开云优惠体育网页版入口

专利名称：多机协同巡检路径规划方法、终端及可读存储介质

专利类型：发明专利

专利申请号：CN202410302238.3

专利申请（专利权）人：国网甘肃省电力公司陇南供电公司
权利人地址：甘肃省陇南市武都区汉王新区长江大道以北,燕儿沟以西

专利发明（设计）人：陈建军,白宏伟,彭磊,袁静,王肃朝,吴丫丫,王敏,李君博,祁琛峰,杨生其

专利摘要：本发明提供了一种多机协同巡检路径规划方法、终端及可读存储介质，包括：建立无人机的基本模型；获取巡检目标信息；进行多机协同巡检建模，多机协同巡检建模包括巡检模型约束、多机协同避障约束、复杂地形飞行约束、多机空间协同和时间协同约束、多机协同路径规划收益函数约束；基于粒子群算法、人工蜂群算法和模拟退火算法进行优化改进，构建新型算法模型；根据新型算法模型、基本模型、多机协同巡检建：脱布炷勘晷畔⒔卸嗷布炻肪豆婊换诙嗷布炻肪豆婊刂莆奕嘶醒布，并将获取的巡检数据通过区块链技术进行加密保存。本发明通过新型算法对巡检路径规划进行优化，并将巡检数据保存在区块链中，提高了无人机和巡检数据的安全。

主权利要求：
1.一种多机协同巡检路径规划方法，其特征在于，包括：
建立无人机的基本模型，所述基本模型包括：动力学模型、动力位置学模型、姿态动力学模型、运动模型与飞行控制刚体模型；
获取巡检目标信息，所述巡检目标信息包括巡检目标位置、巡检空间地图、巡检起点与终点以及巡检路径数量；
进行无人机的多机协同巡检建模，所述多机协同巡检建模包括巡检模型约束、多机协同避障约束、复杂地形飞行约束、多机空间协同和时间协同约束、多机协同路径规划收益函数约束；
将粒子群算法的适应度划分为人工蜂群算法的分组策略，为粒子群算法中的粒子进行角色划分，适应度由高到低分别划分为引领蜂、侦察蜂、跟随蜂，粒子群内部等级变化通过适应度对其进行调整，针对适应度较差的粒子通过模拟退火算法生成裂解来扩大解的范围对新型算法模型的局部搜索能力进行更新，以构建新型算法模型；
根据所述新型算法模型、基本模型、多机协同巡检建：脱布炷勘晷畔⒔卸嗷布炻肪豆婊
基于所述多机巡检路径规划控制所述无人机进行巡检，并将获取的巡检数据通过区块链技术进行加密保存；
其中，构建所述巡检模型约束：设置无人机从巡检起点至巡检终点的巡检距离和巡检总时长，所述巡检总时长小于无人机续航时长；获取巡检目标未被巡检到与上一次集群巡检后的时间间隔，并根据所述时间间隔确认所述巡检目标的权重和优先级，将所述巡检目标的权重之和最大化作为目标函数；根据所述巡检目标位置获取巡检起点、巡检目标和巡检终点之间的欧式距离；根据所述欧式距离和无人机的飞行速度获取巡检起点、巡检目标和巡检终点之间的飞行时间；获取无人机集群路线所用时间；
构建多机协同避障的目标函数约束：
构建复杂地形飞行约束：设置无人机的最大飞行高度和最小飞行高度与转半径约束；
设置无人机的两个巡检点间的俯仰角约束；设置无人机的两个巡检点之间的转向角约束；
构建多机协同路径规划收益函数约束：f＝ω1fvoyage+ω2fheight+ω3finspection；
其中，dic为无人机之间的距离，dio1为无人机与树木之间的距离，dio2为无人机与磁场之间的距离，N为高压电塔的总个数，i为当前巡检到第i个高压电塔，ω1、ω2、ω3为权重系数；
fvoyage为航程代价，fheight为飞行高度代价，finspection为巡检代价，ω1、ω2和ω3分别航程代价、飞行高度代价、巡检代价作为收益函数中的权重系数。
2.如权利要求1所述的多机协同巡检路径规划方法，其特征在于，基于粒子群算法、人工蜂群算法和模拟退火算法的结合进行优化改进，构建新型算法模型的步骤包括：将所述粒子群算法与所述人工蜂群算法相结合，通过所述人工蜂群算法的更新方式来更新粒子群的迭代，并基于粒子适应度将其划分为所述人工蜂群算法中的引领蜂、侦查蜂和跟随蜂；
根据所述粒子的适应度的实时变化对巡检路径内的粒子角色进行调整；
加入所述模拟退火算法，并根据所述模拟退火算法中的Metropolis准则对算法进行对局部搜索能力进行更新。
3.如权利要求1所述的多机协同巡检路径规划方法，其特征在于，构建所述巡检模型约束：设置无人机从巡检起点至巡检终点的巡检距离和巡检总时长，所述巡检总时长小于无人机续航时长；
获取巡检目标未被巡检到与上一次集群巡检后的时间间隔，并根据所述时间间隔确认所述巡检目标的权重和优先级，将所述巡检目标的权重之和最大化作为目标函数：N为巡检起点至巡检终点前一巡检目标的距离，N+1为巡检起点至巡检终点的距离，Wi(i)为巡检目标未被巡检到与上一次集群巡检后的时间间隔，总巡检目标的集合为A＝{0,1,…,i,…,N,N+1}，未被巡检的巡检目标集合为T＝{1,…,i,…,N}，Xij为巡检目标的巡检次数；
根据所述巡检目标位置获取巡检起点、巡检目标和巡检终点之间的欧式距离：dij相邻巡检目标之间的欧式距离，dx、dy、dz分别
为欧式距离的分量；
