CN117519244B - 无人机集群协同探测多目标的路径规划方法及系统 - Google Patents
无人机集群协同探测多目标的路径规划方法及系统 Download PDFInfo
- Publication number
- CN117519244B CN117519244B CN202311573808.4A CN202311573808A CN117519244B CN 117519244 B CN117519244 B CN 117519244B CN 202311573808 A CN202311573808 A CN 202311573808A CN 117519244 B CN117519244 B CN 117519244B
- Authority
- CN
- China
- Prior art keywords
- cluster
- individual
- unmanned aerial
- target
- aerial vehicle
- 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 35
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 37
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 36
- 230000006978 adaptation Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000003064 k means clustering Methods 0.000 abstract description 3
- 108090000623 proteins and genes Proteins 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出了无人机集群协同探测多目标的路径规划方法及系统,属于无人机的技术领域。首先将整个场景建模成为多旅行商为题,后对整个问题进行求解。第一阶段首先利用K均值聚类算法将目标点进行聚类,将多旅行商问题转换成多个单旅行商问题,第二阶段利用改进的遗传算法对单旅行商问题进行求解。相比于传统遗传算法,本方法首先利用贪婪算法生成初始种群,其次设置了遗传参数自适应调节策略,避免遗传进化代数与个体适应陷入局部最优解,同时提高了寻优的速度;并且为保证优秀基因结构的保留,设置了精英个体保留的策略。经试验证明,二阶段的路径规划方法对于传统的分组遗传算法全局收敛效果更好且收敛速度更快。
Description
技术领域
本发明属于无人机的技术领域,特别是涉及无人机集群协同探测多目标的路径规划方法及系统。
背景技术
随着无人机蜂群技术的发展,无人机协同搜索无论在军事领域还是在民用领域都有着重要的作用。其中,无人机对于多目标的协同搜索更是其中的热门问题。传统的路径规划方法是将整个场景建模成为多旅行商问题,利用常规的分组遗传算法来求解。但当目标点的规模由数十个增长到数百个后,常规的分组遗传算法将会出现计算效率低,全局收敛性差的问题。
发明内容
本发明为解决上述背景技术中存在的技术问题,提供了无人机集群协同探测多目标的路径规划方法及系统。
本发明采用以下技术方案:无人机集群协同探测多目标的路径规划方法,包括以下步骤:
针对无人机集群协同探测多目标点进行数学建模:定义无人机集群的出发点为坐标原点O,由m架无人机组成的无人机集群表示为U={U1,U2,…,Um},由n个目标点组成的任务集合为T={T1,T2,…,Tn};当集群完成探测后,再重新返回至坐标原点O;
将整个无人机集群的任务转换成多旅行商的问题,将n个目标点聚类成为N个集群,将多旅行商问题转换成N个单旅行商问题,其中,N<n;
对每个单旅行商问题进行求解:在任务集合T中生成初始种群,引入遗传参数自适应调节策略,采用适应度函数计算得到初始种群中每个个体的适应度值;引入精英个体保留策略,迭代出适应度值最高的个体,直至最高的适应度值满足条件,得到满意路径:最高的适应度值对应个体的路径。
在进一步的实施例中,将整个无人机集群的任务转换成多旅行商的问题的转化步骤如下:
无人机Ui对Ki个目标点依次进行探测,获取路径信息点得到路径信息点集合Ri={O,Ti1,Ti2,…,Tin,O};其中,Ui∈[U1,Um],Tin表示无人机Ui探测的第Ki个路径信息点,n∈[1,Ki],
采用公式(1)计算探测路径的总长度Li:
其中,Tj表示XXX;
记最后一架无人机飞回坐标原点O的时间为任务完成时间tmax,假设无人机飞行速度为恒定,则采用公式(2)求得最小探测路径长度:
式中,Lmax为无人机Ui探测过程中的最长长度。
在进一步的实施例中,将多旅行商问题转换成多个单旅行商问题的转化步骤如下:
步骤101、在n个目标点中选取N个目标点作为聚类中心,并表示为:{C1,C2,…,CN}∈T;
步骤102、采用公式(3)计算其他目标点与每个聚类中心之间的距离d,并将其划分到对应的簇中:
其中,k=1,2,…,N;/>表示XXXX;
步骤103、根据每个聚类中心重新生成信息,表达如公式(4)所示:
式中,xj、yj、Ni、Nj分别为XXXXX;
步骤104、重复步骤102和步骤103进行迭代,直至中心点的位置固定。
在进一步的实施例中,所述初始种群的生成流程如下:
步骤201、在任务集合T中随机选择一个目标点作为当前目标Tcurrent,并加入个体中;
步骤202、以当前目标Tcurrent为参照,在任务集合T中找出与之最近的目标点作为下个目标Tnext,并将所述下个目标Tnext更新为当前目标Tcurrent;
步骤203、重复步骤202,直至所有的目标点都加入个体,得到初步优化的初始群种。
在进一步的实施例中,所述适应函数的公式为:itness(i)=D/f(Ri)。
在进一步的实施例中,所述遗传参数自适应调节策略包括:自适应交叉概率pci调节策略和自适应变异pm调节策略;
自适应交叉概率pci的调节策略如下:
式中,pci为个体的发生交叉的概率,hi为个体的自适应度,hmax为最大适应度,为当前群种的平均适应度;pcmax为最大的交叉概率,pcmin为最小的交叉概率,G为设置的最大迭代次数,g为当前的迭代次数;
其中,
pcmin=0.5。
在进一步的实施例中,所述自适应变异pm的调节策略包括:
式中,pmi为个体的发生变异的概率,hmax为最大适应度,为当前群种的平均适应度;pmmin为最小的变异概率,pmmax为最大的变异概率,G为设置的最大迭代次数,g为当前的迭代次数;
其中,
pmmax=0.005。
在进一步的实施例中,所述精英个体保留策略如下:将适应函数值最高的个体直接复制纳入交叉配对的父代群体中,当所有父代个体执行完交叉算子后,再沿用精英个体保留机制,用交叉前的精英个体替换交叉后的适应度最差的个体,剔除质量低的个体以保证个体的延续;
每次变异操作都是对最优个体进行,并且采用有选择的变异方式,如果变异后的新个体的适应度低于初始适应度,则放弃新个体,保留原有的最优个体。
无人机集群协同探测多目标的路径规划系统,用于实上所述的路径规划方法,包括:
第一模块,被设置为针对无人机集群协同探测多目标点进行数学建模:定义无人机集群的出发点为坐标原点O,由m架无人机组成的无人机集群表示为U={U1,U2,…,Um},由n个目标点组成的任务集合为T={T1,T2,…,Tn};当集群完成探测后,再重新返回至坐标原点O;
第二模块,被设置为将整个无人机集群的任务转换成多旅行商的问题,将n个目标点聚类成为N个集群,将多旅行商问题转换成N个单旅行商问题,其中,N<n;
第三模块,被设置为对每个单旅行商问题进行求解:在任务集合T中生成初始种群,引入遗传参数自适应调节策略,采用适应度函数计算得到初始种群中每个个体的适应度值;引入精英个体保留策略,迭代出适应度值最高的个体,直至最高的适应度值满足条件,得到满意路径:最高的适应度值对应个体的路径。
本发明的有益效果:本发明提出了一种基于二阶段的无人机集群协同探测多目标的路径规划方法。首先将整个场景建模成为多旅行商为题,后对整个问题进行求解。第一阶段首先利用K均值聚类算法将目标点进行聚类,将多旅行商问题转换成多个单旅行商问题,第二阶段利用改进的遗传算法对单旅行商问题进行求解。相比于传统遗传算法,本方法首先利用贪婪算法生成初始种群,其次设置了遗传参数自适应调节策略,避免遗传进化代数与个体适应陷入局部最优解,同时提高了寻优的速度;并且为保证优秀基因结构的保留,设置了精英个体保留的策略。经试验证明,二阶段的路径规划方法对于传统的分组遗传算法全局收敛效果更好且收敛速度更快。
附图说明
图1为无人机集群协同探测多目标的路径规划方法的流程图。
图2为实施例1的改进的遗传算法流程图。
图3为实施例1中的结果对比图。
具体实施方式
实施例1
本实施例中的路径规划方法指的是无人机的全局路径规划。当多无人机集群协同执行探测任务时,通常会将探测任务进行分解成多个探测目标点,无人机需要从出发点出发,依次经过每一个探测点,当所有探测点都遍历完成后,重新回到原点。由此可见,无人集群协同探测多目标的路径规划与多旅行商问题非常契合,可以作为其数学模型。
本实施例的流程如图1所示,首先对整个无人机集群协同搜索多目标的路径规划问题进行建模,将其转化成为多旅行商问题。后对问题进行求解,第一阶段对目标点进行K均值聚类处理。后利用改进的遗传算法对每一个聚类目标点进行求解,改进思路为首先利用贪婪算法生成初始种群,其次引入精英个体保留策略并且采用有选择的变异方式。后通过实验证明此发明相比于传统的分组遗传算法有着更好的性能与精度。
具体包括以下步骤:针对无人机集群协同探测多目标点进行数学建模:定义无人机集群的出发点为坐标原点O,由m架无人机组成的无人机集群表示为U={U1,U2,…,Um},由n个目标点组成的任务集合为T={T1,T2,…,Tn};当集群完成探测后,再重新返回至坐标原点O;其中,坐标原点O以及需要探测的目标点T1,T2,…,Tn的坐标信息为已知,整个任务的目标为无人集群中的m架无人机探测完n个目标点并且返回原点,任务约束为需要花费的时间尽量短。
当本探测点到达上百个后,传统的分组遗传算法性能将会下降。先提出一种基于二阶段的多旅行商求解问题。算法的结构如图1所示,第一阶段利用FCM聚类算法对探测目标点进行聚类,将n各目标点聚类成为m个集群,则可将一个多旅行商问题转换成为m个单旅行商问题;第二阶段利用改进的遗传算法对单旅行商问题进行求解,以此来获得每个最小旅行商问题的最小路径。
将整个无人机集群的任务转换成多旅行商的问题,将n个目标点聚类成为N个集群,将多旅行商问题转换成N个单旅行商问题,其中,N<n。转化步骤具体如下:
无人机Ui对Ki个目标点依次进行探测,获取路径信息点得到路径信息点集合Ri={O,Ti1,Ti2,…,Tin,O};其中,Ui∈[U1,Um],Tin表示无人机Ui探测的第Ki个路径信息点,n∈[1,Ki],
采用公式(1)计算探测路径的总长度Li:
其中,Tj表示任务点j,||TjTj+1||表示第j个任务点到j+1个任务点的距离,表示第Ki个路径信息点到坐标原点O的距离;
记最后一架无人机飞回坐标原点O的时间为任务完成时间tmax,假设无人机飞行速度为恒定,则采用公式(2)求得最小探测路径长度:
式中,Lmax为无人机Ui探测过程中的最长长度。
其对于大规模数据集时,具有计算复杂度低,计算速度快且结果稳定的特定。对于K均值算法而言,首先对n个数据对象里选取m个数据对象作为聚类的中心;对于其他的对象,根据这些对象与这些聚类中心的距离(相似度),将其分配给各个距离最小的中心,形成类簇。后对这些簇的平均值作为新的聚类中心。不断重新形成新簇直到标准的函数开始收敛,则结束算法。将多旅行商问题转换成多个单旅行商问题的转化步骤如下:
步骤101、在n个目标点中选取N个目标点作为聚类中心,并表示为:{C1,C2,…,CN}∈T;
步骤102、采用公式(3)计算其他目标点与每个聚类中心之间的距离d,并将其划分到对应的簇中:
其中,k=1,2,…,N;
表示任务点k到聚类中心中心点c的距离;根据公式(3),生成N个簇,每个簇Ne个目标点。;
步骤103、第e个簇包含Ne个目标点,重新生成第e个簇聚类的中心,计算如公式(4)所示:
式中,xf表示第f个簇中心点的x轴坐标、yf表示第f个簇中心点的y轴坐标、Ne表示第e个簇包含Ne个目标点,f∈[1,Ne];
步骤104、重复步骤102和步骤103进行迭代,直至中心点的位置center(xf,yf)的值固定不再变化。
遗传算法是自然选择与基因遗传与基因遗传学原理的搜索算法,其可以寻求全局最优解且不需要初始信息。经典遗传算法解决旅行商问题,是以适应度为依据逐代搜索,其算法主要由编码控制、控制参数、适应度函数与遗传因子共四步构成,其算法流程如下所示。
Step1:确定编码机制,生成初始群,对旅行商问题中的城市编号进行编码,按照访问城市的顺序排列组成编码。
Step2:计算种群每个个体的适应度值。适应度函数fitness(i)=D/f(Ri)。通过设置常数D,防止路径数值过大使适应度函数接近于0。
Step3:选择算子。通常利用精英个体保存策略与轮赌选择算子,即适应度最高的个体一定会被选择,则每个个体被选择的概率和累计概率分别为:
Step4:交叉算子。有交叉概率pc选择若干父体并进行配对,按照交叉算法的规则生成新个体,常用的规范方法有单点交叉、部分映射交叉、循环交叉等。
Step5:变异算子。为了保证种群个体的多样性,防止陷入局部最优解,则需要按照一定的变异概率pm随机确定变异个体,并执行变异操作,通常按照逆序来确定变异算子。
