潘 楠，陳啟用，劉海石，孫雨軒，安裕強(qiáng)，潘地林

(1.昆明理工大學(xué) 民航與航空學(xué)院，云南 昆明 650500；2.昆明理工大學(xué) 材料科學(xué)與工程學(xué)院，云南 昆明 650500；3.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；4.紅云紅河集團(tuán)有限責(zé)任公司 物流中心，云南 昆明 650202；5.昆明智淵測控科技有限公司，云南 昆明 650500)

0 引言

煙草工業(yè)企業(yè)需要經(jīng)常對成品、原輔物料等進(jìn)行盤點(diǎn)，以保證進(jìn)銷存管理軟件中的數(shù)據(jù)與實(shí)際庫存相符，只有確保物資庫存系統(tǒng)數(shù)據(jù)與實(shí)際庫存的一致，才能進(jìn)行庫存的合理分析，從而結(jié)合年度施工計(jì)劃和采購周期合理安排正確的采購與生產(chǎn)活動(dòng)。原料及輔料庫的布局十分復(fù)雜，人工盤點(diǎn)效率較低，而且由于盤庫屬于勞動(dòng)密集型工作，工人在盤點(diǎn)過程中常常由于工作疲勞會登記錯(cuò)誤[ 1]，這為煙草工業(yè)企業(yè)的生產(chǎn)與采購活動(dòng)帶來不便。

無人機(jī)具有靈活性高、適用性廣、信息化高、非接觸等特點(diǎn)，而射頻識別(Radio Frequency Identification, RFID)作為一種非接觸式的信息采集技術(shù)，具有自動(dòng)識別、安全性高、非接觸等特點(diǎn)，已廣泛應(yīng)用于各大物流企業(yè)。基于此，無人機(jī)上安裝閱讀器設(shè)備，可自動(dòng)對已粘貼標(biāo)簽的貨物進(jìn)行盤點(diǎn)，而且體積小、效率高、能耗低、盤點(diǎn)準(zhǔn)確。因此，無人機(jī)結(jié)合高精度便攜式RFID閱讀器將成為智慧倉儲的一大應(yīng)用趨勢[2-3]。

由于應(yīng)用于倉儲環(huán)境掛載閱讀器的無人機(jī)重量較大，其最大制約因素為無人機(jī)(Unmanned Aerial Vehicle, UAV)的有效續(xù)航時(shí)間，為了保證盤點(diǎn)任務(wù)能在無人機(jī)最大續(xù)航時(shí)間內(nèi)順利完成，在執(zhí)行任務(wù)過程中，一條能耗最小的航跡至關(guān)重要。因此在UAV+RFID閱讀器盤庫技術(shù)中，UAV航跡規(guī)劃是需要解決的關(guān)鍵問題。航跡規(guī)劃的目的是為UAV在采集貨物信息過程中安排出從空間一個(gè)點(diǎn)到另一個(gè)點(diǎn)的可行飛行航跡，以保證無人機(jī)盤點(diǎn)準(zhǔn)確率為前提，在滿足無人機(jī)有效續(xù)航時(shí)間等各種約束條件下，盡可能快速、節(jié)能地完成盤點(diǎn)任務(wù)。

