CN116088540A - 无人机协同无人车的电缆通道巡检方法、介质 - Google Patents

无人机协同无人车的电缆通道巡检方法、介质 Download PDF

Info

Publication number
CN116088540A
CN116088540A CN202310362206.8A CN202310362206A CN116088540A CN 116088540 A CN116088540 A CN 116088540A CN 202310362206 A CN202310362206 A CN 202310362206A CN 116088540 A CN116088540 A CN 116088540A
Authority
CN
China
Prior art keywords
inspection
path
unmanned aerial
aerial vehicle
paths
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
Application number
CN202310362206.8A
Other languages
English (en)
Other versions
CN116088540B (zh
Inventor
戚远航
吴钧皓
黄戈文
罗浩宇
柯炳明
王福杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Anheng Power Technology Co ltd
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202310362206.8A priority Critical patent/CN116088540B/zh
Publication of CN116088540A publication Critical patent/CN116088540A/zh
Application granted granted Critical
Publication of CN116088540B publication Critical patent/CN116088540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/0202—Control of position or course in two dimensions specially adapted to aircraft
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人机协同无人车的电缆通道巡检方法、可读存储介质，通过运行编码程序初始化粒子群中粒子的位置和速度；遍历每一个粒子，运行解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径；计算粒子的适应度，根据适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度；运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径；输出更新后的全局最优粒子及其对应的巡检路径，调度无人车和无人机，从而实现了自动协调和调度无人车与无人机的巡检路径，解决了现有技术在筛选电缆巡检方案时存在的自动化程度低、成本高、耗时、效率低的问题。

