CN117516538A - 一种无人机航路规划方法、装置、计算设备及存储介质 - Google Patents
一种无人机航路规划方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN117516538A CN117516538A CN202311483155.0A CN202311483155A CN117516538A CN 117516538 A CN117516538 A CN 117516538A CN 202311483155 A CN202311483155 A CN 202311483155A CN 117516538 A CN117516538 A CN 117516538A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- path
- receiving station
- vertex
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 241000283153 Cetacea Species 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008901 benefit Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 43
- 238000012546 transfer Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种无人机航路规划方法、装置、计算设备及存储介质，该方法包括：首先确定航路网络信息；根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型；然后采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果，该方法根据航路网络信息、无人机网络总收益最大化和总阻抗最小化建立路径规划模型，通过鲸鱼优化算法和逐次算法对路径规划模型进行求解从而得到无人机航路规划结果，将随机需求与不同环境对无人机飞行速度的随机影响纳入模型中，实现了对无人机航路网络容量的优化分配，为未来物流无人机大规模、常态化运行提供了进一步的指导。
Description
技术领域
本公开实施例涉及无人机技术领域，尤其涉及一种无人机航路规划方法、装置、计算设备及存储介质。
背景技术
无人机物流和其他新兴产业的发展，对低空空域管理提出了新的要求。空域容量评估作为空中交通管理的核心要素，是合理分配空域资源的重要前提。
然而，低空空域复杂多变，将现有的典型空域容量评价方法应用于低空空域存在局限性。由于对低空空域容量评价技术的研究还处于初期阶段，目前还没有形成统一的低空空域容量定义。
发明内容
本公开实施例提供了一种无人机航路规划方法、装置、计算设备及存储介质，实现了对无人机航路网络容量的优化分配。
第一方面，提供了一种无人机航路规划方法，包括：
确定航路网络信息；
根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型；
采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果。
第二方面，提供了一种无人机航路规划装置，包括：
信息确定模块，用于确定航路网络信息；
建模模块，用于根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、总阻抗最小化为第二目标函数，建立路径规划模型；
求解模块，用于采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果。
第三方面，提供了一种计算设备，所述计算设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的无人机航路规划方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面提供的无人机航路规划方法。
本公开实施例提供了一种无人机航路规划方法、装置、计算设备及存储介质，该方法，首先确定航路网络信息；然后根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型；采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果。上述技术方案，根据航路网络信息、无人机网络总收益最大化和总阻抗最小化建立路径规划模型，通过鲸鱼优化算法和逐次算法对路径规划模型进行求解从而得到无人机航路规划结果。现有技术中物流无人机航路网络容量分配研究均假设确定的需求与无人机飞行速度，这与实际情况不符。与现有技术相比，本技术方案适应未来物流无人机大规模、常态化运行的趋势，解决了考虑随机性的物流无人机航路网络容量分配问题，减少优化迭代的时间，实现了对无人机航路网络容量的优化分配。
