Encyclopedia
Please note this is an old version of this entry, which may differ significantly from the current revision.
Subjects:
Transportation
稳定的物料运输对于灾后快速恢复电力系统至关重要。基于无人机的物料运输可以绕过地面运输的限制并减少运输时间。然而，目前的无人机飞行轨迹分布优化模型无法满足灾后山区应急救灾物资配送的需要。制定合理的应急配电计划可以显著加快配电系统的恢复速度。
- material transportation
- emergency distribution
- drone
- drone scheduling
- VRPD
- fight trajectory
- algorithm
- task assignment
1. 简介
制定合理的应急配电计划可以显著加快配电系统的恢复速度[1,2]。传统的应急配送严重依赖运输网络，由于中国西部山区自然灾害频繁和地形条件复杂，交通网络容易受到重大破坏[3]。无人机空投材料技术可以成功解决这些问题。
如何进行快速无人机飞行轨迹分配是解决问题的关键之一。无人机的车辆路径问题（VRPD）是车辆路径问题（VRP）的一种变体，已被研究人员研究。在经典的VRPD问题中，不同的需求和实际情况可以决定目标函数，如物料的最短运输交货时间[4,5,6]和时间窗口约束[6]。然而，目前许多研究的针对性很差，只抽象到传统的材料输送问题，忽视了各种运输问题和问题动态之间的区别，如果在案文中考虑到目标点的特点，这将更加相关。
找到VRPD问题的最佳解决方案是一项重大挑战。启发式算法在紧急情况下更有效地解决VRPD问题[7]，例如粒子群算法（PSO）[8]，遗传算法（GA）[9]和动态人工蜂群（DABC）[10]算法。在这些算法中，PSO具有计算简单、收敛快等优点，适合应用于快速需求的应急救援工作分配[11]。随着迭代次数的增加，种群多样性的快速下降使得PSO极易受到局部最优的影响，并且高度依赖于参数设置。
2.电力应急配网与无人机配网、无人机作战轨迹问题
在突然停电的情况下，必须及时提供应急物资，以尽量减少停电造成的生命和财产损失，恢复生活和工作环境。Hou等人[2]提出了一种基于节点积分权重的资源满足的电气应急救援运输模型，创建了一个材料供应量和时间精简量最小的目标函数。Gao等[14]考虑了急救材料的分配、维修团队的配合以及损坏设备的修复顺序，创建了多点故障修复优化模型。
然而，传统的电气材料救援主要存在于城市地区，使其在有利的交通和道路条件下更加实用。传统方法的弊端在路况较差的地区更为严重，使得无人机运输成为提高运输效率的更有效手段。以下是与无人机运输相关的文章。
通过将无人机的功耗建模为多行程无人机路由问题模型中有效载荷和跳闸时间的非线性函数，考虑时间窗口，Cheng等人[15]进一步扩展了Dorling的研究。他们的模型提供逻辑和子梯度切割来处理非线性幂函数，使用分支和切割方法解决无人机布线问题。在Gentili等人[6]的优化问题中，紧急医疗用品的价值根据其易腐烂性最小化。考虑到无人机在运输医疗用品时的电池寿命，他们假设每个平台一次只能有一架无人机为一个节点提供服务。VRPD在异构无人机中的应用也在几项研究中进行了研究。VRPD在异构无人机中的应用也在几项研究中进行了研究。对于异构固定舰队无人机路由问题，Chowdhury等人[16]提出了一个混合整数线性规划模型来解决灾后检查的成本，因为有几个方面。Chen等人[17]处理了多区域系统中不同能力的无人机的无人机战斗轨迹规划问题。他们最初创建了一种将区域分组为聚类的算法，从基于密度的聚类技术中汲取灵感。然后，他们获得了无人机执行覆盖任务的理想点对点路径的近似值。在Chen等人[18]的另一份工作中，他们专注于异构无人机的覆盖作战轨迹规划问题。他们提出了一种基于蚁群系统（ACS）的方法，以获得足够的无人机路径，并彻底有效地覆盖每个区域。文献显示，无人机配送研究最大的障碍是约束，这也是传统车辆路线问题模型不适用于无人机物流的原因之一。
以往的大多数研究都从无人机特有的角度考察了这个问题，忽略了供应及时性和无人机调度之间的协调关系，以及目标需求和无人机的安全考虑。构建专注于交付电气材料的无人机调度模型至关重要，因为用于紧急运输动力无人机的模型仍然不常见。
3. 解决无人机任务分配的算法
在无人机任务分配中，启发式算法更常用[19]。基于此，Wu等[20]对遗传算法（GA）进行二次选择运算以提高种群多样性，二次选择运算采用改进的模拟退火算法（SA）更有效地解决协同多任务分配问题。Han等人[21]提出了一种模糊精英策略遗传算法来处理复杂的问题。为了提高其逃脱局部最优陷阱并加速收敛的能力，Wang等人[22]建议将模拟退火（SA）和大邻域搜索（LNS）算法结合起来。Liu等人[23]还提出了一种结合GA和聚类方法的协同优化方法，以满足无人机对森林火灾的任务分配。Li等人[24]利用升级的元胞自动机（CA）和最优生成树技术来构建路径网络并找到各个端点之间的最佳路由。Zhang等人[25]根据粒子质量动态划分粒子群，并改变了算法的拓扑结构。此外，任务处理问题中的动态问题也很常见。此外，PSO算法已被用于其他组合作为启发式方法：在他们的研究中，Geng等人[26]提出了一种量化的粒子群优化算法，用于无人机集群的任务分配问题;Shao等人[27]在构建量化粒子群优化技术的情况下，提出了一种基于离散粒子群优化的混合策略，用于多对一任务规划问题。Chen等人[28]使用Levi分布策略增强了模拟退火算法，它适用于动态和静态任务分配模型。Yang等[29]采用基于传感器网络和移动信息的无人机集群分布式理性聚类算法，提高无人机任务分配完成率，为任务分配提供了一种新的分布式算法。
This entry is adapted from the peer-reviewed paper 10.3390/su151713127
This entry is offline, you can click here to edit this entry!
