CN107037827B - 无人机航空作业任务分配与航迹规划联合优化方法及装置 - Google Patents

Abstract

本发明涉及一种无人机航空作业任务分配与航迹规划联合优化方法及装置，该方法中针对多架固定翼无人机对多块矩形农田执行一种任务的情况，首先获取执行本次任务的的两个时间窗、固定翼无人机信息以及所述多块候选农田的农田信息，接着根据这一信息基于预设的MUAV‑MTW‑DTOP模型以及遗传算法，获得能够使得该模型获得最大总收益的最优解，并将该最优解作为本次作业的任务分配和航迹规划结果。本发明提供的方法能够自动获得无人机的任务以及航迹规划，使得无人机可以按照该任务以及航迹规划自动执行作业任务，避免受到人为操作的影响。此外，基于该结果执行作业任务的无人机也在有限的飞行时长内能够对多块农田作业并获得最大总收益从而能够有效地提高作业的效率。

Description

无人机航空作业任务分配与航迹规划联合优化方法及装置

技术领域

本发明实施例涉及无人机技术领域，具体涉及一种无人机航空作业任务分配与航迹规划联合优化方法及装置。

背景技术

随着农业机械化程度的不断深化，无人机以其作业效率高、劳动强度小、综合成本低等方面的优势，迅速成为农业作业过程中一种重要的方式，已经在精量播种、植被检测、农药喷洒等农业航空作业中有着广泛的应用。例如，可以利用无人机对草本植物的发芽状况和杂草程度进行检测，或使用无人机对稻田进行农药喷洒来控制飞虱等等。

目前的无人机大致可以大致分为多旋翼(例如四旋翼、六旋翼或八旋翼无人机等)以及固定翼两大类。其中固定翼无人机以飞行距离长、巡航面积大、飞行速度快、高度高等优点被较为广泛应用于农业作业中。

然而，在实施本发明的过程中发明人发现，由于当前固定翼无人机作业主要是人为遥控为主，实际作业的效果受到操作员的操作水平的影响较大，且通过人为即视的方式规划的航线与理论航线偏离严重，导致无人机的作业遗漏率和重复率往往偏高。且当多个操作员对多个固定翼无人机操作时，彼此之前也缺乏协同。

此外，在利用固定翼无人机进行农药喷洒航空作业过程中，影响作业执行的因素有很多，如执行工作的时间以及无人机的飞行时长等。例如，当一天的工作时间被分为两段时，多架固定翼无人机在飞行时长有限的情形下如何对多块农田喷洒农药，如何进行最为合理的航迹规划使得喷洒后的农田总收益最大(也即完成喷洒任务的农田药效的总和最大)也成为了一个亟待解决的问题。

发明内容

本发明的一个实施例提供了一种无人机航空作业任务分配与航迹规划联合优化方法及装置，用于解决现有技术中无人机的航行受人为操作的影响较大，且当一天的工作时间被分为两段时，如何利用多架固定翼无人机在有限的飞行时长内对多块农田作业获得最大总收益的问题。

第一方面，本发明的一个实施例提供了一种无人机航空作业任务分配与航迹规划联合优化方法，当多架固定翼无人机对多块矩形农田执行一种任务时，所述方法包括：

获取执行本次任务的两个时间窗、固定翼无人机信息以及所述多块候选农田的农田信息；

对所述时间窗信息、无人机的信息以及所述农田信息进行编码，随机生成多条染色体；在所述随机生成的多条染色体中，筛选出满足预设的MUAV-MTW-DTOP模型所定义的预设约束条件的染色体，构建所述MUAV-MTW-DTOP模型的初始解集；其中，所述MUAV-MTW-DTOP模型为使得按预设的飞行方式飞行的所述多架固定翼无人机在此次作业任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束以及两个时间窗约束；

基于预设的遗传算法对所述初始解集进行不断交叉和变异，直至满足迭代次数的约束后结束交叉和变异，并在经过变异后的解集中选择使得所述模型获得最大总收益的最优解，并将所述最优解作为本次作业的任务分配和航迹规划结果。

第二方面，本发明的又一个实施例提供了一种无人机航空作业任务分配与航迹规划联合优化装置，当多架固定翼无人机对多块矩形农田执行一种任务时，所述装置包括：

信息获取单元，用于获取执行本次任务的两个时间窗、固定翼无人机信息以及所述多块候选农田的农田信息；

初始解获取单元，用于对所述时间窗信息、无人机的信息以及所述农田信息进行编码，随机生成多条染色体；在所述随机生成的多条染色体中，筛选出满足预设的MUAV-MTW-DTOP模型所定义的预设约束条件的染色体，构建所述MUAV-MTW-DTOP模型的初始解集；其中，所述MUAV-MTW-DTOP模型为使得按预设的飞行方式飞行的所述多架固定翼无人机在此次作业任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束以及两个时间窗约束；

最优解计算单元，用于基于预设的遗传算法对所述初始解集进行不断交叉和变异，直至满足迭代次数的约束后结束交叉和变异，并在经过变异后的解集中选择使得所述模型获得最大总收益的最优解，并将所述最优解作为本次作业的任务分配和航迹规划结果。

