本发明涉及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：车辆搭载无人机完成既定任务的总时间较长，车辆路径复杂，无人机遍历所有的任务目标点的起飞次数较多，换言之，无人机路径单次飞行路径并不是最大续航能力下的飞行路径；车辆搭载无人机双层路径还有很大的提升空间。
技术实现要素：
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及装置，能够在较短的时间内优化车辆搭载无人机双层路径，缩短车辆搭载无人机完成既定任务的总时长。
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双层路径设定为当前最优的双层路径，通过邻域规则，实现从当前最优的双层路径重构另外一条可行的双层路径，所述邻域规则为移除算子和双层路径重构算子的组合，所述移除算子为车辆路径移除算子和无人机移除算子的组合；
根据邻域搜索规则将所述重构的双层路径调整到局部最优的双层路径；
当局部最优的双层路径目标函数值小于当前最优的双层路径目标函数值的(1+可容忍误差率)倍时，用局部最优的双层路径更新当前最优的双层路径；
根据循环过程中更新当前最优的双层路径的次数调整邻域规则的参数，述邻域规则的参数包括邻域规则的选取权重，邻域规则的应用次数；
根据预先设定的循环次数，重复步骤1至步骤3，得到优化后的车辆搭载无人机双层路径。
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：
重构单元，用于选择一条已知的车辆搭载无人机双层路径设定为当前最优的双层路径，通过邻域规则，实现从当前最优的双层路径重构另外一条可行的双层路径，所述邻域规则为移除算子和双层路径重构算子的组合，所述移除算子为车辆路径移除算子和无人机移除算子的组合；
邻域搜索单元，用于根据邻域搜索规则将所述重构的双层路径优化到局部最优的双层路径；
更新单元，用于当局部最优的双层路径目标函数值小于当前最优的双层路径目标函数值的(1+可容忍误差率)倍时，用局部最优的双层路径更新当前最优的双层路径；
调整单元，用于根据循环过程中更新当前最优的双层路径的次数调整邻域规则的参数，所述邻域规则的参数包括邻域规则的选取权重，移除算子的应用次数；
确定单元，用于根据预先设定的循环次数，重复步骤1至步骤3，得到优化后的车辆搭载无人机双层路径。
上述技术方案具有如下有益效果：因为采用了邻域规则即车辆路径移除算子，无人机路径移除算子和双层路径重构算子的组合，实现了从当前最优的双层路径重构了另外一条可行的双层路径；采用了邻域搜索规则，实现了从可行的双层路径到局部最优的双层路径优化过程，通过局部最优的双层路径目标函数的值同当前最优的双层路径的目标函数值的(1+可容忍误差率)倍的比较，记录了目前为止的最优双层路径；通过循环过程中当前最优的双层路径更新的次数，适应性调整邻域规则的选取权重和邻域规则的应用次数技术手段，所以达到了快速找到最优的双层路径的技术效果。
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是本发明实施例调整邻域规则参数的子流程图；
图4是本发明实施例重构双层路径的子流程图；
图5是本发明实施例调整单元的结构示意图；
图6是本发明实施例重构单元的结构示意图；
图7是本发明实施例车辆搭载无人机协同工作模式的示意图；
图8是本发明实施例无人机邻域搜索规则的示意图；
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是本发明实施例邻域规则与邻域搜索规则关系的示意图；
图15是本发明实施例各节点位置示意图；
图16是本发明实施例已知的双层路径示意图；
图17是本发明实施例优化后的双层路径示意图。
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7，图7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7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7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函数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}UVsUVt，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}UVs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}UVs,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＝E1UE2。
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v2。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：
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，所述方法包括：
101、选择一条已知的车辆搭载无人机双层路径设定为当前最优的双层路径，通过邻域规则，实现从当前最优的双层路径重构另外一条可行的双层路径，所述邻域规则为移除算子和双层路径重构算子的组合，所述移除算子为车辆路径移除算子和无人机移除算子的组合，实现了从一个可行的双层路径重构另外一条可行的双层路径的过程；
102、根据邻域搜索规则将所述重构的双层路径优化到局部最优的双层路径，上一步骤得到的可行的双层路径，在局部可能不是最优的双层路径，利用简单的邻域搜索规则将这个可行的双层路径调整到局部最优的双层路径；
103、当局部最优的双层路径目标函数的值小于当前最优的双层路径目标函数值的(1+可容忍误差率)倍时，用局部最优的双层路径更新当前最优的双层路径；
104、根据循环过程中更新当前最优的双层路径的次数调整邻域规则的参数，所述邻域规则的参数包括邻域规则的选取权重，移除算子的应用次数；
105、根据预先设定的循环次数，重复步骤1至步骤3，得到优化后的车辆搭载无人机双层路径。
所述双层路径的优化方法还包括：
当局部最优的双层路径目标函数的值不小于当前最优的双层路径目标函数值的(1+可容忍误差率)倍时，不更新当前最优的双层路径；
优选地，如图3所示，图3是是本发明实施例调整邻域规则参数的子流程图：
所述根据循环过程中更新当前最优的双层路径的次数调整邻域规则的参数，所述邻域规则的参数包括：邻域规则的选取权重，移除算子的应用次数，具体包括；
104.1、给每种邻域规则设定现有权重值，设定权重的调整系数；
104.2、若当前最优双层路径被一种邻域规则重构的局部最优双层路径所更新，则给所述邻域规则增加一个计数，储存矩阵中，更新权重；
104.3、给车辆路径移除算子的应用次数设定一个初始值T，给无人机路径移除算子应用次数设定一个初始值t，设定一种衰减规则；
104.4、按衰减规则减小T和t的值；
104.5、若当前最优双层路径在循环次数超过预先设定的循环次数的30％没有被更新，则重置车辆路径移除算子的应用次数T和无人机移除算子应用次数t至初始值。
优选地，请参考图4，图4是本发明实施例重构双层路径的子流程图；
101.1、A、根据邻域规则选取的权重，选取循环当次车辆路径移除算子，将至少一个车辆停靠点从当前最优双层路径中移除；
101.2、B、根据邻域规则选取的权重，选取循环当次无人机路径移除算子，将至少一个无人机任务目标点从当前最优双层路径中移除；
101.3、C、根据邻域规则选取的权重，选取循环当次双层路径重构算子，实现从当前最优双层路径重构另外一条可行的双层路径；
101.4、根据移除算子的应用次数，重复过程A、过程B。
进一步优选地，所述车辆路径移除算子，包括：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；
进一步优选地，所述无人机路径移除算子，包括：随机移除算子、最大路径移除算子、近邻移除算子、车辆移除点近邻移除算子、子路径移除算子；
进一步优选地，所述重构路径算子，包括：最大最小算子、目标函数差算子。
进一步优选地，无人机邻域搜索规则为：交换无人机路径中任意相邻的两个任务目标点的访问顺序，得到无人机遍历任务目标点的总时间最短的路径；
进一步优选地，车辆邻域搜索规则为：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。
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：
重构单元21，用于选择一条已知的车辆搭载无人机双层路径设定为当前最优的双层路径，通过邻域规则，实现从当前最优的双层路径重构另外一条可行的双层路径，所述邻域规则为移除算子和双层路径重构算子的组合，所述移除算子为车辆路径移除算子和无人机移除算子的组合；
邻域搜索单元22，用于根据邻域搜索规则将所述重构的双层路径调整到局部最优的双层路径；
更新单元23，用于当局部最优的双层路径目标函数的值小于当前最优的双层路径目标函数值的(1+可容忍误差率)倍时，用局部最优的双层路径更新当前最优的双层路径；
调整单元24，用于根据循环过程中更新当前最优的双层路径的次数调整邻域规则的参数，所述邻域规则的参数包括邻域规则的选取权重，移除算子的应用次数；
确定单元25，用于根据预先设定的循环次数，重复步骤1至步骤3，得到优化后的车辆搭载无人机双层路径。
所述更新单元23，还用于当局部最优的双层路径目标函数的值不小于当前最优的双层路径目标函数值的(1+可容忍误差率)倍时，不更新当前最优的双层路径。
优选地，如图5所示，图5是本发明实施例调整单元的结构示意图，所述调整单元24包括：
第一设定模块241，用于给每种邻域规则设定现有权重值，设定权重的调整系数；
第一调整模块242，用于当前最优双层路径被一种邻域规则重构的局部最优双层路径所更新，给所述邻域规则增加一个计数，储存矩阵中，更新权重；
第二设定模块243，用于给车辆路径移除算子的应用次数设定一个初始值T，给无人机路径移除算子应用次数设定一个初始值t，并设定衰减规则；
第二调整模块244，用于按衰减规则减小T和t的值，还用于当前最优双层路径在循环次数超过预先设定的循环次数的30％没有被更新，重置车辆路径移除算子的应用次数T和无人机移除算子应用次数t至初始值。
优选地，请参考图6，图6是本发明实施例重构单元的结构示意图；所述重构单元21包括：
车辆路径移除模块211，用于根据邻域规则的选取权重，选取循环当次车辆路径移除算子，将至少一个车辆停靠点从当前最优双层路径中移除；
无人机路径移除模块212，用于根据邻域规则的选取权重，选取循环当次无人机路径移除算子，将至少一个无人机任务目标点从当前最优双层路径中移除；
重构模块213，用于根据邻域规则的选取权重，选取循环当次双层路径重构算子，实现从当前最优双层路径重构另外一条可行的双层路径；
计数模块214，用于根据移除算子的应用次数，遍历模块211、模块212。
进一步优选地，所述循环当次车辆路径移除算子，包括：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；
进一步优选地，所述循环当次无人机路径移除算子，包括：随机移除算子、最大路径移除算子、近邻移除算子、车辆移除点近邻移除算子、子路径移除算子；
进一步优选地，所述循环当次重构路径算子，包括：最大最小算子、目标函数差算子；
无人机邻域搜索规则为：交换无人机路径中任意相邻的两个任务目标点的访问顺序，得到无人机遍历任务目标点的总时间最短的路径；
车辆邻域搜索规则为：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。
上述技术方案具有如下有益效果：因为采用了根据选取的邻域规则重构的双层路径是否优于当前最优的双层路径，改变邻域规则的选取权重和移除算子的应用次数的技术手段，邻域规则的选取权重保证了能够重构出更优的双层路径的邻域规则被选取的概率较大，提高了重构双层路径的效率；移除算子的应用次数的调整，不仅保证了先从大邻域再到小邻域的重构双层路径的思想，提高了效率，而且，如果当前最优的双层路径在超过总循环次数的30％的循环次数中没有改变，就将邻域规则的应用次数重置至初始值，避免陷入局部最优的双层路径后的无效循环。本发明提供的技术方案，在当前的车辆搭载无人机的双层路径的基础上，能够在15分钟内提升较小规模案例29％的双层路径的质量；在30分钟内提升中等规模案例18％的双层路径的质量。
本发明提供的车辆搭载无人机的双层路径的优化方法，是基于适应性邻域搜索的优化方法，与现有技术中的适应性邻域搜索方法有以下两大区别：
(1)本发明实施例的邻域规则是移除算子和重构算子的三元组合：现有技术中适应性邻域搜索方法应用于单层路径规划问题，因此是移除算子和重构算子的二元组合。在车辆搭载无人机的双层路径的规划中，车辆路径的移除算子不能直接应用于无人机路径的移除算子，即使是采用相同的移除算子应用于车辆路径和无人机路径的效果也是不同的，因此，车辆搭载无人机的双层路径是车辆路径移除算子、无人机路径移除算子和重构算子的三元组合。组合维度的增加提升了组合的复杂性，也使得适应性调整邻域规则的过程更为复杂。
(2)邻域规则的选取权重和移除算子的应用次数的适应性调整：在求最优双层路径的初期阶段，多次调用移除算子，使得每一轮求最优双层路径时能够找到“距离当前双层路径较远”的双层路径；而在求最优双层路径的后期阶段，降低每一轮调用移除算子的次数，从而更加精确的找到当前邻域内的局部最优双层路径。在当前最优双层路径多次没有变化时，重置移除算子的调用次数，增大邻域搜索的范围，从而跳出局部最优双层路径。
基于适应性邻域搜索的优化方法的流程图如下所示：
方法首先通过调用已知的车辆搭载无人机的双层路径，并将其记录为当前最优的双层路径，设定一个最大循环次数，进入循环，根据邻域规则的选取权重选择相应的邻域规则，N1表示基于邻域规则的选取权重和移除算子的应用次数，选取的循环当次的车辆路径移除算子、N2表示基于邻域规则的选取权重和移除算子的应用次数，选取的循环当次无人机路径移除算子、N3表示基于邻域规则的选取权重，选取的循环当次重构路径算子。T表示车辆路径移除算子的应用次数，而t表示无人机路径移除算子的应用次数。根据邻域规则的选择，我们破坏重构current(当前的双最优的双层路径)，形成new(新的双层路径)，然后对new采用邻域搜索规则将new调整到局部最优的双层路径。
为了提高邻域搜索规则的效率，在较短的时间内将new调整到局部最优的双层路径，本发明实施例仅采用了两种邻域搜索规则：
(1)对无人机路径的邻域搜索规则：请参考图8，图8是本发明实施例无人机邻域搜索规则的示意图，在无人机路径中任意选取相邻两个无人机任务目标点，交换这两个无人机任务目标点的访问顺序，判断交换后的路径是否优于交换前的路径，如果更优，则用交换后的路径替代交换前的路径。将无人机路径中所有的任务目标点交换，得到最优的无人机路径。
(2)对车辆路径的邻域搜索规则：采用相邻路径合并的规则。
通过邻域搜索规则，得到了一个局部最优的双层路径，如果局部最优的双层路径的目标函数值小于当前最优的双层路径的目标函数值与θ(可容忍的误差率)的和，那么用局部最优的双层路径代替当前最优的双层路径，否则，继续用当前最优的双层路径进入下一次循环。
Algorithm 1:ALNS(优化方法流程图)
根据当前最优的双层路径更新的次数，适应性调整邻域规则的选取权重和邻域规则的应用次数。
本发明实施例的邻域规则是指6种车辆路径移除算子，5种无人机路径移除算子以及2种重构算子的组合。因此，共有6×5×2＝60种邻域规则。下面详细介绍这些算子：
(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：Algorithm 2:Insertion Progress(重构算子流程图)
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：A a b c，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A a b c C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A a b c中继续插入新的点。假如插入d之后A a b c d D或A a b d c C是不符合续航能力约束的，那么就以A a b c C作为一条路径而D d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是本发明实施例邻域规则与邻域搜索规则关系的示意图，通过邻域规则，我们完成了从一个可行的双层路径跳跃到另一个可行的双层路径的过程，而邻域搜索规则则是在可行的双层路径附近找到局部的最优的双层路径，这一过程如图所示。邻域规则实现了邻域之间的跳跃，而邻域搜索规则寻找到了当前邻域的局部最优双层路径。通过邻域搜索的过程，邻域规则只需要考虑较大规模的移动(从一个邻域跳跃到另一个邻域)，而在邻域搜索规则的寻优过程则避免了搜到较差的双层路径，保证双层路径的局部最优是对方法整体效率的提升。
适应性调整邻域规则的选取权重和邻域规则的应用次数，我们通过统计的方式调整邻域规则选取的权重从而实现更优的邻域选择，而通过调整改变应用的次数来调整邻域之间的跳跃的距离从而在提升搜索效率的同时避免陷入局部最优。
调整邻域规则的选取权重：由于我们设计了6种移除车辆路径移除算子、5种移除无人机路径移除算子以及2种重构路径算子，所以总的算子组合有6×5×2＝60种。首先，我们赋予每一个算子相同的权重1/60，然后每100轮调整一次权重，调整权重的方式如下：
首先，设定一个权重的调整系数wh，每一次调整中总权重的wh将会进行调整。每一轮循环都基于某一个算子组合产生一个新的可行解，如果新的可行解优于原有的可行解，那么这个给这算子组合增加一个计数，用一个名字为count的三维矩阵来储存这个计数。每一次权重调整的过程可以简化为：
通过调整系数wh，我们可以改变现有权重的调整力度：当wh的值较低时，这种权重调整的策略能够保证现有的权重不做过大的调整，以免出现算子多样性的过度下降；而当wh的值较高时，我们可以逐渐剔除掉较差的算子组合，提升求解的效率。
调整移除算子的应用次数：移除算子的应用次数可以有效的区分影响的大小。当移除算子的应用次数较少时，邻域规则可以实现的邻域跳跃的距离较短，即搜索的范围较小。而移除算子应用次数较多时，邻域规则可以实现的邻域跳跃的距离较长，即搜索的范围较大。
搜索范围较小时，能够在较短的时间内搜索到当前范围内的局部最优双层路径，因此主体的移除算子的应用次数应该是从大到小的过程。搜索范围较大时，能够跳出当前的局部最优双层路径。因此当最优双层路径长期没有更新的时候，则恢复较大的搜索范围，从而跳出局部的最优双层路径。
移除算子的应用次数调整方法如下：
首先为车辆路径移除算子的应用次数T和无人机路径移除算子的应用次数t设定一个初始值。然后设定一种衰减规则，可以是指数型衰减也可以是线性的衰减模式。每通过一定的循环次数，按照衰减规则减小移除算子的应用次数。
为了避免陷入局部最优，我们在算法运行过程中，不仅记录当前搜索到的最优双层路径，而且用一个计数的变量记录这个最优双层路径有多少循环次没有发生改变。如果当前搜索到的最优双层路径在超过总循环次数30％的轮数中没有改变，那么将应用次数和计数重置，恢复到初始搜索范围较大的移除算子的应用次数。
通过这样的设计，我们既保证了通过“先大后小”的搜索思路提升搜索效率，又避免了陷入局部最优后的无效搜索。
以下结合应用实例对本发明实施例上述技术方案进行详细说明：
请参考图15，图15是本发明实施例各节点位置示意图，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
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16，图17，图16是本发明实施例已知的双层路径示意图，图17是本发明实施例优化后的双层路径示意图。
实施例以雷锋立交桥作为场站位置，图16中黑色三角的位位置，车辆搭载无人机从该点出发，由无人机检查长沙市内39处任务目标点的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，访问任务目标点，并在任务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，在每一个任务目标点，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长沙市所有39个任务目标点的遍历。
首先采用已知的车机双层路径构造方法得到初始可行的双层路径如图16所示，然后应用本发明提出的优化方法，得到改进后的双层路径如图17所示。设定循环1000轮，总共耗时1073.05秒。已知的双层路径需要耗时257.8675分钟，而完成优化后的双层路径需要耗时237.1323分钟。节约时间20.7352分钟，算法提升8.04％。
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，可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。