2025年ASOC SCI2区TOP，基于模糊分组的多仓库多无人机电力杆巡检模因算法，深度解析+性能实测

---

1.摘要

电力杆巡检对保障电力系统正常运行至关重要，针对多仓库多无人机协同完成大范围巡检任务的复杂规划问题，本文提出了FGATS模糊分组模因算法，该算法首先构建了含充电站的多仓库多无人机巡检模型，随后通过动态模糊分组策略将大规模问题分解为多个子问题，有效降低了求解复杂度。算法采用遗传算法与禁忌搜索相结合的混合优化机制，实现了全局探索与局部搜索的均衡优化。在迭代过程中，通过融入历史任务序列知识的解更新策略，对问题进行重新划分和种群重置，保留并利用了过往迭代的有效信息。经仿真和真实地形实验验证，该算法在整体性能评比中表现最优，证实了其有效性。

2.提出算法

路径规划惩罚

论文中采用任务、仓库和充电站三维点描述，考虑了路径的约束，并考虑了路径的时延，保证了路径的可行性和安全性。违反约束的处罚成本计算公式为：
$$P\left(\begin{array}{c}{p}_i,p_j\end{array}\right)=\sum (C_k^1+C_k^2)$$

$$C_k^1=\{\begin{array}{ll}1,& \text{if }\cos \left({\omega }_{k-2},{\overrightarrow{\omega }}_{k-1},{\overrightarrow{\omega }}_{k-1},{\omega }_k\right)<\cos \theta \\ 0,& \text{otherwise.}\end{array}$$

$$C_k^2=\{\begin{array}{llc}0,& \mathrm{if}{\beta }_{w_k}<{\mathbb{S}}_{w_k}<{\alpha }_{w_k}& \\ 1,& \text{otherwise.}& \end{array}$$

模糊分组策略

模糊分组策略通过将大规模问题分解为若干子问题来缩减搜索空间，基于空间分布特性，将每个巡检任务分配给距离最近或成本最低的仓库，形成初始任务分组：
$$\mathbb{C}(t_i,d_j)=\frac{cost(t_i,d_j)-c_{min}}{c_{max}-c_{min}}+\frac{dis(t_i,d_j)-di{s}_{min}}{di{s}_{max}-di{s}_{min}}$$

模糊分组策略在初始化阶段将所有任务分组置空，计算任务到仓库的分配成本并存入成本集合。通过设计概率函数确定任务分配给各仓库的分配概率，最终采用轮盘赌选择机制确定任务的实际归属仓库：
$$\mathcal{P}\left(t_i,d_j\right)=\frac{e^{-{\left(k\ast \mathbb{C}\left(t_i,d_j\right)\right)}^2}}{{\sum }_1^{ND}{e}^{-{\left(k\ast \mathbb{C}\left(t_i,d_{\ast }\right)\right)}^2}}$$

编码方式

采用排列编码方案对染色体进行编码，染色体由数字序列{1,2,...,m,0,...,0}\{1,2,...,m,0,...,0\}{1,2,...,m,0,...,0}构成，其中非零数字代表待执行任务，零作为飞行路径分隔符（共$N-1$个），用于划分$N$条飞行路径。

法采用三元锦标赛选择机制，每次从随机选取的三个父代个体中优选适应度最佳者参与后续操作。交叉操作运用复合型XO-A算子，综合了顺序交叉、部分映射交叉和基于顺序的交叉三种方法的优势。

3.结果展示

4.参考文献

[1] Chen X L, Jia Y H, Liao X C, et al. A fuzzy grouping-based memetic algorithm for multi-depot multi-UAV power pole inspection[J]. Applied Soft Computing, 2025, 168: 112472.

5.代码获取

xx

6.算法辅导·应用定制·读者交流

xx