CN113946159A - 无人机高速公路巡逻的路径优化方法和系统 - Google Patents
无人机高速公路巡逻的路径优化方法和系统 Download PDFInfo
- Publication number
- CN113946159A CN113946159A CN202111024928.XA CN202111024928A CN113946159A CN 113946159 A CN113946159 A CN 113946159A CN 202111024928 A CN202111024928 A CN 202111024928A CN 113946159 A CN113946159 A CN 113946159A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- patrol
- aerial vehicle
- population
- highway
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 50
- 230000035772 mutation Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 210000000349 chromosome Anatomy 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000003780 insertion Methods 0.000 claims description 15
- 230000037431 insertion Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种无人机高速公路巡逻的路径优化方法和系统,涉及路径规划技术领域。本发明提出了一种路网导向型的多站点固定终点的多旅行商问题模型。无人机编队将始终在道路上空飞行并记录飞行过程中交通的实时路况,并将不同类型的巡逻任务组合,提高飞行过程中的资源利用率,无人机编队需要同时完成重要道路节点的巡逻任务和对某些易拥堵、违章的道路路段的指挥任务,选择巡逻路径总长度最短的处理策略,对动态环境更具灵活性。
Description
技术领域
本发明涉及路径规划技术领域,具体涉及一种无人机高速公路巡逻的路径优化方法和系统。
背景技术
近年来,全国高速公路通车里程增长迅速,交通管理的警力不足与需求增加的矛盾日益凸显。目前,交通主管部门通常采用常规人工巡逻和固定摄像头等方式获取城市高速公路的实时信息。然而,城市高速公路巡逻任务面临着里程长、盲区多、效率低等问题,固定摄像头无法实现全路段覆盖,而常规的人工巡逻往往需要占用本已十分拥堵的有限道路资源,且难以快速获取实时路况信息。因此,如何满足当前日渐增长的高速公路交通管理需求是高速公路巡逻的一大难题。无人机是一种环境适应性和可扩展性较强的传感平台,同时具有远程自主航线巡逻、道路抓拍、定点悬停飞行、实时语音通讯等功能。因此,在城市建筑和道路条件复杂、地面视角有限的道路交通巡逻中,无人机被视为当前巡逻业务的有效补充并已被广泛应用。
在现阶段,无人机高速公路巡逻的方法为:交警部门在接到多个巡逻任务后,依靠专业的操控员现场操作以确定无人机的起飞降落位置和巡逻路径,完成对巡逻任务的访问,并回到停机坪。在这个过程中,通过操控员现场人为操作,难以找到一种较优的任务分配与路径规划方案,导致无人机在飞行巡逻过程中资源利用率较低。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种无人机高速公路巡逻的路径优化方法和系统,解决了现有方法中无人机飞行巡逻过程中资源利用率较低的技术问题。
(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,本发明提供一种无人机高速公路巡逻的路径优化方法,所述方法包括以下步骤:
S1、获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号,所述异构巡逻任务集合包括点目标和线目标;
S2、基于所述高速公路路网数据、所述异构巡逻任务集合和所述无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型;
S3、基于所述高速公路路网数据、所述异构巡逻任务集合、所述无人机数量及编号和所述多旅行商问题模型,采用单亲遗传算法获取每架无人机的访问任意一个或多个巡逻目标的最优任务分配方案。
优选的,所述多旅行商问题模型,包括:
所述多旅行商问题模型的目标函数为所有无人机的巡逻路径总长度最短,采用公式(1)来表示:
所述多旅行商问题模型的约束条件采用公式(2)至(11)来表示:
Sk≤Smax,Uk∈U (6)
其中:
式(2)保证网络中所有的节点的进向弧和出向弧相等;式(3)保证至多有一架无人机从停机坪出发;式(4)保证至多有一架无人机返回同一停机坪;式(5)为单架无人机飞行总距离的计算公式;式(6)为无人机的续航能力约束,单架无人机飞行的距离为Sk,无人机的最大续航距离为Smax。;式(7)规定二元决策变量的取值,若无人机k选择从路网中的节点i飞向节点j则否则式(8)规定二元决策变量的取值,若无人机k选择从停机坪b飞向路网中的节点j,则否则式(9)规定二元决策变量的取值,若无人机k选择从路网中的节点i飞向停机坪b则否则式(10)保证每个线目标都仅被一架无人机访问一次;式(11)保证每个点目标都仅被一架无人机访问一次;
优选的,所述S3包括:
S301、设定染色体编码方式和设置单亲遗传算法的执行参数;
S302、根据设定染色体编码方式、单亲遗传算法的执行参数和异构巡逻任务集合初始化种群,得到初始种群;
S303、计算初始种群中所有个体的适应度值,得到初始种群的适应度值;
S304、从父代种群中选择临时种群;
S305、生成2个随机突变片段选择点i和j、以及突变片段插入位置p;
S306、对临时群体中的每个个体进行四次变异,每次变异得到的个体和临时种群中的原个体加入子代种群;
S307、获取子代种群的适应度,并与父代种群的适应度值进行比较,若子代种群的适应度优于父代种群的适应度值,则子代种群取代父代种群,否则保留父代种群;
S308、从父代种群中选择适应度值最大的个体,记为最优解;
S308、更新当前迭代次数,判断是否达到最大迭代次数,若是,输出最优解,否则,返回步骤S304,所述最优解为最优任务分配方案的编码。
优选的,所述染色体编码方式包括:
采用基于任务点序号的整数编码和设置断点的方式对染色体进行编码,用两个向量表示一条染色体,其中,第一个向量是所有点目标编号和线目标两个端点的一个随机排列,第二个向量是随机设置的断点位置,一条染色体代表多旅行商问题模型的一个可行路径规划方案。
优选的,所述S302包括:
S302a、将异构巡逻任务集合中的编号随机排列得到一个序列H,其中线任务编号需转换为该线段两端的端点;
S302b、根据无人机数量K随机设置K-1个中断点,从而将序列H分成K段,确定每个无人机应该检查的任务点;
S302c、根据预设的种群规模重复步骤S302a-S302b,得到初始种群。
优选的,所述S304包括:
S304a、从父代种群中使用轮盘赌选择5个未被选择的个体;
S304b、从刚刚选出的5个个体中找出适应度值最高的个体,将适应度值最高的个体存入到临时种群中,重复步骤S304a~S304b,直到父代种群中所有的个体都被轮盘赌选中。
优选的,在所述S306中,以四种变异算子对临时群体中的每个个体进行四次变异,所述四种变异包括:变异算子swapinsert、flipinsert、Lslideinsert、rslideinsert;
其中:
变异算子swapinsert的变异过程为:交换位置i、j的序列号,然后将位置i至j这一片段插入到插入位置p;
变异算子flipinsert的变异过程为:反转片段i到j中的序列号,然后将位置i至j这一片段插入到插入位置p;
变异算子lslideinsert的变异过程为:i至j中的序列号向左循环移位一个位置,然后将位置i至j这一片段插入到插入位置p;
变异算子rslideinsert的变异过程为:i至j中的序列号向右循环移位一个位置,然后将位置i至j这一片段插入到插入位置p。
第三方面,本发明提供一种无人机高速公路巡逻的路径优化系统,所述系统包括
数据获取模块,用于获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号;
模型构建模块,用于基于所述高速公路路网数据、所述异构巡逻任务集合和所述无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型;
模型求解模块,用于基于所述高速公路路网数据、所述异构巡逻任务集合、所述无人机数量及编号和所述多旅行商问题模型,采用单亲遗传算法获取每架无人机的访问任意一个或多个巡逻目标的最优任务分配方案。
第三方面,本发明提供一种计算机可读存储介质,其存储用于无人机高速公路巡逻的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无人机高速公路巡逻的路径优化方法。
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无人机高速公路巡逻的路径优化方法
(三)有益效果
本发明提供了一种无人机高速公路巡逻的路径优化方法和系统。与现有技术相比,具备以下有益效果:
本发明首先获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号,所述异构巡逻任务集合包括点目标和线目标;然后基于所述高速公路路网数据、所述异构巡逻任务集合和所述无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型;最后基于所述高速公路路网数据、所述异构巡逻任务集合、所述无人机数量及编号和所述多旅行商问题模型,采用单亲遗传算法获取每架无人机的访问任意一个或多个巡逻目标的最优任务分配方案。在本发明中,提出了一种路网导向型的多站点固定终点的多旅行商问题模型。无人机编队将始终在道路上空飞行并记录飞行过程中交通的实时路况,并将不同类型的巡逻任务组合,提高飞行过程中的资源利用率,无人机编队需要同时完成重要道路节点的巡逻任务和对某些易拥堵、违章的道路路段的指挥任务,选择巡逻路径总长度最短的处理策略,对动态环境更具灵活性。
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无人机高速公路巡逻的路径优化方法的框图;
图2为本发明实施例中的路网示意图;
图3为本发明实施例中染色体编码方式示意图;
图4为本发明实施例中变异算子swapinsert的变异过程示意图;
图5为本发明实施例中变异算子flipinsert的变异过程示意图;
图6为本发明实施例中变异算子lslideinsert的变异过程示意图;
图7为本发明实施例中变异算子rslideinsert的变异过程示意图。
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高速公路巡逻的路径优化方法和系统,解决了现有方法中无人机飞行巡逻过程中资源利用率较低的技术问题,实现对无人机高速公路巡逻的路径进行优化,提高飞行过程中的资源利用率。
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:
无人机高速公路巡逻的主要工作包括对高发事故点巡逻和携带喊话器疏导易拥堵的路段。为保证无人机编队在飞行过程中的安全性,通常要求无人机沿着高速公路路网上空飞行,在无人机飞往待巡逻任务节点的过程中往往会经过需要疏导交通的路段,所以同时执行点线异构任务可以减少巡逻成本,提高日常巡逻的效率。高速公路上易拥堵的节点和需要疏导交通的路段较多且分布较广,而无人机由于受到续航能力的约束,单架次飞行只能对部分高速公路进行巡逻。与此同时,所有的高速公路都需要被定期巡逻,以保证车辆正常通行。如何在单次飞行中最大限度地发挥无人机续航能力巡逻尽可能多地任务点及任务路段,是无人机高速公路巡逻需要解决的主要问题。为了提高巡逻任务的效率,通常会采用多架无人机从不同方向同时对目标区域展开巡逻,而且这些无人机通常会从不同的站点出发。多无人机的应用可以增强巡逻任务完成的鲁棒性,同时有效缩短了巡逻任务的执行时间。本发明实施例提出了一种路网导向型的无人机高速公路巡逻方式。无人机编队将始终在道路上空飞行并记录飞行过程中交通的实时路况,并将不同类型的巡逻任务组合,提高飞行过程中的资源利用率,且使无人机编队能够在飞行过程中得到安全保障。无人机编队需要同时完成对重要道路节点的巡逻任务和对某些易拥堵、违章的道路路段的指挥任务,选择巡逻路径总长度最短的处理策略,对动态环境更具灵活性。
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。
本发明实施例提供了一种无人机高速公路巡逻的路径优化方法,如图1所示,该方法包括步骤S1~S3:
S1、获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号;
S2、基于高速公路路网数据、异构巡逻任务集合和无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型;
S3、基于高速公路路网数据、异构巡逻任务集合、无人机数量及编号、多旅行商问题模型,采用单亲遗传算法获取每架无人机访问任意一个或多个巡逻目标的最优任务分配方案。
本发明实施例提出了一种路网导向型的多站点固定终点的多旅行商问题模型。无人机编队将始终在道路上空飞行并记录飞行过程中交通的实时路况,并将不同类型的巡逻任务组合,提高飞行过程中的资源利用率,无人机编队需要同时完成重要道路节点的巡逻任务和对某些易拥堵、违章的道路路段的指挥任务,选择巡逻路径总长度最短的处理策略,对动态环境更具灵活性。
下面对本发明实施例的实现过程进行详细说明:
在步骤S1中,获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号。具体实施过程如下:
需要说明的是,高速公路路网数据包括:停机坪的数量、停机坪所在路段节点编号、路网中的道路编号及每条道路的距离。
异构巡逻任务集合包括:异构巡逻目标所在路网节点及路段编号。
