WO2022077954A1 - 一种基于双充电模式的无人机路径规划方法 - Google Patents

一种基于双充电模式的无人机路径规划方法 Download PDF

Info

Publication number
WO2022077954A1
WO2022077954A1 PCT/CN2021/102818 CN2021102818W WO2022077954A1 WO 2022077954 A1 WO2022077954 A1 WO 2022077954A1 CN 2021102818 W CN2021102818 W CN 2021102818W WO 2022077954 A1 WO2022077954 A1 WO 2022077954A1
Authority
WO
WIPO (PCT)
Prior art keywords
current
solution
uav
charging
charging station
Prior art date
Application number
PCT/CN2021/102818
Other languages
English (en)
French (fr)
Inventor
石建迈
毛慧婷
陈超
黄魁华
孙博良
刘忠
黄金才
Original Assignee
国防科技大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 国防科技大学 filed Critical 国防科技大学
Publication of WO2022077954A1 publication Critical patent/WO2022077954A1/zh

Links

Images

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

Definitions

  • the invention relates to the technical field of unmanned aerial vehicles, in particular to a path planning method of an unmanned aerial vehicle based on a dual charging mode.
  • the UAV can use two methods for relay charging in the process of performing information collection tasks: one is wireless fast charging, and the charging point is equipped with a wireless fast charging device for the UAV to perform fast charging. Charging; the other is automatic battery replacement, where the charging point automatically replaces the drone's battery with a fully charged battery.
  • the wireless fast charging method is simple and low cost, and the time it takes to replace the battery is very short, and the drone does not have to stay at the charging station for too long.
  • Wireless fast charging still takes a long time to charge the drone, the charging cost required for battery replacement is higher, and the requirements for battery adaptability are also higher. Both have their own advantages and disadvantages. Setting up these two different charging methods balances the pros and cons. However, how to reasonably arrange the location of the charging station and plan the path of the UAV to fully reduce the cost of UAV charging, including the fixed cost of the vehicle, the cost of driving, the cost of waiting, and the cost of charging, is a problem that needs to be solved.
  • the embodiment of the present invention realizes the optimized charging cost by reasonably arranging the positions of the charging stations in the dual charging mode and reasonably planning the path of the UAV.
  • an embodiment of the present invention provides a method for planning a path of an unmanned aerial vehicle based on a dual charging mode, which is characterized by comprising:
  • the probability selection strategy refers to the probability of taking another target point as the next visit target when the drone is located at a certain target point
  • the input solution is calculated to obtain the current feasible solution ⁇ current ;
  • the current feasible solution ⁇ current is optimized to obtain the optimal feasible solution ⁇ best for the current task data
  • the charging platform can be accessed to replenish the power, and all charging platforms can provide two charging methods: fast charging or battery replacement.
  • fast charging or battery replacement By reasonably planning the location of the charging station and the flight path of the UAV, the advantages and disadvantages of the two charging methods can be balanced. Human-machine charging cost.
  • FIG. 1 is a flowchart of a method for planning a UAV path based on a dual charging mode according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram of a charging station insertion strategy according to an embodiment of the present invention.
  • FIG. 3 is a schematic diagram of target point re-planning in a charging station insertion strategy according to an embodiment of the present invention
  • FIG. 4 is a schematic diagram of a specific embodiment of the present invention.
  • an embodiment of the present invention provides a UAV path planning method based on a dual charging mode, which is characterized in that, it includes:
  • the formula (5.1) in the model is the objective function, which minimizes the overall cost, including the fixed cost of the UAV, the flight cost, the charging cost and the waiting cost.
  • Constraint (5.2) ensures that each target is reconnaissance at least once
  • Constraint (5.3) ensures the connectivity between the reconnaissance target point and the relay charging platform
  • Constraint (5.4) makes the number of flights in and out of each point The times are equal.
  • Constraints (5.5) and (5.6) ensure the feasibility of the temporal continuity of the target point after the drone visits the target point and the charging station, respectively.
  • Constraint (5.7) ensures that the UAV must do so within the time window for reconnaissance of the target.
  • Constraints (5.8) and (5.9) ensure that the power is non-negative when the UAV leaves the reconnaissance target or charging station, and the power consumption includes three aspects: flight distance, reconnaissance target and waiting time.
  • Constraint (5.10) determines the battery power level when the drone leaves the charging station, including the power level after charging in two charging modes, fast charging and battery swapping.
  • Constraint (5.11) restricts the drone to choose at most one charging method at the charging station.
  • Constraints (5.12) ensure that the power level of the UAV after charging does not exceed the maximum battery capacity of the UAV, and constraints (5.13)-(5.15) limit the value range of all decision variables.
  • Ant colony algorithm is a new bionic random search algorithm originated from the biological world. It is derived from the foraging behavior of ant colonies in nature. It has the characteristics of group cooperation, positive feedback selection, and parallel computing.
  • the generating the initial feasible solution of the UAV path planning mathematical model according to the proximity point search strategy and the charging station insertion strategy includes:
  • the ant colony algorithm is a positive feedback system.
  • each ant will leave a chemical substance - pheromone on the path it travels.
  • the ants behind can distinguish its strength and choose the path with high pheromone concentration.
  • the ants With the volatilization of the pheromone, using a positive feedback mechanism, the ants will choose a relatively short path with a higher concentration of pheromone.
  • the method and concept can also be used on the UAV of the present technical solution.
  • the initial feasible solution is generated by using the algorithm of nearby point search and charging station insertion, and the initial pheromone concentration of all paths is set as the reciprocal of the objective function value of the initial feasible solution.
  • the infeasible solution refers to the solution for which the UAV cannot complete the access to all the target points in its planned path due to the power limitation.
  • a feasible path needs to be generated by inserting a charging station for relay charging.
  • the drone only needs to be recharged before it runs out of power, and it can choose multiple locations for access to charging stations during flight. Therefore, the insertion of the charging station has many possibilities, and different insertion positions will produce corresponding different feasible paths
  • the input solution is calculated to obtain the current feasible solution ⁇ current , including:
  • multiple charging stations are distributed in different locations in the area. For each target point, accessing the charging stations after it requires selecting the charging stations distributed near it. In order to reduce the time spent visiting the charging station, generally the charging station s b that is closest to the current target point i and the next target point j is selected.
  • s b ⁇ s
  • the charging station s 0 is inserted between the target points 4 and 5 in Fig. (a), and between the target points 1 and 2, 5 and 6 in Fig. (b), respectively Plug in charging stations s 1 , s 2 , both of which generate feasible paths. Due to the distribution of charging station locations and other reasons, the feasible path generated by path (b) may be shorter than path (a). Therefore, we need to traverse all feasible paths.
  • the drone After the insertion location of the charging station is determined, we can determine the charging level based on the actual power required on the route.
  • the drone In the process of performing reconnaissance tasks, in addition to the power consumption required for flying and reconnaissance of the target point, the drone also consumes power when hovering above the target point and waiting. Therefore, when calculating the power required by the subsequent path of the charging station, we need to determine the waiting time of the target point of the subsequent path.
  • the drone since the drone also takes a certain amount of time to charge at the charging station, the subsequent waiting time cannot be calculated when the charging level is not determined. From this point of view, these two factors influence each other, making the determination of the charging level more difficult.
  • the “multiple charging principle” that is, when calculating the actual power required for the subsequent journey, first assume that the charging time of the current charging station is not counted, and calculate The power consumption of the waiting time at the target point in the subsequent journey is used to determine the charging level. Under this charging principle, after the charging time is determined, it is very likely that the waiting time of the target point in the subsequent journey will be shortened. There will be a certain amount of remaining power at the station or base, which is the so-called “multiple charging principle”. In the hybrid charging mode, when the drone arrives at any charging station, the fast charging mode or battery replacement should be selected according to the actual situation of the route.
  • T0 is defined as follows:
  • T 0 ⁇ (Q/g) (5.22)
  • ⁇ is a parameter between 0 and 1
  • Q/g represents the time required to quickly charge the battery with 0 remaining capacity until it is fully charged.
  • the time window of the target point on the path after inserting the charging station needs to be re-checked. still be satisfied. Since the insertion of the charging station only affects the target point after the charging station, the time window of the target point visited before the charging station does not need to be re-validated for its feasibility.
  • this path violates the maximum cruising range constraint and requires relay charging.
  • the charging station S4 is inserted after the target point T3, due to the long charging time of the UAV in S4, the UAV misses its latest reconnaissance start time when it reaches the next target point T4, so that the T4 cannot be successfully carried out. reconnaissance.
  • we want to delete T4 from this path directly visit the next target points T5 and T6, and finally return to the base. Deleted targets such as T4 will be added to the target removal list , and re-plan these target points uniformly.
  • paths (a) and (b) are two different feasible paths. Since these two paths retain all the target points on the original path, the number of target points is the same, but the number of visits to the charging station is different. In this case, we will compare the task completion times of these two feasible paths and choose the feasible path with the shorter completion time.
  • the time window constraint of the target point may no longer be satisfied. In this case, the target point in the path whose time window is infeasible needs to be deleted.
  • a feasible path with a shorter time is selected according to the time for the UAV to complete all tasks on the feasible path.
  • the method for updating the solution of the unconfigured charging station by invoking the adjacent point search and reconstruction strategy includes:
  • the current feasible solution ⁇ current is optimized to obtain the optimal feasible solution ⁇ best for the current task data, including:
  • the core components of local search are various combinations of removal and insertion operators.
  • the local search is performed on the path after the charging station is removed from the current solution.
  • the charging station insertion strategy is used to insert the searched infeasible path into the charging station to generate a new feasible solution.
  • the removal operator includes: a path deletion operator and a client point deletion operator, the path deletion operator is used to remove all target points on the current path, and the client point removal operator is used for Remove a certain number of target points.
  • Path removal refers to removing all target points on the selected loop
  • client point removal refers to removing a certain number of ⁇ target points. ⁇ is determined by the total number of target points, randomly selected within a specific interval (5%-10%).
  • Shortest path deletion operator This operator selects the shortest loop from the current solution, deletes all target points on the loop and puts these target points into the removal list. The purpose of this operator is to maximize the utilization of the UAV as much as possible, so that a UAV can visit as many target points as possible.
  • End earliest path deletion operator This operator selects a loop with the earliest end of the reconnaissance time from the current solution, deletes all target points on the loop, and puts these target points in the removal list. The purpose of this operator is to achieve the corresponding working time as much as possible based on practical factors.
  • Random target point deletion operator This operator randomly selects ⁇ target points to delete from the current solution. The random deletion operation can make the search process more diverse and prevent the search from falling into local optimum.
  • Worst target point deletion operator This operator calculates the sum of the distances of the adjacent target points before and after each target point in the current solution, sorts by this value in descending order, and selects the first ⁇ target points for deletion. The purpose of this operator is to make a UAV visit the adjacent target points as much as possible, thereby improving the reconnaissance efficiency.
  • the insertion operator is to re-insert the target points in the removal list back into the current solution that was destroyed.
  • the feasibility of the time window of all target points on the circuit needs to be considered, but the cruising range of the drone does not need to be considered.
  • the limitation of that is, after inserting the target point, it is possible to generate an infeasible path.
  • Greedy insertion Calculate all the target points in the current removal list and insert them back into the optimal position of the current solution, so that the insertion cost of the target point is the lowest, and insert them back to the optimal position of the current solution in turn until.
  • Regret value -2 insertion Find the optimal and sub-optimal insertion positions of all removed target points, calculate the optimal insertion cost and the sub-optimal insertion cost, and take the difference between the two. The target point with a larger difference is inserted into its optimal position first. This operator improves the greedy operator and makes the possibility of search results more diverse.
  • the updating of the pheromone concentration according to the optimal feasible solution ⁇ best of the mathematical model includes: updating in the following manner:
  • Cost ib is the objective function value of the current optimal feasible solution ⁇ best .
  • the preset objective function value for the elite ant solution is a preset constant.
  • the probability selection strategy includes:
  • J k (i) is the point set of all selectable target points
  • ⁇ ij is the pheromone concentration of the edge ⁇ i,j>
  • ⁇ is the relative weight of ⁇ ij
  • h ij is the distance heuristic value of edge ⁇ i,j>
  • ⁇ is the relative weight of h ij
  • ⁇ ij is whether the UAV at the next target point of edge ⁇ i,j> can The time heuristic value reached in the accessible time period, ⁇ is the relative weight on ⁇ ij ;
  • h ij and ⁇ ij are respectively:
  • d ij is the length of the edge ⁇ i,j>
  • l j is the latest accessible time of the next target point.
  • the UAV continuously selects the next customer point to visit in the process of generating the solution, until there are no customer points that meet the conditions.
  • the drone then returns to the distribution center to re-start until all customer points have been visited.
  • the selection of the next target point j by the UAV is determined according to a transition probability formula.
  • the traditional probability selection formula also considers the pheromone concentration and the distance of the path. Considering that the time window factor plays a key role in solving the problem, we add the time window heuristic value to the traditional probability selection formula to determine whether the UAV can reach the target point within the accessible time period.
  • the time window heuristic value can make the target point with a tighter time window have a higher probability to be selected for priority access.
  • Small UAVs for reconnaissance missions are powered by lithium batteries.
  • Battery power consumption is mainly divided into three parts.
  • the third part when the drone hovers over the target and waits, consumes power. In the problem, all UAVs depart from the base and must return to the base after completing all target reconnaissance missions within the stipulated time.
  • Some of our charging platforms in the reconnaissance area are equipped with wireless charging equipment, battery replacement equipment, spare batteries, etc., which can quickly charge or replace the battery for the drone.
  • These dual-mode charging platforms are distributed in different locations in the reconnaissance area. , which constitutes a stable charging network.
  • the drone When using wireless fast charging, the drone does not need to fully charge the battery, but can be partially charged according to the actual power required for subsequent reconnaissance missions, and the charging level of the drone's battery is related to the charging time.
  • the positions of these charging platforms are planned and set according to the method described in the technical solution of the present application. When performing tasks, the positions of these charging platforms are known to the UAV.
  • a series of reconnaissance target points are located at different positions in the reconnaissance area, and each target point can only be scouted within a specific time window. If the drone arrives at the target point earlier than the earliest reconnaissance start time for the target point, the drone needs to hover over the target point and wait. If it is later than the latest reconnaissance start time of the target point, the drone cannot successfully scout the target point.
  • the hybrid charging mode when the power of the drone is insufficient, you can access the charging platform to replenish the power, and all charging platforms can provide two charging methods: (1) Fast charging, which can be partially charged according to the actual needs of the drone Or fully charged, the charging time is related to the charging level; (2) Replace the battery, directly replace the drone with a new fully charged battery. Considering the very short time taken for battery replacement, here we assume that the time taken for battery replacement is negligible.
  • the two charging methods have their own advantages and disadvantages.
  • Fast charging can reduce the charging cost as much as possible, but it takes a long charging time.
  • the charging time for replacing the battery is very short and hardly affects the time window of the target point, but replacing the battery requires more charging costs. Therefore, the hybrid charging mode combines the advantages and disadvantages of both, which can reduce the total cost. In the problem, the optimization objective is to minimize the total cost, including vehicle fixed cost, driving cost, waiting cost, and charging cost.
  • the mission contains 15 target reconnaissance points and 5 relay charging platforms (including bases).
  • the population iterates 100 times and the algorithm stops.
  • the improved ant colony algorithm quickly solves the task and path planning scheme of 15 target points within 15 seconds, the objective function value is 149.14, and the specific flight route is shown in Figure 3.
  • both UAVs start from the base (departure point), the first UAV scouts the target points in sequence (14, 11, 10, 3, 13, 1), and in the middle of the platform 17 is used for rapid reconnaissance Charging; the second drone scouts the target points in sequence (4, 15, 8, 9, 12, 5, 2, 7, 6), and in the middle of the way, after visiting the target 9, it performs a quick charge on the platform 19, and then visits the target 12. Replace the battery on the platform 19 after visiting the target 5.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

一种基于双充电模式的无人机路径规划方法，包括构建无人机路径数学模型（S101）；代入当前任务数据（S102）；根据以下步骤迭代求解：生成无人机路径规划数学模型的初始解（S104）；根据初始解获得信息素浓度的初始值（S105）；根据信息素浓度构建概率选择策略（S106）；根据概率选择策略生成未设置充电站的解，以未设置充电站的解作为输入解（S107）；通过调用充电站插入策略，对输入解进行迭代计算，得到当前可行解（S108）；通过调用局部搜索策略，对当前可行解进行优化，得到针对当前任务数据的最优可行解（S109）；根据针对当前任务数据的最优可行解更新信息素浓度（S110）。

Description

一种基于双充电模式的无人机路径规划方法
本申请要求于2020年10月14日提交中国专利局、申请号为2020110942300，发明名称为“一种基于双充电模式的无人机路径规划方法”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及无人机技术领域，具体涉及一种基于双充电模式的无人机路径规划方法。
背景技术
随着自动化和人工智能技术的快速发展，无人机逐渐被应用于军事和民用领域的各个方面。由于无人机体积小，速度快，不受空间和地理位置的局限，机动性好且成本低等优点，其常被应用于战场侦察，边境巡逻，灾后救援，物流运输以及农业作业等。但是，无人机电池容量有限，它们的续航时间短、行驶距离有限。这些缺陷大大降低了它们执行任务的范围，导致其在执行某一区域的任务过程中需要进行中继充电或者更换电池才能完成相应的任务。本专利解决多种中继充电策略的无人机任务路径规划问题。
为了解决无人机续航能力的限制，无人机在执行信息收集任务过程中可以采用两种方式进行中继充电：一种是无线快速充电，充电点装备无线快充装置为无人机进行快速充电；另一种是自动更换电池，充电点自动将无人机的电池更换为已充满电的电池。无线快速充电方式简单易行、成本低，更换电池所花费的时间非常短，无人机不必在充电站停留太长的时间。在无线快充和更换电池相混合的双充电模式下，当无人机电量不足时，可以访问充电平台补充电量，且所有充电平台均可提供两种充电方式：(1)快速充电，可以根据无人机的实际需要进行部分充电或充满，充电时间与充电水平相关；(2)更换电池，直接为无人机更换上新的满电电池。考虑到电池更换所花的时间非常短，这里我们假设电池更换所花费的时间可忽略不计。两种充电方式各有利弊，快速充电可以尽可能地减少充电成本，但是需要耗费较长的充电时间。而更换电池的充电时间非常短，几乎不会影响目标点的时间窗口，但是更换电池需要更多的充电成本。因此，混合充电模式将两者的优缺点进行结合，可以降低总成本。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
无线快速充电为无人机充电所需时间仍较长，电池更换所需要的充电成本更高，对电池适配性的要求也更高，二者皆有各自的优缺点，在充电站中同时设置这两种不同的 充电方式能够平衡利弊。然而，如何合理的布置充电站位置及规划无人机的路径，以充分降低无人机充电的成本，包括车辆固定成本、行驶成本、等待成本以及充电成本，是需要解决的一项问题。
发明内容
本发明实施例通过合理的布置双充电模式充电站的位置及合理规划无人机的路径，来实现最优化的充电成本。
为达上述目的，本发明实施例提供一种基于双充电模式的无人机路径规划方法，其特征在于，包括：
构建基于双充电模式的无人机路径规划数学模型，所述双充电模式是指在无人机飞行路径中设置的充电站为无人机充电时所采用的无线快速充电模式和更换电池的模式；
将当前任务数据代入所述无人机路径规划数学模型，所述当前任务数据包括当前任务预设的无人机要访问的目标点数量、目标点位置、各目标点的可访问时间段、无人机充放电数据；
设定迭代次数k 1的初始值k 1＝1和迭代终止次数NC max1；
根据临近点搜索策略及调用充电站插入策略生成所述无人机路径规划数学模型的初始可行解；
根据所述初始可行解获得信息素浓度的初始值；
根据所述信息素浓度构建概率选择策略，所述概率选择策略是指当无人机位于某一目标点时以另一个目标点作为下一个访问目标的概率；
根据所述概率选择策略生成未设置充电站的不可行解，并以所述未设置充电站的不可行解作为输入解；
通过调用充电站插入策略，对所述输入解进行计算，得到当前可行解Ψ current；
通过调用局部搜索策略，对所述当前可行解Ψ current进行优化，得到所述针对当前任务数据的最优可行解Ψ best；
根据所述针对当前任务数据的最优可行解Ψ best更新所述信息素浓度；
更新迭代次数k 1＝k 1+1；
当k 1≤NC max1时，转移到对所述基于双充电模式的无人机路径规划数学模型进行迭 代求解的第6步，所述第6步指的是：根据所述信息素浓度构建概率选择策略。
上述技术方案具有如下有益效果：
在飞行过程中，当无人机电量不足时，可以访问充电平台补充电量，且所有充电平台均可提供两种充电方式：快速充电或更换电池。通过合理的规划充电站的位置及合理规划无人机的飞行路径，可以平衡两种充电方式的优缺点，在保证无人机完成对所有目标点的访问任务的前提下，最大程度地降低无人机的充电成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于双充电模式的无人机路径规划方法的流程图；
图2是本发明实施例的充电站插入策略的示意图；
图3是本发明实施例的充电站插入策略中的目标点重新规划示意图；
图4为本发明一具体实施例的示意图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于双充电模式的无人机路径规划方法，其特征在于，包括：
S101、构建基于双充电模式的无人机路径规划数学模型，所述双充电模式是指在无人机飞行路径中设置的充电站为无人机充电时所采用的无线快速充电模式和更换电池的模式；
问题描述和模型开发中使用的符号如下所示。
表1模型符号定义
Figure PCTCN2021102818-appb-000001
Figure PCTCN2021102818-appb-000002
基于上述假设和定义，建立了一个非线性混合整数数学模型，如下所示:
min
Figure PCTCN2021102818-appb-000003
s.t.
Figure PCTCN2021102818-appb-000004
Figure PCTCN2021102818-appb-000005
Figure PCTCN2021102818-appb-000006
Figure PCTCN2021102818-appb-000007
Figure PCTCN2021102818-appb-000008
Figure PCTCN2021102818-appb-000009
Figure PCTCN2021102818-appb-000010
Figure PCTCN2021102818-appb-000011
Figure PCTCN2021102818-appb-000012
Figure PCTCN2021102818-appb-000013
Figure PCTCN2021102818-appb-000014
Figure PCTCN2021102818-appb-000015
Figure PCTCN2021102818-appb-000016
Figure PCTCN2021102818-appb-000017
在模型中，模型中公式(5.1)为目标函数，最小化总体成本，包括无人机固定成本，飞行成本，充电成本以及等待成本。约束(5.2)确保每个目标被侦察至少且仅为一次，约束(5.3)保证侦察目标点与中继充电平台之间的连通性，约束(5.4)使得每个点 的飞入次数和飞出次数是相等的。约束(5.5)和(5.6)分别确保在无人机访问目标点和充电站之后目标点时间连续上的可行性。约束(5.7)确保无人机必须在侦察目标的时间窗口内进行。约束(5.8)和(5.9)分别保证无人机离开侦查目标或充电站时电量是非负的，其中电量的消耗包括飞行路程、侦察目标以及等待时间三个方面。约束(5.10)确定了无人机离开充电站时的电池电量水平，包括快速充电和电池交换两种充电方式下充电之后的电量水平。约束(5.11)限制无人机在充电站至多只能选择一种充电方式。约束(5.12)确保无人机在充电之后的电量水平不超过无人机最大电池容量，约束(5.13)-(5.15)限定所有决策变量的取值范围。
S102、将当前任务数据代入所述无人机路径规划数学模型，所述当前任务数据包括当前任务预设的无人机要访问的目标点数量、目标点位置、各目标点的可访问时间段、无人机充放电数据；
S103、设定迭代次数k 1的初始值k 1＝1和迭代终止次数NC max1；
本文在蚁群算法的基础上进行了很大改进，采用循环迭代的方法来得到最优可行解，因此，要预先设置迭代次数和迭代次数的初始值。
蚁群算法是一种源于生物界的新的仿生类随机型搜索算法，来源于自然界中蚁群的觅食行为，具有群体合作、正反馈选择、并行计算等特点。
为了对混合双充电模式下的无人机路径规划问题进行求解，对蚁群算法进行了三方面的改进：首先考虑到问题中具有时间窗口(每个目标点只有在特定的时间范围才可以被访问)的特点，在概率选择模型中增加了时间窗启发值；其次为了进行充电站的选择和充电策略的优化，设计了充电站插入策略，用于生成问题的可行解；并且，鉴于问题的复杂性，引入局部搜索算法，扩大蚁群算法迭代过程中的搜索空间，防止算法过早收敛。该算法的主要步骤见表2。
表2改进的蚁群算法
Figure PCTCN2021102818-appb-000018
Figure PCTCN2021102818-appb-000019
S104、根据临近点搜索策略及调用充电站插入策略生成所述无人机路径规划数学模型的初始可行解；
其中，所述所述根据临近点搜索策略及调用充电站插入策略生成所述无人机路径规划数学模型的初始可行解，包括：
S10401、根据临近点搜索策略确定所述无人机路径规划数学模型的未设置充电站的初始不可行解；
S10402、以所述初始不可行解作为输入解；
S10403、通过调用充电站插入策略，对所述输入解进行计算，得到当前可行解Ψ current；
S10404、以所述当前可行解Ψ current作为所述无人机路径规划数学模型的初始可行解
S105、根据所述初始可行解获得信息素浓度的初始值；
蚁群算法是正反馈系统，在觅食过程中，每只蚂蚁会在所经过的路径上留下一种化学物质—信息素，后面的蚂蚁可分辨其强度，从而选择信息素浓度高的路径。随着信息素的挥发，采用正反馈机制，蚂蚁将会选择相对较短且信息素浓度较高的路径。随着路径上的信息素不断进行更新和累积，蚂蚁最终会找到觅食的最短路径。因此，该方法及概念也可以用于本技术方案的无人机上。
首先利用临近点搜索及充电站插入算法来生成初始可行解后，所有路径的信息素初始浓度设为该初始可行解目标函数值的倒数。
S106、根据所述信息素浓度构建概率选择策略，所述概率选择策略是指当无人机位于某一目标点时以另一个目标点作为下一个访问目标的概率；
S107、根据所述概率选择策略生成未设置充电站的不可行解，并以所述未设置充电站的不可行解作为输入解；
所述不可行解，是指受电量限制无人机无法完成访问其规划路径中的所有目标点所对应的解。
S108、通过调用充电站插入策略，对所述输入解进行计算，得到当前可行解Ψ current；
对于一条违背续航里程约束的路径，需要通过插入充电站进行中继充电来生成可行路径。然而，无人机只需在其电量消耗前进行充电，其在飞行过程中可选择多个位置进 行充电站的访问。因此，充电站的插入具有多种可能性，不同的插入位置会产生相应的不同可行路径
S109、通过调用局部搜索策略，对所述当前可行解Ψ current进行优化，得到所述针对当前任务数据的最优可行解Ψ best；
S110、根据所述针对当前任务数据的最优可行解Ψ best更新所述信息素浓度；
在搜索过程中信息素的更新至关重要。
S111、更新迭代次数k 1＝k 1+1；
S112、当k 1≤NC max1时，转移到对所述基于双充电模式的无人机路径规划数学模型进行迭代求解的第6步，所述第6步指的是：根据所述信息素浓度得到概率选择策略。
进一步的，所述通过调用充电站插入策略，对所述输入解进行计算，得到当前可行解Ψ current，包括：
S10801、从所述输入解中找出所有违背无人机续航里程约束的不可行路径，所述违背无人机续航里程约束的不可行路径，是指无人机由于电量限制无法完成对飞行路径中所有目标点的访问的路径；
对于每条所述不可行路径，执行以下策略：
S10802、找出无人机从本次飞行的出发点出发后受电量限制所能到达的最远目标点；
S10803、遍历所述无人机从本次飞行的出发点所述最远目标点中的每一个目标点，针对每一个目标点：
S10804、在当前点插入充电站；
S10805、确定无人机在当前充电站的充电水平和充电模式；
S10806、检查在所述充电水平和充电方式下无人机是否能在预定可访问时间段内完成对剩余目标点的访问；
S10807、若不能，则移除所述当前点到移除点集合
Figure PCTCN2021102818-appb-000020
S10808、对每条所述不可行路径均遍历完所述每一个目标点后，生成当前可行解Ψ current。
S10809、判断所述移除点集合
Figure PCTCN2021102818-appb-000021
是否为空；
S10810、若所述移除点集合
Figure PCTCN2021102818-appb-000022
不为空，则通过调用重构策略，更新未设置充电站的不可行解，之后转移到对所述输入解进行计算的第1步，所述对所述输入解进行计算的 第1步指的是：从所述输入解中找出所有违背无人机续航里程约束的不可行路径插入充电站策略的主要步骤见表3.
表3充电站插入策略
Figure PCTCN2021102818-appb-000023
问题中多个充电站分布在区域内的不同位置，对于每个目标点来说，在其之后访问充电站需要对分布在其附近的充电站进行选择。为了减少访问充电站路程所花的时间，一般会选择离当前目标点i和下一个目标点j距离最近的充电站s b。
s b＝{s|min(d is+d sj)}
同时为了找到充电站的最优插入位置，对于路径上的所有可插位置进行遍历，生成相应的可行解进行选择。同一条路径，不同的插入位置会产生不同的可行路径。
如图2所示，对于同一条不可行路径，图(a)中在目标点4和5之间插入充电站s 0，图(b)在分别在目标点1和2、5和6之间插入充电站s 1、s 2，两者都能生成可行路径。由于充电站位置的分布等原因，路径(b)所生成的可行路径有可能比路径(a)要短。因此，我们需要对所有可行路径进行遍历选择。
在充电站的插入位置确定好之后，我们即可根据路径上实际所需要的电量来确定充电水平。无人机在执行侦察任务过程中，除了飞行、侦察目标点需要消耗电量以外，在 目标点上方盘旋等待时也会消耗电量。因此，在计算充电站后续路径所需电量时，我们需要确定后续路径目标点的等待时间。然而，由于无人机在充电站充电也会花费一定的时间，在充电水平没有确定的情况下无法计算后续的等待时间。由此看来，这两者因素相互影响，使得充电水平的确定较为困难。
为了确保无人机充电之后的电量水平可顺利完成后续路程的任务，我们采用“多充电原则”，即在计算后续路程实际所需要的电量时，先假定当前充电站的充电时间不计，计算出后续路程中目标点等待时间所耗电量，从而来确定充电水平。在此充电原则下，充电时间确定之后很有可能会使得后续路程中目标点的等待时间缩短等待时间耗电量的计算有可能会超出实际所需要的电量，从而导致无人机到达下一个充电站或者基地时会有一定的剩余电量，这就是所谓的“多充电原则”。在混合充电模式下，无人机到达任意一个充电站时，要根据路径实际情况选择快速充电模式或者电池更换。而充电方式的选择将会决定充电之后无人机的电池电量水平。由于路径中无人机的充电次数不定，我们设定当快速充电模式下所需的充电时间超过某一个阈值T 0时，将选择电池交换技术作为充电方式。否则，无人机将选择快速充电方式按照实际后续路径的电量需求对车辆进行部分充电。T 0的定义如下：
T 0＝σ·(Q/g)     (5.22)
其中，σ是一个0-1之间的参数，Q/g表示将剩余电量为0的电池进行快速充电直至充满所需要的时间。
在时间窗可行但未考虑续航里程约束的原路径上插入充电站之后，由于无人机在充电站产生了一定的充电时间，使得插入充电站后路径上的目标点的时间窗需要重新检查是否仍得到满足。由于充电站的插入只对在充电站之后的目标点产生影响，因此，对于充电站之前访问的目标点的时间窗不需要重新验证其可行性。
如图3所示，该条路径违背了最大续航里程约束，需要进行中继充电。当在目标点T3后插入充电站S4，由于无人机在S4的充电时间较长，使得无人机在到达下一个目标点T4时错过了其最晚侦察开始时间，从而无法对T4顺利进行侦察。此时，我们要将T4从该条路径中删除，直接访问下一个目标点T5和T6，最后返回基地。被删除的目标点如T4将被增加到目标点移除列表
Figure PCTCN2021102818-appb-000024
中，并统一对这些目标点进行重新规划。
对于这些由于不满足时间窗约束而被移除的目标点，首先尝试将它们插回到当前解的其他路径中，若不可行，再重新指派一架无人机来完成该目标点的侦察任务，直至所 有目标点均被成功访问，从而生成问题的可行解。
对于同一条违背最大续航里程约束的路径，选择不同的位置插入充电站会产生不同的可行路径。如图2所示，路径(a)和(b)是两种不同的可行路径。由于这两条路径均保留了原有路径上所有目标点，因此，目标点数量一致，但两者访问充电站的次数不同。在这种情况下，我们将比较这两条可行路径的任务完成时间，并选择完成时间较短的可行路径。此外，根据第之前介绍，在插入充电站之后目标点的时间窗约束有可能不再满足，此时需要删除路径中时间窗不可行的目标点。因此若有多条可行路径进行比较，当其目标点数量不一致时，我们将优先接受目标点数量较多的可行路径。其次，再根据可行路径上无人机完成所有任务的时间选择较短时间的可行路径。
进一步的，所述通过调用临近点搜索重构策略，更新所述未设置充电站的解，包括：
S108101、根据临近点搜索策略及调用充电站插入策略更新所述无人机路径规划数学模型的初始可行解；
S108102、根据所述更新的初始可行解更新所述信息素浓度；
S108103、根据所述信息素浓度更新概率选择策略；
S108104、根据所述更新后的概率选择策略更新未设置充电站的不可行解，并以所述更新后的不可行解更新输入解。
进一步的，所述通过调用局部搜索策略，对所述当前可行解Ψ current进行优化，得到所述针对当前任务数据的最优可行解Ψ best，包括：
S10901、设定迭代次数k 3的初始值k 3＝1和迭代终止次数NC max3；
S10902、移除当前可行解Ψ current中的充电站；
S10903、随机挑选一个移除算子进行计算，将计算结果确定的目标点移除到目标点移除列表
Figure PCTCN2021102818-appb-000025
S10904、随机选择一个插入算子，将目标点移除列表
Figure PCTCN2021102818-appb-000026
中的所述被移除的目标点重新插入到所述移除了充电站的当前可行解，得到中间过程解；
S10905、以所述中间过程解作为输入解；
S10906、通过调用充电站插入策略，对所述输入解进行计算，更新当前可行解Ψ current；
S10907、若当前可行解Ψ current的总体成本低于预设的最优值，则Ψ best＝Ψ current；
S10908、更新迭代次数k 3＝k 3+1；
S10909、当k 3≤NC max3时，转移到对所述当前可行解Ψ current进行优化的第2步，所述对所述当前可行解Ψ current进行优化的第2步指的是：移除当前可行解Ψ current中的充电站。
为了防止在规划无人机路径时，采用蚁群算法陷入局部最优，我们在算法搜索过程中增加了局部搜索，扩大蚁群算法每次迭代过程中的搜索空间，提高可行解寻优的质量。局部搜索的核心组成是各种移除算子和插入算子的不同组合。在搜索过程中，考虑到目标点位置每一次的重新调整都很可能会导致充电站最优插入结果的改变，因此局部搜索是在当前解移除充电站之后的路径上进行的。在每一次迭代之后，再利用充电站插入策略对搜索得到的不可行路径插入充电站，生成新的可行解。
进一步的，所述移除算子包括：路径删除算子和客户点删除算子，所述路径删除算子用于移除当前路径上的所有目标点，所述客户点移除算子用于移除一定数量的目标点。
本文中使用的移除算子分为两类：路径删除和客户点删除算子。路径移除是指移除被选中的回路上的所有目标点，而客户点移除则是移除一定数量λ的目标点。λ由总的目标点数量决定，在一个特定区间(5％-10％)内随机选择。
最短路径删除算子：该算子从当前解中挑选出最短的一条回路，删除该回路上所有目标点并将这些目标点放进移除列表中。该算子的目的是尽可能最大化无人机的利用率，使得一架无人机尽可能访问更多的目标点。
