CN107871025B - 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 PDF

Info

Publication number
CN107871025B
CN107871025B CN201610848050.4A CN201610848050A CN107871025B CN 107871025 B CN107871025 B CN 107871025B CN 201610848050 A CN201610848050 A CN 201610848050A CN 107871025 B CN107871025 B CN 107871025B
Authority
CN
China
Prior art keywords
feasible solution
solution
feasible
gas sensor
bee
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
Application number
CN201610848050.4A
Other languages
English (en)
Other versions
CN107871025A (zh
Inventor
姜烨
徐正蓺
马皛源
李丹
张晓凌
魏建明
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.)
Shanghai Advanced Research Institute of CAS
Original Assignee
Shanghai Advanced Research Institute of CAS
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 Shanghai Advanced Research Institute of CAS filed Critical Shanghai Advanced Research Institute of CAS
Priority to CN201610848050.4A priority Critical patent/CN107871025B/zh
Publication of CN107871025A publication Critical patent/CN107871025A/zh
Application granted granted Critical
Publication of CN107871025B publication Critical patent/CN107871025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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
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：
Figure BDA0001119654910000021
其中，
Figure BDA0001119654910000022
为t时刻的空间位置
Figure BDA0001119654910000023
处泄漏源的预测浓度，vx为风速大小，
Figure BDA0001119654910000024
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，
Figure BDA0001119654910000025
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：
Figure BDA0001119654910000026
其中，vx(t)为随时间变化的风速大小，
Figure BDA0001119654910000027
为t时刻的空间位置
Figure BDA0001119654910000028
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
Figure BDA0001119654910000029
其中，
Figure BDA00011196549100000210
为t时刻第j个泄漏源在
Figure BDA00011196549100000211
处的预测浓度，
Figure BDA00011196549100000212
为t时刻第j个泄漏源在
Figure BDA00011196549100000213
处的测量浓度，
Figure BDA00011196549100000214
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
Figure BDA00011196549100000215
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，
Figure BDA00011196549100000218
表示第i个可行解的第j维解，
Figure BDA00011196549100000217
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；
Figure BDA00011196549100000216
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
Figure BDA0001119654910000031
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
Figure BDA0001119654910000032
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
Figure BDA0001119654910000033
其中，
Figure BDA0001119654910000034
为t时刻的空间位置
Figure BDA0001119654910000036
处泄漏源的预测浓度，vx为风速大小，
Figure BDA0001119654910000035
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，
Figure BDA0001119654910000041
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：
Figure BDA0001119654910000042
其中，vx(t)为随时间变化的风速大小，
Figure BDA0001119654910000043
为t时刻的空间位置
Figure BDA0001119654910000044
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：
Figure BDA0001119654910000045
其中，
Figure BDA0001119654910000046
为t时刻第j个泄漏源在
Figure BDA0001119654910000047
处的预测浓度，
Figure BDA0001119654910000048
为t时刻第j个泄漏源在
Figure BDA0001119654910000049
处的测量浓度，
Figure BDA00011196549100000410
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
Figure BDA00011196549100000411
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，
Figure BDA00011196549100000415
表示第i个可行解的第j维解，
Figure BDA00011196549100000414
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；
Figure BDA00011196549100000412
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
Figure BDA00011196549100000413
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
Figure BDA0001119654910000051
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：
Figure BDA0001119654910000071
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：
Figure BDA0001119654910000072
其中，Vij表示交叉变异后的第i个可行解的第j维解，
Figure BDA0001119654910000075
表示第i个可行解的第j维解，
Figure BDA0001119654910000076
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；
Figure BDA0001119654910000073
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：
Figure BDA0001119654910000074
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
Figure BDA0001119654910000081
其中，
Figure BDA0001119654910000082
为t时刻的空间位置
Figure BDA0001119654910000086
处泄漏源的预测浓度，vx为风速大小，
Figure BDA0001119654910000083
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，
Figure BDA0001119654910000084
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：
Figure BDA0001119654910000085
其中，
Figure BDA0001119654910000091
为t时刻的空间位置
Figure BDA0001119654910000092
处的泄漏源浓度，
Figure BDA0001119654910000093
和
Figure BDA0001119654910000094
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：
Figure BDA0001119654910000095
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：
Figure BDA0001119654910000096
其中，vx(t)为随时间变化的风速大小，
Figure BDA0001119654910000097
为t时刻的空间位置
Figure BDA0001119654910000098
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：
Figure BDA0001119654910000099
其中，
Figure BDA00011196549100000910
为t时刻第j个泄漏源在
Figure BDA00011196549100000911
处的预测浓度，
Figure BDA00011196549100000912
为t时刻第j个泄漏源在
Figure BDA00011196549100000913
处的测量浓度，
Figure BDA00011196549100000914
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
Figure BDA0001119654910000101
其中
Figure BDA0001119654910000102
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
Figure BDA0001119654910000103
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，
Figure BDA0001119654910000108
表示第i个可行解的第j维解，
Figure BDA0001119654910000107
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；
Figure BDA0001119654910000104
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
Figure BDA0001119654910000105
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
Figure BDA0001119654910000106
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：
Figure BDA0001119654910000111
(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
Figure BDA0001119654910000112
其中
Figure BDA0001119654910000113
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
Figure BDA0001119654910000114
进行交叉变异。
根据公式
Figure BDA0001119654910000115
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
Figure BDA0001119654910000116
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
Figure BDA0001119654910000121
其中，
Figure BDA0001119654910000122
为t时刻的空间位置
Figure BDA00011196549100001210
处泄漏源的预测浓度，vx为风速大小，
Figure BDA0001119654910000123
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，
Figure BDA0001119654910000124
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：
Figure BDA0001119654910000125
其中，
Figure BDA0001119654910000126
为t时刻的空间位置
Figure BDA0001119654910000127
处的泄漏源浓度，
Figure BDA0001119654910000128
和
Figure BDA0001119654910000129
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：
Figure BDA0001119654910000131
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：
Figure BDA0001119654910000132
其中，vx(t)为随时间变化的风速大小，
Figure BDA0001119654910000133
为t时刻的空间位置
Figure BDA0001119654910000134
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：
Figure BDA0001119654910000135
其中，
Figure BDA0001119654910000136
为t时刻第j个泄漏源在
Figure BDA0001119654910000137
处的预测浓度，
Figure BDA0001119654910000138
为t时刻第j个泄漏源在
Figure BDA0001119654910000139
处的测量浓度，
Figure BDA00011196549100001310
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
Figure BDA00011196549100001311
其中
Figure BDA00011196549100001312
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
Figure BDA0001119654910000141
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，
Figure BDA0001119654910000146
表示第i个可行解的第j维解，
Figure BDA0001119654910000145
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；
Figure BDA0001119654910000142
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
Figure BDA0001119654910000143
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
Figure BDA0001119654910000144
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：
Figure FDA0002167332390000011
其中，
Figure FDA0002167332390000012
为t时刻的空间位置
Figure FDA0002167332390000013
处泄漏源的预测浓度，vx为风速大小，
Figure FDA0002167332390000014
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，
Figure FDA0002167332390000015
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：
Figure FDA0002167332390000016
其中，vx(t)为随时间变化的风速大小，
Figure FDA0002167332390000017
为t时刻的空间位置
Figure FDA0002167332390000018
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
Figure FDA0002167332390000019
其中，
Figure FDA00021673323900000110
为t时刻第j个泄漏源在
Figure FDA00021673323900000111
处的预测浓度，
Figure FDA00021673323900000112
为t时刻第j个泄漏源在
Figure FDA00021673323900000113
处的测量浓度，
Figure FDA00021673323900000114
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
Figure FDA00021673323900000115
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；
Figure FDA00021673323900000116
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
Figure FDA0002167332390000021
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
Figure FDA0002167332390000022
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，仅针对每个可行解中固定的某一维解进行交叉变异，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xij进行交叉变异的邻居可行解xkj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
Figure FDA0002167332390000031
其中，
Figure FDA0002167332390000032
为t时刻的空间位置
Figure FDA0002167332390000033
处泄漏源的预测浓度，vx为风速大小，
Figure FDA0002167332390000034
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，
Figure FDA0002167332390000035
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：
Figure FDA0002167332390000036
其中，vx(t)为随时间变化的风速大小，
Figure FDA0002167332390000037
为t时刻的空间位置
Figure FDA0002167332390000038
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：
Figure FDA0002167332390000039
其中，
Figure FDA00021673323900000310
为t时刻第j个泄漏源在
Figure FDA00021673323900000311
处的预测浓度，
Figure FDA00021673323900000312
为t时刻第j个泄漏源在
Figure FDA00021673323900000313
处的测量浓度，
Figure FDA00021673323900000314
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
Figure FDA00021673323900000315
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；
Figure FDA00021673323900000316
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
Figure FDA0002167332390000041
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
Figure FDA0002167332390000042
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，仅针对每个可行解中固定的某一维解进行交叉变异，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xij进行交叉变异的邻居可行解xkj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。
CN201610848050.4A 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 Active CN107871025B (zh)

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 CN107871025A (zh) 2018-04-03
CN107871025B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
Simulation of diffusion trend of unexpected gas leak accident based on google earth;LIU Daoming 等;《Procedia Engineering》;20121231;第45卷;第373-377页 *
传感器网络中改进的粒子群优化定位算法;张迅 等;《计算机科学》;20121231;第39卷(第12期);第51-54页 *

Also Published As

Publication number Publication date
CN107871025A (zh) 2018-04-03

Similar Documents

Publication Publication Date Title
AU2019362683B2 (en) Fluid leakage detection system, fluid leakage detection device, and learning device
CN103914622B (zh) 一种化学品泄漏快速预测预警应急响应决策方法
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
Wu et al. An intelligent tunnel firefighting system and small-scale demonstration
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
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
CN114072671A (zh) 气体排放监测和检测
Ma et al. Location of natural gas leakage sources on offshore platform by a multi-robot system using particle swarm optimization algorithm
CN108733893A (zh) 耦合深度学习方法的公共建筑突发污染的溯源
Liu et al. Gas diffusion model based on an improved Gaussian plume model for inverse calculations of the source strength
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
CN105629848B (zh) 一种抢险装备的监控方法及控制器
Wang et al. Integrated risk assessment of complex disaster system based on a non-linear information dynamics model
CN116384255B (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
Piazza et al. Optimal positioning of water quality sensors in water distribution networks: Comparison of numerical and experimental results
CN108108545A (zh) 基于地理信息系统的火灾事故模拟推演显示方法及装置
CN115314905B (zh) 一种考虑可燃气体扩散规律的传感器优化部署方法
Jiang et al. A deterministic sensor deployment method for target coverage
CN110502836B (zh) 一种气体传感器的部署方法及系统
Tabella et al. Sensor fusion for detection and localization of carbon dioxide releases for Industry 4.0
CN115690335B (zh) 一种海上风电应急避险舱的安全性测试方法及系统
Peng et al. Zonal Estimation Method of Volatiles Concentration Based on Gaussian Diffusion Model and SVR
Yi et al. A Gas Leakage Source Positioning and Estimation Algorithm Based on Deep Neural Network (DNN)

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