在当代农业实践中,蔬菜种植不断呈现出智能化、规模化和精准化的发展趋
因此,使用移动设备循环收集农业传感器数据成为发展新趋势,例如地面移动设施卡
单一使用地面移动设施和空中移动设备均有其局限性,结合无人机与移动设施卡车的优势,使用卡车和多无人机协同收集大规模蔬菜种植田传感数据是更可行的方案。具体而言,移动设施卡车通过主干道进入种植田,收集主干道上传感数据的同时充当无人机的移动蓄电站。多辆无人机在不同发射点于卡车上起飞,覆盖整个种植区域,遍历蔬菜种植田数据传输点,当无人机电量耗尽时,可与卡车在回收点汇合进行电池更换,以实现持续的作业。相比于传统的地面固定设备,卡车始终保持匀速前行,可避免无人机折返造成额外耗能。
蔬菜生长速度较快,且受气温、光照等环境等因素影响较大,需要频繁地收集传感器数据进行分析,自适应调整种植环
该研究基于湖南省永州市冷水滩区珊瑚街道珍珠糖村蔬菜种植分布图,设置卡车与无人机协同采集蔬菜种植传感数据的流程如

图1 卡车与无人机协同蔬菜传感数据采集示例
Fig. 1 Example of collaborative vegetable sensor data collection by truck and drone
据此,使用无向图G=(P,E)定义所有农业传感数据采集点和采集路径的信息。其中,P={P1,P2,⋯,PM}表示M个蔬菜数据采集点的集合,每个采集点Pi∈P都有相应的传感存储量Di。集合E表示采集点之间所有的潜在边,其中dij表示节点i和j之间的欧氏距离。S代表无人机的传感数据采集路径,其结构表示为<i,j,Path,u|i∈P,j∈P,u∈U>,其中表示无人机起飞节点,j表示无人机与卡车汇合节点,Path表示无人机u采集数据点的顺序序列。
值得注意的是,无人机悬停采集数据时需要较高的能耗,采集的数据量越大,所需悬停时间越长,能量消耗也越
卡车与无人机协同数据采集系统的成本主要是时间成本与能耗成本。时间成本即为卡车和无人机协同完成数据采集任务所需的时间长度,而能耗成本则是卡车和无人机在执行任务期间所消耗的能源总量。系统总成本为时间成本与能耗成本的加权和。
①时间成本。卡车时间成本为卡车行驶时间和卡车等待时间的和,计算公式为:
(1) |
(2) |
无人机时间成本为无人机飞行时间和无人机悬停时间的和,计算公式为:
(3) |
(4) |
(5) |
②能耗成本。卡车能耗Etr为卡车行驶时间Td与卡车行驶单位时间能耗etr的乘积,计算公式为:
(6) |
无人机能耗为悬停能耗与飞行能耗的和,计算公式为:
(7) |
(8) |
(9) |
为了在实际蔬菜种植实践中实现采集时间与系统能量的动态平衡,协同采集系统成本为采集时长与系统能耗的加权和,计算公式为:
(10) |
(11) |
(12) |
其中,C为协同采集系统成本,T为时间长度,E为能耗大小,α为时间权重系数,β为能耗权重系数,α与β的和为1。
蔬菜传感数据采集路径优化问题的任务目标在于最小化时间成本(minCost)的同时尽可能降低能耗成本,包括无人机能耗不能超过电池容量,无人机飞行速度不能超过最大飞行速度,卡车和无人机需在主干路采集点汇合等。优化流程及建模如下。
①无人机的能耗不可超过其电池容量。计算公式为:
(14) |
②确保每个数据收集点均有无人机或者卡车服务。计算公式为:
(15) |
③卡车必须从车仓驶出,最终驶入车仓。计算公式为:
(16) |
(17) |
④每个数据采集点至多属于一个卡车或无人机航线。计算公式为:
(18) |
⑤无人机和卡车必须汇合于无人机起飞节点。计算公式为:
(19) |
⑥无人机和卡车必须汇合于无人机回收节点。计算公式为:
(20) |
⑦卡车到达汇合点时间要早于无人机,离开时间要晚于无人机,以达到协同。计算公式为:
(21) |
(22) |
在蔬菜种植业智能化与精准化发展的背景下,为应对大规模传感器部署和数据传输的挑战,该研究提出了一种改进的人工蜂群算法(EABC),用于优化卡车与多台无人机协同收集广域蔬菜种植感知数据的路径设计。
首先,针对蔬菜种植区域的地理分布特征,采用动态K均值聚类算法将区域划分为多个簇,以便在地理上对传感器进行分组管
(1)动态K-Means++聚类算法。为自适应多种多样的广域精准蔬菜传感数据采集需求,聚类数动态调整为:
(23) |
(24) |

图2 基于DIG算法可行解生成示例
Fig. 2 Feasible solution generation example based on the DIG algorithm
(2)构建物流车路径。首先,从集群中选择平均距离最小的采集点作为起始点,加入车辆路径序列。其次,使用最近插入法(Nearest Insertion),逐一将剩余采集点合并到车辆路径序列中,每次优先选择使路径增量最小的位置插入新采集点,直到中集群的所有采集点都包含在路径序列中。该操作对如
(3)基于贪婪策略构建无人机路径。在每个集群中构建物流车路径后,将中对路径整体影响最大且符合条件的客户点删除。然后,依据改进后的贪婪策略,为每个删除的点构建新的出发或将每个点插入现有的无人机出发路径,直到所有可行的客户点都在无人机任务航线中,如
①成本分析与采集点删除。计算物流车路径TR中所采集点Pi的路径成本值Δinfluence,即在删除采集点Pi后,将计算物流车行驶的减少总距离。最后,将对路径影响最大且符合删除条件的采集点从TR 中移除。
②构建无人机航线。从无人机舰队中选择一架无人机,将删除的客户点node插入到无人机航线中。
③动态调整与优化。调用 Insertcase 函数(用于计算节点在路径中的最优插入位置),将节点 node 插入到集群 Pn 中所有现有的出发点的位置,计算所有可能的插入方案(Insertion Scheme,IS),并得到可行的插入方案集合。接着,动态计算插入前后的成本变化(Δcost),选择使 Δcost 最小的无人机任务航线作为最优插入方案(Minimal Insertion Scheme,MinIS)。如果既没有找到可行的候选解(Candidate Solution,CS),也没有找到可行的插入方案(IS),则将 node 插入卡车行驶路径(Truck Route,TR)中的原始位置。
④ 全局路径连接。所有集群中的卡车路径按照顺序连接,以车仓为起点和终点,利用 最近邻搜索(Nearest Neighbor,NN),形成完整的 卡车行驶路径序列(Truckroute),如
为了在广域农业场景下高效采集蔬菜传感数据,该研究提出了一种改进的进化人工蜂群算法(EABC)。该算法结合自适应Metropolis接受准
在广域蔬菜种植田中,传感器网络的布设范围广、节点分布密集,路径规划的复杂性显著增加。为了提升算法的全局搜索能力,避免陷入局部最优,EABC 算法采用自适应Metropolis 接受准则,通过目标值变化量∆f = f(x')- f(x)以及温度系数T,动态调整接受次优解的概率。当新解x'比当前解x更优时,算法直接接受新解;若Δf<0,则以一定概率接受,以跳出局部最优陷阱。此外,算法还引入了访问失败次数traili,用于记录优化过程中连续未找到更优解的情况。若traili过大,则说明搜索受阻,此时系统通过调整接受概率 Paccept适当放宽解的接受条件,提高搜索的多样性,增强路径优化的灵活性。接受概率 Paccept计算公式为:
(25) |
其次,动态禁忌搜索通过禁忌列表tabulist的维护,避免重复搜索和冗余操作,从而增强了解的多样性。禁忌条件根据农田路径规划的当前状态动态调整,确保无人机和地面车辆在复杂环境中探索足够多的路径选择。
精英选择策略则通过适应度排序,淘汰不适合的路径解,并使用DIG算法生成新的替代解。淘汰数量由公式Enum=N×Out确定,确保了种群的质量和多样性,有效支持了广域农田中多样化数据采集任务的优化。EABC的整体算法框架如

图3 EABC算法框架
Fig. 3 EABC algorithm framework
EABC算法的执行过程分为4个阶段:雇佣蜂阶段、精英选择阶段、观察蜂阶段和侦察蜂阶段。
(1)雇佣蜂阶段。雇佣蜂基于当前食源的信息和邻域操作符开发新的数据采集路径解。如果新路径的目标值f(x')优于当前路径f(x),则更新为新解;若新解不如当前解,则通过概率Paccept决定是否接受。接受新解时,访问参数traili重置为0,并记录在禁忌列表中;否则traili增加1。这一阶段有效平衡了探索与开发,使无人机和车辆能够灵活适应农田中的地形变化。
(2)精英选择阶段。在精英选择阶段,适应度较低的路径解将被淘汰,淘汰数量由公式Enum=N×Out确定。通过DIG算法(
算法2-1 DIG算法 |
---|
输入:所有客户节点 输出:卡车路径 ,无人机飞行航径 1.初始化无人机路径: 2.动态调整 K 值: 3.使用 K-means++ 聚类: 4. for do 5. TR 6. while TR中有可行的采集点 do 7. 计算 8. 9. 随机选择无人机 10. for do 11. 12. 13. end for 14. 15. if then 16. 17. else 18. if then 19. 20. else 21. 22. end if 23. end while 24. end for 25.使用最近邻算法: 26. return |
(3)观察蜂阶段。观察蜂阶段中,蜜蜂依据适应度值选择路径,并在所选路径上进一步优化。观察蜂采用轮盘赌机制结合自适应Metropolis准则进行路径选择和优化。随着搜索过程的推进,温度T根据以下公式动态降低为:
这使得算法能够逐渐从全局搜索过渡到局部精细搜索,在广域环境中有效找到最优路径。
(4)侦查蜂阶段。侦查蜂阶段负责替换长时间未更新的路径解。当访问参数traili超过阈值limit时,当前路径解将被新生成的路径替换。禁忌表的长度Tabu_Length在此阶段动态调整,以进一步提升算法在复杂农田环境中的灵活性和适应性。
通过这4个阶段的循环迭代,EABC算法(
算法2-2 EABC算法 |
---|
输入:温度 T,蜜源 ,访问列表 ,禁忌表 输出:最优成本 ,最优解,蜜源,访问列表 1. for do 2. 获取的可行领域解 3. 4. if then 5. 6. 7. if then 8. 9. 10. end if 11. else 12. 13. if then 14. 15. 16. else 17. 18. end if 19. end if 20. 更新禁忌表 21. end for 22. return |
由于广域蔬菜传感数据采集中的复杂性和多重约束,传统的2-opt交换操作符已难以应对。因此,该研究设计了3种特定的交换操作符,适用于优化传感器数据采集路径,确保高效的数据覆盖与传输。这些操作符具体如下。
(1)卡车路径—卡车路径。随机选择卡车路径中的两个蔬菜传感数据采集点进行位置交换,以优化数据采集卡车的访问顺序(

图4 卡车与无人机协同交换邻域操作符
Fig. 4 Truck and drone collaborative neighborhood exchange operator
(2)在无人机和卡车路径中随机选择蔬菜传感数据采集点进行交换,确保数据采集任务在地面与空中平台间的有效协调(
(3)在不同无人机路径中随机选择两个蔬菜传感数据采集点进行交换,进一步优化无人机的任务分配与能量消耗(
(4)交换发射点或会合点。在无人机航线上随机选择一个发射点或会合点,并与卡车路径中的蔬菜传感数据采集点交换位置,以增强无人机与卡车之间的协同效率,确保数据采集的时效性(
在广域蔬菜传感数据采集中,删除插入领域操作通过灵活调整无人机和地面车辆的任务分配,有效提升数据采集的效率。该操作包括随机选择一个采集点,将其从当前路径中删除并重新插入到另一位置,从而优化传感器的覆盖路径。具体来说,该领域包含6种操作方式。
(1)卡车路径—无人机路径:将卡车路径中的一个蔬菜传感数据采集点删除并插入到无人机路径中,利用无人机的空中覆盖能力,减少地面车辆的行驶距离(

图5 删除—插入领域结构
Fig. 5 Delete-insert neighborhood structure
(2)无人机路径—卡车路径:将无人机路径中的一个采集点删除并插入到卡车路径中,使无人机可以集中力量覆盖更具挑战性的区域,而将较为方便的区域交由地面车辆处理(
(3)卡车路径—卡车路径:从一个卡车路径中删除一个采集点,并将其插入到另一位置,以优化地面车辆的行驶顺序,减少路径冗余(
(4)无人机路径—无人机路径:从一个无人机路径中删除一个采集点,将其插入到另一无人机路径中,以平衡任务负载,降低能耗(
(5)无人机1—无人机2:在异构无人机队列中,将任务从一架无人机路径转移到另一架,以充分利用不同无人机的性能优势(
(6)采集点—无人机任务航线:在无人机未覆盖的区域,将卡车路径中的一个采集点插入到无人机航线上,以确保数据采集的全面性和时效性(
贪婪重定位操作符N3通过重新定位关键采集点,确保路径的最优选择。该操作符通过从卡车或无人机路径中选取一个蔬菜传感数据采集点,删除后计算所有可能的重新插入点,最终选择最优插入位置,从而提高数据采集的整体效率。
在蜜源采集过程中,蜜蜂会选择上述3个邻域操作符之一,依次执行所有子操作符,探索当前解的相关邻域。最终,从这些邻域中选择适应性最强的解,若未能找到可行解,则返回原始解。这一机制有助于在广域蔬菜传感数据采集中实现最优的路径规划,提高系统整体效能。
为了验证所提出的无人机与卡车协同路径优化方法EBAC在广域蔬菜传感数据收集中的性能,该研究设计并实施了一系列对比实验,将该研究提出算法与其他经典元启发式算法进行比较,并评估不同无人机参数对数据采集效率的影响。实验中采用了来自Purdue University的真实数据集,该数据集包含了土壤湿度、温度、光照强度和空气湿度等关键环境数
实验环境配置为64位Windows 10操作系统,配备Intel(R)Core(TM)i7-9700K处理器(3.60 GHz)和16 GB RAM。所有算法均使用Python编写,并在此硬件平台上运行。通过对比分析不同规模蔬菜种植区(包括30、60、90、120和150个数据采集点)的实验结果,全面评估该研究所提出方法在实际农业生产环境中的应用效果和优势。
具体地,该研究针对广域蔬菜种植区的传感数据收集任务,设计了多个实验场景,以验证无人机与卡车协同路径优化算法的有效性。为此,实验中采用了3种异构无人机和一辆卡车,并设置了不同规模的传感器数据采集点,以模拟实际农业生产中的数据收集需求。
实验中使用了3种不同类型的无人机,分别命名为U1、U2和U3。U1电池能耗容量为15 000 mAh,飞行速度为30 km/h;U2电池能耗容量为30 000 mAh,飞行速度为40 km/h;U3电池能耗容量为50 000 mAh,飞行速度为50 km/h。这3种无人机的选择旨在评估不同载重和续航能力的无人机在复杂农田环境中的性能。
实验中,卡车作为无人机的移动中继站,负责在各数据采集点之间移动,并为无人机提供补给支持。卡车的行驶速度设定为50 km/h,以保证在广域种植区内的高效移动。实验区域的划分根据不同规模的种植区域进行,具体区域尺寸为1 000 m×1 000 m至5 000 m×5 000 m不等。各节点之间的距离通过欧氏距离计算,用于评估路径的最优性和行驶时间。
为了确保实验的全面性,该研究设置了5种不同规模的实验实例,分别包括30、60、90、120和150个数据采集点。这些数据采集点分布在各自的区域内,每个采集点每天生成约1 MB到1.5 MB的传感器数据,涵盖土壤湿度、温度、光照强度和空气湿度等关键环境参数。
具体的算法参数设置为:初始温度设为30℃,温度衰减率调整为0.9,终止温度保持在0.01℃,访问阈值为10,本地迭代次数设为20,雇佣蜂和食物源的数量均设为30,旁观蜂的数量设为50,淘汰因子为0.3,权重系数设为0.5。
为了证明该研究提出的EBAC算法的优势,以仅有卡车为基准,设计了EBAC与其他算法的对比实验,包括自适应大邻域搜索算法(ALNS
(1)卡车行驶距离算法对比。在广域蔬菜种植区域中,传感数据的有效收集需要覆盖多个分布不均的采集点。EABC算法在降低卡车行驶距离方面效果显著(

图6 不同传感数据采集点数量下算法对比
Fig. 6 Algorithm comparison under different numbers of sensor data collection points
(2)采集时间算法对比。EABC算法在不同规模的采集点数量下均显著减少了总采集时间(
(3)无人机能耗算法对比。EABC算法通过动态路径规划和任务分配,显著减少了无人机的能耗(
(4)采集成本算法对比。EABC算法在综合考虑时间成本和能耗成本后的总系统成本最优(
算法 | X=30 | X=60 | X=90 | X=120 | X=150 | 平均值 | 标准差 | 性能提升率(%) |
---|---|---|---|---|---|---|---|---|
EABC | 29.40 | 38.45 | 75.86 | 96.84 | 136.16 | 75.34 | 42.28 | 47.03 |
ALNS | 34.43 | 49.66 | 88.83 | 117.94 | 153.60 | 88.89 | 47.39 | 37.47 |
LNS | 33.87 | 49.44 | 91.86 | 117.93 | 158.76 | 90.37 | 49.64 | 36.43 |
VNS | 33.31 | 56.97 | 93.33 | 124.57 | 169.83 | 95.60 | 52.22 | 32.80 |
VND | 35.57 | 58.72 | 107.46 | 127.46 | 182.47 | 102.34 | 57.84 | 28.02 |
仅卡车 | 63.78 | 91.93 | 142.15 | 188.12 | 225.18 | 142.23 | 63.56 | 0.00 |
(1)采集时间和能耗。图

图7 不同无人机参数下EABC性能
Fig. 7 Performance of EABC under different drone parameters
(2)卡车行驶距离。
(3)系统成本。
该研究针对广域蔬菜种植场景中的数据采集需求,提出了一种基于卡车与多无人机协同的优化策略,通过动态K均值聚类、贪心算法以及改进的人工蜂群算法(EABC)进行路径规划和任务分配,以降低采集时间和能耗。实验结果表明,EABC算法显著提高了数据收集效率,减少了卡车行驶距离和无人机能耗,实现了系统成本的优化。分析还显示,在合理配置无人机数量和参数时,能够有效平衡卡车和无人机之间的任务,最大化系统的整体效能。该方法为精准农业中的大规模传感数据采集提供了高效、灵活的解决方案,具有重要的应用前景。
参考文献
刘海启. 以精准农业驱动农业现代化加速现代农业数字化转型. 中国农业资源与区划,2019,40(1):1-6,73. [百度学术]
张锐,赵锦钰,王燕,等. 基于数字孪生技术的草场放牧系统. 湖南农业大学学报(自然科学版),2024,50(3):101-107. [百度学术]
王儒敬. 农业传感器:研究进展、挑战与展望. 智慧农业(中英文),2024,6(1):1-17. [百度学术]
崔瑜,罗静静,李怀胜,等. 传感云在精准农业上的应用与展望. 安徽农业科学,2023,51(16):221-225. [百度学术]
蔡存成. 农业自动导航车多目标最优控制研究[硕士论文]. 杭州:浙江农林大学,2020. [百度学术]
宫树华,范保兰. 无人机在精准农业中的关键技术及应用. 农业工程技术,2023,43(20):69-70. [百度学术]
李笑瑜,朱俊,杨珍书,等. 基于无人机平台的智慧农业系统研究与应用. 南方农机,2024,55(3):34-36. [百度学术]
贾方,侯宇豪,韩建刚,等. 基于电驱动系统的农业车辆牵引负荷车设计与试验. 农业机械学报,2023,54(8):394-401,410. [百度学术]
宋以星. 无人机技术与传统小麦病虫害防治的融合应用. 种子科技,2024,42(2):119-121. [百度学术]
陈媛媛,游炯,幸泽峰,等. 世界主要国家精准农业发展概况及对中国的发展建议. 农业工程学报,2021,37(11):315-324. [百度学术]
李继宇,张植勋,赵胤伟,等. 农用多旋翼无人机作业能耗白盒模型构建与试验. 农业机械学报,2023,54(8):87-96. [百度学术]
龙君芳. 精准数据中农业低功耗无线网络传感系统研究. 贵阳学院学报(自然科学版),2023,18(3):45-49. [百度学术]
王凡,孟翔宇,陈龙跃,等. 基于无人机高光谱图像的花生苗期株数监测. 中国农业信息,2024,36(4):1-13. [百度学术]
魏萱,蒋一凡,蔡玥乐,等. 农业无人机高光谱成像遥感研究现状和进展. 中国农业信息,2024,36(4):27-46. [百度学术]
杨俊闯,赵超. K-Means聚类算法研究综述. 计算机工程与应用,2019,55(23):7-14,63. [百度学术]
戚建华. 基于电子商务环境下的智慧农业发展探讨——评《智慧农业——信息通信技术引领绿色发展》. 中国食用菌,2020,39(8):276-277. [百度学术]
叶梓萌,张大斌. 融合反向学习与Metropolis准则求解TSP的遗传算法. 软件导刊,2023,22(8):104-110. [百度学术]
Mousoulis C,Wang P,Do N L,et al. An open dataset of sensor data from soil sensors and weather stations at production farms. arXiv preprint arXiv,2023:2302. 09072. [百度学术]
Sacramento D,Pisinger D,Ropke S. An adaptive large neighborhood search metaheuristic for the vehicle routing problem with drones. Transportation Research Part C:Emerging Technologies,2019,102:289-315. [百度学术]
Kitjacharoenchai P,Min B C,Lee S. Two echelon vehicle routing problem with drones in last mile delivery. International Journal of Production Economics,2020,225:107598. [百度学术]
Schermer D,Moeini M,Wendt O. A hybrid VNS/Tabu search algorithm for solving the vehicle routing problem with drones and en route operations. Computers & Operations Research,2019,109:134-158. [百度学术]
Murray C C,Raj R. The multiple flying sidekicks traveling salesman problem:Parcel delivery with multiple drones. Transportation Research Part C:Emerging Technologies,2020,110:368-398. [百度学术]