CN116820110B - 基于智能优化算法的生态环境监测任务规划方法及装置 - Google Patents
基于智能优化算法的生态环境监测任务规划方法及装置 Download PDFInfo
- Publication number
- CN116820110B CN116820110B CN202311083669.7A CN202311083669A CN116820110B CN 116820110 B CN116820110 B CN 116820110B CN 202311083669 A CN202311083669 A CN 202311083669A CN 116820110 B CN116820110 B CN 116820110B
- Authority
- CN
- China
- Prior art keywords
- task
- particle
- algorithm
- fitness
- chromosome
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 122
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 239000002245 particle Substances 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000000670 limiting effect Effects 0.000 claims abstract description 9
- 210000000349 chromosome Anatomy 0.000 claims description 50
- 108090000623 proteins and genes Proteins 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 10
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000012804 iterative process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 108700003861 Dominant Genes Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于智能优化算法的生态环境监测任务规划方法与装置，包括根据模糊层次分析法建立地理环境栅格模型，基于混合粒子群算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少耗时路径，基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序。本发明能够应用于地理环境复杂、随机性较强、优化目标多样的路线与任务一体化规划的现实生态环境监测场景，实现智能化的生态环境监测终端路径规划与任务分配。
Description
技术领域
本发明属于地理信息智能计算领域，具体涉及基于智能优化算法的生态环境监测任务规划方法及装置。
背景技术
本发明涉及的任务规划方法及装置主要包括路径规划和任务分配环节，路径搜索方法主要有Dijkstra等传统算法和遗传算法、蚁群优化、神经网络等智能优化算法，传统算法主要用于在环境信息全面已知的情况下求解静态路径规划问题，智能算法适用于在局部环境信息已知的情况下求解动态路径规划问题，通过启发式地智能搜索判断下一步方向。相关研究对移动机器人路径规划这一主要应用领域的环境建模、优化准则和路径搜索算法进行了综述，调查显示演化算法、粒子群算法、蚁群算法等是解决移动机器人路径规划最常用的方法。
任务分配方法主要有枚举法、动态规划、分枝定界等数学规划法、市场机制分配法、基于行为的方法和智能优化算法，其中智能算法具有适应性强、处理速度快、误差率低、实现简单、效率高等优点，被广泛应用于任务分配问题。相关技术对原有的多类型基因演化算法进行了改进，设计不同初始化、交叉、变异算子使不同操作能力的无人机在有限资源约束下处理异质任务，也有采用演化算法应用于医疗物资运输分配系统的机器人任务分配研究，但算法只针对固定已知的任务链进行任务分配，种群和适应度函数设计的考虑因素不够充分。
而实际生态环境监测过程中，通常需要多台地面监测终端在野外偏僻环境中执行系列数据采集任务，尽管许多研究对各种智能优化算法进行融合、优化分别完成路径规划和任务分配，但很少考虑应用于地理环境复杂、随机性较强、优化目标多样的路线与任务一体化规划的现实生态环境监测场景。
发明内容
根据现有技术的不足，本发明的目的是提供基于智能优化算法的生态环境监测任务规划方法及装置，针对现有研究方案优化目标不全面、动态调整性不足、缺乏野外场景建模、缺乏路径规划与任务分配一体化智能决策的方面做出改进，能够应用于地理环境复杂、随机性较强、优化目标多样的路线与任务一体化规划的现实生态环境监测场景，实现智能化的生态环境监测终端路径规划与任务分配。
为了解决上述技术问题，本发明采用的技术方案为：
基于智能优化算法的生态环境监测任务规划方法，包括：
根据模糊层次分析法建立地理环境栅格模型；
基于混合粒子群算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少通行时间成本路径；
基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序。
进一步地，混合粒子群算法具体包括：
融合蚁群策略的粒子群初始化；
评估粒子群第一适应度，求解每个粒子代表的一对任务地点之间的路线通行时间成本；
更新粒子群的速度及位置；
重新计算第一适应度并更新个体最优值和全局最优值，直到达到最大迭代次数，输出全局最优解；
返回初始化执行下一对任务地点的路径规划，直到相同类型全部任务地点之间的路径规划完毕；
根据每次输出的全局最优解构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点之间的最少路线通行时间成本路径。
进一步地，融合蚁群策略的粒子群初始化方法为：
设定粒子起始位置为某任务地点，在地理环境栅格模型中，每个粒子从起始像元开始以八邻域像元为下一步候选位置逐步向终点探索路径，记录栅格点是否已被访问，通过设计启发函数表示像元的入选概率，若某邻域有像元处于粒子的前进可视范围且均未被访问，则以入选概率为权重在可选像元中随机选择下一位置，若没有可选邻域点则沿原路线回退两步，并将后两步的选择概率降低0.1，直到粒子达到终点。
进一步地，第一适应度为：
其中，表示粒子所在路线的加权距离总耗时，/>表示粒子所在路线转弯强度，代表粒子所在路线第/>个路径节点和第/>个路径节点的三维坐标直线距离，/>为路线节点总数，/>代表粒子所在路线第/>个路径节点位于地理环境栅格模型的通行难度评价等级，/>、/>依次是粒子所在路线第/>个路径节点位于地理环境栅格模型的行列号，/>代表监测终端平均移动速度，/>为粒子对应路线的转弯次数，/>为监测终端转弯一次所耗时延；
第一适应度值越大代表粒子所在路线通行时间成本越低，粒子表现越优。
进一步地，改进演化算法具体包括：
种群初始化，对同一类型的全部任务地点设计分割点编码和任务序列编码；
评估种群第二适应度，求解每个染色体代表的全部任务执行总耗时；
根据种群第二适应度表现随机选择个体进行染色体顺位贪心交叉、变异；
重新计算第二适应度并更新第二适应度排名，直到达到最大迭代次数；
输出历史最优染色体对应的监测终端任务分配方案和任务完成预估时序。
进一步地，第二适应度为：
式中，、/>分别为监测终端/>的目标函数和超出续航惩罚量，/>为监测终端总数，/>为监测终端/>分配到的任务总数，/>为监测终端从第/>个任务地点到下一任务地点的最小通行时间成本，通过遍历任务地点邻接矩阵M2获取，/>代表监测终端/>的剩余续航；
第二适应度值越大对应的任务执行总耗时越短，染色体表现越优。
进一步地，染色体顺位贪心交叉包括：
交换起始基因，随机生成染色体交叉起始位置，将父代染色体X、Y起始位置对应基因分别放入子代染色体Y1、X1；
顺位贪心选择，复制父代染色体为X’、Y’并将X’、Y’起始位置对应基因赋为0以子代染色体首位基因为当前点a，在X’、Y’中按从左往右顺序依次比较与其相邻的下一位基因b、c，根据任务地点邻接矩阵，在b、c中选择与a之间通行时间成本更小的基因加入子代染色体，将选中基因对应于X’、Y’的所在位置赋为0；
交叉循环，以子代染色体的下一位基因为当前点a进行顺位贪心选择，比较时跳过X’、Y’基因为0的位置，若到达X’、Y’末位则跳转到首位继续，循环执行这一过程，直到子代染色体的基因个数等于父代染色体长度；
更新分割点编码，统计X1、Y1中相邻任务间的通行时间成本spT_X1、spT_Y1，并将其由大到小排序，若通行成本为0的个数超过n-1，则放弃交叉，生成的子代与父代保持一致，否则将前n-1个通行时间成本所在基因位置作为子代的分割点编码，若分割点位置间隔小于最小任务子集长度2，则向排序后的spT_X1’、spT_Y1’中寻找下一个分割点位置直到分割点间隔大于2；
调整任务执行顺序，以任务序列正序或逆序执行的紧迫需求满足程度为依据评判是否调整任务执行顺序，保障各分割点之间的任务地点路径可达。
基于智能优化算法的生态环境监测任务规划装置，包括：
地理环境栅格模型建立模块，用于根据模糊层次分析法建立地理环境栅格模型；
最小通行时间成本路径网络获取模块，用于基于混合粒子群算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少通行时间成本路径；
任务分配方案获取模块，用于基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序。
基于智能优化算法的生态环境监测任务规划设备，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基于智能优化算法的生态环境监测任务规划方法的步骤。
一种存储介质，所述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基于智能优化算法的生态环境监测任务规划方法的步骤。
与现有技术相比，本发明具有以下优点和有益效果：
本发明根据模糊层次分析法建立地理环境栅格模型，模拟野外复杂地形场景的通行难度，基于混合粒子群算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少通行时间成本路径，并基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序。算法耦合现场多方因素，将路径规划与任务分配智能决策相结合，优化目标多样，具有动态调整性。
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为本发明提出的基于智能优化算法的生态环境监测任务规划方法的流程图。
图2为本发明路径搜索示意图。
图3为本发明提出的基于智能优化算法的生态环境监测任务规划装置的示意图。
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。
针对现有智能算法技术通常是对固定已知的任务链进行任务分配，种群和适应度函数设计的考虑因素不够充分，很少考虑应用于地理环境复杂、随机性强、优化目标多样的路线与任务一体化规划的现实生态环境监测场景，本发明用于在野外复杂动态场景下自适应地智能生成水质检测仪、光谱仪等多台生态环境监测终端的任务规划解决方案，对现有研究方案优化目标不全面、动态调整性不足、缺乏野外场景建模、缺乏路径规划与任务分配一体化智能决策的方面做出改进，设计适用于野外生态环境多台监测终端任务规划的算子以优化传统的粒子群算法、演化算法，为生态环境常态监测、环保巡查、事故应急抢险救援等应用场景提供任务规划方法参考。
本发明提供基于智能优化算法的生态环境监测任务规划方法，如图1所示，包括：
步骤1、根据模糊层次分析法建立地理环境栅格模型；
步骤2、基于混合粒子群算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少通行时间成本路径；
步骤3、基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序。
在步骤1中，建立地理环境栅格模型，具体包括：
步骤101、建立用于评判任务区域地理环境通行难度的指标集和评价集，指标集包括多个指标，评价集包括多个评价等级，通过层次分析法确定各个指标相对应的权重W；
步骤102、构建指标集和评价集之间的模糊关系矩阵，通过模糊综合评判法逐一给每个指标对应的模糊集合隶属度附加权重W输出代表任务区域地理环境通行难度的环境栅格模型。
本发明中，在步骤101中，由于地形起伏和地物类型是影响野外环境通行难度的主要因素，指标集I设计为{植被覆盖度，坡度，平面曲率，起伏度，地物类型}，指标集可以根据实际的任务执行环境选取，包括但不限于这五项指标。其中，基于DEM计算坡度、起伏度、平面曲率，坡度、起伏度越高代表对应区域内地形越跌宕，平面曲率越大像元邻域内坡向分布越不一致；基于多光谱遥感影像生成地物类型，地物类型包括房屋、道路、林地、草地、裸土、水体、耕地；基于遥感影像红波段和近红外波段计算植被覆盖度
在步骤101中，建立评价集，用于评价任务区域地理环境通行难度，通常结合经验知识和分位数分类法，评价集包括多个评价等级，在本发明中，评价等级定义为五个级别V={优，良，一般，较差，差}，对应像元值依次设定为{1，2，3，4，5}。另外，评价等级和对应像元值也可以通过其他形式表示。
在步骤101中，通过层次分析法确定各个指标的权重，具体包括：
步骤1011、建立层次结构模型，其中目标层是实现任务区域地理环境通行难度的评价，准则层指作为判断通行难度依据的指标集I，方案层指输出的评价结果集合V；
步骤1012、构建判断矩阵M，判断矩阵存储准则层中多个指标间对目标层通行难度的相对重要性，重要程度越高对应矩阵单元的取值越低；
步骤1013、对归一化后的判断矩阵M1按行求和取平均得到M1的特征向量，特征向量中各个值为各个指标相对应的权重，利用代表一致性比例计算公式验证权重合理性。
本发明中，在步骤102中，建立模糊关系矩阵R（N*5*5）用来表示指标集I（N*5）属于评价结果集合V（1*5）的隶属度U，N表示环境栅格模型像元总数。将每个像元的模糊关系矩阵（5*5）和步骤1013中的权重向量（5*1）进行矩阵相乘运算，得到N个5*1的加权隶属度向量，其中隶属度最大值对应的环境通行难度评价等级为地理环境栅格模型的像元值。
本发明实施例中，坡度等定量评估指标在各个评价级别中的隶属度由梯度分布函数计算，将地物类型定性指标转化为定量评估指标，其中代表优秀地物类型的道路记为1，代表良好地物类型的裸土记为2，代表一般地物类型的草地记为3，代表较差地物类型的林地记为4，其他地物类型记为5，设定坡度大于60°的区域、水体、房屋、耕地为避障区。
本发明相比其他栅格划分方法，模糊层次分析法能综合考虑指标数据和专家经验并通过模糊数学理论、层次分析方法处理多个指标和层次间的相对重要性、模糊性和关联性，使地理环境的通行状况评估结果具有可解释、客观、真实的特点。本发明通过建立地理环境栅格模型用于评判监测终端在任务执行过程中的通行难度，实现了综合地形起伏、地物类型等复杂地理信息的栅格表达，更大程度地模拟野外地形环境，为生态环境监测任务规划提供更真实、直观的底盘数据支撑。
本发明中，步骤2具体包括：
步骤201、融合蚁群策略的粒子群初始化；
步骤202、评估粒子群第一适应度，求解每个粒子代表的一对任务地点之间的路线通行时间成本；
步骤203、更新粒子群的速度及位置；
步骤204、返回步骤202重新计算第一适应度并更新个体最优值和全局最优值，直到达到最大迭代次数，输出全局最优解；
步骤205、返回初始化执行下一对任务地点的路径规划，直到相同类型全部任务地点之间的路径规划完毕；
步骤206、根据每次输出的全局最优解构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点之间的最少路线通行时间成本路径。
在步骤201中，融合蚁群策略的粒子群初始化方法为：
设定粒子起始路径节点为某任务地点，采用蚁群算法中启发式构建路径的方法，在地理环境栅格中，每个粒子从起始像元开始以八邻域像元为下一步候选路径节点逐步向终点探索路径，建立禁忌表tbL记录栅格点是否已被访问，通过设计启发函数获取像元的入选概率，启发函数与当前像元所处视野范围和回退次数有关，若某邻域有像元处于粒子的前进可视范围且均未被访问，则以入选概率为权重在可选像元中随机选择下一位置，若没有可选邻域点则沿原路线回退两步，并将后两步的选择概率降低0.1，直到粒子达到终点。
具体地，为混合粒子群最短路径网络规划算法初始化粒子群，每个粒子从起始任务点开始以东、南、西、北、东南、西南、东北、西北八个方向上逐步向终点探索路径，在起步速度范围内随机初始化粒子速度，粒子的初始位置和速度的数学表达式见下式：
式中，、/>代表粒子/>初始的路径节点位置集合和对应每节点速度集合，/>是粒子/>第/>个路径节点横坐标，/>是粒子/>第/>个路径节点纵坐标，/>是粒子/>在第/>个路径节点的行坐标速度，/>是粒子/>在第/>个路径节点的列坐标速度。
构建路径优先考虑起点到终点方向上没有被访问过的邻域点，引入蚁群算法的启发函数和禁忌表，将已被纳入粒子路线的栅格点加入禁忌表tbL，设计启发函数代表邻域像元的入选概率，粒子/>选择第/>个路径节点的数学表达式如下：
式中，表示粒子/>第/>个路径节点，/>随机加权函数，函数第一项为待抽样的数据集，第二项代表数据集包含的各元素对应的权重，/>表示第/>个路径节点的八邻域，/>表示八个邻域像元启发函数值，/>是判断邻域像元是否处于前进可视方向的二值变量，/>作为禁忌表是判断邻域像元是否被访问的二值变量，/>代表邻域像元记录的回退次数。
的取值分三种情况：定义以起点到终点连线为中央方向的上下90°范围内为前视范围，中央方向上下180°范围为广视范围，当前视范围内有可选像元时将其赋为1，其余像元赋为0，否则查询广视范围，将广视范围内的可选像元赋值为1，其余像元赋0，若依然没有可选像元，则将后视范围像元赋值为1，因此位于粒子前进可视方向的邻域像元具有更高的入选概率，为避免搜索陷入僵局，若下一步没有可选的邻域点则沿原路线回退两步，并在该粒子本次路线构建过程中将这两步的选择概率降低0.1，当发现路线经过的节点超出设定最大路线长度时重新构建路径，路径构建示意图见图2。
经过以上流程初始化的粒子群，能够保证粒子群是属于问题的多种可行解，运用启发式搜索模式提高了问题收敛速度，支持不定长路线的动态避障。
在步骤202中，通过第一适应度评估每个粒子代表的路线通行时间成本，第一适应度为：
其中，表示粒子所在路线的加权距离总耗时，/>表示粒子所在路线转弯强度，代表粒子所在路线第/>个路径节点和第/>个路径节点的三维坐标直线距离，/>为路线节点总数，/>代表粒子所在路线第/>个路径节点位于地理环境栅格模型的通行难度评价等级，/>、/>依次是粒子所在路线第/>个路径节点位于地理环境栅格模型的行列号，/>代表监测终端平均移动速度，/>为粒子对应路线的转弯次数，/>为监测终端转弯一次所耗时延；
第一适应度值越大代表粒子所在路线通行时间成本越低。
本发明通过设计第一适应度，评估粒子群中每个粒子的优劣，迭代过程中指导粒子群朝着最优个体的方向进化，即粒子群会朝着路径通行时间成本最低的方向优化，最终帮助得到问题较优解。
在步骤203中，根据标准粒子群算法的速度更新公式更新速度和位置向量，引入ceil函数表示对新位置向上取整以匹配行列号，引入线性递减惯性权重因子，降低算法全局搜索能力并提高局部搜索能力，使问题随迭代过程的推进逐渐收敛到稳定解，则/>时刻粒子/>第/>个路径节点的速度与位置更新公式如下：
式中，代表粒子/>第/>个路径节点的坐标，/>代表粒子/>历史最优路线中第/>个路径节点坐标，/>代表全局最优路线中第/>个路径节点坐标，/>、/>分别是/>时刻和/>时刻粒子/>第/>个路径节点的速度，/>、/>为学习因子，在本发明实施例中取1和1.5，r1、r2为0~1之间的随机数，/>表示最大惯性权重，/>表示最小惯性权重，/>表示算法最大迭代总次数，在本发明实施例中依次取1、0.3、100，/>表示当前迭代次数，/>随迭代次数增加逐渐减小；
判断位置和速度是否在预先设定的规定范围内，若不在则取最邻近的边界值，位置范围即环境栅格区域，速度范围是设定监测终端一次移动的最大距离，剔除新路径存在的循环路段。
本发明中，步骤3具体包括：
步骤301、种群初始化，对同一类型的全部任务地点设计分割点编码和任务序列编码；
步骤302、评估种群第二适应度，求解每个染色体代表的全部任务执行总耗时；
步骤303、根据第二适应度表现随机选择个体进行染色体顺位贪心交叉、变异；
步骤304、返回步骤302重新计算第二适应度并更新第二适应度排名，直到达到最大迭代次数；
步骤305、输出历史最优染色体对应的监测终端任务分配方案和任务完成预估时序。
在步骤301中，对同一类型的全部任务地点进行分割点编码和任务序列编码包括：
步骤3011、对同一类型的全部任务地点进行分割点编码：若监测终端数量为n，分割点编码随机在染色体中插入n-1个分隔符将全部任务划分为n段，分隔后的每一段对应一个任务分配子集，分割点位置在保证每个任务子集不得小于2前提下随机生成，得到分配给各监测终端的任务数；
步骤3012、生成任务地点邻接矩阵M2以存储全部任务地点两两之间通行时间成本，将不同类型或距离过远的任务地点之间的路线耗时设为0，代表两者互相不可达；
步骤3013、根据步骤3011对每个监测终端分配的任务数进行任务序列编码：随机选择一项任务作为起始地点，根据该点在任务地点邻接矩阵M2存储的可达点集，随机选择一个尚未执行的任务作为下一步移动顺序并加入执行列表，处于分割点位置的基因则在全部任务集合中随机寻找尚未执行的任务进行编码，若未达到分割点位置且可达点集为空，则重新搜索任务遍历顺序，若多次搜索依旧没有可行解，则更新分割点编码，直到全部任务地点遍历完毕;
步骤3014、将任务紧要程度分类，具体分为紧急、重要、普通三种类型，依次记为3、2、1分，以任务序列正序或逆序执行的紧迫需求满足程度为依据评判是否调整任务顺序，若下半段任务序列总分大于上半段，则逆向执行任务序列，否则不变。
由以上流程得到的染色体编码是本任务分配问题的一种可行解，分配过程速度较快，同时能够保证路径符合规则，满足紧急任务优先的需求。
在步骤302中，种群演化方向由算法适应度评价模型的优化目标函数和惩罚函数组成，优化目标设定为所有监测终端按任务序列执行对应任务所花费的总时间成本，惩罚因子代表所有监测终端超出各自续航电量的时长总和。第二适应度按下式计算：
式中，、/>分别为监测终端/>的目标函数和超出续航惩罚量，/>为监测终端总数，/>为监测终端/>分配到的任务总数，/>为监测终端从第/>个任务地点到下一任务地点的最小通行时间成本，通过遍历任务地点邻接矩阵M2获取，/>代表监测终端/>的剩余续航，个体适应值越大对应的任务执行总耗时越短。
本发明中，第二适应度表征种群中每个个体的优劣，第二适应度使迭代过程中种群会在资源性能限制条件下朝着任务总耗时最短的方向优化。
在步骤303中，根据第二适应度表现随机选择个体进行染色体交叉和变异包括：
步骤3031、根据第二适应度表现选择第二适应度排名靠后的个体为待交叉父体；
步骤3032、根据自适应交叉概率对两两染色体完成顺位贪心交叉；
步骤3033、依照自适应变异概率生成新的染色体作为变异子代，并通过模拟退火算法Metropolis准则决定接受新解的概率；
其中，在种群标准演化机制中引入自适应交叉和变异概率，交叉、变异概率P随演化迭代过程当前染色体适应度、适应度最大值/>和平均值/>之差自适应地变化：
当大于/>时，/>，反之取p1，在本发明实施例中p1、p2在交叉、变异时分别取0.9、0.6，0.2、0.1。
自适应交叉、变异概率会随演化迭代过程当前染色体适应度、适应度最大值和平均值之差变化，若当前个体的适应值小于平均值，交叉、变异概率自动取较大值，以便更好保留适应值较大的个体。
在步骤3032中，顺位贪心交叉算子进一步包括交换起始基因、顺位贪心选择、交叉循环、更新分割点编码、调整任务执行顺序五个步骤：
假定依照交叉概率选择的两个父体任务序列编码为：
X=[6,2,1,7,9,4,8,3,5,11,10,12]
Y=[10,11,12,4,7,6,1,2,9,8,5,3]
步骤30321、随机生成染色体交叉起始位置m=4，X的第4个位置为7，Y第4个位置为4，将4放入子代X1，7放入子代Y1，复制父代染色体为X’、Y’；
步骤30322、以生成X1为例，先将复制的父代X’、Y’基因4所在位置赋0，从起始基因4开始按从左往右的顺序比较与其相邻的父代基因，父代X’、Y’染色体与4右边相邻的分别是8、7，由于任务地点邻接矩阵M2(4,8)<M2(4,7)，将任务地点8加入到子代X1中并记录M2(4,8)的通行时间成本spT_X1(4，8)，将父代X’、Y’里选中的基因8所在位置赋0：
X1=[4,8]X’=[6,2,1,7,9,0,0,3,5,11,10,12]Y’=[10,11,12,0,7,6,1,2,9,0,5,3]；
步骤30323、进入交叉循环，从下一位基因开始比较X’、Y’相邻基因，跳过基因为0的位置，若到达染色体末位则跳转到首位继续，判断X1中的元素个数是否等于染色体长度，若没有则继续比较父代与当前基因右邻的下一位基因，直到X1交叉完毕；
步骤30324、判断生成的子代X1=[4,8,3,5,10,11,12,7,9,6,1,2]相邻任务地点不可达的情况个数是否超过监测终端数量-1，超过则放弃交叉，X1与父代X保持一致，同理有Y1=[7,9,4,8,3,5,10,11,12,6,1,2]；
步骤30325、对分割点编码进行更新，对记录的X1、Y1中相邻任务序列通行时间成本spT_X1、spT_Y1由大到小排序，将前-1个通行时间成本所在基因位置作为子代的分割点编码，若分割点位置间隔小于最小任务子集长度2，则向排序后的spT_X1’、spT_Y1’中寻找下一个分割点位置直到分割点间隔大于2；
步骤30326、以任务序列正序或逆序执行的紧迫需求满足程度为依据评判是否调整任务执行顺序，保障各分割点之间的任务地点路径可达。
为了丰富种群多样性、进化出更优子代，提出的顺位贪心交叉会随机选择表现较差的个体进行染色体交叉，继承优势基因的可能性更大，同时保障了输出解的合法性。
在本发明步骤3033中，为种群的变异机制引入模拟退火算法的Metropolis准则，依照变异概率对第二适应度表现排名后50%的个体X进行变异，重新生成新解Xnew，对于第二适应度小于原个体X第二适应度的新解，按Metropolis准则以当前温度和第二适应度表现来决定接受新解Xnew的概率。
Metropolis准则在迭代初期有较大概率接受适应度更差的下一代，起到扩充种群多样性、跳出局部最优、避免算法过早停滞的作用，后期接受较差新解的概率逐步降低，使种群演化程度趋于收敛。
在步骤305中，根据历史最优染色体对应的监测终端任务分配方案输出任务完成预估时序：每台监测终端各任务预估完成时刻按照每台监测终端的启动时间和规划的任务序列，累加任务地点邻接矩阵计算。
具体的，根据任务地点邻接矩阵M2和本算法最优解建立生态环境监测资源任务时序表，分别存储每台监测终端分配到的最优任务序列、预估各任务完成时刻、监测终端剩余续航时长，列表示监测终端编号，某台监测终端各任务预估完成时刻则按照规划的任务序列[T1,…,Tm]累加邻接矩阵M2存储的最小通行时间成本计算：
式中，为监测终端/>的启动时间，/>为监测终端/>分配到的任务总数，/>表示监测终端/>从第k个任务地点到下一个任务地点的最小通行时间成本。
若监测资源数量或任务需求发生变化，则从任务时序表中收集还未执行的任务地点和监测终端剩余续航时间，与新增监测终端、新增任务点一同作为步骤2、3的算法输入参数重新构建最小通行时间成本路径网络、输出监测终端任务分配方案和任务完成预估时序。
在本发明的一个实施例中，生态环境监测资源与任务集合的初始情况见表1，记录了监测终端类型、续航、任务集合等信息，起始时间模拟任务启动后终端到达首个任务地点的时刻，此时任务地点间通行时间未知；
表1.问题初始信息
本发明实施例依据所述步骤2构建了任务地点之间的最小通行时间成本路径网络，为得到更稳定、优越的第一适应度，将迭代次数设为500次，约1km2的任务区域内20个任务地点路径网络构建耗时497.32s。
本发明实施例依据所述步骤3对表1中两类监测资源完成任务分配，算法历史最优第二适应度迭代过程表明本算法能在30次迭代内收敛到最优值，第二适应度44.11min和23.88min分别代表a类监测终端和b类监测终端执行完全部任务的总耗时。经过多次实验验证，算法输出的任务分配方案维持一致，第二适应度上下浮动小，表明寻优性能稳定，100次迭代后耗时都在40s以内。
本发明实施例依据所述步骤305根据当前任务执行情况建立任务时序表，见表2，若遇任务新增、监测终端失灵等突发情况，根据新的任务集合和监测终端续航重新进行任务分配，使算法随资源的性能变化自适应调整优化方案。
表2.任务执行时序表
综上所述，本发明设计了一种用于评估任务区域通行难度的地形环境栅格模型、一种针对路径规划问题的融合蚁群思想的粒子群初始化路径构建方式、一种针对任务分配问题的染色体编码方式和顺位贪心交叉算子，引入了线性递减惯性权重、自适应交叉变异、metropolis准则提高粒子群和演化算法的搜索能力、收敛能力，使其适用于离散空间组合优化问题，能够为任务地点求解得到一组路径网络数据，为具有续航、类型、紧急任务优先条件限制的生态环境数据采集终端自适应分配不同的任务集，并针对现场监测需求变化做出动态响应。
本发明还提供基于智能优化算法的生态环境监测任务规划装置，如图3所示，包括：
地理环境栅格模型建立模块，用于根据模糊层次分析法建立地理环境栅格模型；
最小通行时间成本路径网络获取模块，用于基于混合粒子群算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少耗时路径；
任务分配方案获取模块，用于基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序。
本发明还提供一种基于智能优化算法的生态环境监测任务规划设备，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的基于智能优化算法的生态环境监测任务规划方法的步骤。
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基于智能优化算法的生态环境监测任务规划设备的操作。这些数据的示例包括：用于在基于智能优化算法的生态环境监测任务规划设备上操作的任何计算机程序。
本发明实施例揭示的基于智能优化算法的生态环境监测任务规划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，基于智能优化算法的生态环境监测任务规划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。上述处理器可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，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基于智能优化算法的生态环境监测任务规划方法的步骤。
在示例性实施例中，基于智能优化算法的生态环境监测任务规划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 Logic Device)、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。
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，Random Access Memory)，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，DynamicRandom Access Memory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic RandomAccess Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data RateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，Sync Link Dynamic Random Access Memory)、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。
本发明还提供一种存储介质，所述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基于智能优化算法的生态环境监测任务规划方法的步骤。
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 (8)
1.基于智能优化算法的生态环境监测任务规划方法，其特征在于，包括：
根据模糊层次分析法建立地理环境栅格模型；
基于蚁群算法和粒子群算法的混合算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少通行时间成本路径；
基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序，具体为：
种群初始化，对同一类型的全部任务地点设计分割点编码和任务序列编码；
评估种群第二适应度，求解每个染色体代表的全部任务执行总耗时；
根据种群第二适应度表现随机选择个体进行染色体顺位贪心交叉、变异；
第二适应度为：/>
式中，、/>分别为监测终端/>的目标函数和超出续航惩罚量，/>为监测终端总数，/>为监测终端/>分配到的任务总数，/>为监测终端从第/>个任务地点到下一任务地点的最小通行时间成本，通过遍历任务地点邻接矩阵M2获取，/>代表监测终端/>的剩余续航；第二适应度/>值越大对应的任务执行总耗时越短，染色体表现越优；
重新计算第二适应度并更新第二适应度排名，直到达到最大迭代次数；
输出历史最优染色体对应的监测终端任务分配方案和任务完成预估时序。
2.根据权利要求1所述的基于智能优化算法的生态环境监测任务规划方法，其特征在于，基于蚁群算法和粒子群算法的混合算法具体包括：
融合蚁群策略的粒子群初始化；
评估粒子群第一适应度，求解每个粒子代表的一对任务地点之间的路线通行时间成本；
更新粒子群的速度及位置；
重新计算第一适应度并更新个体最优值和全局最优值，直到达到最大迭代次数，输出全局最优解；
返回初始化执行下一对任务地点的路径规划，直到相同类型全部任务地点之间的路径规划完毕；
根据每次输出的全局最优解构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点之间的最少路线通行时间成本路径。
3.根据权利要求2所述的基于智能优化算法的生态环境监测任务规划方法，其特征在于，融合蚁群策略的粒子群初始化方法为：
设定粒子起始位置为某任务地点，在地理环境栅格模型中，每个粒子从起始像元开始以八邻域像元为下一步候选位置逐步向终点探索路径，记录栅格点是否已被访问，通过设计启发函数表示像元的入选概率，若某邻域有像元处于粒子的前进可视范围且均未被访问，则以入选概率为权重在可选像元中随机选择下一位置，若没有可选邻域点则沿原路线回退两步，并将后两步的选择概率降低0.1，直到粒子达到终点。
4.根据权利要求2所述的基于智能优化算法的生态环境监测任务规划方法，其特征在于，第一适应度为：
其中，表示粒子所在路线的加权距离总耗时，/>表示粒子所在路线转弯强度，代表粒子所在路线第/>个路径节点和第/>个路径节点的三维坐标直线距离，/>为路线节点总数，/>代表粒子所在路线第/>个路径节点位于地理环境栅格模型的通行难度评价等级，/>、/>依次是粒子所在路线第/>个路径节点位于地理环境栅格模型的行列号，/>代表监测终端平均移动速度，/>为粒子对应路线的转弯次数，/>为监测终端转弯一次所耗时延；
第一适应度值越大代表粒子所在路线通行时间成本越低，粒子表现越优。
5.根据权利要求1所述的基于智能优化算法的生态环境监测任务规划方法，其特征在于，染色体顺位贪心交叉包括：
交换起始基因，随机生成染色体交叉起始位置，将父代染色体X、Y起始位置对应基因分别放入子代染色体Y1、X1；
顺位贪心选择，复制父代染色体为X’、Y’并将X’、Y’起始位置对应基因赋为0以子代染色体首位基因为当前点a，在X’、Y’中按从左往右顺序依次比较与其相邻的下一位基因b、c，根据任务地点邻接矩阵，在b、c中选择与a之间通行时间成本更小的基因加入子代染色体，将选中基因对应于X’、Y’的所在位置赋为0；
交叉循环，以子代染色体的下一位基因为当前点a进行顺位贪心选择，比较时跳过X’、Y’基因为0的位置，若到达X’、Y’末位则跳转到首位继续，循环执行这一过程，直到子代染色体的基因个数等于父代染色体长度；
更新分割点编码，统计X1、Y1中相邻任务间的通行时间成本spT_X1、spT_Y1，并将其由大到小排序，若通行成本为0的个数超过n-1，则放弃交叉，生成的子代与父代保持一致，否则将前n-1个通行时间成本所在基因位置作为子代的分割点编码，若分割点位置间隔小于最小任务子集长度2，则向排序后的spT_X1’、spT_Y1’中寻找下一个分割点位置直到分割点间隔大于2；
调整任务执行顺序，以任务序列正序或逆序执行的紧迫需求满足程度为依据评判是否调整任务执行顺序，保障各分割点之间的任务地点路径可达。
6.基于智能优化算法的生态环境监测任务规划装置，其特征在于，包括：
地理环境栅格模型建立模块，用于根据模糊层次分析法建立地理环境栅格模型；
最小通行时间成本路径网络获取模块，用于基于蚁群算法和粒子群算法的混合算法构建任务地点之间的最小通行时间成本路径网络，获取任意一对相同类型任务地点的最少通行时间成本路径；
任务分配方案获取模块，用于基于改进演化算法分配每台生态环境监测终端的任务序列，同时考虑监测终端性能限制条件，输出任务分配方案和任务完成预估时序，具体为：
种群初始化，对同一类型的全部任务地点设计分割点编码和任务序列编码；
评估种群第二适应度，求解每个染色体代表的全部任务执行总耗时；
根据种群第二适应度表现随机选择个体进行染色体顺位贪心交叉、变异；
第二适应度为：/>
式中，、/>分别为监测终端/>的目标函数和超出续航惩罚量，/>为监测终端总数，/>为监测终端/>分配到的任务总数，/>为监测终端从第/>个任务地点到下一任务地点的最小通行时间成本，通过遍历任务地点邻接矩阵M2获取，/>代表监测终端/>的剩余续航；第二适应度/>值越大对应的任务执行总耗时越短，染色体表现越优；
重新计算第二适应度并更新第二适应度排名，直到达到最大迭代次数；
输出历史最优染色体对应的监测终端任务分配方案和任务完成预估时序。
7.基于智能优化算法的生态环境监测任务规划设备，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任一项所述基于智能优化算法的生态环境监测任务规划方法的步骤。
8.一种存储介质，其特征在于：所述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任一项所述基于智能优化算法的生态环境监测任务规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083669.7A CN116820110B (zh) | 2023-08-28 | 2023-08-28 | 基于智能优化算法的生态环境监测任务规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083669.7A CN116820110B (zh) | 2023-08-28 | 2023-08-28 | 基于智能优化算法的生态环境监测任务规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116820110A CN116820110A (zh) | 2023-09-29 |
| CN116820110B true CN116820110B (zh) | 2023-11-28 |
Family
ID=88116967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311083669.7A Active CN116820110B (zh) | 2023-08-28 | 2023-08-28 | 基于智能优化算法的生态环境监测任务规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116820110B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787173A (zh) * | 2016-02-25 | 2016-07-20 | 中国地质大学（武汉） | 一种多星对地观测任务的调度规划方法及装置 |
| CN107527119A (zh) * | 2017-09-06 | 2017-12-29 | 河海大学 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
| CN109855629A (zh) * | 2019-03-15 | 2019-06-07 | 朱彬 | 一种任务规划方法、装置及电子设备 |
| CN110750095A (zh) * | 2019-09-04 | 2020-02-04 | 北京洛必德科技有限公司 | 一种基于5g通讯的机器人集群运动控制优化方法及系统 |
| CN113112065A (zh) * | 2021-04-09 | 2021-07-13 | 山东交通学院 | 一种海洋污染巡检采样多无人船路径规划方法 |
| CN114254875A (zh) * | 2021-11-25 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 面向任务的多维度效能评估方法 |
| CN114819714A (zh) * | 2022-05-18 | 2022-07-29 | 湖南大学 | 面向个性化定制的全域价值链生态资源配置优化方法 |
| CN115933693A (zh) * | 2022-12-30 | 2023-04-07 | 柳州职业技术学院 | 一种基于自适应混沌粒子群算法的机器人路径规划方法 |
| CN116067385A (zh) * | 2021-11-02 | 2023-05-05 | 中国移动通信有限公司研究院 | 路径规划方法及系统 |
-
2023
- 2023-08-28 CN CN202311083669.7A patent/CN116820110B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787173A (zh) * | 2016-02-25 | 2016-07-20 | 中国地质大学（武汉） | 一种多星对地观测任务的调度规划方法及装置 |
| CN107527119A (zh) * | 2017-09-06 | 2017-12-29 | 河海大学 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
| CN109855629A (zh) * | 2019-03-15 | 2019-06-07 | 朱彬 | 一种任务规划方法、装置及电子设备 |
| CN110750095A (zh) * | 2019-09-04 | 2020-02-04 | 北京洛必德科技有限公司 | 一种基于5g通讯的机器人集群运动控制优化方法及系统 |
| CN113112065A (zh) * | 2021-04-09 | 2021-07-13 | 山东交通学院 | 一种海洋污染巡检采样多无人船路径规划方法 |
| CN116067385A (zh) * | 2021-11-02 | 2023-05-05 | 中国移动通信有限公司研究院 | 路径规划方法及系统 |
| CN114254875A (zh) * | 2021-11-25 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 面向任务的多维度效能评估方法 |
| CN114819714A (zh) * | 2022-05-18 | 2022-07-29 | 湖南大学 | 面向个性化定制的全域价值链生态资源配置优化方法 |
| CN115933693A (zh) * | 2022-12-30 | 2023-04-07 | 柳州职业技术学院 | 一种基于自适应混沌粒子群算法的机器人路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| Mission assignment approach of team service robots based on evolutionary algorithm;Leina Shi 等;《IEEE》;全文 * |
| 基于改进蚁群算法的自动驾驶路径规划研究;绳红强 等;《机械制造与自动化》;第51卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116820110A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388958B (zh) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 | |
| CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
| CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
| CN111352417B (zh) | 异构多无人机协同路径的快速生成方法 | |
| Kritter et al. | On the optimal placement of cameras for surveillance and the underlying set cover problem | |
| Ciornei et al. | Hybrid ant colony-genetic algorithm (GAAPI) for global continuous optimization | |
| CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
| CN112230678A (zh) | 基于粒子群算法的三维无人机路径规划方法及规划系统 | |
| CN112484732B (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
| CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
| CN113485429A (zh) | 空地协同交通巡检的路径优化方法和装置 | |
| CN111880561A (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
| Gao et al. | Adaptive zone-aware hierarchical planner for vision-language navigation | |
| CN109359740B (zh) | 基于多生境遗传算法的机动路径优选方法及存储介质 | |
| CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
| Attea et al. | Bio-inspired multi-objective algorithms for connected set K-covers problem in wireless sensor networks | |
| CN116820110B (zh) | 基于智能优化算法的生态环境监测任务规划方法及装置 | |
| CN111797331B (zh) | 基于群智感知的多目标多约束路线推荐方法 | |
| CN115328210B (zh) | 路径规划方法、装置、终端设备以及存储介质 | |
| CN111310985A (zh) | 一种行程规划方法及系统 | |
| CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
| Zhang et al. | Multi-species evolutionary algorithm for wireless visual sensor networks coverage optimization with changeable field of views | |
| CN115080388A (zh) | 一种面向自动驾驶系统的仿真测试场景生成方法 | |
| CN115933664A (zh) | 物流机器人的调度方法以及系统 | |
| CN112488343B (zh) | 一种基于超启发式算法的智慧城市智能感知终端选址方法 |
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 |