编辑推荐：
当前森林火灾频发，现有直升机路线规划多为单阶段调度，传统蚁群优化（ACO）算法也存在缺陷。研究人员提出两阶段动态路径规划模型（含离线预调度与在线自适应调整）及改进蚁群优化（IACO）算法。结果显示 IACO 优势显著，为森林火灾救援提供有效框架。
在全球气候变暖与人类活动影响下，森林火灾愈发频繁且火势凶猛。想象一下，熊熊烈火在广袤森林中肆虐，无情吞噬着树木，威胁着周边居民的生命财产安全。传统的森林火灾救援手段在应对这些复杂多变的火情时，逐渐暴露出诸多问题。就拿直升机路线规划来说，以往的方法常常局限于单阶段调度，要么只是在执行任务前进行离线预规划，完全不考虑实际执行过程中可能出现的突发状况；要么仅依据直升机当前的姿态进行在线反应式调整，却忽略了前期的统筹安排，缺乏对整个飞行过程全面、系统的规划。而传统的蚁群优化（ACO）算法在应用于这类问题时，也麻烦不断。由于初始搜索解过于随机，后续搜索阶段又受到禁忌列表的限制，导致算法容易过早收敛，稳定性欠佳。这些问题严重制约了森林火灾救援的效率，使得火灾造成的损失不断扩大，因此，探寻更有效的森林火灾救援直升机调度与路径规划方法迫在眉睫。
为了解决这些棘手的问题，国内的研究人员积极开展了深入研究。他们提出了一种两阶段动态路径规划模型，将离线预调度和在线自适应调整有机结合起来。同时，还创新地研发出改进蚁群优化（IACO）算法，以此来更高效地求解模型。经过一系列严谨的研究，他们取得了令人瞩目的成果，相关论文发表在《Engineering Applications of Artificial Intelligence》上。这一研究成果意义非凡，为森林火灾救援行动提供了一个强大且可靠的框架，极大地提升了森林火灾救援中常规巡检与应急管理的协同能力。
研究人员在开展这项研究时，主要运用了以下几种关键技术方法：一是建立两阶段动态路径规划模型，将整个调度问题分为离线预调度和在线自适应调整两个阶段；二是引入改进蚁群优化（IACO）算法，通过动态信息素初始化和分阶段信息素更新策略，优化路径搜索过程；三是结合 K-means 聚类算法，将全局车辆路径问题（VRP）分解为多个聚类的旅行商问题（TSP），降低计算复杂度。
研究结果
- 两阶段动态路径规划模型的构建：研究人员精心构建了两阶段直升机动态巡检模型。在第一阶段，借助 IACO 算法，对所有巡检点的路径进行优化，让直升机能够获取遍历各个巡检点的飞行路径。第二阶段，一旦在直升机巡检过程中出现紧急情况，模型会根据直升机当前的位置和状态，迅速且精准地派遣最合适的直升机前往事发地点进行救援，同时重新规划剩余的巡检路径。
- IACO 算法的性能优势：通过一系列严格的实验测试，研究人员发现 IACO 算法展现出了卓越的性能。在离线规划方面，相较于传统的 ACO 算法，IACO 算法能够将直升机的总飞行距离最多降低 4.1%。在动态场景中，它能使应急响应效率大幅提升 7.3%，这意味着在面对紧急火灾情况时，救援直升机可以更快地抵达现场展开救援行动。
- 不同场景下的模型验证：研究人员设置了两个具有代表性的场景来充分验证模型的有效性。在独立区域调度场景中，当直升机负责的区域内出现报警点时，当前直升机能够迅速调整自身的飞行路线，前往灾害点实施救援行动，并且在完成救援后，还能找到最优的巡逻路线继续执行后续任务。在跨区域联合调度场景中，涉及多架直升机在不同区域之间进行协同配合，模型能够合理地安排直升机的调度和路径规划，确保救援行动高效有序地进行。
研究结论与讨论
这项研究成功地通过两阶段路径规划模型和 IACO 算法，有效应对了森林直升机巡检中的动态调度难题，实现了多方面的关键突破。两阶段动态路径规划模型打破了传统静态规划的局限，通过 K-means 聚类算法将复杂的全局 VRP 问题巧妙地分解为多个相对简单的聚类 TSP 问题，不仅降低了计算的复杂性，还显著提高了规划的效率和准确性。IACO 算法的创新之处在于其动态信息素初始化和分阶段信息素更新策略，这一策略极大地优化了算法的搜索过程，使其在搜索效率和搜索质量上都有了质的飞跃，有效地解决了传统 ACO 算法存在的过早收敛和稳定性差的问题。
从实际应用的角度来看，该研究成果为森林火灾救援工作提供了切实可行且高效的解决方案。在森林火灾救援行动中，时间就是生命，每一秒的延误都可能导致不可挽回的损失。该模型和算法能够帮助救援人员更快速、更合理地安排直升机的调度和路径规划，让直升机在日常巡检中能够更高效地完成任务，及时发现潜在的火灾隐患；在紧急情况发生时，又能迅速做出响应，第一时间抵达火灾现场展开救援行动，从而最大限度地减少火灾造成的人员伤亡和财产损失。这一研究成果对于提升森林火灾救援的整体水平，保护森林生态环境和人民群众的生命财产安全具有重要的现实意义，有望在未来的森林火灾救援工作中得到广泛应用和推广。
