CN115130791B - 面向车载智能机场的无人机与车辆协同调度方法及装置 - Google Patents

面向车载智能机场的无人机与车辆协同调度方法及装置 Download PDF

Info

Publication number
CN115130791B
CN115130791B CN202211060402.1A CN202211060402A CN115130791B CN 115130791 B CN115130791 B CN 115130791B CN 202211060402 A CN202211060402 A CN 202211060402A CN 115130791 B CN115130791 B CN 115130791B
Authority
CN
China
Prior art keywords
flight
unmanned aerial
sequence
vehicle
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
Application number
CN202211060402.1A
Other languages
English (en)
Other versions
CN115130791A (zh
Inventor
万施霖
张裕汉
金鑫
陈湸湸
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.)
Guangdong Eagleview Information Technology Co ltd
Original Assignee
Guangdong Eagleview Information Technology Co ltd
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 Guangdong Eagleview Information Technology Co ltd filed Critical Guangdong Eagleview Information Technology Co ltd
Priority to CN202211060402.1A priority Critical patent/CN115130791B/zh
Publication of CN115130791A publication Critical patent/CN115130791A/zh
Application granted granted Critical
Publication of CN115130791B publication Critical patent/CN115130791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Nonlinear Science (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)

Abstract

本发明提供了一种面向车载智能机场的无人机与车辆协同调度方法及装置，该方法包括：获取目标区域内的每架无人机的飞行关联信息；根据每架无人机的飞行关联信息、每架无人机的属性信息和目标车辆的行驶信息，确定目标区域内所有无人机的总飞行时长最小时的路径方案。采用本发明可以为车辆与无人机的协同调度提供合理的路径方案，从而确保每架无人机每次飞行的续航时间均能满足相关服务需求，减少无人机在不同点位间飞行所造成的时间和电量消耗。

Description

面向车载智能机场的无人机与车辆协同调度方法及装置
技术领域
本发明涉及无人机技术领域，尤其是涉及一种面向车载智能机场的无人机与车辆协同调度方法及装置。
背景技术
随着云计算、物联网、大数据、人工智能等技术在无人机领域的深度融合应用，在未来低空智联网环境下，“无人机+”模式将引发社会生产、生活方式的深刻变革，可有效地缓解劳动力资源不足的结构性矛盾，提高社会劳动生产率和人们生活体验水平。无人机产业发展的重点将是面向经济社会各领域无人机应用的专业化服务，主要包括农林植保、遥感探测、低空运输、公共安全等各个领域。
目前，在无人机产业应用方面还存在如下问题：一、无人机单次飞行的续航时间一直是制约其大规模应用的瓶颈，尤其当无人机服务的多个对象散布在大尺度的地理范围时，无人机单次飞行的续航时间难以满足相关服务需求；二、使用具备无人值守化作业功能的智能机场虽然能实现对无人机的自动充电，但当智能机场固定时，无人机需多次往返充电，造成很大的时间和电量浪费；三、当使用车载智能机场时，车辆可以沿道路行驶，一定程度上能减少无人机往返充电的路程，但需要对车辆与无人机进行协同调度，尤其当车载智能机场能同时搭载和充电多个无人机时，车辆与无人机的协同调度变得更加困难。
发明内容
有鉴于此，本发明的目的在于提供一种面向车载智能机场的无人机与车辆协同调度方法及装置，以缓解现有技术中存在的上述问题。
第一方面，本发明实施例提供了一种面向车载智能机场的无人机与车辆协同调度方法，所述方法包括：获取目标区域内的每架无人机的飞行关联信息；其中，所述飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，所述任务点信息包括任务点的分布位置和任务点的服务时长，所述停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同；根据每架无人机的飞行关联信息、每架无人机的属性信息和所述目标车辆的行驶信息，确定所述目标区域内所有无人机的总飞行时长最小时的路径方案；其中，所述属性信息包括飞行速度和飞行时长上限，所述行驶信息包括行驶速度和行驶路径，所述路径方案包括所述目标车辆的行驶路径和每架无人机每次飞行的飞行路径。
作为一种可能的实现，根据每架无人机的飞行关联信息、每架无人机的属性信息和所述目标车辆的行驶信息，确定所述目标区域内所有无人机的总飞行时长最小时的路径方案，包括：根据每架无人机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径；根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案。
作为一种可能的实现，根据每架无人机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径，包括：对于每架无人机的每次飞行，根据该次飞行所对应的每个任务点的分布位置和每个停靠点的分布位置，采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群；其中，该初始种群中的每个个体为由该次飞行所对应的每个任务点的序号排列成的一个任务点序列；对于生成的每个初始种群，执行以下步骤A-E：A、分别计算当前种群中每个个体所对应的飞行距离，按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率；B、根据当前种群中每个个体对应被选择的概率，从当前种群中选择相应的个体进行复制；C、对复制的个体进行随机配对；D、对随机配对的两个个体进行交叉操作以生成一个新个体，得到当前种群对应的后代种群；E、根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作，并迭代上述步骤A-D，直至满足终止条件时结束。
作为一种可能的实现，按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率，包括：分别计算当前种群中每个个体的适应度，按照适应度从大到小的顺序对当前种群中的个体进行排序，按照以下公式计算得到当前种群中每个个体对应被选择的概率：P(i)=
Figure M_220823150218043_043073001
，其中，P(i)为第i个个体被选择的概率，N为当前种群中个体的总数，
Figure M_220823150218074_074337002
为预设值。
作为一种可能的实现，所述交叉操作为顺序交叉；对随机配对的两个个体进行交叉操作以生成一个新个体，包括：根据预设的第一切点和第二切点，确定随机配对的两个个体各自的待交换部分；其中，所述第一切点的序列位置在所述第二切点的序列位置之前；对于重新排列随机配对的两个个体中的每个个体，均将第二切点的序列位置之后的第一个序号作为起始序号，重新排列该个体，得到该个体对应的重排序列；对于每个重排序列，均将该重排序列中与另一个重排序列的待交换部分重复的序号删除，得到该重排序列对应的无重复序列；对于每个无重复序列，均将另一个无重复序列对应的重排个体的待交换部分添加至该无重复序列的尾部，得到该无重复序列对应的新序列；对于每个新序列，均将第二切点后的第一个序号作为起始序号，重新排列该新序列，得到该新序列对应的新个体。
作为一种可能的实现，根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作，包括：对于后代种群中每个个体，均按照该个体的序列顺序依次为该个体的每一位序号生成一个随机数，并根据每一位序号对应的随机数与预设变异概率的大小关系对该个体进行多次序列处理操作；其中，序列处理操作的次数与该个体的序号位数相等，每次序列处理操作为进行一位后移循环操作或不进行任何操作。
作为一种可能的实现，采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群，包括：设置分岔系数和混沌变量的初始值，并按照以下公式迭代计算混沌变量的取值：xn+1=μxn(1-xn)，其中，xn为混沌变量的第n个取值，μ为分岔系数；根据预设规模和该次飞行所对应的任务点数量，获取混沌变量的多个取值，并将所述多个取值组成一个混沌序列；其中，所述多个取值的数量为所述初始种群中个体的数量与该次飞行所对应的任务点数量的乘积；根据该次飞行所对应的任务点数量，按照混沌序列的序列顺序依次从混沌序列中取出固定数量的值组成混沌子序列；其中，所述固定数量与所述初始种群中个体的数量相等；对于每个混沌子序列，均根据该混沌子序列中每个值的大小顺序生成相应的任务点序列。
作为一种可能的实现，根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案，包括：以所有无人机的总飞行时长最小化作为目标函数，采用分支剪界算法，按照以下公式计算得到所有无人机的总飞行时长最小的路径方案：
Figure M_220823150218107_107016001
；其中，Q为所有无人机的总飞行时长，
Figure M_220823150218154_154403002
为第k架无人机第r次飞行的飞行路径，
Figure M_220823150218170_170047003
为给定
Figure M_220823150218295_295068004
下第k架无人机第r次飞行的飞行时长，
Figure M_220823150218328_328757005
为给定
Figure M_220823150218359_359984006
下第k架无人机的总飞行时长，Y k 为飞行次数，K为无人机的个数。
第二方面，本发明实施例提供了一种面向车载智能机场的无人机与车辆协同调度装置，所述装置包括：获取模块，用于获取目标区域内的每架无人机的飞行关联信息；其中，所述飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，所述任务点信息包括任务点的分布位置和任务点的服务时长，所述停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同；计算模块，用于根据每架无人机的飞行关联信息、每架无人机的属性信息和所述目标车辆的行驶信息，确定所述目标区域内所有无人机的总飞行时长最小时的路径方案；其中，所述属性信息包括飞行速度和飞行时长上限，所述行驶信息包括行驶速度和行驶路径，所述路径方案包括所述目标车辆的行驶路径和每架无人机每次飞行的飞行路径。
作为一种可能的实现，所述计算模块还用于：根据每架无人机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径；根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案。
本发明实施例提供的一种面向车载智能机场的无人机与车辆协同调度方法及装置，该方法包括：获取目标区域内的每架无人机的飞行关联信息；其中，飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，任务点信息包括任务点的分布位置和任务点的服务时长，停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同；根据每架无人机的飞行关联信息、每架无人机的属性信息和目标车辆的行驶信息，确定目标区域内所有无人机的总飞行时长最小时的路径方案；其中，属性信息包括飞行速度和飞行时长上限，行驶信息包括行驶速度和行驶路径，路径方案包括目标车辆的行驶路径和每架无人机每次飞行的飞行路径。采用上述技术，可以为车辆与无人机的协同调度提供合理的路径方案，从而确保每架无人机每次飞行的续航时间均能满足相关服务需求，减少无人机在不同点位间飞行所造成的时间和电量消耗。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中一种实施场景的示例图；
图2为本发明实施例中一种面向车载智能机场的无人机与车辆协同调度方法的流程示意图；
图3为本发明实施例中任务场景的示例图；
图4为本发明实施例中给定路径点集下无人机单次飞行的最优飞行路径示意图；
图5为本发明实施例中面向车载智能机场的无人机与车辆协同调度示意图；
图6为本发明实施例中一种面向车载智能机场的无人机与车辆协同调度装置的结构示意图；
图7为本发明实施例中一种电子设备的结构示意图。
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，下面将结合实施例对本发明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做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。
目前，在无人机产业应用方面还存在如下问题：一、无人机单次飞行的续航时间一直是制约其大规模应用的瓶颈，尤其当无人机服务的多个对象散布在大尺度的地理范围时，无人机单次飞行的续航时间难以满足相关服务需求；二、使用具备无人值守化作业功能的智能机场虽然能实现对无人机的自动充电，但当智能机场固定时，无人机需多次往返充电，造成很大的时间和电量浪费；三、当使用车载智能机场时，车辆可以沿道路行驶，一定程度上能减少无人机往返充电的路程，但需要对车辆与无人机进行协同调度，尤其当车载智能机场能同时搭载和充电多个无人机时，车辆与无人机的协同调度变得更加困难。
基于此，本发明实施提供的一种面向车载智能机场的无人机与车辆协同调度方法及装置，可以缓解现有技术中存在的上述问题。
为便于对本实施例进行理解，首先对本发明的实施场景进行描述。
参见图1所示，本发明的技术方案实施，智能机场102是固定于车辆101上的，智能机场102是实现无人机103无人值守化作业的智能装备，提供了无人机收纳、智能待观、自动充电、UPS断电保护、故障自检、起飞条件检测等功能。可灵活部署、极速响应、交叉持续的执行任务，无需人员操控，并能支持无人机103的夜间降落。车辆101可沿道路行驶并在指定停靠点105处停靠。在车辆101停靠期间，无人机103可飞入车辆101上的智能机场102进行充电，无人机103也可从车辆101上的智能机场102飞出到相应的任务点104进行服务（即执行任务点对应的任务）。无人机103的数量可根据实际任务需要自行确定，假如一个无人机103的续航时间无法满足任务需要，则需要部署多个无人机。
基于上述实施场景，参见图2所示的一种面向车载智能机场的无人机与车辆协同调度方法的流程示意图，该方法可以包括以下步骤：
步骤S202，获取目标区域内的每架无人机的飞行关联信息；其中，飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，任务点信息包括任务点的分布位置和任务点的服务时长，停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同；
上述目标区域（也即任务区域）具体可以是根据无人机的实际任务需要自行确定的一片区域，该区域覆盖所涉及的所有任务点和所有停靠点。
步骤S204，根据每架无人机的飞行关联信息、每架无人机的属性信息和目标车辆的行驶信息，确定目标区域内所有无人机的总飞行时长最小时的路径方案；其中，属性信息包括飞行速度和飞行时长上限，行驶信息包括行驶速度和行驶路径，路径方案包括目标车辆的行驶路径和每架无人机每次飞行的飞行路径。
本发明实施例提供的一种面向车载智能机场的无人机与车辆协同调度方法，该方法包括：获取目标区域内的每架无人机的飞行关联信息；其中，飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，任务点信息包括任务点的分布位置和任务点的服务时长，停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同；根据每架无人机的飞行关联信息、每架无人机的属性信息和目标车辆的行驶信息，确定目标区域内所有无人机的总飞行时长最小时的路径方案；其中，属性信息包括飞行速度和飞行时长上限，行驶信息包括行驶速度和行驶路径，路径方案包括目标车辆的行驶路径和每架无人机每次飞行的飞行路径。采用上述技术，可以为车辆与无人机的协同调度提供合理的路径方案，从而确保每架无人机每次飞行的续航时间均能满足相关服务需求，减少无人机在不同点位间飞行所造成的时间和电量消耗。
为了便于理解，可采用以下方式对上述目标区域进行表征：无人机可在任务点之间以及任务点与停靠点之间沿直线飞行，而目标车辆则只能沿给定的道路在停靠点之间移动并在停靠点进行停靠。根据任务点、停靠点的分布情况，通过将任务点、停靠点建模成顶点，将任务点之间以及任务点与停靠点之间的距离建模成边，从而对任务区域进行表征。
上述目标区域的表征具体可以按照以下过程进行：
（1.1）构建任务点对应的顶点集：
Figure M_220823150218391_391262001
(1)，
式(1)中，
Figure M_220823150218438_438098001
表示n个任务点构成的顶点集，
Figure M_220823150218505_505463002
表示第i个任务点。例如图3，
Figure M_220823150218552_552864003
由图3中的16个三角形所示，三角形上标识了任务点的序号。
（1.2）构建停靠点对应的顶点集：
Figure M_220823150218599_599770001
(2)，
式(2)中，
Figure M_220823150218646_646598001
表示m个停靠点构成的顶点集，
Figure M_220823150218727_727187002
表示第j个停靠点。其中，
Figure M_220823150218789_789687003
和
Figure M_220823150218852_852191004
分别表示预先给定的目标车辆整个行驶路径开始时的出发点和最终结束时的停靠点。例如图3，
Figure M_220823150218899_899055005
由图3中的8个圆形所示，圆形上标识了停靠点的序号。
（1.3）构建任务点之间的路径对应的边集：
Figure M_220823150218948_948846001
(3)，
式(3)中，
Figure M_220823150219042_042602001
表示n个任务点之间的路径构成的边集，
Figure M_220823150219106_106058002
表示第
Figure M_220823150219169_169066003
个任务点和第
Figure M_220823150219231_231566004
个任务点之间的边。例如图3，
Figure M_220823150219278_278428005
即为使所有三角形两两之间连接的连线，由于线条过多，为了图示的简洁性，对图3中三角形之间的连线进行了省略。
（1.4）构建任务点与停靠点之间的路径对应的边集：
Figure M_220823150219328_328730001
(4)，
式(4)中，
Figure M_220823150219422_422496001
表示n个任务点与m个车辆停靠点之间的路径构成的边集，
Figure M_220823150219484_484996002
表示第i个任务点和第j个停靠点之间的边。例如图3，
Figure M_220823150219565_565052003
即为使三角形与圆形两两之间连接的连线。由于线条过多，为了图示的简洁性，对图3中三角形与圆形之间的连线进行了省略。
（1.5）构建停靠点之间的路径对应的边集：
Figure M_220823150219627_627556001
(5)，
式(5)中，表示m个停靠点之间的路径构成的边集，
Figure M_220823150219708_708077001
表示第
Figure M_220823150219771_771132002
个停靠点和第
Figure M_220823150219833_833611003
个停靠点之间的边。例如图3，
Figure M_220823150219896_896118004
即为使圆形之间两两直线连接的连线。
（1.6）计算任务点之间的边的权重：
Figure M_220823150219966_966415001
(6)，
式(6)中，
Figure M_220823150220075_075833001
表示表示第
Figure F_220823150215224_224244002
个任务点和第
Figure F_220823150215512_512287003
个任务点之间的权重，
Figure M_220823150220155_155888002
和
Figure M_220823150220234_234004003
分别表示第
Figure M_220823150220313_313607004
个任务点和第
Figure M_220823150220394_394158005
个任务点的二维坐标。例如图3，任务点之间的边的权重即为所有三角形之间的直线距离。
（1.7）计算任务点和停靠点之间的边的权重：
Figure M_220823150220472_472830001
(7)，
式(7)中，
Figure M_220823150220552_552366001
表示第i个任务点和第j个停靠点之间的权重，
Figure M_220823150220630_630524002
和
Figure M_220823150220711_711047003
分别表示第i个任务点和第j个停靠点的二维坐标。例如图3，任务点和停靠点之间的边的权重即为三角形与圆形之间的直线距离。
（1.8）计算停靠点之间的边的权重：
Figure M_220823150220789_789661001
(8)，
式(8)中，
Figure M_220823150220867_867817001
表示第
Figure M_220823150220931_931756002
个停靠点和第
Figure M_220823150220978_978633003
个停靠点之间的权重，
Figure M_220823150221025_025516004
表示第
Figure M_220823150221088_088025005
个停靠点和第
Figure M_220823150221137_137328006
个停靠点之间道路的实际长度。例如图3，停靠点之间的边的权重为圆形之间连线上所显示的数值，即
Figure M_220823150221246_246706007
，单位为km。
基于上述目标区域的表征方式，可继续按照以下方式对相关参量进行定义：
（2.1）定义第k架无人机在第r次飞行中的服务任务集：
Figure M_220823150221326_326287001
(9)，
式(9)中，
Figure M_220823150221404_404436001
表示第k架无人机在第r次飞行中的服务任务集，用于指示第k架无人机第r次飞行中需要服务的任务点。例如图4，第2架无人机在第1次飞行中的服务任务集为实心三角形，即
Figure M_220823150221466_466919002
。
（2.2）定义目标车辆行驶的停靠点向量：
Figure M_220823150221531_531844001
(10)，
式(10)中，
Figure M_220823150221641_641334001
表示目标车辆行驶的停靠点向量，X表示目标车辆的总行驶次数。注意，在目标车辆在某一停靠点停留的时间段内，若有无人机在目标车辆上的智能机场完成一次飞出和一次飞入，便记为目标车辆的一次行驶（目标车辆实际上仍处于停留状态），并将飞出时刻与飞入时刻之间的时间段记为目标车辆的该次行驶的时长。例如图4，圆形之间连线上的虚线箭头表示了目标车辆的行驶路径，即
Figure M_220823150221688_688104002
，
Figure M_220823150221989_989856003
。
（2.3）定义第k架无人机的飞出点向量：
Figure M_220823150222083_083592001
(11)，
式(11)中，
Figure M_220823150222151_151031001
表示第k架无人机的飞出点向量，
Figure M_220823150222182_182234002
表示第k架无人机的第r次飞行的飞出点是目标车辆行驶的停靠点向量中的第几个分量，也即表示第k架无人机的第r次飞行是从式（10）中的第
Figure M_220823150222339_339976003
个停靠点
Figure M_220823150222386_386838004
飞出的，
Figure M_220823150222464_464992005
表示第k架无人机总飞行次数。例如图4，第2架无人机在第1次飞行中的飞出点为实心圆形，即
Figure M_220823150222514_514234006
，而
Figure M_220823150222577_577279007
。
（2.4）定义第k架无人机的飞入点向量：
Figure M_220823150222639_639762001
(12)，
式(12)中，
Figure M_220823150222703_703218001
表示第k架无人机的飞入点向量，
Figure M_220823150222766_766255002
表示第k架无人机的第r次飞行的飞入点是目标车辆行驶的停靠点向量中的第几个分量，也即表示第k架无人机的第r次飞行是从式（10）中的第
Figure M_220823150222813_813109003
个停靠点
Figure M_220823150222875_875621004
飞入的，
Figure M_220823150222941_941509005
表示第k架无人机总飞行次数。例如图4，第2架无人机在第1次飞行中的飞出点为阴影圆形，即
Figure M_220823150223035_035270006
，而
Figure M_220823150223082_082154007
。
（2.5）定义第k架无人机在第r次飞行中的路径点集：
Figure M_220823150223145_145657001
(13)。
例如图4，第2架无人机在第1次飞行中的路径点集为
Figure M_220823150223239_239861001
。
（2.6）定义不同任务点的服务时长集合：
Figure M_220823150223320_320441001
(14)，
式(14)中，
Figure M_220823150223382_382931001
表示不同任务点的服务时长集合，
Figure M_220823150223461_461050002
表示第i个任务点的服务时长。无人机在服务某个任务点时会消耗该无人机的飞行时长。例如图3，
Figure M_220823150223513_513764003
，单位为min。
（2.7）定义所有无人机的飞行速度集合：
Figure M_220823150223592_592398001
(15)，
式(15)中，
Figure M_220823150223670_670559001
表示所有无人机的飞行速度集合，
Figure M_220823150223734_734500002
表示第k架无人机的飞行速度，
Figure M_220823150223797_797013003
为无人机的架数。例如图5，
Figure M_220823150223875_875107004
，
Figure M_220823150223940_940569005
，单位为km/h。
（2.8）定义所有无人机的飞行时长上限集合：
Figure M_220823150224003_003047001
(16)，
式(16)中，
Figure F_220823150215780_780390004
表示所有无人机的飞行时长上限集合，
Figure M_220823150224081_081182001
表示第k架无人机的飞行时长上限。例如图5，
Figure M_220823150224160_160776002
，单位为min。
作为一种可能的实施方式，上述步骤S204（即根据每架无人机的飞行关联信息、每架无人机的属性信息和目标车辆的行驶信息，确定目标区域内所有无人机的总飞行时长最小时的路径方案）可以包括以下操作方式：根据每架无人总飞行时间机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径；根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案。
作为一种可能的实施方式，上述采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径的步骤，可以包括以下操作方式：
对于每架无人机的每次飞行，根据该次飞行所对应的每个任务点的分布位置和每个停靠点的分布位置，采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群；其中，该初始种群中的每个个体为由该次飞行所对应的每个任务点的序号排列成的一个任务点序列；
对于生成的每个初始种群，执行以下步骤A-E：
A、分别计算当前种群中每个个体所对应的飞行距离，按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率；
B、根据当前种群中每个个体对应被选择的概率，从当前种群中选择相应的个体进行复制；其中，个体的选择方式具体可根据实际需要自行确定，例如，采用指数排序选择法、轮盘赌选择法等，对此不进行限定。
C、对复制的个体进行随机配对；随机配对的方式相比于全部配对的方式能够进一步减少计算量，保证被选择个体的代表性和多样性；
D、对随机配对的两个个体进行交叉操作以生成一个新个体，得到当前种群对应的后代种群；
E、根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作，并迭代上述步骤A-D，直至满足终止条件时结束。
作为一种可能的实施方式，上述采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群的步骤，可以包括以下操作方式：设置分岔系数和混沌变量的初始值，并按照以下公式迭代计算混沌变量的取值：xn+1=μxn(1-xn)，其中，xn为混沌变量的第n个取值，μ为分岔系数；根据预设规模和该次飞行所对应的任务点数量，获取混沌变量的多个取值，并将多个取值组成一个混沌序列；其中，多个取值的数量为初始种群中个体的数量与该次飞行所对应的任务点数量的乘积；根据该次飞行所对应的任务点数量，按照混沌序列的序列顺序依次从混沌序列中取出固定数量的值组成混沌子序列；其中，所述固定数量与所述初始种群中个体的数量相等；对于每个混沌子序列，均根据该混沌子序列中每个值的大小顺序生成相应的任务点序列。
示例性地，对于第k架无人机在第r次飞行来说，在给定
Figure M_220823150224223_223261001
、任务点之间的直线距离以及任务点与停靠点之间的直线距离、不同任务点的服务时长集合的情况下，上述采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群的操作方式可以为：
1）在逻辑斯蒂映射中令混沌变量的初始值为0.3，分岔系数取值为4。
2）按照逻辑斯蒂映射迭代计算混沌变量的取值。
3）从混沌变量的第100个取值开始记录
Figure M_220823150224301_301848001
个计算结果；其中，N为初始种群中个体的数量（也即上述预设规模的大小），
Figure M_220823150224380_380483002
为
Figure M_220823150224427_427366003
中任务点的数量。
4）在上述计算结果中依次取出
Figure M_220823150224489_489855001
个数值，并根据相应位置上的取值大小顺序确定任务点的排序。例如，
Figure M_220823150224570_570445002
，
Figure M_220823150224648_648546003
，在上述计算结果中依次取出6个数值，并生成一个长度为6的混沌数列
Figure M_220823150224711_711984004
，则第一次取出3个数值组成一个混沌子数列
Figure M_220823150224837_837522005
，相应的可行解对应的任务点排序为
Figure M_220823150224900_900036006
，即任务点序号是按照混沌子数列中数值从小到大的顺序进行排序的，第二次取出3个数值组成另一个混沌子数列
Figure M_220823150224964_964989007
，由于0.425、0.978和0.087分别与任务点序号1、2和3对应，在将任务点序号按照该混沌子数列中数值从小到大的顺序进行排序后，相应的可行解对应的任务点排序为
Figure M_220823150225043_043080008
。
采用上述生成混沌序列的操作方式，相比于采用生成伪随机数序列的方式可以提高初始种群中个体的多样性，并通过防止过早收敛来提高遗传算法的性能。
作为一种可能的实施方式，上述按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率的步骤，可以包括以下操作方式：分别计算当前种群中每个个体的适应度（可由飞行距离取负值得到），按照适应度从大到小的顺序对当前种群中的个体进行排序，按照以下公式计算得到当前种群中每个个体对应被选择的概率：P(i)=
Figure M_220823150225107_107990001
，其中，P(i)为第i个个体被选择的概率，N为当前种群中个体的总数，
Figure M_220823150225186_186682002
为预设值（如0.4）。采用该操作方式，进一步提高了遗传算法的收敛效率。
作为一种可能的实施方式，上述交叉操作为顺序交叉；上述对随机配对的两个个体进行交叉操作以生成一个新个体的步骤，可以包括以下操作方式：根据预设的第一切点和第二切点，确定随机配对的两个个体各自的待交换部分；其中，第一切点的序列位置在所述第二切点的序列位置之前；对于重新排列随机配对的两个个体中的每个个体，均将第二切点的序列位置之后的第一个序号作为起始序号，重新排列该个体，得到该个体对应的重排序列；对于每个重排序列，均将该重排序列中与另一个重排序列的待交换部分重复的序号删除，得到该重排序列对应的无重复序列；对于每个无重复序列，均将另一个无重复序列对应的重排个体的待交换部分添加至该无重复序列的尾部，得到该无重复序列对应的新序列；对于每个新序列，均将第二切点后的第一个序号作为起始序号，重新排列该新序列，得到该新序列对应的新个体。
例如，两个父代个体分别为
Figure M_220823150225475_475706001
与
Figure M_220823150225557_557243002
，切点X（即第一切点）在第二个序号和第三个序号之间，切点Y（即第二切点）在第四个序号和第五个序号之间；因此这两个个体各自的待交换部分分别为
Figure M_220823150225619_619721003
和
Figure M_220823150225682_682263004
；从切点Y后的第一个序号起重新排列两个父代个体得到
Figure M_220823150225731_731063005
和
Figure M_220823150225793_793580006
；删除与对应待交换部分重复的基因得到两个无重复序列
Figure M_220823150225856_856085007
和
Figure M_220823150225951_951767008
；将相应的待交换部分分别对应放到相应的无重复序列的尾部得到两个新序列
Figure M_220823150226014_014279009
和
Figure M_220823150226076_076775010
；从切点Y后的第一个序号起分别重新排列这两个新序列得到两个新个体
Figure M_220823150226156_156372011
和
Figure M_220823150226218_218866012
。
采用上述顺序交叉的操作方式，能够较好地保留了点位之间的相邻关系、先后关系，也满足旅行商问题的要求。
作为一种可能的实施方式，上述根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作的步骤，可以包括以下操作方式：对于后代种群中每个个体，均按照该个体的序列顺序依次为该个体的每一位序号生成一个随机数，并根据每一位序号对应的随机数与预设变异概率的大小关系对该个体进行多次序列处理操作；其中，序列处理操作的次数与该个体的序号位数相等，每次序列处理操作为进行一位后移循环操作或不进行任何操作。
上述预设变异概率的取值可根据实际需要自行确定，对此不进行限定。例如，变异概率的取值为0.01，对于一个后代个体
Figure M_220823150226281_281366001
，对该个体的第一位序号1生成随机数，设为0.2，大于0.01，因此保持
Figure M_220823150226361_361510002
不变；对
Figure M_220823150226423_423935003
的第二位序号2生成随机数，设为0.002，小于0.01，因此对
Figure M_220823150226504_504474004
的子序列
Figure M_220823150226583_583291005
进行一位后移循环，得到子序列
Figure M_220823150226661_661241006
，即新序列为
Figure M_220823150226740_740847007
；对
Figure M_220823150226850_850206008
的第三位序号2生成随机数，设为0.35，大于0.01，因此保持
Figure M_220823150226915_915116009
不变；对
Figure M_220823150226993_993765010
的第四位序号3生成随机数，设为0.0012，小于0.01，因此对
Figure M_220823150227056_056286011
的子序列
Figure M_220823150227123_123163012
进行一位后移循环，得到子序列
Figure M_220823150227201_201291013
，即新序列为
Figure M_220823150227263_263778014
；对
Figure M_220823150227327_327755015
的第五位序号3生成随机数，设为0.48，大于0.01，因此保持
Figure M_220823150227390_390263016
不变；最终的序列为
Figure M_220823150227468_468376017
。
作为一种可能的实施方式，上述根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案的步骤，可以包括以下操作方式：以所有无人机的总飞行时长最小化作为目标函数，采用分支剪界算法，按照以下公式计算得到所有无人机的总飞行时长最小的路径方案：
Figure M_220823150227564_564076001
；其中，Q为所有无人机的总飞行时长，
Figure M_220823150227626_626585002
为第k架无人机第r次飞行的飞行路径，
Figure M_220823150227689_689091003
为给定
Figure M_220823150227769_769155004
下第k架无人机第r次飞行的飞行时长，
Figure M_220823150227831_831685005
为给定
Figure M_220823150227911_911204006
下第k架无人机的总飞行时长，Yk为飞行次数，K为无人机的个数。
示例性地，可综合上述式（1）至式（16），并按照以下公式计算第k架无人机在第r次飞行所对应的总服务时长：
Figure M_220823150227989_989885001
，其中，
Figure M_220823150228036_036777002
为第k架无人机在第r次飞行所对应的总服务时长，
Figure M_220823150228068_068006003
为第k架服务的第l个任务点对应的服务时长；之后用第k架无人机在第r次飞行的飞行距离除以第k架无人机的飞行速度
Figure M_220823150228083_083611004
并加上
Figure M_220823150228120_120192005
，得到第k架无人机第r次飞行所对应的飞行时长
Figure M_220823150228136_136348006
；判断
Figure M_220823150228167_167608007
是否大于
Figure M_220823150228198_198845008
，其中
Figure M_220823150228214_214514009
为安全系数；若不大于，则输出
Figure M_220823150228245_245742010
，若大于，则令
Figure M_220823150228261_261347011
=
Figure M_220823150228292_292589012
，其中
Figure M_220823150228352_352173013
为一充分大的正数（表明该次飞行时长实际上已经超过无人机的飞行时长上限了）；之后采用以下公式计算得到所有无人机的总飞行时长：
Figure M_220823150228383_383427014
。
在得到所有无人机的总飞行时长后，在上述式（1）至式（16）的基础上，继续按照以下方式对相关参量进行定义：
（3.1）定义目标车辆第i次行驶的行驶时长：
Figure M_220823150228414_414657001
(17)，
式(17)中，
Figure M_220823150228461_461530001
表示目标车辆第i次行驶的行驶时长，
Figure M_220823150228492_492794002
表示目标车辆的行驶速度。行驶时长不包含车辆在某一停靠点停留的时长，无人机只能在停靠点飞入和飞出。当无人机在某停靠点飞入和飞出时，目标车辆是处于停留状态的。例如图5，
Figure M_220823150228512_512791003
，单位为km/h，而所有
Figure M_220823150228544_544673004
均为5，单位为min。
（3.2）定义第k架无人机所有飞行的飞出时刻集合：
Figure M_220823150228560_560204001
(18)，
式(18)中，
Figure M_220823150228607_607059001
表示第k架无人机所有飞行的飞出时刻集合，
Figure M_220823150228638_638376002
表示第k架无人机第r次飞行的飞出时刻。例如，
Figure M_220823150228669_669535003
为中间变量，可由算法计算获得。
（3.3）定义第k架无人机所有飞行的飞入时刻集合：
Figure M_220823150228685_685195001
(19)，
式(19)中，
Figure M_220823150228733_733500001
表示第k架无人机所有飞行的飞入时刻集合，
Figure M_220823150228749_749134002
表示第k架无人机第r次飞行的飞入时刻。例如，
Figure M_220823150228780_780402003
为中间变量，可由算法计算获得。
（3.4）定义目标车辆所有行驶的出发时刻集合：
Figure M_220823150228796_796019001
(20)，
式(20)中，
Figure M_220823150228842_842870001
表示目标车辆所有行驶的出发时刻集合，
Figure M_220823150228874_874154002
表示目标车辆第i次行驶的出发时刻。例如，
Figure M_220823150228906_906304003
为中间变量，可由算法计算获得。
（3.5）定义目标车辆所有行驶的停靠时刻集合：
Figure M_220823150228936_936642001
(21)，
式(21)中，
Figure M_220823150228967_967903001
表示目标车辆所有行驶的停靠时刻集合，
Figure M_220823150228999_999139002
表示目标车辆第i次行驶的停靠时刻。例如，
Figure M_220823150229126_126584003
为中间变量，可由算法计算获得。
在上述式（1）至式（21）的基础上，继续按照以下方式对相关参量进行约束：
（3.6）约束目标车辆的行驶次数只能取正整数值：
Figure M_220823150229173_173448001
(22)，
式(22)表明目标车辆的行驶次数只能取正整数值。
（3.7）约束第k架无人机的飞行次数只能取正整数值：
Figure M_220823150229204_204699001
(23)，；
式(23)表明无人机的飞行次数只能取正整数值。
（3.8）对目标车辆整个行驶路径的出发点和停靠点进行约束：
Figure M_220823150229235_235959001
(24)，
式(24)表明目标车辆整个行驶路径的出发点必须是
Figure M_220823150229282_282844001
，而停靠点必须是
Figure M_220823150229298_298462002
。
（3.9）对第k架无人机在第r次飞行的飞出点和飞入点顺序进行约束：
Figure M_220823150229333_333723001
(25)，
式(25)表明在目标车辆的整个行驶路径中，第k架无人机在第r次飞行的飞出点必须排在第r次飞行的飞入点之前，而第k架无人机在第r次飞行的飞入点必须排在第r+1次飞行的飞出点之前。
（3.10）对第k架无人机在第r次飞行是否服务任务点进行约束：
Figure M_220823150229365_365369001
(26)，
式(26)中，
Figure M_220823150229396_396610001
表示第k架无人机在第r次飞行中是否服务任务点i，
Figure M_220823150229427_427855002
表示服务任务点i，
Figure M_220823150229459_459094003
表示不服务任务点i。
（3.11）对任务点全服务进行约束：
Figure M_220823150229474_474732001
(27)，
式(26)表明对于任何一个任务点，存在唯一一架无人机的一次飞行会对其进行服务。
（3.12）对目标车辆第i次行驶的出发时刻进行约束：
Figure M_220823150229537_537246001
(28)，
式(28)中，
Figure M_220823150229615_615341001
表示求满足如下条件的所有
Figure M_220823150229693_693479002
的最大值：k和r使得
Figure F_220823150216094_094857005
。
Figure M_220823150229731_731072003
表示求满足如下条件的所有
Figure M_220823150229762_762312004
的最大值。式(28)确保目标车辆第i次行驶的出发时刻要晚于其第i次行驶的停靠时刻，晚于所有在该停靠点飞出的无人机的飞出时刻，也晚于所有在该停靠点飞入的无人机的飞入时刻。
（3.13）对目标车辆第i次行驶的到达时刻进行约束：
Figure M_220823150229777_777969001
(29)，
式(29)表明目标车辆第i次行驶的到达时刻为其第i次行驶的出发再加上第i次行驶的行驶时长。
（3.14）对第k架无人机第r次飞行的飞出时刻进行约束：
Figure M_220823150229824_824838001
(30)，
式(30)确保当第k架无人机第r次飞行是从某一停靠点飞出时，其飞出时刻要晚于目标车辆在该停靠点的停靠时刻，也要晚于其第r-1次飞行的飞入时刻。
（3.15）对第k架无人机第r次飞行的飞入时刻进行约束：
Figure M_220823150229886_886894001
(31)，
式(31)表明第k架无人机第r次飞行的飞入时刻等于其第r次飞行的飞出时刻加上其第r次飞行所对应的飞行时长
Figure M_220823150229935_935179001
，其中的
Figure M_220823150229966_966431002
可根据前文中的计算方式计算获得。
（3.16）对第k架无人机第r次飞行的路径点集进行约束：
Figure M_220823150229982_982068001
(32)，
式(32)表明第k架无人机第r次飞行的路径点集为其第r次飞行服务的任务点集，再加上其第r次飞行的飞出点和飞入点。
（3.17）综合上述式（22）至式（32），以所有无人机的总飞行时长最小化为目标函数：
Figure M_220823150230060_060192001
(33)，
式(33)表明所有无人机的总飞行时长
Figure M_220823150230091_091558001
是无人机服务任务集
Figure M_220823150230124_124140002
的函数；
（3.18）将式(22)至式(33)汇总，得到任务点全服务、无人机飞行时长和无人机车辆协同调度的约束条件下的所有无人机的总飞行时长最小化模型，写成如下形式：
Figure M_220823150230155_155390001
(34)；
（3.19）使用分支剪界法算法对所有无人机的总飞行时长最小的路径方案进行求解。
上述优化问题属于整数非线性规划问题，可使用分支剪界法算法对上述优化问题进行求解。分支剪界法算法是一种特殊类型的分支定界法，其与传统的分支定界法的区别在于：每次迭代时，在分支树的每个节点上应用切割面算法（如K-C、zigzag等），直到当目标函数在连续五次迭代中的变化幅度小于
Figure M_220823150230202_202269001
（如目标函数在连续五次迭代中的变化幅度小于0.00005%）；使用强分支策略（Strong Branching Strategy）进行分支；如果分支剪界法在没有找到最优解的情况下结束，则使用更大的人工上界重新启动该算法，如果分支剪界法再次不成功地结束，则最后一次使用真正的上界重新开始。
分支剪界法算法具体可以按照以下操作方式进行：
步骤1，将整数非线性规划问题加入列表L；
步骤2，令
Figure M_220823150230233_233543001
，
Figure M_220823150230264_264763002
；
步骤3，判断L是否为空集；若L为空集，求解结束；若L不是空集，执行当前步骤之后的步骤。
步骤3.1，从L中选择并移除一个整数非线性规划问题；
步骤3.2，求解上述问题的线性松弛问题；
步骤3.3，若解不可行，则回到步骤3；若可行，则记该解为
Figure M_220823150230296_296008001
，对应的目标函数值为
Figure M_220823150230331_331161002
；
步骤3.4，若
Figure M_220823150230346_346797001
，则回到步骤3；
步骤3.5，若
Figure M_220823150230378_378064001
是整数，则
Figure M_220823150230410_410765002
，
Figure M_220823150230457_457652003
，并则回到步骤3；
步骤3.6，利用zigzag算法搜索切割面，利用该切割面切割线性松弛问题的解空间，使得
Figure M_220823150230473_473275001
变得不可行。若能搜索到这样的切割面，则将此切割面加入线性松弛问题，并回到步骤3.2；
步骤3.7，利用强分支策略将原问题分支成新问题，将这些新问题添加到L中，然后回到步骤3；
步骤4，返回
Figure M_220823150230507_507406001
的值。
上述切割面是一个包含决策变量的线性不等式。在上述算法的步骤3.6中，由于算出的
Figure M_220823150230539_539202001
不是整数，因而搜索切割面（即线性不等式），将其加入线性松弛问题，使得
Figure M_220823150230554_554807002
变得不可行，同时使得所有可行整数解的凸包中的值都是可行的。
上述强分支策略是指在实际分支之前测试哪个候选变量对目标函数有最好的改善，然后以该候选变量进行分支。
在分支剪界算法中，若不是从正无穷，而是从某一人工上界开始搜索，会提高搜索效率。
上述人工上界的定义为：无人机按编号顺序起飞，每次飞行按编号顺序只服务一个任务点时的总飞行时长（即无人机每次飞行所对应的飞行时长）。基于此，可将更大的人工上界可以定义为上述人工上界的1.1倍，将真正的上界定义为就是上述人工上界。例如，人工上界为1000min，则1.1倍的人工上界即为1100min。
为了便于理解，综合上述式（1）至式（34），以图5为例对上述面向车载智能机场的无人机与车辆协同调度方法的具体操作过程进行描述如下：
图5中有3架无人机，应用遗传算法求解第2架无人机第一次飞行的最优飞行路径的步骤如下：
1）第2架无人机第一次飞行的路径点集为
Figure M_220823150230586_586060001
；
2）停靠点与任务点以及任务点之间的距离分别为
Figure M_220823150230632_632929001
，单位为km；
3）在逻辑斯蒂映射中令混沌变量的初始值为0.3，分岔系数取值为4；
4）按照逻辑斯蒂映射迭代计算混沌变量的取值；
5）将迭代计算后的前99个计算结果舍弃，从混沌变量的第100个取值开始记录9个计算结果，根据上述方法生成一个长度为9的混沌数列
Figure M_220823150230695_695477001
；
6）在上述混沌数列中依次取出3个数值，并根据相应位置上的取值大小顺序确定任务点排序。其中，第一次取值的3个数值所组成的混沌子数列为
Figure M_220823150230729_729603001
，其对应的任务点排序（也即飞行顺序）为
Figure M_220823150230760_760901002
；第二次取值的3个数值为
Figure M_220823150230792_792117003
，其对应的飞行顺序为
Figure M_220823150230823_823381004
；第三次取值的3个数值为
Figure M_220823150230838_838997005
，其对应的飞行顺序为
Figure M_220823150230870_870228006
，因此初始种群中的个体为
Figure M_220823150230902_902918007
、
Figure M_220823150230919_919056008
和
Figure M_220823150230950_950304009
；
7）计算每个个体的适应度（即对该解下的飞行距离取负值），按照适应度从大到小的顺序对当前种群中的个体进行排序，则选择第i个个体的概率为
Figure M_220823150230965_965927001
；
8）按照7）所计算出的概率选择个体依次进行复制、随机配对和顺序交叉操作；其中，第一切点为第一个序号和第二个序号之间，第二个切点为第二个序号和第三个序号之间；
9）对交叉产生的后代集（即后代种群）中每个后代个体，均按照该个体的序列顺序依次为该后代个体的每一位序号生成一个随机数，并根据每一位序号对应的随机数是否小于0.01（即此时的预设变异概率值）对该个体进行多次序列处理操作；其中，序列处理操作的次数与该个体的序号位数相等，序号对应的随机数小于0.01时的序列处理操作为进行一位后移循环操作，序号对应的随机数不小于0.01时的序列处理操作为不进行任何操作。
10）迭代6）至9），直到迭代次数超过20。由于图5所对应的初始种群的规模较小，事实上在迭代次数超过4时，种群中已经稳定包含最优解
Figure M_220823150231012_012816001
。
由于图5所对应的初始种群的规模较小，还可以用穷举法算出所有可行解下的飞行距离如下：飞行顺序为（7,6,5）时，飞行距离为2.5km；飞行顺序为（7,5,6）时，飞行距离为3.31km；飞行顺序为（6,7,5）时，飞行距离为2.52km；飞行顺序为（6,5,7）时，飞行距离为3.38km；飞行顺序为（5,6,7）时，飞行距离为2.71km；飞行顺序为（5,7,6）时，飞行距离为2.67km。采用该方式可对应用遗传算法求出的最优解进行验证，可知，本例所使用的遗传算法确实求出了最优解。
采用上述计算方式可得到图5中三个无人机的总飞行时长，之后可应用分支剪界法求解三个无人机与目标车辆协同调度的最优路径方案。图5中，目标车辆的全路径出发点和终止点分别为
Figure M_220823150231028_028457001
和
Figure M_220823150231059_059686002
，目标车辆的行驶速度为6km/h，相邻两个停靠点间的距离为500m，每个无人机的飞行速度均为10km/h，目标车辆上搭载3架无人机；该过程具体可按照以下步骤进行：
11）将式(34)所代表的整数非线性规划问题加入列表L；使无人机按编号顺序起飞，每次飞行按编号顺序只服务一个任务点时的总飞行时间作为人工上界
Figure M_220823150231090_090976001
，令
Figure M_220823150231124_124635002
；
12）令
Figure M_220823150231155_155890001
，
Figure M_220823150231187_187137002
；
13）判断L是否为空集；若L为空集，求解结束；若L不是空集，执行当前步骤之后的步骤。
13.1）从L中选择并移除一个整数非线性规划问题；
13.2）求解上述问题的线性松弛问题；
13.2.1）在本例中，采用梯度下降法求解线性松弛问题；
13.2.2）每一个松弛解都代表一个松弛情况下的无人机车辆协同调度的路径方案，将此松弛解四舍五入取整后代入上述有约束的旅行商问题，利用步骤二中的遗传算法解得该协同调度下每架无人机每次飞行的最优飞行路径；
13.2.3）将上述最优飞行路径代入式(33)算出此松弛解下的总飞行时长；
13.3）若解不可行，则回到13）；若可行，则记该解为
Figure M_220823150231202_202749001
，对应的目标函数值为
Figure M_220823150231234_234015002
；
13.4）若
Figure M_220823150231265_265265001
，则回到13）；
13.5）若
Figure M_220823150231296_296515001
是整数，则
Figure M_220823150231313_313545002
，
Figure M_220823150231345_345336003
，并回到13）；
13.6）利用zigzag算法搜索包含决策变量的线性不等式（即上述切割面），使得
Figure M_220823150231376_376589001
变得不可行，同时使得所有可行整数解的凸包中的值都是可行的。若能搜索到这样的线性不等式，则将此线性不等式加入线性松弛问题，并回到13.2）；
13.7）在实际分支之前测试哪个候选变量对目标函数有最好的改善，然后以该候选变量进行分支，将原问题分支成新问题，将这些新问题添加到L中，然后回到13）；
14）当总飞行时间在连续五次分支计算中的变化幅度小于0.00005%，则终止，返回
Figure M_220823150231392_392211001
的值；
15）若上述终止条件无法满足，则令
Figure M_220823150231423_423458001
，并重新进行一遍12）至14）；
16）若在
Figure M_220823150231454_454706001
的情况下无法满足终止条件，则令
Figure M_220823150231485_485972002
，并重新进行一遍12）至14）；
17）当总飞行时间在连续五次分支计算中的变化幅度小于0.00005%或分支次数超过100次时终止，返回
Figure M_220823150231519_519169001
的值。
在本例中，可解得目标车辆行驶路径为
Figure M_220823150231550_550431001
。第1架无人机第1次飞行的飞行路径为
Figure M_220823150231581_581650002
，第2次飞行的飞行路径为
Figure M_220823150231612_612904003
，第3次飞行的飞行路径为
Figure M_220823150231644_644173004
；第2架无人机第1次飞行的飞行路径为
Figure M_220823150231675_675405005
，第2次飞行的飞行路径为
Figure M_220823150231710_710537006
，第3次飞行的飞行路径为
Figure M_220823150231742_742333007
；第3架无人机第1次飞行的飞行路径为
Figure M_220823150231773_773562008
，第2次飞行的飞行路径为
Figure M_220823150231804_804828009
。在本例中，可解得所有无人机的总飞行时间为270min。图4显示了车辆的行驶路径以及在时刻
Figure M_220823150231820_820433010
时目标车辆、3架无人机各自的状态。
基于上述面向车载智能机场的无人机与车辆协同调度方法，本发明实施例还提供一种面向车载智能机场的无人机与车辆协同调度装置，参见图6所示，该装置可以包括以下模块：
获取模块62，用于获取目标区域内的每架无人机的飞行关联信息；其中，所述飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，所述任务点信息包括任务点的分布位置和任务点的服务时长，所述停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同。
计算模块64，用于根据每架无人机的飞行关联信息、每架无人机的属性信息和所述目标车辆的行驶信息，确定所述目标区域内所有无人机的总飞行时长最小时的路径方案；其中，所述属性信息包括飞行速度和飞行时长上限，所述行驶信息包括行驶速度和行驶路径，所述路径方案包括所述目标车辆的行驶路径和每架无人机每次飞行的飞行路径。
本发明实施例提供的一种面向车载智能机场的无人机与车辆协同调度装置，可以为车辆与无人机的协同调度提供合理的路径方案，从而确保每架无人机每次飞行的续航时间均能满足相关服务需求，减少无人机在不同点位间飞行所造成的时间和电量消耗。
上述计算模块64还可以用于：根据每架无人机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径；根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案。
上述计算模块64还可以用于：对于每架无人机的每次飞行，根据该次飞行所对应的每个任务点的分布位置和每个停靠点的分布位置，采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群；其中，该初始种群中的每个个体为由该次飞行所对应的每个任务点的序号排列成的一个任务点序列；对于生成的每个初始种群，执行以下步骤A-E：A、分别计算当前种群中每个个体所对应的飞行距离，按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率；B、根据当前种群中每个个体对应被选择的概率，从当前种群中选择相应的个体进行复制；C、对复制的个体进行随机配对；D、对随机配对的两个个体进行交叉操作以生成一个新个体，得到当前种群对应的后代种群；E、根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作，并迭代上述步骤A-D，直至满足终止条件时结束。
上述计算模块64还可以用于：分别计算当前种群中每个个体的适应度，按照适应度从大到小的顺序对当前种群中的个体进行排序，按照以下公式计算得到当前种群中每个个体对应被选择的概率：P(i)=
Figure M_220823150231867_867304001
，其中，P(i)为第i个个体被选择的概率，N为当前种群中个体的总数，
Figure M_220823150231915_915121002
为预设值。
上述交叉操作为顺序交叉；基于此，上述计算模块64还可以用于：根据预设的第一切点和第二切点，确定随机配对的两个个体各自的待交换部分；其中，所述第一切点的序列位置在所述第二切点的序列位置之前；对于重新排列随机配对的两个个体中的每个个体，均将第二切点的序列位置之后的第一个序号作为起始序号，重新排列该个体，得到该个体对应的重排序列；对于每个重排序列，均将该重排序列中与另一个重排序列的待交换部分重复的序号删除，得到该重排序列对应的无重复序列；对于每个无重复序列，均将另一个无重复序列对应的重排个体的待交换部分添加至该无重复序列的尾部，得到该无重复序列对应的新序列；对于每个新序列，均将第二切点后的第一个序号作为起始序号，重新排列该新序列，得到该新序列对应的新个体。
上述计算模块64还可以用于：对于后代种群中每个个体，均按照该个体的序列顺序依次为该个体的每一位序号生成一个随机数，并根据每一位序号对应的随机数与预设变异概率的大小关系对该个体进行多次序列处理操作；其中，序列处理操作的次数与该个体的序号位数相等，每次序列处理操作为进行一位后移循环操作或不进行任何操作。
上述计算模块64还可以用于：设置分岔系数和混沌变量的初始值，并按照以下公式迭代计算混沌变量的取值：xn+1=μxn(1-xn)，其中，xn为混沌变量的第n个取值，μ为分岔系数；根据预设规模和该次飞行所对应的任务点数量，获取混沌变量的多个取值，并将所述多个取值组成一个混沌序列；其中，所述多个取值的数量为所述初始种群中个体的数量与该次飞行所对应的任务点数量的乘积；根据该次飞行所对应的任务点数量，按照混沌序列的序列顺序依次从混沌序列中取出固定数量的值组成混沌子序列；其中，所述固定数量与所述初始种群中个体的数量相等；对于每个混沌子序列，均根据该混沌子序列中每个值的大小顺序生成相应的任务点序列。
上述计算模块64还可以用于：以所有无人机的总飞行时长最小化作为目标函数，采用分支剪界算法，按照以下公式计算得到所有无人机的总飞行时长最小的路径方案：
Figure M_220823150231946_946892001
；其中，Q为所有无人机的总飞行时长，
Figure M_220823150231978_978130002
为第k架无人机第r次飞行的飞行路径，
Figure M_220823150232009_009399003
为给定
Figure M_220823150232040_040646004
下第k架无人机第r次飞行的飞行时长，
Figure M_220823150232071_071896005
为给定
Figure M_220823150232104_104583006
下第k架无人机的总飞行时长，Y k 为飞行次数，K为无人机的个数。
本发明实施例所提供的面向车载智能机场的无人机与车辆协同调度装置，其实现原理及产生的技术效果和前述面向车载智能机场的无人机与车辆协同调度方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备，如图7所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器71和存储器70，该存储器70存储有能够被该处理器71执行的计算机可执行指令，该处理器71执行该计算机可执行指令以实现上述面向车载智能机场的无人机与车辆协同调度方法。
在图7示出的实施方式中，该电子设备还包括总线72和通信接口73，其中，处理器71、通信接口73和存储器70通过总线72连接。
其中，存储器70可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口73（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线72可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral ComponentInterconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线72可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器71读取存储器中的信息，结合其硬件完成前述实施例的面向车载智能机场的无人机与车辆协同调度方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述面向车载智能机场的无人机与车辆协同调度方法，具体实现可参见前述方法实施例，在此不再赘述。
本发明实施例所提供的面向车载智能机场的无人机与车辆协同调度方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的面向车载智能机场的无人机与车辆协同调度方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种面向车载智能机场的无人机与车辆协同调度方法，其特征在于，所述方法包括：
获取目标区域内的每架无人机的飞行关联信息；其中，所述飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，所述目标车辆为沿分布有多个停靠点的预设道路行驶并在指定停靠点处停靠的车辆，所述目标车辆上固定有智能机场，所述智能机场用于在所述目标车辆停靠期间对飞入所述智能机场的无人机进行充电，每架无人机均用于从所述智能机场飞出到相应的任务点进行服务，所述任务点信息包括任务点的分布位置和任务点的服务时长，所述停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同；
根据每架无人机的飞行关联信息、每架无人机的属性信息和所述目标车辆的行驶信息，确定所述目标区域内所有无人机的总飞行时长最小时的路径方案；其中，所述属性信息包括飞行速度和飞行时长上限，所述行驶信息包括行驶速度和行驶路径，所述路径方案包括所述目标车辆的行驶路径和每架无人机每次飞行的飞行路径；
根据每架无人机的飞行关联信息、每架无人机的属性信息和所述目标车辆的行驶信息，确定所述目标区域内所有无人机的总飞行时长最小时的路径方案，包括：
根据每架无人机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径；
根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案；
根据每架无人机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径，包括：
对于每架无人机的每次飞行，根据该次飞行所对应的每个任务点的分布位置和每个停靠点的分布位置，采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群；其中，该初始种群中的每个个体为由该次飞行所对应的每个任务点的序号排列成的一个任务点序列；
对于生成的每个初始种群，执行以下步骤A-E：
A、分别计算当前种群中每个个体所对应的飞行距离，按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率；
B、根据当前种群中每个个体对应被选择的概率，从当前种群中选择相应的个体进行复制；
C、对复制的个体进行随机配对；
D、对随机配对的两个个体进行交叉操作以生成一个新个体，得到当前种群对应的后代种群；
E、根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作，并迭代上述步骤A-D，直至满足终止条件时结束；
根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作，包括：
对于后代种群中每个个体，均按照该个体的序列顺序依次为该个体的每一位序号生成一个随机数，并根据每一位序号对应的随机数与预设变异概率的大小关系对该个体进行多次序列处理操作；其中，序列处理操作的次数与该个体的序号位数相等，每次序列处理操作为进行一位后移循环操作或不进行任何操作；
采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群，包括：
设置分岔系数和混沌变量的初始值，并按照以下公式迭代计算混沌变量的取值：xn+1=μxn(1-xn)，其中，xn为混沌变量的第n个取值，μ为分岔系数；
根据预设规模和该次飞行所对应的任务点数量，获取混沌变量的多个取值，并将所述多个取值组成一个混沌序列；其中，所述多个取值的数量为所述初始种群中个体的数量与该次飞行所对应的任务点数量的乘积；
根据该次飞行所对应的任务点数量，按照混沌序列的序列顺序依次从混沌序列中取出固定数量的值组成混沌子序列；其中，所述固定数量与所述初始种群中个体的数量相等；
对于每个混沌子序列，均根据该混沌子序列中每个值的大小顺序生成相应的任务点序列；
根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案，包括：
以所有无人机的总飞行时长最小化作为目标函数，采用分支剪界算法，按照以下公式计算得到所有无人机的总飞行时长最小的路径方案：
Figure M_221111162417924_924343001
；其中，Q为所有无人机的总飞行时长，
Figure M_221111162418035_035225002
为第k架无人机第r次飞行的飞行路径，
Figure M_221111162418271_271509003
为给定
Figure M_221111162418461_461451004
下第k架无人机第r次飞行的飞行时长，
Figure M_221111162418703_703223005
为给定
Figure M_221111162418831_831101006
下第k架无人机的总飞行时长，Y k 为飞行次数，K为无人机的个数。
2.根据权利要求1所述的无人机与车辆协同调度方法，其特征在于，按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率，包括：
分别计算当前种群中每个个体的适应度，按照适应度从大到小的顺序对当前种群中的个体进行排序，按照以下公式计算得到当前种群中每个个体对应被选择的概率：P(i)=
Figure M_221111162418987_987351001
，其中，P(i)为第i个个体被选择的概率，N为当前种群中个体的总数，
Figure M_221111162419114_114289002
为预设值。
3.根据权利要求1所述的无人机与车辆协同调度方法，其特征在于，所述交叉操作为顺序交叉；对随机配对的两个个体进行交叉操作以生成一个新个体，包括：
根据预设的第一切点和第二切点，确定随机配对的两个个体各自的待交换部分；其中，所述第一切点的序列位置在所述第二切点的序列位置之前；
对于重新排列随机配对的两个个体中的每个个体，均将第二切点的序列位置之后的第一个序号作为起始序号，重新排列该个体，得到该个体对应的重排序列；
对于每个重排序列，均将该重排序列中与另一个重排序列的待交换部分重复的序号删除，得到该重排序列对应的无重复序列；
对于每个无重复序列，均将另一个无重复序列对应的重排个体的待交换部分添加至该无重复序列的尾部，得到该无重复序列对应的新序列；
对于每个新序列，均将第二切点后的第一个序号作为起始序号，重新排列该新序列，得到该新序列对应的新个体。
4.一种面向车载智能机场的无人机与车辆协同调度装置，其特征在于，所述装置包括：
获取模块，用于获取目标区域内的每架无人机的飞行关联信息；其中，所述飞行关联信息包括飞行次数、每次飞行所对应的多个任务点信息、目标车辆的多个停靠点信息，所述目标车辆为沿分布有多个停靠点的预设道路行驶并在指定停靠点处停靠的车辆，所述目标车辆上固定有智能机场，所述智能机场用于在所述目标车辆停靠期间对飞入所述智能机场的无人机进行充电，每架无人机均用于从所述智能机场飞出到相应的任务点进行服务，所述任务点信息包括任务点的分布位置和任务点的服务时长，所述停靠点信息包括停靠点的分布位置和停靠点的停留时长，每个任务点的服务次数不超过一次，每次飞行所对应的飞出停靠点和飞入停靠点不同；
计算模块，用于根据每架无人机的飞行关联信息、每架无人机的属性信息和所述目标车辆的行驶信息，确定所述目标区域内所有无人机的总飞行时长最小时的路径方案；其中，所述属性信息包括飞行速度和飞行时长上限，所述行驶信息包括行驶速度和行驶路径，所述路径方案包括所述目标车辆的行驶路径和每架无人机每次飞行的飞行路径；
所述计算模块还用于：
根据每架无人机的飞行关联信息和每架无人机的属性信息，采用遗传算法求解每架无人机每次飞行所对应的飞行时长最小的飞行路径；
根据每架无人机每次飞行所对应的飞行时长最小的飞行路径和所述目标车辆的行驶信息，采用分支剪界算法求解得到所有无人机的总飞行时长最小的路径方案；
所述计算模块还用于：对于每架无人机的每次飞行，根据该次飞行所对应的每个任务点的分布位置和每个停靠点的分布位置，采用逻辑斯蒂映射方式随机生成一个预设规模的初始种群；其中，该初始种群中的每个个体为由该次飞行所对应的每个任务点的序号排列成的一个任务点序列；对于生成的每个初始种群，执行以下步骤A-E：A、分别计算当前种群中每个个体所对应的飞行距离，按照飞行距离从小到大的顺序对当前种群中的个体进行排序，根据排序结果分别计算得到当前种群中每个个体对应被选择的概率；B、根据当前种群中每个个体对应被选择的概率，从当前种群中选择相应的个体进行复制；C、对复制的个体进行随机配对；D、对随机配对的两个个体进行交叉操作以生成一个新个体，得到当前种群对应的后代种群；E、根据预设变异概率，对当前种群对应的后代种群中的个体进行变异操作，并迭代上述步骤A-D，直至满足终止条件时结束；
所述计算模块还用于：对于后代种群中每个个体，均按照该个体的序列顺序依次为该个体的每一位序号生成一个随机数，并根据每一位序号对应的随机数与预设变异概率的大小关系对该个体进行多次序列处理操作；其中，序列处理操作的次数与该个体的序号位数相等，每次序列处理操作为进行一位后移循环操作或不进行任何操作；
所述计算模块还用于：设置分岔系数和混沌变量的初始值，并按照以下公式迭代计算混沌变量的取值：xn+1=μxn(1-xn)，其中，xn为混沌变量的第n个取值，μ为分岔系数；根据预设规模和该次飞行所对应的任务点数量，获取混沌变量的多个取值，并将所述多个取值组成一个混沌序列；其中，所述多个取值的数量为所述初始种群中个体的数量与该次飞行所对应的任务点数量的乘积；根据该次飞行所对应的任务点数量，按照混沌序列的序列顺序依次从混沌序列中取出固定数量的值组成混沌子序列；其中，所述固定数量与所述初始种群中个体的数量相等；对于每个混沌子序列，均根据该混沌子序列中每个值的大小顺序生成相应的任务点序列；
所述计算模块还用于：以所有无人机的总飞行时长最小化作为目标函数，采用分支剪界算法，按照以下公式计算得到所有无人机的总飞行时长最小的路径方案：
Figure M_221111162419320_320336001
；其中，Q为所有无人机的总飞行时长，
Figure M_221111162419423_423332002
为第k架无人机第r次飞行的飞行路径，
Figure M_221111162419470_470726003
为给定
Figure M_221111162419548_548850004
下第k架无人机第r次飞行的飞行时长，
Figure M_221111162419705_705146005
为给定
Figure M_221111162419941_941922006
下第k架无人机的总飞行时长，Y k 为飞行次数，K为无人机的个数。
CN202211060402.1A 2022-08-30 2022-08-30 面向车载智能机场的无人机与车辆协同调度方法及装置 Active CN115130791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211060402.1A CN115130791B (zh) 2022-08-30 2022-08-30 面向车载智能机场的无人机与车辆协同调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211060402.1A CN115130791B (zh) 2022-08-30 2022-08-30 面向车载智能机场的无人机与车辆协同调度方法及装置

Publications (2)

Publication Number Publication Date
CN115130791A CN115130791A (zh) 2022-09-30
CN115130791B true CN115130791B (zh) 2023-01-03

Family

ID=83387780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211060402.1A Active CN115130791B (zh) 2022-08-30 2022-08-30 面向车载智能机场的无人机与车辆协同调度方法及装置

Country Status (1)

Country Link
CN (1) CN115130791B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480813A (zh) * 2017-07-27 2017-12-15 河海大学 基于多目标混沌遗传算法的流域水资源优化配置方法
CN113703472A (zh) * 2021-07-23 2021-11-26 安徽有云智能科技有限公司 多无人机与车辆协同巡检的路径优化方法和装置
CN113987936A (zh) * 2021-10-27 2022-01-28 中国人民解放军32801部队 一种基于混沌遗传算法的装备试验资源统筹调配方法
CN113987692A (zh) * 2021-12-29 2022-01-28 华东交通大学 用于无人机和边缘计算服务器的深度神经网络分区方法
CN114548772A (zh) * 2022-02-23 2022-05-27 北京三快在线科技有限公司 配送任务调度方法、装置、存储介质及电子设备
CN114545974A (zh) * 2022-03-02 2022-05-27 广东翼景信息科技有限公司 一种基于智能机场的有能力约束无人机弧路径规划方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706381B2 (en) * 2017-07-05 2020-07-07 Omnitracs, Llc Vehicle and drone management system
CN108599269B (zh) * 2018-04-24 2020-06-19 华南理工大学 一种考虑风险成本的大电网自适应鲁棒备用优化方法
CN112484727A (zh) * 2020-10-14 2021-03-12 中国人民解放军国防科技大学 一种基于双充电模式的无人机路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480813A (zh) * 2017-07-27 2017-12-15 河海大学 基于多目标混沌遗传算法的流域水资源优化配置方法
CN113703472A (zh) * 2021-07-23 2021-11-26 安徽有云智能科技有限公司 多无人机与车辆协同巡检的路径优化方法和装置
CN113987936A (zh) * 2021-10-27 2022-01-28 中国人民解放军32801部队 一种基于混沌遗传算法的装备试验资源统筹调配方法
CN113987692A (zh) * 2021-12-29 2022-01-28 华东交通大学 用于无人机和边缘计算服务器的深度神经网络分区方法
CN114548772A (zh) * 2022-02-23 2022-05-27 北京三快在线科技有限公司 配送任务调度方法、装置、存储介质及电子设备
CN114545974A (zh) * 2022-03-02 2022-05-27 广东翼景信息科技有限公司 一种基于智能机场的有能力约束无人机弧路径规划方法

Also Published As

Publication number Publication date
CN115130791A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN102044011B (zh) 一种警力资源调度的方法及系统
CN111121782B (zh) 车载无人机电力巡检的双层路径规划方法与装置
CN109214756B (zh) 整车物流调度方法及装置、存储介质、终端
CN104731963B (zh) 一种基于车联网的网格化路径推荐方法及系统
CN109345091B (zh) 基于蚁群算法的整车物流调度方法及装置、存储介质、终端
CN106709503B (zh) 一种基于密度的大型空间数据聚类算法k-dbscan
CN107798423A (zh) 基于多种智能算法的车辆路径规划仿真实验平台
CN111121783B (zh) 一种车载无人机电力巡检的双层路径规划方法与装置
Allignol et al. A new framework for solving en route conflicts
CN110163544A (zh) 一种基于优化的遗传算法进行货物配送的方法
CN115130791B (zh) 面向车载智能机场的无人机与车辆协同调度方法及装置
CN116739323B (zh) 一种面向应急资源调度的智能评估方法和系统
CN117032311A (zh) 一种输电线路无人机巡检任务自动规划方法、装置、设备及介质
CN113516865B (zh) 基于高精度地图的矿山无人驾驶路网车辆排队方法和装置
CN106709680A (zh) 基于历史搜索信息的动态物流最佳配送线路的优化方法
CN115713174A (zh) 一种无人机城市巡检系统及方法
CN117470240A (zh) 一种无人机巡检任务自动规划方法、装置、系统及存储介质
CN115113647A (zh) 一种基于智能演化算法的集群无人机资源调度方法
CN113763695A (zh) 一种自动驾驶车辆的调度方法和系统
CN114637305B (zh) 一种无人机最短路径规划方法及装置
CN117252307B (zh) 流量预测方法、装置、计算机设备和存储介质
CN108197749B (zh) 飞行器滑行调度方法与装置
CN116186571B (zh) 车辆聚类方法、装置、计算机设备及存储介质
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及系统
CN117273588A (zh) 基于遗传算法的无人机车辆协同配送路径优化方法及系统

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
GR01 Patent grant
GR01 Patent grant