Step6:终止迭代。当达到终止条件后停止迭代,认为是满意路径。否则跳转Step2,计算新一代种群中的个体适应度值。
传统遗传算法存在收敛速度慢、容易陷入局部最优解且优化精度不明显的情况。现对传统的遗传算法进行改进。如图2所示,首先利于遗传算法生成初始种群,后进行适应度函数计算,其次分别经过选择算子,基于精英个体保留的交叉算子,基于选择的变异算子的计算后,重复迭代直到满足条件。
对每个单旅行商问题进行求解:在任务集合T中生成初始种群,引入遗传参数自适应调节策略,采用适应度函数计算得到初始种群中每个个体的适应度值。本实施例中的适应度函数根据实际需求进行选择与切换,为现有的函数,故不赘述。引入精英个体保留策略,迭代出适应度值最高的个体,直至最高的适应度值满足条件,得到满意路径:最高的适应度值对应个体的路径。具体如下:所述初始种群的生成流程如下:
步骤201、在任务集合T中随机选择一个目标点作为当前目标Tcurrent,并加入个体中;
步骤202、以当前目标Tcurrent为参照,在任务集合T中找出与之最近的目标点作为下个目标Tnext,并将所述下个目标Tnext更新为当前目标Tcurrent;
步骤203、重复步骤202,直至所有的目标点都加入个体,得到初步优化的初始群种。
传统遗传算法中交叉概率pc与变异概率pm保持不变,在此通过设置自适应调节机制使其实时变化,提升寻优速度。因此,本实施例中的遗传参数自适应调节策略包括:自适应交叉概率pci调节策略和自适应变异pm调节策略;
自适应交叉pci对种群个体中的更新速度造成影响,如果其值固定不变,设定过大会将好的遗传模式造成影响,设定过小又会降低算法的搜索速度,增加其迭代次数甚至陷入局部最优。在此设计自适应调节的策略,即在进化初期设置较大的pci值加快种群的进化,在进化后期自动缩小pci值,保证其优良基因的延续,
自适应交叉概率pci的调节策略如下:
式中,pci为个体的发生交叉的概率,初期值较高,后期经过调整数值自动降低。hi为个体的自适应度,hmax为最大适应度,为当前群种的平均适应度;pcmax为最大的交叉概率,pcmin为最小的交叉概率,G为设置的最大迭代次数,g为当前的迭代次数;
其中,
pcmin=0.5。
自适应变异pmi影响种群的变异情况,当设置过大时,算法将失去了遗传的特性,当期设置过小时,种群将会失去多样性,使得种群陷入到局部最优解。自适应变异pmi的调节策略包括:
式中,pmi为个体的发生变异的概率,当迭代次数变多时,集群进化进入稳定阶段,将有可能产生局部最优解,则加大变异的概率;集群进化初期,变异概率降低,进化后期变异概率升高。hmax为最大适应度,为当前群种的平均适应度;pmmin为最小的变异概率,pmmax为最大的变异概率,G为设置的最大迭代次数,g为当前的迭代次数;
其中,
pmmax=0.005。
所述精英个体保留策略如下:将适应函数值最高的个体直接复制纳入交叉配对的父代群体中,当所有父代个体执行完交叉算子后,再沿用精英个体保留机制,用交叉前的精英个体替换交叉后的适应度最差的个体,剔除质量低的个体以保证个体的延续;
每次变异操作都是对最优个体进行,并且采用有选择的变异方式,如果变异后的新个体的适应度低于初始适应度,则放弃新个体,保留原有的最优个体。
结合上述描述,在python环境中进行仿真。现假设在1000×1000的环境中存在200个随机点作为目标点,目标点坐标已知。现设置初始原点坐标为(250,250),共3架无人机进行飞行,遗传算法种群大小设置为60,迭代次数为500,交叉概率为0.65,变异概率为0.25。对比方法分别为传统的分组遗传算法,以及本文提出的方法,根据图3所示,可以发现本发明提出的方法收敛较快,仅在50次左右收敛到最小值且飞行距离较近,表明此发明的优越性。
实施例2
无人机集群协同探测多目标的路径规划系统,用于实现实施例1所述的路径规划方法,包括:
第一模块,被设置为针对无人机集群协同探测多目标点进行数学建模:定义无人机集群的出发点为坐标原点O,由m架无人机组成的无人机集群表示为U={U1,U2,…,Um},由n个目标点组成的任务集合为T={T1,T2,…,Tn};当集群完成探测后,再重新返回至坐标原点O;
第二模块,被设置为将整个无人机集群的任务转换成多旅行商的问题,将n个目标点聚类成为N个集群,将多旅行商问题转换成N个单旅行商问题,其中,N<n;
第三模块,被设置为对每个单旅行商问题进行求解:在任务集合T中生成初始种群,引入遗传参数自适应调节策略,采用适应度函数计算得到初始种群中每个个体的适应度值;引入精英个体保留策略,迭代出适应度值最高的个体,直至最高的适应度值满足条件,得到满意路径:最高的适应度值对应个体的路径。