在具体实施过程中,由于点目标与线目标分布在城市高速公路路网中,且无人机编队需沿着路网执行任务。用连通图G=(V,E)来表示高速公路路网,用点集合V=(V0,V1,…,Vn,…VN)来表示道路之间的交叉点,交叉点的数量为N。无人机在飞行过程中需要不断对目标节点做出决策,将每次决策的出发点记作VS={V0,V1,…,VV-1},将每次决策的目标节点记作VE={V1,V2,…,VV},其中V0等价于VV。无人机巡逻的任务路段即为连通图G的边集合E={eij=(Vi,Vj)}的子集,每条边的长度为dij,路网中共有M条边。为了将模型应用到更复杂的路网,本发明实施例采用经典"Sioux Falls"路网。本发明实施例将经典"SiouxFalls"双向路网进行简化处理,简化后的图如图2所示。上述涉及到的数据具体包括:
无人机集合为U={U1,…,Uk,…,UK},无人机数量为K,无人机编号为k∈{1,…,K},无人机的最大续航距离为Smax。
停机坪集合为D={D1,…,Db,…,DB},停机坪数量为B,停机坪编号为b∈{1,…,B}。
路网节点集合为V=(V0,V1,…,Vn,…,VN),路网节点数量为N,每次决策的起点与目标节点编号为i,j∈{1,…,N}。
通过路网节点的坐标计算每次决策的起始节点i飞向目标节点j的距离为dij。
任务执行路径为Rk。
无人机飞行过程中每次决策的出发点为VS={V0,V1,…,VV-1}
无人机飞行过程中每次决策的目标点VE={V1,V2,…,VV}
路网中边的集合为E={eij=(Vi,Vj)};
在步骤S2中,基于高速公路路网数据、异构巡逻任务集合和无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型,具体实施过程如下:
所述多旅行商问题模型的目标函数采用公式(1)来表示:
式(1)表示所有无人机的巡逻路径总长度最短。
所述多旅行商问题模型的约束条件采用公式(2)至(11)来表示:用U={U1,…,Uk,…,UK}表示执行异构巡逻任务的无人机集合。由于执行任务的无人机一般是同一型号的多旋翼无人机,所以本发明实施例假设所有无人机均为同构的,而且不用考虑无人机的动力学约束。同时,目前的无人机都载了自动避障和增稳装置,所以执行任务的无人机具有自动避障和抗风的能力,有能力安全地完成异构巡逻任务。
一共有K架无人机对任务点及任务路段进行访问,用UK表示无人机编号,定义如下的决策变量来表示无人机在城市道路网络中的访问。令变量表示无人机是否从节点i飞行到节点j,其中(Vi,Vj)∈E那么在一次任务执行过程中,对于无人机来讲,需满足以下约束:
Sk≤Smax,Uk∈U (6)
其中:
式(2)保证网络中所有的节点的进向弧和出向弧相等;式(3)保证至多有一架无人机从停机坪出发;式(4)保证至多有一架无人机返回同一停机坪;式(5)为单架无人机飞行总距离的计算公式;式(6)为无人机的续航能力约束,单架无人机飞行的距离为Sk,无人机的最大续航距离为Smax;式(7)规定二元决策变量的取值,若无人机k选择从路网中的节点i飞向节点j则否则式(8)规定二元决策变量的取值,若无人机k选择从停机坪b飞向路网中的节点j,则否则式(9)规定二元决策变量的取值,若无人机k选择从路网中的节点i飞向停机坪b则否则
为实现对异构任务的访问需满足以下约束
式(10)保证每个线目标都仅被一架无人机访问一次;式(11)保证每个点目标都仅被一架无人机访问一次。
在具体实施过程中,为了方便后续在单亲遗传算法中计算适应度值,所述方法还包括:
通过迪杰斯特拉(Dijkstra)算法计算所有所述停机坪到所有所述巡逻目标最短路径的距离以及所有路网节点之间的最短路径的距离,并使用二维矩阵进行存储,得到最短飞行距离矩阵。具体为:
以表1中的矩阵为例说明矩阵行和列的意义:表1表示通过迪杰斯特拉(Dijkstra)算法计算出的路网节点之间最短路径的距离矩阵。无人机沿着路网飞行时到达目标节点的最短距离可由迪杰斯特拉(Dijkstra)算法计算得出,第N行第M列的数据表示无人机从路网中标号为N的节点飞向标号为M的节点最短路径的距离。停机坪和任务点均设置在路网上的节点位置,用Dn表示停机坪,RTn表示点任务以及线任务的端点。以表一为例,RT4,RT5表示线任务的两个端点,表示线任务的长度,在对该线任务进行巡逻时,必须连续访问这两个端点。当路网中的节点不连通时,路径长度设为Inf,表示无穷大。假设无人机不需要在巡逻目标停留即可视为完成巡逻任务,所以设从某一节点出发到达本身的距离设为0。
表1
在步骤S3中,基于高速公路路网数据、异构巡逻任务集合、无人机数量及编号、多旅行商问题模型,采用单亲遗传算法获取每架无人机访问任意一个或多个巡逻目标的最优任务分配方案。具体实施过程如下:
S301、设定染色体编码方式和设置单亲遗传算法的执行参数,具体包括:
染色体编码方式如下:
采用基于任务点序号的整数编码+设置断点的方式对染色体进行编码,即用两个向量表示一条染色体,其中,第一个向量是所有点目标编号和线目标两个端点的一个随机排列,第二个向量是随机设置的断点位置。一条染色体代表MTSP(multiple travelingsalesman problem,多旅行商问题)的一个可行路径规划方案。
假设现有3架无人侦察机10个任务点,编码方式如图3所示:
图3所示染色体表示的无人机编队巡逻路径方案可描述为:第1架无人机从停机坪出发,依次巡逻编号为8的点任务、端点为4、3的线任务、点任务1、2后返回其出发的停机坪,第2架无人机从停机坪出发,依次巡逻端点为9、10的线任务后返回其出发的停机坪,第3架无人机从停机坪出发,依次巡逻任务点7、5、6后返回其出发的停机坪。
单亲遗传算法的执行参数包括种群规模N、最大迭代次数T和当代迭代次数t。
S302、根据设定染色体编码方式、单亲遗传算法的执行参数和异构巡逻任务集合初始化种群,得到初始种群。具体包括:
S302a、将异构巡逻任务集合中的编号随机排列得到一个序列H,其中线任务编号需转换为该线段两端的端点;
S302b、根据无人机数量K随机设置K-1个中断点,从而将序列H分成K段,确定每个无人机应该检查的任务点。
S302c、根据预设的种群规模重复步骤S302a-S302b,得到初始种群,所述初始种群包括多个任务分配方案,所述任务分配方案被定义为所述多无人机中每架无人机的任务执行顺序及对应的站点编号,所述任务执行顺序包括无人机依次经过的巡逻目标,以及无人机沿着路网飞行时经过的路段端点。
需要说明的是,初始种群中的个体均要满足多旅行商问题模型的的约束条件,初始种群为第一代父代种群。
S303、计算初始种群中所有个体的适应度值,得到初始种群的适应度值,具体为:
在本发明实施例中,由于本文以所有无人机的巡逻路径总长度最短作为优化目标,因此,适应度值以每架无人机的路径长度之和的倒数f(x)作为遗传算法的适应度函数。f(x)数值越大的染色体说明适应度越高。适应度函数f(x)的计算公式如下,计算种群中个体的适应度值时,即计算:
将所有个体的适应度值相加,得到得到初始种群的适应度值;
S304、从父代种群中选择临时种群,具体为:
S304a、从父代种群中使用轮盘赌选择5个未被选择的个体。
S304b、从刚刚选出的5个个体中找出适应度值最高的个体,将适应度值最高的个体存入到临时种群中,重复步骤S304a~S304b,直到父代种群中所有的个体都被轮盘赌选中。
S305、生成2个随机突变片段选择点i和j、以及突变片段插入位置p;
S306、以四种变异算子对临时群体中的每个个体进行变异:swapins ert、flipinsert、Lslideinsert、rslideinsert,每次变异得到的个体和临时种群中的原个体加入子代种群;
其中:
变异算子swapinsert的变异过程可描述为:交换位置i、j的序列号,然后将位置i至j这一片段插入到插入位置p。图4给出了变异算子swapinsert变异的过程。
变异算子flipinsert的变异过程可描述为:反转片段i到j中的序列号,然后将位置i至j这一片段插入到插入位置p。图5给出了变异算子flipinsert变异的过程。
变异算子lslideinsert的变异过程可描述为:i至j中的序列号向左循环移位一个位置,然后将位置i至j这一片段插入到插入位置p。图6给出了变异算子lslideinsert变异的过程。
变异算子rslideinsert的变异过程可描述为:i至j中的序列号向右循环移位一个位置,然后将位置i至j这一片段插入到插入位置p。图7给出了变异算子rslideinsert变异的过程。
S307、获取子代种群的适应度,并与父代种群的适应度值进行比较,若子代种群的适应度优于父代种群的适应度值,则子代种群取代父代种群,否则保留父代种群。
S308、从父代种群中选择适应度值最大的个体,记为最优解。
S308、更新当前迭代次数,判断是否达到最大迭代次数,若是,输出最优解,否则,返回步骤S304,最优解为最优任务分配方案的编码。
本发明实施例无人机高速公路巡逻的路径优化系统,该系统包括:
数据获取模块,用于获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号;
模型构建模块,用于基于高速公路路网数据、异构巡逻任务集合和无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型;
模型求解模块,用于基于高速公路路网数据、异构巡逻任务集合、无人机数量及编号、多旅行商问题模型,采用单亲遗传算法获取每架无人机的访问任意一个或多个巡逻目标的最优任务分配方案。
可理解的是,本发明实施例提供的无人机高速公路巡逻的路径优化系统与上述无人机高速公路巡逻的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无人机高速公路巡逻的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,其存储用于无人机高速公路巡逻的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无人机高速公路巡逻的路径优化方法。
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无人机高速公路巡逻的路径优化方法。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例提出了一种路网导向型的多站点固定终点的多旅行商问题模型。无人机将始终在道路上空飞行并记录飞行过程中交通的实时路况,并将不同类型的巡逻任务组合,提高飞行过程中的资源利用率,无人机需要同时完成重要道路节点的巡逻任务和对某些易拥堵、违章的道路路段的指挥任务,选择巡逻路径总长度最短的处理策略,对动态环境更具灵活性。
2、本发明实施例设计了四种将变异算子,避免了参数设置的复杂性,简化算法操作,从而提高了计算效率。
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计算机可读存储介质中,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 (10)
1.一种无人机高速公路巡逻的路径优化方法,其特征在于,所述方法包括以下步骤:
S1、获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号,所述异构巡逻任务集合包括点目标和线目标;
S2、基于所述高速公路路网数据、所述异构巡逻任务集合和所述无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型;
S3、基于所述高速公路路网数据、所述异构巡逻任务集合、所述无人机数量及编号和所述多旅行商问题模型,采用单亲遗传算法获取每架无人机的访问任意一个或多个巡逻目标的最优任务分配方案。
2.如权利要求1所述的无人机高速公路巡逻的路径优化方法,其特征在于,所述多旅行商问题模型,包括:
所述多旅行商问题模型的目标函数为所有无人机的巡逻路径总长度最短,采用公式(1)来表示:
所述多旅行商问题模型的约束条件采用公式(2)至(11)来表示:
其中:
式(2)保证网络中所有的节点的进向弧和出向弧相等;式(3)保证至多有一架无人机从停机坪出发;式(4)保证至多有一架无人机返回同一停机坪;式(5)为单架无人机飞行总距离的计算公式;式(6)为无人机的续航能力约束,单架无人机飞行的距离为Sk,无人机的最大续航距离为Smax;式(7)规定二元决策变量的取值,若无人机k选择从路网中的节点i飞向节点j则否则式(8)规定二元决策变量的取值,若无人机k选择从停机坪b飞向路网中的节点j,则否则式(9)规定二元决策变量的取值,若无人机k选择从路网中的节点i飞向停机坪b则否则式(10)保证每个线目标都仅被一架无人机访问一次;式(11)保证每个点目标都仅被一架无人机访问一次。
3.如权利要求1~2任一所述的无人机高速公路巡逻的路径优化方法,其特征在于,所述S3包括:
S301、设定染色体编码方式和设置单亲遗传算法的执行参数;
S302、根据设定染色体编码方式、单亲遗传算法的执行参数和异构巡逻任务集合初始化种群,得到初始种群;
S303、计算初始种群中所有个体的适应度值,得到初始种群的适应度值;
S304、从父代种群中选择临时种群;
S305、生成2个随机突变片段选择点i和j、以及突变片段插入位置p;
S306、对临时群体中的每个个体进行四次变异,每次变异得到的个体和临时种群中的原个体加入子代种群;
S307、获取子代种群的适应度,并与父代种群的适应度值进行比较,若子代种群的适应度优于父代种群的适应度值,则子代种群取代父代种群,否则保留父代种群;
S308、从父代种群中选择适应度值最大的个体,记为最优解;
S308、更新当前迭代次数,判断是否达到最大迭代次数,若是,输出最优解,否则,返回步骤S304,所述最优解为最优任务分配方案的编码。
4.如权利要求3所述的无人机高速公路巡逻的路径优化方法,其特征在于,所述染色体编码方式包括:
采用基于任务点序号的整数编码和设置断点的方式对染色体进行编码,用两个向量表示一条染色体,其中,第一个向量是所有点目标编号和线目标两个端点的一个随机排列,第二个向量是随机设置的断点位置,一条染色体代表多旅行商问题模型的一个可行路径规划方案。
5.如权利要求3所述的无人机高速公路巡逻的路径优化方法,其特征在于,所述S302包括:
S302a、将异构巡逻任务集合中的编号随机排列得到一个序列H,其中线任务编号需转换为该线段两端的端点;
S302b、根据无人机数量K随机设置K-1个中断点,从而将序列H分成K段,确定每个无人机应该检查的任务点;
S302c、根据预设的种群规模重复步骤S302a-S302b,得到初始种群。