根据所述欧式距离和无人机的飞行速度获取巡检起点、巡检目标和巡检终点之间的飞行时间： v为无人机飞行速度；
获取无人机集群路线所用时间： 且
4.如权利要求3所述的多机协同巡检路径规划方法，其特征在于，构建所述多机协同避障的目标函数约束：其中，dic为无人机之间的距离，dio1为无人机与树木之间的距离，dio2为无人机与磁场之间的距离，ω1、ω2、ω3为权重系数。
5.如权利要求4所述的多机协同巡检路径规划方法，其特征在于，构建所述复杂地形飞行约束：设置无人机的最大飞行高度和最小飞行高度与转半径约束，Hmin
设置无人机的两个巡检点间的俯仰角约束：
其中Zi≠Zi+1，γ为俯仰角约束角度，X、Y和Z
为无人机在巡检目标位置空间坐标系下的坐标值；
设置无人机的两个巡检点之间的转向角约束：
Zi＝Zi+1，θmax为无人机在相邻巡检点
之间的转向角最大约束值，x和y为无人机在巡检目标位置时平面坐标系下的坐标值，xi与yi为当前的欧式坐标，xi+1与xi—1为x轴前一位置坐标与后一位置坐标，yi+1与yi—1为y轴前一位置坐标与后一位置坐标。
6.如权利要求5所述的多机协同巡检路径规划方法，其特征在于，构建所述多机空间协同与时间协同约束：设置无人机之间的最小安全距离；
设置无人机的最大飞行速度和最小飞行速度。
7.如权利要求6所述的多机协同巡检路径规划方法，其特征在于，构建所述多机协同路径规划收益函数约束：f＝ω1fvoyage+ω2fheight+ω3finspection；
其中，fvoyage为航程代价，fheight为飞行高度代价，finspection为巡检代价，ω1、ω2和ω3分别航程代价、飞行高度代价、巡检代价作为收益函数中的权重系数。
8.如权利要求1所述的多机协同巡检路径规划方法，其特征在于，基于所述多机巡检路径规划控制所述无人机进行巡检，并将获取的巡检数据通过区块链技术进行加密保存的步骤，包括：获取所述无人机在巡检过程中的巡检数据；
基于所述区块链的安全模型、智能合约和共识机制将所述巡检数据上传到所述区块链中进行加密保存。
9.一种智能终端，其特征在于，所述智能终端包括：存储器、处理器，其中，所述存储器上存储有多机协同巡检路径规划程序，所述多机协同巡检路径规划程序被所述处理器执行时实现如权利要求1至8中任一项所述的多机协同巡检路径规划方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的多机协同巡检路径规划方法的步骤。 说明书 : 多机协同巡检路径规划方法、终端及可读存储介质技术领域[0001] 本发明涉及无人机控制技术领域，特别涉及一种多机协同巡检路径规划方法、终端及可读存储介质。背景技术[0002] 随着近代开云优惠体育网页版入口迅速发展，电力系统巡检也从传统的人工巡检转变为无人机巡检并被广泛应用。[0003] 对于目前复杂地形环境下电力巡检中存在的高压电塔地理位置偏僻从而导致传统人工巡检效率低下等问题，本发明提出了一种多机协同巡检路径规划方法、终端及可读存储介质。发明内容[0004] 本发明解决的技术问题在于，提供了一种多机协同巡检路径规划方法、终端及可读存储介质，在复杂地形巡检路径规划上拥有更好的全局搜索能力和收敛性，能够生成更优的无人机集群路径规划方案，保证了无人机和巡检数据的安全性。[0005] 本发明解决其技术问题是采用以下的技术方案来实现的：[0006] 一种多机协同巡检路径规划方法，其特征在于，包括：建立无人机的基本模型；获取巡检目标信息，所述巡检目标信息包括巡检目标位置、巡检空间地图、巡检起点与终点以及巡检路径数量；进行无人机的多机协同巡检建模，所述多机协同巡检建模包括巡检模型、多机协同避障、飞行约束、多机空间协同和时间协同、多机协同路径规划收益函数；基于粒子群算法、人工蜂群算法和模拟退火算法的结合进行优化改进，构建新型算法模型；根据所述新型算法模型、基本模型、多机协同巡检模型和巡检目标信息进行多机巡检路径规划；基于所述多机巡检路径规划控制所述无人机进行巡检，并将获取的巡检数据通过区块链技术进行加密保存。[0007] 在本发明的较佳实施例中，上述基于粒子群算法、人工蜂群算法和模拟退火算法的结合进行优化改进，构建新型算法模型的步骤包括：将所述粒子群算法与所述人工蜂群算法相结合，通过所述人工蜂群算法的更新方式来更新粒子群的迭代，并基于粒子适应度将其划分为所述人工蜂群算法中的引领蜂、侦查蜂和跟随蜂；根据所述粒子的适应度的实时变化对巡检路径内的粒子角色进行调整；加入所述模拟退火算法，并根据所述模拟退火算法中的Metropolis准则对算法进行对局部搜索能力进行更新。[0008] 在本发明的较佳实施例中，上述构建巡检模型：设置无人机从巡检起点至巡检终点的巡检距离和巡检总时长，所述巡检总时长小于无人机续航时长；获取巡检目标未被巡检到与上一次集群巡检后的时间间隔，并根据所述时间间隔确认所述巡检目标的权重和优先级，将所述巡检目标的权重之和最大化作为目标函数： 根据所述巡检目标位置获取巡检起点、巡检目标和巡检终点之间的欧式 距离 ：根据所述欧式距离和无人机的飞行速度获取巡检起点、巡检目标和巡检终点之间的飞行时间： 获取无人机集群路线所用时间：且[0009] 在本发明的较佳实施例中，上述构建多机协同避障的目标函数：其中，dic为无人机之间的距离，dio1为无人机与树木之间的距离，dio2为无人机与磁场之间的距离，ω1、ω2、ω3为权重系数。[0010] 在本发明的较佳实施例中，上述构建飞行约束：设置无人机的最大飞行高度和最小飞行高度与转半径约束，Hmin两个巡检点之间的转向角约束： 其中，Zi＝Zi+1。[0011] 在本发明的较佳实施例中，上述构建多机空间协同与时间协同：设置无人机之间的最小安全距离；设置无人机的最大飞行速度和最小飞行速度。[0012] 在本发明的较佳实施例中，上述构建多机协同路径规划收益函数：f＝ω1fvoyage+ω2fheight+ω3finspection；其中，ω1、ω2和ω3分别航程代价、飞行高度代价、巡检代价作为收益函数中的权重系数。[0013] 在本发明的较佳实施例中，上述基于所述多机巡检路径规划控制所述无人机进行巡检，并将获取的巡检数据通过区块链技术进行加密保存的步骤，包括：获取所述无人机在巡检过程中的巡检数据；基于所述区块链的安全模型、智能合约和共识机制将所述巡检数据上传到所述区块链中进行加密保存。[0014] 一种智能终端，所述智能终端包括：存储器、处理器，其中，所述存储器上存储有多机协同巡检路径规划程序，所述多机协同巡检路径规划程序被所述处理器执行时实现如上述中任一项所述的多机协同巡检路径规划方法的步骤。[0015] 一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述中任一项所述的多机协同巡检路径规划方法的步骤。[0016] 本发明采用上述技术方案达到的技术效果是：将粒子群算法(PSO)、人工蜂群算法(ABC)、模拟退火算法(SA)相结合，以构建新型算法模型对无人机集群的巡检路径规划进行优化，使得规划的无人机集群巡检路径，避免了多机相撞，提高了无人机巡检的安全性和效率。[0017] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明。附图说明[0018] 图1为本发明示出的一种多机协同巡检路径规划方法的步骤流程图。[0019] 图2为本发明示出的一种有目标巡检时的最优路径的3维规划图。[0020] 图3为本发明示出的一种有目标巡检时的最优路径中的路径一示意图。[0021] 图4为本发明示出的一种有目标巡检时的最优路径中的路径二示意图。[0022] 图5为本发明示出的一种有目标巡检时的最优路径中的路径三示意图。[0023] 图6为本发明示出的三条路径俯仰角度变化图。[0024] 图7为本发明示出的三条路径能量消耗变化图。具体实施方式[0025] 为更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，下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的实施例保护的范围。通过具体实施方式的说明，当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，而且所附图式仅是提供参考与说明之用，并非用来对本发明加以限制。[0026] 请参阅图1，图1为本发明示出的一种多机协同巡检路径规划方法的步骤流程图。[0027] 如图1所示，本发明一实施方式提供的多机协同巡检路径规划方法，包括以下步骤：[0028] S11：建立无人机的基本模型；[0029] 本实施方式中，根据复杂地形常用的四翼无人机进行建模型和仿真。[0030] 四翼无人机的基本模型包括：四翼无人机动力学模型、四翼无人机动力位置学模型、四翼无人机姿态动力学模型、四翼无人机运动模型与飞行控制刚体模型。[0031] 四翼无人机动力学模型：[0032] 对四翼无人机模型进行建模，设OeXeYe为无人机的地面坐标系，ObXbYb为无人机的机体坐标系。其中，滚动角为ξ，俯仰角为θ，偏转角ψ。公式(1)为四翼无人机动力学模型旋转矩阵，e表示地面坐标系，b表示机体坐标系，旋转矩阵可以将机体坐标系下表示的向量转化为地面坐标系。[0033][0034] 根据牛顿第二定律描述可以得到质心的平动F：[0035] 四翼无人机动力位置学模型：[0036] 根据牛顿第二定律可以得到：mve＝Ge+Te(3)；[0037] 其中，m为四翼无人机的质量，ve与Ge中的e表示为地面坐标系下的向量。Tb中的b为机体坐标系下的向量，G为重力加速度，T为四个螺旋桨产生的力之和。在公式(3)两边同时除以m后，给 乘以 得到公式(4) 再通过整理可以得到公式(5)。其中，公式(5)为四翼无人机位置动力学的最终模型。[0038][0039] 四翼无人机姿态动力学模型：[0040] 通过欧拉方程可以得到公式(6)。其中ωb表示在机体坐标下的角速度，τb表示在机体坐标系下螺旋桨在机体上产生的力矩，J为惯性矩阵。 表示在机体坐标系下的陀螺力矩。如公式(7)所示，其中JRP为四翼无人机的整个电机转子和螺旋桨绕机体转轴的总转动惯量， 分别表示四翼无人机的四个螺旋桨的转速。[0041][0042] 将公式(6)中的ωb分解为三个方向上的分量，可以得到[ωxb,ωyb,ωzb]。在此为了方便表示和说明，直接将上述三个分量[ωxb,ωyb,ωzb]记为[p,q,r]。将公式(7)和公式(8)带入公式(6)中，再经过整理可得到公式(9)。公式(9)中的I为x、y、z上的三个转动惯量，Ω的值如公式(10)所示。[0043][0044] 四翼无人机运动模型与飞行控制刚体模型：[0045] 四翼无人机运动模型以速度和角速度为输入，输出为位置和姿态，如公式(9)所e T示。公式(11)中P＝[x,y,z]用来表示四翼无人机在地面坐标系的位置。将公式(11)与公式(5)结合整理后可以得到公式(12)。加入一定的扰动后，将欧拉角度中的三个姿态角分为将公式(9)与姿态角结合后得到公式(13)。将公式(12)与公式(13)进行结合，并将[U1T TU2U3U4]＝[fτxτyτz]带入后得到非线性六个自由度模型，得到公式(14)所示。[0046] Pe＝ve(11)；[0047][0048][0049] S12：获取巡检目标信息，巡检目标信息包括巡检目标位置、巡检空间地图、巡检起点与终点以及巡检路径数量。[0050] 巡检目标信息是在进行多机巡检路径规划，或多机巡检路径规划仿真时获取。根据所执行的不同任务而发生变化。巡检目标信息包括：无人机的起飞点(即巡检起点)、无人机的降落点(即巡检终点)、巡检目标位置和巡检空间地图(本实施方式中，所执行任务为山区电力巡检，其巡检目标为高压电塔，巡检空间地图为任务区域的地形三维仿真地图)。[0051] S13：进行无人机的多机协同巡检建模，多机协同巡检建模包括巡检模型约束、多机协同避障约束、复杂地形飞行约束、多机空间协同和时间协同约束、多机协同路径规划收益函数约束。[0052] 可选地，构建所述巡检模型约束：设置无人机从巡检起点至巡检终点的巡检距离和巡检总时长，所述巡检总时长小于无人机续航时长；获取巡检目标未被巡检到与上一次集群巡检后的时间间隔，并根据所述时间间隔确认所述巡检目标的权重和优先级，将所述巡检目标的权重之和最大化作为目标函数： 根据所述巡检目标位置获取巡检起点、巡检目标和巡检终点之间的欧式距离： 根据所述欧式距离和无人机的飞行速度获取巡检起点、巡检目标和巡检终点之间的飞行时间： 获取无人机集群路线所用时间： 且[0053] 示例性地，使用四翼无人机从0点(即巡检起点)开始出发对高压电塔进行巡检，设置完成任务后返回终点(即巡检终点)的距离为N+1，设置无人机从0点开始起飞后到N+1之间的总时长定义为Tmax。其中，Tmax的值小于无人机硬件整体的续航时间(即巡检时长小于续航时长)，同时忽略风力和四翼无人机失去方向等意外因素带来的影响。将巡检起点到巡检终点之间没有被巡检的高压电塔集合设置为T＝{1,…,i,…,N}，则总高压电塔的集合为A＝{0,1,…,i,…,N,N+1}(即包含巡检起点和巡检终点)。通过利用权重的方式设置未被巡检到的高压电塔为i，则Wi(i∈T)为高压电塔未被巡检到与上一次集群巡检后的时间间隔，Wi的值越大，表明未被巡检到的高压电塔的优先级越高。P＝{0,i,…,j,N+1},i表示无人机巡检路径，四翼无人机从0点出发后巡检完成回到N+1点。将无人机在高压电塔i与高压电塔j之间的飞行时间设置为tij，dij为高压电塔i与高压电塔j之间的欧式距离，v为四翼无人机的飞行速度，dx、dy、dz分别为欧式距离的分量。则有：[0054][0055] 设每一条巡检路径为P，其中一条无人机集群路线所用时间设为tp，则：[0056][0057] 无人机集群所巡检高压电塔的权重之和最大化作为目标函数：[0058][0059] 其中，巡检模型的约束条件为：[0060] (1)每个高压电塔最少被巡检一次(一天巡检一次，或一周一次，或一月一次，可以根据需求自定义设置)，即 其中任意的j∈T。[0061] (2)无人机集群续航能力约束，Ec≤Emax。[0062] 可选地，构建多机协同避障的目标函数约束： 其中，dic为无人机之间的距离，dio1为无人机与树木之间的距离，dio2为无人机与磁场之间的距离，ω1、ω2、ω3为权重系数。[0063] 示例性地，假设一个无人机集群中有N架四翼无人机，每架四翼无人机的位置采用二维向量表示，可以为xi＝[xi1,xi2]。其中，i＝{1,…,i,…,N}。则目标函数为：[0064] 其中，dic为四翼无人机与四翼无人机之间的距离，dio1为四翼无人机与灌木丛/树木之间的距离，dio2为四翼无人机与磁场/地面之间的距离。ω1、ω2、ω3为权重系数，用于平衡无人机之间的距离与障碍物之间的距离。[0065] 如果设Dmin为四翼无人机与障碍物的最小距离，则约束条件为：dicmin≤Dmin；diomin≤Dmin(20)。[0066] 可选地，构建复杂地形飞行约束：设置无人机的最大飞行高度和最小飞行高度与转半径约束，Hmin的转向角约束： 其中Zi＝Zi+1。[0067] 示例性地，本实施方式用于复杂的山地中进行巡检路径规划，故要设置四翼无人机的最大飞行高度和最小飞行高度以及转半径约束，以避免四翼无人机所可能发生的安全问题。[0068] 将四翼无人机的最大飞行高度、最小飞行高度以及最小转弯半径分别设置为Hmax、Hmin和rmin，然后分别对四翼无人机的飞行高度和转弯半径进行约束，如公式(21)与公式(22)所示。在四翼无人机进行巡检的过程中，其巡逻区域覆盖面积会受到限制，因此需要对四翼无人机的巡检面积进行约束，如公式(23)所示，其中Smin为最小巡检面积。同时，对四翼无人机的两个巡检点间的俯仰角进行约束，如公式(24)所示，其中，zi≠zi+1。再对四翼无人机的巡检点之间的转向角进行约束，如公式(25)所示，转向角必须满足条件Zi＝Zi+1。通过利用上述设置的约束条件，以保证四翼无人机可以在复杂地形中顺利进行巡检。[0069] Hmin[0070] ri≥rmin(22)；[0071] Smin≥Sc(23)；[0072][0073] 可选地，构建多机空间协同与时间协同约束：设置无人机之间的最小安全距离；设置无人机的最大飞行速度和最小飞行速度。[0074] 示例性地，在空间协同方面，为了防止四翼无人机之间发生碰撞事故，需要考虑四翼无人机之间的安全距离dmin，对四翼无人机之间的距离进行约束，如公式(26)所示。在时间协同方面，将四翼无人机的飞行速度v设定为[Vmin,Vmax]之间，航线长度为L，抵达目标位置时所用的时间如公式(27)所示，若为 是非空集，此时任意集合中的t都可作为协同时间。[0075] di,j≥dmin(26)；ti＝[L/Vmax,L/Vmin](27)。[0076] 可选地，构建多机协同路径规划收益函数约束：f＝ω1fvoyage+ω2fheight+ω3finspection；其中，ω1、ω2和ω3分别航程代价、飞行高度代价、巡检代价作为收益函数中的权重系数。[0077] 示例性地，为了对四翼无人机执行任务时所消耗的能量进行控制，以四翼无人机的航程代价、飞行高度代价和巡检代价作为收益函数中的权重。不同的代价对此次航行的影响程度不同，设权重系数分别为ω1、ω2、ω3，则收益代价为：f＝ω1fvoyage+ω2fheight+ω3finspection(28)。[0078] S14：基于粒子群算法、人工蜂群算法和模拟退火算法的结合进行优化改进，构建新型算法模型。[0079] 在本实施方式中，使用粒子群算法作为主要算法，以增强无人机集群在巡检过程中的全局搜索能力和实时优化能力。[0080] 粒子群算法(ParticleSwarmOptimization，PSO)是一种基于社会行为的优化算法，灵感来源于鸟群或鱼群等集体行为。该算法通过模拟个体之间的协作与竞争，在解空间中迭代搜索最优解。粒子会根据自身的经验和全局最佳解来调整速度和位置，以便向目标方向进行搜索。在使用粒子群算法的过程中，首先对其进行初始化，其中包括设置粒子数量N及每个粒子的维度；随机初始化每个粒子的位置和速度；初始化每个粒子的个体最佳解Pbest和全局最佳解Gbest。然后对其粒子中的速度和位置进行更新,如公式(29)和(30)所示：[0081] vi(t+1)＝w*vi(t)+c1*r1(Pbesti?xi(t))+c2*r2(Gbesti?xi(t))(29)；[0082] Xi(t+1)＝Xi(t)+Vi(t+1)(30)；[0083] 公式(29)和(30)中，vi(t)是粒子i在时间t上的速度，xi(t)是粒子i在时间t的位置。w为惯性权重，用于调节粒子速度中的惯性项，控制了粒子在搜索过程中保持先前速度的程度，并平衡了全局搜索和局部搜索之间的权衡。c1和c2分别是学习因子，c1表示个体最佳解Pbest的方向移动的程度，c2控制着粒子向全局最佳解Gbest的方向移动的程度。[0084] 人工蜂群算法(ArtificialBeeColonyAlgorithm)是一种基于蜜蜂觅食行为的启发式优化算法,模拟了蜜蜂群体在搜索最佳食物源时的策略，通过并行地探索解空间来寻找问题的最优解。该算法的设计灵感来源于蜜蜂群体的三种角色：引领蜂、侦查蜂和跟随蜂。这些角色在搜索和优化过程中扮演不同的角色，相互合作以实现最优解的发现。其中，引领蜂储存有关食物源的信息，其中包括相对于蜂巢的距离、方向和食物源的丰富程度等。侦查蜂负责主动探索周围环境，寻找新的潜在食物源。跟随蜂则待在蜂巢内，他们接收到来自引领蜂的信息，并根据该信息决定自己下一步的行动。[0085] 假设种群数目为PopSize、蜜源个数为SN、最大迭代次数MCN。则在初始化阶段：Xij＝Xminj+rand[0,1](Xmaxj—Xminj)(31)；[0086] 其中,Xij表示蜜源Xi的第j维度值，i的取值范围是{1，2,...,SN},j取值范围是{1，2，...,D}。[0087] 在搜索阶段中，引领蜂个体在初始蜜源附近搜索新的蜜源可表示为:[0088] Vij＝Xij+φij(Xij—Xkj)(32)；[0089] 其中，k取值于{1，2,...,SN}，j取值于{1，2，...,D}，且k与j不相等，φij为[?1，1]之间的随机数，Xij为初始化阶段随机蜜源的位置。本实施方式中使用人工蜂群算法对粒子群算法组内的粒子进行优化，将组内的粒子分成引领蜂、雇佣蜂、跟随蜂三种类型，利用该算法得到适应度较高的粒子，提高算法的搜索能力与鲁棒性。[0090] 退火算法(SimulatedAnnealingAlgorithm)是一种全局优化算法，模拟了金属冶炼过程中的退火原理。该算法通过以某种概率接受较差解并逐渐降低接受概率的方式，在解空间中搜索问题的最优解。退火算法通常用于解决组合优化和参数求解等问题。该算法首先需要对其进行初始化，初始解作为当前最优解，并初始化初始温度、终止温度和外循环次数。然后设置主循环，在当前温度下执行内循环(迭代)直到满足停止条件，更新温度和新的计数器，返回最优解。其中停止条件有：[0091] (1)生成一个新的解(邻域解)。[0092] (2)计算当前解与新解之间的目标函数差异ΔE。[0093] (3)如果ΔE小于等于0，接受新解作为当前解。[0094] (4)否则，按照一定的概率p＝exp(?ΔE/T)接受新解，其中T是当前温度。[0095] 具体地，PSO和ABC都是仿生算法，都会选择适应度较高的个体为新的标准同时也会受到先前经验的影响，二者也容易陷入局部最优解中，但是二者在个体划分中存在区别，在搜索的过程中，PSO更容易陷入局部最优解，从而影响算法的性能。本实施方式通过综合上述两种算法的优点，将PSO算法与ABC算法进行结合，利用人工蜂群算法的更新方式来更新粒子群的迭代，以避免算法陷入局部最优循环，增强了算法的全局搜索能力。[0096] 具体地，在初始化过程中，根据人工蜂群算法的分组策略，根据适应度的高低选择相应的粒子设置引领蜂和侦察蜂；将巡检的高压电塔设为蜜源，并根据设置的线路多少，将所有的粒子划分为n组(即一条路线对应一组)，再将组内的粒子设置为跟随蜂。小组内的引领蜂跟随着侦察蜂，而跟随蜂主要在侦察蜂的影响下进行局部区域的最优搜索，小组内的等级变化通过适应度的实时改变进行实时调整。此时从粒子群的小组内部更新方式会随着迭代次数的增加，权重会逐渐减少，从而产生停滞状态，导致算法陷入局部最优解的问题中。为了解决这个问题，还需要引入了SA算法，增加局部搜索能力。改进后的算法涉及适应度较好的最优粒子，最优粒子更新操作如下：[0097][0098] Xi,j(t+1)＝Xmini,j(t+1)+rand[0,1](Xmaxi,j(t+1)—Xmini,j(t+1))(34)；[0099][0100] C1＝exp{1/(1+fi,j)}；C2＝exp{1+abs(fi.j—fk,j)}(36)；[0101] 其中，Xij表示第j个小组的第i个粒子。其中，C1和C2是改进后的学习因子，可以让学习因子随着迭代次数的增加而减。佣跎偎惴ǖ奶剿髁Σ⒃銮科涫樟残。其中，fi,j是当前粒子的适应度，Pbesti,j是第j小组中Xij的最优解，Gbesti,j为第j小组内除了Pbesti,j的最优解。fk,j可以是第j小组内的任意粒子的适应度。小组内部每个粒子按照以下的准则进行更新：[0102] vi(t+1)＝w*vi(t)+c1*r1*(Pbesti?xi(t))+c2*r2*(Gbesti?xi(t))(37)；[0103] Xi(t+1)＝Xi(t)+Vi(t+1)(38)；[0104] 然后，通过对模拟退火算法进行改造，在模拟退火算法中根据Metropolis准则对算法进行对局部搜索能力进行更新：[0105][0106] exp(—Δf/T(t))＞rand(40)；[0107] Δf表示变量f的变化量,即f的新值与旧值之间的差。[0108] 当Δf<0时，表示粒子的适应度较差，可以通过公式(40)对其进行调整，通过调整后可以避免算法再次陷入局部最优解问题，其他粒子不改变状态。[0109] 为了验证新构建的PSO?ABC?SA算法的真实场景的应用可行性，对其无人机集群路径规划进行实验仿真。实验环境采用Matlab。地图采用某地区地形与高压电塔位置，地图大小设置为300m*100m*3000m，其中包括四座高达3km的高山和均匀分布的2.4km?1.8km的高山。起飞点坐标为(10,50,2800)，结束坐标为(10,250,10)，其中设置8个半径为5m的高压电塔为巡检点，坐标依次为(10,50,2800)、(40,28,2200)、(80,45,1218)、(100，50,815)、(125,50,2200)、(180,50,3000)、(230,20,120)。[0110] 具体地，设置三条巡检路径，将蜂群算法对其粒子分组设置为3，粒子群算法迭代次数设置为400，种群数目为60，权重设为0.8，退化率为0.99，学习因子C1为1.5，学习因子C2为1.5，局部退火算法内部迭代为10，初始温度为10000，温度衰减系数为0.99。[0111] 如图2至图5所示，通过构建的新型算法PSO?ABC?SA算法来规划路径，可以有效避开复杂的山区地形，避免无人机集群发生无人机相撞的问题。通过新型算法所规划路径可能是直线或者曲线，其转弯幅度较小。[0112] 其中，第一条路径四翼无人机对区域内的5座高压电塔进行了巡检，并且在沿途四翼无人机的巡检过程中，四翼无人机的俯仰角度变化较。浞纫布。Ｖち宋奕嘶陌踩。第二条路径无人机巡检到了2座新的高压电塔。然而，巡检到其中1座高压电塔附近存在尽管该路径的转弯幅度较。捎诰艘欢紊降，使得四翼无人机的俯仰角度增加。第三条路径四翼无人机对前两条路径所未巡检到的高压电塔进行了巡检，但为了找到最短路径并绕过高山，使得该路径的转弯角度更大，但这样做使四翼无人机既巡检了之前未巡检高压电塔，又节约了能量消耗。[0113] 通过对巡检路径进行划分后，得到每个无人机集群的坐标和角度。从平均最优路径规划(图2至图5所示)可以得到的四翼无人机对应巡检路径上的俯仰角变换如图6所示。通过公式(24)和公式(25)对其角度进行了控制，从而可以达到节约能量损失的效果，如图7所示。[0114] 上述实验结果表明，本实施方式中改进的新型算法PSO?ABC?SA算法所规划的巡检路径能够充分考虑山区地形和无人机集群中多机相撞问题，并且在巡检过程中保持较小的转弯幅度，提高了无人机任务的安全性和工作效率。[0115] S15：根据所述新型算法模型、基本模型、多机协同巡检建：脱布炷勘晷畔⒔卸嗷布炻肪豆婊。[0116] S16：基于多机巡检路径规划控制无人机进行巡检，并将获取的巡检数据通过区块链技术进行加密保存。[0117] 可选地，基于所述多机巡检路径规划控制所述无人机进行巡检，并将获取的巡检数据通过区块链技术进行加密保存的步骤，包括：获取所述无人机在巡检过程中的巡检数据；基于所述区块链的安全模型、智能合约和共识机制将所述巡检数据上传到所述区块链中进行加密保存。[0118] 区块链为一个又一个区块组成的链条。每一个区块中保存了一定的信息，它们按照各自产生的时间顺序连接成链条。这个链条被保存在所有的服务器中，只要整个系统中有一台服务器可以工作，就可以保证整条区块链的安全。服务器在区块链系统中被称为节点，为整个区块链系统提供存储空间和算力支持。如果需要对区块链中保存的信息进行修改，必须征得半数以上节点的同意，并修改所有节点中的信息。节点通常掌握在不同的主体手中，可以避免篡改区块链中的信息。相比于传统的网络，区块链具有两大核心特点：一是数据难以篡改、二是去中心化；这使得区块链中所记录的信息更加真实可靠，可以帮助解决人们互不信任的问题，包含重点中所使用的区块链为私有链。[0119] 区块链的安全模型：为了保证区块链中保存的无人机飞行数据的可追溯性、真实性和安全性，电力公司的巡检系统作为私钥生成中心选取两个素数阶为q的循环群G1和G2，g作为群的G1生成元，然后定义一个双线性对：G1×G1→G2，并选取两个哈：256H2:{0,1} 。然后，继续由电力公司的巡检系统随机选取a,b,c∈Zp，其1/b a中Zp∈(1,2.....,p?1)，生成系统的公钥MPK＝{h＝g,f＝g ,e(g,g)}以及系统主密钥MSKa＝{c,b,g }。最终，将每个无人机的巡检系统公钥MPK广播到整个区块链系统中，完成系统初始化工作。[0120] 智能合约：建立边缘层，将采集的各类数据利用数据库与区块链通过环签名的方式和CryptoNote协议对其数据进行加密(包括存储点和数据等)，将其进行分布式存储和共享。[0121] 为了避免通过角度数据、飞行时间数据、飞行里程数据建立数据湖，可能出现的数据孤岛，需要数据湖和智能合约的数据共享访问来控制模型。[0122] 建立脱链存储的方式，只在区块链的区块体中存储用户名、用户地址、存储记录的信息，原始的数据则加密存储在数据聚合器中进行节点间的身份认证。[0123] 通过CryptoNote协议对边缘层的设备存储数据交互进行加密，确保无人机飞行数据的安全并进行双方身份认证。建立一个随机函数r得到一个签名值P：P＝HS(rA)G+B(其中HS为加密散列函数，G为基点)。[0124] 在查看无人机飞行数据时，r由发送者通过安全通道询问接收者是否获得接收者使用的私钥(a,b)，检查数据存储交互数据。生成一个认证值P‘：P‘＝HS(Ra)G+b(其中R为认证权重，接收者回复一次性密钥x)。[0125] 将CryptoNote使用隐身地址协议，为区块链网络中的用户提供更强的隐私性：[0126] (1)PSign(m,PS,P1,P2.........,Pn)，签名由每个消息成员m的公钥(PS,P1,P2.........,Pn)组成，并与签名者的私钥Pn相关联以产生签名δsign。[0127] (2)fverify(m,δsign)验证签名，签名者利用公共钥以及消息m组成输出真假。[0128] 签名者生成环签名，计算对称密钥S作为待签名消息m的哈希值，S＝h(m)，创建环签名组需要每一方的公钥，签名者可以悬着在存储中的签名数，以提供：那┟，存储数据w＝lin+ri组成，签名fi(w)可表示为：[0129] fi(w)＝lin+diqi(n≤2b)；[0130] fi(w)＝w(li+1)(n>2b)；[0131] di为发送者签名，qi为发送者产生的随机数；li为接收者产生的随机数；n为签名者数量；ri为校验码。[0132] fi(w)是0到1上的置换函数，一个单向门限函数，公钥的加密构成n个签名者的环签名：Rn＝f1⊕f2⊕.........⊕fn。[0133] 节点数据共享通过区块链的智能合约实现，分为锁定和解锁，锁定使用脚本限定共享数据输出约束，解锁使用脚本限定了运行标准。具体流程为：(1)共享访问请求；(2)执行智能合约；(3)发送共享数据；(4)指定访问数据。[0134] 共识机制：区块链使用的是DPoS机制(DelegatedProofofStake,代理权益证明)流程，基本工作流程为：[0135] 选举阶段：持股节点在投票选举阶段，会将手中的股份作为票数通过赞成投票(approvalvoting)的方式给予支持的节点进行投票，每个股份允许给每个节点投一票。当投票结束后，系统对所有得票数进行统计并计算所有节点的有效得票数，选择有效票数排名前2TN个链中节点作为候选见证人节点(其中TN是区块链中通过至少有一般人数投票的持股节点认为有资格的见证人节点数目)。紧接着根据投票数进行排名，排名前TN的节点作为本轮的见证人节点集合，同时剩余的TN个节点作为备选见证人节点集合。这里本发明整个区块链网络里有N个无人机飞行的数据，选取部分节点为见证节点，为了保证恶意选举发生，剩下节点为候补节点。[0136] 出块阶段：通过DPoS算法从已经投票出的见证节点选出小部分节点，这些节点将作为区块链系统中区块验证以及区块打包的工作者。每个见证人节点排好序后在规定的时间间隔内按序生产区块，每当区块打包出块成功，必须在通过不少于(2/3+1)TN个见证节点的确认与验证才能够进行区块上链，其中，若该工作的见证节点没有成功生成区块，那么便跳过此见证节点，并由下一轮的见证节点继续进行区块生成工作。[0137] 示例性地，整个区块链网络里假设有N个无人机飞行的数据，选取部分节点为见证节点，为了保证恶意选举发生，剩下节点为候补节点。为了保证投票的公平性，以免有人给假数据进行投票，在里面加入权重，权重为总票数除以(阈值+惩罚力度)，根据DPoS共识机制，当新产生的区块被(2/3+1)TN数量的见证节点验证成功后，那么该区块可成功添加到区块链中，区块链中所有节点都将接受这个新的区块。每当验证成功，工作节点在阈值处会获得加1的奖励，其余观察节点会获得0.2的奖励，验证失败则惩罚力度会加1。[0138] 本实施方式的多机协同巡检路径规划方法，将粒子群算法(PSO)、人工蜂群算法(ABC)、模拟退火算法(SA)相结合，以构建新型算法模型对无人机集群的巡检路径规划进行优化，使得规划的无人机集群巡检路径，能够有效地避开复杂的山区地形，避免多机相撞，节约无人机的能量消耗；而且无人机巡检过程中采集的巡检数据通过区块链、智能合约和共识机制进行加密保存，保证了无人机的巡检数据的安全，避免巡检数据造假。[0139] 应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。[0140] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明实施例可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD?ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或网络设备等)执行本发明实施例各个实施场景所述的方法。[0141] 以上结合附图详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，上述实施例及附图是示例性的，附图中的模块或流程并不一定是实施本发明实施例所必须的，不能理解为对本发明的限制，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型和组合，这些简单变型和组合均属于本发明的保护范围。

专利地区：甘肃

专利申请日期：2024-03-15

专利公开日期：2024-11-19

专利公告号：CN118331290B