CN115542944A - 一种基于配电网环境的多无人机路径规划方法及相关装置 - Google Patents
一种基于配电网环境的多无人机路径规划方法及相关装置 Download PDFInfo
- Publication number
- CN115542944A CN115542944A CN202211303784.6A CN202211303784A CN115542944A CN 115542944 A CN115542944 A CN 115542944A CN 202211303784 A CN202211303784 A CN 202211303784A CN 115542944 A CN115542944 A CN 115542944A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle path
- cluster
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007689 inspection Methods 0.000 claims abstract description 128
- 230000000739 chaotic effect Effects 0.000 claims abstract description 49
- 238000010845 search algorithm Methods 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 19
- 238000003780 insertion Methods 0.000 claims description 16
- 230000037431 insertion Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于配电网环境的多无人机路径规划方法及相关装置,方法包括:基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,多无人机路径规划模型包括预置目标函数和预置模型约束,多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数;通过混沌邻域搜索算法对多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。本申请能够解决现有技术无法应对大规模无人机巡检的规划问题,导致工程实践效果较差的技术问题。
Description
技术领域
本申请涉及无人机巡检技术领域,尤其涉及一种基于配电网环境的多无人机路径规划方法及相关装置。
背景技术
配电网设备环境类人身安全巡检是排查配电站及配电设备安全隐患的重要环节。目前,配电网设备环境类人身安全巡检主要依赖人工完成,存在巡检人员数量少、巡检作业工作量大、巡检效率低等问题。随着无人机技术的发展,利用无人机替代工人完成配电网设备环境类人身安全巡检任务可以较大程度的提高巡检效率。
但是,基于无人机进行巡检,尤其是多无人机巡检的任务中,对无人机群巡检路径的有效规划也是一个挑战;无人机群巡检路径规划问题属于NP-hard问题,当无人机数量和待巡检点数量达到一定规模后将出现“组合爆炸”问题;而传统方法又无法在工程可接受时间内解决这一问题,导致无人机巡检的实际执行效果较差。
发明内容
本申请提供了一种基于配电网环境的多无人机路径规划方法及相关装置,用于解决现有技术无法应对大规模无人机巡检的规划问题,导致工程实践效果较差的技术问题。
有鉴于此,本申请第一方面提供了一种基于配电网环境的多无人机路径规划方法,包括:
基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,所述多无人机路径规划模型包括预置目标函数和预置模型约束,所述多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数;
通过混沌邻域搜索算法对所述多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。
优选地,所述基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,包括:
以预置巡检点集群的分配方案以及预置无人机集群的巡检路径作为模型决策变量;
以巡检时间最短条件为目标配置模型参数;
根据所述模型参数构建配电网环境巡检区域中所述模型决策变量与预置目标函数的映射关系;
为所述映射关系配置预置模型约束,得多无人机路径规划模型。
优选地,所述基于预置模型约束,通过混沌邻域搜索算法对所述多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群,包括:
根据所述多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,所述初始化无人机路径集群包括多个无人机路径样本;
基于预设随机数和初始混沌序列从每个所述无人机路径样本中移除若干巡检点,记作移除巡检点;
基于所述初始混沌序列和每个所述无人机路径样本的巡检点数量对所述移除巡检点进行路径安插,得到更新无人机路径集群;
通过预置更新公式更新所述初始混沌序列,得到更新混沌序列,并返回所述基于预设随机数和初始混沌序列从每个所述无人机路径样本中移除若干巡检点的步骤,直至迭代收敛,得到最优无人机路径集群。
优选地,所述根据所述多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,所述初始化无人机路径集群包括多个无人机路径样本,包括:
为每个无人机分配一个巡检点形成初始无人机路径样本;
计算所述预置巡检点集群中剩余巡检点插入至所述初始无人机路径样本中的增加时间;
选择满足所述预置模型约束和所述增加时间最小的插入方案进行剩余巡检点插入操作,得到初始化无人机路径集群。
本申请第二方面提供了一种基于配电网环境的多无人机路径规划装置,包括:
模型构建单元,用于基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,所述多无人机路径规划模型包括预置目标函数和预置模型约束,所述多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数;
迭代求解单元,用于通过混沌邻域搜索算法对所述多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。
优选地,所述模型构建单元,具体用于:
以预置巡检点集群的分配方案以及预置无人机集群的巡检路径作为模型决策变量;
以巡检时间最短条件为目标配置模型参数;
根据所述模型参数构建配电网环境巡检区域中所述模型决策变量与预置目标函数的映射关系;
为所述映射关系配置预置模型约束,得多无人机路径规划模型。
优选地,所述迭代求解单元,包括:
初始化子单元,用于根据所述多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,所述初始化无人机路径集群包括多个无人机路径样本;
点移除子单元,用于基于预设随机数和初始混沌序列从每个所述无人机路径样本中移除若干巡检点,记作移除巡检点;
点安插子单元,用于基于所述初始混沌序列和每个所述无人机路径样本的巡检点数量对所述移除巡检点进行路径安插,得到更新无人机路径集群;
更新解子单元,用于通过预置更新公式更新所述初始混沌序列,得到更新混沌序列,并所述点移除子单元,直至迭代收敛,得到最优无人机路径集群。
优选地,所述初始化子单元,具体用于:
为每个无人机分配一个巡检点形成初始无人机路径样本;
计算所述预置巡检点集群中剩余巡检点插入至所述初始无人机路径样本中的增加时间;
选择满足所述预置模型约束和所述增加时间最小的插入方案进行剩余巡检点插入操作,得到初始化无人机路径集群。
本申请第三方面提供了一种基于配电网环境的多无人机路径规划设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于配电网环境的多无人机路径规划方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的基于配电网环境的多无人机路径规划方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种基于配电网环境的多无人机路径规划方法,包括:基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,多无人机路径规划模型包括预置目标函数和预置模型约束,多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数;通过混沌邻域搜索算法对多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。
本申请提供的基于配电网环境的多无人机路径规划方法,通过构建多无人机路径规划模型中的目标函数和模型约束对无人机集群规划路径进行多种不同的约束,然后通过混沌邻域搜索算法对多无人机路径规划模型进行求解,该求解方法在确保获得最优解的情况下可以较大程度的缩短求解时间;既能够满足实际工程的应用需求,也能为大规模无人机巡检提供可靠的路径群规划。因此,本申请能够解决现有技术无法应对大规模无人机巡检的规划问题,导致工程实践效果较差的技术问题。
附图说明
图1为本申请实施例提供的一种基于配电网环境的多无人机路径规划方法的流程示意图;
图2为本申请实施例提供的一种基于配电网环境的多无人机路径规划装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种基于配电网环境的多无人机路径规划方法的实施例,包括:
步骤101、基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,多无人机路径规划模型包括预置目标函数和预置模型约束,多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数。
进一步地,步骤101,包括:
以预置巡检点集群的分配方案以及预置无人机集群的巡检路径作为模型决策变量;
以巡检时间最短条件为目标配置模型参数;
根据所述模型参数构建配电网环境巡检区域中所述模型决策变量与预置目标函数的映射关系;
为所述映射关系配置预置模型约束,得多无人机路径规划模型。
预置无人机集群中包括多个无人机,每个无人机都可以在本实施例的规划、优化求解过程中得到一条最优的路径。预置巡检点集群包括多个巡检点,所有这些巡检点都可以分布到具体的路径中,供无人机巡检。多无人机路径规划模型通过预置目标函数和预置模型约束对路径规划进行限定,使得每个无人机的路径都是合理的,负荷工程实际情况的。多无人机路径规划模型的模型参数除了包括巡检点参数、耗能参数和时间参数,还可以根据实际情况配置其他相关参数,在此不作限定。
需要说明的是,本实施例中模型参数中的巡检点参数包括巡检点标记集合B={b0,b1,b2,…,bN},其中,b0为无人机出发及返回位置,第i个访问的待巡检点表示为bi(i=1,2,…,N);还可以包括无人机在巡检点停留时间,可以记作si,还可以配置巡检点其他相关参数。能耗参数则可以包括无人机携带能量、剩余能量和所需能量,例如第k个无人机dk离开b0时携带的能量记为Ek,无人机dk离开bi时的剩余能量为ri,无人机dk从巡检点bi飞行到待巡检点bj所需的能量记为eij,k。而时间参数则为巡检点之间飞行所需时间,可以记作tij,k。此外,无人机总数量记作M,而无人机集群可以表达为D={d1,d2,…,dM}。
若待巡检点bi巡检完成时间为ci,无人机dk巡检bj之前巡检bi,则Xij,k取值为1,否则为0,可以表达为:
其中,i=1,2,…,N;cmax为最后一个无人机完成巡检任务后返回b0的时间,即巡检任务完成时间。
基于以上分析可以得到预置目标函数:
minimize cmax
根据预置目标函数可知,本实施例中的路径规划模型是以巡检任务完成时间最短为目的,以以预置巡检点集群的分配方案以及预置无人机集群的巡检路径作为模型决策变量。
根据模型参数可以构建模型决策变量与预置目标函数的映射关系,为映射关系配置的预置模型约束为:
四个约束公式依次表达的约束是:每个巡检点仅被巡检一次;无人机不会永久停留在任何一个巡检点上;分配给某个无人机的靠前任务的完成时间必须早于靠后任务的完成时间;无人机在巡检过程中的剩余能耗必须非负。通过以上约束可以使无人机群的路径符合实际工况。
步骤102、通过混沌邻域搜索算法对多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。
进一步地,步骤102,包括:
根据多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,初始化无人机路径集群包括多个无人机路径样本;
基于预设随机数和初始混沌序列从每个无人机路径样本中移除若干巡检点,记作移除巡检点;
基于初始混沌序列和每个无人机路径样本的巡检点数量对移除巡检点进行路径安插,得到更新无人机路径集群;
通过预置更新公式更新初始混沌序列,得到更新混沌序列,并返回基于预设随机数和初始混沌序列从每个无人机路径样本中移除若干巡检点的步骤,直至迭代收敛,得到最优无人机路径集群。
基于混沌邻域搜索算法的模型求解是不断的迭代优化过程,直至收敛则迭代结束,同时得到最优解。路径初始化处理是为了获取第一次迭代计算的样本,即初始化无人机路径集群,便于触发后续的迭代操作。
巡检点移除过程具体描述为:
将随机生成的预设随机数a与无人机dk的初始化无人机路径对应的拆分概率pk比较大小,若是a<pk,则进行后续移除操作;在初始混沌序列R中取第一个数记为g,若无人机dk的路径中包含的待巡检点数量为hk,则将这条路径中的第ceil(g×hk)个待巡检点移除,其中ceil(·)表示向上取整;重复在R中取数和后续移除操作,直至移除结束。
巡检点安插过程具体描述为:
将移除巡检点随机排序生成巡检点序列Seq,从巡检点序列Seq中随机取出一个移除巡检点,记作bi,并在初始混沌序列R中取出第一个数,记作g;随机选取一条路径,该路径中包含的待巡检点数量为hk,将选取的移除巡检点bi插入该路径第ceil(g×hk)个待巡检点之前接口;然后验证安插方案是否满足预置模型约束条件,若不行则重新选取路径,重新安插,直至所有移除巡检点全部安插完毕。
迭代触发条件是混沌序列R的更新,通过预置更新公式更新初始混沌序列,得到更新混沌序列,预置更新公式采用的是Logistic混沌序列公式:
ai+1=c×ai(1-ai),ai∈(0,1),c∈(0,4]
其中a0为随机生成的一个随机数,且a0∈(0,1),作为混沌序列初始值,任意的ai+1是由ai通过混沌序列公式进行映射得到,每一次更新混沌序列,即可重复迭代一次移除巡检点和插入巡检点操作,直至迭代收敛,即可得到最优无人机路径集群。
进一步地,根据多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,初始化无人机路径集群包括多个无人机路径样本,包括:
为每个无人机分配一个巡检点形成初始无人机路径样本;
计算预置巡检点集群中剩余巡检点插入至初始无人机路径样本中的增加时间;
选择满足预置模型约束和增加时间最小的插入方案进行剩余巡检点插入操作,得到初始化无人机路径集群。
在采用混沌邻域搜索算法对多无人机路径规划模型进行求解时,需要进行路径初始化处理,将预置巡检点集群中的巡检点全部插入无人机路径中,形成初始无人机路径集群,具体过程为:先随机为每个无人机分配一个巡检点,形成初始无人机路径样本;然后再对剩余所有的巡检点进行时间分析,即剩余巡检点插入已经构建的初始无人机路径样本中导致无人机巡检增加的时间,根据增减时间可以确定一个最小的增加时间确保无人机巡检时间最小,而以增加时间最小为条件筛选的路径规划方案还需要满足模型的预置模型约束条件,所以根据预置模型约束和最小增加时间就可以确定巡检点的插入方案,得到初始化无人机路径集群。
本申请实施例提供的基于配电网环境的多无人机路径规划方法,通过构建多无人机路径规划模型中的目标函数和模型约束对无人机集群规划路径进行多种不同的约束,然后通过混沌邻域搜索算法对多无人机路径规划模型进行求解,该求解方法在确保获得最优解的情况下可以较大程度的缩短求解时间;既能够满足实际工程的应用需求,也能为大规模无人机巡检提供可靠的路径群规划。因此,本申请实施例能够解决现有技术无法应对大规模无人机巡检的规划问题,导致工程实践效果较差的技术问题。
为了便于理解,请参阅图2,本申请提供了一种基于配电网环境的多无人机路径规划装置的实施例,包括:
模型构建单元201,用于基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,多无人机路径规划模型包括预置目标函数和预置模型约束,多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数;
迭代求解单元202,用于通过混沌邻域搜索算法对多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。
进一步地,模型构建单元201,具体用于:
以预置巡检点集群的分配方案以及预置无人机集群的巡检路径作为模型决策变量;
以巡检时间最短条件为目标配置模型参数;
根据所述模型参数构建配电网环境巡检区域中所述模型决策变量与预置目标函数的映射关系;
为所述映射关系配置预置模型约束,得多无人机路径规划模型。
进一步地,迭代求解单元202,包括:
初始化子单元2021,用于根据多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,初始化无人机路径集群包括多个无人机路径样本;
点移除子单元2022,用于基于预设随机数和初始混沌序列从每个无人机路径样本中移除若干巡检点,记作移除巡检点;
点安插子单元2023,用于基于初始混沌序列和每个无人机路径样本的巡检点数量对移除巡检点进行路径安插,得到更新无人机路径集群;
更新解子单元2024,用于通过预置更新公式更新初始混沌序列,得到更新混沌序列,并点移除子单元,直至迭代收敛,得到最优无人机路径集群。
进一步地,初始化子单元2021,具体用于:
为每个无人机分配一个巡检点形成初始无人机路径样本;
计算预置巡检点集群中剩余巡检点插入至初始无人机路径样本中的增加时间;
选择满足预置模型约束和增加时间最小的插入方案进行剩余巡检点插入操作,得到初始化无人机路径集群。
本申请还提供了一种基于配电网环境的多无人机路径规划设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行上述方法实施例中的基于配电网环境的多无人机路径规划方法。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行上述方法实施例中的基于配电网环境的多无人机路径规划方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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全部或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,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于配电网环境的多无人机路径规划方法,其特征在于,包括:
基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,所述多无人机路径规划模型包括预置目标函数和预置模型约束,所述多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数;
通过混沌邻域搜索算法对所述多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。
2.根据权利要求1所述的基于配电网环境的多无人机路径规划方法,其特征在于,所述基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,包括:
以预置巡检点集群的分配方案以及预置无人机集群的巡检路径作为模型决策变量;
以巡检时间最短条件为目标配置模型参数;
根据所述模型参数构建配电网环境巡检区域中所述模型决策变量与预置目标函数的映射关系;
为所述映射关系配置预置模型约束,得多无人机路径规划模型。
3.根据权利要求1所述的基于配电网环境的多无人机路径规划方法,其特征在于,所述通过混沌邻域搜索算法对所述多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群,包括:
根据所述多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,所述初始化无人机路径集群包括多个无人机路径样本;
基于预设随机数和初始混沌序列从每个所述无人机路径样本中移除若干巡检点,记作移除巡检点;
基于所述初始混沌序列和每个所述无人机路径样本的巡检点数量对所述移除巡检点进行路径安插,得到更新无人机路径集群;
通过预置更新公式更新所述初始混沌序列,得到更新混沌序列,并返回所述基于预设随机数和初始混沌序列从每个所述无人机路径样本中移除若干巡检点的步骤,直至迭代收敛,得到最优无人机路径集群。
4.根据权利要求3所述的基于配电网环境的多无人机路径规划方法,其特征在于,所述根据所述多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,所述初始化无人机路径集群包括多个无人机路径样本,包括:
为每个无人机分配一个巡检点形成初始无人机路径样本;
计算所述预置巡检点集群中剩余巡检点插入至所述初始无人机路径样本中的增加时间;
选择满足所述预置模型约束和所述增加时间最小的插入方案进行剩余巡检点插入操作,得到初始化无人机路径集群。
5.一种基于配电网环境的多无人机路径规划装置,其特征在于,包括:
模型构建单元,用于基于预置无人机集群和预置巡检点集群构建配电网环境巡检区域中的多无人机路径规划模型,所述多无人机路径规划模型包括预置目标函数和预置模型约束,所述多无人机路径规划模型的模型参数包括巡检点参数、耗能参数和时间参数;
迭代求解单元,用于通过混沌邻域搜索算法对所述多无人机路径规划模型进行迭代求解,将迭代收敛时得到的路径集群作为最优无人机路径集群。
6.根据权利要求5所述的基于配电网环境的多无人机路径规划装置,其特征在于,所述模型构建单元,具体用于:
以预置巡检点集群的分配方案以及预置无人机集群的巡检路径作为模型决策变量;
以巡检时间最短条件为目标配置模型参数;
根据所述模型参数构建配电网环境巡检区域中所述模型决策变量与预置目标函数的映射关系;
为所述映射关系配置预置模型约束,得多无人机路径规划模型。
7.根据权利要求5所述的基于配电网环境的多无人机路径规划装置,其特征在于,所述迭代求解单元,包括:
初始化子单元,用于根据所述多无人机路径规划模型进行路径初始化处理,得到初始化无人机路径集群,所述初始化无人机路径集群包括多个无人机路径样本;
点移除子单元,用于基于预设随机数和初始混沌序列从每个所述无人机路径样本中移除若干巡检点,记作移除巡检点;
点安插子单元,用于基于所述初始混沌序列和每个所述无人机路径样本的巡检点数量对所述移除巡检点进行路径安插,得到更新无人机路径集群;
更新解子单元,用于通过预置更新公式更新所述初始混沌序列,得到更新混沌序列,并所述点移除子单元,直至迭代收敛,得到最优无人机路径集群。
8.根据权利要求7所述的基于配电网环境的多无人机路径规划装置,其特征在于,所述初始化子单元,具体用于:
为每个无人机分配一个巡检点形成初始无人机路径样本;
计算所述预置巡检点集群中剩余巡检点插入至所述初始无人机路径样本中的增加时间;
选择满足所述预置模型约束和所述增加时间最小的插入方案进行剩余巡检点插入操作,得到初始化无人机路径集群。
9.一种基于配电网环境的多无人机路径规划设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的基于配电网环境的多无人机路径规划方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的基于配电网环境的多无人机路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211303784.6A CN115542944B (zh) | 2022-10-24 | 2022-10-24 | 一种基于配电网环境的多无人机路径规划方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211303784.6A CN115542944B (zh) | 2022-10-24 | 2022-10-24 | 一种基于配电网环境的多无人机路径规划方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115542944A true CN115542944A (zh) | 2022-12-30 |
CN115542944B CN115542944B (zh) | 2024-06-28 |
Family
ID=84718054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211303784.6A Active CN115542944B (zh) | 2022-10-24 | 2022-10-24 | 一种基于配电网环境的多无人机路径规划方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115542944B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116225074A (zh) * | 2023-05-10 | 2023-06-06 | 广东电网有限责任公司佛山供电局 | 一种输电线路无人机巢巡检航线规划方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045095A (zh) * | 2015-08-17 | 2015-11-11 | 南京航空航天大学 | 一种多无人机应急救灾任务分配方法 |
CA2953385A1 (en) * | 2014-06-30 | 2016-01-07 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
CN105867370A (zh) * | 2016-04-05 | 2016-08-17 | 山东理工大学 | 一种移动机器人全覆盖遍历混沌路径规划方法 |
CN108596438A (zh) * | 2018-03-28 | 2018-09-28 | 广东电网有限责任公司 | 一种多目标野花算法的动态环境经济调度方法 |
CN112683276A (zh) * | 2020-12-30 | 2021-04-20 | 和瑞达(广东)综合能源服务有限公司 | 基于混合离散灰狼算法的无人机巡检电缆路径规划方法 |
CN112880688A (zh) * | 2021-01-27 | 2021-06-01 | 广州大学 | 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法 |
CN113537439A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油化工股份有限公司 | 改进的人工蜂群优化算法 |
CN114020005A (zh) * | 2021-09-02 | 2022-02-08 | 安徽有云智能科技有限公司 | 多无人机协同巡检配网线路的航迹规划方法和系统 |
CN115169798A (zh) * | 2022-06-02 | 2022-10-11 | 武汉理工大学 | 一种带准备时间分布式柔性作业车间调度方法及系统 |
CN115167442A (zh) * | 2022-07-26 | 2022-10-11 | 国网湖北省电力有限公司荆州供电公司 | 一种输电线路巡检路径规划方法及系统 |
-
2022
- 2022-10-24 CN CN202211303784.6A patent/CN115542944B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2953385A1 (en) * | 2014-06-30 | 2016-01-07 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
CN105045095A (zh) * | 2015-08-17 | 2015-11-11 | 南京航空航天大学 | 一种多无人机应急救灾任务分配方法 |
CN105867370A (zh) * | 2016-04-05 | 2016-08-17 | 山东理工大学 | 一种移动机器人全覆盖遍历混沌路径规划方法 |
CN108596438A (zh) * | 2018-03-28 | 2018-09-28 | 广东电网有限责任公司 | 一种多目标野花算法的动态环境经济调度方法 |
CN113537439A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油化工股份有限公司 | 改进的人工蜂群优化算法 |
CN112683276A (zh) * | 2020-12-30 | 2021-04-20 | 和瑞达(广东)综合能源服务有限公司 | 基于混合离散灰狼算法的无人机巡检电缆路径规划方法 |
CN112880688A (zh) * | 2021-01-27 | 2021-06-01 | 广州大学 | 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法 |
CN114020005A (zh) * | 2021-09-02 | 2022-02-08 | 安徽有云智能科技有限公司 | 多无人机协同巡检配网线路的航迹规划方法和系统 |
CN115169798A (zh) * | 2022-06-02 | 2022-10-11 | 武汉理工大学 | 一种带准备时间分布式柔性作业车间调度方法及系统 |
CN115167442A (zh) * | 2022-07-26 | 2022-10-11 | 国网湖北省电力有限公司荆州供电公司 | 一种输电线路巡检路径规划方法及系统 |
Non-Patent Citations (9)
Title |
---|
ZHAO JUAN-PING ETAL.: "Research of path planning for Mobile Robot based on Improved Ant Colony Optimization Algorithm", 《2010 2ND INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER CONTROL》, 31 December 2010 (2010-12-31), pages 241 - 245 * |
ZHENG, ZX ETAL.: "Route Planning of UAV Based On Improved GSO Algorithm", 《INTERNATIONAL CONFERENCE ON MECHANICAL ENGINEERING AND AUTOMATION (ICMEA)》, 31 December 2014 (2014-12-31), pages 242 - 247 * |