Description

无人机协同无人车的电缆通道巡检方法、介质
技术领域
本发明涉及机器人技术领域，尤其涉及一种无人机协同无人车的电缆通道巡检方法、可读存储介质。
背景技术
随着城市化进程不断提高，城市电网电缆化率持续攀升，电力电缆在输配电系统中的比重越来越大。然而，城市电力电缆通常浅埋在城市道路两旁，极易遭各种外力破坏。例如，施工单位对地埋缆线的重要性和发生事故的危害性认识不足，为赶工期，野蛮施工，把缆线挖断，造成群众生活不便，企业生产事故发生，急需要智能化的电缆通道巡检服务。无人车/无人机技术作为近年来新兴的技术，具有速度快、方便灵活等特点，适合应用于户外分散的电缆通道巡检。
然而，无人机所携带电池容量有限。每个巡检点所需要的巡检时间不同，在面对多个电缆通道巡检点时，现有技术通过调度中心调度一个车队负责去巡检电缆通道，通常一辆无人车携带一台无人机。在此过程中，无人车将可以为无人机提供换电服务。无人机在完成某些巡检点的巡检任务后，可以回到无人车上换电，使无人机的续航将恢复为其最大续航，再从该无人车上起飞并继续服务其他巡检点。此外，无人车和无人机可以同步进行巡检服务，即是在无人机外出执行巡检任务时，无人车同时也可以对其他巡检点进行服务。
一台无人车携带一台无人机时的巡检方案，简单容易构建。若一台无人车携带多台无人机时，组合方式多，现有技术主要基于人工的方式来筛选电缆巡检方案，自动化程度低且成本高，耗费时间长、效率低。
发明内容
本发明实施例提供了一种无人机协同无人车的电缆通道巡检方法、可读存储介质，以解决现有技术在筛选电缆巡检方案时存在的自动化程度低、成本高、耗时、效率低的问题。
一种无人机协同无人车的电缆通道巡检方法，所述方法包括：
S1：获取粒子数量、无人车数量、每台无人车携带的无人机数量以及巡检点总数；
S2：运行预设的编码程序初始化粒子群中每一个粒子的位置和速度；
S3：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S4：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S5：采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度；
S6：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S7：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S8：运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径；
S9：判断迭代次数是否达到预设次数阈值，若是则输出更新后的全局最优粒子及其对应的巡检路径，调度无人车和无人机；否则返回步骤S5。
可选地，所述运行预设的编码程序初始化粒子群中每一个粒子的位置包括：
根据所述巡检点总数P、无人车数量M设置粒子的位置维度为2P+ M +1；
初始化每一个维度上的值，得到所述粒子i的位置为
Figure SMS_1
，其中，第1至P个维度上的值
Figure SMS_2
表示巡检点1至P的索引信息；第P+1至2P个维度上的值
Figure SMS_3
表示巡检点1至P对应的巡检工具标识，所述巡检工具包括无人车和无人机，无人车用0标识，无人机用自然数标识，不同的无人机对应不同的自然数；第2P+1个维度上的值
Figure SMS_4
表示路径总数；第2P+2至2P+M+1个维度上的值
Figure SMS_5
表示路径1至M对应的路径信息。
可选地，所述运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径包括：
按照索引信息从小到大对所述巡检点1至P进行排序，得到巡检点序列
Figure SMS_6
；
根据所述巡检点序列和巡检点对应的巡检工具标识，生成巡检点及工具序列；
根据所述路径总数和路径信息，计算每一分段路径对应的巡检点数目；
根据每一分段路径对应的巡检点数目，从左到右对所述巡检点及工具序列进行划分，生成分段路径；
根据所述分段路径生成无人车以及无人机的巡检回路。
可选地，所述根据所述路径总数和路径信息，计算每一分段路径对应的巡检点数目包括：
当路径总数为1时，分段路径有且只有一条，巡检点数目为巡检点总数；
当路径总数大于1时，根据路径信息中前
Figure SMS_7
维计算每个分段路径的巡检点数目，对于第
Figure SMS_8
个分段路径（
Figure SMS_9
），其巡检点数目
Figure SMS_10
为:
Figure SMS_11
其中，
Figure SMS_14
，
Figure SMS_15
表示第
Figure SMS_18
个分段路径（
Figure SMS_13
）的巡检点数目，P表示巡检点总数，
Figure SMS_16
表示第
Figure SMS_20
个路径的路径信息，
Figure SMS_21
表示求和公式中第
Figure SMS_12
个路径的路径信息；
Figure SMS_17
表示求和公式中第
Figure SMS_19
个分段路径的巡检点数目。
可选地，所述根据所述分段路径生成无人车以及无人机的巡检回路包括：
从左到右顺序提取分段路径集合SetA中采用无人车巡检的节点，组成无人车路径集合SetB，并将无人车路径集合SetB放入巡检回路总集合SetE中；
从左到右顺序提取分段路径集合SetA中采用无人车和无人机k巡检的节点，组成无人机k路径集合SetC-k，其中，SetC-k表示第k（
Figure SMS_22
，K表示无人机总数）个无人机对应的巡检路径集合；
从左到右遍历无人机k路径集合SetC-k中的所有节点，若节点n（
Figure SMS_23
,N表示无人机k路径集合SetC-k中的节点总数）的巡检工具标识为“0”且无人机总路径集合
Figure SMS_24
，则将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为“0”且无人机总路径集合SetD只有1个元素，则清空无人机总路径集合SetD，再将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为k，将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为“0”且无人机总路径集合SetD大于1个元素，则将节点n放入无人机总路径集合SetD；将无人机总路径集合SetD放入巡检回路总集合SetE，再删除无人机总路径集合SetD中除节点n以外的其他元素，n=n+1。
可选地，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_25
及其对应的巡检工具，将其插入另一目标巡检点
Figure SMS_26
前，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则从巡检点序列
Figure SMS_27
获取目标巡检点
Figure SMS_28
及其前一个巡检点
Figure SMS_29
，根据所述目标巡检点
Figure SMS_30
及其前一个巡检点
Figure SMS_31
的索引信息更新待处理巡检点的索引信息
Figure SMS_32
，得到新的巡检点序列；
若所述待处理巡检点
Figure SMS_33
和目标巡检点
Figure SMS_34
属于不同的分段路径时，根据更新后的巡检路径中各分段路径对应的巡点数目更新路径分段信息；
根据更新后的待处理巡检点的索引信息
Figure SMS_35
和路径分段信息，更新粒子的位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
可选地，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_36
与一个目标巡检点
Figure SMS_37
交换位置，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure SMS_38
与目标巡检点
Figure SMS_39
的索引信息，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径；或者，
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_40
与一个目标巡检点
Figure SMS_41
交换巡检工具，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure SMS_42
与目标巡检点
Figure SMS_43
的巡检工具标识，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径；或者
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_44
与一个目标巡检点
Figure SMS_45
交换位置和巡检工具，获取更新后的无人车以及无人机巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure SMS_46
与目标巡检点
Figure SMS_47
的索引信息和巡检工具标识，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
可选地，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_48
