基于IACO-GA的警用无人机机场建设与应用优化研究

《Neurocomputing》：Research on construction and application optimization of police UAV airports based on IACO-GA

　　张健|冯星|黄欣 中国辽宁省大连市甘井子区辽宁警察学院，邮编116036

摘要：针对城市道路管理中交通管理效率低下以及警用无人机应用分散的问题，本文基于网格划分方法，构建了涵盖城市管理区域、无人机巡逻范围、无人机基站数量及建设成本的多维数学模型。同时提出了一种改进的蚁群-遗传混合算法（IACO-GA），该算法整合了扰动帐篷混沌映射、多因素融合启发式信息以及自适应交叉变异算子，以增强全局搜索能力和局部优化能力，避免过早陷入局部最优解。在大连甘井子区的仿真实验和实际应用测试表明，IACO-GA算法的性能优于标准蚁群算法和传统蚁群-遗传混合算法。使用该算法可分别将最优巡逻路径长度缩短20.1%和6.8%，同时使基站建设成本降低12.1%和9.0%。本研究为城市交通场景中警用无人机基站的布局与运营优化提供了理论支持与工程参考。

引言：根据公安部交通管理局2024年发布的数据，中国居民拥有的汽车数量已达3.53亿辆，且这一数字还在逐年上升。这大大增加了交通警察部门的监管和执法难度。在城市道路管理中，利用警用无人机进行巡逻和管理逐渐成为无人机领域的研究热点[1][2][3]。尽管与传统方法相比，无人机在交通管理中的应用在一定程度上提升了管理效率，但目前交通警察对无人机的使用仍处于分散状态[4][5][6]。在城市交通管理中，缺乏系统的基础设施建设，即警用无人机机场的建设，因此无法实现交通管理效率和质量的大幅提升。在无人机机场的城市道路管理项目中，在确保城市巡查质量、无人机最大巡查时间以及无人机电池最佳使用范围等约束条件下，如何在城市管理区域、无人机巡查区域、无人机机场数量以及无人机机场建设成本这四个维度上实现综合优化，是当前城市交通管理面临的主要问题。

无人机机场是支撑无人机实现常态化、无人化、大规模运行的核心基础设施，也是低空经济和工业无人机应用领域的研究热点。国内外学者对其场景应用、选址规划等方面进行了大量研究。参考文献[7][8][9]将固定式无人机机场纳入标准化导航巡查作业体系，验证了其能够显著缩短巡查周期并降低运行风险，为常态化巡查场景的工程应用提供了实践依据。不过，这类研究仅聚焦于单一行业，未能对复杂城市公共场景下的机场布局进行系统分析。参考文献[10][11][12]针对应急救援场景，基于改进的模糊层次分析法设计了应急机场选型评估系统，结合了中国灾害的空间分布特征，实现了应急救援覆盖范围与响应时效的协同优化。但该系统仅适用于极端灾害场景，未考虑城市日常交通管理及其他常见场景下的选址要求。参考文献[12][13][14]提出在民用运输机场周边设置无人机值守点，用于环境监测和跑道检查，以填补技术空白，但现有研究大多聚焦于特定行业的垂直封闭场景，而城市交通警察无人机作业场景的规划研究仍处于空白状态。

路径规划与多目标优化是无人机机场布局优化和运行调度的重要技术支撑。现有研究形成了以蚁群算法、遗传算法和粒子群算法为主流的方法体系。在路径规划方面，参考文献[15][16][17]优化了蚁群算法的适应度函数和约束条件，有效降低了静态场景下无人机的全球路径长度，但未考虑城市交通场景中的动态环境不确定性，算法的动态适应性不足。参考文献[18][19][20]提出了动态环境下的双层路径规划方法，提升了移动机器人的动态避障能力，但未对无人机低空飞行的空间约束和环境特性进行自适应优化，也无法直接应用于城市警用无人机作业场景。参考文献[20][21][22]结合气味渗透原理与人工蜂群算法对蚁群算法进行了优化，显著提高了算法的收敛速度和全局优化能力，但仍以地面移动机器人作为研究对象，尚未针对城市低空无人机路径规划场景完成验证。还有学者采用多智能体深度强化学习方法，解决了6G/SAGIN及无线传感器网络场景下无人机的动态覆盖控制、任务分配和充电路径规划问题[23][24][25]。Bakirci设计了一种集成自主飞行、实时目标检测和协同智能的群体无人机系统，以提高整体任务性能[26]。Haq则利用CNN和堆叠自编码器深度学习模型，实现了无人机航空图像的智能分类，用于农作物杂草识别和森林资源调查任务[27][28]。

在多目标优化方面，参考文献[29]采用粒子群算法解决工程项目中的“项目工期-成本”双目标优化问题，验证了群体智能算法的有效性，但未涉及空间布局优化问题，无法为无人机机场的选址提供方法支持。参考文献[30][31]研究了多个建设目标的方案优化问题，丰富了工程多目标优化的研究场景，但仍局限于施工管理范畴，未拓展到城市基础设施空间布局优化领域。参考文献[32][33][34]采用改进的遗传算法实现了机场跑道建设的多目标协同优化，但未涉及警用无人机机场的空间布局优化，也未结合路径规划需求开展协同研究。

综上所述，现有研究形成了无人机机场场景应用和智能优化算法应用两大研究方向，但仍存在三个核心缺陷：首先，应用场景匮乏，现有研究多聚焦于垂直封闭场景，针对城市交通警察管控场景的机场规划研究严重不足；其次，路径规划算法的场景适应性较差，无法在动态城市低空环境中平衡避障的精度与效率；第三，多目标优化的应用范围有限，很少用于城市交通场景中无人机机场的布局优化，也尚未形成布局与路径规划相结合的协同研究体系。鉴于参考文献[1]中的城市交通数据及预测结果，亟需深入研究城市交通管控场景中警用无人机机场的建设以及无人车辆的动态避障路径规划问题，以填补现有研究空白。

本文以城市交通道路上的警用无人机机场建设为研究对象。首先，采用网格法为无人机机场的城市区域管理规划构建网格地图。随后，分别建立了城市管理区域面积、无人机巡逻区域面积、无人机机场数量以及无人机机场建设成本之间的数学函数关系模型。接着，利用MATLAB编程语言，将避障因子、迭代次数因子和旋转角度因子等启发式信息引入蚁群算法，使得无人机的转移概率更加准确，提高算法的后期搜索能力，从而在实现动态避障的同时最大化无人机的巡查范围。在遗传算法中引入惩罚因子，对适应度较低的个体进行约束，保留全局范围内的最优个体，避免局部搜索能力较弱的问题。最后，将改进后的遗传算法与改进后的蚁群算法相结合，基于数学函数关系模型构建适应度函数，完成城市交通道路上警用无人机机场建设与应用的多目标优化，为城市道路管理中警用无人机机场的建设与应用提供科学、实用且高效的理论支撑。

数学函数关系模型：本文针对城市交通道路上的警用无人机进行了路径规划，并在四个维度上进行了多目标优化：城市管理区域面积、无人机巡逻区域面积、无人机机场数量以及无人机机场建设成本。经过综合考虑，路径规划采用栅格法，为无人机机场的城市区域管理规划构建栅格地图[35][36][37]，如图1所示。

改进蚁群算法：简单遗传算法由于其具备全局广泛搜索的能力，已被广泛应用于复杂的优化问题中。但其采用预设的恒定交叉率和变异率，可能导致过早收敛且全局收敛速度较慢。此外，关键参数的调整需要大量试错，极大限制了其工程应用价值。Dorigo等人[16]提出的蚁群优化算法则是一种群体智能算法。

实例验证：为了验证本文提出的IACO-GA算法在警用无人机机场布局及巡查路径优化场景中的实际工程应用价值，与前述的理想环境仿真实验不同，本节选取真实的城市建成区作为研究案例，进行工程实施验证。

结果：在案例验证之前，已通过基准函数测试、消融实验和参数敏感性分析，在算法层面系统验证了IACO-GA算法在收敛精度、模块贡献度和参数鲁棒性方面的优势。本节则基于大连甘井子区核心城区的实际场景，进一步验证所提算法的实际工程性能。

讨论：本次实例验证的结果与前述理想环境下的仿真实验结果一致，证明了本文提出的IACO-GA算法在真实且复杂的城市环境中的稳定性和适用性。其性能优势的核心原因及研究价值可从以下几个方面进行分析。

结论：针对简单遗传算法存在的全局搜索粗糙、缺乏局部优化能力等问题，以及蚁群-遗传混合算法在警用无人机机场布局及巡查路径优化中存在的初始种群多样性不足、启发式信息单一、遗传参数适应性差等核心瓶颈，本文提出了一种改进算法——IACO-GA算法。

算法有效性

CRediT作者贡献声明：张健：写作——审稿与编辑，写作——初稿撰写，软件工具，数据整理，概念构思。冯星：写作——初稿撰写，指导监督。黄欣：指导监督，资金获取。

利益冲突声明：作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢：本研究得到了国家自然科学基金的支持，项目编号为52278542。张健出生于1998年XX月，现为辽宁警察学院副教授，邮箱为[e-mail]。她的研究兴趣主要涉及交通管理、机场工程和无人机技术，曾参与三项省级科研项目，并发表六篇学术论文。