本发明涉及无人机采集信息的
技术领域：
，尤其涉及一种车辆搭载无人机采集信息的双层路径优化方法及装置。
背景技术：
：随着无人机技术的发展，中小型无人机能够以汽车为发射和回收平台，进行起飞和降落。无人机和地面相结合带来了一种全新的工作模式，我们称为地面车辆与无人机协同工作模式，两者一起协同完成如野外搜救、电力巡线、情报侦查、地质测绘等工作，可以极大的缩短完成任务的时间。一方面，无人机可以快速飞到车辆不能或不易到达的目标点进行信息侦察与采集；另一方面，车辆作为无人机的移动基站，为无人机更换电池，并可以搭载无人机到达更远的区域，弥补中小型无人机续航能力小的不足。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：车辆搭载无人机的双层路径的优化方法效率较低，随着无人机的任务目标点的增多，车辆搭载无人机双层路径中的无人机任务目标点不断地增多，搜索到最优的双层路径需要的时间较长。技术实现要素：本发明实施例提供一种车辆搭载无人机双层路径的优化方法及装置，不仅能够有效的优化车辆搭载无人机双层路径，而且节省计算时间50％左右。一方面，本发明实施例提供了一种车辆搭载无人机双层路径的优化方法，所述方法包括：选择一条已知的车辆搭载无人机的双层路径设为初始解，将所述初始解设为当前解；对初始解应用局部邻域搜索规则得到第一个聚类中心，设所述第一个聚类中心为当前最优解，所述初始解和第一个聚类中心组成初始簇，所述初始簇为现有的簇；设定循环次数，对当前解应用邻域规则2得到另外一个可行解；通过聚类的判别方式，判断所述另外一个可行解是否属于现有的簇；若所述另外一个可行解属于现有的簇，当所述可行解的目标函数值小于当前解目标函数值的(1+可容忍误差)倍时，用所述可行解更新当前解，否则，用当前最优解更新当前解，则返回第3个步骤；若所述另外一个可行解不属于现有的簇，对另外一个可行解应用局部邻域搜索规则得到另一个聚类中心，所述当前解和另一个聚类中心组成新簇，将所述新簇并入现有的簇，用所述另一个聚类中心更新当前解，返回第3个步骤；每个循环过程，若所述另一个聚类中心优于所述当前最优解，更新所述当前最优解。另一方面，本发明实施例提供了一种车辆搭载无人机双层路径的优化装置，所述装置包括：设定单元，用于选择一条已知的车辆搭载无人机的双层路径设为初始解，将所述初始解设为当前解；初始单元，用于对初始解应用局部邻域搜索规则得到第一个聚类中心，设所述第一个聚类中心为当前最优解，所述初始解和第一个聚类中心组成初始簇，所述初始簇为现有的簇；重构单元，用于设定循环次数，对当前解应用邻域规则2得到一个可行解；判断单元，用于通过聚类的判别方式，判断所述可行解是否属于现有的簇；返回单元，还用于若所述可行解属于现有的簇，当所述可行解的目标函数值小于当前解目标函数值的(1+可容忍误差)倍时，用所述可行解更新当前解，否则，用当前最优解更新当前解，则返回重构单元；搜索单元，用于若所述可行解不属于现有的簇，对可行解应用局部邻域搜索规则得到另一个聚类中心，所述当前解和另一个聚类中心组成新簇，将所述新簇并入现有的簇，用所述另一个聚类中心更新当前解，返回重构单元；更新单元，用于每个循环过程，若所述另一个聚类中心优于所述最优解，更新所述最优解。上述技术方案具有如下有益效果：因为采用了系统聚类的技术手段，仅当可行解属于新的簇时才会应用局部邻域搜索规则，搜索到另一个聚类中心，因此减少了计算时间，比其它优化方法节省50％的时间；在搜索过程中，如果搜索到的聚类中心优于当前最优解，更新当前最优解，在提高了优化方法的效率的同时，优化了车辆搭载无人机双层路径。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明实施例车辆搭载无人机双层路径的优化方法的流程图；图2是本发明实施例车辆搭载无人机双层路径的优化装置的结构示意图；图3是本发明实施例局部邻域搜索规则流程图；图4是本发明实施例判断规则的子流程图；图5是本发明实施例计算两个解之间距离的子流程图；图6是本发明实施例判断单元的结构示意图；图7是本发明实施例计算模块的结构示意图；图8是本发明本发明实施例车辆搭载无人机协同工作模式的示意图；图9是本发明实施例车辆空路径移除算子的示意图；图10是本发明实施例车辆交叉路径移除算子的示意图；图11是本发明实施例无人机最大路径移除算子的示意图；图12是本发明实施例无人机子路径移除算子的示意图；图13是本发明实施例重构算子的示意图；图14是本发明实施例可行解的结构示意图；图15是本发明实施例两个解之间的距离计算示意图；图16是本发明实施例以中心点为搜索起点的示意图；图17是本发明实施例以可行解为搜索起点的示意图；图18是本发明实施例各节点位置示意图；图19是本发明实施例优化后的双层路径的示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参考图8，图8是车辆搭载无人机协同工作模式的示意图；典型的车辆搭载无人机协同工作模式如图8所示，已知车辆和无人机所属场站或基地点的位置、可供车辆行驶的路网、路网上可用于放飞和回收无人机的车辆临时停靠点和需在无人机访问并完成信息收集的任务目标点。车辆搭载无人机从基地点出发，选择临时停靠点放飞无人机，然后继续行驶，无人机访问已知的任务目标点完成信息收集，由于无人机续航能力有限，车辆需要行驶至恰当的临时停靠点，使无人机能够在电量耗完之前回到车辆上并更换电池，然后重新起飞访问目标点。如此循环，车辆搭载无人机，作为无人机的移动平台，通过在目标区域内路网上行驶，使无人机能够不断起飞降落，完成较大区域内所有目标点的访问与信息收集。由图8可知，车辆搭载无人机协同工作模式下双层路径的构造方法，主要是解决这样一个技术问题：车辆携带无人机从基地出发在地面路网上行驶巡游，由无人机访问所有的任务目标点，完成目标点信息的收集，再回到基地。无人机的续航能力是已知且有限的，不能一次完成所有任务目标点的访问；地面车辆的续航能力足以保证携带无人机完成所有目标的访问，因此不需要考虑车辆的续航能力的限制。解决这个技术问题的目标是最小化无人机访问所有的任务目标点并完成信息收集。从上述车辆搭载无人机协同工作模式下的双层路径的构造方法可以看出，问题中包括三类节点：(1)车辆与无人机所属场站，是车辆的原始出发点，记为0点；(2)车辆可以停下来放飞或回收无人机的临时停靠点，一般是路或街道边较为开阔的区域，如露天停车场、休息站等，记为vs＝{1,2,…,n}；(3)无人机需要访问的目标点，记为vt＝{n+1,n+2,…,m}.将所有点的集合记为v＝{0}∪vs∪vt，并且所有点的位置是已知的。问题中包括两类弧：(1)第一类弧表示可供地面车辆行驶的一段路，第一类弧的集合记为e1＝{(i,j)|i,j∈{0}∪vs且i≠j}，地面路网上任意一段弧(i,j)∈e1的长度是已知的；(2)第二类弧表示无人机飞行的一条路线，第二类弧的集合记为e2＝{(i,j)|i∈{0}∪vs,j∈vt；或者i,j∈vt且i≠j}，每段弧(i,j)∈e2的长度也是已知的。将所有弧的集合记为e＝e1∪e2。首先，我们来构建所述技术问题的数学模型：在模型构建过程中用到的符号及其含义总结如下：车载无人机双层路径规划问题可以表示在图g＝(v,e)上。对每一个目标j∈vt，有相应服务时间cj来供无人机完成指定的信息收集任务。e中任意一条边(i,j)的距离为dij。无人机的飞行平均速度为v1，车辆的平均行驶速度为υ2。无人机续航能力的上限为θ，本文假设无人机的电量使用是均匀的，即单位时间的耗电量是一个固定的值。因此无人机的剩余电量可以直接转换为剩余时间。m为一个充分大的正数。模型中的决策变量定义如下：xij：0-1变量，i,j∈{0}∪{*}∪vs当车辆从i到j的时为1，表示车辆的路由。yij：0-1变量，i,j∈v当vi当无人机从i到j的时为1，表示无人机的路由。sij：0-1变量，i∈vt,j∈{0}∪{*}∪vs表示目标点i在从j出发的航线上。qi：连续变量，i∈v表示离开i点时，无人机当前已经使用的电量(时间)。ti：整数变量，i∈{0}∪{*}∪vs表示车辆停点的访问顺序。ti：连续变量，i∈{0}∪{*}∪vs表示车辆离开停点i的时间。si：连续变量，i∈{0}∪vs表示车辆在点i停留的时间。模型如下：minimize:max{ti}(0)约束(1)确保除了起点和终点以外，每一个车辆路径点最多只能访问一次，且入度和出度相等。约束(2)限制了起点的出度为1而终点的入度也为1，即整个任务是从起点处开始的，结束于终点处。约束(3)为车辆的路径进行了标号，当存在从i到j的路径时(xij＝1)，ti-tj的值必须为1，也就是说在访问顺序上i和j只差1，约束(19)表示起点处的标号为1，结合这两条约束，相当于给车辆的路径点用正整数进行了标号，而标号的大小表示了该点是第几个被访问的点。约束(4)限制每一个任务目标点的出度和入度均为1，即每一个任务目标点有且仅有一次访问。约束(5)限定了无人机的起飞过程，当无人机从i点起飞前往j点时，j点属于从i点出发的航线上，且离开j点的已使用的时间等于从i到j的飞行时间加在j点执行任务的时间。约束(6)限定了无人机从一个任务点飞到另一个任务点的过程，如果无人机从i飞到j，那么这两点是属于同一个航线上的点，即属于从同一个车辆停点出发的航线(sik＝sjk)。在满足这个约束的前提下，离开j点的时间等于从i点离开的时间加上无人机从i飞到j的时间加上在j点执行任务的时间。约束(7)限制无人机的降落过程，当无人机需要降落在j点时，从i点离开的时间加上从i到j的飞行时间应该小于无人机的续航能力的上限。约束(5)～(7)从无人机的角度确保了每一次航行过程的连续性，并且通过条件约束给q进行了赋值，从而确保了每一次航行都能够符合续航能力。约束(8)保证了无人机如果在某一个停点降落，那么这个停点必然是车辆路径会访问的点，这将决策变量xij与yij联系了起来。约束(9)要求车辆必须在无人机之前到达指定的降落点。约束(10)确保无人机不会在路网上进行飞行。约束(11)保证了车辆如果在某个停点起飞，那么这个停点必然是车辆路径会访问的点。约束(12)保证车辆如果访问一个点，那么这个点必然是无人机某次起飞或降落的点。约束(8)～(12)从车辆的角度确保了每一次航行过程的连续性，且对一般的飞行过程进行了描述，确保了车辆在无人机之前到达指定的降落点，以免出现无法回收的情景。约束(13)则是对等待时间的计算，考虑的是无人机执行任务时车辆停留在原地的场景。如果yij的决策产生了这样的特殊情景，那么约束(13)将根据这个情景计算车辆需要在原地等待的时间sj。在计算了每一个停点的等待时间的前提下，约束(14)计算了车辆离开每一个停点的具体时间。约束(3)计算的ti只表示了车辆停点的访问顺序，而约束(14)计算的tj则表示了离开某个访问点的具体时间。约束(15)是对上一条约束的补充，保证了离开访问点的时间和访问停点的顺序的一致性。约束(16)使得所有没被访问的点的t均为0。约束(17)确保每一个无人机的任务目标点都分配在某一条航线中。约束(18)限制了无人机当前已经使用的电量对应的时间不得超过续航能力的上限。约束(19)在约束(3)处进行了说明。约束(20)确保了一种特殊的情景，即无人机需要从起点出发并降落在起点，车辆需要在起点等待无人机的情景。通过对车载无人机协同任务想定的进一步分析、抽象，提出了车载无人机双层协同路由问题的数学模型。所述模型具有较强的适用性，数学模型作为一个纯线性的模型，可以通过商业软件进行直接求解。通过商业软件的求解，一方面验证了模型的正确性，另一方面，也说明了这个问题是一个极端复杂的问题，商业软件只适用于对极小规模的数据进行求解分析。通过数学模型的建立，为后续的求解算法的设计奠定了理论的基础。请参考图1，图1是本发明实施例车辆搭载无人机双层路径的优化方法的流程图；101、选择一条已知的车辆搭载无人机的双层路径设为初始解，将所述初始解设为当前解；102、对初始解应用局部邻域搜索规则得到第一个聚类中心，设所述第一个聚类中心为当前最优解，所述初始解和第一个聚类中心组成初始簇，所述初始簇为现有的簇；103、设定循环次数，对当前解应用邻域规则2得到另外一个可行解；104、通过聚类的判别方式，判断所述另外一个可行解是否属于现有的簇；105、若所述另外一个可行解属于现有的簇，当所述可行解的目标函数值小于当前解目标函数值的(1+可容忍误差)倍时，用所述可行解更新当前解，否则，用当前最优解更新当前解，则返回103；106、若所述另外一个可行解不属于现有的簇，对另外一个可行解应用局部邻域搜索规则得到另一个聚类中心，所述当前解和另一个聚类中心组成新簇，将所述新簇并入现有的簇，用所述另一个聚类中心更新当前解，返回103；107、每个循环过程，若所述另一个聚类中心优于所述当前最优解，更新所述当前最优解。优选地，请参考图3，图3是本发明实施例局部邻域搜索规则流程图，所述局部邻域搜索规则，具体包括：201、应用邻域规则1得到一个可行解；202、计算所述可行解的轮廓系数；203、选择所述簇中轮廓系数最小的解作为中心点；或者；203、将所述可行解作为中心点，204、以中心点为起点，搜索到聚类中心。进一步优选地，所述邻域规则1，具体包括：设定车辆移除算子的应用次数为t1，无人机移除算子的应用次数为t1；选择车辆移除算子，将至少一个车辆停靠点移除出初始解，重复t1次；选择无人机移除算子，将至少一个无人机任务目标点移除出初始解，重复t1次；选择重构算子，重构一个可行解。进一步优选地，所述以中心点为起点，搜索到聚类中心，具体包括：交换无人机路径中任意两个任务目标点的访问顺序，得到遍历无人机任务目标点的时长最短路径；将多条相邻车辆路径在符合无人机续航能力约束的情况下合并。优选地，所述邻域规则2，具体包括：设定车辆移除算子的应用次数为t2(t1＜t2)，无人移除算子的应用次数为t2(t1＜t2)；选择车辆移除算子，将至少一个车辆停靠点移除出初始解，重复t2次；选择无人机移除算子，将至少一个无人机任务目标点移除出初始解，重复t2次；选择重构算子，重构一个可行解。优选地，请参考图4，图4是本发明实施例判断规则的子流程图，通过聚类的判别方式，判断所述另外一个可行解是否属于现有的簇，具体包括：104.1、设置距离阈值；104.2、计算所述另外一个可行解与现有的聚类中心的距离；104.3、当所述距离小于设定的距离阈值时，所述另外一个可行解属于所述聚类中心所属的簇；104.4、当所述距离不小于设定的距离阈值时，所述另外一个可行解属于一个新簇；优选地，所述另一个聚类中心优于所述当前最优解的条件为：所述另一个聚类中心的目标函数值小于当前最优解的目标函数值。进一步优选地，请参考图5，图5是本发明实施例计算两个解之间距离的子流程图，计算所述另外一个可行解与现有的聚类中心的距离，具体包括：104.2.1、设可行解中有k1条无人机路径，聚类中心中有k2条无人机路径，构建一个k1×k2的二维矩阵；104.2.2、当可行解1中的第i条路径中的一个无人机任务目标点在聚类中心的第j条路径上时，矩阵的第i和第j列的值加1；104.2.3、将第i行第i列置0；104.2.4、求第i行第j列与第j行第i列的差，置于所述第i行第j列、第j行第i列值大的位置；104.2.5、求矩阵中元素的和。请参考图2，图2是本发明实施例车辆搭载无人机双层路径的优化装置的结构示意图；所述装置包括：设定单元21，用于选择一条已知的车辆搭载无人机的双层路径设为初始解，将所述初始解设为当前解；初始单元22，用于对初始解应用局部邻域搜索规则得到第一个聚类中心，设所述第一个聚类中心为当前最优解，所述初始解和第一个聚类中心组成初始簇，所述初始簇为现有的簇；重构单元23，用于设定循环次数，对当前解应用邻域规则2得到另外一个可行解；判断单元24，用于通过聚类的判别方式，判断所述另外一个可行解是否属于现有的簇；返回单元25，还用于若所述另外一个可行解属于现有的簇，当所述可行解的目标函数值小于当前解目标函数值的(1+可容忍误差)倍时，用所述可行解更新当前解，否则，用当前最优解更新当前解，则返回重构单元；搜索单元26，用于若所述另外一个可行解不属于现有的簇，对另外一个可行解应用局部邻域搜索规则得到另一个聚类中心，所述当前解和另一个聚类中心组成新簇，将所述新簇并入现有的簇，用所述另一个聚类中心更新当前解，返回重构单元；更新单元27，用于每个循环过程，所述另一个聚类中心优于所述当前最优解，更新所述当前最优解。优选地，所述局部邻域搜索规则，具体包括：应用邻域规则1得到另外一个可行解；计算所述另外一个可行解的轮廓系数；选择所述簇中轮廓系数最小的解作为中心点；或者；将所述另外一个可行解作为中心点；以中心点为起点，搜索到聚类中心。进一步优选地，所述邻域规则1，具体包括：设定车辆移除算子的应用次数为t1，无人机移除算子的应用次数为t1；选择车辆移除算子，将至少一个车辆停靠点移除出初始解，重复t1次；选择无人机移除算子，将至少一个无人机任务目标点移除出初始解，重复t1次；选择重构算子，重构一个可行解。进一步优选地，所述以中心点为起点，搜索到聚类中心，具体包括：交换无人机路径中任意两个任务目标点的访问顺序，得到遍历无人机任务目标点的时长最短路径；将多条相邻车辆路径在符合无人机续航能力约束的情况下合并；优选地，所述邻域规则2，具体包括：设定车辆移除算子的应用次数为t2(t1＜t2)，无人移除算子的应用次数为t2(t1＜t2)；选择车辆移除算子，将至少一个车辆停靠点移除出初始解，重复t2次；选择无人机移除算子，将至少一个无人机任务目标点移除出初始解，重复t2次；选择重构算子，重构一个可行解。优选地，请参考图6，图6是本发明实施例判断单元的结构示意图；设置模块241，用于设置距离阈值；计算模块242，用于计算所述另外一个可行解与现有的聚类中心的距离；比较模块243，用于当所述距离小于设定的距离阈值时，所述另外一个可行解属于所述聚类中心所属的簇；输出模块244，用于当所述距离不小于设定的距离阈值时，所述另外一个可行解属于一个新簇。优选地，所述另一个聚类中心优于所述当前最优解为：所述另一个聚类中心的目标函数小于当前最优解的目标函数值。优选地，请参考图7，图7是本发明实施例计算模块的结构示意图；所述计算模块，具体包括：构建子模块2421，用于设可行解中有k1条无人机路径，聚类中心中有k2条无人机路径，构建一个k1×k2的二维矩阵；计数子模块2422，用于当可行解1中的第i条路径中的一个无人机任务目标点在聚类中心的第j条路径上时，矩阵的第i和第j列的值加1；设定子模块2423，用于将第i行第i列置0；求值子模块2424，用于求第i行第j列与第j行第i列的差，置于所述第i行第j列、第j行第i列值大的位置；求和子模块2425，用于求矩阵中元素的和。以上技术方案具有如下的有益效果：因为采用了系统聚类的技术手段，判断应用邻域规则生成的可行解是否属于现有的簇，只需要计算可行解到现有的解的距离即可；只有当可行解属于一个新簇时，才对可行解应用局部邻域搜索规则，得到新簇的聚类中心；本发明采用的技术手段，既能够提高求解的效率，也能避免应用邻域规则使可行解陷入聚类中心，因此可以省略邻域规则中，移除算子的应用次数调整的过程，设定t1和t1的值为常数，节约大量邻域规则参数的调整时间。本发明采用的技术手段，不仅在可行解较大范围的邻域搜索最优解，而且搜索最优解比其它方法节省50％的时间。下面详细说明本发明实施例的技术方案，请参考下面的流程图：本发明提供的技术方案，是基于系统聚类的大规模邻域搜索优化车辆搭载无人机双层路径的技术方案。首先选择一条已知的双层路径设为初始解，当前解为初始解；通过对初始解应用局部邻域搜索规则得到第一个聚类中心，将聚类中心设定为当前最优解；进入循环部分：对当前解应用邻域规则2生成新的可行解，计算新的可行解与现有的聚类中心的距离；通过聚类的判别方式，判断新的可行解是否属于一个新的簇，如果属于一个新的簇，则将新的可行解或者轮廓系数最小的解作为下一次搜索的起点，应用局部邻域搜索规则，得到一个新聚类中心，所述当前解和新聚类中心组成一个新簇，用新的聚类中心更新当前解。如果所述的新的聚类中心的目标函数值小于当前最优解目标函数值的(1+可容忍系数)倍，则更新当前最优解。需要注意的是，局部邻域规则包括邻域规则1和以中心点为起点，搜索到聚类中心，所述邻域规则1设定的车辆移除算子的应用次数为t1，无人机移除算子的应用次数为t1，所述邻域规则2设定的车辆移除算子的应用次数为t2，无人机移除算子的应用次数为t2，t1＜t2，t1＜t2，移除算子应用的次数越多，得到的可行解距离原来的解越远，其目的在于，对初始解尽可能在较小的邻域内搜索聚类中心，便于组成一个簇；而对当前解则尽可能在较大的邻域内搜索，便于从当前解跳出所属的簇，实现大规模的搜索，提高搜索的效率。通过聚类的分析，只有在新的可行解的属于一个新的簇时，才会应用局部邻域搜索规则，减少了计算时间。在搜索的过程中，不断地比较新聚类中心与当前最优解的目标函数，寻找到当前最优解。本发明提供的技术方案中，邻域规则是移除算子和重构算子的组合，所述移除算子是车辆路径移除算子和无人路径移除算子的组合；邻域规则1和邻域规则2仅仅中移除算子的应用次数不同，且均为常数。(1)车辆路径移除算子分别是随机移除算子，最大路径移除算子，近邻移除算子，空路径移除算子，整路径移除算子，交叉路径移除算子。随机移除算子：在已知的双层路径中，任选一条车辆路径，移除所述路径随机一个车辆停靠点。最大路径移除算子：计算已知的双层路径中，每一条车辆路径的长度，选择当前最长的车辆路径，移除所述路径随机的一个车辆停靠点。近邻移除算子：从没有移除的车辆停靠点中，找到距离被移除的车辆停靠点最近的车辆停靠点，移除。空路径移除算子：如图9所示，图9是本发明实施例车辆空路径移除算子的示意图，找到一条没有分配无人机任务目标点的车辆路径，移除所述路径中的一个车辆停靠点。整路径移除算子：如果目前没有已经移除车辆停靠点，调用随机移除算子一次，如果存在已经被移除车辆停靠点的路径，随机选择一条已经被移除了一个车辆停靠点的路径，移除另外一个车辆停靠点。交叉路径移除算子，如图10所示，图10是本发明实施例车辆交叉路径移除算子的示意图，找到一对交叉的路径，每条路径移除一个车辆停靠点。移除车辆停靠点后，已知的车辆路径中将出现一些残缺不全的路径，我们用一个列表将这类路径以及被移除的车辆停靠点记录下来，方便在重构过程中方便的找到。(2)无人机路径移除算子分别是：随机移除算子，最大路径移除算子，近邻移除算子，车辆移除停靠点近邻移除算子，子路径移除算子。随机移除算子：随机选择一个无人机任务目标点，移除所述无人机任务目标点。最大路径移除算子：请参考图11，图11是本发明实施例无人机最大路径移除算子的示意图，随机选择一条无人机路径，找到所述路径中到相邻两个无人机任务目标点距离和最大的任务目标点，移除所述任务目标点。近邻移除算子：如果目前没有被移除的任务目标点，那么调用一次随机移除算子，如果已经存在被移除的任务目标点，从未被移除的任务目标点中找到已经移除的任务目标点距离最近的任务目标点，移除所述任务目标点。车辆移除停靠点近邻移除算子：因为先调用了车辆移除算子，所以在调用无人机移除算子时必定存在已经移除车辆停靠点的车辆路径，从未移除的任务目标点中找到与已移除的车辆停靠距离最近的任务目标点，移除所述任务目标点。子路径移除算子：如图12所示，图12是本发明实施例无人机子路径移除算子的示意图，找到一条车辆路径，移除所述路径对应的所有的任务目标点。(3)重构算子：重构算子的基本结构是相似的，都是基于某种策略依次插入被移除的任务目标点和车辆停靠点，最主要的区别在于优先插入的策略上。算子的基本结构如下：首先，在移除的过程中产生大量的空路径，也就是未分配无人机任务目标点的车辆路径，通过edgemodulate函数将所有的空路径都移除。其次，不同的算子采用不同的策略，具体体现在findflag函数的输出上的差异，findflag函数根据不同的策略，给出一个被删除的无人机任务目标点，赋值给flag。如果flag这个点插入到现有的无人机路径后，所述路径仍然符合无人机续航能力约束，那么将这个任务目标点插入。若插入的双层路径是一条缺少车辆起点和车辆终点的双层路径，插入的时候还需要考虑插入任务目标点后，选择距离所述任务目标点最近的车辆停靠点也加入到路径中，考虑这个车辆停靠点的主要目的是计算续航能力，不插入的原因是考虑可能还有其他的任务目标点需要插入。比如说一条路径：aabc，大写字母是车辆停靠点，小写字母是无人机任务目标点，这条双层路径显然缺失了一个终点，找出离c最近的车辆停点(假设为c)，那么主要需要计算aabcc这条路径是否符合无人机续航能力的约束，如果符合，那就考虑在aabc中继续插入新的点。假如插入d之后aabcdd或aabdcc是不符合续航能力约束的，那么就以aabcc作为一条路径而dd作为新开辟的一条路径。请参考图13，图13是本发明实施例重构算子的示意图，假定被移除的无人机任务目标点目前有a个，未被移除的无人机任务目标点有b个，计算被移除的无人机任务目标点的每一个任务目标点与未被移除的无人机任务目标点的每一个任务目标点的距离，构成一个a×b的矩阵(mat)。findflag(寻找标签)函数的作用就是在mat这个矩阵中按照某种算子输出其中的一个值对应的行和列。最大最小算子：在a×b的矩阵中，先求每一行的最小值，然后选取所有最小值中的最大值，判断中的被移除的无人机任务目标点能否插入到现有的双层路径中。求每一行的最小值等价于判断每一个已移除的任务目标点可以插入的最小距离所在的位置，而求最小值中的最大值，则是认为距离最远的点最需要优先插入。regret(最优)算子：在a×b的矩阵中，先求每一行的regret值，即最优插入位置与次优插入位置的目标函数值的差。再根据regret值大小排序，优先对regret值大的无人机任务目标点进行插入。不同的算子直接影响了插入优先顺序，而且显然不同算子的插入顺序直接影响了最终双层路径的构造情况。请参考图14，图14是图14是本发明实施例可行解的结构示意图，车辆搭载无人机路径规化问题的任意一个可行解的基本形式是：任意一个可行解必然由有限的“从车辆停靠点出发回到车辆停靠点的汉密尔顿路”组成，而且这些汉密尔顿路遍历了所有的无人机任务目标点有且仅有一次，其中路径的顺序表示访问的先后顺序。对于任意一个可行解，都是有若干条汉密尔顿路组成，因此所有的汉密尔顿路必然能够通过有限次的交换、合并、拆分变换为另一个解的汉密尔顿路。所以，定义两个解的距离为两条汉密尔顿路之间的变换次数，但是，任意两个解之间的距离有很多种，求解最短距离本身就是一个np(多项式复杂程度的非确定)问题，因此需要设定一种距离的求解方式，定交一个固定的距离求解方式，例如：abc变成cba可以直接交换ac，也可以先交换ab再交换ac再交换bc，不同的算子组合决定了两个可行解之间的最短距离。计算任意两个解之间的距离的流程图如下所示：如果忽略车辆路径的起点和终点，同时不考虑同一路径内无人机任务目标点的访问顺序。那么基于无人机任务目标点的组合关系，任意两个可行解之间存在着固定的对应关系，用一个矩阵来记录这个对应关系。假设可行解1中有k1条路径，而可行解2中有k2条路径，那么这个矩阵为k1×k2的二维矩阵。当可行解1中的第i条路径中的某一点在可行解2中的第j条路径上时，矩阵的第i行第j列的值加1。得到该矩阵后进行如下计算：将所有的第i行第i列置为0，比较的第i行第j列和第j行第i列的值，用较大的值减去较小的值，差留在较大的值的位置。对矩阵进行求和，最终的和作为两个可行解之间的距离。该距离计算的方法给出了从一个可行解变换到另一个可行解需要通过多少次删除插入和交换的操作，变换的方法为最合输出的correspondence的矩阵，而距离则是这个矩阵所有元素的总和。请参考图15，图15是本发明实施例两个解之间的距离计算示意图，例如将{a,b}{c,d}变为{a,c}{b,d}相当于交换b,c的位置，只需要一步操作，计算出的距离为1。而将{a,b}{c,d}变为{a}{b,c}{d}，则需要将b移动到c，再将d移动到一个空的边，需要两步操作，距离为2。该方法计算过程简洁，同时，这样的定义计算距离的方法有以下几点特点：1)与每一段的起点与终点无关联：在计算过程中，我们并没有考虑车辆路径的停点，仅考虑了无人机的路径。2)可行解之间的距离是固定且可逆的：可行解1到可行解2的距离与可行解2到可行解1的距离是相等的(相当于在计算时将correspondence转置，不影响距离计算的结果)3)同一路径内访问顺序无影响：同一路径内的访问顺序并不影响距离计算的结果，改变同一路径内点的访问顺序，距离不会产生变化。做出这样的设计是因为同一路径内不同的访问顺序在通过局部邻域搜索(localsearch)时会收敛到同一个聚类中心。由于距离计算过程中需要考虑访问顺序，显然访问顺序的区别会影响距离计算的结果(相当于行交换或者列交换)，所以，在实际计算可行解1到可行解2的距离时，还需要计算将可行解2逆序后计算可行解1到可行解2的距离，选取两个距离中的最小值作为可行解1到可行解2的距离。这样保证了{a,b}{c,d}与{c,d}{a,b}代表的是同一个解，而不是距离为2的两个不同的解。本发明实施例中，通过聚类的判别方式，判断所述另外可行解是否属于现有的簇的判断方法中，聚类的判别方式就是系统聚类的方法。本发明实施例中，采用最大距离的系统聚类方法，最大距离的系统聚类也称为最远邻聚类算法(farthest-neighborclusteringalgorithm)。首先，计算任意两个可行解之间的距离，选择距离最近的两个解进行合并。然后每一轮循环中，计算任意两个簇的任意两个可行解之间的最大距离，选取拥有最小的最大距离的两个簇进行合并。在这里，需要设定一个合并的最大距离的阈值，当最近的两个簇之间的距离大于这个阈值时，终止聚类的过程，因此这个算法也被称为全连接算法(complete-linkagealgorithm)。使用全连接算法有以下几个特性：1)簇内的任意两个可行解之间的距离小于设定的阈值；2)同一簇内任意两个可行解的最小距离不小于设定的阈值。本发明实施例中，对可行解局部邻域搜索得到第一个聚类中心，共有两种搜索起点的选择，一种是：请参考图16，图16是本发明实施例以中心点为搜索起点的示意图，每应用一次邻域规则得到一个可行解，就要对相应的簇进行轮廓系数的更新和聚类中心的更新，对同一个簇的每一个解都求其轮廓系数，选取簇中轮廓系数最小的解作为中心点，作为搜索的起点。轮廓系数的计算方法如下：轮廓系数s：对于n个对象的的数据集d，假设d被划分为k个簇ck，对于每个对象o，假设o∈ci另外一种搜索起点的选择是：请参考图17，图17是本发明实施例以可行解为搜索起点的示意图，认为每一个簇中的第一个可行解为中心点，对可行解局部邻域搜索之后产生聚类中心。使用最大距离的系统聚类的另一个优势在于新加入可行解时能够快速判断是否属于现有的簇。当应用邻域规则重构出一个可行解时，不需要重新进行聚类，只需要计算所述可行解到现有的簇的聚类中心的距离，当所述可行解到现有的某一个簇的聚类中心的距离小于设定的阈值的时候，所述可行解属于该簇。如果所述可行解到现有的所有簇的聚类中心的最大距离均大于设定的阈值，那么所述可行解属于一个新的簇。下面举应用的实施例进一步说明本发明的技术方案：实施例以长沙市的路网作为案例，实施例的数据采自于百度地图坐标拾取系统，通过excel内的一个插件datamap(数据地图)，将百度地图中的地理位置的经纬度坐标点摘取下来，并且通过百度地图自带的距离计算工具，计算坐标点之间的距离。选取长沙市内重要的26个路口，通过这26个路口建立网络，构成地面车辆行驶的路网。由于路口地段相对开阔，且通常无障碍物，所以我们假定这26个路口都可以作为车辆的临时停靠点。所以我们假定序号1雷锋立交桥为基地点，剩下的25个路口都可以作为车辆的停靠点。信息如表一所示：表一长沙市基地点与车辆停靠点信息id经度纬度位置名称编号1112.92400728.231425雷锋立交桥02112.9216928.216753西二环枫林三路口13112.93830828.145685南二环罗家嘴立交桥24112.99283528.150024南二环芙蓉路立交桥35113.00050728.152437南二环韶山南路立交桥46113.02574928.204462东二环四方坪立交桥57113.0254328.239994远大路立交桥68113.01802828.296941中岭立交桥79112.9822428.289132秀峰立交桥810112.95559628.271955北二环银杉路口911112.93775628.257002北二环金星北路口1012112.94066628.231719岳麓大道金星北路口1113112.99492428.23444伍家岭立交桥1214112.95755928.203148溁湾镇1315112.99256628.200733芙蓉广场1416112.9599328.231875银盆岭1517112.98655628.259495福元路立交桥1618112.96542828.258127福元大桥西1719113.02484228.258016东二环洪山桥立交桥1820112.96048728.168396天马小区1921112.97736728.170601南湖路隧道2022112.99189228.177953侯家塘立交桥2123113.00127928.175119东塘立交桥2224113.02312628.176329东二环赤新路立交桥2325113.00352528.200367袁家岭立交桥2426112.932928.167779王家湾立交桥25根据路网和百度地图的距离测算工具，我们可以得到初始的距离矩阵。然后，利用floyd算法计算基于当前路网，任意两点之间的最短距离。这样得到最终的路网距离矩阵。除路网以外，我们随机在长沙市内挑选了39个关键地标，作为无人机需要采集信息的目标点，目标点的名称与位置如下：表2长沙市无人机任务目标点信息请参考图18，图18是本发明实施例各节点位置示意图：实施例以雷锋立交桥，图18中黑三角的位置，作为场站位置，车辆搭载无人机从该点出发，由无人机检查长沙市内39处目标点的4g信号强度，最后回到位于雷锋立交桥的基地。车辆只能在给定的主干道上行驶，无人机需要从地面车辆上起飞，访问目标点，并在目标点附近盘旋一段时间完成信号强度检测的工作，然后再访问下一个目标点，在电池电量耗完之前，回到车上更换电池再起飞。无人机平均飞行速度设定为80km/h，续航能力设定为25分钟。地面车辆在主干道的平均行驶速度为60km/h，在每一个目标点，假定无人机需要停留2～5分钟完成信号强度检测的工作。任务目标点的坐标、与停点之间的距离由百度地图的距离计算系统给出。实施例的优化目标是采用最短的时间完成对全长沙市所有39个目标点的遍历。请参考图19，图19是本发明实施例优化后的双层路径的示意图。应用基于聚类思想的大规模邻域搜索算法计算得到改进后的可行解如图19所示，算法计算时间为150.76秒，得到的车辆与无人机路径规划方案的任务完成时间为247.70分钟。本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogicalblock)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrativecomponents)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12