CN115202849A - 一种支持边缘计算的多无人机任务分配与路径规划方法 - Google Patents

一种支持边缘计算的多无人机任务分配与路径规划方法 Download PDF

Info

Publication number
CN115202849A
CN115202849A CN202211068435.0A CN202211068435A CN115202849A CN 115202849 A CN115202849 A CN 115202849A CN 202211068435 A CN202211068435 A CN 202211068435A CN 115202849 A CN115202849 A CN 115202849A
Authority
CN
China
Prior art keywords
task
unmanned aerial
aerial vehicle
formula
flight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211068435.0A
Other languages
English (en)
Other versions
CN115202849B (zh
Inventor
万施霖
陈湸湸
张裕汉
金鑫
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 CN202211068435.0A priority Critical patent/CN115202849B/zh
Publication of CN115202849A publication Critical patent/CN115202849A/zh
Application granted granted Critical
Publication of CN115202849B publication Critical patent/CN115202849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及无人机技术领域，具体为一种支持边缘计算的多无人机任务分配与路径规划方法，通过智能机场进行充电或更换电池的多无人机对多个任务点进行辅助边缘计算的场景下，进行整数型优化变量和连续实数型优化变量联合优化；利用混合整数非线性规划，在给定每架无人机每次的服务任务集情况下，采用粒子群算法求解无人机的最优任务分配与路径规划；在服务任务集未给定的情况下，求最优的服务任务集，采用分支剪界法求解整数非线性规划，便于快速求出最优的任务点分配；实现混合整数非线性规划和整数非线性规划建模结合，针对服务任务集的实际状况分类进行计算，减少了优化过程中的迭代次数。

Description

一种支持边缘计算的多无人机任务分配与路径规划方法
技术领域
本发明涉及无人机技术领域，具体涉及一种支持边缘计算的多无人机任务分配与路径规划方法。
背景技术
移动边缘计算被认为是未来通信的一项有前途的技术，因为它可以提高用户设备在如增强现实等场景中的计算能力。通过移动边缘计算，用户设备可以将任务卸载到位于网络边缘的移动边缘计算服务器上，从而为其提供低延迟、低能耗的服务。移动边缘计算有两种操作模式，即部分计算卸载和二元计算卸载。在部分计算卸载中，计算任务可分为两部分，其中一部分在本地执行，另一部分卸载到移动边缘计算服务器。在二元计算卸载中，计算任务要么在本地执行，要么卸载到移动边缘计算服务器。
随着高流动性和数据流量的爆炸性增长，无人机辅助的无线通信已经引起了相当大的关注。与传统无线通信相比，无人机辅助无线通信可以在没有基础设施覆盖的地区提供更高的无线连接。此外，由于用户设备和无人机之间视线通信链路的高可靠性，在无人机辅助无线通信中可以实现高吞吐量。
然而，由于无人机的快速移动性，在基于多无人机辅助的部分计算卸载场景中，不同无人机的飞行路径的控制与计算任务的分配之间的关系并不明确。有必要将多无人机的飞行路径协同与计算任务分配优化结合起来，从而能更充分地利用无人机在通信过程中的移动性来提高系统的计算性能。
发明内容
本发明的目的在于提供一种支持边缘计算的多无人机任务分配与路径规划方法，解决以下技术问题：
针对使用智能机场进行充电或更换电池的多无人机对多个任务点进行辅助边缘计算的场景，单一的路径优化方式无法使得多无人机的飞行路径协同与计算任务分配优化相结合，不能充分地利用无人机在通信过程中的移动性来提高系统的计算性能。
本发明的目的可以通过以下技术方案实现：
一种支持边缘计算的多无人机任务分配与路径规划方法，其特征在于，包括以下步骤：
S1：将任务点、智能机场点建模成顶点，将任务点之间以及任务点与智能机场点之间的距离建模成边，建立原问题的任务区域的图表征；
S2：在每个无人机每次飞行的服务任务集给定的情况下，根据给定的任务点的分配，通过粒子群算法求解每个无人机每次飞行中所服务的所有任务的完成时间最小化模型，得到每个无人机单次飞行的最优飞行路径和任务量分配。
S3：在每个无人机每次飞行的服务任务集未定的情况下，建立全任务的完成时间最小化模型，通过分支剪界法求解全任务的完成时间最小化模型，得到最优的任务点分配，将最优的任务点分配作为步骤S2中的给定的任务点的分配，返回步骤S2，得到最优任务点分配下的最优任务量分配与飞行路径规划。
进一步的，建立原问题的任务区域的图表征，还包括：计算任务点之间的边的权重、任务点和智能机场点之间的边的权重和任务顶点的权重。
进一步的，建立原问题的任务区域的图表征，包括以下步骤：
S101：建立任务顶点集：
Figure 921753DEST_PATH_IMAGE001
公式(1)，
在公式(1)中，
Figure 663312DEST_PATH_IMAGE002
表示n个任务点构成的顶点集，
Figure 812534DEST_PATH_IMAGE003
表示第i个任务点；
S102：建立智能机场顶点集：
Figure 958345DEST_PATH_IMAGE004
公式(2)，
在公式(2)中，
Figure 491219DEST_PATH_IMAGE005
表示m个智能机场点构成的顶点集，
Figure 911836DEST_PATH_IMAGE006
表示第j个智能机场点；
S103：建立任务点之间的路径构成的边集：
Figure 915564DEST_PATH_IMAGE007
公式(3)，
在公式(3)中，
Figure 888069DEST_PATH_IMAGE008
表示n个任务点之间的路径构成的边集，
Figure 282141DEST_PATH_IMAGE009
表示第
Figure 303186DEST_PATH_IMAGE010
个任务 点和第
Figure 745711DEST_PATH_IMAGE011
个任务点之间的边；
S104：建立任务点与智能机场点之间的路径构成的边集：
Figure 764482DEST_PATH_IMAGE012
公式(4)，
在公式(4)中，
Figure 708167DEST_PATH_IMAGE013
表示n个任务点与m个智能机场点之间的路径构成的边集，
Figure 329642DEST_PATH_IMAGE014
表 示第i个任务点和第j个智能机场点之间的边；
S105：计算任务点之间的边的权重：
Figure 245645DEST_PATH_IMAGE015
公式(5)，
在公式(5)中，
Figure 294372DEST_PATH_IMAGE016
表示表示第
Figure 492398DEST_PATH_IMAGE017
个任务点和第
Figure 527350DEST_PATH_IMAGE018
个任务点之间的权重，
Figure 156914DEST_PATH_IMAGE019
和
Figure 517489DEST_PATH_IMAGE020
分别表示第
Figure 232504DEST_PATH_IMAGE017
个任务点和第
Figure 399043DEST_PATH_IMAGE018
个任务点的二维坐标；
S106：计算任务点和智能机场点之间的边的权重：
Figure 24059DEST_PATH_IMAGE021
公式(6)，
在公式(6)中，
Figure 178704DEST_PATH_IMAGE022
表示第i个任务点和第j个智能机场点之间的权重，
Figure 256381DEST_PATH_IMAGE023
和
Figure 757770DEST_PATH_IMAGE024
分别表示第i个任务点和第j个智能机场点的二维坐标；
S107：任务顶点的权重：
Figure 237292DEST_PATH_IMAGE025
公式(7)，
在公式(7)中，
Figure 1986DEST_PATH_IMAGE026
表示第
Figure 957173DEST_PATH_IMAGE027
个任务点的计算任务量。
进一步的，步骤S2中求解每个无人机每次飞行中所服务的所有任务的完成时间最小化模型，包括以下步骤：
S201：根据给定的任务点分配，对给定任务点i在无人机j在第k次飞行中任务量的分配率决策变量和飞行顺序决策变量进行约束，根据任务点之间的边的权重、任务顶点的权重、无人机j的飞行速度和计算速率，计算无人机j第k次飞行中从起飞到服务完第r个任务点的时间；
S202：根据S201中求得的无人机j第k次飞行中从起飞到服务完第r个任务点的时间，以及任务点和智能机场点之间的边的权重，建立无人机j第k次飞行中所服务的所有任务的完成时间最小化模型并求解，得到每个无人机单次飞行的最优飞行路径和任务量分配。
进一步的，步骤S201中计算无人机j第k次飞行中从起飞到服务完第r个任务点的时间包括以下步骤：
S2011：给定的任务点分配表示为：
Figure 137618DEST_PATH_IMAGE028
公式(8)，
在公式(8)中，
Figure 363326DEST_PATH_IMAGE029
表示任务点i在无人机j的第几次飞行中被服务，其中当
Figure 298921DEST_PATH_IMAGE030
时，任务点i在无人机j的第
Figure 85611DEST_PATH_IMAGE029
次飞行中被服务，当
Figure 459960DEST_PATH_IMAGE031
时，任务点i不被服 务；
S2012：任务点i在无人机j在第k次飞行中任务量的分配率决策变量进行约束：
Figure 914076DEST_PATH_IMAGE032
公式(9)，
在公式(9)中，
Figure 817309DEST_PATH_IMAGE033
表示任务点i在无人机j在第k次飞行中任务量的分配率，
Figure 91296DEST_PATH_IMAGE034
表 示无人机j第k次飞行中的服务任务集；
S2013：对无人机j第k次飞行的飞行顺序决策变量进行约束：
Figure 439976DEST_PATH_IMAGE035
公式(10)，
在公式(10)中，
Figure 873231DEST_PATH_IMAGE036
表示无人机j第k次飞行中第r个被服务的任务点是
Figure 88312DEST_PATH_IMAGE036
，对任 意集合S，
Figure 239807DEST_PATH_IMAGE037
表示其元素个数；
S2014：计算无人机j第k次飞行中从起飞到服务完第r个任务点的时间：
Figure 300167DEST_PATH_IMAGE038
公式(11)，
在公式(11)中，
Figure 56771DEST_PATH_IMAGE039
表示无人机j的计算速度，
Figure 803272DEST_PATH_IMAGE039
表示任务点
Figure 51851DEST_PATH_IMAGE036
处本地设备 的计算速度，
Figure 306114DEST_PATH_IMAGE040
表示无人机j的飞行速度，
Figure 589328DEST_PATH_IMAGE041
，
Figure 208528DEST_PATH_IMAGE042
。
进一步的，步骤S202中建立无人机j第k次飞行中所服务的所有任务的完成时间最小化模型包括以下步骤：
S2021：以无人机j第k次飞行中所服务的所有任务的完成时间最小设置目标函数：
Figure 69037DEST_PATH_IMAGE044
公式(12)，
在公式(12)中，
Figure 736779DEST_PATH_IMAGE045
表示无人机j第k次飞行中所服务的所有任务的完成时间，
Figure 763247DEST_PATH_IMAGE046
表示用多无人机最优飞行路径和任务量分配求解方法求得的无人机j第l次飞行中所服务 的所有任务的真实最小完成时间，
Figure 225453DEST_PATH_IMAGE047
表示无人机j在智能机场处一次充电或换电池所需 的时间；
S2022：通过公式(9)、公式(10)和公式(12)，得到无人机j第k次飞行的服务任务集给定的情况下无人机j第k次飞行中所服务的所有任务的完成时间最小化模型，写成如下形式：
Figure 42099DEST_PATH_IMAGE049
公式(13)；
通过粒子群算法进行求解上述方程，得到无人机j第k次飞行中所服务的所有任务 的完成时间的最小值
Figure 638165DEST_PATH_IMAGE050
，以及无人机j第k次飞行中所服务的所有任务的完成时间的最 小值对应的
Figure 958288DEST_PATH_IMAGE051
和
Figure 591395DEST_PATH_IMAGE052
，其中任务量分配率
Figure 193540DEST_PATH_IMAGE051
即为每个无人机单次飞行任务量分配，任务 点被服务的顺序
Figure 203084DEST_PATH_IMAGE052
即为每个无人机单次飞行的最优飞行路径。
进一步的，步骤S2求解每个无人机每次飞行中所服务的所有任务的完成时间最小化模型，还包括以下步骤：
S203：根据步骤S2022中得到的无人机j第k次飞行中所服务的所有任务的完成时 间的最小值
Figure 377713DEST_PATH_IMAGE053
，通过以下公式得到无人机j第k次飞行中所服务的所有任务的真实最 小完成时间：
Figure 571934DEST_PATH_IMAGE054
公式(14)，
在公式(14)中，
Figure 504118DEST_PATH_IMAGE055
表示无人机j单次飞行的飞行时间上限，
Figure 441987DEST_PATH_IMAGE056
为一充分大的正 数。
进一步的，在步骤S3中每个无人机每次飞行的服务任务集未定的情况下，求解全任务的完成时间最小化模型，得到最优的任务点分配，包括以下步骤：
S301：对飞行次数决策变量的取值进行约束，对任务点分配决策变量
Figure 408806DEST_PATH_IMAGE057
的取值 进行约束，建立未服务的任务集，约束每个服务任务最多只被一架无人机服务；
S302：根据步骤S203中无人机j第k次飞行中所服务的所有任务的真实最小完成时间，建立在每个无人机每次飞行的服务任务集未定的情况下全任务完成时间最小化模型，并通过分支剪界法求解，得到使全任务完成时间最小的最优的任务点分配；将最优的任务点分配决策作为步骤S2中的给定的任务点的分配决策，带入步骤S2中，得到最优任务点分配下的最优任务量分配与飞行路径规划。
进一步的，步骤S301具体包括以下步骤：
S3011：对飞行次数决策变量的取值进行约束：
Figure 272464DEST_PATH_IMAGE058
公式(15)，
在公式(15)中，
Figure 19840DEST_PATH_IMAGE059
表示无人机j的飞行次数；
S3012：对任务点分配决策变量
Figure 371187DEST_PATH_IMAGE060
的取值进行约束：
Figure 317146DEST_PATH_IMAGE061
公式(16)；
S3013：计算未服务任务集：
Figure 994115DEST_PATH_IMAGE062
公式(17)，
在公式(17)中，
Figure 25525DEST_PATH_IMAGE063
表示未被任何无人机进行服务的任务点的集合；
S3014、以每个任务最多只被一架无人机服务进行约束：
Figure 9924DEST_PATH_IMAGE064
公式(18)；
进一步的，步骤S302具体包括以下步骤：
S3021：以全任务完成时间最小设置目标函数：
Figure 685756DEST_PATH_IMAGE065
公式(19)，
在公式(19)中，
Figure 392681DEST_PATH_IMAGE066
表示无人机j第k次飞行中所服务的所有任务的真实最小完成 时间；
S3022：根据公式(15)、公式(16)、公式(18)和公式(19)，得到在每个无人机每次飞行的服务任务集未定的情况下全任务完成时间最小化模型：
Figure 52332DEST_PATH_IMAGE067
公式(20)；
通过分支剪界法进行求解上述方程，得到使全任务完成时间最小的最优的任务点 分配
Figure 870115DEST_PATH_IMAGE068
，将最优的任务点分配
Figure 666033DEST_PATH_IMAGE068
作为给定的任务点的分配带入步骤S2的步骤S2011中， 返回步骤S2得到最优任务点分配下的最优任务量分配与飞行路径规划。
本发明的有益效果：
本发明对使用智能机场进行充电或更换电池的多无人机对多个任务点进行辅助边缘计算的场景下，进行整数型优化变量和连续实数型优化变量联合优化，通过混合整数非线性规划，在给定每架无人机每次的服务任务集情况下，采用粒子群算法求解无人机的最优任务分配与路径规划；在服务任务集未给定的情况下，求最优的服务任务集，采用分支剪界法求解整数非线性规划，便于快速求出最优的任务点分配；实现了混合整数非线性规划和整数非线性规划建模结合，针对服务任务集的实际状况分类进行计算，加快了无人机在满足飞行时间约束、全任务完成约束下，任务分配与路径规的优化过程，减少了优化过程中的迭代次数。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明实施例一场景示意图；
图2是本发明流程示意图；
图3是本发明实施例一的任务场景示意图；
图4是本发明实施例一的给定服务任务集下的某架无人机某次飞行的最优飞行路径和任务量分配示意图；
图5是本发明实施例一的服务任务集未定下的多无人机最优任务点分配示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-5所示，本实施例中选择的无人机飞行速度为120m/min，单次飞行最长飞行时间为30min。
智能机场是固定于地面的、实现无人机无人值守化作业的智能装备，提供了无人机收纳、智能待观、自动更换无人机电池、电池自动保养、UPS断电保护、故障自检、起飞条件检测等功能。可灵活部署、24小时无人值守、极速响应、交叉持续的执行任务，无需人员操控，并能支持无人机夜间降落。本发明的实施场景如图1所示。
本发明的技术方案实施过程如图2所示。
步骤一：任务区域图表征
每架无人机可在任务点之间以及任务点与相应的智能机场之间沿直线飞行。根据任务点、智能机场的分布情况，通过将任务点、智能机场点建模成顶点，将任务点之间以及任务点与智能机场点之间的距离建模成边，从而获得原问题的任务区域的图表征。包括以下过程：
S101、任务顶点集：
Figure 481542DEST_PATH_IMAGE069
(21)，
式(21)中，
Figure 251659DEST_PATH_IMAGE002
表示n个任务点构成的顶点集，
Figure 748499DEST_PATH_IMAGE070
表示第i个任务点。在本实施例中，
Figure 726819DEST_PATH_IMAGE071
，
Figure 775547DEST_PATH_IMAGE002
由图3中的11个圆形所示，圆形中标识了任务点的序号；
S102、智能机场顶点集：
Figure 144211DEST_PATH_IMAGE072
(22)，
式(22)中，
Figure 303797DEST_PATH_IMAGE005
表示m个智能机场点构成的顶点集，
Figure 903668DEST_PATH_IMAGE073
表示第j个智能机场点。在本实 施例中，
Figure 264242DEST_PATH_IMAGE074
，
Figure 979257DEST_PATH_IMAGE075
由图3中的3个三角形所示，三角形中标识了备选点的序号；
S103、任务点之间的路径构成的边集：
Figure 145797DEST_PATH_IMAGE076
(23)，
式(23)中，
Figure 770813DEST_PATH_IMAGE008
表示n个任务点之间的路径构成的边集，
Figure 426922DEST_PATH_IMAGE077
表示第
Figure 504600DEST_PATH_IMAGE078
个任务点和第
Figure 707786DEST_PATH_IMAGE079
个任务点之间的边。在本实施例中，
Figure 311942DEST_PATH_IMAGE008
即为图3中所有圆形之间的两两直线连接。由于线 条过多，图3中省略；
S104、任务点与智能机场点之间的路径构成的边集：
Figure 748740DEST_PATH_IMAGE080
(24)，
式(24)中，
Figure 703926DEST_PATH_IMAGE013
表示n个任务点与m个智能机场点之间的路径构成的边集，
Figure 884372DEST_PATH_IMAGE081
表示第i 个任务点和第j个智能机场点之间的边。在本实施例中，
Figure 343035DEST_PATH_IMAGE013
即为图3中三角形与圆形之间的 两两直线连接。由于线条过多，图3中省略；
S105、计算任务点之间的边的权重：
Figure 780095DEST_PATH_IMAGE082
(25)，
式(25)中，
Figure 832365DEST_PATH_IMAGE083
表示表示第
Figure 941135DEST_PATH_IMAGE078
个任务点和第
Figure 395250DEST_PATH_IMAGE079
个任务点之间的权重，
Figure 298484DEST_PATH_IMAGE084
和
Figure 838050DEST_PATH_IMAGE085
分别表示第
Figure 688194DEST_PATH_IMAGE078
个任务点和第
Figure 619985DEST_PATH_IMAGE079
个任务点的二维坐标。在本实施例中，任务点之间的 边的权重即为图3中所有圆形之间的直线距离；
S106、计算任务点和智能机场点之间的边的权重：
Figure 835065DEST_PATH_IMAGE086
(26)，
式(26)中，
Figure 986561DEST_PATH_IMAGE087
表示第i个任务点和第j个智能机场点之间的权重，
Figure 46921DEST_PATH_IMAGE084
和
Figure 537945DEST_PATH_IMAGE085
分别表示第i个任务点和第j个智能机场点的二维坐标。在本实施例中，图3中任务点 和备选点之间的边的权重即为三角形与圆形之间的直线距离；
S107、任务顶点的点权重：
Figure 48561DEST_PATH_IMAGE088
(27)，
式(27)中，
Figure 562719DEST_PATH_IMAGE089
表示第
Figure 52868DEST_PATH_IMAGE090
个任务点的计算任务量。在本实施例中，每个任务点计算 任务量为图3中每个圆形旁的数值。
步骤二：在每个无人机每次飞行的服务任务集给定的情况下，确定单次飞行中无人机的最优飞行路径和任务量分配，包括以下过程：
S201、给定任务点的分配：
Figure 336082DEST_PATH_IMAGE091
(28)，
式(28)中，
Figure 955282DEST_PATH_IMAGE092
表示任务点i在无人机j的第几次飞行中被服务，其中当
Figure 815791DEST_PATH_IMAGE093
时， 任务点i在无人机j的第
Figure 749112DEST_PATH_IMAGE092
次飞行中被服务，当
Figure 11466DEST_PATH_IMAGE094
时，任务点i不被服务。在本实施例 中，
Figure 473671DEST_PATH_IMAGE095
；
S202、任务点i在无人机j在第k次飞行中任务量的分配率决策变量进行约束：
Figure 546711DEST_PATH_IMAGE096
(29)，
式(29)中，
Figure 877198DEST_PATH_IMAGE097
表示任务点i在无人机j在第k次飞行中任务量的分配率，
Figure 869425DEST_PATH_IMAGE098
表示 无人机j第k次飞行中的服务任务集。在本实施例中，
Figure 892744DEST_PATH_IMAGE099
，
Figure 868791DEST_PATH_IMAGE100
；
S203、对无人机j第k次飞行的飞行顺序决策变量进行约束：
Figure 737390DEST_PATH_IMAGE101
(30)，
式(30)中，
Figure 679063DEST_PATH_IMAGE102
表示无人机j第k次飞行中第r个被服务的任务点是
Figure 483071DEST_PATH_IMAGE102
，对任意集 合S，
Figure 71047DEST_PATH_IMAGE037
表示其元素个数。在本实施例中，
Figure 618703DEST_PATH_IMAGE103
；
S204、计算无人机j第k次飞行中从起飞到服务完第r个任务点的时间：
Figure 710156DEST_PATH_IMAGE104
(31)，
式(31)中，
Figure 278540DEST_PATH_IMAGE105
表示无人机j的计算速度，
Figure 698021DEST_PATH_IMAGE106
表示任务点
Figure 938116DEST_PATH_IMAGE102
处本地设备的计算 速度，
Figure 759441DEST_PATH_IMAGE107
表示无人机j的飞行速度，
Figure 295465DEST_PATH_IMAGE108
Figure 530137DEST_PATH_IMAGE109
。在本实施例中，
Figure 685175DEST_PATH_IMAGE110
，
所有任务点处本地设备的计算速度均为0.05，
Figure 751220DEST_PATH_IMAGE111
；
S205、以无人机j第k次飞行中所服务的所有任务的完成时间最小设置目标函数：
Figure 162872DEST_PATH_IMAGE113
(32)，
式(32)中，
Figure 822523DEST_PATH_IMAGE114
表示无人机j第k次飞行中所服务的所有任务的完成时间，
Figure 843569DEST_PATH_IMAGE115
表 示用步骤二所述的多无人机最优飞行路径和任务量分配求解方法求得的无人机j第l次飞 行中所服务的所有任务的真实最小完成时间，
Figure 498541DEST_PATH_IMAGE116
表示无人机j在智能机场处一次充电或换 电池所需的时间。在本实施例中，
Figure 251733DEST_PATH_IMAGE117
；
S206、结合式(29)、式(30)和式(32)，得到无人机j第k次飞行的服务任务集给定的情况下无人机j第k次飞行中所服务的所有任务的完成时间最小化模型，写成如下形式：
Figure 523315DEST_PATH_IMAGE119
(33)；
S207、上述模型属于混合整数非线性规划问题，使用粒子群算法进行求解。算法的 框架如下：1、设定粒子群大小为200，最大迭代数为20；2、随机初始化式(33)的200个解；3、 求出200个解中的单粒子最佳位置和粒子群最佳位置；4、e=1, …, 20；5、根据式(32)计算 200个解对应的所有任务的完成时间
Figure 20155DEST_PATH_IMAGE120
，以
Figure 497011DEST_PATH_IMAGE121
作为它们的适应度；6、惯性权重
Figure 280159DEST_PATH_IMAGE122
采 用类sigmoid函数（具体表达式为
Figure 914403DEST_PATH_IMAGE123
）、收缩系数
Figure 73988DEST_PATH_IMAGE124
和
Figure 172394DEST_PATH_IMAGE125
是两 个从0到1之间的均匀分布中取样的随机数、加速度系数
Figure 1810DEST_PATH_IMAGE126
和
Figure 749449DEST_PATH_IMAGE127
，更新每个粒子在每个方 向上的坐标和速度。由于不能平衡探索与利用，恒定的惯性权重的效率不高。而单纯的线性 和非线性惯性权重被证明虽能够在一定程度上改善粒子群算法的搜索能力，但它们仍然难 以在全局收敛和收敛效率之间获得良好的平衡。大量实验表明，本发明所使用的类sigmoid 函数能够在线性和非线性行为之间实现较好的平衡；7、根据每个粒子的新位置，更新其适 应度，以及单粒子最佳位置和粒子群最佳位置；8、以此迭代，直到到达最大迭代数20，输出 此时的粒子群最佳位置作为原问题的最优解。用
Figure 588092DEST_PATH_IMAGE128
表示按照上述算法求得的无人机j第k次飞行中所服务的所有任务的最小完成时间。在本实施例中，可求得如图4所示的最优飞 行路径，其中箭头表示无人机的飞行顺序即为最优飞行路径，最优任务量的分配率分别为 0.825、0.6646、0.5175，
Figure 275425DEST_PATH_IMAGE129
S208、计算无人机j第k次飞行中所服务的所有任务的真实最小完成时间：
Figure 665955DEST_PATH_IMAGE130
(34)，
式(34)中，
Figure 9212DEST_PATH_IMAGE131
表示无人机j单次飞行的飞行时间上限，
Figure 776179DEST_PATH_IMAGE056
为一充分大的正数。在本实 施例中，
Figure 255702DEST_PATH_IMAGE132
，
Figure 518931DEST_PATH_IMAGE133
，因此，
Figure 208538DEST_PATH_IMAGE134
。
步骤三：每个无人机每次飞行的服务任务集未定的情况下确定多无人机最优任务点分配，包括以下过程：
S301、对飞行次数决策变量的取值进行约束：
Figure 654563DEST_PATH_IMAGE135
(35)，
式(35)中，
Figure 113226DEST_PATH_IMAGE136
表示无人机j的飞行次数；
S302、对任务点分配决策变量
Figure 48821DEST_PATH_IMAGE137
的取值进行约束：
Figure 366670DEST_PATH_IMAGE138
(36)，
在本实施例中，
Figure 711326DEST_PATH_IMAGE071
，
Figure 493337DEST_PATH_IMAGE074
；
S303、计算未服务任务集：
Figure 537517DEST_PATH_IMAGE139
(37)，
式(37)中，
Figure 201716DEST_PATH_IMAGE063
表示未被任何无人机进行服务的任务点的集合；
S304、以每个任务最多只被一架无人机服务进行约束：
Figure 723964DEST_PATH_IMAGE140
(38)；
S305、以全任务完成时间最小设置目标函数：
Figure 157220DEST_PATH_IMAGE141
(39)，
式(39)中，
Figure 933153DEST_PATH_IMAGE142
表示无人机j第k次飞行中所服务的所有任务的真实最小完成时间；
S306、结合式(35)、式(36)、式(38)和式(39)，得到在每个无人机每次飞行的服务任务集未定的情况下全任务完成时间最小化模型，写成如下形式：
Figure 694435DEST_PATH_IMAGE143
(40)；
S307、使用分支剪界法进行求解，该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zigzag切割面算法。Zigzag算法搜索包含决策变量的线性不等式，使得该次迭代时的式(40)的松弛问题的最优解变得不可行，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松弛问题中；本算法的终止条件为：直到当全任务完成时间在连续五次迭代中的变化幅度小于0.00005%；使用强分支策略进行分支，在该策略下，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；计算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，任务点的计算任务全部卸载到相应无人机上时的全任务完成时间为46.734，计算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，任务点的计算任务全部由本地执行时的全任务完成时间为42.568。以两者之间的较大值，即46.734，作为分支剪界法的人工上界；如果分支剪界法在没有找到最优解的情况下结束，则使用1.1倍的人工上界，即51.4074，重新启动该算法；如果分支剪界法再次没有找到最优解，则最后一次使用真正的上界，即46.734，重新开始启动该算法，并当全任务完成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，输出此时的决策变量值。在本实施例中，可求得全任务完成时间最小值为18.8827，以及如图5所示的最优任务点分配，将最优的任务点分配作为步骤二中的给定的任务点的分配，返回步骤二，得到最优任务点分配下的最优任务量分配与飞行路径规划，其中飞行路径规划为箭头表示无人机的飞行顺序，最优任务量分配为箭头上的数字表示飞行批次。
在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”等指示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、以及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，“第一”、“第二”仅由于描述目的，且不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”等应做广义理解，实施例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.一种支持边缘计算的多无人机任务分配与路径规划方法，其特征在于，包括以下步骤：
S1：将任务点、智能机场点建模成顶点，将任务点之间以及任务点与智能机场点之间的距离建模成边，建立原问题的任务区域的图表征；
S2：在每个无人机每次飞行的服务任务集给定的情况下，根据给定的任务点的分配，通过粒子群算法求解每个无人机每次飞行中所服务的所有任务的完成时间最小化模型，得到每个无人机单次飞行的最优飞行路径和任务量分配；
S3：在每个无人机每次飞行的服务任务集未定的情况下，建立全任务的完成时间最小化模型，通过分支剪界法求解全任务的完成时间最小化模型，得到最优的任务点分配，将最优的任务点分配作为步骤S2中的给定的任务点的分配，返回步骤S2，得到最优任务点分配下的最优任务量分配与飞行路径规划。
2.根据权利要求1所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述建立原问题的任务区域的图表征，还包括：计算任务点之间的边的权重、任务点和智能机场点之间的边的权重和任务顶点的权重。
3.根据权利要求1所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述建立原问题的任务区域的图表征，包括以下步骤：
S101：建立任务顶点集：
Figure 818516DEST_PATH_IMAGE001
在公式(1)中，
Figure 607481DEST_PATH_IMAGE002
表示n个任务点构成的顶点集，
Figure 67019DEST_PATH_IMAGE003
表示第i个任务点；
S102：建立智能机场顶点集：
Figure 370961DEST_PATH_IMAGE004
在公式(2)中，
Figure 442822DEST_PATH_IMAGE005
表示m个智能机场点构成的顶点集，
Figure 617452DEST_PATH_IMAGE006
表示第j个智能机场点；
S103：建立任务点之间的路径构成的边集：
Figure 218197DEST_PATH_IMAGE007
在公式(3)中，
Figure 478278DEST_PATH_IMAGE008
表示n个任务点之间的路径构成的边集，
Figure 386453DEST_PATH_IMAGE009
表示第
Figure 415589DEST_PATH_IMAGE010
个任务点和第
Figure 452815DEST_PATH_IMAGE011
个任务点之间的边；
S104：建立任务点与智能机场点之间的路径构成的边集：
Figure 934612DEST_PATH_IMAGE012
在公式(4)中，
Figure 348276DEST_PATH_IMAGE013
表示n个任务点与m个智能机场点之间的路径构成的边集，
Figure 28656DEST_PATH_IMAGE014
表示第i 个任务点和第j个智能机场点之间的边；
S105：计算任务点之间的边的权重：
Figure 502362DEST_PATH_IMAGE015
在公式(5)中，
Figure 704411DEST_PATH_IMAGE016
表示表示第
Figure 656187DEST_PATH_IMAGE017
个任务点和第
Figure 659915DEST_PATH_IMAGE018
个任务点之间的权重，
Figure 835681DEST_PATH_IMAGE019
和
Figure 292070DEST_PATH_IMAGE020
分别表示第
Figure 781958DEST_PATH_IMAGE017
个任务点和第
Figure 640192DEST_PATH_IMAGE018
个任务点的二维坐标；
S106：计算任务点和智能机场点之间的边的权重：
Figure 957166DEST_PATH_IMAGE021
在公式(6)中，
Figure 697589DEST_PATH_IMAGE022
表示第i个任务点和第j个智能机场点之间的权重，
Figure 991167DEST_PATH_IMAGE023
和
Figure 438329DEST_PATH_IMAGE024
分别表示第i个任务点和第j个智能机场点的二维坐标；
S107：任务顶点的权重：
Figure 424740DEST_PATH_IMAGE025
在公式(7)中，
Figure 652459DEST_PATH_IMAGE026
表示第
Figure 248263DEST_PATH_IMAGE027
个任务点的计算任务量。
4.根据权利要求1所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述步骤S2中求解每个无人机每次飞行中所服务的所有任务的完成时间最小化模型，包括以下步骤：
S201：根据给定的任务点分配，对给定任务点i在无人机j在第k次飞行中任务量的分配率决策变量和飞行顺序决策变量进行约束，根据任务点之间的边的权重、任务顶点的权重、无人机j的飞行速度和计算速率，计算无人机j第k次飞行中从起飞到服务完第r个任务点的时间；
S202：根据S201中求得的无人机j第k次飞行中从起飞到服务完第r个任务点的时间，以及任务点和智能机场点之间的边的权重，建立无人机j第k次飞行中所服务的所有任务的完成时间最小化模型并求解，得到每个无人机单次飞行的最优飞行路径和任务量分配。
5.根据权利要求4所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述步骤S201中计算无人机j第k次飞行中从起飞到服务完第r个任务点的时间包括以下步骤：
S2011：给定的任务点分配表示为：
Figure 815510DEST_PATH_IMAGE028
在公式(8)中，
Figure 707243DEST_PATH_IMAGE029
表示任务点i在无人机j的第几次飞行中被服务，其中当
Figure 625521DEST_PATH_IMAGE030
时，任务 点i在无人机j的第
Figure 260901DEST_PATH_IMAGE029
次飞行中被服务，当
Figure 744972DEST_PATH_IMAGE031
时，任务点i不被服务；
S2012：任务点i在无人机j在第k次飞行中任务量的分配率决策变量进行约束：
Figure 807606DEST_PATH_IMAGE032
在公式(9)中，
Figure 449065DEST_PATH_IMAGE033
表示任务点i在无人机j在第k次飞行中任务量的分配率，
Figure 950454DEST_PATH_IMAGE034
表示无 人机j第k次飞行中的服务任务集；
S2013：对无人机j第k次飞行的飞行顺序决策变量进行约束：
Figure 226714DEST_PATH_IMAGE035
在公式(10)中，
Figure 522566DEST_PATH_IMAGE036
表示无人机j第k次飞行中第r个被服务的任务点是
Figure 149857DEST_PATH_IMAGE036
，对任意集合S，
Figure 127040DEST_PATH_IMAGE037
表示其元素个数；
S2014：计算无人机j第k次飞行中从起飞到服务完第r个任务点的时间：
Figure 21922DEST_PATH_IMAGE038
公式（11），
在公式(11)中，
Figure 691937DEST_PATH_IMAGE039
表示无人机j的计算速度，
Figure 806524DEST_PATH_IMAGE039
表示任务点
Figure 384136DEST_PATH_IMAGE040
处本地设备的计 算速度，
Figure 900568DEST_PATH_IMAGE041
表示无人机j的飞行速度，
Figure 475906DEST_PATH_IMAGE042
Figure 77788DEST_PATH_IMAGE043
。
6.根据权利要求4所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述步骤S202中建立无人机j第k次飞行中所服务的所有任务的完成时间最小化模型包括以下步骤：
S2021：以无人机j第k次飞行中所服务的所有任务的完成时间最小设置目标函数：
Figure 163818DEST_PATH_IMAGE045
公式（12），
在公式(12)中，
Figure 331494DEST_PATH_IMAGE046
表示无人机j第k次飞行中所服务的所有任务的完成时间，
Figure 343313DEST_PATH_IMAGE047
表示用 多无人机最优飞行路径和任务量分配求解方法求得的无人机j第l次飞行中所服务的所有 任务的真实最小完成时间，
Figure 901333DEST_PATH_IMAGE048
表示无人机j在智能机场处一次充电或换电池所需的时间；
S2022：通过公式(9)、公式(10)和公式(12)，得到无人机j第k次飞行的服务任务集给定的情况下无人机j第k次飞行中所服务的所有任务的完成时间最小化模型，写成如下形式：
Figure 289589DEST_PATH_IMAGE050
公式（13）；
通过粒子群算法进行求解上述公式（13）方程，得到无人机j第k次飞行中所服务的所有 任务的完成时间的最小值
Figure 311772DEST_PATH_IMAGE051
，以及无人机j第k次飞行中所服务的所有任务的完成时间的 最小值对应的
Figure 16464DEST_PATH_IMAGE052
和
Figure 592939DEST_PATH_IMAGE053
，其中任务量分配率
Figure 253727DEST_PATH_IMAGE054
即为每个无人机单次飞行任务量分配，任 务点被服务的顺序
Figure 333679DEST_PATH_IMAGE053
即为每个无人机单次飞行的最优飞行路径。
7.根据权利要求6所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述步骤S2求解每个无人机每次飞行中所服务的所有任务的完成时间最小化模型，还包括以下步骤：
S203：根据步骤S2022中得到的无人机j第k次飞行中所服务的所有任务的完成时间的 最小值
Figure 749617DEST_PATH_IMAGE051
，通过以下公式得到无人机j第k次飞行中所服务的所有任务的真实最小完成时 间：
Figure 547808DEST_PATH_IMAGE055
在公式(14)中，
Figure 746708DEST_PATH_IMAGE056
表示无人机j单次飞行的飞行时间上限，
Figure 244948DEST_PATH_IMAGE057
为一充分大的正数。
8.根据权利要求1所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，在所述步骤S3中每个无人机每次飞行的服务任务集未定的情况下，求解全任务的完成时间最小化模型，得到最优的任务点分配，包括以下步骤：
S301：对飞行次数决策变量的取值进行约束，对任务点分配决策变量
Figure 35050DEST_PATH_IMAGE058
的取值进行约 束，建立未服务的任务集，约束每个服务任务最多只被一架无人机服务；
S302：根据步骤S203中无人机j第k次飞行中所服务的所有任务的真实最小完成时间，建立在每个无人机每次飞行的服务任务集未定的情况下全任务完成时间最小化模型，并通过分支剪界法求解，得到使全任务完成时间最小的最优的任务点分配；将最优的任务点分配决策作为步骤S2中的给定的任务点的分配决策，带入步骤S2中，得到最优任务点分配下的最优任务量分配与飞行路径规划。
9.根据权利要求8所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述步骤S301具体包括以下步骤：
S3011：对飞行次数决策变量的取值进行约束：
Figure 789379DEST_PATH_IMAGE059
公式(15)，
在公式(15)中，
Figure 323128DEST_PATH_IMAGE060
表示无人机j的飞行次数；
S3012：对任务点分配决策变量
Figure 174410DEST_PATH_IMAGE061
的取值进行约束：
Figure 869833DEST_PATH_IMAGE062
公式(16)；
S3013：计算未服务任务集：
Figure 875573DEST_PATH_IMAGE063
公式(17)，
在公式(17)中，
Figure 947434DEST_PATH_IMAGE064
表示未被任何无人机进行服务的任务点的集合；
S3014、以每个任务最多只被一架无人机服务进行约束：
Figure 653222DEST_PATH_IMAGE065
公式(18)。
10.根据权利要求8所述的一种支持边缘计算的多无人机任务分配与路径规划方法,其特征在于，所述步骤S302具体包括以下步骤：
S3021：以全任务完成时间最小设置目标函数：
Figure 519547DEST_PATH_IMAGE066
公式(19)，
在公式(19)中，
Figure 310786DEST_PATH_IMAGE067
表示步骤S203中求得的无人机j第k次飞行中所服务的所有任务的 真实最小完成时间；
S3022：根据公式(15)、公式(16)、公式(18)和公式(19)，得到在每个无人机每次飞行的服务任务集未定的情况下全任务完成时间最小化模型：
Figure 186338DEST_PATH_IMAGE068
公式(20)；
通过分支剪界法求解上述公式（20）方程，得到使全任务完成时间最小的最优的任务点 分配
Figure 451359DEST_PATH_IMAGE069
，将最优的任务点分配
Figure 488585DEST_PATH_IMAGE069
作为给定的任务点的分配带入步骤S2的步骤S2011中， 返回步骤S2得到最优任务点分配下的最优任务量分配与飞行路径规划。
CN202211068435.0A 2022-09-02 2022-09-02 一种支持边缘计算的多无人机任务分配与路径规划方法 Active CN115202849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211068435.0A CN115202849B (zh) 2022-09-02 2022-09-02 一种支持边缘计算的多无人机任务分配与路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211068435.0A CN115202849B (zh) 2022-09-02 2022-09-02 一种支持边缘计算的多无人机任务分配与路径规划方法

Publications (2)

Publication Number Publication Date
CN115202849A true CN115202849A (zh) 2022-10-18
CN115202849B CN115202849B (zh) 2023-04-18

Family

ID=83572431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211068435.0A Active CN115202849B (zh) 2022-09-02 2022-09-02 一种支持边缘计算的多无人机任务分配与路径规划方法

Country Status (1)

Country Link
CN (1) CN115202849B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011695A (zh) * 2023-03-27 2023-04-25 湖南胜云光电科技有限公司 一种获取无人机目标路径的数据处理系统
CN117270571A (zh) * 2023-10-30 2023-12-22 广东翼景信息科技有限公司 面向异构多无人机集群作业的控制方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180308371A1 (en) * 2017-04-19 2018-10-25 Beihang University Joint search method for uav multiobjective path planning in urban low altitude environment
CN110232492A (zh) * 2019-04-01 2019-09-13 南京邮电大学 一种基于改进离散粒子群算法的多无人机协同任务调度方法
CN110426039A (zh) * 2019-07-04 2019-11-08 中国人民解放军陆军工程大学 基于任务完成时间最小化的多无人机路径规划方法
CN111006669A (zh) * 2019-12-12 2020-04-14 重庆邮电大学 一种无人机系统任务协同及路径规划方法
CN111880559A (zh) * 2020-07-13 2020-11-03 南京航空航天大学 一种多无人机任务分配和路径规划联合问题的优化方法
CN112327907A (zh) * 2020-10-23 2021-02-05 福州智匠科技有限公司 一种无人机路径规划方法
US20210255641A1 (en) * 2019-09-30 2021-08-19 South China University Of Technology Method for designing three-dimensional trajectory of unmanned aerial vehicle based on wireless power transfer network
CN114327526A (zh) * 2022-01-05 2022-04-12 安徽大学 一种移动边缘计算环境中的任务卸载方法及其应用
WO2022077954A1 (zh) * 2020-10-14 2022-04-21 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
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180308371A1 (en) * 2017-04-19 2018-10-25 Beihang University Joint search method for uav multiobjective path planning in urban low altitude environment
CN110232492A (zh) * 2019-04-01 2019-09-13 南京邮电大学 一种基于改进离散粒子群算法的多无人机协同任务调度方法
CN110426039A (zh) * 2019-07-04 2019-11-08 中国人民解放军陆军工程大学 基于任务完成时间最小化的多无人机路径规划方法
US20210255641A1 (en) * 2019-09-30 2021-08-19 South China University Of Technology Method for designing three-dimensional trajectory of unmanned aerial vehicle based on wireless power transfer network
CN111006669A (zh) * 2019-12-12 2020-04-14 重庆邮电大学 一种无人机系统任务协同及路径规划方法
CN111880559A (zh) * 2020-07-13 2020-11-03 南京航空航天大学 一种多无人机任务分配和路径规划联合问题的优化方法
WO2022077954A1 (zh) * 2020-10-14 2022-04-21 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
CN112327907A (zh) * 2020-10-23 2021-02-05 福州智匠科技有限公司 一种无人机路径规划方法
CN114327526A (zh) * 2022-01-05 2022-04-12 安徽大学 一种移动边缘计算环境中的任务卸载方法及其应用
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
COREY SCHUMACHER等: "UAV Task Assignment with Timing Constraints via Mixed-Integer Linear Programming", 《AIAA 3RD "UNMANNED UNLIMITED" TECHNICAL CONFERENCE,WORKSHOP AND EXHIBIT》 *
YALAN PENG等: "Reversed Pigeon-Inspired Optimization Algorithm for Unmanned Aerial Vehicle Swarm Cooperative Autonomous Formation Reconfiguration", 《2022 IEEE 17TH INTERNATIONAL CONFERENCE ON CONTROL & AUTOMATION (ICCA)》 *
李士波: "基于粒子群算法的多无人机任务分配", 《软件导刊》 *
樊娇: "基于智能优化算法的无人机路径规划", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
薛志成等: "基于无人机辅助的变电站巡检机器人定位导航方法", 《2019中国自动化大会(CAC2019)论文集》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011695A (zh) * 2023-03-27 2023-04-25 湖南胜云光电科技有限公司 一种获取无人机目标路径的数据处理系统
CN117270571A (zh) * 2023-10-30 2023-12-22 广东翼景信息科技有限公司 面向异构多无人机集群作业的控制方法和装置
CN117270571B (zh) * 2023-10-30 2024-05-07 广东翼景信息科技有限公司 面向异构多无人机集群作业的控制方法和装置

Also Published As

Publication number Publication date
CN115202849B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115202849B (zh) 一种支持边缘计算的多无人机任务分配与路径规划方法
Jung et al. Orchestrated scheduling and multi-agent deep reinforcement learning for cloud-assisted multi-UAV charging systems
CN109286913B (zh) 基于蜂窝网联的无人机移动边缘计算系统能耗优化方法
CN110602633B (zh) 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法
CN113950063B (zh) 无线通信网络组网方法、装置、计算机设备和存储介质
CN112381265A (zh) 基于无人机的充电和任务卸载系统及其任务耗时优化方法
CN114142908B (zh) 一种面向覆盖侦察任务的多无人机通信资源分配方法
CN111580561A (zh) 基于粒子群算法优化的无人机调度方法、系统和可读存储介质
CN113485409A (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
Golabi et al. Bypassing or flying above the obstacles? A novel multi-objective UAV path planning problem
Dovgal Decision-making for placing unmanned aerial vehicles to implementation of analyzing cloud computing cooperation applied to information processing
Shi et al. Age of information optimization with heterogeneous uavs based on deep reinforcement learning
Baig et al. Machine learning and AI approach to improve UAV communication and networking
CN115574826B (zh) 基于强化学习的国家公园无人机巡护路径优化方法
CN116781144A (zh) 无人机搭载边缘服务器的方法、装置及存储介质
Zhou et al. Deep reinforcement learning based uav-assisted maritime network computation offloading strategy
CN116578120A (zh) 无人机调度方法、装置、无人机系统和算机设备
Chang et al. Study of Multi-unit UAV in the Optimal Global Scheduling of High Voltage Tower Management Application
CN116126428B (zh) 一种面向能量采集的无人机计算任务卸载方法
Sarfo et al. Large-scale UAV-Network using the Hata-Okumura model with PSO algorithm for Open Area Communication
Ng et al. UAV-assisted wireless power charging for efficient hybrid coded edge computing network
Liu et al. Multiuser oriented multi-UAV mission assignment with cooperative information sharing
Zhong et al. Optimal Adjustment of UCRNs in Cooperative Engagement System Based on GDMPC-MOABC
CN117369260B (zh) 一种结合能量消耗模型与任务时间窗口的无人机调度方法
Fan et al. Multi UAV Inspection Optimization for Offshore Wind Farms Considering Battery Exchange Process

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