本发明的一个实施例提供了一种无人机航空作业任务分配与航迹规划联合优化方法，该方法中针对多架固定翼无人机对多块矩形农田执行一种任务的情况，首先获取执行本次任务的两个时间窗、固定翼无人机信息以及所述多块候选农田的农田信息，接着根据这一信息基于预设的MUAV-MTW-DTOP模型以及遗传算法，获得能够使得该模型获得最大总收益的最优解，并将该最优解作为本次作业的任务分配和航迹规划结果。相比于现有的人工遥控的方式，本发明提供的方法能够根据预设的模型及算法自动获得本次作业中无人机的任务以及航迹规划，使得无人机可以按照该任务以及航迹规划自动执行作业任务，避免受到人为操作的影响。此外，由于本发明提供的方法是将预设的农田最大化收益模型的最优解作为航迹规划结果，因此基于该结果执行作业任务的无人机在有限的飞行时长内能够对多块农田作业并获得最大总收益从而能够有效地提高作业的效率，使得无人机作业形式能够应用于更广泛的农田作业任务中。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明提供的一种无人机航空作业任务分配与航迹规划联合优化方法实施例流程图；

图2(a)-2(c)是本发明实施例提供的农田喷洒方式示意图；

图3是本发明实施例提供的无人机在动力学约束的情况下的农田之间的飞行路径示意图；

图4是本发明实施例提供的遗传算法流程图；

图5是本发明实施例提供的染色体编码实例；

图6是本发明实施例提供的染色体交叉实例；

图7是本发明实施例提供的染色体变异实例；

图8是本发明实施例提供的20块农田分布示意图；

图9是本发明实施例提供的最优解收敛示意图；

图10是本发明实施例提供的一种无人机航空作业任务分配与航迹规划联合优化的装置实施例结构示意图。

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。

第一方面，本发明实施例提供了一种无人机航空作业任务分配与航迹规划联合优化方法，当多架固定翼无人机对多块矩形农田执行一种任务时，如图1所示，所述方法包括：

S101、获取执行本次任务的两个时间窗、固定翼无人机信息以及所述多块候选农田的农田信息；

S102、对所述时间窗信息、无人机的信息以及所述农田信息进行编码，随机生成多条染色体；在所述随机生成的多条染色体中，筛选出满足预设的MUAV-MTW-DTOP模型所定义的预设约束条件的染色体，构建所述MUAV-MTW-DTOP模型的初始解集；其中，所述MUAV-MTW-DTOP模型为使得按预设的飞行方式飞行的所述多架固定翼无人机在此次作业任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束以及两个时间窗约束；

S103、基于预设的遗传算法对所述初始解集进行不断交叉和变异，直至满足迭代次数的约束后结束交叉和变异，并在经过变异后的解集中选择使得所述模型获得最大总收益的最优解，并将所述最优解作为本次作业的任务分配和航迹规划结果。

本发明的一个实施例提供了一种无人机航空作业任务分配与航迹规划联合优化方法，该方法中针对多架固定翼无人机对多块矩形农田执行一种任务的情况，首先获取执行本次任务的两个时间窗、固定翼无人机信息以及所述多块候选农田的农田信息，接着根据这一信息基于预设的MUAV-MTW-DTOP模型以及遗传算法，获得能够使得该模型获得最大总收益的最优解，并将该最优解作为本次作业的任务分配和航迹规划结果。相比于现有的人工遥控的方式，本发明提供的方法能够根据预设的模型及算法自动获得本次作业中无人机的任务以及航迹规划，使得无人机可以按照该任务以及航迹规划自动执行作业任务，避免受到人为操作的影响。此外，由于本发明提供的方法是将预设的农田最大化收益模型的最优解作为航迹规划结果，因此基于该结果执行作业任务的无人机在有限的飞行时长内能够对多块农田作业并获得最大总收益从而能够有效地提高作业的效率，使得无人机作业形式能够应用于更广泛的农田作业任务中。

在具体实施时，可以理解的是，上述方法中的MUAV-MTW-DTOP模型包含的目标函数以及约束条件是本发明能够获得最优规划结果的重要依据，其可以通过多种方式来设置，下面对其中一种可选的设置方式进行详细说明。

(1)无人机

用U表示执行待喷洒任务的N_U架同构无人机的集合

且每架无人机只能携带一种农药；在飞行过程中，所有无人机均具有相同的最小转弯半径R_U和飞行速度V，且均携带喷洒半径为R_D的喷头。

考虑无人机执行农药喷洒任务的特点，本发明实施例做出以下假设：

(a)无人机均具有自动避障的能力，可在面临碰撞的情形下，采用自主规避的控制策略，由此而产生的路径偏差相对于总的飞行路径长度也很小，可忽略不计；

(b)无人机均以相同的巡航速度和巡航高度飞行，从而不考虑该因素对喷洒效果的影响；

(c)无人机飞行过程中不考虑外界环境对无人机飞行轨迹的影响；

(d)无人机飞行过程中能够携带执行任务所需的农药，但是燃料有限；

(2)农田

设

分别为无人机的起点和终点，本发明实施例中起点和终点相同；

为待喷洒农药的N_A块矩形农田，且农田A_i是边长为L_ix,L_iy，顶点坐标为(A_i1,A_i2,A_i3,A_i4)，面积为S_i的矩形；无人机的起点、终点以及农田区域的集合为

