CN116245346B - 基于多种群遗传算法和局部搜索的多无人机任务分配方法 - Google Patents
基于多种群遗传算法和局部搜索的多无人机任务分配方法 Download PDFInfo
- Publication number
- CN116245346B CN116245346B CN202310533242.6A CN202310533242A CN116245346B CN 116245346 B CN116245346 B CN 116245346B CN 202310533242 A CN202310533242 A CN 202310533242A CN 116245346 B CN116245346 B CN 116245346B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- chromosome
- path
- pesticide
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002068 genetic effect Effects 0.000 title claims abstract description 26
- 210000000349 chromosome Anatomy 0.000 claims abstract description 167
- 239000000575 pesticide Substances 0.000 claims abstract description 154
- 238000005507 spraying Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000035772 mutation Effects 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 58
- 238000003780 insertion Methods 0.000 claims description 24
- 230000037431 insertion Effects 0.000 claims description 20
- 239000012634 fragment Substances 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 241001255830 Thema Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 7
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000011681 asexual reproduction Effects 0.000 description 2
- 238000013465 asexual reproduction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 230000008186 parthenogenesis Effects 0.000 description 2
- 101150090724 3 gene Proteins 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (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)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于多种群遗传算法和局部搜索的多无人机任务分配方法，其为：获取各无人机初始位置与各待喷洒农药目标点之间欧氏距离的代价矩阵；对染色体进行编码，并初始化种群参数；计算每个染色体的适应度；依次对每个子种群的染色体进行选择算子处理、交叉算子处理、变异算子处理以及局部搜索处理；将每一次迭代中所有子种群中适应度最高的染色体在所有子种群之间共享；若达到了最大迭代次数，则基于共享结果输出当前全局最优染色体。本发明以确定哪个无人机执行哪些目标点位置的农药喷洒任务以及执行任务的先后顺序，使得在满足各个无人机有限载荷和工作时长约束的同时，最小化无人机完成所有农药喷洒任务而消耗的总时间。
Description
技术领域
本发明属于无人机技术领域，尤其涉及一种基于多种群遗传算法和局部搜索的多无人机任务分配方法。
背景技术
多无人机协同任务分配问题是无人机领域的关键问题之一。随着农业航空业和人工智能技术的快速发展，在农业领域使用无人机等农业机器人的技术得到了广泛应用，使用多架无人机执行农业生产任务成为一种发展趋势。且在实际的生产过程中，为了减少药物浪费和防止影响到其他庄稼，无人机可能需要对多个目标点/位置进行精准喷药。在这种情况下，无人机在连续执行多个目标点的农药喷洒任务时，必须遵守其有限载荷与工作时长约束。此类问题的关键研究内容是确定哪个无人机执行哪些目标点位置的农药喷洒任务以及执行任务的先后顺序，使得在满足有限载荷与最大工作时长约束的同时，最小化多架无人机完成所有任务所消耗的总时间（各个无人机总飞行时间和给所有目标点执行农药喷洒任务所消耗的时间之和）。
在现有技术中，一般将任务分配方法分为精确算法和启发式算法，针对有限载荷与工作时长约束的任务分配问题，经典的精确算法其基本思想是对约束条件下优化问题的所有可行解空间进行搜索，当可行解空间过大时且约束较多时，其搜索效率较低，无法在多项式时间内最优求解NP-hard优化问题；经典的启发式算法有多种群遗传算法（CMGA）和最小边际代价算法（MMA）：其中多种群遗传算法原理简单、适用性广，能够在一定时间内获得大规模优化问题的次优解，但是其局部搜索能力不足、耗时较长；最小边际代价算法属于基于经验的启发式算法，其耗时较短，但缺乏对解空间的广域搜索能力，导致解的质量较低。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于多种群遗传算法和局部搜索的多无人机任务分配方法，以确定哪个无人机执行哪些目标点位置的农药喷洒任务以及执行任务的先后顺序，使得在满足有限载荷和工作时长约束的同时，最小化多个无人机完成所有任务所消耗的总时间。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种基于多种群遗传算法和局部搜索的多无人机任务分配方法，包括以下步骤：
