CN115202849B - 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 PDFInfo
- Publication number
- CN115202849B CN115202849B CN202211068435.0A CN202211068435A CN115202849B CN 115202849 B CN115202849 B CN 115202849B CN 202211068435 A CN202211068435 A CN 202211068435A CN 115202849 B CN115202849 B CN 115202849B
- Authority
- CN
- China
- Prior art keywords
- task
- flight
- unmanned aerial
- point
- 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
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
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:
公式(1),
在公式(1)中,表示
n个任务点构成的顶点集,表示第
i个任务点;
S102:建立智能机场顶点集:
公式(2),
在公式(2)中,表示
m个智能机场点构成的顶点集,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:
公式(3),
在公式(3)中,表示
n个任务点之间的路径构成的边集,表示第个任务点和第个任务点之间的边;
S104:建立任务点与智能机场点之间的路径构成的边集:
公式(4),
在公式(4)中,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,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:
公式(5),
在公式(5)中,表示表示第个任务点和第个任务点之间的权重,和分别表示第个任务点和第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:
公式(6),
在公式(6)中,表示第
i个任务点和第
j个智能机场点之间的权重,和分别表示第
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:
公式(7),
在公式(7)中,表示第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:
公式(8),
在公式(8)中,表示任务点
i在无人机
j的第几次飞行中被服务,其中当时,任务点
i在无人机
j的第次飞行中被服务,当时,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:
公式(9),
在公式(9)中,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,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:
公式(10),
在公式(10)中,表示无人机
j第
k次飞行中第
r个被服务的任务点是,对任意集合
S,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:
公式(11),
在公式(11)中,表示无人机
j的计算速度,表示任务点处本地设备的计算速度,表示无人机
j的飞行速度,,。
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:
公式(12),
在公式(12)中,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,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,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:
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,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和,其中任务量分配率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,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:
公式(14),
在公式(14)中,表示无人机
j单次飞行的飞行时间上限,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:
公式(15),
在公式(15)中,表示无人机
j的飞行次数;
S3012:对任务点分配决策变量的取值进行约束:
公式(16);
S3013:计算未服务任务集:
公式(17),
在公式(17)中,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:
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:
公式(19),
在公式(19)中,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:
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
,将最优的任务点分配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:
(21),
式(21)中,表示
n个任务点构成的顶点集,表示第
i个任务点。在本实施例中,,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:
(22),
式(22)中,表示
m个智能机场点构成的顶点集,表示第
j个智能机场点。在本实施例中,,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:
(23),
式(23)中,表示
n个任务点之间的路径构成的边集,表示第个任务点和第个任务点之间的边。在本实施例中,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:
(24),
式(24)中,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,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,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:
(25),
式(25)中,表示表示第个任务点和第个任务点之间的权重,和分别表示第个任务点和第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:
(26),
式(26)中,表示第
i个任务点和第
j个智能机场点之间的权重,和分别表示第
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:
(27),
式(27)中,表示第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:
(28),
式(28)中,表示任务点
i在无人机
j的第几次飞行中被服务,其中当时,任务点
i在无人机
j的第次飞行中被服务,当时,任务点
i不被服务。在本实施例中,;
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:
(29),
式(29)中,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,表示无人机
j第
k次飞行中的服务任务集。在本实施例中,,;
S203、对无人机
j第
k次飞行的飞行顺序决策变量进行约束:
(30),
式(30)中,表示无人机
j第
k次飞行中第
r个被服务的任务点是,对任意集合
S,表示其元素个数。在本实施例中,;
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:
(31),
式(31)中,表示无人机
j的计算速度,表示任务点处本地设备的计算速度,表示无人机
j的飞行速度,
。在本实施例中,,
所有任务点处本地设备的计算速度均为0.05,;
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:
(32),
式(32)中,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,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,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,;
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:
(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,以作为它们的适应度;6、惯性权重采用类sigmoid函数(具体表达式为)、收缩系数和是两个从0到1之间的均匀分布中取样的随机数、加速度系数和,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,
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:
(34),
式(34)中,表示无人机
j单次飞行的飞行时间上限,为一充分大的正数。在本实施例中,,,因此,。
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:
(35),
式(35)中,表示无人机
j的飞行次数;
S302、对任务点分配决策变量的取值进行约束:
(36),
在本实施例中,,;
S303、计算未服务任务集:
(37),
式(37)中,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:
(38);
S305、以全任务完成时间最小设置目标函数:
(39),
式(39)中,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:
(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 (6)
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;
其中,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;
S203:根据步骤S202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:
在公式(14)中,表示无人机j单次飞行的飞行时间上限,M为一充分大的正数;
其中,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:
在公式(8)中,表示任务点i在无人机j的第几次飞行中被服务,其中当时,任务点i在无人机j的第次飞行中被服务,当时,任务点i不被服务,¥表示全体自然数的集合;
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:
在公式(9)中,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,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:
在公式(10)中,表示无人机j第k次飞行中第r个被服务的任务点是对任意集合S,|S|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:
在公式(11)中,wj表示无人机j的计算速度,表示任务点处本地设备的计算速度,vj表示无人机j的飞行速度,表示无人机j第k次飞行中第r-1个被服务的任务点与无人机j第k次飞行中第r个被服务的任务点之间的权重,表示无人机j第k次飞行中第r个被服务的任务点的任务量,δ(z)为定义的具有如下性质的函数: 表示第j个智能机场点到无人机j第k次飞行中第1个被服务的任务点的权重,表示无人机j第k次飞行中第1个被服务的任务点的任务量;
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;
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xi j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。
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:
A={a1,...,ai,...,an} 公式(1),
在公式(1)中,A表示n个任务点构成的顶点集,ai表示第i个任务点;
S102:建立智能机场顶点集:
P={p1,...,p2,...,pm} 公式(2),
在公式(2)中,P表示m个智能机场点构成的顶点集,pj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:
在公式(3)中,V表示n个任务点之间的路径构成的边集,表示第i1个任务点和第i2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:
在公式(4)中,V'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,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:
在公式(5)中,表示第i1个任务点和第i2个任务点之间的权重,和分别表示第i1个任务点和第i2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:
在公式(6)中,表示第i个任务点和第j个智能机场点之间的权重,(xi,yi)和(xj,yj)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:
在公式(7)中,qi表示第i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:
在公式(12)中,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,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,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,表示无人机j第k次飞行中从起飞到服务完第个任务点的时间,表示第j个智能机场点到无人机j第k次飞行中第个被服务的任务点的权重;
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:
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和其中任务量分配率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即为每个无人机单次飞行的最优飞行路径。
5.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:
Hj∈¥,1≤j≤m 公式(15),
在公式(15)中,Hj表示无人机j的飞行次数;
S3012:对任务点分配决策变量的取值进行约束:
S3013:计算未服务任务集:
在公式(17)中,Ω0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:
6.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:
在公式(19)中,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:
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将最优的任务点分配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。
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 CN115202849A (zh) | 2022-10-18 |
CN115202849B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011695B (zh) * | 2023-03-27 | 2023-06-30 | 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 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970648B (zh) * | 2017-04-19 | 2019-05-14 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
CN110232492B (zh) * | 2019-04-01 | 2021-06-18 | 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 |
CN110426039B (zh) * | 2019-07-04 | 2023-06-09 | 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 |
CN110673635B (zh) * | 2019-09-30 | 2021-10-26 | 华南理工大学 | 一种基于无线能量传输网络的无人机三维轨迹的设计方法 |
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 |
CN112327907B (zh) * | 2020-10-23 | 2022-10-14 | 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 |
CN114545974B (zh) * | 2022-03-02 | 2023-12-19 | 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 |
-
2022
- 2022-09-02 CN CN202211068435.0A patent/CN115202849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115202849A (zh) | 2022-10-18 |
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 | |
Chen et al. | Hierarchical domain-based multicontroller deployment strategy in SDN-enabled space–air–ground integrated network | |
CN106969778B (zh) | 一种多无人机协同施药的路径规划方法 | |
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 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN107343025A (zh) | 分布式卫星云雾网络架构及能耗约束下的时延优化方法 | |
CN113794494B (zh) | 一种面向低轨卫星网络的边缘计算系统及计算卸载优化方法 | |
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 | |
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 | |
Sun et al. | Task scheduling system for UAV operations in agricultural plant protection environment | |
CN110312265A (zh) | 无人机编队通信覆盖的功率分配方法及系统 | |
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 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
CN115866788A (zh) | 面向mec任务主动迁移的天地融合网络3c资源调度方法 | |
Dovgal | Decision-making for placing unmanned aerial vehicles to implementation of analyzing cloud computing cooperation applied to information processing | |
Qi et al. | A cooperative autonomous scheduling approach for multiple earth observation satellites with intensive missions | |
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 | |
CN112579290A (zh) | 一种基于无人机的地面终端设备的计算任务迁移方法 | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
Yang et al. | Multi-UAV task assignment based on quantum genetic algorithm | |
CN110662272A (zh) | 一种基于蜂群无人机的最少数量领航者选取方法 | |
Li et al. | Exploring graph neural networks for joint cruise control and task offloading in uav-enabled mobile edge computing | |
Yin et al. | Multi UAV cooperative task allocation method for intensive corridors of transmission lines inspection |
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 |