CN117371585A - 考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备 - Google Patents
考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备 Download PDFInfo
- Publication number
- CN117371585A CN117371585A CN202311302316.1A CN202311302316A CN117371585A CN 117371585 A CN117371585 A CN 117371585A CN 202311302316 A CN202311302316 A CN 202311302316A CN 117371585 A CN117371585 A CN 117371585A
- Authority
- CN
- China
- Prior art keywords
- airport
- unmanned aerial
- task
- aerial vehicle
- points
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000010076 replication Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract description 3
- 238000012163 sequencing technique Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (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)
Abstract
本发明公开了一种考虑任务同时性和序贯性的多无人机机场选址与调度方法及设备，该方法包括：获取任务点的分布情况和智能机场备选点的分布情况；将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案；根据所述机场选址方案，使用无人机调度模型得到无人机调度方案。本发明通过建立两阶段混合整数随机规划模型，先对多无人机作业的机场选址进行决策，在随机任务场景实现后，再对无人机调度进行决策，在多无人机对多个任务点进行作业的场景中考虑了任务点的同时性和序贯性，为无人机的应用提供进一步的指导，本发明提出了一种结合基于蒙特卡罗模拟的样本平均近似算法，在充分缩短计算时间的条件下，求得性能好的机场选址和无人机调度方案。
Description
技术领域
本发明涉及无人机技术领域，尤其涉及考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备。
背景技术
无人机是一种无需载人驾驶的飞行器，它可以在地面或空中进行遥控或自主飞行，具有灵活性高、成本低、安全性强等优点。无人机在各个领域内都有广泛的应用，例如航拍、农业、微型自拍、快递运输、观察野生动物、测绘、新闻报道、电力巡检、影视拍摄等。无人机不仅可以提供高质量的空中影像和数据，还可以提供各种类型的服务和功能。多无人机是指由多架无人机组成的协同系统，它可以执行更复杂和更高效的任务，例如协同搜索、协同跟踪、协同识别等。多无人机系统具有更强的鲁棒性和适应性，能够应对不确定性和动态性较高的环境。
多无人机对多个任务点进行作业的场景中需要考虑任务的同时性与序贯性。任务同时性即某些任务需要在尽量短的时间间隔内同时完成，任务序贯性即某些任务需要其他任务完成之后才能执行。考虑任务同时性与序贯性的多无人机机场选址与调度方法是一个高复杂性的随机规划问题，目前的多无人机作业研究中，没有考虑任务的同时性与序贯性。
发明内容
为了解决上述提出的至少一个技术问题，本发明的目的在于提供一种考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备，以解决多无人机对多任务点进行作业的场景中需要考虑任务的同时性和序贯性的问题。
本发明的目的采用如下技术方式实现：
第一方面，本发明提供了一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，包括：
获取任务点的分布情况和智能机场备选点的分布情况；
将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案；
根据所述机场选址方案，使用无人机调度模型得到无人机调度方案。
优选地，将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案之前，还包括：
根据所述任务点的分布情况和所述智能机场备选点的分布情况，建模得到原问题图表征；
根据所述原问题图表征，建模得到所述机场选址模型。
优选地，所述根据所述任务点的分布情况和所述智能机场备选点的分布情况，建模得到原问题图表征，包括：
