摘要
在应急物流配送中，无人机的任务分配和路径规划问题因其高时效性、高安全性、和高精确性的需求而日益复杂。针对传统方法在处理这些问题时存在的不足，本论文提出了一个结合多粒子群优化算法（MOPSO）和改进的快速随机树（RRT）算法的框架，用于多无人机系统的任务分配和路径规划。研究内容涉及设计合理的任务分配模型和高效的路径规划方法，以适应自然灾害、公共卫生紧急事件或供应链中断等多变的应急场景。特别地，针对载重约束条件可能影响无人机最大飞行速度的问题，本文构建了数学模型，综合考虑了无人机最大航程、配送点需求和货物重量等因素。 本文首先从经典优化算法、启发式与元启发式算法，以及基于学习的算法等多种算法中进行综合比较和分析，强调了在高动态环境中快速应对和实时调整任务分配或路径规划的必要性。之后，本文提出了基于MOPSO的改进任务分配算法，该算法引入了动态权重调整策略和分区快速非劣排序思想，克服了传统MOPSO算法在面对应急任务分配这种高维多目标优化问题(Multi-ObjectiveOptimizationProblem,MOOP)收敛速率低和分配结果资源利用率不理想等问题。此外，本文还改进了RRT算法，通过预测导向采样策略和路径评估决策来增强算法在动态环境下的适应性和避障效率，同时确保路径的安全性和实用性。经过大量仿真实验，本文验证了所提出方法在提高无人机路径规划的效率、确保任务分配的合理性，以及在复杂动态环境下确保高避障成功率方面的优势。实验结果表明，相较于传统RRT和InformedRRT*算法，PGOA-RRT算法在航迹长度、规划时间和避障成功率上都有显著提升。尤其是在动态障碍物速度增加的场景下，PGOA-RRT算法依然能够保持较高的避障成功率，突显了其在紧急情况下快速、安全为无人机找到最优路径的能力。
NETL