CN115755953A - 基于综合赋权的无人机任务规划方法、系统及存储介质 - Google Patents
基于综合赋权的无人机任务规划方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115755953A CN115755953A CN202211331510.8A CN202211331510A CN115755953A CN 115755953 A CN115755953 A CN 115755953A CN 202211331510 A CN202211331510 A CN 202211331510A CN 115755953 A CN115755953 A CN 115755953A
- Authority
- CN
- China
- Prior art keywords
- path
- site
- weather
- unmanned aerial
- station
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于综合赋权的无人机任务规划方法、系统及存储介质。该方法包括:确定任务规划的站点,获取各站点间的物理空间距离,获取途径站点在任务执行时间段内的天气状态期望值,将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,计算得到两个站点间的路径代价,构建路径代价模型,路径长度模型中描述了任意两个站点间的路径代价,进而获取用于计算规划路径总代价的规划路径总代价模型,对路径总代价模型进行求解,获取总路径代价最小的路径。实现规避极端、恶劣天气对无人机任务规划的影响,提高了无人机路径规划的安全性、可实施性和适用性。
Description
技术领域
本申请涉及无人机飞行任务规划技术领域,更具体地,涉及一种基于综合赋权的无人机任务规划方法、系统、设备及存储介质。
背景技术
无人机作为一种新型武器装备,具有快速部署、灵活轻便、移动组网等特点,受到了国内外研究人员的广泛关注。无人机任务规划是无人机高效执行任务的关键技术,是一类在离散状态下求解极值的组合优化问题。
在典型的无人机路径规划问题中,优化的目标是使得遍历所有站点后的总体路径最小,由于无人机运动速度一定,也就是使得总体运行时间最短。目前的算法主要分为两个阶段,在第一阶段中使用精确算法进行求解,时间复杂度非常高,在第二阶段中使用近似算法进行总体飞行路径最小值的求解。
但实际的总体飞行路径的影响因素较多,在较长飞行路径中,如跨城市执行任务时,恶劣、糟糕的天气会使得在任务执行过程中造成损毁等情况,无法继续执行国内任务,如何实现适用性更强,可实施性更强的无人机任务规划任是任然是迫切需要解决的问题。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于综合赋权的无人机任务规划方法方法,能够有效解决天气情况可知、可预报条件下的无人机任务规划问题。
为实现上述目的,按照本发明的第一个方面,提供了一种基于综合赋权的无人机任务规划方法,该方法包括:
确定任务的出发站点和途径站点,获取各站点间的物理空间距离;
获取所述途径站点在任务执行时间段内的天气状态期望值;
将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,计算得到两个站点间的路径代价,构建路径代价模型,所述路径长度模型中描述了任意两个站点间的路径代价;
根据所述路径代价模型,构建用于计算规划路径总代价的规划路径总代价模型;
对所述路径总代价模型进行求解,获取总路径代价最小的路径。
进一步地,获取所述途径站点在任务执行时间段内的天气状态期望值包括:
获取天气预报信息,将第t天的第i个站点的天气状态记为qit,则第i个站点第t+1天的天气状态qi,t表示为:
qi,t+1=qi,t×pi,[t,t+1]。
其中,pi,[t,t+1]表示第i个站点的天气情况,由第t天转移至第t+1天的天气状态转移概率,
对于第i个站点来说,未来n天内的天气情况的期望可表示为:
进一步地,获取天气转移概率包括:将第t天到第t+1天好转好的概率为p1,好转坏的概率为p2,坏转好的概率为p3,坏转坏的概率为p4,满足 p1+p2=1,p3+p4=1,转移概率矩阵pi,[t,t+1]表示为:
进一步地,将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,是将该两个站点间到达站点的天气状态期望值作为该两个站点间物理空间距离的幂指数。
进一步地,将途径站点总数记为m,将出发站点记为c,所述路径代价模型记为G,表达形式为:
其中,Tu为预设的调整因子,0≤Tu≤1,gij代表站点i和站点j之间的物理空间距离,1≤i≤m,或i=c,1≤j≤m,或j=c,Ej是站点j的天气状态期望值。
进一步地,所述规划路径总代价是规划路径上每对相邻的站点间的路径代价之和。
进一步地,所述规划路径总代价的表达式为:
其中,规划路径中无人机访问站点的顺序记为Route={c,v1,v2,...,vm,c}, v1,v2,...,vm表示依次访问的途径站点,G[c,v1]为从出发站点c前往第一个站点时v1的路径代价,G[vi,vj]为站点vi与站点vj间的路径代价计算,1≤i≤m,1≤j≤m, G[vm,c]为从站点vm前往出发站点c的路径代价。
进一步地,对所述路径总代价模型进行求解,包括:
构造判别函数x(si,sj),代表站点si向站点sj的无人机路径情况,表示为:
满足所有站点均被访问,且只被访问一次,表示为:
基于天气因素对任务规划影响的路径代价模型优化目标函数表示为:
利用遗传算法求解,获取总路径代价最小的路径。
按照本发明的第二个方面,还提供了一种基于综合赋权的无人机任务规划系统,包括:
获取空间距离模块,用于确定任务的出发站点和途径站点,得到各站点间的物理空间距离;
获取天气状态期望值模块,用于通过获取天气预报信息,构造天气情况转移概率矩阵,得到途径站点在任务执行时间段内的天气状态期望值;
获取路径代价模块,将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,计算得到两个站点间的路径代价,构建路径代价模型后,构建用于计算规划路径总代价的规划路径总代价模型;
路径代价求解模块,用于通过对所述路径总代价模型进行求解,获取总路径代价最小的路径。
按照本发明的第三个方面,还提供了一种存储介质,其存储有可由处理器执行的计算机程序,当所述计算机程序在处理器上运行时,使得处理器执行上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明提供的一种基于综合赋权的无人机任务规划方法预先综合考虑路径长度和目标站点的天气状况,减少不良天气现象对无人机飞行的影响,在保证无人机执行最小化路径长度的基础上,提高长距离飞行任务的安全性与可执行性,达到节省油耗、安全快速完成站点访问任务的效果。
(2)本发明通过将天气情况作为权重因子,构造基于天气情况的路径代价矩阵和基于天气情况综合赋权的路径代价模型,并利用算法如遗传算法进行求解。只需要构造相应适应度函数、路径代价矩阵对接遗传算法相应接口就可以完成问题求解,易于执行实现,可实施性强。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种基于综合赋权的无人机任务规划方法的流程示意图;
图2为本申请实施例提供的无基因冲突的个体交叉前编码顺序示意图;
图3为本申请实施例提供的无基因冲突的个体交叉后编码顺序示意图;
图4为本申请实施例提供的有基因冲突的个体交叉前编码顺序示意图;
图5为本申请实施例提供的有基因冲突的个体交叉后编码顺序示意图;
图6为本申请实施例提供的变异操作前的个体交叉后编码顺序示意图;
图7为本申请实施例提供的变异操作后的个体交叉后编码顺序示意图;
图8为本申请实施例提供的一种基于综合赋权的无人机任务规划系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或模块。
如图1所述,本发明实施例提供的一种基于综合赋权的无人机任务规划方法包括:
S101,确定任务的出发站点和途径站点,获取各站点间的物理空间距离。
出发站点是任务规划的起始站点,途径站点是任务规划中需要访问的站点。
各站点间的物理空间距离是指任务规划中相邻两个站点间的物理空间距离。
在一个具体实施例中,可以根据任务要求,确定出发站点和需要访问的途径站点,记为Route={c,v1,v2,...,vm},途径站点数为m,站点i所在位置记为 li=(xi,yi)。
S102,获取途径站点在任务执行时间段内的天气状态期望值。
天气状态期望值是指站点的天气预报在好与坏之间转变的概率的数学期望表达。
天气期望值的获取方式可以是通过已知天气预报将天气状态归为好坏两种情况,天气为好表示可以前往该站点,天气为坏表示不可以前往该站点,计算第一时刻的天气状况在好与坏中转换的概率后,计算获得第二时刻天气状态的数学期望,还可以是其他任意方式。
进一步地,获取天气状态期望值包括,获取天气预报信息,将第t天的第i个站点的天气状态记为qit,则第i个站点第t+1天的天气状态qi,j表示为:
qi,t+1=qi,t×pi,[t,t+1]
其中,pi,[t,t+1]表示第i个站点的天气情况,由第t天转移至第t+1天的天气状态转移概率。
对于第i个站点来说,未来n天内的天气情况的期望可表示为:
进一步地,无人机在执行任务过程中,需要根据目的站点的天气状况判断是否前往该站点。
作为一个示例,未来各站点的天气情况已知,天气预报共分为好坏两种情况,天气状态state={0,1},其中0代表天气为好可以前往该站点,1代表天气为坏,不可以前往该站点。其中,好转好的概率为p1,好转坏的概率为p2,坏转好的概率为p3,坏转坏的概率为p4。不失一般性的,有p1+p2=1,p3+p4=1,转移概率矩阵可表示为:
为了体现天气情况对路径长度的影响,假定p1+p3>p2+p4。
假定第j天的第i个站点的天气状态为qij,则第j+1天的天气状态可表示为:
qi,j+1=qi,j×pi,[j,j+1]
