CN107871025A - 基于改进人工蜂群算法的气体传感器优化部署方法及系统 - Google Patents
基于改进人工蜂群算法的气体传感器优化部署方法及系统 Download PDFInfo
- Publication number
- CN107871025A CN107871025A CN201610848050.4A CN201610848050A CN107871025A CN 107871025 A CN107871025 A CN 107871025A CN 201610848050 A CN201610848050 A CN 201610848050A CN 107871025 A CN107871025 A CN 107871025A
- Authority
- CN
- China
- Prior art keywords
- mrow
- feasible solution
- msub
- solution
- feasible
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title abstract description 5
- 238000009792 diffusion process Methods 0.000 claims abstract description 65
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 26
- 230000035772 mutation Effects 0.000 claims description 22
- 241000256844 Apis mellifera Species 0.000 abstract 5
- 239000000126 substance Substances 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供一种基于改进人工蜂群算法的气体传感器优化部署方法及系统，包括设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型；设定风速和风向随时间发生变化，建立气体扩散测量模型；设定改进人工蜂群算法的目标函数；将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，执行改进人工蜂群算法，得到的全局最优目标函数值对应的可行解即为全局最优解，该全局最优解即为气体传感器节点的部署坐标位置。本发明的基于改进人工蜂群算法的气体传感器优化部署方法及系统解决了实际园区中由于气象变化导致的气体监测无效的问题。
Description
技术领域
本发明涉及安全应急监控与通信的技术领域，特别是涉及一种基于改进人工蜂群算法的气体传感器优化部署方法及系统。
背景技术
随着化工行业的不断发展，涉及到易燃易爆、有毒有害危险品的危化品园区，由于人为、设备、生产管理或者环境因素等不可避免地会出现危险气体的泄漏的情况，会引起火灾、爆炸等一系列严重事故。事故一旦发生，危害范围通常会很大，往往超出工业园区或建设项目的边界，给周边人群、环境造成恶劣影响，导致大量人员伤亡和财产损失。若事故发生在城市区域或者人口密集区域，由于人员集中，疏散困难，造成的后果会更加严重。
在国内外化工园区内由于气体泄漏发生灾害的例子不胜枚举。中国山东日照市石大科技在2015年7月16日就发生了一起重大的液化石油罐泄漏，导致1000立方米的液态烃罐起火，连续发生了三次爆炸，经济损失惨重。2006年10月5日，美国北卡罗莱纳州一家化工厂由于氯气泄漏，发生爆炸，引燃邻近另一家工厂的储油罐，工厂周围方圆1.6公里内的1.7万居民撤离。
因此，在实际园区中，按照国家规定园区会按照一些常规行业标准安装气体传感器，用于对危化品泄漏进行监测，从而对事故起到预警和应急的作用。但是健康与安全执行委员会在1993年和2003年分别指出，在这些安装了气体传感器的园区中发生的事故中，超过一半的事故无法被监测到，究其原因是由于目前园区中气体传感器部署无法全面考虑影响气体扩散的因素。这些因素包括泄漏源位置、泄漏源数量、气体组分、气象条件、管道设计、工艺条件、化工园区设备及建筑结构部署、隔离系统、减压系统、监测频率等，以及各种建筑物的阻挡、风向风速和地势以及植被等。因此，这些按照标准安装的气体传感器在气体发生泄漏后可能会无法检测到气体，失去了安装的意义。也就是说不采用量化气体泄漏的方法部署气体传感器，在有风的情况下，由于气体扩散的态势图在风向和风力的影响下浓度等值线是变化的，气体传感器形同虚设，根本无法监测到气体，更不会报警。
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基于改进人工蜂群算法的气体传感器优化部署方法及系统，利用改进的人工蜂群算法，通过气体扩散模型结合气象条件中的风速和风向因素建立预测模型和测量模型，对气体传感器进行优化部署，使得气体传感器监测效率高而且误差率低，解决了实际园区中由于气象变化导致的气体监测无效的问题。
为实现上述目的及其他相关目的，本发明提供一种基于改进人工蜂群算法的气体传感器优化部署方法，包括以下步骤：设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型：
其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，为空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为泄漏源的质量释放速率；k为泄漏源的扩散率；*表示乘法运算；
设定风速和风向随时间发生变化，建立气体扩散测量模型：
其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)为风向与x轴的夹角；
设定改进人工蜂群算法的目标函数为
其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间；
将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D＝2N；
