图源网络
摘要：在无人机电力巡检过程中，一个待巡检部件通常对应多个位置不同且均符合拍摄要求的任务点，这些拍摄任务点构成一个集合任务。为了保证巡检质量，通常要求无人机多次采集待巡检部件的图片，即访问集合任务中的多个拍摄任务点。本文针对上述特点，将面向集合任务的多无人机电力巡检任务分配问题建模为最小最大化多站点家庭旅行商问题（Minmax Multi-Depot Family Traveling Salesman Problem, Minmax-MDFTSP），并设计了一种强化遗传算法框架。在该框架下，提出了染色体校验及修正机制、组合交换变异算子、基于贪婪策略的局部调优算子，设计了基于强化学习的遗传算法参数调优方法。性能实验结果表明，本文方法在求解质量和求解效率方面均具有明显优势。此外，通过消融实验验证了强化遗传算法框架中各个部分的有效性。最后结合实际场景下的具体案例，通过实地飞行验证了本文方法相对于现有巡检方式的优势。
关键词：电力巡检；多无人机；任务分配；强化学习；遗传算法
一、研究背景与意义
使用无人机对电网中的输电杆塔、输电线路、变电站等电力基础设施进行巡检具有效率高、成本低、安全性好的优势，正在逐步替代人工巡检，成为电力行业安全运维工作的重要方式之一。以无人机巡检输电杆塔为例，在当前巡检模式下，首先综合考虑巡检要求确定待巡检部件的拍摄任务点，然后针对单个杆塔确定所有拍摄任务点的执行顺序，从而生成无人机巡检单个杆塔的飞行航线。在实际巡检场景中，每个待巡检部件都对应多个位置不同且符合巡检拍摄要求的拍摄任务点，我们将这些拍摄任务点构成的点集称为集合任务。无人机执行电力巡检任务时往往会受到光照、风向等外部环境的影响，若仅拍摄一次待巡检部件，实际拍摄效果可能难以满足巡检要求。通过增加集合任务中拍摄任务点的访问数量，能够消减外部环境等不确定因素对巡检效果的影响。针对无人机电力巡检过程中的集合任务特征，如何对巡检区域中多个杆塔的拍摄任务点执行顺序进行优化是多无人机电力巡检任务分配问题的一个重要挑战。
二、主要内容
本文的主要研究内容围绕面向集合任务的多无人机电力巡检任务分配问题展开，具体来说包括以下三个方面。
第一，针对面向集合任务的多无人机电力巡检任务分配问题，由于实际巡检场景中要求所有无人机能够在最短时间内返回站点，因此本文以最小化所有无人机的最长飞行距离作为求解目标，构建了最小最大化多站点家庭旅行商问题（Minmax Multi-Depot Family Traveling Salesman Problem, Minmax-MDFTSP）的数学模型。
第二，本文提出了一种基于强化学习参数调优机制的遗传算法 (Genetic Algorithm with Parameter Optimization using Reinforcement Learning，GA-PORL)，通过引入强化学习方法，改变了仅根据固定规则进行参数调优的方式，能够在遗传算法框架及其算子的基础上实现对算法参数的动态设置，具有更强的灵活性。
第三，本文构建了测试数据集MDFTSP-E，通过数值实验对GA-PORL的求解质量和求解效率进行了测试与对比分析。通过消融实验验证了染色体校验及修正机制、组合交换变异算子、基于贪婪策略的局部调优算子，基于强化学习的参数调优方法的有效性。还结合实际案例开展了多无人机电力巡检的实地飞行，进一步验证了GA-PORL相较于常规巡检策略所具有的优势。
三、主要结论及政策建议
基于Moran-Mirabal构建的MDFTSP数据集生成本文数值实验的测试数据集开展实验分析。在小规模数据集上，将本文方法与GUROBI求解器的计算结果进行比较，GA-PORL算法耗时比GURUBI平均缩短72.85%，这说明GA-PORL算法能够在保证求解质量的前提下提升求解速度。在大规模数据集上，将所提方法与过往研究常用的经典遗传算法（Simple genetic algorithm，SGA）、基于精英保留策略的遗传算法（Elite genetic algorithm，EGA）以及差分进化算法（Differential evolutionary genetic algorithm，DE）进行多方效果对比。试验结果表明本文方法在求解质量、求解稳定性、求解时间等多方面均优于对比算法。
此外，通过消融实验结果表明，GA-PORL中设计的染色体校验和修正机制、组合交换变异算子、基于贪婪策略的局部调优算子，以及基于强化学习的参数调优方法对于该问题的求解带来明显提升。实地飞行验证表明，本文方法的总耗时相较于常规巡检策略减少了27.91%，能够根据电力巡检任务灵活地选择拍摄任务点并优化其访问顺序，生成更多样化的巡检策略，提升多架无人机共同巡检多个电力杆塔的执行效率。若将本文方法应用至实际巡检工作中，将能够更大幅度地提升巡检效率，为电力巡检工作提供更为高效的巡检方案。
四、边际贡献与未来拓展
本文针对面向集合任务的多无人机电力巡检任务分配问题，构建了最小最大化多站点家庭旅行商问题（Minmax-MDFTSP）模型，将强化学习与遗传算法相结合，提出了一种基于强化学习参数调优机制的遗传算法；不仅在数学建模方面提出创新性的解决方案，还设计了相应的高效算法来解决这一问题，并且通过数值实验和案例实验，验证了所提出算法在应用中的有效性。不仅为任务分配问题的理论研究进行了补充，而且能够进一步提升无人机的作业效率。对任务分配问题的理论研究和工程实践都具有积极意义。
在未来的研究中，可以进一步结合强化学习的最新研究成果改进遗传算法的参数调优方法，或者进一步将强化学习引入遗传算子内部的优化过程中，还可以针对电力巡检中的特殊场景设计精确求解算法。
本文摘编自《系统工程理论与实践》2025年,第45卷,第2期论文《面向集合任务的多无人机电力巡检任务分配方法研究》（点击题目链接全文）；
作者：赵慧敏1,4, 硕士研究生,研究方向:多无人机电力巡检任务分配；罗贺1,4,5, 博士,教授,研究方向:多主体协同优化与智能决策；阴酉龙2, 博士研究生,工程师,研究方向:无人机智能巡检技术；林世忠3, 硕士,高级工程师,研究方向:无人机巡检作业管理；王国强（通信作者）1,4,5，博士,副教授,研究方向:多平台协同优化与智能决策
1. 合肥工业大学 管理学院, 合肥 230009;
2. 国网安徽省电力有限公司 无人机巡检作业管理中心, 合肥 230061;
3. 安徽送变电工程有限公司, 合肥 230071;
4. 过程优化与智能决策教育部重点实验室, 合肥 230009;
5. 安徽省空天系统智能管理工程研究中心, 合肥 230009