本发明属于大气污染源监测技术领域，涉及一种面向高架和非高架混合点源的多无人机监测路径优化方法。
背景技术：
据不完全统计，我国现有各级工业园区超过7000家，在促进产业集聚和推动经济发展中贡献重大。但与此同时，园区企业生产过程中引发的环境问题也日益突出，成为环境污染的集聚区域。政府部门通过加强对工业园区内污染源的日常环境监察和巡查，有利于及时评估园区范围的大气污染状况、监控各污染源排放现状并快速地确定超标排放污染源的准确位置，对实现园区大气污染的靶向治理和制定有效的应急处置方案具有重要意义。
目前污染源的日常环境监察一般采用固定监测站、无线传感器网络、监测车或手持式监测仪等方式。超标污染源的定位一般通过将其监测位置和污染物浓度信息相综合，得到较粗略的浓度分布图，进而估计出污染源的位置。但由于受地面条件、建筑物和城市道路限制，上述监测手段往往效率不高。同时由于监测点位往往分布不均匀，且事故污染源附近不一定恰好设有监测站或被监测点所包围。虽然可以通过增加监测站数量和观测频率来提高环境监测质量，但仍面临着监测范围有限、成本高昂且机动性差的问题。目前研究结果表明，无人机环境监测平台具有机动、灵活和监测范围广等优势，可以弥补现有固定监测站和监测车的不足，更有利于对大气污染源进行日常环境巡查。
工业园区往往是污染源的集聚区域，污染源数量众多，且不同污染源排放的污染物类别亦不同。单架无人机进行园区内大气污染源监测时，由于受无人机自身续航时间所限，一次飞行只能完成部分污染源点位的监测任务，监测任务的执行效率不高，也不满足多个污染源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污染源的监测任务十分必要。
照污染物排放的几何形态，可分为点源、线源、面源和体源。点源是指通过某种装置集中排放的固定点状源，如烟囱、集气筒等。点源又分为高架点源和非高架点源，我国规定凡不经过排气筒的废气排放以及排放高度低于15m的排气筒排放均为非高架点源。高架点源一般都属于有组织排放。本发明专利重点解决的是高架和非高架点源混合区域的多无人机监测路径的优化问题。
该发明不同于传统的多旅行商(mtsp)问题，该发明针对工业园区内高架和非高架点源混合区域监测的特定问题背景，在规划模型构建中考虑了点源的三维高程信息、各无人机监测路径总长度、无人机飞行高度的稳定性、无人机飞行路径转弯角、单架无人机续航时间限制、各污染源排放污染物类别和排放污染物数量限制、各污染源无人机停留时间限制以及无人机数量的优化。同时在规划模型的求解上采用了基于复杂变异树的多染色体遗传算法，该算法可按照给定的优化方向规则，合理选择变异算子，优化出针对工业园区污染源的多无人机三维监测路径。
技术实现要素：
本发明的目的是提供一种面向高架和非高架点源的多无人机监测路径优化方法。本发明的目的是通过以下技术实现的。
一种面向高架和非高架点源的多无人机监测路径优化方法，该方法针对工业园区内高架和非高架点源混合区域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(总长度的计算基于点源的三维高程信息)、无人机飞行高度的稳定性(无人机飞行高度不应该发生太大的变化，稳定飞行高度有助于减轻控制系统的负担，节省更多的燃料)、无人机飞行路径转弯角最小(保证飞行的平滑度以减少无人机飞行能耗)；特定的约束条件包括单架无人机续航时间限制、各污染源排放污染物类别和排放污染物数量限制、各污染源无人机停留时间限制、无人机起飞出发点和终点限制等。而后采用基于复杂变异树的多染色体遗传算法来对上述规划模型进行求解，得到最优的工业园区污染源监测路径。该方法包括以下步骤：
s1：获取目标工业园区的环境信息，所述环境信息包括无人机出发基地和n个污染源位置的三维坐标信息、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、各污染源排放污染物类别和排放污染物数量、各污染源无人机停留时间、无人机数目m；
s2：根据工业园区的三维环境信息构建大气污染源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：基于复杂变异树的多染色体遗传算法来对上述规划模型进行求解，得到多个无人机最优的工业园区污染源监测路径；
进一步的，步骤s2中的目标函数f为：
minf＝w1·l/lmax+w2·h/hmax+w3·θ/θmax
其中，w1，w2和w3为监测路径总长度l、无人机飞行高度的稳定性h、无人机飞行路径转弯角θ的三个子目标的权重，w1+w2+w3＝1；lmax、hmax和θma为预先设定的极大值，目的为去量纲化。
其中，lk为第k个无人机的飞行路线的总时间(总距离)；m为无人机数量；n为园区内污染源数量；cij为无人机从污染源i到污染源j的飞行时间；(xi,yi)为第i个污染源位置；(xj,yj)为第j个污染源位置；为无人机在污染源j的监测停留时间；v为无人机的平均飞行速度；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；v是无人机平均飞行速度。
其中，hm为第m架无人机飞行高度的稳定度，hj为第j个非高架或高架点源的高度，j为第m架无人机飞行路径上的点源数量。
其中，θm为第m架无人机的飞行路径上转弯角之和，w为转弯角的数量，为飞行路径上第k个转弯角。
进一步的，步骤s2中的约束条件为：
遍历工业园区内所有污染源监测点、无人机起飞基地和终点基地均为出发点：
每个污染源仅停留一次：
单架无人机续航能力约束：
其他约束：
xijk∈{0,1}；1≤k≤m；1≤m≤m
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：设置基于复杂变异树的多染色体遗传算法的参数，包括种群数量pop，迭代次数s，无人机数量(即染色体数量)m；
s32：初始化种群，根据当前染色体数量m，采用多染色体编码方式对种群进行编码，一条染色体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f及其约束条件计算算法适应度函数；
s34：随机选择不同复杂程度的复杂变异树中的算子，对各种群进行优化；
其中，所述复杂变异树分为简单变异算子，一般变异算子和复杂变异算子。
所述简单变异算子包括交换(swap)算子、倒位(reverse)算子、滑动(slide)算子、插入(insert)算子和交叉(crossover)算子。
所述一般变异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&slide)算子、插入和交叉(insert&crossover)算子。
所述复杂变异算子为随机三个简单算子结合而成，包括swap&reverse&crossover算子、slide&insert&crossover算子、swap&slide&crossover算子，slide&reverse&crossover算子。
s35：判断当前迭代次数是否达到最大迭代次数s，若达到，则记录当前最优解；否则，返回步骤s33。
s36：判断当前无人机数量(染色体数量)是否达到下限，若达到，则输出当前最优解；否则，无人机数量-1，返回步骤s32。
s37：根据当前最优工业园区污染源监测路径，设置各无人机航点及各点悬停时间，进行工业园区污染源监测任务。
附图说明
图1是本发明中基于复杂变异树的多染色体遗传算法流程图；
图2是本发明中复杂变异树简单变异算子示意图。
图3是本发明中复杂变异树一般变异算子示意图。
图4是本发明实施例坐标图。
图5是本发明实施例无人机最优监测路径仿真图。
图6是本发明实施例算法迭代次数趋势图。
具体实施步骤
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体的实例，并参照附图，对本发明进一步详细说明。
本发明的具体实施例如下：
s1：对一块6km*6km的工业园区进行日常环境监测和污染源排放情况巡查。出发基地随机选择，单架无人机续航时间为40min。污染源位置n设置为20个，其具体坐标位置如表1所示，各污染源排放污染物类别和排放污染物数量、各污染源无人机停留时间如表2所示。无人机数目预设为8架。
表1监测点坐标
表2污染物详情
s2：根据工业园区的三维环境信息构建大气污染源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；
进一步的，步骤s2中的目标函数f为：
minf＝w1·l/lmax+w2·h/hmax+w3·θ/θmax
其中，w1，w2和w3为监测路径总长度l、无人机飞行高度的稳定性h、无人机飞行路径转弯角θ的三个子目标的权重，w1+w2+w3＝1；lmax、hmax和θma为预先设定的极大值，目的为去量纲化。
本实施例中，暂不考虑无人机飞行路径转弯角，无人机飞行高度稳定性较强，因此w1取0.9，w2取0.1，w3取0。
其中，lk为第k个无人机的飞行路线的总时间(总距离)；m为无人机数量；n为园区内污染源数量；cij为无人机从污染源i到污染源j的飞行时间(距离)；为无人机在污染源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；v是无人机平均飞行速度。
本实施例中，园区内污染源数量n为20，cjtw如表2中所示，s为40min，惩罚因子λ取100，无人机平均速度选择5m/s。
其中，hm为第m架无人机飞行高度的稳定度，hj为第j个非高架或高架点源的高度，j为第m架无人机飞行路径上的点源数量。
其中，θm为第m架无人机的飞行路径上转弯角之和，w为转弯角的数量，为飞行路径上第k个转弯角。
进一步的，步骤s2中的约束条件为：
遍历工业园区内所有污染源监测点、无人机起飞基地和终点基地均为出发点：
每个污染源仅停留一次：
单架无人机续航能力约束：
其他约束：
xijk∈{0,1}；1≤k≤m；1≤m≤m
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：设置基于复杂变异树的多染色体遗传算法的参数，包括种群数量pop，迭代次数s，无人机数量(即染色体数量)m；
本实施例中，种群数量pop选择80，迭代次数选择500，初始无人机数量为8架。
s32：初始化种群，根据当前染色体数量m，采用多染色体编码方式对种群进行编码，一条染色体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f及其约束条件计算算法适应度函数；
s34：随机选择不同复杂程度的复杂变异树中的算子，对各种群进行优化；
其中，所述复杂变异树分为简单变异算子，一般变异算子和复杂变异算子。
所述简单变异算子包括交换(swap)算子、倒位(reverse)算子、滑动(slide)算子、插入(insert)算子和交叉(crossover)算子。
所述一般变异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&slide)算子、插入和交叉(insert&crossover)算子。
所述复杂变异算子为随机三个简单算子结合而成，包括swap&reverse&crossover算子、slide&insert&crossover算子、swap&slide&crossover算子，slide&reverse&crossover算子。
s35：判断当前迭代次数是否达到最大迭代次数s，若达到，则记录当前最优解；否则，返回步骤s33。
s36：判断当前无人机数量(染色体数量)是否达到下限，若达到，则输出当前最优解；否则，无人机数量-1，返回步骤s32。
s37：根据当前最优工业园区污染源监测路径，设置各无人机航点及各点悬停时间，进行工业园区污染源监测任务。具体算法流程图如图1所示，图2，3分别为复杂变异树中简单变异算子和一般变异算子示意图。
图5为最优工业园区污染源监测路径仿真图，优化后的无人机数量为4架，最优路径共为27.04km；图6为迭代次数趋势图，共迭代407次。
以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改，等同变化与修饰，均属于本发明方案技术方案的范围内。
技术特征：
1.一种面向高架和非高架点源的多无人机监测路径优化方法。其特征在于，包括以下步骤：
步骤s1：获取目标工业园区的环境信息，所述环境信息包括无人机出发基地和n个污染源位置的三维坐标信息、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、各污染源排放污染物类别和排放污染物数量、各污染源无人机停留时间、无人机数目m；
步骤s2：根据工业园区的三维环境信息构建大气污染源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；
步骤s3：基于复杂变异树的多染色体遗传算法来对上述规划模型进行求解，得到多个无人机最优的工业园区污染源监测路径。
2.根据权利要求1所述的一种面向高架和非高架点源的多无人机监测路径优化方法，其特征在于步骤s2中的目标函数f为：
minf＝w1·l/lmax+w2·h/hmax+w3·θ/θmax
其中，w1，w2和w3为监测路径总长度l、无人机飞行高度的稳定性h、无人机飞行路径转弯角θ的三个子目标的权重，w1+w2+w3＝1；lmax、hmax和θma为预先设定的极大值，目的为去量纲化。
3.根据权利要求2所述的目标函数f各项式子中：
其中，lk为第k个无人机的飞行路线的总时间(总距离)；m为无人机数量；n为园区内污染源数量；cij为无人机从污染源i到污染源j的飞行时间；(xi,yi)为第i个污染源位置；(xj,yj)为第j个污染源位置；为无人机在污染源j的监测停留时间；v为无人机的平均飞行速度；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；v是无人机平均飞行速度。
其中，hm为第m架无人机飞行高度的稳定度，hj为第j个非高架或高架点源的高度，j为第m架无人机飞行路径上的点源数量。
其中，θm为第m架无人机的飞行路径上转弯角之和，w为转弯角的数量，为飞行路径上第k个转弯角。
4.根据权利要求1所述的一种面向高架和非高架点源的多无人机监测路径优化方法，其特征在于步骤s2中的约束条件为：
遍历工业园区内所有污染源监测点、无人机起飞基地和终点基地均为出发点：
每个污染源仅停留一次：
单架无人机续航能力约束：
其他约束：
xijk∈{0,1}；1≤k≤m；1≤m≤m
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。
5.根据权利要求1所述的一种面向高架和非高架点源的多无人机监测路径优化方法，其特征在于步骤s3中基于复杂变异树的多染色体遗传算法采用多染色体方式进行编码，一条染色体代表一架无人机的污染源监测点序列。
6.根据权利要求1所述的一种面向高架和非高架点源的多无人机监测路径优化方法，其特征在于步骤s3中基于复杂变异树的多染色体遗传算法采用不同复杂程度的复杂变异树中的算子，对各种群进行优化。
技术总结
本发明公开了一种面向高架和非高架点源的多无人机监测路径优化方法，涉及大气污染源监测技术领域。本发明针对工业园区内高架和非高架点源混合区域监测的特定问题，将基于点源的三维高程信息无人机监测路径总长度最短为目标，考虑无人机飞行高度的稳定性、无人机飞行路径转弯角最小来构建目标函数；将单架无人机续航时间限制、各污染源排放污染物类别和排放污染物数量限制、各污染源无人机停留时间限制、无人机起飞出发点和终点限制作为约束条件，采用基于复杂变异树的多染色体遗传算法来对上述规划模型进行求解，得到最优的工业园区污染源监测路径。
技术研发人员：徐铭驰;丁涛;苏莹怡;徐玲;何羽亭;郭文倩
受保护的技术使用者：中国计量大学
技术研发日：2020.12.29
技术公布日：2021.06.15
声明：
“面向高架和非高架点源的多无人机监测路径优化方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
770
编辑：中冶有色技术网
来源：中国计量大学
分享 0
举报 0
收藏 0
反对 0
点赞 0
中冶有色技术平台
2024年12月27日 ~ 29日 
