CN114638155A - 一种基于智能机场的无人机任务分配与路径规划方法 - Google Patents

一种基于智能机场的无人机任务分配与路径规划方法 Download PDF

Info

Publication number
CN114638155A
CN114638155A CN202210171613.6A CN202210171613A CN114638155A CN 114638155 A CN114638155 A CN 114638155A CN 202210171613 A CN202210171613 A CN 202210171613A CN 114638155 A CN114638155 A CN 114638155A
Authority
CN
China
Prior art keywords
task
formula
intelligent
total
representing
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Withdrawn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
CN202210171613.6A
Other languages
English (en)
Inventor
张裕汉
金鑫
万施霖
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.)
Guangdong Eagleview Information Technology Co ltd
Original Assignee
Guangdong Eagleview Information Technology Co ltd
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 Guangdong Eagleview Information Technology Co ltd filed Critical Guangdong Eagleview Information Technology Co ltd
Priority to CN202210171613.6A priority Critical patent/CN114638155A/zh
Publication of CN114638155A publication Critical patent/CN114638155A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于智能机场的无人机任务分配与路径规划方法，该方法综合考虑飞行距离约束、信号强弱、任务量公平性、需求覆盖等因素，利用两阶段多目标规划模型对城市管理场景中的无人机任务分配和路径规划问题进行了联合优化。同时本发明还公开了一种针对上述两阶段多目标规划模型的、结合遗传算法和模拟退火算法的任务分配和路径规划算法。

Description

一种基于智能机场的无人机任务分配与路径规划方法
技术领域
本发明属于无人机技术领域，具体是一种基于智能机场的无人机任务分配与路径规划方法。
背景技术
在城市管理中，经常会在不同地点出现不同的任务需求，如危房改造、污水治理、森林火灾、卫生防疫等。传统使用人工进行管理的模式，不仅占用大量的人力资源、耗时耗力，且常出现监管死角和监管延迟的现象。使用搭载有各种智能设备的无人机以及具备无人值守化作业功能的智能机场，能实现城市管理的灵活部署、无人值守、360度无死角监控、远程操控、及时响应等目标。
目前，已有一些关于无人机智能机场选址的研究，但这些研究通常都没有对无人机总飞行时间、总信号强度、智能机场间任务量公平性、任务覆盖等进行综合考虑，且没有对城市管理任务分配与路径规划进行统一优化。
发明内容
本发明的目的是提供一种基于智能机场的无人机城市管理任务分配与路径规划方法，通过最优化无人机的飞行路径和任务需求在不同智能机场之间的分配，以实现无人机总飞行时间、总信号强度、智能机场间任务量公平性、任务覆盖率等具有不同优先级的目标之间的最佳平衡。
为了达到上述目的，本发明所采取的技术方案为：
步骤(1)、智能机场“可服务任务集”的确定方法，在总飞行距离最小、总平均信号强度最大、需求覆盖率最高等多个目标中，需求覆盖率最高的优先级高于其他目标，因此应先以需求覆盖率最高为目标，确定每个智能机场的“可服务任务集”。在确定“可服务任务集”时，所有任务需求的地点及所需的最低信号强度已知，智能机场的地址已经给定。所述无人机智能机场为具有无人机收纳、智能待观、自动更换无人机电池、无线通信、电池自动保养、UPS断电保护、故障自检、起飞条件检测等模块构成的地面设备。包括以下过程：
(1.1)、计算智能机场与任务地点之间的距离：
Figure BDA0003518341030000011
式(1)中，
Figure BDA0003518341030000012
表示智能机场i与任务j之间的距离，其中i∈Ψ、j∈Φ，Ψ是所有智能机场的集合，Φ是所有任务需求的集合，(xi,yi)是智能机场i的二维坐标，(xj,yj)是任务地点j的二维坐标；
(1.2)、计算智能机场i对任务j进行服务时，其无人机所需的最短飞行时间：
Figure BDA0003518341030000021
式(2)中，Ti j表示无人机所需的最短飞行时间，其中v是无人机的飞行速度，Tj是任务j的服务时间；
(1.3)、确定智能机场i的“可服务任务集”：
Φi＝{j∈Φ|Ti j≤T-ε且RSRPi j ≥RSRP}(3)，
式(3)中，Φi表示智能机场i的“可服务任务集”，其中T是无人机的最大飞行时间，ε为冗余量，RSRP表示无人机执行任务所需的最低信号强度，RSRPi j 表示智能机场i与任务j之间的飞行航线上的最低信号强度；
(1.4)、确定全体智能机场的“总可服务任务集”：
Figure BDA0003518341030000022
式(4)中，
Figure BDA0003518341030000023
表示全体智能机场的“总可服务任务集”。
步骤(2)、一种基于权利要求1所述的“可服务任务集”确定方法的无人机路径规划方法，对于属于其“可服务任务集”的某些任务，智能机场i的无人机可以在单次飞行中依次进行服务。以总路径长度最短为目标进行路径规划，并求出最优路径下的总平均信号强度。包括以下过程：
(2.1)、计算不同任务之间的欧式距离：
Figure BDA0003518341030000024
式(5)中，
Figure BDA0003518341030000025
表示任务j1与任务j2之间的欧式距离，其中
Figure BDA0003518341030000026
是任务j1的二维坐标，
Figure BDA0003518341030000027
是任务j2的二维坐标；
(2.2)、计算不同任务之间的修正距离：
Figure BDA0003518341030000028
式(6)中，
Figure BDA0003518341030000029
表示任务j1与任务j2之间的修正距离，其中
Figure BDA00035183410300000210
表示任务j1与任务j2之间的飞行航线上的最低信号强度；
(2.3)、对于其“可服务任务集”的任意子集，定义智能机场i的无人机飞行路径的解空间：
Figure BDA00035183410300000211
式(7)中，
Figure BDA00035183410300000212
表示相对于任务集A，智能机场i的无人机飞行路径的解空间，其中
Figure BDA00035183410300000213
|A|表示集合A的元素个数；
(2.4)、以总飞行路径长度最短设置目标函数：
Figure BDA0003518341030000031
式(8)中，
Figure BDA0003518341030000032
表示在飞行路径为z下的总飞行路径长度；
(2.5)、结合式(7)和式(8)，写成如下形式：
Figure BDA0003518341030000033
(2.6)、上述路径规划问题属于旅行商问题，是组合优化中的一个NP难问题。本发明使用模拟退火算法进行求解。算法的框架如下：1)随机生成一个路径作为初始解z0；2)给定充分大的初始温度Q0；3)给定迭代次数K；4)给定N；5)对k＝1,…,K做6)至第9)；6)利用二变换法产生新解z’；7)计算变换前的解和变换后目标函数的差值：
Figure BDA0003518341030000034
8)若
Figure BDA0003518341030000035
则接受z’作为新的当前解，否则以概率
Figure BDA0003518341030000036
接受z’作为新的当前解；9)如果满足连续N个新解都没有被接受则输出当前解作为最优解，结束；10)Q减少，并转至5)。
Figure BDA0003518341030000037
和
Figure BDA0003518341030000038
分别表示按照上述算法求解出的最优路径和最优路径下的目标函数值；
(2.7)、计算最优路径下的平均信号强度：
Figure BDA0003518341030000039
式(10)中，Wi A*表示最优路径下的总平均信号强度，其中
Figure BDA00035183410300000310
表示任务j1与任务j2之间的平均参考信号接收功率，RSRPi j表示智能机场i与任务j之间的平均参考信号接收功率。
步骤(3)、一种基于权利要求2所述的无人机路径规划方法的任务分配方法。包括以下过程：
(3.1)、计算“总可服务任务集”的幂集：
Figure BDA00035183410300000311
式(11)中，
Figure BDA00035183410300000312
表示“总可服务任务集”
Figure BDA00035183410300000313
的幂集，其中
Figure BDA00035183410300000314
表示集合
Figure BDA00035183410300000315
的元素个数；
(3.2)、对于0-1变量x和任意集合B，定义运算
Figure BDA00035183410300000316
Figure BDA00035183410300000317
式(12)中，
Figure BDA00035183410300000318
表示空集；
(3.3)、对任务分配决策变量
Figure BDA00035183410300000319
的取值进行约束：
Figure BDA0003518341030000041
式(13)中，当
Figure BDA0003518341030000042
时表示集合Bj中的任务由智能机场i在单次飞行中进行服务，当
Figure BDA0003518341030000043
时表示集合 Bj中的任务不由智能机场i在单次飞行中进行服务，其中
Figure BDA0003518341030000044
(3.4)、基于权利要求1中的“可服务任务集”，对任务分配进行约束：
Figure BDA0003518341030000045
(3.5)、基于权利要求1中的“总可服务任务集”，对任务分配进行约束：
Figure BDA0003518341030000046
(3.6)、对单次飞行的总时间进行约束：
Figure BDA0003518341030000047
(3.7)、计算所有无人机总飞行时间、总信号强度、智能机场间任务量差异，以它们的加权函数最小设置目标函数：
Figure BDA0003518341030000048
式(17)中，
Figure BDA0003518341030000049
SD(·)表示一组数据的标准差，β1、β2和β3是表示所有无人机总飞行时间、总信号强度、智能机场间任务量差异相对重要性的权重；
(3.8)、将式(13)—式(17)汇总，写成如下形式：
Figure BDA00035183410300000410
(3.9)、上述优化问题与式(9)所表示的路径规划相结合，属于两阶段0-1规划问题。本发明使用遗传算法进行求解，即随机生成式(18)的M个可行解作为初始种群；使用指数排序选择法选择当前种群中的个体进行复制；将选择-复制操作生成的个体进行随机配对；对交叉操作生成的每一个个体，以某个变异概率执行变异操作；以此迭代，直到满足终止条件。
本发明的目的是提供一种基于智能机场的无人机城市管理任务分配与路径规划方法，该方法综合考虑无人机总飞行时间、总信号强度、智能机场间任务量公平性、任务覆盖率等具有不同优先级的目标，利用两阶段多目标规划模型对无人机的飞行路径和任务需求在不同智能机场之间的分配进行了联合优化。
本发明提出了一种针对上述两阶段随机多目标规划模型的、结合遗传算法和模拟退火算法的路径规划和任务分配算法。
附图说明
图1本发明基于智能机场的无人机任务分配和路径规划流程图。
图2智能机场“可服务任务集”示意图。
图3智能机场的无人机路径规划示意图。
图4无人机的飞行路径和任务需求分配示意图。

Claims (3)

1.智能机场“可服务任务集”的确定方法，在总飞行距离最小、总平均信号强度最大、需求覆盖率最大等多个目标中，需求覆盖率最高的优先级高于其他目标，因此先以需求覆盖率最大为目标，确定每个智能机场的“可服务任务集”，在确定“可服务任务集”时，所有任务需求的地点及所需的最低信号强度已知，智能机场的地址已经给定，所述无人机智能机场为具有无人机收纳、智能待观、自动更换无人机电池、无线通信、电池自动保养、UPS断电保护、故障自检、起飞条件检测等模块构成的地面设备，包括以下过程：
(1.1)、计算智能机场与任务地点之间的距离：
Figure FDA0003518341020000011
式(1)中，
Figure FDA0003518341020000012
表示智能机场i与任务j之间的距离，其中i∈Ψ、j∈Φ，Ψ是所有智能机场的集合，Φ是所有任务需求的集合，(xi,yi)是智能机场i的二维坐标，(xj,yj)是任务地点j的二维坐标；
(1.2)、计算智能机场i对任务j进行服务时，其无人机所需的最短飞行时间：
Figure FDA0003518341020000013
式(2)中，Ti j表示无人机所需的最短飞行时间，其中v是无人机的飞行速度，Tj是任务j的服务时间；
(1.3)、确定智能机场i的“可服务任务集”：
Figure FDA0003518341020000014
式(3)中，Φi表示智能机场i的“可服务任务集”，其中T是无人机的最大飞行时间，ε为冗余量，RSRP表示无人机执行任务所需的最低信号强度，RSRPi j 表示智能机场i与任务j之间的飞行航线上的最低信号强度；
(1.4)、确定全体智能机场的“总可服务任务集”：
Figure FDA0003518341020000015
式(4)中，
Figure FDA0003518341020000016
表示全体智能机场的“总可服务任务集”。
2.一种基于权利要求1所述的“可服务任务集”确定方法的无人机路径规划方法，对于属于其“可服务任务集”的某些任务，智能机场i的无人机可以在单次飞行中依次进行服务，以总路径长度最短为目标进行路径规划，并求出最优路径下的总平均信号强度，包括以下过程：
(2.1)、计算不同任务之间的欧式距离：
Figure FDA0003518341020000021
式(5)中，
Figure FDA0003518341020000022
表示任务j1与任务j2之间的欧式距离，其中
Figure FDA0003518341020000023
是任务j1的二维坐标，
Figure FDA0003518341020000024
是任务j2的二维坐标；
(2.2)、计算不同任务之间的修正距离：
Figure FDA0003518341020000025
式(6)中，
Figure FDA0003518341020000026
表示任务j1与任务j2之间的修正距离，其中
Figure FDA0003518341020000027
表示任务j1与任务j2之间的飞行航线上的最低信号强度；
(2.3)、对于其“可服务任务集”的任意子集，定义智能机场i的无人机飞行路径的解空间：
Figure FDA0003518341020000028
式(7)中，
Figure FDA0003518341020000029
表示相对于任务集A，智能机场i的无人机飞行路径的解空间，其中
Figure FDA00035183410200000210
|A|表示集合A的元素个数；
(2.4)、以总飞行路径长度最短设置目标函数：
Figure FDA00035183410200000211
式(8)中，
Figure FDA00035183410200000212
表示在飞行路径为z下的总飞行路径长度；
(2.5)、结合式(7)和式(8)，写成如下形式：
Figure FDA00035183410200000213
(2.6)、上述路径规划问题属于旅行商问题，是组合优化中的一个NP难问题，本发明使用模拟退火算法进行求解，算法的框架如下：1)随机生成一个路径作为初始解z0；2)给定充分大的初始温度Q0；3)给定迭代次数K；4)给定N；5)对k＝1,…,K做6)至第9)；6)利用二变换法产生新解z’；7)计算变换前的解和变换后目标函数的差值：
Figure FDA00035183410200000214
8)若
Figure FDA00035183410200000215
则接受z’作为新的当前解，否则以概率
Figure FDA00035183410200000216
接受z’作为新的当前解；9)如果满足连续N个新解都没有被接受则输出当前解作为最优解，结束；10)Q减少，并转至5)；
Figure FDA00035183410200000217
和
Figure FDA00035183410200000218
分别表示按照上述算法求解出的最优路径和最优路径下的目标函数值；
(2.7)、计算最优路径下的平均信号强度：
Figure FDA0003518341020000031
式(10)中，Wi A*表示最优路径下的总平均信号强度，其中
Figure FDA0003518341020000032
表示任务j1与任务j2之间的平均参考信号接收功率，RSRPi j表示智能机场i与任务j之间的平均参考信号接收功率。
3.一种基于权利要求2所述的无人机路径规划方法的任务分配方法，包括以下过程：
(3.1)、计算“总可服务任务集”的幂集：
Figure FDA0003518341020000033
式(11)中，
Figure FDA0003518341020000034
表示“总可服务任务集”
Figure FDA0003518341020000035
的幂集，其中
Figure FDA0003518341020000036
表示集合
Figure FDA0003518341020000037
的元素个数；
(3.2)、对于0-1变量x和任意集合B，定义运算
Figure FDA0003518341020000038
Figure FDA0003518341020000039
式(12)中，
Figure FDA00035183410200000310
表示空集；
(3.3)、对任务分配决策变量
Figure FDA00035183410200000311
的取值进行约束：
Figure FDA00035183410200000312
式(13)中，当
Figure FDA00035183410200000313
时表示集合Bj中的任务由智能机场i在单次飞行中进行服务，当
Figure FDA00035183410200000314
时表示集合Bj中的任务不由智能机场i在单次飞行中进行服务，其中
Figure FDA00035183410200000315
(3.4)、基于权利要求1中的“可服务任务集”，对任务分配进行约束：
Figure FDA00035183410200000316
(3.5)、基于权利要求1中的“总可服务任务集”，对任务分配进行约束：
Figure FDA00035183410200000317
(3.6)、对单次飞行的总时间进行约束：
Figure FDA00035183410200000318
(3.7)、计算所有无人机总飞行时间、总信号强度、智能机场间任务量差异，以它们的加权函数最小设置目标函数：
Figure FDA0003518341020000041
式(17)中，
Figure FDA0003518341020000042
SD(·)表示一组数据的标准差，β1、β2和β3是表示所有无人机总飞行时间、总信号强度、智能机场间任务量差异相对重要性的权重；
(3.8)、将式(13)—式(17)汇总，写成如下形式：
Figure FDA0003518341020000043
(3.9)、上述优化问题与式(9)所表示的路径规划相结合，属于两阶段0-1规划问题，本发明使用遗传算法进行求解，即随机生成式(18)的M个可行解作为初始种群；使用指数排序选择法选择当前种群中的个体进行复制；将选择-复制操作生成的个体进行随机配对；对交叉操作生成的每一个个体，以某个变异概率执行变异操作；以此迭代，直到满足终止条件。
CN202210171613.6A 2022-02-24 2022-02-24 一种基于智能机场的无人机任务分配与路径规划方法 Withdrawn CN114638155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210171613.6A CN114638155A (zh) 2022-02-24 2022-02-24 一种基于智能机场的无人机任务分配与路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210171613.6A CN114638155A (zh) 2022-02-24 2022-02-24 一种基于智能机场的无人机任务分配与路径规划方法

Publications (1)

Publication Number Publication Date
CN114638155A true CN114638155A (zh) 2022-06-17

Family

ID=81947989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210171613.6A Withdrawn CN114638155A (zh) 2022-02-24 2022-02-24 一种基于智能机场的无人机任务分配与路径规划方法

Country Status (1)

Country Link
CN (1) CN114638155A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115373424A (zh) * 2022-09-20 2022-11-22 广东翼景信息科技有限公司 面向时间窗口的多无人机机场选址与随机任务调度方法
CN115860292A (zh) * 2022-11-21 2023-03-28 武汉坤达安信息安全技术有限公司 基于渔政监控的无人机最优规划路径方法及装置
CN116859990A (zh) * 2023-06-26 2023-10-10 北京锐士装备科技有限公司 一种无人机飞行管理方法及***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115373424A (zh) * 2022-09-20 2022-11-22 广东翼景信息科技有限公司 面向时间窗口的多无人机机场选址与随机任务调度方法
CN115373424B (zh) * 2022-09-20 2024-02-09 广东翼景信息科技有限公司 面向时间窗口的多无人机机场选址与随机任务调度方法
CN115860292A (zh) * 2022-11-21 2023-03-28 武汉坤达安信息安全技术有限公司 基于渔政监控的无人机最优规划路径方法及装置
CN115860292B (zh) * 2022-11-21 2023-08-04 武汉坤达安信息安全技术有限公司 基于渔政监控的无人机最优规划路径方法及装置
CN116859990A (zh) * 2023-06-26 2023-10-10 北京锐士装备科技有限公司 一种无人机飞行管理方法及***
CN116859990B (zh) * 2023-06-26 2024-04-19 北京锐士装备科技有限公司 一种无人机飞行管理方法及***

Similar Documents

Publication Publication Date Title
CN114638155A (zh) 一种基于智能机场的无人机任务分配与路径规划方法
CN112016812B (zh) 多无人机任务调度方法、***及存储介质
CN110730031B (zh) 一种用于多载波通信的无人机轨迹与资源分配联合优化方法
CN113296963B (zh) 一种考虑用户移动性的无人机辅助的边缘计算方法
Wang et al. Mobile wireless rechargeable UAV networks: Challenges and solutions
CN110825510A (zh) 任务驱动的多星协同任务分配方法及***
CN112564767B (zh) 无人机网络中基于自组织优化协作的连续覆盖方法
CN114048689A (zh) 基于深度强化学习的多无人机空中充电和任务调度方法
CN111709582B (zh) 一种无人机边缘计算资源动态优化方法、***及存储介质
WO2019135330A1 (ja) エネルギー需給システム
Bozkaya et al. Airnet: Energy-aware deployment and scheduling of aerial networks
Shang et al. Cyber-physical co-modeling and optimal energy dispatching within internet of smart charging points for vehicle-to-grid operation
CN116113025A (zh) 一种无人机协能通信网络中轨迹设计和功率分配方法
Dai et al. Intelligent coordinated task scheduling in space-air-ground integrated network
CN115357044A (zh) 无人机集群配网线路巡检路径规划方法、设备及介质
Sobouti et al. Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks
CN115574826B (zh) 基于强化学习的国家公园无人机巡护路径优化方法
CN116882270A (zh) 一种基于深度强化学习的多无人机无线充电与边缘计算联合优化方法及***
Gaowei et al. Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming
CN115705527A (zh) 一种面向城市管理的无人机智能机场选址和任务分配方法
CN112821456B (zh) 基于迁移学习的分布式源-储-荷匹配方法及装置
CN117041040B (zh) 一种基于智能调度算法的指挥中心分布式布局***
US20200262306A1 (en) Electric vehicles operation management equipment
Ravi et al. Solar powered UAV charging strategy design by machine learning
CN113347593B (zh) 一种无人机的中继选择方法

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: 20220617

WW01 Invention patent application withdrawn after publication