CN111461464B - 一种植保无人飞机集群作业任务分配方法和装置 - Google Patents

Abstract

本发明公开了一种植保无人飞机集群作业任务分配方法，包括：将作业田块划分成N个子田块；根据预设的分配原则将所有子田块分配给所有参与作业的植保无人飞机；采用MOSELA算法寻找最优的作业分配矩阵；根据最优作业分配矩阵和飞机作业时间矩阵，确定子田块的作业时间矩阵；结合预设的装配规则，定义子田块的作业顺序矩阵；采用遗传算法对子田块的作业顺序矩阵进行优化。本发明能够在保证航路全覆盖的基础上，综合时间和能耗两个约束条件，建立最短飞行距离和最优时间分配双层决策方法，降低时间冲突、提高作业效率。

Description

一种植保无人飞机集群作业任务分配方法和装置

技术领域

本发明涉及植保无人机集群作业技术领域，具体而言涉及一种植保无人飞机集群作业任务分配方法和装置。

背景技术

植保无人机具有快速、高效、适应性广等显著特点，其作业灵活，无需起降跑道，可以适应丘陵、山区、坡地、水田等复杂地形，近年来在中国得到迅速发展，年累积作业面积已超过5亿亩次。

但植保无人机受机具载重量的限制(低于20kg)，单架次作业面积一般不超过30亩，在实际作业过程中，机具需浪费40％的作业时间用于频繁起降、更换电池和加注农药。为了提高作业效率，部分企业和科研团队开展了一控多机的作业技术研究，目前的研究工作主要集中在组网通讯和***硬件开发，其中最具代表性的为广州极飞科技公司2019年推出了P-30XP型植保无人机，大疆创新公司2019年推出的T-20型植保无人机，支持一人控制两台以上机具同时作业。但其作业路径规划方式较为单一，将田块按照机具的作业能力进行简单划分，各个机具采用各自独立的航线进行排序作业。只考虑全覆盖路径规划，很少考虑机具间的协同与配合，在实际作业中易产生起降冲突和任务分配不合理的情况。

发明内容

本发明目的在于提供一种植保无人飞机集群作业任务分配方法和装置，在保证航路全覆盖的基础上，综合时间和能耗两个约束条件，建立最短飞行距离和最优时间分配双层决策方法，降低时间冲突、提高作业效率。

为达成上述目的，结合图1，本发明提出一种植保无人飞机集群作业任务分配方法，所述分配方法包括以下步骤：

S1，根据输入的田块参数和植保无人飞机参数，将作业田块划分成N个子田块，每个子田块的作业要求相同，并且只对应一个无人飞机，定义N个子田块集合为H_j，j＝1,2,3,…,N；

S2，根据预设的分配原则将所有子田块分配给所有参与作业的植保无人飞机，所述预设的分配原则为：单个植保无人飞机被分配至少一个子田块，每个子田块只能被分配一次且所有子田块均被分配；

S3，在给定植保无人飞机数量、田块数量K、子田块数量N，以及作业时间矩阵(T)_K×N和进/出田块的距离矩阵为(L¹)_K×N、(L²)_K×N的基础上，采用MOSFLA算法寻找最优的作业分配矩阵(X)_K×N；

S4，根据最优作业分配矩阵(X)_K×N和飞机作业时间矩阵(T)_K×N，确定子田块的作业时间矩阵(T’)_N×1；结合预设的装配规则，定义子田块的作业顺序矩阵(SE)_N×1，所述预设的装配规则为每个无人飞机降落后，均进行包括电池更换、药箱更换在内的装配任务，但同一时刻只有一架无人飞机执行装配任务；

S5，采用遗传算法对子田块的作业顺序矩阵(SE)_N×1进行优化。

作为其中的一种优选例，步骤S1中，所述根据输入的田块参数和植保无人飞机参数，将作业田块划分成N个子田块的过程包括以下步骤：

S11，将相同的作业要求的田块放入同一集合，共计M个集合；

S12，根据植保无人飞机的一次起/降的作业面积，对M个集合内的所有田块作进一步田块处理，包括相邻小田块合并、大田块分割操作；

S13，提取M个集合内的所有子田块，设子田块数量为N，定义N个子田块集合为H_j，j＝1,2,3,…,N。

作为其中的一种优选例，步骤S1中，步骤S2中，所述根据预设的分配原则将所有子田块分配给所有参与作业的植保无人飞机是指：

定义植保无人机作业分配矩阵为(X)_K×N，其中分配参数x_ij赋值定义为：

其中，j＝1,2,3,…,N。

作为其中的一种优选例，步骤S1中，步骤S3中，所述采用MOSFLA算法寻找最优的作业分配矩阵(X)_K×N的过程包括以下步骤：

S31，输入种群规模S、子族群数s、族群的青蛙个体num、总群迭代次数D和族群迭代次数I；

S32，初始化青蛙总群P＝{X¹,X²,…,X^S}；

S33，计算适应值，并按降序排列，进行族群划分；

S34，族群内部进化：根据下述公式，各子群体进行第一次跳跃：

其中：X^b和X^w分别为子族群的最优个体和最差个体；

S35，第一次族群合并：按照适应值进行降序排列，结合下述公式，整个族群进行第二次跳跃：

其中：X^g和X^w分别为整个族群的最优个体和最差个体；

S36，第二次族群合并：按照适应值进行降序排列，结合下述公式，将族群最弱个体进行第三次跳跃：

(X^w)′＝rand(X),X∈Q^M×N

其中：rand(X)表示在可行解空间随机产生一个决策矩阵；

S37，判断当前循环次数是否小于总群迭代次数D，如果小于，转入步骤S33，否则，输出最优个体X¹；

其中，种群更新相关参数定义如下：

设矩阵X¹∈Q^M×N、X²∈Q^M×N，其中Q^M×N为可行解空间，定义矩阵

表示X²与X¹间的差异矩阵，

表示矩阵间的按异位或操作符；

z′＝cut(z,k)的含义为：截取一维数组z的前k列，保存到新的一维数组z’中；

(X¹)′＝F(B,φ)的含义为：根据差异矩阵B对矩阵X进行逼近矩阵B的更新，统计B各列的元素和，若元素和大于0则将列号保存至一维数组z中，操作符φ的定义为：

φ＝～(B,X¹,cut(z,ri(n)))

其中：n为数组z的长度，ri(n)表示区间[1,n]内的任意整数；“～”表示根据z’指定的列号ri(n)，将X¹在该列的元素修正与B元素排列保持一致；

的含义为：对矩阵X¹按照操作符

进行变异操作，操作符

的定义为：

式中：switch(r₁,r₂)表示交换矩阵中的r₁行和r₂行，swicth(c₁,c₂)表示交换矩阵中的c₁列和c₂列。

作为其中的一种优选例，步骤S33中，所述进行族群划分的过程包括以下步骤：

S331，定义个体t的适应值函数FV₁ ^t如下，

S332，将个体的适应值作为族群划分的参照，根据FV₁ ^t的大小，进行降序排列，则第i个子群体内的个体分别为：

{FV₁ ^k|k∈[(i-1)×num+1,i×num]}

其中，i＝1,2,3，…,s。

作为其中的一种优选例，步骤S34中，所述族群内部进化的过程包括以下步骤：

S341，根据下述公式，向子群体最优个体进行跳跃：

S342，引入用于检测是否存在未分配到田块的植保无人飞机的变异算子，采用变异算子进行变异检测和处理：

(X^w)″＝F((X^w)′,switch([r₀,r_m],c))

式中：r₀表示矩阵(X^w)′行元素和为0的行号；r_m表示矩阵(X^w)′行元素和为最大的行号；c表示r_m中值为1的任意列号；switch([r₀,r_m],c)表示在矩阵(X^w)″的第c列中，交换r₀和r_m的元素，当r₀的值不唯一时，采用第一次跳跃对应的跳跃公式进行多次变异；

S343，更新最优、最差个体；

S344，重复步骤S341至S343，直至循环次数达到I次。

作为其中的一种优选例，步骤S35中，所述第一次族群合并的过程包括以下步骤：

S351，采用下述公式，向族群最优个体进行跳跃：

S352，引入用于检测是否存在未分配到田块的植保无人飞机的变异算子，采用变异算子进行变异检测和处理：

(X^w)″＝F((X^w)′，switch([r₀，r_m]，c))

式中：r₀表示矩阵(X^w)′行元素和为0的行号；r_m表示矩阵(X^w)′行元素和为最大的行号；c表示r_m中值为1的任意列号；switch([r₀,r_m],c)表示在矩阵(X^w)′的第c列中，交换r₀和r_m的元素，当r₀的值不唯一时，采用第一次跳跃对应的跳跃公式进行多次变异；

S353，更新最优、最差个体。

作为其中的一种优选例，步骤S4中，所述定义子田块的作业顺序矩阵(SE)_N×1的过程包括以下步骤：

S41，根据飞机作业时间矩阵为(T)_K×N，确定田块的作业时间矩阵(T’)_N×1，t_j’为：

其中，j＝1,2,3,…,N；

S42，定义田块的作业顺序矩阵为(SE)_N×1，se_j为[1,N]区间内非重复的整数集合；

S42，按照作业顺序(SE)_N×1的作业时间，定义排序后的时间矩阵为

其

为：

S43，基于(SE)_N×1和

定义植保无人飞机-田块的作业时间为(TA)_K×N’，ta_ij′表示第i架飞机的第j′次作业的时间，j′＝1,2,3,…,N’，N′＝max{sum[x(i,:)]}；(TA)_K×N’每一列未赋值项用0补全；

