一种面向地理公平性的无人机路径规划分配方法及系统与流程

1.本发明涉及计算机技术领域，尤其涉及一种面向地理公平性的无 人机路径规划分配方法及系统。


背景技术：

2.近年来，由于无人机的高度移动性和部署灵活性，被广泛应用于 各种应急救援事件中。一方面，无人机可以充当临时基站，在应急流 量激增以及基础通信设施受损的情况下，辅助地面用户进行通信；另 一方面，无人机凭借其请强大的移动性，克服地理地形的约束，对灾 情区域的信息(如传感器等)进行采集，并将其及时回传到后方控制 中心进行数据分析等，以支持目标识别、三维地图重建等应急应用。
3.然而，由于无人机自身体积等限制条件，其自身携带的能量相对 不足，导致其飞行时间和飞行里程受限。无人机合理路径规划可以避 免浪费能量，在有限的飞行时间内执行更多的任务，提高无人机的工 作效率。为此，利用无人机进行数据采集的工作正在被广泛研究。
4.为了进一步提高无人机的采集效率，可考虑对节点进行分簇形成 子区域，每架无人机单独负责一个区域。特别地，由于无人机的能量 有限，在无人机数量较少时，无法对所有的节点进行采集，因此合理 地设计无人机的路径十分关键。


技术实现要素：

5.针对现有技术存在的问题，本发明实施例提供一种面向地理公平 性的无人机路径规划分配方法及系统。
6.本发明提供一种面向地理公平性的无人机路径规划分配方法，包 括：根据无人机数量将目标区域划分为多个子区域；根据无人机相关 的第一参数组、每个子区域内节点的数量、各节点的位置信息以及各 节点的数据量信息，对每个子区域进行飞行路径规划，以获取各飞行 路径规划相关的规划路径信息；从规划路径信息中分别确定出第一规 划路径信息和第二规划路径信息；根据第二参数组和第一规划路径信 息，构建偏好列表；根据偏好列表和第二规划路径信息，对所有的无 人机与所有的子区域进行匹配，以获取匹配结果。
7.根据本发明提供的一种面向地理公平性的无人机路径规划分配 方法，规划路径信息包括以下参数中的至少一项：路径长度、待采集 节点的采集顺序、待采集节点的位置信息、待采集节点的数据量；在 无人机无法一次性对所采集的子区域内节点完全采集的情况下，规划 路径信息是基于遗传法获取的。
8.根据本发明提供的一种面向地理公平性的无人机路径规划分配 方法，第一参数组包括以下参数中的至少一项：空气密度、总阻力， 无人机的初始能量值、总质量、旋翼数量、旋翼半径、平均运动速度、 能量效率、采集的数据质量、飞行时间、匹配关系；根据无人机相关 的第一参数组、每个子区域内节点的数量、各节点的位置信息以及各 节点的数据
量信息，对每个子区域进行飞行路径规划，以获取各飞行 路径规划相关的规划路径信息，包括：步骤1，根据任一子区域内节 点的数量位置和数据量信息，对任一子区域内所有节点进行基因编码 处理，获取包含所有个体的种群；个体为无人机的路径规划策略；步 骤2，利用适应度函数计算所有个体的适应度值；适应度函数为每个 节点采集的数据量和地理公平性的加权和；步骤3，根据个体和适应 度值，获取任一个体被遗传到下一代的遗传概率；步骤4，基于轮盘 赌选择法，根据遗传概率和第一参数组对种群中的所有个体进行筛选 处理，获取新种群；步骤5，对新种群中的所有个体进行节点变异操 作和节点交叉操作；步骤6，迭代执行步骤2至步骤5，直至获取到 的新种群仅包括单个个体，单个个体包含的信息为规划路径信息。
9.根据本发明提供的一种面向地理公平性的无人机路径规划分配 方法，在无人机能够一次性对所采集的子区域内节点完全采集的情况 下，待采集节点和规划路径是基于动态规划法获取的。
10.根据本发明提供的一种面向地理公平性的无人机路径规划分配 方法，第二参数组包括以下参数中的至少一项：空气密度、总阻力、 采集策略，以及无人机的总质量、旋翼数量、旋翼半径、平均运动速 度、能量效率、采集的数据质量、飞行时间、匹配关系；第一规划路 径信息包括以下参数中的至少一项：路径长度、待采集节点的数据量；
11.根据第二参数组和第一规划路径信息，构建偏好列表，包括：根 据第二参数组和第一规划路径信息，确定效用函数值；效用函数值包 括子区域效用函数值和无人机效用函数值；基于效用函数值，构建偏 好列表；偏好列表是将效用函数值降序排列获取的。
12.根据本发明提供的一种面向地理公平性的无人机路径规划分配 方法，匹配结果是基于盖尔
‑
沙普利法获取的。
13.根据本发明提供的一种面向地理公平性的无人机路径规划分配 方法，第二规划路径信息包括以下参数中的至少一项：路径长度、待 采集节点的采集顺序、待采集节点的位置信息、待采集节点的数据量；
14.根据偏好列表和第二规划路径信息，对所有的无人机与所有的子 区域进行匹配，以获取匹配结果，包括：对任一子区域，在偏好列表 中确定效用函数值最高且未配对的无人机；匹配结果包括每个子区域 的规划路径信息和子区域与无人机配对信息。
15.本发明还提供一种面向地理公平性的无人机路径规划分配系统， 包括：划分单元，根据无人机数量将目标区域划分为多个子区域；规 划单元，根据无人机相关的第一参数组、每个子区域内节点的数量、 各节点的位置信息以及各节点的数据量信息，对每个子区域进行飞行 路径规划，以获取各飞行路径规划相关的规划路径信息；确定单元， 从规划路径信息中分别确定出第一规划路径信息和第二规划路径信 息；构建单元，根据第二参数组和第一规划路径信息，构建偏好列表； 匹配单元，根据偏好列表和第二规划路径信息，对所有的无人机与所 有的子区域进行匹配，以获取匹配结果。
16.本发明还提供一种电子设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上 述任一种面向地理公平性的无人机路径规划分配方法的步骤。
17.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算 机程序，该计算机程序被处理器执行时实现如上述任一种面向地理公 平性的无人机路径规划分配方法的
步骤。
18.本发明提供的面向地理公平性的无人机路径规划分配方法及系 统，考虑无人机的性能和采集数据量，在子区域内进行路径规划，并 通过构建无人机和子区域的偏好列表，完成所有的子区域与无人机的 匹配，提升了数据的采集效率和可信度，减小无人机飞行总能耗，为 后续数据分析提供支持。
