一种面向河流的多无人机水质采样和监测路径优化方法技术

本发明专利技术公开了一种面向河流的多无人机水质采样和监测路径优化方法。该方法针对河流水质采样和监测的特定问题来构建目标函数和约束条件，目标函数中考虑了各无人机监测路径总长度最短和无人机数量的优化；特定的约束条件包括单架无人机续航时间限制、采样垂线数量对悬停时间的限制、采样垂线上采样点数量对悬停时间的限制、各采样点监测的污染物类别对悬停时间的限制、无人机飞行和悬停单位能耗的差别限制、无人机起飞和降落基地分布在河流左右岸的限制等。而后采用本专利提出的多子代离散布谷鸟算法对规划模型进行优化。该方法可以针对特定的河流水域环境，快速计算出最优的多无人机水质采样和监测路径。

【技术实现步骤摘要】
一种面向河流的多无人机水质采样和监测路径优化方法
本专利技术属于水质采样和监测
，涉及一种面向河流的多无人机水质采样和监测路径优化方法。
技术介绍
目前河流水质采样多为人工实地采样，该采样方法需要做大量的前期准备工作，周期长，工作效率低，需要消耗大量人力物力。特别在野外进行水质采样时，由于环境条件所限，采样人员往往只能于河流岸边进行水质采样，导致水样的代表性不够。有时工作人员会借助无人船等工具，但当水面受到严重污染或有大量漂浮物时会使无人船受到阻碍，无法到达采样的目标位置。基于无人机的水体样品自动采集和监测系统采用多旋翼无人机作为搭载平台，具有良好的稳定性和操控性，定位准确，起降灵活，安全性高，见图1所示。代表性专利主要有“一种基于多旋翼无人机的定深水质采样装置”(CN111473999A)和“一种基于多旋翼无人机的多点定深智能水质采样装置”(CN211179123U)。该方法不受障碍物和地形条件的限制，且节省人力物力，有助于环境采样的高效化、精确化和信息化，弥补传统环境采样方法的不足。河流或湖泊水域由于岸线规划功能不同，所以岸边排放污染源在空间上的布局不同，并且不同污染源排放的污染物类别亦不同。加之河流和湖泊水动力的作用，污染物浓度在空间上呈现不均匀分布的特性。单架无人机进行水质采样和监测时，由于受无人机自身续航时间所限，一次飞行只能完成部分采样点的监测任务，监测任务的执行效率不高，也不满足多个监测点在监测时间上尽量保持同步性的要求。因此，采用多架无人机来完成多个采样点的监测任务十分必要。《水和废水监测分析方法》(第四版)中对河流采样布点给出了明确要求，如针对一个监测断面，采样垂线数应符合：当河流宽度w≤50米时，于中泓处设置一条采样垂线；当河流宽度50米<w≤100米时，于近左、右岸有明显水流处各设置一条采样垂线；当河流宽度w>100米，与左、中、右各设置一条采样垂线。《水和废水监测分析方法》(第四版)中对一条采样垂线上的采样点数量给出了明确要求，应符合：当河流水深h≤5米时，设置一个采样点，位于水面以下0.5米处；当水深5米<h≤10米时，设置两个采样点，位于水面下0.5米和水底上0.5米处；当河流水深h>10米，设置三个采样点，分别位于水面下0.5米、1/2斜温层、水底以上0.5米处。如何根据河流水域水质采样和监测的特定问题来研究构建无人机路径优化的目标函数和约束条件，并采用合适的技术手段对规划模型进行求解，获得最优的多无人机水质采样和监测路径，是本专利技术专利重点解决的问题。该专利技术针对河流水质采样和监测的特定问题背景，在规划模型构建中考虑了各无人机采样和监测路径总长度、单架无人机续航时间限制、采样垂线数量、采样垂线上采样点数量、各采样点监测的污染物类别、各采样点无人机停留时间限制、无人机飞行和悬停单位能耗的差别以及无人机数量的优化。同时在规划模型的求解上采用了本专利技术提出的多子代离散布谷鸟算法。该算法不同于一般的离散布谷鸟算法(一个鸟巢中只有一个鸟蛋)，其主要思想是采用在一个鸟巢中生成多个鸟蛋，结合规划模型，对鸟巢中的多个鸟蛋进行优化，计算整个鸟巢的最优解，最终得到最优的河流水域多无人机水质采样和监测路径。。
技术实现思路
本专利技术的目的是提供一种面向河流的多无人机水质采样和监测路径优化方法。本专利技术的目的是通过以下技术实现的。一种面向河流的多无人机水质采样和监测路径优化方法，该方法针对河流水质采样和监测的特定问题来构建目标函数和约束条件，目标函数中考虑了各无人机监测路径总长度最短和无人机数量的优化；特定的约束条件包括单架无人机续航时间限制、采样垂线数量对悬停时间的限制、采样垂线上采样点数量对悬停时间的限制、各采样点监测的污染物类别对悬停时间的限制、无人机飞行和悬停单位能耗的差别限制、无人机起飞和降落基地分布在河流左右岸的限制等。而后采用多子代离散布谷鸟算法对上述规模模型进行求解，优化得到最优的采样和监测路径。该方法包括以下步骤：S1：获取目标河流水域的环境信息，所述环境信息包括河流左岸起飞基地和右岸降落基地的位置、n条采样垂线位置的坐标信息、每条采样垂线上的采样点数量和深度、各采样点监测的污染物类别、单架无人机续航时间、无人机飞行单位能耗、无人机悬停单位能耗、无人机在各采样垂线处的停留时间、无人机数目m等；S2：根据河流水域的环境信息构建水质采样和监测的路径优化问题模型，设定模型的特定目标函数和约束条件；S3：采用多子代离散布谷鸟算法对上述规模模型进行求解，优化得到最优的采样和监测路径；进一步的，步骤S2中的目标函数L为：其中，Lk为第k个无人机的路线飞行总时间(距离)；m为无人机数量；n为河流水域内采样垂线数量；Cij为无人机从采样垂线i到采样垂线j的飞行时间(距离)；为无人机在采样垂线j的监测停留时间；S为单架无人机最长续航时间(最大飞行距离)；λ为惩罚因子，当第k条路线长度Lk大于S时，说明这条路径不是最优路径，通过惩罚因子λ使该条路径为劣解，从可行解当中剔除。进一步的，步骤S2中的约束条件为：遍历河流水域内所有的采样垂线、河流左岸为无人机起飞基地、河流右岸为降落基地：每个采样垂线仅停留一次：单架无人机续航能力约束：其他约束：xijk∈{0,1}；1≤k≤m；1≤m≤M(9)其中，M为预先给定的无人机数量；m为优化后的无人机数量；进一步的，步骤S3包括以下步骤S31：设置多子代离散布谷鸟算法的参数，包括鸟巢数量N，迭代次数S，无人机数量(即鸟巢中鸟蛋数量)M，Levy飞行标准步长x1，x2；S32：初始化种群，根据当前鸟巢中M，采用多子代编码方式对鸟巢进行初始化，鸟巢中一个鸟蛋代表一架无人机的污染源监测点序列；S33：根据所述步骤S2中的目标函数L其约束条件计算每个鸟巢的适应度函数；S34：根据Levy飞行选择不同复杂程度的优化算子，对各种群进行优化；其中优化算子分为简单优化算子，一般优化算子和复杂优化算子，当Levy飞行步长x<x1时，选择简单优化算子；当x1<x<x2时，选择一般优化算子；当x>x2时，选择复杂优化算子。所述步骤S34中的Levy飞行采用Mantegna算法产生的随机步长，其计算公式为：其中u和v服从正态分布：其中所述简单优化算子包括交换(Swap)算子、倒位(Reverse)算子、滑动(Slide)算子、插入(Insert)算子和交叉(Crossover)算子。所述一般优化算子为随机两个简单算子结合而成，包括交换和交叉(swap&crossover)算子、逆转和交叉(reverse&crossover)算子、滑动和交叉(slide&crossover)算子、插入和滑动(insert&本文档来自技高网...

【技术保护点】
1.一种面向河流的多无人机水质采样和监测路径优化方法，该方法针对河流水质采样和监测的特定问题来构建目标函数和约束条件。目标函数中考虑了各无人机监测路径总长度最短和无人机数量的优化；特定的约束条件包括单架无人机续航时间限制、采样垂线数量对悬停时间的限制、采样垂线上采样点数量对悬停时间的限制、各采样点监测的污染物类别对悬停时间的限制、无人机飞行和悬停单位能耗的差别限制、无人机起飞和降落基地分布在河流左右岸的限制等。而后采用本专利提出的多子代离散布谷鸟算法对规划模型进行优化。该方法可以针对特定的河流水域环境，快速计算出最优的多无人机水质采样和监测路径。该方法包括以下步骤：/nS1：获取目标河流水域的环境信息，所述环境信息包括河流左岸起飞基地和右岸降落基地的位置、n个采样垂线位置的坐标信息、每条采样垂线上的采样点数量和深度、各采样点监测的污染物类别、单架无人机续航时间、无人机飞行单位能耗、无人机悬停单位能耗、无人机在各采样垂线处的停留时间、无人机数目m等；/nS2：根据河流水域的环境信息构建水质采样和监测路径优化的规划模型，设定模型的特定目标函数和约束条件；/nS3：利用多子代离散布谷鸟算法对上述规划模型进行求解，获得最优的多无人机水质采样和监测路径。/n...

【技术特征摘要】
1.一种面向河流的多无人机水质采样和监测路径优化方法，该方法针对河流水质采样和监测的特定问题来构建目标函数和约束条件。目标函数中考虑了各无人机监测路径总长度最短和无人机数量的优化；特定的约束条件包括单架无人机续航时间限制、采样垂线数量对悬停时间的限制、采样垂线上采样点数量对悬停时间的限制、各采样点监测的污染物类别对悬停时间的限制、无人机飞行和悬停单位能耗的差别限制、无人机起飞和降落基地分布在河流左右岸的限制等。而后采用本专利提出的多子代离散布谷鸟算法对规划模型进行优化。该方法可以针对特定的河流水域环境，快速计算出最优的多无人机水质采样和监测路径。该方法包括以下步骤：
S1：获取目标河流水域的环境信息，所述环境信息包括河流左岸起飞基地和右岸降落基地的位置、n个采样垂线位置的坐标信息、每条采样垂线上的采样点数量和深度、各采样点监测的污染物类别、单架无人机续航时间、无人机飞行单位能耗、无人机悬停单位能耗、无人机在各采样垂线处的停留时间、无人机数目m等；
S2：根据河流水域的环境信息构建水质采样和监测路径优化的规划模型，设定模型的特定目标函数和约束条件；
S3：利用多子代离散布谷鸟算法对上述规划模型进行求解，获得最优的多无人机水质采样和监测路径。


2.根据权利要求1所述的一种面向河流的多无人机水质采样和监测路径优化方法，其特征在于：步骤S2中的目标函数L为：









其中，Lk为第k个无人机的路线飞行总时间(距离)；m为无人机数量；n为河流水域内采样垂线数量；Cij为无人机从采样垂线i到采样垂线j的飞行时间(距离)；为无人机在采样垂线j的监测停留时间；S为单架无人机最长续航时间(最大飞行距离)；λ为惩罚因子，当第k条路线长度Lk大于S时，说明这条路径不是最优路径，通过惩罚因子λ使该条路径为劣解，从可行解当中剔除。


3.根据权利要求1所述的一种面向河流的多无人机水质采样和监测路径优化方法，其特征在于：步骤S2中的约束条件为：
满足遍历河流水域内所有的采样垂线、河流左岸为无人机起飞基地、河流右岸为降落基地的要求。






每个采样垂线仅停留一次：






单架无人机续航能力约束：



其他约束：
xijk∈{0,1}；1≤k≤m；1≤m≤M(9)<...

【专利技术属性】
技术研发人员：丁涛，徐铭驰，张广朋，魏坤，高奇石，
申请(专利权)人：浙江量大智能科技有限公司，
类型：发明
国别省市：浙江;33