耦合阶段式能耗模型与改进灰狼优化器(GWO)的丘陵地形多站点无人机(UAV)监测任务规划

《Results in Engineering》：Mission Planning for Multi-site UAV Monitoring in Hilly Terrain by Coupling a Stage-based Energy Model with an Improved Grey Wolf Optimizer

　　

一种飞行阶段能耗模型指导丘陵农田上空无人机(UAV)监测路径。能耗成本指导初始化、适应度评估与局部搜索。自适应灰狼优化(GWO)整合多个搜索邻域。对于52个监测任务，平均能耗较标准灰狼优化(GWO)下降20.48%。在三种任务分布下，较灰狼优化(GWO)的节能达到10.00–10.34%。

论文作者为 Song Qian、Ping Li、Guzailinuer Yiming、Liwei Yang 和 Youbao Chang。丘陵农业中田块破碎、地形起伏明显，多站点监测常需在分散监测点之间飞行，电池容量限制使命中能耗规划成为提高无人机(UAV)自主性的关键。已有方法多优化路径长度、飞行时间或覆盖效率，遗传算法(GA)、粒子群优化(PSO)、蚁群优化和强化学习等广泛用于复杂环境，但多旋翼能耗不仅取决于距离，还受飞行模式、运动状态和持续时间影响；等长航段因爬升和下降需求不同而具有不同能耗。基于此，研究人员耦合阶段式能耗模型与改进灰狼优化器(EADGWO)，优化丘陵农业多站点监测的任务访问序列。研究意义在于以飞行能耗而非仅距离评价候选序列，为地形高程差和限续航条件下的任务规划提供物理可解释目标。

关键技术方法（约250字）：研究人员建立阶段式飞行能耗模型，将每个航段分解为爬升、巡航、下降和数据采集悬停，并依据地形高程差计算有向航段能量矩阵，进而把多站点任务规划建模为能量驱动的三维旅行商问题。求解时开发 EADGWO，采用随机键编码将连续位置解码为任务排列，以航段能量矩阵进行适应度评估；引入能量感知最近邻启发式、反向学习初始化、非线性收敛控制、迭代依赖动态领导者权重以及 swap、insertion 和 2-opt 多邻域局部搜索。实验基于丘陵农业三维地形栅格，固定基地和52个候选监测点；任务规模为10、20、30、40和52，任务分布为分散、随机和聚类。部署实验采用 MATLAB R2024a 与 WebGL 共仿真，并使用 Longji rice terraces 附近场景的卫星影像和海拔数据。

消融研究。研究人员在固定52站点任务集上以不同随机种子运行30次，种群50，迭代100，比较完整 EADGWO、标准 GWO 及分别移除能量感知启发式初始化、自适应更新和多邻域局部搜索的变体。结果表明，完整 EADGWO 平均总能耗为3161.01±56.37 kJ；移除初始化、自适应更新和局部搜索后平均能耗分别增加144.68 kJ（4.58%）、17.18 kJ（0.54%）和90.76 kJ（2.87%）。相对这些变体，完整算法配对胜率为93.3%、81.7%和93.3%，效应量 d_z 为1.70、0.70和1.32，Holm 校正后显著。标准 GWO 为3947.77±220.28 kJ，比完整算法高786.76 kJ（24.89%；d_z=3.34；P_Holm=7.30×10^?6）。能量感知初始化和多邻域局部搜索贡献最大，自适应更新提供较小但一致的改善。在该模型下，节能主要反映水平巡航距离缩短。

任务规模缩放实验。研究人员使用10、20、30、40和52站点子集，每规模30个配对观测，比较 EADGWO 与 GWO、最近邻(NN)、GA、PSO 和差分进化(DE)。EADGWO 在每个任务规模均获得最低平均飞行能耗。相对 GWO，五个规模的节能分别为1.5%、5.5%、10.8%、16.7%和21.3%。10站点时平均能耗为816.6±42.5 kJ，比 GA 和 DE 低约0.8%；52站点时为2945.8±4.1 kJ，比 GA、PSO 和 DE 分别降低10.5%、17.2%和17.8%。相对 NN 的改善非单调，52站点仅为1.7%，说明 NN 已捕获较多有向能量结构。所有与 EADGWO 的配对比较经 Holm 校正后显著（P<0.05）。52站点能量变异系数约0.1%，GWO 约7.8%。EADGWO 平均运行时间从10站点的137.0 ms 增至52站点的158.1 ms，约增加15.4%，在52站点快于 GWO、GA、PSO 和 DE。结果表明 EADGWO 在低能耗、稳定解和适中计算成本之间取得平衡。

任务分布实验。研究人员固定30站点，比较分散、随机和聚类三种布局，每种分布5个任务实例、6个随机种子，共30个配对观测。EADGWO 在三种分布中平均飞行能耗最低，分别为1916.2±22.8、1850.1±39.0和1809.8±82.8 kJ，相对 GWO 降低9.8%、11.2%和10.1%。相对 NN 和 GA 的降低范围为4.2%–6.2%和4.6%–5.0%；相对 PSO 为10.9%–12.6%，相对 DE 为6.2%–8.3%。总体差异及所有 Holm 调整配对比较均显著（P<0.001）。基线排名随布局变化：NN 在随机布局优于 GA，GA 在分散和聚类布局较好。EADGWO 运行时间为142.9–149.8 ms，低于 GWO、GA 和 DE；比 PSO 多2.7–4.6 ms，但能耗降低10.9%–12.6%。NN 构路最快但能耗更高。结果表明该方法在固定地形和测试分布下平衡节能与计算成本，解能量变异性仍依赖任务布局。

算法部署实验。研究人员建立 MATLAB R2024a 与 WebGL 共仿真框架，在 Longji rice terraces 附近场景中比较 GWO 和 EADGWO，条件为平静、稳态风和阵风，均完成52个监测任务。相对 GWO，EADGWO 将规划轨迹长度从29040.26 m 降至10570.84 m，减少63.60%；规划能量从9456.76 kJ 降至3551.96 kJ，减少62.44%。闭环执行中，EADGWO 在平静、稳态风和阵风下任务时长分别为3167.82、3185.84和3517.74 s，比 GWO 缩短59.68%、59.47%和57.31%。实际旅行距离为10599.42、10600.07和10616.18 m，最大偏差0.43%。执行能耗随风扰增强从3562.94 kJ 增至3768.02 kJ，主要源于姿态调整和速度补偿。稳态风和阵风下轨迹跟踪均方根误差(RMSE)分别为0.44和0.67 m，比 GWO 低8.33%和53.79%。结果表明 EADGWO 在指定风扰下兼具执行性能以及离线路线长度和能耗优势。

讨论与结论。研究人员总结认为，本研究将阶段式能耗模型与 EADGWO 整合用于丘陵农业多站点无人机监测。模型考虑爬升、巡航、下降和悬停，能量感知初始化、自适应更新和多邻域搜索优化访问顺序。消融结果确认初始化和局部搜索对解质量贡献最大，自适应更新提供额外改善；移除这些组件使平均能耗分别增加4.58%、0.54%和2.87%。在固定巡航高度和所考察任务集下，能量收益来自水平巡航距离缩短。任务规模从10增至52时，相对 GWO 的平均节能从1.5%增至21.3%；分散、随机和聚类布局下节能为9.8%–11.2%。部署实验中，EADGWO 相对 GWO 降低规划轨迹长度63.60%和规划能量62.44%；平静、稳态风和阵风下任务时长减少57.31%–59.68%，执行能量减少61.36%–62.37%。研究结论为：这些发现支持该方法在建模地形、飞行参数和模拟执行条件下实现能量高效监测。研究也指出，当前框架假设固定任务集和预定义飞行参数，其适用于动态任务、续航约束、其他地形类型和不同无人机平台仍需进一步评估；规划需与低层运动控制更紧密结合。未来工作将根据实地测量校准能量模型，拓宽任务场景，在匹配计算预算下比较算法，生成满足地形回避和飞行动力学约束的连续轨迹，研究风扰和作动器异常下跟踪，并开展真实飞行实验评估实际适用性。