CN113807646B - 无人机与车辆协同任务分配的智能优化方法和系统 - Google Patents
无人机与车辆协同任务分配的智能优化方法和系统 Download PDFInfo
- Publication number
- CN113807646B CN113807646B CN202110858525.9A CN202110858525A CN113807646B CN 113807646 B CN113807646 B CN 113807646B CN 202110858525 A CN202110858525 A CN 202110858525A CN 113807646 B CN113807646 B CN 113807646B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unmanned aerial
- task
- point
- aerial vehicle
- 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
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
- G06Q10/06—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
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种无人机与车辆协同任务分配的智能优化方法和系统,涉及无人机技术领域。首先获取无人机与车辆协同任务分配模型和预设参数;并采用车机协同混合编码方法构建初始种群;随后计算染色体的适应度值,然后对染色体进行操作;随后对染色体对应解的可行性进行判别;并对未通过可行性判别的染色体进行修正;接着对当前种群中的染色体进行更新操作,生成子代种群;若未达到最大迭代次数,则再次进行染色体操作;若达到,输出子代种群中的适应度值最大的染色体对应的方案。本发明更能确保线段任务被唯一访问,且在染色体更新操作过程也可避免大量不可行染色体的出现,进而使得本发明提出的遗传算法节省了判断不可行染色体及矫正的时间。
Description
技术领域
本发明涉及无人机技术领域,具体涉及一种无人机与车辆协同任务分配的智能优化方法和系统。
背景技术
无人机与车辆协同执行任务在诸如物流配送、交通巡逻、电力巡检等领域得到了广泛的应用,相较于使用仅车辆和仅无人机执行任务的方式更为复杂,无人机与车辆之间的任务分配问题开始受到关注和研究。在该问题下,需要同时优化无人机和车辆的任务分配方案,以达到完成任务总时间最小化,同时受到续航时间、任务类型以及道路路网等约束也使得协同任务分配问题面临了新的挑战,并且随着任务数量的增加,模型的变量和约束呈指数增长,很难用精确算法进行有效求解该类问题,为此需要提供新的解决方案。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种无人机与车辆协同任务分配的智能优化方法和系统,解决了在构建无人机与车辆协同任务分配模型后,对大任务量的场景下,无法进行有效求解的问题。
(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,提供了一种无人机与车辆协同任务分配的智能优化方法,该方法包括:
S1、获取无人机与车辆协同任务分配模型,遗传算法预设参数集合;
S2、采用车机协同混合编码方法生成染色体,并构建初始种群;
S3、将当前种群视为父代种群,基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作;
S4、采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别;若通过判别,则进入S6;否则,进入S5;
S5、采用车机协同修正方法对未通过可行性判别的染色体进行修正;
S6、采用预设的更新操作对当前种群中的染色体进行更新操作,生成子代种群;
S7、判断迭代次数是否达到最大迭代次数;若未达到,则令迭代次数增加1,返回S3;
S8、基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算子代种群中每个染色体的适应度值,输出子代种群中的适应度值最大的染色体对应的方案。
进一步的,所述无人机与车辆协同任务分配模型包括:
目标函数:
且在无人机与车辆协同任务分配模型中:xij∈{0,1}、yikj∈{0,1}、yipqj∈{0,1}为决策变量;
无人机飞行网络对应的无向图S={N,E},其中N={0,1,...,n,n+1,n+2,...,n+m,n+m+1,e},E={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点之间的边,对于(i,j)∈E,用表示i和j之间的欧式距离值;
车辆行驶网络对应的无向图G={N,A},其中N即为无向图S中的点集合,A={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点在道路路网约束下最短距离道路所抽象的边,对于(i,j)∈A,用表示i和j之间在道路路网约束下最短距离道路的距离值;0表示作为起点时的起点,e表示作为终点时的起点;
点任务参数为P={1,...,n};
线段任务参数为L={(n+1,n+2),...,(p,q),...,(n+m,n+m+1)};
其中,n表示点任务的数量,l=(p,q)表示一个线段任务,p和q是该路段的两端点,其中m表示线段任务的数量;
yikj∈{0,1}表示无人机从点i或其邻近区域起飞,访问点任务k后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},k∈P,j∈N\{0},i≠k≠j;
yipqj∈{0,1}表示无人机从点i或其邻近区域起飞,访问线段任务(p,q)后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},(p,q)∈L,j∈N\{0};
xij∈{0,1}表示车辆从点i行驶到点j取值为1,否则取0,其中i∈N\{e},j∈N\{0},i≠j;
t′ij表示无人机与车辆协同情况下,无人机访问任务时车辆从点i到点j所需时间;
tij表示携带无人机的车辆在道路路网中从点i到点j所需时间。
进一步的,所述无人机与车辆协同任务分配模型还包括:
约束1、点任务被无人机或车辆访问一次:
约束2、线段任务被无人机或车辆访问一次:
约束3、车辆在节点的进入次数等于离开次数:
约束4、车辆仅从起点出发一次:
约束5、车辆仅返回起点一次:
约束6、车辆路径上的节点访问次序:
约束7、无人机在任意节点邻近区域至多发射一次:
约束8、无人机在任意节点邻近区域至多被回收一次:
约束9、无人机起飞和降落关联节点必须在车辆路径上,且起飞关联节点优先于降落关联节点被车辆访问:
约束10、无人机执行任务时必须由车辆进行协同:
约束11、无人机单次飞行只访问一个点任务或一条线段任务:
进一步的,所述采用车机协同混合编码方法生成染色体,并构建初始种群,包括:
根据种群规模生成若干个染色体,对于任一染色体:
将点任务虚拟为线段任务,与原有线段任务以列向量存储,并进行随机排列,得到任务访问顺序πt;
基于无人机执行任务时必须由车辆进行协同的约束确定无人机执行任务数和车辆执行任务数,并随机排列,得到任务分配方案πa;
将任务访问顺序πt和任务分配方案πa合并得到一个染色体。
进一步的,所述基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,包括:
将无人机与车辆协同任务分配模型的目标函数值的倒数作为染色体的适应度值。
进一步的,所述采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别,包括:
当染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时,染色体对应的解不可行;
且所述采用车机协同修正方法对未通过可行性判别的染色体进行修正,包括:
当πa中出现成对1元素的情形时,将位于右边的1元素改为0元素。
第二方面,提供了一种无人机与车辆协同任务分配的智能优化系统,包括:
数据获取模块,用于获取无人机与车辆协同任务分配模型和遗传算法预设参数集合;
初始种群生成及适应度值计算模块,用于采用车机协同混合编码方法生成染色体,并构建初始种群;并基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值;
染色体操作模块,用于将当前种群视为父代种群,然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作;
可行性判定及修正模块,用于采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别;并采用车机协同修正方法对未通过可行性判别的染色体进行修正;
子代种群生成模块,用于采用预设的更新操作对当前种群中的染色体进行更新操作,生成子代种群;
算法终止判断模块,用于判断迭代次数是否达到最大迭代次数;若未达到,则令迭代次数增加1,并返回染色体操作的步骤;
分配结果输出模块,用于调用适应度值计算模块计算子代种群中每个染色体的适应度值,输出子代种群中的适应度值最大的染色体对应的方案。
进一步的,所述无人机与车辆协同任务分配模型包括:目标函数和约束条件;
所述目标函数:
且在无人机与车辆协同任务分配模型中:xij∈{0,1}、yikj∈{0,1}、yipqj∈{0,1}为决策变量;
无人机飞行网络对应的无向图S={N,E},其中N={0,1,...,n,n+1,n+2,...,n+m,n+m+1,e},E={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点之间的边,对于(i,j)∈E,用表示i和j之间的欧式距离值;
车辆行驶网络对应的无向图G={N,A},其中N即为无向图S中的点集合,A={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点在道路路网约束下最短距离道路所抽象的边,对于(i,j)∈A,用表示i和j之间在道路路网约束下最短距离道路的距离值;0表示作为起点时的起点,e表示作为终点时的起点;
点任务参数为P={1,...,n};
线段任务参数为L={(n+1,n+2),...,(p,q),...,(n+m,n+m+1)};
其中,n表示点任务的数量,l=(p,q)表示一个线段任务,p和q是该路段的两端点,其中m表示线段任务的数量;
yikj∈{0,1}表示无人机从点i或其邻近区域起飞,访问点任务k后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},k∈P,j∈N\{0},i≠k≠j;
yipqj∈{0,1}表示无人机从点i或其邻近区域起飞,访问线段任务(p,q)后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},(p,q)∈L,j∈N\{0};
xij∈{0,1}表示车辆从点i行驶到点j取值为1,否则取0,其中i∈N\{e},j∈N\{0},i≠j;
t′ij表示无人机与车辆协同情况下,无人机访问任务时车辆从点i到点j所需时间;
tij表示携带无人机的车辆在道路路网中从点i到点j所需时间;
所述约束条件:
约束1、点任务被无人机或车辆访问一次:
约束2、线段任务被无人机或车辆访问一次:
约束3、车辆在节点的进入次数等于离开次数:
约束4、车辆仅从起点出发一次:
约束5、车辆仅返回起点一次:
约束6、车辆路径上的节点访问次序:
约束7、无人机在任意节点邻近区域至多发射一次:
约束8、无人机在任意节点邻近区域至多被回收一次:
约束9、无人机起飞和降落关联节点必须在车辆路径上,且起飞关联节点优先于降落关联节点被车辆访问:
约束10、无人机执行任务时必须由车辆进行协同:
约束11、无人机单次飞行只访问一个点任务或一条线段任务:
进一步的,所述采用车机协同混合编码方法生成染色体,并构建初始种群,包括:
用于根据种群规模生成若干个染色体,对于任一染色体:
将点任务虚拟为线段任务,与原有线段任务以列向量存储,并进行随机排列,得到任务访问顺序πt;
基于无人机执行任务时必须由车辆进行协同的约束确定无人机执行任务数和车辆执行任务数,并随机排列,得到任务分配方案πa;
将任务访问顺序πt和任务分配方案πa合并得到一个染色体;
且所述基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,包括:将无人机与车辆协同任务分配模型的目标函数值的倒数作为染色体的适应度值。
进一步的,所述可行性判定及修正模块包括:
可行性判定单元,用于染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时,染色体对应的解不可行;
不可行染色体修正单元,用于当πa中出现成对1元素的情形时,将位于右边的1元素改为0元素。
(三)有益效果
本发明提供了一种无人机与车辆协同任务分配的智能优化方法和系统。与现有技术相比,具备以下有益效果:
本发明通过创新的算法编码方式,利用点任务抽象方式,实现了点任务和线段任务在同一条染色体中的统一表示。通过该种编码方式,相较于传统的实数编码等更能确保线段任务被唯一访问,同时在后续的染色体更新操作过程也可以避免因为线段任务被破坏而造成大量不可行染色体的出现,进而使得本发明提出的遗传算法节省了判断不可行染色体及矫正的时间,更快地针对一组任务给出较优的无人机和车辆任务分配方案。
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为本发明实施例的流程图;
图2为本发明实施例的车机协同混合编码方法示意图;
图3为本发明实施例的染色体编码示例对应的解决方案示意图;
图4为本发明实施例的πt初始化方法示意图;
图5为本发明实施例的πa初始化方法示意图;
图6为本发明实施例的染色体交叉操作过程示意图;
图7为本发明实施例的染色体变异操作过程示意图。
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无人机与车辆协同任务分配的智能优化方法和系统,解决了在构建无人机与车辆协同任务分配模型后,对大任务量的场景下,无法进行有效求解的问题。
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。
实施例1:
如图1所示,本发明提供了一种无人机与车辆协同任务分配的智能优化方法,该方法包括:
S1、获取无人机与车辆协同任务分配模型,遗传算法预设参数集合;
S2、采用车机协同混合编码方法生成染色体,并构建初始种群;
S3、将当前种群视为父代种群,基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作;
S4、采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别;若通过判别,则进入S6;否则,进入S5;
S5、采用车机协同修正方法对未通过可行性判别的染色体进行修正;
S6、采用预设的更新操作对当前种群中的染色体进行更新操作,生成子代种群;
S7、判断迭代次数是否达到最大迭代次数;若未达到,则令迭代次数增加1,返回S3;
S8、基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算子代种群中每个染色体的适应度值,输出子代种群中的适应度值最大的染色体对应的方案。
本实施例的有益效果为:
本发明实施例通过创新的算法编码方式,利用点任务抽象方式,实现了点任务和线段任务在同一条染色体中的统一表示。通过该种编码方式,相较于传统的实数编码等更能确保线段任务被唯一访问,同时在后续的染色体更新操作过程也可以避免因为线段任务被破坏而造成大量不可行染色体的出现,进而使得本发明提出的遗传算法节省了判断不可行染色体及矫正的时间,更快地针对一组任务给出较优的无人机和车辆任务分配方案。
本发明可适用多种场景,例如物流配送、交通巡逻等。下面以交通巡逻场景为例,对本发明实施例的实现过程进行详细说明:
本文需要解决的车机协同交通巡逻任务分配问题可描述为在给定的交通路网条件下,针对路口巡逻任务(点任务)和路段巡逻任务(线段任务),分别生成无人机和巡逻车辆的任务执行序列,使得巡逻车辆携带无人机返回巡逻中心(起点)时的总时间最小。
目前,物流领域对此类合作模式做出了实际测试或技术研究,而交通巡逻背景下的任务访问与物流配送不同,道路路网的特殊性使得交通巡逻任务不仅包含点任务(例如道路路口、交通事故点),还包括线段任务(例如交通道路)。特别地,巡逻车辆的行驶也受到交通路网的限制,使得无人机和巡逻车辆执行相同任务时的时间也存在差异。因此,交通领域中无人机与巡逻车辆联合执行交通巡逻任务的方式描述为:无人机与车辆从起点出发,巡逻一组由点任务和线段任务混合组成的任务集合后并返回起点,所给出的任务分配方案可实现总巡逻时间最少,在任务访问约束和无人机操作约束上需要满足点任务或线段任务均可被无人机与巡逻车辆进行巡逻且仅巡逻一次。本发明提出了一种无人机与车辆协同,描述为车辆在行进的路段上可以放飞无人机,不再将无人机的发射位置和回收位置约束在任务上,车辆选取合适的位置发射无人机,无人机访问任务,并在另一个合适的位置被车辆回收,无人机与车辆协同在无人机访问任务为前提下,根据无人机续航时间条件,即可选择合适的位置进行无人机与车辆协同。
结合以上描述,本文做出以下基本假设:
(1)巡逻车辆的续航时间视为无限制,无人机飞行时间有限;
(2)更换无人机电池耗时非常短,相对于全过程耗费时长忽略不计;
(3)无人机与巡逻车辆联合执行任务的过程中,巡逻车辆总早于无人机抵达降落点并等待无人机,这一过程无人机视为自动起降,起飞和降落耗时忽略不计;
(4)线段任务长度均视为无人机飞行范围内。
S1、获取无人机与车辆协同任务分配模型,遗传算法预设参数集合:
无人机单位时间内旅行的距离值Vu;
无人机续航时间Eu;
无人机的最大飞行距离值R=EuVu;
路口巡逻任务参数P={1,...,n};
路段巡逻任务参数L={(n+1,n+2),...,(p,q),...,(n+m,n+m+1)};
其中,n表示点任务的数量,l=(p,q)表示一个路段巡逻任务,p和q是该路段的两端点,其中m表示线段任务的数量;
无人机飞行网络对应的无向图S={N,E},其中N={0,1,...,n,n+1,n+2,...,n+m,n+m+1,e},E={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点之间的边,对于(i,j)∈E,用表示i和j之间的欧式距离值。
车辆行驶网络对应的无向图G={N,A},其中N即为无向图S中的点集合,A={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点在道路路网约束下最短距离道路所抽象的边,对于(i,j)∈A,用表示i和j之间在道路路网约束下最短距离道路的距离值;0表示作为起点时的起点,e表示作为终点时的起点。
进而可以构建以无人机和车辆执行完所有任务回到巡逻中心所耗费的总时间最小为目标的无人机与车辆协同任务分配模型:
举例说明:
目标函数为:
约束1、点任务被巡逻无人机或车辆访问一次:
约束2、线段任务被巡逻无人机或车辆访问一次:
约束3、巡逻车辆在节点的进入次数等于离开次数:
约束4、巡逻车辆仅从巡逻中心出发一次:
约束5、巡逻车辆仅返回巡逻中心一次:
约束6、巡逻车辆路径上的节点访问次序:
约束7、无人机在任意节点邻近区域至多发射一次:
约束8、无人机在任意节点邻近区域至多被回收一次:
约束9、无人机起飞和降落关联节点必须在车辆路径上,且起飞关联节点优先于降落关联节点被车辆访问:
约束10、无人机执行任务时必须由车辆进行协同:
约束11、无人机单次飞行只访问一个点任务或一条线段任务:
其中,xij∈{0,1}、yikj∈{0,1}、yipqj∈{0,1}为决策变量;ui为辅助决策变量,ui表示点i在车辆路径上的位置,u0=1,1≤ui≤n+m+3,n表示点任务的数量,m表示线段任务的数量;
yikj∈{0,1}表示无人机从点i或其邻近区域起飞,访问点任务k后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},k∈P,j∈N\{0},i≠k≠j;
yipqj∈{0,1}表示无人机从点i或其邻近区域起飞,访问线段任务(p,q)后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},(p,q)∈L,j∈N\{0};
xij∈{0,1}表示车辆从点i行驶到点j取值为1,否则取0,其中i∈N\{e},j∈N\{0},i≠j;
得到模型后,需要对模型进行求解,本实施例中基于遗传算法对模型进行求解:
遗传算法(GA)的预设参数主要包括:最大进化代数gen,种群规模pop,交叉概率pc,变异概率pm,迭代次数iter=0。
首先需要构建初始种群,具体的:
S2、采用车机协同混合编码方法生成染色体,并构建初始种群。
(1)车机协同混合编码方法
在本文所提出的算法中,每个染色体代表所研究问题的一个可行染色体。任务访问顺序πt和任务分配方案πa是染色体的两个基本单元,任务访问顺序采用整数编码的方式,任务分配方案采用二进制编码的方式,染色体长度为定值,即为总任务数。
举例说明:如图2所示,巡逻车辆从起点0出发访问了点任务1、线段任务(7,6)和点任务5回到终点0,并从起点0出发后进行第一次无人机发射,在访问节点1之前进行第一次无人机回收,在访问节点1之后进行了第二次无人机发射,在访问线段任务(7,6)的节点7之前进行了第二次的无人机回收,在访问线段任务(7,6)的节点6之后进行了第三次无人机发射,在访问节点5之前进行了第二次无人机回收。无人机进行了三次访问飞行,第一次访问了点任务2,第二次访问了线段任务(4,3),第三次访问了线段任务(8,9)。根据πt和πa,如图3所示,三条完整的无人机实际巡逻路径分别为0′→2→1′、1″→4→3→7′和6′→8→9→5′,一条完整的巡逻车辆实际巡逻路径为0→0′→1′→1→1″→7′→7→6→6′→5′→5→0。
(2)初始化种群操作
在给定的种群规模pop下,根据车机协同混合编码方法,按照以下步骤完成种群的初始化:
步骤1:以图2所描述的解决方案为实例,如图4所示,将点任务1,2,5虚拟为线段任务(1,1)、(2,2),(5,5),与原有线段任务(3,4)、(6,7)、(8,9)以列向量存储,并进行随机排列,得到πt。
步骤2:以图2所描述的为实例,任务总数量为6,根据约束11可知无人机执行任务数的取值范围是因此在[0,3]范围内随机生成无人机执行任务数,确定无人机执行数为3,那么巡逻车辆执行任务数为3,即πa由3个1元素和3个0元素组成。如图5所示,将1元素和0元素根据“两个1元素之间必须有0元素”规则进行排列,得到πa。
步骤3:将生成的任务访问顺序πt和任务分配方案πa合并得到一个染色体,且初始种群的适应度值为0。
S3、将当前种群视为父代种群,基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作。
具体的,对于适应度值的求解,本文的优化目标是最小化无人机和巡逻车辆联合执行交通巡逻任务全过程的总时间,根据遗传算法要求染色体适应度值越大越好的原则,采用倒数法将可行染色体c的目标函数值t(c)转化为对应的适应度值函数值:
fitness(c)=1/t(c)。
显然,目标函数值越小,染色体的适应度值越大,对应的解决方案越好。
对于染色体操作,构建完初始种群后,即可根据遗传算法的预设的选择、交叉和变异操作对当前种群中的染色体进行操作。具体的一种操作方法:
根据预设的交叉概率,在当前的种群中利用轮盘赌方法选择亲本染色体进行预设的交叉操作生成新的子代染色体,更新当前种群中的染色体;
根据预设的变异概率,在当前的种群中选择一部分染色体进行预设变异操作,得到新的子代染色体,更新当前种群中的染色体。
具体的:
最优染色体保留操作及选择操作
通过对种群进行适应度值评估过程后,对于此种群中适应度值最大的染色体,将其对应的解决方案保存在预先定义的存储空间中。只有当后代种群中出现具有更高的适应度值的新染色体时,保留的解决方案才会被替代,更新最优解决方案。选择操作通过采用轮盘赌方法,以保证适应度值大的染色体有更大的概率被选择遗传到下一代。
交叉操作