结束最早路径删除算子：该算子从当前解中选择侦察时间结束最早的一条回路，删除该回路上所有目标点并将这些目标点放进移除列表中。该算子的目的是基于现实因素考虑，尽可能达到相应的工作时长。
随机目标点删除算子：该算子从当前解中随机选择λ个目标点删除，随机性的删除操作可以使得搜索过程更加多样化，防止搜索陷入局部最优。
最差目标点删除算子：该算子计算出当前解中每个目标点距离前后邻接的目标点距离之和，按此数值进行降序排序，选择前λ个目标点进行删除。该算子的目的是使得一架无人机尽可能地访问相邻较近的目标点，从而提高侦察效率。
插入算子是将移除列表中的目标点重新插回被破坏的当前解中，在插入过程中需要考虑该条回路上所有目标点时间窗的可行性，但不需要考虑无人机续航里程的限制，即插入目标点之后有可能产生不可行的路径。
贪婪插入：计算当前移除列表中的所有目标点插回当前解的最优位置，使得该目标点的插入成本最低，并将其依次插回到当前解最优的位置，直至。
后悔值-2插入：找出所有被移除目标点的最优和次优插入位置，并计算最优插入成本和次优插入成本，取两者的差值。将差值较大的目标点优先插入其最优位置。该算子改进了贪婪算子，使得搜索结果的可能性更多样化。
在搜索过程中，所有移除和插入算子均具有一个相同的权重，并在每次迭代过程中按照轮盘赌进行随机选择进行组合。
进一步的，所述根据所述数学模型的最优可行解Ψ best更新所述信息素浓度，包括：按以下方式更新：
Figure PCTCN2021102818-appb-000027
其中，
Figure PCTCN2021102818-appb-000028
为信息素更新之后边＜i,j＞上的信息素浓度，
Figure PCTCN2021102818-appb-000029
为信息素更新之前边＜i,j＞上的信息素浓度，φ为信息素挥发参数，i、j为两个目标点；
Figure PCTCN2021102818-appb-000030
Figure PCTCN2021102818-appb-000031
其中，Q是一个预设常数，Cost ib为当前最优可行解Ψ best的目标函数值，
Figure PCTCN2021102818-appb-000032
为精英蚂蚁解的预设的目标函数值。
首先由于自然界中蚂蚁留下的信息素会随着时间的推移进行挥发，相应的，无人机系统中也是如此。因此在更新过程中引入了信息素挥发机制。其次，本文采取了精英蚂蚁策略，即除了自身搜索产生的最优解所经过的路径之外，其余无人机所产生的较优的可接受路径解也会被用来更新信息素的浓度。
进一步的，所述概率选择策略包括：
Figure PCTCN2021102818-appb-000033
其中
Figure PCTCN2021102818-appb-000034
为无人机k在i点选择j点作为下一个访问目标点的概率，J k(i)为所有可选择的目标点的点集合，τ ij为边＜i,j＞的信息素浓度，α为τ ij的相对权重，h ij为边＜i,j＞的距离启发值，β为h ij的相对权重，ω ij为边＜i,j＞下一个目标点的无人机是否能够在可访问时间段内到达的时间启发值，γ为ω ij上的相对权重；
启发值h ij和ω ij分别为：
Figure PCTCN2021102818-appb-000035
Figure PCTCN2021102818-appb-000036
其中d ij为边＜i,j＞的长度，l j为下一个目标点的最晚可访问时间。
设无人机系统的规模为P，无人机在生成解的过程中不断选择下一个客户点进行访问，直至没有满足条件的客户点。然后该无人机返回配送中心重新出发，直到访问完所有客户点。无人机在选择下一个目标点j是根据一个转移概率公式来决定的，传统的概率选择公式同时考虑了信息素浓度以及路径的距离长短。考虑到时间窗因素对于问题求解具有关键作用，我们在传统的概率选择公式中增加了时间窗启发值，用于确定无人机是否能够在可访问时间段内到达目标点。时间窗启发值可使得具有较为紧迫的时间窗的目标点有更大概率被选中优先访问。
对本技术方案使用场景的简要说明如下：
(1)无人机
执行侦察任务的小型无人机采用锂电池驱动。电池电量消耗主要分为三个部分。首先，无人机在飞行时消耗电量，电池消耗的速度与飞行速度和距离有关。其次，当无人机收集目标信息时，无人机上的传感器开始工作并消耗电池电量，消耗速率与目标侦察的精度和持续时间有关。其他时候，传感器关闭，不消耗电池电量。第三部分，当无人机悬停在目标上方等待时，消耗电量。在问题中，所有无人机从基地出发，在规定的时间内完成所有目标侦察任务后必须返回基地。
(2)双模式充电平台
在侦查区域内我方的一些充电平台装有无线充电设备以及电池更换设备、备用电池等，能够为无人机进行无线快速充电或更换电池，这些双模式充电平台分布在完成侦察区域的不同位置，构成了一个稳定的充电网络。在采用无线快充时，无人机不必给电池充满电，可根据后续侦察任务实际所需要的电量进行部分充电，且无人机电池的充电水平与充电时间有关。这些充电平台的位置根据本申请技术方案所述的方法进行规划设置，在执行任务时，对于无人机来说，这些充电平台的位置是已知的。
(3)侦察目标点
一系列侦察目标点位于侦察区域的不同位置，每个目标点只能在特定的时间窗口内被侦察。如果无人机到达目标点的时间早于该目标点的最早侦察开始时间，无人机需要 在目标点上方盘旋等待。若晚于该目标点最晚侦察开始时间，则该无人机不能成功侦察该目标点。
在混合充电模式下，当无人机电量不足时，可以访问充电平台补充电量，且所有充电平台均可提供两种充电方式：(1)快速充电，可以根据无人机的实际需要进行部分充电或充满，充电时间与充电水平相关；(2)更换电池，直接为无人机更换上新的满电电池。考虑到电池更换所花的时间非常短，这里我们假设电池更换所花费的时间可忽略不计。两种充电方式各有利弊，快速充电可以尽可能地减少充电成本，但是需要耗费较长的充电时间。而更换电池的充电时间非常短，几乎不会影响目标点的时间窗口，但是更换电池需要更多的充电成本。因此，混合充电模式将两者的优缺点进行结合，可以降低总成本。在问题中，其优化目标为最小化总成本，包括车辆固定成本、行驶成本、等待成本以及充电成本。
下面结合一个具体应用实例来加以说明：
如图4所示，该任务中含有15个目标侦察点和5个中继充电平台(包括基地)。蚁群算法相关的参数值设定为P＝8，α＝5，β＝5，γ＝10，
Figure PCTCN2021102818-appb-000037
Q＝100。种群迭代100次，算法停止。
改进的蚁群算法在15秒内快速求解15个目标点的任务与路径规划方案，目标函数值为149.14，具体飞行路线见图3。在飞行侦察路径中，2架无人机均从基地(出发点)出发，第一架无人机按顺序侦察目标点(14，11，10，3，13，1)，中途在平台17进行快速充电；第二架无人机按顺序侦察目标点(4，15，8，9，12，5，2，7，6)，中途在访问完目标9之后在平台19进行快速充电，然后访问目标12，在访问完目标5后又在平台19更换电池。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

  1. 一种基于双充电模式的无人机路径规划方法，其特征在于，包括：
    构建基于双充电模式的无人机路径规划数学模型，所述双充电模式是指在无人机飞行路径中设置的充电站为无人机充电时所采用的无线快速充电模式和更换电池的模式；
    将当前任务数据代入所述无人机路径规划数学模型，所述当前任务数据包括当前任务预设的无人机要访问的目标点数量、目标点位置、各目标点的可访问时间段、无人机充放电数据；
    设定迭代次数k 1的初始值k 1＝1和迭代终止次数NC max1；
    根据临近点搜索策略及调用充电站插入策略生成所述无人机路径规划数学模型的初始可行解；
    根据所述初始可行解获得信息素浓度的初始值；
    根据所述信息素浓度构建概率选择策略，所述概率选择策略是指当无人机位于某一目标点时以另一个目标点作为下一个访问目标的概率；
    根据所述概率选择策略生成未设置充电站的不可行解，并以所述未设置充电站的不可行解作为输入解；
    通过调用充电站插入策略，对所述输入解进行计算，得到当前可行解Ψ current；
    通过调用局部搜索策略，对所述当前可行解Ψ current进行优化，得到所述针对当前任务数据的最优可行解Ψ best；
    根据所述针对当前任务数据的最优可行解Ψ best更新所述信息素浓度；
    更新迭代次数k 1＝k 1+1；
    当k 1≤NC max1时，转移到对所述基于双充电模式的无人机路径规划数学模型进行迭代求解的第6步，所述第6步指的是：根据所述信息素浓度构建概率选择策略。
  2. 如权利要求1所述的基于双充电模式的无人机路径规划方法，其特征在于，所述通过调用充电站插入策略，对所述输入解进行计算，生成当前可行解Ψ current，包括：
    从所述输入解中找出所有违背无人机续航里程约束的不可行路径，所述违背无人机续航里程约束的不可行路径，是指无人机由于电量限制无法完成对飞行路径中所有目标点的访问的路径；
    对于每条所述不可行路径，执行以下策略：
    找出无人机从本次飞行的出发点出发后受电量限制所能到达的最远目标点；
    遍历所述无人机从本次飞行的出发点所述最远目标点中的每一个目标点，针对每一个目标点：
    在当前点插入充电站；
    确定无人机在当前充电站的充电水平和充电模式；
    检查在所述充电水平和充电方式下无人机是否能在预定可访问时间段内完成对剩余目标点的访问；
    若不能，则移除所述当前点到移除点集合
    Figure PCTCN2021102818-appb-100001
    对每条所述不可行路径均遍历完所述每一个目标点后，生成当前可行解Ψ current。
    判断所述移除点集合
    Figure PCTCN2021102818-appb-100002
    是否为空；
    若所述移除点集合
    Figure PCTCN2021102818-appb-100003
    不为空，则通过调用重构策略，更新未设置充电站的不可行解，之后转移到对所述输入解进行计算的第1步，所述对所述输入解进行计算的第1步指的是：从所述输入解中找出所有违背无人机续航里程约束的不可行路径。
  3. 如权利要求2所述的基于双充电模式的无人机路径规划方法，其特征在于，所述通过调用重构策略，更新所述未设置充电站的解，包括：
    根据临近点搜索策略及调用充电站插入策略更新所述无人机路径规划数学模型的初始可行解；
    根据所述更新的初始可行解更新所述信息素浓度；
    根据所述信息素浓度更新所述概率选择策略；
    根据所述更新后的概率选择策略更新未设置充电站的不可行解，并以所述更新后的不可行解更新输入解；。
  4. 如权利要求2所述的基于双充电模式的无人机路径规划方法，其特征在于，所述通过调用局部搜索策略，对当前可行解Ψ current进行优化，得到所述针对当前任务数据的最优可行解Ψ best，包括：
    设定迭代次数k 3的初始值k 3＝1和迭代终止次数NC max3；
    移除当前可行解Ψ current中的充电站；
    随机挑选一个移除算子进行计算，将计算结果确定的目标点移除到目标点移除列表
    Figure PCTCN2021102818-appb-100004
    随机选择一个插入算子，将目标点移除列表
    Figure PCTCN2021102818-appb-100005
    中的所述被移除的目标点重新插入到所述移除了充电站的当前可行解，得到中间过程解；
    以所述中间过程解作为输入解；
    通过调用充电站插入策略，对所述输入解进行计算，更新当前可行解Ψ current；
    若当前可行解Ψ current的总体成本低于预设的最优值，则Ψ best＝Ψ current；
    更新迭代次数k 3＝k 3+1；
    当k 3≤NC max3时，转移到对所述当前可行解Ψ current进行优化的第2步，所述对所述当前可行解Ψ current进行优化的第2步指的是：移除当前可行解Ψ current中的充电站。
  5. 如权利要求4所述的基于双充电模式的无人机路径规划方法，其特征在于，
    所述移除算子包括：路径删除算子和客户点删除算子，所述路径删除算子用于移除当前路径上的所有目标点，所述客户点移除算子用于移除一定数量的目标点。
  6. 如权利要求1所述的基于双充电模式的无人机路径规划方法，其特征在于，所述根据所述数学模型的最优可行解Ψ best更新所述信息素浓度，包括：按以下方式更新：
    Figure PCTCN2021102818-appb-100006
    其中，
    Figure PCTCN2021102818-appb-100007
    为信息素更新之后边＜i,j＞上的信息素浓度，
    Figure PCTCN2021102818-appb-100008
    为信息素更新之前边＜i,j＞上的信息素浓度，φ为信息素挥发参数，i、j为两个目标点；
    Figure PCTCN2021102818-appb-100009
    Figure PCTCN2021102818-appb-100010
    其中，Q是一个预设常数，Cost ib为当前最优可行解Ψ best的目标函数值，
    Figure PCTCN2021102818-appb-100011
    为蚁群算法中精英蚂蚁解的目标函数值。
  7. 如权利要求1所述的基于双充电模式的无人机路径规划方法，其特征在于，所述概率选择策略包括：
    Figure PCTCN2021102818-appb-100012
    其中
    Figure PCTCN2021102818-appb-100013
    为无人机k在i点选择j点作为下一个访问目标点的概率，J k(i)为所有可选择的目标点的点集合，τ ij为边＜i,j＞的信息素浓度，α为τ ij的相对权重，h ij为边＜i,j＞的距离启发值，β为h ij的相对权重，ω ij为边＜i,j＞下一个目标点的无人机是否能够在可访问时间段内到达的时间启发值，γ为ω ij上的相对权重；
    启发值h ij和ω ij分别为：
    Figure PCTCN2021102818-appb-100014
    Figure PCTCN2021102818-appb-100015
    其中d ij为边＜i,j＞的长度，l j为下一个目标点的最晚可访问时间。
  8. 如权利要求1所述的基于双充电模式的无人机路径规划方法，其特征在于，所述根据临近点搜索策略及调用充电站插入策略生成所述无人机路径规划数学模型的初始可行解，包括：
    根据临近点搜索策略确定所述无人机路径规划数学模型的未设置充电站的初始不可行解；
    以所述初始不可行解作为输入解；
    通过调用充电站插入策略，对所述输入解进行计算，得到当前可行解Ψ current；
    以所述当前可行解Ψ current作为所述无人机路径规划数学模型的初始可行解。
PCT/CN2021/102818 2020-10-14 2021-06-28 一种基于双充电模式的无人机路径规划方法 WO2022077954A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011094230.0A CN112484727A (zh) 2020-10-14 2020-10-14 一种基于双充电模式的无人机路径规划方法
CN202011094230.0 2020-10-14

Publications (1)

Publication Number Publication Date
WO2022077954A1 true WO2022077954A1 (zh) 2022-04-21

Family

ID=74926580

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/102818 WO2022077954A1 (zh) 2020-10-14 2021-06-28 一种基于双充电模式的无人机路径规划方法

Country Status (2)

Country Link
CN (1) CN112484727A (zh)
WO (1) WO2022077954A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487264A (zh) * 2021-07-20 2021-10-08 中南大学 一种基于异构多无人机的物流配送方法及系统
CN114897249A (zh) * 2022-05-19 2022-08-12 苏州大学 应用于求解电动货车集散货路径规划的方法及装置
CN115130791A (zh) * 2022-08-30 2022-09-30 广东翼景信息科技有限公司 面向车载智能机场的无人机与车辆协同调度方法及装置
CN115202849A (zh) * 2022-09-02 2022-10-18 广东翼景信息科技有限公司 一种支持边缘计算的多无人机任务分配与路径规划方法
CN115344057A (zh) * 2022-06-30 2022-11-15 重庆交通大学 植被密集区航线规划方法、系统及存储介质、电子设备
CN115545582A (zh) * 2022-12-02 2022-12-30 天津大学 一种电动牵引车循环送货调度问题的解决方法和装置
CN115776638A (zh) * 2022-11-15 2023-03-10 江苏锦添人工智能科技有限公司 一种无人机中继系统安全速率智能优化方法及系统
CN115829183A (zh) * 2023-02-22 2023-03-21 四川港投新通道物流产业投资集团有限公司 冷链物流路径规划方法、装置、设备及可读存储介质
CN115877854A (zh) * 2023-03-03 2023-03-31 江西丹巴赫机器人股份有限公司 一种无人驾驶叉式移动机器人的控制系统
CN117055621A (zh) * 2023-09-08 2023-11-14 中国矿业大学 面向数据采集的多无人机路径规划方法
CN117369522A (zh) * 2023-12-05 2024-01-09 华南理工大学 一种无人机巢远程控制方法及系统
CN117408496A (zh) * 2023-12-12 2024-01-16 深圳市道格恒通科技有限公司 巡检方法及智能无线巡检仪
CN117689096A (zh) * 2024-01-25 2024-03-12 武汉科技大学 一种具有避障功能的移动充电调度方法
CN117744994A (zh) * 2023-12-20 2024-03-22 国网江苏省电力有限公司泰州供电分公司 一种基于樽海鞘算法的巡检无人机-机巢分配调度方法
CN118031972A (zh) * 2024-04-11 2024-05-14 安徽省第三测绘院 一种多因素影响下离散图斑遍历调查路径规划的方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112484727A (zh) * 2020-10-14 2021-03-12 中国人民解放军国防科技大学 一种基于双充电模式的无人机路径规划方法
CN114281104B (zh) * 2021-12-16 2024-02-20 成都戎星科技有限公司 一种基于改进蚁群算法的多无人机协同调控方法
CN118015818B (zh) * 2024-04-10 2024-06-18 山东博安智能科技股份有限公司 一种基于路径最优的车辆调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109032177A (zh) * 2018-07-28 2018-12-18 江苏苏宁物流有限公司 一种优化无人机路径方法及装置
CN109784558A (zh) * 2019-01-11 2019-05-21 浙江工业大学 一种基于蚁群算法的电动汽车充电调度优化方法
JP2019172255A (ja) * 2019-06-05 2019-10-10 エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ Ｕａｖにエネルギーを供給する方法、及び装置
CN110362105A (zh) * 2019-06-17 2019-10-22 广州大学 基于多uav的传感器网络无线充电方法
CN111123975A (zh) * 2019-12-09 2020-05-08 国网浙江省电力有限公司湖州供电公司 一种电力巡检区域内的无人机无线充电站规划方法
CN111752303A (zh) * 2020-06-15 2020-10-09 中国人民解放军国防科技大学 一种小型无人机中继充电路径规划方法及系统
CN112484727A (zh) * 2020-10-14 2021-03-12 中国人民解放军国防科技大学 一种基于双充电模式的无人机路径规划方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038496B (zh) * 2017-03-29 2020-10-27 中南大学 一种无人机快递自动投送路径规划方法及系统
CN107229287A (zh) * 2017-06-28 2017-10-03 中国人民解放军海军工程大学 一种基于遗传蚂蚁算法的无人机全局路径规划方法
CN111121783B (zh) * 2018-12-28 2023-09-19 中国人民解放军国防科技大学 一种车载无人机电力巡检的双层路径规划方法与装置
CN110058613B (zh) * 2019-05-13 2022-05-13 大连海事大学 一种多无人机多蚁群协同搜索目标方法
CN110428111B (zh) * 2019-08-08 2022-12-30 西安工业大学 Uav/ugv协同长时多任务作业轨迹规划方法
CN111536979B (zh) * 2020-07-08 2020-10-30 浙江浙能天然气运行有限公司 一种基于随机优化的无人机巡检路径规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109032177A (zh) * 2018-07-28 2018-12-18 江苏苏宁物流有限公司 一种优化无人机路径方法及装置
CN109784558A (zh) * 2019-01-11 2019-05-21 浙江工业大学 一种基于蚁群算法的电动汽车充电调度优化方法
JP2019172255A (ja) * 2019-06-05 2019-10-10 エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ Ｕａｖにエネルギーを供給する方法、及び装置
CN110362105A (zh) * 2019-06-17 2019-10-22 广州大学 基于多uav的传感器网络无线充电方法
CN111123975A (zh) * 2019-12-09 2020-05-08 国网浙江省电力有限公司湖州供电公司 一种电力巡检区域内的无人机无线充电站规划方法
CN111752303A (zh) * 2020-06-15 2020-10-09 中国人民解放军国防科技大学 一种小型无人机中继充电路径规划方法及系统
CN112484727A (zh) * 2020-10-14 2021-03-12 中国人民解放军国防科技大学 一种基于双充电模式的无人机路径规划方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487264B (zh) * 2021-07-20 2022-09-02 中南大学 一种基于异构多无人机的物流配送方法及系统
CN113487264A (zh) * 2021-07-20 2021-10-08 中南大学 一种基于异构多无人机的物流配送方法及系统
CN114897249A (zh) * 2022-05-19 2022-08-12 苏州大学 应用于求解电动货车集散货路径规划的方法及装置
CN115344057A (zh) * 2022-06-30 2022-11-15 重庆交通大学 植被密集区航线规划方法、系统及存储介质、电子设备
CN115344057B (zh) * 2022-06-30 2023-09-19 重庆交通大学 植被密集区航线规划方法、系统及存储介质、电子设备
CN115130791A (zh) * 2022-08-30 2022-09-30 广东翼景信息科技有限公司 面向车载智能机场的无人机与车辆协同调度方法及装置
CN115202849A (zh) * 2022-09-02 2022-10-18 广东翼景信息科技有限公司 一种支持边缘计算的多无人机任务分配与路径规划方法
CN115776638B (zh) * 2022-11-15 2023-09-15 江苏锦添人工智能科技有限公司 一种无人机中继系统安全速率智能优化方法及系统
CN115776638A (zh) * 2022-11-15 2023-03-10 江苏锦添人工智能科技有限公司 一种无人机中继系统安全速率智能优化方法及系统
CN115545582A (zh) * 2022-12-02 2022-12-30 天津大学 一种电动牵引车循环送货调度问题的解决方法和装置
CN115829183A (zh) * 2023-02-22 2023-03-21 四川港投新通道物流产业投资集团有限公司 冷链物流路径规划方法、装置、设备及可读存储介质
CN115829183B (zh) * 2023-02-22 2023-05-02 四川港投新通道物流产业投资集团有限公司 冷链物流路径规划方法、装置、设备及可读存储介质
CN115877854B (zh) * 2023-03-03 2023-05-30 江西丹巴赫机器人股份有限公司 一种无人驾驶叉式移动机器人的控制系统
CN115877854A (zh) * 2023-03-03 2023-03-31 江西丹巴赫机器人股份有限公司 一种无人驾驶叉式移动机器人的控制系统
CN117055621A (zh) * 2023-09-08 2023-11-14 中国矿业大学 面向数据采集的多无人机路径规划方法
CN117055621B (zh) * 2023-09-08 2024-04-16 中国矿业大学 面向数据采集的多无人机路径规划方法
CN117369522B (zh) * 2023-12-05 2024-03-15 华南理工大学 一种无人机巢远程控制方法及系统
CN117369522A (zh) * 2023-12-05 2024-01-09 华南理工大学 一种无人机巢远程控制方法及系统
CN117408496A (zh) * 2023-12-12 2024-01-16 深圳市道格恒通科技有限公司 巡检方法及智能无线巡检仪
CN117408496B (zh) * 2023-12-12 2024-03-26 深圳市道格恒通科技有限公司 巡检方法及智能无线巡检仪
CN117744994A (zh) * 2023-12-20 2024-03-22 国网江苏省电力有限公司泰州供电分公司 一种基于樽海鞘算法的巡检无人机-机巢分配调度方法
CN117689096A (zh) * 2024-01-25 2024-03-12 武汉科技大学 一种具有避障功能的移动充电调度方法
CN117689096B (zh) * 2024-01-25 2024-04-19 武汉科技大学 一种具有避障功能的移动充电调度方法
CN118031972A (zh) * 2024-04-11 2024-05-14 安徽省第三测绘院 一种多因素影响下离散图斑遍历调查路径规划的方法

Also Published As

Publication number Publication date
CN112484727A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
WO2022077954A1 (zh) 一种基于双充电模式的无人机路径规划方法
CN112859912B (zh) 中继充电模式下无人机路径规划的自适应优化方法与系统
US11368028B2 (en) Facilitating charging of acceptor nodes by mobile charging systems
CN113342046B (zh) 基于蚁群算法的输电线路无人机巡检路径优化方法
Zhu et al. Aerial refueling: Scheduling wireless energy charging for UAV enabled data collection
CN111752303B (zh) 一种小型无人机中继充电路径规划方法与系统
Wu et al. Load balance and trajectory design in multi-UAV aided large-scale wireless rechargeable networks
CN108493969B (zh) 电动汽车充电站智能规划方法
CN106908065A (zh) 车辆搭载无人机的双层路径构建方法及系统
CN112418497A (zh) 一种面向制造物联的物料配送路径优化方法
Suman et al. UAV-assisted RFET: A novel framework for sustainable WSN
Singh et al. Multi-objective NSGA-II optimization framework for UAV path planning in an UAV-assisted WSN
CN113433967A (zh) 一种可充电无人机路径规划方法及系统
CN106683389A (zh) 包含宽带载波的多主节点抄表方法和集中器
CN113325875B (zh) 一种实现无人机数目最小化的无人机路径规划方法
CN112130586B (zh) 一种基于资源树的分布式异构无人机联盟构成方法
CN113283827A (zh) 一种基于深度强化学习的两阶段无人机物流路径规划方法
CN116911729A (zh) 一种考虑电池更换计划的无人机与卡车协同配送方法
Hua et al. Drl-based energy efficient communication coverage control in hierarchical hap-lap network
CN116700343A (zh) 一种无人机路径规划方法、设备和存储介质
CN117151422B (zh) 卡车-无人机多目标协同配送规划方法与系统
CN113031647B (zh) 一种基于模糊综合评判的供电式无人机最优路径规划方法
CN112566209A (zh) 一种基于双Q学习的UAV-BSs能量和服务优先级轨迹设计方法
CN113283013A (zh) 一种基于深度强化学习的多无人机充电及任务调度方法
CN116390129A (zh) 一种基于无人机辅助的无线传感网络能量效率优化方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21879003

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 18/09/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21879003

Country of ref document: EP

Kind code of ref document: A1