CN105975674B - 一种船舶分支管路路径规划方法 - Google Patents
一种船舶分支管路路径规划方法 Download PDFInfo
- Publication number
- CN105975674B CN105975674B CN201610284559.0A CN201610284559A CN105975674B CN 105975674 B CN105975674 B CN 105975674B CN 201610284559 A CN201610284559 A CN 201610284559A CN 105975674 B CN105975674 B CN 105975674B
- Authority
- CN
- China
- Prior art keywords
- point
- stainer
- node
- chromosome
- branch line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Civil Engineering (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Structural Engineering (AREA)
Abstract
一种船舶分支管路路径规划方法:在对设备和管路模型简化的基础上,参考移动机器人路径规划中可见图法构建两点间网络图;设定包含N个连接点的分支管路,实现N个连接点间每两点间网络图的构建,组合更新数据信息得到总的N个点间网络图;构建基于斯坦纳点遗传算法的种群,设置遗传算法参数后开始迭代寻优;确定管路当量长度,赋予不同管路的不同权重系数;利用距离启发式算法评价每条染色体的适应值;判断是否达到设定的迭代次数;最优路径输出,路径规划结束,更新储存文档中管路编码信息,结合三维设计软件,实现船舶分支管路的三维可视化。本发明具有很高的搜索效率,解决了分支管路的布局问题,能更好的满足船舶管路路径规划的实际需要。
Description
技术领域
本发明涉及一种路径规划方法。特别是涉及一种基于斯坦纳树与遗传算法的船舶分支管路路径规划方法。
背景技术
管路规划设计是液压、船舶、航空航天、核电、化学工业等领域复杂机电装备研发与流程工业过程的重要组成部分。当前船舶管路规划的研究重点在于:运用现代CAD/CAE技术,同时结合智能算法,开发用于船舶行业的专家系统和智能设计工具。船舶管路规划设计就是根据特定的任务要求(路径最短、拐弯次数最少或费时最短等)寻求一条连接起点与终点且能避开布局空间障碍物的最优路径。目前,较多研究仅针对两点间的管路连接,而较少关注在实际工程中占船舶管路70%以上的多点分支管路。多点分支管路的连接问题可以描述为图论中的寻找最短斯坦纳树问题。最短斯坦纳树是组合优化问题,与最小生成树相似,是最短网络的一种。
现有的分支管路设计方法有迷宫算法、协同进化遗传算法、多种群蚁群算法等,这些算法对于不同的优化问题的处理效果各有优缺点。但大多数都是建立在栅格法划分空间和启发式搜索算法之上,难以取得良好的应用效果。遗传算法是一种借鉴生物遗传和进化机制而发明的启发式优化算法,于1975年由美国密歇根大学教授John Holland创立。在利用遗传算法进行路径规划的应用中,典型的代表是日本学者Ito,他将遗传算法应用于二维平面的两点管路路径搜索,取得了突破性的进展。改进的遗传算法结合斯坦纳树理论,使效率与船舶布局空间大小无关,因此具有很高的实用价值。
发明内容
本发明所要解决的技术问题是,提供一种针对不同分支管路分解编码、并行求解的策略,能更好的满足管路路径规划实际需要的船舶分支管路路径规划方法。
本发明所采用的技术方案是:一种船舶分支管路路径规划方法,包括如下步骤:
1)在对设备和管路模型简化的基础上,参考移动机器人路径规划中可见图法构建两点间网络图,包括生成遇到障碍的各个节点,确定各节点间的边长度,并存储在图G=(V,E)中,其中V储存各节点信息,E储存边的信息;
2)设定包含N个连接点的分支管路,依据各连接点的坐标值,构建包含N个连接点的集合,忽略空间障碍,利用连接点位置信息,基于图论中最小生成树算法确定N个连接点的连接顺序,然后实现N个连接点间每两点间网络图的构建,组合更新数据信息得到总的N个点间网络图;
3)构建基于斯坦纳点遗传算法的种群,确定步骤2)所述的网络图中使各连接点之间管路长度最短的斯坦纳点的位置和数目,设置遗传算法参数后开始迭代寻优;
4)确定管路当量长度,根据管路粗细、直径和靠近不同障碍面的距离赋予不同的权重系数;
5)根据步骤3)中确定的新的染色体的斯坦纳点的位置和数目,利用距离启发式算法评价每条染色体的适应值;
6)判断是否达到设定的迭代次数,如果达到设定的迭代次数,则转到步骤7),输出最优解,否则转到步骤3);
7)最优路径输出,路径规划结束,更新储存文档中管路编码信息,结合三维设计软件,实现船舶分支管路的三维可视化。
步骤1)包括:
(1)依据逃逸图理论,参考移动机器人路径规划可见图构造方法,将起始点S看做光源,从起始点S向XYZ方向发散,提前确定启发式搜索方向,并将终点T所在各平面看做为障碍面;
(2)在光线传播中遇到障碍后面,首先判断是实体障碍面还是扩展障碍面,如果是实体障碍面,光线沿与原方向相垂直的方向传播,如果是扩展障碍面,光线沿XYZ方向传播,然后,确定路径节点,并将该节点作为新的起始点S1;
(3)按顺序连接各路径节点,将各节点与连接顺序记录在图G=(V,E)中,其中,V储存节点信息,E储存边的信息。
步骤2)所述的确定N个连接点连接顺序的方法包括:
(1)设定包含N个连接点的分支管路,依据各连接点的坐标值,构建包含N个连接点的集合,首先忽略空间中的障碍,利用连接点在布局空间的位置信息,基于图论中最小生成树算法确定N个点的连接顺序;
(2)得到连接顺序之后,利用步骤1)中构造路径节点和网络图的方法,实现N个连接点间每两个连接点的网络图,组合更新每两点之间的数据信息得到总的N个点间网络图,包括节点和边的信息。
步骤3)包括:
(1)构建基于斯坦纳点遗传算法的种群
采用引入斯坦纳点的染色体编码方法,首先对于N个连接点最多存在N-2个斯坦纳点,设定V是网络图所有点集,用r=V-N表示所有非管路连接点集合,采用定长度编码方式,一条染色体编码为:
{(Node0,0),(Node1,1),...(Nodem,1),...(Noder-1,0)} (2)
其中{(Node1,1),...,(Nodem,1)}表示斯坦纳点,{(Node0,0),...,(Noder-1,0)}表示潜在的斯坦纳点,意味着随着迭代过程有可能成为斯坦纳点,对于N点连接,斯坦纳点的个数0≤m≤N-2,所以种群初始化时,斯坦纳点的个数不能超过N-2,随着迭代过程,对染色体需要进行过滤过程,删除不满足要求的染色体;
(2)采用遗传算法中随机联赛选择和精英保留机制的方法进行选择操作,具体包括:首先利用随机联赛选择方法从种群中随机选择M个个体进行适应度大小比较,将其中适应度最高的一个个体遗传到下一代种群中,重复上述选择过程l次,便增加l个个体到下一代种群中,直到达到设定的下一代种群中的大小;然后利用精英保留机制的方法引入最优个体保留策略,在不失下一代种群多样性的同时保证了最优个体的优先权。
(3)利用遗传算法单点交叉方法产生新的子代个体:随机从第(2)步生成的下一代种群中选择两个父代个体P1和P2,然后生成一个随机数k1,如果k1≤c1,c1为交叉概率,两个父代染色体需要重新组合产生新的子代个体,如果k1>c1,子代直接复制父代染色体得到子代个体;将两种方法得到的子代个体组合成新的种群;
(4)利用遗传算法中二进制位变异和倒转变异方法得到多样性的种群:二进制位变异具体是:随机在第(3)步中得到的种群中选择一条染色体,然后生成一个随机数k2,如果k2≤c2,c2为变异概率,则随机将该染色体的一个潜在斯坦纳点变成斯坦纳点,即二进制由0转化为1,同时将一个斯坦纳点变为潜在斯坦纳点,将改变后的染色体放入下一代种群中,如果k2>c2,直接复制该染色体到下一代种群中;倒转变异具体是:随机在一条染色体上选择两个位置,将这两个位置之间的二进制位数倒转得到新的染色体,放入下一代种群中。
步骤5)包括:首先将斯坦纳点和管路连接点集合,共(N+m)个点,利用最短路径算法(Dijkstra Algorithm)求每两点间在图上的最短路径;将这些点与边长组合成图D,在图D上求最小生成树Q;用原图G中边代替最小生成树Q中各边,删除重复的边,即得到原图G中各连接点N基于这些斯坦纳点的最短斯坦纳树,得到的斯坦纳树长度即作为这条染色体的适应值。
本发明的一种船舶分支管路路径规划方法,结合船舶管路布局特点,引入对布局空间环境建模的简化,并提出一种基于斯坦纳点的遗传算法染色体编码方法,解决了分支管路的布局问题,实现了图论问题与优化算法的结合。本发明将路径节点作为潜在斯坦纳点编译成染色体,遗传操作即是斯坦纳点的寻优过程,具有很高的搜索效率。本发明针对不同管路分解编码、并行求解的策略,能更好的满足船舶管路路径规划的实际需要。具有如下有益效果:
1、布局空间环境建模方式改进,使搜索效率与障碍个数有关与布局空间大小无关,减少了许多不必要的节点储存空间,大大提高了路径搜索效率;
2、提出了一种基于斯坦纳点的遗传算法染色体编码方式,不同于传统协同进化算法针对分支管路分解编码、并行求解策略,算法编码、遗传操作更为简单易行,具有通用性,能更好的满足管路路径规划的实际需要。
