李夢(mèng)謠，吳夢(mèng)青，陳天齊，高欣慧，趙 倩

(曲阜師范大學(xué) 工學(xué)院，山東 日照 276800)

澳大利亞位于南太平洋和印度洋之間，被海洋包圍，陸地面積769.2萬(wàn)km2，但中部約70%的土地位于干旱或半干旱地區(qū)，極度缺水和荒涼。世界上絕大多數(shù)桉樹(shù)均在澳大利亞種植，桉樹(shù)占澳大利亞森林面積的70%。桉樹(shù)是一種“易燃”樹(shù)種，葉子富含蠟和油，容易引起森林火災(zāi)。澳大利亞著名生物學(xué)家和作家杰里米·格里菲斯說(shuō)，澳大利亞嚴(yán)重的森林火災(zāi)是由桉樹(shù)引起的[1]。

1 研究背景

在每年火災(zāi)多發(fā)季節(jié)，幾乎所有州都受到火災(zāi)的影響，新南威爾士州和維多利亞州東部受影響最大。2019年10月1日至2020年1月7日澳大利亞?wèn)|南部的火災(zāi)熱點(diǎn)見(jiàn)圖1。

圖1 澳大利亞?wèn)|南部火災(zāi)熱點(diǎn)Fig.1 Fire hotspots in southeastern Australia

早在幾年前，國(guó)家消防局(Country Fire Authority, CFA)就使用監(jiān)視和態(tài)勢(shì)感知無(wú)人機(jī)(Surveillance and Situational Awareness, SSA)進(jìn)行火災(zāi)監(jiān)測(cè)，以便緊急行動(dòng)中心(Emergency Operations Center, EOC)能夠最好地指揮前線(xiàn)人員。但是部署人員攜帶的手持雙向無(wú)線(xiàn)電傳輸范圍受到低發(fā)射功率(通常為5 W)的限制，其標(biāo)稱(chēng)射程僅為5 km。因此單獨(dú)的SSA無(wú)人機(jī)不能完美、快速地監(jiān)測(cè)森林火災(zāi)。

搭載中繼器無(wú)人機(jī)的出現(xiàn)解決了SSA無(wú)人機(jī)射程低的問(wèn)題。中繼器是一種收發(fā)機(jī)，能以更高的功率自動(dòng)重播信號(hào)，并能擴(kuò)大無(wú)線(xiàn)電信號(hào)達(dá)20 km的射程，因此可以使用帶有中繼器的無(wú)人機(jī)來(lái)擴(kuò)展前線(xiàn)低功率無(wú)線(xiàn)電的范圍，將火災(zāi)信號(hào)穩(wěn)定傳送給EOC(圖2)。

圖2 無(wú)人機(jī)與緊急行動(dòng)中心位置關(guān)系Fig.2 Location relationship between UAV and Emergency Operations Center

本文根據(jù)已知的火災(zāi)熱點(diǎn)實(shí)現(xiàn)無(wú)人機(jī)的最優(yōu)調(diào)配，并在綜合考慮地形因素對(duì)傳輸信號(hào)的影響后，實(shí)現(xiàn)無(wú)人機(jī)位置的優(yōu)化。目前，國(guó)內(nèi)外針對(duì)應(yīng)急情況下無(wú)人機(jī)的調(diào)配和優(yōu)化選址均有大量研究，并取得一定成果。白俊強(qiáng)等[2]利用蟻群算法提出了適用于航路規(guī)劃的優(yōu)化方法，通過(guò)無(wú)人機(jī)的攻擊任務(wù)航路進(jìn)行仿真計(jì)算，實(shí)現(xiàn)有效的線(xiàn)路規(guī)劃。楊忠振等[3]針對(duì)大興安嶺地區(qū)森林火災(zāi)問(wèn)題，以所需時(shí)間和費(fèi)用最少為目標(biāo)，建立多目標(biāo)優(yōu)化模型，并用免疫克隆算法進(jìn)行求解，實(shí)現(xiàn)對(duì)救援車(chē)輛路徑的優(yōu)化調(diào)度。在優(yōu)化選址問(wèn)題中，蘇宇軒[4]在森林防火視頻監(jiān)控點(diǎn)布局上，綜合運(yùn)用地理信息系統(tǒng)(Geographic Information System, GIS)空間分析法、層次分析法(Analytic Hierarchy Process, AHP)等，對(duì)監(jiān)控點(diǎn)進(jìn)行合理選址和布局，并通過(guò)優(yōu)劣評(píng)價(jià)優(yōu)化布局方案。張舒[5]針對(duì)森林防火應(yīng)急物流系統(tǒng)中的服務(wù)中心選址問(wèn)題進(jìn)行優(yōu)化研究，提出基于蟻群算法的優(yōu)化模型，并將優(yōu)化模型應(yīng)用到廣州市森林防火的具體實(shí)際問(wèn)題中。傅偉等[6]提出一種基于地理位置的無(wú)人機(jī)包回傳分段優(yōu)化機(jī)制，根據(jù)路徑采取的轉(zhuǎn)發(fā)策略設(shè)置分段點(diǎn)，優(yōu)化傳輸路徑。而本文主要采用人工蜂群算法求解出無(wú)人機(jī)傳輸信號(hào)最短路徑，利用GIS空間分析法和免疫優(yōu)化算法求得無(wú)線(xiàn)電中繼無(wú)人機(jī)的最優(yōu)位置。

2 研究思路

通過(guò)采集地形和火災(zāi)數(shù)據(jù)，利用ArcGIS軟件描繪當(dāng)?shù)氐牡匦螆D和火災(zāi)熱點(diǎn)分布，提取火災(zāi)熱點(diǎn)核密度的經(jīng)緯度坐標(biāo)，通過(guò)人工蜂群算法求得核密度之間的最短路徑。以最短路徑及設(shè)備成本的經(jīng)濟(jì)性等限制因素構(gòu)建多目標(biāo)線(xiàn)性規(guī)劃模型，利用該模型計(jì)算得到SSA無(wú)人機(jī)和無(wú)線(xiàn)電中繼器無(wú)人機(jī)的最佳數(shù)量和組合。最后，分析地形對(duì)無(wú)人機(jī)信號(hào)傳輸?shù)挠绊懀肎IS空間分析法和免疫優(yōu)化算法求得優(yōu)化后無(wú)線(xiàn)電中繼無(wú)人機(jī)的最優(yōu)位置。

3 基于火災(zāi)熱點(diǎn)的無(wú)人機(jī)調(diào)度方案

3.1 分析思路

Carlos Paradis[7]整理了來(lái)自NASA衛(wèi)星儀器MODIS C6和VIIRS 375 m的澳洲大火數(shù)據(jù)資料，并發(fā)布在Kaggle上。對(duì)這些數(shù)據(jù)進(jìn)行整理，利用ArcGIS軟件繪制出2019年9月至2020年1月澳洲大火的火情地圖，得到澳大利亞?wèn)|南部火災(zāi)熱點(diǎn)分布及火災(zāi)等級(jí)，并根據(jù)核密度選取了代表性火災(zāi)熱點(diǎn)(圖3)。

圖3 澳大利亞?wèn)|南部代表性火災(zāi)熱點(diǎn)分布Fig.3 Distribution of representative fire hotspots in southeastern Australia

根據(jù)提取的火災(zāi)熱點(diǎn)，通過(guò)人工蜂群算法計(jì)算出緊急行動(dòng)中心到各個(gè)著火熱點(diǎn)的最短路徑。人工蜂群算法是一種基于群智能的隨機(jī)優(yōu)化算法。蜜蜂根據(jù)各自的分工進(jìn)行不同的活動(dòng)，實(shí)現(xiàn)蜂群信息的共享和通信，從而為函數(shù)的數(shù)值優(yōu)化找到最優(yōu)解[8]。算法的具體步驟如圖4所示。

圖4 人工蜂群算法流程Fig.4 Flow chart of artificial bee colony algorithm

無(wú)線(xiàn)電中繼無(wú)人機(jī)在多火災(zāi)熱點(diǎn)的規(guī)劃問(wèn)題可描述為：在緊急行動(dòng)中心位置確定的條件下，設(shè)計(jì)一種可通過(guò)調(diào)節(jié)無(wú)線(xiàn)電中繼無(wú)人機(jī)路徑和火災(zāi)安全性代價(jià)的權(quán)重系數(shù)來(lái)實(shí)現(xiàn)SSA無(wú)人機(jī)和無(wú)線(xiàn)電中繼無(wú)人機(jī)最優(yōu)組合規(guī)劃的方法，實(shí)現(xiàn)無(wú)人機(jī)費(fèi)用支出最少的情況下救援火災(zāi)熱點(diǎn)覆蓋的最大化，從而確定出兩種無(wú)人機(jī)數(shù)量的最優(yōu)分配。

根據(jù)火災(zāi)熱點(diǎn)覆蓋度建立目標(biāo)函數(shù)f1，由無(wú)線(xiàn)電中繼無(wú)人機(jī)飛行距離建立目標(biāo)函數(shù)f2?？紤]到火災(zāi)熱點(diǎn)附近的SSA無(wú)人機(jī)在無(wú)線(xiàn)電中繼無(wú)人機(jī)射程范圍內(nèi)，并保證無(wú)線(xiàn)電中繼無(wú)人機(jī)的飛行距離在其能力范圍內(nèi)，目標(biāo)函數(shù)通過(guò)分配不同的權(quán)重將多目標(biāo)尋優(yōu)問(wèn)題轉(zhuǎn)換為單目標(biāo)尋優(yōu)問(wèn)題。

f=min(-pf1+qf2)

(1)

式中：p和q為權(quán)重系數(shù)。約束條件包括無(wú)線(xiàn)電中繼無(wú)人機(jī)執(zhí)行飛行任務(wù)的能力約束，以及所有無(wú)線(xiàn)電中繼無(wú)人機(jī)的路徑約束，由此得出無(wú)人機(jī)的具體數(shù)量。

3.2 研究結(jié)果

使用多目標(biāo)線(xiàn)性規(guī)劃模型計(jì)算得到的兩種無(wú)人機(jī)數(shù)量，能在保證安全性的情況下，實(shí)現(xiàn)經(jīng)濟(jì)的最優(yōu)化。線(xiàn)性規(guī)劃所得結(jié)果如表1所示。

表1 無(wú)人機(jī)數(shù)量Tab.1 Number of UAV

4 考慮地形因素的無(wú)人機(jī)位置優(yōu)化

4.1 地形地貌對(duì)中繼無(wú)人機(jī)分布的影響

在空曠地或地形起伏不大的環(huán)境下，無(wú)線(xiàn)電信號(hào)強(qiáng)度隨著距離的增加而減弱，在某一個(gè)距離時(shí)信號(hào)有增強(qiáng)的趨勢(shì)并出現(xiàn)峰值，此時(shí)信號(hào)受干擾的程度最低，隨著距離的增加信號(hào)強(qiáng)度減小。因此可以在地理空間中應(yīng)用干擾模型進(jìn)行無(wú)線(xiàn)電中繼無(wú)人機(jī)的布設(shè)。

影響野外無(wú)線(xiàn)電傳輸距離的因素主要有發(fā)射功率、接收靈敏度和工作頻率。在實(shí)際應(yīng)用中，設(shè)備的發(fā)射功率和工作頻率是固定的，實(shí)際影響野外無(wú)線(xiàn)電傳輸距離的是接收靈敏度。而接收靈敏度主要受澳大利亞?wèn)|南部地形地貌的影響。無(wú)線(xiàn)電波碰到高地等地形障礙物時(shí)，障礙物一般均會(huì)對(duì)無(wú)線(xiàn)電波產(chǎn)生吸收和反射，如果傳輸路徑中地形地貌比較復(fù)雜，會(huì)顯著影響數(shù)據(jù)傳輸?shù)木嚯x[9]。因此，地形越復(fù)雜，對(duì)信號(hào)的干擾就越強(qiáng)，故需要對(duì)無(wú)人機(jī)位置進(jìn)行優(yōu)化。

4.2 研究方案

結(jié)合 GIS 空間分析和免疫算法(Immune Algorithm, IA)，探究無(wú)人機(jī)選址的優(yōu)化模型。在進(jìn)行模型優(yōu)化的過(guò)程中，遺傳算法和免疫算法均能對(duì)模型進(jìn)行優(yōu)化。但是，免疫算法克服了遺傳算法尋優(yōu)過(guò)程中的早熟問(wèn)題，具有良好的收斂速度。因此選擇免疫算法來(lái)對(duì)模型進(jìn)行進(jìn)一步優(yōu)化。

免疫算法[10]與生物免疫系統(tǒng)工作原理類(lèi)似，算法中的目標(biāo)函數(shù)相當(dāng)于抗原，目標(biāo)函數(shù)的解集對(duì)應(yīng)抗體，通過(guò)評(píng)價(jià)個(gè)體的期望繁殖概率P來(lái)確定最優(yōu)解。期望繁殖概率P的大小與抗體、抗原間親和力A成正比，與抗體濃度C成反比，意味著適應(yīng)度高的抗體會(huì)被鼓勵(lì)，而濃度大的個(gè)體將被抑制，通過(guò)精英保留策略，將高濃度且與抗體適應(yīng)度A高的個(gè)體存入記憶庫(kù)，避免局部最優(yōu)，獲取全局最優(yōu)解。

GIS空間分析是一種能夠?qū)φ麄€(gè)或部分地球表層(包括大氣層)空間中的有關(guān)地理分布數(shù)據(jù)進(jìn)行采集、儲(chǔ)存、管理、運(yùn)算、分析、顯示和描述的專(zhuān)業(yè)技術(shù)。在無(wú)線(xiàn)電中繼無(wú)人機(jī)位置的優(yōu)化過(guò)程中，采用GIS空間分析技術(shù)對(duì)選址影響因子進(jìn)行空間分析，選出符合條件的無(wú)線(xiàn)電中繼無(wú)人機(jī)選址點(diǎn)[11]。

4.3 研究過(guò)程與結(jié)果

1)建立免疫優(yōu)化模型

首先根據(jù)澳大利亞?wèn)|南部地形圖分析火災(zāi)點(diǎn)地形對(duì)無(wú)線(xiàn)電中繼無(wú)人機(jī)通信的影響，假設(shè)無(wú)人機(jī)數(shù)量不變，建立基于免疫算法的選址優(yōu)化模型，確定無(wú)線(xiàn)電中繼無(wú)人機(jī)優(yōu)化點(diǎn)的位置。具體流程如圖5所示。

圖5 無(wú)線(xiàn)電中繼無(wú)人機(jī)選址優(yōu)化流程Fig.5 Flow chart of relay UAV site selection optimization

該模型考慮了地形因素對(duì)無(wú)線(xiàn)電中繼無(wú)人機(jī)通信的影響，使用魯棒性較高的免疫優(yōu)化算法對(duì)地址進(jìn)行了重新選取。但由于算法中對(duì)無(wú)人機(jī)以及火災(zāi)熱點(diǎn)的數(shù)量進(jìn)行了量化，故要進(jìn)行回代處理，造成了一定的誤差。

2)中繼無(wú)人機(jī)選址優(yōu)化模型算法求解

通過(guò)ArcGIS繪制的澳大利亞?wèn)|南部火災(zāi)的熱力圖，提取出量化后的31個(gè)熱點(diǎn)信息的坐標(biāo)：Hotspots=(3525, 937; 3280, 1000; …; 4000, 2700; 3900, 3400)。

在滿(mǎn)足約束的條件下，遍歷從熱力圖上提取的所有熱點(diǎn)，根據(jù)無(wú)線(xiàn)電中繼無(wú)人機(jī)量化后的個(gè)數(shù)，利用免疫優(yōu)化算法經(jīng)過(guò)100次迭代計(jì)算出優(yōu)化后的選址，優(yōu)化的結(jié)果如圖6所示。

圖6 免疫算法優(yōu)化結(jié)果Fig.6 Optimization results of immune algorithm

5 總結(jié)

通過(guò)搜集大量的數(shù)據(jù)，對(duì)澳大利亞?wèn)|南部近年的火災(zāi)勘測(cè)數(shù)據(jù)以及當(dāng)?shù)氐匦螖?shù)據(jù)整理、分析和量化。根據(jù)SSA無(wú)人機(jī)和無(wú)線(xiàn)電中繼無(wú)人機(jī)之間的配合關(guān)系，利用人工蜂群算法、免疫優(yōu)化算法，分別建立了多目標(biāo)無(wú)人機(jī)路徑線(xiàn)性規(guī)劃模型以及無(wú)線(xiàn)電中繼器無(wú)人機(jī)選址優(yōu)化模型，得出SSA無(wú)人機(jī)與無(wú)線(xiàn)電中繼無(wú)人機(jī)最佳組合與考慮地形后的最優(yōu)選址。本文采用的免疫算法能夠抑制優(yōu)化過(guò)程中出現(xiàn)的退化現(xiàn)象，從而保證無(wú)人機(jī)信號(hào)傳遞的穩(wěn)定性。但是由于無(wú)人機(jī)選址優(yōu)化模型中只考慮地形因素的影響，未考慮其他影響信號(hào)傳輸距離的因素，故模擬情況與實(shí)際情況有一定差異。