1.一种基于混合人工蜂群蚁群算法的WRSNS无人机充电路径规划方法,其特征在于,包括:步骤一、基于选定场景的传感器节点数量及位置、传感器节点所需电能基础数据,根据应用场景的环境参数及无人机功率参数和相应充电参数进行场景的数学建模;
步骤二、根据选定的场景中所有待充电传感器节点数量确定充电场景的规模;
其中,当传感器节点数量在500以下时,为小规模场景;
基于混合人工蜂群和蚁群算法优化无人机悬停点位置、无人机飞行轨迹和悬停点数量,最小化无人机的总能耗;
当传感器节点数量大于500时,为大规模场景;
基于改进的非支配遗传算法优化无人机悬停点位置、无人机飞行轨迹和悬停点数量,最小化无人机的总能耗;
步骤三、无人机通过计算出的最优路径、最优悬停点对传感器节点进行充电和数据采集;
所述混合人工蜂群和蚁群算法包括:
步骤a1、初始化混合人工蜂群和蚁群算法的相关参数;
随机生成 个悬停位置集合构成总集合、每个集合包含个悬停点,、,并对其进行初始化;
步骤a2、雇佣蜂扰动每一个坐标获得每一个悬停点集合的新的悬停点集合并加入总集合,使得=;
步骤a3、进入内循环,对每一个悬停点集合均使用蚁群完成一次回路,更新每条边的信息素浓度;
当达到内循环次数时,每个悬停点集合选择信息素浓度总和最大的哈密顿回路作为最优路径,否则将继续进入内循环;
步骤a4、计算每个悬停点集合的总能耗、适应度函数以及保留概率,按概率保留下来的悬停点集合组成新的总集合和集合数量;选择保留概率最大的悬停集合的总能耗,记为;设定当前情况下能耗的最优解为;
当,更新最优解后,若达到外循环次数,则输出全局最优解;
当,若达到外循环次数,则直接输出全局最优解;
若未达到循环次数,则继续回到步骤a2,重置内循环次数;
步骤a5、输出最优结果,计算结束。
2.根据权利要求1所述的基于混合人工蜂群蚁群算法的WRSNS无人机充电路径规划方法,其特征在于,所述基于改进的非支配遗传算法包括:步骤b1、初始化种群、参数以及悬停位置集合;
步骤b2、基于自适应种群维度机制和对抗消解策略生成新的悬停位置集合,并设置进化代数,最大进化代数,种群大小;
步骤b3、对初始种群进行非支配排序、拥挤度计算的选择后,产生第一代种群;
对第一代种群进行带有PMX因子改进的交叉操作,产生交叉子种群;
步骤b4、对一代种群进行携带2-OPT因子和交叉路径改善机制改进的变异操作,产生变异种群;
步骤b5、将一代种群、交叉子种群以及变异种群融合为集合,并对集合内的元素进行非支配排序和拥挤度计算后,进行截断,步骤b6、当时,输出全局最优解;
当时,返回交叉操作步骤,直至输出全局最优解。
3.根据权利要求1或2所述的基于混合人工蜂群蚁群算法的WRSNS无人机充电路径规划方法,其特征在于,所述步骤a3包括:进入内循环,对每一个和,,使用蚁群算法生成的最优路径;
设定每只蚂蚁为,,从随机起点出发,选择下一个悬停点的概率为:;
式中,为任意一只蚂蚁、为总蚂蚁数量,为所有剩下的点的集合,、为启发因子权重,为两个点、之间的边的信息素浓度,为两个点、之间的边的信息素浓度,为、两点之间距离的倒数,为、两点之间距离的倒数;
所有蚂蚁回到自己的起点后,更新信息浓度,信息素增强为;
式中,是蚂蚁的路径总长,为信息素增强权重;
更新信息素矩阵;
若达到内循环,选择信息素浓度和最大的哈密顿回路作为并转到下一步骤,否则返回本步骤。
4.根据权利要求3所述的基于混合人工蜂群蚁群算法的WRSNS无人机充电路径规划方法,其特征在于,所述适应度的计算公式为:;
所述保留概率的计算公式为:;
式中,为总能耗、为种群中所有个体的遍历索引,取值范围为,代表种群中共有个体,为表示合并后的种群规模。