CN107784380A - 一种巡检最短路径的优化方法及优化系统 - Google Patents
一种巡检最短路径的优化方法及优化系统 Download PDFInfo
- Publication number
- CN107784380A CN107784380A CN201610766451.5A CN201610766451A CN107784380A CN 107784380 A CN107784380 A CN 107784380A CN 201610766451 A CN201610766451 A CN 201610766451A CN 107784380 A CN107784380 A CN 107784380A
- Authority
- CN
- China
- Prior art keywords
- inspection
- path
- initial
- mrow
- shortest path
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明提供一种巡检最短路径的优化方法及优化系统，包括标记所有巡检点在N维空间中的坐标；根据巡检点的数量，基于遗传算法获取初始种群为NIND的初始路径；根据生成的初始路径，构造每条路径的目标函数；构造初始路径的适应度函数；计算出巡检集合中所有巡检子集的路径的总和，并计算出每个巡检子集的相对适应度的大小，基于遗传算法根据适应度函数决定选择、交叉、变异的初始种群，以逐步获取最短路径。本发明的巡检最短路径的优化方法及优化系统在若干个巡检点中，能够寻找一条路径遍历所有的点，并且总距离最小，从而减少工厂现场巡检时间，提高工作效率，最大限度地降低生产质量检查问题的发生。
Description
技术领域
本发明涉及一种路径优化方法及优化系统，特别是涉及一种巡检最短路径的优化方法及优化系统。
背景技术
自改制建立以来，一般的实体加工厂坚持质量改进，不断优化工厂的管理以确保产品质量。目前工厂各项管理措施已比较完善，对质量控制、检验要求等都形成了合理的规范和制度。
然而，在各规范和制度的执行过程中，因各种原因造成的质量波动时有发生，给企业带来了不小的损失。究其原因，绝大部分都是对已有规范、文件、标准在执行方面的懈怠和不到位，这就对现场巡检和检查提出了更高的要求。而现场巡检有多个点，如果在管理层面上缺乏有效、科学的现场巡检监督机制，未及时发现生产现场的事故隐患和薄弱环节，将给稳定生产、产品质量带来风险。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种巡检最短路径的优化方法及优化系统，在若干个巡检点中，能够寻找一条路径遍历所有的点，并且总距离最小，从而减少工厂现场巡检时间，提高工作效率，最大限度地降低生产质量检查问题的发生。
为实现上述目的及其他相关目的，本发明提供一种巡检最短路径的优化方法，包括以下步骤：标记所有巡检点在N维空间中的坐标；根据巡检点的数量，基于遗传算法获取初始种群为NIND的初始路径，其中NIND为初始种群的数量；根据生成的初始路径，构造每条路径的目标函数其中||表示两点的欧氏距离；表示给定路径j的第i个巡检点的坐标，N表示巡检点的个数；构造初始路径的适应度函数其中NIND表示初始路径的总条数，表示第j条初始路径的距离总和；计算出巡检集合中所有巡检子集的路径的总和，并计算出每个巡检子集的相对适应度的大小，基于遗传算法根据适应度函数决定选择、交叉、变异的初始种群，以逐步获取最短路径；其中，每一条初始路径构成一个巡检子集，所有巡检子集的集合为巡检集合；巡检子集的相对适应度是指巡检子集的总路径与所有巡检子集的路径总和的比值。
根据上述的巡检最短路径的优化方法，其中：还包括在突发情况下，去除已经巡检过的巡检点，获取剩余巡检点的最短路径。
根据上述的巡检最短路径的优化方法，其中：还包括通过构建距离少走率函数来评价最优路径，所述路径少走率函数如下：
其中，PathSA为同样的数据随机走的路径，PathGA是由目标函数F与适应度函数FINTV得到的最短路径。
根据上述的巡检最短路径的优化方法，其中：所述N维空间为三维空间或二维空间。
同时，本发明还提供一种巡检最短路径的优化系统，包括标记模块、初始路径获取模块、目标函数构造模块、适应度函数构造模块和最短路径获取模块；
所述标记模块用于标记所有巡检点在N维空间中的坐标；
所述初始路径获取模块用于根据巡检点的数量，基于遗传算法获取初始种群为NIND的初始路径，其中NIND为初始种群的数量；
所述目标函数构造模块用于根据生成的初始路径，构造每条路径的目标函数其中||表示两点的欧氏距离；表示给定路径j的第i个巡检点的坐标，N表示巡检点的个数；
所述适应度函数构造模块用于构造初始路径的适应度函数其中NIND表示初始路径的总条数，表示第j条初始路径的距离总和；
所述最短路径获取模块用于计算出巡检集合中所有巡检子集的路径的总和，并计算出每个巡检子集的相对适应度的大小，基于遗传算法根据适应度函数决定选择、交叉、变异的初始种群，以逐步获取最短路径；其中，每一条初始路径构成一个巡检子集，所有巡检子集的集合为巡检集合；巡检子集的相对适应度是指巡检子集的总路径与所有巡检子集的路径总和的比值。
根据上述的巡检最短路径的优化系统，其中：还包括最短路径重获模块，所述最短路径重获模块用于在突发情况下，去除已经巡检过的巡检点，获取剩余巡检点的最短路径。
根据上述的巡检最短路径的优化系统，其中：还包括路径评价模块，所述评价模块用于通过构建距离少走率函数来评价最优路径；所述路径少走率函数如下：