附图说明
19.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见 地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术 人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得 其他的附图。
20.图1是本发明提供的面向地理公平性的无人机路径规划分配方 法的流程示意图；
21.图2是本发明提供的多无人机路径规划场景示意图；
22.图3是本发明提供的匹配算法流程示意图；
23.图4是本发明提供的无人机飞行路径示意图；
24.图5为本发明提供的子区域总效用示意图之一；
25.图6为本发明提供的子区域总效用示意图之二；
26.图7为本发明提供的分簇前后无人机总能耗示意图；
27.图8是本发明提供的面向地理公平性的无人机路径规划分配系 统的结构示意图；图9是本发明提供的电子设备的结构示意图。
具体实施方式
28.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发 明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。
29.需要说明的是，在本发明实施例的描述中，术语“包括”、“包含
”ꢀ
或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列 要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没 有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者 设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”ꢀ
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备 中还存在另外的相同要素。对于本领域的普通技术人员而言，可以根 据具体情况理解上述术语在本发明中的具体含义。
30.本发明主要解决在传感器节点数据采集场景中的无人机路径规 划与任务分配问题。考虑到节点数量众多及无人机能量的限制与任务 分配，将分阶段对无人机的飞行路径和任务分配进行优化。
31.在第一阶段中，首先对每个节点簇形成的子区域内的无人机飞行 策略独立进行优化，实现采集数据量和地理公平性加权和的最大化。
32.在第二阶段中，基于第一阶段中无人机飞行路径的结果，建立无 人机和子区域之间偏好列表的建立，并实现任务分配问题，达到无人 机和子区域之间的一对一稳定匹配。
33.下面结合图1
‑
图9描述本发明实施例所提供的面向地理公平性 的无人机路径规划分配方法和系统。
34.图1是本发明提供的面向地理公平性的无人机路径规划分配方 法的流程示意图，如图1所示，包括但不限于以下步骤：
35.s1，根据无人机数量将目标区域划分为多个子区域；
36.s2，根据无人机相关的第一参数组、每个子区域内节点的数量、 各节点的位置信息以及各节点的数据量信息，对每个子区域进行飞行 路径规划，以获取各飞行路径规划相关的规划路径信息；
37.s3，从规划路径信息中分别确定出第一规划路径信息和第二规划 路径信息；
38.s4，根据第二参数组和第一规划路径信息，构建偏好列表；
39.s5，根据偏好列表和第二规划路径信息，对所有的无人机与所有 的子区域进行匹配，以获取匹配结果。
40.可选地，第一参数组包括以下参数中的至少一项：空气密度、总 阻力，无人机的初始能量值、总质量、旋翼数量、旋翼半径、平均运 动速度、能量效率、采集的数据质量、飞行时间、匹配关系。其中， 匹配关系x
i，k
表示无人机k和子区域a
i
之间是否建立了匹配关系，若建 立匹配关系则为1，否则为0。
41.第二参数组包括以下参数中的至少一项：空气密度、总阻力、采 集策略，以及无人机的总质量、旋翼数量、旋翼半径、平均运动速度、 能量效率、采集的数据质量、飞行时间、匹配关系。其中，采集策略 a
i，s
表示子区域a
i
中第s个传感器是否被采集。当a
i，s
＝1时，无人机对 该传感器进行采集，当a
i，s
＝0时，无人机不对该传感器进行采集。
42.规划路径信息包括以下参数中的至少一项：路径长度、待采集节 点的采集顺序、待采集节点的位置信息、待采集节点的数据量。
43.第一规划路径信息包括以下参数中的至少一项：路径长度、待采 集节点的数据量。
44.第二规划路径信息包括以下参数中的至少一项：路径长度、待采 集节点的采集顺序、待采集节点的位置信息、待采集节点的数据量。
45.偏好列表表征着无人机和子区域的效用函数值的大小。
46.节点为地面的传感器节点，可与无人机进行数据信息传输。
47.在一个实施例中，考虑无人机在不充电场景下采集数据的问题。 图2是本发明提供的多无人机路径规划场景示意图，如图2所示，考 虑k个无人机和n个节点组成的多无人机数据采集网络。
48.假设所有节点随机分布在该矩形区域中，且都分布在水平面上， 其中第n个节点的坐标为s
n
＝{x
n
，y
n
}，其发射功率记为p
n
，该无人机 的坐标向量为u
n
＝{x
n
，y
n
，h}，假设无人机飞行在固定高度h，对无人 机的二维路径进行优化，采集时无人机以速度v匀速飞行。
49.对于目标区域，一方面，单个无人机的电池容量有限，单架无人 机难以一次性采集完整个目标区域；另一方面，通过多架无人机同时 对不同区域进行数据采集，可以尽量减少所有数据采集时间，提升采 集效率。因此，需要对目标区域进行划分。
50.第一阶段，在步骤s1中，基于k
‑
means聚类算法，将目标区域 中的节点分为i个簇，即依据无人机数量将整个目标区域划分为i个 子区域，考虑到无人机和子区域的一对一分
配关系，通常有k＝i。节 点经过分簇后，每架无人机单独负责一个区域，互不干扰。
51.考虑到在子区域内无人机不充电的情况下能量有限，无法对所有 节点的数据进行一一采集，在这样的情况下，为了使得无人机采回的 数据能最大程度的支撑科学决策，既需要无人机采集到的数据量足够 多，也需要无人机采集到的数据足够分散，即采集信息的地理公平性 足够大，才能尽量保证后方指挥中心可以根据无人机采回的数据做出 全面而科学的决策；同时，由于子区域之间节点距离、数据量的差异， 以及无人机携带采集设备的不同，也需要合理设计无人机和子区域之 间的对应关系，完成任务分配方案。
