CN107451695A - 一种矿井一氧化碳传感器无盲区优化布置方法 - Google Patents

一种矿井一氧化碳传感器无盲区优化布置方法 Download PDF

Info

Publication number
CN107451695A
CN107451695A CN201710655304.5A CN201710655304A CN107451695A CN 107451695 A CN107451695 A CN 107451695A CN 201710655304 A CN201710655304 A CN 201710655304A CN 107451695 A CN107451695 A CN 107451695A
Authority
CN
China
Prior art keywords
mrow
node
msub
carbon monoxide
formula
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.)
Pending
Application number
CN201710655304.5A
Other languages
English (en)
Inventor
梁双华
解恒参
李昌领
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Institute of Architectural Technology
Jiangsu Jianzhu Institute
Original Assignee
Jiangsu Institute of Architectural Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Institute of Architectural Technology filed Critical Jiangsu Institute of Architectural Technology
Publication of CN107451695A publication Critical patent/CN107451695A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Heterocyclic Carbon Compounds Containing A Hetero Ring Having Oxygen Or Sulfur (AREA)

Abstract

本发明针对易自燃矿井依据现行规程规范布设一氧化碳传感器存在未考虑传感器空间分布密度而导致的预警风险缺陷的问题,提出了一种兼顾一氧化碳高风险点和监测覆盖范围的CO传感器无盲区布置方法,涉及综合优化布置模型和模型求解两个方面。首先,借助图论和集合覆盖理论建立综合优化布置模型,定义目标函数和约束条件,然后,利用列减少‑蚁群算法进行优化求解,针对模型中含有已知必选布置点的约束条件,采用列减少算法约简原始监测覆盖矩阵,再利用蚁群算法求解最小全覆盖监测点集合,较好的解决了风网节点规模较大时,布置模型无法在多项式时间内求解的问题。

Description

一种矿井一氧化碳传感器无盲区优化布置方法
技术领域
本发明涉及矿井一氧化碳传感器选址技术领域,具体是一种矿井一氧化碳传感器无盲区优化布置方法。
背景技术
矿井一氧化碳传感器是连续监测矿井中煤的自然发火区及胶带传输机胶带等着火时产生的一氧化碳浓度的装置,对保障煤矿安全生产及矿井火灾早起预警具有重要意义,《煤矿安全监控系统及检测仪器使用管理规范AQ1029-2007》中规定,在易自燃煤层矿井上隅角、工作面或工作面回风巷、采空区回风巷、一翼回风巷、总回风巷和带式传输机滚筒下册等需布置CO传感器,但对CO传感器间距和密度未做详细说明,而矿井煤炭生产是动态复杂的作业过程,CO流经之处均可引起致灾因素耦合而形成危险源,而现有的规程规范仅关注CO含量较多的关键点,而较少估计CO传感器在的空间分布由此可导致预报预警风险。CO传感器全局优化布置的相关文献较少,仅有文献(赵丹等,有效监测时间和范围的一氧化碳传感器优化布置,辽宁工程技术大学学报,2013,(05):623-627.)提出的基于监测覆盖范围的宏观布点方法,但其未考虑CO致灾因素间耦合模式相对固定的高风险点的缺陷,鉴于此,本发明提出兼顾CO高风险点和监测覆盖范围的传感器布置方式,研究了含有必选CO监测点的矿井通风网络的最小全覆盖监测点问题,并根据胶带机巷CO传感器有效报警时间确定了需增设的监测点的数量和位置等信息。
发明内容
为了解决上述现有技术中存在的问题,本发明提出一种兼顾CO高风险点和监测覆盖范围的传感器布置方法,弥补了规程规范仅仅考虑CO高风险点而未考虑CO传感器间距和密度而存在预警分析缺陷的问题。
本发明采用的技术方案:一种矿井矿井一氧化碳传感器无盲区优化布置方法,包括以下步骤:
建立综合优化布置模型
S1:将依据规程布设的监测点作为必选监测点,抽象为虚节点添加到通风网络中,重构矿井通风网络,建立矿井风网节点关于最短风流时间的节点邻接矩阵;
S2:设置监测有效级,即最短有效报警时间;
S3:以节点邻接矩阵为基础构建监测覆盖矩阵;
S4:设定目标函数,根据监测覆盖矩阵求解给定节点集合下的最小全覆盖监测点集合。
优选的,步骤S1中节点邻接矩阵记为T=[tij],过程为
式中,为风网中的节点总数;为从上游节点至下游节点的风流流经时间,最短风流时间采用Dijkstra算法实现。
优选的,步骤S2中最短有效报警时间计算公式为
tA=T+tR
其中,T为一氧化碳浓度超限后至一氧化碳传感器所在位置达到报警体积分数的时间,tR为传感器响应时间,tR≤30s。
优选的,步骤S3中构建监测覆盖矩阵的过程如下:
以节点邻接矩阵为基础构建监测覆盖矩阵C=[cij],其中cij∈{0,1},给定监测有效级,当tij≤Mt时,令cij=1;否则令cij=0。
优选的,步骤S4中目标函数公式为:
满足
式(2)描述了问题的目标,即找到风网的一个最小全覆盖子集,若最小全覆盖子集有多个,则选择子集规模最小的为监测布置点,其中K为必选监测点集合;式(3)给出了问题的强制性约束条件是:矩阵中的每一行至少要被某一行覆盖,即风网中每一个节点至少被一个一氧化碳传感器有效监测;式(4)为完整性约束。
一种基于列减少-蚁群算法求解上述综合优化布置模型的方法,其特征在于:包括以下步骤:
A1:列减少算法处理必选监测点,采用列减少算法将必选监测点能够覆盖的需求点进行剔除;
A2:用蚁群算法求解约简后的监测矩阵;
A3:根据步骤A2得到的优化结果输出最小全覆盖监测点集合。
