基于BPSO的电力无人机机巢布点选址优化与Matlab实现

电力巡检无人机这几年已经不算新鲜事了，大家对“一个背包+一台飞机+一个飞手”的作业模式都熟。可真到了规模化应用阶段，真正卡脖子的反而是“飞机从哪起飞、在哪降落、谁来换电池”这种听着很基础的问题。机巢布点选址，就是把这个运营问题变成管理决策：在输电沿线哪些位置建自动机巢，才能让有限的机巢覆盖尽量多的待巡杆塔，同时把建设成本和飞行限制全部约束住。这篇文章我从实际工程视角出发，把这个问题怎么建模、怎么设计算法、怎么写Matlab代码、以及我踩过哪些坑，一次讲清楚。适合在做电网智能化规划的工程师、研究无人机调度的学生，以及所有被“机巢放哪都不合适”折磨过的同行。

1. 机巢布点选址到底在解决什么问题：巡检场景与决策逻辑

1.1 没有机巢时巡检为什么那么折腾

先还原一下没有机巢时的典型巡检流程。就算是多旋翼无人机，单架次的有效作业时间也就20到35分钟，你得给返航留出余量，真正能飞出去绕着杆塔拍的时间更短。一条220千伏线路往往跨越几十公里，杆塔几十上百基。运维班组通常做法是：开巡检车，到某基杆塔附近找一块临时起降点，组装飞机、校准、起飞、绕塔巡视、降落、换电池，然后再开到下一基杆塔。

问题就出在“转场”这两个字上。一个班组一天可能只能跑三五基塔，时间全耗在赶路和架设设备上，真正悬停在塔顶精细拍照的时间占比低得可怜。而且输电线路大多在山区、农田、跨越公路的地方，有些塔位附近根本找不到合适的起降场。这时候机巢——也就是能远程控制无人机自动起降、自动充电或换电、自动回传数据的无人值守机场——就成了一个效率解药。它把“人带着飞机跑”变成“飞机从机巢飞出去再飞回来”，理论上只要机巢布得够多够合理，后台点一下就能安排飞机轮流巡视沿途杆塔。

可机巢不是白菜价。固定式机巢本身有土建、供配电、通信接入、防雷接地一套成本，后期还要维护和换电管理。布多了浪费投资，布少了覆盖不全，于是“候选点选哪些、每个点要不要建巢”就成了一个典型的选址优化问题。

1.2 布点方案里的约束远比你想象的多

很多第一次接触这个问题的同学，习惯性把它理解成“画圆覆盖点”的几何题：机巢覆盖半径画个圆，看圆能不能盖住杆塔。实际工程里远没有那么简单。我梳理了一下，至少有这么几类约束条件要同时满足。

• 续航约束：无人机从机巢出发飞到杆塔、完成巡检、再飞回来，必须在电池允许的范围内。这里要考虑的不只是直线距离，还有航线需要绕行地形和障碍物的因子，经验上常用直线距离乘以1.1到1.3的曲折系数。
• 地形与净空约束：机巢不能建在低洼积水地、滑坡风险区、密林中间，也要避开净空不足的区域，起飞通道不能有高压线、高树遮挡。
• 通信约束：机巢大多依赖4G/5G或专网回传，候选点需要处在网络覆盖良好的区域，否则数据传不回来，机场和无人机也接不到调度指令。
• 机场选址属性约束：不是哪里都能建，要有土地权属、供电容量、道路可达性、避让生态红线等条件。变电站、供电所、巡检队驻地、高速公路服务区这些地方往往优先。
• 服务能力约束：一个机巢一次只能保障一架无人机起降，如果某个机巢覆盖的杆塔数量太多，充电排队时间就会变长，巡检周期满足不了。所以每个机巢通常有一个“最大可服务杆塔数”或最大架次数限制。
• 成本约束：每个候选点建巢的成本不完全一样，有的已经有电、有网、有场地，成本相对低；有的得新做基础、拉电、立杆，成本高。选址方案需要在总预算内完成覆盖需求。

这些约束有的是硬性的，不满足就出不了安全飞行条件；有的属于软性的，比如巡检周期紧张程度，可以通过增加架次或延长作业时间来弥补。建模的时候，不能眉毛胡子一把抓，得给约束分优先级。

1.3 一个合格的选址结果长什么样

说清楚约束之后，所谓“合格选址结果”，我的理解就是一套明确的决策变量：在全部候选点里，选哪几个点建巢，其余不建。输出通常是一张地图，图上标出机巢位置、各机巢覆盖的杆塔归属关系、以及每条线路的巡检半径是否满足。再配上几张表：总建设成本、覆盖杆塔数、覆盖率、单巢负载、未覆盖清单。

这份结果背后是一串数学模型的优化目标。最常见的目标函数有两个方向：一是在满足全部杆塔覆盖的前提下，最小化建设机巢数量或总成本；二是给定机巢数量K，最大化覆盖的杆塔数量或覆盖的线路资产价值。实际项目里经常把两个方向揉在一起，变成“总成本+覆盖缺口惩罚”的加权形式。管理层的视角一般是：给我一份成本最小的方案，同时告诉我如果预算再砍一半，覆盖率会掉到多少。这就是选址算法要能回答的问题。

2. 从实际问题到数学模型：覆盖模型与多约束如何落到公式

2.1 集合覆盖模型：先让每个杆塔“有人管”

要把选址问题变成计算机能算的问题，第一步是离散化。把待巡的杆塔集合记为N，每个杆塔编号1到n；把候选点集合记为M，编号1到m。这里的“候选点”不是随便在地图上点出来的点，而是通过供电所、变电站、交通节点、土地条件等筛选后留下的可行位置。

离散化完成后，需要建立覆盖关系矩阵。如果候选点j到杆塔i的飞行距离在允许半径R以内，就认为候选点j可以覆盖杆塔i，记为a_ij=1，否则为0。这一步做完，问题就变成纯粹的0-1整数规划问题。

最基本的模型是“集合覆盖模型”（Set Covering Problem）。设决策变量x_j为0或1，表示候选点j是否建巢。为了让每个杆塔至少被一个机巢覆盖，约束条件写成：

sum_j (a_ij * x_j) >= 1，对所有杆塔 i=1..n

目标函数就是让机巢数或者建设总成本最小：

min Z = sum_j (c_j * x_j)

其中c_j可以是“1”表示只数数量，也可以是候选点j的建设成本。这个模型非常经典，上世纪70年代就有人用在应急设施选址上，到今天做机巢布点仍然是基础框架。它解决的问题是：用最少的机巢保证所有杆塔都在覆盖范围内——这是巡检全覆盖的最低要求。

2.2 其他约束怎么塞进模型：负载、成本、通信这些限制

只做集合覆盖，解出来的方案有可能出现一个“超级机巢”覆盖了周围50基杆塔，虽然数学上可行，工程上完全没法用。所以要加负载约束。设每个选中机巢可服务的最大杆塔数为L_max，那么对于选中的候选点j，它覆盖的杆塔数不能超过L_max。这在0-1线性模型里写起来要引入辅助变量y_ij表示“杆塔i分配给机巢j巡检”，还要保证每个杆塔只分配一个机巢。模型会变复杂。

实际写Matlab代码做启发式求解时，我经常不把负载约束写成硬性线性约束，而是把它转化为适应度函数里的惩罚项。比如某个方案里机巢j覆盖了9基杆塔，而L_max=8，就按超出的数量施加一个很大的惩罚值，让算法自动规避这种方案。这样虽然不能保证解百分之百都是可行解，但通过调节惩罚系数，最终得到的最优解往往已经把所有硬约束都满足了。

通信约束和地形约束的处理思路类似。通信覆盖可以提前做成一个“候选点可用性掩码”：如果候选点j没有4G/5G信号或没有供电条件，直接把它的建巢成本设为无穷大，或者初始阶段就从候选点集合里剔除。地形风险区域则通过GIS分析，生成禁建区，和候选点做空间叠加过滤。把这些前置过滤做好，算法阶段就不用再头疼它们了，这比在模型里硬加一堆复杂约束更省事。

另外还有个重要约束是巡检周期。如果每条线路要求每30天巡一遍，而无人机单架次最多巡视6基杆塔，那么某个机巢覆盖范围内的总杆塔数乘以巡检频率，就应该小于机巢单日可出动架次数乘以30天。这个约束本质上还是“负载上限”，只是把L_max从“一个机巢能覆盖多少个塔”变成了“一个机巢在一个周期内最多能承担多少任务量”。我在实际建模时直接按周期可巡视杆塔数来折算L_max。

2.3 为什么选启发式算法而不是精确算法

看到这里你可能会想：这不就是个0-1整数线性规划吗？直接用Matlab的intlinprog函数不就行了？

能这么想很正常，但实际跑起来会碰到两个现实问题。第一，集合覆盖问题本身是NP难问题。候选点m在30到50个以内时，intlinprog还能在合理时间内算出精确解；一旦杆塔和候选点规模到几百、上千，分支定界会变得非常慢，内存消耗也大。第二，实际模型的约束往往不是规范线性约束，而是带飞行时间估计、带非线性覆盖半径、带各种工程修正因子的复杂关系，硬套intlinprog需要做大量线性化近似，开发成本高，还容易把工程含义改歪。

所以我更倾向于用启发式算法，尤其是群智能算法。它们不要求目标函数可导，不要求约束线性，只要能把任意一个备选方案算出一个“好坏分数”，就能在解空间里搜。对于机巢布点这种强组合、中等规模、允许一定近似解的问题，群智能算法的性价比非常高。

3. 算法选型与BPSO设计思路：0-1选址问题的解法

3.1 为什么可用经典粒子群

常见的启发式算法有遗传算法、粒子群、模拟退火、蚁群、禁忌搜索。我用得最多的还是粒子群PSO。主要原因有四点。

第一，粒子群结构简单，核心就是速度更新和位置更新两句公式，新手也能很快改出可跑版本。第二，PSO没有交叉变异算子，参数少，实际调参时不容易出现“牵一发而动全身”的混乱。第三，PSO的群体协作机制对覆盖型选址问题很有效——粒子之间通过全局最优互相引导，比较容易快速收敛到好的区域。第四，在Matlab环境下，PSO的主循环用纯矩阵运算就能实现，不需要额外工具箱。

当然，经典PSO是针对连续变量设计的，而机巢选址的决策变量是0-1变量，所以我用的是离散二进制粒子群BPSO（Binary Particle Swarm Optimization）。它的思路是：粒子仍然保持“位置x”和“速度v”的概念，但位置只能取0或1。速度被解释为“位置取1的概率”的驱动量，通过Sigmoid函数做映射，再用随机数决定最终是0还是1。

3.2 离散二进制粒子群的几个关键设计

BPSO的核心更新公式和经典PSO基本一致。设第p个粒子的位置为x_p，速度为v_p，个体历史最优为pbest_p，全局最优为gbest，那么速度更新为：

v_p = w * v_p + c1 * r1 * (pbest_p - x_p) + c2 * r2 * (gbest - x_p)

其中w是惯性权重，c1是自我认知学习因子，c2是社会学习因子，r1和r2是[0,1]的随机数。因为x和pbest、gbest都是0-1向量，差值可能为负、零或正，速度v因此会累积正负方向的输入。

接下来的关键一步是映射。计算Sigmoid函数：S(v)=1/(1+exp(-v))，得到每个候选点被选中建巢的概率。然后用随机数掷骰子：

if rand < S(v)，则x=1，否则x=0

这里有个工程经验要强调：Sigmoid里v的绝对值不能太大，否则S(v)会过早饱和成0或1，种群失去探索能力。很多教程会提醒把速度限制在[-6,6]区间，我实际用下来觉得限制在[-4,4]效果更好，尤其是选址问题里解空间本身就比较稀疏，速度限制太宽容易让粒子长期钉在一个状态上跳不出来。

惯性权重w的取值也影响很大。我习惯让w从0.9线性下降到0.4，前期大w保持全局搜索能力，后期小w加强局部精细搜索。这一步对于收敛质量很关键，别图省事设成固定值。

3.3 初始化与局部优化增强

单纯随机初始化BPSO，经常会出现前期一堆粒子全是极端解的情况——要么全选1（成本爆炸），要么全选0（覆盖全是0），导致前几十代算法一直处在“从废墟里爬起来”的状态。我一般做两个增强。

第一是混合初始化。让一部分粒子用随机生成的0-1向量，另一部分粒子用贪心算法的结果做局部扰动后作为初始位置。贪心思路很简单：每次选一个能覆盖最多未覆盖杆塔、且不超负载的候选点，直到所有杆塔都被覆盖。这样产生的初始解覆盖率有保障，把它和随机粒子放在同一个种群，种群起点质量会高很多。

第二是加入局部搜索算子。每次迭代结束，如果发现连续若干代全局最优没有更新，就围绕当前最优解做小规模扰动测试，比如随机翻转1到2个候选点的建巢状态，如果扰动后适应度更好就替代原最优。这个小技巧能让算法更快跳出局部最优，尤其适合机巢数量在“建5个还是建6个”之间犹豫的情况。

4. Matlab代码实现：从距离矩阵到可视化

4.1 数据准备与覆盖矩阵生成

我把整套代码分成三段：数据准备、适应度函数、主循环与可视化。先从数据准备开始。

假设你有两份基础数据：杆塔坐标矩阵towers（n行2列，经纬度或平面坐标），候选点坐标矩阵candidates（m行2列）。坐标最好提前投影成平面坐标系，比如用高斯-克吕格投影或Web Mercator，否则直接用经纬度算距离会南辕北辙。算距离矩阵用Matlab自带的pdist2非常省事：

% towers: n x 2 杆塔坐标 % candidates: m x 2 候选点坐标 n = size(towers, 1); m = size(candidates, 1); % 计算候选点到杆塔的欧氏距离矩阵 m x n distMat = pdist2(candidates, towers); % 结合地形曲折系数生成实际飞行距离估计 k = 1.2; % 航路曲折系数，山区取1.3左右 realDist = distMat * k; % 根据最大作业半径生成覆盖矩阵 alpha(m x n, 逻辑型) R = 3000; % 最大覆盖半径，单位：米 alpha = realDist <= R;

这里alpha是m行n列的矩阵，alpha(j,i)=1表示候选点j可以覆盖杆塔i。你可以在命令行里用spy(alpha)查看覆盖关系矩阵的稀疏结构，一眼就能看出哪些候选点覆盖能力特别强。

4.2 适应度函数设计

适应度函数是整套代码的灵魂。我设计时把建设成本、未覆盖惩罚、超负载惩罚三个部分合并成一个单值，代码如下：

function [fit, report] = fitnessFun(x, cost, alpha, Lmax) % x: 1 x m 的0-1向量，1表示该候选点建巢 % cost: 1 x m 的建设成本 % alpha: m x n 覆盖逻辑矩阵 % Lmax: 单巢最大可服务杆塔数 x = x(:)'; % 保证行向量 m = length(x); if sum(x) == 0 fit = 1e10; report = []; return; end % 建设总成本 buildCost = x * cost(:); % 覆盖情况：选中候选点集合里，是否存在任意一个能覆盖杆塔i selected = alpha(x==1, :); covered = any(selected, 1); % 1 x n nUncovered = sum(~covered); % 负载情况：每个选中候选点覆盖的杆塔数 loadCnt = sum(selected, 2)'; % 1 x sum(x) nOverload = sum(loadCnt > Lmax); % 惩罚系数：远大于成本量级 M1 = 1e6; % 未覆盖一个杆塔的惩罚 M2 = 2e6; % 一个机巢超负载的惩罚 fit = buildCost + M1 * nUncovered + M2 * nOverload; if nargout > 1 report = struct('buildCost', buildCost, 'nUncovered', nUncovered, ... 'nOverload', nOverload, 'nSelected', sum(x), 'loadCnt', loadCnt); end end

有几个细节说明一下。第一，成本量级和惩罚系数的关系非常重要。如果成本是十万量级，M1取1e6才够让“少覆盖一个杆塔”的惩罚压过“多建一个机巢”的成本，算法会把覆盖率放在第一位。第二，如果人工干预想把“成本最低”放在第一优先级，可以反过来把M1调小，但那样就要接受部分杆塔漏巡的风险。实际项目里我基本不让步，覆盖率必须100%满足。

4.3 主循环和可视化

BPSO主循环我手写，不依赖任何工具箱。种群规模一般取40到60，迭代次数200到300就够用。核心代码如下：

% 参数设置 popSize = 40; maxIter = 300; c1 = 1.49; c2 = 1.49; vMax = 4; wMax = 0.9; wMin = 0.4; % BPSO初始化 xpop = rand(popSize, m) > 0.5; vpop = zeros(popSize, m); pbest = xpop; pbestFit = zeros(popSize, 1); for p = 1:popSize pbestFit(p) = fitnessFun(xpop(p,:), cost, alpha, Lmax); end [gbestFit, idx] = min(pbestFit); gbest = xpop(idx, :); % 迭代主循环 for t = 1:maxIter w = wMax - (wMax - wMin) * t / maxIter; for p = 1:popSize % 更新速度 vpop(p,:) = w * vpop(p,:) ... + c1 * rand(1,m) .* (pbest(p,:) - xpop(p,:)) ... + c2 * rand(1,m) .* (gbest - xpop(p,:)); vpop(p,:) = max(-vMax, min(vMax, vpop(p,:))); % Sigmoid映射成概率 prob = 1 ./ (1 + exp(-vpop(p,:))); xpop(p,:) = rand(1,m) < prob; % 更新个体最优和全局最优 curFit = fitnessFun(xpop(p,:), cost, alpha, Lmax); if curFit < pbestFit(p) pbestFit(p) = curFit; pbest(p,:) = xpop(p,:); end if curFit < gbestFit gbestFit = curFit; gbest = xpop(p,:); end end % 可选：每50代输出一次进度 if mod(t, 50) == 0 fprintf('Iter %d, best fitness = %.2f\n', t, gbestFit); end end

最后画图。画图这步特别重要，算法算出结果给运营人员看，不可能甩一堆0-1向量，一定要落到地图上。基本画法如下：

figure; plot(towers(:,1), towers(:,2), 'ko', 'MarkerFaceColor', 'k'); hold on; plot(candidates(:,1), candidates(:,2), 'b^'); sel = candidates(gbest==1, :); plot(sel(:,1), sel(:,2), 'r*', 'MarkerSize', 15); % 画覆盖圆 for j = find(gbest) th = linspace(0, 2*pi, 100); plot(candidates(j,1) + R*cos(th), candidates(j,2) + R*sin(th), 'r-', 'LineWidth', 1); end legend({'杆塔','候选点','选中机巢'}, 'Location', 'best'); axis equal; grid on; xlabel('X (m)'); ylabel('Y (m)'); title('机巢布点选址结果');

画完图记得用axis equal，否则横向纵向尺度不一样，覆盖圆会被拉伸成椭圆，看起来很误导。这在汇报的时候特别容易翻车。

4.4 参数速查表

我把常用的参数建议整理成一张表，方便直接抄作业。

5. 案例验证：30基杆塔12个候选点的选址实验

5.1 场景设置与结果

光说不练不行，我构造了一个典型测试场景。杆塔30基，散布在10km乘10km的区域内。候选点12个，分布在区域边缘和中心，模拟变电站、供电所等可建设施位置。覆盖半径R=3000米，单巢最大服务杆塔数Lmax=8。建设成本c_j在500万到1200万之间随机浮动，用来模拟不同候选点的基础条件差异。

用BPSO跑一遍，种群大小40，迭代300次。跑了5次，每次耗时大概几十秒（普通笔记本环境），最优结果的适应度基本稳定在同一个量级。选出的最优方案建了5个机巢，30基杆塔全部覆盖，每个机巢负载在3到8基之间，没有超负载，总建设成本大约4200万。

这个结果直观反映了覆盖关系：因为有Lmax=8的约束，算法不会让单个机巢硬扛过多杆塔，而是通过多建一个机巢分摊负载。相比不考虑负载的纯集合覆盖模型，总成本略高，但每个机巢的实际任务量均衡多了，巡检周期可控。

5.2 和贪心算法对照

我还用贪心算法做了个对照实验。贪心策略是从候选点里不断挑“当前能覆盖最多未覆盖杆塔且不超负载”的点，直到杆塔全部覆盖。结果贪心选了6个机巢，覆盖也全了，总成本大约4800万。

对比下来，BPSO在总成本上少了约12%，少建了一个机巢。原因不难理解：贪心每次只盯着“当前最大覆盖”，容易在前几步选出一个位置很好但成本很高的候选点，后面又不得不补建机巢；而BPSO是从全局角度综合评估成本和负载，能找到一个更均衡的组合。

需要说明的是，这不是说BPSO永远赢贪心。如果候选点数量很小（比如只有5个），精确算法或者贪心可能就够用了，BPSO的优势主要体现在候选点规模大、约束多的情况下。实际工程里，我经常同时跑精确算法（小规模时）、贪心和BPSO三套结果，横向比较之后再给领导汇报，这样更有说服力。

6. 实战经验：参数调整、报错排查与工程落地参考

6.1 收敛慢、解不满足约束怎么办

先说最常遇见的“解不满足覆盖约束”问题。算法输出的最优方案里居然还有杆塔没盖住，这通常不是算法的问题，而是惩罚系数M1设得太小了。建设成本量级如果是百万，M1至少取1e6，让“未覆盖一个杆塔”的代价远高于“多建一个机巢”的代价。把M1提高后重跑，未覆盖数会迅速归零。

第二个常见问题是收敛很慢，适应度曲线一路缓降，跑了200代还在明显变化。这时候先查惯性权重是不是固定值，如果是，改成线性递减。再查种群规模是不是太小，候选点50个以上时还用20个粒子，很容易陷入局部最优。最后可以检查一下速度vMax是不是设太大，速度饱和会导致粒子频繁翻转、无法稳定收敛，vMax取4一般够。

第三个问题是早熟收敛，适应度曲线前30代就持平，之后纹丝不动。这种情况大概率是初始种群多样性不够，比如随机初始化生成的全部粒子都在极少选点的状态。解决方案是加入我前面说的贪心+扰动初始化，让种群里有几个高质量的起点，同时保留足够随机粒子维持多样性。

6.2 结果不稳定怎么办

BPSO带有随机性，每次跑出来的结果不完全一样是正常的。但如果你发现5次运行里最优方案差别很大，比如一次建4个巢、下次建7个巢，就要从两个方面排查。

一方面，随机种子会影响初始种群。可以在代码开头加rng(固定整数)固定随机种子，这样有利于复现，但要注意这种方法会掩盖算法本身的不稳定。我更推荐的做法是：连续跑10次，每次记录最优解，取适应度最好的那一个作为最终结果，再把10次最优解的分布拿出来看。如果10次里有9次都集中在“5或6个机巢”附近，说明算法是稳定的，偶尔出现一次4个机巢的方案多半是不满足负载约束的伪最优，靠惩罚系数压下去了。

另一方面，问题本身可能缺少区分度。比如候选点之间有大量位置重合，覆盖矩阵高度相似，那模型本身就存在多个等价的近似最优解。这时候就算算法很稳定，解也不唯一。工程上可以不纠结，直接结合其他非量化因素（比如地皮好不好谈、电好不好接）人工选一个。

6.3 Matlab常见报错速查表

实际写代码过程中，最常见的报错和解决方案我总结成了一张表。

6.4 从算法到工程落地的几个细节

算法跑出来只是第一步，真正落地还要补几门功课。

第一，候选点不能用纯粹的数学方式生成，必须结合运营单位手里的资源清单。变电站、供电营业所、老检修队驻地是我最先看的地方，这些位置基本都通市电、有围墙、有网络，改造成机巢的成本最低。在GIS里把这些资源点叠加杆塔坐标、禁建区图层、通信覆盖热力图，再人工初筛一轮，候选点就有了。

第二，覆盖半径R不是拍脑袋定的。同一型号无人机，在平原用3公里半径，到山区因为爬升和地形绕行可能只能飞出去2公里。最好有几次实地试飞数据做支撑。没有试飞条件时，可以按厂家标称续航打七折作为有效作业半径，宁可保守一点。

第三，算法输出后要叠加人工修正。比如算法选了某座变电站楼顶建巢，实际屋顶承重或高度不满足无人机起降要求，就得把它替换到邻近的备用候选点。这个替换动作对总成本影响通常不大，但能避免方案“画得漂亮、落不了地”。

7. 参考文献与后续扩展方向

7.1 建议重点阅读的几篇文献和检索思路

写方案或者论文需要参考文献时，我通常会从下面几个方向找资料。

最经典的起点是集合覆盖和最大覆盖两大选址模型。英文文献里可以看Toregas等人1971年关于应急服务设施选址的论文，它给出了集合覆盖模型的经典建模方式；以及Church和ReVelle在1974年提出的最大覆盖选址模型（MCLP），这两篇是整个设施选址领域绕不开的基础。

求解算法方面，二进制粒子群源自Kennedy和Eberhart在1997年发表的论文“A discrete binary version of the particle swarm algorithm”，PSO核心思想也出自同一批作者前几年的工作。如果想看设施选址问题求解综述，可以检索“facility location problem heuristic”相关的英文综述，比零散论文更容易入门。

中文文献的检索思路，我建议用“机巢选址”“无人机巡检 全覆盖”“电力巡检 机场布点”“覆盖模型 选址”作为关键词在知网和万方里组合搜索，优先看电力期刊和硕士论文，比如《电力系统保护与控制》《电网技术》上无人机巡检方向的文章。检索时注意把“多约束”“覆盖半径”“巡检周期”这些词加进去，命中率会高很多。能找到近两三年的硕士论文最好，这类论文一般会把工程背景、模型细节、案例参数写得很完整，很适合当参考模板。

7.2 这个算法还能往哪些方向扩展

机巢布点做完，只是无人机自动巡检规划的第一块拼图，后续可以扩展的方向非常多。

一个方向是“选址+任务调度”的联合优化。机巢布点确定后，每天的巡检任务怎么分给各个机巢、无人机从哪个巢起飞、按什么顺序巡哪些杆塔、电池够不够返航，这是一层新的调度优化问题。如果把选址和调度串成一个两层模型，上层决定在哪建巢，下层评估当前布点下调度方案是否可行，就是标准的“设施选址+路径规划”双层规划，工程价值比单独选址大不少。

另一个方向是移动机巢与固定机巢的混合布点。车载移动机巢可以跟着巡检计划走，灵活性高，但不能全年全天候驻守。把固定机巢和移动机巢混在一起做优化，需要考虑移动机巢的路径重定位和调度窗口，模型会比纯固定选址复杂得多，但也更贴近日益灵活的实际作业模式。

第三个方向是加入实时因素。比如天气窗口的影响、电网检修期间某条线路不需要巡视、杆塔巡检权重随季节变化等。这些时变特征可以让问题从静态选址变成动态规划，算法也相应从单次BPSO变成滚动优化。

从我个人的实际体会来说，机巢布点选址这类问题最大的难点不在算法本身，而在“让算法理解工程”。很多时候模型调来调去不收敛，回头看不是代码错了，而是约束条件没理清、或者覆盖半径拍脑袋拍得太离谱。多去现场看看候选点周围的净空和供电条件，多问运维班组要几组真实飞行数据，比在Matlab里多迭代几百次参数管用得多。算法能给你一个漂亮的起点，但真正可靠的布点方案，永远是数学模型和现场经验互相校核出来的。