北京大学学报(自然科学版) 第62卷 第1期 2026年1月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 1 (Jan. 2026)
doi: 10.13209/j.0479-8023.2026.001
国家自然科学基金(52572353)、中央高校基本科研业务费(300102325501)和中国交通教育研究会教育科研课题(JT2024YB444)资助
收稿日期: 2025–01–25;
修回日期: 2025–07–09
摘要 针对大范围山地环境下无人机电力巡检任务中地形复杂、任务点分布范围大以及任务分配和路径规划效率低的问题, 提出一种基于黑翅鸢–北极海雀的混合优化器(HBAO), 实现无人机任务分配和路径规划的协同优化。首先, 根据总飞行距离、平均飞行高度和地形威胁等约束条件, 建立优化目标函数。然后, 通过改进基于距离权重的随机步长搜索策略, 优化黑翅鸢算法的捕食阶段, 增强算法的全局搜索能力。再后, 引入基于适应度和距离的最优个体选择(FDB)策略, 强化黑翅鸢算法在迁徙阶段的全局搜索效率和优化精 度。最后, 引入北极海雀算法的合作捕食机制, 通过个体协作来更新位置, 有效地提升算法跳出局部最优的能力, 确保全局搜索的多样性和搜索效率。选取秦岭局部地区的数字高程模型(DEM)进行仿真实验, 结果表明, 在巡检任务点繁多的情况下, 基于黑翅鸢–北极海雀混合优化算法的综合性能优于 6 种对比算法, 且全局代价显著降低。
关键词 无人机(UAV); 输电线路巡检; 任务分配; 路径规划; 混合群体智能优化算法
近年来, 随着在航拍和图像识别等方面的广泛应用, 无人机检测技术已成为输电线路巡检的重要技术手段[1–2], 在输电杆塔、输电线路和变电站等电力基础设施的巡检中展现出高效、低成本和高安全性的显著优势。随着我国电网建设向偏远山区和高海拔地区的纵深推进, 输电线路总长度和网架密度持续提升, 在典型山地输电线路中, 大高差地形与复杂地貌特征给巡检任务带来挑战。当前电力巡检场景普遍存在多塔位检测需求, 传统的人工巡检和单机无人机作业模式受续航能力和单点覆盖能力限制, 难以兼顾效率、巡检周期和安全性。
基于多无人机协同电力巡检任务分配的算法, 通过构建多无人机协同系统, 实现巡检区域覆盖度的提升, 成为当前电力巡检领域的重要研究方向。为了保证无人机巡检任务的高效执行并优化资源利用效果, 需要充分考虑区域环境的复杂性、最短避障路径以及任务点的数量, 从而实现对任务的合理分配和有效调度。王树朋等[3]提出一种自适应遗传算法, 在算法运行过程中实时动态调整交叉率和变异率, 可以克服标准遗传算法易陷入局部最优的缺点, 无人机飞行航程的均衡性更好。王垚等[4]为解决传统遗传算法在多无人机任务分配计算中易陷入局部最优及收敛速度慢的缺陷, 利用融合模拟退火思想的改进遗传算法, 结合 Metropolis 准则, 对后代种群进行优化调整, 有效地避免局部最优并实现快速收敛。针对多无人机协同任务分配, Dong 等[5]提出一种基于聚类的基于共识的捆绑策略, 实现基于距离的无人机分组。此外, Gao 等[6]设计一种多层编码遗传算法, 兼具全局搜索和并行处理能力, 适用于异构多无人机任务分配计算。为提升协同任务分配效果, Zhang 等[7]将引力搜索算法与遗传算法相结合, 构建 GSA-GA 混合算法模型。彭泫滈等[8]针对子系统能力约束下的无人机任务分配问题, 提出一种 Levy’s Fight 优化条件下基于拍卖机制的混沌反向学习狼群优化算法, 增强了算法的寻优能力。因此, 群体智能优化算法在无人机巡检任务的分配和路径规划中展现出较高的搜索效率和优化精度。然而, 这些优化方法往往将任务分配与路径规划分开求解, 即先生成任务序列, 再将其输入路径规划模块进行独立优化, 未充分考虑两者间的耦合关系。由于种群规模和计算资源的限制, 这种分离式求解方法在复杂场景中可能导致搜索空间覆盖不足, 进而影响全局寻优精度和算法收敛性能。
2024 年, Wang 等[9]于受黑翅鸢的迁徙和掠食行为启发, 提出黑翅鸢搜索算法(black kite algorithm, BKA), 集成柯西突变策略和领导者策略, 增强了算法的全局搜索能力, 但单一算法的收敛速度和精度仍然有提升的空间。因此, 本文提出一种黑翅鸢–北极海雀混合优化器(hybrid black-winged kite and Arctic puffin optimizer, HBAO), 针对 BKA 后期寻优能力不足, 引入北极海雀算法(Arctic puffin optimi-zation, APO)[10]的协同捕食机制, 结合个体间的相对位置关系与多方向随机扰动, 实现全局搜索与局部搜索之间的动态平衡, 进一步提升优化算法的收敛性, 并应用于大范围山地环境输电线路巡检任务分配计算中。
在大范围山地环境多无人机电力巡检任务中, 无人机需要在最短路程内完成各自分配的任务序列并返回起点。该问题可以转化为多旅行商问题进行求解。本文针对多无人机协同巡检多目标输电塔的问题, 在合理规划的条件下得到无人机群整体任务完成路径最短、满足无碰撞约束的任务序列及巡检路径。假设无人机数量为 N, 组成无人机群集合 U= [U1, U2, ..., UN]。在 P个输电塔任务点集合 M=[M1, M2, ..., MP]中, 每个任务点需要至少被 1 个无人机进行巡检, 要求当任务分配结束后, 所有任务均被执行。不同于传统的巡检任务分配计算方法, 本文将任务分配和路径规划进行耦合讨论。
多无人机多任务规划问题是典型的 NP-hard 问题[11], 为了降低求解难度, 通常将任务分配与路径规划分为两个子问题来求解, 路径规划的输入是任务分配的任务序列, 弱化其两者之间的耦合性[12]。然而, 在执行任务规划时, 航路代价通常用两个任务点间的欧氏距离表示, 若航路间存在障碍或禁飞区域时, 得到的路径距离将大于任务规划的结果, 导致该任务分配方案并非最优解。因此, 需要将任务分配与路径规划耦合分析来满足实际要求。
在大范围山地高海拔环境下进行输电线路巡检任务时, 由于作业区域大以及输电塔分布稀疏[13], 合理地分配初始任务点可以提高巡检效率, 还能减少后续群智能算法在优化过程中的求解难度, 加速收敛, 避免陷入局部最优。初始任务分配方法如算法 1 所示。
算法1 无人机初始任务分配
假设所有无人机的初始位置均为固定点 S。每架无人机根据其分配的任务序列, 执行所有任务点的遍历, 要求飞行路径无碰撞且最优。在初始任务分配完成后, 为每架无人机生成对应任务序列的初始路径。这里以某一架无人机为例, 详细地说明初始路径生成过程。
首先确定任务序列中下一个任务点相对于起始点 S的方向, 然后移动无人机到下一个任务点方位, 并通过式(1)生成一个新的路径点, 要求该点不在地形障碍内。重复此过程, 直到生成路径点与下一个任务点间的距离小于阈值 R, 此时无人机直接飞行至下一个任务点。重复上述步骤, 直至完成整个任务序列, 并生成完整的初始飞行路径。
(1)
其中, D表示当前任务点与下一个任务点之间的欧氏距离; ax, ay和 az为 3 个方向的距离系数, 用于控制路径点插入的偏移量; rand(1)表示 0～1 之间的随机数, 模拟动态随机步长。
本文选用秦岭局部地区数字高程模型作为模拟场景。无人机飞行过程中, 将离地高度大于 0.1km视为安全飞行[14]。地形威胁约束定义如下:
(2)
式中, LH(i, j)为航迹点(i, j)对应的地形威胁度, FH 和 FH′为地形威胁系数, h(i, j)为航迹点的飞行高度, H(i, j)为航迹点对应的垂直高度。该约束条件确保无人机在飞行过程中始终保持安全高度, 避免与地面发生碰撞。
在无人机路径规划计算中, 需要规划较短的飞行距离并保持飞行高度的稳定。因此, 定义航迹段长度约束和高度约束如下:
, (3)
, (4)
(5)
其中, Pjk和
分别表示任务点 j到 k的航迹段和航迹段长度,
表示航迹段 Pjk中的航迹点数, hl表示航迹点的飞行高度。此外, 还存在以下约束条件:
, (6)
。 (7)
式(6)表示每个任务点只能由一架无人机巡检, 式(7)表示所有任务点会被分配到不同任务序列中。
为确保无人机航迹的全局最优性和飞行安全性, 将地形威胁和航迹段约束进行加权综合, 构建适用于无人机的总代价函数:
, (8)
其中, F为整条航迹的总代价, w1, w2和 w3为各约束的权重系数。
在算法初始化阶段, 黑翅鸢种群的位置矩阵 X在 dim 维空间中表示为
, (9)
其中, pop 表示种群数量; dim 为给定问题的维度; Xi,j表示第 i只黑翅鸢在第 j维的位置。每只黑翅鸢的位置在求解空间中通过均匀分布生成, 表达式为
, (10)
其中, N为黑翅鸢种群数量, rand 是[0, 1]内的随机数, Bub和 Blb分别为求解问题第 j维的上下边界。
在初始化阶段, BKA 通过选择适应度值最优的个体来确定领袖位置 XL, 被视为种群的全局最优解。XL的选择基于适应度值的最小化, 数学表示为
, (11)
。 (12)
作为小型草原哺乳动物和昆虫的捕食者, 黑翅鸢在飞行过程中根据风速调整翅膀和尾角, 通过空中悬停来观察猎物, 然后迅速攻击。数学模型如下
(13)
, (14)
其中, 
和
分别表示第 i只黑翅鸢在第 t和 t+1步迭代中的位置, 参数 p取值为 0.9, T表示总迭代次数。
BKA 提出一种基于鸟群迁徙行为的假设: 若种群适应度值劣于随机种群适应度值, 当前领导者就会放弃领导地位而加入迁徙种群, 表明其不适合领导种群迁徙。反之, 若当前种群适应度值优于随机种群, 则该领导者将继续引导种群, 直至到达目标位置。该策略实现了对最优领导者的动态选择, 确保整个种群的迁徙朝着最优方向进行。迁徙行为数学模型如下:
(15)
, (16)
其中, 
表示迄今为止第 t次迭代中黑翅鸢领袖的位置, m表示迁徙系数, Fi表示第 i只黑翅鸢在第 t次迭代中的适应度值, Fr表示在第 t次迭代中随机位置处黑翅鸢个体的适应度值, C(0, 1)表示柯西变异。
图1 FDB 选择策略算法流程
Fig. 1 Flowchart of the FDB selection strategy algorithm
图2 HBAO 算法流程
Fig. 2 Flowchart of HBAO algorithm
图3 测试函数三维投影及收敛曲线
Fig. 3 Three-dimensional projection and convergence curves of test functions
表1 本文选用的 CEC2017 测试函数
Table 1 CEC2017 test functions selected in this article
函数类型ID函数名称最优值 多模态转换多峰函数F8Shifted and Rotated Levy Function 800 混合函数F10Hybrid Function 1 (N=3)1000 F11Hybrid Function 2 (N=3)1100 F17Hybrid Function 6 (N=3)1700 复合函数F21Composition Function 1 (N=3)2100 F23Composition Function 2 (N=4)2300
在 BKA 算法中, 捕食阶段步长 n控制了算法的搜索范围和探索局部最优解的能力。从式(13)可知, 捕食行为当前位置的更新只沿固定方向累加, 缺少多方向搜索。同时, 随着迭代次数 t的增加, 步长 n逐渐减小, 这在算法初期会导致过大的搜索范围, 而在后期步长缩小, 收敛过快, 导致搜索过程容易停滞在局部最优解中, 未能充分利用解空间。因此, 本文设计一种基于距离权重的随机步长搜索策略, 通过引入领袖位置与当前个体位置之间的距离, 动态地调整每次迭代的步长, 使个体能够快速地向最优个体靠近。同时, 通过引入正负随机扰动因子, 使个体能够进行多方向地探索, 从而有效地避免算法陷入局部最优, 实现全局搜索与局部收敛之间更好的平衡。该策略旨在改进 BKA 的捕食行为, 其捕食阶段的数学模型如下:
(17)
, (18)
表2 各算法性能指标
Table 2 Performance indicators of each algorithm
IDMeanHBAOBKAHHOAPOSSAACOPSO F8 9.04×1029.61×1029.98×1029.95×1021.18×1039.53×1029.44×102 F104.56×1035.49×1035.65×1037.98×1038.01×1035.00×1034.93×104 F111.22×1031.61×1031.58×1031.22×1031.04×1041.46×1041.34×104 F171.94×1032.57×1032.91×1031.96×1033.91×1032.25×1042.64×104 F212.36×1032.59×1032.59×1032.38×1032.61×1032.44×1042.61×104 F232.78×1033.01×1033.42×1032.88×1033.65×1033.05×1042.97×104 IDStd HBAOBKAHHOAPOSSAACOPSO F8 3.86 5.21 54.35 8.26 17.42 15.38 21.40 F10137.00244.16415.03512.701376.53535.47183.68 F11 32.16162.36166.24 64.654070.44115.33 83.92 F17 65.09323.77245.78100.94 226.41122.14242.84 F21 7.40 26.63 16.98 88.83 34.62145.07 62.17 F23 10.79 45.74174.27 38.32 245.49 72.51 75.89
说明: 粗体数字表示性能最优, 下同。
图4 基于 HBAO 的多无人机电力巡检任务分配整体流程
Fig. 4 Overall process of multi-UAV power inspection task allocation based on HBAO
, (19)
其中, R为正负随机扰动因子, sign 为符号函数, Lt表示第 t次迭代时黑翅鸢领袖的位置。
在 BKA 的迁徙行为中, 通过比较当前种群并随机选取种群适应度值来更新个体位置。然而, 在优化过程中, 该随机选择方式可能导致局部最优, 影响全局搜索效率。为了解决这个问题, 本研究引入基于适应度和距离的选择策略 FDB(fitness and distance-based selection)[15], 通过对种群中所有个体的适应度值和距离向量进行加权计算, 从而在每次迭代中选择对种群优化最有贡献的代表性个体进行位置更新。FDB 选择策略的算法流程如图 1 所示。
FDB 策略被引入 BKA 迁徙行为中, 替代式(15)中随机选取个体 Fr, 从而通过选择更具代表性的个体来提高位置更新的有效性。应用 FDB 策略有助于算法跳出局部最优陷阱, 增强全局搜索能力。
图5 权重敏感性对比实验结果
Fig. 5 Weight sensitivity comparison experimental results
针对 BKA 在早期阶段全局搜索能力不足的问题, 本文提出一种改进的混合策略, 将北极海雀的合作捕食行为引入 BKA 算法中, 有效地扩展其全局探索能力并加速收敛。混合策略的核心在于模拟北极海雀的多方向协同捕食行为, 使算法能够更高效地探索解空间, 避免陷入局部最优。北极海雀通过一种协同进攻机制, 在候选解空间扩大搜索范围。具体而言, 通过引入个体间的相互位置关系与多方向的随机扰动, 使它们在复杂环境中能够迅速发现并接近猎物。该策略增强了个体的捕食成功率, 还能更有效地探索解空间。通过实现全局搜索与局部搜索之间的动态平衡, 黑翅鸢–北极海雀混合优化方案能够显著地提升 BKA 复杂优化问题时的性能。北极海雀的合作捕食位置算法方程如下:
(20)
其中, F为协作因子, 用于调整北极海雀的捕食行为; L表示莱维飞行; 变量 r1, r2和 r3为随机整数, 取值范围为 1 至 N−1; 候选解
,
和
是从当前种群中随机选择的个体, 并满足条件 r1¹r2¹r3和
。通过上述改进策略, 算法不仅可以快速找到最优解, 而且能够在整个解空间保持多样性, 进而在处理输电线路多无人机巡检任务分配问题时表现出优越的性能。HBAO 的整体工作流程如图 2 所示。
表3 主要参数
Table 3 Main parameters
参数符号参数值 x方向距离系数ax5 y方向距离系数ay5 z方向距离系数az5 地形威胁系数FH500 地形威胁系数100 地形约束权值w10.4 航迹段约束权值w20.4 高度约束权值W30.2 每段路径的航迹点数d30 种群数量n100 最大迭代次数T500 无人机起点S(838, 946, 1887)
图6 各算法(BKA, SSA, APO和HHO)的任务分配求解结果(P=20)
Fig. 6 Task assignment solution results of each algorithm (BKA, SSA, APO and HHO)(P=20)
CEC2017 测试集[16]由 29 个优化问题组成。其中, F1 和 F2 为单峰函数, F3～F9 为多模态转换多峰函数, F10～F19 为混合函数, F20～29 为复合函数。在CEC2017 基准测试集中, 选取 6 个具有代表性的测试函数, 分别对混合黑翅鸢–北极海雀优化算法(HBAO)、黑翅鸢算法(BKA)、哈里斯鹰优化算法(HHO)[17]、北极海雀优化算法(APO)、麻雀搜索算法(SSA)[18]、蚁群算法(ACO)[19]以及粒子群算法(PSO)[20]进行性能比较。本文选用的测试函数如表1 所示。
设置实验种群规模为 200, 迭代次数为 500。每种算法运行 30 次。选用平均最优适应度值(Mean)和标准差(Std)作为评价指标, 计算公式如下:
, (21)
, (22)
其中, N为独立实验次数, fi为第 i次运行的最优适应度值。
图7 各算法(ACO, PSO和HBAO)的任务分配求解结果(P=20)
Fig. 7 Task assignment solution results of each algorithm (ACO, PSO and HBAO)(P=20)
均值反映算法平均性能, 直接体现算法在多次运行中的平均优化能力, Mean 值越小, 表明算法整体寻优能力越强。标准差用于量化算法的稳定性, Std 值越小, 表明多次运行结果围绕均值的波动越小, 算法对随机因素的鲁棒性越高。
各测试函数在三维空间的投影和适应度收敛曲线如图 3 所示, 各测试函数下算法的平均最优适应度值和标准差结果如表 2 所示。
从和图 3 和表 2 可以看出, HBAO 在 6 个基准测试函数上均实现较优的均值和标准差, 优化性能优于对比算法。HBAO 在迭代过程中快速收敛至较低的适应度值, 展现出优异的全局搜索能力和收敛速度。在多个测试函数上, HBAO 的平均适应度值显著低于其他算法。特别是在 F11 和 F23 等多峰测试函数中, HBAO 获得更低的标准差, 表明其在复杂或多峰环境下能够有效地规避局部最优陷阱, 提升全局搜索的鲁棒性和一致性。相比之下, 其他算法的标准差偏高, 易受局部极值影响。综上所述, HBAO 在多种测试函数上的表现验证了其在提升全局优化能力和加速收敛方面的优势。实验结果证明, 与 BKA 相比, HBAO 的全局寻优能力和综合性能显著提升, 且优于其他 6 种对比算法。
基于 HBAO 的多无人机电力巡检任务分配的整体流程如图 4 所示。首先, 根据总飞行距离、平均飞行高度和地形威胁等约束条件, 建立优化目标函数。然后, 以 BKA 为基准算法, 通过引入 3 种优化策略来构建 HBAO 混合优化器。最后, 基于秦岭局部地区数字高程模型构建实验场景, 开展多算法的对比分析, 验证 HBAO 在复杂地形下的性能优势。
采用数据驱动方法, 利用本文提出的算法框架, 在满足 w1+w2+w3=1 的条件下, 确定权重系数(w1, w2, w3)的最优组合。使用本文提出的总代价函数, 同时根据历史优化结果进行权重的动态调整, 最终确定各项权重的取值为 w1=0.4, w2=0.4, w3=0.2。
图8 各算法(BKA, SSA, APO和HHO)的任务分配求解结果(P=30)
Fig. 8 Task assignment solution results of each algorithm (BKA, SSA, APO and HHO)(P=30)
上述方法定量地说明了权重的取值, 下面将定性地说明本文权重组合的合理性。多组参数配置的实验结果如图 5 所示。测试结果表明, 当权重取上述实验值时, 能取得较好的代价函数值。
为验证 HBAO 在大范围山地高海拔环境输电线路巡检任务中的有效性, 采用秦岭局部地区数字高程模型, 与 3.4 节所述 6 种优化算法进行对比。所用计算机的处理器为 2th Gen Intel(R) Core(TM) i7-12700H 2.30GHz, 内存为 16.0GB, 软件环境为 MATLAB R2020a。测试区域面积为 1km×1km×3km, 4 架无人机从同一起点出发, 任务点数量 P设置为 20 和 30。实验中种群数目设置为 100, 最大迭代次数为 500。具体实验参数如表 3 所示。针对群智能算法在搜索过程中固有的变异性, 每种算法均重复运行 5 次。为全面地评估各算法在多无人机巡检任务中的性能, 采用平均路径长度、最短路径长度、平均适应度值和最优适应度值 4 个指标。实验结果见图 6～9, 不同任务点数量下各算法迭代曲线见图 10, 性能指标见表 4。
图9 各算法(ACO, PSO和HBAO)的任务分配求解结果(P=30)
Fig. 9 Task assignment solution results of each algorithm (ACO, PSO and HBAO)(P=30)
图10 不同任务点数量下各算法的迭代曲线
Fig. 10 Iteration curve of each algorithm under different number of task points
从图 6 和 7 可以看出, 在 20 个任务点的场景中, BKA, HHO, ACO 和 PSO 生成的路径虽然整体上较为平滑, 但任务分配结果欠佳, 存在明显的路径折返, 且 PSO 生成的路径存在与山体碰撞的情况, 显著地增加了飞行的风险和成本; APO 和 SSA 产生的路径虽然避免了山体碰撞, 但存在锯齿状波动, 且部分无人机的飞行范围过大, 显著地增加了飞行成本。相比之下, HBAO 各任务点的飞行路径比较平滑, 没有明显的折返现象, 避免了不必要的绕行, 有效地降低了飞行成本, 在确保合理分配任务点的同时, 通过规避地形障碍和冗余航程, 实现飞行成本的有效控制, 展现出优异的收敛特性和区域覆盖能力。
从图 8 和 9 可以看出, 当任务点增至 30 个时, BKA, SSA 和 ACO 虽然保持路径的平滑性, 但存在各无人机飞行范围大面积重叠的情况; HHO 和 APO生成的路径点存在剧烈的飞行高度抖动, 不利于无人机的飞行稳定, 且增加飞行成本; PSO 仍然存在地形碰撞的情况。相比之下, HBAO 生成的路径能够有效地避免地形环境的影响, 生成的平滑路径还实现无人机之间作业区域的合理划分, 兼顾了执行任务的效率与成本。
表4 秦岭局部地区 DEM 模型下多无人机任务分配的各算法性能结果
Table 4 Performance results of various algorithms for multi-UAV task allocation in Qinling DEM terrain
任务点数量算法平均路径长度最短路径长度平均适应度值最小适应度值时间/s p=20BKA3.35×1043.32×1041.67×1041.63×104 97.5 APO3.04×1042.70×1041.41×1041.30×104181.3 HHO2.98×1042.74×1041.38×1041.31×104123.4 SSA3.26×1043.06×1041.57×1041.43×104130.9 ACO3.02×1042.90×1041.60×1041.41×104150.4 PSO2.99×1042.84×1041.52×1041.36×104105.1 本文算法2.61×1042.52×1041.28×1041.25×104110.6 p=30BKA3.16×1043.04×1041.58×1041.46×104209.3 APO3.26×1043.14×1041.64×1041.52×104359.7 HHO3.15×1043.10×1041.59×1041.51×104192.6 SSA3.29×1043.09×1041.70×1041.49×104193.3 ACO3.37×1043.29×1041.73×1041.64×104397.3 PSO3.15×1043.01×1041.68×1041.52×104243.1 本文算法3.05×1042.98×1041.51×1041.43×104230.4
从表 4 可以看出, HBAO 计算耗时高于 BKA 和PSO 等算法, 但在平均路径长度等核心指标上显著优于其他算法, 验证了其在减少冗余航程方面的有效性。图 10 清晰地展示各算法在不同任务点数量下的性能对比, 从整体收敛趋势来看, 在 20 个任务点场景中, HBAO 在迭代初期即获得最低适应度值, 在收敛速度方面表现突出。在 30 个任务点场景下, HBAO 表现出持续优化能力, 在后续迭代过程中能有效地跳出局部最优解, 实现性能提升, 展现出强大的全局优化能力。
综上所述, HBAO 算法以可控的时间增幅换取航程冗余的缩减和碰撞风险的降低, 符合电力巡检安全优先的核心诉求。HBAO 能在广泛的搜索空间中持续地优化, 进一步提升任务分配的整体效率和可靠性。
本文针对秦岭大范围复杂山地环境的多无人机电力巡检任务, 提出混合黑翅鸢–北极海雀优化器HBAO, 能够联合优化任务分配与路径规划, 显著地提高模型在巡检任务分配场景中的适用性。仿真实验结果表明, 相较于多种先进方法, HBAO 在秦岭复杂山地环境中的任务分配效率和精度均有显著优势, 且生成更短的任务点间无碰撞路径, 可以为复杂地形下的无人机任务分配和路径规划提供高效的解决方案。
参考文献
[1] Liu Wensong, Ji Xinyuan, Liu Jie, et al. A novel unsu-pervised change detection method with structure con-sistency and GFLICM based on UAV images. Journal of Geodesy and Geoinformation Science, 2022, 5(1): 91–102
[2] 何杏宇, 付冲, 杨桂松, 等. 基于任务与巡航方向相关性分析的无人机任务分配. 计算机应用研究, 2022, 39(10): 2989–2995
[3] 王树朋, 徐旺, 刘湘德, 等. 基于自适应遗传算法的多无人机协同任务分配. 电子信息对抗技术, 2021, 36(1): 59–64
[4] 王垚, 石永康. 基于改进遗传算法的多无人机任务分配. 现代电子技术, 2023, 46(4): 139–146
[5] Dong Na, Liu Shuai, Mai Xiaoming. Communication-efficient heterogeneous multi-UAV task allocation ba-sed on clustering. Computer Communications, 2024, 229: 107986–107998
[6] Gao Jiawei, Wang Jianfeng, Wang Peng, et al. Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV tea-ming // International Conference on Control, Automa-tion and Diagnosis (ICCAD). Grenoble: IEEE, 2019: 1–5
[7] Zhang Yaozhong, Hu Bo, Li Jiwei, et al. Heterogeneous multi-UAVs cooperative task assignment based on GSA-GA // IEEE International Conference on Aircraft Utility Systems (AUS). Beijing, 2016: 423–426
[8] 彭泫滈, 张娟, 李辉, 等. 基于改进狼群算法的无人机协同任务规划. 计算机工程, 2024, 50(10): 69–79
[9] Wang Jun, Wang Wenchuan, Hu Xiaoxue, et al. Black-winged kite algorithm: a nature-inspired meta-heuristic for solving benchmark functions and engineering pro-blems. Artificial Intelligence Review, 2024, 57(4): 98–150
[10] Wang Wenchuan, Tian Weican, Xu Dongmei, et al. Arctic puffin optimization: a bio-inspired metaheuris-tic algorithm for solving engineering design optimiza-tion. Advances in Engineering Software, 2024, 195: 103694–103737
[11] 万良田, 王家帅, 孙璐, 等. 面向复杂环境的集群无人机任务调度方法研究综述. 信息对抗技术, 2024, 3(4): 17–33
[12] 刘正元, 吴元清, 李艳洲, 等. 多无人机群任务 规划和编队飞行的综述和展望. 指挥与控制学报, 2023, 9(6): 623–636
[13] 马晓峰, 任秉诊, 赵锦, 等. 高压输变电塔架及通道巡检技术综述. 上海电力大学学报, 2022, 38(5): 501–506
[14] 黄鹤, 温夏露, 王会峰, 等. 基于IBES优化的三维无人机自主避障. 复旦学报, 2023, 62(5): 615–626
[15] Kahraman H T, Aras S, Gedikli E. Fitness-distance balance (FDB): a new selection method for meta-heu-ristic search algorithms. Knowledge-Based Systems, 2019, 190: 105169–105195
[16] Ravichandran S, Manoharan P, Jangir P. Newton-Raphson-based optimizer: a new population-based metaheuristic algorithm for continuous optimization problems. Engineering Applications of Artificial Inte-lligence, 2023, 128: 107532–107575
[17] Heidari A A, Mirjalili S, Faris H, et al. Harris hawks optimization: algorithm and applications. Future Gene-ration Computer Systems, 2019, 97: 849–872
[18] Xue Jiankai, Shen Bo. A novel swarm intelligence opti-mization approach: sparrow search algorithm. Systems Science & Control Engineering, 2020, 8(1): 22–34
[19] 时光泰, 王合龙. 改进蚁群算法无人机三维航迹规划. 电光与控制, 2025, 32(2): 18–23
[20] 蔺文轩, 谢文俊, 张鹏, 等. 基于分组优化改进粒子群算法的无人机三维路径规划. 火力与指挥控制, 2023, 48(1): 20–25
Multi-UAV Inspection Task Allocation for Power Transmission Lines Based on Hybrid Black-winged Kite and Arctic Puffin Optimizer
Abstract In response to the challenges of complex terrain, widely distributed task points, and low efficiency in task allocation and path planning for Unmanned Aerial Vehicle (UAV) power inspection tasks in large mountainous areas, a hybrid optimization algorithm based on the black-winged kite and Arctic puffin optimizer (HBAO) is proposed, which can coordinate task allocation and path planning of UAV. First, an optimization objective function is established based on constraints such as total flight distance, average flight altitude, and terrain threats. Next, an improved distance-weighted random step size search strategy is employed to enhance the predation phase of the Black-winged Kite Algorithm, strengthening the algorithm’s global search capability. Then, a Fitness and Distance-Based (FDB) strategy for optimal individual selection is introduced to improve the global search efficiency and optimization accuracy of the Black-winged Kite Algorithm during the migration phase. Finally, the cooperative hunting mechanism of the Arctic Puffin Algorithm is incorporated, allowing for individual collaboration in updating positions, which can effectively enhance the algorithm’s ability to escape from local optima and ensures diversity and efficiency in global search. Simulations conducted using a Digital Elevation Model (DEM) of the Qinling Mountains demonstrate that, in scenarios with numerous inspection task points, the overall performance of the proposed HBAO outperforms that of six comparison algorithms, significantly reducing global costs.
Key words UAV; power transmission line inspection; task allocation; path planning; hybrid swarm intelligence optimization algorithm