CN111580561A - 基于粒子群算法优化的无人机调度方法、***和可读存储介质 - Google Patents
基于粒子群算法优化的无人机调度方法、***和可读存储介质 Download PDFInfo
- Publication number
- CN111580561A CN111580561A CN202010481908.4A CN202010481908A CN111580561A CN 111580561 A CN111580561 A CN 111580561A CN 202010481908 A CN202010481908 A CN 202010481908A CN 111580561 A CN111580561 A CN 111580561A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- control center
- task
- swarm optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 239000002245 particle Substances 0.000 title claims abstract description 107
- 238000005457 optimization Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000002360 preparation method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000002238 attenuated effect Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical group C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于粒子群算法优化的无人机调度方法、***和可读存储介质，所述方法包括以下步骤：控制中心向待命无人机群发送一条任务预备指令；接收到任务预备指令后，无人机群初始化机身参数，向控制中心服务器发送一个应答数据包；控制中心接收到应答数据包后进行综合分析，确定执行任务的无人机群；初步为每一架待飞无人机规划一条常规路径，收到启动指令后开始执行任务；无人机群与控制中心时刻保持通信状态，控制中心根据每一架无人机的实时状态进行基于粒子群算法优化的全程调度。本发明通过利用粒子群算法优化技术，实现了无人机调度智能化，提高了对无人机群的调度管理效率，有效降低了无人机在执行任务时的飞行能耗。
Description
技术领域
本发明涉及无人机调度技术领域，更具体的，涉及一种基于粒子群算法优化的无人机调度方法、***和可读存储介质。
背景技术
无人机的研发历史最早可追溯到20世纪20年代，起初无人机多用于军事训练和实战；历经近百年的研发后，如今的无人机已经走进寻常百姓家，不仅用于军事，更是在民用市场引起了强烈反响，在商用领域也有着巨大的发展前景。随着无人机的用途不断拓展，其在飞行过程中面临的环境因素也越来越复杂，执行的任务类型也多种多样；同时，日益丰富的任务需求也催生出无人机群协同合作的模式。另一方面，无人机受制于能量供应，同时在飞行过程中可能会受到变化的环境影响以及多种障碍类型，如果没有正确高效的调度指令加以指引飞行，极大可能因“迷路”或续航问题造成任务失败。因此，想要解决上述现阶段存在的问题，我们需要提高无人机的调度效率，科学合理地分配好无人机群的任务，促进无人机调度智能化，规划好飞行的路径以降低无人机飞行过程的能耗。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于粒子群算法优化的无人机调度方法、***和可读存储介质。
为了解决上述的技术问题，本发明第一方面公开了一种基于粒子群算法优化的无人机调度方法，所述方法包括：
控制中心向待命无人机群发送一条任务预备指令；
接收到任务预备指令后，无人机群初始化机身参数，并向控制中心服务器发送一个应答数据包；
控制中心接收到应答数据包后进行综合分析，评价待命无人机与待执行任务的匹配度，确定执行任务的无人机群，针对性地为每一架待飞无人机分配任务；
根据无人机飞行任务初步为每一架待飞无人机规划一条常规路径；
控制中心向待飞无人机群发送一条启动指令后，无人机群开始执行任务；
在执行任务过程中无人机群与控制中心时刻保持通信状态，控制中心根据每一架无人机的实时状态进行基于粒子群算法优化的全程调度。
本方案中，所述的应答数据包具体包括：无人机的唯一编号、当前IP、位置信息、电量情况、机身参数。
本方案中，所述进行综合分析的具体过程为：