交叉操作可以维持种群的多样性,有助于遗传算法实现全局搜索,并且通过预先设置的交叉概率来调整遗传算法的收敛速度。本文中的算法采用顺序交叉法以选择的两个父本为基础,生成两个新的子染色体。
举例说明,如图6所示,将ParentA第2列到第4列的基因片段与Parent B对应位置的基因片段进行交叉;对于offspringA,接受到ParentB的交叉片段后,遍历ParentA并继承不重复任务的基因片段。同理,可以得到另一条子代染色体OffspringB。
变异操作
变异操作通过改变染色体中基因或基因位置来产生新的染色体,增加种群的多样性,以避免算法陷入局部最优。根据染色体编码特点,染色体采用两点位置变异,即对任务访问顺序进行突变。考虑到线段任务特征,对于染色体πt部分提出了单点内部变异操作,意在修改线段任务的进入点和离开点。
举例说明,如图7所示,染色体A第2列与第5列发生了两点位置交换,导致线段任务(8,9)的巡逻时间将会优先于点任务1,另外染色体A的πt中第3列发生单点内部变异操作,线段任务(4,3)的巡逻进入点变为了点3,离开点变为点4。
根据无人机访问任务约束,在交叉、变异阶段生成的染色体均可能是不可行染色体,因此需要对不可行染色体给予矫正,最终转化为一个如图2所示的可行的染色体。
S4、采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别,若通过判别,说明为可行解,则进入S6;否则,说明为不可行解,需要进入S5进行修正。
具体的,所述车机协同异常判别方法为:
当染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时,即不满足约束11,染色体对应的解不可行。
举例说明,如图7所示,对变异操作得到的染色体进行不可行解判断,如果有需要则进行对应的矫正步骤,最终得到染色体B。
S5、采用车机协同修正方法对未通过可行性判别的染色体进行修正。
不满足约束11的情况如图6~7所示,且所述车机协同修正方法为:
当πa中出现成对1元素的情形时,将位于右边的1元素改为0元素。
S6、采用预设的更新操作对当前种群中的染色体进行更新操作,生成子代种群。
举例说明:可按照适应度值由大到小选择当前种群前80%的优秀染色体,与前代种群中前20%的优秀染色体合并构成子代种群。
S7、判断迭代次数是否达到最大迭代次数;若未达到,则令迭代次数增加1,返回S3;否则,执行S8。
S8、基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算子代种群中每个染色体的适应度值,输出子代种群中的适应度值最大的染色体对应的方案。
实施例2
本发明还提供了一种无人机与车辆协同任务分配的智能优化系统,所述系统包括:
数据获取模块,用于获取无人机与车辆协同任务分配模型和遗传算法预设参数集合;
初始种群生成及适应度值计算模块,用于采用车机协同混合编码方法生成染色体,并构建初始种群;并基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值;
染色体操作模块,用于将当前种群视为父代种群,然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作;
可行性判定及修正模块,用于采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别;并采用车机协同修正方法对未通过可行性判别的染色体进行修正;
子代种群生成模块,用于采用预设的更新操作对当前种群中的染色体进行更新操作,生成子代种群;
算法终止判断模块,用于判断迭代次数是否达到最大迭代次数;若未达到,则令迭代次数增加1,并返回染色体操作的步骤;
分配结果输出模块,用于调用适应度值计算模块计算子代种群中每个染色体的适应度值,输出子代种群中的适应度值最大的染色体对应的方案。
进一步的,所述可行性判定及修正模块包括:
可行性判定单元,用于染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时,染色体对应的解不可行;
不可行染色体修正单元,用于当πa中出现成对1元素的情形时,将位于右边的1元素改为0元素。
可理解的是,本发明实施例提供的无人机与车辆协同任务分配的智能优化系统与上述无人机与车辆协同任务分配的智能优化方法相对应,其有关内容的解释、举例、有益效果等部分可以参考无人机与车辆协同任务分配的智能优化方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,本发明具备以下有益效果:
本发明通过创新的算法编码方式,利用点任务抽象方式,实现了点任务和线段任务在同一条染色体中的统一表示。通过该种编码方式,相较于传统的实数编码等更能确保线段任务被唯一访问,同时在后续的染色体更新操作过程也可以避免因为线段任务被破坏而造成大量不可行染色体的出现,进而使得本发明提出的遗传算法节省了判断不可行染色体及矫正的时间,更快地针对一组任务给出较优的无人机和车辆任务分配方案。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。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 (6)
1.一种无人机与车辆协同任务分配的智能优化方法,其特征在于,该方法包括:
S1、获取无人机与车辆协同任务分配模型,遗传算法预设参数集合;
S2、采用车机协同混合编码方法生成染色体,并构建初始种群;
S3、将当前种群视为父代种群,基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作;
S4、采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别;若通过判别,则进入S6;否则,进入S5;
S5、采用车机协同修正方法对未通过可行性判别的染色体进行修正;
S6、采用预设的更新操作对当前种群中的染色体进行更新操作,生成子代种群;
S7、判断迭代次数是否达到最大迭代次数;若未达到,则令迭代次数增加1,返回S3;
S8、基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算子代种群中每个染色体的适应度值,输出子代种群中的适应度值最大的染色体对应的方案;
其中,所述无人机与车辆协同任务分配模型包括:
目标函数:
且在无人机与车辆协同任务分配模型中:xij∈{0,1}、yikj∈{0,1}、yipqj∈{0,1}为决策变量;
无人机飞行网络对应的无向图S={N,E},其中N={0,1,...,n,n+1,n+2,...,n+m,n+m+1,e},E={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点之间的边,对于(i,j)∈E,用表示i和j之间的欧式距离值;
车辆行驶网络对应的无向图G={N,A},其中N即为无向图S中的点集合,A={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点在道路路网约束下最短距离道路所抽象的边,对于(i,j)∈A,用表示i和j之间在道路路网约束下最短距离道路的距离值;0表示作为起点时的起点,e表示作为终点时的起点;
点任务参数为P={1,...,n};
线段任务参数为L={(n+1,n+2),...,(p,q),...,(n+m,n+m+1)};
其中,n表示点任务的数量,l=(p,q)表示一个线段任务,p和q是该线段的两端点,其中m表示线段任务的数量;
yikj∈{0,1}表示无人机从点i或其邻近区域起飞,访问点任务k后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},k∈P,j∈N\{0},i≠k≠j;
yipqj∈{0,1}表示无人机从点i或其邻近区域起飞,访问线段任务(p,q)后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},(p,q)∈L,j∈N\{0};
xij∈{0,1}表示车辆从点i行驶到点j取值为1,否则取0,其中i∈N\{e},j∈N\{0},i≠j;
t′ij表示无人机与车辆协同情况下,无人机访问任务时车辆从点i到点j所需时间;
tij表示携带无人机的车辆在道路路网中从点i到点j所需时间;
所述无人机与车辆协同任务分配模型还包括:
约束1、点任务被无人机或车辆访问一次:
约束2、线段任务被无人机或车辆访问一次:
约束3、车辆在节点的进入次数等于离开次数:
约束4、车辆仅从起点出发一次:
约束5、车辆仅返回起点一次:
约束6、车辆路径上的节点访问次序:
约束7、无人机在任意节点邻近区域至多发射一次:
约束8、无人机在任意节点邻近区域至多被回收一次:
约束9、无人机起飞和降落关联节点必须在车辆路径上,且起飞关联节点优先于降落关联节点被车辆访问:
约束10、无人机执行任务时必须由车辆进行协同:
yikj+yipqj+yiqpj≤xij,
约束11、无人机单次飞行只访问一个点任务或一条线段任务:
所述采用车机协同混合编码方法生成染色体,并构建初始种群,包括:
根据种群规模生成若干个染色体,对于任一染色体:
将点任务虚拟为线段任务,与原有线段任务以列向量存储,并进行随机排列,得到任务访问顺序πt;
基于无人机执行任务时必须由车辆进行协同的约束确定无人机执行任务数和车辆执行任务数,并随机排列,得到任务分配方案πa;
将任务访问顺序πt和任务分配方案πa合并得到一个染色体。
2.如权利要求1所述的一种无人机与车辆协同任务分配的智能优化方法,其特征在于,所述基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,包括:
将无人机与车辆协同任务分配模型的目标函数值的倒数作为染色体的适应度值。
3.如权利要求1所述的一种无人机与车辆协同任务分配的智能优化方法,其特征在于,所述采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别,包括:
当染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时,染色体对应的解不可行;
且所述采用车机协同修正方法对未通过可行性判别的染色体进行修正,包括:
当πa中出现成对1元素的情形时,将位于右边的1元素改为0元素。
4.一种无人机与车辆协同任务分配的智能优化系统,其特征在于,包括:
数据获取模块,用于获取无人机与车辆协同任务分配模型和遗传算法预设参数集合;
初始种群生成及适应度值计算模块,用于采用车机协同混合编码方法生成染色体,并构建初始种群;并基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值;
染色体操作模块,用于将当前种群视为父代种群,然后采用预设的选择、交叉和变异操作对当前种群中的染色体进行操作;
可行性判定及修正模块,用于采用车机协同异常判别方法对当前种群中染色体对应解的可行性进行判别;并采用车机协同修正方法对未通过可行性判别的染色体进行修正;
子代种群生成模块,用于采用预设的更新操作对当前种群中的染色体进行更新操作,生成子代种群;
算法终止判断模块,用于判断迭代次数是否达到最大迭代次数;若未达到,则令迭代次数增加1,并返回染色体操作的步骤;
分配结果输出模块,用于调用适应度值计算模块计算子代种群中每个染色体的适应度值,输出子代种群中的适应度值最大的染色体对应的方案;
其中,所述无人机与车辆协同任务分配模型包括:目标函数和约束条件;
所述目标函数:
且在无人机与车辆协同任务分配模型中:xij∈{0,1}、yikj∈{0,1}、yipqj∈{0,1}为决策变量;
无人机飞行网络对应的无向图S={N,E},其中N={0,1,...,n,n+1,n+2,...,n+m,n+m+1,e},E={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点之间的边,对于(i,j)∈E,用表示i和j之间的欧式距离值;
车辆行驶网络对应的无向图G={N,A},其中N即为无向图S中的点集合,A={(i,j)|i∈N,j∈N,i≠j}表示N中任意两点在道路路网约束下最短距离道路所抽象的边,对于(i,j)∈A,用表示i和j之间在道路路网约束下最短距离道路的距离值;0表示作为起点时的起点,e表示作为终点时的起点;
