CN113703488A - 基于改进蚁群算法的多架次作业植保无人机路径规划方法 - Google Patents

基于改进蚁群算法的多架次作业植保无人机路径规划方法 Download PDF

Info

Publication number
CN113703488A
CN113703488A CN202111122205.3A CN202111122205A CN113703488A CN 113703488 A CN113703488 A CN 113703488A CN 202111122205 A CN202111122205 A CN 202111122205A CN 113703488 A CN113703488 A CN 113703488A
Authority
CN
China
Prior art keywords
path
unmanned aerial
aerial vehicle
point
plant protection
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Withdrawn
Application number
CN202111122205.3A
Other languages
English (en)
Inventor
徐止政
于全友
段纳
程义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
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 Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN202111122205.3A priority Critical patent/CN113703488A/zh
Publication of CN113703488A publication Critical patent/CN113703488A/zh
Withdrawn legal-status Critical Current

Links

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
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于改进蚁群算法的多架次作业植保无人机路径规划方法，所述方法包括以下步骤：通过扫描线的方式生成植保无人机的作业路径端点集，根路径生成算法里的约束条件，删去多余的作业路径端点，相邻的作业路径端点依次两两配组成植保无人机的作业路径集，在
Figure DEST_PATH_IMAGE002
内对植保无人机的航向遍历寻优，选择作业路径个数最少作业路径集；通过改进蚁群算法对作业路径进行排序并选择合适的位置返航补给。本发明能够快速选取最佳路径，有效提高植保无人机的工作效率。

Description

基于改进蚁群算法的多架次作业植保无人机路径规划方法
技术领域
本发明涉及路径规划领域，具体涉及一种基于改进蚁群算法的多架次作业植保无人机路径规划方法。
背景技术
多旋翼植保无人机与传统植保机械相比具有效率高、成本低、地形适应性强、操作灵活等优点，得到广泛应用。传统的路径规划方法有人工势场法、Dijstra算法等。随着障碍物增多，问题规模复杂度不断增加，传统算法存在一定局限性，因此一些仿生智能优化算法应运而生，如蚁群算法、粒子群算法、萤火虫算法等。
植保无人机再进行喷施作业时作业区域面积较大，需多次更换电池和补给物料才能完成一次作业任务，一般植保无人机喷施的路线为牛耕往复法，其路线图为图4所示。植保无人机在喷施作业中很有可能电池的续航时间不足，这无可避免的会涉及到植保无人机的返航补给的问题。
蚁群算法是一种模拟蚂蚁觅食行为的模拟优化算法，适用于处理旅行商问题，能够以转移路径最短为目标，得出较优的节点排序。其基本思路为：蚁群分批次出发，每只蚂蚁选择一条遍历各节点的路线，并在路线上留下信息素，总长度较短的路线上信息素较多，后来的蚂蚁会选择信息素浓度较高路径，随着批次增多，总长度较短的路线上信息素不断积累，最终，蚁群会集中到信息素最多的路线上。
考虑植保无人机续航时间的作业路径的排序问题与DTSP（动态旅行商问题）十分类似，都是对节点遍历且不重复，但是有两点不同之处，首先是一般旅行商问题的节点就是一个点，彼此之间的距离是确定的，而作业路径排序中的“节点”则是一条植保无人机的作业路径，是由两个点组成的线段，彼此之间的距离是不确定的，具有四种可能性。其次DTSP城市节点的动态变化（例如城市坐标改变、城市间路径权重改变、城市增加或消亡等）在优化迭代过程中每间隔若干代发生一次，而无人机由于选择作业路径的不同，生成返航点的数量和位置也不相同，这与动态旅行商问题具有相似的特征，但二者有本质区别。
发明内容
本发明的目的是解决植保无人机电池电量的不足，提供一种基于改进蚁群算法的多架次作业植保无人机路径规划方法，是一种可以得到全局最优节能路径规划的方法，有效节约植保无人机的电池电量。
本发明的目的至少通过如下技术方案之一实现。
基于蚁群算法的无人船节能路径规划方法，包括以下步骤：
步骤1) 用一组间距为植保无人机作业宽幅
Figure 125540DEST_PATH_IMAGE001
的扫描线旋转
Figure 476755DEST_PATH_IMAGE002
后与作业区域边界相交，交点为作业路径端点；
步骤2)删去不符合约束条件的作业路径端点，相邻的作业路径端点依次两两配对，每一对交点之间的连线为植保无人机的作业路径；
步骤3)
Figure 718381DEST_PATH_IMAGE003
在内对植保无人机的航向遍历寻优，重复步骤1)和步骤2)，选择作业路径个数最少的作为最终的植保无人机作业路径集；
步骤4)蚁群算法参数初始化和设定植保无人机的补给点(即起点和终点)
步骤5)随机选取一条植保无人机作业路径起点，判断剩余电量是否能够飞至作业路径终点后仍能返航至补给点，若能够飞到作业路径终点，则作业至终点后转至步骤6)；反之则计算出作业路径中返航点的位置，植保无人机返航补给后再重复步骤5)；
步骤6)判断是否完成所有作业路径，若没完成则根据转移概率公式选择选择下一条作业路径起点，然后再判断剩余电量能否飞至下一条作业路径起点后仍能返航至补给点，若能够飞至返航点，则转至步骤5)；反之则再当前作业路径终点处返航补给，然后再转至步骤5)；若已完成所有作业路径，则转至步骤7)；
步骤7)更新信息素，每次迭代完成，若此时迭代次数小于最大迭代次数，则通过作业路径端点之间、作业路径端点到作业路径和作业路径之间3个的信息素增量矩阵来计算路径上的信息素浓度，若迭代次数大于最大迭代次数，则输出最终作业路径排序优化结果。
进一步地，在步骤2)中，扫描线与多边形作业区域相交时，有几率会出现扫描线与顶点相交的情况，因此会产生两个相同的交点。针对这种情况，可以把重合的两个点视作一个作业路径端点，再对该顶点的左右顶点进行判断，若左右顶点的纵坐标同时大于或小于该顶点的纵坐标，则从作业路径端点集中删掉该点。如若不是，则该点视为作业路径端点，再依次两两配对生成植保无人机作业路径集。
进一步地，步骤6)中，改进蚁群算法中，通过转移概率公式来选择下一条作业路径，转移概率公式如下：
Figure 885182DEST_PATH_IMAGE004
其中
Figure 200757DEST_PATH_IMAGE005
分别是作业路径的终点和起点；
Figure 801503DEST_PATH_IMAGE006
为第
Figure 264845DEST_PATH_IMAGE007
只蚂蚁从
Figure 796190DEST_PATH_IMAGE008
到的转移概率；为信息素因子；
Figure 28588DEST_PATH_IMAGE009
为启发函数因子；
Figure 800235DEST_PATH_IMAGE010
为在
Figure 750873DEST_PATH_IMAGE011
时刻作业路径终点到作业路径起点
Figure 571062DEST_PATH_IMAGE012
的信息素；
Figure 611961DEST_PATH_IMAGE013
为在
Figure 554509DEST_PATH_IMAGE011
时刻作业路径终点到作业路径起点
Figure 930127DEST_PATH_IMAGE012
的启发函数，启发函数为距离的倒数；
Figure 616323DEST_PATH_IMAGE014
为尚未访问过的节点的集合。
考虑植保无人机电池续航能力，每只蚂蚁都可能会生成新的返航点，若返航点位于作业路径上，则会产生一个新的作业路径端点。由于产生了一个新的作业路径端点从而导致原启发函数距离矩阵不准确，因此需要对启发函数实时更新，以保证转移概率函数的准确性。
进一步地，步骤7)中，为了提高改进蚁群算法寻找最优路径的准确性，采取3个的信息素增量矩阵来计算路径上的信息素浓度，信息素更新公式如下：
Figure 823314DEST_PATH_IMAGE015
Figure 123714DEST_PATH_IMAGE016
Figure 48945DEST_PATH_IMAGE017
Figure 210936DEST_PATH_IMAGE018
其中
Figure 538012DEST_PATH_IMAGE019
为信息素挥发因子；
Figure 556783DEST_PATH_IMAGE020
为转移路径上的信息素增量；
Figure 657726DEST_PATH_IMAGE021
为信息素常量；
Figure 685724DEST_PATH_IMAGE022
、
Figure 867307DEST_PATH_IMAGE023
和
Figure 322559DEST_PATH_IMAGE024
分别为第
Figure 956803DEST_PATH_IMAGE025
只蚂蚁以点到点，点到线，线到线为路径所走的总长度。
所有蚂蚁跑完一次视为一次迭代，设置最大迭代次数，达到最大迭代次数即得到全局最优节能路径规划；对于蚂蚁少的路径，其信息素会越来越少，也就是选择的概率会越来越低，蚂蚁多的路径，信息素积累得越来越多，选择的概率越来越高。
相比于现有技术，本发明的优点在于：
更少的作业路径。通过作业路径生成算法求得既能覆盖整个作业区域数量同时最少的作业路径集，植保无人机飞行路径最短即消耗能量最少。
附图说明
图1是本发明的整体流程图；
图2是路径生成算法流程图；
图3是改进的蚁群算法流程图；
图4是植保无人机在矩形区域进行喷施的路线示意图；
图5扫描线与作业区域交点图；
图6是植保无人机返航点的位置示意图；
图7是在规则区域内的改进蚁群算法规划的植保无人机飞行路径图；
图8是在规则区域内的贪婪算法规划的植保无人机飞行路径图；
图9是在不规则区域内的改进蚁群算法规划的植保无人机飞行路径图；
图10是在不规则区域内的贪婪算法规划的植保无人机飞行路径图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图并举实施例，对本发明的具体实施进行详细说明。
如图1所示的一种基于改进蚁群算法的多架次作业植保无人机路径规划的方法主要分为两部分，分别是路径生成算法和改进的蚁群算法。路径生成算法能够帮助植保无人机找到数量最少的作业路径集，改进的蚁群算法对作业路径排序优化，选择植保无人机飞行路径最短的作业路径排序。
步骤1)用一组间距为植保无人机作业宽幅
Figure 460597DEST_PATH_IMAGE001
的扫描线旋转
Figure 762265DEST_PATH_IMAGE002
后与作业区域边界相交，交点为作业路径端点；
步骤2)删去不符合约束条件的作业路径端点，相邻的作业路径端点依次两两配对，每一对交点之间的连线为植保无人机的作业路径；
如图5所示，扫描线与多边形作业区域相交时，有几率会出现扫描线与顶点相交的情况，因此会产生两个相同的交点。扫描线S1与多边形区域边界
Figure 388418DEST_PATH_IMAGE026
和边界
Figure DEST_PATH_IMAGE027
都相交于点
Figure 696909DEST_PATH_IMAGE028
，与边界
Figure 66710DEST_PATH_IMAGE029
和
Figure 222885DEST_PATH_IMAGE030
相交于点
Figure 19940DEST_PATH_IMAGE031
，与边界
Figure 628776DEST_PATH_IMAGE032
和
Figure 474372DEST_PATH_IMAGE033
相交于点
Figure 485053DEST_PATH_IMAGE034
，与边界
Figure 141425DEST_PATH_IMAGE035
、
Figure 237557DEST_PATH_IMAGE036
和
Figure 949161DEST_PATH_IMAGE037
相交于点
Figure 814349DEST_PATH_IMAGE038
、
Figure 890889DEST_PATH_IMAGE039
和
Figure 474317DEST_PATH_IMAGE040
。处理两个点重合的情况时，把重合的两个点视作一个作业路径端点，再依次两两配对，则会得到线段
Figure 989612DEST_PATH_IMAGE041
、
Figure 896257DEST_PATH_IMAGE042
和
Figure 206016DEST_PATH_IMAGE043
，其中有效作业路径为线段
Figure 276740DEST_PATH_IMAGE043
，而
Figure 267830DEST_PATH_IMAGE041
和
Figure 107610DEST_PATH_IMAGE042
则位于多边形作业区域外，这显然是不正确的。
针对上述问题，需要对位于作业区域顶点上的交点的左右顶点进行判断，若左右顶点的纵坐标同时大于或小于该顶点的纵坐标，则从作业路径端点集中删掉该点。如若不是，则该点视为作业路径端点。然后再依次两两配对，构成植保无人机再航向角
Figure 588270DEST_PATH_IMAGE002
下的作业路径集。
步骤3)
Figure 146290DEST_PATH_IMAGE003
在
Figure 737808DEST_PATH_IMAGE044
内对植保无人机的航向遍历寻优，重复步骤1)和步骤2)，选择作业路径个数最少的作为最终的植保无人机作业路径集；
Figure 120510DEST_PATH_IMAGE003
从0°开始，采取以
Figure 37651DEST_PATH_IMAGE045
为步长遍历的方式转到步骤1)，计算在下的作业路径集，优化目标为作业路径数量最少，通过对比每个
Figure 817388DEST_PATH_IMAGE046
的作业路径数量来确定植保无人机的航向角和作业路径集。
步骤4)蚁群算法参数初始化和设定植保无人机的补给点(即起点和终点)
初始化参数，蚂蚁数量
Figure 212597DEST_PATH_IMAGE047
，信息素重要程度因子
Figure 964652DEST_PATH_IMAGE048
，启发函数重要程度因子
Figure 787115DEST_PATH_IMAGE049
，信息素挥发系数
Figure 54148DEST_PATH_IMAGE050
，信息素强度系数
Figure 253048DEST_PATH_IMAGE051
、迭代次数
Figure 921927DEST_PATH_IMAGE052
等。设置植保无人机的出发点、终点和补给点为一点。
步骤5)随机选取一条植保无人机作业路径起点，判断剩余电量是否能够飞至作业路径终点后仍能返航至补给点，若能够飞到作业路径终点，则作业至终点后转至步骤6)；反之则计算出作业路径中返航点的位置，植保无人机返航补给后再重复步骤5)；
选取一条植保无人机作业路径起点，通过起点序号的奇偶来判断作业路径终点的编号，若起点序号为奇数，则终点的序号为起点序号+1；若起点序号为偶数，则终点序号为起点序号-1。
如图6所示，作业路径和转移路径是相间排列的，作业路径为
Figure DEST_PATH_IMAGE053
Figure 39925DEST_PATH_IMAGE054
，转移路径为
Figure 794254DEST_PATH_IMAGE055
Figure 531266DEST_PATH_IMAGE056
。植保无人机电池的消耗量与飞行的累计路程是息息相关的，假设植保无人机每公里消耗的电量是相同的，把剩余电量转化为植保无人机的剩余路程。当植保无人机执行作业任务时，需要对每一条航线的任意点进行剩余电量监测。
对于具有
Figure 743067DEST_PATH_IMAGE057
条作业路径的模型而言，按次序飞行至航点
Figure 172911DEST_PATH_IMAGE058
的累计里程用
Figure 414537DEST_PATH_IMAGE059
来表示，从航点
Figure 689660DEST_PATH_IMAGE058
返航补给的路程为
Figure 333131DEST_PATH_IMAGE060
，植保无人机单次飞行总路程为
Figure 605981DEST_PATH_IMAGE061
，第
Figure 521853DEST_PATH_IMAGE062
条作业路径用
Figure 600667DEST_PATH_IMAGE063
来表示，其中
Figure 98645DEST_PATH_IMAGE064
为作业路径起点编号，
Figure 870292DEST_PATH_IMAGE065
为作业路径终点编号，则植保无人机在返航之前的飞行距离为：
Figure 758613DEST_PATH_IMAGE066
其中
Figure 641119DEST_PATH_IMAGE067
为向上取整符号;
若植保无人机的累计路程满足
Figure 993602DEST_PATH_IMAGE068
，则立即执行返航程序，返航点称为
Figure 636285DEST_PATH_IMAGE069
。当
Figure 74220DEST_PATH_IMAGE070
为作业路径起点时，则从上一条作业路径的终点返航；当
Figure 494837DEST_PATH_IMAGE071
为作业路径终点时，返航点位于当前作业路径上，通过公式
Figure 905089DEST_PATH_IMAGE072
来确定返航点
Figure 18539DEST_PATH_IMAGE073
的具***置
步骤6)判断是否完成所有作业路径，若没完成则根据转移概率公式选择选择下一条作业路径起点，然后再判断剩余电量能否飞至下一条作业路径起点后仍能返航至补给点，若能够飞至返航点，则转至步骤5)；反之则再当前作业路径终点处返航补给，然后再转至步骤5)；若已完成所有作业路径，则转至步骤7)；
改进蚁群算法中，通过转移概率公式来选择下一条作业路径，转移概率公式如下：
Figure 943770DEST_PATH_IMAGE004
其中
Figure 168077DEST_PATH_IMAGE005
分别是作业路径的终点和起点；
Figure 229574DEST_PATH_IMAGE006
为第
Figure 638559DEST_PATH_IMAGE007
只蚂蚁从
Figure 51086DEST_PATH_IMAGE008
到
Figure 79085DEST_PATH_IMAGE074
的转移概率；
Figure 260667DEST_PATH_IMAGE075
为信息素因子；
Figure 138756DEST_PATH_IMAGE009
为启发函数因子；
Figure 38579DEST_PATH_IMAGE010
为在
Figure 604689DEST_PATH_IMAGE011
时刻作业路径终点
Figure 906357DEST_PATH_IMAGE076
到作业路径起点
Figure 266932DEST_PATH_IMAGE012
的信息素；
Figure 591734DEST_PATH_IMAGE013
为在
Figure 961535DEST_PATH_IMAGE011
时刻作业路径终点
Figure 852131DEST_PATH_IMAGE076
到作业路径起点
Figure 649186DEST_PATH_IMAGE012
的启发函数，启发函数为
Figure 444972DEST_PATH_IMAGE005
距离的倒数；
Figure 618464DEST_PATH_IMAGE014
为尚未访问过的节点的集合。
步骤7)更新信息素，每次迭代完成，若此时迭代次数小于最大迭代次数，则通过作业路径端点之间、作业路径端点到作业路径和作业路径之间3个的信息素增量矩阵来计算路径上的信息素浓度，若迭代次数大于最大迭代次数，则输出最终作业路径排序优化结果。
为了提高改进蚁群算法寻找最优路径的准确性，采取3个的信息素增量矩阵来计算路径上的信息素浓度，信息素更新公式如下：
Figure 629146DEST_PATH_IMAGE077
Figure 597102DEST_PATH_IMAGE015
Figure 693234DEST_PATH_IMAGE016
Figure 342521DEST_PATH_IMAGE017
Figure 207709DEST_PATH_IMAGE018
其中
Figure 34982DEST_PATH_IMAGE019
为信息素挥发因子；
Figure 618410DEST_PATH_IMAGE020
为转移路径上的信息素增量；
Figure 805809DEST_PATH_IMAGE021
为信息素常量；
Figure 791082DEST_PATH_IMAGE022
、
Figure 100841DEST_PATH_IMAGE023
和
Figure 171565DEST_PATH_IMAGE024
分别为第
Figure 411922DEST_PATH_IMAGE025
只蚂蚁以点到点，点到线，线到线为路径所走的总长度。
所有蚂蚁跑完一次视为一次迭代，设置最大迭代次数，达到最大迭代次数即得到全局最优节能路径规划；对于蚂蚁少的路径，其信息素会越来越少，也就是选择的概率会越来越低，蚂蚁多的路径，信息素积累得越来越多，选择的概率越来越高。
首先在规则区域内进行试验，实验结果如图7和图8所示，改进蚁群算法相比单一的贪婪算法大大减少了无人机的转弯次数和飞行距离，改进后的蚁群算法在搜索初期就避免了盲目性、有良好的正反馈，提高了算法的收敛速度，获得最优解。
为了进一步验证复杂环境中本发明改进蚁群算法的适应性和有效性，采取多个复杂的多边形作业区域来实验，实验结果如图9和图10所示，改进蚁群算法同样比贪婪算法在飞行距离上优越约11%。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (4)

1.一种基于改进蚁群算法的多架次作业植保无人机路径规划方法，其特征在于，包括以下步骤：
步骤1)用一组间距为植保无人机作业宽幅
Figure 887266DEST_PATH_IMAGE001
的扫描线旋转
Figure 194751DEST_PATH_IMAGE002
后与作业区域边界相交，交点为作业路径端点；
步骤2)删去不符合约束条件的作业路径端点，相邻的作业路径端点依次两两配对，每一对交点之间的连线为植保无人机的作业路径；
步骤3)在
Figure 85346DEST_PATH_IMAGE003
内对植保无人机的航向遍历寻优，重复步骤1)和步骤2)，选择作业路径个数最少的作为最终的植保无人机作业路径集；
步骤4)蚁群算法参数初始化和设定植保无人机的补给点(即起点和终点)
Figure 882401DEST_PATH_IMAGE004
；
步骤5)随机选取一条植保无人机作业路径起点，判断剩余电量是否能够飞至作业路径终点后仍能返航至补给点，若能够飞到作业路径终点，则作业至终点后转至步骤6)；反之则计算出作业路径中返航点的位置，植保无人机返航补给后再重复步骤5)；
步骤6)判断是否完成所有作业路径，若没完成则根据转移概率公式选择选择下一条作业路径起点，然后再判断剩余电量能否飞至下一条作业路径起点后仍能返航至补给点，若能够飞至返航点，则转至步骤5)；反之则再当前作业路径终点处返航补给，然后再转至步骤5)；若已完成所有作业路径，则转至步骤7)；
步骤7)更新信息素，每次迭代完成，若此时迭代次数小于最大迭代次数，则通过作业路径端点之间、作业路径端点到作业路径和作业路径之间3个的信息素增量矩阵来计算路径上的信息素浓度，若迭代次数大于最大迭代次数，则输出最终作业路径排序优化结果。
2.根据权利要求1所述的改进蚁群算法的多架次作业植保无人机路径规划方法，其特征在于，步骤2)中，扫描线与多边形作业区域相交时，有几率会出现扫描线与顶点相交的情况，因此会产生两个相同的交点，针对这种情况，可以把重合的两个点视作一个作业路径端点，再对该顶点的左右顶点进行判断，若左右顶点的纵坐标同时大于或小于该顶点的纵坐标，则从作业路径端点集中删掉该点，如若不是，则该点视为作业路径端点，再依次两两配对生成植保无人机作业路径集。
3.根据权利要求1所述的改进蚁群算法的多架次作业植保无人机路径规划方法，其特征在于，步骤6)中，改进蚁群算法中，通过转移概率公式来选择下一条作业路径，转移概率公式如下：
Figure 865138DEST_PATH_IMAGE005
其中
Figure 38630DEST_PATH_IMAGE006
分别是作业路径的终点和起点；
Figure 49312DEST_PATH_IMAGE007
为第
Figure 954951DEST_PATH_IMAGE008
只蚂蚁从
Figure 51083DEST_PATH_IMAGE009
到
Figure 762687DEST_PATH_IMAGE010
的转移概率；
Figure 627875DEST_PATH_IMAGE011
为信息素因子；为启发函数因子；
Figure 766732DEST_PATH_IMAGE012
为在时刻作业路径终点
Figure 287843DEST_PATH_IMAGE009
到作业路径起点的信息素；
Figure 475242DEST_PATH_IMAGE013
为在时刻作业路径终点
Figure 460516DEST_PATH_IMAGE009
到作业路径起点
Figure 770274DEST_PATH_IMAGE010
的启发函数，启发函数为
Figure 280146DEST_PATH_IMAGE006
距离的倒数；
Figure 333553DEST_PATH_IMAGE014
为尚未访问过的节点的集合，
考虑植保无人机电池续航能力，每只蚂蚁都可能会生成新的返航点，若返航点位于作业路径上，则会产生一个新的作业路径端点，
由于产生了一个新的作业路径端点从而导致原启发函数距离矩阵不准确，因此需要对启发函数实时更新，以保证转移概率函数的准确性。
4.根据权利要求1所述的改进蚁群算法的多架次作业植保无人机路径规划方法，其特征在于，步骤7)中，为了提高改进蚁群算法寻找最优路径的准确性，采取3个的信息素增量矩阵来计算路径上的信息素浓度，信息素更新公式如下：
Figure 111016DEST_PATH_IMAGE015
其中
Figure 591676DEST_PATH_IMAGE016
Figure 884117DEST_PATH_IMAGE017
Figure 741215DEST_PATH_IMAGE018
Figure 373184DEST_PATH_IMAGE019
其中
Figure 24746DEST_PATH_IMAGE020
为信息素挥发因子；
Figure 7745DEST_PATH_IMAGE021
为转移路径上的信息素增量；
Figure 402954DEST_PATH_IMAGE022
为信息素常量；
Figure 387966DEST_PATH_IMAGE023
、
Figure 476007DEST_PATH_IMAGE024
和分别为第
Figure 743041DEST_PATH_IMAGE025
只蚂蚁以点到点，点到线，线到线为路径所走的总长度。
CN202111122205.3A 2021-09-24 2021-09-24 基于改进蚁群算法的多架次作业植保无人机路径规划方法 Withdrawn CN113703488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111122205.3A CN113703488A (zh) 2021-09-24 2021-09-24 基于改进蚁群算法的多架次作业植保无人机路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111122205.3A CN113703488A (zh) 2021-09-24 2021-09-24 基于改进蚁群算法的多架次作业植保无人机路径规划方法

Publications (1)

Publication Number Publication Date
CN113703488A true CN113703488A (zh) 2021-11-26

Family

ID=78661752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111122205.3A Withdrawn CN113703488A (zh) 2021-09-24 2021-09-24 基于改进蚁群算法的多架次作业植保无人机路径规划方法

Country Status (1)

Country Link
CN (1) CN113703488A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114326804A (zh) * 2021-12-28 2022-04-12 广州极飞科技股份有限公司 航线规划方法、作业控制方法及相关装置
CN114764251A (zh) * 2022-05-13 2022-07-19 电子科技大学 一种基于能耗模型的多智能体协同搜索节能方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114326804A (zh) * 2021-12-28 2022-04-12 广州极飞科技股份有限公司 航线规划方法、作业控制方法及相关装置
CN114326804B (zh) * 2021-12-28 2023-06-09 广州极飞科技股份有限公司 航线规划方法、作业控制方法及相关装置
CN114764251A (zh) * 2022-05-13 2022-07-19 电子科技大学 一种基于能耗模型的多智能体协同搜索节能方法
CN114764251B (zh) * 2022-05-13 2023-10-10 电子科技大学 一种基于能耗模型的多智能体协同搜索节能方法

Similar Documents

Publication Publication Date Title
CN103699135B (zh) 无人直升机农药喷洒农田作业区域的航迹自动规划方法
CN110941261B (zh) 一种自主式水下航行器多区域遍历路径规划方法
CN104503464B (zh) 基于计算机的凸多边形农田无人机喷洒作业航迹规划方法
CN110530388B (zh) 多agv的路径规划方法及***
CN107037827B (zh) 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
CN113703488A (zh) 基于改进蚁群算法的多架次作业植保无人机路径规划方法
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN107622327A (zh) 基于文化蚁群搜索机制的多无人机航迹规划方法
CN105841702A (zh) 一种基于粒子群优化算法的多无人机航路规划方法
CN109357685A (zh) 航路网生成方法、装置及存储介质
CN111323016A (zh) 一种基于自适应蚁群算法的移动机器人路径规划方法
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
Li et al. Mobile robot path planning based on improved genetic algorithm with A-star heuristic method
CN111189455B (zh) 一种无人机航路规划方法、***及存储介质
CN115454132A (zh) 一种面向山地光伏电站的无人机巡检三维路径规划方法及***
Yu et al. Balanced multi-region coverage path planning for unmanned aerial vehicles
Lu et al. Tmstc*: A path planning algorithm for minimizing turns in multi-robot coverage
Wang et al. Autonomous vehicles path planning with enhanced ant colony optimization
CN113649206A (zh) 一种用于船体建造喷漆的轨迹生成优化方法
CN113589841A (zh) 无人机航线生成方法、无人机及计算机可读存储介质
Gao et al. Competitive self-organizing neural network based UAV path planning
Huang et al. A multi-robot coverage path planning algorithm based on improved darp algorithm
Cheng et al. Route planning of mixed ant colony algorithm based on Dubins path
Zhang et al. Research on complete coverage path planning for unmanned surface vessel
CN114911254A (zh) 基于Laguerre图的无人机突防路径规划方法

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: 20211126

WW01 Invention patent application withdrawn after publication