S44，在不考虑多架植保无人飞机同时进行装配电池、药箱的重叠时间的情况下，定义无人飞机的降落时间矩阵为(TL)_K×N’，起飞时间矩阵为(TR)_K×N’，tl_ij′和tr_ij′分别为：

其中，ts_ij′为飞机降落后装配至下一次起飞所需要的时间，此处设为固定长度，ts_ij′＝c。

作为其中的一种优选例，步骤S5中，所述采用遗传算法对子田块的作业顺序矩阵(SE)_N×1进行优化的过程包括以下步骤：

S51，对子田块作业的适应值进行评价：

将作业顺序(SE)_N×1作为染色体，在确定(SE)_N×1的情况下，确定不同植保无人机最终降落的时间为tl_KN’，定义染色体的适应值选择函数FV₂为：

其中，g(SEt)＝max[tl_KN(SE^t,c)]；t表示该染色体在群体的位置；wt为时间适应值参数，单位为min，取值范围为[300,600]；

S52，遗传算子定义：

a.染色体选择运算

采用轮盘赌法对初始种群进行选择，如果某个个体t的适应度为f_t，则该个体被选择的概率表示为P_t：

其中，N表示染色体规模；

b.染色体交叉运算

采用部分匹配交叉方法进行染色体的交叉运算：随机生成两个交叉点，确定一个匹配段；根据父体中匹配段与非匹配段的映射关系生成两个子个体；

c.染色体变异运算

随机选取N个位置，将其对应的基因进行互换，N大于1；

S53，基于GA算法对染色体进行更新，以获取最优的子田块的作业顺序矩阵(SE)_N×1，包括以下子步骤：

S531，输入种群规模N，进化最大迭代次数max(Gen)，交叉率p_c，变异率p_m；

S532，生成初始群体{SE}_P，总群规模为P；

S533，计算种群个体的适应值；

S534，对以下遗传计算停止的条件进行判断：(1)迭代次数达到max(Gen)，(2)满足适应值要求，(3)最佳染色体连续保持10代；若其中任意一项条件满足，终止迭代流程，输出最优个体{SE}_max(f)|，否则，转入步骤S535；

S535，除最优染色体外，对其余染色体进行选择计算；

S536，除最优染色体外，对其他染色体进行交叉运算；

S537，除最优染色体外，对其他染色体进行变异运算，返回步骤S533。

基于前述分配方法，本发明还提及一种植保无人飞机集群作业任务分配装置，所述分配装置包括ARM嵌入式***，以及分别与ARM嵌入式***连接的GPS定位***、温湿度传感器、数传模块、电源模块、LCD触摸屏和缓存模块；

所述温湿度传感器用于探测作业区域的实时温度和实时湿度，将探测结果反馈至ARM嵌入式***；

所述LCD触摸屏用于输入田块参数和植保无人飞机参数至ARM嵌入式***，所述田块参数包括每个田块的边界坐标；

所述ARM嵌入式***结合输入的田块参数和植保无人飞机参数，以及温湿度传感器反馈的环境信息，采用如前所述分配方法，联合结算出所有植保无人飞机协同任务分配模型和对应的植保无人飞机集群作业的调度方案，将该调度方法通过数传模块发送至各个植保无人飞机的飞控***，以及输入参数和对应的调度方法储存至缓存模块；

所述电源模块用于提供ARM嵌入式***、GPS定位***、温湿度传感器、数传模块、电源模块、LCD触摸屏和缓存模块正常工作所需电能；

所述GPS定位***用于获取每个植保无人飞机的位置信息，将获取到的位置信息通过LCD触摸屏以展示给用户。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

(1)在保证航路全覆盖的基础上，综合时间和能耗两个约束条件，建立最短飞行距离和最优时间分配双层决策方法，降低时间冲突、提高作业效率。

(2)对所有植保无人飞机的整个作业过程进行自动规划，减少人力损耗，只需一个工作人员即可完成对所有无人机的维护和监控，实现真正的一控多机。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的植保无人飞机集群作业任务分配方法的流程图。

