时间：2026-05-12 分类：成功发表动态
西北工业大学计算机学院陈进朝团队在《电子学报》发表论文《基于时空密度聚类的异构无人机集群覆盖路径规划方法》。该研究针对多区域覆盖搜索任务中无人机集群效率低下的问题，创新性地提出了一种基于时空密度聚类的启发式算法，旨在解决异构无人机集群在多区域、非连通场景下的高效协同路径规划难题。该算法通过合理分配区域、优化飞行顺序，在降低总飞行距离和任务完成时间方面效果显著，为大规模、复杂环境下的无人机集群应用提供了有力的技术支撑。
在搜索救援、环境监测、农业测绘等需要大规模覆盖探测的任务中，无人机集群展现出比单体无人机更高的效率和灵活性。然而，现实场景往往包含多个分散、不连通的作业区域，如何为集群中具有不同性能(如飞行速度、航时、载荷)的“异构无人机”规划出全局最优的飞行路径，成为一个极具挑战性的NP-hard难题。传统方法大多聚焦于单个区域内的路径优化，或默认集群由相同性能的“同构无人机”构成，难以有效应对多区域、异构条件下的实际任务需求，导致资源利用率低、任务总耗时过长。
核心创新：从“分”到“合”的智慧规划
陈进朝团队提出的解决方案，其核心在于“分层优化、协同规划”的整体思路。研究首先构建了异构无人机与多区域任务的数学模型，并以“最小化任务完成时间”为目标，建立了基于混合整数线性规划(MILP)的精确求解框架。该框架理论上可获得全局最优解，但计算复杂度极高，不适用于大规模实时任务。
因此，团队创新性地提出了基于“时空密度聚类”的启发式算法，其核心步骤是“聚类分配、分层优化、顺序寻优”。
1. 时空密度聚类：算法不再将各区域视为孤立的点，而是依据其在空间位置上的邻近性(空间密度)和无人机飞行所耗费时间的相近性(时间密度)进行综合聚类，将彼此相近、任务关联度高的区域汇聚成不同的“任务簇”。这使得分配给同一架无人机的区域在物理上相对集中，从根本上减少了无效的跨区域长距离飞行。
2. 异构资源匹配：聚类后，算法依据每架无人机的独特性能，为其分配一个“工作量”相匹配的任务簇。性能更强的无人机(航时长、速度快)负责面积更大或更远的簇，从而实现了集群资源的优化匹配与负载均衡，避免了“闲的闲、忙的忙”的资源浪费。
3. 双层路径优化：
◦ 簇间寻优：在确定每个无人机的任务簇后，采用遗传算法优化其在簇内各区域之间的访问顺序，找到飞行总距离最短的访问序列。
◦ 区内扫描：在单个区域内部，则采用经典的来回路径算法生成高效的覆盖扫描路径，确保区域被完全覆盖的同时，减少无人机的转弯次数和能量消耗。
显著成效：效率与效能的全面提升
通过大量仿真实验对比，该算法展现出卓越性能。与当前主流算法相比：
• 规划质量高：在典型任务场景下，所规划路径的总飞行长度平均缩短了10.55%，有效降低了能耗。
• 任务完成快：整个集群完成所有区域覆盖任务的总时间平均减少了5.47%，极大提升了任务执行效率。
• 计算效率佳：虽然引入了遗传算法等优化步骤，但该启发式算法整体运行时间可控，即使面对多达200个区域、10架无人机的复杂场景，其规划时间也仅在数秒量级，具备良好的工程实用性。
意义与展望
这项研究突破了异构无人机集群在多区域覆盖任务中路径规划的瓶颈，实现了从“简单分配”到“智能协同”的跨越。它不仅为无人机集群执行大规模搜索、测绘等任务提供了可直接应用的高效规划工具，其“时空密度聚类”与“异构资源匹配”的核心思想，也为更广泛的群体智能协同任务规划提供了新的理论视角。未来，研究团队计划将动态环境、实时避障及突发故障下的任务重规划纳入考量，进一步推动无人机集群向全自主、高可靠、强适应的方向发展。
