CN116518982A - 一种低空林业监测遥感无人机路径多目标规划方法 - Google Patents
一种低空林业监测遥感无人机路径多目标规划方法 Download PDFInfo
- Publication number
- CN116518982A CN116518982A CN202310796607.4A CN202310796607A CN116518982A CN 116518982 A CN116518982 A CN 116518982A CN 202310796607 A CN202310796607 A CN 202310796607A CN 116518982 A CN116518982 A CN 116518982A
- Authority
- CN
- China
- Prior art keywords
- path
- aerial vehicle
- unmanned aerial
- objective
- planning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000004083 survival effect Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000034699 Vitreous floaters Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种低空林业监测遥感无人机路径多目标规划方法,涉及低空遥感无人机路径规划技术领域,包括以下步骤:S10,基于初始环境信息建立无人机路径环境的Maklink三维图论模型;并基于Maklink三维图论模型得到具体的单个路径方案;S20,基于无人机沿路径行进的目标函数和约束函数建立路径多目标优化的数学模型;S30,依据构成路径多目标优化的数学模型的目标函数,生成由目标函数上下限所构成的数学空间,即决策空间,并在决策空间内生成一组用于提高多目标优化效率和精度的参考向量;S40,基于路径规划的迭代进程,对参考向量进行自适应调整,最终迭代得到路径方案的帕累托优化解集。本发明提高了计算效率及准确率。
Description
技术领域
本发明涉及低空遥感无人机路径规划技术领域,更具体的说,涉及一种低空林业监测遥感无人机路径多目标规划方法。
背景技术
不同于主要通过高空卫星影像、并辅以中空航空影像补充关键区域的大范围高空林业遥感监测,林下资源监测属于低空林业监测领域,导致传统监测手段无法对林下进行精细化监测。低空遥感无人机是利用无线电遥控设备和机载程序控制装置操纵的小型航空器,具有体积小、造价低、使用方便、环境适应性强等优点,能够对低空域内进行精细化的监测。同时,无人机应用低空遥感领域具有响应快速、图像分辨率高、拓展能力强、运营成本低等特点,在林下资源监测管理中具有广阔的应用前景。
低空遥感无人机在运行时,一个关键制约因素在于飞行路径的规划。低空遥感环境中,无人机的应用场景中不仅存在固定障碍物(如树木、建筑物等),同时存在各种突发情况(如飞鸟、气球、环境风等),飞行路径的优劣直接决定了低空遥感无人机的任务执行效率,因此需要在三维复杂空间内规划出合理、高效的路径。
传统的无人机路径规划主要基于可视图法、A*算法、Dijkstra算法:根据预先获取的地图数据,利用上述算法获取一个初始路径方案,然后实时探知运行环境的变化,在初始路径方案基础上进行局部调整,以获得最终运行路径。然而传统路径规划方法对于初始地图的要求极高,如果无法事前获取任务场景的详细地形、环境的地图信息,则无法有效的设定初始路径方案;同时传统方法的计算效率低,导致应用场景中出现瞬时、复杂环境变化时,无法有效的快速调整后续路径。而低空遥感场景下,无人机难以获取详细的三维初始地图信息,且在任务执行过程中,也容易受到诸如飞鸟、漂浮物、侧向风等环境干扰因素。因此,针对低空遥感应用场景下的无人机路径规划问题,需要开展不依赖于精细预设地图的快速路径规划。
无人机在沿规划路径运行时,沿路径运行时所使用的能源、所耗费的时间、无人机自身的存活率都是评价路径优劣的指标,而这些指标间存在复杂的互耦合关系,无法通过常规解耦手段将这些指标合成作为一个指标来衡量规划路径的优劣。因此可使用多目标优化方法进行路径规划快速求解,提高最终路径方案的规划效率和精度。
发明内容
为了克服现有技术的不足,本发明提供一种低空林业监测遥感无人机路径多目标规划方法,解决了当前低空遥感无人机路径规划过程中效率低下、精度不高的问题,提高了计算效率及准确率。
本发明解决其技术问题所采用的技术方案是:一种低空林业监测遥感无人机路径多目标规划方法,所述方法包括以下步骤:
S10,基于初始环境信息建立无人机路径环境的Maklink三维图论模型;并基于Maklink三维图论模型得到具体的单个路径方案;所述初始环境信息包括无人机初始位置、任务目标位置以及能够获得的三维地图信息;
S20,基于无人机沿路径行进的目标函数和约束函数建立路径多目标优化的数学模型;所述目标函数包括无人机沿路径行进时所需的时间、耗费的能源以及无人机存活率;所述约束函数为无人机路径中的干扰运行因素;
