CN113778127A - 基于遗传算法的无人机侦察路径规划方法及装置 - Google Patents
基于遗传算法的无人机侦察路径规划方法及装置 Download PDFInfo
- Publication number
- CN113778127A CN113778127A CN202111109683.0A CN202111109683A CN113778127A CN 113778127 A CN113778127 A CN 113778127A CN 202111109683 A CN202111109683 A CN 202111109683A CN 113778127 A CN113778127 A CN 113778127A
- Authority
- CN
- China
- Prior art keywords
- reconnaissance
- unmanned aerial
- aerial vehicle
- task
- point
- 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.)
- Granted
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000000203 mixture Substances 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000004083 survival effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种基于遗传算法的无人机侦察路径规划方法和装置。所述方法包括:从态势地图中获取待侦察任务目标,通过高斯混合模型的期望最大化算法,得到无人机在待侦察任务子区域内的初始位置;设置无人机侦察的约束条件和目标函数;得到无人机所分配的最优侦察点位集合,然后将侦察点位集合的最短路径总长度作为目标函数,建立第二求解模型;通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解,根据无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。采用本方法能够提高无人机持续侦察效率。
Description
技术领域
本申请涉及无人机技术领域,特别是涉及一种基于遗传算法的无人机侦察路径规划方法、装置、计算机设备和存储介质。
背景技术
随着越来越多的自然或是人为的灾害发生,这些灾害如地震、核泄漏、大型火灾等不但造成了人民群众不可挽回的财产损失,更严重地威胁到了人民群众的生命安全。随着近年来无人机技术的发展以及人工智能的兴起,智能化无人机侦测***也逐渐成为了无人机领域研究的一个热点。但是,面对大面积的灾区持续侦察,单个无人机由于航程以及自身信息传输带宽的限制开始显得力不从心,无人机蜂群的持续侦察成为一种较为完美的解决方案,虽然无人机蜂群的持续侦察已经有学者在研究,但是无人机蜂群持续侦察的相关理论仍然不够成熟,大多数仍停留在理论阶段,距离实际应用仍有一段距离。
目前在蜂群无人机对指定区域持续侦察智能优化优化方面仍然存在短板,无人机的研究大多集中在单个无人机的功能与优化。目前无人机蜂群大多用于民用的夜景无人机灯光展示,军事领域蜂群无人机也刚刚有所发展,在更高层次应用仍有欠缺。如何实现多无人机群持续侦察的智能化、高效化仍是急需解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够无人机持续侦察效率的基于遗传算法的无人机侦察路径规划方法、装置、计算机设备和存储介质。
一种基于遗传算法的无人机侦察路径规划方法,所述方法包括:
获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;
将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图;
从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;
根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察力参数是根据任务紧急度参数确定的;
根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型;
通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合;
根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;
通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;
根据无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
在其中一个实施例中,通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解,包括:
对第二求解模型中的目标函数进行求解,得到无人机侦察路径规划问题的候选解;
将目标函数的倒数作为无人机侦察路径规划问题的适应度函数;
根据适应度函数,对无人机侦察路径规划问题的候选解进行计算,得到候选解的适应度;
根据遗传算法中的引入了轮盘赌的选择算子对候选解的适应度进行选择,得到候选解中存活概率最大的第一近似解;
根据部分匹配交叉算子对第一近似解进行交叉操作,得到第二近似解;
通过变异算子对第二近似解进行变异操作,得到无人机侦察路径规划问题的最优解。
在其中一个实施例中,将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图,包括:
根据任务紧急度参数和待侦察点的位置,得到态势地图的信息矩阵T;根据态势地图的信息矩阵,建立态势地图;
其中,T的表达式如下:
T={(x1,y1,e1),(x1,y1,e2),....,((xi,yi,ei))}
xi代表序号为i的待侦察点的x坐标,yi代表序号为i的待侦察点的y坐标,ei代表序号为i的待侦察点的任务紧急度。
在其中一个实施例中,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置,包括:
通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析得到无人机待侦察任务目标子区域和无人机在侦察任务子区域内的期望最大的均值,将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置。
在其中一个实施例中,根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察力参数是根据任务紧急度参数确定的,包括:
根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件,约束条件如下:
∑rj≤Lmax,(xj,yj)∈Mi
S(j)=1,(xj,yj)∈Mi
∑Ri≤Rmax,(xj,yj)∈Mi
其中,Mi表示第i架无人机待侦察任务目标子区域,rj表示无人机与周边的待侦察点的距离,Lmax表示无人机与待侦察点位之间欧氏距离和限制值,Ri表示侦察力参数,Rmax表示无人机最大侦察力,(xj,yj)表示无人机在待侦察任务子区域内的初始位置,S(j)表示侦察状态向量,1表示该待侦察点未被侦察。
在其中一个实施例中,无人机待侦察任务分配的目标函数为:maxW=∑e,(xj,yj)∈Mi,其中e表示任务紧急度。
在其中一个实施例中,侦察力参数是根据任务紧急度参数确定的,包括:
Ri=α×e2,α=0.01
其中,α表示侦察力参数与任务紧急度的平方之间的比例系数。
在其中一个实施例中,根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型,包括:
根据无人机所分配的最优侦察点位集合Mi,集合Mi一共有k个元素,则数学表达式为Mi={(xi1,yi1),(xi2,yi2),...(xik,yik)};
其中,xik代表第i个无人机的最优侦察点位集合中第k个点位的x维度坐标值,yik代表第i个无人机的最优侦察点位集合中第k个点位的y维度坐标值。
根据数学表达式,确定各个待侦察点之间的距离矩阵为D,
其中,dk1表示从第k个侦察点位到第1个侦察点位的距离;
根据距离矩阵,建立第二求解模型为:
其中,无人机对任务目标点的访问顺序为V={v1,v2,v3,...,vk},vj∈Mi,j代表无人机任务集合中的访问序号,vj代表访问顺序为j的点。
一种基于遗传算法的无人机侦察路径规划装置,所述装置包括:
获取态势地图模块,用于获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图;
获取初始位置模块,用于从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;所述聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;
建立求解模型模块,用于根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型;
获取最优侦察点位集合模块,用于通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合;
建立第二求解模型模块,用于根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;
侦察路径规划模块,用于通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;根据无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;
将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图;
从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;所述聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;
根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察力参数是根据任务紧急度参数确定的;
根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型;
通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合;
根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;
通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;
根据无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;
将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图;
从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;所述聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;
根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察力参数是根据任务紧急度参数确定的;
根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型;
通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合;
根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;
通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;
根据无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
上述基于遗传算法的无人机侦察任务规划方法、装置、计算机设备和存储介质,首先获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图;从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;在实际中,无人机蜂群是从同一起飞场地起飞,根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;通过约束条件可以对无人机的侦察任务进行一个优化,将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察状态向量设置为未被侦察状态,使得无人机的待侦察点位是需要侦察的点位,节省时间成本,侦察力参数是根据任务紧急度参数确定的;当任务紧急度参数增大时无人机侦察力度随着增大,根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型;通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;该最优解是无人机所分配的侦察点位集合的最短路径,根据最短路径对无人机侦察路径进行规划,可以提高单个无人机的侦察效率,进而提高整个无人机蜂群完成侦察任务的效率。
