CN114995492A - 一种多无人机抢灾救援规划方法 - Google Patents

一种多无人机抢灾救援规划方法 Download PDF

Info

Publication number
CN114995492A
CN114995492A CN202210594253.0A CN202210594253A CN114995492A CN 114995492 A CN114995492 A CN 114995492A CN 202210594253 A CN202210594253 A CN 202210594253A CN 114995492 A CN114995492 A CN 114995492A
Authority
CN
China
Prior art keywords
quantum
northern
eagle
rescue
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.)
Pending
Application number
CN202210594253.0A
Other languages
English (en)
Inventor
高洪元
赵海军
孙志国
郑雅晴
郭颖
陈梦晗
张震宇
狄妍岐
陈世聪
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202210594253.0A priority Critical patent/CN114995492A/zh
Publication of CN114995492A publication Critical patent/CN114995492A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种多无人机抢灾救援规划方法，步骤一、建立多无人机救援规划模型；步骤二、初始化量子北方苍鹰量子位置并设定参数；步骤三、计算量子北方苍鹰目标函数值；步骤四、根据所有量子北方苍鹰位置的目标函数值进行非支配解排序；步骤五、计算每一非支配等级中量子北方苍鹰位置拥挤度；步骤六、在猎物识别攻击阶段更新量子北方苍鹰量子位置；步骤七、在追逃阶段更新量子北方苍鹰量子位置；步骤八、判断是否达到量子北方苍鹰最大迭代次数，是则终止迭代，将非支配等级为1的量子北方苍鹰位置对应为任务分配矩阵，作为抢灾救援规划任务分配结果输出；否则令k＝k+1，执行步骤四。本发明克服了容易陷入局部收敛的弊端，提升了演化机制的寻优速率。

Description

一种多无人机抢灾救援规划方法
技术领域
本发明属于无人机应用领域，涉及一种多无人机抢灾救援规划方法，特别是一种多目标量子北方苍鹰机制的多无人机抢灾救援规划方法。
背景技术
无人机(Unmanned Aerial Vehicle,UAV)是一种有动力、可控制、能够执行多种类型任务的无人驾驶飞行器。其具有造价低廉、机动灵活、部署便捷、续航力长等优点，现已在广泛应用于军事领域、农业领域、搜救领域、环境监测等领域。在生活中，地震、海啸、泥石流等自然灾害时有发生，具有破坏性强、社会影响大、防御难度大的特点，如果发生在村庄或者城市，势必会危害到众人。而这些灾害，往往会伴随余震、水灾、火灾等次生灾害，给人工救援带来极大不便。
无人机群技术的核心就是集群智能，也就是在人工智能的控制下，可以自主完成许多任务。而“集群智能”技术的灵感源于蚁群、蜂群等自然界中的集群生物，这类型的生物都有同样的特点，那就是单体都是很弱小的，但是这些生物却有着非常强大的群体协作能力，能够完成诸如蜂巢、蚁穴等。所以，现在的无人机集群智能技术就是模拟了蜜蜂和蚂蚁之间的沟通协作方式，以此来增强无人机群的执行任务效能。
根据已有文献发现，李明龙等在《机械工程学报》(2019,55(11):1-9)上发表的“面向灾难搜索救援场景的空地协同无人群体任务规划研究”中面对地震场景，提出了空地协同搜救框架。高空侦察机用做搜索任务，以确定灾区群众地点信息；无人车用做救援任务，以救援受灾群众。并提出了一种自适应反馈调节遗传算法规划无人机和无人车路径。然而，该方法虽然是空地协同规划，但是目标问题考虑单一，而且算法易陷入局部收敛。
综上所述，上述文献在无人群体的搜索和救援上取得一定的效果，但是考虑问题过于单一。因此本发明设计了一种多目标的量子北方苍鹰机制多无人机抢灾救援规划方法，无人机的总体飞行代价和伤亡代价作为两个目标函数，在确定受灾群众位置的情况下，以及受灾群众倾向于聚集在一起的特点，得出数个受灾群众的聚集中心，并派出多架无人机合理规划路径运送物资，最大化受灾群众的生存人数。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种多目标量子北方苍鹰机制的多无人机抢灾救援规划方法，克服现有方法易陷入局部收敛问题，提升了演化机制的寻优速率。
为解决上述技术问题，本发明的一种多无人机抢灾救援规划方法，包括以下步骤：
步骤一、建立多无人机救援规划模型；
步骤二、初始化量子北方苍鹰的量子位置并设定参数；
步骤三、计算所有量子北方苍鹰的目标函数值；
步骤四、根据所有量子北方苍鹰位置的目标函数值进行非支配解排序；
步骤五、计算每一非支配等级中量子北方苍鹰位置的拥挤度；
步骤六、在猎物识别攻击阶段更新量子北方苍鹰的量子位置；
步骤七、在追逃阶段更新量子北方苍鹰的量子位置；
步骤八、判断是否达到量子北方苍鹰的最大迭代次数K2，是则终止迭代，将非支配等级为1的量子北方苍鹰位置对应为任务分配矩阵，并作为抢灾救援规划的任务分配结果输出；否则令k＝k+1，继续执行步骤四。
进一步的，步骤一中建立多无人机救援规划模型包括：
每个灾区群众均有一个中心位置，M架救援无人机会根据中心位置为灾区群众提供救援物资，假设灾区信息确定以后，得到N个群众中心位置，M架救援无人机执行N个救援任务，会得到M×N维任务分配矩阵A，A＝{am,n|am,n∈{0,1}}M×N，其中，
Figure BDA0003667087900000021
表示第m架无人机是否执行第n个任务，m＝1,2,…,M,n＝1,2,…,N；不同任务分配矩阵A表示不同的任务分配方案，在燃料约束和载重约束的情况下，优化总体飞行代价和伤亡代价两个目标函数；
最小值联合优化模型如下：
Figure BDA0003667087900000022
为救援无人机的总体飞行代价和
Figure BDA0003667087900000023
受灾群众的伤亡代价，
Figure BDA0003667087900000024
表示所有救援无人机的飞行距离总和，
Figure BDA0003667087900000025
表示受灾群众错过救援时间后所造成的伤亡代价总和；无人机的总体飞行代价：
Figure BDA0003667087900000026
C1、C2表示俩个约束条件，ξ1、ξ2为约束条件的影响因子，Dm表示第m架无人机从出发到返回基地的飞行距离；受灾群众的伤亡代价：
Figure BDA0003667087900000027
ξ3、ξ4为约束条件的影响因子，Ln表示第n个灾区群众的总人数，其中，γ、μ为两个目标函数的影响因子，表示对应目标函数的重要程度，且满足μ＞γ；
假设第m架无人机被安排依次执行
Figure BDA0003667087900000031
救援任务，则第m架无人机的飞行距离为：
Figure BDA0003667087900000032
其中，
Figure BDA0003667087900000033
为第m架无人机从基地到n1任务地点飞行的距离，
Figure BDA0003667087900000034
为第m架无人机执行完n1任务后，直接从n1地点飞向n2的飞行距离，ηm为第m架无人机的救援任务个数；
受灾群众分为四种状态：重伤、轻伤、口渴、饥饿，四种状态的救援期限为：重伤救援期限最短，其次是轻伤、口渴、饥饿；如果第n个灾区的第l个灾民到达救援期限时还没有得到无人机的援助，则判定其为死亡，此时Un,l＝1，如果在救援期限达到前得到无人机援助，则Un,l＝0；
M架无人机在执行救援任务时，要满足两个约束条件：其一是燃料约束C1，燃料约束条件为：
Figure BDA0003667087900000035
其中，
Figure BDA0003667087900000036
表示两个变量比较大小，第一个数值大于第二个时返回值1，否则返回值0，ιm为第m架无人机携带的燃料，vm为燃料消耗速度；其二是救援任务约束，多架无人机不能重复执行同一任务，救援任务约束为：
Figure BDA0003667087900000037
其中，
Figure BDA0003667087900000038
是判断两个函数是否相等的函数，相等返回值0，不相等返回值1，
Figure BDA0003667087900000039
是判断非零函数，函数中变量值为0时，返回0值，否则返回1值；
设计任务负载均衡因子用于评估方案，当存在不合理的分配方案时，任务负载因子通过判断条件区别分配方案是否合理，不合理的方案将被其剔除，判断条件如下：
Figure BDA00036670879000000310
其中
Figure BDA00036670879000000311
表示向上取整函数。
进一步的，步骤二中初始化量子北方苍鹰的量子位置并设定参数包括：
设置种群规模为K1，最大迭代次数为K2，在初始种群中，随机初始量子北方苍鹰的量子位置，第i只量子北方苍鹰的第1代初始量子位置为
Figure BDA00036670879000000312
Figure BDA00036670879000000313
其中S是量子位置向量的最大维数，所有量子位置的任一维都是[0,1]之间的随机数，量子北方苍鹰的位置通过量子位置测量得到；第k次迭代中第i只量子北方苍鹰的量子位置为
Figure BDA0003667087900000041
则测量得到第k次迭代中第i只量子北方苍鹰的位置为
Figure BDA0003667087900000042
其中
Figure BDA0003667087900000043
表示第i只量子北方苍鹰位置的第h维变量，
Figure BDA0003667087900000044
为[0,1]之间的随机数，h＝1,2,…,S。
进一步的，步骤三中计算所有量子北方苍鹰的目标函数值包括：
第k代第i只量子北方苍鹰的位置
Figure BDA0003667087900000045
均对应一个多无人机的救援任务分配矩阵，具体：将
Figure BDA0003667087900000046
的
Figure BDA0003667087900000047
对应救援任务分配矩阵中第一行的a1,1,a1,2,…,a1,N；
Figure BDA0003667087900000048
对应救援任务分配矩阵中第二行的a2,1,a2,2,…,a2,N；以此类推，
Figure BDA0003667087900000049
对应救援任务分配矩阵中最后一行的aM,1,aM,2,…,aM,N，构成的任务分配矩阵记作
Figure BDA00036670879000000410
最大维数S要满足S＝N·M；
将
Figure BDA00036670879000000411
映射为任务分配矩阵
Figure BDA00036670879000000412
代入到步骤一建立的模型中，得到第k次迭代第i只量子北方苍鹰的目标函数值
Figure BDA00036670879000000413
其中，t＝1时表示目标函数飞行代价总和，t＝2时表示目标函数伤亡代价总和。
进一步的，步骤四中根据所有量子北方苍鹰位置的目标函数值进行非支配解排序包括：
存在两个标号为i1和i2的量子北方苍鹰位置分别为
Figure BDA00036670879000000414
和
Figure BDA00036670879000000415
如果所有目标函数都满足
Figure BDA00036670879000000416
且至少有一个目标函数
Figure BDA00036670879000000417
则量子北方苍鹰位置
Figure BDA00036670879000000418
支配量子北方苍鹰位置
Figure BDA00036670879000000419
为非支配解；如果所有目标函数都满足
Figure BDA00036670879000000420
且至少有一个目标函数
Figure BDA00036670879000000421
则量子北方苍鹰
Figure BDA00036670879000000422
支配量子北方苍鹰
Figure BDA00036670879000000423
为非支配解；如果没有上述关系，则这两个量子北方苍鹰没有支配关系；
遍历量子北方苍鹰种群中每只量子北方苍鹰
Figure BDA00036670879000000424
得到支配第i只量子北方苍鹰位置
Figure BDA00036670879000000425
的量子北方苍鹰数目
Figure BDA00036670879000000426
和被
Figure BDA00036670879000000427
支配的量子北方苍鹰位置集合
Figure BDA00036670879000000428
然后统计所有量子北方苍鹰位置的被支配数目，如果
Figure BDA00036670879000000429
则说明没有量子北方苍鹰位置支配
Figure BDA00036670879000000430
的非支配等级为1；如果
Figure BDA00036670879000000431
则
Figure BDA00036670879000000432
的非支配等级为2；以此类推，每只量子北方苍鹰位置的非支配等级为被支配数目加1；最后将所有量子北方苍鹰按照非支配等级升序排序。
进一步的，步骤五中计算每一非支配等级中量子北方苍鹰位置的拥挤度包括：
假设非支配等级为w的量子北方苍鹰集中有b只量子北方苍鹰，根据第t个目标函数值，进行升序排列，t＝1,2，
Figure BDA0003667087900000051
为排序后第
Figure BDA0003667087900000052
量子北方苍鹰的第t个目标函数值，
Figure BDA0003667087900000053
Ft max为该量子北方苍鹰集中第t个目标函数的最大值，Ft min为该量子北方苍鹰集中第t个目标函数的最小值，则第
Figure BDA0003667087900000054
只量子北方苍鹰中第t个目标函数的拥挤度
Figure BDA0003667087900000055
当
Figure BDA0003667087900000056
或者
Figure BDA0003667087900000057
时，
Figure BDA0003667087900000058
则第
Figure BDA0003667087900000059
只量子北方苍鹰的总拥挤度值为
Figure BDA00036670879000000510
最后对b只量子北方苍鹰按照拥挤度降序排列。
进一步的，步骤六中在猎物识别攻击阶段更新量子北方苍鹰的量子位置包括：
在猎物识别攻击阶段，受到第i只量子北方苍鹰攻击的猎物量子位置为
Figure BDA00036670879000000511
Figure BDA00036670879000000512
其中，r是[1,N]之间的随机数，且r≠i；
通过更新量子旋转角和量子旋转门得到量子北方苍鹰的量子位置，第i只量子北方苍鹰的第h维量子旋转角为
Figure BDA00036670879000000513
其中，
Figure BDA00036670879000000514
为第k次迭代第i只量子北方苍鹰的第h维量子位置，
Figure BDA00036670879000000515
表示第k次迭代猎物的第h维量子位置，是被第i只量子北方苍鹰捕食的猎物，τ是[0,1]之间的随机数，χ随机取值1或2；
利用量子旋转门更新第i只量子北方苍鹰个体的第h维量子位置：
Figure BDA00036670879000000516
通过量子位置
Figure BDA00036670879000000517
测量得到位置
Figure BDA00036670879000000518
然后计算
Figure BDA00036670879000000519
的目标函数值
Figure BDA00036670879000000520
并分类讨论，如果
Figure BDA00036670879000000521
支配
Figure BDA00036670879000000522
则
Figure BDA00036670879000000523
保持结果不变；否则，令
Figure BDA00036670879000000524
具体如下：
Figure BDA00036670879000000525
进一步的，步骤七中在追逃阶段更新量子北方苍鹰的量子位置包括：
在追逃阶段，假设狩猎的攻击半径为R，则得到第i只量子北方苍鹰的第h维量子旋转角：
Figure BDA00036670879000000526
其中攻击半径
Figure BDA00036670879000000527
τ为[0,1]之间的随机数；
利用量子旋转门更新第i只量子北方苍鹰个体的第h维量子位置：
Figure BDA0003667087900000061
然后计算
Figure BDA0003667087900000062
的目标函数值
Figure BDA0003667087900000063
并分类讨论，如果
Figure BDA0003667087900000064
支配
Figure BDA0003667087900000065
则
Figure BDA0003667087900000066
保持结果不变，否则，令
Figure BDA0003667087900000067
具体如下：
Figure BDA0003667087900000068
本发明的有益效果：与现有技术相比，本发明的有益效果是：
针对地震灾区环境复杂、灾区群众急需物资的难题，本发明设计了量子北方苍鹰机制规划无人机并救援灾区群众，以最小化总体飞行距离和伤亡代价作为两个目标函数。使用量子北方苍鹰机制优化目标函数，得到一组Pareto前端解。由于总体飞行代价和伤亡代价目标函数存在冲突，减少总体飞行距离的同时，会增加伤亡代价；减少伤亡代价的同时，会增加无人机的飞行距离，每架无人机携带的燃料是有限的，过于注重减少伤亡代价，反而会影响无人机的执行任务效率，最终会导致极大伤亡。因此，设计了量子北方苍鹰机制，克服过去算法易陷入局部收敛问题。并使用了非支配解排序和拥挤度计算的方法对量子北方苍鹰个体进行评价，使整个量子北方苍鹰群向有较高的非支配等级和较大拥挤度的量子北方苍鹰个体演化。
(1)设计的多无人机救援规划方法，考虑问题更加全面。在群众灾民中，设置了灾民的四种状态：重伤、轻伤、口渴和饥饿，分别对应不同的救援期限；在现实生活中，受难人群总是倾向于聚集在一起的特点，所以引入了灾民中心位置，更符合实际救援中的灾民情况，也缩短了仿真时间。在无人机中，引入了载重约束条件和燃料约束条件，使得无人机更加贴近现实情况。
(2)本发明建立的模型属于多目标优化问题，这是现有技术较少研究的，相比于以往的单目标多无人机救援规划，极大地增加了仿真难度。模型中建立的目标函数：伤亡代价和飞行代价总和。在优化一个目标函数时，另一个目标函数往往会变差，这符合现实生活中，不能片面考虑问题的思路，因此本发明具有现实研究意义。
本发明设计了多目标量子北方苍鹰机制方法，设计了量子编码的北方苍鹰量子位置演化机制，得到一种新的量子北方苍鹰机制方法，克服了过去方法容易陷入局部收敛的弊端，也提升了演化机制的寻优速率。并且使用了非支配解排序方法和拥挤度计算法对种群进行排序，最终可以得到均匀的Pareto前端解。
附图说明
图1为本发明所设计的基于量子北方苍鹰机制的多无人机抢灾救援规划方法流程图。
图2为MOQNGO和MOQKH方法获得的非支配解对比图。
图3为MOQNGO和MOQKH方法得到的非支配解对比图。
图4为MOQNGO和MOQKH方法得到的非支配解对比图。
图5为MOQNGO和MOQKH方法得到的非支配解对比图。
具体实施方式
下面结合说明书附图和具体实施例对本发明做进一步说明。
结合图1，本发明包括以下步骤：
步骤一，建立多无人机救援规划模型。
根据灾区群众倾向于聚集在一起等待救援的特点，则每个灾区群众均有一个中心位置，M架救援无人机会根据这些中心位置为灾区群众提供救援物资。假设灾区信息确定以后，这时会得到N个群众中心位置。M架救援无人机执行N个救援任务，会得到M×N维任务分配矩阵A，A＝{am,n|am,n∈{0,1}}M×N，其中，
Figure BDA0003667087900000071
表示第m架无人机是否执行第n个任务，m＝1,2,…,M,n＝1,2,…,N。不同任务分配矩阵A表示不同的任务分配方案，在燃料约束和载重约束的情况下，优化总体飞行代价和伤亡代价两个目标函数，是本发明的重点。
最小值联合优化模型如下：
Figure BDA0003667087900000072
为救援无人机的总体飞行代价和
Figure BDA0003667087900000073
受灾群众的伤亡代价。前者表示所有救援无人机的飞行距离总和，后者表示受灾群众错过救援时间后所造成的伤亡代价总和。无人机的总体飞行代价：
Figure BDA0003667087900000074
C1、C2表示俩个约束条件，ξ1、ξ2为约束条件的影响因子，Dm表示第m架无人机从出发到返回基地的飞行距离，由于群众中心位置确定，故飞行距离可以提前预测。受灾群众的伤亡代价：
Figure BDA0003667087900000075
Figure BDA0003667087900000076
ξ3、ξ4为约束条件的影响因子，Ln表示第n个灾区群众的总人数。其中，γ、μ为两个目标函数的影响因子，表示对应目标函数的重要程度，且满足μ＞γ。
假设第m架无人机被安排依次执行
Figure BDA0003667087900000081
救援任务，则第m架无人机的飞行距离为：
Figure BDA0003667087900000082
其中，
Figure BDA0003667087900000083
为第m架无人机从基地到n1任务地点飞行的距离，
Figure BDA0003667087900000084
为第m架无人机执行完n1任务后，直接从n1地点飞向n2的飞行距离，ηm为第m架无人机的救援任务个数。
在受灾群众里，均具有各自的健康情况，并且需要不同的援助。大致可以分为四种状态：重伤、轻伤、口渴、饥饿。四种状态的救援期限不同，其中，重伤最为紧急，救援期限最短，其次是轻伤、口渴、饥饿。如果第n个灾区的第l个灾民到达救援期限时还没有得到无人机的援助，则判定其为死亡，此时Un,l＝1，如果在救援期限达到前得到无人机援助，则Un,l＝0。
M架无人机在执行救援任务时，要满足两个约束条件。其一是燃料约束C1，无人机携带的燃料是有限的，燃料限制了无人机的总航程，因此燃料约束条件为：
Figure BDA0003667087900000085
Figure BDA0003667087900000086
其中，
Figure BDA0003667087900000087
表示两个变量比较大小，第一个数值大于第二个时返回值1，否则返回值0。lm为第m架无人机携带的燃料，vm为燃料消耗速度。其二是救援任务约束，每个救援任务只能得到一架无人机执行，所以多架无人机不能重复执行该任务，救援任务约束为：
Figure BDA0003667087900000088
其中，
Figure BDA0003667087900000089
是判断两个函数是否相等的函数，相等返回值0，不相等返回值1。
Figure BDA00036670879000000810
是判断非零函数，函数中变量值为0时，返回0值，否则返回1值。
在分配救援任务时，有可能会出现多数任务分给一架无人机的情况，然而救援任务时有限的，这就导致了有的无人机做了多个任务，有的无人机没有任务可做。从而降低了任务执行效率，使大多数灾民错过救援期限。基于此，提出了任务负载均衡因子，任务负载均衡因子会评估方案，当存在不合理的分配方案时，任务负载因子通过判断条件区别分配方案是否合理，不合理的方案将被其剔除，判断条件如下：
Figure BDA00036670879000000811
其中
Figure BDA00036670879000000812
表示向上取整函数。
步骤二，初始化量子北方苍鹰的量子位置并设定参数。
设置种群规模为K1，最大迭代次数为K2。在初始种群中，随机初始量子北方苍鹰的量子位置，第i只量子北方苍鹰的第1代初始量子位置为
Figure BDA0003667087900000091
Figure BDA0003667087900000092
其中S是量子位置向量的最大维数，所有量子位置的任一维都是[0,1]之间的随机数，量子北方苍鹰的位置可通过量子位置测量得到。第k次迭代中第i只量子北方苍鹰的量子位置为
Figure BDA0003667087900000093
则可以测量得到第k次迭代中第i只量子北方苍鹰的位置为
Figure BDA0003667087900000094
其中
Figure BDA0003667087900000095
表示第i只量子北方苍鹰位置的第h维变量，
Figure BDA0003667087900000096
为[0,1]之间的随机数，h＝1,2,…,S。
步骤三，计算所有量子北方苍鹰的目标函数值。
第k代第i只量子北方苍鹰的位置
Figure BDA0003667087900000097
均对应一个多无人机的救援任务分配矩阵，具体：将
Figure BDA0003667087900000098
的
Figure BDA0003667087900000099
对应救援任务分配矩阵中第一行的a1,1,a1,2,…,a1,N；
Figure BDA00036670879000000910
对应救援任务分配矩阵中第二行的a2,1,a2,2,…,a2,N；以此类推，
Figure BDA00036670879000000911
对应救援任务分配矩阵中最后一行的aM,1,aM,2,…,aM,N，构成的任务分配矩阵记作
Figure BDA00036670879000000912
因此，最大维数S要满足S＝N·M。
将
Figure BDA00036670879000000913
映射为任务分配矩阵
Figure BDA00036670879000000914
带入到本发明建立的模型中，得到第k次迭代第i只量子北方苍鹰的目标函数值
Figure BDA00036670879000000915
其中，t＝1时表示目标函数飞行代价总和，t＝2时表示目标函数伤亡代价总和。
步骤四，根据所有量子北方苍鹰位置的目标函数值进行非支配解排序。
本发明建立的模型中，属于最小值优化问题。因此，存在两个标号为i1和i2的量子北方苍鹰位置分别为
Figure BDA00036670879000000916
和
Figure BDA00036670879000000917
如果所有目标函数都满足
Figure BDA00036670879000000918
且至少有一个目标函数
Figure BDA00036670879000000919
则量子北方苍鹰位置
Figure BDA00036670879000000920
支配量子北方苍鹰位置
Figure BDA00036670879000000921
为非支配解。反之，如果所有目标函数都满足
Figure BDA00036670879000000922
且至少有一个目标函数
Figure BDA00036670879000000923
则量子北方苍鹰
Figure BDA00036670879000000924
支配量子北方苍鹰
Figure BDA00036670879000000925
为非支配解。如果没有上述关系，则这两个量子北方苍鹰没有支配关系。
遍历量子北方苍鹰种群中每只量子北方苍鹰
Figure BDA00036670879000000926
得到支配第i只量子北方苍鹰位置
Figure BDA00036670879000000927
的量子北方苍鹰数目
Figure BDA00036670879000000928
和被
Figure BDA00036670879000000929
支配的量子北方苍鹰位置集合Pi k。然后统计所有量子北方苍鹰位置的被支配数目，如果
Figure BDA0003667087900000101
则说明没有量子北方苍鹰位置支配
Figure BDA0003667087900000102
的非支配等级为1；如果
Figure BDA0003667087900000103
则
Figure BDA0003667087900000104
的非支配等级为2；以此类推，每只量子北方苍鹰位置的非支配等级为被支配数目加1。最后将所有量子北方苍鹰按照非支配等级升序排序。
步骤五，计算每一非支配等级中量子北方苍鹰位置的拥挤度。
假设非支配等级为w的量子北方苍鹰集中有b只量子北方苍鹰，根据第t个目标函数值，进行升序排列，t＝1,2，
Figure BDA0003667087900000105
为排序后第
Figure BDA0003667087900000106
量子北方苍鹰的第t个目标函数值，
Figure BDA0003667087900000107
Ft max为该量子北方苍鹰集中第t个目标函数的最大值，Ft min为该量子北方苍鹰集中第t个目标函数的最小值，则第
Figure BDA0003667087900000108
只量子北方苍鹰中第t个目标函数的拥挤度
Figure BDA0003667087900000109
当
Figure BDA00036670879000001010
或者
Figure BDA00036670879000001011
时，
Figure BDA00036670879000001012
则第
Figure BDA00036670879000001013
只量子北方苍鹰的总拥挤度值为
Figure BDA00036670879000001014
最后对b只量子北方苍鹰按照拥挤度降序排列。
步骤六，在猎物识别攻击阶段更新量子北方苍鹰的量子位置。
量子北方苍鹰在狩猎过程中，主要有两种行为：猎物识别攻击阶段和追逃阶段。这是模拟了自然界中北方苍鹰的捕食习性，前者用于全局搜索，后者用于局部搜索。在猎物识别攻击阶段：量子北方苍鹰随机选择一个猎物迅速攻击它，由于在搜索空间中随机选择，这一阶段增加了对搜索空间的全局搜索，目的是确定最优区域。受到第i只量子北方苍鹰攻击的猎物量子位置为
Figure BDA00036670879000001015
其中，r是[1,N]之间的随机数，且r≠i。
在量子北方苍鹰方法中，量子北方苍鹰的量子位置是通过更新量子旋转角和量子旋转门得到的，相比北方苍鹰方法，提高了寻优速率和最优解质量，第i只量子北方苍鹰的第h维量子旋转角为
Figure BDA00036670879000001016
其中，
Figure BDA00036670879000001017
为第k次迭代第i只量子北方苍鹰的第h维量子位置。
Figure BDA00036670879000001018
表示第k次迭代猎物的第h维量子位置，是被第i只量子北方苍鹰捕食的猎物。τ是[0,1]之间的随机数，χ随机取值1或2。
利用量子旋转门更新第i只量子北方苍鹰个体的第h维量子位置：
Figure BDA0003667087900000111
通过量子位置
Figure BDA0003667087900000112
测量得到位置
Figure BDA0003667087900000113
然后计算
Figure BDA0003667087900000114
的目标函数值
Figure BDA0003667087900000115
并分类讨论，如果
Figure BDA0003667087900000116
支配
Figure BDA0003667087900000117
则
Figure BDA0003667087900000118
保持结果不变；否则，令
Figure BDA0003667087900000119
具体如下：
Figure BDA00036670879000001110
步骤七，在追逃阶段更新量子北方苍鹰的量子位置。
在二阶段，量子北方苍鹰攻击猎物后，猎物会试图逃跑，这时将持续追逃猎物。由于北方苍鹰的高速飞行，它几乎可以追到任何猎物并捕猎。这种行为模拟提高了算法的局部搜索能力。假设这种狩猎的攻击半径为R,则得到第i只量子北方苍鹰的第h维量子旋转角：
Figure BDA00036670879000001111
其中攻击半径
Figure BDA00036670879000001112
τ为[0,1]之间的随机数。
利用量子旋转门更新第i只量子北方苍鹰个体的第h维量子位置：
Figure BDA00036670879000001113
然后计算
Figure BDA00036670879000001114
的目标函数值
Figure BDA00036670879000001115
并分类讨论，如果
Figure BDA00036670879000001116
支配
Figure BDA00036670879000001117
则
Figure BDA00036670879000001118
保持结果不变，否则，令
Figure BDA00036670879000001119
具体如下：
Figure BDA00036670879000001120
步骤八，判断是否达到量子北方苍鹰的最大迭代次数K2，是则终止迭代，将非支配等级为1的量子北方苍鹰位置对应为任务分配矩阵，并作为抢灾救援规划的任务分配结果输出；否则令k＝k+1，继续执行步骤四。
下面结合具体参数给出实施例并对本发明性能进行说明，将多目标量子北方苍鹰优化方法记为MOQNGO，多目标量子磷虾方法记为MOQKH。为了验证基于量子北方苍鹰机制的多目标无人机救援方法的性能，本发明进行了四组仿真实验测试。设置种群规模为K1＝100，最大迭代次数K2＝300，飞行代价影响因子γ＝0.1，伤亡代价影响因子μ＝0.3，ξ1＝150，ξ2＝500，ξ3＝1，ξ4＝2，维数S＝M×N，无人机基地位置为(0,0)，无人机航程约束D＝1000，重伤状态的灾民救援期限为12h，轻伤状态的灾民救援期限为24h，口渴状态的灾民救援期限为96h，饥饿状态的灾民救援期限为120h，无人机飞行速度为20单位/h。仿真实验中，需满足两个假设：每架无人机携带的救援物资满足灾区使用，以及无人机在为灾民提供物资的时间忽略不计。表一给出了灾区群众的中心位置。
表一 灾区群众中心位置
Figure BDA0003667087900000121
灾区群众状态如下：
表二 灾民状态
Figure BDA0003667087900000122
Figure BDA0003667087900000131
在第一组实验中，N＝4架无人机执行T＝9个救援任务，共计378个灾民,其中T1～4灾区重伤状态灾民居多，而重伤灾民救援期限最短，生命垂危，因此要优先救援。图2是以无人机总飞行代价和灾民伤亡代价为优化目标时，利用MOQNGO和MOQKH方法得到的非支配解对比图。从图中可以看到，MOQNGO方法产生的最优解在总飞行代价上略小于MOQNGO方法产生的最优解，同时做到了0伤亡代价完成救援任务。救援任务分配方案如表3所示：
表3 Pareto前端中部分个体对应的任务分配方案
Figure BDA0003667087900000132
在第二组实验中，N＝6架无人机执行T＝14个救援任务，共计586个灾民,其中T1～T4、T13和T14灾区重伤状态灾民居多，T11中轻伤状态灾民居多，在救援任务规划中，优先救援重伤灾民居多的地区，其次是轻伤灾民居多的地区。MOQNGO和MOQKH方法得到的非支配解如图3所示，由于重伤状态灾区数目与无人机数目相等，且救援任务较少，故只产生一个最优解，可以看出，MOQNGO方法产生的最优解同样实现了0伤亡代价完成救援任务，并且可以支配MOQKH方法产生的最优解。救援任务分配方案如表4所示：
表4 Pareto前端中部分个体对应的任务分配方案
Figure BDA0003667087900000133
在第三组实验中，N＝8架无人机执行T＝18个救援任务，共计748个灾民,其中T1～T4、T13、T14和T18灾区重伤状态灾民居多，T11和T15中受伤灾民居多。MOQNGO和MOQKH方法得到的非支配解如图4所示。同样可以看出，MOQNGO方法产生的最优解可以支配MOQKH方法产生的最优解。救援任务分配方案如表5所示：
表5 Pareto前端中部分个体对应的任务分配方案
Figure BDA0003667087900000141
在第四组实验中，N＝10架无人机执行T＝25个救援任务，共计994个灾民,其中T1～T4、T13、T14、T18、T19和T23灾区重伤状态灾民居多，其次是T11、T15、T20和T25受伤灾民居多。MOQNGO和MOQKH方法得到的非支配解如图5所示。总体来看，四组实验中，MOQNGO方法产生的最优解均可以支配MOQKH方法产生的最优解，并且救援任务分配的更均匀合理。救援任务分配方案如表6所示：
表6 Pareto前端中部分个体对应的任务分配方案
Figure BDA0003667087900000142
Figure BDA0003667087900000151

Claims (8)

1.一种多无人机抢灾救援规划方法，其特征在于，包括以下步骤：
步骤一、建立多无人机救援规划模型；
步骤二、初始化量子北方苍鹰的量子位置并设定参数；
步骤三、计算所有量子北方苍鹰的目标函数值；
步骤四、根据所有量子北方苍鹰位置的目标函数值进行非支配解排序；
步骤五、计算每一非支配等级中量子北方苍鹰位置的拥挤度；
步骤六、在猎物识别攻击阶段更新量子北方苍鹰的量子位置；
步骤七、在追逃阶段更新量子北方苍鹰的量子位置；
步骤八、判断是否达到量子北方苍鹰的最大迭代次数K2，是则终止迭代，将非支配等级为1的量子北方苍鹰位置对应为任务分配矩阵，并作为抢灾救援规划的任务分配结果输出；否则令k＝k+1，继续执行步骤四。
2.根据权利要求1所述的一种多无人机抢灾救援规划方法，其特征在于：步骤一所述建立多无人机救援规划模型包括：
每个灾区群众均有一个中心位置，M架救援无人机会根据中心位置为灾区群众提供救援物资，假设灾区信息确定以后，得到N个群众中心位置，M架救援无人机执行N个救援任务，会得到M×N维任务分配矩阵A，A＝{am,n|am,n∈{0,1}}M×N，其中，
Figure FDA0003667087890000011
表示第m架无人机是否执行第n个任务，m＝1,2,…,M,n＝1,2,…,N；不同任务分配矩阵A表示不同的任务分配方案，在燃料约束和载重约束的情况下，优化总体飞行代价和伤亡代价两个目标函数；
最小值联合优化模型如下：
Figure FDA0003667087890000012
Figure FDA0003667087890000013
为救援无人机的总体飞行代价和
Figure FDA0003667087890000014
受灾群众的伤亡代价，
Figure FDA0003667087890000015
表示所有救援无人机的飞行距离总和，
Figure FDA0003667087890000016
表示受灾群众错过救援时间后所造成的伤亡代价总和；无人机的总体飞行代价：
Figure FDA0003667087890000017
C1、C2表示俩个约束条件，ξ1、ξ2为约束条件的影响因子，Dm表示第m架无人机从出发到返回基地的飞行距离；受灾群众的伤亡代价：
Figure FDA0003667087890000018
ξ3、ξ4为约束条件的影响因子，Ln表示第n个灾区群众的总人数，其中，γ、μ为两个目标函数的影响因子，表示对应目标函数的重要程度，且满足μ＞γ；
假设第m架无人机被安排依次执行
Figure FDA0003667087890000021
救援任务，则第m架无人机的飞行距离为：
Figure FDA0003667087890000022
其中，
Figure FDA0003667087890000023
为第m架无人机从基地到n1任务地点飞行的距离，
Figure FDA0003667087890000024
为第m架无人机执行完n1任务后，直接从n1地点飞向n2的飞行距离，ηm为第m架无人机的救援任务个数；
受灾群众分为四种状态：重伤、轻伤、口渴、饥饿，四种状态的救援期限为：重伤救援期限最短，其次是轻伤、口渴、饥饿；如果第n个灾区的第l个灾民到达救援期限时还没有得到无人机的援助，则判定其为死亡，此时Un,l＝1，如果在救援期限达到前得到无人机援助，则Un,l＝0；
M架无人机在执行救援任务时，要满足两个约束条件：其一是燃料约束C1，燃料约束条件为：
Figure FDA0003667087890000025
其中，
Figure FDA0003667087890000026
表示两个变量比较大小，第一个数值大于第二个时返回值1，否则返回值0，ιm为第m架无人机携带的燃料，vm为燃料消耗速度；其二是救援任务约束，多架无人机不能重复执行同一任务，救援任务约束为：
Figure FDA0003667087890000027
其中，
Figure FDA0003667087890000028
是判断两个函数是否相等的函数，相等返回值0，不相等返回值1，
Figure FDA0003667087890000029
是判断非零函数，函数中变量值为0时，返回0值，否则返回1值；
设计任务负载均衡因子用于评估方案，当存在不合理的分配方案时，任务负载因子通过判断条件区别分配方案是否合理，不合理的方案将被其剔除，判断条件如下：
Figure FDA00036670878900000210
其中
Figure FDA00036670878900000211
表示向上取整函数。
3.根据权利要求1所述的一种多无人机抢灾救援规划方法，其特征在于：步骤二所述初始化量子北方苍鹰的量子位置并设定参数包括：
设置种群规模为K1，最大迭代次数为K2，在初始种群中，随机初始量子北方苍鹰的量子位置，第i只量子北方苍鹰的第1代初始量子位置为
Figure FDA0003667087890000031
h＝1,2,…,S,i＝1,2,3,…,K1，其中S是量子位置向量的最大维数，所有量子位置的任一维都是[0,1]之间的随机数，量子北方苍鹰的位置通过量子位置测量得到；第k次迭代中第i只量子北方苍鹰的量子位置为
Figure FDA0003667087890000032
则测量得到第k次迭代中第i只量子北方苍鹰的位置为
Figure FDA0003667087890000033
其中
Figure FDA0003667087890000034
表示第i只量子北方苍鹰位置的第h维变量，
Figure FDA0003667087890000035
为[0,1]之间的随机数，h＝1,2,…,S。
4.根据权利要求1所述的一种多无人机抢灾救援规划方法，其特征在于：步骤三所述计算所有量子北方苍鹰的目标函数值包括：
第k代第i只量子北方苍鹰的位置
Figure FDA0003667087890000036
均对应一个多无人机的救援任务分配矩阵，具体：将
Figure FDA0003667087890000037
的
Figure FDA0003667087890000038
对应救援任务分配矩阵中第一行的a1,1,a1,2,…,a1,N；
Figure FDA0003667087890000039
对应救援任务分配矩阵中第二行的a2,1,a2,2,…,a2,N；以此类推，
Figure FDA00036670878900000310
对应救援任务分配矩阵中最后一行的aM,1,aM,2,…,aM,N，构成的任务分配矩阵记作
Figure FDA00036670878900000311
最大维数S要满足S＝N·M；
将
Figure FDA00036670878900000312
映射为任务分配矩阵
Figure FDA00036670878900000313
代入到步骤一建立的模型中，得到第k次迭代第i只量子北方苍鹰的目标函数值
Figure FDA00036670878900000314
其中，t…1时表示目标函数飞行代价总和，t…2时表示目标函数伤亡代价总和。
5.根据权利要求1所述的一种多无人机抢灾救援规划方法，其特征在于：步骤四所述根据所有量子北方苍鹰位置的目标函数值进行非支配解排序包括：
存在两个标号为i1和i2的量子北方苍鹰位置分别为
Figure FDA00036670878900000315
和
Figure FDA00036670878900000316
如果所有目标函数都满足
Figure FDA00036670878900000317
且至少有一个目标函数
Figure FDA00036670878900000318
则量子北方苍鹰位置
Figure FDA00036670878900000319
支配量子北方苍鹰位置
Figure FDA00036670878900000320
为非支配解；如果所有目标函数都满足
Figure FDA00036670878900000321
且至少有一个目标函数
Figure FDA00036670878900000322
则量子北方苍鹰
Figure FDA00036670878900000323
支配量子北方苍鹰
Figure FDA00036670878900000324
为非支配解；如果没有上述关系，则这两个量子北方苍鹰没有支配关系；
遍历量子北方苍鹰种群中每只量子北方苍鹰
Figure FDA00036670878900000325
得到支配第i只量子北方苍鹰位置
Figure FDA0003667087890000041
的量子北方苍鹰数目
Figure FDA0003667087890000042
和被
Figure FDA0003667087890000043
支配的量子北方苍鹰位置集合Pi k，然后统计所有量子北方苍鹰位置的被支配数目，如果
Figure FDA0003667087890000044
则说明没有量子北方苍鹰位置支配
Figure FDA0003667087890000045
的非支配等级为1；如果
Figure FDA0003667087890000046
则
Figure FDA0003667087890000047
的非支配等级为2；以此类推，每只量子北方苍鹰位置的非支配等级为被支配数目加1；最后将所有量子北方苍鹰按照非支配等级升序排序。
6.根据权利要求1所述的一种多无人机抢灾救援规划方法，其特征在于：步骤五所述计算每一非支配等级中量子北方苍鹰位置的拥挤度包括：
假设非支配等级为w的量子北方苍鹰集中有b只量子北方苍鹰，根据第t个目标函数值，进行升序排列，t…1,2，
Figure FDA0003667087890000048
为排序后第
Figure FDA0003667087890000049
量子北方苍鹰的第t个目标函数值，
Figure FDA00036670878900000410
Ft max为该量子北方苍鹰集中第t个目标函数的最大值，Ft min为该量子北方苍鹰集中第t个目标函数的最小值，则第
Figure FDA00036670878900000411
只量子北方苍鹰中第t个目标函数的拥挤度
Figure FDA00036670878900000412
(
Figure FDA00036670878900000413
且
Figure FDA00036670878900000414
)，当
Figure FDA00036670878900000415
或者
Figure FDA00036670878900000416
时，
Figure FDA00036670878900000417
则第
Figure FDA00036670878900000418
只量子北方苍鹰的总拥挤度值为
Figure FDA00036670878900000419
最后对b只量子北方苍鹰按照拥挤度降序排列。
7.根据权利要求1所述的一种多无人机抢灾救援规划方法，其特征在于：步骤六所述在猎物识别攻击阶段更新量子北方苍鹰的量子位置包括：
在猎物识别攻击阶段，受到第i只量子北方苍鹰攻击的猎物量子位置为
Figure FDA00036670878900000420
Figure FDA00036670878900000421
其中，r是[1,N]之间的随机数，且r≠i；
通过更新量子旋转角和量子旋转门得到量子北方苍鹰的量子位置，第i只量子北方苍鹰的第h维量子旋转角为
Figure FDA00036670878900000422
其中，
Figure FDA00036670878900000423
为第k次迭代第i只量子北方苍鹰的第h维量子位置，
Figure FDA00036670878900000424
表示第k次迭代猎物的第h维量子位置，是被第i只量子北方苍鹰捕食的猎物，τ是[0,1]之间的随机数，χ随机取值1或2；
利用量子旋转门更新第i只量子北方苍鹰个体的第h维量子位置：
Figure FDA00036670878900000425
通过量子位置
Figure FDA00036670878900000426
测量得到位置
Figure FDA0003667087890000051
然后计算
Figure FDA0003667087890000052
的目标函数值
Figure FDA0003667087890000053
并分类讨论，如果
Figure FDA0003667087890000054
支配
Figure FDA0003667087890000055
则
Figure FDA0003667087890000056
保持结果不变；否则，令
Figure FDA0003667087890000057
具体如下：
Figure FDA0003667087890000058
8.根据权利要求1所述的一种多无人机抢灾救援规划方法，其特征在于：步骤七所述在追逃阶段更新量子北方苍鹰的量子位置包括：
在追逃阶段，假设狩猎的攻击半径为R，则得到第i只量子北方苍鹰的第h维量子旋转角：
Figure FDA0003667087890000059
其中攻击半径
Figure FDA00036670878900000510
τ为[0,1]之间的随机数；
利用量子旋转门更新第i只量子北方苍鹰个体的第h维量子位置：
Figure FDA00036670878900000511
然后计算
Figure FDA00036670878900000512
的目标函数值
Figure FDA00036670878900000513
并分类讨论，如果
Figure FDA00036670878900000514
支配
Figure FDA00036670878900000515
则
Figure FDA00036670878900000516
保持结果不变，否则，令
Figure FDA00036670878900000517
具体如下：
Figure FDA00036670878900000518
CN202210594253.0A 2022-05-27 2022-05-27 一种多无人机抢灾救援规划方法 Pending CN114995492A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210594253.0A CN114995492A (zh) 2022-05-27 2022-05-27 一种多无人机抢灾救援规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210594253.0A CN114995492A (zh) 2022-05-27 2022-05-27 一种多无人机抢灾救援规划方法

Publications (1)

Publication Number Publication Date
CN114995492A true CN114995492A (zh) 2022-09-02

Family

ID=83030100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210594253.0A Pending CN114995492A (zh) 2022-05-27 2022-05-27 一种多无人机抢灾救援规划方法

Country Status (1)

Country Link
CN (1) CN114995492A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191507A (zh) * 2022-12-23 2023-05-30 国网安徽省电力有限公司芜湖供电公司 一种超级电容器双闭环模糊pi控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191507A (zh) * 2022-12-23 2023-05-30 国网安徽省电力有限公司芜湖供电公司 一种超级电容器双闭环模糊pi控制方法

Similar Documents

Publication Publication Date Title
Dutta et al. Border collie optimization
CN106227958B (zh) 人工蜂群与社会力模型结合的群组疏散仿真系统及方法
Wu et al. A novel sparrow search algorithm for the traveling salesman problem
CN104008417B (zh) 建立高层建筑人员疏散生物荧光粒子群优化算法模型方法
CN109884897A (zh) 一种基于深度强化学习的无人机任务匹配与计算迁移方法
CN112230675B (zh) 在协同搜救中考虑运行环境和性能的无人机任务分配方法
Cheng et al. Research status of artificial neural network and its application assumption in aviation
CN115204052A (zh) 基于惩罚函数约束优化的改进麻雀搜索方法
CN112036540A (zh) 一种基于双种群混合人工蜂群算法的传感器数目优化方法
CN109299778B (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
CN106096911A (zh) 一种基于角色的有人/无人协同指挥控制系统及其方法
CN108984917A (zh) 大型飞机飞控作动系统智能设计与评价方法
CN113848987A (zh) 无人机群协同目标搜索中的动态路径规划方法及系统
CN114995492A (zh) 一种多无人机抢灾救援规划方法
CN114444201A (zh) 基于贝叶斯网络的对地攻击无人机自主能力评估方法
Hatim et al. Addressing challenges and demands of intelligent seasonal rainfall forecasting using artificial intelligence approach
CN113239638A (zh) 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法
Abarghouei et al. Advances of soft computing methods in edge detection
CN113608546B (zh) 量子海狮机制的无人机群任务分配方法
CN116449863A (zh) 一种基于信息素的强化学习的无人机集群多目标搜索方法
Yang et al. Improved sparrow algorithm based on game predatory mechanism and suicide mechanism
CN102779241B (zh) 基于人工蜂群繁殖机制的ppi网络聚类方法
CN114117787A (zh) 基于ssa优化bp神经网络的短期风功率预测方法
Taetragool et al. NeSS: A modified artificial bee colony approach based on nest site selection behavior
CN112801403A (zh) 基于ssa-bp的空中目标潜在威胁度预测方法及系统

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