✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。✅ 如需沟通交流扫描文章底部二维码。1改进遗传算法求解油气管网巡检路径规划针对无人机高空巡检油气管网需要遍历多条管道线路的问题将管网抽象为赋权有向图节点为管道交汇点边权重为飞行距离。以巡检完所有管道线路的最短飞行路径为优化目标设计改进遗传算法。算法采用动态种群分组策略每 20 代根据适应度将种群均分为精英组和探索组精英组侧重交叉产生邻域解探索组采用大变异率 0.3 维持多样性。交叉操作采用基于贪婪思想的部分匹配交叉变异采用反转和插入双模式自适应选择。在复杂度不同的 30 节点和 60 节点管网模型中改进算法规划的航迹比标准遗传算法分别缩短 12.4% 和 15.8%且收敛代数由 350 代减至 180 代左右求解时间控制在 1.8 s 以内满足近实时规划要求。2改进 RRT 算法管道低空精细巡检航迹规划针对无人机低空贴近管道精细化巡检、需穿越多个巡检点并规避障碍物的问题提出改进快速扩展随机树算法。引入目标引力与障碍物斥力混合的偏向采样策略以 70% 概率朝向目标点与最近未巡检点连线方向生长以 30% 概率随机探索。采用动态步长策略根据当前节点与最近障碍物的距离调整扩展步长远离障碍物时步长取 8 m靠近时取 2 m 以保证安全距离。生成初始路径后使用路径剪枝算法删除冗余节点并用三次 B 样条对路径进行平滑。在模拟化工厂区管道环境中改进 RRT 平均规划时间 0.42 s路径长度较经典 RRT 缩短 23.6%与障碍物最小距离保持在 2.5 m 以上满足巡检安全要求。3基于 App Designer 的巡检航迹规划软件实现利用 MATLAB App Designer 开发管道巡检无人机航迹规划平台集成地图加载、管网编辑、算法选择、参数设置和航迹三维显示模块。用户可通过导入 CAD 管网图纸或手动绘制管道网络设置无人机飞行高度、速度限制和禁飞区。高空巡检可选择改进遗传算法进行管网全遍历规划低空巡检可切换至改进 RRT 算法生成点对点精细巡检航线。软件中嵌入航迹评估模块自动计算总航程、预计飞行时间和能量消耗并支持导出 KML 格式文件直接导入地面站。通过实际油田管网数据的测试软件生成的高空巡检航线比人工经验航线缩短 18.7%低空巡检路径平滑度指标曲率 RMS 小于 0.02大幅提升了管道巡检规划效率和科学性。import numpy as np import matplotlib.pyplot as plt from scipy.spatial import KDTree class PipelineGraph: def __init__(self, nodes, edges): self.nodes nodes; self.edges edges # edges 为连接矩阵 def path_distance(self, route): dist 0 for i in range(len(route)-1): p1 self.nodes[route[i]]; p2 self.nodes[route[i1]] dist np.linalg.norm(p1-p2) return dist def genetic_algorithm(graph, pop_size100, gens200): n len(graph.nodes) # 初始化种群 pop [np.random.permutation(n) for _ in range(pop_size)] best_route None; best_dist np.inf for gen in range(gens): # 评估适应度 fitness [1/graph.path_distance(r) for r in pop] # 精英保留 elite_idx np.argsort(fitness)[-10:] new_pop [pop[i].copy() for i in elite_idx] # 交叉与变异 while len(new_pop) pop_size: p1, p2 np.random.choice(pop, 2, pfitness/np.sum(fitness)) child np.zeros(n, dtypeint); mask np.random.rand(n) 0.5 child[mask] p1[mask] # 填充未出现节点 missing list(set(range(n)) - set(child)) child[~mask] np.random.permutation(missing) if np.random.rand() 0.15: # 变异 i,j np.random.choice(n,2, replaceFalse) child[i], child[j] child[j], child[i] new_pop.append(child) pop new_pop # 更新最优 curr_best pop[np.argmax(fitness)] curr_dist graph.path_distance(curr_best) if curr_dist best_dist: best_dist curr_dist; best_route curr_best.copy() return best_route, best_dist # 改进RRT class ImprovedRRT: def __init__(self, start, goal, obstacles, step5): self.start start; self.goal goal; self.obstacles obstacles self.step step; self.nodes [start]; self.parent {0:None} def plan(self): for _ in range(1000): if np.random.rand() 0.7: rnd self.goal np.random.randn(2)*0.5 else: rnd np.random.uniform(0,100,2) # 找最近节点 dists np.linalg.norm(np.array(self.nodes)-rnd, axis1) nearest_idx np.argmin(dists) direction rnd - self.nodes[nearest_idx] norm np.linalg.norm(direction) if norm self.step: direction direction/norm * self.step new_node self.nodes[nearest_idx] direction # 碰撞检测 (简化为距离2) if all(np.linalg.norm(new_node - obs) 2 for obs in self.obstacles): self.nodes.append(new_node) self.parent[len(self.nodes)-1] nearest_idx if np.linalg.norm(new_node-self.goal) self.step: return self.extract_path(len(self.nodes)-1) return None def extract_path(self, idx): path [] while idx is not None: path.append(self.nodes[idx]); idx self.parent[idx] return path[::-1] if __name__ __main__: nodes [np.array([0,0]), np.array([10,2]), np.array([20,5]), np.array([5,15])] edges [[0,1],[1,2],[0,3],[3,2]] graph PipelineGraph(nodes, edges) route, dist genetic_algorithm(graph) print(最佳巡检顺序:, route, 距离:, dist) rrt ImprovedRRT(np.array([1,1]), np.array([50,50]), [np.array([25,30])]) path rrt.plan() print(RRT路径点数:, len(path))如有问题可以直接沟通