CN114578797A - 一种异构多无人平台时空协同任务分配方法 - Google Patents
一种异构多无人平台时空协同任务分配方法 Download PDFInfo
- Publication number
- CN114578797A CN114578797A CN202210071710.8A CN202210071710A CN114578797A CN 114578797 A CN114578797 A CN 114578797A CN 202210071710 A CN202210071710 A CN 202210071710A CN 114578797 A CN114578797 A CN 114578797A
- Authority
- CN
- China
- Prior art keywords
- time
- unmanned platform
- tasks
- task
- ranking
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006872 improvement Effects 0.000 claims abstract description 17
- 230000002123 temporal effect Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 20
- 241000257303 Hymenoptera Species 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 241000614201 Adenocaulon bicolor Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001629 suppression Effects 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (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)
Abstract
本发明公开了一种异构多无人平台时空协同任务分配方法，其包括：步骤S1：读取待执行的任务数据并存储；步骤S2：将任务所需的载荷对应划分为不同类别；步骤S3：输入可执行任务的地面无人平台和空中无人平台的各项属性数据；步骤S4：对蚁群算法做出引入时间惩罚和/或排名激励的改进；步骤S5：匹配需求信息，并利用改进蚁群算法对无人平台和任务进行效能最大化配对，得到最优任务分配方案；步骤S6：依据任务的变化和无人平台状态的动态更新，实时计算并调整执行方案，直至完成所有待执行任务。本发明具有灵活性更好、智能性更高、计算效率更快等优点。
Description
技术领域
本发明主要涉及到智能无人设备控制技术领域，特指一种基于改进蚁群算法的异构多无人平台时空协同任务分配方法。
背景技术
随着科学技术的发展，越来越多的智能化无人设备在各行各业得以应用。例如无人机、无人车等众多智能化无人设备(无人系统)。在已知任务序列的基础上，各行动由谁来执行、何时执行、如何尽可能满足任务要求、如何提高行动效率等，这些都是任务分配亟待解决的问题。由于无人平台异构，其载荷能力、移动速度、移动路线等均不相同，再加上任务存在前后逻辑约束和时间窗要求，传统的任务分配方法难以满足现实需求。
在复杂任务的背景下，对于给定的若干可以搭载不同载荷、拥有不同能力的无人平台，针对待执行的任务序列，如何在满足各任务点的能力需求、行动有序等约束条件下，达到尽量满足时间窗要求和总行动时间最短的优化目标，是异构多无人平台时空协同任务分配亟待要解决的问题。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种具有更好灵活性、智能性更高的异构多无人平台时空协同任务分配方法。
为解决上述技术问题，本发明采用以下技术方案：
一种异构多无人平台时空协同任务分配方法，其步骤包括：
步骤S1：读取待执行的任务数据并存储；
步骤S2：将任务所需的载荷对应划分为不同类别；
步骤S3：输入可执行任务的地面无人平台和空中无人平台的各项属性数据；
步骤S4：对蚁群算法做出引入时间惩罚和/或排名激励的改进；
步骤S5：匹配需求信息，并利用改进蚁群算法对无人平台和任务进行效能最大化配对，得到最优任务分配方案；
步骤S6：依据任务的变化和无人平台状态的动态更新，实时计算并调整执行方案，直至完成所有待执行任务。
作为本发明方法的进一步改进：所述任务数据包括任务序列、任务时间窗、载荷需求、水弹量需求、当前地图信息、道路可通行性中的一项或多项。
作为本发明方法的进一步改进：所述载荷对应一种或多种任务。
作为本发明方法的进一步改进：所述步骤S1中不同任务的时间窗包含必须满足的硬时间窗和尽量满足的软时间窗。
作为本发明方法的进一步改进：在所述步骤S2中，所述载荷划分的类别包括侦察载荷、激光载荷、通信载荷中的一项或多项。
作为本发明方法的进一步改进：在所述步骤S3中，所述地面无人平台和空中无人平台的属性数据，包含电量、移动速度、经纬度位置、携带载荷、携带水弹量基数中的一项或多项。
作为本发明方法的进一步改进：在所述步骤S4中，对蚁群算法做出引入时间惩罚改进，具体为时间惩罚的启发项信息优化；各无人平台在搜索可执行的任务时，除了要考虑载荷需求匹配和移动距离外，还要结合异构的特征，依据无人平台的移动速度、道路长度，计算其到达时间，将到达时间与任务预计开始时间求差值，即为超时时间；如果无人平台在任务的预计开始时间前到达，则不罚时；如果到达时间超时，则求其与最短超时时间差值占最大差值的百分比，附以一个系数因子加入到启发项信息中。
作为本发明方法的进一步改进：在异构多无人平台时空协同任务分配模型中，无人平台在寻找下一条路径时，将蚂蚁选择路径i到j的概率中的启发项为下式所示：
所述启发项考虑移动距离和等待时间，式中，ω1和ω2分别代表移动距离和等待时间的权重因子，d(i,j)代表路径i到j的长度，dmin代表可选路径中的最短路径，dmax代表可选路径中的最长路径，所以，Cdis(i,j)代表选择i到j路径与最短路径的差值占最大差值的百分比；
代表j任务点行动窗口的开始时间，t(i,j)代表选择i到j这条路径后的到达时间，
代表选择该条路经执行任务的等待时间，Cwin(i,j)代表选择i到j路径执行任务的等待时间占最大等待时间的百分比。
作为本发明方法的进一步改进：在所述步骤S4中，对蚁群算法做出引入排名激励的改进，具体为排名激励的信息素更新优化；对每只蚂蚁找到的目标函数值从小到大排序，只允许前20％的蚂蚁留下信息素，权重既反比于路径长度，又要乘以一个随排名线性递减的排名因子σ，即第一名排名因子为1，至20％处排名因子减为0；信息素更新优化如下式所示：
其中，τij(t+1)代表t+1时刻信息素的浓度，挥发因子ρ的取值范围为0到1，
表示经过i到j的所有蚂蚁更新的信息素之和，dij代表i到j路径长度，σk代表蚂蚁k找到的基于目标函数的排名，σk的值设为第一名为1，至20％处减为0。
与现有技术相比，本发明的优点在于：
1、本发明的异构多无人平台时空协同任务分配方法，其针对异构多无人平台任务分配的特殊性和多重约束，对蚁群算法做出引入时间惩罚和排名激励的改进。本发明通过引入时间惩罚可以使得无人平台减少等待时间，提高搜索效率，有利于寻找最优路径，减少行动总耗时，更高效、更快速地完成任务。本发明通过引入排名激励增大了更优路径发现者的话语权，使得先进的经验能更加顺利地推广，而落后的经验更不容易形成自锁和压制先进经验的产生。由此可见，本发明对算法的改进使得整体任务分配效率更高、智能性更好。
2、本发明异构多无人平台时空协同任务分配方法，考虑了无人平台的异构性、移动速度、携带载荷、携带水弹量基数、时间窗等约束条件，更贴近实际情况；地面无人平台只能沿着已知道路移动，空中无人平台可以不受约束自由通行，基本与实际一致。由此可见，本发明可以实现动态复杂场景下异构多无人平台时空协同任务分配，具有良好的科研及工程价值。
附图说明
图1是本发明方法的流程示意图。
图2是本发明方法中引入时间惩罚的改进子流程图。
图3是本发明方法中引入排名激励的改进子流程图。
图4是本发明方法中改进蚁群算法与传统蚁群算法的效果对比示意图。
图5是本发明在具体应用实例中灾区态势图的示意图。
图6是本发明在具体应用实例中待执行的任务序列示意图。
图7是本发明在具体应用实例中无人平台载荷携带情况和区域坐标情况的示意图。
图8是本发明在具体应用实例中测试结果的示意图。
具体实施例
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1-图4所示，本发明的一种异构多无人平台时空协同任务分配方法，实际为一种基于改进蚁群算法的异构多无人平台时空协同任务分配方法；本发明的步骤包括：
步骤S1：读取待执行的任务数据并存储；
在具体应用实例中，所述任务数据包括但不仅限于任务序列、任务时间窗、载荷需求、水弹量需求、当前地图信息、道路可通行性等数据。
步骤S2：将任务所需的载荷对应划分为不同类别；
具体而言，在应用时一种所述载荷可以对应多种任务。
步骤S3：输入可执行任务的地面无人平台和空中无人平台的各项属性数据；
步骤S4：对蚁群算法做出引入时间惩罚和/或排名激励的改进；
步骤S5：匹配需求信息(如载荷需求和水弹量需求等)，并利用改进蚁群算法对无人平台和任务进行效能最大化配对，得到最优任务分配方案；
步骤S6：依据任务的变化和无人平台状态的动态更新，实时计算并调整执行方案，直至完成所有待执行任务。
在具体应用实例中，所述步骤S1中不同任务的时间窗包含必须满足的硬时间窗和尽量满足的软时间窗。
在具体应用实例中，在所述步骤S2中，所述载荷划分的类别可以根据实际情况调整，例如侦察载荷、激光载荷、通信载荷等。
在具体应用实例中，在所述步骤S3中，所述地面无人平台和空中无人平台的属性数据，包含但不仅限于电量、移动速度、经纬度位置、携带载荷、携带水弹量基数等其中的部分或者所有数据。
参见图2，在具体应用实例中，在所述步骤S4中，对蚁群算法做出引入时间惩罚改进，具体为时间惩罚的启发项信息优化；各无人平台在搜索可执行的任务时，除了要考虑载荷需求匹配和移动距离外，还要结合异构的特征，依据无人平台的移动速度、道路长度等，计算其到达时间，将到达时间与任务预计开始时间求差值，即为超时时间。如果无人平台在任务的预计开始时间前到达，则不罚时；如果到达时间超时，则求其与最短超时时间差值占最大差值的百分比，附以一个系数因子加入到启发项信息中。这样做的目的是希望无人平台在搜索任务路径时，不仅能考虑到距离因素，还要尽可能地满足任务时间窗要求，最大化提升协同任务的执行效率。通过调节二者的系数因子，可以满足不同目的的分配需求。
传统的蚁群算法是利用ηij这个值来作为路径i到j的启发项，启发项的值与i到j的距离成反比，蚂蚁在寻找下一个路径时，只会根据距离长短来决定，容易陷入局部最优。异构多无人平台时空协同任务分配模型中，无人平台在寻找下一条路径时，不仅要考虑距离因素，还需要考虑时间因素，因此将蚂蚁选择路径i到j的概率中的启发项修改如式(1)所示：
将启发项从只考虑距离向考虑移动距离和等待时间的有机结合转变，式中，ω1和ω2分别代表移动距离和等待时间的权重因子，d(i,j)代表路径i到j的长度，dmin代表可选路径中的最短路径，dmax代表可选路径中的最长路径，所以，Cdis(i,j)代表选择i到j路径与最短路径的差值占最大差值的百分比。
同理，
代表j任务点行动窗口的开始时间，t(i,j)代表选择i到j这条路径后的到达时间，
代表选择该条路经执行任务的等待时间，所以，Cwin(i,j)代表选择i到j路径执行任务的等待时间占最大等待时间的百分比。
本发明在启发项信息中加入选择超时时间与最短超时时间的差值占最大差值的百分比，并将距离因素优化为选择i到j路径与最短路径的差值占最大差值的百分比，可以使得无人平台减少等待时间，提高搜索效率，有利于寻找最优路径，减少行动总耗时，更高效、更快速地完成任务。
参见图3，在具体应用实例中，在所述步骤S4中，对蚁群算法做出引入排名激励的改进，具体为排名激励的信息素更新优化。
在传统的蚁群算法中，所有蚂蚁的α,β参数都相同，这使得算法的执行效果敏感地依赖参数α,β的设定。此外，所有蚂蚁都留下信息素，只是所留信息素的量与各自TSP路径长度成反比，这使得地图上到处都是蚂蚁的“脚印”，让蚂蚁们失去了方向感。很有可能，一只蚂蚁碰巧走出了一条最短的TSP路径，却淹没在混乱的信息素信号里，最后被整个蚁群遗忘。为了避免这种情况，传统蚁群算法只能调大α，而这样无疑更容易陷入局部极小，降低了另一条更短的TSP路径后来被发现的可能性。
如在协同搜索救援任务中，无人平台会依据分解出的任务序列和各类约束条件，对行动路线进行搜索。在此过程中，如果某一代的结果恰好目标函数值是最优的，需要及时对效果最好的结果赋予一个大的权重，提升优秀结果的话语权，而后在先进的基础上继续提拔先进，让优秀的个体更优秀，使得整个问题求解的迭代次数大大减少，也能够更快地收敛到全局最优解。
因此，对传统的信息素记录规则进行优化，对每只蚂蚁找到的目标函数值从小到大排序，只允许前20％的蚂蚁留下信息素，权重既反比于路径长度，又要乘以一个随排名线性递减的因子σ(即排名因子)，即第一名排名因子为1，至20％处排名因子减为0。信息素更新优化如式(2)所示：
其中，τij(t+1)代表t+1时刻信息素的浓度，挥发因子ρ的取值范围为0到1，
表示经过i到j的所有蚂蚁更新的信息素之和，dij代表i到j路径长度，σk代表蚂蚁k找到的基于目标函数的排名，σk的值设为第一名为1，至20％处减为0。
本发明引入排名因子除了能择优推广成功经验以外，还增大了更优路径发现者的话语权。以100只蚂蚁为例，如果整个种群中有一大半的蚂蚁都卡在了某个次优的路径上，而恰巧有1只蚂蚁发现了更短的路径，按照传统规则，它只有1/100的话语权。但如果按照排名因子规则，前20只蚂蚁权重线性递减，第一名大约有1/10的话语权。这使得先进的经验能更加顺利地推广，而落后的经验更不容易形成自锁和压制先进经验的产生。
以一个具体应用为例，搜索地域设置为2000m*2000m的范围内，灾区态势图如图5所示，待执行的任务序列如图6所示。搜救行动中，每个小队均携带2架无人机，1辆无人车，无人平台初始位置均与各自小队初始位置一致。无人机速度为900m/min，携带1个基数的水弹；无人车速度为300m/min，携带10个基数的水弹。浇灭起火点的任务需要消耗1个基数的弹药，水弹支援任务需要消耗3个基数的弹药。以当前搜救开始的时间为基准零点，各项任务约定于5分钟后同时开始执行。各无人平台载荷携带情况和区域坐标情况如图7所示。
利用改进蚁群算法进行计算，设置蚂蚁数量为60只，迭代次数500次，启发式信息中，ω1和ω2的值均设为0.5，信息素的加权值α＝1，能见度的加权值β＝3，挥发因子ρ＝0.5，目标函数中的惩罚因子γ设置为1，测试结果如图8所示。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (9)
1.一种异构多无人平台时空协同任务分配方法，其特征在于，步骤包括：
步骤S1：读取待执行的任务数据并存储；
步骤S2：将任务所需的载荷对应划分为不同类别；
步骤S3：输入可执行任务的地面无人平台和空中无人平台的各项属性数据；
步骤S4：对蚁群算法做出引入时间惩罚和/或排名激励的改进；
步骤S5：匹配需求信息，并利用改进蚁群算法对无人平台和任务进行效能最大化配对，得到最优任务分配方案；
步骤S6：依据任务的变化和无人平台状态的动态更新，实时计算并调整执行方案，直至完成所有待执行任务。
2.根据权利要求1所述的异构多无人平台时空协同任务分配方法，其特征在于，所述任务数据包括任务序列、任务时间窗、载荷需求、水弹量需求、当前地图信息、道路可通行性中的一项或多项。
3.根据权利要求2所述的异构多无人平台时空协同任务分配方法，其特征在于，所述载荷对应一种或多种任务。
4.根据权利要求1所述的异构多无人平台时空协同任务分配方法，其特征在于，所述步骤S1中不同任务的时间窗包含必须满足的硬时间窗和满足的软时间窗。
5.根据权利要求1所述的异构多无人平台时空协同任务分配方法，其特征在于，在所述步骤S2中，所述载荷划分的类别包括侦察载荷、激光载荷、通信载荷中的一项或多项。
6.根据权利要求1所述的异构多无人平台时空协同任务分配方法，其特征在于，在所述步骤S3中，所述地面无人平台和空中无人平台的属性数据，包含电量、移动速度、经纬度位置、携带载荷、携带水弹量基数中的一项或多项。
7.根据权利要求1-6中任意一项所述的异构多无人平台时空协同任务分配方法，其特征在于，在所述步骤S4中，在蚁群算法中进行时间惩罚改进，即为时间惩罚的启发项信息优化；各无人平台在搜索可执行的任务时，考虑载荷需求匹配和移动距离，结合异构的特征，依据无人平台的移动速度、道路长度，计算到达时间，将到达时间与任务预计开始时间求差值，即为超时时间；如果无人平台在任务的预计开始时间前到达，则不罚时；如果到达时间超时，则求其与最短超时时间差值占最大差值的百分比，附以一个系数因子加入到启发项信息中。
8.根据权利要求7所述的异构多无人平台时空协同任务分配方法，其特征在于，在异构多无人平台时空协同任务分配模型中，无人平台在寻找下一条路径时，将蚂蚁选择路径i到j的概率中的启发项为下式所示：
所述启发项考虑移动距离和等待时间，式中，ω1和ω2分别代表移动距离和等待时间的权重因子，d(i，j)代表路径i到j的长度，dmin代表可选路径中的最短路径，dmax代表可选路径中的最长路径，所以，Cdis(i，j)代表选择i到j路径与最短路径的差值占最大差值的百分比；
代表j任务点行动窗口的开始时间，t(i，j)代表选择i到j这条路径后的到达时间，
代表选择该条路经执行任务的等待时间，Cwin(i，j)代表选择i到j路径执行任务的等待时间占最大等待时间的百分比。
9.根据权利要求1-6中任意一项所述的异构多无人平台时空协同任务分配方法，其特征在于，在所述步骤S4中，对蚁群算法中的排名激励进行改进，即为排名激励的信息素更新优化；对每只蚂蚁找到的目标函数值从小到大排序，只允许前20％的蚂蚁留下信息素，权重既反比于路径长度，又乘以一个随排名线性递减的排名因子σ，即第一名排名因子为1，至20％处排名因子减为0；信息素更新优化如下式所示：
其中，τij(t+1)代表t+1时刻信息素的浓度，挥发因子ρ的取值范围为0到1，
表示经过i到j的所有蚂蚁更新的信息素之和，dij代表i到j路径长度，σk代表蚂蚁k找到的基于目标函数的排名，σk的值设为第一名为1，至20％处减为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210071710.8A CN114578797A (zh) | 2022-01-21 | 2022-01-21 | 一种异构多无人平台时空协同任务分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210071710.8A CN114578797A (zh) | 2022-01-21 | 2022-01-21 | 一种异构多无人平台时空协同任务分配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114578797A true CN114578797A (zh) | 2022-06-03 |
Family
ID=81769172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210071710.8A Pending CN114578797A (zh) | 2022-01-21 | 2022-01-21 | 一种异构多无人平台时空协同任务分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114578797A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973522A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市天地互通科技有限公司 | 集成式大气自动监测控制系统 |
-
2022
- 2022-01-21 CN CN202210071710.8A patent/CN114578797A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973522A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市天地互通科技有限公司 | 集成式大气自动监测控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Energy-efficient UAV crowdsensing with multiple charging stations by deep learning | |
| CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
| US11138888B2 (en) | System and method for ride order dispatching | |
| CN108801266B (zh) | 一种多无人机对不确定环境搜索的航迹规划方法 | |
| US8082102B2 (en) | Computing flight plans for UAVs while routing around obstacles having spatial and temporal dimensions | |
| US8260485B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
| CN112817330A (zh) | 一种多无人机四维航迹协同规划方法及系统 | |
| Chen et al. | Delivery path planning of heterogeneous robot system under road network constraints | |
| CN114578797A (zh) | 一种异构多无人平台时空协同任务分配方法 | |
| CN113487264B (zh) | 一种基于异构多无人机的物流配送方法及系统 | |
| CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
| CN116300990B (zh) | 用于低空环境的直升机和无人机协同搜救时间规划方法 | |
| CN117494879B (zh) | 航空器的滑行时间预测方法、装置、设备及可读存储介质 | |
| CN115840463A (zh) | 一种用于无人机集群协同侦察的数据处理方法及装置 | |
| CN113256013B (zh) | 一种在环境约束下的车辆路径智能搜索方法 | |
| CN114138005A (zh) | 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 | |
| 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 | |
| CN117367433A (zh) | 低空无人机路径规划方法、装置、无人机及可读存储介质 | |
| CN112488357B (zh) | 基于车辆与无人机协同作业的末端配送方法及系统 | |
| CN113919188B (zh) | 一种基于上下文-mab的中继无人机路径规划方法 | |
| CN115423324A (zh) | 一种基于改进蚁群优化的uuv集群任务规划方法 | |
| CN114862065A (zh) | 社工任务规划方法、装置、电子设备及存储介质 | |
| CN114066240A (zh) | 一种基于救援效率的通航救援调度优化方法 | |
| Zhang et al. | Cooperative reconnaissance mission planning for heterogeneous UAVs with DCSA | |
| Chen et al. | [Retracted] Path Optimization Model of Rural Red Tourist Attractions Based on Ant Colony Algorithm |
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 |