控制中心根据应答数据包的详细信息，对待命无人机按使用场景进行分组；
确定各使用场景组别的无人机数量、续航能力、位置信息；
根据无人机的唯一编号查询到各使用场景组别的无人机飞行近况和维修历史；
确定各使用场景组别正执行任务无人机的数量、状态信息和任务完成度；
确定各使用场景组别正充电无人机的电量情况；
根据任务数量、任务目的位置、任务性质，确定各组别无人机的分工任务，结合各组别全部无人机的综合信息，对各组别无人机的任务匹配度进行评价定级，共分为一、二、三级；
若评价定级为一级，则该组别无人机可以正常执行并完成任务；
若评价定级为二级，则该组别无人机可以正常执行任务，但需要组别内其他无人机支援；
若评价定级为三级，则该组别无人机无法正常执行任务，继续待命。
本方案中，控制中心通过计算并对比每一架待飞无人机的当前位置到该待飞无人机所在组别分工任务的各个目的地之间的直线距离，依据就近原则，为每一架待飞无人机分配任务。
本方案中，无人机群与控制中心之间设置有实时通信机制与阶段性通信机制；控制中心可以随时向任意一架无人机发送状态检查指令，被检查无人机收到指令后立即向控制中心发送一个实时状态数据包；在执行任务过程中，无人机群每飞行十分之一的路程，向控制中心发送一个阶段状态数据包。
本方案中，控制中心对每一架执行任务的无人机进行基于粒子群算法优化的路径规划，具体步骤为：
S1.建立基于粒子群算法优化的路径规划数学模型；
S2.根据无人机当前位置信息及所分配任务目的地的位置信息，获取无人机至任务目的地之间的三维地图；
S3.根据三维地图获取规划路径上障碍物的坐标参数、海拔高度和间隔距离；
S4.获取无人机的实时状态数据或阶段状态数据；
S5.将无人机的状态数据以及所述障碍物的坐标参数、海拔高度和间隔距离输入到路径规划数学模型，求解到达目的地的最优路径；
S6.重复S2到S5。
本方案中，所述的粒子群优化算法中所有粒子都有速度向量和位置向量；速度向量影响着自身的搜索方向和距离，位置向量则象征着当前解的优劣；在搜索域中，每个粒子追随种群中适应度值最优的粒子进行搜索，并不断更新自身的速度和位置，具体的更新公式如下：
其中：v为速度，x为位置；i表示第i个粒子；d为维度；个体最优位置为pi，全局最优位置为pg；t为当前的迭代次数；ω为惯性权重；c1、c2为学习因子；r1、r2为分布在[0，1]内的随机数；c1和r1结合减弱粒子在迭代中受自身影响程度，c2和r2结合减弱粒子在迭代中受全局最优影响程度。
本发明第二方面公开了一种基于粒子群算法优化的无人机调度***，包括存储器和处理器，所述存储器中包括基于粒子群算法优化的无人机调度方法程序，所述基于粒子群算法优化的无人机调度方法程序被所述处理器执行时实现如下步骤：
控制中心向待命无人机群发送一条任务预备指令；
接收到任务预备指令后，无人机群初始化机身参数，并向控制中心服务器发送一个应答数据包；
控制中心接收到应答数据包后进行综合分析，评价待命无人机与待执行任务的匹配度，确定执行任务的无人机群，针对性地为每一架待飞无人机分配任务；
根据无人机飞行任务初步为每一架待飞无人机规划一条常规路径；
控制中心向待飞无人机群发送一条启动指令后，无人机群开始执行任务；
在执行任务过程中无人机群与控制中心时刻保持通信状态，控制中心根据每一架无人机的实时状态进行基于粒子群算法优化的全程调度。
本方案中，所述的应答数据包具体包括：无人机的唯一编号、当前IP、位置信息、电量情况、机身参数。
本方案中，所述进行综合分析的具体过程为：
控制中心根据应答数据包的详细信息，对待命无人机按使用场景进行分组；
确定各使用场景组别的无人机数量、续航能力、位置信息；
根据无人机的唯一编号查询到各使用场景组别的无人机飞行近况和维修历史；
确定各使用场景组别正执行任务无人机的数量、状态信息和任务完成度；
确定各使用场景组别正充电无人机的电量情况；
根据任务数量、任务目的位置、任务性质，确定各组别无人机的分工任务，结合各组别全部无人机的综合信息，对各组别无人机的任务匹配度进行评价定级，共分为一、二、三级；
若评价定级为一级，则该组别无人机可以正常执行并完成任务；
若评价定级为二级，则该组别无人机可以正常执行任务，但需要组别内其他无人机支援；
若评价定级为三级，则该组别无人机无法正常执行任务，继续待命。
本方案中，控制中心通过计算并对比每一架待飞无人机的当前位置到该待飞无人机所在组别分工任务的各个目的地之间的直线距离，依据就近原则，为每一架待飞无人机分配任务。
本方案中，无人机群与控制中心之间设置有实时通信机制与阶段性通信机制；控制中心可以随时向任意一架无人机发送状态检查指令，被检查无人机收到指令后立即向控制中心发送一个实时状态数据包；在执行任务过程中，无人机群每飞行十分之一的路程，向控制中心发送一个阶段状态数据包。