其中，PathSA为同样的数据随机走的路径，PathGA是由目标函数F与适应度函数FINTV得到的最短路径。
根据上述的巡检最短路径的优化系统，其中：所述N维空间为三维空间或二维空间。
如上所述，本发明的巡检最短路径的优化方法及优化系统，具有以下有益效果：
(1)在若干个巡检点中，能够寻找一条路径遍历所有的点，并且总距离最小，从而减少工厂现场巡检时间，提高工作效率；
(2)为质量检查提供最有效的路径，最大限度地降低生产质量检查问题的发生，促进了产品质量的稳定提高。
附图说明
图1显示为本发明的巡检最短路径的优化方法的流程图；
图2显示为本发明的实施例一中32个巡检点的所有初始种群的目标函数值示意图；
图3显示为本发明的实施例一中14个巡检点的所有初始种群的目标函数值示意图；
图4显示为本发明的实施例一中32个巡检点在不同数量的初始种群下的适应度函数值的示意图；
图5显示为本发明的实施例一中14个巡检点在不同数量的初始种群下的适应度函数值的示意图；
图6显示为本发明的实施例一中32个巡检点的最终优化行走路径；
图7显示为本发明的实施例一中32个巡检点的目标优化迭代过程；
图8显示为本发明的实施例一中14个巡检点的最终优化行走路径；
图9显示为本发明的实施例二中人随机行走二维平面14个巡检点，模拟300次路径示意图；
图10显示为本发明的实施例二中人随机行走二维平面14个巡检点的路径图；
图11显示为本发明的实施例四中各个巡检点距离少走率的分布图；
图12显示为本发明的巡检最短路径的优化系统的结构示意图。
元件标号说明
1 标记模块
2 初始路径获取模块
3 目标函数构造模块
4 适应度函数构造模块
5 最短路径获取模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
参照图1，本发明的巡检最短路径的优化方法包括以下步骤：
步骤S1、标记所有巡检点在N维空间中的坐标。
任意两个巡检点之间的距离表示是两个巡检点之间的真实距离。设定在空间中，如二维平面或者三维空间中，有N个点代表N个巡检的工艺位置，即N个巡检点。需要寻找一条最短路径，使得可以遍历每一个巡检点且每个巡检点仅经过一次。由于对N个巡检点所有可能的遍历数目可达(N-1)！次，导致计算量非常大。假设每个巡检点和其他任一巡检点之间都以欧氏距离直接相连，则空间中任意两个点之间的欧式距离可表示为：
其中，xi为空间中任意一个点的第i坐标，yi为空间中另一个点的第i个坐标，i表示空间维数。
在实际应用中，巡检点通常处于三维空间中。故在本发明的巡检最短路径的优化方法可以三维空间为例进行阐述，其中二维平面只是其中三维空间的一个特例。当三维空间的第三维的坐标取同样的值时，三维空间中的最短路径即为二维平面中的最短路径。
步骤S2、根据巡检点的数量，基于遗传算法获取初始种群为NIND的初始路径，其中NIND为初始种群的数量。
在大规模数据中，遗传算法由于具有目标函数与适应度函数的控制，能够在很短的时间内针对大量的数据给出最优化的结果，且处理结果准确有效。故在本发明的巡检最短路径的优化方法中采用遗传算法来寻求最短路径。
具体地，初始种群是指根据一定的初始条件产生的一个给定大小的初始群体。在本发明中，去除那些明显不适合的路径或者选择符合实际情况的路径，便可得到给定大小的初始种群。另外，由于遗传算法不能直接处理问题空间的参数，故在本发明中按照工艺点序号的数量即巡检点的数量，生成初始路径。
步骤S3、根据生成的初始路径，构造每条路径的目标函数F，
其中，||表示两点的欧氏距离；表示给定路径j的第i个巡检点的坐标，N表示巡检点的个数。
步骤S4、构造初始路径的适应度函数FINTV，
其中，NIND表示初始路径的总条数，表示第j条初始路径的距离总和。
步骤S5、计算出巡检集合中所有巡检子集的路径的总和，并计算出每个巡检子集的相对适应度的大小，基于遗传算法根据适应度函数决定选择、交叉、变异的初始种群，以逐步获取最短路径；其中，每一条初始路径构成一个巡检子集，所有巡检子集的集合为巡检集合；巡检子集的相对适应度是指巡检子集的总路径与所有巡检子集的路径总和的比值。
具体地，生成的初始路径的总条数为NIND，且每一条初始路径都包含N个巡检点。一条路径表示一个巡检子集，则NIND条路径组成NIND个巡检子集，这些巡检子集组成了一个巡检集合。巡检子集的相对适应度是指巡检子集的总路径与NIND个巡检子集的路径总和的比值。
其中，遗传算法包括选择运算、交叉运算和变异运算。
选择运算是从巡检集合中选择优胜的巡检子集，淘汰劣质巡检子集。例如，在NIND种初始路径中，不考虑具体走法，只选择走完所有巡检点中路径最短的一种。适应度函数选择的就是路径最短。适应度函数高的，选择遗传到下一代的几率就高。适应度函数是选择所巡检集合中，巡检子集的路径最短的那几条路径。
交叉运算是指，计算NIND种走法中每一种走法的距离，选择两个初始路径A和B的距离最短作为初始的适应度函数；然后对这两种距离最短的走法，随机交叉A和B中间的某个点，例如A巡检点中的5点和B巡检点的6点交叉，就是在A走法中，本来应该巡检5点结果巡检了6点，B走法中本来应该巡检6点结果巡检了5点，再计算新的走法的距离，判断新的走法的总距离是否比原来要短；如果是，则选择新的走法，同时调整适应度函数采用这个新的走法的距离；如果否，就选择原来的走法。
变异运算是指，将经过交叉后选择的路径，调整其中的一些巡检点的走法。遗传算法在计算机中是二进制代码，也就是将函数转换成1和0，变异就是将原来代表某数字的代码1或者0改写成0或者1，重新组合新的走法，再计算新走法的距离；如果距离最短，调整适应度函数采用这个最短距离。
因此，寻找最短路径就是经过这样不断的调整适应度函数，选择、交叉、变异，一直到寻找到最短的路径的过程。
根据适应度函数决定选择、交叉、变异的初始种群时，采用巡检集合中与适应度成正比的概率来确定各个巡检子集遗传到下一个巡检子集中的数量。即先计算出巡检集合中所有巡检子集的路径的总和∑fi，其中i＝1.2,…,M，M为巡检子集的编号，再计算出每个巡检子集i的相对适应度的大小，根据适应度函数决定选择、交叉、变异的初始种群，来逐步逼近最优解。
优选地，还包括步骤S6、在突发情况下，去除已经巡检过的巡检点，获取剩余巡检点的最短路径。
具体地，巡检过程中出现异常情况时，如遇到突发情况或者特别重要的岗位需要立即巡检时，巡检人员需立即到达异常巡检点，巡检完毕之后，针对剩余没有巡检过的点重新获取最短路径。如巡检人员巡检到某巡检点M时，突然接到通知，需要立刻赶往某突发现场R巡检点，则放弃之前获取的最短路径，以最快的时间到达突发现场R巡检点；R巡检点巡检完毕，则从突发现场R点重新排列剩余没有巡检过的点，获取剩余巡检点的最短路径。
优选地，本发明的巡检最短路径的优化方法还包括路径评价机制，即通过构建距离少走率函数来评价最优路径。其中，路径少走率函数如下：
其中，PathSA为同样的数据随机走的路径，PathGA是由目标函数F与适应度函数FINTV得到的最短路径。
下面结合附图和具体实施例对本发明的巡检最短路径的优化方法进行进一步说明。
实施例一
在本实施例中，采用随机生成的10、14、20、40、80个巡检点，维数为二维或三维的数据作为实验对象。
步骤一、标记所有巡检工艺所在点的坐标，其中随机生成14行2列的数列E，如表1所示；随机生成32行3列的数列F，如表2所示。
表1、数列E
| 序号 | 横坐标 | 纵坐标 |
| 1 | 99.21 | 72.97 |
| 2 | 10.78 | 80.04 |
| 3 | 39.56 | 5.61 |
| 4 | 20.24 | 77.73 |
| 5 | 85.14 | 61.45 |
| 6 | 44.82 | 16.18 |
| 7 | 53.45 | 70.79 |
| 8 | 86.75 | 4.74 |
| 9 | 53.35 | 0.09 |
| 10 | 82.47 | 25.07 |
| 11 | 54.84 | 84.40 |
| 12 | 25.20 | 86.52 |
| 13 | 17.21 | 65.55 |
| 14 | 0.15 | 30.25 |
表2、数列F
步骤二、生成初始种群为100×32，100×14的初始路径，即巡检点数为32和14，初始走法为100种中，各种走法的路径为初始路径。
步骤三、根据生成的初始路径，构造每条路径的目标函数。
设定32个巡检点的一个随机值路径如下：
16→30→1→27→25→14→4→18→7→2→31→13→8→10→17→5→6→32→11→22→29→15→24→28→9→12→19→23→3→26→21→20→16。
该随机值路径的总距离为1666.1967米。
依次获取所有初始路径的总距离，则如图2所示，可得32个巡检点的所有初始种群的目标函数值示意图。
设定14个巡检点的一个随机值路径如下：
13→6→2→7→8→14→5→11→9→10→3→1→12→4→3
该随机值路径的总距离为592.9959米。
依次获取所有初始路径的总距离，则如图3所示，可得14个巡检点的所有初始种群的目标函数值示意图。
步骤四、计算初始路径的适应度函数FINTV。
图4所示即为32个巡检点在不同数量的初始种群下的适应度值。图5所示即为14个巡检点在不同数量的初始种群下的适应度值。
步骤五、通过在三维空间中基于遗传算法寻找最短路径。
具体地，在遗传迭代终止后，所有巡检点按选取频率重新排列，再由选取迭代次数与适应度函数即巡检集合的总路径作图选定最佳路径H，便得到最短路径走法，即输出值H。图6所示即为遍历32个巡检点的最短路径，具体为：
26→32→25→13→18→28→11→17→9→16→8→6→30→15→22→20→4→7→19→5→10→1→23→24→2→27→3→12→14→31→29→21→26
该巡检路径的总距离：548.0427米。32个巡检点的目标优化迭代过程如图7所示。
对于32个巡检点，通过对比初始路径走法的总距离H＝1666.1967米与优化后的总距离H1＝548.0427米，可得距离少走率(Δpath)为67％。
同样的，可得14个巡检点的最短路径为4→7→8→13→3→10→6→2→9→14→11→12→5→1→4；总距离为260.4476米，距离少走率(Δpath)为51％。
实施例二
在电脑上模拟人凭感觉随机走过14个巡检点300次，计算每次走完所有巡检点的距离分别为h1、h2…..h300，如图9所示。计算300次走过的距离的平均值，模拟的行走路径如图10所示，通过对比人凭感觉走过的平均距离H2＝59.55与遗传算法优化的距离H1＝29.3405，优化距离较人凭感觉走过的距离下降了51％。
实施例三
在电脑上随机生成10行2列的数据E10，随机生成20行2列的数据E20，随机生成40行2列的数据E40，随机生成80行2列的数据E80，分别对这4组数据进行基于遗传算法的路径优化，以及模拟300次凭感觉走得到的总距离平均值，对分别得到的距离进行对比分析，如表3所示。
表3、二维平面基于不同数量巡检点的对比分析表
| 序号 | 巡检点 | 凭感觉走 | 遗传算法优化 | 绝对降幅度 | 优化后路线下降度 |
| 1 | 10 | 471.61 | 263.82 | 207.79 | 44.06％ |
| 2 | 20 | 1011.90 | 396.50 | 615.40 | 60.82％ |
| 3 | 40 | 1980.80 | 536.64 | 1444.16 | 72.91％ |
| 4 | 80 | 4032.00 | 1722.57 | 2309.43 | 57.28％ |
从表3中可以看出，用遗传优化算法不管是巡检10个点，还是80个点，都要优于人随机走过所有巡检点的平均距离，而且都是大幅度的减少巡检的路径。
实施例四
在电脑上随机生成10行3列的数据M10，随机生成20行3列的数据M20，随机生成40行3列的数据M40，随机生成80行3列的数据M80，分别对这4组数据进行遗传算法路径优化，以及模拟300次凭感觉走得到的总距离平均值，对分别得到的距离进行对比分析，如表4所示。优化后的路线下距离少走率Δpath如图11所示。
表4、三维平面基于不同数量巡检点的对比分析表
| 序号 | 巡检点 | 凭感觉走 | 遗传算法优化 | 绝对降幅度 | 优化后路线下降度 |
| 1 | 10 | 591.18 | 313.82 | 277.36 | 46.92％ |
| 2 | 20 | 1112.39 | 369.51 | 742.88 | 66.78％ |
| 3 | 40 | 2013.26 | 596.00 | 1417.26 | 70.40％ |
| 4 | 80 | 4267.00 | 1832.00 | 2435.00 | 57.07％ |
从表4中可以看出，在三维平面中，用遗传优化算法对于模拟的巡检10个点或者更多的80个点，都要优于人随机走过所有巡检点的平均距离，且优化后的路线下距离少走率平均为60％。
参照图12，本发明的巡检最短路径的优化系统包括标记模块1、初始路径获取模块2、目标函数构造模块3、适应度函数构造模块4和最短路径获取模块5。
标记模块1用于标记所有巡检点在N维空间中的坐标。
任意两个巡检点之间的距离表示是两个巡检点之间的真实距离。设定在空间中，如二维平面或者三维空间中，有N个点代表N个巡检的工艺位置，即N个巡检点。需要寻找一条最短路径，使得可以遍历每一个巡检点且每个巡检点仅经过一次。由于对N个巡检点所有可能的遍历数目可达(N-1)！次，导致计算量非常大。假设每个巡检点和其他任一巡检点之间都以欧氏距离直接相连，则空间中任意两个点之间的欧式距离可表示为：
其中，xi为空间中任意一个点的第i坐标，yi为空间中另一个点的第i个坐标，i表示空间维数。
在实际应用中，巡检点通常处于三维空间中。故在本发明的巡检最短路径的优化方法可以三维空间为例进行阐述，其中二维平面只是其中三维空间的一个特例。当三维空间的第三维的坐标取同样的值时，三维空间中的最短路径即为二维平面中的最短路径。
初始路径获取模块2用于根据巡检点的数量，基于遗传算法获取初始种群为NIND的初始路径，其中NIND为初始种群的数量。
在大规模数据中，遗传算法由于具有目标函数与适应度函数的控制，能够在很短的时间内针对大量的数据给出最优化的结果，且处理结果准确有效。故在本发明的巡检最短路径的优化方法中采用遗传算法来寻求最短路径。
具体地，由于遗传算法不能直接处理问题空间的参数，故在本发明中按照工艺点序号的数量即巡检点的数量，生成初始路径。
目标函数构造模块3用于根据生成的初始路径，构造每条路径的目标函数F，
其中，||表示两点的欧氏距离；表示给定路径j的第i个巡检点的坐标，N表示巡检点的个数。
适应度函数构造模块4用于构造初始路径的适应度函数FINTV，
其中，NIND表示初始路径的总条数，表示第j条初始路径的距离总和。
最短路径获取模块5用于计算出巡检集合中所有巡检子集的路径的总和，并计算出每个巡检子集的相对适应度的大小，基于遗传算法根据适应度函数决定选择、交叉、变异的初始种群，以逐步获取最短路径；其中，每一条初始路径构成一个巡检子集，所有巡检子集的集合为巡检集合；巡检子集的相对适应度是指巡检子集的总路径与所有巡检子集的路径总和的比值。
具体地，生成的初始路径的总条数为NIND，且每一条初始路径都包含N个巡检点。一条路径表示一个巡检子集，则NIND条路径组成NIND个巡检子集，这些巡检子集组成了一个巡检集合。巡检子集的相对适应度是指巡检子集的总路径与NIND个巡检子集的路径总和的比值。
其中，遗传算法包括选择运算、交叉运算和变异运算。
选择运算是从巡检集合中选择优胜的巡检子集，淘汰劣质巡检子集。例如，在NIND种初始路径中，不考虑具体走法，只选择走完所有巡检点中路径最短的一种。适应度函数选择的就是路径最短。适应度函数高的，选择遗传到下一代的几率就高。适应度函数是选择所巡检集合中，巡检子集的路径最短的那几条路径。
交叉运算是指，计算NIND种走法中每一种走法的距离，选择两个初始路径A和B的距离最短作为初始的适应度函数；然后对这两种距离最短的走法，随机交叉A和B中间的某个点，例如A巡检点中的5点和B巡检点的6点交叉，就是在A走法中，本来应该巡检5点结果巡检了6点，B走法中本来应该巡检6点结果巡检了5点，再计算新的走法的距离，判断新的走法的总距离是否比原来要短；如果是，则选择新的走法，同时调整适应度函数采用这个新的走法的距离；如果否，就选择原来的走法。
变异运算是指，将经过交叉后选择的路径，调整其中的一些巡检点的走法。遗传算法在计算机中是二进制代码，也就是将函数转换成1和0，变异就是将原来代表某数字的代码1或者0改写成0或者1，重新组合新的走法，再计算新走法的距离；如果距离最短，调整适应度函数采用这个最短距离。
因此，寻找最短路径就是经过这样不断的调整适应度函数，选择、交叉、变异，一直到寻找到最短的路径的过程。
根据适应度函数决定选择、交叉、变异的初始种群时，采用巡检集合中与适应度成正比的概率来确定各个巡检子集遗传到下一个巡检子集中的数量。即先计算出巡检集合中所有巡检子集的路径的总和∑fi，其中i＝1.2,…,M，M为巡检子集的编号，再计算出每个巡检子集i的相对适应度的大小，根据适应度函数决定选择、交叉、变异的初始种群，来逐步逼近最优解。
优选地，还包括最短路径重获模块，该最短路径重获模块用于在突发情况下，去除已经巡检过的巡检点，获取剩余巡检点的最短路径。
具体地，巡检过程中出现异常情况时，如遇到突发情况或者特别重要的岗位需要立即巡检时，巡检人员需立即到达异常巡检点，巡检完毕之后，针对剩余没有巡检过的点重新获取最短路径。如巡检人员巡检到某巡检点M时，突然接到通知，需要立刻赶往某突发现场R巡检点，则放弃之前获取的最短路径，以最快的时间到达突发现场R巡检点；R巡检点巡检完毕，则从突发现场R点重新排列剩余没有巡检过的点，获取剩余巡检点的最短路径。
优选地，本发明的巡检最短路径的优化系统还包括路径评价模块，该评价模块用于通过构建距离少走率函数来评价最优路径。其中，路径少走率函数如下：
其中，PathSA为同样的数据随机走的路径，PathGA是由目标函数F与适应度函数FINTV得到的最短路径。
综上所述，本发明的巡检最短路径的优化方法及优化系统在若干个巡检点中，能够寻找一条路径遍历所有的点，并且总距离最小，从而减少工厂现场巡检时间，提高工作效率；为质量检查提供最有效的路径，最大限度地降低生产质量检查问题的发生，促进了产品质量的稳定提高。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种巡检最短路径的优化方法，其特征在于：包括以下步骤：
标记所有巡检点在N维空间中的坐标；
根据巡检点的数量，基于遗传算法获取初始种群为NIND的初始路径，其中NIND为初始种群的数量；
根据生成的初始路径，构造每条路径的目标函数其中||表示两点的欧氏距离；表示给定路径j的第i个巡检点的坐标，N表示巡检点的个数；
构造初始路径的适应度函数其中NIND表示初始路径的总条数，表示第j条初始路径的距离总和；
计算出巡检集合中所有巡检子集的路径的总和，并计算出每个巡检子集的相对适应度的大小，基于遗传算法根据适应度函数决定选择、交叉、变异的初始种群，以逐步获取最短路径；其中，每一条初始路径构成一个巡检子集，所有巡检子集的集合为巡检集合；巡检子集的相对适应度是指巡检子集的总路径与所有巡检子集的路径总和的比值。
2.根据权利要求1所述的巡检最短路径的优化方法，其特征在于：还包括在突发情况下，去除已经巡检过的巡检点，获取剩余巡检点的最短路径。
3.根据权利要求1所述的巡检最短路径的优化方法，其特征在于：还包括通过构建距离少走率函数来评价最优路径，所述路径少走率函数如下：
<mrow>
<mi>&Delta;</mi>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>S</mi>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>G</mi>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>S</mi>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，PathSA为同样的数据随机走的路径，PathGA是由目标函数F与适应度函数FINTV得到的最短路径。
4.根据权利要求1所述的巡检最短路径的优化方法，其特征在于：所述N维空间为三维空间或二维空间。
5.一种巡检最短路径的优化系统，其特征在于：包括标记模块、初始路径获取模块、目标函数构造模块、适应度函数构造模块和最短路径获取模块；
所述标记模块用于标记所有巡检点在N维空间中的坐标；
所述初始路径获取模块用于根据巡检点的数量，基于遗传算法获取初始种群为NIND的初始路径，其中NIND为初始种群的数量；
所述目标函数构造模块用于根据生成的初始路径，构造每条路径的目标函数其中||表示两点的欧氏距离；表示给定路径j的第i个巡检点的坐标，N表示巡检点的个数；
所述适应度函数构造模块用于构造初始路径的适应度函数其中NIND表示初始路径的总条数，表示第j条初始路径的距离总和；
所述最短路径获取模块用于计算出巡检集合中所有巡检子集的路径的总和，并计算出每个巡检子集的相对适应度的大小，基于遗传算法根据适应度函数决定选择、交叉、变异的初始种群，以逐步获取最短路径；其中，每一条初始路径构成一个巡检子集，所有巡检子集的集合为巡检集合；巡检子集的相对适应度是指巡检子集的总路径与所有巡检子集的路径总和的比值。
6.根据权利要求5所述的巡检最短路径的优化系统，其特征在于：还包括最短路径重获模块，所述最短路径重获模块用于在突发情况下，去除已经巡检过的巡检点，获取剩余巡检点的最短路径。
7.根据权利要求5所述的巡检最短路径的优化系统，其特征在于：还包括路径评价模块，所述评价模块用于通过构建距离少走率函数来评价最优路径；所述路径少走率函数如下：
<mrow>
<mi>&Delta;</mi>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>S</mi>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>G</mi>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>S</mi>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，PathSA为同样的数据随机走的路径，PathGA是由目标函数F与适应度函数FINTV得到的最短路径。
8.根据权利要求5所述的巡检最短路径的优化系统，其特征在于：所述N维空间为三维空间或二维空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610766451.5A CN107784380B (zh) | 2016-08-30 | 2016-08-30 | 一种巡检最短路径的优化方法及优化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610766451.5A CN107784380B (zh) | 2016-08-30 | 2016-08-30 | 一种巡检最短路径的优化方法及优化系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107784380A true CN107784380A (zh) | 2018-03-09 |
| CN107784380B CN107784380B (zh) | 2021-12-03 |
Family
ID=61440925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610766451.5A Active CN107784380B (zh) | 2016-08-30 | 2016-08-30 | 一种巡检最短路径的优化方法及优化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107784380B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816153A (zh) * | 2018-12-29 | 2019-05-28 | 广州兴森快捷电路科技有限公司 | 生成合拼母板的工艺流程的方法、装置、控制设备及介质 |
| CN110112664A (zh) * | 2019-03-28 | 2019-08-09 | 闽南理工学院 | 一种基于vr的变电站巡检方法和系统以及设备 |
| CN110633843A (zh) * | 2019-08-23 | 2019-12-31 | 广州杰赛科技股份有限公司 | 园区巡检方法、装置、设备及存储介质 |
| CN110766179A (zh) * | 2019-11-21 | 2020-02-07 | 中冶华天工程技术有限公司 | 一种采用风险优先策略的多站点巡检路径设计方法 |
| CN111064121A (zh) * | 2019-12-30 | 2020-04-24 | 国网山东省电力公司淄博供电公司 | 输电线路巡视系统及方法 |
| CN111310923A (zh) * | 2020-01-19 | 2020-06-19 | 中国民用航空总局第二研究所 | 一种低空巡检飞行三维路径优化方法 |
| CN111401611A (zh) * | 2020-03-06 | 2020-07-10 | 山东科技大学 | 一种化工厂设备巡检点路线优化方法 |
| CN111640218A (zh) * | 2020-05-28 | 2020-09-08 | 广东电网有限责任公司 | 一种无人机巡检路线规划方法、装置、终端及存储介质 |
| CN111780762A (zh) * | 2020-06-30 | 2020-10-16 | 杭州海康机器人技术有限公司 | 巡检路径生成方法、装置和存储介质 |
| CN113095587A (zh) * | 2021-04-26 | 2021-07-09 | 国家电网有限公司 | 变电站的检修路径计算方法 |
| CN113110503A (zh) * | 2021-05-12 | 2021-07-13 | 深圳市千乘机器人有限公司 | 一种基于移动机器人的多检测目标最短路径计算方法 |
| TWI739193B (zh) * | 2018-11-28 | 2021-09-11 | 日商本田技研工業股份有限公司 | 路徑評價裝置、路徑評價系統、路徑評價方法及路徑評價程式 |
| CN114636424A (zh) * | 2019-02-21 | 2022-06-17 | 国网浙江平湖市供电有限公司 | 基于可穿戴设备的变电站巡检路径规划方法 |
| CN116128259A (zh) * | 2023-04-17 | 2023-05-16 | 广东运峰电力安装有限公司 | 一种配网管理系统及方法 |
| CN116486969A (zh) * | 2023-06-25 | 2023-07-25 | 广东工业大学 | 基于遗传算法的材料最优相关性关系获取方法及应用 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915008A (zh) * | 2012-09-13 | 2013-02-06 | 湘潭大学 | 车间无人运输机智能调度系统 |
| CN103489042A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 一种灾害应急决策系统路径优化的方法 |
| US8730817B2 (en) * | 2010-12-07 | 2014-05-20 | At&T Intellectual Property I, L.P. | Methods and apparatus to determine network link weights |
| CN105404938A (zh) * | 2015-11-30 | 2016-03-16 | 国网山东省电力公司烟台供电公司 | 一种缩短输电线路巡视时间的巡线路径优化方法 |
| CN105608507A (zh) * | 2015-12-22 | 2016-05-25 | 广东电网有限责任公司江门供电局 | 一种基于差分纵横交叉算法的输电线路巡检路径优化方法 |
-
2016
- 2016-08-30 CN CN201610766451.5A patent/CN107784380B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8730817B2 (en) * | 2010-12-07 | 2014-05-20 | At&T Intellectual Property I, L.P. | Methods and apparatus to determine network link weights |
| CN102915008A (zh) * | 2012-09-13 | 2013-02-06 | 湘潭大学 | 车间无人运输机智能调度系统 |
| CN103489042A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 一种灾害应急决策系统路径优化的方法 |
| CN105404938A (zh) * | 2015-11-30 | 2016-03-16 | 国网山东省电力公司烟台供电公司 | 一种缩短输电线路巡视时间的巡线路径优化方法 |
| CN105608507A (zh) * | 2015-12-22 | 2016-05-25 | 广东电网有限责任公司江门供电局 | 一种基于差分纵横交叉算法的输电线路巡检路径优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHANG WOOK AHN 等: "A Genetic Algorithm for Shortest Path Routing_ Problem and the Sizing of Populations", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
| 宋光兵: "基于遗传算法的C烟厂AGV路径规划研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI739193B (zh) * | 2018-11-28 | 2021-09-11 | 日商本田技研工業股份有限公司 | 路徑評價裝置、路徑評價系統、路徑評價方法及路徑評價程式 |
| CN109816153B (zh) * | 2018-12-29 | 2023-07-18 | 广州兴森快捷电路科技有限公司 | 生成合拼母板的工艺流程的方法、装置、控制设备及介质 |
| CN109816153A (zh) * | 2018-12-29 | 2019-05-28 | 广州兴森快捷电路科技有限公司 | 生成合拼母板的工艺流程的方法、装置、控制设备及介质 |
| CN114636424A (zh) * | 2019-02-21 | 2022-06-17 | 国网浙江平湖市供电有限公司 | 基于可穿戴设备的变电站巡检路径规划方法 |
| CN114636424B (zh) * | 2019-02-21 | 2024-04-19 | 国网浙江省电力有限公司平湖市供电公司 | 基于可穿戴设备的变电站巡检路径规划方法 |
| CN110112664A (zh) * | 2019-03-28 | 2019-08-09 | 闽南理工学院 | 一种基于vr的变电站巡检方法和系统以及设备 |
| CN110633843A (zh) * | 2019-08-23 | 2019-12-31 | 广州杰赛科技股份有限公司 | 园区巡检方法、装置、设备及存储介质 |
| CN110633843B (zh) * | 2019-08-23 | 2022-04-12 | 广州杰赛科技股份有限公司 | 园区巡检方法、装置、设备及存储介质 |
| CN110766179A (zh) * | 2019-11-21 | 2020-02-07 | 中冶华天工程技术有限公司 | 一种采用风险优先策略的多站点巡检路径设计方法 |
| CN110766179B (zh) * | 2019-11-21 | 2023-02-03 | 中冶华天工程技术有限公司 | 一种采用风险优先策略的多站点巡检路径设计方法 |
| CN111064121A (zh) * | 2019-12-30 | 2020-04-24 | 国网山东省电力公司淄博供电公司 | 输电线路巡视系统及方法 |
| CN111310923B (zh) * | 2020-01-19 | 2023-03-24 | 中国民用航空总局第二研究所 | 一种低空巡检飞行三维路径优化方法 |
| CN111310923A (zh) * | 2020-01-19 | 2020-06-19 | 中国民用航空总局第二研究所 | 一种低空巡检飞行三维路径优化方法 |
