GDA0003290745710000105
Figure GDA0003290745710000111
Figure GDA0003290745710000112
Figure GDA0003290745710000113
Figure GDA0003290745710000114
公式(3)～(4)每个节点仅被访问一次，且每辆车从站点出发，并返回该站点；公式(6)表示各节点进出平衡约束；公式(7)表示车辆到达节点时间和节点开始服务时间的关系；公式(8)～(9)表示决策变量取值约束。
d为无人机编号，D为无人机集合；h、i和o为节点编号，N为节点集合，T为目标点集合，V为站点集合；k为车辆编号，K为车辆集合；
Figure GDA0003290745710000115
为决策变量，编号为k的车辆是否选择从节点h到达节点i的路径，/>
Figure GDA0003290745710000116
为决策变量，编号d的无人机从节点h出发到达节点i并返回编号d的车辆或以站点o为终点的路径；/>
Figure GDA0003290745710000117
为决策变量，编号为k的车辆是否选择从站点r到达目标点i的路径；/>
Figure GDA0003290745710000118
为决策变量，编号为k的车辆是否选择从目标点i到达站点l的路径；/>
Figure GDA0003290745710000119
为决策变量，编号为k的车辆是否选择从节点i到达节点j的路径；/>
Figure GDA00032907457100001110
为编号为k的车辆从节点h到节点i的行驶时长。
在步骤S3中，对车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案。
S301、生成车辆和无人机协同快速勘察的初始路径规划方案集合，具体实施过程如下：
一条染色体表示一个车辆和无人机协同快速勘察的初始任务路径规划方案，染色体采用的编码方式，由两行构成，染色体的第一行由车辆访问的目标点路径构成，染色体的第一行和第二行结合表示无人机访问的目标点路径。染色体形式如图3所示：
图3所示染色体表示：由两辆车和两架无人机协同完成快速勘察任务。第一辆车从站点D1出发依次前往目标点8、目标点6和目标点3进行快速勘察，第一架无人机从站点D1出发前往目标点5进行快速勘察，然后前往目标点8与第一辆车进行汇合，并与第一辆车一同前往目标点6，随后在目标点6离开车辆前往目标点3进行快速勘察，并在目标点3与第一辆车汇合，最后与第一辆车一同返回站点D1。第二辆车从站点D2出发后依次前往目标点1和目标点7进行快速勘察，第二架无人机从站点D2出发前往目标点2进行快速勘察，然后在目标点1与第二辆车辆汇合，并与第二辆车一同前往目标点7，随后在目标点7离开车辆前往目标点4进行快速勘察，最后返回站点D2。对应路径如图5所示。
按以下4步生成车辆和无人机协同快速勘察初始路径规划方案集合：
步骤1：目标点的编号进行随机排列生成染色体的第1行，再将该排列分成|K|每段的前面和后面各加1个“0”代表站点，其中第k段染色体对应于第k辆车的路径。
步骤2:对第k段染色体从前向后每次取出2个目标编号，以这2个编号对应的点目标作为椭圆的2个焦点，以无人机的续航能力为长轴，构造“最大续航范围”。
步骤3:如果“最大续航范围”中只有1个目标点，则在前一个目标点编号的下面写上该目标点的编号；如果“最大续航范围”中不只1个目标点，则随机选择1个目标编号写在前一个目标编号的下面；如果“最大续航范围”中没有目标，则在前一个目标编号的下面写上“-1”，重复上述操作直到该段染色体的倒数第2位，在最后1位的下面写上“-1”。
步骤4：重复步骤2-3共|K|次，即可得到每个车辆和无人机协同路径规划方案，形成初始路径规划方案集合。
在具体实施过程中，初始路径规划方案集合中的规划方案并不一定都满足车机协同团队定向模型的约束条件，所以有必要对初始路径规划方案集合中的每条染色体进行约束检查，并对不满足约束条件的染色体进行删除。
S302、基于初始路径规划方案集合，采用分段位置交叉和扰动策略的混合遗传模拟退火算法进行优化以获得车辆和无人机协同快速勘察的最优任务规划方案。具体为：
S302a、设置分段位置交叉和扰动策略的混合遗传模拟退火算法的执行参数和基于车机协同团队定向模型的目标函数，以公式(10)作为适应度函数，计算任务路径规划方案的适应度值，执行参数包括最大迭代次数、交叉概率和扰动迭代次数，在本发明实施例中，最大迭代次数为500，交叉概率为0.7，扰动迭代次数为300。
Figure GDA0003290745710000131