附图说明
图1是本发明船舶分支管路路径规划方法的流程图;
图2是本发明中网络图构建方法的示意图;
图3是本发明中基于斯坦纳树的遗传算法流程图;
图4是本发明中交叉方法示意图;
图5a是本发明中二进制变异示意图;
图5b是本发明中倒转变异示意图。
具体实施方式
下面结合实施例和附图对本发明的一种船舶分支管路路径规划方法做出详细说明。
本发明的一种船舶分支管路路径规划方法,区别于现有方法的显著特征在于:其一,基于逃逸图的概念,参考机器人路径寻优的可见图法,对布局环境建模方法改进,使其效率与障碍复杂程度相关,与布局空间实际大小无关;其二,针对分支管路规划问题,关键是确定斯坦纳点的数量和位置,本发明将生成的路径节点作为潜在的斯坦纳点编译为遗传算法中的一条染色体,遗传操作即是斯坦纳点寻优过程,因此具有很高的效率。这种路径规划方法异于传统按顺序生成各分支管路方法或基于协同进化算法针对不同分支管路分解编码、并行求解的策略,能更好的满足管路路径规划的实际需要。
本发明的一种船舶分支管路路径规划方法,如图1所示,包括如下步骤:
1)在对设备和管路模型简化的基础上,参考移动机器人路径规划中可见图法,构建两点间网络图,包括生成遇到障碍的各个节点,确定各节点间的边长度,并存储在图G=(V,E)中,其中V储存各节点信息,E储存边的信息;其中,所述的构建两点间网络图的方法包括以下几步:
(1)依据逃逸图理论,参考移动机器人路径规划可见图构造方法,将起始点S看做光源,从起始点S向XYZ方向发散,为提高搜索效率,提前确定启发式搜索方向,并将终点T所在各平面看做为障碍面。
(2)在光线传播中遇到障碍后面,首先判断是实体障碍面还是扩展障碍面,如果是实体障碍面,光线沿与原方向相垂直的方向传播,如果是扩展障碍面,光线沿XYZ方向传播,然后,确定路径节点,并将该节点作为新的起始点S1。例如:以起始点S向X方向发散的光线遇到障碍面,则这个面一定是垂直于X轴。对应的坐标变换为:
其中:(x0,y0,z0)为起始点S的坐标,(x1,y0,z0)为新的起始点S1的坐标,x1是障碍面的坐标。其它方向的坐标变化与X轴方向相同,如果这个节点已经被记录,不作为新的起始点。重复该过程直到终点T。
(3)按顺序连接各路径节点,将各节点与连接顺序记录在图G=(V,E)中,其中,V储存节点信息,E储存边的信息。构造两点间空间网络图的例子如图2所示。
2)设定分支管路包含N个连接点,依据各连接点的坐标值,构建包含N个连接点的集合,忽略空间障碍,利用连接点位置信息,基于图论中最小生成树算法(Prim Algorithm)确定N个连接点的连接顺序,然后实现N个连接点间每两点间网络图的构建,组合更新数据信息得到总的N个点间网络图;所述的确定N个连接点连接顺序的方法包括:
(1)设定包含N个连接点的分支管路,依据各连接点的坐标值,构建包含N个连接点的集合,首先忽略空间中的障碍,利用连接点在布局空间的位置信息,基于图论中最小生成树算法(Prim Algorithm)确定N个点的连接顺序;
(2)得到连接顺序之后,利用步骤1)中构造路径节点和网络图的方法,实现N个连接点间每两个连接点的网络图,组合更新每两点之间的数据信息得到总的N个点间网络图,包括节点和边的信息。
3)构建基于斯坦纳点遗传算法的种群,确定步骤2)所述的网络图中使各连接点之间管路长度最短的斯坦纳点的位置和数目,设置遗传算法参数后开始迭代寻优;如图3所示,具体包括:
(1)构建基于斯坦纳点遗传算法的种群
解决多点间管路连接的关键问题是确定斯坦纳点的数目和位置。采用引入斯坦纳点的染色体编码方法,首先对于N个连接点最多存在N-2个斯坦纳点,设定V是网络图所有点集,用r=V-N表示所有非管路连接点集合,采用定长度编码方式,一条染色体编码为:
{(Node0,0),(Node1,1),...(Nodem,1),...(Noder-1,0)} (2)
其中{(Node1,1),...,(Nodem,1)}表示斯坦纳点,{(Node0,0),...,(Noder-1,0)}表示潜在的斯坦纳点,意味着随着迭代过程有可能成为斯坦纳点,由斯坦纳点理论知,对于N点连接,斯坦纳点的个数0≤m≤N-2,所以种群初始化时,斯坦纳点的个数不能超过N-2,随着迭代过程,对染色体需要进行过滤过程,删除不满足要求的染色体;
(2)采用遗传算法中随机联赛选择和精英保留机制的方法进行选择操作,具体包括:首先利用随机联赛选择方法从种群中随机选择M个个体进行适应度大小比较,将其中适应度最高的一个个体遗传到下一代种群中,重复上述选择过程l次,便增加l个个体到下一代种群中,直到达到设定的下一代种群中的大小;但是,单纯采用联赛选择机制会造成最优个体的丢失,因此,然后利用精英保留机制的方法引入最优个体保留策略,在不失下一代种群多样性的同时保证了最优个体的优先权。