将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；其中，Vij表示交叉变异后的第i个可行解的第j维解，表示第i个可行解的第j维解，表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，max cycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表示当前全局最优可行解的第j维解，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；
计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；
计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；
在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，若随机数小于可行解的概率，继续对该可行解进行交叉变异；
在观察蜂阶段，若某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，则放弃该可行解，并随机产生一个新的初始可行解，同时观察蜂变为雇佣蜂；
迭代最大迭代次数后，得到的全局最优目标函数值对应的可行解即为全局最优解，该全局最优解即为气体传感器节点的部署坐标位置。
根据上述的基于改进人工蜂群算法的气体传感器优化部署方法，其中：对可行解进行交叉变异时，交叉变异针对哪一维解是随机选择的。
根据上述的基于改进人工蜂群算法的气体传感器优化部署方法，其中：对可行解进行交叉变异时，与每个可行解进行交叉变异的邻居可行解是随机选择的。
根据上述的基于改进人工蜂群算法的气体传感器优化部署方法，其中：当可行解的目标函数值在预定范围内，则判断该可行解收敛。
同时，本发明还提供一种基于改进人工蜂群算法的气体传感器优化部署系统，包括气体扩散预测模型建立模块、气体扩散测量模块建立模块、目标函数建立模块、雇佣蜂处理模块、跟随蜂处理模块、观察蜂处理模块和迭代模块；
所述气体扩散预测模型建立模块用于在设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上的情况下，建立气体扩散预测模型
其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，为空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为泄漏源的质量释放速率；k为泄漏源的扩散率；*表示乘法运算；
所述气体扩散测量模块建立模块用于在设定风速和风向随时间发生变化的情况下，建立气体扩散测量模型：
其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)为风向与x轴的夹角；
所述目标函数建立模块用于设定改进人工蜂群算法的目标函数为气体扩散预测模型和气体扩散测量模型在扩散时间内的每个监测节点中的平均浓度差，目标函数为：
其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间；
所述雇佣蜂处理模块用于将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D＝2N；将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；其中，Vij表示交叉变异后的第i个可行解的第j维解，表示第i个可行解的第j维解，表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，max cycle表示最大迭代次数，0.9-iter*0.5/max cycle表示权重，yj表示当前全局最优可行解的第j维解，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；
所述跟随蜂处理模块用于在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，当随机数小于可行解的概率时，继续对该可行解进行交叉变异；
所述观察蜂处理模块用于在观察蜂阶段，当某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，放弃该可行解，并随机产生一个新的初始可行解，同时将观察蜂变为雇佣蜂；
所述迭代模块用于迭代最大迭代次数，将得到的全局最优目标函数值对应的可行解作为全局最优解，该全局最优解即为气体传感器节点的部署位置。
根据上述的基于改进人工蜂群算法的气体传感器优化部署系统，其中：对可行解进行交叉变异时，交叉变异针对哪一维解是随机选择的。
根据上述的基于改进人工蜂群算法的气体传感器优化部署系统，其中：对可行解进行交叉变异时，与每个可行解进行交叉变异的邻居可行解是随机选择的。
根据上述的基于改进人工蜂群算法的气体传感器优化部署系统，其中：当可行解的目标函数值在预定范围内，则判断该可行解收敛。
如上所述，本发明的基于改进人工蜂群算法的气体传感器优化部署方法及系统，具有以下有益效果：
(1)利用改进的人工蜂群算法，通过气体扩散模型结合气象条件中的风速和风向因素建立预测模型和测量模型，对气体传感器进行优化部署，解决了实际园区中由于气象变化导致的气体监测无效的问题；
(2)使得气体传感器监测效率高而且误差率低；
(3)所采用的改进人工蜂群算法有效地提高了收敛速度，节省了部署时间。
附图说明
图1显示为本发明的基于改进人工蜂群算法的气体传感器优化部署方法的流程图；
图2显示为本发明的一个实施例中基于改进人工蜂群算法的气体传感器优化部署方法的优化部署位置示意图；
图3显示为本发明的基于改进人工蜂群算法的气体传感器优化部署系统的结构示意图。
元件标号说明
1 气体扩散预测模型建立模块
2 气体扩散测量模块建立模块
3 目标函数建立模块
4 雇佣蜂处理模块
5 跟随蜂处理模块
6 观察蜂处理模块
7 迭代模块
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。
人工蜂群算法(Artificial Bee Colony Algorithm，ABC)是一个由蜂群行为启发的算法，在2005年由Karaboga小组为优化代数问题而提出。在ABC中，把待求解的问题的解看做是人工食物，食物越充足，表示解的质量越好，然后一群人工蜜蜂会去搜寻食物源，从而找到一个相关问题的比较好的解。为了应用ABC，待求解的问题首先要转化为最优化问题，也就是找到一组参数向量，使得目标函数最小化。人工蜂群就会随机初始化一些解，然后通过迭代，使用邻居搜索的策略来向更好的解靠近，并放弃差的解，逐步提高解的质量。
在本发明中，改进的人工蜂群算法包括以下几个阶段：
(1)雇佣蜂阶段
这个阶段包括两个子阶段，即初始化阶段和交叉变异阶段。
a、初始化阶段
在这个阶段中，每个食物源作为一个可行解，随机初始化可行解的参数，将每个可行解带入目标函数进行计算，得到不同的目标函数值，将目标函数值带入适应度函数，得到不同的适应度。适应度函数表示为：
其中，fi是每个可行解的目标函数值。
b、交叉变异阶段
对每一个可行解的第j维解与随机产生的邻居可行解的第j维变量以及当前全局最优可行解的第j维进行交叉变异，交叉变异公式为：
其中，Vij表示交叉变异后的第i个可行解的第j维解，表示第i个可行解的第j维解，表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，max cycle表示最大迭代次数，0.9-iter*0.5/max cycle表示权重，yj表示当前全局最优可行解的第j维解，*表示乘法运算；j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值。
当第一次进行交叉变异时，iter取值为1；第二次进行交叉变异时，iter取值为2；以此类推，iter最大取值为max cycle。
需要说明的是，最大迭代次数根据实际算法收敛精度确定的。
公式(2)说明了全局影响因素全面考虑进了ABC算法中。在对全局因素的权重方面，由于在迭代初期，系数较大可以对全局具有更好的收敛速度；在迭代后期，由于较小的权重对局部搜索具有较好的收敛速度，所以，随着迭代次数的增加，权重系数应该不断减少。因此，采用改进人工蜂群算法，在初期具有良好的全局收敛能力，在后期具有良好的局部收敛能力。
(2)跟随蜂阶段
根据交叉变异后的可行解的适应度，计算可行解的概率：
其中，fitnessi表示每个可行解的适应度，SN表示可行解的数量，也就是食物源的数量。
根据公式(3)得到每个可行解的概率，此阶段产生一个[0～1]的随机数与每一个可行解的概率比较。如果随机数小于该可行解的概率，则根据公式(2)继续对该可行解进行交叉变异。
(3)观察蜂阶段
如果在规定的交叉变异次数之内可行解没有收敛，则该可行解被抛弃，并且随机赋予一个新的可行解重新进行迭代。
因此，本发明所采用的改进的人工蜂群算法包括以下步骤：
(1)在雇佣蜂阶段，M个可行解随机初始化为D维矩阵，D维矩阵是初始解；将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素进行交叉变异；计算变异后的每个可行解的自身适应值；再计算每个可行解的概率。其中，根据实际所需要得到的解的维数来确定D的大小；M为。
(2)在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，若该随机数小于可行解的概率，则继续对该可行解进行交叉变异。
(3)在观察蜂阶段，如果某个可行解经过有限次的交叉变异，仍然没有收敛，则该可行解被放弃，产生一个新的初始可行解，同时观察蜂变为雇佣蜂。
(4)迭代最大迭代次数后，得到的全局最优目标函数值对应的可行解即为全局最优解，同时得到的目标函数值即为全局最优值。
参照图1，本发明的基于改进人工蜂群算法的气体传感器优化部署方法包括以下步骤：
步骤S1、设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型
其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，表示空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为该泄漏源的质量释放速率，单位为kg/s；k为该泄漏源的扩散率，扩散率的单位为m2/s。其中，(x0',y0')为已知的，(x',y')为需要部署的气体传感器节点的位置，为本发明所要确定的信息。
不考虑风向和风速的情况下，气体扩散模型如下：
其中，为t时刻的空间位置处的泄漏源浓度，和为点源的空间位置及其相对于无穷界面的镜像位置；k为该泄漏源的扩散率，扩散率的单位为m2/s，扩散率会随环境温度的变化而变化；μ为该泄漏源的质量释放速率，单位为kg/s，t0为泄漏源质量释放的起始时间；erfc(x)为余补误差函数。
考虑风速和风向时，通过坐标变换将风速矢量变化为平行于x轴。其中，平行是指无论坐标系变换到什么方向，风速矢量均平行于变化方向后的x轴。设定风速大小为vx，泄露源与气体传感器节点在二维平面上，且z＝z0＝0，则达到稳态时气体扩散浓度可以简化为：
步骤S2、设定风速和风向随时间发生变化，建立气体扩散测量模型：
其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)表示风向与x轴的夹角，其随着时间而变化。
考虑风向变化后的气体传感器节点和泄漏源位置的x轴坐标分别为：
x＝x'*cos(θ(t))+y'*sin(θ(t))，x0＝x0'*cos(θ(t))+y0'*sin(θ(t))
因此，将上述x轴坐标代入上述气体扩散预测模型即可得到气体扩散测量模型。
步骤S3、设定改进人工蜂群算法的目标函数为气体扩散预测模型和气体扩散测量模型在扩散时间内的每个监测节点中的平均浓度差，目标函数为：
其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间。
该目标函数表示每个泄漏源在不同气体传感器位置处的浓度预测值与实际测量值的平均误差率。目标函数值最接近设定阈值的可行解，即为全局最优解。优选地，设定阈值为0。即每个泄漏源在不同气体传感器位置处的浓度预测值与实际测量值的平均误差率为0时，所对应的气体传感器的位置坐标即为全局最优解。
步骤S4、将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D维矩阵表示为
其中表示可行解的初始坐标，D＝2N；
将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；
