CN115388900B

CN115388900B - 一种无人机充电桩选址方法、系统、设备及介质

Info

Publication number: CN115388900B
Application number: CN202211162860.6A
Authority: CN
Inventors: 余莎莎; 戴晨; 黄蓥峰; 张祖耀; 张学军
Original assignee: Xihua University
Current assignee: Xihua University
Priority date: 2022-09-23
Filing date: 2022-09-23
Publication date: 2023-05-23
Anticipated expiration: 2042-09-23
Also published as: CN115388900A

Abstract

本发明公开了一种无人机充电桩选址方法、系统、设备及介质，包括：建立无人机航路规划图；筛选出航路交汇点的位置；将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个圆及备选点。设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区。引入静态风险参数进行加权，筛选出资质备选点；引入TOPSIS，筛选出的资质坐标点；引入动态成本参数；引入遗传算法求解函数求解，每个航迹交点作为需求点，得出最终解。本发明能够满足城市中无人机高飞行频次区域的充电需求，能够保障充电桩周围的无人机飞行安全，并且还能降低充电桩建设成本和无人机飞行成本。

Description

一种无人机充电桩选址方法、系统、设备及介质

技术领域

本发明涉及无人机充电桩选址技术领域，特别涉及一种基于航路热点几何切割和动静态风险融合的无人机充电桩选址方法、系统、设备及介质。

背景技术

近年来，无人机作为科技创新的热点，逐步从研发走向应用，在城市物流、军事监视、灾难响应、检查勘测、精密农业等领域得到了广阔的应用。无人机以其高机动性和强便捷性，在未来构建智慧城市的进程中，必将发挥至关重要的作用。据Global MarketInsights Inc.到预估，2027年，商用无人机市场规模将超过550亿美元。然而，限制无人机巨大潜力的主要障碍之一是电池寿命低，续航里程短，并且电池技术短时间难以突破。对于未来智慧城市而言，需要无人机来覆盖一个尽可能大的地理区域，这就对无人机的续航能力提出了一个更高的要求。因此为了提高无人机的续航能力，在应用场景中建设相匹配的充电桩成为了无人机在城市应用的必然趋势。对于无人机充电桩，除了充电技术问题外，对充电桩数量的需求将大大增加，其建设成本也将会越来越大。因此，规划无人机充电桩的布局至关重要，以满足未来充电桩成本和无人机充电过程损失成本达到最低水平的要求。同时，尽可能地考虑各种环境因素以及无人机航线规划的影响。无人机充电桩的合理布局，不仅降低了充电桩建设数量成本，减少了城市资源的浪费，而且降低了无人机飞往充电桩过程中的电量损耗成本。

现有技术一

东北大学的胡燕等学者在IEEE Xplore期刊上提出将建设(Y.Hu,J.Gao,X.Chen,F.Meng and Y.H.Wang,"Distribution Plannin g of UAV Automatic Charging StationBased on Genetic Algorithm,"2019International Conference on EconomicManagement and Model Engineering(ICEMME),2019,pp.446-452,doi:10.1109/ICEMME49371.2019.00095.)无人机充电桩的成本和未来无人机充电过程中的各参数连接起来，完成充电桩综合成本模型。再利用Voronoi图对加权参数进行展开，形成加权泰森图。引入了外部天气、电力建设等因素，形成最终的空间环境成本模型。最后，采用遗传算法的计算方法，根据实际模型和需求对计算过程进行修改，推导出充电站布局规划的最优。

现有技术一的缺点

胡燕等人的方法从成本的角度的出发，固然能够筛选出充电桩成本最低的建设点，但是忽略了无人机在城市中航线疏密度的问题，航线越密的区域，无人机使用频次越高，充电需求也就越大，而单从成本的角度出发，能够得到成本最低的充电桩建设位置，但忽略了真正充电需求量大的区域，从而会牺牲掉一部分无人机的效率。

现有技术二

因针对无人机的充电桩选址问题目前国内的研究不多，故以下引用电动车充电桩选址进行类比。

刘红燕等学者认为通过机器学习的方式来进行充电桩选址比较可行。

(刘红燕,唐振,李谨,荣腾航,许健彰,王雍胜.一种基于机器学习的充电桩选址方法[P].广东省：CN112561322A,2021-03-26.)方法是对已建成的充电桩数据进行分析，获取其属性特征如各时间段的人流量、车流量、区域属性等特征，将此数据与充电桩的使用频率、使用时段进行关联分析，建立机器学习算法分类模型，再利用tri-traing算法，将无标签的数据充分学习利用，从而来提升模型的准确率，达到实际运用的性能。

现有技术二的缺点

此方法的优点在于充分发挥了机器学习的优势，智能化地算出最优位置。而缺点在于机器学习算法本身的一些弊病，对缺失数据处理困难，并且容易出现过拟合问题。

发明内容

本发明针对现有技术的缺陷，提供了一种无人机充电桩选址方法、系统、设备及介质。

为了实现以上发明目的，本发明采取的技术方案如下：

一种无人机充电桩的选址方法，包括以下步骤：

步骤一：通过GPS定位和记录，得到一片区域内无人机航路规划图；

步骤二：筛选出航路交汇点的位置；

步骤三：将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个圆，其圆心就是备选点。

步骤四：设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区。热点地区包括：大型商场、游乐场和商业街；

步骤五：引入静态风险参数进行加权，筛选出资质备选点；静态风险参数包括：建筑高度与飞行高度差、建筑密度、天气因素和与危险地点的距离；

步骤六：引入TOPSIS，通过资质备选点的静态风险参数，筛选出资质坐标点；

步骤七：引入动态成本参数，包括：充电桩建设成本、运营成本、无人机行驶到充电桩的时间成本和无人机充电排队时间成本和总成本；

步骤八：引入遗传算法求解函数求解，每个航迹交点作为需求点，判断无人机剩余电量能否支持其飞行到充电桩，从而得出最终解。

进一步地，步骤五中静态风险参数计算如下：

所述建筑高度与飞行高度差的计算如下式：

a＝min{H_i-h_i}

H_i：第i个备选点附近的航线高度

h_i：第i个备选点附近最高建筑高度

所述建筑密度的计算如下式：

天气因素风险参数计算如下式：

c＝αq+βw+γe

q:累年平均风力；

w：累年均降雨量；

e：累年大气湿度；

α：累年平均风力权重；

β：累年均降雨量权重；

γ：累年大气湿度权重；

令α＝0.5，β＝0.3，γ＝0.2。

所述与危险点距离计算如下式：

d＝R*arcos(siny₁ siny₂+cosy₁ cosy₂ cos(x₁-x₂))

x₁：备选点经度；

y₁：备选点纬度；

x₂：距离最近危险点经度；

y₂：距离最近危险点纬度；

R:地球半径。

进一步地，对步骤六得出的资质点坐标进行适当修正，得到修正资质点位置坐标。

K表示第j个充电桩服务范围内所有人员密集区域

进一步地，步骤七中动态成本参数的计算，如下：

充电桩建设成本计算，如下式：

Q_t:建设成本；

Q_j为j单位面积土地价格；

C_j为j点充电桩占地面积；

Q_b为单个充电桩建造成本。

运营成本计算，如下式：

Q_Y＝λQ_T

Q_y：运营成本；

λ为折算比例系数。

无人机行驶到充电桩的时间成本计算，如下式：

Q₁表示无人机行驶到充电桩的时间成本；

d_ij表示无人机i到充电桩j的距离；

n_uav表示平均每日需求充电的无人机数量；

u_v表示无人机每千米平均耗电量；

m表示充电桩充电价。

无人机充电排队时间成本计算，如下式：

/>

Q₂表示无人机排队成本；

G_j表示无人机在充电桩的排队期望；

s表示平均单位时间内到达充电桩的无人机数量；

ω表示每个充电桩的服务数量。

所述总成本函数计算，如下式：

Q＝Q_T+Q_Y+Q₁+Q₂。

进一步地，步骤八的约束条件，如下式：

初始化种群替换为初始化N个种群，N为充电桩的个数。

进一步地，步骤八中，在每次评估适应度时，加一个惩戒因子，对不满足可行解的个体进行惩罚，让这个个体的适应度变小，

适应度会给出N个备选充电桩的适应度情况，随机结果落在哪个区域即为对应适应度数值，即为选择该充电桩，最后结果需要去掉重复值，最后得到n个充电桩n(0＜n≤N)个充电桩；

加入惩戒因子具体步骤如下：

1)构造惩罚函数式,如下式：

Min Q(Q_T,Q_Y,Q₁,Q₂)

s.t.g(j)＝d_ij-D≤0

2)将原问题转化为无约束优化问题。

minF(j,σ^k)＝Q+σ^kp(j)

其中，p(j)是惩罚函数，σ^k是惩罚因子

3)采用遗传算法求解minF(j,σ^k)得到j^*(σ^k)；

4)计算Y＝max{g[j^*(σ^k)]}；

5)如果σ^k·Y≤φ(其中φ是给定的判断值，可取φ＝10^-4)则输出最优解，否则转向下一步；

6)如果|X^*(σ^k-1)-X^*(σ^k)|≤φ则输出最优解，否则令

并转到步骤3)。

进一步地，步骤八中判断无人机剩余电量能否支持其飞行到充电桩，如下式：

d_ij<D

D表示无人机剩余电量所能飞行的路程。

本发明还公开了一种无人机充电桩的选址系统，包括：信息收集模块、无人机航路规划模块和计算模块；

信息收集模块获取GPS定位和记录得到无人机航路，获取静态风险参数和动态成本参数；

无人机航路规划模块：建立无人机航路规划图，通过无人机航路得到航路交汇点，将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个圆，其圆心就是备选点。设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区。

计算模块：引入TOPSIS，通过资质备选点的静态风险参数，筛选出资质坐标点；引入遗传算法求解函数求解，每个航迹交点作为需求点，判断无人机剩余电量能否支持其飞行到充电桩，从而得出最终解。

本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述无人机充电桩的选址方法。

本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述无人机充电桩的选址方法。

与现有技术相比，本发明的优点在于：

1.从航线密度和热点区域出发，能够满足城市中无人机高飞行频次区域的充电需求。

2.引入静态风险和动态成本参数，能够保障充电桩周围的无人机飞行安全，并且还能降低充电桩建设成本和无人机飞行成本。

附图说明

图1是本发明实施例一种无人机充电桩的选址方法流程图；

图2是本发明实施例无人机航路示意图；

图3本发明实施例几何切割图；

图4本发明实施例静态风险区示意图；

图5本发明实施例遗传算法流程图；

图6本发明实施例加入惩戒因子流程图；

图7本发明实施例充电桩点筛选整体流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

如图1和7所示，一种无人机充电桩的选址方法，包括以下步骤：

步骤一：通过GPS定位和记录，得到一片区域内无人机航路规划图(图2)；

步骤二：筛选出航路交汇点的位置；

步骤三：将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个圆，其圆心就是备选点。图3中虚线为三角形切割后作圆，实线为航线轨迹，其中圆心点为备选点。

步骤四：设定充电桩静态风险区，以备选点到最近的热点地区(大型商场，游乐场，商业街)距离为半径，备选点为圆心，划定静态风险区。图4中圆圈标注为热点区域，该区域无人机的充电需求相对较大。

步骤五：引入静态风险参数(建筑高度与飞行高度差，建筑密度，天气因素，与危险地点的距离)进行加权，筛选出资质备选点j

1.建筑高度与飞行高度差：

a＝min{H_i-h_i} (1)

H_i：第i个备选点附近的航线高度

h_i：第i个备选点附近最高建筑高度

2.建筑密度：

注：建筑密度＝建筑物的基底面积总和/规划建设用地面积，我国城区建筑密度一般不会超过40％-50％，用地中还需要留出部分面积用作道路、绿化、广场、停车场等。

3.天气因素：

c＝αq+βw+γe (2)

q:累年平均风力；

w：累年均降雨量；

e：累年大气湿度；

α：累年平均风力权重；

β：累年均降雨量权重；

γ：累年大气湿度权重；

令α＝0.5，β＝0.3，γ＝0.2。

4.与危险点(加油站，化工厂等)距离：

d＝R*arcos(siny₁ siny₂+cosy₁ cosy₂ cos(x₁-x₂)) (3)

x₁：备选点经度；

y₁：备选点纬度；

x₂：距离最近危险点经度；

y₂：距离最近危险点纬度；

R:地球半径。

步骤六：引入TOPSIS计算风险，步骤六：引入TOPSIS，得到资质备选点的静态风险参数(表1)和筛选出的资质坐标点(表2)；

(TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价)

表1：资质备选点的静态风险参数

表2：筛选出的资质坐标点

巡逻无人机的飞行路径是必然经过人员密集区域，例如大型商场，游乐园等，因此充电桩在选址时应当适当向其服务范围内的热点区域偏移。所以需要对步骤六得出的资质点坐标(见表2)进行适当修正，得到修正资质点位置坐标。

K表示第j个充电桩服务范围内所有人员密集区域

步骤七：引入动态成本参数(充电桩建设成本，运营成本，无人机行驶到充电桩的时间成本，无人机充电排队时间成本)

1.充电桩建设成本：

Q_t:建设成本

Q_j为j单位面积土地价格

C_j为j点充电桩占地面积

Q_b为单个充电桩建造成本

2.运营成本：

Q_Y＝λQ_T (6)

Q_y：运营成本

λ为折算比例系数

3.时间成本：

(1)无人机行驶到充电桩的时间成本：

Q₁表示无人机行驶到充电桩的时间成本

d_ij表示无人机i到充电桩j的距离

n_uav表示平均每日需求充电的无人机数量

u_v表示无人机每千米平均耗电量

m表示充电桩充电价

(2)无人机充电排队时间成本：

Q₂表示无人机排队成本

G_j表示无人机在充电桩的排队期望

s表示平均单位时间内到达充电桩的无人机数量

ω表示每个充电桩的服务数量

4.总成本函数：

Q＝Q_T+Q_Y+Q₁+Q₂ (10)

步骤八：引入遗传算法(图5)对函数求解，每个航迹交点作为需求点。

约束条件：

初始化种群替换为初始化N个种群(N为充电桩的个数)。

因本发明有个距离的约束条件，因此需要在每次评估适应度时，加一个惩戒因子(图6)，对不满足可行解的个体进行惩罚，让这个个体的适应度变小，这样就会逐渐淡化这个个体的影响，同时保证了解的多样性。

(1)由上式构造惩罚函数式(x)

Min Q(Q_T,Q_Y,Q₁,Q₂)

s.t.g(j)＝d_ij-D≤0

(2)将原问题转化为无约束优化问题。

minF(j,σ^k)＝Q+σ^kp(j)

其中，p(j)是惩罚函数，σ^k是惩罚因子

/>

(3)采用遗传算法求解minF(j,σ^k)得到j^*(σ^k)；

(4)计算Y＝max{g[j^*(σ^k)]}；

(5)如果σ^k·Y≤φ(其中φ是给定的判断值，可取φ＝10^-4)则输出最优解，否则转向下一步；

(6)如果|X^*(σ^k-1)-X^*(σ^k)|≤φ则输出最优解，否则令

并转到第(3)步重复上述步骤。

适应度会给出N个备选充电桩的适应度情况，可理解为一个轮盘图的概率，总的概率为1，需要做N次随机，随机结果落在哪个区域即为对应适应度数值(即为选择该充电桩)，因为会有重复落到同一区域的情况，因此最后结果需要去掉重复值，最后得到n个充电桩n(0＜n≤N)个充电桩。

无人机剩余电量能支持其飞行到充电桩

d_ij<D

D表示无人机剩余电量所能飞行的路程。

本发明再一个实施例中，提供了一种无人机充电桩的选址系统，该无人机充电桩的选址系统能够用于实施上述的无人机充电桩的选址方法，具体的，包括：信息收集模块、无人机航路规划模块和计算模块；

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于无人机充电桩选址方法的操作，包括以下步骤：

步骤二：筛选出航路交汇点的位置；

步骤五：引入静态风险参数进行加权，筛选出资质备选点j；静态风险参数包括：建筑高度与飞行高度差、建筑密度、天气因素和与危险地点的距离；

步骤六：引入TOPSIS计算风险，得到备选点参数和筛选出的资质坐标点；

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关无人机充电桩选址方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

步骤二：筛选出航路交汇点的位置；

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims

1.一种无人机充电桩的选址方法，其特性在于，包括以下步骤：

步骤二：筛选出航路交汇点的位置；

步骤三：将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个外接圆，其圆心就是备选点；

步骤四：设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区；热点地区包括：大型商场、游乐场和商业街；

步骤八：引入遗传算法求解函数求解，每个航迹交点作为需求点，判断无人机剩余电量能否支持其飞行到充电桩，从而得出最终解；

所述步骤五中静态风险参数计算如下：

所述建筑高度与飞行高度差的计算如下式：

a＝min{H_i-h_i}

H_i：第i个备选点附近的航线高度

h_i：第i个备选点附近最高建筑高度

所述建筑密度的计算如下式：

天气因素风险参数计算如下式：

c＝αq+βw+γe

q:累年平均风力；

w：累年均降雨量；

e：累年大气湿度；

α：累年平均风力权重；

β：累年均降雨量权重；

γ：累年大气湿度权重；

令α＝0.5，β＝0.3，γ＝0.2；

所述与危险地点的距离计算如下式：

d＝R*ar cos(sin y_d1sin y_d2+cos y_d1cos y_d2cos(x_d1-x_d2))

x_d1：备选点经度；

y_d1：备选点纬度；

x_d2：距离最近危险点经度；

y_d2：距离最近危险点纬度；

R:地球半径。

2.根据权利要求1所述的一种无人机充电桩的选址方法，其特征在于：对步骤六得出的资质坐标点进行适当修正，得到修正资质点位置坐标；

K表示第j个充电桩服务范围内所有人员密集区域

3.根据权利要求1所述的一种无人机充电桩的选址方法，其特征在于：步骤七中动态成本参数的计算，如下：

充电桩建设成本计算，如下式：

Q_t:建设成本；

Q_j为j单位面积土地价格；

C_j为j点充电桩占地面积；

Q_b为单个充电桩建造成本；

运营成本计算，如下式：

Q_Y＝λQ_T

Q_y：运营成本；

λ为折算比例系数；

无人机行驶到充电桩的时间成本计算，如下式：

Q₁表示无人机行驶到充电桩的时间成本；

d_ij表示无人机i到充电桩j的距离；

n_uav表示平均每日需求充电的无人机数量；

u_v表示无人机每千米平均耗电量；

m表示充电桩充电价；

无人机充电排队时间成本计算，如下式：

Q₂表示无人机排队成本；

G_j表示无人机在充电桩的排队期望；

s表示平均单位时间内到达充电桩的无人机数量；

ω表示每个充电桩的服务数量；

所述总成本计算，如下式：

Q＝Q_T+Q_Y+Q₁+Q₂。

4.根据权利要求1所述的一种无人机充电桩的选址方法，其特征在于：步骤八的约束条件，如下式：

初始化种群替换为初始化N个种群，N为充电桩的个数。

5.根据权利要求4所述的一种无人机充电桩的选址方法，其特征在于：步骤八中，在每次评估适应度时，加一个惩戒因子，对不满足可行解的个体进行惩罚，让这个个体的适应度变小，

适应度会给出N个备选充电桩的适应度情况，随机结果落在哪个区域即为对应适应度数值，即为选择该充电桩，最后结果需要去掉重复值，最后得到n个充电桩，0＜n≤N；

加入惩戒因子具体步骤如下：

1)构造惩罚函数式,如下式：

Min Q(Q_T,Q_Y,Q₁,Q₂)

s.t.g(j)＝d_ij-D≤0

2)将原问题转化为无约束优化问题；

minF(j,σ^k)＝Q+σ^kp(j)

其中，p(j)是惩罚函数，σ^k是惩罚因子

3)采用遗传算法求解minF(j,σ^k)得到j^*(σ^k)；

4)计算Y＝max{g[j^*(σ^k)]}；

5)如果σ^k·Y≤φ则输出最优解，否则转向下一步，其中φ是给定的判断值，取φ＝10^-4；

6)如果|X^*(σ^k-1)-X^*(σ^k)|≤φ则输出最优解，否则令

并转到步骤3)。

6.根据权利要求5所述的一种无人机充电桩的选址方法，其特征在于：步骤八中判断无人机剩余电量能否支持其飞行到充电桩，如下式：

d_ij<D

D表示无人机剩余电量所能飞行的路程。

7.一种无人机充电桩的选址系统，其特征在于，包括：信息收集模块、无人机航路规划模块和计算模块；

信息收集模块：用于获取GPS定位和记录得到无人机航路，获取静态风险参数和动态成本参数；

无人机航路规划模块：建立无人机航路规划图，通过无人机航路得到航路交汇点，将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个外接圆，其圆心就是备选点；设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区；

计算模块：引入TOPSIS，通过资质备选点的静态风险参数，筛选出资质坐标点；引入遗传算法求解函数求解，每个航迹交点作为需求点，判断无人机剩余电量能否支持其飞行到充电桩，从而得出最终解；

所述静态风险参数计算如下：

建筑高度与飞行高度差的计算如下式：

a＝min{H_i-h_i}

H_i：第i个备选点附近的航线高度

h_i：第i个备选点附近最高建筑高度

建筑密度的计算如下式：

天气因素风险参数计算如下式：

c＝αq+βw+γe

q:累年平均风力；

w：累年均降雨量；

e：累年大气湿度；

α：累年平均风力权重；

β：累年均降雨量权重；

γ：累年大气湿度权重；

令α＝0.5，β＝0.3，γ＝0.2；

与危险地点的距离计算如下式：

d＝R*ar cos(siny_d1siny_d2+cosy_d1cosy_d2cos(x_d1-x_d2))

x_d1：备选点经度；

y_d1：备选点纬度；

x_d2：距离最近危险点经度；

y_d2：距离最近危险点纬度；

R:地球半径。

8.一种计算机设备，其特征在于：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至6其中一项所述的无人机充电桩的选址方法。

9.一种计算机可读存储介质，其特征在于：用于存储计算机程序，该程序被处理器执行时实现权利要求1至6其中一项所述的无人机充电桩的选址方法。