(3)利用遗传算法单点交叉方法产生新的子代个体:对染色体进行完选择操作之后,需要进行交叉操作来产生新的子代个体。如图4所示,随机从第(2)步生成的下一代种群中选择两个父代个体P1和P2,然后生成一个随机数k1,如果k1≤c1,c1为交叉概率,两个父代染色体需要重新组合产生新的子代个体,如果k1>c1,子代直接复制父代染色体得到子代个体;将两种方法得到的子代个体组合成新的种群;本例中,因为斯坦纳点的个数要少于N-2个,如果子代染色体中斯坦纳点个数多于N-2,需要清除多余的点。
(4)如图5所示,利用遗传算法中二进制位变异和倒转变异方法得到多样性的种群:变异操作随机改变一些斯坦纳点的位置,同时变异操作可以增加种群多样性且增大搜索空间。二进制位变异具体是:随机在第(3)步中得到的种群中选择一条染色体,然后生成一个随机数k2,如果k2≤c2,c2为变异概率,则随机将该染色体的一个潜在斯坦纳点变成斯坦纳点,即二进制由0转化为1,同时将一个斯坦纳点变为潜在斯坦纳点,将改变后的染色体放入下一代种群中,如果k2>c2,直接复制该染色体到下一代种群中;倒转变异具体是:随机在一条染色体上选择两个位置,将这两个位置之间的二进制位数倒转得到新的染色体,放入下一代种群中。这两种变异方法都不会增加斯坦纳点的个数,因此不需要进行过滤操作。
4)考虑实际工程规则,确定管路当量长度,根据管路粗细、直径和靠近不同障碍面的距离赋予不同的权重系数;
管路敷设是不仅要求管路长度短,根据工程规则,管路需要靠近一些易于安装支撑件的设备,同时考虑安全因素,管路布置时需要远离热源、电源等危险设备。为了在网络图上应用能量值,本发明定义布局空间障碍的两种类型:Oc={oc1,oc2,...,ocm}和Od={od1,od2,...,odm}分别表示管路敷设是应该靠近的障碍和应该远离的障碍,并分别赋予靠近这两者障碍的管路不同的能量值Ec和Ed。管路的广义长度即适应值函数如式(3)所示:
L'(pipe)=α·L(pipe)+β·E(pipe) (3)
其中,L(pipe)表示管路路径的总长度,E(pipe)表示设备能量值,α和β表示权系数,表示长短和势能的相对重要程度即设计者意图,0≤α,β≤1,α+β=1。
5)根据步骤3)中确定的新的染色体的斯坦纳点的位置和数目,利用距离启发式算法(Distance Network Heuristic Algorithm)评价每条染色体的适应值;包括:
首先将斯坦纳点和管路连接点集合,共(N+m)个点,利用最短路径算法(DijkstraAlgorithm)求每两点间在图上的最短路径;将这些点与边长组合成图D,在图D上求最小生成树Q;用原图G中边代替最小生成树Q中各边,删除重复的边,即得到原图G中各连接点N基于这些斯坦纳点的最短斯坦纳树,得到的斯坦纳树长度即作为这条染色体的适应值。
6)判断是否达到设定的迭代次数,如果达到设定的迭代次数,则转到步骤7),输出最优解,否则转到步骤3);
7)最优路径输出,路径规划结束,更新储存文档中管路编码信息,结合三维设计软件,实现船舶分支管路的三维可视化。
Claims (4)
1.一种船舶分支管路路径规划方法,其特征在于,包括如下步骤:
1)在对设备和管路模型简化的基础上,参考移动机器人路径规划中可见图法构建两点间网络图,包括生成遇到障碍的各个节点,确定各节点间的边长度,并存储在图G=(V,E)中,其中V储存各节点信息,E储存边的信息;
2)设定包含n个连接点的分支管路,依据各连接点的坐标值,构建包含n个连接点的集合,忽略空间障碍,利用连接点位置信息,基于图论中最小生成树算法确定n个连接点的连接顺序,然后实现n个连接点间每两点间网络图的构建,组合更新数据信息得到总的n个点间网络图;
3)构建基于斯坦纳点遗传算法的种群,确定步骤2)所述的总的n个点间网络图中使各连接点之间管路长度最短的斯坦纳点的位置和数目,设置遗传算法参数后开始迭代寻优;包括:
(1)构建基于斯坦纳点遗传算法的种群
采用引入斯坦纳点的染色体编码方法,首先对于n个连接点最多存在n-2个斯坦纳点,设定v是总的n个点间网络图所有点集合,用R=v-N表示所有非管路连接点集合,r表示集合R中点的个数,采用定长度编码方式,一条染色体编码为:
{(Node0,0),(Node1,1),...(Nodem,1),...(Noder-1,0)} (2)
其中{(Node1,1),...,(Nodem,1)}表示斯坦纳点,{(Node0,0),...,(Noder-1,0)}表示潜在的斯坦纳点,意味着随着迭代过程有可能成为斯坦纳点,对于n点连接,斯坦纳点的个数0≤m≤n-2,所以种群初始化时,斯坦纳点的个数不能超过n-2,随着迭代过程,对染色体需要进行过滤过程,删除不满足要求的染色体;