其中，Vij表示交叉变异后的第i个可行解的第j维解，表示第i个可行解的第j维解，表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示迭代次数，max cycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表示当前全局最优可行解的第j维解，*表示乘法运算，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；
计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；
计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；
其中，对可行解进行交叉变异时，仅针对每个可行解中固定的某一维解进行交叉变异，且交叉变异针对哪一维解是随机选择的；同时，与每个可行解进行交叉变异的邻居可行解也是随机选择的。
步骤S5、在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，若随机数小于可行解的概率，继续对该可行解进行交叉变异。
步骤S6、在观察蜂阶段，若某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，则放弃该可行解，并随机产生一个新的初始可行解，同时观察蜂变为雇佣蜂。
具体地，当可行解的目标函数值在预定范围内时，则判断该可行解收敛。例如，设定预定范围为[-0.1，0.1]，当可行解的目标函数值在该预定范围内时，即每个泄漏源在不同气体传感器位置处的浓度预测值与实际测量值的平均误差率在[-0.1，0.1]内时，判断该可行解收敛，否则该可行解不收敛。
步骤S7、迭代最大迭代次数后，得到的全局最优目标函数值对应的可行解即为全局最优解，该全局最优解即为气体传感器节点的部署位置。
下面结合附图对本发明的一种基于改进人工蜂群算法的气体传感器优化部署方法进行进一步阐述。
如图2所示，基于改进人工蜂群算法的气体传感器优化部署方法部署气体传感器时，包括以下步骤：
(1)建立气体泄漏场景
设定化工园区范围为长100米，宽100米，共有5个泄漏源同时泄漏，图2中圆点所示即表示泄漏源，扩散时间为30s，气体传感器节点为20个，食物源为20个，泄漏气体为丙烷，泄漏源扩散率k＝50m2/s，泄漏源质量释放速率μ＝20kg/s。其中，可行解的个数N＝20。
(2)建立目标函数
根据改进人工蜂群算法，将气体扩散预测模型和气体扩散测量模型的平均误差作为算法中的目标函数。一共有N个传感器节点，传感器节点的部署位置作为解向量，则目标函数为：
(3)在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D维矩阵表示为
其中表示可行解的初始坐标位置，M＝20，D＝2N＝40。
将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异。
根据公式计算交叉变异后每个可行解的自身适应值[fitness1,fitness2…fitnessM]'。
根据公式计算每个可行解的概率。
(4)在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，若该随机数小于可行解的概率，则继续对该可行解进行交叉变异。
(5)在观察蜂阶段，如果某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，则该可行解被放弃，产生一个新的初始可行解，同时观察蜂变为雇佣蜂。
(6)迭代最大迭代次数后，收敛得到全局最优目标函数值，并且得到相应的可行解，即气体传感器节点的部署位置，如图2中的星状点。
参照图3，本发明的基于改进人工蜂群算法的气体传感器优化部署系统包括气体扩散预测模型建立模块1、气体扩散测量模块建立模块2、目标函数建立模块3、雇佣蜂处理模块4、跟随蜂处理模块5、观察蜂处理模块6和迭代模块7。
气体扩散预测模型建立模块用于在设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上的情况下，建立气体扩散预测模型
其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，表示空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为该泄漏源的质量释放速率，单位为kg/s；k为该泄漏源的扩散率，扩散率的单位为m2/s。其中，(x0',y0')为已知的，(x',y')为需要部署的气体传感器节点的位置，为本发明所要确定的信息。
不考虑风向和风速的情况下，气体扩散模型如下：
其中，为t时刻的空间位置处的泄漏源浓度，和为点源的空间位置及其相对于无穷界面的镜像位置；k为该泄漏源的扩散率，扩散率的单位为m2/s，扩散率会随环境温度的变化而变化；μ为该泄漏源的质量释放速率，单位为kg/s，t0为泄漏源质量释放的起始时间；erfc(x)为余补误差函数。
考虑风速和风向时，通过坐标变换将风速矢量变化为平行于x轴。其中，平行是指无论坐标系变换到什么方向，风速矢量均平行于变化方向后的x轴。设定风速大小为vx，泄露源与气体传感器节点在二维平面上，且z＝z0＝0，则达到稳态时气体扩散浓度可以简化为：
气体扩散测量模块建立模块2用于在设定风速和风向随时间发生变化的情况下，建立气体扩散测量模型：
其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)表示风向与x轴的夹角，其随着时间而变化。
考虑风向变化后的气体传感器节点和泄漏源位置的x轴坐标分别为：
x＝x'*cos(θ(t))+y'*sin(θ(t))，x0＝x0'*cos(θ(t))+y0'*sin(θ(t))
因此，将上述x轴坐标代入上述气体扩散预测模型即可得到气体扩散测量模型。
目标函数建立模块3与气体扩散预测模型建立模块1和气体扩散测量模块建立模块2相连，用于设定改进人工蜂群算法的目标函数为气体扩散预测模型和气体扩散测量模型在扩散时间内的每个监测节点中的平均浓度差，目标函数为：
其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间。
该目标函数表示每个泄漏源在不同气体传感器位置处的浓度预测值与实际测量值的平均误差率。目标函数值最接近设定阈值的可行解，即为全局最优解。优选地，设定阈值为0。即每个泄漏源在不同气体传感器位置处的浓度预测值与实际测量值的平均误差率为0时，所对应的气体传感器的位置坐标即为全局最优解。
雇佣蜂处理模块4与目标函数建立模块3相连，用于将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D维矩阵表示为
其中表示可行解的初始坐标，D＝2N；
将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；
其中，Vij表示交叉变异后的第i个可行解的第j维解，表示第i个可行解的第j维解，表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示迭代次数，max cycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表示当前全局最优可行解的第j维解，*表示乘法运算，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；
计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；
计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；
其中，对可行解进行交叉变异时，仅针对每个可行解中固定的某一维解进行交叉变异，且交叉变异针对哪一维解是随机选择的；同时，与每个可行解进行交叉变异的邻居可行解也是随机选择的。
跟随蜂处理模块5与雇佣蜂处理模块4相连，用于在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，当随机数小于可行解的概率时，继续对该可行解进行交叉变异。
观察蜂处理模块6与跟随蜂处理模块5相连，用于在观察蜂阶段，当某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，放弃该可行解，并随机产生一个新的初始可行解，同时将观察蜂变为雇佣蜂。
具体地，当可行解的目标函数值在预定范围内时，则判断该可行解收敛。例如，设定预定范围为[-0.1，0.1]，当可行解的目标函数值在该预定范围内时，即每个泄漏源在不同气体传感器位置处的浓度预测值与实际测量值的平均误差率在[-0.1，0.1]内时，判断该可行解收敛，否则该可行解不收敛。
迭代模块7与雇佣蜂处理模块4、跟随蜂处理模块5和观察蜂处理模块6相连，用于迭代最大迭代次数，将得到的全局最优目标函数值对应的可行解作为全局最优解，该全局最优解即为气体传感器节点的部署位置。
综上所述，本发明的基于改进人工蜂群算法的气体传感器优化部署方法及系统利用改进的人工蜂群算法，通过气体扩散模型结合气象条件中的风速和风向因素建立预测模型和测量模型，对气体传感器进行优化部署，解决了实际园区中由于气象变化导致的气体监测无效的问题；使得气体传感器监测效率高而且误差率低；所采用的改进人工蜂群算法有效地提高了收敛速度，节省了部署时间。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)
1.一种基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：包括以下步骤：
设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型：
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&mu;</mi>
<mo>*</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>v</mi>
<mi>x</mi>
</msub>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>k</mi>
</mrow>
</mfrac>
<mo>(</mo>
<mi>d</mi>
<mo>-</mo>
<mo>(</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mi>k</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，为空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为泄漏源的质量释放速率；k为泄漏源的扩散率；*表示乘法运算；
设定风速和风向随时间发生变化，建立气体扩散测量模型：
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&mu;</mi>
<mo>*</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>k</mi>
</mrow>
</mfrac>
<mo>(</mo>
<mi>d</mi>
<mo>-</mo>
<mo>(</mo>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>)</mo>
<mo>-</mo>
<mo>(</mo>
<msup>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>)</mo>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mi>k</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)为风向与x轴的夹角；
设定改进人工蜂群算法的目标函数为
其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间；
将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D＝2N；
将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；其中，Vij表示交叉变异后的第i个可行解的第j维解，xij表示第i个可行解的第j维解，xkj表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表示当前全局最优可行解的第j维解，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；
计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；
计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；
在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，若随机数小于可行解的概率，继续对该可行解进行交叉变异；
在观察蜂阶段，若某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，则放弃该可行解，并随机产生一个新的初始可行解，同时观察蜂变为雇佣蜂；
迭代最大迭代次数后，得到的全局最优目标函数值对应的可行解即为全局最优解，该全局最优解即为气体传感器节点的部署坐标位置。
2.根据权利要求1所述的基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：对可行解进行交叉变异时，交叉变异针对哪一维解是随机选择的。
3.根据权利要求1所述的基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：对可行解进行交叉变异时，与每个可行解进行交叉变异的邻居可行解是随机选择的。
4.根据权利要求1所述的基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：当可行解的目标函数值在预定范围内，则判断该可行解收敛。
5.一种基于改进人工蜂群算法的气体传感器优化部署系统，其特征在于：包括气体扩散预测模型建立模块、气体扩散测量模块建立模块、目标函数建立模块、雇佣蜂处理模块、跟随蜂处理模块、观察蜂处理模块和迭代模块；
所述气体扩散预测模型建立模块用于在设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上的情况下，建立气体扩散预测模型
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&mu;</mi>
<mo>*</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>v</mi>
<mi>x</mi>
</msub>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>k</mi>
</mrow>
</mfrac>
<mo>(</mo>
<mi>d</mi>
<mo>-</mo>
<mo>(</mo>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mi>k</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，为空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为泄漏源的质量释放速率；k为泄漏源的扩散率；*表示乘法运算；
所述气体扩散测量模块建立模块用于在设定风速和风向随时间发生变化的情况下，建立气体扩散测量模型：
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&mu;</mi>
<mo>*</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>v</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>k</mi>
</mrow>
</mfrac>
<mo>(</mo>
<mi>d</mi>
<mo>-</mo>
<mo>(</mo>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>)</mo>
<mo>-</mo>
<mo>(</mo>
<msup>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>(</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
<mo>)</mo>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mi>k</mi>
<mi>d</mi>
</mrow>
</mfrac>
</mrow>
其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)为风向与x轴的夹角；
所述目标函数建立模块用于设定改进人工蜂群算法的目标函数为气体扩散预测模型和气体扩散测量模型在扩散时间内的每个监测节点中的平均浓度差，目标函数为：
<mrow>
<mi>J</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
</mrow>
</munderover>
<mo>|</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>/</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>r</mi>
<mo>&RightArrow;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>N</mi>
<mo>*</mo>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
</mrow>
</mfrac>
</mrow>
其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间；
所述雇佣蜂处理模块用于将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D＝2N；将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；其中，Vij表示交叉变异后的第i个可行解的第j维解，xij表示第i个可行解的第j维解，xkj表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表示当前全局最优可行解的第j维解，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；
