CN117288206B - 一种基于自适应大邻域搜索的无人机路线规划方法 - Google Patents
一种基于自适应大邻域搜索的无人机路线规划方法 Download PDFInfo
- Publication number
- CN117288206B CN117288206B CN202311571313.8A CN202311571313A CN117288206B CN 117288206 B CN117288206 B CN 117288206B CN 202311571313 A CN202311571313 A CN 202311571313A CN 117288206 B CN117288206 B CN 117288206B
- Authority
- CN
- China
- Prior art keywords
- route
- operator
- unmanned aerial
- iteration
- passing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 39
- 230000006378 damage Effects 0.000 claims description 31
- 238000003780 insertion Methods 0.000 claims description 28
- 230000037431 insertion Effects 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 description 2
- 206010033307 Overweight Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
Abstract
本发明公开了一种基于自适应大邻域搜索的无人机路线规划方法,涉及无人机路线规划领域,包括以下步骤:确定无人机数量、无人机的所有途经点,以及各个途经点的最少访问次数和途经点的权重;将当前迭代次数和当前迭代轮次均初始化为0;获取途经点的访问得分和额外访问的边际增益;对各个无人机生成初始路线;对初始路线进行破坏及修复,实现路线更新,直至所有迭代轮次中最优路线未被改进的次数达到阈值,输出该最优路线作为无人机路径。本发明可以在可接受的时间内合理地进行多无人机或者多条路线的中心化调度,以更好地满足监测需求。
Description
技术领域
本发明涉及无人机路线规划领域,具体涉及一种基于自适应大邻域搜索的无人机路线规划方法。
背景技术
通过对高危工厂污染点位的频繁监测,有利于第一时间发现污染问题,以更好地了解属地全域或局部大气污染的形成原因。无人机因其高灵活性和高可控性在污染源监测领域受到了广泛关注,通过对无人机进行合理的中心化调度,可以大大减少线下人工排查投入的成本,进而以较低的成本完成对工厂片区的监测。
但是现有的无人机线路规划方法在规划路线时,出于效率和续航考虑,对于某个途经点,通常只需要经过一次,不会涉及多次到达某个点。因此,现有的无人机线路规划方法并不适用于在多个点位之间来回监测。
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自适应大邻域搜索的无人机路线规划方法为面向污染源监测的无人机群协同调度问题提供了一种高效的解决方案。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于自适应大邻域搜索的无人机路线规划方法,其包括以下步骤:
S1、确定无人机数量、无人机的所有途经点,以及各个途经点的最少访问次数和途经点的权重;将当前迭代次数和当前迭代轮次均初始化为0;
S2、基于途经点的访问次数和权重获取该途经点的访问得分和额外访问的边际增益;
S3、以最大化边际增益和增加的距离或者时间成本的比值为目标,通过贪心策略对各个无人机生成初始路线;
S4、构建一组破坏算子,用于删除每条初始路线中m%个途经点或删除m%条初始路线,得到删除后的路线集合;
S5、构建一组修复算子,用于基于边际增益和增加的距离或者时间成本的增加值将任意途经点插入破坏算子破坏后的路线中的不同位置,直至任何途经点都不能插入到任意位置,得到修复后的路线集合;其中每个破坏算子和修复算子的初始权重相同;
S6、获取当前修复后的路线集合中的各条路线与初始路线的优劣,并根据优劣关系更新相应算子的得分;
S7、判断当前迭代次数是否大于等于单次迭代轮数的次数阈值,若是则得到当前迭代轮次中的最优路线,并进入步骤S8;否则进入步骤S9;
S8、判断所有迭代轮次中最优路线未被改进的次数是否达到阈值,若是则输出该最优路线作为无人机路径;否则进入步骤S9;
S9、基于当前迭代轮次中的最优路线和算子得分生成下一迭代轮次中的初始路线,返回步骤S4。
进一步地,步骤S2中访问得分的计算表达式为:
其中表示途经点/>在单个周期内的访问得分;/>表示途经点/>的权重;/>为途经点/>在单个周期内的最少访问次数;/>为常数,/>。
进一步地,步骤S2中额外访问的边际增益的计算表达式为:
其中为途经点/>在达到单个周期内的最少访问次数基础上多访问一次的边际增益。
进一步地,步骤S4中破坏算子共有四个,分别为随机删除算子、最差移除算子、相关移除算子和路径移除算子;
随机删除算子,用于随机删除每条初始路线中m%个途经点;
最差移除算子,用于计算删掉当前线路中某个点位所能节省的距离或时间成本与损失的边际增益,并选择损失的边际增益与节省的距离或时间成本比值最小的访问点进行删除,直至删除当前线路中m%个途经点;
相关移除算子,用于随机选择当前线路中一个途经点为中心点,并依次删除当前线路中距离该中心点最近的中m%个途经点;
路径移除算子,用于随机删除m%条初始路线。
进一步地,步骤S5中修复算子共有两个,分别为贪心插入算子和基于k后悔值的插入算子;
贪心插入算子,用于获取将途经点插入破坏算子破坏后的路线中位置l所带来的边际增益/>和造成的距离或时间成本的增加值/>,在每次插入时选择最大化的途经点和插入位置,直至任何途经点都不能插入到任意位置;
基于k后悔值的插入算子,用于在每次插入途经点前,获取将途经点插入破坏算子破坏后的路线中位置l所带来的边际增益/>和造成的距离或时间成本的增加值形成的单位价值/>,并按照单位价值由大到小的方式对当前的插入途经点进行排序,选择使k后悔值/>最大化的途经点进行当前插入,直至任何途经点都不能插入到任意位置;其中/>;其中k表示排序后的第k个途经点的序号;/>表示将排序后的第j个途经点插入破坏算子破坏后的路线中位置l所带来的单位价值;/>表示将排序后的第1个途经点插入破坏算子破坏后的路线中位置l所带来的单位价值。
进一步地,直至任何途经点都不能插入到任意位置的判定条件为:
插入使得整条路线超出最大距离限制或最大时间限制。
进一步地,步骤S6中根据优劣关系更新相应算子的得分的具体方法为:
在每个迭代轮次中:
若单次迭代后相应算子处理后得到的路线比当前所有路线中的最优路线更好,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比当前所有路线中的最优路线差但优于处理前的路线,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比处理前的路线差但被接受了,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比处理前的路线差且未被接受,则将相应算子的得分加;
其中,各算子在每个迭代轮次中的初始值为0,。
进一步地,步骤S9的具体方法包括以下子步骤:
S9-1、根据公式:
获取第h+1个迭代轮次中第d种算子的权重;其中/>为常数,/>;/>为第h个迭代轮次中第d种算子的权重;/>为第h个迭代轮次中第d种算子的得分;/>为第d种算子在第h个迭代轮次中被使用的总次数;
S9-2、基于第h+1个迭代轮次中各种算子的权重,通过轮盘赌的方式选择算子进行新线路的生成。
进一步地,若算子处理后得到的路线优于处理前的线路,则将该算子处理后得到的路线作为当前迭代轮次中的最新线路;若算子处理后得到的路线劣于处理前的线路,则以设定概率来确定是否将该处理后得到的路线作为当前迭代轮次中的最新线路。
本发明的有益效果为:本发明可以在可接受的时间内合理地进行多无人机或者多条路线的中心化调度,以更好地满足监测需求。本发明还可以在简单修改之后应用于道路积尘走航监测或洒水车的路线规划等更多场景,应用前景和应用范围均十分广阔,为移动城市感知中无人机或专用监测车辆的调度提供了一种很好的解决方案。
附图说明
图1为本方法的流程示意图。
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。
如图1所示,该基于自适应大邻域搜索的无人机路线规划方法包括以下步骤:
S1、确定无人机数量、无人机的所有途经点,以及各个途经点的最少访问次数和途经点的权重;将当前迭代次数和当前迭代轮次均初始化为0;
S2、基于途经点的访问次数和权重获取该途经点的访问得分和额外访问的边际增益;
S3、以最大化边际增益和增加的距离或者时间成本的比值为目标,通过贪心策略对各个无人机生成初始路线;
S4、构建一组破坏算子,用于删除每条初始路线中m%个途经点或删除m%条初始路线,得到删除后的路线集合;
S5、构建一组修复算子,用于基于边际增益和增加的距离或者时间成本的增加值将任意途经点插入破坏算子破坏后的路线中的不同位置,直至任何途经点都不能插入到任意位置,得到修复后的路线集合;其中每个破坏算子和修复算子的初始权重相同;
S6、获取当前修复后的路线集合中的各条路线与初始路线的优劣,并根据优劣关系更新相应算子的得分;
S7、判断当前迭代次数是否大于等于单次迭代轮数的次数阈值,若是则得到当前迭代轮次中的最优路线,并进入步骤S8;否则进入步骤S9;
S8、判断所有迭代轮次中最优路线未被改进的次数是否达到阈值,若是则输出该最优路线作为无人机路径;否则进入步骤S9;
S9、基于当前迭代轮次中的最优路线和算子得分生成下一迭代轮次中的初始路线,返回步骤S4。
在本发明的一个实施例中,根据不同的工厂等级和排污情况,赋予每个途经点(工厂)不同的权重,我们希望权重高的工厂能够在给定的时间内被多次覆盖(相较于权重低的工厂而言)。因此,步骤S2中访问得分的计算表达式为:
其中表示途经点/>在单个周期内的访问得分;/>表示途经点/>的权重,可以根据工厂等级来合理确定;/>为途经点/>在单个周期内的最少访问次数;/>为常数,/>,/>用于权衡监测范围和监测频率,/>的取值越接近0越倾向于更广的覆盖范围,/>越接近1则会更加频繁的覆盖权重较高的点位。
步骤S2中额外访问的边际增益的计算表达式为:
其中为途经点/>在达到单个周期内的最少访问次数基础上多访问一次的边际增益。
在本发明的一个实施例中,步骤S4中破坏算子共有四个,分别为随机删除算子、最差移除算子、相关移除算子和路径移除算子;
随机删除算子,用于随机删除每条初始路线中m%个途经点;
最差移除算子,用于计算删掉当前线路中某个点位所能节省的距离或时间成本与损失的边际增益,并选择损失的边际增益与节省的距离或时间成本比值最小的访问点进行删除,直至删除当前线路中m%个途经点;
相关移除算子,用于随机选择当前线路中一个途经点为中心点,并依次删除当前线路中距离该中心点最近的中m%个途经点;
路径移除算子,用于随机删除m%条初始路线。
在本实施例中,m的值越大,意味着对当前解的破坏性越强,也就需要更长的计算时间来修复,同时也可能增加找到更好解的概率。
步骤S5中修复算子共有两个,分别为贪心插入算子和基于k后悔值的插入算子;
贪心插入算子,用于获取将途经点插入破坏算子破坏后的路线中位置l所带来的边际增益/>和造成的距离或时间成本的增加值/>,在每次插入时选择最大化的途经点和插入位置,直至任何途经点都不能插入到任意位置;
基于k后悔值的插入算子,用于在每次插入途经点前,获取将途经点插入破坏算子破坏后的路线中位置l所带来的边际增益/>和造成的距离或时间成本的增加值形成的单位价值/>,并按照单位价值由大到小的方式对当前的插入途经点进行排序,选择使k后悔值/>最大化的途经点进行当前插入,直至任何途经点都不能插入到任意位置;其中/>;其中k表示排序后的第k个途经点的序号;/>表示将排序后的第j个途经点插入破坏算子破坏后的路线中位置l所带来的单位价值;/>表示将排序后的第1个途经点插入破坏算子破坏后的路线中位置l所带来的单位价值。
在本发明的一个实施例中,每条线路有个最大距离或者时间预算,插入点位会增加距离或时间,不得超出距离和时间预算。因此,直至任何途经点都不能插入到任意位置的判定条件为:插入使得整条路线超出最大距离限制或最大时间限制。
在本发明的一个实施例中,步骤S6中根据优劣关系更新相应算子的得分的具体方法为:
在每个迭代轮次中:
若单次迭代后相应算子处理后得到的路线比当前所有路线中的最优路线更好,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比当前所有路线中的最优路线差但优于处理前的路线,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比处理前的路线差但被接受了,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比处理前的路线差且未被接受,则将相应算子的得分加;
其中,各算子在每个迭代轮次中的初始值为0,,算子包括四个破坏算子和两个修复算子。
在本发明的一个实施例中,本方法将整个路线规划过程分为若干个迭代轮次,每个迭代轮次中包含若干次迭代,在每个迭代轮次的初始时刻,各算子的得分均为0。在第一个迭代轮次中,各算子的初始权重相同,并在后续的迭代轮次中不断更新算子的权重。步骤S9的具体方法包括以下子步骤:
S9-1、根据公式:
获取第h+1个迭代轮次中第d种算子的权重;其中/>为常数,/>;/>为第h个迭代轮次中第d种算子的权重;/>为第h个迭代轮次中第d种算子的得分;/>为第d种算子在第h个迭代轮次中被使用的总次数;
S9-2、基于第h+1个迭代轮次中各种算子的权重,通过轮盘赌的方式选择算子进行新线路的生成。
在本发明的一个实施例中,若算子处理后得到的路线优于处理前的线路,则将该算子处理后得到的路线作为当前迭代轮次中的最新线路;若算子处理后得到的路线劣于处理前的线路,则以设定概率来确定是否将该处理后得到的路线作为当前迭代轮次中的最新线路,以避免陷入局部最优。
综上所述,本发明可以同时为多个无人机规划路线,并为重要的途经点分配更多次访问,可以提高无人机协同效率,便于进行相关监测。
Claims (6)
1.一种基于自适应大邻域搜索的无人机路线规划方法,其特征在于,包括以下步骤:
S1、确定无人机数量、无人机的所有途经点,以及各个途经点的最少访问次数和途经点的权重;将当前迭代次数和当前迭代轮次均初始化为0;
S2、基于途经点的访问次数和权重获取该途经点的访问得分和额外访问的边际增益;
S3、以最大化额外访问的边际增益和增加的距离或者时间成本的比值为目标,通过贪心策略对各个无人机生成初始路线;
S4、构建一组破坏算子,用于删除每条初始路线中m%个途经点或删除m%条初始路线,得到删除后的路线集合;
S5、构建一组修复算子,用于基于将途经点插入破坏算子破坏后的路线中位置l所带来的边际增益和增加的距离或者时间成本的增加值将任意途经点插入破坏算子破坏后的路线中的不同位置,直至任何途经点都不能插入到任意位置,得到修复后的路线集合;其中每个破坏算子和修复算子的初始权重相同;
S6、获取当前修复后的路线集合中的各条路线与初始路线的优劣,并根据优劣关系更新相应算子的得分;
S7、判断当前迭代次数是否大于等于单次迭代轮数的次数阈值,若是则得到当前迭代轮次中的最优路线,并进入步骤S8;否则进入步骤S9;
S8、判断所有迭代轮次中最优路线未被改进的次数是否达到阈值,若是则输出该最优路线作为无人机路径;否则进入步骤S9;
S9、基于当前迭代轮次中的最优路线和算子得分生成下一迭代轮次中的初始路线,返回步骤S4;
步骤S2中访问得分的计算表达式为:
其中表示途经点/>在单个周期内的访问得分;/>表示途经点/>的权重;/>为途经点/>在单个周期内的最少访问次数;/>为常数,/>;
步骤S2中额外访问的边际增益的计算表达式为:
其中为途经点/>在达到单个周期内的最少访问次数基础上多访问一次的边际增益;
步骤S4中破坏算子共有四个,分别为随机删除算子、最差移除算子、相关移除算子和路径移除算子;
随机删除算子,用于随机删除每条初始路线中m%个途经点;
最差移除算子,用于计算删掉当前线路中某个点位所能节省的距离或时间成本与损失的边际增益,并选择损失的边际增益与节省的距离或时间成本比值最小的访问点进行删除,直至删除当前线路中m%个途经点;
相关移除算子,用于随机选择当前线路中一个途经点为中心点,并依次删除当前线路中距离该中心点最近的中m%个途经点;
路径移除算子,用于随机删除m%条初始路线。
2.根据权利要求1所述的一种基于自适应大邻域搜索的无人机路线规划方法,其特征在于,步骤S5中修复算子共有两个,分别为贪心插入算子和基于k后悔值的插入算子;
贪心插入算子,用于获取将途经点插入破坏算子破坏后的路线中位置l所带来的边际增益/>和造成的距离或时间成本的增加值/>,在每次插入时选择最大化的途经点和插入位置,直至任何途经点都不能插入到任意位置;
基于k后悔值的插入算子,用于在每次插入途经点前,获取将途经点插入破坏算子破坏后的路线中位置l所带来的边际增益/>和造成的距离或时间成本的增加值/>形成的单位价值/>,并按照单位价值由大到小的方式对当前的插入途经点进行排序,选择使k后悔值/>最大化的途经点进行当前插入,直至任何途经点都不能插入到任意位置;其中/>;其中k表示排序后的第k个途经点的序号;表示将排序后的第j个途经点插入破坏算子破坏后的路线中位置l所带来的单位价值;表示将排序后的第1个途经点插入破坏算子破坏后的路线中位置l所带来的单位价值。
3.根据权利要求2所述的一种基于自适应大邻域搜索的无人机路线规划方法,其特征在于,直至任何途经点都不能插入到任意位置的判定条件为:
插入使得整条路线超出最大距离限制或最大时间限制。
4.根据权利要求2所述的一种基于自适应大邻域搜索的无人机路线规划方法,其特征在于,步骤S6中根据优劣关系更新相应算子的得分的具体方法为:
在每个迭代轮次中:
若单次迭代后相应算子处理后得到的路线比当前所有路线中的最优路线更好,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比当前所有路线中的最优路线差但优于处理前的路线,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比处理前的路线差但被接受了,则将相应算子的得分加;
若单次迭代后相应算子处理后得到的路线比处理前的路线差且未被接受,则将相应算子的得分加;
其中,各算子在每个迭代轮次中的初始值为0,。
5.根据权利要求4所述的一种基于自适应大邻域搜索的无人机路线规划方法,其特征在于,步骤S9的具体方法包括以下子步骤:
S9-1、根据公式:
获取第h+1个迭代轮次中第d种算子的权重;其中/>为常数,/>;/>为第h个迭代轮次中第d种算子的权重;/>为第h个迭代轮次中第d种算子的得分;/>为第d种算子在第h个迭代轮次中被使用的总次数;
S9-2、基于第h+1个迭代轮次中各种算子的权重,通过轮盘赌的方式选择算子进行新线路的生成。
6.根据权利要求4所述的一种基于自适应大邻域搜索的无人机路线规划方法,其特征在于,若算子处理后得到的路线优于处理前的线路,则将该算子处理后得到的路线作为当前迭代轮次中的最新线路;若算子处理后得到的路线劣于处理前的线路,则以设定概率来确定是否将该处理后得到的路线作为当前迭代轮次中的最新线路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571313.8A CN117288206B (zh) | 2023-11-23 | 2023-11-23 | 一种基于自适应大邻域搜索的无人机路线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571313.8A CN117288206B (zh) | 2023-11-23 | 2023-11-23 | 一种基于自适应大邻域搜索的无人机路线规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117288206A CN117288206A (zh) | 2023-12-26 |
CN117288206B true CN117288206B (zh) | 2024-02-02 |
Family
ID=89253840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311571313.8A Active CN117288206B (zh) | 2023-11-23 | 2023-11-23 | 一种基于自适应大邻域搜索的无人机路线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117288206B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549952A (zh) * | 2017-12-20 | 2018-09-18 | 中国人民解放军国防科技大学 | 车辆搭载无人机双层路径的优化方法及装置 |
CN110531759A (zh) * | 2019-08-02 | 2019-12-03 | 深圳大学 | 机器人探索路径生成方法、装置、计算机设备和存储介质 |
CN111798067A (zh) * | 2020-07-17 | 2020-10-20 | 大连理工大学 | 基于自适应大邻域搜索算法的自动驾驶汽车配送路径规划方法 |
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 |
EP3772026A1 (en) * | 2019-07-30 | 2021-02-03 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for routing a plurality of vehicles |
CN112381472A (zh) * | 2021-01-15 | 2021-02-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种地铁接驳公交线路优化方法、装置及存储介质 |
WO2021135208A1 (zh) * | 2019-12-31 | 2021-07-08 | 苏宁云计算有限公司 | 考虑订单聚合度的配送路径规划方法与系统 |
CN113642796A (zh) * | 2021-08-18 | 2021-11-12 | 北京航空航天大学 | 基于历史数据的动态共享电动自动驾驶车辆路径规划方法 |
CN113762886A (zh) * | 2021-08-06 | 2021-12-07 | 浙江浙石油综合能源销售有限公司 | 基于变邻域搜索算法的油品二次物流配送优化方法及系统 |
CN114037131A (zh) * | 2021-10-29 | 2022-02-11 | 鹏城实验室 | 一种空地协同任务路线规划方法、装置、终端及存储介质 |
CN114386664A (zh) * | 2021-12-09 | 2022-04-22 | 河海大学 | 一种基于强化学习的个性化旅游线路推荐方法 |
CN115081119A (zh) * | 2022-07-20 | 2022-09-20 | 中铁第四勘察设计院集团有限公司 | 一种列车装载的优化方法、装置、设备及可读存储介质 |
CN116311865A (zh) * | 2022-12-29 | 2023-06-23 | 四川国蓝中天环境科技集团有限公司 | 一种搭载式大气走航监测公交车的主动调度方法 |
CN116645027A (zh) * | 2023-04-26 | 2023-08-25 | 中国民用航空飞行学院 | 基于alns框架的配送车-无人机协同配送路径规划方法 |
CN116644868A (zh) * | 2023-07-27 | 2023-08-25 | 四川国蓝中天环境科技集团有限公司 | 一种序列化的基于公交车队的大规模移动传感器布设方法 |
CN116702400A (zh) * | 2023-08-07 | 2023-09-05 | 四川国蓝中天环境科技集团有限公司 | 一种基于公交车和移动传感器的移动式城市感知优化方法 |
-
2023
- 2023-11-23 CN CN202311571313.8A patent/CN117288206B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549952A (zh) * | 2017-12-20 | 2018-09-18 | 中国人民解放军国防科技大学 | 车辆搭载无人机双层路径的优化方法及装置 |
EP3772026A1 (en) * | 2019-07-30 | 2021-02-03 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for routing a plurality of vehicles |
CN110531759A (zh) * | 2019-08-02 | 2019-12-03 | 深圳大学 | 机器人探索路径生成方法、装置、计算机设备和存储介质 |
WO2021135208A1 (zh) * | 2019-12-31 | 2021-07-08 | 苏宁云计算有限公司 | 考虑订单聚合度的配送路径规划方法与系统 |
CN111798067A (zh) * | 2020-07-17 | 2020-10-20 | 大连理工大学 | 基于自适应大邻域搜索算法的自动驾驶汽车配送路径规划方法 |
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 |
CN112381472A (zh) * | 2021-01-15 | 2021-02-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种地铁接驳公交线路优化方法、装置及存储介质 |
CN113762886A (zh) * | 2021-08-06 | 2021-12-07 | 浙江浙石油综合能源销售有限公司 | 基于变邻域搜索算法的油品二次物流配送优化方法及系统 |
CN113642796A (zh) * | 2021-08-18 | 2021-11-12 | 北京航空航天大学 | 基于历史数据的动态共享电动自动驾驶车辆路径规划方法 |
CN114037131A (zh) * | 2021-10-29 | 2022-02-11 | 鹏城实验室 | 一种空地协同任务路线规划方法、装置、终端及存储介质 |
CN114386664A (zh) * | 2021-12-09 | 2022-04-22 | 河海大学 | 一种基于强化学习的个性化旅游线路推荐方法 |
CN115081119A (zh) * | 2022-07-20 | 2022-09-20 | 中铁第四勘察设计院集团有限公司 | 一种列车装载的优化方法、装置、设备及可读存储介质 |
CN116311865A (zh) * | 2022-12-29 | 2023-06-23 | 四川国蓝中天环境科技集团有限公司 | 一种搭载式大气走航监测公交车的主动调度方法 |
CN116645027A (zh) * | 2023-04-26 | 2023-08-25 | 中国民用航空飞行学院 | 基于alns框架的配送车-无人机协同配送路径规划方法 |
CN116644868A (zh) * | 2023-07-27 | 2023-08-25 | 四川国蓝中天环境科技集团有限公司 | 一种序列化的基于公交车队的大规模移动传感器布设方法 |
CN116702400A (zh) * | 2023-08-07 | 2023-09-05 | 四川国蓝中天环境科技集团有限公司 | 一种基于公交车和移动传感器的移动式城市感知优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117288206A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191847B (zh) | 考虑订单聚合度的配送路径规划方法与系统 | |
CN113885536B (zh) | 一种基于全局海鸥算法的移动机器人路径规划方法 | |
CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
CN113867369B (zh) | 一种基于交流学习的海鸥算法的机器人路径规划方法 | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
CN115437386B (zh) | 一种基于空地信息融合的无人车路径规划方法 | |
CN112985408A (zh) | 一种路径规划优化方法及系统 | |
CN117288206B (zh) | 一种基于自适应大邻域搜索的无人机路线规划方法 | |
CN114444398B (zh) | 一种基于灰狼算法的组网雷达协同干扰资源分配方法 | |
CN114442664A (zh) | 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法 | |
CN114675643A (zh) | 一种无线传感网络的信息传输路径规划方法及装置 | |
CN112800384A (zh) | 基于自适应大领域搜索的gtsp求解算法 | |
CN115469673B (zh) | 一种基于空地信息协同的无人车路径规划方法 | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
CN114493106B (zh) | 一种基于地理划分的空间众包任务分配方法 | |
CN114599004A (zh) | 一种基站布局方法和装置 | |
CN111382896B (zh) | 一种自适应混沌并行克隆选择算法的wta目标优化方法 | |
CN114646313A (zh) | 一种用户轨迹定位方法、电子设备及计算机存储介质 | |
CN113534042A (zh) | 基于改进反向学习布谷鸟搜索的tdoa定位算法 | |
CN111093268A (zh) | 一种离线指纹库区域划分方法、计算机设备、存储介质 | |
CN116258607B (zh) | 风电场的场内道路规划方法、终端设备及存储介质 | |
CN114879747B (zh) | 一种基于具体限定条件下的落位点寻址方法 | |
CN116991179B (zh) | 无人机搜索航迹的优化方法、装置、设备及介质 | |
CN117557069B (zh) | 一种充电桩选址方法及系统、电子设备、存储介质 |
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 |