ZIYANG ZHEN ETAL.: "Cooperative path Planning for Multiple UAVs Formation", 《THE 4TH ANNUAL IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL AND INTELLIGENT SYSTEMS》, 31 December 2014 (2014-12-31), pages 469 - 473 * |
刘雪豪: "基于改进蚁群算法的多无人机协同航迹规划研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 July 2020 (2020-07-15), pages 031 - 99 * |
李猛: "基于智能优化与RRT算法的无人机任务规划方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, 15 July 2014 (2014-07-15), pages 031 - 19 * |
王希宇,魏赟: "基于IF&IABC算法的多机器人路径规划研究", 《计算机与数字工程》, 30 June 2022 (2022-06-30), pages 1233 - 1238 * |
薛建凯: "一种新型的群智能优化技术的研究与应用:麻雀搜索算法", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 January 2021 (2021-01-15), pages 140 - 134 * |
贾高伟等: "无人机集群任务规划方法研究综述", 《系统工程与电子技术》, 31 January 2021 (2021-01-31), pages 99 - 111 * |
高尚: "蚁群算法理论、应用及其与其它算法的混合", 《中国优秀博硕士学位论文全文数据库 (博士)信息科技辑》, 15 January 2007 (2007-01-15), pages 138 - 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116225074A (zh) * | 2023-05-10 | 2023-06-06 | 广东电网有限责任公司佛山供电局 | 一种输电线路无人机巢巡检航线规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115542944B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
CN116225074B (zh) | 一种输电线路无人机巢巡检航线规划方法及系统 | |
CN110322931B (zh) | 一种碱基识别方法、装置、设备及存储介质 | |
CN107330588B (zh) | 一种多基地异构无人机协同侦察的任务规划方法 | |
CN115167442A (zh) | 一种输电线路巡检路径规划方法及系统 | |
CN110442128B (zh) | 基于特征点提取蚁群算法的agv路径规划方法 | |
CN112183620A (zh) | 基于图卷积神经网络的小样本分类模型的发育方法及系统 | |
CN115542944B (zh) | 一种基于配电网环境的多无人机路径规划方法及相关装置 | |
CN114020005B (zh) | 多无人机协同巡检配网线路的航迹规划方法和系统 | |
CN113221362B (zh) | 卫星发射场性能试验科目的选取方法、装置和电子设备 | |
CN116203982A (zh) | 无人机电力巡查航迹规划方法及系统 | |
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN112506216B (zh) | 一种无人机的飞行路径规划方法及装置 | |
CN110874387B (zh) | 移动设备识别符共现关系稀疏图的构建方法及装置 | |
CN116705192A (zh) | 基于深度学习的药物虚拟筛选方法及装置 | |
CN113409347B (zh) | 点云边界的提取方法及装置、存储介质、电子设备 | |
CN114397910B (zh) | 一种风力发电机无人机自动巡检方法及相关装置 | |
CN111144420B (zh) | 基于小样本的电塔缺陷监测方法及系统 | |
CN111694831B (zh) | 一种基于知识评价的卫星地面观测系统任务去重方法 | |
CN112948946A (zh) | 一种基于杆塔模型的杆塔数据处理方法、装置、设备和存储介质 | |
CN114565203A (zh) | 一种基于大邻域搜索算法和K-means的多星多任务规划方法 | |
CN113625770A (zh) | 基于飞行无人机对光伏电站进行巡检的自主导航规划方法及装置 | |
CN110874465B (zh) | 基于半监督学习算法的移动设备实体识别方法及装置 | |
JP2008299641A (ja) | 連立一次方程式の並列求解方法およびノード順序付け方法 | |
US12099346B1 (en) | Large-scale dynamic double-effect scheduling method for flexible job shop based on genetic programming |
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 |