【2023年ESWA SCI1区TOP】地面车辆与无人机协同系统的多区域覆盖双层路径规划，文章解读
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：天天Matlab
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、研究背景与问题提出
随着智慧城市、灾害监测和农业巡检等场景对多区域覆盖需求的激增，地面车辆（GV）与无人机（UAV）协同系统因其覆盖范围广、机动性强的优势，成为解决复杂环境任务的关键技术。然而，现有研究多聚焦单一设备路径规划，对GV-UAV协同系统的多目标优化仍存在两大核心问题：
协同约束复杂性：无人机续航受限需依赖GV移动充电，GV需在多区域间规划最短路径，而无人机需在目标区域周边完成扫描覆盖，两者路径强耦合且需满足时间同步、避障等约束。
区域形状适应性：目标区域可能为不规则多边形（如森林火场、农田地块），传统规则扫描模式（如螺旋、割草）易因区域形状导致路径冗余或覆盖率不足。
2023年ESWA SCI1区论文《Two-layer path planning for multi-area coverage by a cooperative ground vehicle and drone system》首次提出双层路径规划框架，通过0-1整数规划模型联合优化GV行驶路径与无人机扫描路径，为解决上述问题提供了理论突破。本文将深度解析其方法论，并通过性能实测验证其有效性。
二、理论基础与前人研究综述
2.1 协同路径规划的核心理论
GV-UAV协同路径规划需整合以下理论：
0-1整数规划模型：用于描述离散决策变量（如GV是否访问某区域、无人机是否扫描某路径段），适用于多目标优化问题。
双层优化框架：上层规划GV路径，下层规划无人机路径，通过迭代求解实现全局最优。
自适应算法设计：针对复杂约束条件，需结合启发式算法（如节约算法）与元启发式算法（如自适应大邻域搜索）提升求解效率。
2.2 前人研究成果与缺口
现有研究在以下方面取得进展：
单设备路径规划：如2023年KBS论文提出CL-DMSPSO算法，解决多无人机通信约束下的路径规划问题，但未涉及GV协同。
简单区域覆盖：2023年IEEE IoTJ论文针对动态环境提出ACO-VP算法，实现无人机目标覆盖，但假设区域为规则形状。
协同任务分配：2024年ESWA论文提出基于遗传算法的多无人机协同任务分配方法，但未考虑GV移动充电约束。
研究缺口：现有方法无法同时处理以下问题：
GV-UAV路径强耦合导致的计算复杂度高；
不规则区域扫描路径的适应性不足；
续航与协同约束下的实时性要求。
三、研究设计与方法论
3.1 双层路径规划框架
论文提出“两阶段启发式算法+自适应大邻域搜索（ALNS）”的混合求解框架：
上层规划（GV路径）：
目标：最小化GV在多区域间的行驶总时间。
约束：无人机续航限制、区域访问顺序、GV充电点选择。
方法：基于Floyd算法计算最短路径，结合节约策略生成初始解。
下层规划（无人机路径）：
目标：最小化无人机扫描路径长度与转弯时间。
约束：区域形状、避障、起降点选择。
方法：根据区域圆度指标选择扫描模式（圆度≥0.86用螺旋扫描，否则用割草扫描）；若区域为凹多边形，则基于改进BCD分解法将其分解为凸多边形后生成路径。
3.2 数据来源与实验设计
数据集：
模拟数据：生成10×10 km²区域，包含5-15个不规则目标区域（圆度范围0.5-0.95），GV起点与无人机续航时间随机设定。
真实数据：采用2023年CEA论文中的农田地块数据，验证算法在复杂环境中的适应性。
对比算法：
传统单层规划（仅优化GV或无人机路径）；
基础启发式算法（未结合ALNS优化）；
2024年ESWA论文中的多目标进化算法（MOEA/D框架）。
性能指标：
总任务完成时间（GV行驶时间+无人机扫描时间）；
路径冗余率（实际路径长度/理论最短路径长度）；
覆盖率（扫描区域面积/目标区域总面积）。
🔗 参考文献
[1] Xia Y, Chen C, Liu Y, et al. Two-layer path planning for multi-area coverage by a cooperative ground vehicle and drone system[J]. Expert Systems with Applications, 2023, 217: 119604.
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类