S30,依据构成路径多目标优化的数学模型的目标函数,生成由目标函数上下限所构成的数学空间,即决策空间,并在决策空间内生成一组用于提高多目标优化效率和精度的参考向量;
S40,基于路径规划的迭代进程,对参考向量进行自适应调整,最终迭代得到路径方案的帕累托优化解集。
进一步的,步骤S20中,所述建立路径多目标优化的数学模型具体步骤如下:
S201,利用预设的地图信息和无人机通过机载摄像头获取所在空间信息,通过SLAM手段完成所处的物理空间建模后,划分出三维空间网格,后续基于Maklink图论在三维空间网格上设立路径,并将路径方案转化为数学形式:,其中/>指代路径方案的第k个设计变量;
S202,根据任务细节和运行环境,将运行环境中的障碍物视作路径多目标优化规划时的约束函数,设置无人机沿路径行进时所需的时间、耗费的能源和自身存活率/>,作为评判路径的多目标函数,确定路径方案数学形式X的设计变量上下限;其中,/>指代对路径方案X进行长度积分得到的路径实际长度,/>指代对路径某一点进行微分得到的路径长度微元,/>指代路径方案X的速度表达式,/>指代对路径某一点进行微分得到的瞬时速度微元,/>指代基于路径某一点的瞬时速度微元计算得到的能源消耗量,/>表明无人机存活率正比于路径X中约束违背量G的倒数,/>为存活率控制数;
S203,基于设计变量上下限初始化设计变量空间Ω,形成路径规划的多目标优化数学模型;所述路径规划的多目标优化数学模型为:
,
所述约束函数为:,其中n指代约束函数的个数,X指代路径方案的数学形式,/>指代第i个约束函数,具体包含无人机沿路径行进时遇到的障碍物,/>指代第i个约束函数的控制系数。
进一步的,初始路径的多目标函数和约束函数值的计算方法如下:根据无人机运行时的路径方案的设计变量维数k,在确定的设计变量空间Ω内进行优化拉丁超立方采样,所述采样数量为3k+2个样本点,这些样本点构成路径多目标优化规划的计算种群;每个样本点/>根据步骤S201中的方法转化为初始路径,并计算相应的多目标函数和约束函数值;其中,i=1,2,…,3k+2.
进一步的,步骤S30中,生成决策空间,并在决策空间内生成一组用于提高多目标优化效率和精度的参考向量的具体方式为:根据在步骤S202中计算得到的所有样本点的三个多目标函数值的上下极值,确定出决策空间,并在决策空间内基于标准边界交叉法生成一组初始参考向量,参考向量数量为,其中k为设计变量维数。
进一步的,所述计算种群中每个样本点对应的多目标函数值/>在决策空间内与所有参考向量间的夹角值,并依据夹角最小值,将每个样本点依附到该最小值对应的参考向量。
进一步的,步骤S40中,对参考向量进行自适应调整的具体步骤如下:
S401,对所有参考向量管辖下的样本点利用差分进化算法中的交叉、变异、选择操作进行进化,生成新的一组备用子代样本点;
S402,依据帕累托支配准则,对种群进行迭代;
S403,基于新的种群重新计算决策空间大小,并在新的决策空间内生成一组参考向量;
S404,循环S401、S402以及S403,若满足Maklink图论计算路径的次数达到设定值,则终止循环,输出当前种群作为多目标解;否则继续循环S401、S402以及S403。
进一步的,步骤S401中,对所有参考向量管辖下的样本点进行进化的具体方法包括:先将每个参考向量管辖的样本点放入一个空白进化池,然后找出该参考向量相邻的参考向量,并将相邻的参考向量管辖的样本点加入上一个进化池,对进化池采用差分进化,获得与进化池同规模数量的样本点;最后将这些样本点存入备用子代样本点集。
进一步的,步骤S402中,对计算种群进行迭代的具体方式包括:将父代和备用子代样本点合并,并进行帕累托支配排序,根据排序结果,保留排序靠前且与种群规模相同的样本点,这些保留的样本点作为新的种群。
进一步的,步骤S403中,所述参考向量的生成方法与S30中参考向量的生成方法相同。
本发明的有益效果是:本方案低空林业监测遥感无人机路径多目标规划方法,有效的改善了低空遥感无人机路径多目标规划过程中效率低下、精度不高的问题,从而提高了计算效率及准确率。
附图说明
图1为本发明的一种低空林业监测遥感无人机路径多目标规划方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。另外,本发明涉及到的所有联接/连接关系,并非单指构件直接相接,而是指可根据具体实施情况,通过添加或减少联接辅件,来组成更优的联接结构。本发明创造中的各个技术特征,在不互相矛盾冲突的前提下可以交互组合。
参照图1所示,本发明揭示了一种低空林业监测遥感无人机路径多目标规划方法,所述方法包括以下步骤:
S10,基于初始环境信息建立无人机路径环境的Maklink三维图论模型;并基于Maklink三维图论模型得到具体的单个路径方案;所述初始环境信息包括无人机初始位置、任务目标位置以及能够获得的三维地图信息;
S20,基于无人机沿路径行进的目标函数和约束函数建立路径多目标优化的数学模型;所述目标函数包括无人机沿路径行进时所需的时间、耗费的能源以及无人机存活率;所述约束函数为无人机路径中的干扰运行因素;所述建立路径多目标优化的数学模型具体步骤如下:
S201,利用预设的地图信息和无人机通过机载摄像头获取所在空间信息,通过SLAM等手段完成所处的物理空间建模后,划分出三维空间网格,后续基于Maklink图论在三维空间网格上设立路径,并将路径方案转化为数学形式,其中/>指代路径方案的第k个设计变量;
S202,根据任务细节和运行环境,将运行环境中的障碍物等视作路径多目标优化规划时的约束函数,设置无人机沿路径行进时所需的时间、耗费的能源和自身存活率/>,作为评判路径的多目标函数,确定路径方案数学形式X的设计变量上下限;其中,/>指代对路径方案X进行长度积分得到的路径实际长度,/>指代对路径某一点进行微分得到的路径长度微元,/>指代路径方案X的速度表达式,/>指代对路径某一点进行微分得到的瞬时速度微元,/>指代基于路径某一点的瞬时速度微元计算得到的能源消耗量,/>表明无人机存活率正比于路径X中约束违背量G的倒数,/>为存活率控制数;
S203,基于设计变量上下限初始化设计变量空间Ω,形成路径规划的多目标优化的数学模型;所述路径规划的多目标优化数学模型为:
,
所述约束函数为:,其中n指代约束函数的个数,X指代路径方案的数学形式,/>指代第i个约束函数,具体包含无人机沿路径行进时遇到的障碍物等,/>指代第i个约束函数的控制系数。
此外,初始路径的多目标函数和约束函数值的计算方法如下:根据无人机运行时的路径方案的设计变量维数k,在确定的设计变量空间Ω内进行优化拉丁超立方采样,所述采样数量为3k+2个样本点,这些样本点构成路径多目标优化规划的计算种群;每个样本点/>根据步骤S201中的方法转化为初始路径,计算相应的多目标函数和约束函数值;其中,i=1,2,…,3k+2.
S30,依据构成路径多目标优化数学模型的三个目标函数,生成由三个目标函数上下限所构成的数学空间,即决策空间;由于初始路径的多目标函数和约束函数值的计算过程中生成了种群,种群中单个个体会对应三个目标函数值,其中,所述单个个体为单个路径方案,因此,整个种群的三个目标函数会对应存在三个取值上下限范围,这三个取值范围生成一个三维的决策空间Ψ,并在三维决策空间Ψ内生成一组用于提高多目标优化效率和精度的参考向量;具体方式为:根据在步骤S202中计算得到的所有样本点的三个多目标函数值的上下极值,确定出决策空间,并在决策空间内基于标准边界交叉法生成一组初始参考向量,参考向量数量为,其中k为设计变量维数;其中,所述计算种群中每个样本点/>对应的多目标函数值/>在决策空间内与所有参考向量间的夹角值,并依据夹角最小值,将每个样本点依附到该最小值对应的参考向量,换言之,样本点会在决策空间内依附到特定参考向量,而特定参考向量下会管辖不定量样本点;此外,在单目标问题中,一个X对应一个Y,而在本实施例的多目标问题中,一个X对应多个Y,比如这里一个X就对应Y1、Y2、Y3,然后X的上下限会对应出Y1、Y2、Y3的3个上下限,Y1、Y2、Y3的3个上下限生成出一个决策空间;在该样本点和参考向量的对应依附过程中,如果某一参考向量下管辖的样本点数量为零,则从管辖多个样本点的参考向量下,调整任一样本点至该参考向量管辖。
S40,基于路径规划的迭代进程,对参考向量进行自适应调整;具体步骤如下:
S401,对所有参考向量管辖下的样本点进行进化,其中,所有参考向量管辖下的样本点记作父代样本点;利用差分进化算法中的交叉、变异、选择操作进行进化,生成新的一组备用子代样本点,设父代样本点的数量为N,N个父代样本点生成N个备用子代样本点;具体方法包括:先将每个参考向量管辖的样本点放入一个空白进化池,然后找出该参考向量相邻的参考向量,并将相邻的参考向量管辖的样本点加入上一个进化池,对进化池采用差分进化,获得与进化池同规模数量的样本点;最后将这些样本点存入备用子代样本点集。
S402,依据帕累托支配准则,对种群进行迭代;本实施例中,对计算种群进行迭代的具体方式包括:将父代样本点和备用子代样本点合并,此时,样本点为2N个,并进行帕累托支配排序,根据排序结果,保留排序靠前且与种群规模相同的样本点,即选择靠前的N个样本点作为新的种群,这些保留的样本点作为新的种群。
S403,基于新的种群重新计算决策空间大小,并在新的决策空间内生成一组新的参考向量;其中,决策空间是由种群目标函数确定的,所述参考向量的生成方法与S30中的生成方法相同,均为标准边界交叉法;
S404,循环S401、S402以及S403,即路径方案的迭代过程,若满足收敛条件,则终止循环,输出当前种群作为多目标化解;否则继续循环S401、S402以及S403,所述收敛条件为Maklink图论计算路径的次数达到设定值,本实施例中的设定值为500次。
其中,多目标问题求解时,得到的最终结果是一组帕累托最优解集,不是单个最优解;初始随机生成的路径不是帕累托最优的,迭代就是要得到这个最优解集;在迭代过程中,决策空间会不断精细化;决策空间变化,那么就需要对应参考向量重新生成,这个过程全局看起来就会是体现为参考向量在优化过程中自己发生了变化,即参考向量自身发生了自适应调整。
本实施例中,低空林业监测遥感无人机路径多目标规划方法,将无人机运行时所需的时间、耗费的能源和无人机自身存活率作为路径规划时的多目标函数,并利用多目标求解获得多方均衡的优化路径方案,使无人机在运行时整体效能达到最优;通过在决策空间内建立参考向量,使得多目标求解过程中得种群能够更快的收敛,提高优化速度;基于每个迭代末期更新后的种群,对决策空间进行再生成并相应更新参考向量,完成参考向量的自适应调整,实现求解结果的效率与精度间的平衡。本发明有效的改善了低空遥感无人机路径规划过程中效率低下、精度不高的问题,提高了计算效率及准确率。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,所述方法包括以下步骤:
S10,基于初始环境信息建立无人机路径环境的Maklink三维图论模型;并基于Maklink三维图论模型得到具体的单个路径方案;所述初始环境信息包括无人机初始位置、任务目标位置以及能够获得的三维地图信息;
S20,基于无人机沿路径行进的目标函数和约束函数建立路径多目标优化的数学模型;所述目标函数包括无人机沿路径行进时所需的时间、耗费的能源以及无人机存活率;所述约束函数为无人机路径中的干扰运行因素;
S30,依据构成路径多目标优化的数学模型的目标函数,生成由目标函数上下限所构成的数学空间,即决策空间,并在决策空间内生成一组用于提高多目标优化效率和精度的参考向量;
S40,基于路径规划的迭代进程,对参考向量进行自适应调整,最终迭代得到路径方案的帕累托优化解集。
2.根据权利要求1所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,步骤S20中,所述建立路径多目标优化的数学模型具体步骤如下:
S201,利用预设的地图信息和无人机通过机载摄像头获取所在空间信息,通过SLAM手段完成所处的物理空间建模后,划分出三维空间网格,后续基于Maklink图论在三维空间网格上设立路径,并将路径方案转化为数学形式:,其中/>指代路径方案的第k个设计变量;
S202,根据任务细节和运行环境,将运行环境中的障碍物视作路径多目标优化规划时的约束函数,设置无人机沿路径行进时所需的时间、耗费的能源/>和自身存活率/>,作为评判路径的多目标函数,确定路径方案数学形式X的设计变量上下限;其中,/>指代对路径方案X进行长度积分得到的路径实际长度,/>指代对路径某一点进行微分得到的路径长度微元,/>指代路径方案X的速度表达式,/>指代对路径某一点进行微分得到的瞬时速度微元,/>指代基于路径某一点的瞬时速度微元计算得到的能源消耗量,/>表明无人机存活率正比于路径X中约束违背量G的倒数,/>为存活率控制数;
S203,基于设计变量上下限初始化设计变量空间Ω,形成路径规划的多目标优化数学模型;所述路径规划的多目标优化数学模型为:
,
所述约束函数为:,其中n指代约束函数的个数,X指代路径方案的数学形式,/>指代第i个约束函数,具体包含无人机沿路径行进时遇到的障碍物,/>指代第i个约束函数的控制系数。
3.根据权利要求2所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,初始路径的多目标函数和约束函数值的计算方法如下:根据无人机运行时的路径方案的设计变量维数k,在确定的设计变量空间Ω内进行优化拉丁超立方采样,所述采样数量为3k+2个样本点,这些样本点构成路径多目标优化规划的计算种群;每个样本点/>根据步骤S201中的方法转化为初始路径,并计算相应的多目标函数和约束函数值;其中,i=1,2,…,3k+2。
4.根据权利要求3所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,步骤S30中,生成决策空间,并在决策空间内生成一组用于提高多目标优化效率和精度的参考向量的具体方式为:根据在步骤S202中计算得到的所有样本点的三个多目标函数值的上下极值,确定出决策空间,并在决策空间内基于标准边界交叉法生成一组初始参考向量,参考向量数量为,其中k为设计变量维数。
5.根据权利要求4所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,所述计算种群中每个样本点对应的多目标函数值/>在决策空间内与所有参考向量间的夹角值,并依据夹角最小值,将每个样本点依附到该最小值对应的参考向量。
6.根据权利要求5所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,步骤S40中,对参考向量进行自适应调整的具体步骤如下:
S401,对所有参考向量管辖下的样本点利用差分进化算法中的交叉、变异、选择操作进行进化,生成新的一组备用子代样本点;
S402,依据帕累托支配准则,对种群进行迭代;
S403,基于新的种群重新计算决策空间大小,并在新的决策空间内生成一组参考向量;
S404,循环S401、S402以及S403,若满足Maklink图论计算路径的次数达到设定值,则终止循环,输出当前种群作为多目标解;否则继续循环S401、S402以及S403。
7.根据权利要求6所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,步骤S401中,对所有参考向量管辖下的样本点进行进化的具体方法包括:先将每个参考向量管辖的样本点放入一个空白进化池,然后找出该参考向量相邻的参考向量,并将相邻的参考向量管辖的样本点加入上一个进化池,对进化池采用差分进化,获得与进化池同规模数量的样本点;最后将这些样本点存入备用子代样本点集。
8.根据权利要求7所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,步骤S402中,对计算种群进行迭代的具体方式包括:将父代和备用子代样本点合并,并进行帕累托支配排序,根据排序结果,保留排序靠前且与种群规模相同的样本点,这些保留的样本点作为新的种群。
9.根据权利要求6所述的一种低空林业监测遥感无人机路径多目标规划方法,其特征在于,步骤S403中,所述参考向量的生成方法与S30中参考向量的生成方法相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796607.4A CN116518982B (zh) | 2023-07-03 | 2023-07-03 | 一种低空林业监测遥感无人机路径多目标规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796607.4A CN116518982B (zh) | 2023-07-03 | 2023-07-03 | 一种低空林业监测遥感无人机路径多目标规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116518982A true CN116518982A (zh) | 2023-08-01 |
CN116518982B CN116518982B (zh) | 2023-09-19 |
Family
ID=87403279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796607.4A Active CN116518982B (zh) | 2023-07-03 | 2023-07-03 | 一种低空林业监测遥感无人机路径多目标规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116518982B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117387634A (zh) * | 2023-12-13 | 2024-01-12 | 江西啄木蜂科技有限公司 | 基于用户偏好的变色木林区无人机路径多目标规划方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970648A (zh) * | 2017-04-19 | 2017-07-21 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
WO2022007376A1 (zh) * | 2020-07-08 | 2022-01-13 | 北京航空航天大学 | 基于贝叶斯自适应共振的多目标多模态粒子群优化方法 |
CN114237282A (zh) * | 2021-11-29 | 2022-03-25 | 南京邮电大学 | 面向智慧化工业园区监测的无人机飞行路径智能规划方法 |
CN115903896A (zh) * | 2022-11-22 | 2023-04-04 | 中国人民解放军国防科技大学 | 一种基于代理模型优化的多无人机路径规划方法 |
CN116126032A (zh) * | 2023-04-17 | 2023-05-16 | 华南农业大学 | 一种基于改进多目标进化算法的无人机群路径规划方法 |
CN116255986A (zh) * | 2023-02-22 | 2023-06-13 | 中国人民解放军海军工程大学 | 一种基于决策者偏好的多无人机协同侦察航迹规划方法 |
-
2023
- 2023-07-03 CN CN202310796607.4A patent/CN116518982B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970648A (zh) * | 2017-04-19 | 2017-07-21 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
US20180308371A1 (en) * | 2017-04-19 | 2018-10-25 | Beihang University | Joint search method for uav multiobjective path planning in urban low altitude environment |
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
WO2022007376A1 (zh) * | 2020-07-08 | 2022-01-13 | 北京航空航天大学 | 基于贝叶斯自适应共振的多目标多模态粒子群优化方法 |
CN114237282A (zh) * | 2021-11-29 | 2022-03-25 | 南京邮电大学 | 面向智慧化工业园区监测的无人机飞行路径智能规划方法 |
CN115903896A (zh) * | 2022-11-22 | 2023-04-04 | 中国人民解放军国防科技大学 | 一种基于代理模型优化的多无人机路径规划方法 |
CN116255986A (zh) * | 2023-02-22 | 2023-06-13 | 中国人民解放军海军工程大学 | 一种基于决策者偏好的多无人机协同侦察航迹规划方法 |
CN116126032A (zh) * | 2023-04-17 | 2023-05-16 | 华南农业大学 | 一种基于改进多目标进化算法的无人机群路径规划方法 |
Non-Patent Citations (3)
Title |
---|
万逸飞;彭力;: "基于协同多目标算法的多机器人路径规划", 信息与控制, no. 02 * |
刘刚;裴红蕾;: "复合形引导蜂群寻优的无人机航迹多目标规划", 机械设计与制造, no. 04 * |
王亮;刘晓锋;刘少堂;耿杰;高婷婷;: "面向交通监控的动态无人飞机路径多目标优化", 数学的实践与认识, no. 22 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117387634A (zh) * | 2023-12-13 | 2024-01-12 | 江西啄木蜂科技有限公司 | 基于用户偏好的变色木林区无人机路径多目标规划方法 |
CN117387634B (zh) * | 2023-12-13 | 2024-02-27 | 江西啄木蜂科技有限公司 | 基于用户偏好的变色木林区无人机路径多目标规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116518982B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428111B (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
CN109631900B (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
Tang et al. | Dynamic reallocation model of multiple unmanned aerial vehicle tasks in emergent adjustment scenarios | |
Lin et al. | An algorithm for trajectory prediction of flight plan based on relative motion between positions | |
CN106970648A (zh) | 城市低空环境下无人机多目标路径规划联合搜索方法 | |
CN112116830A (zh) | 一种基于空域网格化的无人机动态地理围栏规划方法 | |
CN103557867A (zh) | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 | |
CN116518982B (zh) | 一种低空林业监测遥感无人机路径多目标规划方法 | |
CN116954239B (zh) | 一种基于改进粒子群算法的无人机航迹规划方法及*** | |
CN116257082B (zh) | 多无人机分布式主动协同探测方法 | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
CN115060263A (zh) | 一种考虑低空风和无人机能耗的航迹规划方法 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
CN108596397B (zh) | 一种基于水文模型多机航线规划方法 | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
CN115903888A (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及*** | |
Liu et al. | Application of dijkstra algorithm in path planning for geomagnetic navigation | |
CN115185303A (zh) | 用于国家公园及自然保护地的无人机巡护路径规划方法 | |
CN110986954A (zh) | 基于灰狼优化算法的军用运输机航路规划方法 | |
Ma et al. | Volcanic Ash Region Path Planning Based on Improved A‐Star Algorithm | |
CN116518979B (zh) | 一种无人机路径规划方法、***、电子设备及介质 | |
CN117521932A (zh) | 一种基于网格化划分的无人机巡检管理*** | |
CN117170408A (zh) | 基于无人机的光伏板场地巡检路径智能规划***及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |