基于遗传算法的无人机侦察任务规划方法及装置

1.本技术涉及无人机技术领域，特别是涉及一种基于遗传算法的无人机侦察任务规划方法、装置、计算机设备和存储介质。


背景技术：

2.随着越来越多的自然或是人为的灾害发生，这些灾害如地震、核泄漏、大型火灾等不但造成了人民群众不可挽回的财产损失，更严重地威胁到了人民群众的生命安全。随着近年来无人机技术的发展以及人工智能的兴起，智能化无人机侦测系统也逐渐成为了无人机领域研究的一个热点。但是，面对大面积的灾区持续侦察，单个无人机由于航程以及自身信息传输带宽的限制开始显得力不从心，无人机蜂群的持续侦察成为一种较为完美的解决方案，虽然无人机蜂群的持续侦察已经有学者在研究，但是无人机蜂群持续侦察的相关理论仍然不够成熟，大多数仍停留在理论阶段，距离实际应用仍有一段距离。
3.目前在蜂群无人机对指定区域持续侦察智能优化优化方面仍然存在短板，无人机的研究大多集中在单个无人机的功能与优化。目前无人机蜂群大多用于民用的夜景无人机灯光展示，军事领域蜂群无人机也刚刚有所发展，在更高层次应用仍有欠缺。如何实现多无人机群持续侦察的智能化、高效化仍是急需解决的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高无人机持续侦察效率的基于遗传算法的无人机侦察任务规划方法、装置、计算机设备和存储介质。
5.一种基于遗传算法的无人机侦察任务规划方法，所述方法包括：
6.获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；
7.将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图；
8.从态势地图中获取待侦察任务目标，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置；
9.根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察力参数是根据任务紧急度参数确定的；
10.根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型；
11.通过遗传算法对求解模型进行寻优，得到目标函数的最优解；
12.根据目标函数的最优解，得到无人机所分配的最优侦察点位。
13.在其中一个实施例中，通过遗传算法对求解模型进行寻优，得到目标函数的最优解，包括：根据遗传算法中的修补算子对求解模型进行初步寻优，得到满足约束条件的目标函数的初始解；根据遗传算法中的选择算子对初始解进行选择，得到初始解中存活概率最
大的第一近似解；根据遗传算法中的交叉算子和变异算子对第一近似解进行交叉变异操作，得到目标函数的最优解。
14.在其中一个实施例中，将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图，包括：
15.根据任务紧急度参数和待侦察点的位置，得到态势地图的信息矩阵t；根据态势地图的信息矩阵，建立态势地图；
16.其中，t的表达式如下：
17.t＝{(x1，y1，e1)，(x1，y1，e2)，....,((x
i
，y
i
，e
i
))}
18.x
i
代表序号为i的待侦察点的x坐标，y
i
代表序号为i的待侦察点的y坐标，e
i
代表序号为i的待侦察点的任务紧急度。
19.在其中一个实施例中，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置，包括：
20.通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析得到无人机待侦察任务目标子区域和无人机在侦察任务子区域内的期望最大的均值，将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置。
21.在其中一个实施例中，根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察力参数是根据任务紧急度参数确定的，包括:
22.根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件，约束条件如下：
23.∑r
j
≤l
max
，(x
j
，y
j
)∈m
i
24.s(j)＝1，(x
j
，y
j
)∈m
i
25.∑r
i
≤r
max
，(x
j
，y
j
)∈m
i
26.其中，m
i
表示无人机待侦察任务目标子区域，r
j
表示无人机与周边的待侦察点的距离，l
max
表示无人机与待侦察点位之间欧氏距离和限制值，r
i
表示侦察力参数，r
max
表示无人机最大侦察力，(x
j
，y
j
)表示无人机在待侦察任务子区域内的初始位置，s(j)表示侦察状态向量，1表示该待侦察点未被侦察。
27.在其中一个实施例中，无人机待侦察任务分配的目标函数为：maxw＝∑e，(x
j
，y
j
)∈m
i
，其中e表示任务紧急度。
28.在其中一个实施例中，侦察力参数是根据任务紧急度参数确定的，包括：
29.r
i
＝α
×
e2，α＝0.01
30.其中，α表示侦察力参数与任务紧急度的平方之间的比例系数。
31.一种基于遗传算法的无人机侦察任务规划装置，所述装置包括：
32.获取态势地图模块，用于获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图；
33.获取初始位置模块，用于从态势地图中获取待侦察任务目标，通过基于高斯混合
模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；所述聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置；
34.建立求解模型模块，用于根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型；
35.获取最优侦察点位模块，用于通过遗传算法对求解模型进行寻优，得到目标函数的最优解；根据目标函数的最优解，得到无人机所分配的最优侦察点位。
36.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
37.获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；
38.将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图；
39.从态势地图中获取待侦察任务目标，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置；
40.根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察力参数是根据任务紧急度参数确定的；
41.根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型；
42.通过遗传算法对求解模型进行寻优，得到目标函数的最优解；
43.根据目标函数的最优解，得到无人机所分配的最优侦察点位。
44.一种计算机可读存储介质，其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以下步骤：
45.获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；
46.将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图；
47.从态势地图中获取待侦察任务目标，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置；
48.根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察力参数是根据任务紧急度参数确定的；
49.根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型；
50.通过遗传算法对求解模型进行寻优，得到目标函数的最优解；
51.根据目标函数的最优解，得到无人机所分配的最优侦察点位。
52.上述基于遗传算法的无人机侦察任务规划方法、装置、计算机设备和存储介质，首先获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图；从态势地图中获取待侦察任务目标，通过基于高斯混合模型的期望最大化算法对待侦
察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置；在实际中，无人机蜂群是从同一起飞场地起飞，根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；通过约束条件可以对无人机的侦察任务进行一个优化，将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察状态向量设置为未被侦察状态，使得无人机的待侦察点位是需要被侦察的点位，节省时间成本，侦察力参数是根据任务紧急度参数确定的；当任务紧急度参数增大时无人机侦察力度随着增大，根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型；通过遗传算法对求解模型进行寻优，得到目标函数的最优解；根据目标函数的最优解，得到无人机所分配的最优侦察点位，使得无人机在进行侦察任务时得到一个最优的侦察点位，可以提高无人蜂群中单个无人机的侦察效率，进而提高整个无人机蜂群完成侦察任务的效率。
附图说明
53.图1为一个实施例中基于遗传算法的无人机侦察任务规划方法的流程示意图；
54.图2为一个实施例中基于遗传算法的无人机侦察任务规划装置的结构框图；
55.图3为一个实施例中计算机设备的内部结构图。
具体实施方式
56.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
57.在一个实施例中，如图1所示，提供了一种基于遗传算法的无人机侦察任务规划方法，包括以下步骤：
58.步骤102，获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图。
59.态势地图是指反映发展趋势，为适时分析决策提供服务的地图，无人机持续侦察任务往往是在很长的时间内，跨越地理上很多分散的点，针对上述问题，本技术建立一个态势地图为无人机侦察任务提供待侦察目标，包括待侦察目标的位置和个数。在无人机蜂群持续侦察的过程中，态势地图会依据无人机持续侦察所要求的时间间隔进行自动更新。
60.步骤104，从态势地图中获取待侦察任务目标，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置。
61.通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析是指将待侦察任务目标按照位置特征进行划分，得到多个待侦察任务目标子区域，然后计算无人机在侦察任务子区域内的期望最大的均值，得到每架无人机在待侦察任务子区域内的初始位置，基于每架无人机在待侦察任务子区域内的初始位置，设置无人机的最优起飞位置。
62.步骤106，根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函
数；根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型。
63.无人机的电池续航能力有限，使得无人机蜂群的持续侦察变得困难，为满足两次侦察之间的时间间隔的限制的同时兼顾无人机续航限制，本技术中对无人机的起飞位置与待侦察点位之间的距离之和进行限制，同时，待侦察点位必须是未被侦察过的点位，由于单个无人机的侦察能力是有限的，则对于单个无人机分配的任务点集中，其所有的点位的侦察力加和必须有一定的限制，针对上述问题，本技术设置无人机侦察任务分配的约束条件，将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数。对目标函数进行求解，得到无人机所分配的侦察点位集合。
64.步骤108，通过遗传算法对求解模型进行寻优，得到目标函数的最优解；根据目标函数的最优解，得到无人机所分配的最优侦察点位。
65.遗传算法作为一种启发式的智能优化方法，现在被广泛应用于各种优化问题模型中，相较于其他的优化算法，遗传算法具有如下优势：以面搜索的模式代替点搜索的模式，搜索从群体出发，具有潜在的并行性，搜索效率较高；引入遗传学中的基因突变以及染色体变异等机制，极大的增加了寻优过程中的随机性，极大的减小了算法陷入局部最优的可能性，搜索能力强等，通过遗传算法中的修补算子、选择算子、交叉算子和变异算子对求解模型的初始解进行寻优，得到目标函数的最优解，该最优解就是单个无人机所分配的最优侦察点位。利用遗传算法对求解模型进行寻优的过程是一个持续的优化过程，可以为无人机持续侦察任务进行规划。
66.上述基于遗传算法的无人机侦察任务规划方法、装置、计算机设备和存储介质，首先获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图；从态势地图中获取待侦察任务目标，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置；在实际中，无人机蜂群是从同一起飞场地起飞，根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；通过约束条件可以对无人机的侦察任务进行一个优化，将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察状态向量设置为未被侦察状态，使得无人机的待侦察点位是需要被侦察的点位，节省时间成本，侦察力参数是根据任务紧急度参数确定的；当任务紧急度参数增大时无人机侦察力度随着增大，根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型；通过遗传算法对求解模型进行寻优，得到目标函数的最优解；根据目标函数的最优解，得到无人机所分配的最优侦察点位，使得无人机在进行侦察任务时得到一个最优的侦察点位，可以提高无人蜂群中单个无人机的侦察效率，进而提高整个无人机蜂群完成侦察任务的效率。
67.在其中一个实施例中，通过遗传算法对求解模型进行寻优，得到目标函数的最优解，包括：根据遗传算法中的修补算子对求解模型进行初步寻优，得到满足约束条件的目标函数的初始解；根据遗传算法中的选择算子对初始解进行选择，得到初始解中存活概率最大的第一近似解；根据遗传算法中的交叉算子和变异算子对第一近似解进行交叉变异操作，得到目标函数的最优解。
68.根据遗传算法中的修补算子对求解模型进行初步寻优，修补算子是用来计算不同
的点位对应的不同属性的重要度与属性的比值再乘以限制条件中的最大值即利润密度，然后当随机产生的组合不能满足限制要求时就将利润密度最小的点取出以使得组合满足约束条件。通过遗传算法中的修补算子对求解模型进行初步寻优后得到满足约束条件的所有解作为目标函数的初始解，根据遗传算法中的引入轮盘赌的概念的选择算子对初始解进行选择，计算其适应度，根据适应度大小判断该初始解存活的概率然后选择初始解中存活概率最大作为第一近似解，利用遗传算法中的交叉算子和变异算子对第一近似解进行交叉和变异操作，预先设置迭代次数，不断迭代通过遗传算法对目标函数的求解过程，直至输出该目标函数的最优解。
69.在其中一个实施例中，将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图，包括：
70.根据任务紧急度参数和待侦察点的位置，得到态势地图的信息矩阵t；根据态势地图的信息矩阵，建立态势地图；
71.其中，t的表达式如下：
72.t＝{(x1，y1，e1)，(x1，y1，e2)，....,((x
i
，y
i
，e
i
))}
73.x
i
代表序号为i的待侦察点的x坐标，y
i
代表序号为i的待侦察点的y坐标，e
i
代表序号为i的待侦察点的任务紧急度。
74.无人机持续侦察任务往往是在很长的时间内，跨越地理上很多分散的点，针对上述问题，本技术建立一个态势地图为无人机侦察任务提供待侦察目标，包括待侦察目标的位置和个数，在态势地图中设置各个任务目标的紧急度，将各个任务目标的紧急度与待侦察点的位置进行绑定，无人机在侦察过程中可以根据任务目标的紧急度对待侦察点进行访问。
75.在其中一个实施例中，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置，包括：通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析得到无人机待侦察任务目标子区域和无人机在侦察任务子区域内的期望最大的均值，将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置。
76.由于无人机蜂群中的无人机是从同一位置起飞，并且无人机的续航时间有限，针对上述问题，本实施例中将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置，其初始位置是无人机在待侦察任务子区域内的最优起飞位置，从最优起飞位置起飞可以提高无人机在有限续航时间内的工作效率，然后对无人机的起飞位置与待侦察点位之间的距离之和进行限制，作为后续无人机待侦察点位分配问题的求解模型的距离约束。
77.在其中一个实施例中，根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察力参数是根据任务紧急度参数确定的，包括:
78.根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件，约束条件如下：
79.∑r
j
≤l
max
，(x
j
，y
j
)∈m
i
80.s(j)＝1，(x
j
，y
j
)∈m
i
81.∑r
i
≤r
max
，(x
j
，y
j
)∈m
i
82.其中，m
i
表示无人机待侦察任务目标子区域，r
j
表示无人机与周边的待侦察点的距离，l
max
表示无人机与待侦察点位之间欧氏距离和限制值，r
i
表示侦察力参数，r
max
表示无人机最大侦察力，(x
j
，y
j
)表示无人机在待侦察任务子区域内的初始位置，s(j)表示侦察状态向量，1表示该待侦察点未被侦察。
83.设置约束条件，对无人机的起飞位置与待侦察点位之间的距离之和进行限制使得无人机在续航时间内能对待侦察点位进行侦察，对待侦察点位必须是未被侦察过的点位进行限制，节约无人机侦察的时间成本，对所有的点位的侦察力加和进行限制使得单个无人机的侦察力的最大化利用，根据待侦察点位的任务紧急度进行无人机侦察任务分配的目标函数的构建可以提高无人机的侦察效率。
84.在其中一个实施例中，无人机待侦察任务分配的目标函数为：maxw＝∑e，(x
j
，y
j
)∈m
i
，其中e表示任务紧急度。
85.该目标函数用来构建无人机待侦察点位分配问题的求解模型。
86.在其中一个实施例中，侦察力参数是根据任务紧急度参数确定的，包括：
87.r
i
＝α
×
e2，α＝0.01
88.其中，α表示侦察力参数与任务紧急度的平方之间的比例系数。
89.单个无人机的侦察力是有限的，根据无人机侦察任务紧急度来确定侦察力参数，可以使无人机的侦察力在有限的区间内得到最大化的利用。
90.应该理解的是，虽然图1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，这些步骤可以以其它的顺序执行。而且，图1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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
91.在一个实施例中，如图2所示，提供了一种基于遗传算法的无人机侦察任务规划装置，包括：获取态势地图模块202、获取初始位置模块204、建立求解模型模块206和获取最优侦察点位模块208，其中：
92.获取态势地图模块202，用于获取待预测区域的地图和地图中的待侦察点位的位置和个数；以及获取预先设置的各个侦察任务的任务紧急度参数；将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图。
93.获取初始位置模块204，用于从态势地图中获取待侦察任务目标，通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析，得到聚类结果；聚类结果包括：无人机待侦察任务目标子区域和无人机在待侦察任务子区域内的初始位置。
94.建立求解模型模块206，用于根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；根据约束条件和目标函数，建立无人机待侦察点位分配问题的求解模型。
95.获取最优侦察点位模块208，用于通过遗传算法对求解模型进行寻优，得到目标函数的最优解；根据目标函数的最优解，得到无人机所分配的最优侦察点位。
96.在其中一个实施例中，获取最优侦察点位模块208还用于通过遗传算法对求解模型进行寻优，得到目标函数的最优解，包括：根据遗传算法中的修补算子对求解模型进行初步寻优，得到满足约束条件的目标函数的初始解；根据遗传算法中的选择算子对初始解进行选择，得到初始解中存活概率最大的第一近似解；根据遗传算法中的交叉算子和变异算子对第一近似解进行交叉变异操作，得到目标函数的最优解。
97.在其中一个实施例中，获取态势地图模块202还用于将任务紧急度参数和待侦察点的位置进行绑定，得到态势地图，包括：
98.根据任务紧急度参数和待侦察点的位置，得到态势地图的信息矩阵t；根据态势地图的信息矩阵，建立态势地图；
99.其中，t的表达式如下：
100.t＝{(x1，y1，e1)，(x1，y1，e2)，....,((x
i
，y
i
，e
i
))}
101.x
i
代表序号为i的待侦察点的x坐标，y
i
代表序号为i的待侦察点的y坐标，e
i
代表序号为i的待侦察点的任务紧急度。
102.在其中一个实施例中，获取初始位置模块204还用于通过基于高斯混合模型的期望最大化算法对待侦察任务目标进行聚类分析得到无人机待侦察任务目标子区域和无人机在侦察任务子区域内的期望最大的均值，将无人机在侦察任务子区域内的期望最大的均值作为无人机在待侦察任务子区域内的初始位置。
103.在其中一个实施例中，建立求解模型模块206还用于根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件；以及将待侦察点位的任务紧急度参数之和设置为无人机待侦察任务分配的目标函数；其中，侦察状态向量用于标记待侦察点位的侦察状态，侦察力参数是根据任务紧急度参数确定的，包括:
104.根据初始位置、侦察状态向量以及侦察力参数，设置无人机侦察的约束条件，约束条件如下：
105.∑r
j
≤l
max
，(x
j
，y
j
)∈m
i
106.s(j)＝1，(x
j
，y
j
)∈m
i
107.∑r
i
≤r
max
，(x
j
，y
j
)∈m
i
108.其中，m
i
表示无人机待侦察任务目标子区域，r
j
表示无人机与周边的待侦察点的距离，l
max
表示无人机与待侦察点位之间欧氏距离和限制值，r
i
表示侦察力参数，r
max
表示无人机最大侦察力，(x
j
，y
j
)表示无人机在待侦察任务子区域内的初始位置，s(j)表示侦察状态向量，1表示该待侦察点未被侦察。
109.关于基于遗传算法的无人机侦察任务规划装置的具体限定可以参见上文中对于基于遗传算法的无人机侦察任务规划方法的限定，在此不再赘述。上述基于遗传算法的无人机侦察任务规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
110.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示
屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于遗传算法的无人机侦察任务规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
111.本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
112.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
113.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
114.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
115.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
116.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。