一种森林火灾中规划无人机群救援的优化方法及系统与流程

本发明涉及火灾救援领域，特别是涉及一种森林火灾中规划无人机群救援的优化方法及系统。

背景技术：

森林火灾是森林最危险的敌人，也是林业最可怕的灾害，它会给森林带来最有害，最具有毁灭性的后果。森林消防领域具有大量可靠的救援技术，但它们大都需要借助高空卫星，且施工太过复杂。无人机作为一种新型的中低空实时电视成像和红外成像快速获取系统，在对车、人无法到达地带的森林防火领域具有独特的优势。目前，森林航空消防是森林防火的尖兵,是世界先进国家森林防火的主要手段。

森林火灾的特点，是发生面广、危害性大、时效性强、处置救助难。为满足对实际火灾蔓延和救援情况的模拟，要解决如何建立真实的、动态的森林火灾蔓延与救援模型。即，综合考虑森林火灾现场的风向、风速、温度、湿度、植被类型、植被密度情况等与火势相关的地理因素，以及考虑草场、林场、山地、海岛等的多种地形和地貌，从而可以模拟多种地质情况的火灾蔓延模型。森林火灾救援领域已经提出了一些结合火灾救援原理，生成动态的森林火灾救援模型。

冠火模型分析了不同树种的冠火燃烧，并通过数值模拟分析建立了冠层火灾燃烧场的数学模型(silva等，2017；cruz和alexander，2017)。这些研究发现，最强烈的燃烧时刻为预测冠层火灾蔓延和熄灭冠层火灾提供了理论依据。席尔瓦等人。半物理模型系统在简单的蒙特卡罗模拟系统中运行，以预测火灾行为的不确定性(cruz和alexander，2017)。该方法捕获冠层火灾的动态，并提供平均传播速率和冠火活动程度的估计。encinas在2007年提出了一种ca模型，将单元从正方形改为正六边形，并在均匀和非均匀环境中提出了一种新的数学模型，以模拟风和地形对火蔓延率的影响。alexandridis等人在2008年提出考虑植被类型，植被密度，风速，风向，海拔高度和斑点现象。它们定义了火焰传播方向，点火概率和状态转换规则，并使用ca来模拟山地森林火灾蔓延。通过模拟1990年8月spetses上发生的野火，证明该模型在时间和空间上都有很好的预测。郑等人在2017年提出考虑邻近的风效应并使用细胞自动机来确定细胞状态转变。他们收集类似火灾的训练样本，使用极端学习机计算细胞的点火概率，并模拟已发生的火灾或预测进一步的情况。

孙等人在2013年提出将ca框架与王正飞火灾物理速度模型相结合，并考虑火灾传播的固有不确定性。他们建立了具有地球物理和环境因素的多维模型，以便生成更准确的火焰传播图。除了冠火模型和ca模型，布伦等人在2014年提出了一个多模型预测框架。该框架涵盖了森林火灾扩散模型，风场模型和气象模型的不同模型。使用两阶段基本预测方法实现森林火灾蔓延预测。

除了研究火灾模型，如何对无人机群的协同救援进行规划也至关重要。目前，通常使用双目标救援模型来解决多点森林火灾的救援车辆调度问题。此模型容易受到当前火点的火情和救援车辆的限制，从而使得制备的应急计划不精确，消防队派遣到不同的火点不及时。

技术实现要素：

本发明的目的是提供一种森林火灾中规划无人机群救援的优化方法及系统，能够更精确的模拟真实动态的森林火灾蔓延与救援过程，能够实现无人机群的最优分配和调度。

为实现上述目的，本发明提供了如下方案：

一种森林火灾中规划无人机群救援的优化方法，所述方法包括：

实时获取火灾动态数据；

根据所述火灾动态数据，建立火灾救援模拟器模型；

根据所述火灾救援模拟器模型，采用时间同步方法得到状态矩阵；

根据所述状态矩阵，采用空间同步方法确定重点火灾救援区域；

根据所述重点火灾救援区域采用优化救援算法进行数据交互计算，得到最优解；

根据所述最优解确定最终灭火点；

根据所述最终灭火点分配无人机对火灾进行救援。

可选的，所述实时获取火灾动态数据，具体包括：

通过无人机实时获取火灾动态数据，所述火灾动态数据包括初始着火点、风向、风速和火灾传播速度。

可选的，所述根据所述火灾动态数据，建立火灾救援模拟器模型，具体包括：

根据所述火灾动态数据，采用细胞代替法获取火灾评估信息、火灾蔓延速度信息和火灾蔓延方向信息；

根据所述火灾评估信息、所述火灾蔓延速度信息和所述火灾蔓延方向信息建立火灾救援模拟器模型。

可选的，所述根据所述火灾救援模拟器模型，采用时间同步方法得到状态矩阵，具体包括：

获取火灾燃烧情况和影响火灾蔓延的因素；

根据所述火灾救援模拟器模型、所述火灾燃烧情况和所述影响火灾蔓延的因素动态生成各个时刻的状态矩阵。

可选的，所述根据所述状态矩阵，采用空间同步方法确定重点火灾救援区域，具体包括：

根据所述状态矩阵动态获取各燃烧点的位置；

根据各所述燃烧点的位置确定火灾救援轮廓；

对所述火灾救援轮廓中的燃烧点划分灭火优先级；

根据所述灭火优先级确定重点火灾救援区域。

可选的，所述根据所述重点火灾救援区域采用优化救援算法进行数据交互计算，得到最优解，具体包括：

根据重点火灾救援区域中的当前时刻燃烧点的坐标和细胞自动机的转换规则，预测下一时刻可能的的燃烧点坐标；

将所述当前时刻燃烧点的坐标和所述下一时刻可能的的燃烧点坐标集合，得到待安排任务点；

对所述待安排任务点采用粒子群算法，得到最优解。

可选的，所述无人机包括可用无人机和不可用无人机，所述根据所述最终灭火点分配无人机对火灾进行救援，具体包括：

根据最终灭火点为所述可用无人机分配任务进行火灾救援；

就近获取补给站位置；

将所述不可用无人机分配至所述补给站位置进行补给。

一种森林火灾中规划无人机群救援的优化系统，所述系统包括：

获取模块，用于实时获取火灾动态数据；

火灾救援模拟器模型建立模块，用于根据所述火灾动态数据，建立火灾救援模拟器模型；

状态矩阵确定模块，用于根据所述火灾救援模拟器模型，采用时间同步方法得到状态矩阵；

重点火灾救援区域确定模块，用于根据所述状态矩阵，采用空间同步方法确定重点火灾救援区域；

最优解确定模块，用于根据所述重点火灾救援区域采用优化救援算法进行数据交互计算，得到最优解；

最终灭火点确定模块，用于根据所述最优解确定最终灭火点；

分配模块，用于根据所述最终灭火点分配无人机对火灾进行救援。

可选的，所述获取模块，具体包括：

获取单元，用于通过无人机实时获取火灾动态数据，所述火灾动态数据包括初始着火点、风向、风速和火灾传播速度。

可选的，所述火灾救援模拟器模型建立模块，具体包括：

信息获取单元，用于根据所述火灾动态数据，采用细胞代替法获取火灾评估信息、火灾蔓延速度信息和火灾蔓延方向信息；

火灾救援模拟器模型建立单元，用于根据所述火灾评估信息、所述火灾蔓延速度信息和所述火灾蔓延方向信息建立火灾救援模拟器模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种森林火灾中规划无人机群救援的优化方法及系统。所述方法包括：实时获取火灾动态数据；根据所述火灾动态数据，建立火灾救援模拟器模型；根据所述火灾救援模拟器模型，采用时间同步方法得到状态矩阵；根据所述状态矩阵，采用空间同步方法确定重点火灾救援区域；根据所述重点火灾救援区域采用优化救援算法进行数据交互计算，得到最优解；根据所述最优解确定最终灭火点；根据所述最终灭火点分配无人机对火灾进行救援。采用本发明的方法或系统能够更精确的模拟真实动态的森林火灾蔓延与救援过程，能够实现无人机群的最优分配和调度。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例森林火灾中规划无人机群救援的优化方法流程图；

图2为本发明实施例状态矩阵的示意图；

图3为本发明实施例细胞状态转换图；

图4为本发明实施例空间上扩散速度等级示意图；

图5为本发明实施例细胞编号与位置对应图；

图6为本发明实施例救援算法框架图；

图7为本发明实施例基于火灾预测的粒子群算法流程图；

图8为本发明实施例编码方式示意图；

图9为本发明实施例预定灭火区域示意图；

图10为本发明实施例森林火灾中规划无人机群救援的优化系统结构图。

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例森林火灾中规划无人机群救援的优化方法流程图。如图1所示，一种森林火灾中规划无人机群救援的优化方法，所述方法包括：

步骤101：实时获取火灾动态数据；

步骤102：根据所述火灾动态数据，建立火灾救援模拟器模型；

步骤103：根据所述火灾救援模拟器模型，采用时间同步方法得到状态矩阵；

步骤104：根据所述状态矩阵，采用空间同步方法确定重点火灾救援区域；

步骤105：根据所述重点火灾救援区域采用优化救援算法进行数据交互计算，得到最优解；

步骤106：根据所述最优解确定最终灭火点；

步骤107：根据所述最终灭火点分配无人机对火灾进行救援。

步骤101，具体包括：

通过无人机实时获取火灾动态数据，所述火灾动态数据包括初始着火点、风向、风速和火灾传播速度。

步骤102，具体包括：

根据所述火灾动态数据，采用细胞代替法获取火灾评估信息、火灾蔓延速度信息和火灾蔓延方向信息；

根据所述火灾评估信息、所述火灾蔓延速度信息和所述火灾蔓延方向信息建立火灾救援模拟器模型。

步骤103，具体包括：

获取火灾燃烧情况和影响火灾蔓延的因素；

根据所述火灾救援模拟器模型、所述火灾燃烧情况和所述影响火灾蔓延的因素动态生成各个时刻的状态矩阵。

步骤104，具体包括：

根据所述状态矩阵动态获取各燃烧点的位置；

根据各所述燃烧点的位置确定火灾救援轮廓；

对所述火灾救援轮廓中的燃烧点划分灭火优先级；

根据所述灭火优先级确定重点火灾救援区域。

步骤105，具体包括：

根据重点火灾救援区域中的当前时刻燃烧点的坐标和细胞自动机的转换规则，预测下一时刻可能的的燃烧点坐标；

将所述当前时刻燃烧点的坐标和所述下一时刻可能的的燃烧点坐标集合，得到待安排任务点；

对所述待安排任务点采用粒子群算法，得到最优解。

步骤107，具体包括：

根据最终灭火点为所述可用无人机分配任务进行火灾救援；

就近获取补给站位置；

将所述不可用无人机分配至所述补给站位置进行补给。

救援模拟器的定义

本发明使用一个二维网格将森林区域镶嵌到一些细胞上。每个正方形细胞代表一小块地，从而提供了8个可能的火传播方向。该方法使用二维网格将森林区域嵌入到某些单元格中。细胞的形状是方形的。每个单元代表一小块土地，从而提供八种可能的火焰传播方向。同时，细胞可以指示土地是否被可燃材料或不可燃材料(如沙子，海洋等)覆盖。细胞还可以根据陆地上的植被密度确定土地的价值水平。图2为本发明实施例状态矩阵的示意图。

森林中的细胞会有燃烧，正常，烧毁等几种不同的状态。具体来说，细胞状态在森林火灾过程中分为s1-s5，每个状态是离散时间变化的有限值。s1-s5的细节如下。

状态一s1：细胞内没有可燃物质，即为空细胞。这种状态可以描述城市或农村地区中没有植被的部分。假设这一状态的细胞无法燃烧。

状态二s2：细胞内含有可燃物质且尚未点燃。

状态三s3：细胞正在燃烧。

状态四s4：细胞已经被烧毁。

状态五s5：燃烧细胞在烧毁前被扑灭

细胞的每个状态是离散时间变化的有限值，而且处于不同状态的细胞会受火灾蔓延，长时间燃烧等的影响，进行状态的相互转化。图3为本发明实施例细胞状态转换图。

其中，用state(i,j,t)＝n表示坐标为(i,j)的细胞在t时刻的状态为sn，其中n∈{1,2,3,4,5}；用robot(i,j,t)＝m表示坐标为(i,j)的细胞在t时刻有无灭火无人机，其中m∈{0,1}，m＝0说明没有灭火无人机，m＝1说明有灭火无人机。表1为细胞状态转化规则，具体如下表所示：

表1细胞状态转化规则

本发明通过将整个火灾可能蔓延到的区域、抽象为由n种状态所表示的二维矩阵图生成火灾蔓延模型。模型中的不同位置分别代表着不含森林燃料不可引燃、内含森林燃料但尚未被引燃、正在燃烧、已经被烧毁、派遣无人机后成功灭火等多种森林细胞状态，并且设定了相应的状态转换规则，实现森林细胞的状态转换。

假设共有5架无人机，10个供安排任务的着火点。经更新策略后，生成的中间解x’为[3.2,7.6,3.3,4.9,5.4]。则首先对x’的各维度的值四舍五入取整，得到[3,8,3,5,5]，而后看坐标标号是否有冲突。若后续无人机的坐标标号与之前的无人机的相同，则按顺序从未分配无人机的着火点中选出坐标标号，配置到无人机的信息中。所以解决冲突后的解应为[3,8,1,5,2]。

时间同步

救援模拟器负责模拟森林火灾的燃烧情况。而森林的燃烧情况会随着火势的蔓延或者无人机的救援改变。所以救援模拟器需要周期性的更新火灾信息，以模拟森林火灾的真实场景。又因为在线决策系统需要及时感知森林火灾燃烧的变化，才能做出正确的救援计划。所以，在线决策系统每次做出决策之前都会从模拟器中获取最新的火灾信息。决策系统与模拟器的时间同步关系如下：

tsl＝n*t,n＝1,2,3,...

其中，tds为在线决策系统的更新时刻，tsl为模拟器的更新时刻，t为模拟器的更新周期，tdsmax为在线决策系统单次决策所需时间的最大值。

空间同步

事实上，植被类型，植被分布和海拔高度的差异将影响一个地区的火势蔓延速度。由于本文设计的模拟器的时间和地图精度不会随环境的变化而变化，为了更准确地模拟特定的火灾情况，我们将火灾的传播速度分为三个等级，分别代表不同的火力范围。在同一时间精确传播。1-3级表示在相同时间段内1-3个细胞的连续扩散。图4为本发明实施例空间上扩散速度等级示意图。

其中，initialstate表示森林初始只有一个着火点的情况。后面三幅图分别表示不同蔓延速度下，经过t时间，森林燃烧的变化情况。

数据交互方法

在实际情况中，森林中的每一个点都可以用精确的经纬度来定位，且每一点都具备各自的状态属性。在该系统中，为了减少计算量，采用边长为sidelength的正方形元胞覆盖一定的森林区域，使用坐标的方法标识每一个元胞的相对位置，并认为该元胞范围内的森林区域具备相同的燃烧状态。使用连续的整数为各着火点编号，则编号为i的着火点的实际覆盖范围为i-0.5到i+0.5的小数。

在使用优化算法为各无人机安排着火点时，首先为各无人机随机生成不重复的整数解x，而后在每一次的迭代过程中，计算x的适应度，并根据不同优化算法的更新策略生成新的中间解x’。x’各维度的值一般为小数，为了能够与模拟器实现数据交互，需要使用交互数据处理方法将小数转换为邻近的整数。转换公式为xk＝max(1,round(x′k)),k＝1,2,...,uavsize，其中round()表示四舍五入取整。

图5为本发明实施例细胞编号与位置对应图。以图5为例，每一个元胞的相对位置均可以表示为(行数，列数)的坐标形式。若使用更新策略后，uavk要前往的目标细胞标号为3.2，根据转换公式可知应将uavk的目标标号更新为3。同时，在图上可以看到3.2所所对应的位置更接近于标号3的中心点，因为标号3的元胞内部的所有点具有相同的燃烧性质，因此经过交互数据处理后，将uavk要前往的目标点更新为3是合理的。

通过这样的处理，完成了模拟器和算法之间的数据交互，确保了为各无人机分配的着火点编号与实际地图坐标的一一对应。同时，数据的转换均是在一个元胞内完成的，所覆盖的区域远小于整个地图的范围，因此对时间和空间上的影响都很小。

示例说明：

假设共有5架无人机，10个供安排任务的着火点。经更新策略后，生成的中间解x’为[3.2,7.6,3.3,4.9,5.4]。则首先对x’的各维度的值四舍五入取整，得到[3,8,3,5,5]，而后看坐标标号是否有冲突。若后续无人机的坐标标号与之前的无人机的相同，则按顺序从未分配无人机的着火点中选出坐标标号，配置到无人机的信息中。所以解决冲突后的解应为[3,8,1,5,2]。

火灾救援轮廓与重点救援区域的计算：

在森林火灾中，不同位置的着火点对火灾蔓延的影响有着显著差异。其中，位于火灾边缘的着火点对火灾蔓延有着很大的作用，它可以扩大火灾的波及范围。因此，对火灾轮廓与重点救援区域的确定是极为重要的。

大多数的森林火灾都是从一个着火点或一个小范围的着火区域开始向外蔓延，即在实际的火灾蔓延过程中，外边缘的燃烧点会引燃周围更多的可燃区域，并随着时间的推移形成更大规模的燃烧，而内部的燃烧点则只会影响火场内部尚未燃烧的细胞。因此从对后期燃烧情况影响大小的角度来说，为无人机分配灭火任务时，应优先考虑外边缘细胞。在烧毁区域内部存在正在燃烧的细胞，则在统计该时刻地图燃烧情况时，应排除这几个细胞，只统计外边缘的燃烧细胞。

在实际情况中，由于森林环境的复杂性，一个区域内大都存在可燃区域与不可燃区域：可燃区域可被引燃并烧毁，而不可燃区域中不存在可燃烧材料，即不能被引燃。因此在火灾的蔓延过程中，当火势蔓延到不可燃区域时，将不再引燃该部分，而只会对周围其他可燃区域产生影响。为实现高效灭火，本文通过设置探测半径阈值rth来确定个燃烧点的灭火优先级。在每一个燃烧点上画一个半径为rth的圆，若圆中存在不可燃区域，则降低该点的灭火优先级；若圆内均为可燃区域，则提高该点的灭火优先级。通过这种方式，优先考虑四周为可燃区域的着火点，次优考虑即将接近不可燃区域的着火点，牺牲小部分以降低全局的损失。

首先通过判断输入细胞周围是否有着火点，若有着火点且着火点在地图上彼此连接，则说明输入细胞属于火灾蔓延的边缘轮廓上。但是，由于火灾蔓延的不确定性，模拟器中部分着火点的分布会较为分散。因此，对火灾边缘轮廓的判断无法100％的保证，可能会出现较为极端的情况。其次，若细胞周围包含了包含了不可燃区域，则说明该细胞对火灾蔓延的影响有限，应降低该着火点细胞的灭火优先级；反之，若着火点细胞周围均为可燃烧区域，则提高这两点的灭火优先级。

假设系统更新时间为t，即每t时间间隔更新一次地图的燃烧情况、为各无人机分配飞行目标。假设共有u架无人机，且各无人机的初始位置已知，当前负载为满。

图6为本发明实施例救援算法框架图。在程序执行过程中，根据无人机的当前负载情况进行分类：若无人机当前负载为空，则归为不可分配任务的无人机；若无人机当前负载不为空，则归为可分配任务的无人机。在地图的可燃烧区域内随机选定着火点，并生成初始燃烧区域。统计地图中燃烧点的坐标和数量，若当前燃烧点数量小于等于可分配任务的无人机数量，则认为灭火任务结束，退出程序；否则，依次执行以下步骤：

a.在t时间内，使用优化算法为各可分配任务的无人机分配燃烧点作为飞行目标，而不可分配任务的无人机就近选取补给站并将其作为飞行目标；

b.各无人机向已安排的任务点飞行，若可用无人机到达既定区域，则在区域内进行贪婪灭火，同时减少可用无人机的当前负载，否则不参与灭火；若不可用无人机到达指定的补给站，则当前负载为满，否则不能完成补给；

c.根据无人机的负载情况重新对各无人机进行分类。而后在下一个t时间周期内，更新地图的燃烧情况，循环以上步骤。

图7为本发明实施例基于火灾预测的粒子群算法流程图。首先输入系统参数及当前状态矩阵，读取矩阵中的数据，确定现有的燃烧点的坐标，而后根据元胞自动机的状态转换规则，预测下一时刻可能的燃烧点坐标，这两组坐标的集合即为待安排的任务点。之后的步骤与基础pso相同，即初始化粒子与粒子速度，评估粒子的适应度，记录个体最优pbest与全局最优gbest，并以此为导向更新粒子的速度和位置。而后根据新生个体的适应度值判断整体地寻优过程是否停滞，若停滞，则需以随机的概率初始化种群中适应度较差的粒子。最后在到达停止条件之前重复上述过程，并最终输出全局最优gbest。其中虚线框内的步骤是区别于基础pso算法的部分，下面将会进行详细的介绍。

在每次生成新粒子之后进行一次停滞判断，用于判定粒子群的寻优状况。假设种群中共有n个粒子，每个粒子的编码维度为d，每一维的上下限分别用uj、lj(1<＝j<＝d)来表示。保持粒子率为keeprate，则nr表示保持的粒子数。g为当前代数，使用fitnessbest(g)记录从第一代开始到第g代的最优适应度值，使用fitnessmean(g)记录第g代中所有粒子的平均适应度。u(0,1)为从0到1之间生成的均匀随机数。若与前一代相比粒子的最优适应度没有降低且粒子群的适应度平均值也没有降低降低，则认为寻优停滞。首先将粒子按照适应度由低到高的顺序排序，并计算替换概率pstag。为每个排在后(n-nr)的粒子生成一个随机数，若小于pstag，则重新生成一个随机粒子替换该粒子。

图8为本发明实施例编码方式示意图。如图8所示，以6*6的地图为例。已知某时刻该区域共有10个着火点，编号及坐标依次为{1:(1,3)；2:(2,2),3:(2,3),4:(2,4),5:(2,6),6:(3,2),7:(3,5),8:(3,6),9:(4,5),10:(5,4)}，假设当前共有5架可用无人机，通过粒子群算法进行任务分配得到的最优灭火安排为[4,6,2,1,5]，即对应了这5架无人机要前往灭火的坐标编号。

为确保无人机能够在系统周期内完成有效灭火，我们考虑了无人机的飞行速度以及火灾传播速度的上下限，设计了时间同步策略，为各无人机预设了灭火区域。由于系统可以通过状态矩阵分析地图的燃烧情况，且已知植被的密度、风向、风速等信息，因此系统可以依据元胞自动机的状态转换规则预测下一时刻的燃烧情况。而后记录预测的燃烧细胞坐标及当前时刻的燃烧细胞坐标，共同作为无人机此刻的灭火任务集。可认为，这一策略是对时间同步策略的补充。

在实际情况中，植被类型的差异、植被的分布情况以及海拔的高低都会影响着一个地区的火灾蔓延速度。由于本文所设计的模拟器的时间精度以及地图精度是不会随着环境的变化而变化的，因此为了更精细地模拟具体的火灾燃烧情况，将火灾的蔓延速度分成了三个等级，分别表示在相同的时间精度下火灾蔓延的不同范围。其中等级的1-3分别表示在时间相同周期内连续蔓延1-3个格。

由于系统更新的周期性以及无人机飞行速度的限制，若只为每个无人机安排具体的灭火点则可能会出现以下情况：1)由于无人机在系统更新周期内的飞行距离远小于地图对角线距离，有很大概率出现无人机无法在系统更新周期内到达指定目标点的情况，使得该点有燃烧状态转换为烧毁状态；2)若重新分配灭火点并在下一时间周期内依旧发生1)情况，则会引起循环多次的无效的任务分配，导致错过灭火的最佳时机，降低灭火效率。

为此，需要根据不同地区的火灾蔓延速度，设定预定灭火区域。若在系统更新的时间周期内该无人机飞行到了预定灭火区域，则在区域内贪婪灭火，即优先选取区域内距离自己最近的几个细胞进行灭火；反之，则重新为该无人机安排灭火点规划预定灭火区域，直到下一次系统更新时重新进行上述过程。

假设火灾传播速度的上限和下限分别为pvu、pvl，无人机飞行速度为fv，单位均为m/s。已知无人机当前所处的位置以及为无人机分配的灭火点的位置并做连线l，可得出两点之间的距离为d。进行如下计算，在连线l上找到距无人机距离为d1、d2的点，做出的垂直线l1、l2即为预定灭火区域的上下限，同时设置合理的区域宽度，即完成区域的预设。图9为本发明实施例预定灭火区域示意图。

采用本发明的方法能够更精确的模拟真实动态的森林火灾蔓延与救援过程，能够实现无人机群的最优分配和调度。

图10为本发明实施例森林火灾中规划无人机群救援的优化系统结构图。如图10所示，一种森林火灾中规划无人机群救援的优化系统，所述系统包括：

获取模块201，用于实时获取火灾动态数据；

火灾救援模拟器模型建立模块202，用于根据所述火灾动态数据，建立火灾救援模拟器模型；

状态矩阵确定模块203，用于根据所述火灾救援模拟器模型，采用时间同步方法得到状态矩阵；

重点火灾救援区域确定模块204，用于根据所述状态矩阵，采用空间同步方法确定重点火灾救援区域；

最优解确定模块205，用于根据所述重点火灾救援区域采用优化救援算法进行数据交互计算，得到最优解；

最终灭火点确定模块206，用于根据所述最优解确定最终灭火点；

分配模块207，用于根据所述最终灭火点分配无人机对火灾进行救援。

所述获取模块201，具体包括：

获取单元，用于通过无人机实时获取火灾动态数据，所述火灾动态数据包括初始着火点、风向、风速和火灾传播速度。

所述火灾救援模拟器模型建立模块202，具体包括：

信息获取单元，用于根据所述火灾动态数据，采用细胞代替法获取火灾评估信息、火灾蔓延速度信息和火灾蔓延方向信息；

火灾救援模拟器模型建立单元，用于根据所述火灾评估信息、所述火灾蔓延速度信息和所述火灾蔓延方向信息建立火灾救援模拟器模型。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。