图2是本发明的具体实施例一的分配方法流程图。

图3是本发明的对作业田块进行划分的流程示意图。

图4是基于MOSFLA的寻找最优的作业分配矩阵(X)_K×N流程图。

图5是染色体交叉准备示意图。

图6是染色体交叉完成示意图。

图7是染色体变异过程示意图。

图8是采用遗传算法对子田块的作业顺序矩阵(SE)_N×1进行优化流程图。

图9是植保无人飞机集群作业任务分配装置结构示意图。

图10是具体实施例三中植保无人飞机的目标作业田块示意图。

图11是具体实施例三中目标作业田块预处理方式示意图。

图12是是具体实施例三的作业结果对比示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

具体实施例一

结合图1，本发明提出一种植保无人飞机集群作业任务分配方法，所述分配方法包括以下步骤：

S1，根据输入的田块参数和植保无人飞机参数，将作业田块划分成N个子田块，每个子田块的作业要求相同，并且只对应一个无人飞机，定义N个子田块集合为H_j，j＝1,2,3,…，N。

S2，根据预设的分配原则将所有子田块分配给所有参与作业的植保无人飞机，所述预设的分配原则为：单个植保无人飞机被分配至少一个子田块，每个子田块只能被分配一次且所有子田块均被分配。

S3，在给定植保无人飞机数量、田块数量K、子田块数量N，以及作业时间矩阵(T)_K×N和进/出田块的距离矩阵为(L¹)_K×N、(L²)_K×N的基础上，采用MOSFLA算法寻找最优的作业分配矩阵(X)_K×N。

S4，根据最优作业分配矩阵(X)_K×N和飞机作业时间矩阵(T)_K×N，确定子田块的作业时间矩阵(T’)_N×1；结合预设的装配规则，定义子田块的作业顺序矩阵(SE)_N×1，所述预设的装配规则为每个无人飞机降落后，均进行包括电池更换、药箱更换在内的装配任务，但同一时刻只有一架无人飞机执行装配任务。

S5，采用遗传算法对子田块的作业顺序矩阵(SE)N×1进行优化。

请参见图1和图2，假设已知条件为：①已知田块位置、植保无人飞机的数量与起降位置；②已知飞机的飞行与作业性能、各田块的无人机飞机作业参数；③在无人飞机降落进行药箱、电池装配时只有一个劳动力(一控多机)。则在多架植保无人飞机协同下，进行作业田块的无人飞机分配、田块作业排序的过程包括以下步骤：

一、作业田块的重新划分

假设共有目标作业田共n块，对其进行划分步骤如下：(I)将相同的作业要求(农药种类与药液浓度、飞机作业参数等)的田块放入同一集合，共计M个集合；(II)根据植保无人飞机的一次起/降的作业面积，对M个集合内的所有田块进行进一步田块划分—相邻小田块合并、大田块分割操作；(III)提取M个集合内的所有子田块，计为N，重新定义N个田块集合为H_j，(j＝1,2,3,…,N)。划分步骤如下图3所示。

二、基于MOSFLA的无人飞机作业田块分配

单个植保无人飞机可以分配给多个田块(<N)，但每个田块只能被分配一次。

定义植保无人机作业分配矩阵为(X)_K×N，其中分配参数x_ij赋值定义为

其中，j＝1,2,3,…,N。无人飞机分配参数遵循约束条件：每块田只能被作业一次且所有田块都分配给了植保无人飞机。

三、基于MOSFLA的作业分配优化

在给定飞机、田块数量K、N，以及作业时间矩阵(T)_K×N，进/出田块的距离矩阵为(L¹)_K×N、(L²)_K×N，采用MOSFLA算法寻找较优的作业分配矩阵为(X)_K×N。

通过多族群协同进化，混合蛙跳算法可以实现种群的更新。为优化(1)式中的分配参数X，涉及种群更新方式的定义如下。

定义1设矩阵X¹∈Q^M×N、X²∈Q^M×N，其中Q^M×N为可行解空间，定义矩阵

表示X²与X¹间的差异矩阵，

表示矩阵间的按异位或操作符。

定义2_z′＝cut(z,k)的定义为：截取一维数组z的前k列，保存到新的一维数组z’中。

定义3(X¹)′＝F(B,φ)，为根据差异矩阵B(即

)，对矩阵X进行逼近矩阵B的更新。统计B各列的元素和，若元素和＞0则将该列号保存至一维数组z中。操作符φ的定义为：

φ＝～(B,X¹,cut(z,ri(n))). (2)

其中：n为数组z的长度，ri(n)表示区间[1,n]任意整数；“～”表示：根据z’(即cut(z,ri(n)))指定的列号ri(n)，将X¹在该列的元素修正与B元素排列保持一致

定义4

为对矩阵X¹按照操作符

进行变异操作，操作符

的定义为：

式中：sw itch(r₁,r₂)表示交换矩阵中的r₁行和r₂行，swicth(c₁，c₂)表示交换矩阵中的c₁列和c₂列。

四、MOSFLA的蛙跳规则

本发明中设计的有关蛙跳规则如下

第1次跳跃，

其中：X^b和X^w分别为子族群的最优个体和最差个体。

第2次跳跃，

其中：X^g和X^w分别为整个族群的最优个体和最差个体。

第3次跳跃，

(X^w)′＝rand(X),X∈Q^M×N. (6)

