基于列维模拟退火算法的植保无人机动态调度方法技术

本发明专利技术公开了一种基于列维模拟退火算法的植保无人机动态调度方法，其特征在于它基于列维模拟退火算法的植保无人机动态调度模型实现植保无人机的动态调度，所述基于列维模拟退火算法的植保无人机动态调度模型包括作业订单排序和订单任务分配；其中，所述订单任务分配采用列维模拟退火算法对植保无人机的调度策略进行寻优。使用列维分布方法改进的启发式算法较原算法都在前期具有更强的搜索能力，在搜索后期，有更快的收敛速度，从搜索结果上看，列维分布改进的启发式算法都可获得更好的搜索结果。搜索结果。搜索结果。

【技术实现步骤摘要】
基于列维模拟退火算法的植保无人机动态调度方法


[0001]本专利技术属于无人机、智慧农业领域，具体是一种基于列维模拟退火算法的植保无人机动态调度方法。

技术介绍

[0002]病虫害防治是农作物生产中的重要环节，关系粮食安全。植保无人机具有起降方便、飞行机动性高的特点，适用于平原、丘陵等多种作业环境，因此，被广泛应用于农作物病虫害防治过程。在飞防作业中，植保无人机群一般以飞防队的形式提供植保服务，一个飞防队可包含多架植保无人机，飞防队之间通过分工合作的方式对植保订单进行作业。植保无人机的合理调度对保障作业质量，提高飞防队的作业收入具有重要意义。目前针对植保无人机的调度研究主要以静态视角开展，但在实际作业情况中，飞防队经常面临订单新增、转移代价改变等突发状况，静态模型不能很好适应实际生产需求。因此，考虑突发状况下的植保无人机群调度模型对于提高植保无人机集群的作业效率，保障作业质量具有重要实际意义，同时也可为智能农机的调度系统的开发提供参考。
[0003]目前，植保无人机的调度研究热点集中于田内飞行路径规划，在路径规划的基础上，使用启发式算法对机群调度模型进行求解。Li等在植保无人机田内飞行路径规划的基础上，使用粒子群算法对无人机群的分配策略进行求解。徐等对无人机在多个田块内的飞行路径规划基础上，使用遗传算法对植保无人机的作业顺序进行求解。曹等根据作业地块的大小、距离与作业紧急程度等指标对作业地块进行排序，并采用带经营策略的非支配排序遗传算法优化植保无人机的调度路径。与植保无人机调度场景相类似的农机调度研究开始较早。吴等从平衡作业收益与作业质量的角度提出了带时间窗的多目标农机调度模型，采用动态规划方法对调度模型进行优化。Wang等考虑不同作物作业要求，提出先聚类再分配的两步调度模型，以种植作物属性、作业地块面积等因素为衡量指标对作业地块进行聚类，在此基础上，采用混合线性规划方法对规划模型进行优化。Gareth等综合考虑水稻收割与烘干环节的衔接性，以收割与烘干时间间隔最短为目标，使用禁忌搜索算法对水稻收割机的调度模型进行优化。
[0004]综上所述，从模型寻优方法上看，常用方法包括两大类：精确求解法和启发式算法。其中精确求解方法包括：动态规划、线性混合规划法等。启发式方法可包括：粒子群算法、禁忌搜索算法以及遗传算法等。精确求解法可求得规划策略的最优解，但面对大规模，多约束的条件，精确求解方法会面临维度爆炸、求解时间长等问题。启发式算法对多约束问题求解中具有一定优势，其中模拟退火算法是一种常用的启发式算法，但由于其搜索中接受次优解概率的计算函数设计，使得算法前期易陷入局部最优，后期收敛速度慢。
[0005]从调度模型场景与优化目标上看，植保无人机调度优化是一个带有时间窗的多目标优化问题，优化目标包括：最大作业收益，最小作业时间，最小调度路程。优化模型的约束包括：每个地块均被作业，每个地块的作业完成时间需在作业时间窗内。然而，以上研究主要以静态视角展开研究，建立的优化模型缺乏对突发状况的及时反应能力。但在实际作业
过程中，植保无人机群时常面临订单新增、交通拥堵所导致飞防队转移成本改变等动态事件。因此，以动态视角看待植保无人机的调度规划问题，对突发状况及时反应，建立适应环境变化的动态调度模型对实际植保无人机群调度更有指导作用。
[0006]动态调度模型的研究在车辆调度和军用无人机调度中已有经验，可分为对突发事件发生概率预测与基于事件驱动重新规划两种。对突发事件发生进行概率预测研究的研究有：Amorim等在研究中考率事故发生概率及后续作业动作，以概率作为驱动，在此基础上改进了Swarm
‑
GAP方法对动态场景进行规划，达到了平衡信息交换与飞行质量的目的。Chang等将各个无人机看作智能体，提出一种分布式估计算法估算突发状况的发生概率并实现目标分配。以突发事件为驱动的方式研究有：Wang等采用马尔科夫链对出行需求决策进行分析，采用Q学习方法对自动驾驶汽车的订单分配和调度进行优化。Grbac等采用先到先服务的方法对充电车辆订单进行管理，并采用基于蛙跳优化的粒子群算法对停车场的电动汽车进行充优化。基于突发事件发生预测概率的研究主要面向突发状况概率可预测，或调度对象规划较大的情况，实时调度会增加巨大的计算量。

技术实现思路

[0007]本申请针对模拟退火算法易陷入局部最优，且植保无人机调优化模型缺少对动态事件反应能力的问题。综合分析植保无人机的调度规模和现有方法，拟采用列维分布方法对模拟退火算法进行优化，并使用以事件为驱动的动态调度模型对静态调度模型进行优化，建立一个适应突发事件的植保无人机群调度模型，使模型更好满足实际生产需求。
[0008]技术方案：
[0009]一种基于列维模拟退火算法的植保无人机动态调度方法，它基于列维模拟退火算法的植保无人机动态调度模型实现植保无人机的动态调度，所述基于列维模拟退火算法的植保无人机动态调度模型包括作业订单排序和订单任务分配；
[0010]其中，所述订单任务分配采用列维模拟退火算法对植保无人机的调度策略进行寻优，列维模拟退火算法的具体步骤为：
[0011]1)规定初始温度T，最大循环次数M；
[0012]2)随机产生一组分配策略w，计算该策略下的代价函数得分f(w)；
[0013]3)随机产生一组扰动分配策略w
’
，计算该策略下的代价函数得分f(w
’
)；
[0014]4)计算
△
E＝f(w
’
)
‑
f(w)；
[0015]5)如果
△
E<0，接受扰动策略w
’
，否则以下式计算接受扰动策略的概率，其中T为当前温度；
[0016][0017]式中，x表示实时状态，μ表示状态转移概率，c表示初始状态；
[0018]即随机产生一个(0,1)之间的数δ，若δ<μ，则接受扰动策略w＝w
’
，否则接受原策略w＝w；循环次数i＝i+1；
[0019]6)若策略w满足寻优要求，或i>M，则跳出循环；否则T＝T
‑
t，t为每个循环下温度下
降数值，并进入步骤3)。
[0020]具体的，所述作业订单排序包括以下步骤：
[0021]1)使用下式进行计算各要素权重：
[0022]o＝w1*t
s
+w2*(t
e
‑
t
s
)+w3*a+w4*e
[0023]w1+w2+w3+w4＝1
[0024]式中，o表示植保订单排序权值，t
s
表示时间窗开始时间，(t
e
‑
t
s
)表示时间窗长度，a表示作业地块面积，e表示优先级，w1表示时间窗权重，w2表示作业时间窗长度权重，w3表示田块面积权重，w4表示紧急程度的权重；
[0025]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于列维模拟退火算法的植保无人机动态调度方法，其特征在于它基于列维模拟退火算法的植保无人机动态调度模型实现植保无人机的动态调度，所述基于列维模拟退火算法的植保无人机动态调度模型包括作业订单排序和订单任务分配；其中，所述订单任务分配采用列维模拟退火算法对植保无人机的调度策略进行寻优，列维模拟退火算法的具体步骤为：1)规定初始温度T，最大循环次数M；2)随机产生一组分配策略w，计算该策略下的代价函数得分f(w)；3)随机产生一组扰动分配策略w
’
，计算该策略下的代价函数得分f(w
’
)；4)计算
△
E＝f(w
’
)
‑
f(w)；5)如果
△
E<0，接受扰动策略w
’
，否则以下式计算接受扰动策略的概率，其中T为当前温度；式中，x表示实时状态，μ表示状态转移概率，c表示初始状态；即随机产生一个(0,1)之间的数δ，若δ<μ，则接受扰动策略w＝w
’
，否则接受原策略w＝w；循环次数i＝i+1；6)若策略w满足寻优要求，或i>M，则跳出循环；否则T＝T
‑
t，t为每个循环下温度下降数值，并进入步骤3)。2.根据权利要求1所述的方法，其特征在于所述作业订单排序包括以下步骤：1)使用下式进行计算各要素权重：o＝w1*t
s
+w2*(t
e
‑
t
s
)+w3*a+w4*ew1+w2+w3+w4＝1式中，o表示植保订单排序权值，t
s
表示时间窗开始时间，(t
e
‑
t
s
)表示时间窗长度，a表示作业地块面积，e表示优先级，w1表示时间窗权重，w2表示作业时间窗长度权重，w3表示田块面积权重，w4表示紧急程度的权重；2)按照植保订单排序权值降序对所有田块作业顺序进行排序。3.根据权利要求1所述的方法，其特征在于新增订单场景下，动态调度方法包括以下步骤：1)原始订单管理，新增订单到达时间下原始订单中未作业的订单NF＝{F|notdo(F)}，正在作业的植保无人机NU＝{U|doing(U)}；2)作业订单排序，将新增订单NE与未作业订单NF合并形成新订单集合FD＝{NE U NF}，对新订单集合FD进行作业订单排序；3)可作业植保无人机管理...

【专利技术属性】
技术研发人员：陈聪，曹光乔，
申请(专利权)人：农业农村部南京农业机械化研究所，
类型：发明
国别省市：