CN120215397B - 一种支撑电力应急通信的无人机飞行控制方法及装置 - Google Patents

Abstract

本发明公开了一种支撑电力应急通信的无人机飞行控制方法及装置，属于电力通信技术领域，所述方法包括：确定电力应急通信的目标区域，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，采用蚁群优化算法进行部署优化；以部署优化得到的部署位置为终点，考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件，采用粒子群优化算法进行路径优化。本发明采用蚁群优化算法和粒子群算法，能够应对复杂的三维环境，获取无人机的最优部署点位和飞行轨迹，在满足有效通信的前提下，保证足够的覆盖率，同时显著提高了无人机在复杂电力通信网络环境下的任务执行效率和路径规划的鲁棒性，具有广泛的应用前景。

Description

一种支撑电力应急通信的无人机飞行控制方法及装置

技术领域

本发明涉及电力通信技术领域，尤其涉及一种支撑电力应急通信的无人机飞行控制方法及装置。

背景技术

自然灾害，如暴雪和洪水，容易对输电网基础设施造成严重破坏。为了恢复电力供应，由抢修人员收集的数据需要及时传送回指挥中心，获得有关伤亡和损害的准确情形。然而，现有的地面网络容易受到灾害的影响，网络的可靠性不足。移动通信技术、无人机和卫星的迅速发展使得通信网络向着“空天地一体化”的新模式转变，多个无人机可以与卫星和地面网络融合，以实现协同故障巡检、长距离中继和广泛的空地覆盖能力增强。

资源调度是实现空天地一体化的关键支柱。特别地，路径规划为无人机找到了最优的部署点位和飞行轨迹，在满足有效通信的前提下，保证足够的覆盖率，现有技术对满足上述要求仍存在很多不足。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种支撑电力应急通信的无人机飞行控制方法及装置，能够应对复杂的三维环境，获取无人机的最优部署点位和飞行轨迹，在满足有效通信的前提下，保证足够的覆盖率。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种支撑电力应急通信的无人机飞行控制方法，包括：

确定电力应急通信的目标区域，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，采用蚁群优化算法进行部署优化；

以部署优化得到的部署位置为终点，考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件，采用粒子群优化算法进行路径优化。

可选的，所述采用蚁群优化算法进行部署优化包括：

根据目标区域确定无人机的部署位置集合；

初始化迭代次数，第次迭代中第个无人机在第个部署位置时对应的信息素浓度，最大迭代次数，重复执行部署优化迭代步骤直至，输出无人机最终的部署位置；

其中，所述部署优化迭代步骤包括：

基于所述部署位置集合构建第次迭代中每个无人机对应的启发信息函数；

根据第次迭代中每个无人机对应的启发信息函数和信息素浓度计算蚂蚁在第次迭代中对每个无人机的部署位置的选择概率；

每只蚂蚁根据第次迭代中每个无人机的部署位置的选择概率选择第次迭代中每个无人机的部署位置；

根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度；令。

可选的，所述启发信息函数为：

式中，为第次迭代中第个无人机在第个部署位置时对应的启发信息函数值，为与第个目标点相关的任务权重，为第个目标点的位置坐标，为目标点数量；为第个无人机所选的第个部署位置的位置坐标，为常数项；

所述选择概率为：

式中，为第次迭代中第个无人机对第个部署位置的选择概率，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为部署位置的索引值；分别为信息素浓度和启发信息函数值的权重。

可选的，所述根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度包括：

考虑无人机飞行高度不确定性，构建无人机飞行高度函数并计算无人机有效信号覆盖范围：

式中，为第个无人机的目标飞行高度和实际飞行高度，为第个无人机的飞行高度扰动，为最大飞行高度扰动，为区间在到之间的等概率分布；为无人机通信辐射调整参数，为无人机最小安全飞行高度，为第个无人机有效信号覆盖范围；

基于无人机有效信号覆盖范围计算无人机对目标点的有效信号覆盖状态：

式中，为第个无人机在第个部署位置时对第个目标点的有效信号覆盖状态，为三维欧式距离运算符；为第个目标点的位置坐标，为第个无人机所选的第个部署位置的位置坐标；

基于有效信号覆盖状态，以最大化覆盖率为目标构建无人机对目标点的覆盖率奖励函数：

其中：

式中，为最大化覆盖率，为无人机数量，为目标点数量，为第个无人机所选的第个部署位置的位置坐标；为部署重叠惩罚项，为部署重叠惩罚系数，为无人机最小间距阈值，为覆盖率奖励函数值；

基于覆盖率奖励函数更新信息素浓度：

式中，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为第次迭代中无人机对目标点的覆盖率奖励函数值，为信息增强系数，为第次迭代中信息素浓度的挥发率，为初始挥发率，为衰减常数。

可选的，所述采用粒子群优化算法进行路径优化包括：

考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件构建适应度函数；

设置粒子数量、每个粒子的初始位置和初始速度、最大迭代次数，每个粒子的初始位置为路径上的所有航点

初始化迭代次数，初始化全局最优位置和每个粒子的个体最优位置为初始位置，重复执行路径优化迭代步骤直至，输出最终的全局最优位置，得到最优的路径；

其中，所述路径优化迭代步骤包括：

根据第次迭代中每个粒子的速度和位置、个体最优位置、全局最优位置计算第次迭代中每个粒子的速度和位置；

根据第次迭代中每个粒子的速度和位置，采用适应度函数计算每个粒子的适应度；

根据每个粒子的适应度更新全局最优位置和每个粒子的个体最优位置；令。

可选的，所述适应度函数为：

其中：

式中，为路径长度，为高度变化成本，为路径平滑性成本，为碰撞惩罚项，分别为路径长度、高度变化成本以及路径平滑性成本的权重系数，分别为路径上第个航点的位置坐标，为路径上航点数量，为路径上第个航点的z轴坐标值和无人机在第个航点的实际飞行高度，为无人机在第个航点的飞行高度扰动，为最大飞行高度扰动，为区间在到之间的等概率分布，为路径上所有航点的z轴坐标值的平均值，为预设的高度中值，均为权重系数，为路径上第个航点与相邻航点连线的夹角；为路径上第个航点的xy轴坐标值，为路径上第个航点的z轴坐标值，为第个障碍物的中心坐标，为第个障碍物的z轴坐标最小值和最大值；为路径上第和个航点连线与第个障碍物之间的最小有效距离，为第个障碍物的安全半径，为惩罚分值，为障碍物数量，为0到1之间的插值系数；

式中，为三维欧式距离运算符，为路径上第个航点的位置坐标。

可选的，所述计算第次迭代中每个粒子的速度和位置包括：

式中，为第次迭代中第个粒子的速度，为惯性权重，为学习因子，为0到1之间的随机数，为第个粒子的个体最优位置，为全局最优位置， 为第次迭代中第个粒子的位置。

可选的，所述无人机飞行控制方法还包括：

对路径优化得到的路径，采用三次样条插值方法进行平滑处理。

第二方面，本发明提供了一种支撑电力应急通信的无人机飞行控制装置，包括：

部署优化模块，被配置为确定电力应急通信的目标区域，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，采用蚁群优化算法进行部署优化；

路径优化模块，被配置为以部署优化得到的部署位置为终点，考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件，采用粒子群优化算法进行路径优化。

可选的，所述无人机飞行控制装置还包括：

平滑处理模块，被配置为对路径优化得到的路径，采用三次样条插值方法进行平滑处理。

与现有技术相比，本发明所达到的有益效果：

本发明提供的一种支撑电力应急通信的无人机飞行控制方法及装置，在定位阶段，采用蚁群优化算法，以同时考虑覆盖效能与部署协调性的覆盖奖励函数为优化目标，并设计随迭代次数动态衰减的信息素挥发机制，提升算法搜索效率与部署解稳定性。在路径规划阶段，选取定位阶段中最优悬浮位置作为无人机规划终点，综合考虑路径长度、高度变化、平滑性以及碰撞检测等约束条件，通过粒子群优化算法生成路径。最后，采用三次样条插值方法进行平滑处理，进一步提高路径的可执行性。综上所述，本发明能够应对复杂的三维环境，获取无人机的最优部署点位和飞行轨迹，在满足有效通信的前提下，保证足够的覆盖率，同时显著提高了无人机在复杂电力通信网络环境下的任务执行效率和路径规划的鲁棒性，具有广泛的应用前景。

