CN115879603B

CN115879603B - 一种面向多目标点的多无人机协同数据采集方法及装置

Info

Publication number: CN115879603B
Application number: CN202211443098.9A
Authority: CN
Inventors: 黄晓轩; 谭喜成
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2022-11-17
Filing date: 2022-11-17
Publication date: 2024-05-14
Anticipated expiration: 2042-11-17
Also published as: CN115879603A

Abstract

本发明提供一种面向多目标点的多无人机协同数据采集方法及装置，包括根据应急协同场景的情况获取m个目标点的地理位置，并增设与起降点位置一致的多个虚拟点，基于全排列简化编码规则表示分配方案，考虑路线中各无人机的最大飞行距离影响因素和无人机本身的飞行性能，使用基于权重分配的专适性适应值函数计算方案适应值，筛选出部分方案作为亲本，通过多产优选子代方法得到后代种群，并从待筛选后代种群中按照适应值的高低有概率地选择出一部分个体作为下一批种群，直至最优解持续一定代数不再变化时结束，将最优解作为应急协同场景n架无人机的飞行路线。本发明能够提升寻求最优解的效率，在应急协同场景快速规划无人机飞行路线。

Description

一种面向多目标点的多无人机协同数据采集方法及装置

技术领域

本发明属于地理信息领域，具体涉及一种面向多目标点的多无人机协同数据采集方法及装置。

背景技术

路线规划问题(VRP)是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。

旅行商问题(Traveling Saleman Problem,TSP)是VRP的特例，由于TSP问题是NP-hard问题，因此，VRP也属于NP-hard问题，要想高效率地找到最优分配路线方案或是近似最优分配方案，是业界内的一大难题。

实际应用中，无人机具有很强的通讯能力和观察能力，在应急协同场景中，通常通过多无人机面向多目标点进行数据采集，进行照片拍摄，提高执行侦查、搜索、营救等任务的效率，但是多无人机面向多目标点时，传统路线规划收敛速度慢、算法复杂度高，导致求得的最优方案不够理想，需要耗费大量的时间，不利于紧急事件处理。

发明内容

根据现有技术的不足，本发明的目的是提供一种面向多目标点的多无人机协同数据采集方法及装置，能够提升寻求最优解的效率，在应急协同场景快速规划无人机飞行路线，减少无人机数据采集的时间。

为了解决上述技术问题，本发明采用的技术方案为：

一种面向多目标点的多无人机协同数据采集方法，包括以下步骤：

步骤S1、设现有n架无人机根据应急协同场景需要数据采集的情况下，获取m个目标点的地理位置，并增设(n-1)个与起降点位置重合的虚拟点，将目标点和虚拟点进行排列，基于全排列简化编码规则表示分配方案；

步骤S2、采用基于目标点空间聚类结果的半规则半随机方法产生一定量的初始方案；

步骤S3、考虑路线中每架无人机最大飞行距离及每架无人机各自的飞行性能，使用基于权重分配的专适性函数计算方案适应值，并按适应值高低概率地筛选出部分方案；

步骤S4、令步骤S3中筛选出的方案为亲本，通过多产优选子代方法得到后代种群；

步骤S5、将步骤S4产生的后代个体和亲本合并为一个大种群，计算大种群中每个个体的适应值，并按照适应值的高低有概率地选择出一部分个体作为下一批繁衍的种群，维持种群数量不变；

步骤S6、重复步骤S3-S5，直至最优解持续一定数量的代数不再变化时结束，将最优解作为应急协同场景n架无人机的飞行路线。

进一步地，在步骤S1中，将生成一个1～(n+m-1)的全排列序列，其中1～m号点位为m个目标点，(m+1)～(m+n-1)号虚拟点视为分隔符；各虚拟点的空间位置与起降点重合，将整个全排列序列分割为n段，每段子序列subest_i表示为第i架无人机的飞行路线，如下序列则表示一种飞行路线方案：

[subset₁，m+1，subset₂，m+2…，m+n-1，subset_n]

其中，subset_i表示第i架无人机不包含起降点的飞行轨迹，起降点表示起飞或降落的点；

将一种飞行路线方案通过上述由n-1个虚拟点构成的分隔符隔开得到n个子串序列，为每一子串首尾添加上起降点便能够得到n架无人机的飞行路线方案为：

[m+1，subset₁，m+1]、[m+1，subset₂，m+1]、…[m+1，subset_n，m+1]。

进一步地，在步骤S2中，半规则半随机方法为：对m个目标点进行空间K均值聚类，将属于同一类目标点分配给同一架无人机，同一类目标点通过随机分配内部点序得到一架无人机的飞行路线顺序，以此产生一定量的初始方案。

进一步地，在步骤S3中，建立基于权重分配的专适性适应值函数：

其中，route(i)表示第i架无人机飞行路径长度，L(i)表示第i架无人机的飞行性能，具体用最大能够承受的持续飞行距离来表示，k、b_i均为系数；

公式(1)由k、b_i动态控制，对于k、b_i取值如下：

当route(i)≤L(i)，b_i＝α；

当route(i)＞L(i)，b_i＝β；

α、β、k应满足α＜k＜＜β；

设一极端情况来求得数值关系：假设两个方案均满足了各条路线长度小于各架无人机最大飞行距离，而方案一的无人机最大飞行距离小于方案二的无人机最大飞行距离，则此时将优先选择方案一，而无视各无人机飞行性能的影响；通过解算可得α与k之间的关系如下：

其中，e＝min{max{dis(p，1～n)}-max{dis(q，1～n)}}，即e是所有方案中各架无人机最大飞行路线长度差中异于0的最小值，p、q∈[1，N]且p≠q且e＞0，N为种群数量，dis(a，b)表示a方案第b架无人机飞行距离；

通过实验可得：β＝2×max{dis(p，q)}×k；

在实际运用中α可取任意值，比如1；后利用α、β、k之间的关系，得到k和β的取值。

进一步地，在步骤S4中，多产优选子代方法为：一对亲本产生多个后代，依据后代适应值大小情况使用轮盘赌选择法，预先筛选出两个个体作为其子代；使适应值大的个体更容易保留下来。

进一步地，为了减少算法的时间复杂度，亲本产生多个后代后，将种群数量按一定比例下调。

进一步地，所述步骤S5中采用轮盘赌选择法按照其适应值的高低有概率地选择出一部分个体作为下一批繁衍的种群。

一种面向多目标点的多无人机协同数据采集装置，包括：

分配模块，用于根据应急协同场景需要数据采集的情况下，获取m个目标点的地理位置，并增设(n-1)个与起降点位置重合的虚拟点，设置n架无人机，将目标点和虚拟点进行排列，基于全排列简化编码规则产生分配方案；

初始方案产生模块，用于产生一定量的初始方案；

筛选模块，用于考虑几条飞行路线中无人机的最大飞行距离影响因素，考虑各无人机的各自的飞行性能，筛选出部分方案；

子代产生模块，用于令筛选模块中筛选出的方案为亲本，通过多产优选子代方法得到后代种群；

过滤模块，用于将子代产生模块产生的后代个体和亲本合并为一个大种群，计算大种群中每个个体的适应值，并按照适应值的高低有概率地选择出一部分个体作为下一批繁衍的种群，维持种群数量不变；

最优解产生模块，用于重复筛选模块、子代产生模块及过滤模块，直至最优解持续一定数量的代数不再变化时结束，将最优解作为应急协同场景n架无人机的飞行路线。

一种面向多目标点的多无人机协同数据采集设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述面向多目标点的多无人机协同数据采集方法的步骤。

一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述面向多目标点的多无人机协同数据采集方法的步骤。

与现有技术相比，本发明具有以下优点和有益效果：

本发明提出一种面向多目标点的多无人机协同数据采集方法及装置，能够有效降低算法复杂度、增加收敛速度、求得更接近最优解的无人机路线规划方案，从而帮助用户控制多架无人机采集多目标点的数据，提高数据采集速度，降低多无人机协同执飞时多余的工作量。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明提供的面向多目标点的多无人机协同数据采集方法流程图。

图2是用于解释个体分配方案的编码规则的示例图。

图3是本发明面向多目标点的多无人机协同数据采集方法针对解决的问题图示。

图4是某地建筑地所需无人机数据采集多目标点位示意图。

图5是用于检测采用本发明提出的专适性适应值函数较传统路径规划算法采适应性函数的效率比对图。

图6是用于检测本发明与传统路径规划算法的效率对比图。

图7是使用本发明提供的面向多目标点的多无人机协同数据采集方法针对于图4所示案例的无人机路线规划图。

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。

一般而言，在一次n架无人机在应急协同场景的情况一定范围内的相对不均匀分布点位采集数据时，用户可能提供n架无人机从一起降点出发，自动在每个点位执行数据采集任务，直到所有的点位数据采集完，并返回起降点，起降点表示起飞或降落的点；如图2所示。可以称n架无人机中耗时最长的那一架所需的时间即为此次执行数据采集任务所需的时间成本；