修改其巡检工具，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则更新粒子的位置中待处理巡检点
Figure SMS_49
的巡检工具标识；
其中，若待处理巡检点
Figure SMS_50
的巡检工具修改为无人车，则更新待处理巡检点
Figure SMS_51
的巡检工具标识为0，若待处理巡检点
Figure SMS_52
的巡检工具修改为无人机
Figure SMS_53
，则更新待处理巡检点
Figure SMS_54
的巡检工具标识为
Figure SMS_55
；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
可选地，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径还包括：
若更新前的巡检路径的适应度更优，保留原有的全局最优粒子及其对应的巡检路径。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的无人机协同无人车的电缆通道巡检方法。
本发明实施例通过获取粒子数量、无人车数量、每台无人车携带的无人机数量以及巡检点总数；运行预设的编码程序初始化粒子群中每一个粒子的位置和速度；遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度；遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径；判断迭代次数是否达到预设次数阈值，若是则输出更新后的全局最优粒子及其对应的巡检路径，调度无人车和无人机；否则返回更新粒子在当前位置对应的巡检路径；从而实现了自动协调和调度无人车与无人机的巡检路径，有效地解决了现有技术在筛选电缆巡检方案时存在的自动化程度低、成本高、耗时、效率低的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的无人机协同无人车的电缆通道巡检方法的示意图；
图2（a）是本发明一实施例提供的粒子的位置示意图；
图2（b）是本发明另一实施例提供的粒子的位置示意图；
图3是本发明一实施例提供的巡检点及工具序列示意图；
图4是本发明一实施例提供的分段路径示意图；
图5是本发明一实施例提供的巡检回路的获取过程示意图；
图6（a）是本发明一实施例提供的巡检示意图；
图6（b）是本发明一实施例提供的单点插入更新后的巡检示意图；
图6（c）是本发明一实施例提供的同时交换巡检点的位置和巡检工具后的巡检示意图；
图6（d）是本发明一实施例提供的改变巡检点的巡检工具后的巡检示意图；
图7是本发明一实施例提供的单点插入更新后的粒子位置示意图；
图8是本发明一实施例提供的同时交换巡检点的位置和巡检工具后的粒子位置示意图；
图9是本发明一实施例提供的改变巡检点的巡检工具后的粒子位置示意图；
图10是本发明一实施例提供的无人机协同无人车的电缆通道巡检装置的示意图；
图11是本发明一实施例中计算机设备的一示意图。
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他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的无人机协同无人车的电缆通道巡检方法。如图1所示，所述无人机协同无人车的电缆通道巡检方法包括：
S1：获取粒子数量、无人车数量、每台无人车携带的无人机数量以及巡检点总数；
S2：运行预设的编码程序初始化粒子群中每一个粒子的位置和速度；
S3：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S4：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S5：采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度；
S6：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S7：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S8：运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径；
S9：判断迭代次数是否达到预设次数阈值，若是则输出更新后的全局最优粒子及其对应的巡检路径，调度无人车和无人机；否则返回步骤S5。
在这里，本发明实施例预先创建了编码程序、解码程序以及局部搜索程序。所述编码程序用于初始化粒子的位置，所述解码程序用于根据粒子的位置和速度获取粒子在当前位置对应的无人车及无人机巡检路径，所述局部搜索程序用于对全局最优粒子及其对应的巡检路径进行优化更新，从而获得全局最优粒子及其对应的巡检路径，确定无人车及无人机的混合巡检路径，并据此调度无人车和无人机，实现了自动协调和调度无人车与无人机的巡检路径，路径更优，自动化程度高、成本低、时间更短、效率更低。
其中，步骤S1中，所述粒子数量N随机设置，所述无人车数量M、每台无人车携带的无人机数量以及巡检点总数P由用户根据电缆通道实际情况设置并输入。可选地，为了便于理解，以下给出一个具体的电缆通道场景，包含了1个调度中心、3台无人车，每台无人车携带2台无人机以及10个巡检点，则无人车数量M=3，巡检点总数P=10。
其中，步骤S2中，本发明实施例设置粒子的位置包括四部分：巡检点的索引信息、巡检点对应的巡检工具标识、路径总数、路径分段信息。步骤S2所述的运行预设的编码程序初始化粒子群中每一个粒子的位置包括：
在步骤S21中，根据所述巡检点总数P、无人车数量M设置粒子的位置维度为2P+ M+1；
在步骤S22中，初始化每一个维度上的值，得到所述粒子i的位置为
Figure SMS_56
，其中，第1至P个维度上的值
Figure SMS_57
表示巡检点1至P的索引信息；第P+1至2P个维度上的值
Figure SMS_58
表示巡检点1至P对应的巡检工具标识，所述巡检工具包括无人车和无人机，无人车用0标识，无人机用自然数标识，不同的无人机对应不同的自然数；第2P+1个维度上的值
Figure SMS_59
表示路径总数；第2P+2至2P+M+1个维度上的值
Figure SMS_60
表示路径1至M对应的路径信息。
在这里，当巡检点总数为P，无人车数量为M，每台车上携带的无人机数量为K时，粒子i（1<=i<=N）的位置为
Figure SMS_61
。可选地，为了便于理解，图2（a）、图2（b）为本发明实施例提供的粒子的位置示意图。
在图2（a）中，
Figure SMS_62
，表示巡检点的索引信息；
Figure SMS_63
表示巡检点对应的巡检工具，
Figure SMS_64
表示实际的路径总数，即实际使用无人车的数量，
Figure SMS_65
表示路径信息。可选地，为了便于理解，图2（b）为本发明实施例提供的粒子的位置另一示意图。在这里，本实施例使用一个具体的例子进行阐述。假设
Figure SMS_66
，则粒子的编码如图2（b）所示。图2（b）中粒子i的位置的维度为10+10+1+4=25，进而根据编码程序随机便可得到粒子每个维度上的值。
在对每一个粒子的位置初始化完后，本实施例执行步骤S3，遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径。其中，粒子与巡检路径一一对应，不同的粒子解码出不同的巡检路径。可选地，作为本发明的一个优选实例，步骤S3中所述的运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径包括：
在步骤S301中，按照索引信息从小到大对所述巡检点1至P进行排序，得到巡检点序列 ；
在步骤S302中，根据所述巡检点序列和巡检点对应的巡检工具标识，生成巡检点及工具序列；
在步骤S303中，根据所述路径总数和路径信息，计算每一分段路径对应的巡检点数目；
在步骤S304中，根据每一分段路径对应的巡检点数目，从左到右对所述巡检点及工具序列进行划分，生成分段路径；
在步骤S305中，根据所述分段路径生成无人车以及无人机的巡检回路。
为对应上述的编码程序，本实施例所述的解码程序包括5个步骤。在步骤S301中，
Figure SMS_67
对应巡检点1至P的索引信息，从小到大对所述
Figure SMS_68
进行排序，按照所述
Figure SMS_69
的排序进一步对巡检点1至P进行排序，从而生成巡检点序列
Figure SMS_70
。为了更好地描述解码过程，承接前文示例，图2（b）中，对粒子位置的前10个维度值进行从小到大排序，可得到巡检序列
Figure SMS_71
。
在步骤S302中，
Figure SMS_72
表示巡检点1至P对应的巡检工具。其中，
Figure SMS_73
表示巡检点
Figure SMS_74
由无人车负责巡检，
Figure SMS_75
表示巡检点p由无人机k进行巡检。结合上一步得到的巡检点序列，便能得到巡检序列对应的巡检工具的排序。由图2（b）可知，巡检点1至巡检点P的巡检工具分别为(0,2,1,0,2,1,1,1,0,1)，则巡检点及工具序列为{(3,1), (6,1), (2,2), (8,1), (7,1), (5,2), (1,0), (10,1), (4,0), (9,0)}，如图3所示。从图3可以看出，巡检点1、巡检点4和巡检点9采用无人车巡检；巡检点3、巡检点6、巡检点7、巡检点8和巡检点10采用无人机1进行巡检；巡检点2和巡检点5采用无人机2进行巡检。
在步骤S303中，粒子i的第2P+1个维度上的值
Figure SMS_77
表示实际的路径总数。本实施例根据路径总数来设置不同分段的巡检点数目。令
Figure SMS_80