S302b、根据路径规划方案的适应度值，采用轮盘赌选择机制从规划方案集合中选择两条染色体，适应度值越大被选中的概率越大；
S302c、根据交叉概率，对两条染色体采用分段单点位交叉方式进行交叉操作，得到两个子任务路径规划方案；单点位交叉如图4所示，具体为：
步骤1：采用轮盘赌方式选择两个规划方案作为父代染色体，对染色体进行分段操作，一段染色体表示一辆车和一架无人机协同路径规划方案；
步骤2：采用算术交叉操作，步骤1中得到的每段染色体产生[0，1]的随机数，将小于交叉概率0.7的两段染色体进行交叉操作，随机从两段染色体的第一行选择一个目标点，将两段染色体两行对应的基因位进行交换，选择目标点避开该段首位和末位基因，交叉操作的过程如图2所示；
步骤3：根据车辆数量|K|重复进行步骤2操作，直至待交叉染色体的每一段都进行交叉操作，并按照车辆顺序进行合并，得到两个新的规划方案。
S302d、重复步骤S302b～S302c，直至达到预设最大迭代次数500，得到较优的任务路径规划方案，作为当前最优解，停止遗传操作；
S302e、将当前最优解作为模拟退火算法的初始解，对初始人物路径规划方案进行多次扰动，直至达到扰动迭代次数300，多次扰动操作从而获得车机协同快速勘察的最优任务路径规划方案。具体为：
通过扰动算子进行多轮迭代，从而提升车机协同快速勘察路径规划方案的适应度值。设计了两种扰动算子，具体如下：
扰动算子1：从当前路径规划方案中根据车辆编号从中随机选择一段车机协同勘察规划路径，随机选择一个目标点插入当前路径中，将完成扰动操作的分段替换先前分段，插入到勘察规划路径中，形成新的勘察规划方案。
扰动算子2：从当前路径规划方案中根据车辆编号从中随机选择一段车机协同勘察规划路径，从两个分段中各选择一个目标点，分别在两个分段中各插入一个目标点，将完成扰动操作的两个分段替换先前分段，插入到勘察规划路径中，形成新的勘察规划方案。
在本发明实施例中，根据模型和编码方式的特殊性设计扰动方式，具体如下：
步骤1：从2个扰动算子中随机选择一个算子对车机协同勘察规划路径进行预扰动操作；
步骤2：扰动校验，判断预扰动操作后的规划路径是否满足约束(7)，若满足，则完成一次扰动操作，若不满足，则转步骤1，进行扰动校验直至生成满足约束(7)的车机协同勘察规划路径，完成扰动操作。
在扰动操作的过程中进行了预扰动操作和扰动校验，从而生成可行且满足模型约束的车机协同勘察规划路径。
本发明实施例还提供一种面向地震灾后快速勘察的车机协同路径优化装置，该装置包括：
数据获取模块，用于获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，所述勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据；
模型构建模型，用于基于灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型；
模型求解模块，用于对车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案。
可理解的是，本发明实施例提供的面向地震灾后快速勘察的车机协同路径优化装置与上述面向地震灾后快速勘察的车机协同路径优化方法相对应，其有关内容的解释、举例、有益效果等部分可以参考面向地震灾后快速勘察的车机协同路径优化方法中的相应内容，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，其存储用于面向地震灾后快速勘察的车机协同路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的面向地震灾后快速勘察的车机协同路径优化方法。
本发明实施例还提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的面向地震灾后快速勘察的车机协同路径优化方法。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例通过多个车辆与多架无人机组成的联合体从多个站点出发，协同完成勘察任务，采用车机协同的模式可以更好地发挥车辆与无人机各自的特点，从而提高勘察任务的期望收益。
2、本发明实施例所提出的混合遗传模拟退火算法能够缩短获得近似最优解决方案的优化时间，该算法获得的近似最优解决方案中在更短的时间内车辆与无人机协同完成勘察任务，并且使得勘察任务的期望收益最大。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上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精神和范围。

Claims (7)

1.一种面向地震灾后快速勘察的车机协同路径优化方法，其特征在于，所述方法包括：
S1、获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，所述勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据；
S2、基于所述灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型，所述多站点可重访带时间窗的车机协同团队定向模型包括目标函数和约束条件，其中，目标函数，采用公式(3)来表示，约束条件采用公式(4)至(9)来表示：
Figure FDA0004224096260000011
Figure FDA0004224096260000012
Figure FDA0004224096260000013
Figure FDA0004224096260000014
Figure FDA0004224096260000015
Figure FDA0004224096260000016
Figure FDA0004224096260000017
其中：
公式(4)～(5)表示每个节点仅被访问一次，且每辆车从站点出发，并返回该站点；公式(6)表示各节点进出平衡约束；公式(7)表示车辆到达节点时间和节点开始服务时间的关系；公式(8)～(9)表示决策变量取值约束；
h为目标点编号，T为目标点集合；d为无人机编号，D为无人机集合；
Figure FDA0004224096260000021
为目标点h的权重，pd为编号d的无人机所携带传感器的探测误差；/>
Figure FDA0004224096260000022
为编号d的无人机勘察目标点h的勘察次数；h、i和o为节点编号，N为节点集合，T为目标点集合，V为站点集合；k为车辆编号，K为车辆集合；/>
Figure FDA0004224096260000023
为决策变量，编号为k的车辆是否选择从节点h到达节点i的路径，/>
Figure FDA0004224096260000024
为决策变量，编号d的无人机从节点h出发到达节点i并返回编号d的车辆或以站点o为终点的路径；/>
Figure FDA0004224096260000025
为决策变量，编号为k的车辆是否选择从站点r到达目标点i的路径；/>
Figure FDA0004224096260000026
为决策变量，编号为k的车辆是否选择从目标点i到达站点l的路径；/>
Figure FDA0004224096260000027
为决策变量，编号为k的车辆是否选择从节点i到达节点j的路径；/>
Figure FDA0004224096260000028
为编号为k的车辆从节点h到节点i的行驶时长；
S3、对所述车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案，包括：
S301、生成车辆和无人机协同快速勘察的初始路径规划方案集合；
S302、基于初始路径规划方案集合，采用分段位置交叉和扰动策略的混合遗传模拟退火算法进行优化以获得车辆和无人机协同快速勘察的最优任务规划方案。
2.如权利要求1所述的面向地震灾后快速勘察的车机协同路径优化方法，其特征在于，所述生成车辆和无人机协同快速勘察的初始路径规划方案集合，包括：
设定编码规则，包括：一条染色体表示一个车辆和无人机协同快速勘察的初始任务路径规划方案，染色体采用的编码方式，由两行构成，染色体的第一行由车辆访问的目标点路径构成，染色体的第一行和第二行结合表示无人机访问的目标点路径；
根据所述编码规则，按以下4步生成车辆和无人机协同快速勘察初始路径规划方案集合：
步骤1：目标点的编号进行随机排列生成染色体的第1行，再将该排列分成|K|每段的前面和后面各加1个0代表站点，其中第k段染色体对应于第k辆车的路径；
步骤2:对第k段染色体从前向后每次取出2个目标编号，以这2个编号对应的点目标作为椭圆的2个焦点，以无人机的续航能力为长轴，构造最大续航范围；
步骤3:如果最大续航范围中只有1个目标点，则在前一个目标点编号的下面写上该目标点的编号；如果最大续航范围中不只1个目标点，则随机选择1个目标编号写在前一个目标编号的下面；如果最大续航范围中没有目标，则在前一个目标编号的下面写上-1，重复上述操作直到该段染色体的倒数第2位，在最后1位的下面写上-1；
步骤4：重复步骤2-3共|K|次，即可得到每个车辆和无人机协同路径规划方案，形成初始路径规划方案集合。
3.如权利要求1所述的面向地震灾后快速勘察的车机协同路径优化方法，其特征在于，所述基于初始路径规划方案集合，采用分段位置交叉和扰动策略的混合遗传模拟退火算法进行优化以获得车辆和无人机协同快速勘察的最优任务规划方案，包括：
S302a、设置分段位置交叉和扰动策略的混合遗传模拟退火算法的执行参数和基于车机协同团队定向模型的目标函数，以公式(10)作为适应度函数，计算任务路径规划方案的适应度值；所述执行参数包括最大迭代次数、交叉概率和扰动迭代次数；
Figure FDA0004224096260000041
S302b、根据路径规划方案的适应度值，采用轮盘赌选择机制从规划方案集合中选择两条染色体，适应度值越大被选中的概率越大；
S302c、根据交叉概率，对两条染色体采用分段单点位交叉方式进行交叉操作，得到两个子任务路径规划方案；
S302d、重复步骤S302b～S302c，直至达到预设最大迭代次数，得到较优的任务路径规划方案，作为当前最优解，停止遗传操作；
S302e、将当前最优解作为模拟退火算法的初始解，对初始人物路径规划方案进行多次扰动，直至达到扰动迭代次数，获得车机协同快速勘察的最优任务路径规划方案。
4.如权利要求3所述的面向地震灾后快速勘察的车机协同路径优化方法，其特征在于，所述对两条染色体采用分段单点位交叉方式进行交叉操作，得到两个子任务路径规划方案，包括：
步骤1：采用轮盘赌方式选择两个规划方案作为父代染色体，对染色体进行分段操作，一段染色体表示一辆车和一架无人机协同路径规划方案；
步骤2：采用算术交叉操作，步骤1中得到的每段染色体产生[0，1]的随机数，将小于预设的交叉概率的两段染色体进行交叉操作，随机从两段染色体的第一行选择一个目标点，将两段染色体两行对应的基因位进行交换，选择目标点避开该段首位和末位基因；
步骤3：根据车辆数量|K|重复进行步骤2操作，直至待交叉染色体的每一段都进行交叉操作，并按照车辆顺序进行合并，得到两个新的规划方案。
5.一种面向地震灾后快速勘察的车机协同路径优化装置，其特征在于，该装置包括：
数据获取模块，用于获取灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，所述勘察资源数据包括多个车辆与多架无人机组成的联合体数据和多个站点数据；
模型构建模型，用于基于所述灾区内需快速勘察的建筑物的坐标、权重和勘察资源数据，以异构车机协同地震灾后快速勘察的期望收益最大化为目标构建多站点可重访带时间窗的车机协同团队定向模型，所述多站点可重访带时间窗的车机协同团队定向模型包括目标函数和约束条件，其中，目标函数，采用公式(3)来表示，约束条件采用公式(4)至(9)来表示：
Figure FDA0004224096260000051
Figure FDA0004224096260000052
Figure FDA0004224096260000053
Figure FDA0004224096260000061
Figure FDA0004224096260000062
Figure FDA0004224096260000063
Figure FDA0004224096260000064
其中：
公式(4)～(5)表示每个节点仅被访问一次，且每辆车从站点出发，并返回该站点；公式(6)表示各节点进出平衡约束；公式(7)表示车辆到达节点时间和节点开始服务时间的关系；公式(8)～(9)表示决策变量取值约束；
h为目标点编号，T为目标点集合；d为无人机编号，D为无人机集合；
Figure FDA0004224096260000065
为目标点h的权重，pd为编号d的无人机所携带传感器的探测误差；/>
Figure FDA0004224096260000066
为编号d的无人机勘察目标点h的勘察次数；h、i和o为节点编号，N为节点集合，T为目标点集合，V为站点集合；k为车辆编号，K为车辆集合；/>
Figure FDA0004224096260000067
为决策变量，编号为k的车辆是否选择从节点h到达节点i的路径，/>
Figure FDA0004224096260000068
为决策变量，编号d的无人机从节点h出发到达节点i并返回编号d的车辆或以站点o为终点的路径；/>
Figure FDA0004224096260000069
为决策变量，编号为k的车辆是否选择从站点r到达目标点i的路径；/>
Figure FDA00042240962600000610
为决策变量，编号为k的车辆是否选择从目标点i到达站点l的路径；/>
Figure FDA00042240962600000611
为决策变量，编号为k的车辆是否选择从节点i到达节点j的路径；/>
Figure FDA00042240962600000612
为编号为k的车辆从节点h到节点i的行驶时长；
模型求解模块，用于对所述车机协同团队定向模型进行求解，获取车辆和无人机协同快速勘察的最优任务规划方案，包括：
S301、生成车辆和无人机协同快速勘察的初始路径规划方案集合；
S302、基于初始路径规划方案集合，采用分段位置交叉和扰动策略的混合遗传模拟退火算法进行优化以获得车辆和无人机协同快速勘察的最优任务规划方案。
6.一种计算机可读存储介质，其特征在于，其存储用于面向地震灾后快速勘察的车机协同路径优化的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～4任一所述的面向地震灾后快速勘察的车机协同路径优化方法。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～4任一所述的面向地震灾后快速勘察的车机协同路径优化方法。
CN202110838004.7A 2021-07-23 2021-07-23 面向地震灾后快速勘察的车机协同路径优化方法和装置 Active CN113657650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110838004.7A CN113657650B (zh) 2021-07-23 2021-07-23 面向地震灾后快速勘察的车机协同路径优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110838004.7A CN113657650B (zh) 2021-07-23 2021-07-23 面向地震灾后快速勘察的车机协同路径优化方法和装置

Publications (2)

Publication Number Publication Date
CN113657650A CN113657650A (zh) 2021-11-16
CN113657650B true CN113657650B (zh) 2023-07-04

Family

ID=78477723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110838004.7A Active CN113657650B (zh) 2021-07-23 2021-07-23 面向地震灾后快速勘察的车机协同路径优化方法和装置

Country Status (1)

Country Link
CN (1) CN113657650B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852470A (zh) * 2019-09-20 2020-02-28 合肥工业大学 无人机与车辆协同下交通巡逻任务分配的优化方法
CN111310992A (zh) * 2020-02-10 2020-06-19 合肥工业大学 面向地震灾后快速评估的多无人机路径优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9494937B2 (en) * 2014-06-20 2016-11-15 Verizon Telematics Inc. Method and system for drone deliveries to vehicles in route

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852470A (zh) * 2019-09-20 2020-02-28 合肥工业大学 无人机与车辆协同下交通巡逻任务分配的优化方法
CN111310992A (zh) * 2020-02-10 2020-06-19 合肥工业大学 面向地震灾后快速评估的多无人机路径优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimization dubins path of multiple UAVs for post-earthquake rapid-assessment;Zhu moning et al.;APPLIED SCIENCES-BASEL;第10卷(第4期);全文 *
面向异构任务的巡逻车辆与无人机协同路径规划问题研究;张鹏;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)(第2期);C034-776 *

Also Published As

Publication number Publication date
CN113657650A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
Saeidian et al. Evaluation and comparison of Genetic Algorithm and Bees Algorithm for location–allocation of earthquake relief centers
CN111309046B (zh) 异构无人机编队地震灾后勘察的任务分配方法
CN107169608B (zh) 多无人机执行多任务的分配方法及装置
Hidalgo-Paniagua et al. Applying the MOVNS (multi-objective variable neighborhood search) algorithm to solve the path planning problem in mobile robotics
CN106441303A (zh) 一种基于可搜索连续邻域a*算法的路径规划方法
CN104121903B (zh) 一种基于边界值问题的滚动航路规划方法
CN105353427A (zh) 隧道围岩动态分级方法及其装置
CN113485429A (zh) 空地协同交通巡检的路径优化方法和装置
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN113703472A (zh) 多无人机与车辆协同巡检的路径优化方法和装置
Jin et al. Conflict-based search with D* lite algorithm for robot path planning in unknown dynamic environments
CN112633591B (zh) 一种基于深度强化学习的空间搜索方法及设备
CN112668771B (zh) 一种海底隧道的综合评价选址方法及系统
CN115454128A (zh) 基于数字孪生和北斗网格的输电线巡检方法和存储介质
CN112904419B (zh) 一种微地震成像方法及终端设备
Yakıcı et al. Solving a multi-objective heterogeneous sensor network location problem with genetic algorithm
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
CN113865589A (zh) 一种基于地形坡度的长距离快速路径规划方法
CN109961129A (zh) 一种基于改进粒子群的海上静止目标搜寻方案生成方法
CN113657650B (zh) 面向地震灾后快速勘察的车机协同路径优化方法和装置
CN117806340B (zh) 基于强化学习的空域训练飞行路径自动规划方法和装置
Fu et al. Online multi-objective optimization for real-time TBM attitude control with spatio-temporal deep learning model
CN110059848A (zh) Wsn充电服务站点设定方法及充电设备行驶路径规划方法
CN117806307A (zh) 一种基于纵横交叉算法的输电线路避障巡检方法及系统
CN114036829B (zh) 地质剖面图生成方法、系统、设备及存储介质

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