点任务参数为P={1,...,n};
线段任务参数为L={(n+1,n+2),...,(p,q),...,(n+m,n+m+1)};
其中,n表示点任务的数量,l=(p,q)表示一个线段任务,p和q是该线段的两端点,其中m表示线段任务的数量;
yikj∈{0,1}表示无人机从点i或其邻近区域起飞,访问点任务k后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},k∈P,j∈N\{0},i≠k≠j;
yipqj∈{0,1}表示无人机从点i或其邻近区域起飞,访问线段任务(p,q)后降落在点j或其邻近区域取值为1,否则取0,其中i∈N\{e},(p,q)∈L,j∈N\{0};
xij∈{0,1}表示车辆从点i行驶到点j取值为1,否则取0,其中i∈N\{e},j∈N\{0},i≠j;
t′ij表示无人机与车辆协同情况下,无人机访问任务时车辆从点i到点j所需时间;
tij表示携带无人机的车辆在道路路网中从点i到点j所需时间;
所述约束条件:
约束1、点任务被无人机或车辆访问一次:
约束2、线段任务被无人机或车辆访问一次:
约束3、车辆在节点的进入次数等于离开次数:
约束4、车辆仅从起点出发一次:
约束5、车辆仅返回起点一次:
约束6、车辆路径上的节点访问次序:
约束7、无人机在任意节点邻近区域至多发射一次:
约束8、无人机在任意节点邻近区域至多被回收一次:
约束9、无人机起飞和降落关联节点必须在车辆路径上,且起飞关联节点优先于降落关联节点被车辆访问:
约束10、无人机执行任务时必须由车辆进行协同:
yikj+yipqj+yiqpj≤xij,
约束11、无人机单次飞行只访问一个点任务或一条线段任务:
所述采用车机协同混合编码方法生成染色体,并构建初始种群,包括:
用于根据种群规模生成若干个染色体,对于任一染色体:
将点任务虚拟为线段任务,与原有线段任务以列向量存储,并进行随机排列,得到任务访问顺序πt;
基于无人机执行任务时必须由车辆进行协同的约束确定无人机执行任务数和车辆执行任务数,并随机排列,得到任务分配方案πa;
将任务访问顺序πt和任务分配方案πa合并得到一个染色体。
5.如权利要求4所述的一种无人机与车辆协同任务分配的智能优化系统,其特征在于,所述基于无人机与车辆协同任务分配模型采用车机协同混合编码方法计算种群中每个染色体的适应度值,包括:将无人机与车辆协同任务分配模型的目标函数值的倒数作为染色体的适应度值。
6.如权利要求4所述的一种无人机与车辆协同任务分配的智能优化系统,其特征在于,所述可行性判定及修正模块包括:
可行性判定单元,用于染色体不满足无人机单次飞行只访问一个点任务或一条线段任务时,染色体对应的解不可行;
不可行染色体修正单元,用于当πa中出现成对1元素的情形时,将位于右边的1元素改为0元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858525.9A CN113807646B (zh) | 2021-07-28 | 2021-07-28 | 无人机与车辆协同任务分配的智能优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858525.9A CN113807646B (zh) | 2021-07-28 | 2021-07-28 | 无人机与车辆协同任务分配的智能优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807646A CN113807646A (zh) | 2021-12-17 |
CN113807646B true CN113807646B (zh) | 2023-07-04 |
Family
ID=78893189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858525.9A Active CN113807646B (zh) | 2021-07-28 | 2021-07-28 | 无人机与车辆协同任务分配的智能优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807646B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629207A (zh) * | 2023-10-26 | 2024-03-01 | 广东翼景信息科技有限公司 | 一种双层路径规划方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600147A (zh) * | 2016-12-15 | 2017-04-26 | 合肥工业大学 | 面向可分解任务的多无人机任务分配方法和装置 |
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 |
CN111047087A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 无人机与车辆协同下路径的智能优化方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3047753A1 (en) * | 2016-12-21 | 2018-06-28 | Walmart Apollo, Llc | Drone for autonomously completing a task |
-
2021
- 2021-07-28 CN CN202110858525.9A patent/CN113807646B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600147A (zh) * | 2016-12-15 | 2017-04-26 | 合肥工业大学 | 面向可分解任务的多无人机任务分配方法和装置 |
CN111047087A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 无人机与车辆协同下路径的智能优化方法和装置 |