S103,将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,计算得到两个站点间的路径代价,构建路径代价模型,路径长度模型中描述了任意两个站点间的路径代价。
将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,是将该两个站点间到达站点的天气状态期望值作为该两个站点间物理空间距离的幂指数。天气影响路径规划的长短,将天气状态期望作为两个站点间物理空间距离的权重因子,计算路径代价,进而通过计算路径代价的最优解,实现避免因恶劣、糟糕的天气使得在任务执行过程中造成损毁等情况,而无法继续执行国内任务,提高了无人机任务规划的安全性。
进一步的,作为一个示例,将天气期望作为物理空间距离的权重因子,采用幂指数法构建基于天气影响因子的路径长度模型,路径代价模型记为G,表达形式为:
其中,Tu为预设的调整因子,0≤Tu≤1,gij代表站点i和站点j之间的物理空间距离,1≤i≤m,或i=c,1≤j≤m,或j=c,Ej是站点j的天气状态期望值。
优选的是,采用幂指数法建立路径代价模型,采用幂指数法将调整因子和天气期望以负指数形式计算带入路径代价模型,可以更好的将天气因素对路径代价的影响体现出来,同时能够保持矩阵G均为正值。保证矩阵G的中的数值为正值,可实施性强。
进一步的,规划路径总代价是规划路径上每对相邻的站点间的代价之和,作为一个示例,无人机在任务规划时,从出发站点出发,访问所有途径站点后,最终回到出发站点,无人机访问顺序记为
Route={c,v1,v2,...,vm,c}
在考虑了天气因素对路径规划的影响后,当无人机从货运站出发前往第一个站点时,路径代价计算为G[c,v1],其中v1代表第一个站点的编号;当无人机从最后一个站点返回货运站时,路径代价计算为G[vm,c],其中vm代表最后一个访问站点的编号;站点vi与站点vj间的路径代价计算为G[vi,vj]。
S104,根据路径代价模型,构建用于计算规划路径总代价的规划路径总代价模型。
规划路径总代价模型是指,规划任务中所有相邻站点间的路径代价的总和。
进一步的,对于无人机任务规划来说,优化的总目标是使路径代价最小,即所述规划路径总代价的计算公式为:
其中,1≤i≤m,1≤j≤m。
进一步的,构建规划路径总代价模型还包括:构造判别函数x(si,sj),代表站点si向站点sj的无人机路径情况,表示为:
要满足所有站点均被访问,且只被访问一次,即需要满足出入进出流平衡,表示为:
进一步,规划路径总代价的模型优化u目标函数表示为:
S105,对路径总代价模型进行求解,获取总路径代价最小的路径。
获取总路径代价最小的路径是,将路径代价总模型通过算法进行求解获得路径代价最小的路径方案。求解可以采用遗传算法,也可以其他任意算法。
优选的是,路径总代价模型,采用遗传算法求解,获取总路径代价最小的路径。
采用遗传算法还包括:
步骤A1,设置参数初始化,确定站点数量m及位置l、种群初始大小n、最大迭代次数iteration、交叉概率pc、变异概率pm。
步骤A2,根据出发站点,和途径站点进行整数编码,并根据天气预报和站点间距离构造站点间路径代价矩阵G
步骤A3,随机产生n个个体,每个个体为一种路径规划方案:
Plan={Route1,Route2,Route3,...,Routen}
对每个个体计算其总路径代价,表示为:
构造适应度函数,该值的大小体现了个体在迭代过程中被保留下来的概率,计算为路径代价的倒数,表示为:
f=1/value
步骤A4,根据每个个体的适应度值,采用轮盘赌注的方法计算个体被选择的概率,对于第k个个体,其被选择的概率计算为:
步骤A5,交叉运算。根据交叉概率pc,计算种群中所有需要进行交叉的个体数,为npc。从所有个体中随机选取两个个体Routei和Routej,对它们进行如下操作,直到所有待进行交叉的个体完成交叉操作,若npc为奇数,则不对最后一个个体进行操作。
步骤A5.1,在[1,m]范围内随机生成两个整数,a和b,满足a<b。将[a,b]范围内的站点进行互换。由于进行交叉操作可能会使得个体基因产生冲突,没有基因冲突的个体交叉前编码顺序如图2所示,个体交叉编码后编码顺序如图3 所示。若不存在基因冲突则执行STEP5.3,否则执行STEP5.2。
步骤A5.2:存在基因冲突的个体交叉前后的编码顺序如图4、图5所示。首先检测在[1,a]范围内是否与[a,b]存在基因冲突,其次检测[b,m]范围与[a,b]是否存在基因冲突。以后者为例,在图5中,经过交叉后Route1的第5位于第7位重复,分别记录这两个位置为p和q,将Route2中p位置的基因替换Route1中q位置的基因,重复执行该过程,直到个体中不存在基因冲突。
步骤A5.3:变异操作。根据变异概率pm,计算种群中所有需要进行交叉的个体数,为npm。对于所有进行变异的个体,在[1,m]范围内随机生成两个整数, c和d,满足c<d。将[c,d]范围内基因进行逆序排列,变异前后的个体基因编码顺序如图6、图7所示。
步骤A5.6:计算新产生个体的适应度值,若适应度值大于原种群中个体适应度值,则该个体将作为新种群中的个体参与下一次迭代,并更新迭代次数 iteration。