本方案中，控制中心对每一架执行任务的无人机进行基于粒子群算法优化的路径规划，具体步骤为：
S1.建立基于粒子群算法优化的路径规划数学模型；
S2.根据无人机当前位置信息及所分配任务目的地的位置信息，获取无人机至任务目的地之间的三维地图；
S3.根据三维地图获取规划路径上障碍物的坐标参数、海拔高度和间隔距离；
S4.获取无人机的实时状态数据或阶段状态数据；
S5.将无人机的状态数据以及所述障碍物的坐标参数、海拔高度和间隔距离输入到路径规划数学模型，求解到达目的地的最优路径；
S6.重复S2到S5。
本方案中，所述的粒子群优化算法中所有粒子都有速度向量和位置向量；速度向量影响着自身的搜索方向和距离，位置向量则象征着当前解的优劣；在搜索域中，每个粒子追随种群中适应度值最优的粒子进行搜索，并不断更新自身的速度和位置，具体的更新公式如下：
其中：v为速度，x为位置；i表示第i个粒子；d为维度；个体最优位置为pi，全局最优位置为pg；t为当前的迭代次数；ω为惯性权重；c1、c2为学习因子；r1、r2为分布在[0，1]内的随机数；c1和r1结合减弱粒子在迭代中受自身影响程度，c2和r2结合减弱粒子在迭代中受全局最优影响程度。
本方案中，所述无人机调度***包括数据接收模块、数据分析处理模块、路径规划模块和指令调度模块。
本发明第三方面公开了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于粒子群算法优化的无人机调度方法程序，所述一种基于粒子群算法优化的无人机调度方法程序被处理器执行时，实现上述的一种基于粒子群算法优化的无人机调度方法的步骤。
本发明公开的一种基于粒子群算法优化的无人机调度方法、***和可读存储介质，通过利用粒子群算法优化技术，实现了无人机调度智能化，提高了对无人机群的调度管理效率，有效降低了无人机在执行任务时的飞行能耗。
附图说明
图1示出了本发明一种基于粒子群算法优化的无人机调度方法流程图；
图2示出了本发明一种基于粒子群算法优化的无人机调度***的框图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于粒子群算法优化的无人机调度方法流程图。
如图1所示，本发明第一方面公开了一种基于粒子群算法优化的无人机调度方法，包括：
控制中心向待命无人机群发送一条任务预备指令；
接收到任务预备指令后，无人机群初始化机身参数，并向控制中心服务器发送一个应答数据包；
控制中心接收到应答数据包后进行综合分析，评价待命无人机与待执行任务的匹配度，确定执行任务的无人机群，针对性地为每一架待飞无人机分配任务；
根据无人机飞行任务初步为每一架待飞无人机规划一条常规路径；
控制中心向待飞无人机群发送一条启动指令后，无人机群开始执行任务；
在执行任务过程中无人机群与控制中心时刻保持通信状态，控制中心根据每一架无人机的实时状态进行基于粒子群算法优化的全程调度。
需要说明的是，本发明中所述无人机包括通信单元，用于与控制中心保持通信，接收各种指令和发送各种数据包；包括GPS定位单元，用于获取无人机的实时位置信息；包括飞行控制单元，用于解析控制中心的指令，控制无人机的飞行速度、飞行航向和主动避障等功能。其中通信单元和GPS定位单元与飞行控制单元电性连接。
需要说明的是，本发明中所述无人机在完成任务后向控制中心发送一个返航请求，并报告当前状态数据；控制中心确认完成任务后，对无人机当前状态进行验证；若符合返航或继续执行下一个任务的要求，则向该无人机发送返航指令或任务预备指令，否则发送原地待命指令。
本方案中，所述的应答数据包具体包括：无人机的唯一编号、当前IP、位置信息、电量情况、机身参数。
本方案中，所述进行综合分析的具体过程为：
控制中心根据应答数据包的详细信息，对待命无人机按使用场景进行分组；
确定各使用场景组别的无人机数量、续航能力、位置信息；
根据无人机的唯一编号查询到各使用场景组别的无人机飞行近况和维修历史；
确定各使用场景组别正执行任务无人机的数量、状态信息和任务完成度；
确定各使用场景组别正充电无人机的电量情况；
根据任务数量、任务目的位置、任务性质，确定各组别无人机的分工任务，结合各组别全部无人机的综合信息，对各组别无人机的任务匹配度进行评价定级，共分为一、二、三级；
若评价定级为一级，则该组别无人机可以正常执行并完成任务；
若评价定级为二级，则该组别无人机可以正常执行任务，但需要组别内其他无人机支援；
若评价定级为三级，则该组别无人机无法正常执行任务，继续待命。
需要说明的是，当评价定级为二级时，该组别待命无人机先执行一部分的分工任务，剩下部分由该组别其他无人机执行完任务或充电完成后，在有效的任务时限内完成。
本方案中，控制中心通过计算并对比每一架待飞无人机的当前位置到该待飞无人机所在组别分工任务的各个目的地之间的直线距离，依据就近原则，为每一架待飞无人机分配任务。
需要说明的是，根据实际任务规划需求，在续航能力允许的情况下，本发明中所述待飞无人机可以被分配不止一个任务。
本方案中，无人机群与控制中心之间设置有实时通信机制与阶段性通信机制；控制中心可以随时向任意一架无人机发送状态检查指令，被检查无人机收到指令后立即向控制中心发送一个实时状态数据包；在执行任务过程中，无人机群每飞行十分之一的路程，向控制中心发送一个阶段状态数据包。
需要说明的是，所述状态数据包所包括的信息有：飞行方向、飞行速度、海拔高度、当前位置、剩余电量、耗能情况、风速、机身温度、环境温度、环境湿度、大气气压。
本方案中，控制中心对每一架执行任务的无人机进行基于粒子群算法优化的路径规划，具体步骤为：
S1.建立基于粒子群算法优化的路径规划数学模型；
S2.根据无人机当前位置信息及所分配任务目的地的位置信息，获取无人机至任务目的地之间的三维地图；
S3.根据三维地图获取规划路径上障碍物的坐标参数、海拔高度和间隔距离；
S4.获取无人机的实时状态数据或阶段状态数据；
S5.将无人机的状态数据以及所述障碍物的坐标参数、海拔高度和间隔距离输入到路径规划数学模型，求解到达目的地的最优路径；
S6.重复S2到S5。
需要说明的是，本发明中控制中心每收到一个阶段性状态数据包则进行一次基于粒子群算法优化的路径规划；操作者可以根据个人经验判断和综合考量，选择性地为任一无人机规划指定性的路径；同时，操作者可以依据个人意愿，手动在任意时刻进行基于粒子群算法优化的路径规划。
本方案中，所述的粒子群优化算法中所有粒子都有速度向量和位置向量；速度向量影响着自身的搜索方向和距离，位置向量则象征着当前解的优劣；在搜索域中，每个粒子追随种群中适应度值最优的粒子进行搜索，并不断更新自身的速度和位置，具体的更新公式如下：
其中：v为速度，x为位置；i表示第i个粒子；d为维度；个体最优位置为pi，全局最优位置为pg；t为当前的迭代次数；ω为惯性权重；c1、c2为学习因子；r1、r2为分布在[0，1]内的随机数；c1和r1结合减弱粒子在迭代中受自身影响程度，c2和r2结合减弱粒子在迭代中受全局最优影响程度。
需要说明的是，本发明中所述的粒子群优化算法可以根据粒子种群规模的大小相应提高迭代次数，避免陷入局部最优，确保在解空间内求得全局最优解。
图2示出了本发明一种基于粒子群算法优化的无人机调度***的框图。
如图2所示，本发明第二方面公开了一种基于粒子群算法优化的无人机调度***，包括存储器和处理器，所述存储器中包括基于粒子群算法优化的无人机调度方法程序，所述基于粒子群算法优化的无人机调度方法程序被所述处理器执行时实现如下步骤：
控制中心向待命无人机群发送一条任务预备指令；
接收到任务预备指令后，无人机群初始化机身参数，并向控制中心服务器发送一个应答数据包；
控制中心接收到应答数据包后进行综合分析，评价待命无人机与待执行任务的匹配度，确定执行任务的无人机群，针对性地为每一架待飞无人机分配任务；
根据无人机飞行任务初步为每一架待飞无人机规划一条常规路径；
控制中心向待飞无人机群发送一条启动指令后，无人机群开始执行任务；
在执行任务过程中无人机群与控制中心时刻保持通信状态，控制中心根据每一架无人机的实时状态进行基于粒子群算法优化的全程调度。
需要说明的是，本发明中所述无人机包括通信单元，用于与控制中心保持通信，接收各种指令和发送各种数据包；包括GPS定位单元，用于获取无人机的实时位置信息；包括飞行控制单元，用于解析控制中心的指令，控制无人机的飞行速度、飞行航向和主动避障等功能。其中通信单元和GPS定位单元与飞行控制单元电性连接。
需要说明的是，本发明中所述无人机在完成任务后向控制中心发送一个返航请求，并报告当前状态数据；控制中心确认完成任务后，对无人机当前状态进行验证；若符合返航或继续执行下一个任务的要求，则向该无人机发送返航指令或任务预备指令，否则发送原地待命指令。
需要说明的是，本发明的***可以在服务器、PC、手机、PAD等终端设备中进行操作。
需要说明的是，所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本方案中，所述的应答数据包具体包括：无人机的唯一编号、当前IP、位置信息、电量情况、机身参数。
本方案中，所述进行综合分析的具体过程为：
控制中心根据应答数据包的详细信息，对待命无人机按使用场景进行分组；
确定各使用场景组别的无人机数量、续航能力、位置信息；
根据无人机的唯一编号查询到各使用场景组别的无人机飞行近况和维修历史；
确定各使用场景组别正执行任务无人机的数量、状态信息和任务完成度；
确定各使用场景组别正充电无人机的电量情况；
