交通运输研究 >

2025 , Vol. 11 >Issue 6: 191 - 202

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2025.06.015

实践与应用

面向高速公路巡检的多无人机协同路径规划

  • 王何斐 , 1 ,
  • 姚望 2 ,
  • 王安宇 3 ,
  • 韩洪超 2 ,
  • 杨宇星 , 1, * ,
  • 叶亮 1 ,
  • 武平 3
展开
  • 1 深圳市城市交通规划设计研究中心股份有限公司，广东 深圳 518057
  • 2 山东高速股份有限公司，山东 济南 250013
  • 3 交通运输部科学研究院，北京 100029
* 杨宇星（1978—），男，山西平遥人，博士，教授级高工，研究方向为交通规划、智能网联。E-mail:

王何斐（1992—），男，宁夏灵武人，硕士，高级工程师，研究方向为交通运输规划与管理。E-mail:

收稿日期: 2025-11-04

  网络出版日期: 2026-01-28

基金资助

2025年度深圳市重点实验室评估奖励项目(SYSPG20241211173958086)

深圳市科技计划项目(CJGJZD20240729141101003)

深圳市科技计划项目(KJZD20240903104106009)

深圳市技术攻关重点项目(JSGG20220831094604008)

收起

Multi-UAV Collaborative Path Planning for Expressway Inspection

  • WANG Hefei , 1 ,
  • YAO Wang 2 ,
  • WANG Anyu 3 ,
  • HAN Hongchao 2 ,
  • YANG Yuxing , 1, * ,
  • YE Liang 1 ,
  • WU Ping 3
Expand
  • 1 Shenzhen Urban Transport Planning Center Co., Ltd., Shenzhen 518057, China
  • 2 Shandong Hi-speed Group Co., Ltd., Jinan 250013, China
  • 3 China Academy of Transportation Sciences, Beijing 100029, China

Received date: 2025-11-04

  Online published: 2026-01-28

Fold

摘要

为解决高速公路基础设施运行监测和健康管养人工成本高、效率低的问题，面向高速公路巡检应用场景提出了多无人机协同路径规划方法。以路径长度、能量消耗和路径平滑所构成的综合巡检代价最小为优化目标，构建了包含任务分配、无人机性能和巡检飞行等约束条件的三维路径规划模型。通过建立空间模型模拟高速公路巡检环境，设计仿真实验应用蚁群算法、遗传算法和模拟退火算法分别求解多无人机协同路径规划问题。结果表明：随着巡查点规模增大，遗传算法在场景三（120个巡查点）中相较蚁群算法和模拟退火算法巡检代价分别降低0.52%和0.39%，展现出更优的大规模任务处理能力；在任务分配方面，遗传算法实现了更均衡的续航利用率，使得3架无人机续航里程利用率依次为79.00%、59.10%和46.50%；在综合性能上，遗传算法优化效率和能耗水平相对更优，其规划路径总长度和最长无人机路径长度分别为55.4 km和23.7 km，最大电池消耗为79%；尽管收敛速度较慢，但遗传算法的全局搜索能力强，其最优解质量与迭代次数比值最低，仅为0.12，且不易陷入局部最优。因此，遗传算法更适用于高速公路巡检多无人机协同路径规划任务，可提升算法优化效率、降低飞行能耗水平、改善任务分配均衡性，为高速公路多无人机协同巡检提供基础技术支撑。

关键词： 低空交通; 高速公路巡检; 多无人机; 路径规划; 蚁群算法; 遗传算法; 模拟退火算法

本文引用格式

王何斐 , 姚望 , 王安宇 , 韩洪超 , 杨宇星 , 叶亮 , 武平 . 面向高速公路巡检的多无人机协同路径规划[J]. 交通运输研究, 2025 , 11(6) : 191 -202 . DOI: 10.16503/j.cnki.2095-9931.2025.06.015

Abstract

To address the challenges of high operational costs and low efficiency in operation monitoring and health management of expressway infrastructure, this paper proposes a multi-UAV collaborative path planning method tailored to expressway inspection scenarios. A three-dimensional path planning model is formulated with the objective of minimizing the comprehensive inspection cost of path length, energy consumption, and path smoothness, while incorporating critical constraints such as task allocation, UAV performance, and inspection flight. A spatial simulation environment is constructed to replicate realistic expressway inspection conditions. Comparative simulation experiments are conducted using three metaheuristic algorithms—ant colony optimization, genetic algorithm, and simulated annealing—to solve the multi-UAV collaborative path planning problem. The results confirm that as the number of inspection points increases, in Scenario 3 (120 inspection points), the inspection cost of the genetic algorithm decreases by 0.52% and 0.39% respectively compared with the ant colony algorithm and the simulated annealing algorithm. The genetic algorithm performs better in handling large-scale and complex tasks. In terms of task allocation, the genetic algorithm achieves a more balanced range utilization rate, with the endurance utilization rates of the three UAVs being 79.00%, 59.10%, and 46.50% respectively. In terms of overall performance, the optimization efficiency and energy consumption level of the genetic algorithm are relatively better. The total planned path length and the longest UAV path length are 55.4 km and 23.7 km respectively, with a maximum battery consumption being 79%. Although its convergence speed is slow, the genetic algorithm has strong global search capabilities, with the lowest ratio of optimal solution quality to iteration times, only 0.12, and is not easily trapped in local optima. Therefore, the genetic algorithm is more applicable for multi-UAV collaborative path planning in expressway inspection, which can improve optimization efficiency, reduce flight energy consumption, and improve task allocation balance, providing fundamental technical support for multi-UAV collaborative inspection on expressway.

Key words： low-altitude transportation; expressway inspection; multi-UAV; path planning; ant colony optimization; genetic algorithm; simulated annealing

0 引言

低空经济具备高科技主导、高效能运营和高质量发展等新质生产力的核心特征，2023年底的中央经济工作会议明确提出打造低空经济等战略性新兴产业，为低空经济与交通运输领域的深度融合发展带来新的机遇。当前我国高速公路通车里程居世界第一，但高速公路巡检却面临空间分布广泛、任务体量大和目标可达性低等诸多因素，制约了高速公路的高质量发展。无人机具有运行组织灵活和可无视地形约束等优势。在高速公路巡检场景中，多无人机协同应用可有效降低人工成本，扩展巡检空间范围，适用于高速公路枢纽互通、桥梁涵洞和路基边坡等土建基础设施，以及高精度摄像头、毫米波雷达和可变信息牌等智慧基础设施的运行监测和健康管养。
目前国内外学者对多无人机协同路径规划问题开展了广泛研究。在模型构建层面，其成果主要涉及路径规划优化目标设计和约束条件设置。Huo等[1]为提升多无人机任务分配与路径规划的效能，基于车辆路径问题原始模型，提出通过引入与无人机数量对应的虚拟节点以适配启发式求解，并构建通用距离矩阵将时间约束转化为空间约束，从而显著提高了模型求解效率；Bai等[2]提出了一种基于多目标优化的多无人机协同轨迹规划模型，以优化无人机的轨迹距离、轨迹时间、威胁和协调距离成本；刘修康等[3]以提高仓库货物检查完成率和降低能耗成本为目标，构建了仓库内无人机巡检路径规划模型；王冬冬等[4]构建以总飞行时间最短和最大单机飞行时间最短为目标的多无人机路径规划模型，从而计算无人机最优数量和信息采集路径；曹梦皓等[5]以无人机飞行路径规划代价为优化目标，综合考虑了航程、避障、高度和转向等4个因素，构建了山区物流配送的无人机路径规划模型。上述研究将飞行效率、能耗和安全性作为优化目标，将无人机性能参数作为约束条件，进而构建模型完成了路径优化问题求解。在算法求解层面，许多学者通过应用启发式算法求解多无人机任务分配和路径规划问题。Zain等[6]设计蚁群算法用于解决动态环境中多无人机协同飞行时的避碰问题；周成等[7]以路线分配最均衡为目标建立数学模型，应用模拟退火算法求解多无人机路径规划；Han等[8]为优化多无人机协同救援任务，以最小化无人机部署数量、降低救援成本并缩短任务持续时间为目标构建数学模型，并通过融合粒子群优化与灰狼优化算法对该问题进行高效求解；赵畅[9]等认为蚁群优化算法具备优化能力强、信息正反馈、并行性高等优势，遗传算法具备较强的全局搜索性、自适应性和自学习性等优势，模拟退火算法不易陷入局部最优，具有较好的鲁棒性。这些成果深入分析了启发式算法在不同场景下的适用性。然而，为满足实际复杂任务的需求，仍需要结合实际应用场景提升其协同性、异构性、动态适应性和应用性等。在应用场景层面，既有研究已覆盖城市应急物资配送[10]、配送车+无人机智能物流[11]和军事侦察[12]等场景下的多无人机协同路径规划，但鲜有面向高速公路巡检任务场景的研究，亟需开展针对性探索。
综上，在现有的多无人机协同路径规划研究中，多数成果仍以路径长度或飞行时间为优化目标，尽管已有学者将优化目标拓展至能耗和安全等领域[13]，但尚未形成系统性的考量。同时，针对高速公路巡检场景的研究较少，并缺少对多种启发式算法在场景中应用效果的评价。鉴于此，本文将面向高速公路巡检场景，研究多无人机协同路径规划问题。研究以路径长度、能量消耗和路径平滑所构成的综合巡检代价最小为优化目标，考虑任务分配、无人机性能和巡检飞行等约束条件，应用多种启发式算法求解优化问题，为高速公路多无人机协同巡检提供基础技术支撑。

1 模型构建

1.1 问题描述

本文旨在模拟高速公路巡检场景，提出多无人机任务协同分配和路径规划策略。通过空间建模还原地形环境和巡查节点分布，多无人机从控制中心机巢起飞，协同完成全部巡查任务后返回。飞行过程中需满足续航里程、飞行速度、转弯半径、离地距离、安全距离和爬升角度等性能约束。此外，为提高巡查效率、降低巡查成本，并实现分配任务量相对均衡，还需要同时满足路径最短、能耗最低和路径平滑度最高的要求。

1.2 空间建模

本文采用三维空间坐标点 ( x ,   y ,   z )表征无人机位置和飞行环境。为真实模拟多无人机执行协同巡查任务，需要还原地形起伏和高速公路巡查点分布，据此参考文献[14]定义如下地形建模高度方程：
z ( x ,   y ) = a s i n ( y + b ) + c s i n x + c o s ( d x 2 + y 2 ) + e s i n y + f s i n ( g x 2 + y 2 ) + h c o s y
式（1）中： ( x ,   y )为水平投影坐标； z ( x ,   y )为 ( x ,   y )对应高度；参数 a ,   b ,   c ,   d ,   e ,   f ,   g ,   h均为常数，通过调整其取值可改变地形特征。常采用插值法平滑处理地形。仿真环境设置在10 km×10 km的丘陵区域，最大高度为800 m，巡查范围由5条高速公路构成，其中分布有80个固定巡查节点。无人机控制中心机巢位于该区域中央，如图1所示。
图1 高速公路巡检仿真场景三维空间建模

1.3 数学建模

1.3.1 假设条件

1）无人机性能假设：执飞无人机数量固定，所用无人机性能相同，不考虑巡航过程中充电和换电池，能耗与飞行距离和飞行高度相关。
2）巡查任务假设：所有无人机由控制中心机巢出发，执行任务完成后返回，巡查点重要性相同且无优先级差异，无时间窗口限制，任务执行顺序可调整。
3）路径规划假设：所有无人机任务量相对均衡，执行任务时间相对平衡，飞行路径尽量平滑，减少急转弯，以提升飞行稳定性。

1.3.2 优化目标

针对多无人机协同巡查任务，本文旨在求解其协同巡检代价最小化问题。该优化目标具体由路径长度代价、能量消耗代价与路径平滑代价共同构成，其公式如下：
m i n C = m i n ( ω 1 C 1 + ω 2 C 2 + ω 3 C 3 )
式（2）中： C为无人机协同巡检代价； C 1为路径长度代价； C 2为能量消耗代价； C 3为路径平滑代价； ω 1 ,   ω 2 ,   ω 3为权重系数。
1）路径长度代价
无人机飞行路径长度由巡查点坐标间的距离累加组成[14]，在计算路径长度代价时需要根据多无人机中最大续航里程进行归一化处理，将表达式定义如下：
C 1 = 1 L m a x ∑ k = 1 K ( x k + 1 - x k ) 2 + ( y k + 1 - y k ) 2 + ( z k + 1 - z k ) 2
式（3）中： C 1为路径长度代价； L m a x为无人机最大续航里程； ( x k ,   y k ,   z k )为第k个固定巡查点空间坐标；K为固定巡查点数量。
2）能量消耗代价
无人机巡查作业应尽量降低能耗，其能耗由水平飞行能耗与垂直飞行能耗两部分构成。其中，水平飞行能耗与飞行距离成正比；垂直飞行能耗在上升阶段高于下降阶段。为统一量纲并进行公平比较，需以机群中最大电池容量为基准进行归一化处理。具体表达式如下：
C 2 = E 1 + E 2 E m a x
E 1 = α ∑ k = 1 K ( x k - x k + 1 ) 2 + ( y k - y k + 1 ) 2
E 2 = β ∑ k = 1 K ( z k + 1 - z k )         z k ≤ z k + 1 χ ∑ k = 1 K ( z k - z k + 1 )         z k z k + 1
式（4）~式（6）中： C 2为能耗代价； E 1为水平飞行能耗； E 2为垂直飞行能耗； E m a x为最大电池容量； α ,   β ,   χ分别为水平飞行、上升飞行和下降飞行的能耗因子。
3）路径平滑代价
受无人机转弯性能限制，应尽可能提高路径平滑度以保障飞行安全。路径平滑代价通过计算路径中连续3个点形成的两个向量角的标准差系数来衡量[15]。在计算路径平滑代价时需要根据多无人机协同任务中最大转向角标准差进行归一化处理。具体表达式如下：
θ k = a r c c o s ( x k + 1 - x k ) ( x k + 2 - x k + 1 ) + ( y k + 1 - y k ) ( y k + 2 - y k + 1 ) ( x k + 1 - x k ) 2 + ( y k + 1 - y k ) 2 × ( x k + 2 - x k + 1 ) 2 + ( y k + 2 - y k + 1 ) 2
C 3 = ∑ k = 1 K - 2 ( θ k - μ θ ) 2 K - 2 μ θ
  μ θ = ∑ k = 1 K - 2 θ k K - 2
式（7）~式（9）中： θ k为第k个固定巡检点与后续2个巡查点形成的两个向量角； C 3为夹角标准差，即路径平滑代价；   μ θ为全部夹角均值。

1.3.3 约束条件

1）任务分配约束
面向高速公路巡检的多无人机协同任务分配需要同时确保每架无人机没有重复分配任务并且所有任务均被执行[16]。具体表达式如下：
∑ i = 1 I t i k = 1         i ∈ 1 ,   2 , ⋯ ,   I ,         k ∈ 1 ,   2 , ⋯ ,   K
∑ i = 1 I ∑ k = 1 K t i k = K         i ∈ 1 ,   2 , ⋯ ,   I ,       k ∈ 1 ,   2 , ⋯ ,   K
式（10）~式（11）中： t i k为第i架无人机执行第k个固定巡检点的任务次数； I为执飞无人机总数。
2）无人机性能约束
多无人机协同路径规划需要充分考虑无人机最大续航里程、最大爬升角度、最小转弯半径和最小离地高度等性能约束。具体表达式如下：
∑ j = 1 J L j ≤ L m a x         j ∈ 1 ,   2 , ⋯ ,   J
z k + 1 - z k ( x k + 1 - x k ) 2 + ( y k + 1 - y k ) 2 ≤ t a n θ m a x k ∈ 1 ,   2 , ⋯ ,   K
r j ≥ r m i n             j ∈ 1 ,   2 , ⋯ ,   J
h k ≥ h m i n             k ∈ 1 ,   2 , ⋯ ,   K
式（12）~式（15）中： L j为无人机第j个任务段里程； L m a x为无人机最大续航里程， θ m a x为最大爬升角度； r j为无人机第j个任务段转弯半径； r m i n为无人机最小转弯半径； h k为无人机在第k个巡检点的离地高度； h m i n为无人机最小离地高度；J为无人机任务段的数量。
3）巡检飞行约束
执行任务过程中需要考虑燃料约束和空间约束，确保无人机执行任务后顺利返回机巢。
e j ≥ e m i n             j ∈ 1 ,   2 , ⋯ ,   J
d m i n ≤ d i ,   i + 1 ≤ d m a x             i ∈ 1 ,   2 , ⋯ ,   I
式（16）~式（17）中： e j为无人机执行第j个任务后的剩余燃料量； e m i n为可供无人机降落的最少燃料量； d i ,   i + 1为相邻两架无人机的空间距离； d m i n为最小安全距离； d m a x为最大通信距离。

2 优化算法

2.1 蚁群算法

2.1.1 设计思路

蚁群算法（Ant Colony Optimization, ACO）模拟了蚂蚁群体通过释放和追踪信息素来寻找最优路径的觅食行为，其核心在于利用信息素浓度的正反馈机制引导搜索方向[2,6]。将其应用于多无人机协同巡检问题求解时，可建模为多个并行旅行商问题，其中每个无人机对应一个旅行商，其起点和终点均位于控制中心固定机巢，且是均衡地分配巡查任务。
1）构建信息素矩阵
信息素矩阵 τ的大小为n×n，n为任务点数量（包括控制中心）。初始化时，信息素矩阵所有元素被赋为同一个常数值（例如1）。
2）计算状态转移概率
蚂蚁w从当前点u移动到下一个点v的概率计算公式如下：
P u v w ( t ) = [ τ u v ( t ) ] α ⋅ ( η u v ) β ∑ l ∈ W [ τ u l ( t ) ] α ⋅ ( η u l ) β
式（18）中： P u v w ( t )为蚂蚁w从当前点u移动到下一个点v的概率； τ u v ( t )为时刻t路径（u, v）上的信息素浓度； η u v = 1 / d u v为启发式信息； d u v为点u到点v的欧氏距离； α为信息素重要性因子； β为启发式信息重要性因子； W为蚂蚁w当前可选择的未访问节点集合。
3）信息素更新
在每只蚂蚁生成一条路径后，信息素浓度依据路径长度进行更新。首先，所有路径上的既有信息素会进行挥发，具体表达式如下：
τ u v ( t + 1 ) = ( 1 - ρ ) ⋅ τ u v ( t ) + ∑ w = 1 m Δ τ u v w
Δ τ u v w = Q L w             如 果 蚂 蚁 w 经 过 ( u ,   v )       0             否 则
式（19）~式（20）中： ρ为信息素挥发系数；m为蚂蚁数量；Q为信息素强度常数； L w为蚂蚁w走过的路径长度。

2.1.2 求解流程

基于蚁群算法，以多无人机协同巡检代价最小为优化目标，同时满足各约束条件的求解算法计算步骤如下，蚁群算法逻辑框图见图2。
图2 蚁群算法逻辑框图
步骤1：初始化信息素矩阵和参数，进行多无人机任务序列分配。
步骤2：对于每只蚂蚁，从起点开始，根据状态转移概率选择下一个未访问的任务点，直到所有任务点被访问，然后返回控制中心。
步骤3：计算每只蚂蚁走过的路径长度。
步骤4：执行信息素全局挥发与路径增强更新。
步骤5：记录当前迭代的最优路径。
步骤6：重复步骤2~步骤5，直到达到最大迭代次数。
步骤7：输出多无人机协同最优规划路径。

2.2 遗传算法

2.2.1 设计思路

遗传算法（Genetic Algorithm, GA）模拟生物进化过程，通过选择、交叉和变异等操作逐步优化种群中的个体[2]。在本研究中，采用顺序编码表示从控制中心出发，依次访问各任务点，最后返回控制中心。若任务点数量为n（不包括控制中心），则染色体长度为n，每个基因对应一个任务点的唯一编号。初始种群通过混合最近邻启发式、贪心启发式及随机生成方法共同构建。
1）计算适应度函数
适应度函数f表示为路径长度的倒数，路径长度越短，适应度越高。
f = 1 / L
式（21）中： L为染色体对应路径的总长度。
2）选择操作
采用锦标赛选择法，随机选择S个个体，从中选择适应度最高的个体进入下一代。同时，采用精英策略，将每一代的最优个体直接保留到下一代。其中，个体s被选择进入下一代的概率如下：
P ( s ) = 1     如 果 个 体 s 是 锦 标 赛 中 最 优 的 0     否 则
3）交叉操作
交叉操作时可使用顺序交叉（OX）、循环交叉（CX）和部分映射交叉（PMX）等3种交叉算子，每次交叉时随机选择一种交叉方式。
4）变异操作
变异操作时可使用交换变异、逆转变异、scramble变异和位移变异等4种变异算子，每次变异时随机选择一种变异方式。
5）自适应参数
根据停滞代数调整自适应变异率R，具体调整策略如下：
R = 0.3     停 滞 代 数 20 0.2     10 停 滞 代 数 ≤ 20 0.1     其 他
6）局部搜索
每隔10代，对精英个体进行2-opt局部搜索，以提升解的质量。
7）种群重初始化
当停滞代数超过30代时，重新初始化30%的种群，以跳出局部最优。

2.2.2 求解流程

基于遗传算法，以多无人机协同巡检代价最小为优化目标，同时满足各约束条件的求解算法计算步骤如下，遗传算法逻辑框图见图3。
图3 遗传算法逻辑框图
步骤1：采用混合启发式和随机生成方法初始化种群，进行多无人机任务序列分配。
步骤2：计算每个个体的适应度。
步骤3：执行锦标赛选择和精英保留。
步骤4：应用多种交叉算子。
步骤5：应用多种变异算子。
步骤6：评估新种群，更新当前最优解和收敛曲线。
步骤7：如果停滞则进行局部搜索和种群重初始化。
步骤8：重复步骤2~步骤7直到达到最大迭代次数。
步骤9：输出多无人机协同最优规划路径。

2.3 模拟退火算法

2.3.1 设计思路

模拟退火算法（Simulated Annealing, SA）通过模拟固体退火过程进行优化搜索。其通过控制温度参数，以一定概率接受劣解，从而避免陷入局部最优[7]。其在本研究中的实现思路是：采用随机生成的方式，从控制中心开始，随机排列任务点，最后再返回控制中心。
1）邻域搜索
邻域搜索可使用交换、逆转、插入和段位移等4种邻域搜索算子，每次邻域搜索随机选择一种算子。
2）接受准则
使用Metropolis准则：如果新解更优（路径长度更短），则接受新解。如果新解更差，以概率P接受新解，P的表达式如下：
P = 1     如 果 Δ E 0 e x p - Δ E / T     否 则 Δ E ≥ 0
式（24）中： Δ E为新解与当前解的路径长度差； T为当前温度。
3）降温策略
采用几何降温策略控制温度下降，其表达式如下：
T k + 1 = α T k
式（25）中： α为降温系数。
4）内循环
每代进行100次邻域搜索，以充分搜索当前温度下的解空间。
5）重启动机制
当停滞代数超过50且温度低于初始温度的10%时，进行温度重启动，将温度设置为初始温度的50%，以跳出局部最优。

2.3.2 求解流程

基于模拟退火算法，以多无人机协同巡检代价最小为优化目标，同时满足各约束条件的求解算法计算步骤如下，模拟退火算法逻辑框图见图4。
图4 模拟退火算法逻辑框图
步骤1：初始化当前解、温度参数和领域算子，进行多无人机任务序列分配。
步骤2：内循环：在当前温度下进行多种邻域搜索操作。
步骤3：根据Metropolis准则接受新解。
步骤4：更新最优解和收敛曲线。
步骤5：降温操作。
步骤6：如果停滞且温度较低则进行温度重启动。
步骤7：重复步骤2~步骤6，直至满足终止条件。
步骤8：输出多无人机协同最优规划路径。

3 仿真实验及结果分析

3.1 仿真环境

仿真实验在MATLAB R2023b平台进行，硬件配置为Intel(R) Core(TM) i7-8550U处理器与16 GB内存，构建10 km×10 km、海拔50~800 m的三维空间模型。使用3架无人机对5条高速公路进行巡查，无人机从位于地图中心的控制中心机巢起飞完成全部巡检任务后返回，最大飞行速度为20 m/s，最大续航里程为30 km。

3.2 参数设置

为确保完成全部巡检任务且所有无人机都能顺利返航，参考相关研究[14]，设置路径长度权重 ω 1为0.4。此外，为兼顾无人机执行巡检任务的经济性和安全性，将能量消耗权重 ω 2和路径平滑权重 ω 3设置为0.3。设置对比实验分析蚁群算法、遗传算法和模拟退火算法等3种启发式算法在多无人机巡查任务分配和协同路径规划中的优化效果，算法参数设置如表1所示。
表1 算法参数设置
算法 参数 取值
蚁群
算法		 蚂蚁数量 50
迭代次数 300
信息素重要性因子 1
启发式信息重要性因子 5
信息素挥发系数 0.5
信息素强度常数 100
遗传
算法		 种群大小 80
最大迭代次数 300
精英保留比例 0.15
自适应变异 true
基础变异率 0.1（可自适应调整到0.3）
交叉率 0.9（从0.9线性减少到0.6）
锦标赛选择大小 4
模拟
退火
算法		 最大迭代次数 300
初始温度 1 000
终止温度 1.00E-08
冷却率 0.95
最大停滞代数 50
内循环次数 100

3.3 结果分析

3.3.1 多场景对比分析

为了对比不同优化算法在多规模场景下的性能，设置3种场景规模（场景一至场景三）分别对应40、80、120个巡查点，各算法的性能指标对比结果如表2所示。
表2 各算法在多场景优化中的性能指标对比
性能指标 蚁群算法（ACO） 遗传算法（GA） 模拟退火算法（SA）
场景一 场景二 场景三 场景一 场景二 场景三 场景一 场景二 场景三
巡检代价 0.639 0.731 0.770 0.663 0.705 0.766 0.659 0.726 0.769
总路径长度/km 45.70 56.40 61.50 49.10 55.40 59.40 47.70 56.90 59.70
最长无人机路径/km 19.70 25.50 27.50 20.80 23.70 26.40 20.30 25.30 26.70
最长无人机飞行时间/min 16.40 21.30 22.90 17.40 19.80 22.00 16.90 21.10 22.20
最大电池消耗（%） 65.5% 85.2% 91.8% 69.5% 79.0% 88.0% 67.8% 84.2% 88.9%
总能耗① 56 442 68 298 75 557 60 124 67 428 73 056 57 301 69 096 73 018
路径平滑度 0.17 0.17 0.15 0.18 0.18 0.17 0.18 0.18 0.16
任务均衡度 0.65 0.57 0.59 0.65 0.59 0.63 0.66 0.55 0.62
时间协调性（%） 73.78% 59.86% 58.18% 73.26% 66.52% 61.21% 73.85% 60.72% 60.19%

①“总能耗”计算结果已作归一化处理，无量纲。

在场景一中，蚁群算法性能相对最优，巡检代价、总路径长度和最长无人机路径长度均最短，路径平滑度和任务均衡度则三者接近；在场景二和场景三中，随着巡查点规模增加，遗传算法优势开始显现，其求得的巡检代价在场景二下相较蚁群算法和模拟退火算法分别下降3.56%和2.89%，在场景三下分别下降0.52%和0.39%，三者差距随任务量增加而减小。

3.3.2 任务分配分析

以场景二为例，图5展示了3种不同优化算法下无人机协同巡查的二维路径图（含高度信息）。可以直观看出，3架无人机从控制中心机巢起飞后，执行完全部巡检任务后安全返回，路径之间交叉较少且设置了安全距离，保证了任务的可执行性。巡检任务协同分配结果见表3。由表3可知，采用遗传算法进行任务分配，3架无人机的续航里程利用率分别为79.00%、59.10%和46.50%。相比之下，蚁群算法和模拟退火算法下的无人机1续航里程利用率偏高，表明主要任务量过度集中于无人机1，因此遗传算法相较于其他两种算法任务量更均衡，协同分配能力更优。
图5 场景二（80个巡查点）下3种优化算法的多无人机协同路径规划图
表3 各算法的任务分配结果对比
无人机
编号		 飞行参数 蚁群算法 遗传算法 模拟退
火算法
1 路径里程/m 25 548.2 23 707.4 25 270.0
续航里程利用率（%） 85.20 79.00 84.20
2 路径里程/m 16 287.5 17 737.5 17 659.2
续航里程利用率（%） 54.30 59.10 58.90
3 路径里程/m 14 587.7 13 946.8 13 946.8
续航里程利用率（%） 48.60 46.50 46.50
总里程/m 56 423.4 55 391.7 56 875.9

3.3.3 优化效果分析

各算法性能对比图见图6。由此可知，在优化效果方面，在完成全部巡检任务且满足无人机性能指标的前提下，遗传算法展现出更优的整体优化效果。其规划路径总长度和最长无人机路径长度分别为55.4 km和23.7 km，最长无人机飞行时间为19.8 min，均低于蚁群算法和模拟退火算法。在能耗方面，遗传算法能量利用效率也更高，最大电池消耗为79%，总能耗为67 428，亦低于蚁群算法和模拟退火算法。在任务分配方面，遗传算法任务均衡度0.588与时间协调性66.52%均高于其余两种算法。然而在飞行路径平滑度方面，蚁群算法表现最优，其平均平滑度为0.167，优于遗传算法与模拟退火算法，反映出更好的飞行稳定性与安全性潜力。
图6 各算法性能对比图
在算法迭代效率方面，通过分析无人机1的路径长度随迭代次数的变化对比算法收敛性（见图7）。由此可知，蚁群算法收敛速度最快，迭代次数为9次，遗传算法和模拟退火算法分别为201次和46次。然而，遗传算法收敛效率更高，最优解质量与迭代次数的比值为0.12，模拟退火算法为0.55，蚁群算法为2.83。结果表明，遗传算法收敛速度较慢，但全局搜索能力强，不易陷入局部最优，而蚁群算法容易过早收敛陷入局部最优。
图7 各算法迭代收敛性对比图

4 结束语

针对高速公路基础设施运行监测和健康管养人工成本高和效率低的问题，本文面向高速公路巡检应用场景，构建了多无人机协同路径规划模型并对比了多个求解方法。模型以路径长度、能量消耗和路径平滑等综合巡检代价最小为优化目标，考虑任务分配、续航里程、转弯半径、爬升角度和最小安全距离等约束。最后，应用蚁群算法、遗传算法和模拟退火算法求解优化问题。研究结果证实：在多规模场景方面，场景一（40个巡查点）下蚁群算法性能更优，场景二（80个巡查点）下遗传算法求解出的巡检代价相较蚁群算法和模拟退火算法求解出的分别下降3.56%和2.89%，场景三（120个巡查点）下分别下降0.52%和0.39%，说明在处理大规模复杂任务中遗传算法性能更优，但三者差距随任务量增加逐渐缩小；在多无人机协同任务分配方面，采用遗传算法进行任务分配，3架无人机的续航里程利用率分别为79.00%、59.10%和46.50%，任务分配更均衡；在优化指标方面，采用遗传算法进行优化的规划路径总长度和最长无人机路径长度分别为55.4 km和23.7 km，最长无人机飞行时间为19.8 min，最大电池消耗为79%，总能耗为67 428，优化效率和能耗水平相对更优，但蚁群算法路径平均平滑度为0.167，安全性相对更好；在算法迭代效率方面，蚁群算法迭代次数为9，收敛速度最快，但容易过早收敛陷入局部最优，遗传算法最优解质量与迭代次数的比值最低为0.12，全局搜索能力强，不易陷入局部最优。
综上，遗传算法更适用于高速公路巡检多无人机协同路径规划任务，能在保障飞行安全与路径质量的前提下，提升任务分配均衡性、降低飞行能耗水平，充分发挥无人机协同作业的灵活性与地形适应优势。可为破解高速公路多无人机协同巡检中的巡检范围广、任务体量大、目标可达性低等工程难题提供有效路径规划支持。后续研究将重点改进遗传算法的收敛速度，进一步提升其在多无人机协同路径规划中的实时性与鲁棒性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
HUO L, ZHU J, WU G, et al. A novel simulated annealing based strategy for balanced UAV task assignment and path planning[J]. Sensors, 2020, 20(17): 4769-4791.

[2]
BAI H, FAN T, NIU Y, et al. Multi-UAV cooperative trajectory planning based on many-objective evolutionary algorithm[J]. Complex System Modeling and Simulation, 2022, 2(2):130-141.

[3]
刘修康, 李龙. 基于多无人机协同的巡检路径规划研究[J]. 航空计算技术, 2025, 55(2):65-70.

[4]
王冬冬, 何胜学, 路扬. 基于完善交通信息收集的UAV路径规划[J]. 交通运输研究, 2018, 4(5):57-62.

[5]
曹梦皓, 王静, 王鑫鑫. 山区物流配送的无人机三维路径规划问题研究[J]. 物流科技, 2024, 47(21):33-38.

[6]
ZAIN A, HAN Z, DI Z. Path planning of multiple UAVs using MMACO and DE algorithm in dynamic environment[J]. Measurement and Control, 2023, 56(3-4): 459-469.

[7]
周成, 雍鹏程, 刘宁, 等. 基于模拟退火的多无人机路网巡边路径规划[J]. 火力与指挥控制, 2024, 49(7):24-29.

[8]
HAN D, JIANG H, WANG L. Collaborative task allocation and optimization solution for Unmanned Aerial Vehicles in search and rescue[J]. Drones, 2024, 8(4): 138-156.

[9]
赵畅, 刘允刚, 陈琳, 等. 面向元启发式算法的多无人机路径规划现状与展望[J]. 控制与决策, 2022, 37(5):1102-1115.

[10]
于彦鹏, 余墨多, 汤奇荣, 等. 面向城市应急物资配送的多无人机协同路径规划算法[J]. 控制与决策, 2025, 40(4):1098-1106.

[11]
杨明. “配送车+无人机”智能物流配送模式研究[J]. 交通运输研究, 2023, 9(4):125-133.

[12]
屈高敏, 夏宗德, 李继广, 等. 基于协同进化算法多无人机协同路径规划研究[J]. 西安航空学院学报, 2024, 42(3):1-9.

[13]
张文晖, 程诗奋, 彭超达, 等. 面向多无人机路径规划的多源启发式进化算法[J]. 地球信息科学学报, 2025, 27(10):2404-2421.

[14]
熊慧, 葛邦鲁, 刘近贞, 等. 用于多无人机协同路径规划的改进黏菌蜂群算法[J]. 浙江大学学报(工学版), 2025, 59(8):1698-1707,1717.

[15]
汤淼. 面向任务的多无人机协同航迹规划方法研究[D]. 南京: 南京航空航天大学, 2022.

[16]
宁聪, 范菁, 孙书魁. 多无人机协同规划研究综述[J]. 计算机工程与应用, 2025, 61(1):42-58.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发