6.如权利要求3所述的无人机高速公路巡逻的路径优化方法,其特征在于,所述S304包括:
S304a、从父代种群中使用轮盘赌选择5个未被选择的个体;
S304b、从刚刚选出的5个个体中找出适应度值最高的个体,将适应度值最高的个体存入到临时种群中,重复步骤S304a~S304b,直到父代种群中所有的个体都被轮盘赌选中。
7.如权利要求3所述的无人机高速公路巡逻的路径优化方法,其特征在于,在所述S306中,以四种变异算子对临时群体中的每个个体进行四次变异,所述四种变异包括:变异算子swapinsert、flipinsert、Lslideinsert、rslideinsert;
其中:
变异算子swapinsert的变异过程为:交换位置i、j的序列号,然后将位置i至j这一片段插入到插入位置p;
变异算子flipinsert的变异过程为:反转片段i到j中的序列号,然后将位置i至j这一片段插入到插入位置p;
变异算子lslideinsert的变异过程为:i至j中的序列号向左循环移位一个位置,然后将位置i至j这一片段插入到插入位置p;
变异算子rslideinsert的变异过程为:i至j中的序列号向右循环移位一个位置,然后将位置i至j这一片段插入到插入位置p。
8.一种无人机高速公路巡逻的路径优化系统,其特征在于,所述系统包括
数据获取模块,用于获取高速公路路网数据、异构巡逻任务集合和无人机数量及编号;
模型构建模块,用于基于所述高速公路路网数据、所述异构巡逻任务集合和所述无人机数量及编号构建路网导向型的多站点固定终点的多旅行商问题模型;
模型求解模块,用于基于所述高速公路路网数据、所述异构巡逻任务集合、所述无人机数量及编号和所述多旅行商问题模型,采用单亲遗传算法获取每架无人机的访问任意一个或多个巡逻目标的最优任务分配方案。
9.一种计算机可读存储介质,其特征在于,其存储用于无人机高速公路巡逻的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1~7任一所述的无人机高速公路巡逻的路径优化方法。
10.一种电子设备,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1~7任一所述的无人机高速公路巡逻的路径优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024928.XA CN113946159B (zh) | 2021-09-02 | 2021-09-02 | 无人机高速公路巡逻的路径优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024928.XA CN113946159B (zh) | 2021-09-02 | 2021-09-02 | 无人机高速公路巡逻的路径优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113946159A true CN113946159A (zh) | 2022-01-18 |
CN113946159B CN113946159B (zh) | 2023-08-04 |
Family
ID=79327839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111024928.XA Active CN113946159B (zh) | 2021-09-02 | 2021-09-02 | 无人机高速公路巡逻的路径优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113946159B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627180A (zh) * | 2023-07-24 | 2023-08-22 | 贵州博睿科讯科技发展有限公司 | 一种无人机巡飞规划方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107807665A (zh) * | 2017-11-29 | 2018-03-16 | 合肥工业大学 | 无人机编队探测任务协同分配方法及装置 |
US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
US20180356803A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm |
CN111352417A (zh) * | 2020-02-10 | 2020-06-30 | 合肥工业大学 | 异构多无人机协同路径的快速生成方法 |
-
2021
- 2021-09-02 CN CN202111024928.XA patent/CN113946159B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
US20180356803A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm |
CN107807665A (zh) * | 2017-11-29 | 2018-03-16 | 合肥工业大学 | 无人机编队探测任务协同分配方法及装置 |
CN111352417A (zh) * | 2020-02-10 | 2020-06-30 | 合肥工业大学 | 异构多无人机协同路径的快速生成方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627180A (zh) * | 2023-07-24 | 2023-08-22 | 贵州博睿科讯科技发展有限公司 | 一种无人机巡飞规划方法、装置、电子设备及存储介质 |
CN116627180B (zh) * | 2023-07-24 | 2023-11-07 | 贵州博睿科讯科技发展有限公司 | 一种无人机巡飞规划方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113946159B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111785045B (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
Kim et al. | Calibration of microsimulation models using nonparametric statistical techniques | |
CN113485429B (zh) | 空地协同交通巡检的路径优化方法和装置 | |
CN110009906B (zh) | 基于交通预测的动态路径规划方法 | |
CN111401681B (zh) | 多无人机协同巡逻任务分配优化方法 | |
CN105160889B (zh) | 一种城市内涝情景下路网交通流的多源点协同疏导方法 | |
CN110009637B (zh) | 一种基于树形结构的遥感图像分割网络 | |
CN113188562B (zh) | 可行驶区域的路径规划方法、装置、电子设备及存储介质 | |
CN111047087A (zh) | 无人机与车辆协同下路径的智能优化方法和装置 | |
CN108549952A (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
CN114550482A (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
CN113946159B (zh) | 无人机高速公路巡逻的路径优化方法和系统 | |
CN114967680B (zh) | 基于蚁群算法和卷积神经网络的移动机器人路径规划方法 | |
CN111947676A (zh) | 快递路径规划方法、装置、电子设备以及存储介质 | |
CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
CN114020005B (zh) | 多无人机协同巡检配网线路的航迹规划方法和系统 | |
Otsuka et al. | Bayesian optimization for crowd traffic control using multi-agent simulation | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN114253975A (zh) | 一种负载感知的路网最短路径距离计算方法及装置 | |
CN113848560A (zh) | 一种大坝表面图像无人机快速安全采集方法及系统 | |
CN115328210B (zh) | 路径规划方法、装置、终端设备以及存储介质 | |
US20230070728A1 (en) | Methods for place recommendation in the smart cities based on internet of things and the internet of things systems thereof | |
CN114594790A (zh) | 一种配电网多无人机巡线路径规划方法及系统 | |
CN112699202B (zh) | 禁行道路的识别方法、装置、电子设备及存储介质 | |
CN112631338B (zh) | 一种航线规划方法、装置、计算机设备及存储介质 |
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 |