所述跟随蜂处理模块用于在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，当随机数小于可行解的概率时，继续对该可行解进行交叉变异；
所述观察蜂处理模块用于在观察蜂阶段，当某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，放弃该可行解，并随机产生一个新的初始可行解，同时将观察蜂变为雇佣蜂；
所述迭代模块用于迭代最大迭代次数，将得到的全局最优目标函数值对应的可行解作为全局最优解，该全局最优解即为气体传感器节点的部署位置。
6.根据权利要求5所述的基于改进人工蜂群算法的气体传感器优化部署系统，其特征在于：对可行解进行交叉变异时，交叉变异针对哪一维解是随机选择的。
7.根据权利要求5所述的基于改进人工蜂群算法的气体传感器优化部署系统，其特征在于：对可行解进行交叉变异时，与每个可行解进行交叉变异的邻居可行解是随机选择的。
8.根据权利要求5所述的基于改进人工蜂群算法的气体传感器优化部署系统，其特征在于：当可行解的目标函数值在预定范围内，则判断该可行解收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610848050.4A CN107871025B (zh) | 2016-09-23 | 2016-09-23 | 基于改进人工蜂群算法的气体传感器优化部署方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610848050.4A CN107871025B (zh) | 2016-09-23 | 2016-09-23 | 基于改进人工蜂群算法的气体传感器优化部署方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107871025A true CN107871025A (zh) | 2018-04-03 |
| CN107871025B CN107871025B (zh) | 2020-03-31 |
Family
ID=61751626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610848050.4A Active CN107871025B (zh) | 2016-09-23 | 2016-09-23 | 基于改进人工蜂群算法的气体传感器优化部署方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107871025B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112530529A (zh) * | 2020-12-09 | 2021-03-19 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
| CN113406270A (zh) * | 2021-05-12 | 2021-09-17 | 中国汽车技术研究中心有限公司 | 燃料电池汽车氢气传感器位置优化方法 |
| 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 |
| CN115099385A (zh) * | 2022-06-22 | 2022-09-23 | 中国人民解放军国防科技大学 | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182588A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学院上海高等研究院 | 一种重气持续泄漏扩散的动态模拟方法 |
| CN104834017A (zh) * | 2015-04-30 | 2015-08-12 | 华南理工大学 | 一种有毒有害气体泄漏扩散事故源定位方法 |
| WO2016113591A1 (en) * | 2015-01-14 | 2016-07-21 | Cgg Services Sa | Systems and methods for improved coupling of geophysical sensors, where the shaft is open at the foot and couples to the sensor base plate at the head |
| CN105865722A (zh) * | 2015-01-23 | 2016-08-17 | 中国科学院上海高等研究院 | 一种固定监测与移动应急系统的部署方法 |
-
2016
- 2016-09-23 CN CN201610848050.4A patent/CN107871025B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182588A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学院上海高等研究院 | 一种重气持续泄漏扩散的动态模拟方法 |
| WO2016113591A1 (en) * | 2015-01-14 | 2016-07-21 | Cgg Services Sa | Systems and methods for improved coupling of geophysical sensors, where the shaft is open at the foot and couples to the sensor base plate at the head |
| CN105865722A (zh) * | 2015-01-23 | 2016-08-17 | 中国科学院上海高等研究院 | 一种固定监测与移动应急系统的部署方法 |
| CN104834017A (zh) * | 2015-04-30 | 2015-08-12 | 华南理工大学 | 一种有毒有害气体泄漏扩散事故源定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| LIU DAOMING 等: "Simulation of diffusion trend of unexpected gas leak accident based on google earth", 《PROCEDIA ENGINEERING》 * |
| 张迅 等: "传感器网络中改进的粒子群优化定位算法", 《计算机科学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112530529A (zh) * | 2020-12-09 | 2021-03-19 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
| CN112530529B (zh) * | 2020-12-09 | 2024-01-26 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
| CN113406270A (zh) * | 2021-05-12 | 2021-09-17 | 中国汽车技术研究中心有限公司 | 燃料电池汽车氢气传感器位置优化方法 |
| 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 |
| CN115099385A (zh) * | 2022-06-22 | 2022-09-23 | 中国人民解放军国防科技大学 | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 |
| CN115099385B (zh) * | 2022-06-22 | 2024-10-15 | 中国人民解放军国防科技大学 | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107871025B (zh) | 2020-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107871025B (zh) | 基于改进人工蜂群算法的气体传感器优化部署方法及系统 | |
| CN106501451B (zh) | 一种气体传感器的部署优化方法、系统及服务器 | |
| CN104834017A (zh) | 一种有毒有害气体泄漏扩散事故源定位方法 | |
| Middha et al. | Validation of CFD-model for hydrogen dispersion | |
| Ichard et al. | CFD computations of liquid hydrogen releases | |
| CN106484987B (zh) | 基于粒子群算法的气体传感器优化部署方法及系统 | |
| CN103914622A (zh) | 一种化学品泄漏快速预测预警应急响应决策方法 | |
| CN108932394A (zh) | 有毒气体泄漏危害范围的确定方法 | |
| CN110716012B (zh) | 一种基于现场总线网络的油气浓度智能监测系统 | |
| Liu et al. | Gas diffusion model based on an improved Gaussian plume model for inverse calculations of the source strength | |
| Maurtua et al. | MAINBOT–mobile robots for inspection and maintenance in extensive industrial plants | |
| Ma et al. | Location of natural gas leakage sources on offshore platform by a multi-robot system using particle swarm optimization algorithm | |
| CN114072671A (zh) | 气体排放监测和检测 | |
| CN107301495A (zh) | 一种有机朗肯循环系统混合工质泄漏安全性的评估方法 | |
| Marjovi et al. | Swarm robotic plume tracking for intermittent and time-variant odor dispersion | |
| CN105629848B (zh) | 一种抢险装备的监控方法及控制器 | |
| CN116384255A (zh) | 一种基于多源数据融合的园区危险态势感知方法及系统 | |
| CN110705842A (zh) | 基于多源数据融合的化工园区危险态势感知方法及系统 | |
| CN105717257A (zh) | 基于非线性最小二乘法和扩展集员滤波的气体源无线定位 | |
| CN115314905B (zh) | 一种考虑可燃气体扩散规律的传感器优化部署方法 | |
| Pei et al. | Impacts of wind speed and leakage height on chlorine leakage diffusion | |
| CN103743972A (zh) | 一种塔式太阳能热发电系统故障诊断方法 | |
| Curiac et al. | Cellular automata based simulation for smoke and fire spreading in large buildings | |
| Tabella et al. | Sensor fusion for detection and localization of carbon dioxide releases for Industry 4.0 | |
| Liu et al. | Back Calculation of Leakage Accident Source Term of Liquid Ammonia Gas Storage Tank |
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 |