52.进一步地，在步骤s2中，由于无人机的能量有限，无法采集区 域内所有的节点数据，故以最大化每个子区域内无人机采集节点的数 据量与地理公平性的加权和为目标，独立对每个区域进行路径规划， 在能量一定的条件下尽可能多的采集数据并兼顾地理公平性，最终得 到路径规划信息。根据无人机相关的第一参数组、每个子区域内节点 的数量、各节点的位置信息以及各节点的数据量信息，对每个子区域 进行飞行路径规划，以获取各飞行路径规划相关的规划路径信息。
53.进一步地，在步骤s3中，从规划路径信息中分别确定出第一规 划路径信息和第二规划路径信息。第一阶段结束。
54.进一步地，第二阶段，在步骤s4中，根据第二参数组和第一规 划路径信息，将可以按照无人机和子区域的效用函数计算，构建两者 之间的偏好列表，以依据该偏好列表进行任务分配。
55.进一步地，在步骤s5中，根据偏好列表和第二规划路径信息， 对所有的无人机与所有的子区域进行匹配，以获取匹配结果。
56.本发明提供的面向地理公平性的无人机路径规划分配方法，考虑 无人机的性能、采集数据量和地理公平性，在子区域内进行路径规划， 并通过构建无人机和子区域的偏好列表，完成所有的子区域与无人机 的匹配，提升了数据的采集效率和可信度，减小无人机飞行总能耗， 为后续数据分析提供支持。
57.在一个实施例中，可以通过构建系统模型，以实现对无人机路径 的规划分配。
58.首先建立系统模型，定义所有子区域的集合为对于任意子区域定义为子区域a
i
中的所有节 点集合，也就是实际上无人机要在该区域中进行采集的目标节点，定 义无人机集合为
59.其中，k代表无人机的总数量。用二元变量a
i，s
表示子区域a
i
中第 个节点是否被采集。当a
i，s
＝1时，无人机对该节点进行采集，否则a
i，s
＝0(没被采集)，则对于子区域a
i
的采集策略可以定义为 60.假设无人机在子区域内的一次飞行路径中共采集了w个节点， 则无人机从起始点出发采集结束返回起始点时，其所有的飞行路径共 包括w 1段，用集合表示路径集合，其中l
w
表示路 径长度。
61.为了更好地支撑后续的数据分析工作，既需要保证无人机采集的 信息数据量充足，也需要保证无人机采集的信息尽可能广泛，从而可 以对整个区域的状况有一个相对全面的了解，即被采集的信息的地理 公平性应该足够高。因此，出于地理公平性的考虑，在一个子区域a
i
内，我们定义所有被采集的节点的中心为ψ
i
，并用该中心到所有被采 集节点的
平均距离大小来衡量信息地理公平性，平均距离越大，则地 理公平性越高，否则地理公平性越低。
62.具体地，对于其中一个子区域来说，无人机自起始点出发到最终 回到起始点的过程中，采集的所有节点的地理中心ψ
i
的横坐标被定 义为所有被采集节点的横坐标的平均值，纵坐标被定义为所有被采 集节点的纵坐标的平均值，则有：
[0063][0064][0065]
其中，x
i，s
和y
i，s
分别为区域a
i
中第s个节点的横坐标和纵坐标。
[0066]
定义表示子区域a
i
中第s个节点到中心ψ
i
的距离，则有：
[0067][0068]
进一步地，考虑无人机的能量有限，无法采集区域内所有的节点 数据，本发明考虑以最大化每个子区域内无人机采集节点的数据量与 地理公平性的加权和为目标，独立对每个区域进行路径规划，在能量
[0069]
一定的条件下尽可能多的采集数据并兼顾地理公平性，最终得到路径 规划信息。
[0070]
接下来对无人机和节点之间的信道模型进行分析。考虑上行场景， 假定无人机飞行到节点正上方时才进行数据采集。假设无人机到地面 的信道模型为视距链路，无人机和节点之间的信道增益遵循自由空间 路径损耗模型(free space path loss，fspl)。
[0071]
因此无人机和节点之间的信道增益l
fspl
为：
[0072]
l
fspl
＝20log(4πf
c
h/c)
ꢀꢀꢀꢀ
(4)
[0073]
其中f
c
、c分别表示载波频率和光速，h为无人机的飞行高度。
[0074]
则在子区域a
i
中无人机和节点s之间的数据传输速率r
i，s
可以表
[0075]
示为
[0076][0077]
其中b表示带宽，σ2表示无人机接收处的噪声功率，p
n
为第n
[0078]
个节点的发射功率。
[0079]
则数据传输的时间t
i，s
为：
[0080][0081]
其中，d
i，s
为第i个子区域a
i
内第s个节点的数据量。
[0082]
进一步地，建立无人机能耗模型。除特殊说明外，只针对一个子 区域进行举例，其
余子区域同理。
[0083]
无人机的能耗模型分为多种。按照无人机的类型分，主要包括旋 翼无人机能耗模型和固定翼无人机能耗模型，其中固定翼无人机能耗 模型又可以进一步分为匀速直线运动模型和匀速圆周运动模型。本实 施例以四旋翼无人机能耗模型为例，其不视为对保护范围的限定。
[0084]
无人机能耗模型中无人机的能量损耗主要包括两部分，传输数据 时无人机的传输能量损耗和维持无人机自身运动状态能量损耗，如推 进和悬停。考虑到无人机的传输能量损耗远远小于飞行时能量损耗， 可将传输时能量损耗忽略不计。此外，为了简化模型，无人机始终匀 速飞行且不考虑急停与转向带来的能量损耗。无人机匀速推进过程中 的能量主要用于克服重力，以及环境因素和无人机在空中的向前运动 而产生的阻力。
[0085]
记无人机前进的最小功率为则该值可以通过以下公式进行 推导得到：
[0086][0087]
f＝mg f
drag
ꢀꢀꢀ
(8)
[0088][0089][0090]
其中，f是总推力，是在给定推力f下的隐含速度，v是无人 机相对地面的平均运动速度，θ是无人机俯仰角度。m表示无人机的 总质量，包括无人机机身、电池以及其他配件的质量，g是重力常数， f
drag
是由风速、空气密度ρ和阻力系数确定的总阻力。考虑到不同高 度下空气密度的差异性，无人机飞行在不同高度时会受到不同的阻力， 为简化分析，本发明考虑无人机始终飞行固定高度处，忽略高度对无 人机能耗模型带来的差异。
[0091]
无人机飞行时俯仰角计算由(9)式得出。此外，对于则从隐 式方程(10)中计算得出，其中w和r分别表示无人机的旋翼数量和 旋翼半径。
[0092]
当无人机有足够的能量时，无人机单位时间内的能量消耗表 示为：
[0093][0094]
其中，η是能量效率，此外，无人机悬停时单位时间的最小能量 消耗记为表示为：
[0095][0096]
其中，无人机悬停时的功率为：
[0097][0098]
因此，总的推进能耗可以表示为：
[0099][0100]
其中表示无人机推进的总时间，应该为其在子区域的飞行的 总距离之和与
其飞行速度的比值，表示为：
[0101][0102]
总悬停能耗可以表示为：
[0103][0104]
其中表示在子区域内无人机悬停的总时间，应该为其采集的 节点的总信息量之和与传输速率的比值，考虑簇内其余节点将数据传 给簇头，表示为：
[0105][0106]
因此，无人机在t时刻无人机的剩余能量应为初始能量值e
init
与 总能量消耗(包括推进能耗和悬停能耗)之差为e(t)，表示为：
[0107][0108]
进一步地，建立匹配模型。为实现无人机和子区域之间的一对一 匹配问题，需要建立无人机和子区域之间的偏好列表。具体地，以信 息收集的效用为偏好，建立无人机和子区域之间的偏好关系。接下来， 将分别定义子区域对无人机的效用以及无人机对子区域的效用。
[0109]
首先定义子区域的效用，对于每个子区域来，其数据采集的收益 取决于采集任务被完成情况，即和数据采集质量、采集数量、采集时 间、以及地理公平性有关。
[0110]
因此综合上述因素，子区域a
i
被无人机k进行数据采集时的收益 r
i，k
记为：
[0111][0112]
其中，α
i，1
与α
i，2
为效用系数，可根据实际情况灵活选取。
[0113]
在公式(19)中，第一项为数据量之和，d
i，s
为第i个子区域a
i
内 第s个节点的数据量。，δ
k
表示无人机k采集的数据质量，和无人机所 携带的设备质量有关，t
k，i
表示无人机k收集完该子区域中所有数据的 时间。第二项表示为所采集节点到中心点的平均距离。
[0114]
基于上述实施例的内容，作为一个可选的实施例，规划路径信息 包括以下参数中的至少一项：路径长度、待采集节点的采集顺序、待 采集节点的位置信息、待采集节点的数据量；在无人机无法一次性对 所采集的子区域内节点完全采集的情况下，规划路径信息是基于遗传 法获取的。
[0115]
可选地，由于实际场景中无人机能量有限，当区域面积较大时， 无人机无法采集区域内所有的节点。在第一阶段中，遗传算法可以使 无人机在有限的能量里需要尽可能的采集差异化大的节点数据，为后 续数据分析提供支持。
[0116]
根据本发明提供的面向地理公平性的无人机路径规划分配方法， 在无人机数量不足以采集全部节点信息的情况下，基于遗传法对子区 域进行路径规划，可以保证无人机在有限的能量中，实现数据量与信 息地理公平性加权和的最大化。
[0117]
基于上述实施例的内容，作为一个可选的实施例，第一参数组包 括以下参数中的至少一项：空气密度、总阻力，无人机的初始能量值、 总质量、旋翼数量、旋翼半径、平均运动速度、能量效率、采集的数 据质量、飞行时间、匹配关系；根据无人机相关的第一参数组、每个 子区域内节点的数量、各节点的位置信息以及各节点的数据量信息， 对每个子区域进行飞行路径规划，以获取各飞行路径规划相关的规划 路径信息，包括：
[0118]
步骤1，根据任一子区域内节点的数量位置和数据量信息，对任 一子区域内所有节点进行基因编码处理，获取包含所有个体的种群； 个体为无人机的路径规划策略；
[0119]
步骤2，利用适应度函数计算所有个体的适应度值；适应度函数 为每个节点采集的数据量和地理公平性的加权和；
[0120]
步骤3，根据个体和适应度值，获取任一个体被遗传到下一代的 遗传概率；
[0121]
步骤4，基于轮盘赌选择法，根据遗传概率和第一参数组对种群 中的所有个体进行筛选处理，获取新种群；
[0122]
步骤5，对新种群中的所有个体进行节点变异操作和节点交叉操 作；
[0123]
步骤6，迭代执行步骤2至步骤5，直至获取到的新种群仅包括 单个个体，单个个体包含的信息为规划路径信息。
[0124]
在无人机能量限制约束下，需要确定无人机对节点的访问顺序， 保证无人机在有限的能量中，实现数据量与信息地理公平性加权和的 最大化。因此，本实施例设计了基于遗传算法的无人机飞行路径规划 方案，并在每个子区域中对无人机的飞行策略进行独立设计与优化， 下面以其中一个子区域为例，对遗传算法辅助下的无人机路径规划方 案进行说明。
[0125]
第一阶段，在步骤1中，初始化遗传算法的种群g，将所有簇头 的位置进行基因编码，其编码形式如公式(20)中的矩阵所示：
[0126][0127]
在该矩阵中，所有个体的数目为|g|，对应于下列公式(20)中矩 阵的行数，g
j
为种群中第j个个体，对应公式(20)中矩阵的第j行。
[0128]
种群中的每个个体，即公式(20)中的每一行都代表无人机的一 种可能的飞行路径策略。
[0129]
假设共有k个簇头，为了便于表示，分别用1～k来表示每个簇头， 并用0表示无人机起始点，无人机采集完成后最终再次回到起始点0。
[0130]
此外，若无人机的能量足够飞完整个区域，则在编码时将0放置 每个个体的末尾即可。
[0131]
进一步地，在步骤2中，定义在个体g
j
这种飞行策略下，适应 度函数f为采集的数据量与地理公平性的加权和：
[0132]
[0133]
此外，若无人机的能量足够飞完整个区域，则可取飞行路径长度 的倒数作为个体的适应度值。
[0134]
进一步地，在步骤3中，采用轮盘赌选择法选择适应度比较优良 的个体。
[0135]
首先根据基因编码方案和适应度函数计算出种群中每个个体适 应度，则个体g
j
被遗传到下一代的概率记为：
[0136][0137]
进一步地，在步骤4中，遗传算法中的变异操作与交叉操作的作 用相同，即都希望通过增加每个个体的差异性，去尽可能探索整个求 解空间中的最优解。
[0138]
其中，变异操作是针对群体中每个个体而言的，即以一定的概率 将每个个体中的任意两个基因进行位置交换；交叉则是针对两个个体 而言的，即以一定的概率，将任意选择的两个个体中一段基因进行交 换。
[0139]
定义函数z表示取集合g
j
中两个0(包括0)之间的序列，则通 过该算法得到的最优飞行策略为遗传算法达到最大迭代次数时 种群g中适应度最高的个体g
i
*所对应的飞行策略，可以表示为：
[0140][0141]
当地面节点数量较多，无人机数量较少时。依据无人机的数量分 簇后，每一簇形成的子区域内的节点数量较多，无人机无法对所有节 点进行采集，此时对子区域内的节点有选择的进行采集，可使用上述 遗传算法优化路径以最大化数据量与地理公平性的加权和。
[0142]
根据本发明提供的面向地理公平性的无人机路径规划分配方法， 在无人机数量不足以采集全部节点信息的情况下，通过遗传法对子区 域进行路径规划以及优化路径，可以保证无人机在有限的能量中，最 大化数据量与地理公平性的加权和，待采集节点在整个区域中均随机 分布，更符合实际情况。
[0143]
基于上述实施例的内容，作为一个可选的实施例，在无人机能够 一次性对所采集的子区域内节点完全采集的情况下，待采集节点和规 划路径是基于动态规划法获取的。
[0144]
在一个实施例中，若对目标区域内的节点进行分簇后，每一簇形 成的子区域内节点数量较少时，无人机的能量可以访问所有的节点， 其地理公平性为固定值。因此，可以使用动态规划算法对路径进行求 解，以最小化无人机采集子区域内所有节点的时间，旨在最大化子区 域的收益，接下来对动态规划算法进行介绍。
[0145]
首先，定义所有子区域a
i
中未访问的节点集合为则代 表由节点s出发，经过集合内的所有节点所需要的的最短路径。若则节点s直接返回出发点即可。若则可以将内的路径 看成子问题再进行求解。综上所述，动态规划状态转移方程如下：
[0146][0147]
其中s0表示出发点，代表从节点s回到出发点的距离，l
s，s
′
代表 由节点s飞至节点s
′
的距离。表示从集合中去除节点{s}。在初 始化阶段令通过状态转移方程，将原始问题化成子问题再逐 一进行求解，最终得到无人机飞行路径。
[0148]
根据本发明提供的面向地理公平性的无人机路径规划分配方法， 在无人机数量足够的情况下，基于动态规划法对子区域进行路径规划， 可以最小化无人机采集子区域内所有节点的时间，进而最大化子区域 的收益。
[0149]
在第二阶段中，首先构建偏好列表。可选地，第二参数组包括以 下参数中的至少一项：空气密度、总阻力、采集策略，以及无人机的 总质量、旋翼数量、旋翼半径、平均运动速度、能量效率、采集的数 据质量、飞行时间、匹配关系；第一规划路径信息包括以下参数中的 至少一项：路径长度、待采集节点的数据量；根据第二参数组和第一 规划路径信息，构建偏好列表，包括：根据第二参数组和第一规划路 径信息，确定效用函数值；效用函数值包括子区域效用函数值和无人 机效用函数值；基于效用函数值，构建偏好列表；偏好列表是将效用 函数值降序排列获取的。
[0150]
在一个实施例中，对于每个子区域来说，数据被采集需要支付给 无人机一定的报酬，记为p
i，k
，则p
i，k
可以表示为：
[0151][0152]
其中λ
i
为效用系数，可根据实际情况灵活选取。
[0153]
因此子区域a
i
被无人机k进行数据采集的效用l
i，k
可以表示为：
[0154][0155]
其中二元变量x
i，k
表示无人机k和子区域a
i
之间是否建立了匹配关 系，若建立匹配关系则为1，否则为0。
[0156]
定义x
i
×
k
表示由x
i，k
组成的匹配矩阵。而对于每个无人机来说， 其收益即为子区域a
i
支付给无人机k的报酬，即p
i，k
。
[0157]
然后，继续对无人机的效用进行定义和说明。无人机的效用由两 部分组成，即无人机收集信息的收益，以及其能量消耗的成本。
[0158]
其中，其能量消耗的成本包括无人机的推进能耗和悬停能耗，将 无人机k采集子区域a
i
的能耗记为e
k，i
，则可以将其表示为：
[0159][0160]
其中ω
k
表示效用系数，为二元变量，表示在子区域a
i
中无人 机k是否从第s个节点飞往第s’个节点，则无人机k在子区域a
i
中的飞 行策略可以表示为变量表示在子区域a
i
中，从第s个节点到第s’个节点的飞
行距离，为子区域a
i
中第s个 节点数据量。表示无人机k在子区域a
i
中第s个节点的传输速率。
[0161]
因此，无人机k收集子区域a
i
中节点数据的效用记为y
k，i
，可以表 示为：
[0162][0163]
根据公式(19)和公式(25)，可以在公式(26)中求得每个子 区域的效用函数值；
[0164]
根据公式(27)，可以在公式(28)中求得每个子区域和无人机 的效用函数值，以这些效用函数作为无人机和子区域之间的偏好程度， 按照偏好大小分别建立无人机和子区域的偏好列表。在偏好列表中， 根据前面的效用进行由大到小排序。排在前面的则偏好程度越高。
[0165]
以最大化子区域的效用公式(29)和无人机的效用公式(30)为 目标函数，进行问题建模。通过以上内容已经对子区域和无人机的各 自效用函数进行了推导，将其分别建模为问题p1与p2。其中p1表 示最大化所有子区域的数据被采集的效用之和，表示如下：
[0166]
p1:
[0167][0168][0169][0170]
其中，(24a)和(24b)表示无人机与子区域之间为一对一匹配，
[0171]
(24c)表示子区域内的路径规划选择方案。
[0172]
接下来定义无人机效用的最大化效用问题。p2表示最大化所有 无人机的收集节点的效用之和，可以表示为：
[0173]
p2:
[0174][0175][0176][0177][0178]
其中，(30a)和(30b)表示无人机与子区域之间为一对一匹配，
[0179]
(30c)表示子区域内的路径规划选择方案，(30d)表示无人机在任 意时刻的能量要大于零，从而确保无人机可以返回出发点。
[0180]
从问题p1和p2可以看出，子区域的效用函数和无人机的效用函 数都既和无人机与子区域之间的任务分配有关，也和每个子区域中无 人机飞行路径有关，且彼此之间相互
耦合，无法直接进行求解。
[0181]
根据本发明提供的面向地理公平性的无人机路径规划分配方法， 通过构建无人机和子区域的偏好列表，用于对所有的无人机与所有的 子区域进行匹配，提升了数据的采集效率和可信度，减小无人机飞行 总能耗，为后续数据分析提供支持。
[0182]
依据偏好列表对无人机和子区域之间进行匹配，即此时需要进行 第二阶段任务分配的求解。
[0183]
基于上述实施例的内容，作为一个可选的实施例，匹配结果是基 于盖尔
‑
沙普利法获取的。
[0184]
盖尔
‑
沙普利算法(gale
‑
shapley algorithm，gs匹配算法)是一 种稳定匹配方案。稳定匹配是指对匹配双方中的每一位来说，都不存 在比当前匹配方案更好的匹配方案，则此时的匹配方案就是稳定匹配 方案。
[0185]
根据本发明提供的面向地理公平性的无人机路径规划分配方法， 通过gs匹配算法获取匹配结果，以获取稳定的匹配方案。
[0186]
基于上述实施例的内容，作为一个可选的实施例，第二规划路径 信息包括以下参数中的至少一项：路径长度、待采集节点的采集顺序、 待采集节点的位置信息、待采集节点的数据量；根据偏好列表和第二 规划路径信息，对所有的无人机与所有的子区域进行匹配，以获取匹 配结果，包括：对任一子区域，在偏好列表中确定效用函数值最高且 未配对的无人机；匹配结果包括每个子区域的规划路径信息和子区域 与无人机配对信息。
[0187]
在第二阶段中，将可以按照无人机和子区域的效用函数计算，构建两 者之间的偏好列表，以依据该偏好列表进行任务分配。
[0188]
具体地,子区域内的路径规划选择方案p3为：
[0189]
p3:
[0190][0191][0192]
其中，约束条件(31a)表示子区域内的路径规划选择方案，约 束条件(31b)表示无人机在子区域的飞行过程中电量始终大于零。
[0193]
对于路径规划，由于无人机的能量有限，因此当无人机无法采集 子区域内的所有节点时，兼顾地理公平性与数据量。当节点分簇形成 的子区域数量增多，每簇内节点数量减少时，无人机可以采集子区域 内所有的数据，数据量和地理公平性均相同，故其地理公平性与数据 量的加权和为定值，因此p3可以转换为最小化子区域内无人机飞行 的时间，进而增大子区域的效用。
[0194]
图3是本发明提供的匹配算法流程示意图，如图3所示，假如共 有n架无人机组成的集合a和n个子区域组成的集合b进行匹配， 每架无人机对每一个子区域的喜好程度都有所不同，即偏好列表不同。
[0195]
假如无人机a1此时的匹配对象为子区域b1，但是无人机a1更偏 好子区域b2；子区
域b2目前的匹配对象为无人机a2，但子区域b2更喜欢无人机a1，这种情况下，就认为匹配结果是不稳定的，只有 当前匹配结果中不存在这样的匹配对时，才能认为匹配结果稳定。
[0196]
接下来对gs匹配算法的基本流程进行说明，图3是本发明提供 的匹配算法流程示意图，如图3所示，假设匹配双方组成的集合为a 和b，则具体的匹配步骤如下：
[0197]
首先，集合a中节点基于偏好列表向集合b中的节点提出匹配 请求；其次，集合b中的节点选择接受当前为止接收到的偏好优先级 最高的节点匹配；然后，若集合a中的节点请求被拒绝，可以向偏 好列表中下一个节点发起匹配；最后，该算法在集合a中的所有节 点都不再提出匹配请求时终止。
[0198]
根据上述内容，定义偏好列表f
i
和f
k
分别代表子区域对无人机 的偏好与无人机对子区域的偏好。将本场景下的无人机和子区域分别 映射为匹配双方，并利用效用函数建立双方的偏好列表，然后对该场 景下的两个重要规则进行说明。第一方面，请求规则，具体为，对于 任意子区域会根据其偏好列表f
i
，找到偏好程度最高，即效 用函数最高的无人机请求匹配。第二方面，拒绝规则，具体为，对于 任意一架无人机如果收到了来自子区域的匹配请求，若此时 对于该无人机来说已经有一个更好的子区域，即能使该无人机获得更 高效用的子区域，与之匹配，则无人机可以拒绝该子区域的匹配请求。
[0199]
作为一个可选的实施例，无人机和子区域之间的具体匹配过程如 下所述。(1)匹配偏好初始化：对每个子区域和每个无人机 k∈k分别计算f
i
和f
k
，定义集合φ用来存储还没有被匹配的子区域 集合，在匹配开始之前，(2)对所有的子区域a
i
∈φ，按照 请求规则分别提出请求。(3)对所有的无人机分别执行拒绝规 则，如果无人机收到匹配请求时没有进行匹配，则将与向其发出匹配 请求的子区域建立匹配关系。(4)对集合φ进行更新，去除掉那些已 经被匹配上的子区域，迭代执行步骤(2)至(4)，直到所有的子区 域和无人机都建立了匹配关系。
[0200]
表1为面向地理公平性的无人机路径规划分配方法的算法，如表 1所示，输入区域集合无人机集合最大迭代次数iter
max
、交 叉概率γ和变异概率可以输出无人机和子区域的匹配列表x。
[0201]
表1面向地理公平性的无人机路径规划分配方法的算法
[0202][0203][0204]
根据本发明提供的面向地理公平性的无人机路径规划分配方法， 基于gs匹配算法，根据规划路径和偏好列表，实现无人机的任务分 配问题，达到无人机和子区域之间的一对一稳定匹配。
[0205]
在一个实施例中，本发明实施例的方案将基于matlab软件平 台进行仿真，仿真结果验证了本发明的性能。其中仿真设置中，100 个节点随机分布在1000m
×
1000m的范围内，节点发射功率0.1w，载 波频率为2ghz，带宽为1mhz，噪声功率σ2为
‑
110dbm。每个节点数 据量为1～10mb，簇内范围阈值180m，无人机飞行高度为100m，飞 行速度为20m/s，无人机质量m为1.57kg，旋翼数量为4，总阻力f
drag
为9.6998n，空气密度ρ＝1.225kg/m3，能量效率η＝
0.7，无人机初始能 量为150000j，遗传算法交叉概率为0.8，变异概率为0.2，种群规模 为100。
[0206]
首先考虑无人机数量较少时，路径规划与任务分配策略。图4是 本发明提供的无人机飞行路径示意图，如图4所示，同时考虑数据量 与地理公平性时，实现很好的折中。
[0207]
图5为本发明提供的子区域总效用示意图之一，如图5所示，本 发明的提供的路径规划算法在效用方面有明显的优越性。随着能量增 多，子区域效用成上升趋势。当无人机能量升高约160000j时，曲线 不在发生变化。
[0208]
图6为本发明提供的子区域总效用示意图之二，如图6所示，对 比了不同方案最终实现的所有子区域信息的总效用。本文使用的基于 动态规划与gs匹配的方案比较接近穷搜的性能。
[0209]
图7为本发明提供的分簇前后无人机总能耗示意图，如图7所示， 随着节点数量的增多，无人机总能耗呈现上升趋势。同时，分簇后无 人机的总能量明显低于未分簇，充分显示本发明所提算法的优越性。
[0210]
图8是本发明提供的面向地理公平性的无人机路径规划分配系 统的结构示意图，如图8所示，包括但不限于以下单元：
[0211]
划分单元81，根据无人机数量将目标区域划分为多个子区域；
[0212]
规划单元82，根据无人机相关的第一参数组、每个子区域内节 点的数量、各节点的位置信息以及各节点的数据量信息，对每个子区 域进行飞行路径规划，以获取各飞行路径规划相关的规划路径信息；
[0213]
确定单元83，从规划路径信息中分别确定出第一规划路径信息 和第二规划路径信息；
[0214]
构建单元84，根据第二参数组和第一规划路径信息，构建偏好 列表；
[0215]
匹配单元85，根据偏好列表和第二规划路径信息，对所有的无 人机与所有的子区域进行匹配，以获取匹配结果。
[0216]
在系统运行的过程中，划分单元81根据无人机数量将目标区域划分 为多个子区域；规划单元82根据无人机相关的第一参数组、每个子 区域内节点的数量、各节点的位置信息以及各节点的数据量信息，对 每个子区域进行飞行路径规划，以获取各飞行路径规划相关的规划路 径信息；确定单元83从规划单元82输出的规划路径信息中分别确定 出第一规划路径信息和第二规划路径信息；构建单元84根据第二参 数组和确定单元83输出的第一规划路径信息，构建偏好列表；匹配 单元85根据偏好列表和确定单元83输出的第二规划路径信息，对所 有的无人机与所有的子区域进行匹配，以获取匹配结果。
[0217]
其中，第一参数组包括以下参数中的至少一项：空气密度、总阻 力，无人机的初始能量值、总质量、旋翼数量、旋翼半径、平均运动 速度、能量效率、采集的数据质量、飞行时间、匹配关系。其中，匹 配关系x
i，k
表示无人机k和子区域a
i
之间是否建立了匹配关系，若建立 匹配关系则为1，否则为0。
[0218]
第二参数组包括以下参数中的至少一项：空气密度、总阻力、采 集策略，以及无人机的总质量、旋翼数量、旋翼半径、平均运动速度、 能量效率、采集的数据质量、飞行时间、匹配关系。其中，采集策略 a
i，s
表示子区域a
i
中第s个传感器是否被采集。当a
i，s
＝1时，无人机对 该传感器进行采集，当a
i，s
＝0时，无人机不对该传感器进行采集。
[0219]
规划路径信息包括以下参数中的至少一项：路径长度、待采集节 点的采集顺序、待采集节点的位置信息、待采集节点的数据量。
[0220]
第一规划路径信息包括以下参数中的至少一项：路径长度、待采 集节点的数据量。
[0221]
第二规划路径信息包括以下参数中的至少一项：路径长度、待采 集节点的采集顺序、待采集节点的位置信息、待采集节点的数据量。
[0222]
偏好列表表征着无人机和子区域的效用函数值的大小。
[0223]
节点为地面的传感器节点，可与无人机进行数据信息传输。
[0224]
在一个实施例中，考虑无人机在不充电场景下采集数据的问题。 图2是本发明提供的多无人机路径规划场景示意图，如图2所示，考 虑k个无人机和n个节点组成的多无人机数据采集网络。
[0225]
假设所有节点随机分布在该矩形区域中，且都分布在水平面上， 其中第n个节点的坐标为s
n
＝{x
n
，y
n
}，其发射功率记为p
n
，该无人机 的坐标向量为u
n
＝{x
n
，y
n
，h}，，假设无人机飞行在固定高度h，对无人 机的二维路径进行优化，采集时无人机以速度v匀速飞行。
[0226]
对于目标区域，一方面，单个无人机的电池容量有限，单架无人 机难以一次性采集完整个目标区域；另一方面，通过多架无人机同时 对不同区域进行数据采集，可以尽量减少所有数据采集时间，提升采 集效率。因此，需要对目标区域进行划分。
[0227]
首先，基于k
‑
means聚类算法，划分单元81将目标区域中的节 点分为i个簇，即依据无人机数量将整个目标区域划分为i个子区域， 考虑到无人机和子区域的一对一分配关系，通常有k＝i。节点经过分 簇后，每架无人机单独负责一个区域，互不干扰。
[0228]
考虑到在子区域内无人机不充电的情况下能量有限，无法对所有 节点的数据进行一一采集，在这样的情况下，为了使得无人机采回的 数据能最大程度的支撑科学决策，既需要无人机采集到的数据量足够 多，也需要无人机采集到的数据足够分散，即采集信息的地理公平性 足够大，才能尽量保证后方指挥中心可以根据无人机采回的数据做出 全面而科学的决策；同时，由于子区域之间节点距离、数据量的差异， 以及无人机携带采集设备的不同，也需要合理设计无人机和子区域之 间的对应关系，完成任务分配方案。
[0229]
进一步地，考虑无人机的能量有限，无法采集区域内所有的节点 数据，故以最大化每个子区域内无人机采集节点的数据量与地理公平 性的加权和为目标，独立对每个区域进行路径规划，在能量一定的条 件下尽可能多的采集数据并兼顾地理公平性，最终得到路径规划信息。 规划单元82根据无人机相关的第一参数组、每个子区域内节点的数 量、各节点的位置信息以及各节点的数据量信息，对每个子区域进行 飞行路径规划，以获取各飞行路径规划相关的规划路径信息。
[0230]
进一步地，确定单元83从规划路径信息中分别确定出第一规划 路径信息和第二规划路径信息。
[0231]
进一步地，构建单元84根据第二参数组和第一规划路径信息， 将可以按照无人机和子区域的效用函数计算，构建两者之间的偏好列 表，以依据该偏好列表进行任务分配。
[0232]
进一步地，匹配单元85根据偏好列表和第二规划路径信息，对 所有的无人机与所有的子区域进行匹配，以获取匹配结果。
[0233]
本发明提供的面向地理公平性的无人机路径规划分配系统，考虑 无人机的性能
和采集数据量，在子区域内进行路径规划，并通过构建 无人机和子区域的偏好列表，完成所有的子区域与无人机的匹配，提 升了数据的采集效率和可信度，减小无人机飞行总能耗，为后续数据 分析提供支持。
[0234]
需要说明的是，本发明实施例提供的面向地理公平性的无人机路 径规划分配系统，在具体执行时，可以基于上述任一实施例所述的面 向地理公平性的无人机路径规划分配方法来实现，对此本实施例不作 赘述。
[0235]
图9是本发明提供的电子设备的结构示意图，如图9所示，该电 子设备可以包括：处理器(processor)910、通信接口(communicationsinterface)920、存储器(memory)930和通信总线940，其中，处理 器910，通信接口920，存储器930通过通信总线940完成相互间的 通信。处理器910可以调用存储器930中的逻辑指令，以执行面向地 理公平性的无人机路径规划分配方法，该方法包括：根据无人机数量 将目标区域划分为多个子区域；根据无人机相关的第一参数组、每个 子区域内节点的数量、各节点的位置信息以及各节点的数据量信息， 对每个子区域进行飞行路径规划，以获取各飞行路径规划相关的规划 路径信息；从规划路径信息中分别确定出第一规划路径信息和第二规 划路径信息；根据第二参数组和第一规划路径信息，构建偏好列表； 根据偏好列表和第二规划路径信息，对所有的无人机与所有的子区域 进行匹配，以获取匹配结果。
[0236]
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的 形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可 读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品 的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若 干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者 网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而 前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，random access memory)、磁碟 或者光盘等各种可以存储程序代码的介质。
[0237]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序 产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计 算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能 够执行上述各方法所提供的面向地理公平性的无人机路径规划分配 方法，该方法包括：根据无人机数量将目标区域划分为多个子区域； 根据无人机相关的第一参数组、每个子区域内节点的数量、各节点的 位置信息以及各节点的数据量信息，对每个子区域进行飞行路径规划， 以获取各飞行路径规划相关的规划路径信息；从规划路径信息中分别 确定出第一规划路径信息和第二规划路径信息；根据第二参数组和第 一规划路径信息，构建偏好列表；根据偏好列表和第二规划路径信息， 对所有的无人机与所有的子区域进行匹配，以获取匹配结果。
[0238]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上 存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各 实施例提供的面向地理公平性的无人机路径规划分配方法，该方法包 括：根据无人机数量将目标区域划分为多个子区域；根据无人机相关 的第一参数组、每个子区域内节点的数量、各节点的位置信息以及各 节点的数据量信息，对每个子区域进行飞行路径规划，以获取各飞行 路径规划相关的规划路径信息；从规划路径信息中分别确定出第一规 划路径信息和第二规划路径信息；根据第二参
数组和第一规划路径信 息，构建偏好列表；根据偏好列表和第二规划路径信息，对所有的无 人机与所有的子区域进行匹配，以获取匹配结果。
[0239]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部 件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的 部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也 可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付 出创造性的劳动的情况下，即可以理解并实施。
[0240]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解 到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然 也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现 有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软 件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光 盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机， 服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所 述的方法。
[0241]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而 非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领 域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技 术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修 改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方 案的精神和范围。