步骤A5.7:重复步骤A5.4到步骤A5.6,直到迭代次数到达设定值,选取适应度值最大的个体作为路径规划的方案。
基于同样的思路,本说明书一个或多个实施例还提供了上述方法对应的装置和设备。
图8为本说明书一个或多个实施例提供的一种基于综合赋权的无人机任务规划系统的结构示意图,所述装置包括:
获取空间距离模块501,用于确定任务的出发站点和途径站点,得到各站点间的物理空间距离;
获取天气状态期望值模块502,用于通过获取天气预报信息,构造天气情况转移概率矩阵,得到途径站点在任务执行时间段内的天气状态期望值;
获取路径代价模块503,将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,计算得到两个站点间的路径代价,构建路径代价模型后,构建用于计算规划路径总代价的规划路径总代价模型;
路径代价求解模块504,用于通过对所述路径总代价模型进行求解,获取总路径代价最小的路径。
本发明的系统的实现原理、技术效果与上述方法类似,此处不再赘述。
本申请还提供一种存储介质,其存储有可由处理器执行的计算机程序,当计算机程序在处理器上运行时,使得处理器执行上述任一项上述基于综合赋权的无人机任务规划方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、 ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,可通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如所述模块的划分,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,例如多个模块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服务接口,系统或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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器中。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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于综合赋权的无人机任务规划方法,其特征在于,包括:
确定任务的出发站点和途径站点,获取各站点间的物理空间距离;
获取所述途径站点在任务执行时间段内的天气状态期望值;
将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,计算得到两个站点间的路径代价,构建路径代价模型,所述路径长度模型中描述了任意两个站点间的路径代价;
根据所述路径代价模型,构建用于计算规划路径总代价的规划路径总代价模型;
对所述路径总代价模型进行求解,获取总路径代价最小的路径。
4.如权利要求1所述的一种基于综合赋权的无人机任务规划方法,其特征在于,所述将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,是将该两个站点间到达站点的天气状态期望值作为该两个站点间物理空间距离的幂指数。
6.如权利要求1所述的一种基于综合赋权的无人机任务规划方法,其特征在于,所述规划路径总代价是规划路径上每对相邻的站点间的路径代价之和。
9.一种基于综合赋权的无人机任务规划系统,其特征在于,包括:
获取空间距离模块,用于确定任务的出发站点和途径站点,得到各站点间的物理空间距离;
获取天气状态期望值模块,用于通过获取天气预报信息,构造天气情况转移概率矩阵,得到途径站点在任务执行时间段内的天气状态期望值;
获取路径代价模块,将站点的天气状态期望值作为两个站点间物理空间距离的权重因子,计算得到两个站点间的路径代价,构建路径代价模型后,构建用于计算规划路径总代价的规划路径总代价模型;
路径代价求解模块,用于通过对所述路径总代价模型进行求解,获取总路径代价最小的路径。
10.一种存储介质,其特征在于,其存储有计算机程序,当所述计算机程序在处理器上运行时,使得所述处理器执行权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331510.8A CN115755953A (zh) | 2022-10-28 | 2022-10-28 | 基于综合赋权的无人机任务规划方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331510.8A CN115755953A (zh) | 2022-10-28 | 2022-10-28 | 基于综合赋权的无人机任务规划方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115755953A true CN115755953A (zh) | 2023-03-07 |
Family
ID=85354771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211331510.8A Pending CN115755953A (zh) | 2022-10-28 | 2022-10-28 | 基于综合赋权的无人机任务规划方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115755953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117213484A (zh) * | 2023-06-21 | 2023-12-12 | 深圳大学 | 一种基于遗传算法的航点连线方法、装置及智能终端 |
-
2022
- 2022-10-28 CN CN202211331510.8A patent/CN115755953A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117213484A (zh) * | 2023-06-21 | 2023-12-12 | 深圳大学 | 一种基于遗传算法的航点连线方法、装置及智能终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113692609B (zh) | 通过订单车辆分布匹配以订单派发的多代理增强学习 | |
CN110222907B (zh) | 电动汽车充电站规划方法及终端设备 | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
US11537954B2 (en) | System and method for ride order dispatching and vehicle repositioning | |
Miandoabchi et al. | Bi-objective bimodal urban road network design using hybrid metaheuristics | |
Balseiro et al. | An ant colony algorithm hybridized with insertion heuristics for the time dependent vehicle routing problem with time windows | |
CN111178582B (zh) | 一种基于改进遗传算法的物流配送优化方法 | |
CN111191847A (zh) | 考虑订单聚合度的配送路径规划方法与系统 | |
CN112836892A (zh) | 基于改进遗传算法的多目标车辆配送路径确定方法及系统 | |
CN105389975A (zh) | 专车调度方法和装置 | |
CN111047087A (zh) | 无人机与车辆协同下路径的智能优化方法和装置 | |
CN110097218B (zh) | 一种时变环境下无人商品配送方法及系统 | |
Kang et al. | Maximum-stability dispatch policy for shared autonomous vehicles | |
CN115755953A (zh) | 基于综合赋权的无人机任务规划方法、系统及存储介质 | |
CN114022014A (zh) | 一种车辆智能调度方法、装置、电子设备及存储介质 | |
Brands et al. | Performance of a genetic algorithm for solving the multi-objective, multimodel transportation network design problem | |
CN111260128A (zh) | 车辆路径规划方法以及系统 | |
CN114399125B (zh) | 车队最优轨迹控制方法、装置、电子设备及存储介质 | |
CN113822461A (zh) | 一种轨道交通跨线运营优化方法、系统、设备及存储介质 | |
CN113887782A (zh) | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 | |
CN103793750A (zh) | 部署充/换电站的方法和装置 | |
CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
Fiosina | Decentralised regression model for intelligent forecasting in multi-agent traffic networks | |
CN114611806A (zh) | 一种解决多配送中心两级城市协同配送的大邻域搜索方法 | |
CN114298379A (zh) | 一种基于仿真优化的自动代客泊车停车场布局优化方法 |
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 |