当无人机U_u对农田A_i覆盖式喷洒农药时，无人机飞入农田的进入点为In_iu，飞离农田的离开点为Out_iu，并假设该无人机必须完全喷洒整块农田后才能离开。与此同时，每一个农田最多只能被喷洒一次农药。

(3)预设的飞行方式的飞行路径

在无人机执行农业航空作业任务的过程中，不仅需要在农田内部通过覆盖式喷洒农业完成作业任务，而且还需要在不同农田间飞行以实现任务之间的切换，由此而产生了两种类型的飞行路径，即农田内和农田间的飞行路径。

农田内部的飞行路径：在农田A_i内部，无人机在动力学约束下飞行将具有转弯半径，并使用平行扫描策略进行覆盖式农药喷洒。在此过程中，无人机U_u从农田A_i的In_iu点进入，进入农田后的路径平行于农田某条边，然后从Out_iu点离开，此时，无人机U_u喷洒农田的花费时间为t_iwu。

平行扫描策略是无人机对矩形农田区域进行覆盖式农药喷洒的一种最优策略，也是控制上最方便实现的策略，被广泛地应用到区域覆盖任务执行过程中。该策略共有两种实现方式，即平行于矩形短边飞行和平行于矩阵长边飞行。例如，使用平行扫描策略对图2(a)中的矩形区域进行覆盖扫描有两种方式，无人机的飞行轨迹平行于矩形的短边(如图2(b)所示)以及无人机的飞行轨迹平行于矩形的长边(如图2(c)所示)。与此同时，无人机进入矩形区域的位置以及无人机在矩形边界上的实际转弯半径都将同时对无人机在农田内部飞行路径的长度产生影响。虽然无人机可以从农田边界的任意点进入，但是无人机覆盖矩形区域最短飞行路径时的进入点是距离农田顶点处距离为R_D的点。因此，本发明实施例对无人机进入矩形区域的进入点进行了离散化，选择了矩形长短边上距离矩形4个顶点距离为R_D的8个点{R_D1,R_D2...R_D8}作为无人机进入矩形区域的进入点。对于一个矩形区域来说，无人机在区域内部覆盖飞行的最短路径必定是从这8个进入点之中的一个点进入矩形区域的，并且该最短路径上无人机离开矩形区域的离开点Out_iu也就是唯一确定的。

农田之间的飞行路径：

无人机在执行完农田A_i的农药喷洒任务后，若还需要对农田A_j喷洒农药，那么无人机还必须在两块农田A_i,A_j之间沿着Dubins路径飞行。该路径的起始点是无人机U_u在农田A_i的离开点Out_iu，终止点则是无人机U_u在农田A_j的进入点In_ju，Dubins路径花费时间记为t_ijwu。

根据Dubins路径的产生原理，两点间最短Dubins路径可以由弧段路径和直线段路径组合生成，存在以下六种情况，即D＝{LSL,RSR,RSL,LSR,RLR,LRL}。其中，L表示无人机向左转弯的一段弧，R表示无人机向右转弯的一段弧，S表示无人机以直线方式飞行。

例如，图3描述了一种无人机在动力学约束的情况下的农田之间的飞行路径。根据Dubins路径的产生原理可知，无人机从矩形区域的A_i点出发先向右转弯沿弧段路径(R)飞行，然后再沿直线路径(S)飞行，最后再向左转弯沿弧段路径(L)飞行到达矩形区域的A_j点的路径。由于在农田内部采用平行扫描策略，无人机进入或者离开矩形农田区域的角度必然是垂直于农田的边界，因此在最短Dubins路径的优化过程中，无人机起始点的出发角度和终止点的进入角度是确定的，而变化的因素则是无人机U_u在农田A_i的离开点Out_iu和农田A_j的进入点In_ju

为了完成任务分配问题，本发明实施例选择所有的无人机完成任务时的所有收益作为最大化的效益函数。

所述MUAV-MTW-DTOP模型的目标函数为：

所述MUAV-MTW-DTOP模型的约束条件为：

其中，N_U为无人机U_u个数；N_A为农田A_i个数；w为第w个时间窗，为1或者2；第N₀,N_A+1块农田表示无人机的起始点和终点；SQ_i表示农田A_i的面积(单位公顷)；P_iw表示在第w个时间窗内完成农田A_i任务的收益，即收益；s_iwu是指无人机U_u在第w个时间窗内对农田A_i开始喷洒农药的时间；t_ijwu是指无人机U_u在第w个时间窗内对农田A_i,A_j之间按照预设的飞行方式飞行的时间；s_jwu是指无人机U_u在第w个时间窗内对农田A_j开始喷洒农药的时间；M为预设值；O_iwu,C_iwu分别为无人机U_u在第w个时间窗内对农田A_i可以执行任务的开始时间和结束时间；t_iwu是指无人机U_u在第w个时间窗内对农田A_i按照预设的飞行方式执行任务的时间；E_wu表示无人机最大飞行时长。若x_iwu＝1表示无人机U_u第w个时间窗内对农田A_i完成药物喷洒任务，否则该无人机没有对农田A_i执行任务；若y_ijwu＝1表示无人机U_u经过农田A_i,A_j，否则该无人机没有经过农田A_i,A_j；

且目标函数式(1)是使得完成喷洒农药任务后农田的总收益最大。约束式(2)是保证在所有的路线，即所有的无人机起点为A₀，终点为

在本公开中起点与终点的坐标相同，且路线个数为无人机在两个时间窗内的路线总和。约束式(3)使得每条边要具有连接性。约束式(4)是为了说明访问农田时需要服务时间。约束式(5)确保每块农田最多只被访问一次。约束式(6)使得执行任务的时间必须在两个时间窗内，且无人机从起始点到达农田和从农田返回起始点时可以不在时间窗内。约束式(7)为无人机所需燃料的限制转化为每架无人机飞行时间的限制。约束式(8)是目标、路径等变量的定义。

不难理解的是，在获得了MUAV-MTW-DTOP模型之后，本发明实施例提供的方法可以根据预设的遗传算法求解MUAV-MTW-DTOP模型的最优解。其中这一求取最优解的预设遗传算法可以通过多种方法实现，下面对其中一种可选的方式进行详细说明。

所述预设遗传算法来解决此无人机航空作业任务分配与航迹规划联合优化问题，其可行解为一条染色体。种群由多条染色体组成，其规模根据问题来进行定义，种群通过染色体的交叉、变异来进行更新种群，形成新的种群，其中交叉是指两条父代染色体根据交叉概率形成新的两条子代染色体，变异是指一条染色体根据变异概率形成一条新的染色体，不断进行循环迭代，从而选出最优的子代，即最优解。具体流程如图4所示。图4中所涉及的编码、交叉、变异、适应度函数规则如下：

(1)编码

本发明实施例的MDD编码方法为包括对目标区域农田、无人机、目标区域进入点、每条路线中无人机访问第一块农田的时间信息的编码。且编码后的染色体第一行是目标区域，第二行是执行任务的无人机，第三行是无人机对目标区域执行任务时的进入点，第四行是每条路线中无人机访问第一块农田的时间。其中目标区域属于集合{1,2,...N_A}，无人机属于集合{0,1,...N_U}，目标区域农田的进入点属于集合{1,2,...8}，每条路线中访问第一块农田的时间属于任一时间窗内。

例如，图5中染色体在两个时间窗内有四条路线，分别是无人机U₁和无人机U₂所代表的路线。在[9:00:00,12:00:00]时间窗内，无人机U₁首先在9.926时刻从R_D6点进入农田A₂，再从R_D7点进入农田A₆，最后返回到起始点A₀；无人机U₂首先在9.071时刻从R_D2点进入农田A₇，再从R_D1点进入农田A₁，最后返回到起始点A₀；在[14:00:00,17:00:00]时间窗内，无人机U₁在15.57时刻从R_D3点进入农田A₅，而后返回到起始点A₀；无人机U₂在15.53时刻从R_D4点进入农田A₄，而后返回到起始点A₀；而目标A₃没有被访问。

(2)适应度函数和选择

一个染色体的适应度是所有被访问目标区域的总收益，这是与目标区域的收益变化函数有关，即与被访问的区域、区域的面积有关。适应度可以通过公式(1)获得且Fitness＝Profit。染色体的选择是通过轮盘赌的方法来进行选择，其中每条染色体被选择的可能性是相同的。

(3)交叉

首先，随机确定交叉位置，将父代两个染色体中的基因进行交叉，由于基因的第四行代表同一条路线中无人机访问第一块农田的开始时间，因此在交叉后的子代染色体中，还需要将同一条路线中涉及到的其它基因的第四行也替换为新的时间。

例如，图6中，父代A,B为随机选择的两条待交叉的染色体，在父代A中随机确定交叉位置7，然后将父代A的第七列与父代B的第4列进行替换，对于父代A来说，由于在第二个时间窗内无人机U₁的时间替换为16.75，所以需要将第五列第四行的时间也替换为16.75来保持同一时间内同一路线中访问第一块农田时间一致性，从而得到子代A；同理，在父代B中，需要将第三列第四行的时间替换为9.926得到子代B。

(4)变异

所述遗传算法中变异是为了防止遗传算法陷入局部最优，使其存在基因突变的可能，变异可能是一个基因也可能是多个基因，本发明实施例染色体变异主要有以下几种情况：农田的顺序变异，无人机的变异，目标区域的进入点变异，每条路线中无人机访问第一块农田的时间变异。

例如图7所示，染色体A进行了无人机的变异，染色体A的第二行第七列由1变为2，这种结果导致农田6本来由无人机U₁访问换成无人机U₂访问。同时为了保证无人机U₁在第一个时间窗内访问第一块农田的开始时间相一致，在上述变异的基础上，再将染色体A的第七列第四行更新为9.071

为体现本发明实施例提供的方法的优越性，下面举几个具体的实例，详细说明如何根据上述函数设置利用遗传算法对MUAV-MTW-DTOP模型的求解，从而获得最终的任务分配结果。

具体来说，在MATLAB 2013的环境中实现了所述遗传算法对MUAV-MTW-DTOP模型的求解，并进行了实验。

假设有两架无人机在两个时间窗[9,12],[14,17]内对20块农田区域喷洒农药，并使用所述遗传算法获取分配方案，其中取所述遗传算法的交叉概率为0.9，变异概率为0.5，种群规模为600，迭代次数为100。实验过程中涉及到的具体参数描述如下：

(1)无人机

在本发明实施例的实验中无人机的具体配置如表1所示，无人机速度为4m/s，最大喷洒半径为5m，最大续航时间为2600s。且无人机在起始点、结束点的航向角均为0。

表1无人机基本参数配置表

无人机参数	A<sub>0</sub>\A<sub>N+1</sub>	V	R<sub>D</sub>	E<sub>wu</sub>
					无人机信息	(0,0)	4m/s	5m	2600s

(2)农田区域及其收益

此农田区域有20块待喷洒农田，具体如图8所示。具体农田坐标和收益如表2所示。

表2农田坐标信息及收益

使用所述遗传算法对上述场景获得的最优解的收益为15.601，且在第38代已收敛，收敛速度较快，具体如图9所示。其中一个最优分配方案如表3所示，在所有的农田中，农田3,9,12,20没有被访问，其他农田在时间窗内已被完成喷洒任务。

表3最优解表

第二方面，本发明的一个实施例还提供了一种无人机航空作业任务分配与航迹规划联合优化装置，当多架固定翼无人机对多块矩形农田执行一种任务时，所述装置包括：

信息获取单元201，用于获取执行本次任务的两个时间窗、固定翼无人机信息以及所述多块候选农田的农田信息；

初始解获取单元202，用于对所述时间窗信息、无人机的信息以及所述农田信息进行编码，随机生成多条染色体；在所述随机生成的多条染色体中，筛选出满足预设的MUAV-MTW-DTOP模型所定义的预设约束条件的染色体，构建所述MUAV-MTW-DTOP模型的初始解集；其中，所述MUAV-MTW-DTOP模型为使得按预设的飞行方式飞行的所述多架固定翼无人机在此次作业任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束以及两个时间窗约束；

最优解计算单元203，用于基于预设的遗传算法对所述初始解集进行不断交叉和变异，直至满足迭代次数的约束后结束交叉和变异，并在经过变异后的解集中选择使得所述模型获得最大总收益的最优解，并将所述最优解作为本次作业的任务分配和航迹规划结果。

在具体实施时，所述MUAV-MTW-DTOP模型的目标函数为：

所述MUAV-MTW-DTOP模型的约束条件为：

其中，N_U为无人机U_u个数；N_A为农田A_i个数；w为第w个时间窗，为1或者2；第N₀,N_A+1块农田表示无人机的起始点和终点；SQ_i表示农田A_i的面积；P_iw表示在第w个时间窗内完成农田A_i任务的收益；s_iwu是指无人机U_u在第w个时间窗内对农田A_i开始喷洒农药的时间；t_ijwu是指无人机U_u在第w个时间窗内对农田A_i,A_j之间按照预设的飞行方式飞行的时间；s_jwu是指无人机U_u在第w个时间窗内对农田A_j开始喷洒农药的时间；M为预设值；O_iwu,C_iwu分别为无人机U_u在第w个时间窗内对农田A_i可以执行任务的开始时间和结束时间；t_iwu是指无人机U_u在第w个时间窗内对农田A_i按照预设的飞行方式执行任务的时间；E_wu表示无人机最大飞行时长；若x_iwu＝1，则表示无人机U_u第w个时间窗内对农田A_i完成药物喷洒任务，否则该无人机没有对农田A_i执行任务；若y_ijwu＝1，则表示无人机U_u经过农田A_i,A_j，否则该无人机没有经过农田A_i,A_j。

在具体实施时，所述预设的飞行方式为：

在农田内部飞行按照平行扫描的飞行方式，所述平行扫描的飞行方式为：以垂直于农田第一边的方向从第一边上的第一进入点进入农田，所述第一进入点与最近的农田顶点的距离为无人机扫描半径，其中所述第一边为待探测区域的任意一边；在需要进行转弯时，以大于或等于无人机的最小转弯半径进行转弯飞行；

在农田之间飞行按照Dubins路径飞行方式，所述Dubins路径飞行方式为按弧段路径和直线段路径组合而成的路径进行飞行，所述按弧段路径和直线段路径组合而成的路径包括{LSL,RSR,RSL,LSR,RLR,LRL}；其中，L表示无人机向左转弯的弧段路径，R表示无人机向右转弯的弧段路径，S表示无人机以直线方式飞行。

