一种基于双种群约束多目标优化的灾后无人机路径规划方法及系统

1.一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，包括：根据灾后影像数据，构建灾后任务场景模型，包括建立二维坐标系统、确定任务点和无人机配置和定义无人机航程路径以及构建风险场模型；基于灾后任务场景模型，建立无人机航程多目标协同优化目标函数和约束条件，包括构建多目标函数体系、设置系统约束条件以及建立约束违反度评估机制；利用双种群约束多目标进化算法进行路径优化，包括建立多无人机路径编码机制和初始化双种群架构、实施双种群协同遗传繁殖操作、确定双阶段约束处理策略；以及实施基于精英感知排序的环境选择；生成偏好导向决策方案，包括构建并归一化方案库、配置多场景偏好策略以及执行TOPSIS综合评价；输出优化路径方案。 2.根据权利要求1所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述建立二维坐标系统、确定任务点和无人机配置和定义无人机航程路径，包括根据灾区范围确定灾后任务场景空间 的边界范围，将不规则的灾区范围标准化为矩形区域，建立以灾区质心为原点的直角坐标系，确保坐标系的中心位置能够代表整个灾区的重心，为距离计算和路径优化提供参考点；基于建立的坐标系，将实际救援需求转化为算法可处理的数学对象，通过灾后通讯信息识别所有需要物资投放的位置，进而建立任务点集合 ，每个任务点 用二维坐标 表示，同时确定无人机基地 的坐标位置 ，建立无人机集合 ,其中 为无人机总数，进一步建立无人机航程路径的数学表示，每个无人机 遵守从基地 出发并返回 以完成一次航程的闭环约束条件，当第 架无人机 被分配一组任务点后，其完整航程包括基地出发点、依次访问的各个任务点、以及最终的基地返回点，设无人机 的航程包含 个航程点，按访问顺序记为： ，其中 表示无人机 的第 个航程点的二维坐标， 为分配给无人机 的任务点数量，为计算飞行距离、时间和风险暴露量，定义相邻航程点间的路径段 为连接航程点 和 的线段，路径段 的几何长度为： ，路径段 通过参数方程表示为： ， ，其中参数 表示沿路径段从起点 到终点 的距离。 3.根据权利要求2所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述构建风险场模型，包括为精确描述灾后环境的复杂风险分布，建立基于风险密度函数的连续风险场模型，首先，将灾后任务场景空间 内的限制区域分为两类并进行差异化处理，基于风险区域 中风险源 的不同类型，为每类风险源 建立风险密度函数，对于点状风险源，采用高斯衰减模型表示为： ，其中 为风险源 的中心坐标， 为风险强度系数， 为影响范围参数，计算得到的风险密度值 直接反映坐标点 处受到风险源 的威胁程度，对于大面积的区域性风险源，采用分段常数模型，表示为： ，其中 为风险源的核心危险区域，该区域内风险值恒定为 ， 为点 到核心区域边界的最短距离， 为风险影响半径，为获得完整的风险分布图，将所有风险源的影响进行叠加融合，通过叠加各类风险源的影响得到综合风险密度： ，其中 为点状风险源总数, 为区域性风险源总数，基于综合风险密度函数，无人机 沿路径段 的风险暴露量通过路径积分计算： ，其中，将路径段参数化为从0到 的参数 ，积分结果 代表无人机在该路径段飞行过程中承受的总风险暴露量。 4.根据权利要求3所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述构建多目标函数体系，包括基于构建的灾后任务场景模型，建立无人机航程多目标协同优化目标函数，目标函数综合考虑任务覆盖、响应时间、风险控制、负载均衡和能耗优化多个维度，表示为： ，式中 表示多无人机规划路径的解决方案， 表示为 的目标函数向量，其中，加权任务覆盖目标函数 表示为： ，其中 表示已被访问并成功服务的任务点集合， 为任务点 的优先级权重 为任务点总数；优先级响应时间目标函数 表示为： ，其中 为任务点 的完成时间， 为开始服务时间， 和 分别为最晚完成时间和最早开始时间， 为早到惩罚系数；综合风险暴露目标函数 表示为： ，式中第一项 表示无人机 飞行路径上的风险暴露量总和，其中 来自路径积分计算， 为无人机 访问的航程点数量，第二项 表示无人机 在任务点悬停作业期间的风险暴露量，其中 为无人机 服务的任务点集合， 为任务点 的所需服务时长， 为任务点位置的风险密度；负载均衡目标函数 表示为： ，式中 为无人机 的总载重量， 为飞行时长， 为服务任务点数量， 分别为相应的平均值， 为权重系数。 5.根据权利要求4所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述设置系统约束条件，包括建立统一的约束函数体系 式中 表示 的约束函数向量，其中，载重约束函数 表示为： ，式中 为任务点 的物资需求量， 为无人机 的最大载荷， 为无人机 服务的任务点集合；能耗约束函数 表示为： ，式中 为无人机 的总能耗， 为无人机 的最大能耗限制；续航时间约束函数 表示为： ，式中 为无人机 的总任务时间， 为无人机 的最大续航时间；禁飞区约束函数 表示为： ，式中 为路径段 与禁飞区 重叠的长度。 6.根据权利要求5所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述建立多无人机路径编码机制和初始化双种群架构，包括建立编码机制来表示多无人机路径规划问题的解空间，设每个个体 采用任务序列编码结构表示完整的多无人机路径规划方案： 其中 表示无人机 的任务访问序列： 其中 为无人机 按顺序访问的第 个任务点， 为分配给无人机 的任务点数量，任务分配通过 中包含的任务点集合体现，访问顺序通过序列中任务点的排列顺序体现；基于建立的多目标协同优化目标函数及约束条件，采用双种群约束多目标进化算法对无人机航程进行求解，获取全局最优解集，其中，设置主种群 和辅助种群 的规模为 ，构建参考向量集合 用于引导搜索方向，参考向量的设计基于分解思想，将多目标问题分解为多个单目标子问题，设置交叉概率 和基础变异概率 ，用于控制遗传操作中新个体的产生频率和扰动强度，同时设定最大进化代数 作为算法终止条件，随后采用随机方式生成初始解个体，每个个体按照建立的编码机制表示一个完整的多无人机路径规划方案，在生成过程中，对主种群 要求所有初始个体满足基本约束条件，而对辅助种群 则允许个体违反约束。 7.根据权利要求6所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述实施双种群协同遗传繁殖操作，包括基于双种群架构，在每一代进化中，主种群 和辅助种群 分别通过选择、交叉、变异的遗传操作生成子代种群，其中，首先采用二元锦标赛选择策略从当前种群中选择父代个体用于后续的交叉操作，从种群中随机选择个体 和 进行比较，选择表现优的个体作为父代参与后续的交叉变异操作，选择标准基于目标函数值和约束违反度： ，其中 为平衡系数， 表示目标函数向量 的欧氏范数；然后对选中的父代个体执行交叉操作，通过基因重组产生初步的子代个体，在任务分配层，采用改进的分割交叉操作确保所有任务点完整分配且不重复：首先随机选择交叉点将父代个体 和 分为前后两段，然后保持前段任务分配不变，对后段采用最近邻启发式重新分配冲突任务点；最后对交叉后的子代个体执行变异操作，引入随机扰动以增强种群多样性，基于子代个体的约束违反情况和目标函数表现,根据个体特征自适应选择变异策略，变异概率 根据个体的约束违反程度动态调整： ，其中 为基础变异概率， 为当前种群最大约束违反度， 为数值稳定项；通过选择、交叉、变异操作，主种群 和辅助种群 分别产生规模为 的子代主种群 和子代辅助种群 ，设计促进种群间交流的候选种群生成策略，将主种群 与子代候选种群 合并形成规模为 的父代候选主种群 ，同样地，将辅助种群 与子代候选种群 合并形成规模为 的父代候选辅助种群 ，通过合并策略确保两个种群都接收来自对方的子代个体，实现协同进化。 8.根据权利要求7所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述确定双阶段约束处理策略，包括基于双阶段约束处理策略， 在第一阶段，父代候选主种群 采用严格约束处理方式，仅接受完全满足约束条件的个体，通过精英感知排序环境选择策略选择出下一代主种群 ；同时父代候选辅助种群 在第一阶段采用无约束处理方式，即接受所有个体，通过精英感知排序环境选择策略维持种群择出下一代辅助种群 ；当算法进入第二阶段，父代候选主种群 保持策略不变，父代候选辅助种群 转为约束放松处理方式，即接受约束违反度小于容忍阈值的个体，其中约束容忍程度 根据当前进化代数 动态调整，表示为： ，其中 为初始容忍程度， 为衰减系数， 为当前进化代数, 为最大进化代数；为准确控制约束处理策略的阶段转换时机，采用基于理想点和最差点变化率的自适应转换机制，在算法运行过程中实时监测辅助种群 在目标空间中的理想点 和最差点 的变化情况，其中理想点 的第 个分量为： ，表示辅助种群在第 个目标上的当前最优值, 最差点 的第 个分量为： ，表示第 个目标上的当前最差值；为量化种群进化状态，计算理想点 的变化率： ，并计算最差点 的变化率： ，其中， 为评估变化率的代数间隔，由此得到综合变化率： 。 9.根据权利要求8所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述实施基于精英感知排序的环境选择，包括基于确定的双阶段约束处理策略，对候选种群中的个体进行优劣排序，并根据排序结果和约束处理策略选择出下一代种群，基于精英感知排序机制，通过融合多种排序策略来细化个体层级；首先，对候选种群 中的所有个体执行非支配排序，对于任意个体 和 ，通过非支配排序，每个个体 获得非支配层级 ，其中 为最大层级数， 然后将每个个体 与其在目标空间中夹角最小的参考向量 进行关联： ，其中 表示个体 与参考向量 的夹角，并计算个体的角度惩罚距离： ，其中 为惩罚强度系数， 为最大允许角度， 为惩罚指数，基于角度惩罚距离对个体进行排序，每个个体 被分配θ-支配层级 ，其中 为θ-支配排序的最大层级数，最终计算每个个体的精英感知排序层级；基于双种群双阶段框架和精英感知排序结果，采用分层填入的环境选择策略选择出下一代种群，其中当某一层级的个体数量超过下一代种群 的剩余容量时，需对该层级内的个体进行截断操作以确定最终选择的个体，并采用相应的评分函数对该层级内的个体进行评估排序，选择评分最优的个体填满种群，对于主种群 ，由于采用严格约束处理方式，使用约束评分函数： ，对于辅助种群 在第一阶段，采用无约束处理方式，使用无约束评分函数， 对于辅助种群 在第二阶段，转为约束放松处理方式，使用约束放松评分函数，通过评分函数计算同一层级内每个个体的适应度分值，按评分从优到劣依次选择个体放入下一代种群 ，直到种群规模达到 ，实现环境选择操作，从父代候选主种群 中选择出新的主种群 ，从父代候选辅助种群 中选择出新的辅助种群 ，完成一代进化过程，当进化代数 达到最大进化代数 时，输出主种群 中所有满足约束条件的非支配个体，形成帕累托最优解集 。 10.根据权利要求9所述的一种基于双种群约束多目标优化的灾后无人机路径规划方法，其特征在于，所述构建并归一化方案库、配置多场景偏好策略以及执行TOPSIS综合评价，包括基于双种群约束多目标进化算法输出的帕累托最优解集 ，构建候选方案库 ，为确保多目标评价的公平性，对每个目标函数 执行归一化处理，归一化后， 表示该方案在第 个目标上达到理想水平, 表示达到最差水平，然后在优化主目标的同时，为非主偏好目标设定可接受阈值 ， 基于主偏好目标和阈值约束，筛选出满足条件的偏好方案集合；最后采用改进的TOPSIS方法对候选方案进行综合评价， 针对每个候选方案 ，计算其在主偏好目标上的优化程度： ，然后，计算候选方案在非主偏好目标上的平衡程度： ，其中 为目标函数总数，并根据主偏好目标的优化程度和非主偏好目标上的平衡程度可得到综合偏好评分： ，其中 为主目标优化和目标平衡的权重系数，用于调节两者在综合评分中的相对重要性；基于综合偏好评分结果，选择评分最高的方案作为最终推荐方案： ，输出最优方案 及其对应的详细性能指标。