其中：rand(X)表示在可行解空间随机产生一个决策矩阵。

综上体现了子族群、总族群中最差个体向族群最优个体的优化的能力，以及总族群的全局更新过程。

所产生的新个体可能存在有飞机没有分配到田块的问题(即

)。本发明引入变异算子如下，对部分解进行变异处理：

(X^w)″＝F((X^w)′,switch([r₀,r_m],c)). (7)

式中：r₀表示矩阵(X^w)′行元素和为0的行号；r_m表示矩阵(X^w)′行元素和为最大的行号；c表示r_m中值为1的任意列号；switch([r₀，r_m]，c)表示在矩阵(X^w)′的第c列中，交换r₀和r_m的元素，当r₀的值不唯一，可根据(4)式进行多次变异。

五、个体的族群划分

设蛙跳种群的总数为S，子群体的个数为s，子群体个数为num(满足S＝s×num)。基于公式(6)，定义个体t的适应值函数FV₁如下，

本发明将通过个体的适应值作为族群划分的参照。根据FV₁ ^t的大小，进行降序排列，则第i个子群体内的个体分别为，

{FV₁ ^k|k∈[(i-1)×num+1,i×num]}. (9)

其中，i＝1,2,3,…,s。

根据上述的算法设计，本发明提出的多机协同分配问题的改进MOSFLA算法具体步骤如图4所示。

六、基于GA的田块作业排序模型

基于MOSFLA算法，我们已寻找较优的作业分配矩阵为(X)_K×N。根据飞机作业时间矩阵为(T)_K×N，我们可以确定田块的作业时间矩阵(T’)_N×1，其t_j’为，

其中，j＝1,2,3,…,N。定义田块的作业顺序矩阵为(SE)_N×1，j＝1,2,3,…,N，se_j为[1,N]区间内非重复的整数集合。则按照作业顺序(SE)_N×1的作业时间，定义排序后的时间矩阵为

其

为，

基于(SE)_N×1和

定义植保无人飞机-田块的作业时间为(TA)_K×N’，ta_ij′表示第i架飞机的第j′次作业的时间，j′＝1,2,3,…,N’，N′＝max{sum[x(i,:)]}。(TA)_K×N’每一列未赋值项用0补全。

在无人飞机降落后，需要进行电池、药箱更换。在不考虑多架植保无人飞机同时进行装配电池、药箱的重叠时间，定义无人飞机的降落时间矩阵为(TL)_K×N’，起飞时间矩阵为(TR)_K×N’，tl_ij′和tr_ij′分别为：

其中，ts_ij′为飞机降落后装配至下一次起飞所需要的时间，不考虑装配人员装配时间差异，此处可设为固定长度，ts_ij′＝c，简化计算复杂度。

七、基于GA的田块作业排序优化

为减少多架无人机同时作业的整体时间，需要确定田块的作业顺序(SE)_N×1。本发明通过GA算法，对作业顺序进行优化。

7.1田块作业的适应值评价

本发明将作业顺序(SE)_N×1作为染色体，在确定(SE)_N×1情况下，可以确定不同植保无人机最终降落的时间tl_KN’，定义该染色体的适应值选择函数FV₂定义为，

其中g(SEt)＝max[tl_KN′(SE^t,c)]；t表示该染色体在群体的位置；wt为时间适应值参数(min)，取值范围为[300,600]。

7.2遗传算子定义

a.染色体选择运算

采用轮盘赌法对初始种群进行选择，如果某个个体t的适应度为f_t，则该个体被选择的概率可以表示为P_t：

其中N表示染色体规模。

b.染色体交叉运算

结合图5和图6，采用部分匹配交叉方法(PMX,Partially Matched Crossover)进行染色体的交叉运算：随机生成两个交叉点，确定一个匹配段；根据父体中匹配段与非匹配段的映射关系生成两个子个体。例如，存在两父体如下，假设随机生成的匹配段为[4,6]，用*标记重复的数字。基于中间映射关系，可以确定重复部分的数字，字体A1出现的第一个*的初始值为1，交叉出现的1起源于6，而6参与交叉，其初始值为5，5不再参与交叉，则可将A1出现的第一个*赋值为5；同理A1出现的第二个*赋值为4。同理完成子体B1*处的赋值。

c.染色体变异运算

随机选取N(>1)个位置，将其对应的基因进行互换。如对染色体A，选取的基因位置为3，5和6，则编译后的染色体如图7所示。

八、基于GA的染色体更新流程

本发明中染色体停止遗传计算的条件为：①迭代到max(Gen)次，算法终止；②满足适应值要求，算法终止；③最佳染色体连续保持10代，算法终止。基于GA的染色体更新流程如图8所示。