隨著自主系統(tǒng)的發(fā)展，航跡規(guī)劃已成為相關(guān)人員的重點(diǎn)研究內(nèi)容，涌現(xiàn)了大量的無人機(jī)航跡規(guī)劃算法，主要包括傳統(tǒng)經(jīng)典算法以及現(xiàn)代智能算法[4]。對于空間較小的航跡規(guī)劃等小規(guī)模問題如A*算法[5]，傳統(tǒng)經(jīng)典算法可以快速、準(zhǔn)確地找到可飛行航跡，當(dāng)處理三維空間或搜索空間較大時(shí)，其計(jì)算量急劇增加，尋優(yōu)時(shí)間快速增長，求解速度極其緩慢，具有一定的局限性。因此，現(xiàn)階段解決無人機(jī)航跡規(guī)劃問題的算法主要為現(xiàn)代智能算法[6-9]。其中，作為現(xiàn)代智能算法的差分進(jìn)化算法(Differential Evolution Algorithm, DE)及其改進(jìn)算法已廣泛應(yīng)用于無人機(jī)航跡規(guī)劃中[10-12]，而粒子群算法作為成熟的啟發(fā)式算法亦廣泛應(yīng)用于無人機(jī)航跡規(guī)劃中[9，13-14]。文獻(xiàn)[15]基于三維空間中的無人機(jī)航跡規(guī)劃問題，設(shè)計(jì)了一種基于貪婪策略和等級制度的鯨魚優(yōu)化算法(Whale Optimization Algorithm, WOA)，實(shí)驗(yàn)結(jié)果表明該算法的性能優(yōu)于粒子群等傳統(tǒng)的智能優(yōu)化算法。

在無人機(jī)航跡規(guī)劃的部分研究中，存在模型過于簡化等問題，沒有考慮到UAV飛行過程中的資源消耗量不僅與飛行航跡長度有關(guān)，還與飛行過程中的受力有關(guān)[16]；在進(jìn)行算法的改進(jìn)時(shí)僅考慮算法的逼近性，沒有考慮算法的均勻性；在無人機(jī)搭載高精度便攜式RFID閱讀器的盤庫航跡規(guī)劃研究中存在工作場景單一、約束條件過少等問題[17]。通過以上研究發(fā)現(xiàn)，盡管研究背景多種多樣，但是其均旨在提高應(yīng)用于無人機(jī)航跡規(guī)劃算法的收斂精度以及收斂速度，避免其陷入局部最優(yōu)，沒有進(jìn)行無人機(jī)航跡規(guī)劃數(shù)學(xué)模型的改進(jìn)。

復(fù)雜工業(yè)品倉庫三維環(huán)境無人機(jī)盤庫任務(wù)規(guī)劃涉及對多維變量的求解，縮小了解空間，這要求算法具有較強(qiáng)的全局搜索能力。而且倉庫條件復(fù)雜，如貨物堆放雜亂、室內(nèi)其他障礙物的阻礙等，對無人機(jī)的飛行有眾多限制，進(jìn)一步縮小了解空間。另外，無人機(jī)自身性能和搭載設(shè)備也為問題的求解增加了難度，這是一個(gè)復(fù)雜且耦合的優(yōu)化問題。生命周期群搜索算法(Life-cycle Swarm Optimization, LSO)[18]作為一種新的群體智能算法，對比粒子群等算法在處理優(yōu)化問題時(shí)，具有收斂速度快、收斂精度高等優(yōu)點(diǎn)，已應(yīng)用于簡單環(huán)境中的航跡規(guī)劃問題[19]。雖然，生命周期群搜索算法在對復(fù)雜函數(shù)進(jìn)行尋優(yōu)時(shí)具有較好的全局收斂性和魯棒性，但其在求解本文復(fù)雜三維環(huán)境下無人機(jī)路徑規(guī)劃問題的過程中，容易陷入早熟，傳統(tǒng)差分進(jìn)化算法亦存在同樣的問題。因此，本文將生命周期群搜索算法與差分進(jìn)化算法相結(jié)合，利用差分進(jìn)化算法的變異性并引入輪盤賭策略和種群分級制度策略，提高了生命周期群搜索算法的全局搜索能力，避免了生命周期群搜索算法在處理本文復(fù)雜三維環(huán)境下航跡規(guī)劃問題容易陷入早熟的問題。