根据所述任务点的分布情况和所述智能机场备选点的分布情况，将所述任务点和所述智能机场备选点建模成顶点，将所述任务点与所述任务点之间以及所述任务点与所述智能机场备选点之间的距离建模成边。
优选地，所述根据所述原问题图表征，建模得到所述机场选址模型，包括：
计算机场设置成本、任务完成总时长和不同时性总惩罚；
根据所述机场设置成本的加权值以及所述任务总时长和所述不同时性总惩罚的加权值的期望，设置第一目标函数；
根据所述第一目标函数，进行混合整数随机规划建模得到所述机场选址模型。
优选地，所述将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案，包括：
生成多个第一任务场景；
计算每个选址决策在多个所述第一任务场景下的所述第一目标函数的平均值；
选取所述平均值最小的所述选址决策作为所述机场选址方案。
优选地，所述根据所述机场选址方案，使用无人机调度模型得到无人机调度方案，包括：
生成第二任务场景；
根据所述机场选址方案，计算任务完成总时长和不同时性总惩罚；
根据所述任务完成总时长的加权值和所述不同时性总惩罚的加权值，设置第二目标函数；
根据所述机场选址方案、所述第二任务场景和无人机信息生成约束条件；
以所述第二目标函数最小化为目标，结合所述约束条件，建模得到所述无人机调度模型；
根据所述无人机调度模型，对无人机调度求解最优编码得到所述无人机调度方案。
优选地，所述根据所述无人机调度模型，对无人机调度求解最优编码得到所述无人机调度方案，包括：
对无人机调度采用分段变长度编码；
随机生成多个所述编码作为初始种群；
选择所述初始种群中的个体进行复制并配对；
将两两配对的所述个体对应无人机起飞时间和飞行顺序的染色体片段进行切断、拼接和变异操作；
输出适应度最大的所述编码，将所述编码进行解码得到所述无人机调度方案。
第二方面，本发明提供了一种考虑任务同时性与序贯性的多无人机机场选址与调度系统，包括：
获取模块：用于获取任务点的分布情况和智能机场备选点的分布情况；
选址模块：用于将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案；
调度模块：用于根据所述机场选址方案，使用无人机调度模型得到无人机调度方案。
第三方面，本发明提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行上述的考虑任务同时性和序贯性的多无人机机场选址与调度方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行上述的考虑任务同时性和序贯性的多无人机机场选址与调度方法。
相比现有技术，本发明的有益效果在于：
本发明通过建立两阶段混合整数随机规划模型，先对多无人机作业的机场选址进行决策，在随机任务场景实现后，再对无人机调度进行决策，在多无人机对多个任务点进行作业的场景中考虑了任务点的同时性和序贯性，为无人机的应用提供进一步的指导，本发明提出了一种结合基于蒙特卡罗模拟的样本平均近似算法，在充分缩短计算时间的条件下，求得性能好的机场选址和无人机调度方案。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1为本发明实施例提供的考虑任务同时性与序贯性的多无人机机场选址与调度方法的流程示意图；
图2为本发明实施例提供的随机任务场景的任务区域图表征示意图；
图3为本发明实施例提供的随机任务场景实现之前的机场选址示意图；
图4为本发明实施例提供的随机任务场景实现之后的无人机调度示意图；
图5为本发明实施例提供的考虑任务同时性与序贯性的多无人机机场选址与调度系统示意图；
图6为本发明实施例提供的考虑任务同时性与序贯性的多无人机机场选址与调度方法的应用场景示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。
多无人机对多个任务点进行作业的场景中需要考虑任务的同时性与序贯性。任务同时性即某些任务需要在尽量短的时间间隔内同时完成，任务序贯性即某些任务需要其他任务完成之后才能执行。考虑任务同时性与序贯性的多无人机机场选址与调度方法是一个高复杂性的随机规划问题，目前的多无人机作业研究中，没有考虑任务的同时性与序贯性，本发明通过建立两阶段混合整数随机规划模型，先对多无人机作业的机场选址进行决策，在随机任务场景实现后，再对无人机调度进行决策，在多无人机对多个任务点进行作业的场景中考虑了任务点的同时性和序贯性，为无人机的应用提供进一步的指导，本发明提出了一种结合基于蒙特卡罗模拟的样本平均近似算法，在充分缩短计算时间的条件下，求得性能好的机场选址和无人机调度方案。
实施例1
提供了一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，包括：
S100，获取任务点的分布情况和智能机场备选点的分布情况；
S200，将任务点的分布情况和智能机场备选点的分布情况输入机场选址模型，得到机场选址方案；
S300，根据机场选址方案，使用无人机调度模型得到无人机调度方案。
在本实施例中，参见图1，通过建立两阶段混合整数随机规划模型，先对多无人机作业的机场选址进行决策，在随机任务场景实现后，再对无人机调度进行决策，在多无人机对多个任务点进行作业的场景中考虑了任务点的同时性和序贯性。
优选地，将任务点的分布情况和智能机场备选点的分布情况输入机场选址模型，得到机场选址方案之前，还包括：
根据任务点的分布情况和智能机场备选点的分布情况，建模得到原问题图表征；
根据原问题图表征，建模得到机场选址模型。
优选地，根据任务点的分布情况和智能机场备选点的分布情况，建模得到原问题图表征，包括：
根据任务点的分布情况和智能机场备选点的分布情况，将任务点和智能机场备选点建模成顶点，将任务点与任务点之间以及任务点与智能机场备选点之间的距离建模成边。
无人机可在任务点与任务点之间以及任务点与智能机场之间沿直线飞行。根据任务点、智能机场的分布情况，通过将任务点、智能机场备选点建模成顶点，将任务点与任务点之间以及任务点与智能机场备选点之间的距离建模成边，从而获得原问题的图表征。具体地，包括：
任务顶点序号集：
Ω＝{1,2,...,N}
其中，Ω表示N个任务顶点的序号构成的集合，在本实施例中，N＝7，参见图2，图中Ω由7个圆形所示，圆形中标识了任务顶点的序号；
智能机场备选顶点序号集：
Θ＝{1,2,...,M}
其中，Θ表示M个机场备选顶点的序号构成的集合，在本实施例中，M＝4，参见图2，图中Θ由4个正方形所示，正方形中标识了备选顶点的序号；
任务场景序号集：
Ψ＝{1,2,...,K}
其中，Ψ表示K个任务场景的序号构成的集合，在本实施例中，每个任务顶点均独立的、等可能的成为无任务顶点、排序1、排序2和排序3，因此，K＝74；
任务场景下k的任务序贯性分类：
Ωk＝{k0,k1,...,kL}
其中，Ωk表示任务场景k下的任务序贯性分类构成的集合，k0表示任务场景k下无任务的顶点构成的集合，当1≤i≤L时，ki表示任务场景k下任务排序第i位的顶点构成的集合，排序数较小的任务顶点必须在排序数较大的任务顶点之前被服务，而同一排序的各任务顶点之间有同时性要求，当0≤i1<i2≤L时，且/> 在本实施例中，参见图2，图中k0＝{7}，k1＝{1,6}，k2＝{2,5}，k3＝{3,4}；
任务场景发生的概率集：
P＝{p1,p2,...,pk,...,pK}
其中，P表示K个任务场景发生的概率构成的集合，pk表示任务场景k发生的概率，在本实施例中，所有场景发生的概率均为
不同排序任务的单位时间间隔惩罚集：
B＝{b1,b2,...,bi,...,bL}
其中，B表示不同排序任务的单位时间间隔惩罚构成的集合，b1表示排序第i位的任务的单位时间间隔惩罚，在本实施例中，b1＝1，b2＝0.8，b3＝0.5；
任务点与任务点之间的路径构成的边集：
其中，E表示N个任务点之间的路径构成的边集，表示第i1个任务点和第i2个任务点之间的边，在本实施例中，参见图2，图中E为圆形与圆形之间的所有两两直线连接，由于线条过多，图中省略；
任务点与智能机场备选点之间的路径构成的边集：
其中，E'表示N个任务点与M个智能机场备选点之间的路径构成的边集，表示第i个任务点和第j个智能机场备选点之间的边，在本实施例中，参见图2，图中E'为圆形与正方形之间的所有两两直线连接，由于线条过多，图中省略；
计算任务点与任务点之间的边的权重：
其中，表示第i1个任务点和第i2个任务点之间的边的权重，/>和分别表示第i1个任务点和第i2个任务点的二维坐标，v表示无人机的飞行速度，在本实施例中，任务点与任务点之间的边的权重为任务点与任务点之间的边的直线距离除以无人机的飞行速度，无人机的飞行速度v＝120；
计算任务点和智能机场备选点之间的边的权重：
其中，表示第i个任务点和第j个智能机场备选点之间的边的权重，(xi,yi)和(xj,yj)分别表示第i个任务点和第j个智能机场备选点的二维坐标，在本实施例中，任务点和智能机场备选点之间的边的权重为任务点和智能机场备选点之间的边的直线距离除以无人机的飞行速度，无人机的飞行速度v＝120。
优选地，根据原问题图表征，建模得到机场选址模型，包括：
计算机场设置成本、任务完成总时长和不同时性总惩罚；
根据机场设置成本的加权值以及任务总时长和不同时性总惩罚的加权值的期望，设置第一目标函数；
根据第一目标函数，进行混合整数随机规划建模得到机场选址模型。
在随机任务场景实现之前，对机场选址进行决策，以使得机场设置成本、任务完成总时长和不同时性总惩罚的加权值最小化。具体地，包括：
计算任务完成总时长和不同时性总惩罚的加权值的期望：
W(z1,...,zM)＝E(W(k,z1,...,zM))
以机场设置成本、任务完成总时长和不同时性总惩罚的加权值最小化设置第一目标函数：
其中，β3为权重，c为设置一台机场的成本，在本实施例中，β3＝0.02，c＝50。
在本实施例中，使用基于蒙特卡罗模拟的样本平均近似算法进行求解，解得机场设置成本、任务完成总时长和不同时性总惩罚的加权值最小值为8.255，得到了最优机场选址方案，参见图3，图中实心正方形表示设置的智能机场备选点。
优选地，将任务点的分布情况和智能机场备选点的分布情况输入机场选址模型，得到机场选址方案，包括：
生成多个第一任务场景；
计算每个选址决策在多个第一任务场景下的第一目标函数的平均值；
选取平均值最小的选址决策作为机场选址方案。
在本实施例中，对机场选址模型使用基于蒙特卡罗模拟的样本平均近似算法进行求解。具体地，使用蒙特卡罗模拟生成25个任务场景，使用经典的遗传算法对选址决策进行编码，求解25个任务场景下机场设置成本、任务完成总时长和不同时性总惩罚的加权值的平均值最小化的最优机场选址方案。
优选地，根据机场选址方案，使用无人机调度模型得到无人机调度方案，包括：
生成第二任务场景；
根据机场选址方案，计算任务完成总时长和不同时性总惩罚；
根据任务完成总时长的加权值和不同时性总惩罚的加权值，设置第二目标函数；
根据机场选址方案、第二任务场景和无人机信息生成约束条件；
以第二目标函数最小化为目标，结合约束条件，建模得到无人机调度模型；
根据无人机调度模型，对无人机调度求解最优编码得到无人机调度方案。
在机场选址和随机任务场景实现之后，对多个无人机进行调度，以使得任务完成总时长和不同时性总惩罚的加权最小化。具体地，包括：
给定机场的选址：
zm∈{0,1},1≤m≤M
其中，zm表示智能机场备选点m处是否设置机场，当zm＝1时表示设置机场，当zm＝0时表示不设置。在本实施例中，参见图4，已实现的任务场景通过圆形任务点及其旁标识的排序确定，已设置的智能机场备选点通过实心的正方形表示，即z2＝z4＝1。
计算所有已设置机场的集合：
Π＝{m|zm＝1,1≤m≤M}
其中Π表示已设置的智能机场备选点构成的集合，在本实施例中，Π＝{2，4}；
对任务场景k下第j台机场是否服务第n个任务点的决策变量的取值进行约束：
其中，表示任务场景k下第j台机场是否服务第n个任务点的决策变量，当 时表示服务，当/>时表示不服务；
计算任务场景k下第j台机场的所有服务任务点集：
其中，Ωk,j表示任务场景k下第j台机场的所有服务任务点构成的集合；
对任务场景k下第j台机场第r个服务的任务点决策变量的取值进行约束：
其中，为任务场景k下第j台机场第r个服务的任务点的序号；
定义任务场景k下有任务的顶点构成的集合：
其中，为任务场景k下有任务的顶点构成的集合；
定义任务场景k下任务点n与服务它的机场之间的函数：
其中，fk(n)为任务场景k下任务点n与服务它的机场之间的函数；
定义任务场景k下任务点n与它的服务顺序之间的函数：
其中，gk(n)为任务场景k下任务点n与它的服务顺序之间的函数；
对任务场景k下第j台机场的无人机的起飞时间决策变量的取值进行约束：
tk,j≥0
其中，tk,j为任务场景k下第j台机场的无人机的起飞时间；
计算任务场景k下第j台机场的无人机到达其第r个服务任务点的时间：
其中，为任务场景k下第j台机场的无人机到达其第r个服务任务点的时间；
计算任务场景k下排序为i的所有任务点的到达时间最小值：
其中，为任务场景k下排序为i的所有任务点的到达时间最小值；
计算任务场景k下排序为i的所有任务点的到达时间最大值：
其中，为任务场景k下排序为i的所有任务点的到达时间最大值；
计算任务场景k下排序为i的所有任务点的到达时间间隔：
其中，为任务场景k下排序为i的所有任务点的到达时间间隔；
计算任务场景k下第j台机场的无人机飞行时长：
其中，Tk,j为任务场景k下第j台机场的无人机飞行时长；
任务场景k下第j台台机场的无人机不服务同一任务点两次以上约束：
任务场景k下不同机场的无人机不服务同一任务点约束：
任务场景k下所有有任务的顶点都被服务约束：
任务场景k下所有无人机的飞行时间不超过续航时长约束：
Tk,j≤T
其中，T为无人机的续航时长,在本实施例中，T＝35；
任务场景k下不同排序的任务必须序贯服务约束：
以任务总时长和不同时性总惩罚的加权值最小化设置第二目标函数：
其中，β1和β2为权重，在本实施例中，β1＝0.01，β2＝1。
优选地，根据无人机调度模型，对无人机调度求解最优编码得到无人机调度方案，包括：
对无人机调度采用分段变长度编码；
随机生成多个编码作为初始种群；
选择初始种群中的个体进行复制并配对；
将两两配对的个体对应无人机起飞时间和飞行顺序的染色体片段进行切断、拼接和变异操作；
输出适应度最大的编码，将编码进行解码得到无人机调度方案。
无人机调度问题属于混合整数随机规划模型，采用分段变长度遗传算法进行求解。具体地，包括：
对第j台的无人机调度采用分段变长度编码：
其中，tk,j为实数编码，/>为0-1编码，在本实施例中，Q＝4；
随机生成G个编码作为初始种群，在本实施例中，G＝100，即随机生成100个编码作为初始种群，对于任何一个编码，若是可行解，则以作为适应度，若不是可行解，则以/>作为适应度；
使用指数排序选择法选择当前种群中的个体进行复制；
将选择-复制操作生成的个体进行随机配对；
分别对随机配对的两个个体中对应无人机起飞时间和飞行顺序的染色体片段采用切断与拼接操作，在本实施例中，当出现过剩指定时，规定取最左边的基因座与基因值的二元组进行解码，当出现缺省指定时，令缺省位置的基因为0；
以变异概率α执行变异操作，在本实施例中，α＝0.01；
以此迭代，直至到达最大迭代数，输出此时适应度最大的编码，将其解码后得到在机场选址和随机任务场景实现之后使得任务完成总时长和不同时性总惩罚的加权值最小化的无人机调度方案，在本实施例中，最大迭代数为30，解得任务完成总时长和不同时性总惩罚的加权值最小值为6.873，得到最优的无人机调度方案，参见图4，图中显示了每架无人机的飞行路径与起飞时间，箭头表示无人机的飞行方向，实心正方形旁的数字表示对应无人机的起飞时间。
实施例2
提供了一种考虑任务同时性与序贯性的多无人机机场选址与调度系统，参见图5，包括：
获取模块100：用于获取任务点的分布情况和智能机场备选点的分布情况；
选址模块200：用于将任务点的分布情况和智能机场备选点的分布情况输入机场选址模型，得到机场选址方案；
调度模块300：用于根据机场选址方案，使用无人机调度模型得到无人机调度方案。
实施例3
提供了一种电子设备，包括：处理器和存储器，存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当处理器执行计算机指令时，电子设备执行上述的考虑任务同时性和序贯性的多无人机机场选址与调度方法。
实施例4
提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序包括程序指令，程序指令当被电子设备的处理器执行时，使处理器执行上述的考虑任务同时性和序贯性的多无人机机场选址与调度方法。
本发明通过建立两阶段混合整数随机规划模型，先对多无人机作业的机场选址进行决策，在随机任务场景实现后，再对无人机调度进行决策，在多无人机对多个任务点进行作业的场景中考虑了任务点的同时性和序贯性，为无人机的应用提供进一步的指导，本发明提出了一种结合基于蒙特卡罗模拟的样本平均近似算法，在充分缩短计算时间的条件下，求得性能好的机场选址和无人机调度方案。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digitalversatiledisc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，ROM)或随机存储存储器(random access memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，其特征在于，包括：
获取任务点的分布情况和智能机场备选点的分布情况；
将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案；
根据所述机场选址方案，使用无人机调度模型得到无人机调度方案。
2.根据权利要求1所述的一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，其特征在于，将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案之前，还包括：
根据所述任务点的分布情况和所述智能机场备选点的分布情况，建模得到原问题图表征；
根据所述原问题图表征，建模得到所述机场选址模型。
3.根据权利要求2所述的一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，其特征在于，所述根据所述任务点的分布情况和所述智能机场备选点的分布情况，建模得到原问题图表征，包括：
根据所述任务点的分布情况和所述智能机场备选点的分布情况，将所述任务点和所述智能机场备选点建模成顶点，将所述任务点与所述任务点之间以及所述任务点与所述智能机场备选点之间的距离建模成边。
4.根据权利要求2所述的一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，其特征在于，所述根据所述原问题图表征，建模得到所述机场选址模型，包括：
计算机场设置成本、任务完成总时长和不同时性总惩罚；
根据所述机场设置成本的加权值以及所述任务总时长和所述不同时性总惩罚的加权值的期望，设置第一目标函数；
根据所述第一目标函数，进行混合整数随机规划建模得到所述机场选址模型。
5.根据权利要求4所述的一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，其特征在于，所述将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案，包括：
生成多个第一任务场景；
计算每个选址决策在多个所述第一任务场景下的所述第一目标函数的平均值；
选取所述平均值最小的所述选址决策作为所述机场选址方案。
6.根据权利要求1所述的一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，其特征在于，所述根据所述机场选址方案，使用无人机调度模型得到无人机调度方案，包括：
生成第二任务场景；
根据所述机场选址方案，计算任务完成总时长和不同时性总惩罚；
根据所述任务完成总时长的加权值和所述不同时性总惩罚的加权值，设置第二目标函数；
根据所述机场选址方案、所述第二任务场景和无人机信息生成约束条件；
以所述第二目标函数最小化为目标，结合所述约束条件，建模得到所述无人机调度模型；
根据所述无人机调度模型，对无人机调度求解最优编码得到所述无人机调度方案。
7.根据权利要求6所述的一种考虑任务同时性和序贯性的多无人机机场选址与调度方法，其特征在于，所述根据所述无人机调度模型，对无人机调度求解最优编码得到所述无人机调度方案，包括：
对无人机调度采用分段变长度编码；
随机生成多个所述编码作为初始种群；
选择所述初始种群中的个体进行复制并配对；
将两两配对的所述个体对应无人机起飞时间和飞行顺序的染色体片段进行切断、拼接和变异操作；
输出适应度最大的所述编码，将所述编码进行解码得到所述无人机调度方案。
8.一种考虑任务同时性与序贯性的多无人机机场选址与调度系统，其特征在于，包括：
获取模块：用于获取任务点的分布情况和智能机场备选点的分布情况；
选址模块：用于将所述任务点的分布情况和所述智能机场备选点的分布情况输入机场选址模型，得到机场选址方案；
调度模块：用于根据所述机场选址方案，使用无人机调度模型得到无人机调度方案。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1至7中任意一项所述的考虑任务同时性和序贯性的多无人机机场选址与调度方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至7中任意一项所述的考虑任务同时性和序贯性的多无人机机场选址与调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302316.1A CN117371585A (zh) | 2023-10-09 | 2023-10-09 | 考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302316.1A CN117371585A (zh) | 2023-10-09 | 2023-10-09 | 考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117371585A true CN117371585A (zh) | 2024-01-09 |
Family
ID=89397542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311302316.1A Pending CN117371585A (zh) | 2023-10-09 | 2023-10-09 | 考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371585A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020224544A1 (zh) * | 2019-05-06 | 2020-11-12 | 华为技术有限公司 | 选址方法、装置及计算机可读存储介质 |
| CN112434857A (zh) * | 2020-11-25 | 2021-03-02 | 中国人民解放军空军工程大学 | 一种基于ga-pso优化的无人机机场网络选址布置方法 |
| CN115373424A (zh) * | 2022-09-20 | 2022-11-22 | 广东翼景信息科技有限公司 | 面向时间窗口的多无人机机场选址与随机任务调度方法 |
| CN115705527A (zh) * | 2021-08-13 | 2023-02-17 | 广东翼景信息科技有限公司 | 一种面向城市管理的无人机智能机场选址和任务分配方法 |
| WO2023019890A1 (zh) * | 2021-08-16 | 2023-02-23 | 中航金城无人系统有限公司 | 一种多无人机自动作业调度系统及调度方法 |
-
2023
- 2023-10-09 CN CN202311302316.1A patent/CN117371585A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020224544A1 (zh) * | 2019-05-06 | 2020-11-12 | 华为技术有限公司 | 选址方法、装置及计算机可读存储介质 |
| CN112434857A (zh) * | 2020-11-25 | 2021-03-02 | 中国人民解放军空军工程大学 | 一种基于ga-pso优化的无人机机场网络选址布置方法 |
| CN115705527A (zh) * | 2021-08-13 | 2023-02-17 | 广东翼景信息科技有限公司 | 一种面向城市管理的无人机智能机场选址和任务分配方法 |
| WO2023019890A1 (zh) * | 2021-08-16 | 2023-02-23 | 中航金城无人系统有限公司 | 一种多无人机自动作业调度系统及调度方法 |
| CN115373424A (zh) * | 2022-09-20 | 2022-11-22 | 广东翼景信息科技有限公司 | 面向时间窗口的多无人机机场选址与随机任务调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
| Allaire et al. | FPGA implementation of genetic algorithm for UAV real-time path planning | |
| Wang et al. | Fitness-scaling adaptive genetic algorithm with local search for solving the Multiple Depot Vehicle Routing Problem | |
| CN113159283B (zh) | 一种基于联邦迁移学习的模型训练方法及计算节点 | |
| CN108805316A (zh) | 货物搬运方法和装置 | |
| CN114596553B (zh) | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 | |
| CN108280670A (zh) | 种子人群扩散方法、装置以及信息投放系统 | |
| WO2006080003A2 (en) | Method and apparatus for distributing assignments | |
| CN108629823A (zh) | 多视角图像的生成方法和装置 | |
| CN112783207B (zh) | 一种基于多目标粒子群优化的无人机航迹规划方法 | |
| Ahmed et al. | Fast weighted exponential product rules for robust general multi-robot data fusion | |
| Oz et al. | A meta-heuristic based three-dimensional path planning environment for unmanned aerial vehicles | |
| Deng et al. | Deadlock-free consecutive task assignment of multiple heterogeneous unmanned aerial vehicles | |
| CN112381298A (zh) | 空港旅客智能导航导乘自助服务系统 | |
| CN113962481A (zh) | 一种应急物资的资源配置方法、装置和服务器 | |
| CN115202849A (zh) | 一种支持边缘计算的多无人机任务分配与路径规划方法 | |
| Xiang et al. | An effective memetic algorithm for UAV routing and orientation under uncertain navigation environments | |
| Reddy et al. | Minimizing the total completion time on a multi-machine FMS using flower pollination algorithm | |
| CN114020005B (zh) | 多无人机协同巡检配网线路的航迹规划方法和系统 | |
| Yuan et al. | An enhanced genetic algorithm for unmanned aerial vehicle logistics scheduling | |
| CN117371585A (zh) | 考虑任务同时性与序贯性的多无人机机场选址与调度方法及设备 | |
| CN117389300A (zh) | 一种城市战争无人机编队侦察任务分配方法 | |
| CN109978211A (zh) | 航班进离港率的预测方法和装置 | |
| Smith Iii et al. | Autonomous and cooperative robotic behavior based on fuzzy logic and genetic programming | |
| CN113625770B (zh) | 基于飞行无人机对光伏电站进行巡检的自主导航规划方法及装置 |
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 |