Claims (4)
1.无人机集群协同探测多目标的路径规划方法,其特征在于,包括以下步骤:
针对无人机集群协同探测多目标点进行数学建模:定义无人机集群的出发点为坐标原点O,由m架无人机组成的无人机集群表示为U={U1,U2,…,Um},由n个目标点组成的任务集合为T={T1,T2,…,Tn};当集群完成探测后,再重新返回至坐标原点O;
将整个无人机集群的任务转换成多旅行商的问题,将n个目标点聚类成为N个集群,将多旅行商问题转换成N个单旅行商问题,其中,N<n;
对每个单旅行商问题进行求解:在任务集合T中生成初始种群,引入遗传参数自适应调节策略,采用适应度函数计算得到初始种群中每个个体的适应度值;引入精英个体保留策略,迭代出适应度值最高的个体,直至最高的适应度值满足条件,得到满意路径:最高的适应度值对应个体的路径;
将整个无人机集群的任务转换成多旅行商的问题的转化步骤如下:
无人机Ui对Ki个目标点依次进行探测,获取路径信息点得到路径信息点集合Ri={O,Ti1,Ti2,…,Tin,O};其中,Ui∈[U1,Un],Tin表示无人机Ui探测的第Ki个路径信息点,n∈[1,Ki],
采用公式(1)计算探测路径的总长度Li:
其中,Tj表示任务点j,||TjTj+1||表示第j个任务点到j+1个任务点的距离,||TikiO||表示第Ki个路径信息点到坐标原点O的距离;
记最后一架无人机飞回坐标原点O的时间为任务完成时间tmax,假设无人机飞行速度为恒定,则采用公式(2)求得最小探测路径长度:
式中,Lmax为无人机Ui探测过程中的最长长度;
将多旅行商问题转换成多个单旅行商问题的转化步骤如下:
步骤101、在n个目标点中选取N个目标点作为聚类中心,并表示为:{C1,C2,…,CN}∈T;
步骤102、采用公式(3)计算其他目标点与每个聚类中心之间的距离d,并将其划分到对应的簇中:
其中,k=1,2,…,N;
表示任务点k到聚类中心中心点c的距离;根据公式(3),生成N个簇,每个簇Ne个目标点;
步骤103、第e个簇包含Ne个目标点,重新生成第e个簇聚类的中心,计算如公式(4)所示:
式中,xf表示第f个簇中心点的x轴坐标、yf表示第f个簇中心点的y轴坐标、Ne表示第e个簇包含Ne个目标点,f∈[1,Ne];
步骤104、重复步骤102和步骤103进行迭代,直至中心点的位置center(xf,yf)的值固定不再变化;
所述初始种群的生成流程如下:
步骤201、在任务集合T中随机选择一个目标点作为当前目标Tcurrent,并加入个体中;
步骤202、以当前目标Tcurrent为参照,在任务集合T中找出与之最近的目标点作为下个目标Tnext,并将所述下个目标Tnext更新为当前目标Tcurrent;
步骤203、重复步骤202,直至所有的目标点都加入个体,得到初步优化的初始群种;
所述遗传参数自适应调节策略包括:自适应交叉概率pci调节策略和自适应变异pm调节策略;
自适应交叉概率pci的调节策略如下:
式中,pci为个体的发生交叉的概率,hi为个体的自适应度,hmax为最大适应度,为当前群种的平均适应度;pcmax为最大的交叉概率,pcmin为最小的交叉概率,G为设置的最大迭代次数,g为当前的迭代次数;
其中,
pcmin=0.5。
2.根据权利要求1所述的无人机集群协同探测多目标的路径规划方法,其特征在于,所述自适应变异pm的调节策略包括:
式中,pmi为个体的发生变异的概率,hmax为最大适应度,为当前群种的平均适应度;pmmin为最小的变异概率,pmmax为最大的变异概率,G为设置的最大迭代次数,g为当前的迭代次数;
其中,
pmmax=0.005。
3.根据权利要求1所述的无人机集群协同探测多目标的路径规划方法,其特征在于,所述精英个体保留策略如下:将适应函数值最高的个体直接复制纳入交叉配对的父代群体中,当所有父代个体执行完交叉算子后,再沿用精英个体保留机制,用交叉前的精英个体替换交叉后的适应度最差的个体,剔除质量低的个体以保证个体的延续;
每次变异操作都是对最优个体进行,并且采用有选择的变异方式,如果变异后的新个体的适应度低于初始适应度,则放弃新个体,保留原有的最优个体。
4.无人机集群协同探测多目标的路径规划系统,用于实现权利要求1至3中任意一项所述的路径规划方法,其特征在于,包括:
第一模块,被设置为针对无人机集群协同探测多目标点进行数学建模:定义无人机集群的出发点为坐标原点O,由m架无人机组成的无人机集群表示为U={U1,U2,…,Um},由n个目标点组成的任务集合为T={T1,T2,…,Tn};当集群完成探测后,再重新返回至坐标原点O;
第二模块,被设置为将整个无人机集群的任务转换成多旅行商的问题,将n个目标点聚类成为N个集群,将多旅行商问题转换成N个单旅行商问题,其中,
N<n;
第三模块,被设置为对每个单旅行商问题进行求解:在任务集合T中生成初始种群,引入遗传参数自适应调节策略,采用适应度函数计算得到初始种群中每个个体的适应度值;引入精英个体保留策略,迭代出适应度值最高的个体,直至最高的适应度值满足条件,得到满意路径:最高的适应度值对应个体的路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573808.4A CN117519244B (zh) | 2023-11-23 | 2023-11-23 | 无人机集群协同探测多目标的路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573808.4A CN117519244B (zh) | 2023-11-23 | 2023-11-23 | 无人机集群协同探测多目标的路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117519244A CN117519244A (zh) | 2024-02-06 |
CN117519244B true CN117519244B (zh) | 2024-05-10 |
Family
ID=89764159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311573808.4A Active CN117519244B (zh) | 2023-11-23 | 2023-11-23 | 无人机集群协同探测多目标的路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117519244B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117991812B (zh) * | 2024-04-03 | 2024-06-07 | 国网江西省电力有限公司南昌供电分公司 | 基于北斗定位的集群无人机自主除架空线覆冰系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122843A (zh) * | 2017-03-13 | 2017-09-01 | 华南理工大学 | 一种基于改进遗传算法的旅行商问题求解方法 |
CN112230675A (zh) * | 2020-10-19 | 2021-01-15 | 南京航空航天大学 | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN113359849A (zh) * | 2021-07-06 | 2021-09-07 | 北京理工大学 | 一种针对运动目标的多无人机协同快速搜索方法 |
CN116257082A (zh) * | 2022-11-03 | 2023-06-13 | 天津大学 | 多无人机分布式主动协同探测方法 |
-
2023
- 2023-11-23 CN CN202311573808.4A patent/CN117519244B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122843A (zh) * | 2017-03-13 | 2017-09-01 | 华南理工大学 | 一种基于改进遗传算法的旅行商问题求解方法 |
CN112230675A (zh) * | 2020-10-19 | 2021-01-15 | 南京航空航天大学 | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 |
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN113359849A (zh) * | 2021-07-06 | 2021-09-07 | 北京理工大学 | 一种针对运动目标的多无人机协同快速搜索方法 |
CN116257082A (zh) * | 2022-11-03 | 2023-06-13 | 天津大学 | 多无人机分布式主动协同探测方法 |
Non-Patent Citations (6)
Title |
---|
Multi-UAV Data Collection and Path Planning Method for Large-Scale Terminal;Linfeng Zhang等;《School of Communication and Information Engineering》;20231001;全文 * |
信息科技》.2023,全文. * |
基于改进遗传算法的多无人机协同任务规划;赵民全;;舰船电子对抗;20200825(第04期);全文 * |
基于粒子群算法的集中式多无人机静态任务分配;马培博等;《无线电工程》;20231114;全文 * |
多无人机协同探测时间最小化问题的研究;谢军;耿家利;张萍;裘哲勇;;杭州电子科技大学学报(自然科学版);20171115(第06期);全文 * |
李华.多无人机协同任务分配算法设计与实现.《硕士电子期刊 工程科技Ⅱ辑 * |
Also Published As
Publication number | Publication date |
---|---|
CN117519244A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Species-based particle swarm optimizer enhanced by memory for dynamic optimization | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
Obayashi et al. | Multi-objective design exploration for aerodynamic configurations | |
CN107977743B (zh) | 多无人机协同任务分配方法及装置 | |
CN117519244B (zh) | 无人机集群协同探测多目标的路径规划方法及系统 | |
CN112013829B (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN112346839B (zh) | 一种基于进化算法的关联任务调度方法 | |
CN112327923A (zh) | 一种多无人机协同路径规划方法 | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN113885555A (zh) | 面向输电线路密集通道巡检的多机任务分配方法和系统 | |
CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
CN115202394A (zh) | 一种基于改进遗传算法的无人机全覆盖路径规划方法 | |
CN111178440A (zh) | 一种基于高效减小agv总运输成本的路径优化方法 | |
CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和系统 | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
Li et al. | A multi-objective particle swarm optimization algorithm based on enhanced selection | |
CN112229409B (zh) | 基于贝叶斯和进化算法的无人机协同航迹规划方法 | |
CN110334797A (zh) | 一种基于并行增强搜索粒子群优化算法的计算方法及系统 | |
D’Ambrosio et al. | Optimizing cellular automata through a meta-model assisted memetic algorithm | |
CN112148030B (zh) | 一种基于启发式算法的水下滑翔机路径规划方法 | |
CN113947321A (zh) | 一种分布式信息能源网络拓扑结构构建方法和系统 | |
CN111756819A (zh) | 基于改进免疫遗传的物联网资源调度优化运行方法 | |
Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony |
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 |