為解決以有障礙的倉儲環(huán)境以及大型高架倉庫環(huán)境為背景的無人機(jī)盤庫航跡規(guī)劃問題，與現(xiàn)有工作不同，本文將無人機(jī)運(yùn)動(dòng)模型引入無人機(jī)航跡規(guī)劃方案中，從做功的角度來研究無人機(jī)的能效比，以提高無人機(jī)盤庫時(shí)的工作效率以及工作時(shí)長。設(shè)計(jì)了基于生命周期群搜索的混合差分進(jìn)化算法，以解決無人機(jī)盤點(diǎn)貨物時(shí)的路徑規(guī)劃問題。該算法保留了傳統(tǒng)差分進(jìn)化算法較強(qiáng)的全局收斂能力和穩(wěn)健性，同時(shí)改進(jìn)了生命周期群搜索算法在解決無人機(jī)路徑規(guī)劃這類大規(guī)模尋優(yōu)問題時(shí)的魯棒性、逼近性以及均勻性，有效提高了生命周期群搜索算法的收斂速度以及收斂精度。通過仿真表明，利用改進(jìn)后的算法可有效解決復(fù)雜工業(yè)品倉庫三維環(huán)境下的無人機(jī)盤庫任務(wù)規(guī)劃問題。

1 數(shù)學(xué)模型的建立

1.1 無人機(jī)運(yùn)動(dòng)模型

模型假設(shè)如下：

(1)無人機(jī)飛行過程中空氣阻力系數(shù)、空氣密度恒定不變，不受飛行高度影響。

(2)由于無人機(jī)飛行空間為室內(nèi)倉庫，因此在飛行過程中不計(jì)氣流擾動(dòng)，忽略風(fēng)條件影響。

(3)分析無人機(jī)的受力過程中，不涉及無人機(jī)復(fù)雜運(yùn)動(dòng)。

(4)無人機(jī)在平飛時(shí)為勻速運(yùn)動(dòng)。

(5)無人機(jī)在每一段航跡的飛行過程中，豎直方向上均為勻速飛行。

(6)忽略偏航運(yùn)動(dòng)、滾轉(zhuǎn)運(yùn)動(dòng)對無人機(jī)輸出功率的影響。

對四旋翼無人機(jī)在空間中的三維直線運(yùn)動(dòng)過程進(jìn)行受力分析，由文獻(xiàn)[20]可知，在輸出電壓一定時(shí)，取多個(gè)樣本測試，觀察在不同電壓下，四旋翼無人機(jī)功率載荷的最大值、最小值、均值以及標(biāo)準(zhǔn)偏差，四旋翼無人機(jī)的功率載荷可以近似看作常數(shù)。功率載荷公式為：

(1)

式中:Q為四旋翼無人機(jī)的功率載荷;∑F為無人機(jī)在電壓一定的情況下的總升力。

由式(1)進(jìn)一步得出結(jié)論：無人機(jī)總升力∑F與總功率P之間的關(guān)系簡化之后成正比：

∑F=kP，k為常數(shù)。

(2)

無人機(jī)各運(yùn)動(dòng)過程受力分析如圖1示。

圖1中：FL,FR,FD分別為無人機(jī)在平飛、上升、下降狀態(tài)下的所需要的總升力;fL，fR，fD分別為無人機(jī)在平飛、上升、下降狀態(tài)下所受到的空氣阻力;G為無人機(jī)的自身重力，則有：

FRj=fRj+G,

FDj=G-fDj。

(3)

當(dāng)無人機(jī)以勻速v飛行時(shí)，無人機(jī)所受空氣阻力

(4)

式中：c為空氣阻力系數(shù);ρ為空氣密度;S為物體受力面積。

無人機(jī)在任意兩個(gè)節(jié)點(diǎn)j-1和j之間的航跡段的飛行過程均可分解為平行于和垂直于xoy平面的兩個(gè)向量。由于假設(shè)無人機(jī)在每一段航跡的飛行過程中，豎直方向上均為勻速飛行，在任意航跡段j-1→j中，無人機(jī)的航跡段向量為(xj,yj,zj)，又已知無人機(jī)平飛速度vL，則無人機(jī)的豎直方向速度為：