因此，欲尽可能节约时间，降低成本，就需要使每一架无人机执行数据采集任务所需的飞行时间尽可能相近，且使最大者尽可能小；这样即可满足数据采集任务需要。

并在此基础上提出以下假设：每架无人机在两个目标点间均沿直线飞行，无人机架数一般远小于所有目标点数，n架无人机从同一起降点出发，每架无人机在各目标点间均沿直线飞行。每架无人机的型号、飞行状态(速度等)均相同，视无人机飞行速度为单位速度；每架无人机拥有不同的续航能力，L_i表示第i架无人机的飞行性能，具体用最大能够承受的持续飞行距离来表示(L_i按升序排列)；若一个飞行方案中飞行距离超出了某架无人机的续航能力则称该方案是不达标的。

本发明提供一种面向多目标点的多无人机协同数据采集方法，如图1所示，包括以下步骤：

步骤S3、考虑路线中每架无人机最大飞行距离及每架无人机各自的飞行性能(在本发明中以其各自的能够承受的最大飞行距离表示)，使用基于权重分配的专适性函数计算方案适应值，并按适应值高低概率地筛选出部分方案；

本发明提供的一种面向多目标点的多无人机协同数据采集方法，能够有效降低算法复杂度、增加收敛速度、求得更接近最优解的无人机路线规划方案，从而帮助用户控制多架无人机采集多目标点的数据，提高数据采集速度，降低多无人机协同执飞时多余的工作量。

本发明中，在步骤S1中，将生成一个1～(m+n-1)的全排列序列，其中1～m号点位为m个目标点，(m+1)～(m+n-1)号虚拟点视为分隔符；各虚拟点的空间位置与起降点重合，对整个全排列序列进行分割，依照分隔符将整个全排列序列分割为n段，每段子序列表示为第i架无人机的飞行路线，如下序列则表示一种飞行路线方案：

[subset₁，m+1，subset₂，m+2…，m+n-1，subset_n]

将一种飞行路线方案通过上述由n-1个虚拟点构成的分隔符隔开得到n个子串序列，在本发明中，以m+1号点位为起降点，为每一子串首尾添加上起降点便能够得到n架无人机的飞行路线方案为：

[m+1，Subset₁，m+1]、[m+1，Subset₂，m+1]、…[m+1，subset_n，m+1]

在步骤S1中，基于虚拟点的全排列简化编码方法规则产生分配方案，使得能以一串全排数字序列表示一个具体的无人机飞行分配方案，以简化算法复杂度。

例如，如图2所示，有4架无人机，16个目标点。

在步骤S1中，将生成一个1～19的全排列序列，其中1～16号点位为16个目标点，17、18、19号点位视为虚拟点，其位置与起点重合，将整个全排列序列分割为4段，每段序列表示为一架无人机的飞行路线，如下序列则表示一种飞行路线方案：

[1 3 4 7 17 5 2 6 8 18 10 16 14 9 19 12 11 15 13]

由17、18、19作为分隔符得到四个字串，并在此基础上，为每一字串添加上起降点即可得到四架无人机的飞行路线方案如下：

[17 1 3 4 7 17]

[17 5 2 6 8 17]

[17 10 16 14 9 17]

[17 12 11 15 13 17]

如上做法，相较于传统在1～m全排列序列中插入n-1个分隔符(比如数字0)的方案个体表示法，首先本发明初始个体方案生成复杂度降低——仅需要生成一个1～(m+n-1)的全排列序列即可；其次传统的方案表示法在遗传算法中由于染色体交叉互换较为复杂，会提高算法的时间复杂度，因此大多数算法选择放弃交换操作，仅考虑基因突变以此产生后代，这样无疑与遗传算法的初衷相悖；采用如本发明方案个体表示法可以有效地解决上述所提问题。

本发明中，所述步骤S2中将不再采用传统遗传算法随机初始化第一代个体方案的做法，而是依照本发明的一种基于目标点空间聚类结果的半规则半随机方法——对所有任务点聚类的结果进行有规则的初始化，以便提高找到最优解的可能及收敛速度；具体来说，先对m个目标点进行空间K均值聚类(聚类数为无人机架数n)；事先将属于同一簇(类)的点放入同一段路线中，再随机调整各个路线内部顺序，再将其作为种群的初始个体。

例如，如图2所示，有4架无人机，16个目标点，采用半规则半随机方法：对16个目标点进行空间K均值聚类，将属于同一类目标点分配给同一架无人机，同一类目标点通过随机分配得到飞行顺序，总共将16个目标点分为4类，每一架无人机对应一类目标点，产生一定量的初始方案。