在具体实施时，所述初始解获取单元，进一步用于：

将所述MUAV-MTW-DTOP模型的解采用MMD编码方法编码为按预设结构组成的染色体，构成初始解；所述染色体包含目标区域农田、无人机、目标区域进入点以及每条路线中无人机访问第一块农田的时间的信息；其中，所述目标区域农田属于集合{1,2,...N_A}，所述无人机属于集合{0,1,...N_U}，所述目标区域农田的进入点属于集合{1,2,...8}，每条路线中访问第一块农田的时间属于时间窗；

所述染色体第一行为所述目标区域农田的随机全排列，第二行为执行任务的无人机随机组合，第三行为无人机对目标区域执行任务时的进入点随机组合，第四行为每条路线中无人机访问第一块农田的时间随机组合，且同一架无人机访问各自路线中第一块农田的开始时间相同。

在具体实施时，所述最优解计算单元，进一步用于执行如下步骤：

步骤1、使用所述MMD编码方法生成初始解，判断该初始解是否满足所述MUAV-MTW-DTOP模型的约束条件，若不满足则继续生成满足所述MUAV-MTW-DTOP模型的约束条件的初始解，并生成预定规模的父代种群并计算其适应度；

步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换，查找A和B染色体中各自新交换来的基因与其第二行相同且第四行在同一个时间窗内的所有基因，把查找到的基因第四行替换为染色体A和B新交换基因处的第四行，得到染色体C和D；判断染色体C和D是否满足MUAV-MTW-DTOP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；

步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行顺序进行随机全排列；以及对染色体第二行的无人机信息进行变异，变化范围为{0,1,...N_U}；以及对染色体第三行的目标区域农田的进入点进行变异，属于集合{1,2,...8}；以及对染色体第四行时间变异，属于两个时间窗；

整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机生成农田顺序全排列；再选择第二行是否变异及变异位置，若变异则随机生成变异的无人机替换原位置；随机选择第三行是否变异及变异位置，若变异则随机生成变异的进入点替换原位置；再随机选择第四行是否变异及变异位置，若变异则随机生成变异的时间，替换原位置，找到与变异位置第二行相同且第四行在同一个时间窗内的基因，并变异第四行为新的变异时间，最后得到新的变异染色体；

判断变异后的染色体是否满足MUAV-MTW-DTOP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；

步骤4、计算步骤3子代种群适应度并选取本次迭代中所有解中的最优解；

步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。

由于本实施例所介绍的无人机航空作业任务分配与航迹规划联合优化的装置为可以执行本发明实施例中的无人机航空作业任务分配与航迹规划联合优化的方法的装置，故而基于本发明实施例中所介绍的无人机航空作业任务分配与航迹规划联合优化的方法，本领域所属技术人员能够了解本实施例的无人机航空作业任务分配与航迹规划联合优化的装置的具体实施方式以及其各种变化形式，所以在此对于该无人机航空作业任务分配与航迹规划联合优化的装置如何实现本发明实施例中的无人机航空作业任务分配与航迹规划联合优化的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中无人机航空作业任务分配与航迹规划联合优化的方法所采用的装置，都属于本申请所欲保护的范围。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的某些部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、***中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (8)

1.一种无人机航空作业任务分配与航迹规划联合优化方法，其特征在于，当多架固定翼无人机对多块矩形农田执行一种任务时，所述方法包括：

获取执行本次任务的两个时间窗、固定翼无人机信息以及多块候选农田的农田信息；

对所述时间窗信息、无人机的信息以及所述农田信息进行编码，随机生成多条染色体；在所述随机生成的多条染色体中，筛选出满足预设的MUAV-MTW-DTOP模型所定义的预设约束条件的染色体，构建所述MUAV-MTW-DTOP模型的初始解集；其中，所述MUAV-MTW-DTOP模型为使得按预设的飞行方式飞行的所述多架固定翼无人机在此次作业任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束以及两个时间窗约束；

基于预设的遗传算法对所述初始解集进行不断交叉和变异，直至满足迭代次数的约束后结束交叉和变异，并在经过变异后的解集中选择使得所述模型获得最大总收益的最优解，并将所述最优解作为本次作业的任务分配和航迹规划结果；

其中，所述MUAV-MTW-DTOP模型的目标函数为：

所述MUAV-MTW-DTOP模型的约束条件为：

其中，N_U为无人机U_u个数；N_A为农田A_i个数；w为第w个时间窗，为1或者2；第N₀,N_A+1块农田表示无人机的起始点和终点；SQ_i表示农田A_i的面积；P_iw表示在第w个时间窗内完成农田A_i任务的收益；s_iwu是指无人机U_u在第w个时间窗内对农田A_i开始喷洒农药的时间；t_ijwu是指无人机U_u在第w个时间窗内对农田A_i,A_j之间按照预设的飞行方式飞行的时间；s_jwu是指无人机U_u在第w个时间窗内对农田A_j开始喷洒农药的时间；M为预设值；O_iwu,C_iwu分别为无人机U_u在第w个时间窗内对农田A_i执行任务的开始时间和结束时间；t_iwu是指无人机U_u在第w个时间窗内对农田A_i按照预设的飞行方式执行任务的时间；E_wu表示无人机最大飞行时长；若x_iwu＝1，则表示无人机U_u第w个时间窗内对农田A_i完成药物喷洒任务，否则该无人机没有对农田A_i执行任务；若y_ijwu＝1，则表示无人机U_u经过农田A_i,A_j，否则该无人机没有经过农田A_i,A_j。

2.根据权利要求1所述的方法，其特征在于，所述预设的飞行方式为：

在农田内部飞行按照平行扫描的飞行方式，所述平行扫描的飞行方式为：以垂直于农田第一边的方向从第一边上的第一进入点进入农田，所述第一进入点与最近的农田顶点的距离为无人机扫描半径，其中所述第一边为待探测区域的任意一边；在需要进行转弯时，以大于或等于无人机的最小转弯半径进行转弯飞行；

在农田之间飞行按照Dubins路径飞行方式，所述Dubins路径飞行方式为按弧段路径和直线段路径组合而成的路径进行飞行，所述按弧段路径和直线段路径组合而成的路径包括{LSL,RSR,RSL,LSR,RLR,LRL}；其中，L表示无人机向左转弯的弧段路径，R表示无人机向右转弯的弧段路径，S表示无人机以直线方式飞行。

3.根据权利要求1所述的方法，其特征在于，所述在随机生成的多条染色体中，筛选出满足预设的MUAV-MTW-DTOP模型所定义的预设约束条件的染色体，构建所述MUAV-MTW-DTOP模型的初始解集的步骤包括：

将所述MUAV-MTW-DTOP模型的解采用MMD编码方法编码为按预设结构组成的染色体，构成初始解；所述染色体包含目标区域农田、无人机、目标区域进入点以及每条路线中无人机访问第一块农田的时间的信息；其中，所述目标区域农田属于集合{1,2,...N_A}，所述无人机属于集合{0,1,...N_U}，所述目标区域农田的进入点属于集合{1,2,...8}，每条路线中访问第一块农田的时间属于时间窗；

所述染色体第一行为所述目标区域农田的随机全排列，第二行为执行任务的无人机随机组合，第三行为无人机对目标区域执行任务时的进入点随机组合，第四行为每条路线中无人机访问第一块农田的时间随机组合，且同一架无人机访问各自路线中第一块农田的开始时间相同。

4.根据权利要求3所述的方法，其特征在于，基于预设的遗传算法对所述初始解集进行不断交叉和变异，直至满足迭代次数的约束后结束交叉和变异，并在经过变异后的解集中选择使得所述模型获得最大总收益的最优解，并将所述最优解作为本次作业的任务分配和航迹规划结果，包括：

步骤1、使用所述MMD编码方法生成初始解，判断该初始解是否满足所述MUAV-MTW-DTOP模型的约束条件，若不满足则继续生成满足所述MUAV-MTW-DTOP模型的约束条件的初始解，并生成预定规模的父代种群并计算其适应度；

步骤2、使用轮盘赌方法选择父代种群中的个体A和个体B进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换，查找A和B染色体中各自新交换来的基因与其第二行相同且第四行在同一个时间窗内的所有基因，把查找到的基因第四行替换为染色体A和B新交换基因处的第四行，得到染色体C和D；判断染色体C和D是否满足MUAV-MTW-DTOP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；

步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行顺序进行随机全排列；以及对染色体第二行的无人机信息进行变异，变化范围为{0,1,...N_U}；以及对染色体第三行的目标区域农田的进入点进行变异，属于集合{1,2,...8}；以及对染色体第四行时间变异，属于两个时间窗；

整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机生成农田顺序全排列；再选择第二行是否变异及变异位置，若变异则随机生成变异的无人机替换原位置；随机选择第三行是否变异及变异位置，若变异则随机生成变异的进入点替换原位置；再随机选择第四行是否变异及变异位置，若变异则随机生成变异的时间，替换原位置，找到与变异位置第二行相同且第四行在同一个时间窗内的基因，并变异第四行为新的变异时间，最后得到新的变异染色体；

判断变异后的染色体是否满足MUAV-MTW-DTOP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；

步骤4、计算步骤3子代种群适应度并选取本次迭代中所有解中的最优解；

步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。

5.一种无人机航空作业任务分配与航迹规划联合优化装置，其特征在于，当多架固定翼无人机对多块矩形农田执行一种任务时，所述装置包括：

信息获取单元，用于获取执行本次任务的两个时间窗、固定翼无人机信息以及多块候选农田的农田信息；

初始解获取单元，用于对所述时间窗信息、无人机的信息以及所述农田信息进行编码，随机生成多条染色体；在所述随机生成的多条染色体中，筛选出满足预设的MUAV-MTW-DTOP模型所定义的预设约束条件的染色体，构建所述MUAV-MTW-DTOP模型的初始解集；其中，所述MUAV-MTW-DTOP模型为使得按预设的飞行方式飞行的所述多架固定翼无人机在此次作业任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束以及两个时间窗约束；

最优解计算单元，用于基于预设的遗传算法对所述初始解集进行不断交叉和变异，直至满足迭代次数的约束后结束交叉和变异，并在经过变异后的解集中选择使得所述模型获得最大总收益的最优解，并将所述最优解作为本次作业的任务分配和航迹规划结果；

其中，所述MUAV-MTW-DTOP模型的目标函数为：

所述MUAV-MTW-DTOP模型的约束条件为：

其中，N_U为无人机U_u个数；N_A为农田A_i个数；w为第w个时间窗，为1或者2；第N₀,N_A+1块农田表示无人机的起始点和终点；SQ_i表示农田A_i的面积；P_iw表示在第w个时间窗内完成农田A_i任务的收益；s_iwu是指无人机U_u在第w个时间窗内对农田A_i开始喷洒农药的时间；t_ijwu是指无人机U_u在第w个时间窗内对农田A_i,A_j之间按照预设的飞行方式飞行的时间；s_jwu是指无人机U_u在第w个时间窗内对农田A_j开始喷洒农药的时间；M为预设值；O_iwu,C_iwu分别为无人机U_u在第w个时间窗内对农田A_i执行任务的开始时间和结束时间；t_iwu是指无人机U_u在第w个时间窗内对农田A_i按照预设的飞行方式执行任务的时间；E_wu表示无人机最大飞行时长；若x_iwu＝1，则表示无人机U_u第w个时间窗内对农田A_i完成药物喷洒任务，否则该无人机没有对农田A_i执行任务；若y_ijwu＝1，则表示无人机U_u经过农田A_i,A_j，否则该无人机没有经过农田A_i,A_j。

6.根据权利要求5所述的装置，其特征在于，所述预设的飞行方式为：

在农田内部飞行按照平行扫描的飞行方式，所述平行扫描的飞行方式为：以垂直于农田第一边的方向从第一边上的第一进入点进入农田，所述第一进入点与最近的农田顶点的距离为无人机扫描半径，其中所述第一边为待探测区域的任意一边；在需要进行转弯时，以大于或等于无人机的最小转弯半径进行转弯飞行；

在农田之间飞行按照Dubins路径飞行方式，所述Dubins路径飞行方式为按弧段路径和直线段路径组合而成的路径进行飞行，所述按弧段路径和直线段路径组合而成的路径包括{LSL,RSR,RSL,LSR,RLR,LRL}；其中，L表示无人机向左转弯的弧段路径，R表示无人机向右转弯的弧段路径，S表示无人机以直线方式飞行。

7.根据权利要求5所述的装置，其特征在于，所述初始解获取单元，进一步用于：

将所述MUAV-MTW-DTOP模型的解采用MMD编码方法编码为按预设结构组成的染色体，构成初始解；所述染色体包含目标区域农田、无人机、目标区域进入点以及每条路线中无人机访问第一块农田的时间的信息；其中，所述目标区域农田属于集合{1,2,...N_A}，所述无人机属于集合{0,1,...N_U}，所述目标区域农田的进入点属于集合{1,2,...8}，每条路线中访问第一块农田的时间属于时间窗；

所述染色体第一行为所述目标区域农田的随机全排列，第二行为执行任务的无人机随机组合，第三行为无人机对目标区域执行任务时的进入点随机组合，第四行为每条路线中无人机访问第一块农田的时间随机组合，且同一架无人机访问各自路线中第一块农田的开始时间相同。

8.根据权利要求7所述的装置，其特征在于，所述最优解计算单元，进一步用于执行如下步骤：

步骤1、使用所述MMD编码方法生成初始解，判断该初始解是否满足所述MUAV-MTW-DTOP模型的约束条件，若不满足则继续生成满足所述MUAV-MTW-DTOP模型的约束条件的初始解，并生成预定规模的父代种群并计算其适应度；

步骤2、使用轮盘赌方法选择父代种群中的个体A和个体B进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换，查找A和B染色体中各自新交换来的基因与其第二行相同且第四行在同一个时间窗内的所有基因，把查找到的基因第四行替换为染色体A和B新交换基因处的第四行，得到染色体C和D；判断染色体C和D是否满足MUAV-MTW-DTOP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；

步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行顺序进行随机全排列；以及对染色体第二行的无人机信息进行变异，变化范围为{0,1,...N_U}；以及对染色体第三行的目标区域农田的进入点进行变异，属于集合{1,2,...8}；以及对染色体第四行时间变异，属于两个时间窗；

整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机生成农田顺序全排列；再选择第二行是否变异及变异位置，若变异则随机生成变异的无人机替换原位置；随机选择第三行是否变异及变异位置，若变异则随机生成变异的进入点替换原位置；再随机选择第四行是否变异及变异位置，若变异则随机生成变异的时间，替换原位置，找到与变异位置第二行相同且第四行在同一个时间窗内的基因，并变异第四行为新的变异时间，最后得到新的变异染色体；

判断变异后的染色体是否满足MUAV-MTW-DTOP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；

步骤4、计算步骤3子代种群适应度并选取本次迭代中所有解中的最优解；

步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。

Images