野火救援群体智能框架:动态火场环境下的多路径规划
《Swarm and Evolutionary Computation》:Wildfire rescue swarm intelligence framework: Multi-point path planning in dynamic fire scene environments
【字体:
大
中
小
】
时间:2026年07月07日
来源:Swarm and Evolutionary Computation 9.6
编辑推荐:
朱振鹏|朱东林|马连波|程世|潘志超|周长军 中国浙江金华321004,浙江师范大学计算机科学与技术学院
摘要:为解决动态野火环境中无人机面临的多约束、时间敏感路径规划问题,本文提出了一种综合框架。该方案构建了涵盖动态火势蔓延、复杂地形及多重时间约束的全面环境模型,其核心为
朱振鹏|朱东林|马连波|程世|潘志超|周长军 中国浙江金华321004,浙江师范大学计算机科学与技术学院
摘要:为解决动态野火环境中无人机面临的多约束、时间敏感路径规划问题,本文提出了一种综合框架。该方案构建了涵盖动态火势蔓延、复杂地形及多重时间约束的全面环境模型,其核心为融合Q学习与多策略改进的矩阵粒子群优化算法,并辅以包含任务序列优化和先验知识引导初始化的应用框架。通过动态拓扑切换、周期性交叉变异以及历史最优解注入等协同机制提升全局搜索能力,同时创新性地利用Q学习作为局部优化器,通过“基因反馈”机制引导全局搜索。对比实验表明,所提方法在路径规划成功率、解决方案质量、收敛速度及鲁棒性方面均优于传统方法。本研究为动态环境下的无人机自主路径规划提供了有效解决方案,实现代码可在https://github.com/Donglin0730/-QMMPSO获取。
引言:近年来,全球野火发生频率日益增加。澳大利亚山火、中国四川野火以及美国加利福尼亚野火等灾难性事件造成了数亿美元的损失。这类火灾的突发性、快速蔓延特性以及巨大破坏力[1],使得应急响应成为一项艰巨的全球性挑战。在此背景下,无人机凭借其高机动性、低成本以及较强的环境适应能力[5],在搜救[2]、灾后评估[3]和物流配送[4]等应急场景中展现出巨大潜力,其应用为提高灭火效率及保障救援人员安全提供了新途径,因此其高效运行成为研究热点。
若要让无人机在动态火场中有效作业,高质量路径规划至关重要。这一任务不仅涉及路径长度等传统指标的优化,还需考虑复杂地形、烟雾以及动态蔓延的火势等因素。这就带来了关键的时空耦合效应,使得路径的可行性极大程度上取决于无人机的到达时间——在t=0时安全的轨迹可能在数分钟后变得危险。因此,成功的算法必须同时兼顾空间最优性与时间可行性,主动规避未来可能出现的时变威胁。设计此类框架不仅是重大的理论挑战,对于确保实际救援任务的成功与安全也具有重要意义。
传统的路径规划问题主要针对静态场景,常用方法包括图搜索算法(Dijkstra[6]、A*[7])、采样类算法(RRT[8])以及人工势场法[9]。尽管这些方法在特定环境下表现优异,但在面对复杂动态环境(如火场)时,在路径优化及处理动态约束方面往往存在局限[10]。此外,智能优化算法凭借强大的全局搜索能力,在无人机路径规划领域取得了良好效果[11]。在静态路径规划领域,HSGWO-MSOS[12]将灰狼优化算法与共生有机体搜索算法相结合,通过B样条函数优化最终路径以平衡探索与开发;SPSO[13]利用球形向量提升三维空间中的搜索效率,以应对多种威胁下的无人机路径规划问题;ACOPA[14]采用概率随机游走策略,在布朗运动与柯西运动之间切换,有效解决复杂高维环境中的路径规划问题;DE3D-NURBS[15]充分考虑了无人机在复杂地形中的运动约束,通过非均匀有理B样条生成符合物理规律的平滑轨迹;IGAFSA[16]通过精英个体引导等策略提升全局搜索能力,并借助伯努利分布的概率权重因子平衡探索与开发,显著缩短飞行路径长度。然而,这些方法往往忽视了计算成本以及实时调整轨迹的能力[17],因此不太适用于存在动态障碍物的场景。
随着应用场景从静态环境向时变环境转变,研究重点也逐渐转向动态场景的路径规划[18]。为应对不断变化的任务点,李等人[19]通过在蚁群优化算法中引入可变信息素增强因子和可变信息素蒸发系数来调整信息素值,从而实现路径重规划。为了提升实时性能,OkayPlan[20]建立了动态优先级初始化机制以寻找潜在解决方案,并设计了自适应调整超参数的松弛策略,将动态避障规划转化为带障碍物运动学约束的优化问题。SEPSO[21]通过分层自演化框架在动态场景中取得良好效果;IGWO[22]则通过整合动态窗口法,使算法能更灵活地执行动态避障任务;TSLS-SCSO[23]设计了新的飞行策略以增加种群多样性,进一步提升无人机在动态环境中的路径规划效率。此外,一些研究团队还将动态规划算法与降高度算法相结合[24],为动态多无人机任务路径规划提供了可靠方案。最后,MultiRRT[25]专为动态场景下的多点任务设计,通过节点简化技术快速生成安全路径。
近年来,机器学习与进化算法的快速发展使其深度集成成为解决路径规划问题的新方向[26][27]。有研究者[28]通过强化学习确定的最佳重聚策略实现群体管理,在静态及动态路径规划任务中均取得了优异成果。另有研究采用Q学习方法处理动态障碍条件下的路径规划问题[29][30]。QSMODE[31]提出了基于Q学习的多操作符差分进化框架,通过样条插值提升复杂搜索空间中的轨迹适应性。最新的RLQFAO[32]则提出了强化量子鹰优化器,通过Q学习驱动的邻域扰动机制为干扰行为提供实时反馈,有效避免了算法在复杂3D环境中的过早停滞。尽管学习机制具备强大的决策能力,但其较高的计算成本和状态空间要求仍限制了其在极端动态场景中的直接应用[33]。因此,构建具有轻量级结构且具备强大约束规避能力的适配框架,对于提升无人机在动态火灾救援任务中的可靠性具有重要意义。
为应对野火带来的严峻挑战,研究人员运用先进技术开展应急响应工作,包括优化救援流程的智能算法[34]、多无人机协作任务部署[35]、基于风险的分析路线规划[36],以及构建用于监测的无人机辅助物联网网络[37]。然而,尽管已取得一定进展,现有研究大多集中在大范围火情控制与监测方面,而火场内点对点救援任务(如物资空投、精准人员转运)这一关键领域仍缺乏深入研究。现有方法往往难以在如此复杂的动态环境中同时兼顾效率与安全,无法满足此类任务的高时效性要求,这正是本研究旨在填补的研究空白。
总之,尽管无人机路径规划领域已取得显著进展,但现有方法仍难以有效应对动态火场中的多重复杂挑战。传统算法在面对复杂约束时往往失效,而许多基于智能优化与强化学习的方法则因计算成本过高或无法实现预测性、时变规划而受到限制。尤其需要指出的是,此类环境中的点对点救援任务这一问题至今仍未得到妥善解决。
为应对这些挑战,本文聚焦于预测性路径规划问题,其目标是根据预测的时变威胁模型生成全局最优轨迹。针对传统粒子群优化算法易过早收敛于局部最优解的问题,本文提出了一种融合Q学习与多策略增强矩阵粒子群优化的综合框架。该框架的核心创新在于三方面的协同设计:一是利用先验知识及火场逃生机制设计的特定问题初始化策略,用以提升初始种群的优化质量;二是通过动态拓扑切换、周期性交叉变异以及历史最优解注入等多策略迭代机制,增强全局搜索能力并避免局部最优解的产生;三是创新性地将Q学习作为局部优化器,通过“基因反馈”机制提供智能的局部修正,引导全局搜索。本文的主要贡献如下:
•构建了适用于野火环境中无人机路径规划的全面环境模型,涵盖了3D地形、预测性动态火势蔓延模型、烟雾效应以及多点时间约束;
•提出了基于时间尺度的任务序列优化与可行性评估框架,为动态威胁环境下的规划工作提供重要支撑;
•设计了新型QMMPSO算法,通过融合多策略粒子群优化与Q学习驱动的优化反馈机制,有效实现了全局搜索与局部优化的平衡;
•设计了包含上述序列优化与引导初始化功能的QMMPSO应用框架,显著提升了解决方案的效率与成功率;
•提供了所提框架的开源实现版本,以确保结果可重复验证并便于后续研究。
本文其余部分结构如下:第二节详细阐述了野火环境中的无人机路径规划问题并建立了相应模型;第三节介绍了所提QMMPSO算法的框架结构与详细设计;为将该算法应用于野火救援任务,第四节设计了专门的应用框架;第五节描述了QMMPSO在野火路径规划中的应用方式,并分析了各类对比实验的结果;最后一部分对全文内容进行了总结。
模型:本文构建了一个全面的路径规划模型,用于应对山区野火带来的复杂挑战,包括崎岖地形、动态火势蔓延以及烟雾遮挡等问题。该模型综合考虑了任务时效性、安全性以及无人机运动学等方面的约束,为多点路径优化算法的设计与评估提供了统一的量化依据。
QMMPSO算法:QMMPSO在矩阵粒子群优化的基础上,融入了两项核心创新机制,从而能够在复杂约束环境下实现高效优化:一是多策略迭代机制,用于平衡探索与开发行为;二是基于Q学习的局部优化机制,配合创新的反馈回路。
基于时间尺度的任务序列优化:在多任务点、动态威胁环境中,合理的任务排序至关重要。为此,我们设计了基于时间尺度的任务序列优化框架。该框架首先利用第二节中的火势蔓延模型计算每个任务点i的安全时间窗口Tsafe(i),随后结合任务持续时间Tmission(i)、安全时间窗口Tsafe(i)以及任务点与起点的距离等信息进行加权计算。
实验环境与参数设置:本节模拟了QMMPSO在野火场景中的应用性能,并将其与几种经典的群体智能算法及粒子群优化变体进行了对比。本研究所使用的场景模型参数详见表1,实验在时钟频率为3.50 GHz的Intel(R) Core(TM) i5-14600KF处理器上完成。
QMMPSO的实验结果:本节展示了QMMPSO在基准目标集(Base Goal)以及三个随机生成的目标集上的实验结果。
结论:本文通过提出一种混合群体智能框架,解决了复杂动态野火环境中多任务点无人机路径规划的难题。该框架整合了任务预处理、特定问题引导初始化、多策略协同迭代以及基于Q学习的优化机制。多项对比实验与消融实验表明,QMMPSO在任务成功率等方面显著优于其他方法。
CRediT作者贡献说明:朱振鹏:撰写原文初稿、软件开发、方法设计、数据整理、概念构思;朱东林:可视化处理、资源收集、实验研究;马连波:软件开发、方法设计;程世:实验研究、形式化分析;潘志超:论文审阅与编辑、监督工作、资源协调、资金申请;周长军:资金申请、概念构思。
利益冲突声明:作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢:本研究部分得到了国家自然科学基金(项目编号62403434、62272418、62102058)、浙江省自然科学基金重大项目(项目编号LD24F020004)以及教育部先进设计与智能计算重点实验室重大开放课题(项目编号ADIC2023ZD001)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号