按照K均值聚类得到的聚类结果是：(1、3、4、7)(2、5、6、8)(11、12、13、15)(9、10、14、16)；然后随机调整各路线序列内部顺序，并在各序列间插入n-1个虚拟点(在该例虚拟点号为17、18、19)即可得到初始种群，例如以下例举的一些序列即为使用该方法就图4示例产生的初始路线方案：

[1 3 4 7 17 2 5 6 8 18 11 12 13 15 19 9 10 14 16]

[3 4 1 7 17 2 8 6 5 18 15 12 13 11 19 9 14 16 10]

[7 1 4 3 17 8 2 6 5 18 15 13 11 12 19 14 9 10 16]

[3 4 1 7 17 6 5 2 8 18 13 12 11 15 19 10 9 16 14]

上述做法可以提高算法找到最优解的可能以及加快算法的收敛速度；并且与先聚类后于各簇内部使用n次智能算法的方法而言，保证了方案(种群)的多样性和灵活性，避免因为提前分配点位而导致无法找到最优解的可能。

本发明中，在步骤S3中，建立基于权重分配的专适性适应值函数：

公式(1)由k、b_i动态控制，对于k、b_i取值如下：

当route(i)≤L(i)，b_i＝α；

当route(i)＞L(i)，b_i＝β；

α、β、k应满足α＜k＜＜β；

设一极端情况来求得数值关系：假设两个方案均满足了各条路线长度小于各架无人机最大飞行距离(即各架无人机的飞行任务量均没有超过其续航能力)，而方案一的无人机最大飞行距离小于方案二的无人机最大飞行距离，则此时将优先选择方案一，而无视各无人机飞行性能的影响；通过解算可得α与k之间的关系如下：

通过实验可得：β＝2×max{dis(p，q)}×k；

所述步骤S3中基于权重分配的专适性适应值函数的确定，与传统算法中直接取各无人机飞行距离最大值的倒数不同，本发明除考虑该因素外，还考虑了各无人机飞行性能的差异。

在步骤S4中，多产优选子代方法为：一对亲本产生多个(大于2)后代，依据后代适应值大小情况使用轮盘赌选择法，预先筛选出两个个体作为其子代；使适应值大的个体更容易保留下来。

例如，产生有四个个体适应值分别为0.4，0.3，0.2，0.1(已做归一化处理)；进而得到累加序列：0.4，0.7，0.9，1；之后生成两个0～1之间的随机数，若随机数位于0～0.4，则取第一个个体，位于0.4～0.7，取第二个；以此类推，完成两个优秀个体的选择。

上述做法可以有效避免由两个适应度高的亲代杂交后得到的个体可能远不如亲代，甚至偏离正确的解这种情况的发生。

在步骤S4中，为了减少算法的时间复杂度，亲本产生多个后代后，将种群数量下调。

种群数量下调过程中，假设两个亲本产生的后代数量为x(x＞2，经过初筛只需要两个)，则种群数量应下调为原本数量的(2/x)％。

在本发明的一个实施例中，以图3和图4为示例(n＝4，m＝60)，有4架无人机，60个目标点，首先保持种群数量不变，设置为1000，不采用多产优选子代方法的算法为A方案；采用上述做法的算法为B方案；在B方案基础上将种群数量降至200的算法为C方案；三种方案的算法效率对比如图6，可见最优解在172左右，且将种群数量下调后会减少运行平均时间。

在步骤S3中，采用本发明的基于权重分配的专适性适应值函数将有效衡量各种因素之间的重要关系，依据用户想要的结果得出有效的路线规划；针对图4给出的实施例，设置四架无人机的各自能够承受最大飞行距离L[1，2，3，4]＝165、170、172、175，采用传统适应函数和本发明基于权重分配的专适性适应值函数的算法效率对比图如图5所示，本发明平均方案达标率比传统适应函数高得多，平均运行时间比传统适应函数少。

附上图4所示问题的目前最优解，如图7所示，四条飞行路线长度依次为170.6538、171.6674、165.2345、171.9324。

一种面向多目标点的多无人机协同数据采集装置，包括：

初始方案产生模块，用于产生一定量的初始方案；

本发明还提供一种面向多目标点的多无人机协同数据采集设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述任一项所述面向多目标点的多无人机协同数据采集方法的步骤。

本发明实施例中的存储器用于存储各种类型的数据以支持面向多目标点的多无人机协同数据采集设备的操作。这些数据的示例包括：用于在面向多目标点的多无人机协同数据采集设备上操作的任何计算机程序。

本发明实施例揭示的面向多目标点的多无人机协同数据采集方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，面向多目标点的多无人机协同数据采集方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，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。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成本发明实施例提供的面向多目标点的多无人机协同数据采集方法的步骤。

在示例性实施例中，面向多目标点的多无人机协同数据采集设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，MicroController Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。

可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，RandomAccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

本发明还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述面向多目标点的多无人机协同数据采集方法的步骤。

综上所述，本发明提供的一种面向多目标点的多无人机协同数据采集路线遗传规划方法及装置，设计了更适合、简化的种群个体编码方式，使得更容易计算一种分配方案的适应度，也较传统编码方式更易产生子代；一定程度上优化了算法效率；

本发明提供的一种面向多目标点的多无人机协同数据采集路线遗传规划方法及装置，摒弃了随机初始化种群的传统做法，而是采用基于目标点空间聚类结果，规律性地先分为几块、块的内部顺序则随机确定的方法去初始化种群；如此可以提高找到更优解的可能及算法收敛速度；

本发明提供的一种面向多目标点的多无人机协同数据采集路线遗传规划方法及装置，设计了基于无人机飞行性能设计权重分配的专用性适应值函数；相较于之前仅考虑路径长度，本发明将无人机飞行性能差别纳入考虑；且可以此思想为基础，后续考虑更多可能的影响因素；

本发明提供的一种面向多目标点的多无人机协同数据采集路线遗传规划方法及装置，在种群产生后代时，进行初步的筛选，更倾向于得到更优的后代、去除适应度大幅下降的个体；如此更有利于找到更优的解。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种面向多目标点的多无人机协同数据采集方法，其特征在于，包括以下步骤：

步骤S1、设现有n架无人机根据应急协同场景需要数据采集的情况下，获取m个目标点的地理位置，并增设(n-1)个与起降点位置重合的虚拟点，将目标点和虚拟点进行排列，基于全排列简化编码规则表示分配方案，具体包括；

生成一个1～(m+n-1)的全排列序列，其中l～m号点位为m个目标点，(m+1)～(m+n-1)号虚拟点视为分隔符；各虚拟点的空间位置与起降点重合，将整个全排列序列分割为n段，每段子序列subset_i表示为第i架无人机的飞行路线，如下序列则表示一种飞行路线方案：

[subset₁，m+1，subset₂，m+2…，m+n-1，subset_n]

[m+1，subset₁，m+1]、

[m+1，subset₂，m+1]、…

[m+1，subset_n，m+1]；

步骤S3、考虑路线中每架无人机最大飞行距离及每架无人机各自的飞行性能，使用基于权重分配的专适性函数计算方案适应值，并按适应值高低概率地筛选出部分方案，具体为：

建立基于权重分配的专适性适应值函数：

公式(1)由k、b_i动态控制，对于k、b_i取值如下：

当route(i)≤L(i)，b_i＝α；

当route(i)＞L(i)，b_i＝β；

α、β、k应满足α＜k＜＜β；

通过实验可得：β＝2×max{dis(p，q)}×k；

α取任意值；后利用α、β、k之间的关系，得到k和β的取值；

2.根据权利要求1所述的面向多目标点的多无人机协同数据采集方法，其特征在于：

在步骤S2中，半规则半随机方法为：对m个目标点进行空间K均值聚类，将属于同一类目标点分配给同一架无人机，同一类目标点通过随机分配内部点序得到一架无人机的飞行路线顺序，以此产生一定量的初始方案。

3.根据权利要求1所述的面向多目标点的多无人机协同数据采集方法，其特征在于：

在步骤S4中，多产优选子代方法为：一对亲本产生多个后代，依据后代适应值大小情况使用轮盘赌选择法，预先筛选出两个个体作为其子代；使适应值大的个体更容易保留下来。

4.根据权利要求3所述的面向多目标点的多无人机协同数据采集方法，其特征在于：

为了减少算法的时间复杂度，亲本产生多个后代后，将种群数量按一定比例下调。

5.根据权利要求1所述的面向多目标点的多无人机协同数据采集方法，其特征在于：

所述步骤S5中采用轮盘赌选择法按照其适应值的高低有概率地选择出一部分个体作为下一批繁衍的种群。

6.一种面向多目标点的多无人机协同数据采集装置，应用于权利要求1-5任一项的面向多目标点的多无人机协同数据采集方法，其特征在于，包括：

初始方案产生模块，用于产生一定量的初始方案；

7.一种面向多目标点的多无人机协同数据采集设备，其特征在于：包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述权利要求1-5任一项所述面向多目标点的多无人机协同数据采集方法的步骤。

8.一种计算机存储介质，其特征在于：所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述权利要求1-5任一项所述面向多目标点的多无人机协同数据采集方法的步骤。