CN116625376A - 基于禁忌蜂群算法的无人机海上搜救路径规划方法 - Google Patents

基于禁忌蜂群算法的无人机海上搜救路径规划方法 Download PDF

Info

Publication number
CN116625376A
CN116625376A CN202310662225.2A CN202310662225A CN116625376A CN 116625376 A CN116625376 A CN 116625376A CN 202310662225 A CN202310662225 A CN 202310662225A CN 116625376 A CN116625376 A CN 116625376A
Authority
CN
China
Prior art keywords
rescue
search
unmanned aerial
aerial vehicle
task
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.)
Pending
Application number
CN202310662225.2A
Other languages
English (en)
Inventor
邢立宁
蒋雪梅
李豪
郭泱泱
吕旷达
李济廷
宋彦杰
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202310662225.2A priority Critical patent/CN116625376A/zh
Publication of CN116625376A publication Critical patent/CN116625376A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于禁忌蜂群算法的无人机海上搜救路径规划方法，包括：初始化任务信息，从救援需求和环境特征入手，构建搜救目标模型和目标函数；初始化约束条件信息，确定路径规划过程中的资源约束和环境约束，构建约束描述模型；对无人机搜救过程中涉及的各类型信息进行分析，构建相应的能力描述模型；根据任务信息和约束条件信息进行无人机搜救路径初步规划，生成初步搜救预案；利用所述目标函数，结合禁忌搜索和蜂群算法对所述初步搜救预案进行迭代更新，直至输出最优化规划方案。本发明提出的方法基于禁忌的蜂群算法提升了算法的探索能力和收敛速度，实现了对大规模、复杂的海上搜救路径规划问题的高效求解。

Description

基于禁忌蜂群算法的无人机海上搜救路径规划方法
技术领域
本发明属于路径规划技术领域，具体涉及一种基于禁忌蜂群算法的无人机海上搜救路径规划方法，可用于海上搜救、路径规划的场景。
背景技术
海上安全是各个国家安全应急体系的重要组成部分，出现人员落水、船只损坏等需要快速搜寻海域事故现场从而保证人员安全时，面对辖区广阔的海域，仅仅依靠人力搜救难以达到理想的效率，无人机在海上救援的应用便越来越受到重视。因此，制定合理高效的搜救计划进而定位落水人员的位置对于海上搜救至关重要。无人机由于操纵灵活、高效、成本低等优点，已经在很多场景中得到了很好的应用。无人机海上搜救路径规划问题是为一系列搜救任务合理安排无人机资源，使得无人机在能力允许的情况下完成任务，达到最大化发挥搜救作用的效果。当搜救任务数量少时，通过简单的规划即可完成全部的搜救任务。
传统的无人机路径规划管控模式是基于地面调度飞控中心集中管控的，整个无人机搜救的流程是从收到应急响应需求到提出合理的飞行路径方案的闭环流程。
请参见图1，图1是一种传统的海上搜救路径规划方法的实现流程图。从图1可以看出，海上搜救过程包括如下步骤：①海上搜救部门首先搜到救援申请；②海上搜救部门结合气象信息对搜救任务进行预处理，转化为路径规划的标准任务信息格式；③海上搜救部门再结合无人机、海上其他救援装备的信息进行任务规划，生成最终的无人机调度方案；④海上搜救部门根据任务调度方案无人机指令和多装备协同配合任务并发送给指挥部门；⑤指挥部门按照既定预案调度无人机开展搜救；⑥无人机开始搜救；⑦无人机获取的信息通过传输链路传输给海上处理平台或者指挥中心；⑧指挥中心将加工后的救援信息反馈给用户。这样就完成了整个无人机搜救的闭环流程。无人机路径规划主要是指其中的步骤②、③、④，属于海上搜救部门所负责的工作。
从图1可以看出，这个搜救流程涉及用户、搜救部门、指挥中心以及数据处理中心多个单位，每个单位业务不统一，交互不方便。路径规划时依据的气象信息和搜救资源信息并非实时信息，存在一定滞后性。而且我国海岸线很长，目前通信传输链路也不完善，而有限的链路资源在整个流程中起到了至关重要的作用，影响无人机接收指令和现场信息传输。整体上说，传统的无人机搜救流程可以完成无人机对部分环境信息的获取，但已然无法胜任新的需求与挑战。传统无人机搜救流程的弊端可总结如下：整个规划流程过于复杂繁琐，从接收到应急救援信息到无人机反馈信息周期往往较长，无法满足用户对于时效性的要求；无人机规划一般以离线作业为主，规划方案不能与实时变化的环境相适应；对通信链路过于依赖，无人机与指挥中心之间无法实时通信；缺乏辅助搜救手段和自动化信息处理流程，很多情况下需要对信息进行人工修正，整个搜索流程复杂，涉及大量的人机交互，极易出现错误操作。
可以看出，无人机在整个过程中只是依据调度指令执行路径调整、环境成像以及数据传输等指令，不能依据海上搜救环境变化做出实时响应，导致搜救任务无法完成，这也反映出搜救的效率比预计的要低。
对于海上救援问题而言，求解时间过久对于实际搜救是难以接受的。目前，已经存在很多利用蜜蜂算法解决路径规划问题或其他算法求解海上救援问题的研究。目前针对海上救援路径规划问题，学者提出了新形式的蜜蜂算法解决室内机器人的路径规划问题，通过静态环境中的可行路径得到初始种群，再通过局部搜索避免路径与动态障碍物的碰撞提升了算法的优越性。还有学者以两阶段的蜂群算法用于生成移动机器人的动态路径，先用简单规则生成初始无碰撞路径，再利用蜂群算法优化得到机器人的实时路径，有效提升了算法寻优速度和收敛性能。此外，针对单个无人机无法快速覆盖搜索区域的问题，基于网格的区域分解方法的随机搜索启发式算法，用来快速解决大规模无人机区域覆盖路径规划问题。上述技术发明在海上救援、路径规划等技术领域中有着重要的研究意义和越来越广泛的应用价值。