在本发明中，种群规模数P＝20～100；遗传进化迭代次数max(Gen)＝100～500；交叉概率p_c＝0.4～0.99；变异概率p_m＝0.0001～0.1。

具体实施例二

结合图9，基于前述分配方法，本发明还提及一种植保无人飞机集群作业任务分配装置，所述分配装置包括ARM嵌入式***，以及分别与ARM嵌入式***连接的GPS定位***、温湿度传感器、数传模块、电源模块、LCD触摸屏和缓存模块。

所述温湿度传感器用于探测作业区域的实时温度和实时湿度，将探测结果反馈至ARM嵌入式***。

所述LCD触摸屏用于输入田块参数和植保无人飞机参数至ARM嵌入式***，所述田块参数包括每个田块的边界坐标。

所述ARM嵌入式***结合输入的田块参数和植保无人飞机参数，以及温湿度传感器反馈的环境信息，采用如前所述分配方法，联合结算出所有植保无人飞机协同任务分配模型和对应的植保无人飞机集群作业的调度方案，将该调度方法通过数传模块发送至各个植保无人飞机的飞控***，以使飞控***依据接收到的指令控制机具进行集群作业，以及输入参数和对应的调度方法储存至缓存模块。

所述电源模块用于提供ARM嵌入式***、GPS定位***、温湿度传感器、数传模块、电源模块、LCD触摸屏和缓存模块正常工作所需电能。

所述GPS定位***用于获取每个植保无人飞机的位置信息，将获取到的位置信息通过LCD触摸屏以展示给用户。

具体实施例三

为确定基于MOSFLA+GA协同任务分配算法对多架植保无人飞机作业规划的优化性能，本发明选取总面积为330亩的目标多田块如下图10和11所示。

选取的植保无人机的最大续航时间为25min，载药量为15L。基于无人机针对图10多田块进行重新划分，划分的结果如图11所示。所划分出的22个子田块的面积≤15亩，以保证植保无人飞机一次架次可完成喷洒作业。无人飞机的起/降区位于田块中心附近，该区域同时满足便于起飞、药液电池运输等要求。当有多架飞机同时降落时，飞机之间最大的距离为100m，以保证在规定的时间内完成药液、电池的装配工作。在本发明中，选取地块中心100m位置作为飞机的起降装配点，相邻降落点相距25m，装配时间c＝6min，飞机数量u＝3架。

为对比正常情况下无人机作业下飞机进/出田块的加权距离、总飞行时间，本发明对比以下两种传统的多机作业模式：

传统多机作业模式①：飞机不确定作业田块，但飞机完成上一田块作业后将进行下一田块的作业。

传统多机作业模式②：无人飞机都有确定作业田块，每架飞机有固定的作业顺序。

两种传统的多机作业模式的实施结果如下：

相比传统模式，采用MOSFAL+GA算法最多可以节省25min，无人飞机集群作业效率和总时间见图12。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种植保无人飞机集群作业任务分配方法，其特征在于，所述分配方法包括以下步骤：

S1，根据输入的田块参数和植保无人飞机参数，将作业田块划分成N个子田块，每个子田块的作业要求相同，并且只对应一个无人飞机，定义N个子田块集合为H_j，j＝1，2，3，…，N；

S2，根据预设的分配原则将所有子田块分配给所有参与作业的植保无人飞机，所述预设的分配原则为：单个植保无人飞机被分配至少一个子田块，每个子田块只能被分配一次且所有子田块均被分配；

S3，在给定植保无人飞机数量、田块数量K、子田块数量N，以及作业时间矩阵(T)_K×N和进/出田块的距离矩阵为(L¹)_K×N、(L²)_K×N的基础上，采用MOSFLA算法寻找最优的作业分配矩阵(X)_K×N；

S4，根据最优作业分配矩阵(X)_K×N和飞机作业时间矩阵(T)_K×N，确定子田块的作业时间矩阵(T’)_N×1；结合预设的装配规则，定义子田块的作业顺序矩阵(SE)_N×1，所述预设的装配规则为每个无人飞机降落后，均进行包括电池更换、药箱更换在内的装配任务，但同一时刻只有一架无人飞机执行装配任务；

S5，采用遗传算法对子田块的作业顺序矩阵(SE)_N×1进行优化；

步骤S2中，所述根据预设的分配原则将所有子田块分配给所有参与作业的植保无人飞机是指：

定义植保无人机作业分配矩阵为(X)_K×N，其中分配参数x_ij赋值定义为：

其中，j＝1,2,3,…,N；

步骤S3中，所述采用MOSFLA算法寻找最优的作业分配矩阵(X)_K×N的过程包括以下步骤：

S31，输入种群规模S、子族群数s、族群的青蛙个体num、总群迭代次数D和族群迭代次数I；

S32，初始化青蛙总群P＝{X¹,X²,…,X^S}；

S33，计算适应值，并按降序排列，进行族群划分；

S34，族群内部进化：根据下述公式，各子群体进行第一次跳跃：

其中：X^b和X^w分别为子族群的最优个体和最差个体；

S35，第一次族群合并：按照适应值进行降序排列，结合下述公式，整个族群进行第二次跳跃：

其中：X^g和X^w分别为整个族群的最优个体和最差个体；

S36，第二次族群合并：按照适应值进行降序排列，结合下述公式，将族群最弱个体进行第三次跳跃：

(X^w)′＝rand(X),X∈Q^M×N

其中：rand(X)表示在可行解空间随机产生一个决策矩阵；

S37，判断当前循环次数是否小于总群迭代次数D，如果小于，转入步骤S33，否则，输出最优个体X¹；

其中，种群更新相关参数定义如下：

设矩阵X¹∈Q^M×N、X²∈Q^M×N，其中Q^M×N为可行解空间，定义矩阵

表示X²与X¹间的差异矩阵，

表示矩阵间的按异位或操作符；

z′＝cut(z,k)的含义为：截取一维数组z的前k列，保存到新的一维数组z’中；

(X¹)′＝F(B,φ)的含义为：根据差异矩阵B对矩阵X进行逼近矩阵B的更新，统计B各列的元素和，若元素和大于0则将列号保存至一维数组z中，操作符φ的定义为：

φ＝～(B,X¹,cut(z,ri(n)))

其中：n为数组z的长度，ri(n)表示区间[1,n]内的任意整数；“～”表示根据z’指定的列号ri(n)，将X¹在该列的元素修正与B元素排列保持一致；

的含义为：对矩阵X¹按照操作符

进行变异操作，操作符

的定义为：

式中：switch(r₁，r₂)表示交换矩阵中的r₁行和r₂行，swicth(c₁，c₂)表示交换矩阵中的c₁列和c₂列；

步骤S4中，所述定义子田块的作业顺序矩阵(SE)_N×1的过程包括以下步骤：

S41，根据飞机作业时间矩阵为(T)_K×N，确定田块的作业时间矩阵(T’)_N×1，t_j’为：

其中，j＝1，2，3，…，N；

S42，定义田块的作业顺序矩阵为(SE)_N×1，se_j为[1，N]区间内非重复的整数集合；

S42，按照作业顺序(SE)_N×1的作业时间，定义排序后的时间矩阵为

其

为：

S43，基于(SE)_N×1和

定义植保无人飞机-田块的作业时间为(TA)_K×N’，ta_ij′表示第i架飞机的第j′次作业的时间，j′＝1，2，3，...，N’，N′＝max{sum[x(i，：)]}；(TA)_K×N’每一列未赋值项用0补全；

S44，在不考虑多架植保无人飞机同时进行装配电池、药箱的重叠时间的情况下，定义无人飞机的降落时间矩阵为(TL)_K×N’，起飞时间矩阵为(TR)_K×N’，tl_ij′和tr_ij′分别为：

其中，ts_ij′为飞机降落后装配至下一次起飞所需要的时间，此处设为固定长度，ts_ij′＝c。

2.根据权利要求1所述的植保无人飞机集群作业任务分配方法，其特征在于，步骤S1中，所述根据输入的田块参数和植保无人飞机参数，将作业田块划分成N个子田块的过程包括以下步骤：

S11，将相同的作业要求的田块放入同一集合，共计M个集合；

S12，根据植保无人飞机的一次起/降的作业面积，对M个集合内的所有田块作进一步田块处理，包括相邻小田块合并、大田块分割操作；

S13，提取M个集合内的所有子田块，设子田块数量为N，定义N个子田块集合为H_j，j＝1，2，3，...，N。

3.根据权利要求1所述的植保无人飞机集群作业任务分配方法，其特征在于，步骤S33中，所述进行族群划分的过程包括以下步骤：

S331，定义个体t的适应值函数FV₁ ^t如下，

S332，将个体的适应值作为族群划分的参照，根据FV₁ ^t的大小，进行降序排列，则第i个子群体内的个体分别为：

{FV₁ ^k|k∈[(i-1)×num+1，i×num]}

其中，i＝1，2，3，...，s。

4.根据权利要求1所述的植保无人飞机集群作业任务分配方法，其特征在于，步骤S34中，所述族群内部进化的过程包括以下步骤：

S341，根据下述公式，向子群体最优个体进行跳跃：

S342，引入用于检测是否存在未分配到田块的植保无人飞机的变异算子，采用变异算子进行变异检测和处理：

(X^w)″＝F((X^w)′，switch([r₀，r_m]，c))

式中：r₀表示矩阵(X^w)′行元素和为0的行号；r_m表示矩阵(X^w)′行元素和为最大的行号；c表示r_m中值为1的任意列号；switch([r₀，r_m]，c)表示在矩阵(X^w)′的第c列中，交换r₀和r_m的元素，当r₀的值不唯一时，采用第一次跳跃对应的跳跃公式进行多次变异；

S343，更新最优、最差个体；

S344，重复步骤S341至S343，直至循环次数达到I次。

5.根据权利要求1所述的植保无人飞机集群作业任务分配方法，其特征在于，步骤S35中，所述第一次族群合并的过程包括以下步骤：

S351，采用下述公式，向族群最优个体进行跳跃：

S352，引入用于检测是否存在未分配到田块的植保无人飞机的变异算子，采用变异算子进行变异检测和处理：

(X^w)″＝F((X^w)′,switch([r₀,r_m],c))

式中：r₀表示矩阵(X^w)′行元素和为0的行号；r_m表示矩阵(X^w)′行元素和为最大的行号；c表示r_m中值为1的任意列号；switch([r₀,r_m],c)表示在矩阵(X^w)′的第c列中，交换r₀和r_m的元素，当r₀的值不唯一时，采用第一次跳跃对应的跳跃公式进行多次变异；

S353，更新最优、最差个体。

6.根据权利要求1所述的植保无人飞机集群作业任务分配方法，其特征在于，步骤S5中，所述采用遗传算法对子田块的作业顺序矩阵(SE)_N×1进行优化的过程包括以下步骤：

S51，对子田块作业的适应值进行评价：

将作业顺序(SE)_N×1作为染色体，在确定(SE)_N×1的情况下，确定不同植保无人机最终降落的时间为tl_KN’，定义染色体的适应值选择函数FV₂为：

其中，g(SE^t)＝max[tl_KN′(SE^t,c)]；t表示该染色体在群体的位置；wt为时间适应值参数，单位为min，取值范围为[300,600]；

S52，遗传算子定义：

a.染色体选择运算

采用轮盘赌法对初始种群进行选择，如果某个个体t的适应度为f_t，则该个体被选择的概率表示为P_t：

其中，N表示染色体规模；

b.染色体交叉运算

采用部分匹配交叉方法进行染色体的交叉运算：随机生成两个交叉点，确定一个匹配段；根据父体中匹配段与非匹配段的映射关系生成两个子个体；

c.染色体变异运算

随机选取N个位置，将其对应的基因进行互换，N大于1；

S53，基于GA算法对染色体进行更新，以获取最优的子田块的作业顺序矩阵(SE)_N×1，包括以下子步骤：

S531，输入种群规模N，进化最大迭代次数max(Gen)，交叉率p_c，变异率p_m；

S532，生成初始群体{SE}_P，总群规模为P；

S533，计算种群个体的适应值；

S534，对以下遗传计算停止的条件进行判断：(1)迭代次数达到max(Gen)，(2)满足适应值要求，(3)最佳染色体连续保持10代；若其中任意一项条件满足，终止迭代流程，输出最优个体{SE}_max(f)，否则，转入步骤S535；

S535，除最优染色体外，对其余染色体进行选择计算；

S536，除最优染色体外，对其他染色体进行交叉运算；

S537，除最优染色体外，对其他染色体进行变异运算，返回步骤S533。

7.一种植保无人飞机集群作业任务分配装置，其特征在于，所述分配装置包括ARM嵌入式***，以及分别与ARM嵌入式***连接的GPS定位***、温湿度传感器、数传模块、电源模块、LCD触摸屏和缓存模块；

所述温湿度传感器用于探测作业区域的实时温度和实时湿度，将探测结果反馈至ARM嵌入式***；

所述LCD触摸屏用于输入田块参数和植保无人飞机参数至ARM嵌入式***，所述田块参数包括每个田块的边界坐标；

所述ARM嵌入式***结合输入的田块参数和植保无人飞机参数，以及温湿度传感器反馈的环境信息，采用如权利要求1-6中任意一项所述分配方法，联合结算出所有植保无人飞机协同任务分配模型和对应的植保无人飞机集群作业的调度方案，将该调度方法通过数传模块发送至各个植保无人飞机的飞控***，以及输入参数和对应的调度方法储存至缓存模块；

所述电源模块用于提供ARM嵌入式***、GPS定位***、温湿度传感器、数传模块、电源模块、LCD触摸屏和缓存模块正常工作所需电能；

所述GPS定位***用于获取每个植保无人飞机的位置信息，将获取到的位置信息通过LCD触摸屏以展示给用户。

Images