，当
Figure SMS_82
，即路径总数为1时，表示只有1条路径，所有巡检点均在这条路径上巡检，巡检点数目为巡检点总数。接下来描述
Figure SMS_79
时每段路径的巡检点数的计算过程。当
Figure SMS_83
时，路径总数大于1时，根据路径信息
Figure SMS_85
中前
Figure SMS_87
维计算每个分段路径的巡检点数目。令路径
Figure SMS_76
分别对应
Figure SMS_81
。对于第
Figure SMS_84
个路径（
Figure SMS_86
），其巡检点数目
Figure SMS_78
为:
Figure SMS_88
其中，
Figure SMS_89
，
Figure SMS_93
表示第
Figure SMS_95
个分段路径（
Figure SMS_91
）的巡检点数目，P表示巡检点总数，
Figure SMS_94
表示第
Figure SMS_97
个路径的路径信息，
Figure SMS_98
表示求和公式中第
Figure SMS_90
个路径的路径信息；
Figure SMS_92
表示求和公式中第
Figure SMS_96
个分段路径的巡检点数目。
承接前文示例，从图2（b）可以得到
Figure SMS_99
表示路径总数为3，第一个分段路径的巡检点数目
Figure SMS_100
、第二个分段路径的巡检点数目
Figure SMS_101
和第三个分段路径的巡检点数目
Figure SMS_102
计算过程如以下所示：
Figure SMS_103
Figure SMS_104
Figure SMS_105
需要注意的是，本实施例中的
Figure SMS_106
不需要被使用。
在步骤S304中，本实施例根据分段路径对应的巡检点数目
Figure SMS_107
，从左到右划分巡检点及工具序列，得到临时分段信息。由于所有路径均是从调度中心出发并回到调度中心，进一步地在每段临时分段信息的始末加上调度中心“0”，再结合每个节点对应的巡检工具，默认巡检中心的巡检工具为无人车，从而得到最终的分段路径。
承接前文示例，第一个分段路径的巡检点数目
Figure SMS_108
为3、第二个分段路径的巡检点数目
Figure SMS_109
为5和第三个分段路径的巡检点数目
Figure SMS_110
为2，对巡检点及工具序列((3,1), (6,1),(2,2), (8,1), (7,1), (5,2), (1,0), (10,1), (4,0), (9,0))划分出临时分段信息((3,1), (6,1), (2,2))、((8,1), (7,1), (5,2), (1,0), (10,1))、((4,0), (9,0))，然后分别在始末加上调度中心（0,0），得到分段路径1为{(0,0), (3,1), (6,1), (2,2), (0,0)}，分段路径2为{(0,0), (8,1), (7,1), (5,2), (1,0), (10,1), (0,0)}，分段路径3为{(0,0), (4,0), (9,0), (0,0)}，如图4所示。
在步骤S305中，根据每个分段路径进一步确定路径中无人车以及无人机的巡检回路。下面详细描述第
Figure SMS_111
个分段路径（
Figure SMS_112
）中无人车以及无人机巡检回路的获取过程。在此过程中，预先设置5个集合，分别为：
分段路径集合SetA，用于存储第
Figure SMS_113
个分段路径；
无人车路径集合SetB，用于存储无人车的巡检路径，初始值为空集；
无人机k路径集合SetC-k，用于存储无人机k的临时分段信息；
无人机总路径集合SetD，用于存储无人机的临时路径，初始值为空集；
巡检回路总集合SetE，用于存储所有无人车及无人机的实际回路，初始值为空集。
步骤S305所述的生成无人车以及无人机的巡检回路的过程包括：
在步骤S3051中，从左到右顺序提取分段路径集合SetA中采用无人车巡检的节点，组成无人车的巡检路径，即无人车路径集合SetB，并将无人车路径集合SetB放入巡检回路总集合SetE中。
在步骤S3052中，从左到右顺序提取分段路径集合SetA中采用无人车和无人机k巡检的节点，组成无人机k路径集合SetC-k。其中，SetC-k表示第k（
Figure SMS_114
，K表示无人机总数）个无人机对应的巡检路径集合。
在步骤S3053中，从左到右遍历无人机k路径集合SetC-k中的所有节点，若节点n（
Figure SMS_115
,N表示无人机k路径集合SetC-k中的节点总数）的巡检工具标识为“0”且无人机总路径集合
Figure SMS_116
，则将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为“0”且无人机总路径集合SetD只有1个元素，则清空无人机总路径集合SetD，再将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为k，将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为“0”且无人机总路径集合SetD大于1个元素，则将节点n放入无人机总路径集合SetD。这时，SetD形成一条无人机k的巡检路径。将无人机总路径集合SetD放入巡检回路总集合SetE，再删除无人机总路径集合SetD中除节点n以外的其他元素，n=n+1。
以上步骤S3051至步骤S3053得到了一个分段路径对应的无人车以及无人机的巡检回路，巡检回路总集合SetE包含了第
Figure SMS_117
个分段路径（
Figure SMS_118
）中无人车和无人机的所有巡检回路。对每一个分段路径重复上述步骤，从而得到每一个分段路径对应的无人车以及无人机的巡检回路。
承接前文示例，图5为本发明实施例提供的第2个分段路径中无人车以及无人机巡检回路的获取过程，最终生成的巡检回路总集合SetE={{(0,0), (1,0), (0,0)},{ (0,0),(8,1), (7,1), (1,0)}, {(1,0), (10,1), (0,0)}, {(0,0), (5,2), (1,0)}}。同理可得，第2个分段路径中无人车以及无人机巡检回路为{{(0,0), (3,1), (6,1), (0,0)},{(0,0), (2,2), (0,0)}}，第3个分段路径中无人车以及无人机巡检回路{{(0,0), (4,0),(9,0), (0,0)}}，巡检示意图如图6(a)所示。
进一步，假定巡检中心的坐标为(0,0)，无人车的行驶速度为1，无人机的飞行速度为1.5，巡检点服务时间均为1，无人机在车上更换电池的时间为0.5。以上述第2个分段路径为例，无人车与无人机的协同过程如表1所示。其中，如果无人车与无人机将在某一巡检点汇合，则默认该巡检点使用无人车进行巡检，该巡检点的服务时间将从无人车抵达该巡检点的时刻开始计算，而无人机的换电服务时间则从无人车和无人机汇合的时刻开始计算。在这个过程中，无人机的换电服务以及无人车的巡检服务可以同时进行。此外，无人车需要完成上述两个服务后才能继续前往下一个巡检点，而无人机完成换电服务便可以重新起飞。
表1
节点序号 0 8 7 5 1 10 0
巡检工具 无人车 无人机1 无人机1 无人机2 无人车 无人机1 无人车
坐标 （0，0） （-3，5） （2，8） （5，2） （6，6） （4，0） （0，0）
时间窗 [4，5] [7，10] [2，3] [6，9] [15，20]
开始时刻 0
无人机1到达时刻 3.88 8.88 12.86 17.57 21.24
无人机1开始巡检服务时刻 4 8.88 17.57
无人机1巡检服务完时刻 5 9.88 18.57
无人机1离开时刻 5 9.88 18.57
无人机2到达时刻 3.59 7.33
无人机2开始巡检服务时刻 3.59
无人机2巡检服务完时刻 4.59
无人机2离开时刻 4.59
无人车到达时刻 8.48 21.84
无人车开始巡检服务时刻 8.48
无人车巡检服务完时刻 9.48
无人车巡检服务完时刻 13.36
无人机1完成换电时刻 13.36
无人机2完成换电时刻 8.98
在表1中，无人机1、无人机2与无人车在巡检点1汇合。根据本实施例，无人机的换电服务和无人车的卸货服务可以同步。同时，无人车必须等待无人机1和无人机2更换完电池，才能离开巡检点1。因此，无人车的离开时刻为13.36。
遍历所有的粒子，重复执行上述步骤SS301至步骤S305，得到每一个粒子在当前位置对应的巡检路径，然后计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径。
在本实施例中，所述粒子的适应度表示巡检路径的总巡检成本。总巡检成本由无人车总巡检成本和无人机总巡检成本组成。作为本发明的一个优选示例，以总巡检成本最小为目标，所述适应度公式为：
Figure SMS_119
其中，
Figure SMS_120
表示无人车总巡检成本，
Figure SMS_121
表示无人机总巡检成本。因此，适应度
Figure SMS_122
的值越小，适应度越优。
E表示无人车的每公里行驶成本；
Figure SMS_123
表示无人机的每公里飞行成本；
Figure SMS_124
表示节点v到节点
Figure SMS_125
的距离；
V表示所有节点集合，V=C∪{0, P+1}，其中0表示作为起点的巡检中心，P+1表示作为终点的巡检中心；
v、
Figure SMS_126
分别表示节点索引，
Figure SMS_127
；
Figure SMS_128
表示无人机的最大续航；
H表示无人车的最大行驶距离；
L表示每台无人机最大发射次数；
l表示无人机发射次数索引，
Figure SMS_129
；
Figure SMS_130
Figure SMS_131
Figure SMS_132
本实施例考虑了无人车的最大行驶距离约束、无人机的最大航程约束，分别如下式所示：
Figure SMS_133
Figure SMS_134
Figure SMS_135
本实施例通过上述步骤S4计算出粒子适应度，并选出去全局最优粒子及其对应的巡检路径，然后采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度，得到新的粒子群。
其中，在步骤S5中，所述蜜蜂觅食学习粒子群算法包括三个阶段，本实施例顺序执行受雇佣者学习阶段、旁观者学习阶段、侦察员学习阶段。
在受雇佣者学习阶段，每个粒子通过学习个体最优位置解
Figure SMS_136
来更新当前的速度
Figure SMS_137
和位置
Figure SMS_138
。新的位置更新公式如下：
Figure SMS_139
在上式中，
Figure SMS_141
和
Figure SMS_143
表示第
Figure SMS_147
个粒子的上一代速度和位置，
Figure SMS_142
和
Figure SMS_145
表示第
Figure SMS_146
个粒子的当前迭代的速度和位置。
Figure SMS_148
表示惯性质量，
Figure SMS_140
表示学习因子；
Figure SMS_144
表示[0,1]区间的随机函数。
在旁观者学习阶段，根据适应度大小，排序所有粒子。选取适应度较优的前20%粒子进行随机更新，并基于概率
Figure SMS_149
使用轮盘赌方法来决定是否最终更新该粒子。其中，选择概率
Figure SMS_150
公式如下所示：
Figure SMS_151
在上式中，
Figure SMS_152
表示第i个粒子的适应度，N表示粒子数量。
在侦察员学习阶段，随机选择5%的粒子个体，更新这些粒子的个体最优位置
Figure SMS_153
。如果持续迭代到次数阈值仍然没有得到更新，重新初始化这些粒子的位置
Figure SMS_154
、速度
Figure SMS_155
和个体最优位置
Figure SMS_156
，执行步骤S8。其中，所述次数阈值优选为200。
通过上述步骤S5采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度，并且计算新的巡检路径，更新全局最优粒子及其对应的巡检路径，执行步骤S6和步骤S7，其中，步骤S6与上述实施例中所述的步骤S3相同，步骤S7与上述实施例中所述的步骤S4相同，具体请参见上述实施例的叙述，此处不再赘述。
通过步骤S6和S7再次根据更新后的粒子群计算新的巡检路径，并更新全局最优粒子及其对应的巡检路径后，执行步骤S8。
在步骤S8中，所述局部搜索程序是指通过对所述全局最优粒子及其对应的巡检路径进行局部修改来获取更优的巡检路径，包括但不限于单点插入、两点交换以及单点改变巡检工具等搜索方案。作为本发明的一个优选示例，本实施例采用顺序执行所述单点插入、两点交换以及单点改变巡检工具来更新所获取的全局最优粒子及其对应的巡检路径。
可选地，步骤S8所述的运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
在步骤S601中，对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_157
及其对应的巡检工具，将其插入另一目标巡检点
Figure SMS_158
前，获取更新后的巡检路径；
在步骤S602中，计算并比较更新前和更新后的巡检路径的适应度；
在步骤S603中，若更新后的巡检路径更优，则从巡检点序列
Figure SMS_159
获取目标巡检点
Figure SMS_160
及其前一个巡检点
Figure SMS_161
，根据所述目标巡检点
Figure SMS_162
及其前一个巡检点
Figure SMS_163
的索引信息更新待处理巡检点的索引信息
Figure SMS_164
，得到新的巡检点序列；
在步骤S604中，若所述待处理巡检点
Figure SMS_165
和目标巡检点
Figure SMS_166
属于不同的分段路径时，根据更新后的巡检路径中各分段路径对应的巡点数目更新路径分段信息；
在步骤S605中，根据更新后的待处理巡检点的索引信息
Figure SMS_167
和路径分段信息，更新粒子的位置；
在步骤S606中，记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
在本实施例中，在步骤S7得到全局最优粒子及其对应的巡检路径后，随机选择待处理巡检点a及其对应的巡检工具插入到目标巡检点b前面，从而获得一个新的巡检方案。比较更新前后的巡检路径的适应度。如果更新后的巡检路径的适应度大于更新前的巡检路径的适应度，则新的巡检方案更优，运行预设的第一逆编码程序，获得对应的新粒子；否则保留原来的巡检方案。
在所述第一逆编码程序中，假设更新前的巡检方案中，待处理巡检点a位于巡检点序列的维度
Figure SMS_170
；目标巡检点b位于巡检点序列的维度
Figure SMS_172
。对应的，更新粒子
Figure SMS_173
在维度
Figure SMS_169
上的维度值
Figure SMS_171
，即待处理巡检点a的索引信息，且其他维度不变，从而得到粒子位置
Figure SMS_174
。其中，
Figure SMS_175
的维度值由下式更新为
Figure SMS_168
：
Figure SMS_176
其中，rand()表示(0,1)之间的随机数，
Figure SMS_177
表示待处理巡检点
Figure SMS_178
在更新后的索引信息，
Figure SMS_179
表示巡检点序列维度
Figure SMS_180
上的维度值，
Figure SMS_181
表示巡检点序列维度
Figure SMS_182
上的维度值。
如果待处理巡检点a和目标巡检点b是属于不同的路径，则进一步更新粒子中的路径总数以及路径分段信息。假设新的路径总数为
Figure SMS_183
，每条分段路径在更新后的巡检点数目分别为
Figure SMS_184
，则路径总数
Figure SMS_185
，而第
Figure SMS_186
个路径的路径信息
Figure SMS_187
计算如下：
Figure SMS_188
。
为了便于理解，承接前文图4所得到的的分段路径为例，这里对单点插入进行举例说明。假设将巡检点2及其巡检工具（无人机）插入到巡检点9之前，则分段路径1变为 ((0,0), (3,1), (6,1), (0,0))，巡检点数更新为
Figure SMS_189
;分段路径2保持不变;分段路径3更新为((0,0), (4,0), (2,2),(9,0), (0,0)) ,巡检点数更新为
Figure SMS_190
;更新后的巡检如图6（b）所示。
根据所述第一逆编码程序，在更新前的巡检方案中，巡检点2在巡检点序列中的维度为3，巡检点9在巡检点序列中的维度为10，假设rand()=0.9，则
Figure SMS_191
。更新巡检方案后，分段路径1、分段路径2以及分段路径3的巡检点数变为2、5、3，则路径总数
Figure SMS_192
，路径分段信息
Figure SMS_193
，
Figure SMS_194
，
Figure SMS_195
。更新后的粒子位置如图7所示。
对于通过单点插入获得的新粒子及其对应的巡检路径，本实施例进一步执行两点交换。可选地，步骤S8所述的运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_196
与一个目标巡检点
Figure SMS_197
交换位置，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure SMS_198
与目标巡检点
Figure SMS_199
的索引信息，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径；或者，
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_200
与一个目标巡检点
Figure SMS_201
交换巡检工具，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure SMS_202
与目标巡检点
Figure SMS_203
的巡检工具标识，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径；或者
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_204
与一个目标巡检点
Figure SMS_205
交换位置和巡检工具，获取更新后的无人车以及无人机巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure SMS_206
与目标巡检点
Figure SMS_207
的索引信息和巡检工具标识，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
在两点交换的过程中，包括三种方式，分别为：方式一，交换待处理巡检点
Figure SMS_208
与目标巡检点
Figure SMS_209
的位置，但不交换双方的巡检工具；方式二，交换待处理巡检点
Figure SMS_210
与目标巡检点
Figure SMS_211