(2)采用遗传算法中随机联赛选择和精英保留机制的方法进行选择操作,具体包括:首先利用随机联赛选择方法从种群中随机选择M个个体进行适应度大小比较,将其中适应度最高的一个个体遗传到下一代种群中,重复上述选择过程l次,便增加l个个体到下一代种群中,直到达到设定的下一代种群中的大小;然后利用精英保留机制的方法引入最优个体保留策略,在不失下一代种群多样性的同时保证了最优个体的优先权;
(3)利用遗传算法单点交叉方法产生新的子代个体:随机从第(2)步生成的下一代种群中选择两个父代个体P1和P2,然后生成一个随机数k1,如果k1≤c1,c1为交叉概率,两个父代染色体需要重新组合产生新的子代个体,如果k1>c1,子代直接复制父代染色体得到子代个体;将两种方法得到的子代个体组合成新的种群;
(4)利用遗传算法中二进制位变异和倒转变异方法得到多样性的种群:二进制位变异具体是:随机在第(3)步中得到的种群中选择一条染色体,然后生成一个随机数k2,如果k2≤c2,c2为变异概率,则随机将该染色体的一个潜在斯坦纳点变成斯坦纳点,即二进制由0转化为1,同时将一个斯坦纳点变为潜在斯坦纳点,将改变后的染色体放入下一代种群中,如果k2>c2,直接复制该染色体到下一代种群中;倒转变异具体是:随机在一条染色体上选择两个位置,将这两个位置之间的二进制位数倒转得到新的染色体,放入下一代种群中;
4)确定管路当量长度,根据管路粗细、直径和靠近不同障碍面的距离赋予不同的权重系数;
5)根据步骤3)中确定的新的染色体的斯坦纳点的位置和数目,利用距离启发式算法评价每条染色体的适应值;
6)判断是否达到设定的迭代次数,如果达到设定的迭代次数,则转到步骤7),输出最优解,否则转到步骤3);
7)最优路径输出,路径规划结束,更新储存文档中管路编码信息,结合三维设计软件,实现船舶分支管路的三维可视化。
2.根据权利要求1所述的一种船舶分支管路路径规划方法,其特征在于,步骤1)包括:
(1)依据逃逸图理论,参考移动机器人路径规划可见图构造方法,将起始点S看做光源,从起始点S向XYZ方向发散,提前确定启发式搜索方向,并将终点T所在各平面看做为障碍面;
(2)在光线传播中遇到障碍后面,首先判断是实体障碍面还是扩展障碍面,如果是实体障碍面,光线沿与原方向相垂直的方向传播,如果是扩展障碍面,光线沿XYZ方向传播,然后,确定路径节点,并将该节点作为新的起始点S1;
(3)按顺序连接各路径节点,将各节点与连接顺序记录在图G=(V,E)中,其中,V储存各节点信息,E储存边的信息。
3.根据权利要求1所述的一种船舶分支管路路径规划方法,其特征在于,步骤2)所述的确定n个连接点连接顺序的方法包括:
(1)设定包含n个连接点的分支管路,依据各连接点的坐标值,构建包含n个连接点的集合,首先忽略空间中的障碍,利用连接点在布局空间的位置信息,基于图论中最小生成树算法确定n个点的连接顺序;
(2)得到连接顺序之后,利用步骤1)中构造路径节点和网络图的方法,实现n个连接点间每两个连接点的网络图,组合更新每两点之间的数据信息得到总的n个点间网络图,包括节点和边的信息。
4.根据权利要求1所述的一种船舶分支管路路径规划方法,其特征在于,步骤5)包括:首先将斯坦纳点和管路连接点集合,共n+m个点,利用最短路径算法求每两点间在图上的最短路径;将这些点与边长组合成图D,在图D上求最小生成树Q;用原图G中边代替最小生成树Q中各边,删除重复的边,即得到原图G中各连接点基于这些斯坦纳点的最短斯坦纳树,得到的斯坦纳树长度即作为这条染色体的适应值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610284559.0A CN105975674B (zh) | 2016-04-29 | 2016-04-29 | 一种船舶分支管路路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610284559.0A CN105975674B (zh) | 2016-04-29 | 2016-04-29 | 一种船舶分支管路路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975674A CN105975674A (zh) | 2016-09-28 |
CN105975674B true CN105975674B (zh) | 2019-11-05 |
Family
ID=56994344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610284559.0A Active CN105975674B (zh) | 2016-04-29 | 2016-04-29 | 一种船舶分支管路路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975674B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818193B (zh) * | 2017-06-09 | 2021-03-02 | 中船黄埔文冲船舶有限公司 | 一种船舶管系设计方案验证方法及系统 |
CN107944106A (zh) * | 2017-11-14 | 2018-04-20 | 天津百利越象模具制造有限责任公司 | 一种基于pdms软件的管线布局优化方法 |
CN109325281A (zh) * | 2018-09-13 | 2019-02-12 | 中国船舶重工集团公司第七〇九研究所 | 一种舰船管路三维设计方法和装置 |
CN109507959B (zh) * | 2018-10-12 | 2020-10-09 | 厉聪 | 一种苹果等级分选运输生产线的智能控制方法 |
CN110442940A (zh) * | 2019-07-25 | 2019-11-12 | 天津大学青岛海洋技术研究院 | 一种高效的船舶多管路并行智能布局设计方法 |
CN111666637A (zh) * | 2020-06-29 | 2020-09-15 | 江苏科技大学 | 一种基于知识的船舶管路布局优化设计方法 |
CN112149227B (zh) * | 2020-09-22 | 2023-03-24 | 江南造船(集团)有限责任公司 | 船舶管路敏捷设计方法、装置、终端及介质 |
CN113219996B (zh) * | 2021-06-07 | 2022-08-19 | 中国传媒大学 | 文化综合体装备的多路径规划方法 |
CN115829179B (zh) * | 2022-11-30 | 2023-08-01 | 中国人民解放军91977部队 | 一种舰船路径规划方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699899A (zh) * | 2015-03-09 | 2015-06-10 | 天津大学 | 一种船舶管路路径优化设计方法 |
CN105005823A (zh) * | 2015-06-26 | 2015-10-28 | 天津大学 | 一种基于遗传算法的船舶分支管路路径规划方法 |
-
2016
- 2016-04-29 CN CN201610284559.0A patent/CN105975674B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699899A (zh) * | 2015-03-09 | 2015-06-10 | 天津大学 | 一种船舶管路路径优化设计方法 |
CN105005823A (zh) * | 2015-06-26 | 2015-10-28 | 天津大学 | 一种基于遗传算法的船舶分支管路路径规划方法 |
Non-Patent Citations (3)
Title |
---|
A genetic algorithm approach to piping route path planning;TERUAKI ITO;《Journal of Intelligent Manufacturing》;19991231;全文 * |
A Genetic Algorithm for the Rectilinear Steiner tree in 3-D VLSI Layout Design;Yukio Kanemoto等;《The 47th IEEE International Midwest Symposium on Circuits and Systems》;20041231;第I-465- I-468页 * |
船舶管路三维布局优化的变长度编码遗传算法;范小宁等;《中国造船》;20070331;第48卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105975674A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975674B (zh) | 一种船舶分支管路路径规划方法 | |
Sui et al. | Branch-pipe-routing approach for ships using improved genetic algorithm | |
CN105005823B (zh) | 一种基于遗传算法的船舶分支管路路径规划方法 | |
Wu et al. | Performance utility-analysis of multi-state systems | |
Niu et al. | Ship Pipe Routing Design Using NSGA‐II and Coevolutionary Algorithm | |
Lo et al. | A genetic algorithm with new local operators for multiple traveling salesman problems | |
Hosseinabadi et al. | GELS-GA: hybrid metaheuristic algorithm for solving multiple travelling salesman problem | |
CN104679947B (zh) | 一种机电产品线缆组件优化结构的自动生成方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
Dong et al. | A particle swarm optimization based approach for ship pipe route design | |
CN110442940A (zh) | 一种高效的船舶多管路并行智能布局设计方法 | |
CN104463328A (zh) | 求解旅行商问题的顺序交叉多子代遗传算法 | |
Karthikeyan et al. | Optimization of worker assignment in dynamic cellular manufacturing system using genetic algorithm | |
JP2021033685A (ja) | 学習プログラム及び学習方法 | |
Sundaram et al. | Solution of combined economic emission dispatch problem with valve-point effect using hybrid NSGA II-MOPSO | |
Tusi et al. | Using ABC and RRT algorithms to improve mobile robot path planning with danger degree | |
Chen et al. | Structural topology optimization using genetic algorithms | |
Liu et al. | Multi-objective routing of multi-terminal rectilinear pipe in 3D space by MOEA/D and RSMT | |
Can et al. | A comparative study of genetic algorithm components in simulation-based optimisation | |
Jiang et al. | A fast path planning method for mobile robot based on voronoi diagram and improved d* algorithm | |
Shirakawa et al. | Multi-objective optimization system for plant layout design (3rd report, Interactive multi-objective optimization technique for pipe routing design) | |
Liu et al. | Integrated optimization of pipe routing and clamp layout for aeroengine using improved moalo | |
KR102248977B1 (ko) | 플랜트엔지니어링의 3차원 배관경로 자동 생성방법 | |
Wang et al. | Three-dimensional multi-pipe route optimization based on genetic algorithms | |
Lv et al. | Pipe routing of reactor based on adaptive a* algorithm combined with genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |