本申请涉及无人机巡检调度技术领域，更具体地，涉及一种基于目标空间聚类离散头脑风暴优化算法的无人机巡检路径规划方法。
背景技术：
随着移动通讯技术和物联网技术的发展，具有近距离传输能力的传感器网络越来越被广泛应用于各种野外电力电缆监测中。电力电缆架设跨度大，分布范围较广，而且往往比较偏僻。为了获取传感器数据，往往需要工作人员到野外的各个地点进行数据采集，耗费人力物力，实时性不高。
无人机技术作为一个新兴的技术，具有速度快、使用方便灵活、成本低等特点，比较适合用来对分散的传感器数据采集。在无人机巡检调度中，首先考虑无人机携带电池容量有限，需要优化无人机任务所需的飞行能耗，计算不同转弯角度、飞行速度等条件下较为精确的无人机能耗，基于能耗模型进行了无人机的路径规划。其次考虑在数据采集点较多，且距离较远的情况下，需要在限定的时间内由多台无人机协同完成传感器数据采集工作任务。
但是，现有技术的带转角能耗无人机规划路径模型，遍历所有采集点的同时，每台无人机很难在满足能耗约束和总飞行时间最短的前提下，应用精确算法进行求解，设计出更加适当的巡检路线。
技术实现要素：
本申请的一个目的是提供一种基于目标空间聚类离散头脑风暴优化算法的无人机巡检路径规划方法的新技术方案，能够解决现有技术中带转角能耗无人机规划路径模型，无法在满足能耗约束和总飞行时间最短的前提下，设计出更加适当的巡检路线的问题。
本申请提供了一种基于头脑风暴优化算法的无人机巡检路径规划方法，包括以下步骤：
建立无人机巡检路径规划的三维环境，确定无人机个数、每个无人机的出发点和采集点；
根据能耗约束参数建立带转角能耗的无人机巡检路径规划模型；
根据所述无人机巡检路径规划模型，采用目标空间聚类离散头脑风暴优化算法，获取所述无人机巡检路径规划的最佳路径；
其中，所述出发点为一个，所述采集点为多个，所述能耗约束参数包括无人机加速飞行时间、无人机匀速飞行时间、无人机减速飞行时间、路径节点间的加速飞行能耗、匀速飞行能耗、减速飞行能耗和路径中间节点处的转角能耗；
所述无人机巡检路径规划模型采用无向图g＝(v，e)来表示，v＝{0,1,…,n}为顶点集合，其中0为无人机出发点，采集点集合c＝v\{0}，e＝{(i,j)|i,j∈v}为边的集合，所有无人机为同型号，无人机数量为k，无人机电池容量限制为q；
所述目标空间聚类离散头脑风暴优化算法直接应用于所述无人机巡检路径规划模型，且算法采用个体空间整数编码，采用带2-opt的分阶段贪婪法解码策略实现个体空间到解空间的转换并对扰动算子和个体更新算子进行离散化定义，得到所述无人机巡检路径规划的最佳路径。
进一步地，在所述无人机巡检路径规划模型中，假定路径节点i、j、l不在一条直线上，其中，ij的延长线与线段jl的夹角为无人机的飞行转角，记为θijl，无人机飞行的所述转角能耗记为eaijl，eaijl为θijl的函数，如式(1)所示：
eaijl＝fea(θijl)(1)
假设l为无人机完整路径的航程，无人机飞行时间ft和消耗能量en为航程l的函数，如式(2)和(3)所示：
其中，lacc为航程l的加速飞行过程的航程，ldec为航程l的减速飞行过程的航程、lconst为航程l的匀速飞行过程的航程。
进一步地，所述无人机巡检路径规划模型如式(4)-式(8)所示：
其中，cij为点i到点j的距离，xijk为决策变量，且当无人机k从节点i行驶到j时为1，否则为0；yik为决策变量，且当无人机k服务节点i时为1，否则为0；式(4)为目标函数，使所有无人机路径飞行时间之和最小；式(5)表示采集点只能由一台无人机执行任务；式(6)表示中心出发的无人机不多于k台；式(7)保证每个节点无人机到达和离开的数量平衡；式(8)为无人机的电池容量大于航程能耗和转角能耗之和。
进一步地，所述无人机巡检路径规划模型还包括式(9)-式(11)：
yik∈{0,1},
xijk∈{0,1},
其中，式(9)用于避免出现子回路现象；式(10)和式(11)表示决策变量xijk和yik为0-1变量。
进一步地，所述目标空间聚类离散头脑风暴优化算法包括以下步骤：
s1：随机初始化数量为pop_size的方案集群x，初始化当前迭代次数为1；
s2：计算所述方案集群x中所有个体适应度；
s3：如当前迭代次数未达到maxiter则跳转下一步，否则跳转步骤s9；
s4：对方案群体按适应度排序，采用收敛算子进行聚类操作；
s5：执行扰动算子操作；
s6：对方案群体中每个个体采用个体更新算子进行个体更新；
s7：当前迭代次数加1；
s8：跳转步骤s3；
s9：返回最优解；
其中，pop_size表示方案原始种群数量，maxiter表示最大迭代数。
进一步地，在所述目标空间聚类离散头脑风暴优化算法中，所述个体空间整数编码中每个方案个体为n维整数向量，单台无人机路线采用路径表示方法来表示，多台无人机的巡航路径中的采集点序列连接得到方案个体编码。
进一步地，在所述目标空间聚类离散头脑风暴优化算法中，根据无人机飞行的加速飞行阶段、匀速飞行阶段和减速飞行阶段进行解码，并对解码结果进行2-opt局部优化。
进一步地，在所述目标空间聚类离散头脑风暴优化算法中，所述扰动算子采用随机个体聚类中心替换策略进行离散化定义。
进一步地，在所述目标空间聚类离散头脑风暴优化算法中，所述个体更新算子采用随机反转变换策略和部分匹配变换生成策略对个体生成操作进行离散化定义，采用整体替代更新策略对个体更新操作进行离散化定义。
进一步地，所述目标空间聚类离散头脑风暴优化算法的适应度函数如式(12)所示：
其中，fft表示无人机飞行时间与航程l的函数，cij为点i到点j的距离，xijk表示决策变量。
根据本发明实施例的基于头脑风暴优化算法的无人机巡检路径规划方法，可以根据能耗约束参数建立带转角能耗的无人机巡检路径规划模型，并且通过采用目标空间聚类离散头脑风暴优化算法，获取无人机巡检路径规划的最佳路径，有效解决了无人机巡检调度问题。
通过以下参照附图对本申请的示例性实施例的详细描述，本申请的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且连同其说明一起用于解释本申请的原理。
图1是本发明的基于头脑风暴优化算法的无人机巡检路径规划方法的流程框图；
图2是本发明的飞行转角示意图；
图3是本发明的算法中带2-opt的分阶段贪婪法流程图；
图4是本发明的算法中随机反转变换示意图；
图5是本发明的算法中部分匹配变换示意图；
图6是本发明的算法中个体更新流程图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
下面结合附图具体描述根据本发明实施例的基于头脑风暴优化算法的无人机巡检路径规划方法。
如图1所示，根据本发明实施例的基于头脑风暴优化算法的无人机巡检路径规划方法，包括以下步骤：
s1、建立无人机巡检路径规划的三维环境，确定无人机个数、每个无人机的出发点和采集点；
s2、根据能耗约束参数建立带转角能耗的无人机巡检路径规划模型；
s3、根据无人机巡检路径规划模型，采用目标空间聚类离散头脑风暴优化算法，获取无人机巡检路径规划的最佳路径。
具体来说，参见图1，在本发明实施例的基于头脑风暴优化算法的无人机巡检路径规划方法中，首先，可以建立无人机巡检路径规划的三维环境，确定参与无人机巡检路径规划的无人机个数，每个无人机的出发点和采集点。在本申请的带转角能耗多无人机路径规划问题(multi-uavpathplanningwithangularenergyconsumption，mupp-aec)中，包含若干路径节点，其中一个节点为无人机出发点，其余路径节点为无人机数据采集点。
然后，根据能耗约束参数建立带转角能耗的无人机巡检路径规划模型。其中，能耗约束参数主要由无人机加速飞行时间、无人机匀速飞行时间、无人机减速飞行时间、路径节点间的加速飞行能耗、匀速飞行能耗、减速飞行能耗和路径中间节点处的转角能耗组成。也就是说，无人机的出发点拥有有限数量无人机，无人机本身配备充电电池，有最大电池容量限制。无人机需沿多个数据采集点组成的路径进行飞行，以执行数据采集任务。节点间飞行航程可以以二维欧氏距离来表示。
采集过程中无人机具有固定的匀速飞行速度、出发时加速度和到达减速时加速度，巡航过程包括从无人机出发点出发，加速到巡航速度。然后匀速飞行并到达每个巡航地点上空时通过机载设备收集物联网传感器数据。在能量足够的情况下，无人机保持匀速并转角飞往下一个巡航地点，否则转角飞回无人机出发点，临近终点时减速到零。无人机巡航时间包括起始阶段的加速飞行所需时间，中间阶段的匀速飞行所需和结束阶段的减速飞行所需时间，无人机能耗包括路径节点间加速飞行能耗、匀速飞行能耗、减速飞行能耗和路径中间节点处的转角能耗。
无人机巡检路径规划模型(mupp-aec)可以采用无向图g＝(v，e)来表示，v＝{0，1，…，n}为顶点集合，其中0为无人机出发点，采集点集合c＝v\{0}，e＝{(i,j)|i,j∈v}为边的集合，所有无人机为同型号，无人机数量为k，无人机电池容量限制为q。
最后，可以根据无人机巡检路径规划模型，采用目标空间聚类离散头脑风暴优化算法，获取无人机巡检路径规划的最佳路径。带转角能耗多无人机路径规划问题的目标是在无人机数量有限并满足无人机能耗约束，且所有数据采集点均能被某一台无人机访问的情况下，所有无人机总巡航时间最短。
本申请的目标空间聚类离散头脑风暴优化算法(discretebrainstormoptimizationalgorithminobjectivespace，dbso-os)可以直接应用于无人机巡检路径规划模型，解决了现有的头脑风暴优化算法无法直接应用于mupp-aec的问题。本申请的目标空间聚类离散头脑风暴优化算法对现有的算法进行了改进，算法采用个体空间整数编码,采用带2-opt(两元素优化)的分阶段贪婪法解码策略实现个体空间到解空间的转换并对扰动算子和个体更新算子进行离散化定义，得到无人机巡检路径规划的最佳路径。目标空间聚类离散头脑风暴优化算法减低了计算负载，并且该算法具有良好的收敛速度和求解精度，能够有效解决无人机巡检调度的问题。
由此，根据本发明实施例的基于头脑风暴优化算法的无人机巡检路径规划方法，可以根据能耗约束参数建立带转角能耗的无人机巡检路径规划模型，并且通过采用目标空间聚类离散头脑风暴优化算法，获取无人机巡检路径规划的最佳路径，有效解决了无人机巡检调度问题。
根据本发明的一个实施例，在无人机巡检路径规划模型中，假定路径节点i、j、l不在一条直线上，其中，如图2所示，ij的延长线与线段jl的夹角为无人机的飞行转角，记为θijl，无人机飞行的转角能耗记为eaijl，eaijl为θijl的函数，如式(1)所示：
eaijl＝fea(θijl)(1)
假设l为无人机完整路径的航程，无人机飞行时间ft和消耗能量en为航程l的函数，如式(2)和(3)所示：
其中，lacc为航程l的加速飞行过程的航程，ldec为航程l的减速飞行过程的航程、lconst为航程l的匀速飞行过程的航程。
在本申请中，定义决策变量xijk，且当无人机k从节点i行驶到j时为1，否则为0。定义决策变量yik，且当无人机k服务节点i时为1，否则为0。建立带转角能耗多无人机巡检路径规划问题的数学模型如式(4)-式(8)所示：
其中，cij为点i到点j的距离，xijk为决策变量，且当无人机k从节点i行驶到j时为1，否则为0；yik为决策变量，且当无人机k服务节点i时为1，否则为0；式(4)为目标函数，使所有无人机路径飞行时间之和最小；式(5)表示采集点只能由一台无人机执行任务；式(6)表示中心出发的无人机不多于k台；式(7)保证每个节点无人机到达和离开的数量平衡；式(8)为无人机的电池容量大于航程能耗和转角能耗之和。
并且在本申请中，无人机巡检路径规划模型还包括式(9)-式(11)：
yik∈{0,1},
xijk∈{0,1},
其中，式(9)用于避免出现子回路现象；式(10)和式(11)表示决策变量xijk和yik为0-1变量。
在本发明的一些具体实施方式中，目标空间聚类离散头脑风暴优化算法包括以下步骤：
s1：随机初始化数量为pop_size的方案集群x，初始化当前迭代次数为1；
s2：计算方案集群x中所有个体适应度；
s3：如当前迭代次数未达到maxiter则跳转下一步，否则跳转步骤s9；
s4：对方案群体按适应度排序，采用收敛算子进行聚类操作；
s5：执行扰动算子操作；
s6：对方案群体中每个个体采用个体更新算子进行个体更新；
s7：当前迭代次数加1；
s8：跳转步骤s3；
s9：返回最优解。
其中，pop_size表示方案原始种群数量，maxiter表示最大迭代数。
根据本发明的一个实施例，在目标空间聚类离散头脑风暴优化算法中，个体空间整数编码中可以定义每个方案个体为n维整数向量，单台无人机路线采用路径表示方法来表示，多台无人机的巡航路径中的采集点序列连接得到方案个体编码。例如，方案i中有两台无人机进行巡查，其路径分别为r1＝(0，4，1，5，2，8，0)，r2＝(0，7，3，9，6，0)，则方案个体xi＝(4，1，5，2，8，7，3，9，6)。
可选地，在目标空间聚类离散头脑风暴优化算法中，根据无人机飞行的加速飞行阶段、匀速飞行阶段和减速飞行阶段进行解码，并对解码结果进行2-opt局部优化。
具体来说，在目标空间聚类离散头脑风暴优化算法中，解码是将n维整数向量转换为多台无人机的巡航路径。在mupp-aec中，每台无人机具有电池容量约束，无人机巡航需要路程能耗和转角能耗。路程能耗包括了无人机从无人机出发点处出发的加速能耗，中间的匀速能耗和回到无人机出发点处的减速能耗。本申请的基于头脑风暴优化算法所规划的无人机巡检路径需要保证无人机在完成所有采集点的巡航后留有足够的电池能量容量返回中心。
如图3所示，个体的编码为n维序列＝(x1，x2，…，xn)，其包含所有采集点，节点0表示指挥中心。距离矩阵为二维方阵dt，其元素(i，j)表示i到j的距离，角度矩阵为三维矩阵an，元素(i，j，l)表示θijl，j为顶点。匀速速度为spc，匀速功率为pwc。无人机从0到spc的完全加速时间为ta，完全加速距离为da，完全加速能耗为ea。从spc到0的完全减速时间为td，完全减速距离为dd，完全减速能耗为ed。eaijl表示角度θijl所需转角能耗。当前电池能耗为pbat，已用时间为t。
解码的结果是多条巡航路线，每一条巡航路线分配给一台无人机。设置路径矩阵r用于保存多条巡航路线，r的行数等于无人机可用数，列数为n 1，设置矩阵当前行索引为r，当前列索引为p。带2-opt的分阶段贪婪法解码分为加速阶段\匀速阶段和减速阶段，参见图3，详细步骤说明如下：
步骤1：初始化飞行时间、飞行路程为零，当前电池能耗pbat＝q；
步骤2：无人机从0加速到spc，其飞行路程加上da，飞行时间加上ta，无人机pbat减去ea；若中间经过了节点，则pbat减去经过节点处的转角能耗；无人机加速完毕，计算无人机到下一节点的距离为剩余匀速距离；
步骤3：计算剩余匀速距离所需时间和所需能耗，飞行时间加上所需时间，pbat减去所需能耗；设下一节点为当前节点；
步骤4：对当前节点的下一节点，计算安全总能耗为当前节点转角能耗、当前节点到下一节点航程匀速能耗、下一节点到终点的能耗和下一节点处转角能耗；判断pbat是否大于安全总能耗，如果pbat大于等于安全总能耗，飞行路程加上当前节点到下一节点航程，飞行时间加上当前节点到下一节点匀速时间，pbat减去当前节点转角能耗和当前点到下一节点航程匀速能耗，跳转下一步骤；如果pbat小于安全总能耗，跳转到步骤6执行无人机回程步骤；
步骤5：设下一节点为当前节点；判断当前节点是否为最后一个节点；如果为最后一个节点，跳转到步骤6执行无人机回程步骤，否则跳转步骤4；
步骤6：计算剩余匀速距离为当前节点到终点的距离减完全减速距离dd，计算剩余匀速距离的剩余匀速时间和剩余匀速能耗，飞行路程加上当前节点到终点航程，飞行时间加上剩余匀速距离与td之和，pbat减去剩余匀速能耗与ed之和；保存当前巡航路线。
步骤7：判断当前节点是否为最后一个节点，如果是最后一个节点，则输出所有路径；否则使用无人机数量加1，跳转步骤1。
根据本发明的一个实施例，在目标空间聚类离散头脑风暴优化算法中，扰动算子采用随机个体聚类中心替换策略进行离散化定义。个体更新算子采用随机反转变换策略和部分匹配变换生成策略对个体生成操作进行离散化定义，采用整体替代更新策略对个体更新操作进行离散化定义。
具体来说，目标空间聚类离散头脑风暴优化算法可以模拟人们采用头脑风暴的方法得到优选方案的“收敛”和“发散”的过程，其中，“收敛”是指组织者将全部解决方案聚类并在每个类中指定一个中心，“发散”是指多个专家各自根据自己的专业背景为问题产生新的解决方案。本申请的目标空间聚类离散头脑风暴优化算法在根据每个解决方案的目标空间适应度进行聚类，主要算子可以包括收敛算子、扰动算子和个体更新算子。
在本申请的目标空间聚类离散头脑风暴优化算法(discretebrainstormoptimizationalgorithminobjectivespace，dbso-os)中，设定方案群体中精英所占比例elite_perc，算法根据所有个体适应度值采用快速排序法进行所有个体排序，前elite_perc的个体将被归类为精英类个体，而剩下的个体将被归类为普通类个体。对两类个体各定义一个聚类中心，精英类个体中适应度最好的个体定义为精英类中心，其余为精英类成员，同理，普通类个体中适应度最好的个体定义为普通类中心，其余为普通类成员。
为了适应离散化操作，dbso-os扰动算子采用随机个体聚类中心替换策略。设定扰动概率pd，在每次迭代中生成一个随机数，如果该随机数小于pd，则进行扰动。扰动时按编码规则先随机生成一个新个体，对新个体解码后得到路径适应度，在精英类中心和普通类中心随机选择一个聚类中心，比较新个体适应度和选中聚类中心个体适应度，若新个体优于选中聚类中心，则替换为该聚类中心。
dbso-os个体更新算子采用随机反转变换和部分匹配变换生成策略及整体替代更新策略，对个体生成操作和个体更新操作进行了离散化定义。新的个体根据同为精英类或同为普通类的一到两个选定的个体生成。与之不同的是，采用了个体生成的离散化改进。dbso-os第一步是确定是否基于一个或两个选择的个体，第二步确定产生一个新的个体是基于精英类还是普通类。算法设定单个个体概率pone决定基于一个被选中的个体还是两个被选中的个体生成新个体，精英个体概率pe用于决定通过精英个体还是普通个体生成新个体。
当采用随机选择一个类中心或类成员时，如图4所示，对选中的单个个体通过随机反转变换产生新个体。产生[1，n]区间的两个不同的随机整数，其中较小的随机数作为反转起始位置pstart，较大的作为反转终止位置pend，个体的序号为pstart到pend之间的序列进行反转。假设个体xi＝(5，1，9，6，8，3，7，2，4)，随机得到pstart＝3，pend＝7，变换结果xinew＝(5,1,7,3,8,6,9,2,4)。
当采用选择两个类中心或类成员时，如图5所示，对两个选中个体进行部分匹配变换操作生成新个体。设两个个体分别为x1、x2，产生[1，n]区间的两个不同的随机整数，其中较小的随机数作为部分匹配变换起始位置pstart，较大的作为部分匹配变换终止位置pend，x1、x2序号pstart到pend之间的元素进行一一匹配，每次匹配形成数对<n1，n2>，在x2对<n1，n2>数对交换位置，使x2的pstart到pend之间的元素和x1相同。假设个体x1＝(5，1，9，6，8，3，7，2，4)，x2＝(8，5，4，3，7，9，6，1，2)，随机得到pstart＝4，pend＝6，变换结果x2＝(7，5，4，6，8，3，9，1，2)。
如图6所示，个体更新操作采用整体替代更新方式，对方案群体中每个个体，采用个体生成操作得到的新个体，对新个体解码得到路径适应度，比较新个体适应度和当前位置个体适应度，如果新个体优于当前位置个体，则用新个体替换当前位置个体。
根据本发明的一个实施例，目标空间聚类离散头脑风暴优化算法的适应度函数如式(12)所示：
其中，fft表示无人机飞行时间与航程l的函数，cij为点i到点j的距离，xijk表示决策变量。
也就是说，本申请的目标空间聚类离散头脑风暴优化算法采用相应适应度函数用于对方案群体进行评价，从而选出更优的个体。从适应度函数式(12)中，可以看出带转角能耗多无人机路径规划(multi-uavpathplanningwithangularenergyconsumption，mupp-aec)的成本越小，适应度越优，该方案在算法的迭代过程中将具有更高的概率替换原有的方案。
总而言之，根据本发明实施例的基于头脑风暴优化算法的无人机巡检路径规划方法，可以根据能耗约束参数建立带转角能耗的无人机巡检路径规划模型，并且通过采用目标空间聚类离散头脑风暴优化算法，获取无人机巡检路径规划的最佳路径，有效解决了无人机巡检调度问题。
虽然已经通过例子对本申请的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本申请的范围。本领域的技术人员应该理解，可在不脱离本申请的范围和精神的情况下，对以上实施例进行修改。本申请的范围由所附权利要求来限定。
1.一种基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，包括以下步骤：
建立无人机巡检路径规划的三维环境，确定无人机个数、每个无人机的出发点和采集点；
根据能耗约束参数建立带转角能耗的无人机巡检路径规划模型；
根据所述无人机巡检路径规划模型，采用目标空间聚类离散头脑风暴优化算法，获取所述无人机巡检路径规划的最佳路径；
其中，所述出发点为一个，所述采集点为多个，所述能耗约束参数包括无人机加速飞行时间、无人机匀速飞行时间、无人机减速飞行时间、路径节点间的加速飞行能耗、匀速飞行能耗、减速飞行能耗和路径中间节点处的转角能耗；
所述无人机巡检路径规划模型采用无向图g＝(v，e)来表示，v＝{0,1,…,n}为顶点集合，其中0为无人机出发点，采集点集合c＝v\{0}，e＝{(i,j)|i,j∈v}为边的集合，所有无人机为同型号，无人机数量为k，无人机电池容量限制为q；
所述目标空间聚类离散头脑风暴优化算法直接应用于所述无人机巡检路径规划模型，且算法采用个体空间整数编码，采用带2-opt的分阶段贪婪法解码策略实现个体空间到解空间的转换并对扰动算子和个体更新算子进行离散化定义，得到所述无人机巡检路径规划的最佳路径。
2.根据权利要求1所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，在所述无人机巡检路径规划模型中，假定路径节点i、j、l不在一条直线上，其中，ij的延长线与线段jl的夹角为无人机的飞行转角，记为θijl，无人机飞行的所述转角能耗记为eaijl，eaijl为θijl的函数，如式(1)所示：
eaijl＝fea(θijl)(1)
假设l为无人机完整路径的航程，无人机飞行时间ft和消耗能量en为航程l的函数，如式(2)和(3)所示：
其中，lacc为航程l的加速飞行过程的航程，ldec为航程l的减速飞行过程的航程、lconst为航程l的匀速飞行过程的航程。
3.根据权利要求2所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，所述无人机巡检路径规划模型如式(4)-式(8)所示：
其中，cij为点i到点j的距离，xijk为决策变量，且当无人机k从节点i行驶到j时为1，否则为0；yik为决策变量，且当无人机k服务节点i时为1，否则为0；式(4)为目标函数，使所有无人机路径飞行时间之和最小；式(5)表示采集点只能由一台无人机执行任务；式(6)表示中心出发的无人机不多于k台；式(7)保证每个节点无人机到达和离开的数量平衡；式(8)为无人机的电池容量大于航程能耗和转角能耗之和。
4.根据权利要求3所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，所述无人机巡检路径规划模型还包括式(9)-式(11)：
其中，式(9)用于避免出现子回路现象；式(10)和式(11)表示决策变量xijk和yik为0-1变量。
5.根据权利要求1所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，所述目标空间聚类离散头脑风暴优化算法包括以下步骤：
s1：随机初始化数量为pop_size的方案集群x，初始化当前迭代次数为1；
s2：计算所述方案集群x中所有个体适应度；
s3：如当前迭代次数未达到maxiter则跳转下一步，否则跳转步骤s9；
s4：对方案群体按适应度排序，采用收敛算子进行聚类操作；
s5：执行扰动算子操作；
s6：对方案群体中每个个体采用个体更新算子进行个体更新；
s7：当前迭代次数加1；
s8：跳转步骤s3；
s9：返回最优解；
其中，pop_size表示方案原始种群数量，maxiter表示最大迭代数。
6.根据权利要求4所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，在所述目标空间聚类离散头脑风暴优化算法中，所述个体空间整数编码中每个方案个体为n维整数向量，单台无人机路线采用路径表示方法来表示，多台无人机的巡航路径中的采集点序列连接得到方案个体编码。
7.根据权利要求5所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，在所述目标空间聚类离散头脑风暴优化算法中，根据无人机飞行的加速飞行阶段、匀速飞行阶段和减速飞行阶段进行解码，并对解码结果进行2-opt局部优化。
8.根据权利要求6所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，在所述目标空间聚类离散头脑风暴优化算法中，所述扰动算子采用随机个体聚类中心替换策略进行离散化定义。
9.根据权利要求7所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，在所述目标空间聚类离散头脑风暴优化算法中，所述个体更新算子中采用随机反转变换策略和部分匹配变换生成策略对个体生成操作进行离散化定义，采用整体替代更新策略对个体更新操作进行离散化定义。
10.根据权利要求8所述的基于头脑风暴优化算法的无人机巡检路径规划方法，其特征在于，所述目标空间聚类离散头脑风暴优化算法的适应度函数如式(12)所示：
其中，fft表示无人机飞行时间与航程l的函数，cij为点i到点j的距离，xijk表示决策变量。
技术总结