PROBLEMA DEL AGENTE VIAJERO (TSP) CON

DE ANGULO
RESTRICCION PARA PLANEAMIENTO DE
AEREA
RUTAS DE ASPERSION
Andres Felipe Soler Guevara
afsoler@utp.edu.co

Introduccion

En los u ltimos anos el estudio y diseno de sistemas aereos no tripulados (UAV) ha tenido grandes avances
y han surgido gran variedad de dispositivos y drones a los que les es posible adaptar a multiples aplicaciones,
debido a su versatilidad y posibilidad de realizar tareas especficas.

En el a rea de la agricultura los drones tienen un amplio campo de accion, pueden ser utilizados desde tareas
de vigilancia, aspersion hasta recoleccion y monitoreo de cultivos, esto hace posible que estas tecnologas im-
pacten los metodos de produccion, mejorando la calidad y la eficiencia de los productos del campo.

Las tareas de aspersion (fumigacion y fertilizacion) aerea de cultivos es muy importante para disminuir el
dano por plagas y enfermedades, y mejorar las caractersticas y calidad del producto final, la aplicacion excesiva
o imprecisa genera perdidas de cosecha, deficiencias en las propiedades de los cultivos y disminucion de calidad.

El empleo de drones para esta tarea se ve limitado debido a la baja autonoma de vuelo, sin embargo el uso
de estos equipos aumenta la precision de la aspersion ya que es posible sobrevolar a bajas alturas y muy cerca
de la zona objetivo, por lo tanto es necesario realizar un correcto planeamiento de la ruta de vuelo de modo que
se recorra el cultivo de la forma mas eficiente posible, minimizando la distancia y los cambios de direccion en
vuelo.

Disminuir la distancia a recorrer permite aprovechar de manera mas o ptima la autonoma de vuelo y reducir
los cambios de direccion evita que la aspersion se concentre en los puntos donde los a ngulos son mas amplios
ya que el dispositivo debera bajar mas la velocidad para girar en un a ngulo mas grande por lo que all se deposita
mayor cantidad de lquidos que en lugares donde el drone realiza pequenos cambios en la direccion, minimizar
estos dos parametros permite aprovechar mejor la energa del equipo y aumentar la precision de las cantidades
que caen sobre el cultivo.

En [3] se emplea un algoritmo genetico para hallar una ruta o ptima en 3D para recorrer 25 puntos con un
vehculo aereo no tripulado (UAV), sin embargo la ruta no se emplea para ninguna aplicacion especfica.

En [1] los autores presentan un algoritmo genetico para recorrer una ruta de 52 puntos en 2D a traves de un
ambiente restringido y para evitar recorrer zonas prohibidas. Al igual que en [1], en [2] se aplica un algoritmo
genetico en una zona con restricciones sin embargo se busca maximizar la recoleccion de informacion y se
aplica una funcion para suavizar la ruta de vuelo.

1
 En [4] se aplica una busqueda tabu basada en el a ngulo usando coordenadas polares donde se busca la menor
diferencia de a ngulo entre las ciudades para encontrar los vecinos y realizar exploracion local.

En este documento se presenta la aplicacion de la tecnica metaheurstica NSGA-II para minimizar la distan-
cia y los cambios de direccion en diferentes rutas dentro de una zona objetivo empleando coordenadas globales
para identificar los puntos.

Metodologa Aplicada
Preparacion de la zona objetivo
Para determinar la zona objetivo se definen los vertices que la componen y posteriormente al interior de esta
zona se crea una malla de puntos a una separacion predeterminada, a continuacion en la figura 1 se muestra un
a rea con una malla de puntos de 5m, 8m, 11m y 14m, entre menor sea la separacion mayor cantidad de puntos
haran parte del recorrido.

Figura 1: Puntos a recorrer.

Los puntos se colocan en un vector que indica la latitud y otro que representa la longitud, la forma como se
recorran estos puntos representan la ruta a seguir por el dispositivo de aspersion.

2
NSGA-II
La metodologa del NSGA-II aplicada a este problema se presenta a continuacion en la figura 2:

Figura 2: NSGA-II

Creacion de la poblacion inicial

La poblacion inicial se crea empleado permutaciones aleatorias de acuerdo a un tamano preestablecido.

Evaluacion de la poblacion
La funcion objetivo tiene dos componentes: la primera se calcula sumando la distancia entre los puntos del
recorrido de acuerdo a la alternativa aplicada, adicional a eso se le anade un vertice de la zona objetivo como
punto de partida y final del recorrido. La segunda se realiza calculando la sumatoria de los cambios de direccion
que se presentan al seguir la ruta.

La funcion de adaptacion toma en cuenta una penalizacion por superar una distancia y un a ngulo preesta-
blecido, luego los valores son multiplicados por un coeficiente (Alpha) para la distancia y (Beta) para el a ngulo
de modo que la sumatoria de cada uno de estos tenga valores de similar magnitud.

3
Operadores par duplicar la poblacion
Operador de seleccion: Se aplica seleccion por torneo para seleccionar dos padres, luego se selecciona de
manera elitista los mejores miembros de la poblacion.

Operador de Cruzamiento: A partir de los cuatro padres anteriormente seleccionados se crean 4 hijos
empleando cruzamiento PMX para garantizar que los miembros posean en su ADN permutaciones.

Operador de Mutacion: Se emplean tres tipos de mutacion, 2OPT, Swap y Shift para hallar los miembros
que hacen falta para completar el doble de la poblacion inicial, el miembro que se va a mutar se selecciona
aletoriamente al igual que el tipo de mutacion a utilizar.

Reduccion de la poblacion
Para reducir la poblacion se divide esta en frentes de Pareto, donde los miembros del frente avanzan hasta
completar el numero de elementos requeridos, en caso de el numero de individuos faltantes para completar la
poblacion sea menor que el numero de individuos del frente, todos los individuos pasan a la poblacion, pero si
ese numero es mayor, los individuos del frente, son seleccionados tomando los elementos de los extremos hasta
completar la cantidad restante, de este modo se diversifica la poblacion.

Criterio de parada
Para el criterio de parada se ha definido previamente un numero de iteraciones en las cuales si el algoritmo
no mejora la solucion durante esa cantidad, se detiene.

Grafica de las soluciones

Al cumplir el criterio de parada se grafican las soluciones que hacen parte del frente de Pareto de modo que
se pueda evidenciar las diferencias entre ellas.

Resultados
Se evalua el algoritmo con un tamano de poblacion inicial de 10 individuos, con un criterio de parada de
500 iteraciones sin mejorar.

Se corre el algoritmo con una separacion de 14m, realiza 1136 iteraciones en 1.21 min se obtiene el resultado
mostrado en la figura 3, cuyo frente de Pareto corresponde a la figura 4

4
 Figura 3: Rutas Frente Pareto con Separacion de 14m

Figura 4: Frente Pareto con Separacion 14m

Se corre el algoritmo con una separacion de 11m, realiza 2500 iteraciones en 3.31 min se obtiene el resultado
mostrado en la figura 5, cuyo frente de Pareto corresponde a la figura 6

5
 Figura 5: Rutas Frente Pareto con Separacion de 11m

Figura 6: Frente Pareto con Separacion de 11m

Se corre el algoritmo con una separacion de 8m, realiza 3809 iteraciones en 6.13 min se obtiene el resultado
mostrado en la figura 7, cuyo frente de Pareto corresponde a la figura 8

6
 Figura 7: Rutas Frente Pareto con Separacion de 8m

Figura 8: Frente Pareto con Separacion de 8m

Se corre el algoritmo con una separacion de 5m, realiza 6259 iteraciones en 22.1 min se obtiene el resultado
mostrado en la figura 9, cuyo frente de Pareto corresponde a la figura 10

7
 Figura 9: Rutas Frente Pareto con Separacion de 5m

Figura 10: Frente Pareto con Separacion de 5m

Conclusiones
El algoritmo funciona con relativa velocidad en rutas de menos de 80 puntos, con mas puntos, el resultado
tarda tiempos muy grandes y los resultados son regulares, sin embargo con poca cantidad de puntos, se observan
rutas mas definidas con menor cantidad de cruces.

Al ejecutar el algoritmo se evidencia que los frentes de Pareto evolucionan a medida que avanzan las itera-
ciones, para garantizar que la poblacion sea diversa se aplicaron operadores de mutacion que permitan explotar
vecindarios.

8
 En la aplicacion del componente de elitismo se pudo observar que el algoritmo se completa en menor nume-
ro de iteraciones sin embargo las soluciones del frente no eran diversas por lo que se retiro del codigo y se dio
paso a mayor componente de mutacion, obteniendo alternativas de mayor calidad tanto en distancia como en
a ngulo.

La seleccion de los parametros de ajuste en la tecnica es muy importante ya que esto ayuda a obtener me-
jores resultados, en el desarrollo de este algoritmo se evidencia que estos parametros pueden llevar a que el
resultado este mas comprometido con uno de los dos objetivos de minimizacion

Referencias
[1] M. Cakir. 2d path planning of uavs with genetic algorithm in a constrained environment. In 2015 6th
International Conference on Modeling, Simulation, and Applied Optimization (ICMSAO), pages 15, May
2015.
[2] H. Ergezer and K. Leblebicioglu. Path planning for uavs for maximum information collection. IEEE
Transactions on Aerospace and Electronic Systems, 49(1):502520, Jan 2013.
[3] A. Sonmez, E. Kocyigit, and E. Kugu. Optimal path planning for uavs using genetic algorithm. In 2015
International Conference on Unmanned Aircraft Systems (ICUAS), pages 5055, June 2015.
[4] N. Yang, P. Li, and B. Mei. An angle-based crossover tabu search for the traveling salesman problem.
In Third International Conference on Natural Computation (ICNC 2007), volume 4, pages 512516, Aug
2007.