根据任务数量、任务目的位置、任务性质，确定各组别无人机的分工任务，结合各组别全部无人机的综合信息，对各组别无人机的任务匹配度进行评价定级，共分为一、二、三级；
若评价定级为一级，则该组别无人机可以正常执行并完成任务；
若评价定级为二级，则该组别无人机可以正常执行任务，但需要组别内其他无人机支援；
若评价定级为三级，则该组别无人机无法正常执行任务，继续待命。
需要说明的是，当评价定级为二级时，该组别待命无人机先执行一部分的分工任务，剩下部分由该组别其他无人机执行完任务或充电完成后，在有效的任务时限内完成。
本方案中，控制中心通过计算并对比每一架待飞无人机的当前位置到该待飞无人机所在组别分工任务的各个目的地之间的直线距离，依据就近原则，为每一架待飞无人机分配任务。
需要说明的是，根据实际任务规划需求，在续航能力允许的情况下，本发明中所述待飞无人机可以被分配不止一个任务。
本方案中，无人机群与控制中心之间设置有实时通信机制与阶段性通信机制；控制中心可以随时向任意一架无人机发送状态检查指令，被检查无人机收到指令后立即向控制中心发送一个实时状态数据包；在执行任务过程中，无人机群每飞行十分之一的路程，向控制中心发送一个阶段状态数据包。
需要说明的是，所述状态数据包所包括的信息有：飞行方向、飞行速度、海拔高度、当前位置、剩余电量、耗能情况、风速、机身温度、环境温度、环境湿度、大气气压。
本方案中，控制中心对每一架执行任务的无人机进行基于粒子群算法优化的路径规划，具体步骤为：
S1.建立基于粒子群算法优化的路径规划数学模型；
S2.根据无人机当前位置信息及所分配任务目的地的位置信息，获取无人机至任务目的地之间的三维地图；
S3.根据三维地图获取规划路径上障碍物的坐标参数、海拔高度和间隔距离；
S4.获取无人机的实时状态数据或阶段状态数据；
S5.将无人机的状态数据以及所述障碍物的坐标参数、海拔高度和间隔距离输入到路径规划数学模型，求解到达目的地的最优路径；
S6.重复S2到S5。
需要说明的是，本发明中控制中心每收到一个阶段性状态数据包则进行一次基于粒子群算法优化的路径规划；操作者可以根据个人经验判断和综合考量，选择性地为任一无人机规划指定性的路径；同时，操作者可以依据个人意愿，手动在任意时刻进行基于粒子群算法优化的路径规划。
本方案中，所述的粒子群优化算法中所有粒子都有速度向量和位置向量；速度向量影响着自身的搜索方向和距离，位置向量则象征着当前解的优劣；在搜索域中，每个粒子追随种群中适应度值最优的粒子进行搜索，并不断更新自身的速度和位置，具体的更新公式如下：
其中：v为速度，x为位置；i表示第i个粒子；d为维度；个体最优位置为pi，全局最优位置为pg；t为当前的迭代次数；ω为惯性权重；c1、c2为学习因子；r1、r2为分布在[0，1]内的随机数；c1和r1结合减弱粒子在迭代中受自身影响程度，c2和r2结合减弱粒子在迭代中受全局最优影响程度。
需要说明的是，本发明中所述的粒子群优化算法可以根据粒子种群规模的大小相应提高迭代次数，避免陷入局部最优，确保在解空间内求得全局最优解。
本方案中，所述无人机调度***包括数据接收模块、数据分析处理模块、路径规划模块和指令调度模块。
本发明第三方面公开了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于粒子群算法优化的无人机调度方法程序，所述一种基于粒子群算法优化的无人机调度方法程序被处理器执行时，实现上述的一种基于粒子群算法优化的无人机调度方法的步骤。
本发明公开的一种基于粒子群算法优化的无人机调度方法、***和可读存储介质，通过利用粒子群算法优化技术，实现了无人机调度智能化，提高了对无人机群的调度管理效率，有效降低了无人机在执行任务时的飞行能耗。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于粒子群算法优化的无人机调度方法，其特征在于，包括:
控制中心向待命无人机群发送一条任务预备指令；
接收到任务预备指令后，无人机群初始化机身参数，并向控制中心服务器发送一个应答数据包；
控制中心接收到应答数据包后进行综合分析，评价待命无人机与待执行任务的匹配度，确定执行任务的无人机群，针对性地为每一架待飞无人机分配任务；
根据无人机飞行任务初步为每一架待飞无人机规划一条常规路径；
控制中心向待飞无人机群发送一条启动指令后，无人机群开始执行任务；
在执行任务过程中无人机群与控制中心时刻保持通信状态，控制中心根据每一架无人机的实时状态进行基于粒子群算法优化的全程调度。
2.根据权利要求1所述的一种基于粒子群算法优化的无人机调度方法，其特征在于，所述的应答数据包具体包括：无人机的唯一编号、当前IP、位置信息、电量情况、机身参数。
3.根据权利要求1所述的一种基于粒子群算法优化的无人机调度方法，其特征在于，所述进行综合分析的具体过程为：
控制中心根据应答数据包的详细信息，对待命无人机按使用场景进行分组；
确定各使用场景组别的无人机数量、续航能力、位置信息；
根据无人机的唯一编号查询到各使用场景组别的无人机飞行近况和维修历史；
确定各使用场景组别正执行任务无人机的数量、状态信息和任务完成度；
确定各使用场景组别正充电无人机的电量情况；
根据任务数量、任务目的位置、任务性质，确定各组别无人机的分工任务，结合各组别全部无人机的综合信息，对各组别无人机的任务匹配度进行评价定级，共分为一、二、三级；
若评价定级为一级，则该组别无人机可以正常执行并完成任务；
若评价定级为二级，则该组别无人机可以正常执行任务，但需要组别内其他无人机支援；
若评价定级为三级，则该组别无人机无法正常执行任务，继续待命。
4.根据权利要求1所述的一种基于粒子群算法优化的无人机调度方法，其特征在于，控制中心通过计算并对比每一架待飞无人机的当前位置到该待飞无人机所在组别分工任务的各个目的地之间的直线距离，依据就近原则，为每一架待飞无人机分配任务。
5.根据权利要求1所述的一种基于粒子群算法优化的无人机调度方法，其特征在于，无人机群与控制中心之间设置有实时通信机制与阶段性通信机制；控制中心可以随时向任意一架无人机发送状态检查指令，被检查无人机收到指令后立即向控制中心发送一个实时状态数据包；在执行任务过程中，无人机群每飞行十分之一的路程，向控制中心发送一个阶段状态数据包。
6.根据权利要求1所述的一种基于粒子群算法优化的无人机调度方法，其特征在于，控制中心对每一架执行任务的无人机进行基于粒子群算法优化的路径规划，具体步骤为：
S1.建立基于粒子群算法优化的路径规划数学模型；
S2.根据无人机当前位置信息及所分配任务目的地的位置信息，获取无人机至任务目的地之间的三维地图；
S3.根据三维地图获取规划路径上障碍物的坐标参数、海拔高度和间隔距离；
S4.获取无人机的实时状态数据或阶段状态数据；
S5.将无人机的状态数据以及所述障碍物的坐标参数、海拔高度和间隔距离输入到路径规划数学模型，求解到达目的地的最优路径；
S6.重复S2到S5。
7.根据权利要求1所述的一种基于粒子群算法优化的无人机调度方法，其特征在于，所述的粒子群优化算法中所有粒子都有速度向量和位置向量；速度向量影响着自身的搜索方向和距离，位置向量则象征着当前解的优劣；在搜索域中，每个粒子追随种群中适应度值最优的粒子进行搜索，并不断更新自身的速度和位置，具体的更新公式如下：
其中：v为速度，x为位置；i表示第i个粒子；d为维度；个体最优位置为pi，全局最优位置为pg；t为当前的迭代次数；ω为惯性权重；c1、c2为学习因子；r1、r2为分布在[0，1]内的随机数；c1和r1结合减弱粒子在迭代中受自身影响程度，c2和r2结合减弱粒子在迭代中受全局最优影响程度。
8.一种基于粒子群算法优化的无人机调度***，其特征在于，包括存储器和处理器，所述存储器中包括基于粒子群算法优化的无人机调度方法程序，所述基于粒子群算法优化的无人机调度方法程序被所述处理器执行时实现如下步骤：
控制中心向待命无人机群发送一条任务预备指令；
接收到任务预备指令后，无人机群初始化机身参数，并向控制中心服务器发送一个应答数据包；
控制中心接收到应答数据包后进行综合分析，评价待命无人机与待执行任务的匹配度，确定执行任务的无人机群，针对性地为每一架待飞无人机分配任务；
根据无人机飞行任务初步为每一架待飞无人机规划一条常规路径；
控制中心向待飞无人机群发送一条启动指令后，无人机群开始执行任务；
在执行任务过程中无人机群与控制中心时刻保持通信状态，控制中心根据每一架无人机的实时状态进行基于粒子群算法优化的全程调度。
9.根据权利要求8所述的一种基于粒子群算法优化的无人机调度***，其特征在于，所述无人机调度***包括数据接收模块、数据分析处理模块、路径规划模块和指令调度模块。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括机器的一种基于粒子群算法优化的无人机调度方法程序，所述一种基于粒子群算法优化的无人机调度方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种基于粒子群算法优化的无人机调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481908.4A CN111580561A (zh) | 2020-05-28 | 2020-05-28 | 基于粒子群算法优化的无人机调度方法、***和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010481908.4A CN111580561A (zh) | 2020-05-28 | 2020-05-28 | 基于粒子群算法优化的无人机调度方法、***和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111580561A true CN111580561A (zh) | 2020-08-25 |
Family
ID=72116007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010481908.4A Withdrawn CN111580561A (zh) | 2020-05-28 | 2020-05-28 | 基于粒子群算法优化的无人机调度方法、***和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111580561A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064449A (zh) * | 2021-03-31 | 2021-07-02 | 广东电网有限责任公司电力调度控制中心 | 一种无人机调度方法及*** |
| CN114326805A (zh) * | 2021-12-28 | 2022-04-12 | 广东电网有限责任公司 | 无人机架空线路巡检协同控制方法、***和存储介质 |
| CN115187005A (zh) * | 2022-06-23 | 2022-10-14 | 中国人民公安大学 | 调度方法、装置、设备及存储介质 |
| CN116679758A (zh) * | 2023-08-04 | 2023-09-01 | 江西现代职业技术学院 | 一种无人机调度方法、***、计算机及可读存储介质 |
| TWI814544B (zh) * | 2022-08-18 | 2023-09-01 | 中華電信股份有限公司 | 基於無人機的飛行點位來產生飛行最佳軌跡的電子裝置及方法 |
| WO2024114545A1 (zh) * | 2022-11-30 | 2024-06-06 | 亿航智能设备（广州）有限公司 | 无人驾驶航空器的管控调配方法、***和可读存储介质 |
-
2020
- 2020-05-28 CN CN202010481908.4A patent/CN111580561A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064449A (zh) * | 2021-03-31 | 2021-07-02 | 广东电网有限责任公司电力调度控制中心 | 一种无人机调度方法及*** |
| CN113064449B (zh) * | 2021-03-31 | 2024-03-12 | 广东电网有限责任公司电力调度控制中心 | 一种无人机调度方法及*** |
| CN114326805A (zh) * | 2021-12-28 | 2022-04-12 | 广东电网有限责任公司 | 无人机架空线路巡检协同控制方法、***和存储介质 |
| CN114326805B (zh) * | 2021-12-28 | 2024-06-21 | 广东电网有限责任公司 | 无人机架空线路巡检协同控制方法、***和存储介质 |
| CN115187005A (zh) * | 2022-06-23 | 2022-10-14 | 中国人民公安大学 | 调度方法、装置、设备及存储介质 |
| TWI814544B (zh) * | 2022-08-18 | 2023-09-01 | 中華電信股份有限公司 | 基於無人機的飛行點位來產生飛行最佳軌跡的電子裝置及方法 |
| WO2024114545A1 (zh) * | 2022-11-30 | 2024-06-06 | 亿航智能设备（广州）有限公司 | 无人驾驶航空器的管控调配方法、***和可读存储介质 |
| CN116679758A (zh) * | 2023-08-04 | 2023-09-01 | 江西现代职业技术学院 | 一种无人机调度方法、***、计算机及可读存储介质 |
| CN116679758B (zh) * | 2023-08-04 | 2023-10-17 | 江西现代职业技术学院 | 一种无人机调度方法、***、计算机及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111580561A (zh) | 基于粒子群算法优化的无人机调度方法、***和可读存储介质 | |
| Zhou et al. | Multi-agent reinforcement learning for order-dispatching via order-vehicle distribution matching | |
| Zhang et al. | Learning-based energy-efficient data collection by unmanned vehicles in smart cities | |
| CN110428111B (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
| Fu et al. | Secure multi-UAV collaborative task allocation | |
| Zorbas et al. | Optimal drone placement and cost-efficient target coverage | |
| Cui et al. | Offloading autonomous driving services via edge computing | |
| CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
| de Moraes et al. | Distributed control for groups of unmanned aerial vehicles performing surveillance missions and providing relay communication network services | |
| CN111626619A (zh) | 基于云雾混合计算的无人机群任务分配方法、***和可读存储介质 | |
| Khochare et al. | Heuristic algorithms for co-scheduling of edge analytics and routes for UAV fleet missions | |
| Shahzaad et al. | Resilient composition of drone services for delivery | |
| CN114911255B (zh) | 一种面向通信中继保障的异构多无人机协同航迹规划方法 | |
| Huang et al. | A novel hybrid discrete grey wolf optimizer algorithm for multi-UAV path planning | |
| CN115202849B (zh) | 一种支持边缘计算的多无人机任务分配与路径规划方法 | |
| Kiam et al. | An ai-based planning framework for HAPS in a time-varying environment | |
| Zhu et al. | Idle-vehicle rebalancing coverage control for ride-sourcing systems | |
| Han et al. | Dynamic collaborative charging algorithm for mobile and static nodes in Industrial Internet of Things | |
| CN114326827A (zh) | 一种无人机集群多任务动态分配方法及*** | |
| Wang et al. | Robotic wireless energy transfer in dynamic environments: system design and experimental validation | |
| Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
| Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
| Yang et al. | Learning graph-enhanced commander-executor for multi-agent navigation | |
| CN116627168A (zh) | 基于dwa算法的电力巡线无人机路径规划方法、存储介质和装置 | |
| CN112867023B (zh) | 一种通过动态调度无人终端最小化感知数据获取时延方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200825 |
|
| WW01 | Invention patent application withdrawn after publication |