车辆辅助多无人机执行任务的协同路径规划方法及系统

技术领域

本发明涉及车辆辅助多无人机路径规划技术领域，具体涉及一种车辆辅助多无人机执行任务的协同路径规划方法及系统。

背景技术

由于无人机电池容量限制，其很难在续航时间内完成大区域内的任务，因此，我们可以利用车辆作为移动基站辅助无人机进行移动，从而扩大无人机执行任务的范围。该过程具体为：车辆在路网上行驶，同时无人机在空中飞行，车辆在路网上合适的位置发射无人机，无人机执行完附近任务后，车辆恰好在合适的位置上回收无人机，重复该过程，直至完成目标区域内的所有任务，最后车辆携带所有无人机返回仓库。如果可以对车辆辅助多无人机执行监测任务的路径进行科学合理的规划，将极大辅助情报侦察、电力巡检等军事和民用领域相关监测任务的高效执行，其意义重大。

目前，针对车辆辅助多无人机执行监测任务的路径规划问题，常用的方法有VAMU算法(joint routing and scheduling algorithm for Vehicle-Assisted Multi-UAVinspection，车辆辅助多架无人机监测的联合路径与调度算法)。VAMU算法通过求解车辆路径、规划无人机路径，以及局部优化无人机路径三个步骤进行求解的。

然而，VAMU算法虽然可以得到可行解，但是仍存在求解质量和求解效率不高的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种车辆辅助多无人机执行任务的协同路径规划方法及系统，解决了现有技术在面对车辆辅助多无人机执行任务的协同路径规划问题时存在求解质量和求解效率不高的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明首先提出了一种车辆辅助多无人机执行任务的协同路径规划方法，所述方法包括：

基于所有任务点，并利用集合覆盖模型进行车辆路径规划；

基于所述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。

优选的，所述基于所有任务点，并利用集合覆盖模型进行车辆路径规划包括：

S11、根据无人机飞行半径确定路网内每条路段能够覆盖的任务点；

S12、基于集合覆盖模型获取能够覆盖所有所述任务点的关键道路；

S13、从起点出发，基于距离当前位置最短的所述关键道路优先连接的原则连接所有所述关键道路形成车辆路径。

优选的，所述基于所述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解包括：

S21、将所有任务点在车辆路径上的投影点作为车辆候选停靠点，并按照所述车辆候选停靠点在车辆路径上的先后顺序对任务点进行排序；

S22、将任务点排序结果作为基于混合邻域搜索的模拟退火算法的初始解，并利用所述混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。

优选的，所述S22包括：

S221、设置和初始化模拟退火算法的相关参数，并将所述任务点排序结果作为模拟退火算法的初始解输入，并计算目标函数值；

S222、对当前解w按照预设的邻域选择规则选择预设的邻域变换规则进行邻域变换，产生新解w’，如果新解w’未被存储过，则计算新解w’的目标函数值f(w’)；否则继续按照预设的邻域选择规则选择预设的邻域变换规则进行邻域变换，直至产生新的未被存储的新解w’，并计算目标函数值f(w’)；

S223、比较f(w’)和f(w)的大小，若f(w’)≤f(w)，则接受新解w’，否则根据Metropolis准则确定是否接受新解w’；当新解w’被接受时，将该新解w’存储起来；

S224、在当前温度T下重复步骤S222和步骤S223进行迭代，并将该状态下迭代出的目标函数值对应的最好的解保存起来；直到当前迭代次数达到预设的最大迭代次数时执行步骤S225；

S225、判断是否满足算法执行的终止条件，若满足，执行S227；否则，转入S226；

S226、温度T逐渐减小，更新每项邻域变换规则的分数和每项邻域变换规则的权重，并执行S222；

S227、算法执行结束，输出当前解作为最优解。

优选的，所述预设的邻域选择规则包括：

更新每个邻域变换规则的权重，然后采用轮盘赌且根据每个所述邻域变换规则的权重选择邻域变换规则；

其中，按照以下方式更新每个邻域变换规则的权重：

其中，w'

优选的，每个邻域变换规则的得分s

若接受新解且产生的新解优于当前最优解，则得分+σ

优选的，所述预设的邻域变换规则包括：

两点交换邻域变换规则：随机选择编码序列中的两个点，交换两个点的位置，产生一条新的编码序列；

两对点交换邻域变换规则：随机选择编码序列中的两组相邻的两个点，交换两组点的位置，产生一条新的编码序列；

逆转序列片段邻域变换规则：即截取编码序列中的小部分片段，逆转该片段，产生一条新的编码序列；

重新插入邻域变换规则：随机选择一个点，将该点从原有位置移动至距离该点最近的另一个点的后面，产生一条新的编码序列。

优选的，所述算法执行的终止条件包括：

当温度降至最低温度；或者连续产生相同的目标函数值的解的个数达到k

优选的，目标函数值f(w)为：

其中，P表示车辆的候选停靠点集合；T

第二方面，本发明还提出了一种车辆辅助多无人机执行任务的协同路径规划系统，所述系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。

(三)有益效果

本发明提供了一种车辆辅助多无人机执行任务的协同路径规划方法及系统。与现有技术相比，具备以下有益效果：

1、本发明基于所有任务点，并利用集合覆盖模型进行车辆路径规划，然后基于上述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。本发明相比于现有技术，在面对车辆辅助多无人机执行任务的协同路径规划时，求解效率和求解质量均更高。

2、本发明设计了一种包括邻域选择规则和邻域变换规则的自适应混合邻域搜索规则，改变了传统模拟退火算法搜索解的过程，提高了模拟退火算法的计算和求解效率。

3、本发明增加存储环节(记忆功能)，将到目前为止的邻域解保存下来，若产生相同的解就会重新采取邻域变换直至产生新的不一样的解，避免了邻域变换过程中产生相同的邻域解而导致重复计算的问题，提高了求解效率。

附图说明

为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅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。

图1为本发明车辆辅助多无人机执行任务的协同路径规划的示意图；

图2为本发明实施例中车辆辅助多无人机执行任务的协同路径规划方法的流程图；

图3为本发明实施例中逆转路径的示意图；

图4为本发明实施例中无人机在发射点或回收点处可用无人机数量为负的示意图；

图5为本发明实施例中预设的四种邻域变换规则的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例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做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。

本申请实施例通过提供一种车辆辅助多无人机执行任务的协同路径规划方法及系统，解决了现有技术在面对车辆辅助多无人机执行任务的协同路径规划问题时存在求解质量差且求解效率低的问题，实现了科学合理优化车辆辅助多无人机执行任务的协同路径规划技术，从而辅助情报侦察、电力巡检等军事和民用领域相关监测任务高效执行的目的。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

为了解决现有技术在面对车辆辅助多无人机执行任务的协同路径规划问题时存在求解质量差且求解效率低的问题和缺陷，本申请首先将车辆辅助多无人机执行监测任务的路径规划问题合理拆分成两个阶段的问题：带路网约束和任务点分布影响的车辆路径规划问题；受到续航能力约束的无人机路径规划问题以及将规划好的无人机路径分配到车辆路径上的联合规划问题。然后针对第一阶段问题，提出基于贪心思想的车辆路径构造子算法进行求解，针对第二阶段问题，提出了一种基于混合邻域搜索的模拟退火算法的无人机路径构造子算法进行求解，以获取最优的车辆辅助多无人机执行任务的协同路径规划方案。本申请的技术方案相比于现有技术，在解决规模越来越大的协同执行任务的车机路由问题方面，求解质量更高，求解效率更高。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本申请的技术方案研究了车辆辅助多无人机执行监测任务的路径规划问题，一组无人机沿着规划的航线执行相应的任务。为了解决由于无人机电池容量限制而导致其在续航时间内无法完成大区域内任务的问题，本申请的技术方案利用车辆作为移动基站，扩大无人机执行任务的范围。在本申请的技术方案中，车辆辅助多无人机执行监测任务的过程可以描述为：假设车辆在路网上行驶，而无人机在空中飞行时不受任何限制，车辆在路网上合适的位置发射无人机，无人机执行附近的任务，然后再在合适的位置上回收无人机，重复该过程，直至完成目标区域内的所有任务，最后车辆携带所有无人机返回仓库。而车辆辅助多无人机执行监测任务的路径规划的最终目标是：求解使无人机完成所有任务并返回仓库的时间最小时所对应的车辆行驶路径。如图1所示，图1中车辆辅助多无人机执行监测任务时，涉及30个目标点和3架无人机，其目标是最小化无人机完成所有任务并返回仓库的时间。

为了求解上述最终目标的解，本申请的技术方案将车辆辅助多无人机执行监测任务的路径规划问题拆分成了几个子问题，首先是带路网约束和任务点分布影响的车辆路径规划问题；其次是受到续航能力约束的无人机路径规划问题，接着将规划好的无人机路径分配到车辆路径上的联合规划问题。基于此，本申请的技术方案具体包括：

实施例1：

第一方面，本发明首先提出了一种车辆辅助多无人机执行任务的协同路径规划方法，参见图2，该方法包括：

S1、基于所有任务点，并利用集合覆盖模型进行车辆路径规划；

S2、基于所述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。

可见，本实施例基于所有任务点，并利用集合覆盖模型进行车辆路径规划，然后基于上述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。本实施例相比于现有技术，在面对车辆辅助多无人机执行任务的协同路径规划时，求解效率和求解质量均更高。

下面结合附图1-5，以及对S1-S2具体步骤的解释，来详细说明本发明一个实施例的实现过程。

S1、基于所有任务点，并利用集合覆盖模型进行车辆路径规划。

针对第一阶段带路网约束和任务点分布影响的车辆路径规划问题，本实施例提出了基于贪心思想的车辆路径构造方法，该方法的具体步骤包括：

S11、根据无人机飞行半径确定路网内每条路段能够覆盖的任务点。

车辆在路网内路段上行驶时一定会经过完整的路段，因此当车辆经过每个路段时会有一个覆盖范围。而无人机由于电池容量限制，其飞行半径是确定的。根据无人机的飞行半径(即电池容量限制)确定路网内每条路段可以覆盖的任务点，这样每条路段都会覆盖一定范围内的任务点。

S12、基于集合覆盖模型获取能够覆盖所有所述任务点的关键道路。

基于集合覆盖思想确定车辆必须经过的关键道路，以确保所有任务点都能在无人机巡航时间内得到访问。具体的，根据关键道路长度以及覆盖任务点的数量和距离计算每条路段的代价，并构建成一个集合覆盖问题，用贪婪的思想求解，以总代价最小为目标，最后求解得到车辆必须经过且可以覆盖所有任务点的的关键道路。其中，在计算每条路段的代价时，我们用道路覆盖的所有任务点到该道路的平均距离代表车辆该条道路的代价。

S13、从起点出发，基于距离当前位置最短的所述关键道路优先连接的原则连接所有所述关键道路形成车辆路径。

从起点出发连接所有关键道路，每次连接的下一个关键道路都为距离前一条道路终点最短的关键道路，以此构建一条从起点出发并回到起点的车辆路径。

S2、基于所述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。

针对第二阶段，首先求解受到续航能力约束的无人机路径规划问题，接着将规划好的无人机路径分配到车辆路径上进行联合规划，即车辆辅助多无人机执行任务的协同路径规划。为了解决求解第二阶段的问题，本实施例提出了一种基于混合邻域搜索的模拟退火算法进行车辆辅助多无人机执行任务的协同路径规划，具体过程为：

S21、将所有任务点在车辆路径上的投影点按照先后顺序进行排序。

首先确定任务点在车辆路径上的投影位置，并将该投影点作为车辆的候选停靠点；

然后根据投影点在车辆路径上的顺序给投影点编号，并根据投影点编号对任务点进行排序。

S22、将所述排序结果作为基于混合邻域搜索的模拟退火算法的初始解，并利用所述混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。

其中，基于混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解的具体过程为：

S221、设置和初始化模拟退火算法的相关参数，并将排序结果作为模拟退火算法的初始解w输入，并计算目标函数值f(w)。

设置模拟退火算法的初始温度T

将上述排序结果作为模拟退火算法的初始解w进行输入，并计算目标函数值f(w)。

在进行排序时，给每个任务点一个编号，采用自然数编码的方式，根据无人机续航能力，初始编码可以切割成若干条可行无人机路径；然后将这些可行的无人机路径分配到车辆路径上，并目标函数计算公式计算目标函数值。

本实施例中，车辆辅助多无人机执行任务的协同路径规划的目标是车辆携带所有无人机返回仓库的时间最短，我们可以根据编码计算目标函数。然而在我们的编码中，并不能直接根据编码解码得到相应的无人机路径。为此，我们首先根据无人机续航能力切割编码序列，这样可以保证每条无人机路径是可行的；然后再根据可用无人机数量设计规则，抛弃不可行解；最后设计车辆与无人机同步的时间计算方法。具体思路如下：

1)在只考虑无人机续航能力T

2)根据上述切割的无人机子路径，计算在无人机发射点、回收点处的可用无人机数量ri。按照车辆经过的顺序依次计算即可。出发时车辆携带N架无人机，到达车辆停靠点时可用无人机数量等于车辆离开上一个停靠点时车上剩余的无人机数量，车辆离开停靠点时的可用无人机数量等于车辆到达该点时的无人机数量减去发射的无人机数量加上回收的无人机数量。如果在某点时的可用无人机数量为负，则说明产生了不可行解，如图4所示，假设共有2架无人机，分别在第1个停靠点和第3个停靠点发射无人机，并且在第4个停靠点前没有无人机回收，所以在第4个停靠点处是没有空余无人机可用的，没有空余无人机完成该条路径，这就说明产生了不可行解，此时将该解对应的目标函数值设为一个无穷大的数(理论上为一个无穷大的数，实际在设置时会设置一个相对比较大的且满足计算要求的数即可)。

3)如果在上述2)中，计算在无人机发射、回收点处的可用无人机数量不为负数，则进一步计算车辆到达和离开每一停靠点的时刻。

车辆到达停靠点的时间等于车辆离开上一停靠点的时间加上车辆在两停靠点间行驶的时间，如式(1)所示。

车辆离开停靠点的时间分为两种情况，如式(2)所示：a.若在该点无无人机回收，则离开该点的时间等于到达该点的时间(发射无人机不消耗时间)；b.若在该点有无人机回收，则需要回收所有无人机后才能离开，无人机返回停靠点的时间可以通过式(3)和式(4)计算计算；

以车辆最终回到起点的时间为目标函数值，如式(5)所示，

/>

其中，P表示车辆的候选停靠点集合；T

S222、对当前解w按照预设的邻域选择规则选择预设的邻域变换规则进行邻域变换，产生新解w’，如果新解w’未被存储过，则计算新解w’的目标函数值f(w’)；否则继续按照预设的邻域选择规则选择预设的邻域变换规则进行邻域变换，直至产生新的未被存储的新解w’，并计算目标函数值f(w’)。

在模拟退火算法的执行过程中，可以使用几种邻域变换规则来改变邻域以调整当前解，即构建一种混合邻域搜索的模拟退火算法。在传统模拟退火中，每产生一个新解都要比较一次目标函数值，为了提高模拟退火计算效率我们采用多次搜索的策略，设计了一种自适应的混合邻域选择规则，最后为避免邻域变换过程中产生相同的邻域解而重复计算，通过增加存储环节(记忆功能)，将到目前为止的邻域解保存下来。基于该思路，我们设计了四种邻域变换规则和一种邻域选择规则进行邻域调整，增加了算法的记忆功能。

当前解w按照预设的邻域变换规则进行邻域变换。其中，预设的邻域变换规则包括两点交换邻域变换规则、两对点交换邻域变换规则、逆转序列片段邻域变换规则，以及重新插入邻域变换规则四种。具体的，

①参见图5a，为两点交换邻域变换规则，即随机选择编码序列中的两个点，交换两个点的位置，产生一条新的编码序列；

②参见图5b，为两对点交换邻域变换规则，即随机选择编码序列中的两组相邻的两个点，交换两组点的位置，产生一条新的编码序列；

③参见图5c，为逆转序列片段邻域变换规则，即截取编码序列中的小部分片段，逆转该片段，产生一条新的编码序列；

④参见图5d，为重新插入邻域变换规则，即随机选择一个点，将该点插入距离该点最近的另一个点的后面，产生一条新的编码序列。

而在本实施例中，当前解w按照预设的邻域变换规则进行邻域变换时，是基于预设的邻域选择规则选择去选择邻域变换规则的。具体的，我们设计了一种自适应的混合邻域选择规则，在每一状态下采用多次搜索的策略，而不是传统模拟退火算法中单次比较的方式。在我们的方法中，每个邻域变换规则都有一个权重，初始权重w

其中，w'

每个邻域变换规则的得分(s

轮盘赌选择：我们采用轮盘赌的方式选择邻域变换规则。例如，若当前权重为[w

由于上述邻域变换具有随机性，为避免搜索过程中产生相同的解，可通过增加存储环节，将到目前为止产生的解记录下来，若产生相同的解就会重新采取邻域变换直至产生新的不一样的解。

S223、比较f(w’)和f(w)的大小，若f(w’)≤f(w)，则接受新解w’，否则根据Metropolis准则确定是否接受新解w’；当新解w’被接受时，将该新解w’存储起来。

S224、在当前温度T下重复步骤S222和步骤S223进行迭代，并将迭代出的目标函数值最好的解保存起来，防止在迭代过程中丢失，直到当前迭代次数l达到预设的最大迭代次数L

在当前温度T下重复L

S225、判断是否满足算法执行的终止条件，若满足，执行S227；否则，转入S226。

其中，算法的终止条件为：当温度降至最低温度T

当算法满足上述任意一条终止条件时算法均会停止，此时以当前解作为最优解输出，即执行步骤S227；否则，转入S226。

S226、温度T逐渐减小，更新每项邻域变换规则的分数和每项邻域变换规则的权重，并执行S222。

S227、算法执行结束，输出当前解作为最优解。

算法执行结束时，输出当前解作为最优解，该当前解即为车辆辅助多无人机执行任务的协同路径规划的最终路径规划方案。

至此，则完成了本实施例一种车辆辅助多无人机执行任务的协同路径规划方法的全部流程。

为了验证本实施例的技术方案相比于现有技术在面对车辆辅助多无人机执行任务的协同路径规划问题时，其求解质量高且求解效率更高，我们通过实验加以证明。

我们分别利用本申请的方法(本算法)与现有技术中的VAMU算法对大规模车辆辅助多无人机执行监测任务的路径规划问题进行了求解，并将结果进行了对比。

问题实例有A1-A5共5组，表示5种不同的道路路网，区域维度均为10000，每组实例下我们又设计了5种规模，如编号A1-30，表示在第1种路网下，随机生成30个任务点。对于每一个规模，我们都会生成10次数据，其中，对于VAMU只运行一次，而为了保证算法的有效性，对于本算法则运行10次，然后取其平均值。

所有实验的相关参数如下：无人机续航的最大飞行时间为1500秒，无人机速度为每秒5单位，车辆速度为每秒30单位。第1列给出了5组实例下的所有规模的编号；第2到7列给出了VAMU和本方法的结果：Obj是目标函数值，Time为计算时间，单位为秒。具体对比结果如下表1所示。

表1本算法与VAMU算法的实验对比结果

由表1的结果可知，本算法的求解质量比VAMU算法更高，求解效率比VAMU算法更快。可以看出，与现有的VAMU方法相比，本方法在解决车辆与多无人机协同执行任务车机路由问题方面具有非常明显的性能优势。

实施例2：

第二方面，本发明还提供了一种车辆辅助多无人机执行任务的协同路径规划系统，该系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤，该方法主要包括：

基于所有任务点，并利用集合覆盖模型进行车辆路径规划；

基于所述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。

可选的，所述基于所有任务点，并利用集合覆盖模型进行车辆路径规划包括：

S11、根据无人机飞行半径确定路网内每条路段能够覆盖的任务点；

S12、基于集合覆盖模型获取能够覆盖所有所述任务点的关键道路；

S13、从起点出发，基于距离当前位置最短的所述关键道路优先连接的原则连接所有所述关键道路形成车辆路径。

可选的，所述基于所述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解包括：

S21、将所有任务点在车辆路径上的投影点作为车辆候选停靠点，并按照所述车辆候选停靠点在车辆路径上的先后顺序对任务点进行排序；

S22、将任务点排序结果作为基于混合邻域搜索的模拟退火算法的初始解，并利用所述混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。

可选的，所述S22包括：

S221、设置和初始化模拟退火算法的相关参数，并将所述任务点排序结果作为模拟退火算法的初始解输入，并计算目标函数值；

S222、对当前解w按照预设的邻域选择规则选择预设的邻域变换规则进行邻域变换，产生新解w’，如果新解w’未被存储过，则计算新解w’的目标函数值f(w’)；否则继续按照预设的邻域选择规则选择预设的邻域变换规则进行邻域变换，直至产生新的未被存储的新解w’，并计算目标函数值f(w’)；

S223、比较f(w’)和f(w)的大小，若f(w’)≤f(w)，则接受新解w’，否则根据Metropolis准则确定是否接受新解w’；当新解w’被接受时，将该新解w’存储起来；

S224、在当前温度T下重复步骤S222和步骤S223进行迭代，并将该状态下迭代出的目标函数值对应的最好的解保存起来；直到当前迭代次数达到预设的最大迭代次数时执行步骤S225；

S225、判断是否满足算法执行的终止条件，若满足，执行S227；否则，转入S226；

S226、温度T逐渐减小，更新每项邻域变换规则的分数和每项邻域变换规则的权重，并执行S222；

S227、算法执行结束，输出当前解作为最优解。

可选的，所述预设的邻域选择规则包括：

更新每个邻域变换规则的权重，然后采用轮盘赌且根据每个所述邻域变换规则的权重选择邻域变换规则；

其中，按照以下方式更新每个邻域变换规则的权重：

其中，w'

可选的，每个邻域变换规则的得分s

若接受新解且产生的新解优于当前最优解，则得分+σ

可选的，所述预设的邻域变换规则包括：

两点交换邻域变换规则：随机选择编码序列中的两个点，交换两个点的位置，产生一条新的编码序列；

两对点交换邻域变换规则：随机选择编码序列中的两组相邻的两个点，交换两组点的位置，产生一条新的编码序列；

逆转序列片段邻域变换规则：即截取编码序列中的小部分片段，逆转该片段，产生一条新的编码序列；

重新插入邻域变换规则：随机选择一个点，将该点从原有位置移动至距离该点最近的另一个点的后面，产生一条新的编码序列。

可选的，所述算法执行的终止条件包括：当温度降至最低温度；或者连续产生相同的目标函数值的解的个数达到k

可选的，目标函数值f(w)为：

其中，P表示车辆的候选停靠点集合；T

可理解的是，本发明实施例提供的车辆辅助多无人机执行任务的协同路径规划系统与上述车辆辅助多无人机执行任务的协同路径规划方法相对应，其有关内容的解释、举例、有益效果等部分可以参照车辆辅助多无人机执行任务的协同路径规划方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

1、本发明基于所有任务点，并利用集合覆盖模型进行车辆路径规划，然后基于上述车辆路径，利用混合邻域搜索的模拟退火算法求解车辆辅助多无人机执行任务的协同路径规划的解。本发明相比于现有技术，在面对车辆辅助多无人机执行任务的协同路径规划时，求解效率和求解质量均更高。

2、本发明设计了一种包括邻域选择规则和邻域变换规则的自适应混合邻域搜索规则，改变了传统模拟退火算法搜索解的过程，提高了模拟退火算法的计算和求解效率。

3、本发明增加存储环节(记忆功能)，将到目前为止的邻域解保存下来，若产生相同的解就会重新采取邻域变换直至产生新的不一样的解，避免了邻域变换过程中产生相同的邻域解而导致重复计算的问题，提高了求解效率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。

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。