S1、根据各无人机的初始位置和各待喷洒农药目标点的位置，得到各无人机初始位置与各待喷洒农药目标点之间欧氏距离的代价矩阵；
S2、对染色体进行编码，得到子种群中每个染色体所对应多无人机多待喷洒农药目标点的农药喷洒任务分配方案，并初始化种群参数；
S3、根据代价矩阵，计算得到每个染色体的适应度；
S4、基于适应度，依次对每个子种群里面的染色体进行选择算子处理、交叉算子处理、变异算子处理以及局部搜索处理；
S5、基于S4的处理结果，利用每一次迭代中所有子种群中适应度最高的染色体覆盖各个子种群里面适应度最低的染色体，实现精英共享；
S6、判断是否达到了最大迭代次数T：若是，则基于步骤S5的精英共享输出当前全局最优染色体，并停止迭代，完成多无人机的任务分配；否则，返回步骤S3，且每个子种群保留由局部搜索和精英共享所得到的染色体。
本发明的有益效果是：本发明所要解决的技术问题是提供一种在有限载荷和工作时长约束下的多无人机多目标点农药喷洒任务分配方法，本发明结合了多种群多子代遗传算法和局部搜索策略，其中多个子种群里面的个体协同进化，每个子种群之间都有信息的交换，且每个父代都有一定概率产生多个子代。同时本发明也改善了传统遗传算法中的变异操作，解决了遗传算法的局部搜索能力差和求解效率低的问题。此外，受自然界中一些动物和植物的无性繁殖和孤雌生殖现象的启发，提出了一种新的杂交算子，使得单亲染色体可以单独产生后代，并称其为逆转交叉算子，该算子改善了遗传算法求解时间较长的问题。
进一步地，所述S2包括以下步骤：
S201、将m-1个标记基因插入n个待喷洒农药目标点基因中，其中，m表示无人机的数量，且m大于1；
S202、将每个基因片段中的待喷洒农药目标点基因分配给一架无人机，且各基因序列对应无人机对各待喷洒农药目标点喷洒农药的先后顺序，得到子种群中每个染色体所对应多无人机多待喷洒农药目标点的农药喷洒任务分配方案；
S203、对子种群数量N sub、各个子种群里面染色体的个数N p、最大迭代次数T、交叉概率P c以及突变概率P m进行初始化。
上述进一步方案的有益效果是：本发明通过上述对染色体进行编码，使得染色体可以用一串十进制整数来表示该任务分配问题的解。
再进一步地，所述每个染色体的适应度的表达式如下：
其中，表示每个染色体的适应度，f ij表示基于子种群i中每个染色体j所对应多无人机协同多待喷洒农药目标点农药喷洒任务分配问题的目标函数，/>，，N sub表示子种群数量，N p表示各个子种群里面染色体的个数，D表示m个无人机的编号集合，r k表示无人机k的路径，所述无人机k的路径内存储有按顺序进行农药喷洒的各个目标点，/>表示分配给无人机k进行农药喷洒目标点所需的农药总量，p e表示惩罚因子，/>表示无人机k按照路径r k进行喷洒农药所需的总操作时间，其包括无人机k的飞行时间和执行其所分配喷药任务所消耗的时间，利用代价矩阵内存储的两点之间距离代价得到无人机k的飞行时间，C表示无人机农药装载量，L表示无人机最大工作时间，max表示最大化运算操作。
上述进一步方案的有益效果是：本发明通过计算每个子种群中染色体的适应度，可以根据染色体的适应度大小来评估每个染色体对应解的质量，且适应度越大染色体对应解的质量越好。
再进一步地，所述选择算子处理，其具体为：
对于每个子种群i中的染色体，基于适应度，利用锦标赛选择策略重复地从每个子种群i随机选择一定数量的染色体，并挑选最优染色体，直至所选择的染色体数量达到原始子种群的数量。
上述进一步方案的有益效果是：通过锦标赛选择策略可以让子种群中的染色体适应度越来越高，染色体对应解的质量也越来越高，以此加快算法的收敛。
再进一步地，所述交叉算子处理，其具体为：
A1、基于选择算子处理结果，对各子种群i中的每个父代染色体，随机生成g v；
A2、判断随机生成值g v是否小于交叉概率P c：若是，则进入步骤A3；否则，该染色体不执行交叉操作，结束流程；
A3、随机生成两个交叉整数点cp 1和cp 2，并判断随机生成值g v是否小于P c/2：若是，则逆转位于父代染色体上的cp 1和cp 2位置之间的基因片段，并保持位于父代染色体其余位置的基因片段不变，得到子代染色体，完成交叉算子的处理；否则，，则逆转位于染色体起始位置和cp 1位置之间，以及cp 2位置到染色体末端之间的基因片段，交换逆转基因片段的位置，并保持位于父代染色体cp 1位置和cp 2位置之间的基因片段不变，得到子代染色体，完成交叉算子的处理。
上述进一步方案的有益效果是：通过交叉算子，染色体的基因序列也随着发生改变，从而得到不同的染色体，以此来搜索解空间，使用此交叉算子搜索解空间的能力也较强。
再进一步地，所述变异算子处理，其具体为：
B1、基于交叉算子处理结果，对各染色体随机生成g r；
B2、判断随机生成值g r是否小于突变概率P m：若是，则对该染色体进行变异操作，并进入步骤B3；否则，结束流程；
B3、生成随机数r m，并判断r m是否小于等于0.5：若是，则对该染色体进行路径内变异操作，并进入步骤B4；否则，对该染色体执行路径间变异操作，并进入步骤B5；
B4、随机选择一条无人机路径，并从该路径中随机选择两个待喷洒农药目标点进行交换，完成变异算子的处理；
B5、随机选择两条无人机路径，分别从该两条无人机路径中随机选择一待喷洒农药目标点进行交换，完成变异算子的处理。
上述进一步方案的有益效果是：对染色体使用该变异算子，通过两种方式使得染色体的个别基因位置发生互换，可以有效的避免该算法陷入局部最优。
再进一步地，所述局部搜索处理，其具体为：
C1、基于变异算子处理结果，对每个子种群i每一代中的各染色体s，计算各染色体s与该子种群i中当前最优染色体b c之间的相似度；
C2、判断相似度是否小于等于n/2：若是，则利用增强2-opt策略优化染色体中无人机的路径；否则，相似度大于n/2，则利用1-opt策略优化染色体中每架无人机的路径，完成局部搜索处理，其中，n表示待喷洒农药目标点个数。
上述进一步方案的有益效果是：对染色体进行局部搜索策略，可以有效的优化染色体对应解的质量，使得染色体的适应度越来越高，且大大加快了算法的收敛过程。
再进一步地，所述利用增强2-opt策略优化染色体中无人机的路径，其具体为：
D1、从染色体中随机选择无人机k对应的路径r k；
D2、从路径r k中选择第i'个位置点到第i'+1位置点/>之间的第一条边，其中，在第一次执行D2时，i'为1，/>表示无人机k路径r k中第i'位置上待喷洒农药的目标点，/>表示无人机k路径r k中第i'+1位置上待喷洒农药的目标点；
D3、选择第二条边，若，则执行增强2-opt策略，即第一条边/>和第二条边/>被边/>和一一对应取代，并进入步骤D5；否则，进入步骤D4，其中，/>，j'表示无人机路径中的位置索引，/>和/>分别表示无人机k路径r k中第j'位置和第j'+1位置上待喷洒农药的目标点，/>表示/>和/>之间的路径代价，表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价；
D4、令j'值为j'+1，并判断j'是否大于：若是，则进入步骤D5；否则，返回步骤D3，其中，/>表示路径r k中包含待喷洒农药的目标点的个数；
D5、令i'值为i'+1，并判断i'是否小于：若是，则返回步骤D2；否则，结束流程，完成染色体中无人机路径的优化。
上述进一步方案的有益效果是：本发明提出的局部搜索策略对随机选择的一条无人机路径进行优化处理，使得那条被选中的无人机路径趋向最优，减少了路径代价，最终使得染色体适应度提高。
再进一步地，所述利用1-opt策略优化染色体中每架无人机的路径，其具体为：
E1、对于待喷洒农药目标点集合X，选择一待删除的待喷洒农药目标点x i，第一次选择待删除待喷洒农药目标点时i=1；
E2、针对待喷洒农药目标点x i位于无人机路径r k上的位置o处时，计算删除待喷洒农药目标点x i的移除代价：
其中，R i表示移除代价，表示无人机k的初始位置点，/>和/>分别表示无人机k路径r k中第o-1位置和第o+1位置上待喷洒农药的目标点，/>表示和/>之间的路径代价，/>表示/>和/>之间的路径代价，表示/>和/>之间的路径代价；
E3、将待删除的待喷洒农药目标点x i插入至无人机路径r h中的位置j'，并计算插入代价，保存至集合I中，其中，当j'=1时表示将待喷洒农药目标点x i插入到无人机/>路径中第一个待喷洒农药目标点/>之前，且对于每一个待喷洒农药目标点x i进行第一次插入时h=1，所述插入代价/>的表达式如下：
其中，和/>分别表示无人机h路径r h中第/>位置和第/>位置上待喷洒农药的目标点，/>表示/>和/>之间的路径代价，/>表示/>和之间的路径代价，/>表示/>和/>之间的路径代价；
E4、令j'值为j'+1，并判断j'是否大于等于：若是，则进入步骤E5；否则，返回步骤E3，其中，/>表示路径r h包含待喷洒农药目标点的个数；
E5、令h值为h+1，并判断h是否大于m：若是，则进入步骤E6；否则，令j'=1，并返回步骤E3，其中，m表示无人机的数量；
E6、根据下式，确定集合中元素的最小值/>：
其中，和/>分别表示导致插入代价/>最小时无人机的序号和该无人机路径上的插入位置；
E7、若，则将待喷洒农药目标点x i插入至无人机/>路径/>中的第/>位置，并删除无人机路径r k中的待喷洒农药目标点x i；否则，不执行待喷洒农药目标点x i的移除和重新插入，并进入步骤E8；
E8、令i'值为i'+1，并判断i'是否小于等于n：若是，则返回步骤E1；否则，结束流程，完成染色体中无人机路径的优化，其中，n表示待喷洒农药目标点个数。
上述进一步方案的有益效果是：本发明提出的局部搜索策略会对每个待喷洒农药目标点都进行一次删除，并将当前待删除的农药喷洒目标点插入到所有无人机路径中能插入的位置，找到删除代价减去插入代价最大的位置，也就是该待删去农药喷洒目标点所能插入的最优位置。通过对每个农药喷洒目标点都执行上述操作，可以有效的减少所有无人机的路径代价，最终使得染色体适应度提高。
附图说明
图1为本发明的方法流程图。
图2为本实施例中基因片段分割示意图。
图3为本实施例中基因片段进行内部逆转操作示意图。
图4为本实施例中基因片段进行整合和逆转操作示意图。
图5为本实施例中路径内变异示意图。
图6为本实施例中路径间变异示意图。
图7为本实施例中染色体相似度计算示意图。
图8为本实施例中增强2-opt操作示意图。
图9为本实施例中1-opt操作示意图。
图10为本实施例中本发明解决载荷约束和工作时长约束下的多无人机多目标点农药喷洒任务分配问题的第一仿真实验图。
图11为本实施例中本发明解决载荷约束和工作时长约束下的多无人机多目标点农药喷洒任务分配问题的第二仿真实验图。
图12为本实施例中本发明解决载荷约束和工作时长约束下的多无人机多目标点农药喷洒任务分配问题的第三仿真实验图。
图13为本实施例中本发明解决载荷约束和工作时长约束下的多无人机多目标点农药喷洒任务分配问题的第四仿真实验图。
图14为本实施例中本发明解决载荷约束和工作时长约束下的多无人机多目标点农药喷洒任务分配问题的第五仿真实验图。
图15为本实施例中本发明解决载荷约束和工作时长约束下的多无人机多目标点农药喷洒任务分配问题的第六仿真实验图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示，本发明提供了一种基于多种群遗传算法和局部搜索的多无人机任务分配方法，其实现方法如下：
S1、根据各无人机的初始位置和各待喷洒农药目标点的位置，得到各无人机初始位置与各待喷洒农药目标点之间欧氏距离的代价矩阵；
本实施例中，基于n个待喷洒农药目标点的位置以及m个无人机的初始位置点/>，得到包含各个无人机初始位置点与各待喷洒农药目标点之间欧氏距离的代价矩阵d，其中，/>表示待喷洒农药目标点的位置，m表示无人机的序号，/>表示无人机m所在的初始位置。
本实施例中，给定无人机在各个目标点执行喷药任务所消耗的时间、各个无人机的飞行速度v、最大工作时长L和最大载荷量C。
S2、对染色体进行编码，得到子种群中每个染色体所对应多无人机多待喷洒农药目标点的农药喷洒任务分配方案，并初始化种群参数，其实现方法如下：
S201、将m-1个标记基因插入n个待喷洒农药目标点基因中，其中，m表示无人机的数量，且m大于1；
S202、将每个基因片段中的待喷洒农药目标点基因分配给一架无人机，且各基因序列对应无人机对各待喷洒农药目标点喷洒农药的先后顺序，得到子种群中每个染色体所对应多无人机多待喷洒农药目标点的农药喷洒任务分配方案；
S203、对子种群数量N sub、各个子种群里面染色体的个数N p、最大迭代次数T、交叉概率P c以及突变概率P m进行初始化。
本实施例中，对染色体进行编码，其中用于解决多无人机多待喷洒农药目标点农药喷洒任务分配问题的染色体通常用一组十进制整数进行编码。首先将m-1个标记基因插入n个目标点基因中，其中，m是无人机的数量且，该标记基因集合为/>，因此每条染色体的长度为/>。如图2所示，图2展示了一个染色体结构：通过使用标记基因13和14将12个待喷洒农药目标点基因分割为3个基因片段，分别分配给3个无人机。每个基因片段中的目标点基因分配给一架无人机，并且各个基因序列对应无人机对各目标点喷洒农药的先后顺序，因此，得到每个染色体对应多无人机多目标点农药喷洒任务分配问题的一个解决方案，图2所对应的3架无人机的路径分别为：无人机1:{3−7−11−6}；无人机2:{2−1−10−5}；无人机3:{8−4−12−9}，其中，标记基因13和14将待喷洒农药的目标点分为三部分，分别分配给三架无人机执行。在包含各个无人机初始位置后，三架无人机的具体路径为：无人机1:{13−3−7−11−6−13}；无人机2:{14−2−1−10−5−14}；无人机3:{15−8−4−12−9−15}，无人机具体路径中的13、14和15分别表示无人机1、2和3的初始位置点。
本实施例中，初始化该算法的各个参数：包括子种群数量N sub、各个子种群里面染色体的个数N p、最大迭代次数T、交叉概率P c和突变概率P m。
S3、根据代价矩阵，计算得到每个染色体的适应度；
本实施例中，计算每个染色体的适应度以评估任务分配解的质量。基于子种群中每个染色体/>所对应多无人机协同多目标点农药喷洒任务分配问题的目标函数：
该染色体适应度可以表示为：
其中，表示每个染色体的适应度，f ij表示基于子种群i中每个染色体j所对应多无人机协同多待喷洒农药目标点农药喷洒任务分配问题的目标函数，/>，，N sub表示子种群数量，N p表示各个子种群里面染色体的个数，D表示m个无人机的编号集合，r k表示无人机k的路径，所述无人机k的路径内存储有按顺序进行农药喷洒的各个目标点，/>表示分配给无人机k进行农药喷洒目标点所需的农药总量，p e表示惩罚因子，/>表示无人机k按照路径r k进行喷洒农药所需的总操作时间，其包括无人机k的飞行时间和执行其所分配喷药任务所消耗的时间，利用代价矩阵内存储的两点之间距离代价得到无人机k的飞行时间，C表示无人机农药装载量，L表示无人机最大工作时间，max表示最大化运算操作。
S4、基于适应度，依次对每个子种群里面的染色体进行选择算子处理、交叉算子处理、变异算子处理以及局部搜索处理；
本实施例中，局部操作：依次对每个子种群进行如下的四种操作：选择算子处理、交叉算子处理、变异算子处理以及局部搜索处理。
本实施例中，选择算子采用锦标赛选择法，其具体为：对于每个子种群i中的染色体，基于适应度，利用锦标赛选择策略重复地从每个子种群i随机选择一定数量的染色体，并挑选最优染色体，直至所选择的染色体数量达到原始子种群的数量。
本实施例中，交叉算子使用逆转交叉算子，其具体为：
A1、基于选择算子处理结果，对各子种群i中的每个父代染色体，随机生成g v；
A2、判断随机生成值g v是否小于交叉概率P c：若是，则进入步骤A3；否则，该染色体不执行交叉操作，结束流程；
A3、随机生成两个交叉整数点cp 1和cp 2，并判断随机生成值g v是否小于P c/2：若是，则逆转位于父代染色体上的cp 1和cp 2位置之间的基因片段，并保持位于父代染色体其余位置的基因片段不变，得到子代染色体，完成交叉算子的处理；否则，，则逆转位于染色体起始位置和cp 1位置之间，以及cp 2位置到染色体末端之间的基因片段，交换逆转基因片段的位置，并保持位于父代染色体cp 1位置和cp 2位置之间的基因片段不变，得到子代染色体，完成交叉算子的处理。
本实施例中，对于各个子种群i中的每个父代染色体，首先随机生成：若随机生成值g v小于交叉概率P c，该染色体执行交叉操作；否则，该染色体不执行交叉操作。对于交叉操作，首先随机生成两个交叉整数点/>，然后根据随机生成值g v和P c之间的关系，执行不同的逆转操作：如果/>，则逆转位于父代染色体上的cp 1和cp 2位置之间的基因片段被逆转，并保持位于父代染色体其他位置的基因片段不变，得到子代染色体，如图3所示，图3为对于位于父代染色体中两个交叉整数点cp 1和cp 2位置中间部分的基因片段进行内部逆转操作，从而得到子代染色体；如果/>，则分别位于起始位置和cp 1位置之间、以及cp 2位置到该染色体末端之间的基因片段先被逆转，然后再改变两个反转基因片段的位置，同时保持位于父代染色体cp 1位置和cp 2位置内部的基因片段不变，如图4所示，图4中，首先根据交叉整数点cp 1和cp 2位置对父代染色体进行划分，其中位于父代染色体cp 1左侧的基因片段称为片段1，位于父代染色体cp 1和cp 2之间的基因片段称为片段2，位于父代染色体cp 2右侧的基因片段称为片段3；然后将片段3和片段1进行逆转并整合形成过渡部分，并保留中间的基因片段（即片段2保持不变），然后将将片段1和3逆转后的基因按顺序插入子代染色中片段2之外的其它位置，从而得到子代染色体。且每个父代每次迭代都有一定概率进行/>次交叉操作，以产生多个后代。
本实施例中，变异算子处理，其具体为：
B1、基于交叉算子处理结果，对各染色体随机生成g r；
B2、判断随机生成值g r是否小于突变概率P m：若是，则对该染色体进行变异操作，并进入步骤B3；否则，结束流程；
B3、生成随机数r m，并判断r m是否小于等于0.5：若是，则对该染色体进行路径内变异操作，并进入步骤B4；否则，对该染色体执行路径间变异操作，并进入步骤B5；
B4、随机选择一条无人机路径，并从该路径中随机选择两个待喷洒农药目标点进行交换，完成变异算子的处理；
B5、随机选择两条无人机路径，分别从该两条无人机路径中随机选择一待喷洒农药目标点进行交换，完成变异算子的处理。
本实施例中，变异部分使用两种不同类型的变异操作。首先针对各个染色体，随机生成：若/>，则对该染色体进行变异操作；否则，该染色体不进行变异操作。然后再生成一个随机数/>：若/>，则对该染色体执行第一种变异操作（路径内变异）；否则，对该染色体执行第二种变异操作（路径间变异）。在第一种变异操作中，首先随机选择一条无人机路径，并从该路径中随机选择两个目标点进行交换，如图5所示，其中数字序列为分配给无人机进行农药喷洒的目标点列表，选择将无人机1待喷洒农药目标点列表中目标点6和目标点7的位置互换，同时无人机2待喷洒农药目标点列表保持不变。在第二种变异策略中，随机选择两条无人机路径，分别从这两条路径中随机挑选一个待喷洒农药目标点进行交换，如图6所示，无人机1中目标点7和无人机2中目标点8的位置被交换。
本实施例中，所述局部搜索处理，其具体为：
C1、基于变异算子处理结果，对每个子种群i每一代中的各染色体s，计算各染色体s与该子种群i中当前最优染色体b c之间的相似度；
C2、判断相似度是否小于等于n/2：若是，则利用增强2-opt策略优化染色体中无人机的路径；否则，相似度大于n/2，则利用1-opt策略优化染色体中每架无人机的路径，完成局部搜索处理，其中，n表示待喷洒农药目标点个数。
本实施例中，对于每个子种群i每一代中的各个染色体s，基于染色体s与该子种群当前最优染色体b c之间的相似度来确定将使用哪种局部搜索策略来优化该染色体。相似度检查各个基因值及其在该染色体和当前最优染色体中的对应位置，判断在这两条染色体上有多少相同基因位于相同的位置，这代表该染色体与当前最优染色体的相似度，如图7所示，图7中，染色体s和最优染色体b c中的4个目标点3、5、9和2都分别位于其染色体上的位置1、2、5和9，所以染色体s和最优染色体b c的相似度为/>。当相似度时，使用增强 2-opt策略来优化染色体中无人机的路径，如图8所示，图中实线箭头表示无人机当前路径，虚线箭头表示无人机的可能路径，实线和虚线上的数字均为无人机从当前位置到下一个目标点或无人机初始位置点的路径代价，由图可8知，所以执行增强2-opt操作，即边（1，2）和（3，4）被边（1，3）和（2，4）取代；当相似度/>时，使用 1-opt策略来优化染色体中每架无人机的路径，如图9所示，图中实线箭头表示无人机当前路径，虚线箭头表示无人机的可能路径，实线和虚线上的数字均为无人机从当前位置到下一个目标点或无人机初始位置点的路径代价，由图9可知删去目标点3引起的删去代价为4，将目标点3插入到所有可插入位置的插入代价最小值为1，插入位置位于目标点5和无人机初始位置点1之间，且删去代价大于插入代价，故将目标点3插入位置位于目标点5和无人机初始位置1之间，并删去最初路径上的目标点3。
本实施例中，所述利用增强2-opt策略优化染色体中无人机的路径，其具体为：
D1、从染色体中随机选择无人机k对应的路径r k；
本实施例中，在该染色体中随机选择所对应无人机路径/>，用/>表示路径r k里面包含待喷洒农药目标点的个数，由此可知/>。
D2、从路径r k中选择第i'个位置点到第i'+1位置点/>之间的第一条边，其中，在第一次执行D2时，i'为1，/>表示无人机k路径r k中第i'位置上待喷洒农药的目标点，/>表示无人机k路径r k中第i'+1位置上待喷洒农药的目标点；
D3、选择第二条边，若，则执行增强2-opt策略，即第一条边/>和第二条边/>被边/>和一一对应取代，并进入步骤D5；否则，进入步骤D4，其中，/>，j'表示无人机路径中的位置索引，/>和/>分别表示无人机k路径r k中第j'位置和第j'+1位置上待喷洒农药的目标点，/>表示/>和/>之间的路径代价，表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价；
D4、令j'值为j'+1，并判断j'是否大于：若是，则进入步骤D5；否则，返回步骤D3，其中，/>表示路径r k中包含待喷洒农药目标点的个数；
D5、令i'值为i'+1，并判断i'是否小于：若是，则返回步骤D2；否则结束流程，完成染色体中无人机路径的优化。
本实施例中，所述利用1-opt策略优化染色体中每架无人机的路径，其具体为：
E1、对于待喷洒农药目标点集合X，选择一待删除的待喷洒农药目标点x i，第一次选择待删除待喷洒农药目标点时i=1；
E2、针对待喷洒农药目标点x i位于无人机路径r k上的位置o处时，计算删除待喷洒农药目标点x i的移除代价：
其中，R i表示移除代价，表示无人机k的初始位置点，/>和/>分别表示无人机k路径r k中第o-1位置和第o+1位置上待喷洒农药的目标点，/>表示和/>之间的路径代价，/>表示/>和/>之间的路径代价，表示/>和/>之间的路径代价；
E3、将待删除的待喷洒农药目标点x i插入至无人机路径r h中的位置j'，并计算插入代价，保存至集合I中，其中，当j'=1时表示将待喷洒农药目标点x i插入到无人机/>路径中第一个待喷洒农药目标点/>之前，且对于每一个x i进行第一次插入时h=1，所述插入代价/>的表达式如下：
其中，和/>分别表示无人机h路径r h中第/>位置和第/>位置上待喷洒农药的目标点，/>表示/>和/>之间的路径代价，/>表示/>和之间的路径代价，/>表示/>和/>之间的路径代价；
E4、令j'值为j'+1，并判断j'是否大于等于：若是，则进入步骤E5；否则，返回步骤E3，其中，/>表示路径r h包含待喷洒农药目标点的个数；
E5、令h值为h+1，并判断h是否大于m：若是，则进入步骤E6；否则，令j'=1，并返回步骤E3，其中，m表示无人机的数量；
E6、根据下式，确定集合中元素的最小值/>：
其中，和/>分别表示导致插入代价/>最小时无人机的序号和该无人机路径上的插入位置；
E7、若，则将待喷洒农药目标点x i插入至无人机/>路径/>中的第/>位置，并删除无人机路径r k中的待喷洒农药目标点x i；否则，不执行待喷洒农药目标点x i的移除和重新插入，并进入步骤E8；
E8、令i'值为i'+1，并判断i'是否小于等于n：若是，则返回步骤E1；否则，结束流程，完成染色体中无人机路径的优化，其中，n表示待喷洒农药目标点个数。
S5、基于S4的处理结果，利用每一次迭代中所有子种群中适应度最高的染色体覆盖各个子种群里面适应度最低的染色体，实现精英共享，即将每一次迭代中所有子种群中适应度最高的染色体在每一代的所有子种群之间共享；
本实施例中，全局操作也称精英共享操作。每一次迭代中所有子种群中适应度最高的染色体在每一代的所有子种群之间共享，使得当前所有子种群中最优染色体替换各个子种群中适应度最低的染色体。
S6、判断是否达到了最大迭代次数T：若是，则基于步骤S5的精英共享输出当前全局最优染色体，并停止迭代，完成多无人机的任务分配；否则，返回步骤S3，且每个子种群保留由局部搜索和精英共享所得到的染色体。
本发明提出了一种新的交叉算子，使单个父代染色体能够独立产生后代，同时使用了两种突变机制，最后基于多种群多子代遗传算法和增强 2-opt、1-opt两种局部搜索策略，设计了一种基于多种群策略和局部搜索策略的遗传算法。该算法通过对解空间的广域搜索来改善解的质量，且使用新的交叉策略，与传统遗传算法相比耗时更短，解的质量更高。
本实施例中，如图10-图15所示，图10-图15 为本发明解决载荷约束和工作时长约束下的多无人机多目标点农药喷洒任务分配问题的仿真实验图，图10-图15的图中所有目标点和无人机初始位置都在的地图中随机生成，每个目标点所需喷洒的农药量在0.25L和1L之间随机生成，无人机喷洒农药的速率为4L/>，且无人机的最大工作时长L为1200s，无人机飞行速度v为/>，n和C分别表示待喷洒农药目标点数量和无人机的载荷，m则表示无人机的数量，图10-图15的图中的载荷单位为升，无人机操作时长单位为秒s，纵坐标为所有无人机总操作时长，横坐标中GHLS-1opt为本发明方法，CMGA为多种群多子代遗传算法，MMA表示最小边际代价算法，图10中，n=40，C=10，图11中，n=40，C=12，图12中，n=40，C=15，图13中，n=60，C=10，图14中，n=60，C=12，图15中，n=60，C=15。
本发明结合了多种群多子代遗传算法和局部搜索策略，其中多个子种群里面的个体协同进化，每个子种群之间都有信息的交换，且每个父代都有一定概率产生多个子代。同时本发明也改善了传统遗传算法中的变异操作，解决了遗传算法的局部搜索能力差和求解效率低的问题。此外，受自然界中一些动物和植物的无性繁殖和孤雌生殖现象的启发，提出了一种新的杂交算子，使得单亲染色体可以单独产生后代，并称其为逆转交叉算子，该算子改善了遗传算法求解时间较长的问题。
Claims (6)
1.一种基于多种群遗传算法和局部搜索的多无人机任务分配方法，其特征在于，包括以下步骤：
S1、根据各无人机的初始位置和各待喷洒农药目标点的位置，得到各无人机初始位置与各待喷洒农药目标点之间欧氏距离的代价矩阵；
S2、对染色体进行编码，得到子种群中每个染色体所对应多无人机多待喷洒农药目标点的农药喷洒任务分配方案，并初始化种群参数；
S3、根据代价矩阵，计算得到每个染色体的适应度；
S4、基于适应度，依次对每个子种群里面的染色体进行选择算子处理、交叉算子处理、变异算子处理以及局部搜索处理；
所述局部搜索处理，其具体为：
C1、基于变异算子处理结果，对每个子种群i每一代中的各染色体s，计算各染色体s与该子种群i中当前最优染色体b c之间的相似度；
C2、判断相似度是否小于等于n/2：若是，则利用增强2-opt策略优化染色体中无人机的路径；否则，相似度大于n/2，则利用1-opt策略优化染色体中每架无人机的路径，完成局部搜索处理，其中，n表示待喷洒农药目标点个数；
所述利用增强2-opt策略优化染色体中无人机的路径，其具体为：
D1、从染色体中随机选择无人机k对应的路径r k；
D2、从路径r k中选择第i'个位置点到第i'+1位置点/>之间的第一条边，其中，在第一次执行D2时，i'为1，/>表示无人机k路径r k中第i'位置上待喷洒农药的目标点，/>表示无人机k路径r k中第i'+1位置上待喷洒农药的目标点；
D3、选择第二条边，若，则执行增强2-opt策略，即第一条边/>和第二条边/>被边/>和一一对应取代，并进入步骤D5；否则，进入步骤D4，其中，/>，j'表示无人机路径中的位置索引，/>和/>分别表示无人机k路径r k中第j'位置和第j'+1位置上待喷洒农药的目标点，/>表示/>和/>之间的路径代价，表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价；
D4、令j'值为j'+1，并判断j'是否大于：若是，则进入步骤D5；否则，返回步骤D3，其中，/>表示路径r k中包含待喷洒农药的目标点的个数；
D5、令i'值为i'+1，并判断i'是否小于：若是，则返回步骤D2；否则，结束流程，完成染色体中无人机路径的优化；
所述利用1-opt策略优化染色体中每架无人机的路径，其具体为：
E1、对于待喷洒农药目标点集合X，选择一待删除的待喷洒农药目标点x i，第一次选择待删除待喷洒农药目标点时i=1；
E2、针对待喷洒农药目标点x i位于无人机路径r k上的位置o处时，计算删除待喷洒农药目标点x i的移除代价：
其中，R i表示移除代价，表示无人机k的初始位置点，/>和/>分别表示无人机k路径r k中第o-1位置和第o+1位置上待喷洒农药的目标点，/>表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价；
E3、将待删除的待喷洒农药目标点x i插入至无人机路径r h中的位置j'，并计算插入代价，保存至集合I中，其中，当j'=1时表示将待喷洒农药目标点x i插入到无人机/>路径中第一个待喷洒农药目标点/>之前，且对于每一个待喷洒农药目标点x i进行第一次插入时h=1，所述插入代价/>的表达式如下：
其中，和/>分别表示无人机h路径r h中第/>位置和第/>位置上待喷洒农药的目标点，/>表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价，/>表示/>和/>之间的路径代价；
E4、令j'值为j'+1，并判断j'是否大于等于：若是，则进入步骤E5；否则，返回步骤E3，其中，/>表示路径r h包含待喷洒农药目标点的个数；
E5、令h值为h+1，并判断h是否大于m：若是，则进入步骤E6；否则，令j'=1，并返回步骤E3，其中，m表示无人机的数量；
E6、根据下式，确定集合中元素的最小值/>：
其中，和/>分别表示导致插入代价/>最小时无人机的序号和该无人机路径上的插入位置；
E7、若，则将待喷洒农药目标点x i插入至无人机/>路径/>中的第/>位置，并删除无人机路径r k中的待喷洒农药目标点x i；否则，不执行待喷洒农药目标点x i的移除和重新插入，并进入步骤E8；
E8、令i'值为i'+1，并判断i'是否小于等于n：若是，则返回步骤E1；否则，结束流程，完成染色体中无人机路径的优化，其中，n表示待喷洒农药目标点个数；
S5、基于S4的处理结果，利用每一次迭代中所有子种群中适应度最高的染色体覆盖各个子种群里面适应度最低的染色体，实现精英共享；
S6、判断是否达到了最大迭代次数T：若是，则基于步骤S5的精英共享输出当前全局最优染色体，并停止迭代，完成多无人机的任务分配；否则，返回步骤S3，且每个子种群保留由局部搜索和精英共享所得到的染色体。
2.根据权利要求1所述的基于多种群遗传算法和局部搜索的多无人机任务分配方法，其特征在于，所述S2包括以下步骤：
S201、将m-1个标记基因插入n个待喷洒农药目标点基因中，其中，m表示无人机的数量，且m大于1；
S202、将每个基因片段中的待喷洒农药目标点基因分配给一架无人机，且各基因序列对应无人机对各待喷洒农药目标点喷洒农药的先后顺序，得到子种群中每个染色体所对应多无人机多待喷洒农药目标点的农药喷洒任务分配方案；
S203、对子种群数量N sub、各个子种群里面染色体的个数N p、最大迭代次数T、交叉概率P c以及突变概率P m进行初始化。
3.根据权利要求1所述的基于多种群遗传算法和局部搜索的多无人机任务分配方法，其特征在于，所述每个染色体的适应度的表达式如下：
其中，表示每个染色体的适应度，f ij表示基于子种群i中每个染色体j所对应多无人机协同多待喷洒农药目标点农药喷洒任务分配问题的目标函数，/>，，N sub表示子种群数量，N p表示各个子种群里面染色体的个数，D表示m个无人机的编号集合，r k表示无人机k的路径，所述无人机k的路径内存储有按顺序进行农药喷洒的各个目标点，/>表示分配给无人机k进行农药喷洒目标点所需的农药总量，p e表示惩罚因子，/>表示无人机k按照路径r k进行喷洒农药所需的总操作时间，其包括无人机k的飞行时间和执行其所分配喷药任务所消耗的时间，利用代价矩阵内存储的两点之间距离代价得到无人机k的飞行时间，C表示无人机农药装载量，L表示无人机最大工作时间，max表示最大化运算操作。
4.根据权利要求1所述的基于多种群遗传算法和局部搜索的多无人机任务分配方法，其特征在于，所述选择算子处理，其具体为：
对于每个子种群i中的染色体，基于适应度，利用锦标赛选择策略重复地从每个子种群i随机选择一定数量的染色体，并挑选最优染色体，直至所选择的染色体数量达到原始子种群的数量。
5.根据权利要求1所述的基于多种群遗传算法和局部搜索的多无人机任务分配方法，其特征在于，所述交叉算子处理，其具体为：
A1、基于选择算子处理结果，对各子种群i中的每个父代染色体，随机生成g v；
A2、判断随机生成值g v是否小于交叉概率P c：若是，则进入步骤A3；否则，该染色体不执行交叉操作，结束流程；
A3、随机生成两个交叉整数点cp 1和cp 2，并判断随机生成值g v是否小于P c/2：若是，则逆转位于父代染色体上的cp 1和cp 2位置之间的基因片段，并保持位于父代染色体其余位置的基因片段不变，得到子代染色体，完成交叉算子的处理；否则，，则逆转位于染色体起始位置和cp 1位置之间，以及cp 2位置到染色体末端之间的基因片段，交换逆转基因片段的位置，并保持位于父代染色体cp 1位置和cp 2位置之间的基因片段不变，得到子代染色体，完成交叉算子的处理。
6.根据权利要求1所述的基于多种群遗传算法和局部搜索的多无人机任务分配方法，其特征在于，所述变异算子处理，其具体为：
B1、基于交叉算子处理结果，对各染色体随机生成g r；
B2、判断随机生成值g r是否小于突变概率P m：若是，则对该染色体进行变异操作，并进入步骤B3；否则，结束流程；
B3、生成随机数r m，并判断r m是否小于等于0.5：若是，则对该染色体进行路径内变异操作，并进入步骤B4；否则，对该染色体执行路径间变异操作，并进入步骤B5；
B4、随机选择一条无人机路径，并从该路径中随机选择两个待喷洒农药目标点进行交换，完成变异算子的处理；
B5、随机选择两条无人机路径，分别从该两条无人机路径中随机选择一待喷洒农药目标点进行交换，完成变异算子的处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533242.6A CN116245346B (zh) | 2023-05-12 | 2023-05-12 | 基于多种群遗传算法和局部搜索的多无人机任务分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310533242.6A CN116245346B (zh) | 2023-05-12 | 2023-05-12 | 基于多种群遗传算法和局部搜索的多无人机任务分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116245346A CN116245346A (zh) | 2023-06-09 |
| CN116245346B true CN116245346B (zh) | 2023-07-28 |
Family
ID=86626337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310533242.6A Active CN116245346B (zh) | 2023-05-12 | 2023-05-12 | 基于多种群遗传算法和局部搜索的多无人机任务分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245346B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314134B (zh) * | 2023-11-30 | 2024-04-26 | 深圳大学 | 救援时间限制下基于性能影响的多机器人任务分配方法 |
| CN118586679A (zh) * | 2024-08-05 | 2024-09-03 | 深圳大学 | 基于改进多种群遗传算法的多机器人任务分配方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008242927A (ja) * | 2007-03-28 | 2008-10-09 | Shinka System Sogo Kenkyusho:Kk | 遺伝的アルゴリズム実行装置および遺伝的アルゴリズム実行方法 |
| CN107103164A (zh) * | 2017-05-27 | 2017-08-29 | 合肥工业大学 | 无人机执行多任务的分配方法及装置 |
| CN110766254A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种基于改进遗传算法的多无人机协同任务分配方法 |
| CN111931934A (zh) * | 2020-08-24 | 2020-11-13 | 深圳市数字城市工程研究中心 | 一种基于改进遗传算法的海量控制点下仿射变换求解方法 |
| WO2021135336A1 (zh) * | 2020-05-06 | 2021-07-08 | 农业农村部南京农业机械化研究所 | 一种植保无人飞机集群作业任务分配方法和装置 |
| CN113487031A (zh) * | 2021-07-21 | 2021-10-08 | 河北科技大学 | 一种基于改进模拟退火融合遗传算法的多无人机任务分配方法 |
| CN115994666A (zh) * | 2023-01-13 | 2023-04-21 | 国网安徽省电力有限公司宣城供电公司 | 基于自适应遗传学习粒子群算法的无人机任务分配方法 |
-
2023
- 2023-05-12 CN CN202310533242.6A patent/CN116245346B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008242927A (ja) * | 2007-03-28 | 2008-10-09 | Shinka System Sogo Kenkyusho:Kk | 遺伝的アルゴリズム実行装置および遺伝的アルゴリズム実行方法 |
| CN107103164A (zh) * | 2017-05-27 | 2017-08-29 | 合肥工业大学 | 无人机执行多任务的分配方法及装置 |
| CN110766254A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种基于改进遗传算法的多无人机协同任务分配方法 |
| WO2021135336A1 (zh) * | 2020-05-06 | 2021-07-08 | 农业农村部南京农业机械化研究所 | 一种植保无人飞机集群作业任务分配方法和装置 |
| CN111931934A (zh) * | 2020-08-24 | 2020-11-13 | 深圳市数字城市工程研究中心 | 一种基于改进遗传算法的海量控制点下仿射变换求解方法 |
| CN113487031A (zh) * | 2021-07-21 | 2021-10-08 | 河北科技大学 | 一种基于改进模拟退火融合遗传算法的多无人机任务分配方法 |
| CN115994666A (zh) * | 2023-01-13 | 2023-04-21 | 国网安徽省电力有限公司宣城供电公司 | 基于自适应遗传学习粒子群算法的无人机任务分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116245346A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116245346B (zh) | 基于多种群遗传算法和局部搜索的多无人机任务分配方法 | |
| CN110598920B (zh) | 用于铸造并行车间主生产计划的多目标优化方法及系统 | |
| Nayyar et al. | Evolutionary computation: theory and algorithms | |
| CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
| CN103942419B (zh) | 一种混合智能优化方法 | |
| CN107330560B (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
| CN113204417B (zh) | 一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法 | |
| CN113341889B (zh) | 带装配阶段和能耗的分布式阻塞流水车间调度方法及系统 | |
| CN113569483A (zh) | 基于人工蜂群算法求解多目标柔性作业车间调度的方法 | |
| CN110059864A (zh) | 一种基于知识迁移的矩形智能排样方法及系统 | |
| CN112381343A (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
| CN111126800B (zh) | 使用分层自适应智能算法的多模资源受限项目调度方法 | |
| CN113158580B (zh) | 实木板材的一维排样方法 | |
| CN112348323A (zh) | 一种多目标的能源供应与作业柔性排程方法 | |
| CN116090357A (zh) | 多目标打击任务可行性快速评估方法 | |
| CN116166048A (zh) | 一种无人机群容错任务规划方法 | |
| CN117075545A (zh) | 一种多目标柔性作业车间调度方法、电子设备、介质 | |
| Lu et al. | A Population Cooperation based Particle Swarm Optimization algorithm for large-scale multi-objective optimization | |
| Li et al. | Parallel hybrid island metaheuristic algorithm | |
| CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
| CN116739254A (zh) | 一种水面无人集群多目标快速分配方法 | |
| CN113792494A (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
| CN110400073B (zh) | 一种基于多方向收敛粒子群优化算法的fsp方法及系统 | |
| CN115392616A (zh) | 一种知识挖掘结合遗传算法的多目标离散车间调度方法 | |
| CN113487031A (zh) | 一种基于改进模拟退火融合遗传算法的多无人机任务分配方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |