买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京航空航天大学申请的专利一种面向林区巡检的多无人机机巢协同选址方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119783867B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411582190.2，技术领域涉及：G06Q10/04；该发明授权一种面向林区巡检的多无人机机巢协同选址方法是由曾维理;钱龙;刘继新;江灏;周亚东;陈者;郭文韬;羊钊设计研发完成，并于2024-11-07向国家知识产权局提交的专利申请。

本一种面向林区巡检的多无人机机巢协同选址方法在说明书摘要公布了：本发明公开了一种面向林区巡检的多无人机机巢协同选址方法，获取地理信息数据并进行数据预处理；提取林区主要山脊线，综合考虑地理环境、基础设施和安全保障三大因素，初步预选出多个无人机机巢候选点；综合考虑无人机电量、覆盖率、抗干扰性以及地形影响，构建多目标优化选址模型，并确定其目标函数及约束条件；采用改进的NSGA‑II算法求解多目标优化选址模型，得到无人机机巢的最优选址布局方案；基于模糊集理论计算Pareto最优解集，计算各个解的优选指标并排序，其中优选值最大的解为该多目标问题的折中解。本发明有效提升了无人机群的协同运行效率，显著降低机巢建设和运营成本，提高机巢的使用效率和资源配置能力。

本发明授权一种面向林区巡检的多无人机机巢协同选址方法在权利要求书中公布了：1.一种面向林区巡检的多无人机机巢协同选址方法，其特征在于，包括以下步骤： 1获取地理信息数据并进行数据预处理； 2提取林区主要山脊线，综合考虑地理环境、基础设施和安全保障三大因素，初步预选出多个无人机机巢候选点； 3综合考虑无人机电量、覆盖率、抗干扰性以及地形影响，构建多目标优化选址模型，并确定其目标函数及约束条件； 4采用改进的NSGA-II算法求解多目标优化选址模型，得到无人机机巢的最优选址布局方案； 5基于模糊集理论计算步骤4求解的Pareto最优解集，计算各个解的优选指标并排序，其中优选值最大的解为该多目标问题的折中解； 步骤3所述多目标优化选址模型的目标函数包括： 实际机巢的建设总数量最小： 式中，xi表示机巢候选点的使用情况，是0-1变量，1表示在候选点i处建设机巢，0表示不在候选点i处建设机巢； 所选机巢对地形的的总覆盖率最大： 式中，Coveri表示候选机巢i对地形的覆盖情况； 步骤3所述多目标优化选址模型的约束条件包括： 任意两个所选机巢之间的重叠率小于β： 式中，Oij表示候选机巢i和j之间的重叠率； 任一所选机巢被显著地形阻挡的区域比例小于γ： 式中，Dk2表示候选机巢的被地形线阻挡区域的比例； 任一所选机巢的有效覆盖区域比例大于 式中，Dk3表示候选机巢的有效区域的比例； 各所选机巢覆盖区域内至少还有其他一个所选机巢： 无人机从地形中的任意点出发到ηdmax的范围内，至少存在一个机巢： 式中，dmax是无人机续航里程，I{dkp≤η·dmax}是指示函数，当dkp≤η·dmax时取值为1，否则取值为0，p为地形中任意一点； 所述步骤4实现过程如下： 41种群初始化：每个候选机巢点只有被选择建设机巢和未被选择建设机巢两种状态，采用二进制编码；每个选择机巢的方案对应种群中的一个个体，个体染色体的每位基因值对应候选机巢的状态；染色体长度设为候选机巢点的数量，即N；染色体基因型Xk＝x1,x2，……，xN，xi对应第i个机巢候选点的状态；种群规模为M，通过随机生成的方式初始化该种群，每个个体表示一种机巢选址方案； 42适应度评估：依据最大化覆盖率和最小化机巢数量两个目标函数设置适应度评估指标，并在适应度函数中加入惩罚项，对机巢间覆盖重叠率超过设定阈值的情况累加惩罚，对被地形阻挡的机巢增加惩罚，对低有效覆盖的机巢累加惩罚，每个机巢的覆盖范围内需包含至少一个备用机巢，否则累加惩罚： P＝Poverlap+Pblocked+Peffective+Predundancy10 式中，P为惩罚项总和，Poverlap、Pblocked、Peffective、Predundancy分别是重叠率惩罚、地形阻挡惩罚、有效覆盖惩罚、冗余覆盖惩罚；I{overlapi,j＞β}是指示函数，机巢i和j的重叠率大于β时取1，否则取0；I{blockediγ}表示机巢被地形阻挡区域大于γ时取1，否则取0；表示机巢有效覆盖率小于时取1，否则取0；I{nearbycounti1}表示机巢覆盖范围内无其他机巢时取1，否则取0；F1为目标最大覆盖率的适应度值，F2为目标最小化机巢数量的适应度值；F1值越大、F2值越小，表明选址方案越优； 43环境选择：首先对个体进行非支配排序，选择非支配等级最低的个体作为优先保留对象；当最优解集的数量超过预设的外部存档容量时，基于个体的拥挤距离进行选择，确保多样性；在解集的选择过程中，拥挤距离较大的个体将被优先保留，以确保解集在Pareto前沿的分布均匀，避免过度集中在局部区域； 个体i对于目标函数fj拥挤距离： 式中，Fji表示第i个个体第j个适应度函数的值； 个体i的总拥挤距离： 44双点交叉和二进制位变异：采用双点交叉方法，它随机选择父代染色体的两个交叉点，将两个点之间的基因片段进行交换；交叉操作之后会进行变异操作，采用二进制位变异操作；即随机选择个体染色体中的一个或多个位进行变异，将基因0变为1，或将基因1变为0； 45更新种群：将新生成的后代与父代个体一同进行选择，构建下一代种群；首先，对所有个体进行非支配排序，确定每个个体的支配等级；对于同一支配等级内的个体，采用精英保留锦标赛选择法，在同一支配等级中，通过锦标赛选择保留多样性较大的个体，以确保解集的多样性，同时优先保留非支配等级较高的个体； 46终止迭代：当达到预设的最大迭代次数时或当Pareto最优解集在连续若干代内不再显著变化时，算法终止；最终输出的解集即为Pareto最优解集，供决策者选择最优方案。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京航空航天大学，其通讯地址为：211106 江苏省南京市江宁区将军大道29号南京航空航天大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。