针对海上搜救路径规划问题，需要考虑无人机搜救过程时效性以及算法在求解过程中的全局最优性。目前，已经存在很多求解海上搜救路径规划问题的研究，在此类研究中，演化算法在解该问题方面较为常用，这些提出的算法在求解小规模无人机在静态环境下的路径规划效率较好，没有综合无人机搜救过程的目标。其局限性主要体现在：对于大规划任务和复杂环境约束条件下的求解算法存在不足，算法过早地陷入局部最优、搜救任务数据较少以及未充分考虑无人机在海上飞行环境下的电量约束、运动性能约束、区域覆盖搜索等约束条件。由于海上搜救路径规划问题目标函数和约束条件极为复杂，计算复杂度高，当前的求解模型和求解方法在优化结果上收敛速度慢，无法达到算法求解时效性和结果全局性二者兼顾的目的，还有待进一步完善。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于禁忌蜂群算法的无人机海上搜救路径规划方法，在建立海上搜救路径规划问题的数学规划模型的基础上，基于禁忌的蜂群算法提升算法的探索能力和收敛速度，实现对大规模、复杂的海上搜救路径规划问题的高效求解。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于禁忌蜂群算法的无人机海上搜救路径规划方法，包括：
S1：初始化任务信息，利用救援需求和环境特征构建搜救目标模型和目标函数；
S2：初始化约束条件信息，确定路径规划过程中的资源约束和环境约束，构建约束描述模型；
S3：对无人机搜救过程中涉及的各类型信息进行分析，构建无人机搜救能力模型；
S4：根据任务信息和约束条件信息进行无人机搜救路径初步规划，生成初步搜救预案；
S5：利用所述目标函数，结合禁忌搜索和蜂群算法对所述初步搜救预案进行迭代更新，直至输出最优化规划方案。
在本发明的一个实施例中，所述目标函数为：
其中，GTr表示第r个搜救中心派出的无人机数量，Q表示搜救中心数量，SD表示搜救中心派出的无人机数量的标准差，α1表示目标函数中无人机数量部分的影响因子，α2表示无人机数量标准差部分的影响因子，α1+α2＝1。
在本发明的一个实施例中，所述S2包括：
S2.1：结合无人机工作模型构建无人机搜救能力模型：
其中，UAVCapi,j表示无人机i的第j个能力，其中，表示无人机载荷能力描述模型，/>包括搜救范围和分辨率，/>表示无人机工作模式描述模型/>Modei,j表示由一系列操作组成的向量；
S2.2：构建约束描述模型：
其中，UAVConsi,j表示无人机i的第j个约束条件，包括搜救区域约束C、无人机电量约束E、航迹约束L和航程约束D。
在本发明的一个实施例中，所述搜救区域约束、所述无人机电量约束、所述航迹约束和所述航程约束的表达式分别为：
搜救区域约束：
其中，Q表示搜救中心数量，T表示任务数量，Mr表示搜救中心包括的无人机数量；表示任务j由搜救中心r派出的无人机u执行；
无人机电量约束：
其中，doj表示任务o与任务j之间的距离，dij表示任务i与任务j之间的距离，eu表示单架无人机单位距离电量消耗；为决策变量，表示如果由搜救中心r派出的无人机u先执行任务o，然后执行任务j，则/>否则/>同理/>为决策变量，表示如果由搜救中心r派出的无人机u先执行任务i，然后执行任务j，则/>否则/>Eu表示无人机蓄电池能存储的最大电量。di(|T|+1)表示任务i与任务|T|+1之间的距离；/>为决策变量，表示如果由搜救中心r派出的无人机u先执行任务i，然后执行任务|T|+1，则否则/>
航迹约束：
航程约束：
在本发明的一个实施例中，所述无人机搜救能力模型包括无人机载荷能力和可执行任务能力，其中，所述无人机载荷能力包括机载载荷探测范围和光学成像分辨率、无人机动力描述；所述可执行任务能力用来描述搜救任务信息、任务响应能力以及搜救任务评估。
在本发明的一个实施例中，所述S4包括：
S4.1：对待规划任务集合进行预处理调整，并根据预处理调整的结果对待规划任务集合进行粗规划，并产生预规划结果；
S4.2：通过所述无人机搜救能力模型和所述约束描述模型对无人机飞机路径进行精细化的规划，生成初步搜救预案。
在本发明的一个实施例中，所述S4.1包括：
对待规划任务集合进行预处理调整，所述预处理调整包括救援任务标准符合性检查、相同救援任务合并处理、区域救援任务拆分处理；根据预处理结果对待规划任务集合进行粗规划，即根据救援需求提交的顺序、救援的紧急程度在不考虑资源使用情况、能源消耗情况、无人机保障情况的前提下，对待安排需求进行排序并生成初步的救援方案，并产生初步搜救预案。
在本发明的一个实施例中，所述S4.2包括：
根据所述约束描述模型中的约束条件，综合考虑各搜救无人机的规划、待搜救任务的分配情况、各无人机的电量以及可用航程，调整所述预规划结果，直到产生的方案能够满足约束条件，从而生成初步搜救预案。
在本发明的一个实施例中，所述S5包括：
S5.1：接收到无人机待执行任务的位置信息，进入雇佣峰搜索阶段精选算法迭代，对当前待执行任务进行分析和评估；
S5.2：雇佣蜂搜索阶段反复迭代，直至输出最优化的搜索方案，规划结束。
在本发明的一个实施例中，所述S5.2包括：
S5.2a：对各类初始信息进行加载，输入搜救中心集合Center、任务数量Tasknum、种群大小Population、种群规模LPopulation、禁忌表长度TBL、互换片段长度GenL、控制参数Thre；
S5.2b：依据无人机运行路径、运行时间以及各无人机被安排的情况，计算种群适应度
S5.2c：根据种群进行的策略，当前种群下的适应度值满足Locali≥Locali-1，则将当代最优函数值替换原始最优函数值，并转至S5.2d；
S5.2d：依据步骤S5.2c，获取当前情况下当代最优个体替换原始最优个体Populationi；
S5.2e：根据禁忌策略，进行调整优化，如果禁忌表长度TBLi大于设置的最大长度TBL，则清空禁忌表，并保持最优的序列，直至整个过程结束，生成最后的路径规划方案。
与现有技术相比，本发明的有益效果有：
1、本发明从“时效性”和区域覆盖范围两个方面出发，考虑无人机在海上飞行环境下的电量约束、运动性能约束、区域特征等众多实际因素，提出了以总体搜救执行时间最短和各个搜救中心任务分配均衡为目标的优化函数，考虑了无人机电量和任务区域被全面搜索等各类约束条件。
2、本发明的方法综合考虑无人机电量、任务区域全面搜索等问题约束条件，构建海上搜救路径规划问题的约束描述模型和目标函数，研究海上搜救路径规划问题的数学规划模型，在最优规划方案的前提下实现搜救效率最大的目的，并对重要指标进行统计分析与评估，分别是：任务响应数据、搜救响应时间和资源使用情况。本发明提出的方法基于禁忌的蜂群算法，通过禁忌策略与蜂群算法相结合的改进算法，提高算法在求解复杂组合优化问题的能力，避免算法陷入局部最优，提升了算法的探索能力和收敛速度，实现了对大规模、复杂的海上搜救路径规划问题的高效求解。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是一种传统的海上搜救路径规划方法的实现流程图；
图2是本发明实施例提供的一种基于禁忌蜂群算法的无人机海上搜救路径规划方法的流程图；
图3是本发明实施例提供的一种基于禁忌蜂群算法的无人机海上搜救路径规划方法的处理过程示意图；
图4是本发明实施例提供的一种搜救目标模型的示意图；
图5是本发明实施例提供的一种无人机的搜救能力模型示意图；
图6是本发明实施例提供的一种无人机路径规划过程中的约束关系示意图；
图7是本发明实施例提供的一种任务与无人机分配约束关系图；
图8是本发明实施例提供的一种算法评估流程图；
图9是本发明实施例提供的一种搜救过程中任务执行的基本流程图；
图10是本发明实施例提供的一种任务变更前后无人机路径规划示意图；
图11是本发明实施例提供的一种新增任务重规划示意图；
图12是本发明实施例提供的一种基于禁忌搜索的蜂群算法流程图；
图13是各个算法运行结果中的平均值对比图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的基于禁忌蜂群算法的无人机海上搜救路径规划方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
海上环境的复杂性和气候的不确定性给无人机海上救援带来了极大的困扰，为了制定合理高效的搜救计划，需要对无人机救援路径规划问题的求解算法进行优化，以实现高时效性和稳定性的性能。本发明实施例在建立海上搜救路径规划问题的数学规划模型的基础上，基于禁忌蜂群算法提升算法的探索能力和收敛速度，实现对大规模、复杂的海上搜救路径规划问题的高效求解。请参见图2和图3，本实施例基于禁忌蜂群算法的无人机海上搜救路径规划方法具体包括如下步骤：
S1：初始化任务信息，利用救援需求和环境特征构建搜救目标模型和目标函数。
在本步骤中，首先需要明确搜救的基本需求，以救援需求为牵引，以救援任务为中心，辅助完成快速、准确、科学、高效的情况分析和预判。此外，由于海上无人机运动过程中环境应用较为复杂，在需求分析阶段还需要考虑无人机搜救过程中的各项影响因素，诸如海上环境和无人机搜救任务的特征等。因此，本发明实施例在需求分析阶段从无人机规划特点入手，定义了路径规划过程中的影响参数，包括：目标区域坐标(loni,lati)、无人机飞行速度(vu)、单架无人机单位距离电量消耗(eu)、蓄电池能存储的最大电量(Eu)、不同搜救任务之间的距离(Dij)等。
在本实施例中，将无人机路径规划问题描述为给定数量为|Q|的搜救中心，每个搜救中心包括|Mr|架无人机，在执行搜救任务时，需要从搜救中心集合Q中选定搜救中心qr，其坐标为(Lonr,Latr)，并从搜救中心qr中选择无人机mu按照速度vu飞至任务集合T中坐标为(loni,lati)的任务ti所在区域，任务i与任务j之间的欧式距离为Dij。在此过程中，每一架无人机执行多个任务的前提是无人机电量能够保证其返回搜救中心，因此当无人机因执行下个任务而无法返回搜救中心时，就要放弃继续执行任务并直接返回搜救中心。
此外，由于海上环境的复杂性和任务的动态响应，搜救路径规划过程需要考虑以下前提条件：整个搜救区域被划分为若干个待搜救区域任务，在整个搜救过程中搜救区域和若干搜救区域任务不会改变；无人机从搜救中心出发，到任务区域完成搜救任务，直至返回搜救中心的过程中，不会受到海况或者天气等外因的影响，也不会因自身原因出现故障或失控等意外情况；一个搜救中心可以同时派出多架无人机；一个无人机同一时段只能对一个任务区域进行搜救。上述前提条件的约定，可以减少由于不确定性带来的无法对算法进行有效评估的情况。
在初始化任务信息阶段需要从救援需求和环境特征入手，构建搜救目标模型和目标函数。无人机救援工作的目标可从两个角度进行描述：一是从“时效性”角度，针对某个具体任务，如何对现有的资源进行优化配置，实现快速的实施救援行动；另一个是从“搜索区域”的角度出发，通过研究如何对可用的资源进行分配，要求覆盖事故发生的区域，以满足尽可能多的救援需求，如图4所示。
本发明实施例将无人机飞行分为三个阶段：从搜集中心出发到达任务区域、任务区域之间飞行以及从任务区域返回搜救中心。解决路径规划问题可的搜救目标模型以借助图模型，有向图(N,E)表示一个无人机从一个搜救中心出发到达任务区域执行一个或多个任务并返回的网络图，其中，节点N＝Q∪T，表示搜救中心和任务(Q表示搜救中心数量，T表示任务数量)，E表示有向图的边，表示搜救路径需要考虑的任务节点。
本发明的目标是在各个搜救中心任务分配大致平衡的基础上，寻找最优路径规划方案，使得总体搜救执行时间最短。用各个搜救中心派出的无人机数量来衡量其工作量，通过计算各个搜救中心派出的无人机数量的标准差检验任务分配是否均衡。另外，最终的执行时间由各个搜救中心派出的无人机飞行时间的最大值来确定，本实施例的目标函数通过两个优化维度以权重系数相加的形式组成：
其中，GTr表示第r个搜救中心派出的无人机数量，SD表示搜救中心派出的无人机数量的标准差，α1表示目标函数中无人机数量部分的影响因子，α2表示无人机数量标准差部分的影响因子，α1+α2＝1。
需要说明的是，在步骤S1之前首先需要在考虑救援请求和救援任务的执行的情况下，明确搜救过程中描述搜救任务的参数，包括无人机信息、搜救中心信息和环境信息。此外，由于海上无人机运动过程中，环境应用较为复杂，在需求分析阶段还需考虑无人机搜救过程中的各项影响因素，诸如海上环境和无人机搜救任务的特征等。
S2：初始化约束条件信息，确定路径规划过程中的资源约束和环境约束，构建约束描述模型。
本实施例的步骤S2具体包括：
S2.1：结合无人机工作模型构建无人机搜救能力模型：
其中，UAVCapi,j表示无人机i的第j个能力，UAVCapi,j的能力可由二元组组成，其中，/>表示无人机载荷能力描述模型，/>包括搜救范围和分辨率，不同配置的无人机其所搭载的载荷能力不同。/>表示无人机工作模式描述模型/>Modei,j表示由一系列操作组成的向量。
S2.2：构建约束描述模型：
其中，UAVConsi,j表示无人机i的第j个约束条件，针对不同的UAV，UAVConsi,j的约束条件可由{C,E,L,D}四元组表示，其中，C表示搜救区域约束、E表示无人机电量约束、L表示航迹约束、D表示航程约束。搜救区域约束、无人机电量约束、航迹约束和航程约束的表达式依次如下：
搜救区域约束：
其中，Q表示搜救中心数量，T表示任务数量，Mr表示搜救中心包括的无人机数量；表示任务j由搜救中心r派出的无人机u执行。
无人机电量约束：
其中，doj表示任务o与任务j之间的距离，dij表示任务i与任务j之间的距离，eu表示单架无人机单位距离电量消耗；为决策变量，表示如果由搜救中心r派出的无人机u先执行任务o，然后执行任务j，则/>否则/>同理/>为决策变量，表示如果由搜救中心r派出的无人机u先执行任务i，然后执行任务j，则/>否则/>Eu表示无人机蓄电池能存储的最大电量。di(|T|+1)表示任务i与任务|T|+1之间的距离；/>为决策变量，表示如果由搜救中心r派出的无人机u先执行任务i，然后执行任务|T|+1，则否则/>
航迹约束：
航程约束：
S3：对无人机搜救过程中涉及的各类型信息进行分析，构建无人机搜救能力模型。
在本步骤中，基于路径规划问题的基本需求、基本目标和基本模型，对无人机搜救过程中涉及的各类型信息进行深入分析研究，构建相应的搜救能力描述模型，从无人机载荷能力和任务能力两个方面的特征来表示模型。具体包括：
S3.1：结合无人机载荷和任务模式构建无人机搜救能力模型，所述无人机搜救能力模型用无人机载荷能力和任务能力对无人机的能力进行描述，具体描述如下：
请参见图5，图5是本发明实施例提供的一种无人机的搜救能力模型示意图。本发明实施例定义无人机搜救能力模型从无人机载荷能力和可执行任务能力两个方面进行描述，其中，无人机载荷能力包括机载载荷探测范围和光学成像分辨率，以固定翼搜救无人机为例，载荷能力模型还包括无人机动力描述，通过无人机各轴速度、偏航角度等信息进行描述。本发明实施例中无人机的任务能力模式是用来描述搜救任务信息(包括目标位置、目标特征等)、任务响应能力(最短搜救时间)以及搜救任务评估(综合搜救时间和整体搜救任务完成率)的模型。本发明通过以上两个模型(无人机搜救能力模型和约束描述模型)的建立实现了搜救活动精细化管理和搜救效率的提升。
S3.2：定义无人机路径规划过程中需要考虑的约束条件。
本发明定义了无人机路径规划问题需要考虑的约束条件信息，包括搜救区域约束、无人机电量约束、航迹约束和航程约束，请参见图6，图6是本发明实施例提供的一种无人机路径规划过程中的约束关系示意图。本实施例将每一架次无人机需要从搜救中心出发，执行完任务之后返回搜救中心表示为航迹约束。此外，考虑时间紧急的情况下，每个搜救任务区域搜救限制和所有搜救区域必须覆盖，则表示搜救区域约束。此整个搜救过程中，电量约束和无人机最大航程约束贯穿全过程。具体地，搜救区域约束、无人机电量约束、航迹约束和航程约束的表达式如上所述。
S4：根据任务信息和约束条件信息进行无人机搜救路径初步规划，生成初步搜救预案。
通过上述步骤，基本明确了救援问题的基本目标和约束条件，此时进入规划算法对任务进行规划阶段。本步骤具体包括：
S4.1：对待规划任务集合进行预处理调整，并根据预处理结果对待规划任务集合进行粗规划，并产生预规划结果。
具体地，对待规划任务集合进行预处理调整，包括救援任务标准符合性检查(无人机需求、坐标、救援对象、救援时间、紧急程度等)、相同救援任务合并处理、区域救援任务拆分处理等；根据预处理结果对待规划任务集合进行粗规划，即根据救援需求提交的顺序、救援的紧急程度在不考虑资源使用情况、能源消耗情况、无人机保障情况的前提下，对待安排需求进行排序并生成初步的救援方案，并产生预规划结果。
S4.2：通过算法(无人机搜救能力模型和约束描述模型)对无人机飞机路径进行精细化的规划，生成初步搜救预案。
虽然对待搜救任务集进行了粗划分，但是规划的结果对于搜救方案整体效益体现仍然不明显。此时将通过算法对无人机飞机路径进行精细化的规划，前面定义了路径规划过程中的几种约束条件，显然在约束条件下，资源选择与规划过程中产生的结果是不一样的，根据这些约束关系，在初步救援方案的基础上，综合考虑各搜救无人机的规划、待搜救任务的分配情况、各无人机的电量以及可用航程，调整预规划结果，直到产生的方案可用满足约束条件。请参见图7，图7是本发明实施例提供的一种任务与无人机分配约束关系图。图7从无人机资源分配出发，根据任务的基本特征，进一步描述了生成无人机飞行路径的约束关系，在进行路径规划时，需要依据无人机载荷约束和能力约束关系，不同载荷的无人机所执行的任务是不同的，如搭载成像载荷的无人机和搭载救援装备的无人机在路径规划过程中需要考虑对于目标救援时二者到达的先后顺序。此外，救援需求不同，对无人机提出的能力要求也不同。再者，无人机i在执行任务j的过程中，不仅需要考虑无人机搭载载荷的开关机动作、救援物资何时下放的动作，还需要根据实际情况考虑无人机姿态机动。因此，规划方案还需结合实际无人机能力和环境，合理生成动作序列。一般来说，鉴于无人机资源配置情况，满足约束条件的规划路径都不是唯一的，经过算法的初步规划，生成初步搜救预案。
通过上述步骤，任务预处理和调用算法进行规划的过程已经完成。接下来就是优化过程，请参见图8和图9，图8是本发明实施例提供的一种算法评估流程图，图9是本发明实施例提供的一种搜救过程中任务执行的基本流程图，其中，虚线A表示的是初始化序列，实线B表示评估后进行再次规划规划的飞行路径序列，此过程利用约束条件对无人机执行任务的候选动作集反复计算迭代，从而实现无人机路径全局最优的目的。
经过初步规划后，接下来需要根据调度序列执行响应的动作。但是环境变化、突发情况以及经济效益考虑等原因，导致预先设定的调度方案无法满足实际使用需求，而造成搜救效率降低。为了避免这种情况的出现，此时，规划***需要根据当前环境特征，进行动态的动作调整，达到搜救收益最优的目的。
需要说明的是，在路径规划过程中，由于存在突发状况会导致原有的规划方案需要进行调整，因此该过程需要考虑将某些特殊的情况排除，保证***能够不受不可抗因素的影响。不失一般性地，规划过程中需要考虑的约束条件是相同的。首先，整个搜救区域被划分为若干个待搜救区域任务，在整个搜救过程中搜救区域和若干搜救区域任务不会改变；其次，无人机从搜救中心出发，到任务区域完成搜救任务，直至返回搜救中心的过程中，不会受到海况或者天气等外因的影响，也不会因自身原因出现故障或失控等意外情况；再次，一个搜救中心可以同时派出多架无人机；最后，一个无人机同一时段只能对一个任务区域进行搜救。
在进行路径制定时，首先需要有一个初始化的飞行路径输入，这个输入就是进行无人机路径优化的触发前提，而触发的条件需要在无人机调度中心进行规划调度前就需要提前设置好。在无人机路径优化调度过程中，一旦满足重规划的条件，调度中心将会根据***设置完成无人机飞机路径重调度响应。一般来说，无人机重规划过程中，需要进行重新规划的情况可以分为以下两种：
1)任务信息发生变化。调度中心依据实时现场动态情况对前期的任务信息进行校正后，如果任务信息发生变更，则需要进行重规划调整。对于待执行任务而言，由于无人机于指挥中心通信链路的限制，某时刻点任务T1的坐标位置存在误差，此时需要根据待救援任务的实际发生位置进行无人机路径重规划，在此过程中，由于位置的偏差，原有执行该任务的无人机会被其它无人机取代，需要对涉及该任务的无人机救援路径进行重新规划，并生成满足条件的无人机救援路径。请参见图10，图10是本发明实施例提供的一种任务变更前后无人机路径规划示意图，如图10所示，任务5的位置信息发生了变化，根据冲规划结果，执行该搜救的任务的无人机2无法继续执行，由无人机1接替执行该救援任务。
2)新增任务。无人机在搜救过程中，可能由于未预见到突发任务等情况，导致在飞行路径安排上需要做相应的改变，在这种情况下，需要重新规划路径，保障在该情况下的收益最大。请参见图11，图11是本发明实施例提供的一种新增任务重规划示意图，如图11所示，根据海上救援指挥中心的信息反馈，发现新的救援目标，此时需要考虑新救援目标的执行，进一步地需要考虑现有是否存在满足约束条件的前提下能够执行该任务的无人机，因此需要对无人机路径进行重规划，合理的调整无人机当前路径，并生成满足条件的无人机救援路径。
S5：利用禁忌蜂群算法和所述目标函数，对所述初步搜救预案进行迭代更新，直至输出最优化规划方案。
在明确任务规划需要考虑的因素和重规划触发条件之后，接下来描述具体的规划方法，本发明实施例将禁忌搜索和蜂群算法组合，作为核心规划模块，用于求解无人机路径规划问题中的路径规划决策。
禁忌搜索(Tabu Search)是由美国科罗拉多大学Fred Glover教授提出的，通过算法连续的变化来跳出局部最优的求解方法。蜂群算法是通过模仿蜜蜂行为而提出的一种优化算法。在求解海上路径规划问题时，目前对于大规划任务和复杂环境约束条件下的求解算法存在不足，算法过早的陷入局部最优。采用基于禁忌搜索的蜂群算法避免算法在解决复杂组合优化问题时陷入局部最优。此外，与传统算法不同的是，该算法弥补了针对大规划任务和复杂环境约束条件下的求解算法的不足，能够适用在海上救援规划场景，最终获得最优化的规划方案。
蜂群算法和禁忌搜索算法都是经典的路径规划算法，蜂群算法作为典型的群体智能算法，是通过模拟蜜蜂采蜜的群体行为来构建的算法模型。禁忌搜索算法是一种解决优化问题的元启发式算法，禁忌是禁忌搜索算法最为独特的特点，在算法寻优过程中，依据禁忌策略，摒弃以前有出现过的种群特征，有效的避免了搜索陷入局部最优。通过使用禁忌表记录己经有过的最优解，并在之后的搜索过程中避免搜索禁忌表中最优条件，达到避免陷入局部最优解的效果。
二者结合的基于禁忌搜索的蜂群算法(TBBA，简称禁忌蚁群算法)的优势体现在通过使用禁忌搜索算法，引导蜂群算法逃避局部最优的陷阱，弥补了蜂群算法有局部搜索能力较差、收敛精度低、容易陷入早熟收敛等不足，能够提高算法收敛速度，实现搜救路径快速规划。
请参见图12，图12是本发明实施例提供的一种基于禁忌搜索的蜂群算法流程图，该基于禁忌搜索的蜂群算法求解过程包括以下步骤：
1)初始化参数，并生成初始解。对海上搜救路径规划中的各类初始信息进行加载，包括搜救中心集合、任务数量、种群大小种群规模、禁忌表长度、互换片段长度以及控制参数等。
2)侦察峰搜索阶段。在此过程中，侦察峰的搜索用来选择哪个无人机执行哪一项救援任务，得到搜索的结果。
3)接收侦察峰搜索的结果，标记对应已搜索的局部最优解的一些对象，尽量避免迂回搜索。进一步，考虑了基于禁忌策略，判断本次搜索过程是否在禁忌表中，如果在则重新搜索；否则更新禁忌策略表信息，明确无人机执行安排。
4)根据上一步的搜索结果，更新禁忌表，并存储本次无人机待执行任务的位置信息。
5)雇佣蜂搜索阶段。根据侦察峰提供的位置信息，通过对局部空间的进一步开发，目的是提升算法的表现。进一步地，本过程遍历所有满足条件的无人机，计算不同无人机执行该任务所获得的目标函数值，通过计算，选择觉得最终的无人机飞行路径。
6)判断所有任务是否安排完，如果安排完，则结束；否则，返回步骤2)。
禁忌搜索最重要的思想是标记对应已搜索的局部最优解的一些对象，尽量避免迂回搜索。在侦察蜂搜索阶段，本发明实施例利用启发式规则生成初始种群，即根据任务区域距搜救中心的欧式距离从近到远排序，并根据这个排序结果生成染色体序列。在侦察蜂搜索之前，先对初始种群进行复制，得到两个相同染色体序列的种群。接着对于复制种群中的每个个体都会进行搜索，并设定基因的互换片段长度。
对于种群中每一个个体的一组互换片段起点的选择，本专利同时考虑并避免了两种可能出现的情况，即包括起点在内的剩余染色体的基因长度能否满足互换长度的要求，以及一组互换片段是否会出现交叠状况。复制种群的每个个体进行搜索后，每个个体的两个互换片段序列放入禁忌表中，用于和后续新个体产生的互换片段做对照，通过禁忌搜索避免重复序列。如果新个体产生和禁忌表中相同的互换片段，则为此个体重新生成一组互换片段，再次和禁忌表中所有已经存储的互换片段对照，直至没有重复。
接着将原始种群和复制种群中每个个体的两段互换片段记入禁忌表中，同时记录原始种群每个个体的路径规划解决方案，并计算其路径规划对应的适应度函数。将两个种群中所有个体的适应度函数的最小值记录为当代种群最优值，并找到此适应度函数值对应的个体。将种群和收益拼接，并将适应度函数由小到大排序，随机抽取与种群规模相同数量的个体，完成筛选后组成新的种群。
在算法雇佣蜂阶段，雇佣蜂根据侦察蜂从蜜源带回来的花蜜质量决定是否跟随其前往蜜源周围进行局部搜索。需要对花池中的花蜜进行评估后，雇佣蜂轮盘赌选择侦察蜂的蜜源，在选择出的蜜源周围寻找新蜜源。如果雇佣蜂找到的新蜜源质量比侦察蜂的蜜源好，雇佣蜂变为侦察蜂，取代原始种群最优个体，同时可以招募新的雇佣蜂，开始下一轮的搜索。
优选地，本实施例的步骤S5具体包括：
S5.1：接收到无人机待执行任务的位置信息，进入雇佣峰搜索阶段精选算法迭代，对当前待执行任务进行分析和评估。
S5.1a)根据无人机i当前完成的任务数量UAVCompi，结合搜救中心接收到的搜救需求RescueDemandi和指挥中心安排的搜救需求CommandDemandi三者相结合，求得搜救中心的响应需求和无人机实际执行过程中的响应需求；
S5.1b)根据无人机i完成搜救任务的时间UAVTaskTimei，结合搜救中心接收到的搜救需求RescueDemandi的时间二者相结合，从无人机搜救时效分析无人机路径规划的时效性；
S5.1c)在对无人机搜救时效进行分析之后，本过程将对无人机救援任务满足情况进行分析，输出每一架无人机能够完成的救援任务数量。
S5.2：雇佣蜂搜索阶段反复迭代，直至输出最优化规划方案，规划结束；
S5.2a：对各类初始信息进行加载，输入搜救中心集合Center、任务数量Tasknum、种群大小Population、种群规模LPopulation、禁忌表长度TBL、互换片段长度GenL、控制参数Thre；
S5.2b：依据无人机运行路径、运行时间以及各个无人机被安排的情况，计算种群适应度
S5.2c：根据种群进行的策略，当前种群下的适应度值满足Locali≥Locali-1，则将当代最优函数值替换原始最优函数值，并转至S5.2d；
S5.2d：依据步骤S5.2c，获取当前情况下，当代最优个体替换原始最优个体Populationi；
S5.2e：根据禁忌策略，进行调整优化，如果禁忌表长度TBLi大于设置的最大长度TBL，则清空禁忌表，并保持最优的序列，直至整个过程结束，生成最后的动作序列。
本发明基于禁忌蜂群算法的无人机海上搜救路径规划方法的效果可通过以下对比仿真实验进一步说明：
(一)仿真条件
本发明进行的所有仿真实验基于Core(TM)i5-8265U CPU 1.60GHz,Windows 10操作***的电脑上、Matlab 2020a编码的环境。
(二)仿真内容
本发明采用随机生成场景的方式进行实验。数据集可以综合评价算法的表现，因此，本实施例将任务规模分别设置为100、200、300、400，搜救中心数量为3个。为了简洁清晰表示测试集，我们采用“T\C”形式反映任务规模和搜救中心数量，其中，T表示任务数量，C表示搜救中心数量。任务数量和搜救中心数量的比值越大，代表问题的规模越大。相应地，路径规划的难度也会越大。
针对比对算法，采用演化算法和搜索算法作为对比算法，验证本发明实施例TBBA算法对问题的求解表现。遗传算法(GA)是基于空间搜索来构造解决方案，邻域搜索算法(NS)通过邻域结构的不断改进寻找更好的搜救方案。我们设置每个测试集运行10次，并将各个算法的最小值(denoted as Min)、平均值(denoted as Ave)、标准差(denoted asStd)的结果记录在仿真实验结果表中，作为评价各个算法搜索表现的指标。
表1.不同任务规模的实验结果
通过仿真实验表中的数据对比可以发现，对于不同的任务规模，本实施例提出的TBBA算法在规划结果的三个方面均优于对比算法。可以看出，本实施例的算法可以有效解决搜救任务数量增多的大规模问题，得到更好的搜救调度规划方案，为实际救援提供辅助决策支持。
针对每个规模的任务数量，给出了各个算法运行结果中的平均值的对比图，如图13所示，在设置的所有测试集中，本实施例提出的TBBA算法能更快速找到任务调度规划方案，明显优于两种对比算法，也反映出本实施例提出的算法的优越性，可以有效应对包括大规模任务的区域搜索
实验结果表明：本发明基于禁忌蜂群算法的无人机海上搜救路径规划方法可以有效解决海上救援路径规划问题，在算法收益上的表现明显好于用于对比的算法。在调度过程中，禁忌算法的引用实现了调度效率的提升，降低了搜救过程中的响应时效。
综上，本发明从“时效性”和区域覆盖范围两个方面出发，考虑无人机在海上飞行环境下的电量约束、运动性能约束、区域特征等众多实际因素，提出了以总体搜救执行时间最短和各个搜救中心任务分配均衡为目标的优化函数，考虑了无人机电量和任务区域被全面搜索等各类约束条件。本发明的方法综合考虑无人机电量、任务区域全面搜索等问题约束条件，构建海上搜救路径规划问题的约束描述模型和目标函数，研究海上搜救路径规划问题的数学规划模型，在最优规划方案的前提下实现搜救效率最大的目的，并对重要指标进行统计分析与评估，分别是：任务响应数据、搜救响应时间和资源使用情况。本发明提出的方法基于禁忌的蜂群算法，通过禁忌策略与蜂群算法相结合的改进算法，提高算法在求解复杂组合优化问题的能力，避免算法陷入局部最优，提升了算法的探索能力和收敛速度，实现了对大规模、复杂的海上搜救路径规划问题的高效求解。
本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中所述基于禁忌蜂群算法的无人机海上搜救路径规划方法的步骤。本发明的再一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例所述基于禁忌蜂群算法的无人机海上搜救路径规划方法的步骤。具体地，上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，包括：
S1：初始化任务信息，利用救援需求和环境特征构建搜救目标模型和目标函数；
S2：初始化约束条件信息，确定路径规划过程中的资源约束和环境约束，构建约束描述模型；
S3：对无人机搜救过程中涉及的各类型信息进行分析，构建无人机搜救能力模型；
S4：根据任务信息和约束条件信息进行无人机搜救路径初步规划，生成初步搜救预案；
S5：利用所述目标函数，结合禁忌搜索和蜂群算法对所述初步搜救预案进行迭代更新，直至输出最优化规划方案。
2.根据权利要求1所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述目标函数为：
其中，GTr表示第r个搜救中心派出的无人机数量，Q表示搜救中心数量，SD表示搜救中心派出的无人机数量的标准差，α1表示目标函数中无人机数量部分的影响因子，α2表示无人机数量标准差部分的影响因子，α1+α2＝1。
3.根据权利要求1所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述S2包括：
S2.1：结合无人机工作模型构建无人机搜救能力模型：
其中，UAVCapi,j表示无人机i的第j个能力，其中，/>表示无人机载荷能力描述模型，/>包括搜救范围和分辨率，/>表示无人机工作模式描述模型/>Modei,j表示由一系列操作组成的向量；
S2.2：构建约束描述模型：
其中，UAVConsi,j表示无人机i的第j个约束条件，包括搜救区域约束C、无人机电量约束E、航迹约束L和航程约束D。
4.根据权利要求3所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述搜救区域约束、所述无人机电量约束、所述航迹约束和所述航程约束的表达式分别为：
搜救区域约束：
其中，Q表示搜救中心数量，T表示任务数量，Mr表示搜救中心包括的无人机数量；表示任务j由搜救中心r派出的无人机u执行；
无人机电量约束：
其中，doj表示任务o与任务j之间的距离，dij表示任务i与任务j之间的距离，eu表示单架无人机单位距离电量消耗；为决策变量，表示如果由搜救中心r派出的无人机u先执行任务o，然后执行任务j，则/>否则/>同理/>为决策变量，表示如果由搜救中心r派出的无人机u先执行任务i，然后执行任务j，则/>否则/>Eu表示无人机蓄电池能存储的最大电量。di(|T|+1)表示任务i与任务|T|+1之间的距离；/>为决策变量，表示如果由搜救中心r派出的无人机u先执行任务i，然后执行任务|T|+1，则/>否则/>
航迹约束：
航程约束：
5.根据权利要求1所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述无人机搜救能力模型包括无人机载荷能力和可执行任务能力，其中，所述无人机载荷能力包括机载载荷探测范围和光学成像分辨率、无人机动力描述；所述可执行任务能力用来描述搜救任务信息、任务响应能力以及搜救任务评估。
6.根据权利要求4所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述S4包括：
S4.1：对待规划任务集合进行预处理调整，并根据预处理调整的结果对待规划任务集合进行粗规划，并产生预规划结果；
S4.2：通过所述无人机搜救能力模型和所述约束描述模型对无人机飞机路径进行精细化的规划，生成初步搜救预案。
7.根据权利要求6所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述S4.1包括：
对待规划任务集合进行预处理调整，所述预处理调整包括救援任务标准符合性检查、相同救援任务合并处理、区域救援任务拆分处理；根据预处理结果对待规划任务集合进行粗规划，即根据救援需求提交的顺序、救援的紧急程度在不考虑资源使用情况、能源消耗情况、无人机保障情况的前提下，对待安排需求进行排序并生成初步的救援方案，并产生初步搜救预案。
8.根据权利要求6所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述S4.2包括：
根据所述约束描述模型中的约束条件，综合考虑各搜救无人机的规划、待搜救任务的分配情况、各无人机的电量以及可用航程，调整所述预规划结果，直到产生的方案能够满足约束条件，从而生成初步搜救预案。
9.根据权利要求8所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述S5包括：
S5.1：接收到无人机待执行任务的位置信息，进入雇佣峰搜索阶段精选算法迭代，对当前待执行任务进行分析和评估；
S5.2：雇佣蜂搜索阶段反复迭代，直至输出最优化的搜索方案，规划结束。
10.根据权利要求9所述的基于禁忌蜂群算法的无人机海上搜救路径规划方法，其特征在于，所述S5.2包括：
S5.2a：对各类初始信息进行加载，输入搜救中心集合Center、任务数量Tasknum、种群大小Population、种群规模LPopulation、禁忌表长度TBL、互换片段长度GenL、控制参数Thre；
S5.2b：依据无人机运行路径、运行时间以及各无人机被安排的情况，计算种群适应度
S5.2c：根据种群进行的策略，当前种群下的适应度值满足Locali≥Locali-1，则将当代最优函数值替换原始最优函数值，并转至S5.2d；
S5.2d：依据步骤S5.2c，获取当前情况下当代最优个体替换原始最优个体Populationi；
S5.2e：根据禁忌策略，进行调整优化，如果禁忌表长度TBLi大于设置的最大长度TBL，则清空禁忌表，并保持最优的序列，直至整个过程结束，生成最后的路径规划方案。
CN202310662225.2A 2023-06-05 2023-06-05 基于禁忌蜂群算法的无人机海上搜救路径规划方法 Pending CN116625376A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310662225.2A CN116625376A (zh) 2023-06-05 2023-06-05 基于禁忌蜂群算法的无人机海上搜救路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310662225.2A CN116625376A (zh) 2023-06-05 2023-06-05 基于禁忌蜂群算法的无人机海上搜救路径规划方法

Publications (1)

Publication Number Publication Date
CN116625376A true CN116625376A (zh) 2023-08-22

Family

ID=87613270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310662225.2A Pending CN116625376A (zh) 2023-06-05 2023-06-05 基于禁忌蜂群算法的无人机海上搜救路径规划方法

Country Status (1)

Country Link
CN (1) CN116625376A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117914434A (zh) * 2024-01-22 2024-04-19 武汉理工大学 海上救援通信信道衰减模型的信道衰减补偿方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117914434A (zh) * 2024-01-22 2024-04-19 武汉理工大学 海上救援通信信道衰减模型的信道衰减补偿方法及装置

Similar Documents

Publication Publication Date Title
Beck et al. Online planning for collaborative search and rescue by heterogeneous robot teams
CN112016812B (zh) 多无人机任务调度方法、***及存储介质
CN112561395A (zh) 无人机协同方法、***、装置、电子设备及存储介质
Xu et al. Data-driven resilient fleet management for cloud asset-enabled urban flood control
CN113505431B (zh) 基于st-dqn海上无人机目标搜寻方法、装置、设备和介质
Liu et al. Solving the tree-structured task allocation problem via group multirole assignment
CN116625376A (zh) 基于禁忌蜂群算法的无人机海上搜救路径规划方法
CN112230675A (zh) 在协同搜救中考虑运行环境和性能的无人机任务分配方法
CN111538349B (zh) 面向多任务的长航程auv自主决策方法
CN116720642A (zh) 车辆与无人机协同配送的路径优化方法和***
Zadeh et al. An autonomous reactive architecture for efficient AUV mission time management in realistic dynamic ocean environment
Gao et al. Ensemble meta-heuristics and Q-learning for solving unmanned surface vessels scheduling problems
Tagliaferri et al. A real-time strategy-decision program for sailing yacht races
CN110222824B (zh) 智能算法模型自主生成及进化方法、***、装置
CN117724524A (zh) 一种基于改进球面向量粒子群算法的无人机航线规划方法
Ouelmokhtar et al. Near-optimal covering solution for USV coastal monitoring using PAES
Zhu et al. Maritime patrol tasks assignment optimization of multiple USVs under endurance constraint
CN112506216A (zh) 一种无人机的飞行路径规划方法及装置
Turguner et al. Solving job shop scheduling problem with Ant Colony Optimization
Zamuda et al. Improving constrained glider trajectories for ocean eddy border sampling within extended mission planning time
Varghese et al. Dynamic spatial block arrangement scheduling in shipbuilding industry using genetic algorithm
Ru et al. Research on a hybrid neural network task assignment algorithm for solving multi-constraint heterogeneous autonomous underwater robot swarms
CN115310577A (zh) 一种海上搜救资源选择方法及装置
Chen et al. Research on a task planning method for multi-ship cooperative driving
Wei et al. Long-term autonomous mission planning of AUV in large-scale complex marine environment

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