优选的,步骤A1包括以下步骤:
B1:选取一个必选布置节点;
B2:删除监测覆盖矩阵中对应的列及该列中值为1的元素所在行;
B3:重复步骤B1~B2,直到必选布置点集合为空,得到约简后的监测覆盖矩阵记为C’。
优选的,步骤A2包括以下步骤:
C1:对监测覆盖矩阵采用二维数组的形式进行表示;
C2:将蚂蚁随机分布于不同的节点,按照一定概率随机选择下一个带访问的节点;
C3:对所选择的节点进行局部信息素浓度更新;
C4:所有蚂蚁完成一次迭代后,对信息素浓度进行全局更新;
C5:若未达到最大迭代次数,则转置步骤C2;否则迭代终止,输出最优解。
优选的,步骤C2中蚂蚁选择下一个待访问节点的概率选择公式为:
式(5)中,allowedk={C′-Tabuk1}表示当前未被该只蚂蚁访问过的所有备选监测点集合;τj(t)表示时刻备选监测点上的信息素浓度;α(α≥0)为信息启发式因子,β(β≥0)为期望启发式因子,其中,q为在一个区间[0,1]内的随机数,q0是一个参数(0<q0<1);ηj(PartSk(t))为启发信息函数,表示将备选节点j(CO监测覆盖矩阵第j列)添加到当前部分解时额外覆盖的矩阵行数,即额外覆盖了多少个风网节点。
优选的,步骤C3、C4中,求解子集类问题的信息素留在备选监测点上,而不是留在风网分支上,因此信息素变量由二维向量τij变为一维τi。其次,为适于求解较大规模风网子集问题,采取了自适应信息素更新策略,每次迭代对目标函数较优的蚂蚁选择的节点留下较多的信息素,信息素浓度更新策略定义如下:
式中ρ为信息素挥发系数;式(7)表示第k只蚂蚁在节点j上留下的信息素,式(6)表示在t+1时刻备选节点j上的信息素量等于该节点上未挥发的信息素加上t~t+1时刻之间所有蚂蚁在节点J释放的信息素轨迹之和;是信息素挥发系数,为依据经验指定的正常数,fk是目标函数值,即第k只蚂蚁构造的解πk的质量。
优选的,步骤C4中,为避免算法过早停滞,对全局信息素浓度进行了限制,规定信息素取值在[τmin,τmax]范围规则如下:当τ≥τmax时按公式(8)更新,当τ<τmin时,按公式(9)更新;
优选的,步骤C5中,约束条件处理:
每个备选节点只能被每只蚂蚁访问一次,该约束通过为蚂蚁类添加禁忌表tabuk来解决;
持续CM次迭代最优解的质量没有改善或者已经到达设定的最大迭代次数,则迭代终止。
本发明的有益效果:现行煤矿安全规程及相关规范提出的井下CO传感器布置参数多依赖于现场实践经验,主要关注CO浓度较高的关键点,而较少顾及CO传感器空间分布密度及间距等特征,本发明兼顾了及CO传感器分布密度和关键特殊点,实现了无盲区布置的目的;其次,求解最小全覆盖监测点集属于组合优化中的集合覆盖问题,当风网节点规模较大时,该问题将转化为NP难题,无法在多项式时间内求解,蚁群算法具有其它算法无法比拟的优势,但其存在问题规模较大时,搜索时间较长的缺陷;鉴于此,引入精确的列减少算法,利用已知必选布置点对原始监测覆盖矩阵进行约简,再利用蚁群算法求解模型,降低了问题规模,提高蚁群算法的执行效率。
附图说明
图1为重构矿井通风网络;
图2 Dijkstra算法流程图;
图3列减少-蚁群算法求解CO综合优化布置模型算法流程图;
图4求解C885s的蚁群算法迭代过程。
具体实施方式
为了进一步阐述本发明技术方案的细节及其优点,现结合实例和附图进行说明。
以山西阳泉国阳二矿15号煤北茹分区为例,风网基本参数如表1所示。
表1风网基本参数
第一步,重构矿井通风网络,建立矿井风网节点关于最短风流时间的节点邻接矩阵(节点间最短风流路径采用狄更斯算法,如图2所示),构建监测覆盖矩阵。
网络共有40条弧段,33个节点,10个依据AQ1029-2007布置的一氧化碳监测点,K={8,21,22,23,28,29,30,31,32,33},作为必选布置点以虚节点的形式,增设至矿井通风网络中,重构的矿井通风网络如图1所示。因节点1和节点20分别为矿井通风入口和出口,所以考虑监测点时将其去除,考虑余下的21个节点作为备选监测点。采用二维数组的形式进行表示邻接矩阵,计算得到监测时间矩阵T,求解出矩阵T后,根据不同有效监测等级Mt,得到监测覆盖矩阵C(本实施例中以胶带机巷CO传感器有效报警时间小于14.25min为标准,设置监测有效级Mt=14.25min+30s=885s,C885s见表2)。
表2监测覆盖矩阵C885s
第二步,采用列减少算法将监测覆盖矩阵C中必选监测点能够覆盖的需求点进行剔除(步骤B1~B3),得到简约后的监测覆盖矩阵记为C’。
设置初始参数组合:最大迭代次数Countmax=200,蚂蚁个数m=28,控制因子α=β=0.5,挥发系数ρ=0.4,节点总数N=31。
构建解空间,将蚂蚁随机置于不同的节点,按照一定的概率随机选择下一个节点,直到所选择的节点能够覆盖所有的风网节点为止,其中,蚂蚁k在t时刻选择下一个备选节点j的概率选择公式为:
式中,allowedk={C′-Tabuk1}表示当前未被该只蚂蚁访问过的所有备选监测点集合;τj(t)表示时刻备选监测点上的信息素浓度;α(α≥0)为信息启发式因子,β(β≥0)为期望启发式因子,其中,q为在一个区间[0,1]内的随机数,q0是一个参数(0<q0<1)。ηj(PartSk(t))为启发信息函数,表示将备选节点j(CO监测覆盖矩阵第j列)添加到当前部分解时额外覆盖的矩阵行数,即额外覆盖了多少个风网节点。
特别说明的是,本实施例中蚂蚁选择的下一个节点,以额外覆盖的风网节点个数最多为选择依据。
对蚂蚁所选择的节点进行局部信息素浓度初次更新,为适于求解较大规模风网子集问题,局部信息素浓度更新准则是降低已选择的节点信息素浓度,使得蚂蚁有对未选择的节点具有更强的搜索能力,设计了自适应信息素更新策略定义如下:
式中ρ为信息素挥发系数;式(7)表示第k只蚂蚁在节点j上留下的信息素,式(6)表示在t+1时刻备选节点j上的信息素量等于该节点上未挥发的信息素加上t~t+1时刻之间所有蚂蚁在节点J释放的信息素轨迹之和;是信息素挥发系数,为依据经验指定的正常数,fk是目标函数值,即第k只蚂蚁构造的解πk的质量。
所有蚂蚁完成一轮寻优后,对全局信息素进行更新,更新公式仍然依据式(6)、式(7)进行,但为避免陷入局部最优,对全局信息素浓度进行限制,规则如下:当τ≥τmax时按公式(8)更新,当τ<τmin时,按公式(9)更新。
若没有达到最大迭代次数Countmax=200,则将蚂蚁随机分布于不同的节点,按照一定概率随机选择下一个带访问的节点;否则,终止迭代,输出最优解。
在仿真试验条件下,从图3算法迭代收敛过程中可以看出,由于采用了列减少算法,节点规模由31个迅速降低为14个,降低了问题规模,使得蚁群算法在120代左右就收敛到了问题最优解。表3为不同监测等级下需增设的CO监测点个数,由该表可知监测等级越低,需增设的CO监测点个数越多,当监测等级为885s时,还需增设一个CO监测点。
表3不同监测有效级下的CO监测点优化选址结果

Claims (10)

1.一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:包括以下步骤:
步骤一:建立综合优化布置模型;
步骤二:基于列减少-蚁群算法求解综合优化布置模型;
其中,步骤一包括以下步骤:
S1:将依据规程布设的监测点作为必选监测点,抽象为虚节点添加到通风网络中,重构矿井通风网络,建立矿井风网节点关于最短风流时间的节点邻接矩阵;
S2:设置监测有效级,即最短有效报警时间;
S3:以节点邻接矩阵为基础构建监测覆盖矩阵;
S4:设定目标函数,根据监测覆盖矩阵求解给定节点集合下的最小全覆盖监测点集合;
步骤二包括以下步骤:
A1:列减少算法处理必选监测点,采用列减少算法将必选监测点能够覆盖的需求点进行剔除;
A2:用蚁群算法求解约简后的监测矩阵;
A3:根据步骤A2得到的优化结果输出最小全覆盖监测点集合。
2.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤S1中节点邻接矩阵记为T=[tij],过程为
式中,N为风网中的节点总数;tij为从上游节点i至下游节点j的风流流经时间,最短风流时间采用Dijkstra算法实现。
3.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤S2中最短有效报警时间计算公式为:
tA=T+tR
其中,T为一氧化碳浓度超限后至一氧化碳传感器所在位置达到报警体积分数的时间,tR为传感器响应时间,tR≤30s。
4.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤S3中构建监测覆盖矩阵的过程如下:
以节点邻接矩阵为基础构建监测覆盖矩阵C=[cij],其中cij∈{0,1},给定监测有效级,当tij≤Mt时,令cij=1;否则令cij=0。
5.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤S4中目标函数公式为:
<mrow> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mi>K</mi> <mo>&amp;SubsetEqual;</mo> <mi>&amp;pi;</mi> <mo>&amp;Element;</mo> <mi>&amp;Omega;</mi> </mrow> </munder> <mi>f</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> </mrow> </munder> <msub> <mi>y</mi> <mi>j</mi> </msub> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> 1
满足
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>y</mi> <mi>j</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mi>I</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>y</mi> <mi>j</mi> </msub> <mo>&amp;Element;</mo> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>}</mo> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>J</mi> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
式中,I表示风网节点集合;节点总数为N;J表示备选监测点集合;其中K为必选监测点集合;式(2)描述了问题的目标,即找到风网的一个最小全覆盖子集π,若最小全覆盖子集有多个,则选择子集规模最小的为监测布置点,Ω是π构成的解空间;式(3)给出了问题的强制性约束条件是:矩阵中的每一行i至少要被某一列j覆盖,即风网中每一个节点i至少被一个一氧化碳传感器j有效监测;式(4)为完整性约束。
6.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤A1包括以下步骤:
B1:选取一个必选布置节点;
B2:删除监测覆盖矩阵中对应的列及该列中值为1的元素所在行;
B3:重复步骤B1~B2,直到必选布置点集合为空,得到约简后的监测覆盖矩阵记为C’。
7.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:其特征在于:步骤A2包括以下步骤:
C1:对监测覆盖矩阵采用二维数组的形式进行表示,该过程涉及启发信息函数、信息素浓度、转移概率策略及约束条件处理;
C2:将蚂蚁随机分布于不同的节点,按照一定概率随机选择下一个待访问的节点;
C3:对所选择的节点进行局部信息素浓度更新;
C4:所有蚂蚁完成一次迭代后,对信息素浓度进行全局更新;
C5:若未达到最大迭代次数,则转置步骤C2;否则迭代终止,输出最优解。
8.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤C2中蚂蚁选择下一个待访问节点的概率选择公式为:
式(5)中,allowedk={C'-Tabuk1}表示当前未被该只蚂蚁访问过的所有备选监测点集合;τj(t)表示时刻备选监测点上的信息素浓度;α(α≥0)为信息启发式因子,β(β≥0)为期望启发式因子,其中,q为在一个区间[0,1]内的随机数,q0是一个参数(0<q0<1);ηj(PartSk(t))为启发信息函数,表示将备选节点j(CO监测覆盖矩阵第j列)添加到当前部分解时额外覆盖的矩阵行数,即额外覆盖了多少个风网节点。
9.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤C3、C4中,信息素浓度更新策略定义如下:
<mrow> <msub> <mi>&amp;tau;</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;rho;</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;tau;</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>&amp;Delta;&amp;tau;</mi> <mi>j</mi> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow> 2
<mrow> <msubsup> <mi>&amp;Delta;&amp;tau;</mi> <mi>j</mi> <mi>k</mi> </msubsup> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>Q</mi> <mo>/</mo> <msub> <mi>f</mi> <mi>k</mi> </msub> </mrow> </mtd> <mtd> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mi>&amp;pi;</mi> <mi>k</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式中ρ为信息素挥发系数;式(7)表示第k只蚂蚁在节点j上留下的信息素,式(6)表示在t+1时刻备选节点j上的信息素量等于该节点上未挥发的信息素加上t~t+1时刻之间所有蚂蚁在节点J释放的信息素轨迹之和;是信息素挥发系数,Q为依据经验指定的正常数,fk是目标函数值,即第k只蚂蚁构造的解πk的质量。
10.根据权利要求1所述的一种矿井一氧化碳传感器无盲区优化布置方法,其特征在于:步骤C4中,为避免算法过早停滞,对全局信息素浓度进行了限制,规定信息素取值范围在[τminmax],规则如下:当τ≥τmax时按公式(8)更新,当τ<τmin时,按公式(9)更新;
式中ρ∈[0,1]为信息素挥发系数,的参数,表示第k只蚂蚁在节点j上的信息素等于备选节点j上的信息素量1-ρ或1-ρ,加上之前所有蚂蚁在节点j释放的信息素Δτ轨迹之和。
CN201710655304.5A 2016-12-06 2017-08-02 一种矿井一氧化碳传感器无盲区优化布置方法 Pending CN107451695A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2016111091658 2016-12-06
CN201611109165 2016-12-06

Publications (1)

Publication Number Publication Date
CN107451695A true CN107451695A (zh) 2017-12-08

Family

ID=60489878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710655304.5A Pending CN107451695A (zh) 2016-12-06 2017-08-02 一种矿井一氧化碳传感器无盲区优化布置方法

Country Status (1)

Country Link
CN (1) CN107451695A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491984A (zh) * 2018-04-18 2018-09-04 中国石油大学(华东) 一种危化企业应急疏散线路优选方法及装置
CN113642765A (zh) * 2021-07-02 2021-11-12 陕煤集团神木张家峁矿业有限公司 矿井监测设备优化部署方法、设备、电子设备及存储介质
CN117893385A (zh) * 2024-03-18 2024-04-16 四川银谷碳汇再生资源有限公司 一种保障仓储安全的消防预警方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080156071A1 (en) * 2006-12-29 2008-07-03 Peter Tobias Gas sensor calibration from fluid
CN104618982A (zh) * 2015-01-08 2015-05-13 重庆邮电大学 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080156071A1 (en) * 2006-12-29 2008-07-03 Peter Tobias Gas sensor calibration from fluid
CN104618982A (zh) * 2015-01-08 2015-05-13 重庆邮电大学 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WHITTLES D.N.等: "Influence of geotechnical factors on gas flow experienced in a UK longwall coal mine panel", 《INTERNATIONAL JOURANL OF ROCK MECHANICS & MINING SCIENCES》 *
梁双华: "矿井瓦斯传感器优化选址研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
梁双华等: "矿井瓦斯监测点优化选址", 《辽宁工程技术大学学报(自然科学版)》 *
龚大银等: "基于瓦斯涌出特征的突出预警传感器布置位置分析", 《矿业安全与环保》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491984A (zh) * 2018-04-18 2018-09-04 中国石油大学(华东) 一种危化企业应急疏散线路优选方法及装置
CN113642765A (zh) * 2021-07-02 2021-11-12 陕煤集团神木张家峁矿业有限公司 矿井监测设备优化部署方法、设备、电子设备及存储介质
CN113642765B (zh) * 2021-07-02 2024-05-28 陕煤集团神木张家峁矿业有限公司 矿井监测设备优化部署方法、设备、电子设备及存储介质
CN117893385A (zh) * 2024-03-18 2024-04-16 四川银谷碳汇再生资源有限公司 一种保障仓储安全的消防预警方法及系统
CN117893385B (zh) * 2024-03-18 2024-06-04 四川银谷碳汇再生资源有限公司 一种保障仓储安全的消防预警方法及系统

Similar Documents

Publication Publication Date Title
Luo et al. Feature extraction and genetic algorithm enhanced adaptive deep neural network for energy consumption prediction in buildings
CN107451695A (zh) 一种矿井一氧化碳传感器无盲区优化布置方法
El-Abbasy et al. Artificial neural network models for predicting condition of offshore oil and gas pipelines
CN102663264B (zh) 桥梁结构健康监测静态参数的半监督协同评估方法
CN106875105B (zh) 一种考虑复合故障风险的配电网差异化规划方法
Mirakhorli Fuzzy multi-objective optimization for closed loop logistics network design in bread-producing industries
CN106951994A (zh) 一种海上应急救援站点的选址方法
CN102262702B (zh) 一种中小跨径混凝土桥梁养护的决策方法
Loizos et al. Prediction of pavement crack initiation from in-service pavements: A duration model approach
CN104156584A (zh) 多目标优化差分进化算法的传感器目标分配方法及系统
CN108171641A (zh) 一种轨道交通应急预案评估方法
CN112270517B (zh) 一种基于变权风险的危险化学品多仓库车辆路径优化方法
CN104218570A (zh) 一种电能计量装置整体计量误差的在线评估方法和系统
CN106405352A (zh) 一种电力绝缘子表面积污物的等值盐密预测及预警系统
Wang et al. Forecasting hydropower generation by GFDL‐CM3 climate model and hybrid hydrological‐Elman neural network model based on Improved Sparrow Search Algorithm (ISSA)
CN107622308A (zh) 一种基于dbn网络的发电设备参数预警方法
Smiraglia et al. Predicting hourly traflc noise from traflc flow rate model: Underlying concepts for the dynamap project
CN103336999A (zh) 一种基于多蚁群的组合交通疏散优化方法
CN107578141A (zh) 基于模糊层次分析和证据理论的机场跑道分配决策方法
Ghods et al. Adaptive freeway ramp metering and variable speed limit control: a genetic-fuzzy approach
CN106526710A (zh) 一种雾霾预测方法及装置
CN115409264A (zh) 基于馈线故障预测的配电网抢修驻点位置优化方法
CN104732107B (zh) 以介质参数为评估参量的变压器套管剩余寿命预测方法
Wang et al. A modified discrete grey model with improved prediction performance for indoor air temperatures in laying hen houses
CN108805192B (zh) 基于分层网络结构的监测数据分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171208

WD01 Invention patent application deemed withdrawn after publication