CN114066240A - 一种基于救援效率的通航救援调度优化方法 - Google Patents

一种基于救援效率的通航救援调度优化方法 Download PDF

Info

Publication number
CN114066240A
CN114066240A CN202111356266.6A CN202111356266A CN114066240A CN 114066240 A CN114066240 A CN 114066240A CN 202111356266 A CN202111356266 A CN 202111356266A CN 114066240 A CN114066240 A CN 114066240A
Authority
CN
China
Prior art keywords
aircraft
rescue
point
disaster
node
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.)
Pending
Application number
CN202111356266.6A
Other languages
English (en)
Inventor
刘全义
艾洪舟
李海
熊升华
张健萍
胡茂绮
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.)
Civil Aviation Flight University of China
Original Assignee
Civil Aviation Flight University of China
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 Civil Aviation Flight University of China filed Critical Civil Aviation Flight University of China
Priority to CN202111356266.6A priority Critical patent/CN114066240A/zh
Publication of CN114066240A publication Critical patent/CN114066240A/zh
Pending legal-status Critical Current

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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q50/265—Personal security, identity or safety

Landscapes

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

Abstract

本发明公开一种基于救援效率的通航救援调度优化方法，包括以下步骤：获取每个救援点和受灾点的信息；根据救援点和受灾点的信息，建立总救援时间最小化的目标函数，基于遗传‑模拟退火混合算法，对航空器进行调度，输出每个航空器的起始点和终止点；根据航空器的起始点和终止点，建立总飞行里程最小化的目标函数，基于改进的蚁群算法，输出每个航空器的最优飞行路径；本发明涉及的是一种基于救援效率的通航救援调度优化方法，将通用航空器作为调度研究对象，以航空器载重、飞行时间、飞机数量为约束条件,以救援效率最大化、总飞行里程最小化为目标建立多出救点、多受灾点航空器调度优化模型。

Description

一种基于救援效率的通航救援调度优化方法
技术领域
本发明属于救援调度技术领域，尤其涉及一种基于救援效率的通航救援调度优化方法。
背景技术
近年来，各类灾害在世界各国频有发生，而灾害发生后往往由于救灾物资运送不及时，难以准确快速的展开救援，导致灾害影响进一步加剧。
当自然灾害发生时，特别是在山区，航空器是最重要的救援手段。但是由于复杂低空应急救援飞行的特殊性，地形障碍等不确定因素的干扰，航空应急救援将面临救援风险大、救援效率低等问题。
发明内容
本发明提供一种基于救援效率的通航救援调度优化方法，旨在解决上述存在的问题。
本发明是这样实现的，一种基于救援效率的通航救援调度优化方法，包括A个救援点和B个受灾点，每个救援点拥有充足的救援物资，以及拥有最大载重量为M的航空器W架；其中，每个受灾点被经过一次且仅一次就完成配送，每架航空器每次飞行至少救援一个受灾点，包括以下步骤：
获取每个救援点和受灾点的信息；
根据救援点和受灾点的信息，建立总救援时间最小化的目标函数，基于遗传-模拟退火混合算法，对航空器进行调度，输出每个航空器的起始点和终止点；
根据航空器的起始点和终止点，建立总飞行里程最小化的目标函数，基于改进的蚁群算法，输出每个航空器的最优飞行路径。
进一步的，所述总救援时间最小化的目标函数为：
Figure BDA0003357248860000021
其中，tj表示第j个受灾点的飞行时间实际值；Tj表示第j个受灾点的飞行时间目标值；
Figure BDA0003357248860000022
表示第j个受灾点对物资g的需求量；E表示救援点A与受灾点B的集合，i,j∈E＝A∪B，每个救援点和受灾点均为航空器飞行路径中的节点；w表示航空器，w＝1,2,...,W；
其中，tj＝(tijw+tgw)xijw，tijw表示航空器w从节点i到节点j的飞行时间；tgw表示物资投放或者降落卸载所需时间；xijw表示决策变量，当航空器w经过(i,j)时，xijw为1，当航空器w不经过(i,j)时，xijw为0；
总救援时间最小化的目标函数均满足以下条件：
Figure BDA0003357248860000023
Figure BDA0003357248860000024
Figure BDA0003357248860000025
(tgw+tijw)xijw≤Lw (4)
Figure BDA0003357248860000026
其中，式(1)表示每个受灾点由一架航空器救援；式(2)表示救援点处航空器数量受限；式(3)表示每条飞行路线途径的各受灾点物资需求量总和不超过该路线上救援航空器的最大载重量；式(4)约束航空器满油最大飞行时间；式(5)表示如果受灾点j由航空器f救援，则航空器f至少要访问受灾点j一次；
yjw表示决策变量，当航空器w为受灾点j运送物资时，yjw为1，当航空器w不为受灾点j运送物资时，yjw为0；Kp表示救援点p可用航空器数量；zij表示决策变量，当救援点i为受灾点j提供物资时，zij为1，当救援点i不为受灾点j提供物资时，zij为0；Mw表示航空器最大载重量；Lw表示每架航空器满油最大飞行时间。
进一步的，基于遗传-模拟退火混合算法，对航空器进行调度，具体包括：
步骤S11、设定控制参数，包括初始温度T0、迭代次数C、交叉概率Pc、变异概率Pm和种群规模N；
步骤S12、以自然数编码方式构造染色体，以随机的方式生成初始种群，其中染色体为航空器的飞行路径；
步骤S13、计算适应度，适应度值f表示为f＝1/Z，Z表示总飞行里程；
步骤S14、进行遗传操作：
选择，根据适应度值采用精英保留和轮盘赌法选择种群；
交叉，对通过自适应交叉概率的染色体采用部分匹配交叉法进行交叉操作；
Figure BDA0003357248860000031
变异：对通过自适应变异概率的染色体采用对换变异法进行变异操作；
Figure BDA0003357248860000032
其中，favg表示每代种群平均适应值；fmax表示种群中最大适应值；f′表示交叉的两个个体中较大的适应值；f表示群体要变异个体适应值；Pc1、Pc2表示最高交叉率与最低交叉率；Pm1、Pm2表示最高变异率与最低变异率；
步骤S15、模拟退火算法局部优化，对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体：
设x1为新解，若f(x1)＞f(x0)，则以概率1接受新解x1；
若f(x1)≤f(x0)，接受概率exp((f(x0)-f(x1))Tk)大于[0,1]内的随机数，则仍接受新解x1，若不成立则保留x0为当前解；
步骤S16、当算法满足终止条件则停止运算，输出高适应度染色体所对应的航空器飞行路线集合；否则，继续执行降温后转至计算个体适应度值。
进一步的，所述总飞行里程最小化的目标函数为：
Figure BDA0003357248860000041
其中，dij表示节点i与节点j之间的距离；
总飞行里程最小化的目标函数均满足以下条件：
di≥Dmin(i＝1，…n-1)
Figure BDA0003357248860000042
Figure BDA0003357248860000043
其中，di表示航空器第i段航迹长度，Dmin航空器在相邻不同姿态点之间的最小直飞距离，x、y、z表示航空器的空间坐标，γ表示航空器在水平方向上偏转的最大角度，θ表示航空器在高度方向上爬升和俯冲的最大角度，n为航迹节点数量。
进一步的，基于改进的蚁群算法，输出每个航空器的最优飞行路径，具体包括：
S21、对三维飞行环境建模，根据航空器调度信息及环境模型选取合适的点作为路径规划的起始点和目标点；
S22、将蚁群中的所有蚂蚁放在设定的起点，同时确定搜索的主方向，选择经度和纬度两个方向中栅格数量变化最多的方向作为航空器航迹规划主方向，起始点到目标点坐标值可能是递增或递减的，则从当前平面到下一平面主方向坐标值相应增加或减少1个单位值；
S23、初始化参数，包括最大迭代次数C_max、蚁群数量PopNum，并为各节点的初始信息素附加不同的浓度；
S24、按照转移规则对三维路径进行搜索，局部更新经过节点的信息素浓度并保存。
S25、判断是否所有蚂蚁均找到从起始点到目标点的路径，计算每条路径的适应度值，适应度值最小对应的路径为当前最优路径，对其进行全局信息素更新。
S26、在满足迭代次数后停止搜索，输出最优解。
进一步的，在步骤S21中，对三维飞行环境建模，具体包括：
首先建立三维直角坐标系O-XYZ，其中O为航空器进行路径规划的起始点；
在直角坐标系中，构造三维立方体空间ABCD-EFGH，其中平面ABCD位于XOZ平面上，AB边平行于X轴，CD边平行于Z轴，原点O位于平面ABCD的中点；
然后将航空器的飞行空间置于该三维立体区域内，AB、AE分别等于航空器飞行空间的长度和宽度；
沿Y轴方向对空间进行n等分，其次过每个等分点做平行于ABCD的平面，得到n+1个平面；
对任意平面沿Z轴进行l等分，沿X轴进行m等分，这样规划空间就被划分成n×m×l个栅格；栅格的长度和宽度大于等于最小直飞距离Dmin，栅格的高度小于等于Dmin×tanθ，栅格尺寸大小设定为Dmin×Dmin×Dmin×tanθ。
进一步的，在步骤S23中，为各节点的初始信息素附加不同的浓度，具体为：
Figure BDA0003357248860000051
Figure BDA0003357248860000061
其中，τ0表示初始信息素浓度，a、b为权重系数，Mie表示节点与目标点的距离，Mio表示节点与最近障碍物的距离。
进一步的，在步骤S24中，按照转移规则对三维路径进行搜索，具体包括：
假设中心栅格节点为航空器的所在位置，则航空器下一个可能飞行的节点为中心栅格节点周围26个节点中的一个；
航空器在目前所在节点i选择下一个节点i+1时，首先利用航空器当前所在节点的位置信息，计算当前路径搜索空间内所有可通过的节点信息，然后根据所有可通过节点的信息，通过启发式函数进行计算，最后得到其他可通过节点的启发函数的值；
即对平面Πa上，其中a＝(1，2，3，...，n)，任意节点Sa(xa，ya，za)的蚂蚁选择下一个相邻平面Πa+1上的Sa，a+1(xa+1，ya+1，za+1)的概率为：
Figure BDA0003357248860000062
Figure BDA0003357248860000063
D＝ωD1(x，y，z)+(1-ω)D2(x，y，z)，ω∈(0，1)
Figure BDA0003357248860000064
T为安全启发因子，当候选节点对应的高度Ha+1(xa+1，ya+1，xa+1)大于其地图上的高度map(xa+1，ya+1，za+1)时，表示该节点可行，蚂蚁安全。
进一步的，在步骤S24中，局部更新经过节点的信息素浓度，具体包括：
使已选的节点对后续蚂蚁具有较小的影响力，保证其他蚂蚁对未选中的节点有更大的概率去访问和具有更强的探索能力，当蚂蚁从当前节点转移到下一个节点后，对该节点信息素的更新遵照下式：
τxyz(1-ξ)τxyz+ξτ0
其中，τ0为节点的初始信息素浓度，ξ为一个介于(0-1)之间的可调参数。
进一步的，在步骤S25中，对其进行全局信息素更新，具体包括：
包括信息素增量和挥发两部分，对最优路径上各点进行信息素更新，用于提升算法的收敛性能和保证对最优解的持续探索；
Figure BDA0003357248860000071
Figure BDA0003357248860000072
其中，
Figure BDA0003357248860000073
为每次迭代完成后，最短路径上的信息素增量；Q为信息素增强系数，Q值越大收敛越快；Lgb为一次迭代完成后的最优航迹长度；ρ为全局信息素挥发度。
与现有技术相比，本发明的有益效果是：本发明涉及的是一种基于救援效率的通航救援调度优化方法，将通用航空器作为调度研究对象，以航空器载重、飞行时间、飞机数量为约束条件,以救援效率最大化、总飞行里程最小化为目标建立多出救点、多受灾点航空器调度优化模型；
本发明对传统的遗传算法进行改进，具体是方法是利用模拟退火算法进行局部优化，对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体，增加了种群多样性和解的质量，避免遗传算法早熟收敛现象，陷入局部最优。
基于救援航空器性能和低空飞行规则，对受灾区域的地形环境进行三维建模；基于环境三维模型和救援模型，在飞行约束条件内，采用蚁群算法进行路径规划，得到从出发点到受灾区域中目标点的参考路径；对所述参考路径进行平滑处理，得到所述救援飞行器的飞行路径。对传统的蚁群算法进行改进，通过改变初始信息素分布规则，引导蚁群搜索朝着既定的方向进行，同时避免障碍物；避免了搜索的盲目性且保证了飞行的安全性，相较于传统蚁群算法，最优路径的可行性、安全性和计算效率有了明显的提高。
附图说明
图1为本发明中遗传-模拟退火混合算法流程图；
图2为本发明中改进的蚁群算法流程图；
图3为本发明中三维环境建模的空间坐标系图；
图4为本发明中三维环境建模任意平面划分示意图；
图5为本发明中三维空间航空器飞行示意图；
图6为本发明中基于航空器约束的局部搜索范围示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
假设现有A个出救点，出救点处拥有最大载重量M为W的航空器架，向B个受灾点运送救援物资。
“多对多”配送模式下的通航救援调度问题是指为航空器制定在多个出救点、多个受灾点之间的救援路线，每次救援多个受灾点(至少一个)且返回附近最近的出救点，不同于“单对单”的配送模式，每次只救援一个受灾点且返回附近最近的出救点。
多对多”配送模式下每架航空器单次飞行路线是：从出救点出发，对若干受灾点投放所需物资，之后返回附近最近的出救点，这样便于再次装载物资进行下一次救援任务。求满足受灾点物资需求条件下，达到航空器救援效率最高、总飞行里程最短的调度方案。
结合实际问题，本发明考虑以下假设条件建立数学模型：
1)救援过程中，各架航空器性能相同，满油、满载且以巡航速度匀速飞行；
2)出救点有多个且位置已知，每个出救点的物资数量充足，但航空器数量受限；
3)受灾点有多个且位置已知，每个受灾点的需求量已知；
4)救援过程中，每个受灾点被经过一次且仅一次就完成配送；
5)航空器每次飞行至少救援一个受灾点；
6)航空器在距离最近的出救点进行加油和装载，在受灾点进行物资投放或降落卸载；
7)由于应急紧急性，每架航空器为多受灾点投放物资后立即返回到距离最近的出救点。
总救援时间最小化的目标函数为：
Figure BDA0003357248860000091
其中，tj表示第j个受灾点的飞行时间实际值；Tj表示第j个受灾点的飞行时间目标值；
Figure BDA0003357248860000101
表示第j个受灾点对物资g的需求量；E表示救援点A与受灾点B的集合，i,j∈E＝A∪B，每个救援点和受灾点均为航空器飞行路径中的节点；w表示航空器，w＝1,2,...,W；
其中，tj＝(tijw+tgw)xijw，tijw表示航空器w从节点i到节点j的飞行时间；tgw表示物资投放或者降落卸载所需时间；xijw表示决策变量，当航空器w经过(i,j)时，xijw为1，当航空器w不经过(i,j)时，xijw为0；
总救援时间最小化的目标函数满足以下条件：
Figure BDA0003357248860000102
Figure BDA0003357248860000103
Figure BDA0003357248860000104
(tgw+tijw)xijw≤Lw (4)
Figure BDA0003357248860000105
其中，式(1)表示每个受灾点由一架航空器救援；式(2)表示救援点处航空器数量受限；式(3)表示每条飞行路线途径的各受灾点物资需求量总和不超过该路线上救援航空器的最大载重量；式(4)约束航空器满油最大飞行时间；式(5)表示如果受灾点j由航空器f救援，则航空器f至少要访问受灾点j一次；
yjw表示决策变量，当航空器w为受灾点j运送物资时，yjw为1，当航空器w不为受灾点j运送物资时，yjw为0；Kp表示救援点p可用航空器数量；zij表示决策变量，当救援点i为受灾点j提供物资时，zij为1，当救援点i不为受灾点j提供物资时，zij为0；Mw表示航空器最大载重量；Lw表示每架航空器满油最大飞行时间。
遗传算法固有的全局性、并行性和自适应性使其成为有效解决组合优化问题的智能优化算法，而模拟退火算法在一定概率控制下暂时接受一些恶化解的特性改进了遗传算法的局部搜索性能。通过混合这两种算法，可以克服各自缺陷实现优势互补，以达到高效解决优化通航救援调度问题的目的。
如图1所示，基于遗传-模拟退火混合算法，对航空器进行调度，具体包括：
步骤S11、设定控制参数，包括初始温度T0、迭代次数C、交叉概率Pc、变异概率Pm和种群规模N；
步骤S12、以自然数编码方式构造染色体，以随机的方式生成初始种群，其中染色体为航空器的飞行路径；
例如：首先产生1～8的随机整数表示受灾点的访问顺序，设6-3-1-4-2-5-7-8构成一个解，并对应有一种救援方案，按照载重约束、满油最大飞行时间约束和出救点处飞机数量约束，可依次将解的元素(受灾点)划入各架飞机的救援路线中。
可用如下方法得到其对应的救援方案：首先将受灾点6加入第一架飞机的救援路线，然后判断受灾点6的需求量是否超过第一架飞机的载重量，如果不超过，再将受灾点3加入到第一架飞机的救援路线，再次判断受灾点6和3的需求量之和是否超过飞机载重量，若仍不超过，再将受灾点1加入，然后再次判断，若仍不超过，继续将受灾点4加入，再次判断，设此时超过，说明受灾点4不能加入第一架飞机的救援路线(可将受灾点4作为第二架飞机救援的第一个受灾点)；
然后按距离给第一个受灾点6分配出救点(设出救点3)和救援飞机，且判断出救点3处的飞机数量约束，如果满足，则由出救点3处的飞机进行救援，否则，由距离受灾点6次近的出救点处的飞机进行救援，设受灾点6由出救点3处的飞机进行救援，计算出第一架飞机从出救点3(用000表示)到受灾点1的总救援时间，即飞行路线为000-6-3-1的总救援时间(包括在受灾点6和3处投放物资时间)，判断该时间是否超过飞机满油最大飞行时间，如果不超过，继续判断救援路线为000-6-3-1-0(0表示返回距离受灾点1最近的出救点1)的总飞行时间是否满足飞机满油最大飞行时间，如果满足，则第一架飞机的救援路线为000-6-3-1-0，如果不满足，说明受灾点1不能由第一架飞机救援(可将受灾点1作为第二架飞机救援的第一个受灾点)，则第一架飞机的救援路线为000-6-3-00(00表示返回距离受灾点3最近的出救点2)。
前面提到从第一架飞机从出救点3到受灾点1的总救援时间，即飞行路线为000-6-3-1的总救援时间如果超过飞机满油最大飞行时间，则从救援路线中剔除受灾点1(可将受灾点1作为第二架飞机救援的第一个受灾点)，判断飞行路线为000-6-3-00的总救援时间是否满足飞机满油最大飞行时间，如果满足，则第一架飞机的救援路线为000-6-3-00，如果不满足，则第一架飞机的救援路线为000-6-000(000表示返回距离受灾点6最近的出救点3，且可将受灾点3作为第二架飞机救援的第一个受灾点)。
由以上判断可得第一架飞机的救援路线，仍按上述方法可将解中的其他受灾点加入其他飞机的救援路线中。
采用这种编码方法，不仅可以满足所有约束条件，而且可以提高飞机的载重利用率和里程利用率，降低运输成本，其解的表示也较为直观，容易产生最优救援方案，所以这种方法是可行的。
步骤S13、计算适应度，由于所建模型是寻求目标函数的最小值，为了便于计算，适应度值f表示为f＝1/Z，Z表示总飞行里程，适应度值较大的个体越接近问题的可行解。
步骤S14、进行遗传操作：
选择，根据适应度值采用精英保留和轮盘赌法选择种群；
交叉，对通过自适应交叉概率的染色体采用部分匹配交叉法进行交叉操作；
Figure BDA0003357248860000121
变异：对通过自适应变异概率的染色体采用对换变异法进行变异操作；
Figure BDA0003357248860000131
其中，favg表示每代种群平均适应值；fmax表示种群中最大适应值；f′表示交叉的两个个体中较大的适应值；f表示群体要变异个体适应值；Pc1、Pc2表示最高交叉率与最低交叉率；Pm1、Pm2表示最高变异率与最低变异率；
步骤S15、模拟退火算法局部优化，对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体：
设x1为新解，若f(x1)＞f(x0)，则以概率1接受新解x1；
若f(x1)≤f(x0)，接受概率exp((f(x0)-f(x1))Tk)大于[0,1]内的随机数，则仍接受新解x1，若不成立则保留x0为当前解；
步骤S16、当算法满足终止条件则停止运算，输出高适应度染色体所对应的航空器飞行路线集合；否则，继续执行降温后转至计算个体适应度值。
基于物资分配调度模型的结果，在一定约束条件的限制下，估算出某一飞行路径起始点和终止点之间的最短飞行路径，所述总飞行里程最小化的目标函数为：
Figure BDA0003357248860000132
其中，dij表示节点i与节点j之间的距离；
总飞行里程最小化的目标函数均满足以下条件：
di≥Dmin(i＝1，…，n-1)
Figure BDA0003357248860000133
Figure BDA0003357248860000134
其中，di表示航空器第i段航迹长度，Dmin航空器在相邻不同姿态点之间的最小直飞距离，x、y、z表示航空器的空间坐标，γ表示航空器在水平方向上偏转的最大角度，θ表示航空器在高度方向上爬升和俯冲的最大角度，n为航迹节点数量。
当通航飞机从当前节点进入下一节点飞行时的航向变化小于60°，理论上航向变化不超过+90°。
我国低空空域限定真高1000(含)米以下，且考虑实用升限，其次，通航飞机在两点之间飞得过低，当再次爬升时会造成燃料的增加或对飞机造成损坏，因此，救援飞行需要保持一定的高度范围，设第i段飞行高度Hi。
Hmax≥Hi≥Hmin(i＝1，…，n)
如图2所示，基于改进的蚁群算法，输出每个航空器的最优飞行路径，具体包括：
S21、对三维飞行环境建模，根据航空器调度信息及环境模型选取合适的点作为路径规划的起始点和目标点；
S22、将蚁群中的所有蚂蚁放在设定的起点，同时确定搜索的主方向，选择经度和纬度两个方向中栅格数量变化最多的方向作为航空器航迹规划主方向，起始点到目标点坐标值可能是递增或递减的，则从当前平面到下一平面主方向坐标值相应增加或减少1个单位值；
S23、初始化参数，包括最大迭代次数C_max、蚁群数量PopNum，并为各节点的初始信息素附加不同的浓度；
S24、按照转移规则对三维路径进行搜索，局部更新经过节点的信息素浓度并保存。
S25、判断是否所有蚂蚁均找到从起始点到目标点的路径，计算每条路径的适应度值，适应度值最小对应的路径为当前最优路径，对其进行全局信息素更新。
S26、在满足迭代次数后停止搜索，输出最优解。
借鉴栅格化的方法对直升机飞行的三维空间进行环境建模，首先把三维立体空间等分成平面空间，然后再把平面空间划分成平面栅格。
如图3所示，首先建立三维直角坐标系O-XYZ，其中O为航空器进行路径规划的起始点。在直角坐标系中，构造一个三维立方体空间ABCD-EFGH，其中平面ABCD位于XOZ平面上，AB边平行于X轴，CD边平行于Z轴，原点O位于平面ABCD的中点。然后将航空器的飞行空间置于该三维立体区域内，AB、AE分别等于航空器飞行空间的长度和宽度。之后对规划空间进行进一步的划分。
首先，沿Y轴方向对空间进行n等分，其次过每个等分点做平行于ABCD的平面，得到n+1个平面。同理，对任意平面沿Z轴进行l等分，沿X轴进行m等分，如图4所示，这样规划空间就被划分成n×m×l个栅格。在实际应用中，以航空器能在单位栅格内进行自由运动为提前，对栅格的大小进行划分，即首先为航空器飞行设定路径规划的空间，然后进一步根据无人的爬坡能力设定n，m，l的大小。
上述三维环境模型中，AB、AE(航空器飞行空间的长度和宽度)由DEM决定，飞行空间的高度由低空空域真高1000m以下的范围及航空器的实用升限来决定。每个栅格大小与航空器的性能有关。栅格的长度和宽度大于等于最小直飞距离Dmin，栅格的高度小于等于Dmin×tanθ，栅格尺寸大小设定为Dmin×Dmin×Dmin×tanθ。
考虑各可行节点与目标点距离，为可行各节点附加初始信息素；考虑救援飞行安全的前提下寻找最佳救援路径，具体依据中国民用航空局直升机安全运行指南、一般运行和飞行规则有关规定，通过判别各节点距最近障碍物的距离是否满足安全标准，适当给予各可行节点的不同的初始信息素浓度。
Figure BDA0003357248860000151
Figure BDA0003357248860000152
其中，τ0表示初始信息素浓度，a、b为权重系数，Mie表示节点与目标点的距离，Mio表示节点与最近障碍物的距离。
假设中心栅格节点为救援航空器的所在位置，则救援航空器下一个可能飞行的节点为26个节点中的一个，如图5所示。但是实际进行航迹节点的扩展时，为了符合航迹要求、缩短搜索时间、提高算法效率，需要使航迹节点的选择限制在一定的范围内。基于救援航空器约束的三维搜索范围如图6所示。这一过程通过考虑救援航空器的最大偏航角(顶点处水平方向上扇区角度为)、最大俯仰角(顶点处垂直方向上角度为)等物理限制条件把不满足使用要求的节点剔除，同时要求救援航空器按照有利方向飞向需要救援的目标点。
航空器在目前所在节点i选择下一个节点i+1时，首先利用航空器当前所在节点的位置信息，计算当前路径搜索空间内所有可通过的节点信息，然后根据所有可通过节点的信息，通过启发式函数进行计算，最后得到其他可通过节点的启发函数的值。即对平面Πa上，其中a＝(1，2，3，...，n)，任意节点Sa(xa，ya，za)的蚂蚁选择下一个相邻平面Πa+1上的Sa，a+1(xa+1，ya+1，za+1)的概率为：
Figure BDA0003357248860000161
Figure BDA0003357248860000162
D＝ωD1(x，y，z)+(1-ω)D2(x，y，z)，ω∈(0，1)
Figure BDA0003357248860000163
设计安全启发因子T是为了使蚂蚁避开危险地带进入安全区，当候选节点对应的高度Ha+1(Xa+1，ya+1，za+1)(救援航空器的飞行高度)大于其地图上的高度map(xa+1，ya+1，za+1)时，表示该节点可行，蚂蚁安全。
局部更新经过节点的信息素浓度，具体包括：
使已选的节点对后续蚂蚁具有较小的影响力，保证其他蚂蚁对未选中的节点有更大的概率去访问和具有更强的探索能力，当蚂蚁从当前节点转移到下一个节点后，对该节点信息素的更新遵照下式：
τxyz＝(1-ξ)τxyz+ξτ0
其中，τ0为节点的初始信息素浓度，ξ为一个介于(0-1)之间的可调参数。
对其进行全局信息素更新，具体包括：
包括信息素增量和挥发两部分，对最优路径上各点进行信息素更新，用于提升算法的收敛性能和保证对最优解的持续探索；
Figure BDA0003357248860000171
Figure BDA0003357248860000172
其中，
Figure BDA0003357248860000173
为每次迭代完成后，最短路径上的信息素增量；Q为信息素增强系数，Q值越大收敛越快；Lgb为一次迭代完成后的最优航迹长度；ρ为全局信息素挥发度。
本发明涉及的是一种基于救援效率的通航救援调度优化方法，将通用航空器作为调度研究对象，以航空器载重、飞行时间、飞机数量为约束条件,以救援效率最大化、总飞行里程最小化为目标建立多出救点、多受灾点航空器调度优化模型；
本发明对传统的遗传算法进行改进，具体是方法是利用模拟退火算法进行局部优化，对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体，增加了种群多样性和解的质量，避免遗传算法早熟收敛现象，陷入局部最优。
基于救援航空器性能和低空飞行规则，对受灾区域的地形环境进行三维建模；基于环境三维模型和救援模型，在飞行约束条件内，采用蚁群算法进行路径规划，得到从出发点到受灾区域中目标点的参考路径；对所述参考路径进行平滑处理，得到所述救援飞行器的飞行路径。对传统的蚁群算法进行改进，通过改变初始信息素分布规则，引导蚁群搜索朝着既定的方向进行，同时避免障碍物；避免了搜索的盲目性且保证了飞行的安全性，相较于传统蚁群算法，最优路径的可行性、安全性和计算效率有了明显的提高。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于救援效率的通航救援调度优化方法，包括A个救援点和B个受灾点，每个救援点拥有充足的救援物资，以及拥有最大载重量为M的航空器W架；其中，每个受灾点被经过一次且仅一次就完成配送，每架航空器每次飞行至少救援一个受灾点，其特征在于，包括以下步骤：
获取每个救援点和受灾点的信息；
根据救援点和受灾点的信息，建立总救援时间最小化的目标函数，基于遗传-模拟退火混合算法，对航空器进行调度，输出每个航空器的起始点和终止点；
根据航空器的起始点和终止点，建立总飞行里程最小化的目标函数，基于改进的蚁群算法，输出每个航空器的最优飞行路径。
2.根据权利要求1所述的一种基于救援效率的通航救援调度优化方法，其特征在于，所述总救援时间最小化的目标函数为：
Figure FDA0003357248850000011
其中，tj表示第j个受灾点的飞行时间实际值；Tj表示第j个受灾点的飞行时间目标值；
Figure FDA0003357248850000012
表示第j个受灾点对物资g的需求量；E表示救援点A与受灾点B的集合，i,j∈E＝A∪B，每个救援点和受灾点均为航空器飞行路径中的节点；w表示航空器，w＝1,2,...,W；
其中，tj＝(tijw+tgw)xijw，tijw表示航空器w从节点i到节点j的飞行时间；tgw表示物资投放或者降落卸载所需时间；xijw表示决策变量，当航空器w经过(i,j)时，xijw为1，当航空器w不经过(i,j)时，xijw为0；
总救援时间最小化的目标函数均满足以下条件：
Figure FDA0003357248850000013
Figure FDA0003357248850000014
Figure FDA0003357248850000021
(tgw+tijw)xijw≤Lw (4)
Figure FDA0003357248850000022
其中，式(1)表示每个受灾点由一架航空器救援；式(2)表示救援点处航空器数量受限；式(3)表示每条飞行路线途径的各受灾点物资需求量总和不超过该路线上救援航空器的最大载重量；式(4)约束航空器满油最大飞行时间；式(5)表示如果受灾点j由航空器f救援，则航空器f至少要访问受灾点j一次；
yjw表示决策变量，当航空器w为受灾点j运送物资时，yjw为1，当航空器w不为受灾点j运送物资时，yjw为0；Kp表示救援点p可用航空器数量；zij表示决策变量，当救援点i为受灾点j提供物资时，zij为1，当救援点i不为受灾点j提供物资时，zij为0；Mw表示航空器最大载重量；Lw表示每架航空器满油最大飞行时间。
3.根据权利要求2所述的一种基于救援效率的通航救援调度优化方法，其特征在于，基于遗传-模拟退火混合算法，对航空器进行调度，具体包括：
步骤S11、设定控制参数，包括初始温度T0、迭代次数C、交叉概率Pc、变异概率Pm和种群规模N；
步骤S12、以自然数编码方式构造染色体，以随机的方式生成初始种群，其中染色体为航空器的飞行路径；
步骤S13、计算适应度，适应度值f表示为f＝1/Z，Z表示总飞行里程；
步骤S14、进行遗传操作：
选择，根据适应度值采用精英保留和轮盘赌法选择种群；
交叉，对通过自适应交叉概率的染色体采用部分匹配交叉法进行交叉操作；
Figure FDA0003357248850000031
变异：对通过自适应变异概率的染色体采用对换变异法进行变异操作；
Figure FDA0003357248850000032
其中，favg表示每代种群平均适应值；fmax表示种群中最大适应值；f′表示交叉的两个个体中较大的适应值；f表示群体要变异个体适应值；Pc1、Pc2表示最高交叉率与最低交叉率；Pm1、Pm2表示最高变异率与最低变异率；
步骤S15、模拟退火算法局部优化，对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体：
设x1为新解，若f(x1)＞f(x0)，则以概率1接受新解x1；
若f(x1)≤f(x0)，接受概率exp((f(x0)-f(x1))Tk)大于[0,1]内的随机数，Tk表示温度，则仍接受新解x1，若不成立则保留x0为当前解；
步骤S16、当算法满足终止条件则停止运算，输出高适应度染色体所对应的航空器飞行路线集合；否则，继续执行降温后转至计算个体适应度值。
4.根据权利要求3所述的一种基于救援效率的通航救援调度优化方法，其特征在于：所述总飞行里程最小化的目标函数为：
Figure FDA0003357248850000033
其中，dij表示节点i与节点j之间的距离；
总飞行里程最小化的目标函数均满足以下条件：
di≥Dmin(i＝1，…，n-1)
Figure FDA0003357248850000041
Figure FDA0003357248850000042
其中，di表示航空器第i段航迹长度，Dmin航空器在相邻不同姿态点之间的最小直飞距离，x、y、z表示航空器的空间坐标，γ表示航空器在水平方向上偏转的最大角度，θ表示航空器在高度方向上爬升和俯冲的最大角度，n为航迹节点数量。
5.根据权利要求4所述的一种基于救援效率的通航救援调度优化方法，其特征在于，基于改进的蚁群算法，输出每个航空器的最优飞行路径，具体包括：
S21、对三维飞行环境建模，根据航空器调度信息及环境模型选取合适的点作为路径规划的起始点和目标点；
S22、将蚁群中的所有蚂蚁放在设定的起点，同时确定搜索的主方向，选择经度和纬度两个方向中栅格数量变化最多的方向作为航空器航迹规划主方向，起始点到目标点坐标值可能是递增或递减的，则从当前平面到下一平面主方向坐标值相应增加或减少1个单位值；
S23、初始化参数，包括最大迭代次数C_max、蚁群数量PopNum，并为各节点的初始信息素附加不同的浓度；
S24、按照转移规则对三维路径进行搜索，局部更新经过节点的信息素浓度并保存。
S25、判断是否所有蚂蚁均找到从起始点到目标点的路径，计算每条路径的适应度值，适应度值最小对应的路径为当前最优路径，对其进行全局信息素更新。
S26、在满足迭代次数后停止搜索，输出最优解。
6.根据权利要求5所述的一种基于救援效率的通航救援调度优化方法，其特征在于，在步骤S21中，对三维飞行环境建模，具体包括：
首先建立三维直角坐标系O-XYZ，其中O为航空器进行路径规划的起始点；
在直角坐标系中，构造三维立方体空间ABCD-EFGH，其中平面ABCD位于XOZ平面上，AB边平行于X轴，CD边平行于Z轴，原点O位于平面ABCD的中点；
然后将航空器的飞行空间置于该三维立体区域内，AB、AE分别等于航空器飞行空间的长度和宽度；
沿Y轴方向对空间进行n等分，其次过每个等分点做平行于ABCD的平面，得到n+1个平面；
对任意平面沿Z轴进行l等分，沿X轴进行m等分，这样规划空间就被划分成n×m×l个栅格；栅格的长度和宽度大于等于最小直飞距离Dmin，栅格的高度小于等于Dmin×tanθ，栅格尺寸大小设定为Dmin×Dmin×Dmin×tanθ。
7.根据权利要求6所述的一种基于救援效率的通航救援调度优化方法，其特征在于，在步骤S23中，为各节点的初始信息素附加不同的浓度，具体为：
Figure FDA0003357248850000051
Figure FDA0003357248850000052
其中，τ0表示初始信息素浓度，a、b为权重系数，Mie表示节点与目标点的距离，Mio表示节点与最近障碍物的距离。
8.根据权利要求7所述的一种基于救援效率的通航救援调度优化方法，其特征在于，在步骤S24中，按照转移规则对三维路径进行搜索，具体包括：
假设中心栅格节点为航空器的所在位置，则航空器下一个可能飞行的节点为中心栅格节点周围26个节点中的一个；
航空器在目前所在节点i选择下一个节点i+1时，首先利用航空器当前所在节点的位置信息，计算当前路径搜索空间内所有可通过的节点信息，然后根据所有可通过节点的信息，通过启发式函数进行计算，最后得到其他可通过节点的启发函数的值；
即对平面Πa上，其中a＝(1，2，3，...，n)，任意节点Sa(xa，ya，za)的蚂蚁选择下一个相邻平面Πa+1上的Sa，a+1(xa+1，ya+1，za+1)的概率为：
Figure FDA0003357248850000061
Figure FDA0003357248850000062
D＝ωD1(x，y，z)+(1-ω)D2(x，y，z)，ω∈(0，1)
Figure FDA0003357248850000063
T为安全启发因子，当候选节点对应的高度Ha+1(xa+1，ya+1，za+1)大于其地图上的高度map(xa+1，ya+1，za+1)时，表示该节点可行，蚂蚁安全。
9.根据权利要求8所述的一种基于救援效率的通航救援调度优化方法，其特征在于，在步骤S24中，局部更新经过节点的信息素浓度，具体包括：
使已选的节点对后续蚂蚁具有较小的影响力，保证其他蚂蚁对未选中的节点有更大的概率去访问和具有更强的探索能力，当蚂蚁从当前节点转移到下一个节点后，对该节点信息素的更新遵照下式：
τxyz＝(1-ξ)τxyz+ξτ0
其中，τ0为节点的初始信息素浓度，ξ为一个介于(0-1)之间的可调参数。
10.根据权利要求9所述的一种基于救援效率的通航救援调度优化方法，其特征在于，在步骤S25中，对其进行全局信息素更新，具体包括：
包括信息素增量和挥发两部分，对最优路径上各点进行信息素更新，用于提升算法的收敛性能和保证对最优解的持续探索；
Figure FDA0003357248850000071
Figure FDA0003357248850000072
其中，
Figure FDA0003357248850000073
为每次迭代完成后，最短路径上的信息素增量；Q为信息素增强系数，Q值越大收敛越快；Lgb为一次迭代完成后的最优航迹长度；ρ为全局信息素挥发度。
CN202111356266.6A 2021-11-16 2021-11-16 一种基于救援效率的通航救援调度优化方法 Pending CN114066240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111356266.6A CN114066240A (zh) 2021-11-16 2021-11-16 一种基于救援效率的通航救援调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111356266.6A CN114066240A (zh) 2021-11-16 2021-11-16 一种基于救援效率的通航救援调度优化方法

Publications (1)

Publication Number Publication Date
CN114066240A true CN114066240A (zh) 2022-02-18

Family

ID=80272930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111356266.6A Pending CN114066240A (zh) 2021-11-16 2021-11-16 一种基于救援效率的通航救援调度优化方法

Country Status (1)

Country Link
CN (1) CN114066240A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611984A (zh) * 2022-03-24 2022-06-10 集美大学 海上大规模救助资源调度决策方法、系统及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
CN106650991A (zh) * 2016-09-27 2017-05-10 中国矿业大学(北京) 基于模拟退火蚁群算法的路径规划
CN111126682A (zh) * 2019-12-13 2020-05-08 中国民用航空飞行学院 一种基于救援效率的通航救援调度优化方法
CN111678524A (zh) * 2020-07-31 2020-09-18 中国民用航空飞行学院 一种基于飞行安全的救援航空器路径规划方法及系统
CN111882099A (zh) * 2020-05-11 2020-11-03 武汉理工大学 一种基于变邻域并行退火算法的物流配送路径规划方法
CN112288166A (zh) * 2020-10-29 2021-01-29 重庆理工大学 基于遗传-模拟退火组合算法对物流配送的优化方法
CN112327858A (zh) * 2020-11-16 2021-02-05 中国人民解放军陆军防化学院 一种佩戴空气呼吸器人员执行既定任务的路径规划方法
CN113570112A (zh) * 2021-06-30 2021-10-29 南京理工大学 求解考虑合作的带时间窗的车辆路径问题的优化算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
CN106650991A (zh) * 2016-09-27 2017-05-10 中国矿业大学(北京) 基于模拟退火蚁群算法的路径规划
CN111126682A (zh) * 2019-12-13 2020-05-08 中国民用航空飞行学院 一种基于救援效率的通航救援调度优化方法
CN111882099A (zh) * 2020-05-11 2020-11-03 武汉理工大学 一种基于变邻域并行退火算法的物流配送路径规划方法
CN111678524A (zh) * 2020-07-31 2020-09-18 中国民用航空飞行学院 一种基于飞行安全的救援航空器路径规划方法及系统
CN112288166A (zh) * 2020-10-29 2021-01-29 重庆理工大学 基于遗传-模拟退火组合算法对物流配送的优化方法
CN112327858A (zh) * 2020-11-16 2021-02-05 中国人民解放军陆军防化学院 一种佩戴空气呼吸器人员执行既定任务的路径规划方法
CN113570112A (zh) * 2021-06-30 2021-10-29 南京理工大学 求解考虑合作的带时间窗的车辆路径问题的优化算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘全义 等: "基于救援效率的通航救援调度模型研究" *
魏江 等: "基于改进蚁群算法的三维航迹规划" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611984A (zh) * 2022-03-24 2022-06-10 集美大学 海上大规模救助资源调度决策方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN111862579B (zh) 一种基于深度强化学习的出租车调度方法及系统
Wu et al. Swarm-based 4D path planning for drone operations in urban environments
CN108801266B (zh) 一种多无人机对不确定环境搜索的航迹规划方法
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
CN112880684A (zh) 一种城市空间无人机安全航路规划方法
CN108229741B (zh) 一种基于空地协同医疗救援的设施点预选址方法
CN104991895A (zh) 一种基于三维空域网格的低空救援航空器航迹规划方法
CN112102650B (zh) 改航航路生成方法、装置及存储介质
CN110288118A (zh) 一种基于无人机的空中救援响应方法
CN111126682B (zh) 一种基于救援效率的通航救援调度优化方法
CN115903879A (zh) 基于地形数据插值技术的无人机航迹规划方法
Ghambari et al. An enhanced NSGA-II for multiobjective UAV path planning in urban environments
CN114199255A (zh) 一种用于城区物流无人机终端配送航路网络的规划方法
Wu et al. Trajectory-based flight scheduling for AirMetro in urban environments by conflict resolution
CN115938162A (zh) 一种考虑高空风时变性的冲突最小化航迹协同规划方法
Radzki et al. Modelling robust delivery scenarios for a fleet of unmanned aerial vehicles in disaster relief missions
CN114066240A (zh) 一种基于救援效率的通航救援调度优化方法
CN115220480A (zh) 带有约束条件的无人机航迹规划方法、装置及电子设备
CN117008641B (zh) 用于多个异构无人机协同低空突防的分配方法和装置
CN118244796A (zh) 多物流无人机任务分配与三维路径一体化规划方法
Patrinopoulou et al. Metropolis II: Investigating the Future Shape of Air Traffic Control in Highly Dense Urban Airspace
Li et al. A bi-level planning approach of logistics unmanned aerial vehicle route network
CN115686072B (zh) 一种基于空间网格的无人机群安全作业航线自动生成方法
Li et al. Cooperative mapping task assignment of heterogeneous multi-UAV using an improved genetic algorithm
CN117806346A (zh) 一种基于自适应蜣螂优化器的无人机路径规划方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220218