| CN111401611A (zh) * | 2020-03-06 | 2020-07-10 | 山东科技大学 | 一种化工厂设备巡检点路线优化方法 |
| CN111401611B (zh) * | 2020-03-06 | 2022-04-22 | 山东科技大学 | 一种化工厂设备巡检点路线优化方法 |
| CN111640218A (zh) * | 2020-05-28 | 2020-09-08 | 广东电网有限责任公司 | 一种无人机巡检路线规划方法、装置、终端及存储介质 |
| CN111780762B (zh) * | 2020-06-30 | 2022-04-22 | 杭州海康机器人技术有限公司 | 巡检路径生成方法、装置和存储介质 |
| CN111780762A (zh) * | 2020-06-30 | 2020-10-16 | 杭州海康机器人技术有限公司 | 巡检路径生成方法、装置和存储介质 |
| CN113095587A (zh) * | 2021-04-26 | 2021-07-09 | 国家电网有限公司 | 变电站的检修路径计算方法 |
| CN113110503A (zh) * | 2021-05-12 | 2021-07-13 | 深圳市千乘机器人有限公司 | 一种基于移动机器人的多检测目标最短路径计算方法 |
| CN116128259A (zh) * | 2023-04-17 | 2023-05-16 | 广东运峰电力安装有限公司 | 一种配网管理系统及方法 |
| CN116128259B (zh) * | 2023-04-17 | 2023-11-07 | 广东运峰电力安装有限公司 | 一种配网管理系统及方法 |
| CN116486969A (zh) * | 2023-06-25 | 2023-07-25 | 广东工业大学 | 基于遗传算法的材料最优相关性关系获取方法及应用 |
| CN116486969B (zh) * | 2023-06-25 | 2023-09-26 | 广东工业大学 | 基于遗传算法的材料最优相关性关系获取方法及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107784380B (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
| CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
| CN104536412B (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
| CN101702655B (zh) | 网络拓扑图的布局方法和系统 | |
| CN109829399A (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
| CN104462685B (zh) | 基于网格GIS和Floyd算法的输电线路设计方法 | |
| CN104808627A (zh) | 一种离散制造系统的车间布局方法 | |
| CN113128129A (zh) | 一种突发水污染正逆耦合溯源方法及系统 | |
| CN106557579A (zh) | 一种基于卷积神经网络的车辆型号检索系统及方法 | |
| CN102102992A (zh) | 基于多级网络划分的匹配道路初筛方法及地图匹配系统 | |
| Wilson et al. | How to generate a thousand master plans: A framework for computational urban design | |
| CN104122796B (zh) | 一种智能装配序列规划方法 | |
| CN103886220B (zh) | 基于bp网络和基尼系数定权重的用水数据离散化方法 | |
| CN106875060A (zh) | 一种基于全局自动优化算法的洪水实时校正方法 | |
| CN103093643A (zh) | 一种确定公共停车场泊位数的方法 | |
| CN103455612B (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
| CN108563875A (zh) | 基于多目标优化的模拟电路测点和频率联合优选方法 | |
| CN105045863A (zh) | 一种用于实体匹配的方法及系统 | |
| CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
| CN102880754A (zh) | 基于遗传算法的土地利用分形维数作用尺度的识别方法 | |
| CN103714384B (zh) | 基于移动模式序列与遗传禁忌的集成电路的布图方法 | |
| CN107909194A (zh) | 系统级测试性设计多目标优化方法 | |
| CN104537254B (zh) | 一种基于社会统计数据的精细化制图方法 | |
| Liu et al. | Illustration design model with clustering optimization genetic algorithm | |
| CN111985690B (zh) | 一种风电基地升压站选址方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |