EAAI，面向电力巡检中固定基站的无人机周期性任务分配与路径规划的深度强化学习方法

1.摘要

固定巢站模式下，变电站、输电塔和配电杆具有不同巡检周期，UAV 还受电池续航和每日飞行架次限制，因此任务分配与路径规划存在长期时序耦合。论文针对周期性电力巡检问题（PIPUFN）提出动态剪枝与拓扑感知深度强化学习框架 DPTARL，以 A2C 为基础，利用动态状态剪枝（DSP）在线删除不满足周期、能量和节点有效性约束的动作，并通过拓扑感知注意力（TAA）建模异构巡检节点的空间与时序关系；复合奖励同时考虑即时巡检收益、周期一致性、硬约束和飞行效率。

2. 问题与数学模型

见个人简介