CN116679758A - 一种无人机调度方法、系统、计算机及可读存储介质 - Google Patents
一种无人机调度方法、系统、计算机及可读存储介质 Download PDFInfo
- Publication number
- CN116679758A CN116679758A CN202310975640.3A CN202310975640A CN116679758A CN 116679758 A CN116679758 A CN 116679758A CN 202310975640 A CN202310975640 A CN 202310975640A CN 116679758 A CN116679758 A CN 116679758A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- task
- sequence
- base 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.)
- Granted
Links
Abstract
本发明提供了一种无人机调度方法、系统、计算机及可读存储介质,该方法包括将基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列;根据综合损耗度将基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;使用蚁群算法迭代执行虚拟执行表中的所有任务,以输出若干执行序列表;将最优执行序列表替换第三任务序列,以使无人机根据最优执行序列表执行任务,本发明可同时调度管理多个无人机,通过蚁群算法以及迭代优化处理,可得到单个无人机的最优执行序列表,以使得无人机在执行调度任务时收益更大、损耗更小。
Description
技术领域
本发明属于无人机的技术领域,具体地涉及一种无人机调度方法、系统、计算机及可读存储介质。
背景技术
随着科技的发展,无人机也在快速发展,目前的无人机一般有固定翼无人机、多旋翼无人机以及扑翼机,但固定翼无人机与多旋翼无人机存在噪音大、匿踪性差的缺点,扑翼机存在续航短、造价高的缺点,基于上述原因,目前存在一种防生蝴蝶无人机解决上述问题。
但根据仿生蝴蝶无人机的使用与飞行特性,其常用于集群飞行执行相应的任务,通过由若干数量的仿生蝴蝶无人机组成的无人机群在预设区域内飞行以完成区域任务的执行,但在执行区域任务时,对仿生蝴蝶无人机组成的无人机群进行合理调度、统一管理,是仿生蝴蝶无人机更好的发挥其优势的关键问题之一,仿生蝴蝶无人机调度要求在实现多个仿生蝴蝶无人机的任务规划与调度合理安排各无人机要执行的任务序列,包括任务执行的时间和顺序,以使得在规定的时间内,最大程度的发挥仿生蝴蝶无人机执行任务的能力,以最低的代价获得最高的收益。
随着无人机数量和任务数量的增加,执行任务环境复杂度的提升,仿生蝴蝶无人机调度问题的复杂度也急剧增加,而现有技术中的对无人机的调度通常只针对单一的无人机,无法实现一个无人机基站同时调度管理多个无人机,同时面对无人机基站中未分配调度的任务,无法将该任务合理的调度给对应的无人机使其收益更大以及损耗更小。
发明内容
为了解决上述技术问题,本发明提供了一种无人机调度方法、系统、计算机及可读存储介质,用于解决现有技术中存在的技术问题。
第一方面,该发明提供以下技术方案,一种无人机调度方法,所述方法包括:
获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;
计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;
将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;
计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务。
相比现有技术,本申请的有益效果为:首先获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;之后计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;而后将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;最后计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务,本发明可同时调度管理多个无人机,且面对无人机基站中的未分配任务,可结合无人机的剩余执行量,将任务合理的分配给对应的无人机,同时对于单个无人机来说面对临时增加的任务,通过蚁群算法以及迭代优化处理,可得到单个无人机的最优执行序列表,以使得无人机在执行调度任务时收益更大、损耗更小。
较佳的,所述根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机的步骤包括:
获取所述基站任务的任务参数,基于所述任务参数计算每个所述基站任务对应的所需执行量:
;
式中,为无人机执行基站任务所需耗费的电量,/>为执行基站任务时应对突发情况所需耗费的电量,/>为剩余安全电量,/>与/>分别为第一比例因子与第二比例因子;
将所述基站任务按照对应的所需执行量从大至小进行排列以及将所述无人机按其剩余执行量从大至小进行排列,根据所述基站任务与所述无人机的排列关系,将所述基站任务对应分配至所述无人机的第一任务序列中,以得到第二任务序列;
在所述无人机中任意选取第一无人机与第二无人机,对应获取所述第一无人机的第一剩余执行量以及第二无人机的第二剩余执行量,若所述第一剩余执行量大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的上级无人机,若所述第一剩余执行量不大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的下级无人机。
较佳的,所述计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列的步骤包括:
选取每个所述无人机对应的下级无人机并将对应的下级无人机中第二任务序列输入任务序列组中;
计算每个所述无人机与所述任务序列组中所有基站任务之间的综合损耗度:
;
式中,、/>、/>分别为距离系数、时间系数、突变系数,/>为无人机当前位置到基站任务目标点之间的欧式距离,/>为无人机飞行时间,/>为无人机悬停时间,/>、/>为拟合系数,/>为拟合常数,/>为无人机飞行过程的突变量以及补偿损耗量,/>为基站任务收益;
将所述综合损耗度最小时对应的基站任务替换该无人机的第二任务序列中的基站任务,以得到第三任务序列。
较佳的,所述将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表的步骤包括:
将若干蚂蚁放入到所述虚拟执行表中所有任务对应的任务点上,将当前蚂蚁所在的当前任务点放入已执行列表中,将除当前任务点之外的所有任务点放入未执行列表中;
建立信息素矩阵与启发信息矩阵/>,其中,/>为任务点数量;
根据所述信息素矩阵与所述启发信息矩阵/>计算转移概率/>:
;
式中,为信息素矩阵/>中第/>行第/>列的元素,/>为启发信息矩阵/>中第/>行第/>列的元素,/>为信息启发因子,/>为期望启发因子,/>为预计下一任务点,/>为未执行列表,/>为已执行列表;
基于所述转移概率确定当前蚂蚁所需执行的下一任务点,并控制当前蚂蚁执行下一任务点,并输出若干执行序列表。
较佳的,所述计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表的步骤包括:
计算每个所述执行序列表的迭代函数值:
;
式中,、/>、/>分别为收益权重、代价权重、风险权重,/>为无人机完成任务调度的收益,/>为无人机完成任务调度过程中的航程代价,/>为无人机完成任务调度过程中的风险代价;
通过聚类算法判断蚁群状态,根据蚁群状态更新迭代函数值;
对更新后的迭代函数值进行若干次遗传迭代处理,将第一次迭代与第二次迭代后的迭代函数值作为迭代样本,对所述迭代样本依次进行交叉、变异处理,以得到处理样本,将所述处理样本作为下一次迭代的迭代样本重复迭代,直至收敛并输出最优执行序列表。
较佳的,所述通过聚类算法判断蚁群状态,根据蚁群状态更新迭代函数值的步骤包括:
将所述执行序列表执行趋化操作并计算适应度,选择适应度最大的若干执行序列表并对其依次进行复制与迁徙操作,以输出操作序列结果;
将所述操作序列结果作为聚类算法的初始聚类中心,并计算所述执行序列表与初始聚类中心之间的距离,并根据距离将每个所述执行序列表划分至与之距离最近的初始聚类中心,以形成若干第一类簇;
计算每个所述第一类簇中数据的平均值,并将其作为新聚类中心,反复聚类处理并输出若干第二类簇;
基于所述第二类簇判定蚁群状态,并根据所述蚁群状态依次更新信息启发因子、期望启发因子/>、转移概率/>、执行序列表以及迭代函数值。
第二方面,该发明提供以下技术方案,一种无人机调度系统,所述系统包括:
序列确定模块,用于获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;
分配模块,用于计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;
迭代模块,用于将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;
调度模块,用于计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务。
较佳的,所述序列确定模块包括:
执行量计算模块,用于获取所述基站任务的任务参数,基于所述任务参数计算每个所述基站任务对应的所需执行量:
;
式中,为无人机执行基站任务所需耗费的电量,/>为执行基站任务时应对突发情况所需耗费的电量,/>为剩余安全电量,/>与/>分别为第一比例因子与第二比例因子;
分配子模块,用于将所述基站任务按照对应的所需执行量从大至小进行排列以及将所述无人机按其剩余执行量从大至小进行排列,根据所述基站任务与所述无人机的排列关系,将所述基站任务对应分配至所述无人机的第一任务序列中,以得到第二任务序列;
划分子模块,用于在所述无人机中任意选取第一无人机与第二无人机,对应获取所述第一无人机的第一剩余执行量以及第二无人机的第二剩余执行量,若所述第一剩余执行量大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的上级无人机,若所述第一剩余执行量不大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的下级无人机。
第三方面,该发明提供以下技术方案,一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的无人机调度方法。
第四方面,该发明提供以下技术方案,一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的无人机调度方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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为本发明第一实施例提供的无人机调度方法的流程图;
图2为本发明第一实施例提供的无人机调度方法中步骤S1的详细流程图;
图3为本发明第一实施例提供的无人机调度方法中步骤S2的详细流程图;
图4为本发明第一实施例提供的无人机调度方法中步骤S3的详细流程图;
图5为本发明第一实施例提供的无人机调度方法中步骤S4的详细流程图;
图6为本发明第一实施例提供的无人机调度方法中步骤S42的详细流程图;
图7为本发明第二实施例提供的无人机调度系统的结构框图;
图8为本发明另一实施例提供的计算机的硬件结构框图。
以下将结合附图对本发明实施例作进一步说明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示,在本发明的第一个实施例中,该发明提供以下技术方案,一种无人机调度方法,所述方法包括:
S1、获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;
具体的,无人机基站是为无人机进行任务调度的平台,在无人机基站中设有基站任务序列,在基站任务序列中包含若干基站任务,通过无人机基站将基站任务分配给若干无人机,使得无人机执行相应的任务,且本实施例中的无人机具体为仿生蝴蝶飞行器,由于其灵活性高、敏捷性好,而被广泛应用于无人机的集群飞行以在预设区域内执行相应的任务;
同时在无人机自身也存在一个任务序列,即第一任务序列,该任务序列也存储在无人机基站中,无人机会根据其自身的第一任务序列按顺序执行相应的任务,且在无人机基站将基站任务序列中的基站任务分配给对应的无人机之后,该基站任务会对应插入至第一任务序列中,以形成第二任务序列,使得无人机会按照第二任务序列中的任务执行。
如图2所示,其中,所述步骤S1包括:
S11、获取所述基站任务的任务参数,基于所述任务参数计算每个所述基站任务对应的所需执行量:
;
式中,为无人机执行基站任务所需耗费的电量,/>为执行基站任务时应对突发情况所需耗费的电量,/>为剩余安全电量,/>与/>分别为第一比例因子与第二比例因子;
具体的,所需执行量可等效替换为无人机完成该基站任务所需耗费的电量、资源,而无人机的剩余执行量可等效替换为无人机的剩余电量、剩余资源,在所需执行量的计算过程中,除了需要考虑无人机执行基站任务所需耗费的电量之外,还需要考虑在无人机执行基站任务时应对突发情况所需要耗费的电量,例如避障等,同时还需要考虑剩余安全电量,该剩余安全电量可包括为从无人机的当前地点至基站任务对应的任务点所需耗费的电量以及留出一部分电量以供无人机返航,而其中的第一比例因子与第二比例因子皆可根据以往飞行数据进行实验拟合得到。
S12、将所述基站任务按照对应的所需执行量从大至小进行排列以及将所述无人机按其剩余执行量从大至小进行排列,根据所述基站任务与所述无人机的排列关系,将所述基站任务对应分配至所述无人机的第一任务序列中,以得到第二任务序列;
具体的,为了保证无人机能够顺利执行相应的基站任务,因此需将所需执行量小于剩余执行量的基站任务分配给对应的无人机,通过将所述基站任务按照对应的所需执行量从大至小进行排列以及将所述无人机按其剩余执行量从大至小进行排列,并按照对应的分配规则即可完成基站任务以及无人机的预先分配,需要说明的是,分配规则为上文提到的将所需执行量小于剩余执行量的基站任务分配给对应的无人机,且该分配过程为随机分配只需满足对应的分配规则即可,在后续步骤中,需要重新调整基站任务的分配。
S13、在所述无人机中任意选取第一无人机与第二无人机,对应获取所述第一无人机的第一剩余执行量以及第二无人机的第二剩余执行量,若所述第一剩余执行量大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的上级无人机,若所述第一剩余执行量不大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的下级无人机;
具体的,通过按照步骤S13中提到的划分规则将无人机进行上下级分配,根据剩余执行量将无人机进行排列之后,可知,剩余执行量最大的无人机只能作为上级无人机,剩余执行量最小的无人机只能作为下级无人机,而剩余执行量位于最大与最小之间的无人机可作为上级无人机或者下级无人机,且在实际飞行过程中,可能会存在两无人机剩余执行量相同的情况,因此出现该情况时,可将两无人机看成为自身的下级无人机。
S2、计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;
具体的,在将基站任务进行预分配之后,无人机此时可能已经在执行第一任务序列中的任务,虽然该无人机具备从上一任务点飞行到基站任务的任务点的能力与资源,但无法使得无人机执行任务时的收益更大以及损耗更小,因此根据每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,根据该综合损耗度可反映每一基站任务相对于每个下级无人机之间的收益程度,因此选择收益程度最大时对应的无人机并将基站任务添加至该无人机中。
如图3所示,其中,所述步骤S2包括:
S21、选取每个所述无人机对应的下级无人机并将对应的下级无人机中第二任务序列输入任务序列组中;
具体的,每个无人机所对应的下级无人机的数量是不同的,根据剩余执行量的大小将无人机进行排列,每次选取一个无人机,并根据该无人机的剩余执行量,将该无人机对应的下级无人机的第二任务序列组成一个任务序列组。
S22、计算每个所述无人机与所述任务序列组中所有基站任务之间的综合损耗度:
;
式中,、/>、/>分别为距离系数、时间系数、突变系数,/>为无人机当前位置到基站任务目标点之间的欧式距离,/>为无人机飞行时间,/>为无人机悬停时间,/>、/>为拟合系数,/>为拟合常数,/>为无人机飞行过程的突变量以及补偿损耗量,/>为基站任务收益;
具体的,其中的、/>、/>分别为距离系数、时间系数、突变系数可根据以往飞行数据以及基站任务的任务参数信息进行更新与调整。
S23、将所述综合损耗度最小时对应的基站任务替换该无人机的第二任务序列中的基站任务,以得到第三任务序列;
具体的,综合损耗度最小则意味着对应的无人机执行该基站任务时收益最大,因此对每个无人机均执行上述步骤S22、S23,以此可将之前预分配的基站任务进行重新分配,以寻找到每个基站任务所对应的最佳无人机,使得其收益更大、损耗更小。
S3、将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;
具体的,在确定完基站任务的分配之后,由于每个无人机存在其自身的任务序列,在经过上述步骤的分配之后,使得无人机的任务序列为第三任务序列,而在第三任务序列中且在分配基站任务之前,无人机本身存在若干待执行的任务,且其存在一定的顺序关系,因此还需确定基站任务在第三任务序列的位置,使得无人机在执行第三任务序列时收益更大、损耗更小。
如图4所示,其中,所述步骤S3包括:
S31、将若干蚂蚁放入到所述虚拟执行表中所有任务对应的任务点上,将当前蚂蚁所在的当前任务点放入已执行列表中,将除当前任务点之外的所有任务点放入未执行列表中。
S32、建立信息素矩阵与启发信息矩阵/>,其中,/>为任务点数量;
其中,启发信息矩阵中的元素即为任务优先级与当前任务点至下移任务点之间的比值。
S33、根据所述信息素矩阵与所述启发信息矩阵/>计算转移概率/>:
;
式中,为信息素矩阵/>中第/>行第/>列的元素,/>为启发信息矩阵/>中第/>行第/>列的元素,/>为信息启发因子,/>为期望启发因子,/>为预计下一任务点,/>为未执行列表,/>为已执行列表;
其中,信息启发因子反映了信息量在蚂蚁行走过程的重要性,该值越大则表明蚂蚁选择之前走过的路径的可能性越大,因此随机性减弱,而期望启发因子则反映了蚂蚁在路径搜索过程中确定性的强度,该值越大,则表明蚂蚁越趋近于选择局部的最短路径前进。
S34、基于所述转移概率确定当前蚂蚁所需执行的下一任务点,并控制当前蚂蚁执行下一任务点,并输出若干执行序列表;
具体的,由于每只蚂蚁的初始任务点不同,因此其对应的前进方向也会不同,通过计算每个任务点的转移概率,选择其转移概率最大时所对应的任务点作为下一任务点,并控制蚂蚁前进至下一任务点,并重复该过程,因此存在若干不同的行走路径,而每条行走路径就表示执行序列表,而每个执行序列表分别表示了一种第三任务序列的执行顺序,而最终目的是要寻找出最优的执行顺序,即下文中提到的最优执行序列表。
S4、计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务。
如图5所示,其中,所述步骤S4包括:
S41、计算每个所述执行序列表的迭代函数值:
;
式中,、/>、/>分别为收益权重、代价权重、风险权重,/>为无人机完成任务调度的收益,/>为无人机完成任务调度过程中的航程代价,/>为无人机完成任务调度过程中的风险代价。
S42、通过聚类算法判断蚁群状态,根据蚁群状态更新迭代函数值;
如图6所示,其中,所述步骤S42包括:
S421、将所述执行序列表执行趋化操作并计算适应度,选择适应度最大的若干执行序列表并对其依次进行复制与迁徙操作,以输出操作序列结果。
S422、将所述操作序列结果作为聚类算法的初始聚类中心,并计算所述执行序列表与初始聚类中心之间的距离,并根据距离将每个所述执行序列表划分至与之距离最近的初始聚类中心,以形成若干第一类簇。
S423、计算每个所述第一类簇中数据的平均值,并将其作为新聚类中心,反复聚类处理并输出若干第二类簇。
S424、基于所述第二类簇判定蚁群状态,并根据所述蚁群状态依次更新信息启发因子、期望启发因子/>、转移概率/>、执行序列表以及迭代函数值;
具体的,蚁群状态有三种,初始状态、中间状态以及成熟状态,当处于初始状态时,则表明大部分甚至全部蚂蚁未寻找到最优的路径,此时需要适当的减小信息启发因子、期望启发因子/>的值,进而增大蚂蚁的随机搜索能力,当处于中间状态时,则表明有一小部分蚂蚁未寻找到最优的路径,此时也需要适当的减小信息启发因子/>、期望启发因子的值,进而增大蚂蚁的随机搜索能力,当处于成熟状态时,则表明大部分甚至全部蚂蚁已经寻找到最优的路径,此时需要适当的增大信息启发因子/>、期望启发因子/>的值,提高其收敛速度。
S43、对更新后的迭代函数值进行若干次遗传迭代处理,将第一次迭代与第二次迭代后的迭代函数值作为迭代样本,对所述迭代样本依次进行交叉、变异处理,以得到处理样本,将所述处理样本作为下一次迭代的迭代样本重复迭代,直至收敛并输出最优执行序列表;
具体的,在该步骤中采用遗传算法对迭代函数值进行遗传优化处理,直至输出收敛的最优执行序列表,并将该最优执行序列表作为无人机的任务执行顺序,以使得无人机执行相应的任务时,收益更大、损耗更小。
本实施例一的好处在于:首先获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;之后计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;而后将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;最后计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务,本发明可同时调度管理多个无人机,且面对无人机基站中的未分配任务,可结合无人机的剩余执行量,将任务合理的分配给对应的无人机,同时对于单个无人机来说面对临时增加的任务,通过蚁群算法以及迭代优化处理,可得到单个无人机的最优执行序列表,以使得无人机在执行调度任务时收益更大、损耗更小。
实施例二
如图7所示,在本发明的第二个实施例提供了一种无人机调度系统,所述系统包括:
序列确定模块1,用于获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;
分配模块2,用于计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;
迭代模块3,用于将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;
调度模块4,用于计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务。
其中,所述序列确定模块1包括:
执行量计算模块,用于获取所述基站任务的任务参数,基于所述任务参数计算每个所述基站任务对应的所需执行量:
;
式中,为无人机执行基站任务所需耗费的电量,/>为执行基站任务时应对突发情况所需耗费的电量,/>为剩余安全电量,/>与/>分别为第一比例因子与第二比例因子;
分配子模块,用于将所述基站任务按照对应的所需执行量从大至小进行排列以及将所述无人机按其剩余执行量从大至小进行排列,根据所述基站任务与所述无人机的排列关系,将所述基站任务对应分配至所述无人机的第一任务序列中,以得到第二任务序列;
划分子模块,用于在所述无人机中任意选取第一无人机与第二无人机,对应获取所述第一无人机的第一剩余执行量以及第二无人机的第二剩余执行量,若所述第一剩余执行量大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的上级无人机,若所述第一剩余执行量不大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的下级无人机。
所述分配模块2包括:
序列组确定子模块,用于选取每个所述无人机对应的下级无人机并将对应的下级无人机中第二任务序列输入任务序列组中;
综合损耗度计算子模块,用于计算每个所述无人机与所述任务序列组中所有基站任务之间的综合损耗度:
;
式中,、/>、/>分别为距离系数、时间系数、突变系数,/>为无人机当前位置到基站任务目标点之间的欧式距离,/>为无人机飞行时间,/>为无人机悬停时间,/>、/>为拟合系数,/>为拟合常数,/>为无人机飞行过程的突变量以及补偿损耗量,/>为基站任务收益;
替换子模块,用于将所述综合损耗度最小时对应的基站任务替换该无人机的第二任务序列中的基站任务,以得到第三任务序列。
所述迭代模块3包括:
任务执行子模块,用于将若干蚂蚁放入到所述虚拟执行表中所有任务对应的任务点上,将当前蚂蚁所在的当前任务点放入已执行列表中,将除当前任务点之外的所有任务点放入未执行列表中;
矩阵建立子模块,用于建立信息素矩阵与启发信息矩阵/>,其中,/>为任务点数量;
转移概率计算子模块,用于根据所述信息素矩阵与所述启发信息矩阵/>计算转移概率/>:
;
式中,为信息素矩阵/>中第/>行第/>列的元素,/>为启发信息矩阵/>中第/>行第/>列的元素,/>为信息启发因子,/>为期望启发因子,/>为预计下一任务点,/>为未执行列表,/>为已执行列表;
执行序列表输出子模块,用于基于所述转移概率确定当前蚂蚁所需执行的下一任务点,并控制当前蚂蚁执行下一任务点,并输出若干执行序列表。
所述调度模块4包括:
计算子模块,用于计算每个所述执行序列表的迭代函数值:
;
式中,、/>、/>分别为收益权重、代价权重、风险权重,/>为无人机完成任务调度的收益,/>为无人机完成任务调度过程中的航程代价,/>为无人机完成任务调度过程中的风险代价;
更新子模块,用于通过聚类算法判断蚁群状态,根据蚁群状态更新迭代函数值;
迭代子模块,用于对更新后的迭代函数值进行若干次遗传迭代处理,将第一次迭代与第二次迭代后的迭代函数值作为迭代样本,对所述迭代样本依次进行交叉、变异处理,以得到处理样本,将所述处理样本作为下一次迭代的迭代样本重复迭代,直至收敛并输出最优执行序列表。
所述更新子模块包括:
适应度计算单元,用于将所述执行序列表执行趋化操作并计算适应度,选择适应度最大的若干执行序列表并对其依次进行复制与迁徙操作,以输出操作序列结果;
聚类单元,用于将所述操作序列结果作为聚类算法的初始聚类中心,并计算所述执行序列表与初始聚类中心之间的距离,并根据距离将每个所述执行序列表划分至与之距离最近的初始聚类中心,以形成若干第一类簇;
计算单元,用于计算每个所述第一类簇中数据的平均值,并将其作为新聚类中心,反复聚类处理并输出若干第二类簇;
更新单元,用于基于所述第二类簇判定蚁群状态,并根据所述蚁群状态依次更新信息启发因子、期望启发因子/>、转移概率/>、执行序列表以及迭代函数值。
在本发明的另一些实施例中,本发明实施例提供以下技术方案,一种计算机,包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序,所述处理器101执行所述计算机程序时实现如上所述的无人机调度方法。
具体的,上述处理器101可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器102可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器102可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器102可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器102可在数据处理装置的内部或外部。在特定实施例中,存储器102是非易失性(Non-Volatile)存储器。在特定实施例中,存储器102包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random Access Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory,简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory,简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-AccessMemory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器102可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器101所执行的可能的计算机程序指令。
处理器101通过读取并执行存储器102中存储的计算机程序指令,以实现上述无人机调度方法。
在其中一些实施例中,计算机还可包括通信接口103和总线100。其中,如图8所示,处理器101、存储器102、通信接口103通过总线100连接并完成相互间的通信。
通信接口103用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口103还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线100包括硬件、软件或两者,将计算机的部件彼此耦接在一起。总线100包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线100可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线100可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机可以基于获取到无人机调度系统,执行本申请的无人机调度方法,从而实现无人机的调度。
在本发明的再一些实施例中,结合上述的无人机调度方法,本发明实施例提供以下技术方案,一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的无人机调度方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述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。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种无人机调度方法,其特征在于,所述方法包括:
获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;
计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;
将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;
计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务。
2.根据权利要求1所述的无人机调度方法,其特征在于,所述根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机的步骤包括:
获取所述基站任务的任务参数,基于所述任务参数计算每个所述基站任务对应的所需执行量:
;
式中,为无人机执行基站任务所需耗费的电量,/>为执行基站任务时应对突发情况所需耗费的电量,/>为剩余安全电量,/>与/>分别为第一比例因子与第二比例因子;
将所述基站任务按照对应的所需执行量从大至小进行排列以及将所述无人机按其剩余执行量从大至小进行排列,根据所述基站任务与所述无人机的排列关系,将所述基站任务对应分配至所述无人机的第一任务序列中,以得到第二任务序列;
在所述无人机中任意选取第一无人机与第二无人机,对应获取所述第一无人机的第一剩余执行量以及第二无人机的第二剩余执行量,若所述第一剩余执行量大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的上级无人机,若所述第一剩余执行量不大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的下级无人机。
3.根据权利要求1所述的无人机调度方法,其特征在于,所述计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列的步骤包括:
选取每个所述无人机对应的下级无人机并将对应的下级无人机中第二任务序列输入任务序列组中;
计算每个所述无人机与所述任务序列组中所有基站任务之间的综合损耗度:
;
式中,、/>、/>分别为距离系数、时间系数、突变系数,/>为无人机当前位置到基站任务目标点之间的欧式距离,/>为无人机飞行时间,/>为无人机悬停时间,/>、/>为拟合系数,/>为拟合常数,/>为无人机飞行过程的突变量以及补偿损耗量,/>为基站任务收益;
将所述综合损耗度最小时对应的基站任务替换该无人机的第二任务序列中的基站任务,以得到第三任务序列。
4.根据权利要求1所述的无人机调度方法,其特征在于,所述将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表的步骤包括:
将若干蚂蚁放入到所述虚拟执行表中所有任务对应的任务点上,将当前蚂蚁所在的当前任务点放入已执行列表中,将除当前任务点之外的所有任务点放入未执行列表中;
建立信息素矩阵与启发信息矩阵/>,其中,/>为任务点数量;
根据所述信息素矩阵与所述启发信息矩阵/>计算转移概率/>:
;
式中,为信息素矩阵/>中第/>行第/>列的元素,/>为启发信息矩阵/>中第/>行第列的元素,/>为信息素矩阵/>中第/>行第/>列的元素,/>为启发信息矩阵/>中第/>行第/>列的元素,/>为信息启发因子,/>为期望启发因子,/>为预计下一任务点,/>为未执行列表,/>为已执行列表;
基于所述转移概率确定当前蚂蚁所需执行的下一任务点,并控制当前蚂蚁执行下一任务点,并输出若干执行序列表。
5.根据权利要求4所述的无人机调度方法,其特征在于,所述计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表的步骤包括:
计算每个所述执行序列表的迭代函数值:
;
式中,、/>、/>分别为收益权重、代价权重、风险权重,/>为无人机完成任务调度的收益,/>为无人机完成任务调度过程中的航程代价,/>为无人机完成任务调度过程中的风险代价;
通过聚类算法判断蚁群状态,根据蚁群状态更新迭代函数值;
对更新后的迭代函数值进行若干次遗传迭代处理,将第一次迭代与第二次迭代后的迭代函数值作为迭代样本,对所述迭代样本依次进行交叉、变异处理,以得到处理样本,将所述处理样本作为下一次迭代的迭代样本重复迭代,直至收敛并输出最优执行序列表。
6.根据权利要求5所述的无人机调度方法,其特征在于,所述通过聚类算法判断蚁群状态,根据蚁群状态更新迭代函数值的步骤包括:
将所述执行序列表执行趋化操作并计算适应度,选择适应度最大的若干执行序列表并对其依次进行复制与迁徙操作,以输出操作序列结果;
将所述操作序列结果作为聚类算法的初始聚类中心,并计算所述执行序列表与初始聚类中心之间的距离,并根据距离将每个所述执行序列表划分至与之距离最近的初始聚类中心,以形成若干第一类簇;
计算每个所述第一类簇中数据的平均值,并将其作为新聚类中心,反复聚类处理并输出若干第二类簇;
基于所述第二类簇判定蚁群状态,并根据所述蚁群状态依次更新信息启发因子、期望启发因子/>、转移概率/>、执行序列表以及迭代函数值。
7.一种无人机调度系统,其特征在于,所述系统包括:
序列确定模块,用于获取无人机基站的基站任务序列以及无人机的剩余执行量,根据所述剩余执行量将所述基站任务序列中的基站任务分配至对应无人机的第一任务序列中,以得到第二任务序列,并根据所述剩余执行量将所述无人机分为上级无人机与下级无人机;
分配模块,用于计算每个所述无人机和与之对应的下级无人机的第二任务序列中的基站任务之间的综合损耗度,并根据所述综合损耗度将所述基站任务重新分配至对应的无人机的第一任务序列中,以得到第三任务序列;
迭代模块,用于将所述第三任务序列中的任务放入虚拟执行表中,使用蚁群算法迭代执行所述虚拟执行表中的所有任务,以输出若干执行序列表;
调度模块,用于计算每个所述执行序列表的迭代函数值,对所述迭代函数值进行迭代优化以得到最优执行序列表,并将所述最优执行序列表替换所述第三任务序列,以使所述无人机根据所述最优执行序列表执行任务。
8.根据权利要求7所述的无人机调度系统,其特征在于,所述序列确定模块包括:
执行量计算模块,用于获取所述基站任务的任务参数,基于所述任务参数计算每个所述基站任务对应的所需执行量:
;
式中,为无人机执行基站任务所需耗费的电量,/>为执行基站任务时应对突发情况所需耗费的电量,/>为剩余安全电量,/>与/>分别为第一比例因子与第二比例因子;
分配子模块,用于将所述基站任务按照对应的所需执行量从大至小进行排列以及将所述无人机按其剩余执行量从大至小进行排列,根据所述基站任务与所述无人机的排列关系,将所述基站任务对应分配至所述无人机的第一任务序列中,以得到第二任务序列;
划分子模块,用于在所述无人机中任意选取第一无人机与第二无人机,对应获取所述第一无人机的第一剩余执行量以及第二无人机的第二剩余执行量,若所述第一剩余执行量大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的上级无人机,若所述第一剩余执行量不大于所述第二剩余执行量,则所述第一无人机为所述第二无人机的下级无人机。
9.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的无人机调度方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的无人机调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975640.3A CN116679758B (zh) | 2023-08-04 | 2023-08-04 | 一种无人机调度方法、系统、计算机及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975640.3A CN116679758B (zh) | 2023-08-04 | 2023-08-04 | 一种无人机调度方法、系统、计算机及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116679758A true CN116679758A (zh) | 2023-09-01 |
CN116679758B CN116679758B (zh) | 2023-10-17 |
Family
ID=87784118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310975640.3A Active CN116679758B (zh) | 2023-08-04 | 2023-08-04 | 一种无人机调度方法、系统、计算机及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116679758B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776796A (zh) * | 2016-11-23 | 2017-05-31 | 中南大学 | 基于云计算和大数据无人机任务规划系统和方法 |
CN107300927A (zh) * | 2017-06-26 | 2017-10-27 | 中国人民解放军国防科学技术大学 | 一种无人机基站选址与巡逻路径优化方法及装置 |
CN109191004A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军空军工程大学 | 一种多无人机测绘任务分配方法和装置 |
CN111580561A (zh) * | 2020-05-28 | 2020-08-25 | 深圳市易链信息技术有限公司 | 基于粒子群算法优化的无人机调度方法、系统和可读存储介质 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN112163278A (zh) * | 2020-09-30 | 2021-01-01 | 中国人民解放军国防科技大学 | 一种多约束条件下的异构多飞机协同任务自动分解方法 |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
US20210034075A1 (en) * | 2018-03-21 | 2021-02-04 | Vhive Tech Ltd. | System and method for managing multiple uas performing an adaptive mission |
CN114968510A (zh) * | 2021-12-27 | 2022-08-30 | 中国空间技术研究院 | 一种基于改进蚁群算法的多目标动态任务调度方法和系统 |
CN115509256A (zh) * | 2022-09-30 | 2022-12-23 | 西安电子科技大学 | 无人机集群协同规划与自主调度方法 |
CN115617690A (zh) * | 2022-11-02 | 2023-01-17 | 电子科技大学 | 基于改进自适应遗传算法的并行测试任务调度方法 |
CN116185035A (zh) * | 2023-02-28 | 2023-05-30 | 南开大学 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
-
2023
- 2023-08-04 CN CN202310975640.3A patent/CN116679758B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776796A (zh) * | 2016-11-23 | 2017-05-31 | 中南大学 | 基于云计算和大数据无人机任务规划系统和方法 |
CN107300927A (zh) * | 2017-06-26 | 2017-10-27 | 中国人民解放军国防科学技术大学 | 一种无人机基站选址与巡逻路径优化方法及装置 |
US20210034075A1 (en) * | 2018-03-21 | 2021-02-04 | Vhive Tech Ltd. | System and method for managing multiple uas performing an adaptive mission |
CN109191004A (zh) * | 2018-09-25 | 2019-01-11 | 中国人民解放军空军工程大学 | 一种多无人机测绘任务分配方法和装置 |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
CN111580561A (zh) * | 2020-05-28 | 2020-08-25 | 深圳市易链信息技术有限公司 | 基于粒子群算法优化的无人机调度方法、系统和可读存储介质 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN112163278A (zh) * | 2020-09-30 | 2021-01-01 | 中国人民解放军国防科技大学 | 一种多约束条件下的异构多飞机协同任务自动分解方法 |
CN114968510A (zh) * | 2021-12-27 | 2022-08-30 | 中国空间技术研究院 | 一种基于改进蚁群算法的多目标动态任务调度方法和系统 |
CN115509256A (zh) * | 2022-09-30 | 2022-12-23 | 西安电子科技大学 | 无人机集群协同规划与自主调度方法 |
CN115617690A (zh) * | 2022-11-02 | 2023-01-17 | 电子科技大学 | 基于改进自适应遗传算法的并行测试任务调度方法 |
CN116185035A (zh) * | 2023-02-28 | 2023-05-30 | 南开大学 | 基于改进仿生狼群的无人集群动态任务分配方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘硕;陈毅雨;钟斌;马志伟;: "基于自适应蚁群算法的无人机最优路径规划", 军械工程学院学报, no. 01, pages 46 - 51 * |
Also Published As
Publication number | Publication date |
---|---|
CN116679758B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977268B (zh) | 人工智能的异构硬件的任务调度方法、装置及可读介质 | |
US9710751B2 (en) | Parallel tree based prediction | |
CN112567399A (zh) | 用于路由优化的系统和方法 | |
CN110389816B (zh) | 用于资源调度的方法、装置以及计算机可读介质 | |
US11046431B2 (en) | Feedback based smart clustering mechanism for unmanned aerial vehicle assignment | |
US20220004433A1 (en) | Heterogeneous system on a chip scheduler | |
CN109710406B (zh) | 数据分配及其模型训练方法、装置、及计算集群 | |
CN109976901B (zh) | 一种资源调度方法、装置、服务器及可读存储介质 | |
WO2018232723A1 (en) | SYSTEM AND METHOD FOR USER BEHAVIOR BASED ON SERVICE DISTRIBUTION | |
CN110414569B (zh) | 聚类实现方法及装置 | |
US20220391253A1 (en) | Method of resource management of virtualized system, electronic device and computer program product | |
JP7019375B2 (ja) | 訪問時刻決定装置 | |
CN109062683B (zh) | 主机资源分配的方法、装置及计算机可读存储介质 | |
US10789400B2 (en) | Scheduling simultaneous optimization of multiple very-large-scale-integration designs | |
CN112819157B (zh) | 神经网络训练的方法及装置、智能行驶控制的方法及装置 | |
CN108595251B (zh) | 动态图更新方法、装置、存储引擎接口和程序介质 | |
US11403026B2 (en) | Method, device and computer program product for managing storage system | |
CN116679758B (zh) | 一种无人机调度方法、系统、计算机及可读存储介质 | |
CN110874189B (zh) | 存储系统和存储控制方法 | |
CN111859139A (zh) | 应用程序推荐方法、装置、计算设备和介质 | |
US20200402004A1 (en) | Visit-time-determining device | |
CN108664324B (zh) | 云服务实例分配的更新日志 | |
US20140214734A1 (en) | Classifying a submission | |
CN114265630A (zh) | 一种资源共享感知的在线任务卸载方法 | |
CN111476409B (zh) | 一种新航线开通的预测方法、系统及设备 |
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 |