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 |
Non-Patent Citations (3)
Title |
---|
Luo He et al..Cooperative occupancy decision making of multi-UAV in beyond-visual-range air combat: a game theory approach.IEEE ACCESS.2020,811624-11634. * |
多约束下多无人机的任务规划研究综述;齐小刚;李博;范英盛;刘立芳;;智能系统学报(第02期);204-217 * |
王菊.面向电力杆塔巡检的车辆与车载无人机协同路径规划方法.中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑).2021,(第2期),C042-1825. * |
Also Published As
Publication number | Publication date |
---|---|
CN113807646A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning | |
Li et al. | Efficient path planning method based on genetic algorithm combining path network | |
CN113807646B (zh) | 无人机与车辆协同任务分配的智能优化方法和系统 | |
EP3806007A1 (en) | Methods, computer programs and systems for assigning vehicles to vehicular tasks and for providing a machine-learning model | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN114519463A (zh) | 一种众包通勤公交调度问题的嵌入式降维组合优化方法 | |
CN114462664A (zh) | 融合深度强化学习和遗传算法的短程支线航班调度方法 | |
CN117519244B (zh) | 无人机集群协同探测多目标的路径规划方法及系统 | |
Zhang et al. | Transformer-based reinforcement learning for pickup and delivery problems with late penalties | |
Alaia et al. | A Comparative Study of the PSO and GA for the m-MDPDPTW | |
Liu et al. | NeuroCrossover: An intelligent genetic locus selection scheme for genetic algorithm using reinforcement learning | |
CN114462687A (zh) | 基于深度强化学习的车辆路径规划方法及装置 | |
Wu et al. | Neural airport ground handling | |
Wu et al. | A neighborhood comprehensive learning particle swarm optimization for the vehicle routing problem with time windows | |
Liu et al. | Graph convolution-based deep reinforcement learning for multi-agent decision-making in mixed traffic environments | |
CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
CN117073703A (zh) | 一种车辆路径问题解决方案的生成方法及装置 | |
Gulić et al. | Evolution of vehicle routing problem heuristics with genetic programming | |
Zhou et al. | A novel mission planning method for UAVs’ course of action | |
Arbabi et al. | Decision making for autonomous driving in interactive merge scenarios via learning-based prediction | |
D’Ambrosio et al. | Optimizing cellular automata through a meta-model assisted memetic algorithm | |
CN115562835A (zh) | 基于数据驱动的敏捷卫星成像任务调度方法及系统 | |
Wei et al. | Batch human-like trajectory generation for multi-motion-state NPC-vehicles in autonomous driving virtual simulation testing | |
Zhang et al. | Fuzzy bilevel programming: multi-objective and multi-follower with shared variables | |
CN114611794A (zh) | 基于亚启发式算法的车机协同取送货路径优化方法和系统 |
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 |