基于混合遗传算法的多无人机巡逻路径优化.pdf

浙江大学学报（理学版）Journal of Zhejiang University（Science Edition）http：/ 51 卷第 1 期2024 年 1月Vol.51 No.1Jan.2024 基于混合遗传算法的多无人机巡逻路径优化李国军1，郑滋椀2*，范英盛1，卢甜甜1，徐志江3（1.浙江警察学院 公共基础部，浙江 杭州 310053；2.浙江警察学院 大数据与网络安全研究院，浙江 杭州 310053；3.浙江机电职业学院 自动化学院，浙江 杭州 310053）摘要：假设无人机巡逻的起、终点均为派出所，提出了一种融合传统遗传算法和爬山算法的警用无人机巡逻路径优化模型混合遗传算法。按照轮盘赌法则，进行种群个体的选择，以增大优秀种群个体被选中的概率，达到较好的优化效果。同时定义了与路径优化相适应的基因交叉和变异规则。仿真结果表明，提出的混合遗传算法在寻优效果上明显优于传统遗传算法。关键词：遗传算法；爬山算法；巡逻；路径优化中图分类号：O 224；U 492.2 文献标志码：A 文章编号：10089497（2024）0102108LI Guojun1,ZHENG Ziwan2,FAN Yingsheng1,LU Tiantian1,XU Zhijiang3（1.Basic Courses Department，Zhejiang Police College，Hangzhou 310053，China；2.School of Big-Data and Network Security，Zhejiang Police College，Hangzhou 310053，China；3.School of Automation，Zhejiang Institute of Mechanical&Electrical Engineering，Hangzhou 310053，China）The optimization of multi-UAVs patrol path with hybrid genetic algorithm.Journal of Zhejiang University(Science Edition),2024,51(1):2128Abstract:Aiming at the optimization of multi-UAVs patrol path,a patrol model of multi-UAVs based on hybrid genetic algorithm is proposed.When constructing the patrol model,each UAV must start from the police station and return to the police station at the end of the patrol.The algorithm is designed by combining traditional genetic algorithm and hill-climbing algorithm.In order to achieve a better optimization effect,the roulette wheel method is employed to select the excellent individuals with higher probability when selecting individuals of the population.In the application of genetic algorithm,the rules of gene crossover and mutation adapted to path optimization are defined.The simulation results show that the proposed hybrid genetic algorithm is significantly better than the traditional genetic algorithm on the optimization effect.Key Words:genetic algorithm;hill-climbing algorithm;patrol;path optimization0引 言2021年，公安部以全国社会治安防控体系建设“示范城市”创建活动为牵引，更大范围、更宽领域、更深层次推进治安防控体系建设，全面落实保平安、护稳定、促发展各项关键举措。全国共建成街面警务站 16 000 余个，日均投入 50 万警力进行巡逻防控，有力震慑和打击了街面现行违法犯罪1。因此，在投入如此多的警力开展警务巡逻的同时，如何优化警务巡逻策略，提升防控水平，不仅具有理论意义，更具有实践意义。DOI：10.3785/j.issn.1008-9497.2024.01.004收稿日期：20230201；修回日期：20230228；接受日期：20230315；出版日期：20240125.基金项目：2023JC32；浙江省“尖兵”“领雁”攻关计划项目（2023C01030）；国家自然科学基金青年项目（41901160）.作者简介：李国军（1979），男，硕士，副教授，主要从事机器学习、学习控制、舆论动力学以及智慧警务等研究。*通信作者，E-mail：.浙 江 大 学 学 报（理学版）第 51 卷自 1994 年公安部颁布 城市人民警察巡逻规定 至今，我国已摸索出一套符合自身国情的警务巡逻模式，巡逻勤务也发挥了预想中防治犯罪、维护社会治安的作用。一些数字化、可视化、动态化、网格化的巡逻模式和防控体系相继建立，巡逻模式和巡逻手段的创新极大地丰富了我国的警务巡逻实践25。随着时代的进步，互联网、大数据等现代科学技术的高速发展，以及西方治警观念的输入，不少学者开始对巡逻勤务这一常见警务模式的发展以及巡逻策略的优化进行了思考6-7。李路等6提出了基于遗传算法的警车巡逻路线优化算法，保持警车的最大覆盖面。吴思远7针对警察巡逻问题，利用 K-means聚类算法提出了一种全局优化的巡逻区域最大覆盖调度方案。这些研究在一定程度上提高了警务巡逻的效率，但因在分析过程中假设条件过于严苛，没有考虑实际情况，且模型固定，实践意义不强。国外关于该主题的研究，已从以人为导向转向以地点为导向的警务模式，其中最重要的一项就是热点警务巡逻。理论和实践表明，将主要巡逻力量精确投放在犯罪热点区，能有效预防犯罪8-9。另一方面，基于图论的路网分析技术迅速发展10-13。例如，基于路网的 Voronoi图、最近邻、K函数、点聚类、核函数等分析手段得到广泛应用。在警务巡逻优化方 面，国 外 开 展 研 究 较 早，成 果 也 较 丰 富14-22。ALLEN15研究了如何使用现有的犯罪数据以及开源数据设计巡逻区。MUKHOPADHYAY 等16开发了双层优化框架用于解决巡逻警力分配问题，并且该方法考虑了犯罪分子可能对警察巡逻的反应，从 而 改 变 犯 罪 的 空 间 和 时 间 分 布。MICHAEL等17提出的基于资源策略的计算框架使得巡逻警车能在概率意义下应对动态求助。CHEN21-22基于交叉熵提出了一种在动态环境中进行实时巡逻路线规划的方法，并在交叉熵的最优巡逻策略基础上，设计了一种随机化策略应对巡逻的不确定性。ZHU等23-24利用基于数据驱动的优化框架，重新设计警察巡逻区，减少对紧急呼叫的响应时间，并在南福尔顿市和亚特兰大市得到验证。由于路径优化问题为 NP 问题，当节点数较多时，很难在短时间内得到最优解。目前用于路径优化的算法主要包括精确算法、启发式算法和元启发式算法三类25-26。作为启发式算法的遗传算法，在路径优化中得到了广泛应用。考虑遗传算法较优的全局性能和较差的局部性能，在实际应用中，常将遗传算法与其他算法相结合得到最优解27-28。郎茂祥等27先用遗传算法求解准最优解，再通过爬山算法求解最优解，以解决物流配送过程中的路径优化问题。胡小建等28将遗传算法与 A*算法相结合进行多车路径规划。丛玉良等29则通过改进遗传算法和人工鱼群算法，实现对车联网任务卸载策略的优化。张铁等30利用模拟退火混合遗传算法辨识摩擦参数，令建立的机器人动力学模型更加准确。综合现阶段的研究，警务巡逻工作已受地理学、犯罪学、公共安全学、信息学等领域的关注。本文将传统遗传算法与爬山算法相融合，将其应用于警用无人机巡逻路径优化，开发了适应本地区的无人机巡逻策略，最大限度地优化警力资源配置。1问题描述与模型构建1.1问题描述警务巡逻是公安机关震慑违法犯罪分子、维护社会稳定、保障人民群众生命财产安全的重要措施。随着无人机的广泛应用，警用无人机已成为提高我国公安机关警务巡逻效率的重要手段。根据警务巡逻要求，公安机关需要不定时对政府所在地、车站、码头、商场、步行街、幼儿园、中小学校、居民小区等重点区域、重点设施进行巡逻。假设警用无人机从派出所出发，完成对各个点的巡逻后返回派出所。根据派出所辖区内重点巡逻场所、区域的空间分布位置以及对每个区域巡逻的时间要求，用最少的无人机完成巡逻任务。1.2模型构建1.2.1模型假设无人机采用直线巡逻方式，匀速飞行，飞行速度为 15 km h1。飞行距离不超过 18.000 km，每架无人机空中停留时间不超过 2.00 h。1.2.2模型构建设派出所有 K 台无人机，每台无人机的续航时间为Tk(k=1，2，K)，总共需要巡逻的地点有 L个，在每个巡逻点的巡逻时间为ti(i=1，2，L)，巡逻点 i 到 j 的距离为dij，巡逻点 i 到派出所的距离为d0i，设Rk表示第 k 台无人机的飞行路径，路径中的元素rki表示第 k台无人机的第 i个途经点，需要注意的是路径的起点和终点皆为派出所，记派出所为rk0，nk为第 k 台无人机的途经点数（不含起点和终点）。若以航程最短为目标函数，则可建立以下的无人机巡逻路径优化模型：min Z=k=1K i=1nk drk()i-1rki+drknkrk0sign(nk)，（1）22李国军，等：基于混合遗传算法的多无人机巡逻路径优化第 1期i=1nktrki Tk，（2）i=1nk drk()i-1rki+drknkrk0sign(nk)15()Tk-i=1nktrki，（3）0 nk L，（4）k=1Knk=L，（5）Rk=rki|rki1，2，L，i=1，2，nk，（6）Rk1 Rk2=，k1 k2，（7）sign(nk)=1，nk 1，0，其他。（8）其中，式（1）为目标函数；式（2）表示每架无人机在所有巡逻点逗留时间的总和不超过无人机的额定时间；式（3）表示每台无人机的飞行距离不超过其最大飞行距离；式（4）表示每架无人机经过的巡逻点数不超过总巡逻点数；式（5）表示每个巡逻点均需巡逻，且只需巡逻 1次；式（6）表示每条巡逻路径所包含的巡逻点；式（7）表示任意 2 条巡逻路径之间无交集，即每个巡逻点只需 1台无人机巡逻；式（8）表示当第k台无人机的巡逻点数大于等于 1时，该台无人机参与了巡逻，取sign(nk)=1，当第 k 台无人机的巡逻点 数 小 于 1 时，该 台 无 人 机 没 有 参 与 巡 逻，取sign(nk)=0。2算法介绍2.1遗传算法遗传算法（genetic algorithm，GA）于 20 世纪 70年代由美国科学家 John Holland 提出，主要借鉴生物界适者生存、优胜劣汰的遗传机制，并由此演化而来的一种搜索最优解的算法。在运用遗传算法时，一般将具体的搜索过程转化为满足适应度函数条件下染色体的交叉、变异过程。在选择个体时，一般保留使适应度函数达到最优的个体。2.1.1种群在搜索过程中，一条可行的路径是构成 1 个个体。比如，如果有 10 个巡逻点，编号为1，2，10，则这 10个数的任意排列构成 1个个体。由于采用的是无人机巡逻方式，所以路径中无重复节点。本文中，假设群体规模为 N，则随机产生的 N 个个体便可形成初始群体。2.1.2进化机制为实现对从混沌运动到问题可行解的充分搜索，本文依据染色体的编码方式，即路径信息的编码方式，提供以下进化机制。2.1.2.1遗传能使每代种群中适应度函数最小的个体自动遗传到下一代。2.1.2.2交叉选择 2 个个体，Population 1 和 Population 2，其序列顺序分别为：Population 1：5 4 3 6 8 10 9 2 1 7，Population 2：3 8 9 4 7 5 6 2 1 10。随机产生 2个在 1，L（此处 L 为 10）区间的自然数1和2（1 2），分别表示个体序列的第1和第2个 位 置。不 妨 假 设1 2，如1=2，2=7，在Population 1 中，第 27 位置的元素分别为 4，3，6，8，10，9。这 6 个元素在 Population 2 中的次序为 3，8，9，4，6，10，将 序 列 3 8 9 4 6 10 分 别 插 入Population 1 的 第 27 位 置，即 可 得 到 新 的 个 体Population 1，并 将 序 列 4 3 6 8 10 9 分 别 插 入Population 2 的 第 3，8，9，4，6，10 位 置，即 可 得 到Population 2。Population 1和 Population 2的序列顺序分别为：Population 1：5 3 8 9 4 6 10 2 1 7，Population 2：4 3 6 8 7 5 10 2 1 9。经交叉操作后，一共可得到 4 个个体，Population 1，Population 2，Population 1和 Population 2，计算这 4个个体的适应度，将较优的 2个遗传至下一代。2.1.2.3变异随机产生 2 个在 1，L 区间的自然数1和2（1 2）。不妨假设1 新路径的适应度%更新路径和适应度保存当前路径；更新原路径适应度；endendend2.3路径规划算法流程由已有设备信息、地理信息以及各巡逻点所需的巡逻时间，可实现对无人机巡逻路径的规划。主要流程如下：（1）初始化。输入已有设备信息、巡逻点需要巡逻的时间信息以及巡逻点的坐标信息，并计算任意两个巡逻点之间的距离。随机产生初始种群，并计算种群的适应度。（2）选择个体。按照轮盘赌法则，选择种群个体，即计算个体的适应度Fi，个体 i被选择的概率为1/Fij=1L1/Fj。（3）选择操作。对种群个体按一定概率选择相应的操作（交叉或 变 异）搜 索 路 径。比 如，随 机 产 生 数 P，若P 0.9，选择交叉操作；否则，选择变异操作。（4）路径搜索。有交叉和变异 2 种路径搜索方式，本文根据概率大小选择路径搜索方式，设交叉的概率为 0.9，变异的概率为 0.1。根据所选择的操作（交叉或变异），随机产生 2个数1和2，搜索新的路径。（5）路径更新。计算新路径的适应度，并与上一代个体的适应度做比较，将适应度小的个体遗传至下一代。（6）路径优化。运用爬山算法优化路径，得到每代种群的最优路径，以实现全局最优。（7）迭代循环。重复步骤（2）步骤（6）。当搜索次数等于ms时，停止搜索，输出最优路径和最优路径适应度。（8）完成路径规划。将当前最优路径信息传输至决策终端，指导无人机巡逻。路径规划算法流程如图 1所示。3仿真及比较3.1数值仿真为验证算法的有效性，以杭州市滨江区长河派出所辖区为巡逻区域，辖区和巡逻地点示意如图 2 所示，其中，红色圆圈表示巡逻点，红色倒三角形表示派出所。在仿真过程中，所有无人机都从派出所出发，巡逻结束后返回派出所。各巡逻点的相对坐标信息及巡逻点需要巡航的时间如表1所示。若无人机巡逻了点 1，2，3，则无人机实际飞行距离为d=d01+d12+d23+d30。假设派出所有 5图 1路径规划算法流程Fig.1Flow of path planning algorithm24李国军，等：基于混合遗传算法的多无人机巡逻路径优化第 1期架 无 人 机，每 架 无 人 机 的 最 大 飞 行 距 离 均 为18.00 km，每架无人机空中最长停留时间皆为 2.00 h。在仿真过程中，种群规模（number of population）为 200，迭代次数（number of iteration）为 200。仿真结果如图 3图 5所示。图 3为第 1代种群中最优个体的巡航路径，不同颜色的箭头表示不同无人机巡航所经过的巡逻点。从图 3中可以看出，共需 3架无人机，其中，第 1架无人机的巡逻路线为 3229122814195表 1巡逻点的相对坐标信息及停留时间Table 1Relative coordinate information of patrol points and cruise time of patrol points编号1234567891011121314151617181920212223242526272829303132巡逻点名称中南乐游城滨兴家园杭州滨兴学校滨兴小区杭州蓝臣大酒店英飞特大厦新鸿宾大酒店杭州森浩国际酒店伟星旅馆杭州乐天派英智康复医院春波小区春波南苑滨康小区滨康二苑康庭酒店西兴街道办事处迎春南苑滨江御滨府三江商厦铁岭花园西区云厦连园西陵社区西陵饭店东方花城滨安小区官河锦庭玲珑府速 8酒店映映红园区湖头陈农贸市场湖头陈花苑长河派出所横坐标 x/km0.2190.4210.7810.9290.4631.0110.3570.2590.2610.4051.8791.9371.5351.5311.7091.8472.3852.6872.7992.2472.5632.8112.7433.1272.3272.5072.6752.8972.7713.1753.0910.385纵坐标 y/km1.7171.5911.7271.6150.8590.9910.5790.3590.2490.1131.5211.3030.6090.4170.4680.3851.7131.7011.4291.4611.3031.1851.0911.0511.0190.8990.9250.7550.6180.1770.0690.485停留时间/h0.300.300.300.300.300.120.120.120.120.120.120.120.120.120.120.120.120.120.120.120.300.120.120.300.210.120.120.120.100.200.100图 2长河派出所部分巡逻点相对位置示意Fig.2Schematic diagram of the relative positions of some patrol points under the jurisdiction of Changhe Police Station25浙 江 大 学 学 报（理学版）第 51 卷2411182621532；第 2 架无人机的巡逻路 线 为 32164201321176232732；第 3 架无人机的巡逻路线为 3231122781025930332，3 架 无 人 机 总巡航距离为 37.07 km。图 4为经过遗传迭代 200次后的最优巡航路径。从图 4中可以看出，仍需 3架无人机，其中，第 1架无人 机 的 巡 逻 路 线 为 32131415163130292824222327262532；第 2架 无 人 机 的 巡 逻 路 线 为 321221191817201143632；第 3 架无人机的巡逻路线为 325 217891032，3 架无人机总航行距离为 17.36 km。当然，这并不是全局最优路径，比如将图 4 中第 2 架无人机的巡逻路线更换为 321220211918171143632，则总航行距离为 17.31 km，达最优。图 5 显示了迭代过程最短路径的变化。由图 5 可知，在寻优过程中，寻优前期适应度变化明显，后期变化不明显，这从另一方面说明所设计的种群遗传算法迭代200次是合理的。3.2算法比较遗传算法对求解路径优化类问题效果较好，本文运用融合爬山算法的混合遗传算法，取得了较好的优化巡航路径效果。为更好地说明算法的优越性，将传统遗传算法和混合遗传算法进行了比较。为方便比较，先将种群规模设置为 80，重复运行 20 次，结果如表 2 所示；再将种群规模设置为200，重复运行 20 次，结果如表 3 所示。从表 2 和表3 中可以看出，同一种算法，种群规模越大，寻优的平均结果越好，但花费的平均时间更多。无论种群规模是 80 还是 200，混合遗传算法的寻优平均结果 均 明 显 优 于 传 统 遗 传 算 法，但 所 花 费 的 时 间略长。图 4迭代 200次的最优巡航路径Fig.4Optimal patrol path after 200 iterations图 3第 1代种群中最优个体的巡航路径Fig.3Patrol path of the best individual in the first generation population图 5迭代过程最短路径的变化Fig.5Shortest path changes during iteration process表 2种群规模为 80运行 20次的结果Table 2Results of 20 runs when population size is 80算 法传统遗传算法混合遗传算法获得全局最优数/次01最优路径平均巡航距离/km20.236 719.558 9搜索最优路径所花费的平均时间/s16.789 270.161 7表 3种群规模为 200运行 20次的结果Table 3Results of 20 runs when population size is 200算 法传统遗传算法混合遗传算法获得全局最优数/次14最优路径平均巡航距离/km19.557 818.159 1搜索最优路径所花费的平均时间/s36.852 188.181 526李国军，等：基于混合遗传算法的多无人机巡逻路径优化第 1期4结 论针对警用无人机的巡逻问题，结合实际巡航任务提出了针对性优化模型。考虑遗传算法具有较好的全局特性、爬山算法具有较优的局部特性，在无人机巡逻路径优化中，将遗传算法与爬山算法相融合，提出了混合遗传算法。仿真结果表明，提出的混合遗传算法在寻优效果上明显优于传统遗传算法。参考文献（References）：1卢文忠，杨俊峰.抗疫精神融入公安院校治安学专业课程的教学实践探索 J.铁道警察学院学报，2022，32（6）：120-124.DOI：10.19536/ki.411439.2022.06.020LU W Z，YANG J F.Exploring the teaching practice of integrating the spirit of anti epidemic into the public security course in public colleges and universitiesJ.Journal of Railway Police College，2022，32（6）：120-124.DOI：10.19536/ki.411439.2022.06.0202邹青，刘小丽.屯警街面全天候巡逻：潜江市推出警务综合服务新模式J.领导科学论文（下），2015（4）：37-38.DOI：10.3969/j.issn.2095-5103.2015.04.015ZOU，LIU X L.Police patrol on the street all day：Qianjiang city launched a new model of comprehensive police service J.Leadership Science Thesis（Volume II），2015（4）：37-38.DOI：10.3969/j.issn.2095-5103.2015.04.0153董晓霖.大数据在社会治安防控中的应用探索 J.中国新通信，2021，23（13）：147-148.DOI：10.3969/j.issn.1673-4866.2021.13.075DONG X L.Application of big data in social security prevention and controlJ.China New Communications，2021，23（13）：147-148.DOI：10.3969/j.issn.1673-4866.2021.13.0754张叶彤.社区警务网格化管理的优化研究：以南京市G区 J派出所为例 D.南京：南京大学，2019.ZHANG Y T.Research on Optimizing Grid Management of Community Policing：J Police Station in G District，Nanjing City is Taken as an Case D.Nanjing：Nanjing University，2019.5沈建十，叶宏杰.关于深化完善社会治安巡逻防控体系建设的实践与思考：以宁波市社会治安四级巡逻防控体系建设为例 J.公安研究，2012（12）：22-27.SHEN J S，YE H J.Practice and thinking on perfecting the construction of social security patrol prevention and control system：Take the construction of the four-level patrol prevention and control system of social security in Ningbo as an exampleJ.Policing Studies，2012（12）：22-27.6李路，王行愚，江开忠.基于 k 阶不可逆邻接矩阵的警 车 巡 逻J.电 气 自 动 化，2010，32（4）：32-34.DOI：10.3969/j.issn.1000-3886.2010.04.012LI L，WANG X Y，JIANG K Z.Police cars patrol based on k-order irreversible adjacency matrixJ.Electrical Automation，2010，32（4）：32-34.DOI：10.3969/j.issn.1000-3886.2010.04.0127吴思远.全局最优警车巡逻区域最大覆盖调度策略 J.广西师范大学学报（自然科学版），2010（1）：96-99.DOI：10.3969/j.issn.1001-6600.2010.01.022WU S Y.Global optimum maximal coverage scheduling strategy for police cars deploymentJ.Journal of Guangxi Normal University（Natural Science Edition）2010（1）：96-99.DOI：10.3969/j.issn.1001-6600.2010.01.0228FRAZIER A E，BAGCHI-SEN S，KNIGHT J.The Spatio-temporal impacts of demolition land use policy and crime in a Shrinking city J.Applied Geography，2013，41：55-64.DOI：10.1016/j.apgeog.2013.02.0149LERMAN Y，ROFE Y，OMER I.Using space syntax to model pedestrian movement in urban transportation planningJ.Geographical Analysis，2014，46（4）：392-410.DOI：10.1111/gean.1206310JIANG B，OKABE A.Different ways of thinking about street networks and spatial analysis J.Geographical Analysis，2014，46（4）：341-344.DOI：10.1111/gean.1206011SHIODE S，SHIODE N.Network-based space-time search-window technique for hotspot detection of street-level crime incidents J.International Journal of Geographical Information Science，2013，27（5）：866-882.DOI：10.1080/13658816.2012.72417512SHIODE S，SHIODE N，BLOCK R，et al.Space-time characteristics of micro-scale crime occurrences：An application of a network-based space-time search window technique for crime incidents in ChicagoJ.International Journal of Geographical Information Science，2015，29（5）：697-719.DOI：10.1080/13658816.2014.96878213WEISSBURD D L，GROFF E R，YANG S.The Criminology of Place：Street Segments and Our Understanding of the Crime Problem M.New York：Oxford University Press，2012.DOI：10.1093/acprof：oso/9780195369083.001.000114DINC S，DINC I.Evaluation of unsupervised classification on police patrol zone design problem C/IEEE SoutheastCon 2018.St Petersburg：IEEE，2018：27浙 江 大 学 学 报（理学版）第 51 卷1-7.DOI：10.1109/secon.2018.847890815ALLEN B.Case study：Using crime data and open source data to design a police patrol areaJ.SMU Data Science Review，2018，1（1）：1-22.16MUKHOPADHYAY A，CHAO Z，VOROBEYCHIK Y，et al.Optimal allocation of police patrol resources using a continuous-time crime model C/International Conference on Decision and Game Theory for Security.New York：GameSec，2016：139-158.DOI：10.1007/978-3-319-47413-7_917SAINT-GUILLAIN M，PAQUAY C，LIMBOURG S.Time-dependent stochastic vehicle routing problem with random requests：Application to online police patrol management in Brussels J.European Journal of Operational Research，2020，292（3）：869-885.DOI：10.1016/j.ejor.2020.11.00718HUTT O K，BOWERS K，JOHNSON S D.The Effect of GPS refresh rate on measuring police patrol in microplacesJ.Crime Science，2021，10（1）：1-14.DOI：10.1186/s40163-021-00140-1.19PIZA E L，GILCHRIST A M，CAPLAN J M，et al.The financial implications of merging proactive CCTV monitoring and directed police patrol：A cost-benefit analysis J.Journal of Experimental Criminology，2016，12（3）：403-429.DOI：10.1007/s11292-016-9267-x20RYDBERG J，MCGARRELL E F，NORRIS A，et al.A Quasi-experimental synthetic control evaluation of a place-based police-directed patrol intervention on violent crime J.Journal of Experimental Criminology，2018，14（1）：83-109.DOI：10.1007/s11292-018-9324-821CHEN X.Fast patrol route planning in dynamic environmentsJ.IEEE Transactions on Systems Man and Cybernetics，Part A：Systems and Humans，2012，42（4）：894-904.DOI：10.1109/tsmca.2012.218336122CHEN X.Police patrol optimization with security level functions J.IEEE Transactions on Systems Man and Cybernetics Systems，2013，43（5）：1042-1051.DOI：10.1109/tsmca.2012.222602523ZHU S，BUKHARIN A W，LU L，et al.Data-driven optimization for police beat design in South Fulton，Georgia Z.（2021-08-24）.https：/doi.org/10.48550/arXiv.2004.09660.24ZHU S，WANG H，XIE Y.Data-driven optimization for police zone designZ.（2021-11-02）.https：/doi.org/10.48550/arXiv.2104.00535.25杨旭，王锐，张涛.面向无人机集群路径规划的智能优化算法综述 J.控制理论与应用，2020，37（11）：2291-2302.DOI：10.7641/cta.2020.00157YANG X，WANG R，ZHANG T.Review of unmanned aerial vehicle swarm pa