企业官网建设流程全解析

1.摘要

针对不规则搜索区域下的多无人机覆盖路径规划（CPP）问题，本文提出了一种两阶段的高效规划框架，以提升搜索与救援（SAR）任务，尤其是海上等时效性强场景中的搜索效率。第一阶段引入强化学习融合进化算法，采用基于近端策略优化粒子群算法PPO–PSO对搜索区域进行自适应分解，最大限度减少网格划分中超出目标区域的无效面积，从而更好地适应复杂不规则区域。
第二阶段构建混合整数线性规划（MILP）模型，在保证无人机避碰和合理任务分配的前提下，最小化整体任务完成时间。

2.提出的算法

PPO–PSO 的多无人机覆盖路径规划（CPP）方法分为两个阶段，在第一阶段，通过在搜索区域内选取关键点并与区域顶点相连，将不规则搜索区域划分为多个三角形，基于网格化区域分解算法（GDA）为每个三角形生成网格地图，并利用 PPO–PSO 确定区域内的最优分解点，以提高区域划分质量。在第二阶段，基于第一阶段生成的网格地图，构建 MILP 模型，为多架无人机生成最优覆盖路径，实现高效协同搜索。

阶段 1：搜索区域划分

通过在搜索区域内随机生成粒子点，将该点与多边形顶点相连，将搜索区域划分为多个三角形；随后对每个三角形采用 GDA 网格分解算法生成网格地图。以网格超出搜索区域的面积为评价指标，利用 PPO–PSO 搜索最优内部划分点，使冗余面积最小。

在优化过程中，PPO 将搜索区域及粒子分布以图像形式作为状态输入，通过 Actor–Critic 结构的 CNN 网络生成粒子引导动作，与 PSO 的群体搜索机制相结合，从而提升算法对复杂不规则区域的自适应能力与收敛性能。

阶段二：多无人机覆盖路径规划

阶段二在第一阶段生成的网格化搜索区域基础上，针对多无人机覆盖路径规划（CPP）问题，构建了一个混合整数线性规划（MILP）模型，以最小化整体搜索任务的完成时间。

在统一假设条件下（所有无人机从同一起始点出发、飞行与转向速度固定），该模型以最慢完成任务的无人机时间最小化为优化目标，实现多无人机之间的负载均衡。模型通过一系列约束，确保无人机路径的连续性、起始一致性、节点全覆盖且无重复访问，并同时考虑飞行距离和转向角度带来的时间成本。

3.结果展示

4.参考文献

[1] Choi S C, Lee Y, Cho S W. Reinforcement learning-integrated evolutionary algorithm for enhanced unmanned aerial vehicle coverage path planning[J]. Swarm and Evolutionary Computation, 2025, 97: 102051.

5.代码获取

xx

6.算法辅导·应用定制·读者交流

xx