附图说明

图1是本发明实施例提供的支撑电力应急通信的无人机飞行控制方法的流程示意图；

图2是本发明实施例提供的无人机飞行控制的仿真验证场景的示意图；

图3是本发明实施来提供的本发明方法与传统PSO、A*算法在其中一次实验中的三维路径结果示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1所示，本发明实施例提供了一种支撑电力应急通信的无人机飞行控制方法，包括以下步骤：

步骤S1、确定电力应急通信的目标区域，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，采用蚁群优化算法进行部署优化。

具体的，采用蚁群优化算法进行部署优化包括：

步骤S1.1、根据目标区域确定无人机的部署位置集合。

具体在本实施方式中，可以将目标区域的空间均分为多个正方体形状的子空间，将每个子空间的中心点作为部署位置。在其他可选的实施方式中，本领域技术人员可根据实际需要，设置部署位置。

步骤S1.2、初始化迭代次数，第次迭代中第个无人机在第个部署位置时对应的信息素浓度，最大迭代次数，重复执行部署优化迭代步骤直至，输出无人机最终的部署位置；

其中，部署优化迭代步骤包括：

步骤S1.2.1、基于部署位置集合构建第次迭代中每个无人机对应的启发信息函数；

步骤S1.2.2、根据第次迭代中每个无人机对应的启发信息函数和信息素浓度计算蚂蚁在第次迭代中对每个无人机的部署位置的选择概率；

步骤S1.2.3、每只蚂蚁根据第次迭代中每个无人机的部署位置的选择概率选择第次迭代中每个无人机的部署位置；

步骤S1.2.4、根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度；令。

其中，启发信息函数为：

式中，为第次迭代中第个无人机在第个部署位置时对应的启发信息函数值，为与第个目标点相关的任务权重，为第个目标点的位置坐标，为目标点数量；为第个无人机所选的第个部署位置的位置坐标，为常数项；

选择概率为：

式中，为第次迭代中第个无人机对第个部署位置的选择概率，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为部署位置的索引值；分别为信息素浓度和启发信息函数值的权重。

在步骤S1.2.4中，根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度包括：

考虑无人机飞行高度不确定性，构建无人机飞行高度函数并计算无人机有效信号覆盖范围：

式中，为第个无人机的目标飞行高度和实际飞行高度，为第个无人机的飞行高度扰动，为最大飞行高度扰动，为区间在到之间的等概率分布；为无人机通信辐射调整参数，为无人机最小安全飞行高度，为第个无人机有效信号覆盖范围；

基于无人机有效信号覆盖范围计算无人机对目标点的有效信号覆盖状态：

式中，为第个无人机在第个部署位置时对第个目标点的有效信号覆盖状态，为三维欧式距离运算符；为第个目标点的位置坐标，为第个无人机所选的第个部署位置的位置坐标；

基于有效信号覆盖状态，以最大化覆盖率为目标构建无人机对目标点的覆盖率奖励函数：

其中：

式中，为最大化覆盖率，为无人机数量，为目标点数量，为第个无人机所选的第个部署位置的位置坐标；为部署重叠惩罚项，为部署重叠惩罚系数，为无人机最小间距阈值，为覆盖率奖励函数值；

基于覆盖率奖励函数更新信息素浓度：

式中，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为第次迭代中无人机对目标点的覆盖率奖励函数值，为信息增强系数，为第次迭代中信息素浓度的挥发率，为初始挥发率，为衰减常数。

步骤S2、以部署优化得到的部署位置为终点，考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件，采用粒子群优化算法进行路径优化。

具体的，采用粒子群优化算法进行路径优化包括：

步骤S2.1、考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件构建适应度函数；

步骤S2.2、设置粒子数量、每个粒子的初始位置和初始速度、最大迭代次数，每个粒子的初始位置为路径上的所有航点

步骤S2.3、初始化迭代次数，初始化全局最优位置和每个粒子的个体最优位置为初始位置，重复执行路径优化迭代步骤直至，输出最终的全局最优位置，得到最优的路径；

其中，路径优化迭代步骤包括：

步骤S2.3.1、根据第次迭代中每个粒子的速度和位置、个体最优位置、全局最优位置计算第次迭代中每个粒子的速度和位置；

步骤S2.3.2、根据第次迭代中每个粒子的速度和位置，采用适应度函数计算每个粒子的适应度；

步骤S2.3.3、根据每个粒子的适应度更新全局最优位置和每个粒子的个体最优位置；令。

具体在本实施方式中，适应度函数为：

其中：

式中，为路径长度，为高度变化成本，为路径平滑性成本，为碰撞惩罚项，分别为路径长度、高度变化成本以及路径平滑性成本的权重系数，分别为路径上第个航点的位置坐标，为路径上航点数量，为路径上第个航点的z轴坐标值和无人机在第个航点的实际飞行高度，为无人机在第个航点的飞行高度扰动，为最大飞行高度扰动，为区间在到之间的等概率分布，为路径上所有航点的z轴坐标值的平均值，为预设的高度中值，均为权重系数，为路径上第个航点与相邻航点连线的夹角；为路径上第个航点的xy轴坐标值，为路径上第个航点的z轴坐标值，为第个障碍物的中心坐标，为第个障碍物的z轴坐标最小值和最大值；为路径上第和个航点连线与第个障碍物之间的最小有效距离，为第个障碍物的安全半径，为惩罚分值，为障碍物数量，为0到1之间的插值系数；

式中，为三维欧式距离运算符，为路径上第个航点的位置坐标。

在步骤S2.3.1中，计算第次迭代中每个粒子的速度和位置包括：

式中，为第次迭代中第个粒子的速度，为惯性权重，为学习因子，为0到1之间的随机数，为第个粒子的个体最优位置，为全局最优位置， 为第次迭代中第个粒子的位置。

步骤S3、对路径优化得到的路径，采用三次样条插值方法进行平滑处理。

三次样条插值（Cubic Spline Interpolation）简称Spline插值，是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程。三次样条插值通过分段三次多项式构造路径，确保相邻区间的函数值、一阶导数（速度）和二阶导数（加速度）连续。这种特性避免了传统线性插值的“折线效应”和高阶多项式插值的“龙格振荡现象”，尤其适用于无人驾驶车辆、无人机等对运动连续性要求高的场景，可减少路径曲率突变带来的机械振动和能量损耗。

如图2所示，本发明实施例提供了一种无人机飞行控制的仿真验证场景，包含一个电力通信网络控制中心、三个固定基站（BS1、BS2、BS3）及五架无人机（UAV1-UAV5）。控制中心根据电网巡检任务需求，通过本发明实施例提出的无人机飞行控制方法，获取无人机的部署点位和飞行轨迹。试验区域模拟山区地形，包括动态障碍物（如高压线塔、临时施工区）和随机用户需求分布。

参数设置：

对于环境参数的设定，区域范围为5km*5km，地形起伏高度差为0-200m，动态障碍物数量为10个（随机分布，半径10-50m），位置随实验批次随机变化，用户需求点数量为20个（随机生成，优先级分高/中/低三档）。

对于部署定位阶段，采用蚁群优化算法搜索五架无人机在三维空间的最优悬浮部署点，蚂蚁数量为20，最大迭代次数为100次，初始信息素浓度为1.0，挥发因子采用动态衰减形式：

信息素增强因子Q为100，启发信息函数权重参数、分别为1.0和2.0，飞行高度扰动建模为：

通信覆盖半径为：

覆盖率计算基于扰动后的覆盖半径进行，部署方案按如下目标函数进行优化：

最终选择覆盖率最优的部署结果作为路径规划的终点候选。

对于路径规划阶段，规划从通信中心至部署点的可行路径，粒子群优化算法的最大迭代次数为200次，速度更新惯性权重范围（0.9~0.4），权重系数w₁（路径长度）=0.5，w₂（高度变化）=0.3，w₃（平滑性）=0.2，随机扰动强度=5m（高度调整标准差）。本实施例考虑将本发明实施例提出的方法与传统PSO算法以及路径规划中的典型算法A*算法进行对比，实验结果如表1所示。

表1 三种路径规划方法结果对比

指标	本发明	传统PSO	A*算法
				平均路径长度（km）	8.7±0.3	9.4±0.5	11.2±0.8
目标覆盖率（%）	93.5±2.5	82.0±3.0	76.5±4.0
				碰撞次数	1.2±0.5	4.8±1.2	6.5±1.5
计算时间（s）	52±8	28±5	145±20

结合表1中的数据结果所示，本发明实施例方法生成的路径长度最短（8.7km），相比于传统PSO（仅优化路径长度）缩短约7.4%，相比A*算法缩短22.3%，传统PSO因忽略高度变化和平滑性约束，导致生成的路径存在冗余绕行；A*算法因依赖网格分辨率，所生成的路径的离散化程度高，导致长度明显增加；同时本专利方法通过融合路径长度等多项约束并保证路径安全性的同时，还结合三次样条插值技术，显著缩短了路径长度，提高路径可行性。

在避障性能方面，本发明实施例方法结合碰撞检测和随机扰动机制，碰撞次数（1.2次）显著低于传统PSO（4.8次）和A*算法（6.5次）。传统PSO因缺乏动态调整能力，易陷入局部最优路径导致碰撞；A*算法则是因三维环境中的障碍物投影误差和离散路径点的原理，导致碰撞风险最高，说明在本实施例中，本专利方法在复杂动态环境下具备较强的鲁棒性。

在计算性能方面，本专利方法的计算时间（52s）略高于传统PSO（28s），但远低于A*算法（145s）。传统PSO因单目标优化计算简单，耗时最短；本专利方法因多约束优化和动态扰动增加了计算复杂度；A*算法因三维网格搜索空间爆炸，计算效率最低。

如图3所示，为本发明方法与传统PSO、A*算法在其中一次实验中的三维路径结果，从图3中可以直观地观察到，在较为复杂的障碍物场景下，A*算法因为自身避障性能差，生成了一条直接穿过障碍物的不可行路径，同时本发明方法相较于传统PSO，路径长度明显更短并且平滑性更好，所生成的路径具备较好的可行性。

实施例二：

本发明实施例提供了一种支撑电力应急通信的无人机飞行控制装置，包括：

部署优化模块，被配置为确定电力应急通信的目标区域，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，采用蚁群优化算法进行部署优化；

路径优化模块，被配置为以部署优化得到的部署位置为终点，考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件，采用粒子群优化算法进行路径优化；

平滑处理模块，被配置为对路径优化得到的路径，采用三次样条插值方法进行平滑处理。

最终的输出结果可利用MATLAB工具进行三维可视化，直观展示路径规划的全过程和优化效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种支撑电力应急通信的无人机飞行控制方法，其特征在于，包括：

确定电力应急通信的目标区域，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，采用蚁群优化算法进行部署优化；

以部署优化得到的部署位置为终点，考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件，采用粒子群优化算法进行路径优化；

其中，所述采用蚁群优化算法进行部署优化包括：

根据目标区域确定无人机的部署位置集合；

初始化迭代次数，第次迭代中第个无人机在第个部署位置时对应的信息素浓度，最大迭代次数，重复执行部署优化迭代步骤直至，输出无人机最终的部署位置；

其中，所述部署优化迭代步骤包括：

基于所述部署位置集合构建第次迭代中每个无人机对应的启发信息函数；

根据第次迭代中每个无人机对应的启发信息函数和信息素浓度计算蚂蚁在第次迭代中对每个无人机的部署位置的选择概率；

每只蚂蚁根据第次迭代中每个无人机的部署位置的选择概率选择第次迭代中每个无人机的部署位置；

根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度；令；

其中，所述启发信息函数为：

；

式中，为第次迭代中第个无人机在第个部署位置时对应的启发信息函数值，为与第个目标点相关的任务权重，为第个目标点的位置坐标，为目标点数量；为第个无人机所选的第个部署位置的位置坐标，为常数项；

所述选择概率为：

；

式中，为第次迭代中第个无人机对第个部署位置的选择概率，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为第次迭代中第个无人机在第个部署位置时对应的启发信息函数值，为部署位置的索引值；分别为信息素浓度和启发信息函数值的权重；

其中，所述根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度包括：

考虑无人机飞行高度不确定性，构建无人机飞行高度函数并计算无人机有效信号覆盖范围：

；

；

式中，为第个无人机的目标飞行高度和实际飞行高度，为第个无人机的飞行高度扰动，为最大飞行高度扰动，为区间在到之间的等概率分布；为无人机通信辐射调整参数，为无人机最小安全飞行高度，为第个无人机有效信号覆盖范围；

基于无人机有效信号覆盖范围计算无人机对目标点的有效信号覆盖状态：

；

式中，为第个无人机在第个部署位置时对第个目标点的有效信号覆盖状态，为三维欧式距离运算符；为第个目标点的位置坐标，为第个无人机所选的第个部署位置的位置坐标；

基于有效信号覆盖状态，以最大化覆盖率为目标构建无人机对目标点的覆盖率奖励函数：

；

其中：

；

；

式中，为最大化覆盖率，为无人机数量，为目标点数量，为第个无人机所选的第个部署位置的位置坐标；为部署重叠惩罚项，为部署重叠惩罚系数，为无人机最小间距阈值，为覆盖率奖励函数值；

基于覆盖率奖励函数更新信息素浓度：

；

；

式中，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为第次迭代中无人机对目标点的覆盖率奖励函数值，为信息增强系数，为第次迭代中信息素浓度的挥发率，为初始挥发率，为衰减常数。

2.根据权利要求1所述的支撑电力应急通信的无人机飞行控制方法，其特征在于，所述采用粒子群优化算法进行路径优化包括：

考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件构建适应度函数；

设置粒子数量、每个粒子的初始位置和初始速度、最大迭代次数，每个粒子的初始位置为路径上的所有航点

初始化迭代次数，初始化全局最优位置和每个粒子的个体最优位置为初始位置，重复执行路径优化迭代步骤直至，输出最终的全局最优位置，得到最优的路径；

其中，所述路径优化迭代步骤包括：

根据第次迭代中每个粒子的速度和位置、个体最优位置、全局最优位置计算第次迭代中每个粒子的速度和位置；

根据第次迭代中每个粒子的速度和位置，采用适应度函数计算每个粒子的适应度；

根据每个粒子的适应度更新全局最优位置和每个粒子的个体最优位置；令。

3.根据权利要求2所述的支撑电力应急通信的无人机飞行控制方法，其特征在于，所述适应度函数为：

；

其中：

；

；

；

；

；

；

式中，为路径长度，为高度变化成本，为路径平滑性成本，为碰撞惩罚项，分别为路径长度、高度变化成本以及路径平滑性成本的权重系数，分别为路径上第个航点的位置坐标，为路径上航点数量，为路径上第个航点的z轴坐标值和无人机在第个航点的实际飞行高度，为无人机在第个航点的飞行高度扰动，为最大飞行高度扰动，为区间在到之间的等概率分布，为路径上所有航点的z轴坐标值的平均值，为预设的高度中值，均为权重系数，为路径上第个航点与相邻航点连线的夹角；为路径上第个航点的xy轴坐标值，为路径上第个航点的z轴坐标值，为第个障碍物的中心坐标，为第个障碍物的z轴坐标最小值和最大值；为路径上第和个航点连线与第个障碍物之间的最小有效距离，为第个障碍物的安全半径，为惩罚分值，为障碍物数量，为0到1之间的插值系数；

；

式中，为三维欧式距离运算符，为路径上第个航点的位置坐标。

4.根据权利要求2所述的支撑电力应急通信的无人机飞行控制方法，其特征在于，所述计算第次迭代中每个粒子的速度和位置包括：

；

；

式中，为第次迭代中第个粒子的速度，为惯性权重，为学习因子，为0到1之间的随机数，为第个粒子的个体最优位置，为全局最优位置， 为第次迭代中第个粒子的位置。

5.根据权利要求1所述的支撑电力应急通信的无人机飞行控制方法，其特征在于，所述无人机飞行控制方法还包括：

对路径优化得到的路径，采用三次样条插值方法进行平滑处理。

6.一种支撑电力应急通信的无人机飞行控制装置，其特征在于，包括：

部署优化模块，被配置为确定电力应急通信的目标区域，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，采用蚁群优化算法进行部署优化；

路径优化模块，被配置为以部署优化得到的部署位置为终点，考虑无人机飞行高度不确定性并以路径长度、高度变化成本、路径平滑性成本以及碰撞惩罚为约束条件，采用粒子群优化算法进行路径优化；

其中，所述采用蚁群优化算法进行部署优化包括：

根据目标区域确定无人机的部署位置集合；

初始化迭代次数，第次迭代中第个无人机在第个部署位置时对应的信息素浓度，最大迭代次数，重复执行部署优化迭代步骤直至，输出无人机最终的部署位置；

其中，所述部署优化迭代步骤包括：

基于所述部署位置集合构建第次迭代中每个无人机对应的启发信息函数；

根据第次迭代中每个无人机对应的启发信息函数和信息素浓度计算蚂蚁在第次迭代中对每个无人机的部署位置的选择概率；

每只蚂蚁根据第次迭代中每个无人机的部署位置的选择概率选择第次迭代中每个无人机的部署位置；

根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度；令；

其中，所述启发信息函数为：

；

式中，为第次迭代中第个无人机在第个部署位置时对应的启发信息函数值，为与第个目标点相关的任务权重，为第个目标点的位置坐标，为目标点数量；为第个无人机所选的第个部署位置的位置坐标，为常数项；

所述选择概率为：

；

式中，为第次迭代中第个无人机对第个部署位置的选择概率，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为第次迭代中第个无人机在第个部署位置时对应的启发信息函数值，为部署位置的索引值；分别为信息素浓度和启发信息函数值的权重；

其中，所述根据第次迭代中每个无人机的部署位置，考虑无人机飞行高度不确定性并以最大化覆盖率为目标，计算第次迭代中每个无人机对应的信息素浓度包括：

考虑无人机飞行高度不确定性，构建无人机飞行高度函数并计算无人机有效信号覆盖范围：

；

；

式中，为第个无人机的目标飞行高度和实际飞行高度，为第个无人机的飞行高度扰动，为最大飞行高度扰动，为区间在到之间的等概率分布；为无人机通信辐射调整参数，为无人机最小安全飞行高度，为第个无人机有效信号覆盖范围；

基于无人机有效信号覆盖范围计算无人机对目标点的有效信号覆盖状态：

；

式中，为第个无人机在第个部署位置时对第个目标点的有效信号覆盖状态，为三维欧式距离运算符；为第个目标点的位置坐标，为第个无人机所选的第个部署位置的位置坐标；

基于有效信号覆盖状态，以最大化覆盖率为目标构建无人机对目标点的覆盖率奖励函数：

；

其中：

；

；

式中，为最大化覆盖率，为无人机数量，为目标点数量，为第个无人机所选的第个部署位置的位置坐标；为部署重叠惩罚项，为部署重叠惩罚系数，为无人机最小间距阈值，为覆盖率奖励函数值；

基于覆盖率奖励函数更新信息素浓度：

；

；

式中，为第次迭代中第个无人机在第个部署位置时对应的信息素浓度，为第次迭代中无人机对目标点的覆盖率奖励函数值，为信息增强系数，为第次迭代中信息素浓度的挥发率，为初始挥发率，为衰减常数。

7.根据权利要求6所述的支撑电力应急通信的无人机飞行控制装置，其特征在于，所述无人机飞行控制装置还包括：

平滑处理模块，被配置为对路径优化得到的路径，采用三次样条插值方法进行平滑处理。