(5)

其中l(wèi)j為兩個(gè)節(jié)點(diǎn)j-1、j之間的航跡段長度。

1.2 約束條件

由于RFID有最大掃描范圍和最大掃描角度，若要保證貨物能夠被掃描到，無人機(jī)的航跡將會受到影響，具體約束如下：

vRj≤vRmax;

(6)

vDj≤vDmax;

(7)

∑tj≤Tmax。

(8)

式(6)～式(8)分別為最大上升速度、最大下降速度、最長航時(shí)約束，式(8)中tj為第j段航跡飛行時(shí)間。

如圖2所示為無人機(jī)搭載高精度便攜式RFID閱讀器對室內(nèi)倉庫貨物盤點(diǎn)的示意圖。其中無人機(jī)上的RFID閱讀器模塊通過掃描物品和貨位上安裝的電子標(biāo)簽即可達(dá)到盤點(diǎn)的目的，RFID閱讀器最大掃描范圍為Rmax，最大掃描角度為φmax。

假設(shè)第i件貨物的RFID標(biāo)簽中心坐標(biāo)Ci為(xi,yi,zi)，無人機(jī)在對第i件貨物執(zhí)行盤庫任務(wù)時(shí)所處坐標(biāo)Ui為(xi′,yi′,zi′)，則有

(9)

0≤cos(n,CiUi)≤cosφmax。

(10)

其中，在無人機(jī)盤點(diǎn)亂堆碼的貨物時(shí)(如圖3)，n為垂直于地面的向量。

1.3 目標(biāo)函數(shù)

由于無人機(jī)總升力∑F與總功率p之間成正比關(guān)系，可得無人機(jī)總飛行過程中能效比[21]，即單位長度航跡所消耗的能量

(11)

可得無人機(jī)盤點(diǎn)過程中時(shí)效比，即單位貨物的盤點(diǎn)時(shí)間

(12)

因此，本文的目標(biāo)函數(shù)為：

y=minK·T。

(13)

2 算法描述

2.1 算法基本原理

生命周期群搜索算法通過模擬自然界生物生長的各個(gè)過程，不斷迭代進(jìn)化并向著個(gè)體適應(yīng)度更優(yōu)的方向移動(dòng)，實(shí)現(xiàn)了算法的尋優(yōu)過程。本文在此基礎(chǔ)上引入差分進(jìn)化算法，采用種群分級制度，對適應(yīng)度值較低的個(gè)體進(jìn)行差分進(jìn)化，提出了基于生命周期群搜索的混合差分進(jìn)化算法(hybrid Differential Evolution algorithm based on Life-cycle Swarm Optimization algorithm, LSO-DE)，以此來對模型進(jìn)行求解。

設(shè)航跡點(diǎn)個(gè)數(shù)為D，種群個(gè)體數(shù)即種群規(guī)模為Nmax，對于本文模型，種群個(gè)體可表示為Xi={(x1,y1,z1),(x2,y2,z2),…,(xD,xD,xD)}(i=1,2,…,Nmax)。

對于基本差分進(jìn)化算法，其主要過程包括種群初始化、變異、交叉和選擇：

(1)差分進(jìn)化種群初始化

在解空間中對個(gè)體Xi中的每個(gè)航跡點(diǎn)(xi,yi,zi)(i=1,2,…,D)進(jìn)行均勻隨機(jī)初始化。

(2)差分進(jìn)化變異操作

通過差分策略實(shí)現(xiàn)變異操作：

(14)

(3)差分進(jìn)化交叉操作

(15)

其中:r0為0～1之間的隨機(jī)數(shù);cr為交叉概率，cr∈[0,1]。

(4)差分進(jìn)化選擇操作

采用貪婪策略實(shí)現(xiàn)選擇操作：

(16)

生命周期群搜索算法主要實(shí)現(xiàn)過程包括種群初始化、個(gè)體生長發(fā)育。其中個(gè)體生長發(fā)育包括混沌趨化操作、同化操作和換位操作。

(1)種群初始化

在解空間中，按照個(gè)體位置上下限Bup和Blow隨機(jī)生成初始種群。

(2)混沌趨化操作

Xi+1=μXi(1-Xi)。

(17)

(3)同化操作

對于種群中其他個(gè)體，將以一定的概率執(zhí)行同化操作或換位操作。設(shè)個(gè)體覓食方式選擇同化操作的概率為Pas，若個(gè)體在一次覓食中產(chǎn)生的隨機(jī)數(shù)在Pas內(nèi)，則進(jìn)行同化操作。

同化是指種群內(nèi)采取社會覓食方式的個(gè)體的覓食路徑受最優(yōu)個(gè)體影響，追隨群內(nèi)最優(yōu)個(gè)體進(jìn)行搜索，公式如下：

(18)

(4)換位操作

若個(gè)體在一次覓食中產(chǎn)生的隨機(jī)數(shù)在Pas外，則進(jìn)行換位操作。執(zhí)行換位操作的個(gè)體采取獨(dú)立覓食的方式，公式如下：

(19)

本文在傳統(tǒng)差分進(jìn)化算法的基礎(chǔ)上進(jìn)行了一定改進(jìn)，改進(jìn)后再與生命周期群搜索算法混合，增強(qiáng)混合算法的性能。具體改進(jìn)如下：

傳統(tǒng)差分進(jìn)化算法利用貪婪策略進(jìn)行選擇操作，使得種群中總是保留最優(yōu)個(gè)體，在某些情況下，采用貪婪策略會丟失其他個(gè)體所保留的位置信息，不利于算法的全局尋優(yōu)。本文參考自然界的自然選擇行為，對傳統(tǒng)差分進(jìn)化算法的選擇算子作出改進(jìn)，將子代合并到親代中組成新種群，個(gè)體適應(yīng)度值歸一化之后利用輪盤賭的方法淘汰數(shù)目為超過種群規(guī)模上限的數(shù)量的個(gè)體。

2.2 LSO-DE混合算法求解模型基本步驟

(1)算法參數(shù)初始化和種群初始化

對算法涉及到的參數(shù)進(jìn)行初始化，包括最大迭代次數(shù)Gmax,種群規(guī)模Nmax,變異算子F,路徑點(diǎn)個(gè)數(shù)NP，個(gè)體覓食方式選擇同化操作的概率Pas。

由于本文三維環(huán)境模型中障礙物較多，在初始種群時(shí)，若對種群個(gè)體隨機(jī)初始化，將造成大量個(gè)體的航跡點(diǎn)落在障礙物內(nèi)，導(dǎo)致初始個(gè)體適應(yīng)度值的較差，影響算法的尋優(yōu)。為盡量避免這種情況的發(fā)生，本文采用RRT(rapid-exploration random tree)算法對路徑進(jìn)行初始化，獲得Nmax個(gè)與障礙物無碰撞的初始路徑，為了保證個(gè)體路徑點(diǎn)個(gè)數(shù)相等，方便算法尋優(yōu)，采用多項(xiàng)式擬合的方法對初始航跡點(diǎn)組成的初始路徑進(jìn)行分段擬合后等距分割取D個(gè)點(diǎn)。

(2)更新全局極值

計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度函數(shù)值，將當(dāng)前種群最優(yōu)適應(yīng)度(函數(shù))值與歷史最優(yōu)適應(yīng)度值進(jìn)行比較，若當(dāng)前種群最優(yōu)適應(yīng)度值優(yōu)于歷史最優(yōu)適應(yīng)度值，則更新全局極值。

(3)生命周期群搜索更新策略的個(gè)體位置更新

將每條路徑的航跡點(diǎn)集合作為一個(gè)個(gè)體，采用生命周期群搜索算法的混沌趨化操作、同化操作和換位操作更新個(gè)體位置。

(4)種群分級

為了使種群個(gè)體的生長更加趨于多樣性，按種群平均適應(yīng)度值Oavg將種群進(jìn)行分級并執(zhí)行差分進(jìn)化操作。若個(gè)體適應(yīng)度值小于Oavg，表示該個(gè)體代表的解較差，即歸入差等種群，反之則歸入優(yōu)等種群中,

(20)

式中O為種群適應(yīng)度值總和。分級后，計(jì)算差等種群的個(gè)體數(shù)和個(gè)體適應(yīng)度值，設(shè)差等種群的個(gè)體數(shù)為M。

(5)差等種群進(jìn)化與合并

1)變異。隨機(jī)選中差等種群中的3個(gè)個(gè)體，按式(14)執(zhí)行變異操作。

(21)

當(dāng)r5<0.5時(shí)，則生成以父體基因?yàn)橹鞯淖哟鷤€(gè)體，否則生成以母體基因?yàn)橹鞯淖哟w。其中F2為隨機(jī)搜索系數(shù)。

3)選擇。計(jì)算子代與親代個(gè)體的適應(yīng)度值，并將其適應(yīng)度值進(jìn)行歸一化操作。為保證差等種群執(zhí)行差分進(jìn)化后種群數(shù)量不變，計(jì)算目前子代與親代個(gè)體總數(shù)與差等種群規(guī)模M的差值ΔN。采用利用輪盤賭的方式，篩選出M數(shù)量的個(gè)體，剩余的ΔN數(shù)量的個(gè)體被淘汰。

4)種群合并。將進(jìn)化后的差等種群與優(yōu)等種群進(jìn)行合并，保證原始種群個(gè)體數(shù)不變。

(6)退出條件

判斷當(dāng)前是否達(dá)到最大迭代次數(shù)，如果達(dá)到，則輸出最優(yōu)個(gè)體的位置，否則返回步驟(2)。

算法流程如圖4所示。

3 仿真實(shí)驗(yàn)研究

在某大型煙草工業(yè)集團(tuán)的原輔物料倉庫中，工作人員需要經(jīng)常性的對倉庫中的原輔物料進(jìn)行盤點(diǎn)，保證進(jìn)銷存管理軟件中的數(shù)據(jù)與實(shí)際庫存相符。原輔物料倉庫布局十分復(fù)雜，采集這類倉庫內(nèi)的貨物信息的困難很大。本文依據(jù)某集團(tuán)的某原輔物料倉庫現(xiàn)場的環(huán)境信息(如圖3)進(jìn)行物理建模，其中原輔物料倉庫信息如表1所示，原輔物料倉庫的環(huán)境模型如圖5所示。

表1 倉庫信息表

為驗(yàn)證本文所提算法的可行性以及有效性，選取近年來在路徑規(guī)劃領(lǐng)域提出的WOA、DE以及LSO算法進(jìn)行對比。實(shí)驗(yàn)室自制四旋翼無人機(jī)的參數(shù)如表2所示，其搭載RFID閱讀器最大掃描范圍為4 m，最大掃描角度為120°。

表2 無人機(jī)參數(shù)表

3.1 原輔物料倉庫環(huán)境下仿真實(shí)驗(yàn)研究

如圖6～圖9所示為LSO-DE算法、DE算法、LSO算法、WOA算法在一次運(yùn)行中對原輔物料倉庫的盤點(diǎn)路線圖。如圖10所示為4個(gè)算法在一次運(yùn)行中目標(biāo)函數(shù)值隨迭代次數(shù)變化曲線，圖11為4個(gè)算法各運(yùn)行30次目標(biāo)函數(shù)平均值隨迭代次數(shù)變化曲線。如表3所示為4個(gè)算法一次運(yùn)行中的貨物信息采集結(jié)果，表4為4個(gè)算法各運(yùn)行30次的平均貨物信息采集結(jié)果。

表3 原輔物料倉庫環(huán)境下4個(gè)算法的貨物信息采集結(jié)果

表4 原輔物料倉庫環(huán)境下4個(gè)算法各運(yùn)行30次的平均貨物信息采集結(jié)果

3.2 仿真實(shí)驗(yàn)分析

從圖10和圖11中可以看出，DE算法、LSO算法、WOA算法以及LSO-DE算法均具有較強(qiáng)的尋優(yōu)能力。圖10中，利用LSO-DE算法得出的優(yōu)化航跡，在對原輔物料倉庫進(jìn)行貨物信息提取時(shí)得出的最優(yōu)適應(yīng)度值為1.006，而DE算法的最優(yōu)適應(yīng)度值為1.060，LSO算法的最優(yōu)適應(yīng)度值為1.079，WOA算法的最優(yōu)適應(yīng)度值為1.147。因此，可以得出結(jié)論，LSO-DE算法收斂速度最快，收斂精度最高，優(yōu)化效果最好。

從表4中可以得出，利用本文所提出的LSO-DE算法得出的優(yōu)化航跡，對原輔物料倉庫進(jìn)行貨物信息提取時(shí)，30次運(yùn)行過程中平均貨物提取率為91.67%，平均貨物提取時(shí)間為0.123 0 s/箱，均優(yōu)于其他3個(gè)算法。可以得出結(jié)論，在煙草工業(yè)企業(yè)原輔物料倉庫較復(fù)雜的巡檢環(huán)境中，無論從哪個(gè)指標(biāo)看，利用LSO-DE算法所得出的結(jié)果均為最優(yōu)。

從得出的結(jié)果分析，在引入DE算法之后，LSO算法的全局搜索能力明顯增強(qiáng)，表明通過種群分級制度，DE算法和LSO算法的個(gè)體生長發(fā)育策略能進(jìn)行很好的融合。同時(shí)，輪盤賭策略改進(jìn)后的DE算法的變異能力有效地避免了LSO算法在處理本文復(fù)雜三維環(huán)境下航跡規(guī)劃問題容易陷入早熟的問題。

因此，可以得出結(jié)論：本文算法在發(fā)現(xiàn)最優(yōu)值方面，相比于DE算法、LSO算法和WOA算法，能力較強(qiáng)，逼近性、均勻性較好，在對此類多約束條件下的盤庫無人機(jī)航跡規(guī)劃問題的處理中，LSO-DE算法更有競爭力。

4 結(jié)束語

為提高無人機(jī)搭載高精度便攜式RFID閱讀器的盤庫效率以及安全系數(shù)，同時(shí)有效降低盤庫過程中無效的飛行航跡長度以減少能耗，本文提出了LSO-DE算法，對盤庫無人機(jī)航跡規(guī)劃展開了研究。本文所建立的無人機(jī)航跡規(guī)劃模型，從做功的角度來研究無人機(jī)的能效比和時(shí)效比，可有效提高無人機(jī)盤庫時(shí)的工作效率以及工作時(shí)長。通過DE算法、LSO算法和WOA算法與LSO-DE算法進(jìn)行對比的結(jié)果表明，本文所提算法能力較強(qiáng)，逼近性、均勻性較好，更能適用于復(fù)雜工業(yè)品倉庫無人機(jī)盤庫任務(wù)規(guī)劃。本文研究的航跡規(guī)劃模型考慮了無人飛行器性能約束，并利用LSO-DE算法對模型求解得到了一條切實(shí)可行的航跡，但需要指出的是，在得到航跡信息后，仍需要有一名飛控手來對裝備RFID閱讀器的無人機(jī)進(jìn)行操控。未來，將對倉庫進(jìn)行更為精準(zhǔn)的建圖與定位，面向盤庫無人機(jī)自主飛行展開更為深入的研究工作。