应当理解，本部分所描述的内容并非旨在标识本公开实施例的关键或重要特征，也不用于限制本公开实施例的范围。本公开实施例的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例一提供的一种无人机航路规划方法的流程图；
图2为本公开实施例一提供的任务场景示意图；
图3为本公开实施例一提供的场景示意图；
图4为本公开实施例一提供的技术方案的实施流程示意图；
图5为本公开实施例二提供的另一种无人机航路规划方法的流程图；
图6为本公开实施例二提供的所有路径汇总示意图；
图7为本公开实施例二提供的最优物流无人机航路容量分配方案示意图；
图8为本公开实施例三提供的一种无人机航路规划装置的结构示意图；
图9为本公开实施例四提供的一种计算设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开实施例的方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开实施例一部分的实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开实施例保护的范围。
需要说明的是，本开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本开实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本公开实施例一提供了一种无人机航路规划方法的流程图，本实施例可适用于对无人机航路进行规划的情况，该方法可以由无人机航路规划装置来执行，该无人机航路规划装置可以采用硬件和/或软件的形式实现，该无人机航路规划装置可配置于计算设备中。如图1所示，该方法包括：
S101、确定航路网络信息。
在本实施例中，无人机可以在航路网络的节点之间沿直线飞行。首先确定航路网络信息，航路网络信息可以是无人机飞行航路网中所包含的信息，航路网络信息可以包括传递站顶点、接收站顶点、边集、边集中每条边的航路容量上限、每条边对无人机飞行速度的影响率、以及接收站顶点的需求量。
具体的，将传递站排序后构成传递站顶点集：
其中，VI表示N个传递站构成的集合，在本实施例中，N＝2。图2给出了本公开实施例的任务场景示意图，如图2所示，传递站由图2中的正方形表示，正方形中标识了传递站的序号。
将接受站排序后构成接受站顶点集：
其中，VJ表示M个接受站构成的集合，在本实施例中，M＝2，接受站由图2中的圆形表示，圆形中标识了接受站的序号。
结合式(1)和式(2)，构成全顶点集合：
V＝{VI,VJ} (3)
顶点之间的路径构成边集：
E＝{e1,...,ek,...,eK} (4)
其中，E表示M+N个顶点之间的路径构成的边集，ek表示第k条边，K为边的条数，在本实施例中，E即为图2中圆形、正方形之间的所有两两直线连接，直线上的数字表示边的序号。
定义每条边的航路容量上限：
C＝{c1,...,ck,...,cK} (5)
其中，ck表示第k条边的航路容量上限，在本实施例中，每条边的航路容量上限由图2中直线旁的数字表示。
定义每条边对无人机飞行速度的影响率：
Λ＝{λ1,...,λk,...,λK} (6)
其中，λk表示第k条边对无人机飞行速度的影响率，为大于0的随机变量，示例性的，所有Λ均服从[0.5,2]上的均匀分布。
定义接受站顶点的需求量：
其中，表示第j个接受站顶点的需求量，为大于0的随机变量。示例性的，接受站顶点的需求量都服从指数分布，每个分布的期望由图2中圆形的数字表示。
S102、根据航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型。
具体的，在获取到航路网络信息，可以根据获取的航路网络信息，并以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型。在本实施例中，无人机网络总收益可以为各所述接收站顶点需求被满足的总收入与缺货的总成本之和的期望值，其中，需求被满足的总收入可以为：
其中，可以为每一对传递站顶点和接受站顶点间的物流。
缺货的总成本可以为：
其中，对于一个所述接收站顶点，所述需求被满足的总收入为所述接收站顶点的单位需求被满足的收入与被满足的需求量之积，所述被满足的需求量为所述接收站顶点的需求量和各所述传递站顶点与所述接收站顶点间的物流中的最小值，其中，接收站顶点的需求量可以表示为：传递站顶点与接收站顶点的物流可以表示为：/>
所述缺货的总成本为所述接收站顶点的单位需求缺货的成本与缺货的需求量之积，所述缺货的需求量为设定差值和0中的最大值，所述设定差值为所述接收站顶点的需求量减去各所述传递站顶点与所述接收站顶点间的物流得到的值，即为：
所述总阻抗值为各传递站顶点和接收站顶点之间每条路径和相应阻抗系数的乘积，其中，各传递站顶点和接收站顶点之间每条路径可以表示为：阻抗系数可以表示为
S103、采用鲸鱼优化算法和逐次算法求解路径规划模型，得到无人机航路规划结果。
需要解释的是，路径规划模型构建完成以后，可以利用鲸鱼优化算法和逐次算法求解路径规划模型。其中，鲸鱼优化算法可以是模仿自然界中鲸鱼捕食行为的新型群体智能优化算法，逐次算法也可以被称为连续平均算法，逐次算法可以将迭代过程中一系列的辅助点进行平均，其中，每一个迭代点都可以通过求解辅助规划问题得来，而辅助规划问题又可以基于之前的迭代过程中的辅助变量得到，与传统的Frank-Wolf算法相比，这种方法的优点是在每次迭代的过程中，不需要通过求解线性搜索问题而得到迭代步长，而且迭代步长是预先确定的，因此逐次算法较为简单。路径规划模型可以是用来对无人机的飞行航路进行求解的模型。
接上述描述，利用鲸鱼优化算法和逐次算法对建立的路径规划模型求解，就可以得到无人机航路规划结果，其中，无人机航路规划结果可以是对无人机航路网络容量的优化分配方案。
本实施例提供了一种无人机航路规划方法，该方法首先确定航路网络信息；根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型；然后采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果。该方法将随机需求与不同环境对无人机飞行速度的随机影响纳入模型中，实现了对无人机航路网络容量的优化分配，为未来物流无人机大规模、常态化运行提供了进一步的指导。
可选的，所述路径规划模型的约束条件包括：
a1)每条边上的物流不超过该边的容量上限约束；
具体的，可以计算每条边上的物流数量：
则有，每条边上的物流的数量不可以超过该边的容量上限：
yk≤ck,1≤k≤K (11)
其中，ck表示第k条边的航路容量上限，K为边的条数，yk可以表示为每条边上的物流数量。
b1)每一对传递站顶点和接收站顶点间的物流不超过该对传递站顶点和接收站顶点间的容量上限约束。
可以知道的是，计算每一对传递站顶点和接受站顶点间的物流：
则有，每一对传递站顶点和接受站顶点间的物流不超过该对传递站顶点和接受站顶点间的容量上限约束：
图3给出了本公开实施例的实施场景，图4给出了本公开实施例的技术方案的实施过程的示意图。该方法针对接收站具有随机性需求、飞行路径上的不同边对飞行速度具有不同随机性影响的物流无人机航路网络，利用双层非线性规划建模上述问题，求解使得上层的物流无人机网络流总收益最大化、下层的总阻抗值最小化的航路容量分配方案。
本公开实施例还提出了一种针对上述双层非线性规划模型的、基于鲸鱼优化算法和逐次算法方法的物流无人机航路容量分配方法。
本公开实施例的有益效果：
1)设计了基于交通流分配的物流无人机航路网络容量评价的双层优化模型，为未来物流无人机大规模、常态化运行提供了进一步的指导；
2)将随机需求与不同环境对无人机飞行速度的随机影响纳入模型中，因而更符合无人机应用的实际情况；
3)提出了一种基于鲸鱼优化算法和逐次算法的最优航路容量分配方法。该算法能在充分缩短计算时间的条件下，求得性能足够好的解决方案。
实施例二
图5为本公开实施例二提供的另一种无人机航路规划方法。本公开实施例是基于上述实施例进一步的进行优化与扩展。如图5所示，该方法包括：
S201、确定航路网络信息。
示例性的，航路网络信息可以包括传递站顶点、接收站顶点、边集、边集中每条边的航路容量上限、每条边对无人机飞行速度的影响率、以及接收站顶点的需求量。
S202、根据航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型。
具体的，首先定义一对传递站顶点和接受站顶点间的所有路径集合：
其中，表示第i个传递站与第j个接受站顶点间的所有路径集合，/>表示第r条路径，对任意集合S，|S|表示其元素个数。图6给出了本公开实施例的所有路径汇总示意图，如图6所示，所有路径由图6中圆形、正方形之间的两两曲线连接表示。
定义构成每条路径的边集合：
示例性的，每条路径的边集合由图6中曲线上的集合表示。
计算每条路径的航路容量上限：
在本实施例中，每条路径的航路容量上限可以由图6中直线旁的数字表示。
计算每一对传递站顶点和接受站顶点间的航路容量上限：
计算每条边的航路容量上限：
其中，Lk表示第k条边的长度，lU表示无人机的长度，lS表示两架无人机间的安全距离。示例性的，图6中的直线距离表示了每条边的长度lU＝2.5，lS＝20。
计算每条边的时间阻抗系数：
其中，v表示无人机的飞行速度，如：v可以是120，E(·)表示求期望操作。
计算每条边上无人机故障坠落时的动能冲击：
其中，m表示无人机的质量，hk表示第k条边上无人机的飞行高度，q为阻力系数，A为无人机故障坠落时的面积，ρk表示第k条边上的空气密度。示例性的，m＝1.4，所有hk均为100，q＝0.28，A＝0.02，所有ρk均为1.25。
计算每条边上无人机故障坠落时造成的死亡率：
其中，S表示遮蔽系数，0＜S≤1，ηk表示第k条边上当S＝0.5且Fk＝0.5时所需的能量，μk表示第k条边上当S趋近于0时，无人机故障坠落导致人员伤亡所需要的能量阈值。在本实施例中，S＝0.5，所有ηk均为106，所有μk均为100。
计算每条边上无人机故障坠落时造成的人员伤亡数：
Nk＝Aαk,1≤k≤K (22)
其中，αk表示第k条边上的人口密度，示例性的，αk均为1。
计算每条边上的安全阻抗系数：
ok＝PNkFk,1≤k≤K (23)
其中，P表示无人机的故障坠落概率。在本实施例中：P＝5×10-5。
计算每条边上的阻抗系数：
wk＝βtk+(1-β)ok,1≤k≤K (24)
其中，β为权重。
计算每条路径的阻抗系数：
定义每条路径流决策变量的取值范围：
计算每条边上的物流：
每条边上的物流不超过该边的容量上限约束：
yk≤ck,1≤k≤K (28)
计算每一对传递站顶点和接受站顶点间的物流：
每一对传递站顶点和接受站顶点间的物流不超过该对传递站顶点和接受站顶点间的容量上限约束：
wk＝βtk+(1-β)ok,1≤k≤K (30)
需要解释的是，在获取到航路网络信息后，可以以无人机网络总收益最大化建立第一目标函数：
其中，fj为第j个接收站的单位需求满足收入，bj为第j个接收站的单位需求缺货成本。在本实施例中，所有fj和所有bj均为1。
并以总阻抗最小化建立第二目标函数：
将式(14)～式(32)汇总，可以得到物流无人机航路容量分配双层非线性规划模型，利用双层非线性规划模型可以得到使得上层的物流无人机网络流总收益最大化、下层的总阻抗值最小化的航路容量分配方案。
S203、随机生成设定数量的可行解，其中，一个可行解为一种传递站顶点和接收站顶点间的物流。
具体的，根据每条边对无人机飞行速度的影响率的分布函数，写出式(19)的具体表达式；根据每个接受站顶点的需求量的分布函数，写出式(31)的具体表达式，采用罚函数方法将第一目标函数修改为：
其中，γ为一充分大的正数，示例性的，γ可以为100。
接上述描述，获取到第一目标函数后，可以随机生成设定数量的可行解，其中，可行解可以是传递站顶点和接收站顶点间的物流，设定数量可以是预先设定的数量值。示例性的，随机生成100组第一目标函数的可行解，即随机生成100组传递站顶点和接受站顶点间的物流zi j。
S204、计算当前各所述可行解的第一目标函数的值，作为适应度，并根据所述适应度确定各所述可行解中的当前最优解。
可以知道的是，在随机生成可行解后，计算随机生成的可行解的第一目标函数的值，并将该值作为该可行解的适应度，示例性的，以每个可行解第一目标函数值Q′作为其适应度。
具体的，在得到所有可行解的适应度后，可以根据所有可行解的适应度确定所有可行解中的当前最优解，其中，当前最优解可以表示为
S205、在当前迭代中，将各可行解作为输入，基于鲸鱼优化算法生成多个下一代可行解。
需要解释的是，在求解最优解时，可以判断当前的迭代次数t是否达到最大的迭代次数T，其中，最大迭代次数T可以是25。若未达到最大迭代数，则以此时所有可行解可以作为输入，利用鲸鱼优化算法生成下一代可行解，同时当前的迭代次数加1，即为：t＝t+1。
其中，基于鲸鱼优化算法生成多个可行解时，可以随机生成大小为G的鲸鱼种群，即为随机生成G个可行解，示例性的，G可以为100。设这G个可行解分别为其中，/>表示第g个可行解；计算可行解的第一目标函数的值，即为可行解的适应度；可以根据求得的适应度确定可行节中的最优解，并将最优解设为/>
接上述描述，当迭代次数t小于最大迭代数T时，通过更新迭代步长因子和种群变更公式进行迭代，其中，迭代步长因子可以为：种群变更公示可以为：A＝2ar1-a，C＝2r2，其中，r1和r2可以是0～1之间的随机数。
具体的，随机选择-1～1之间的一个数l，随机选择0～1之间的一个数p，给定一个概率阈值，如：概率阈值可以是0.5。若p小于概率阈值，如果|A|＜1，则按照更新第g个可行解，其中g＝1,2,...,G，|·|表示取绝对值运算，/>如果|A|≥1，则随机选择一个可行解，记为/>并按照/>更新第g个可行解，其中g＝1,2,...,G，/>
若p大于等于概率阈值，则按照更新第g个可行解，其中g＝1,2,...,G，/>b＝-1。可行解更新后，可以计算更新后的每个可行解的适应度，并根据更新后的每个可行解的适应度，更新最优可行解/>并更新迭代数t，当迭代次数t大于等于最大迭代数T时，输出此时的最优可行解及其适应度。
S206、根据下一代可行解随机生成一组路径流。
具体的，可以根据鲸鱼优化算法生成的关于传递站顶点和接受站顶点间的物流的下一代可行解随机生成一组路径流，其中，路径流可以是无人机的飞行路径的集合，路径流可以表示为：
S207、计算无人机选择路径流中的每条路径飞行的概率。
需要解释的是，路径流生成以后，可以通过逐次算法更新当前最优解的值。计算无人机选择第r条路径飞行的概率：
其中，θ为Grumbel系数，在本实施例中，θ＝0.1。
S208、利用Logit函数确定第二迭代方向，根据迭代方向更新路径流。
具体的，可以利用Logit函数计算下层规划的迭代方向：
其中，可以为逐次算法中的辅助变量。
迭代方向计算完成后，可以利用迭代方向更新的值：
其中，公式(36)中的可以是在对迭代过程中的辅助点进行平均。
S209、若两代可行解的差值超过更新差阈值，则返回计算无人机选择路径流中的每条路径飞行的概率的步骤。
需要说明的是，可以计算两代的可行解的差值：
其中，ε为逐次算法的更新差阈值，示例性的，ε＝0.005。
接上述描述，可以判断两代可行解的差值与更新差阈值之间的关系，其中，更新差阈值可以是用于对两代可行解的差值进行判断的阈值。当两代可行解的差值满足公式(37)时，即两代可行解的差值小于等于更新差阈值时，则可以返回步骤S207执行，即为当两代可行解的差值小于等于更新差阈值时，返回计算无人机选择所述路径流中的每条路径飞行的概率。
S210、若不超过更新差阈值，则确定下一代可行解的适应度，更新当前最优解。
需要说明的是，当两代可行解的差值大于更新差阈值时，可以将得到的带入公式(27)和公式(28)，并判断每条边上的物流不超过该边的容量上限约束是否满足。
可以知道的是，可以根据是否满足约束条件进而判断下一代可行解的适应度的值。在得到所有可行解的适应度后，可以根据所有可行解的适应度确定所有可行解中的当前最优解，从而更新最优解
可选的，确定所述下一代可行解的适应度，包括：
a1)在每条边上的物流不超过相应的航路容量上限的情况下，令相应的下一代可行解的适应度保持不变。
具体的，将得到的带入公式(27)和公式(28)，并判断每条边上的物流不超过该边的容量上限约束条件是否被满足。当每条边上的物流不超过该边的容量上限约束条件被满足时，可以保持相应的/>的适应度不变。
b1)在每条边上的物流超过相应的航路容量上限的情况下，令相应的下一代可行解的适应度为某一负值。
接上述描述，每条边上的物流不超过该边的容量上限约束条件没有满足时，则可以使相应的适应度为某一负值。示例性的，每条边上的物流不超过该边的容量上限约束条件没有满足时，则可以使相应/>的适应度为-100。
S211、若当前迭代未达到最大迭代次数，则进入下一次迭代。
在本实施例中，如果当前的迭代次数达到最大迭代数，可以将此时得到的最优解输出，并作为最终的物流无人机航路容量分配方案。在本实施例中，可解得如图7所示的最优物流无人机航路容量分配方案。其中，每条曲线旁的数字表示了对应路径的物流分配。
本实施例的技术方案，首先确定航路网络信息；根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型，然后随机生成设定数量的可行解，其中，一个可行解为一种传递站顶点和接收站顶点间的物流；计算当前各所述可行解的第一目标函数的值，作为适应度，并根据所述适应度确定各所述可行解中的当前最优解；在当前迭代中，将各所述可行解作为输入，基于鲸鱼优化算法生成多个下一代可行解；根据各所述下一代可行解随机生成一组路径流；计算无人机选择所述路径流中的每条路径飞行的概率；利用Logit函数确定第二迭代方向，根据所述迭代方向更新所述路径流；若两代可行解的差值超过更新差阈值，则返回计算无人机选择所述路径流中的每条路径飞行的概率的步骤；若不超过更新差阈值，则确定所述下一代可行解的适应度，更新当前最优解；若当前迭代未达到最大迭代次数，则进入下一次迭代。本公开实施例的技术方案能在充分缩短计算时间的条件下，求得性能足够好的解决方案。
实施例三
图8为本公开实施例三提供的一种无人机航路规划装置的结构示意图。如图8所示，该装置包括：信息确定模块301、建模模块302、求解模块303。
其中，信息确定模块301，用于确定航路网络信息；
建模模块302，用于根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、总阻抗最小化为第二目标函数，建立路径规划模型；
求解模块303，用于采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果。
本公开实施例三提供了一种无人机航路规划装置，解决了考虑随机性的物流无人机航路网络容量分配问题，减少优化迭代的时间，实现了对无人机航路网络容量的优化分配。
进一步的，所述航路网络信息包括传递站顶点、接收站顶点、边集、边集中每条边的航路容量上限、每条边对无人机飞行速度的影响率、以及接收站顶点的需求量。
进一步的，所述无人机网络总收益为各所述接收站顶点需求被满足的总收入与缺货的总成本之和的期望值；
其中，对于一个所述接收站顶点，
所述需求被满足的总收入为所述接收站顶点的单位需求被满足的收入与被满足的需求量之积，所述被满足的需求量为所述接收站顶点的需求量和各所述传递站顶点与所述接收站顶点间的物流中的最小值；
所述缺货的总成本为所述接收站顶点的单位需求缺货的成本与缺货的需求量之积，所述缺货的需求量为设定差值和0中的最大值，所述设定差值为所述接收站顶点的需求量减去各所述传递站顶点与所述接收站顶点间的物流得到的值。
进一步的，所述总阻抗值为各传递站顶点和接收站顶点之间每条路径和相应阻抗系数的乘积。
可选的，求解模块303还可以包括：
可行解生成单元，用于随机生成设定数量的可行解，其中，一个可行解为一种传递站顶点和接收站顶点间的物流；
最优解确定单元，用于计算当前各所述可行解的第一目标函数的值，作为适应度，并根据所述适应度确定各所述可行解中的当前最优解；
下一代可行解生成单元，用于在当前迭代中，将各所述可行解作为输入，基于鲸鱼优化算法生成多个下一代可行解；
路径流生成单元，用于根据各所述下一代可行解随机生成一组路径流；
路径概率计算单元，用于计算无人机选择所述路径流中的每条路径飞行的概率；
路径流更新单元，用于利用Logit函数确定第二迭代方向，根据所述迭代方向更新所述路径流；
可行解判断单元，用于若两代可行解的差值超过更新差阈值，则返回计算无人机选择所述路径流中的每条路径飞行的概率的步骤；
若不超过更新差阈值，则确定所述下一代可行解的适应度，更新当前最优解；
迭代次数判断单元，用于若当前迭代未达到最大迭代次数，则进入下一次迭代。
进一步的，可行解判断单元还可以用于：
在每条边上的物流不超过相应的航路容量上限的情况下，令相应的下一代可行解的适应度保持不变；
在每条边上的物流超过相应的航路容量上限的情况下，令相应的下一代可行解的适应度为某一负值。
进一步的，建模模块302还可以包括：
每条边上的物流不超过该边的容量上限约束；
每一对传递站顶点和接收站顶点间的物流不超过该对传递站顶点和接收站顶点间的容量上限约束。
本公开实施例所提供的数据处理装置可执行本公开实施例任意实施例所提供的车辆驾驶模式控制方法，具备执行方法相应的功能模块和有益效果。
实施例四
图9示出了可以用来实施本公开实施例的计算设备10的结构示意图。计算设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开实施例的实现。
如图9所示，计算设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储计算设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
计算设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许计算设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微处理器等。处理器11执行上文所描述的各个方法和处理，例如无人机航路规划方法。
在一些实施例中，无人机航路规划方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到计算设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的无人机航路规划方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行无人机航路规划方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开实施例的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算设备上实施此处描述的***和技术，该计算设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开实施例中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开实施例的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开实施例保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开实施例的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开实施例保护范围之内。
Claims (10)
1.一种无人机航路规划方法，其特征在于，包括：
确定航路网络信息；
根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、以总阻抗最小化为第二目标函数，建立路径规划模型；
采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果。
2.根据权利要求1所述的方法，其特征在于，所述航路网络信息包括传递站顶点、接收站顶点、边集、边集中每条边的航路容量上限、每条边对无人机飞行速度的影响率、以及接收站顶点的需求量。
3.根据权利要求2所述的方法，其特征在于，所述无人机网络总收益为各所述接收站顶点需求被满足的总收入与缺货的总成本之和的期望值；
其中，对于一个所述接收站顶点，
所述需求被满足的总收入为所述接收站顶点的单位需求被满足的收入与被满足的需求量之积，所述被满足的需求量为所述接收站顶点的需求量和各所述传递站顶点与所述接收站顶点间的物流中的最小值；
所述缺货的总成本为所述接收站顶点的单位需求缺货的成本与缺货的需求量之积，所述缺货的需求量为设定差值和0中的最大值，所述设定差值为所述接收站顶点的需求量减去各所述传递站顶点与所述接收站顶点间的物流得到的值。
4.根据权利要求2所述的方法，其特征在于，所述总阻抗值为各传递站顶点和接收站顶点之间每条路径和相应阻抗系数的乘积。
5.根据权利要求2所述的方法，其特征在于，采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果，包括：
随机生成设定数量的可行解，其中，一个可行解为一种传递站顶点和接收站顶点间的物流；
计算当前各所述可行解的第一目标函数的值，作为适应度，并根据所述适应度确定各所述可行解中的当前最优解；
在当前迭代中，将各所述可行解作为输入，基于鲸鱼优化算法生成多个下一代可行解；
根据各所述下一代可行解随机生成一组路径流；
计算无人机选择所述路径流中的每条路径飞行的概率；
利用Logit函数确定第二迭代方向，根据所述迭代方向更新所述路径流；
若两代可行解的差值超过更新差阈值，则返回计算无人机选择所述路径流中的每条路径飞行的概率的步骤；
若不超过更新差阈值，则确定所述下一代可行解的适应度，更新当前最优解；
若当前迭代未达到最大迭代次数，则进入下一次迭代。
6.根据权利要求5所述的方法，其特征在于，确定所述下一代可行解的适应度，包括：
在每条边上的物流不超过相应的航路容量上限的情况下，令相应的下一代可行解的适应度保持不变；
在每条边上的物流超过相应的航路容量上限的情况下，令相应的下一代可行解的适应度为某一负值。
7.根据权利要求2所述的方法，其特征在于，所述路径规划模型的约束条件包括：
每条边上的物流不超过该边的容量上限约束；
每一对传递站顶点和接收站顶点间的物流不超过该对传递站顶点和接收站顶点间的容量上限约束。
8.一种无人机航路规划装置，其特征在于，包括：
信息确定模块，用于确定航路网络信息；
建模模块，用于根据所述航路网络信息，以无人机网络总收益最大化为第一目标函数、总阻抗最小化为第二目标函数，建立路径规划模型；
求解模块，用于采用鲸鱼优化算法和逐次算法求解所述路径规划模型，得到无人机航路规划结果。
9.一种计算设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7中任一所述的路径规划方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311483155.0A CN117516538B (zh) | 2023-11-08 | 2023-11-08 | 一种无人机航路规划方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311483155.0A CN117516538B (zh) | 2023-11-08 | 2023-11-08 | 一种无人机航路规划方法、装置、计算设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117516538A true CN117516538A (zh) | 2024-02-06 |
| CN117516538B CN117516538B (zh) | 2024-07-05 |
Family
ID=89745018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311483155.0A Active CN117516538B (zh) | 2023-11-08 | 2023-11-08 | 一种无人机航路规划方法、装置、计算设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117516538B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108116656A (zh) * | 2017-12-20 | 2018-06-05 | 广东翼景信息科技有限公司 | 一种太阳能无人机 |
| CN108519775A (zh) * | 2017-10-30 | 2018-09-11 | 北京博鹰通航科技有限公司 | 一种精准喷洒的无人机***及其控制方法 |
| CN113619815A (zh) * | 2021-08-04 | 2021-11-09 | 西北工业大学 | 一种航天器集群动态路径规划方法 |
| CN114117322A (zh) * | 2021-11-15 | 2022-03-01 | 南京航空航天大学 | 一种城市低空无人机物流运输航路网络容量的评估方法 |
| US11393346B1 (en) * | 2018-06-11 | 2022-07-19 | Amazon Technologies, Inc. | Location beacon using pre-existing infrastructure |
| CN114840020A (zh) * | 2022-04-21 | 2022-08-02 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 |
-
2023
- 2023-11-08 CN CN202311483155.0A patent/CN117516538B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519775A (zh) * | 2017-10-30 | 2018-09-11 | 北京博鹰通航科技有限公司 | 一种精准喷洒的无人机***及其控制方法 |
| CN108116656A (zh) * | 2017-12-20 | 2018-06-05 | 广东翼景信息科技有限公司 | 一种太阳能无人机 |
| US11393346B1 (en) * | 2018-06-11 | 2022-07-19 | Amazon Technologies, Inc. | Location beacon using pre-existing infrastructure |
| CN113619815A (zh) * | 2021-08-04 | 2021-11-09 | 西北工业大学 | 一种航天器集群动态路径规划方法 |
| CN114117322A (zh) * | 2021-11-15 | 2022-03-01 | 南京航空航天大学 | 一种城市低空无人机物流运输航路网络容量的评估方法 |
| CN114840020A (zh) * | 2022-04-21 | 2022-08-02 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 崔博涛，等: "无人机仿地飞行在同一路线自动化巡检中的应用与研究", 现代信息科技, vol. 6, no. 22, 25 November 2022 (2022-11-25), pages 124 - 126 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117516538B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
| CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| CN110310114A (zh) | 对象分类方法、装置、服务器及存储介质 | |
| CN113240175B (zh) | 配送路线的生成方法、设备、存储介质和程序产品 | |
| CN111697590A (zh) | 一种基于熵权法的电力***关键节点识别方法及*** | |
| CN114510072A (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
| CN115293366A (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
| CN114995503A (zh) | 一种无人机巡检路径优化方法 | |
| CN117516538B (zh) | 一种无人机航路规划方法、装置、计算设备及存储介质 | |
| CN117057258A (zh) | 基于权重分配相关系数的黑启动过电压预测方法及*** | |
| CN115310732B (zh) | 航班延误预测方法及*** | |
| CN115313522A (zh) | 一种考虑新能源出力预测偏差的备用容量配置方法及*** | |
| CN114021776A (zh) | 一种物料组合选取方法、装置和电子设备 | |
| CN114386631A (zh) | 电力负荷故障的抢修方法、装置及电子设备 | |
| CN113326885A (zh) | 训练分类模型和数据分类的方法及装置 | |
| Tao et al. | Research on disruption management of urgent arrival in job shop with deteriorating effect | |
| Jiang et al. | Optimization of UAV airfoil based on improved particle swarm optimization algorithm | |
| CN115630772B (zh) | 综合能源检测配电方法、***、设备及存储介质 | |
| CN117369260B (zh) | 一种结合能量消耗模型与任务时间窗口的无人机调度方法 | |
| CN114491416B (zh) | 特征信息的处理方法、装置、电子设备和存储介质 | |
| CN115912355A (zh) | 变电站供电区域的划分方法、装置、设备及介质 | |
| Huang et al. | A model on location decision for distribution centers of emergency food logistics | |
| CN114493104A (zh) | 一种日前发电计划优化方法及*** | |
| CN115402310A (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
| CN117629207A (zh) | 一种双层路径规划方法、装置、设备及存储介质 |
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 |