附图说明
图1为一个实施例中基于遗传算法的无人机侦察路径规划方法的流程示意图;
图2为一个实施例中基于遗传算法的无人机侦察路径规划装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图2所示,提供了一种基于遗传算法的无人机侦察路径规划方法,包括以下步骤:
步骤102,获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图。
态势地图是指反映发展趋势,为适时分析决策提供服务的地图,无人机持续侦察任务往往是在很长的时间内,跨越地理上很多分散的点,针对上述问题,本申请建立一个态势地图为无人机侦察任务提供待侦察目标,包括待侦察目标的位置和个数。在无人机蜂群持续侦察的过程中,态势地图会依据无人机持续侦察所要求的时间间隔进行自动更新。
步骤104,从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置。
通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析是指将待侦察任务目标按照位置特征进行划分,得到多个待侦察任务目标子区域,然后计算无人机在侦察任务子区域内的期望最大的均值,得到每架无人机在待侦察任务子区域内的初始位置,基于每架无人机在待侦察任务子区域内的初始位置,设置无人机的最优起飞位置。
步骤106,根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型。
无人机的电池续航能力有限,使得无人机蜂群的持续侦察变得困难,为满足两次侦察之间的时间间隔的限制的同时兼顾无人机续航限制,本申请中对无人机的起飞位置与待侦察点位之间的距离之和进行限制,同时,待侦察点位必须是未被侦察过的点位,由于单个无人机的侦察能力是有限的,则对于单个无人机分配的任务点集中,其所有的点位的侦察力加和必须有一定的限制,针对上述问题,本申请设置无人机侦察任务分配的约束条件,将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数。对目标函数进行求解,得到无人机所分配的侦察点位集合。
步骤108,通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合。
遗传算法是模拟自然界中自然选择以及进化过程的智能优化算法。遗传算法一般由选择算子、交叉算子、突变算子组成,其初始生成一个随机种群,然后不断地迭代遗传,并通过选择算子进行自然选择,通过交叉算子、突变算子实现种群个体基因突变,进而不断地提高种群的个体的适应度最终得到近似的最优解,通过遗传算法中的修补算子、选择算子、交叉算子和变异算子对求解模型的初始解进行寻优,得到无人机所分配的最优侦察点位集合。利用遗传算法对求解模型进行寻优的过程是一个持续的优化过程,可以为无人机持续侦察任务进行规划。
步骤110,根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型。
第二求解模型是无人机侦察路径规划问题的求解模型,根据无人机所分配的最优侦察点位集合,进行无人机侦察任务规划,得到单个无人机分配的侦察点位集合,获取侦察点位集合中所有侦察点位的坐标,对分配给无人机的所有侦察点位进行遍历,设置无人机所分配的侦察点位集合的最短路径总长度作为目标函数,在约束条件下进行求解得到最短的侦察路径。
步骤112,通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;根据无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
遗传算法用面搜索的模式进行搜索优化,在进行无人机侦察路径规划时,每个侦察点位只侦察一次,针对上述问题,本申请中引入一种部分匹配交叉的交叉算子,该算子随机生成两个交叉点,定义这两个交叉点之间的区域为匹配交叉区域,然后进行交叉,对于交叉后匹配交叉区域以外出现的基因码的重复,根据匹配区域位置逐一替换。通过遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解,该最优解是无人机进行侦察任务时的最短路径。通过最短路径对无人机侦察任务进行路径规划。
上述基于遗传算法的无人机侦察任务规划方法、装置、计算机设备和存储介质,首先获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图;从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;在实际中,无人机蜂群是从同一起飞场地起飞,根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;通过约束条件可以对无人机的侦察任务进行一个优化,将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察状态向量设置为未被侦察状态,使得无人机的待侦察点位是需要侦察的点位,节省时间成本,侦察力参数是根据任务紧急度参数确定的;当任务紧急度参数增大时无人机侦察力度随着增大,根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型;通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;该最优解是无人机所分配的侦察点位集合的最短路径,根据最短路径对无人机侦察路径进行规划,可以提高单个无人机的侦察效率,进而提高整个无人机蜂群完成侦察任务的效率。
在其中一个实施例中,通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解,包括:
对第二求解模型中的目标函数进行求解,得到无人机侦察路径规划问题的候选解;将目标函数的倒数作为无人机侦察路径规划问题的适应度函数;根据适应度函数,对无人机侦察路径规划问题的候选解进行计算,得到候选解的适应度;根据遗传算法中的引入了轮盘赌的选择算子对候选解的适应度进行选择,得到候选解中存活概率最大的第一近似解;根据部分匹配交叉算子对第一近似解进行交叉操作,得到第二近似解;通过变异算子对第二近似解进行变异操作,得到无人机侦察路径规划问题的最优解。
通过遗传算法对第二求解模型进行寻优,采用轮盘赌的机制进行自然选择,由于无人机侦察路径规划问题要求每个侦察点位只访问一次,在本申请中引入部分匹配交叉的交叉算子,随机生成两个交叉点,定义这两个交叉点之间的区域为匹配交叉区域进行交叉,对于交叉后匹配交叉区域以外出现的侦察点位的重复,我们根据匹配区域位置逐一替换,然后通过随机数挑选两个城市,对这两个城市的位置进行调换,进而实现无人机侦察路径规划问题的侦察点的变异,通过交叉、变异,使得解的空间更大,在目标函数的候选解中找到最优解,即无人机进行侦察任务时的最短路径,通过最短路径对无人机侦察路径进行规划。
在其中一个实施例中,将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图,包括:
根据任务紧急度参数和待侦察点的位置,得到态势地图的信息矩阵T;根据态势地图的信息矩阵,建立态势地图;
其中,T的表达式如下:
T={(x1,y1,e1),(x1,y1,e2),....,((xi,yi,ei))}
xi代表序号为i的待侦察点的x坐标,yi代表序号为i的待侦察点的y坐标,ei代表序号为i的待侦察点的任务紧急度。
无人机持续侦察任务往往是在很长的时间内,跨越地理上很多分散的点,针对上述问题,本申请建立一个态势地图为无人机侦察任务提供待侦察目标,包括待侦察目标的位置和个数,在态势地图中设置各个任务目标的紧急度,将各个任务目标的紧急度与待侦察点的位置进行绑定,无人机在侦察过程中可以根据任务目标的紧急度对待侦察点进行访问。
在其中一个实施例中,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置,包括:通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析得到无人机待侦察任务目标子区域和无人机在侦察任务子区域内的期望最大的均值,将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置。
由于无人机蜂群中的无人机是从同一位置起飞,并且无人机的续航时间有限,针对上述问题,本实施例中将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置,其初始位置是无人机在待侦察任务子区域内的最优起飞位置,从最优起飞位置起飞可以提高无人机在有限续航时间内的工作效率,然后对无人机的起飞位置与待侦察点位之间的距离之和进行限制,作为后续无人机待侦察点位分配问题的求解模型的距离约束。
在其中一个实施例中,根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察力参数是根据任务紧急度参数确定的,包括:
根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件,约束条件如下:
∑rj≤Lmax,(xj,yj)∈Mi
S(j)=1,(xj,yj)∈Mi
∑Ri≤Rmax,(xj,yj)∈Mi
其中,Mi表示无人机待侦察任务目标子区域,rj表示无人机与周边的待侦察点的距离,Lmax表示无人机与待侦察点位之间欧氏距离和限制值,Ri表示侦察力参数,Rmax表示无人机最大侦察力,(xj,yj)表示无人机在待侦察任务子区域内的初始位置,S(j)表示侦察状态向量,1表示该待侦察点未被侦察。
设置约束条件,对无人机的起飞位置与待侦察点位之间的距离之和进行限制使得无人机在续航时间内能对待侦察点位进行侦察,对待侦察点位必须是未被侦察过的点位进行限制,节约无人机侦察的时间成本,对所有的点位的侦察力加和进行限制使得单个无人机的侦察力的最大化利用,根据待侦察点位的任务紧急度进行无人机侦察任务分配的目标函数的构建可以提高无人机的侦察效率。
在其中一个实施例中,无人机待侦察任务分配的目标函数为:maxW=∑e,(xj,yj)∈Mi,其中e表示任务紧急度。
该目标函数用来构建无人机待侦察点位分配问题的求解模型。
在其中一个实施例中,侦察力参数是根据任务紧急度参数确定的,包括:
Ri=α×e2,α=0.01
其中,α表示侦察力参数与任务紧急度的平方之间的比例系数。
单个无人机的侦察力是有限的,根据无人机侦察任务紧急度来确定侦察力参数,可以使无人机的侦察力在有限的区间内得到最大化的利用。
在其中一个实施例中,根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型,包括:
根据无人机所分配的最优侦察点位集合Ng,集合Ng一共有K个元素,则数学表达式为Ng={(xi1,yi1),(xi2,yi2),...(xik,yik)};
其中,xik代表第i个无人机的最优侦察点位集合中第k个点位的x维度坐标值,yik代表第i个无人机的最优侦察点位集合中第k个点位的y维度坐标值。
根据数学表达式,确定各个待侦察点之间的距离矩阵为D,
其中,dk1表示从第k个侦察点位到第1个侦察点位的距离;
根据距离矩阵,建立第二求解模型为:
约束条件为V={v1,v2,.......vk},vk∈Ng,其中j代表无人机任务集合中的访问序号,vj代表访问顺序为j的点。
建立无人机侦察路径规划问题的求解模型,对该模型进行求解,可以得到无人机侦察路径的多个候选解,用来作为遗传算法对求解模型进行寻优过程的输入。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种基于遗传算法的无人机侦察路径规划装置,包括:获取态势地图模块202、获取初始位置模块204、建立求解模型模块206、获取最优侦察点位集合模块208、建立第二求解模型模块210和侦察路径规划模块212,其中:
获取态势地图模块202,用于获取待预测区域的地图和地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图。
获取初始位置模块204,用于从态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析,得到聚类结果;聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置。
建立求解模型模块206,用于根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;根据约束条件和目标函数,建立无人机待侦察点位分配问题的求解模型。
获取最优侦察点位集合模块208,用于通过遗传算法对求解模型进行寻优,得到无人机所分配的最优侦察点位集合。
建立第二求解模型模块210,用于根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型。
侦察路径规划模块212,用于通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;根据无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
在其中一个实施例中,侦察路径规划模块212还用于通过引入部分匹配交叉算子的遗传算法对第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解,包括:对第二求解模型中的目标函数进行求解,得到无人机侦察路径规划问题的候选解;将目标函数的倒数作为无人机侦察路径规划问题的适应度函数;根据适应度函数,对无人机侦察路径规划问题的候选解进行计算,得到候选解的适应度;根据遗传算法中的引入了轮盘赌的选择算子对候选解的适应度进行选择,得到候选解中存活概率最大的第一近似解;根据部分匹配交叉算子对第一近似解进行交叉操作,得到第二近似解;通过变异算子对第二近似解进行变异操作,得到无人机侦察路径规划问题的最优解。
在其中一个实施例中,获取态势地图模块202还用于将任务紧急度参数和待侦察点的位置进行绑定,得到态势地图,包括:
根据任务紧急度参数和待侦察点的位置,得到态势地图的信息矩阵T;根据态势地图的信息矩阵,建立态势地图;
其中,T的表达式如下:
T={(x1,y1,e1),(x1,y1,e2),....,((xi,yi,ei))}
xi代表序号为i的待侦察点的x坐标,yi代表序号为i的待侦察点的y坐标,ei代表序号为i的待侦察点的任务紧急度。
在其中一个实施例中,获取初始位置模块204还用于通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析得到无人机待侦察任务目标子区域和无人机在侦察任务子区域内的期望最大的均值,将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置。
在其中一个实施例中,建立求解模型模块206还用于根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,侦察状态向量用于标记待侦察点位的侦察状态,侦察力参数是根据任务紧急度参数确定的,包括:
根据初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件,约束条件如下:
∑rj≤Lmax,(xj,yj)∈Mi
S(j)=1,(xj,yj)∈Mi
∑Ri≤Rmax,(xj,yj)∈Mi
其中,Mi表示无人机待侦察任务目标子区域,rj表示无人机与周边的待侦察点的距离,Lmax表示无人机与待侦察点位之间欧氏距离和限制值,Ri表示侦察力参数,Rmax表示无人机最大侦察力,(xj,yj)表示无人机在待侦察任务子区域内的初始位置,S(j)表示侦察状态向量,1表示该待侦察点未被侦察。
在一个实施例中,建立第二求解模型模块210还用于根据无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型,包括:
根据无人机所分配的最优侦察点位集合Ng,集合Ng一共有K个元素,则数学表达式为Ng={(xi1,yi1),(xi2,yi2),...(xik,yik)};
其中,xik代表第i个无人机的最优侦察点位集合中第k个点位的x维度坐标值,yik代表第i个无人机的最优侦察点位集合中第k个点位的y维度坐标值。
根据数学表达式,确定各个待侦察点之间的距离矩阵为D,
其中,dk1表示从第k个侦察点位到第1个侦察点位的距离;
根据距离矩阵,建立第二求解模型为:
其中,无人机对任务目标点的访问顺序为V={v1,v2,v3,...,vk},vj∈Mi,j代表无人机任务集合中的访问序号,vj代表访问顺序为j的点。
关于基于遗传算法的无人机侦察路径规划装置的具体限定可以参见上文中对于基于遗传算法的无人机侦察路径规划方法的限定,在此不再赘述。上述基于遗传算法的无人机侦察路径规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于遗传算法的无人机侦察路径规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于遗传算法的无人机侦察路径规划方法,其特征在于,所述方法包括:
获取待预测区域的地图和所述地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;
将所述任务紧急度参数和所述待侦察点的位置进行绑定,得到态势地图;
从所述态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对所述待侦察任务目标进行聚类分析,得到聚类结果;所述聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;
根据所述初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,所述侦察状态向量用于标记待侦察点位的侦察状态,所述侦察力参数是根据所述任务紧急度参数确定的;
根据所述约束条件和所述目标函数,建立无人机待侦察点位分配问题的求解模型;
通过遗传算法对所述求解模型进行寻优,得到无人机所分配的最优侦察点位集合;
根据所述无人机所分配的最优侦察点位集合,将无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;
通过引入部分匹配交叉算子的遗传算法对所述第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;
根据所述无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
2.根据权利要求1所述的方法,其特征在于,通过引入部分匹配交叉算子的遗传算法对所述第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解,包括:
对所述第二求解模型中的目标函数进行求解,得到无人机侦察路径规划问题的候选解;
将所述目标函数的倒数作为无人机侦察路径规划问题的适应度函数;
根据所述适应度函数,对无人机侦察路径规划问题的候选解进行计算,得到候选解的适应度;
根据遗传算法中的引入了轮盘赌的选择算子对所述候选解的适应度进行选择,得到候选解中存活概率最大的第一近似解;
根据部分匹配交叉算子对所述第一近似解进行交叉操作,得到第二近似解;
通过变异算子对所述第二近似解进行变异操作,得到无人机侦察路径规划问题的最优解。
3.根据权利要求1所述的方法,其特征在于,将所述任务紧急度参数和所述待侦察点的位置进行绑定,得到态势地图,包括:
根据所述任务紧急度参数和所述待侦察点的位置,得到态势地图的信息矩阵T;根据所述态势地图的信息矩阵,建立态势地图;
其中,T的表达式如下:
T={(x1,y1,e1),(x1,y1,e2),....,((xi,yi,ei))}
xi代表序号为i的待侦察点的x坐标,yi代表序号为i的待侦察点的y坐标,ei代表序号为i的待侦察点的任务紧急度。
4.根据权利要求1所述的方法,其特征在于,通过基于高斯混合模型的期望最大化算法对所述待侦察任务目标进行聚类分析,得到聚类结果;所述聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置,包括:
通过基于高斯混合模型的期望最大化算法对所述待侦察任务目标进行聚类分析,得到无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的期望最大的均值,将所述无人机在待侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置。
5.根据权利要求1所述的方法,其特征在于,根据所述初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;其中,所述侦察状态向量用于标记待侦察点位的侦察状态,所述侦察力参数是根据所述任务紧急度参数确定的,包括:
根据所述初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件,约束条件如下:
7.根据权利要求5所述的方法,其特征在于,所述侦察力参数是根据所述任务紧急度参数确定的,包括:
Ri=α×e2,α=0.01
其中,α表示侦察力参数与任务紧急度的平方之间的比例系数。
8.根据权利要求1至7任一项所述的方法,其特征在于,根据所述无人机所分配的最优侦察点位集合,将所述无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型,包括:
根据所述无人机所分配的最优侦察点位集合Mi,集合Mi一共有k个元素,则数学表达式为Mi={(xi1,yi1),(xi2,yi2),...(xik,yik)};
其中,xik代表第i个无人机的最优侦察点位集合中第k个点位的x维度坐标值,yik代表第i个无人机的最优侦察点位集合中第k个点位的y维度坐标值。
根据所述数学表达式,确定各个待侦察点之间的距离矩阵为D,
其中,dk1表示从第k个侦察点位到第1个侦察点位的距离;
根据所述距离矩阵,建立第二求解模型为:
其中,无人机对任务目标点的访问顺序为V={v1,v2,v3,...,vk},vj∈Mi,j代表无人机任务集合中的访问序号,vj代表访问顺序为j的点。
9.一种基于遗传算法的无人机侦察路径规划装置,其特征在于,所述装置包括:
获取态势地图模块,用于获取待预测区域的地图和所述地图中的待侦察点位的位置和个数;以及获取预先设置的各个侦察任务的任务紧急度参数;将所述任务紧急度参数和所述待侦察点的位置进行绑定,得到态势地图;
获取初始位置模块,用于从所述态势地图中获取待侦察任务目标,通过基于高斯混合模型的期望最大化算法对所述待侦察任务目标进行聚类分析,得到聚类结果;所述聚类结果包括:无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置;
建立求解模型模块,用于根据所述初始位置、侦察状态向量以及侦察力参数,设置无人机侦察的约束条件;以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数;根据所述约束条件和所述目标函数,建立无人机待侦察点位分配问题的求解模型;
获取最优侦察点位集合模块,用于通过遗传算法对所述求解模型进行寻优,得到无人机所分配的最优侦察点位集合;
建立第二求解模型模块,用于根据所述无人机所分配的最优侦察点位集合,将所述无人机所分配的侦察点位集合的最短路径总长度作为目标函数,以各个侦察点位的访问顺序为约束条件,建立第二求解模型;
侦察路径规划模块,用于通过引入部分匹配交叉算子的遗传算法对所述第二求解模型进行寻优,得到无人机侦察路径规划问题的最优解;根据所述无人机侦察路径规划问题的最优解对无人机侦察路径进行规划。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109683.0A CN113778127B (zh) | 2021-09-18 | 2021-09-18 | 基于遗传算法的无人机侦察路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109683.0A CN113778127B (zh) | 2021-09-18 | 2021-09-18 | 基于遗传算法的无人机侦察路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113778127A true CN113778127A (zh) | 2021-12-10 |
CN113778127B CN113778127B (zh) | 2023-02-28 |
Family
ID=78852556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111109683.0A Active CN113778127B (zh) | 2021-09-18 | 2021-09-18 | 基于遗传算法的无人机侦察路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778127B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114545974A (zh) * | 2022-03-02 | 2022-05-27 | 广东翼景信息科技有限公司 | 一种基于智能机场的有能力约束无人机弧路径规划方法 |
CN114553302A (zh) * | 2022-02-25 | 2022-05-27 | 中国电子科技集团公司第三十八研究所 | 一种无人机蜂群实时性协同通信方法 |
CN115246223A (zh) * | 2022-06-06 | 2022-10-28 | 重庆大学 | 一种基于网格遍历的3d打印路径优化方法及*** |
CN116935235A (zh) * | 2023-09-19 | 2023-10-24 | 深圳市索威尔科技开发有限公司 | 基于采茶无人机的新鲜茶叶识别方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN106225797A (zh) * | 2016-06-30 | 2016-12-14 | 银江股份有限公司 | 一种路径规划方法 |
WO2019083528A1 (en) * | 2017-10-25 | 2019-05-02 | Ford Global Technologies, Llc | PROACTIVE DETERMINATIONS OF THE POSITIONING OF VEHICLES |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及*** |
AU2020104224A4 (en) * | 2020-10-30 | 2021-03-11 | Guangdong University Of Technology | Indoor Collaborative Path Planning Method and System for Multi-UAVs in High-rise Fire-fighting Tasks |
CN112859912A (zh) * | 2021-01-11 | 2021-05-28 | 中国人民解放军国防科技大学 | 中继充电模式下无人机路径规划的自适应优化方法与*** |
CN113361765A (zh) * | 2021-05-31 | 2021-09-07 | 大连海事大学 | 一种船载无人机协同监测港口船舶大气污染路径规划的方法 |
-
2021
- 2021-09-18 CN CN202111109683.0A patent/CN113778127B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN106225797A (zh) * | 2016-06-30 | 2016-12-14 | 银江股份有限公司 | 一种路径规划方法 |
WO2019083528A1 (en) * | 2017-10-25 | 2019-05-02 | Ford Global Technologies, Llc | PROACTIVE DETERMINATIONS OF THE POSITIONING OF VEHICLES |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及*** |
AU2020104224A4 (en) * | 2020-10-30 | 2021-03-11 | Guangdong University Of Technology | Indoor Collaborative Path Planning Method and System for Multi-UAVs in High-rise Fire-fighting Tasks |
CN112859912A (zh) * | 2021-01-11 | 2021-05-28 | 中国人民解放军国防科技大学 | 中继充电模式下无人机路径规划的自适应优化方法与*** |
CN113361765A (zh) * | 2021-05-31 | 2021-09-07 | 大连海事大学 | 一种船载无人机协同监测港口船舶大气污染路径规划的方法 |
Non-Patent Citations (5)
Title |
---|
F. PERNKOPF; D. BOUCHAFFRA: "Genetic-based EM algorithm for learning Gaussian mixture models", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 》 * |
MEHREZ BOULARES,AHMED BARNAWI: "A novel UAV path planning algorithm to search for floating objects on the ocean surface based on object’s trajectory prediction by regression", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 * |
Y. VOLKAN PEHLIVANOGLU,PERIHAN PEHLIVANOGLU: "An enhanced genetic algorithm for path planning of autonomous UAV in target coverage problems", 《APPLIED SOFT COMPUTING》 * |
井田: "无人机集群持续侦察自适应协同控制研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
刘佳杰: "基于模体的无人机集群任务规划方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553302A (zh) * | 2022-02-25 | 2022-05-27 | 中国电子科技集团公司第三十八研究所 | 一种无人机蜂群实时性协同通信方法 |
CN114553302B (zh) * | 2022-02-25 | 2023-05-16 | 中国电子科技集团公司第三十八研究所 | 一种无人机蜂群实时性协同通信方法 |
CN114545974A (zh) * | 2022-03-02 | 2022-05-27 | 广东翼景信息科技有限公司 | 一种基于智能机场的有能力约束无人机弧路径规划方法 |
CN114545974B (zh) * | 2022-03-02 | 2023-12-19 | 广东翼景信息科技有限公司 | 一种基于智能机场的有能力约束无人机弧路径规划方法 |
CN115246223A (zh) * | 2022-06-06 | 2022-10-28 | 重庆大学 | 一种基于网格遍历的3d打印路径优化方法及*** |
CN116935235A (zh) * | 2023-09-19 | 2023-10-24 | 深圳市索威尔科技开发有限公司 | 基于采茶无人机的新鲜茶叶识别方法及相关装置 |
CN116935235B (zh) * | 2023-09-19 | 2024-04-05 | 深圳市索威尔科技开发有限公司 | 基于采茶无人机的新鲜茶叶识别方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113778127B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113778127B (zh) | 基于遗传算法的无人机侦察路径规划方法及装置 | |
Wu et al. | Modeling and simulation of dynamic ant colony’s labor division for task allocation of UAV swarm | |
Gong et al. | An effective memetic algorithm for multi-objective job-shop scheduling | |
Tian et al. | Dual-objective scheduling of rescue vehicles to distinguish forest fires via differential evolution and particle swarm optimization combined algorithm | |
Li et al. | An effective hybrid genetic algorithm and tabu search for flexible job shop scheduling problem | |
Kim et al. | Response threshold model based UAV search planning and task allocation | |
Mahdi et al. | Development of estimation and forecasting method in intelligent decision support systems | |
CN113064449B (zh) | 一种无人机调度方法及*** | |
WO2006080003A2 (en) | Method and apparatus for distributing assignments | |
Urgese et al. | Optimizing network traffic for spiking neural network simulations on densely interconnected many-core neuromorphic platforms | |
Wu et al. | Scalable planning with tensorflow for hybrid nonlinear domains | |
Ghalenoei et al. | Discrete invasive weed optimization algorithm: application to cooperative multiple task assignment of UAVs | |
Tran et al. | Using Fuzzy Clustering Chaotic-based Differential Evolution to solve multiple resources leveling in the multiple projects scheduling problem | |
CN113703741A (zh) | 神经网络编译器配置方法、装置、计算机设备和存储介质 | |
CN111783231B (zh) | 基于单元分布热力网格的目标任务意图识别方法和装置 | |
Li et al. | Research on QoS service composition based on coevolutionary genetic algorithm | |
Lin et al. | Multiobjective trajectory optimization with a cutting and padding encoding strategy for single-UAV-assisted mobile edge computing system | |
Guangtong et al. | Cooperative multiple task assignment considering precedence constraints using multi-chromosome encoded genetic algorithm | |
CN112232594A (zh) | 一种多星应急观测任务规划方法、装置和计算机设备 | |
Mohamadi et al. | Heuristic-driven strategy for boosting aerial photography with multi-UAV-aided Internet-of-Things platforms | |
Jiang et al. | Optimization of multi-objective airport gate assignment problem: considering fairness between airlines | |
Ma et al. | Integrated selective maintenance and task assignment optimization for multi-state systems executing multiple missions | |
CN113778128B (zh) | 基于遗传算法的无人机侦察任务规划方法及装置 | |
KR102589525B1 (ko) | 지진 취약 정보 제공 장치 및 방법, 지진 취약 정보 제공을 위한 학습 모델의 학습 방법 | |
CN109859063B (zh) | 一种社区发现方法、装置、存储介质及终端设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |