基于时变天气网络的无人机群配送路径优化

论文标题

英文标题 ：UAV Group Distribution Route Optimization Under Time-Varying Weather Network
中文标题：基于时变天气网络的无人机群配送路径优化

作者信息

Wanchen Jie1, Cheng Pei2, Hong Yan1, Weitong Lin1

1浙江树人大学，杭州，中国

2阿里巴巴集团人工智能研发部，杭州，中国
通讯作者 ：Cheng Pei，邮箱：peicheng@alumni.hust.edu.cn

论文出处

期刊名称 ：International Journal of Intelligent Systems
出版年份 ：2025
DOI ：10.1155/int/8682162
版权声明：本文为开放获取文章，遵循Creative Commons Attribution License。

研究背景与动机

无人机（UAV）技术的快速发展为物流配送领域带来了变革性的变化，尤其是在偏远地区和紧急情况下，无人机能够提供快速、灵活的配送服务。然而，无人机配送也面临诸多挑战，如天气变化（降雨、风速等）对飞行安全的影响，以及起飞间隔的安全性要求。传统路径优化方法往往忽视这些动态因素，导致配送路径效率低下或不可行。为解决这些问题，本文提出了一种基于时变网络的无人机群配送路径优化方法，通过将无人机飞行区域转化为动态网络，并设计多阶段动态优化算法来寻找稳定且最优的路径。

问题描述与模型建立

本文研究的问题来源于一家大型物流公司对无人机配送的应用探索。公司希望利用无人机进行长距离运输，但复杂的气象条件对无人机的飞行安全构成威胁。因此，需要根据高精度天气预报规划无人机的飞行路径，避免危险天气区域，并在规定时间内到达目的地。为此，本文将无人机飞行区域划分为小区域块，并基于天气预报的最小覆盖范围构建时变网络。网络中的每个节点对应一个区域块在特定时间的状态，边表示区域块之间的连接关系。基于此，建立了无人机群配送路径的数学模型，目标是最小化无人机的总配送时间，同时满足飞行安全约束和起飞间隔限制。

解决方案方法

为解决无人机群配送路径优化问题，本文提出了一种多阶段动态优化算法。该算法包括三个阶段：数据预处理、连接图构建和路径搜索组合生成。首先，通过网格化方法将无人机配送区域划分为等大小的单元区域，并根据天气数据构建时空网络。然后，基于时空网络的连通性，构建连接图，并通过优化方法减少连接图的边数，以提高算法搜索效率。最后，通过二分搜索算法和CH（Contraction Hierarchies）算法快速搜索无人机的可行路径，并从中选择最优路径组合。CH算法通过预处理网络图，生成多层图结构，并在查询阶段利用双向Dijkstra算法快速查找最短路径。该算法在大规模网络图的最短路径查询中表现出色，能够在毫秒级响应时间内提供准确结果。

实验验证与结果分析

本文通过一系列实验验证了所提出算法的正确性、有效性和参数敏感性。实验数据基于英国气象局的脱敏预测气象数据，涵盖了位置坐标、天气时间、风速和降雨量等信息。实验结果表明，所提出的算法在小规模问题上与CPLEX求解器的结果一致，验证了模型和算法的正确性。在大规模问题上，算法的计算时间显著优于经典的Dijkstra和A*算法，平均计算时间分别快3.47倍和3.69倍。此外，通过调整风速和降雨量的安全阈值进行参数敏感性分析，发现算法性能与网络结构的规模呈正相关。当网络结构规模较大时，算法的计算时间较长；而当网络结构规模变化较小时，计算时间相对稳定。这表明，通过调整风速和降雨量阈值，可以在一定程度上优化算法性能，快速找到可行的配送路径。

结论与展望

本文针对时变天气网络下的无人机群配送路径优化问题，提出了一种基于多阶段动态优化算法的解决方案。该算法能够有效处理大规模动态网络路径搜索问题，并在保证计算稳定性的同时显著提高计算效率。实验结果表明，该算法在小规模问题上与CPLEX求解器结果一致，在大规模问题上优于经典的Dijkstra和A*算法。此外，通过参数敏感性分析，发现算法性能与网络结构规模密切相关，可通过调整风速和降雨量阈值来优化算法性能。未来的研究方向包括开发能够动态适应不确定和变化天气条件的先进预测模型，以及设计能够在实时数据更新下快速重新优化的更复杂算法。此外，还可以探索将人工智能和机器学习技术应用于无人机配送路径规划，以进一步提高决策的准确性和适应性。