的巡检工具，但不交换双方的位置；方式三，同时交换待处理巡检点
Figure SMS_212
与目标巡检点
Figure SMS_213
的位置和巡检工具。通过交换获得一个新的巡检方案，比较更新前后的巡检路径的适应度。适应度的计算方式如前所述，此处不再赘述。如果更新后的巡检路径的适应度大于更新前的巡检路径的适应度，则新的巡检方案更优，运行预设的第二逆编码程序，获得对应的新粒子；否则保留原来的巡检方案。
在所述第二逆编码程序中，不同的交换方式，对应不同的逆编码方式。当交换了巡检路径中的待处理巡检点
Figure SMS_214
与目标巡检点
Figure SMS_215
的位置时，则将粒子
Figure SMS_216
中的
Figure SMS_217
和
Figure SMS_218
进行交换，并保持其他维度不变，从而得到新的粒子位置
Figure SMS_219
。
当交换了巡检路径中的待处理巡检点
Figure SMS_220
与目标巡检点
Figure SMS_221
的巡检工具时，则将粒子
Figure SMS_222
中的
Figure SMS_223
和
Figure SMS_224
进行交换，并保持其他维度不变，从而得到新的粒子位置
Figure SMS_225
。
当交换了巡检路径中的待处理巡检点
Figure SMS_227
与目标巡检点
Figure SMS_229
的位置和巡检工具时，则将粒子
Figure SMS_233
中的
Figure SMS_228
和
Figure SMS_230
进行交换，以及将粒子
Figure SMS_232
中的
Figure SMS_234
和
Figure SMS_226
进行交换，并保持其他维度不变，从而得到新的粒子
Figure SMS_231
。
为了便于理解，承接前文图4所得到的分段路径为例，以下对同时交换巡检点的位置和巡检工具的方式进行举例说明。在图4中，假如交换了分段路径2中的巡检点5和分段路径3中的巡检点4的位置，并同时交换了双方的巡检工具，更新后的巡检路径为：分段路径1保持不变，分段路径2为((0,0), (8,0), (7,1), (4,2), (1,1), (10,0), (0,0))，路径3为((0,0), (5,0), (9,0), (0,0))。更新后的巡检如图6（c）所示。对应的，将图2（b）中，粒子
Figure SMS_235
的
Figure SMS_236
和
Figure SMS_237
进行交换，以及将粒子
Figure SMS_238
中的
Figure SMS_239
和
Figure SMS_240
进行交换，保持其他维度不变，从而得到新的粒子，更新后的粒子位置如图8所示。
对于通过两点交换获得的新粒子及其对应的巡检路径，本实施例进一步执行单点改变巡检工具。可选地，步骤S8所述的运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure SMS_241
修改其巡检工具，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则更新粒子的位置中待处理巡检点
Figure SMS_242
的巡检工具标识；
其中，若待处理巡检点
Figure SMS_243
的巡检工具修改为无人车，则更新待处理巡检点
Figure SMS_244
的巡检工具标识为0，若待处理巡检点
Figure SMS_245
的巡检工具修改为无人机
Figure SMS_246
，则更新待处理巡检点
Figure SMS_247
的巡检工具标识为
Figure SMS_248
；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
在这里，本实施例对于一个巡检路径，随机改变巡检点
Figure SMS_249
的巡检工具，获得一个新的巡检方案，比较更新前后的巡检路径的适应度。适应度的计算方式如前所述，此处不再赘述。如果更新后的巡检路径的适应度大于更新前的巡检路径的适应度，则新的巡检方案更优，运行预设的第三逆编码程序，获得对应的新粒子；否则保留原来的巡检方案。
在所述第三逆编码程序中，更新粒子
Figure SMS_250
的巡检点
Figure SMS_251
的巡检工具标识
Figure SMS_252
，其他维度不变，从而得到新的粒子
Figure SMS_253
。如果巡检点a的巡检工具修改为无人车，则
Figure SMS_254
；如果巡检点a的巡检工具修改为无人机k，则
Figure SMS_255
。
为了便于理解，承接前文图4所得到的分段路径为例，以下对改变巡检点的巡检工具的方式进行举例说明。在图4中，假如改变了分段路径1中的巡检点6的巡检工具，从无人机1变为无人车，更新后的巡检路径为：分段路径1为((0,0), (3,1), (6,0), (2,2), (0,0))，分段路径2和分段路径3均保持不变。更新后的巡检如图6（d）所示。更新粒子
Figure SMS_256
中的
Figure SMS_257
，保持其他维度不变，从而得到新的粒子，更新后的粒子位置如图9所示。
本发明实现了自动协调和调度无人车与无人机的巡检路径，有效地解决了现有技术在筛选电缆巡检方案时存在的自动化程度低、成本高、耗时、效率低的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，本发明还提供一种无人机协同无人车的电缆通道巡检装置，该无人机协同无人车的电缆通道巡检装置与上述实施例中无人机协同无人车的电缆通道巡检方法一一对应。如图10所示，该无人机协同无人车的电缆通道巡检装置的各功能模块详细说明如下：
获取模块11，用于获取粒子数量、无人车数量、每台无人车携带的无人机数量以及巡检点总数；
编码模块12，用于运行预设的编码程序初始化粒子群中每一个粒子的位置和速度；
第一解码模块13，用于遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
第一最优获取模块14，用于计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
第一更新模块15，用于采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度；
第二解码模块16，用于遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
第二最优获取模块17，用于计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
第二更新模块18，用于运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径；
判断模块19，用于判断迭代次数是否达到预设次数阈值，若是则输出更新后的全局最优粒子及其对应的巡检路径，调度无人车和无人机；否则返回解码模块。
关于无人机协同无人车的电缆通道巡检装置的具体限定可以参见上文中对于无人机协同无人车的电缆通道巡检方法的限定，在此不再赘述。上述无人机协同无人车的电缆通道巡检装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人机协同无人车的电缆通道巡检方法。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：S1：获取粒子数量、无人车数量、每台无人车携带的无人机数量以及巡检点总数；
S2：运行预设的编码程序初始化粒子群中每一个粒子的位置和速度；
S3：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S4：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S5：采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度；
S6：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S7：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S8：运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径；
S9：判断迭代次数是否达到预设次数阈值，若是则输出更新后的全局最优粒子及其对应的巡检路径，调度无人车和无人机；否则返回步骤S5。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种无人机协同无人车的电缆通道巡检方法，其特征在于，所述方法包括：
S1：获取粒子数量、无人车数量、每台无人车携带的无人机数量以及巡检点总数；
S2：运行预设的编码程序初始化粒子群中每一个粒子的位置和速度；
S3：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S4：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S5：采用蜜蜂觅食学习粒子群算法更新粒子群中每个粒子的位置、速度；
S6：遍历每一个粒子，运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径，所述巡检路径为无人车和/或无人机的运行路径；
S7：计算粒子的适应度，根据粒子的适应度获取全局最优粒子，记录全局最优粒子及其对应的巡检路径；
S8：运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径；
S9：判断迭代次数是否达到预设次数阈值，若是则输出更新后的全局最优粒子及其对应的巡检路径，调度无人车和无人机；否则返回步骤S5。
2.如权利要求1所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述运行预设的编码程序初始化粒子群中每一个粒子的位置包括：
根据所述巡检点总数P、无人车数量M设置粒子的位置维度为2P+ M +1；
初始化每一个维度上的值，得到所述粒子i的位置为
Figure QLYQS_1
，其中，第1至P个维度上的值
Figure QLYQS_2
表示巡检点1至P的索引信息；第P+1至2P个维度上的值
Figure QLYQS_3
表示巡检点1至P对应的巡检工具标识，所述巡检工具包括无人车和无人机，无人车用0标识，无人机用自然数标识，不同的无人机对应不同的自然数；第2P+1个维度上的值
Figure QLYQS_4
表示路径总数；第2P+2至2P+M+1个维度上的值
Figure QLYQS_5
表示路径1至M对应的路径信息。
3.如权利要求2所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述运行预设的解码程序对粒子的位置进行解码，得到粒子在当前位置对应的巡检路径包括：
按照索引信息从小到大对所述巡检点1至P进行排序，得到巡检点序列；
根据所述巡检点序列和巡检点对应的巡检工具标识，生成巡检点及工具序列；
根据所述路径总数和路径信息，计算每一分段路径对应的巡检点数目；
根据每一分段路径对应的巡检点数目，从左到右对所述巡检点及工具序列进行划分，生成分段路径；
根据所述分段路径生成无人车以及无人机的巡检回路。
4.如权利要求3所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述根据所述路径总数和路径信息，计算每一分段路径对应的巡检点数目包括：
当路径总数为1时，分段路径有且只有一条，巡检点数目为巡检点总数；
当路径总数大于1时，根据路径信息中前
Figure QLYQS_6
维计算每个分段路径的巡检点数目，对于第
Figure QLYQS_7
个分段路径（
Figure QLYQS_8
），其巡检点数目
Figure QLYQS_9
为:
Figure QLYQS_10
，
其中，
Figure QLYQS_12
，
Figure QLYQS_15
表示第
Figure QLYQS_19
个分段路径（
Figure QLYQS_13
）的巡检点数目，P表示巡检点总数，
Figure QLYQS_16
表示第
Figure QLYQS_18
个路径的路径信息，
Figure QLYQS_20
表示求和公式中第
Figure QLYQS_11
个路径的路径信息；
Figure QLYQS_14
表示求和公式中第
Figure QLYQS_17
个分段路径的巡检点数目。
5.如权利要求3所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述根据所述分段路径生成无人车以及无人机的巡检回路包括：
从左到右顺序提取分段路径集合SetA中采用无人车巡检的节点，组成无人车路径集合SetB，并将无人车路径集合SetB放入巡检回路总集合SetE中；
从左到右顺序提取分段路径集合SetA中采用无人车和无人机k巡检的节点，组成无人机k路径集合SetC-k，其中，SetC-k表示第k（
Figure QLYQS_21
，K表示无人机总数）个无人机对应的巡检路径集合；
从左到右遍历无人机k路径集合SetC-k中的所有节点，若节点n（
Figure QLYQS_22
,N表示无人机k路径集合SetC-k中的节点总数）的巡检工具标识为“0”且无人机总路径集合
Figure QLYQS_23
，则将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为“0”且无人机总路径集合SetD只有1个元素，则清空无人机总路径集合SetD，再将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为k，将节点n放入无人机总路径集合SetD，n=n+1；若节点n的巡检工具标识为“0”且无人机总路径集合SetD大于1个元素，则将节点n放入无人机总路径集合SetD；将无人机总路径集合SetD放入巡检回路总集合SetE，再删除无人机总路径集合SetD中除节点n以外的其他元素，n=n+1。
6.如权利要求1至5任一项所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure QLYQS_24
及其对应的巡检工具，将其插入另一目标巡检点
Figure QLYQS_25
前，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则从巡检点序列获取目标巡检点
Figure QLYQS_26
及其前一个巡检点
Figure QLYQS_27
，根据所述目标巡检点
Figure QLYQS_28
及其前一个巡检点
Figure QLYQS_29
的索引信息更新待处理巡检点的索引信息
Figure QLYQS_30
，得到新的巡检点序列；
若所述待处理巡检点
Figure QLYQS_31
和目标巡检点
Figure QLYQS_32
属于不同的分段路径时，根据更新后的巡检路径中各分段路径对应的巡点数目更新路径分段信息；
根据更新后的待处理巡检点的索引信息
Figure QLYQS_33
和路径分段信息，更新粒子的位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
7.如权利要求6所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure QLYQS_34
与一个目标巡检点
Figure QLYQS_35
交换位置，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure QLYQS_36
与目标巡检点
Figure QLYQS_37
的索引信息，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径；或者，
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure QLYQS_38
与一个目标巡检点
Figure QLYQS_39
交换巡检工具，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure QLYQS_40
与目标巡检点
Figure QLYQS_41
的巡检工具标识，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径；或者
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure QLYQS_42
与一个目标巡检点
Figure QLYQS_43
交换位置和巡检工具，获取更新后的无人车以及无人机巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则交换待处理巡检点
Figure QLYQS_44
与目标巡检点
Figure QLYQS_45
的索引信息和巡检工具标识，得到新的粒子位置；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
8.如权利要求7所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径包括：
对所获取的全局最优粒子及其对应的巡检路径，随机选取一个待处理巡检点
Figure QLYQS_46
修改其巡检工具，获取更新后的巡检路径；
计算并比较更新前和更新后的巡检路径的适应度；
若更新后的巡检路径更优，则更新粒子的位置中待处理巡检点
Figure QLYQS_47
的巡检工具标识；
其中，若待处理巡检点
Figure QLYQS_48
的巡检工具修改为无人车，则更新待处理巡检点
Figure QLYQS_49
的巡检工具标识为0，若待处理巡检点
Figure QLYQS_50
的巡检工具修改为无人机
Figure QLYQS_51
，则更新待处理巡检点
Figure QLYQS_52
的巡检工具标识为
Figure QLYQS_53
；
记录更新后的粒子及其对应的巡检路径作为全局最优粒子及其对应的巡检路径。
9.如权利要求7或8所述的无人机协同无人车的电缆通道巡检方法，其特征在于，所述运行局部搜索程序更新所获取的全局最优粒子及其对应的巡检路径还包括：
若更新前的巡检路径的适应度更优，保留原有的全局最优粒子及其对应的巡检路径。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的无人机协同无人车的电缆通道巡检方法。
CN202310362206.8A 2023-04-07 2023-04-07 无人机协同无人车的电缆通道巡检方法、介质 Active CN116088540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310362206.8A CN116088540B (zh) 2023-04-07 2023-04-07 无人机协同无人车的电缆通道巡检方法、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310362206.8A CN116088540B (zh) 2023-04-07 2023-04-07 无人机协同无人车的电缆通道巡检方法、介质

Publications (2)

Publication Number Publication Date
CN116088540A true CN116088540A (zh) 2023-05-09
CN116088540B CN116088540B (zh) 2023-06-27

Family

ID=86202923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310362206.8A Active CN116088540B (zh) 2023-04-07 2023-04-07 无人机协同无人车的电缆通道巡检方法、介质

Country Status (1)

Country Link
CN (1) CN116088540B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894273A (zh) * 2010-05-26 2010-11-24 北京航空航天大学 一种基于人工蜂群优化边缘势场函数无人机目标识别方法
US20180137454A1 (en) * 2016-11-16 2018-05-17 Staples, Inc. Autonomous Multimodal Logistics
US20180267524A1 (en) * 2016-05-24 2018-09-20 Wuhan University Of Science And Technology Air-ground heterogeneous robot system path planning method based on neighborhood constraint
US20190369641A1 (en) * 2018-05-31 2019-12-05 Carla R. Gillett Robot and drone array
CN111401611A (zh) * 2020-03-06 2020-07-10 山东科技大学 一种化工厂设备巡检点路线优化方法
CN113485429A (zh) * 2021-07-23 2021-10-08 安徽有云智能科技有限公司 空地协同交通巡检的路径优化方法和装置
CN113703472A (zh) * 2021-07-23 2021-11-26 安徽有云智能科技有限公司 多无人机与车辆协同巡检的路径优化方法和装置
KR20220097628A (ko) * 2020-12-30 2022-07-08 (주)가이온 드론-드로이드 협업 기반 무인택배 처리 시스템 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894273A (zh) * 2010-05-26 2010-11-24 北京航空航天大学 一种基于人工蜂群优化边缘势场函数无人机目标识别方法
US20180267524A1 (en) * 2016-05-24 2018-09-20 Wuhan University Of Science And Technology Air-ground heterogeneous robot system path planning method based on neighborhood constraint
US20180137454A1 (en) * 2016-11-16 2018-05-17 Staples, Inc. Autonomous Multimodal Logistics
US20190369641A1 (en) * 2018-05-31 2019-12-05 Carla R. Gillett Robot and drone array
CN111401611A (zh) * 2020-03-06 2020-07-10 山东科技大学 一种化工厂设备巡检点路线优化方法
KR20220097628A (ko) * 2020-12-30 2022-07-08 (주)가이온 드론-드로이드 협업 기반 무인택배 처리 시스템 및 방법
CN113485429A (zh) * 2021-07-23 2021-10-08 安徽有云智能科技有限公司 空地协同交通巡检的路径优化方法和装置
CN113703472A (zh) * 2021-07-23 2021-11-26 安徽有云智能科技有限公司 多无人机与车辆协同巡检的路径优化方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马文彬等: "基于蜂群行为的无人机集群配送任务分配研究", 信息化技术应用, pages 63 - 65 *

Also Published As

Publication number Publication date
CN116088540B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Zhang et al. Learning-based energy-efficient data collection by unmanned vehicles in smart cities
CN109583665B (zh) 一种无线传感器网络中的无人机充电任务调度方法
CN108764777B (zh) 带时间窗的电动物流车调度方法和系统
CN108256553B (zh) 车辆搭载无人机双层路径的构造方法及装置
Park et al. ScheduleNet: Learn to solve multi-agent scheduling problems with reinforcement learning
CN111612122B (zh) 实时需求量的预测方法、装置及电子设备
CN103530702B (zh) 一种基于瓶颈设备分解的大规模作业车间调度方法
CN111768629B (zh) 车辆调度方法、装置和系统
DE112019004943T5 (de) Automatisierte Erzeugung neuronaler Netze
CN113485429B (zh) 空地协同交通巡检的路径优化方法和装置
CN110108290B (zh) 一种基于遗传算法的多智能车避撞路径规划的方法
Jin et al. A multi-objective memetic algorithm for integrated process planning and scheduling
CN113159687B (zh) 一种车间agv-uav协同的物料配送路径规划方法和系统
CN111754095B (zh) 基于人工智能的车辆调度方法、装置及系统
CN108280463A (zh) 车辆搭载无人机双层路径的优化方法及装置
CN110169019A (zh) 数据库功能定义的网络交换机和数据库系统
CN114611755A (zh) 基于混合元启发式算法的旅行商最优路径确定方法
Samra et al. A linear time and space algorithm for optimal traffic-signal duration at an intersection
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
CN114415690A (zh) 一种多智能体路径规划方法、导航服务器及可读存储介质
CN114237259A (zh) 一种基于浮动资源的多智能体路径规划方法、导航服务器及可读存储介质
Derigs et al. Indirect search for the vehicle routing problem with pickup and delivery and time windows
Khouadjia et al. Adaptive particle swarm for solving the dynamic vehicle routing problem
CN116088540B (zh) 无人机协同无人车的电缆通道巡检方法、介质
CN117993672A (zh) 一种基于任务自适应聚类优化的多机电力巡检滚动调度算法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20231109

Address after: 510700 room 3010, No. 26, Ningcai Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Guangdong Anheng Power Technology Co.,Ltd.

Address before: 528402, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan

Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE

TR01 Transfer of patent right