CN109631905B - 一种基于动态参考点的nsgaⅲ的路径规划方法 - Google Patents

一种基于动态参考点的nsgaⅲ的路径规划方法 Download PDF

Info

Publication number
CN109631905B
CN109631905B CN201910046395.1A CN201910046395A CN109631905B CN 109631905 B CN109631905 B CN 109631905B CN 201910046395 A CN201910046395 A CN 201910046395A CN 109631905 B CN109631905 B CN 109631905B
Authority
CN
China
Prior art keywords
point
points
path
reference point
inspection
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
CN201910046395.1A
Other languages
English (en)
Other versions
CN109631905A (zh
Inventor
吕政�
王博群
吕鹏飞
蔡宇慧
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.)
Dalian University of Technology
Original Assignee
Dalian University of 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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201910046395.1A priority Critical patent/CN109631905B/zh
Publication of CN109631905A publication Critical patent/CN109631905A/zh
Application granted granted Critical
Publication of CN109631905B publication Critical patent/CN109631905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于动态参考点的NSGAⅢ的路径规划方法，属于信息技术领域。本发明根据当前解的分布情况和优化现状，将多目标优化方法NSGAⅢ中的参考点动态处理，使其解向更有利于现实情况的方向优化，首先对路径数据进行预处理，得到需进行路径规划的所有的点的信息——包括点的坐标和该点在不同的点检次序中的不同的紧急程度；对预处理得到的点的信息，使用基于动态参考点的NSGAⅢ多目标优化方法进行优化，从而得到最佳优化结果。这种优化方法可更好地规划巡检路径，辅助现场操作人员对工厂内部机器进行巡检，提升巡检效率。

Description

一种基于动态参考点的NSGAⅢ的路径规划方法
技术领域
本发明属于信息技术领域，涉及到遗传算法、多目标优化等技术，是一种基于动态NSGAⅢ(Non-Dominated Sorting Genetic AlgorithmⅢ，非支配排序遗传算法Ⅲ)的路径规划方法。
本发明根据当前解的分布情况和优化现状，将多目标优化方法NSGAⅢ中的参考点进行动态处理，使其解向更有利用现实情况的方向优化。首先，对路径数据进行预处理，得到需进行路径规划的所有的点的信息——包括点的坐标和该点在不同的点检次序中的不同的紧急程度；然后，对预处理得到的点的信息，使用基于动态参考点的NSGAⅢ方法进行优化，从而得到最佳优化结果。这种优化方法可以更好地规划巡检路径，辅助现场操作人员对工厂内部机器进行巡检，提升巡检效率。
背景技术
工厂设备是工厂系统的关键组成部分，设备的安全、可靠运行对保证整个系统的运行质量至关重要。设备的性能水平直接影响到工厂系统的稳定性、可靠性、安全性及抵抗事故的能力。保障设备的可靠安全运转已是一项重大任务，因此要高度重视设备的监控和管理，做好设备的巡检、巡视、实时监控工作，及时排除潜在的危险，是保证工厂稳定运行的重中之重。而设计一个智能巡检路径规划系统可以大大提供巡检效率，减少不必要的时间浪费。
巡检路径规划系统建立的模型由目标函数和约束条件两部分组成，目标函数一般是最小化紧急程度巡检成本以及最短路径成本，约束条件是根据路径约束及物理约束建立的(输电线路多因素风险评估及巡检策略研究,胡志鹏,武汉大学,2018(05))。
对于该类问题的多目标优化方面，传统的多目标优化问题求解方法有很多种，包括评价函数法、目标规划法、分层求解法等。这些方法的基本思想都是把多目标问题中的子目标函数经过处理或数学变换转换为单目标问题，然后运用解决单目标问题的手段来解决问题。然而，这种方法失去了多目标优化的本质意义。遗传算法(GA)能对整个搜索空间的大量可行解同时并行搜索，克服了传统方法可能陷入收敛于局部最优的困境(基于Amigo Bot平台的多机器人地图创建,薛珊珊济南大学,2015)。目前比较主流的有NSGAⅡ算法、NSGAⅢ算法。两种算法的区别主要在子代的选择方面，即子代挑选问题。NSGAⅡ主要依靠拥挤距离挑选子代(DebK,PratapA,AgarwalS,etal.AfastandelitistMulti-objectivegeneticalgorithm:NSGA-Ⅱ[J].IEEETransactionsonEvolutionaryComputation,2002,6(2):182-197.)。NSGAⅢ算法主要依靠参考点来挑选子代(Deb,K.AnEvolutionary Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach,Part I:Solving Problems with BoxConstraints Evolutionary Computation,IEEE Transactions on,2014,Vol.18(4),pp.577-601)。
以上方法存在如下不足：传统NSGAⅢ算法参考点选定以后，参考点和理想点连线称为参考向量，针对最后可接受的非支配层的个体遍历所有向量，找到距离种群中每个个体最近的参考点，同时记录下参考点的信息和对应的最短距离，离种群个体最近的参考点即被引用。但是，无论后续的引用状况如何，参考点的位置都不会发生变化，势必会存在一部分参考点没有被引用或者被引用的次数极少。基于以上原因，造成了部分参考点利用率低或未被引用。参考点被引用次数多的区域即存在优质解的可能性大，但是由于参考点在解空间均匀分布，因此可能会导致该区域内潜在的优质解被忽略，导致总体算法精度不足。
发明内容
本发明主要解决企业工厂巡检路径规划问题，提出基于动态参考点NSGAⅢ算法的多目标优化方法。该方法能够对工厂实时巡检路径进行匹配搜索，自适应地寻找最佳巡检路径，并通过动态参考点，根据实时变化对路径的选择及时做出调整。
本发明的技术方案：
一种基于动态参考点的NSGAⅢ的路径规划方法，各个步骤以及核心内容如下。
(1)数据预处理。提取设备信息，即设备故障预警系统给出的每个点的一系列紧急程度和每个点的坐标。
(2)根据工厂的实际情况抽象出数学模型，并建立巡检路径规划的多目标优化模型。
(3)采用动态参考点的NSGAⅢ方法对优化模型进行求解，得到路径优化的Pareto解集。
(4)根据多个目标的相对权重，对巡检路径进行选择。
本发明的有益效果：该优化方法可更好地规划巡检路径，辅助现场操作人员对工厂内部机器进行巡检，提升巡检效率。
附图说明
图1为本发明的应用流程图。
图2为原NSGAⅢ参考点分配图。
图3为动态参考点NSGAⅢ的参考点增减附图。
图4(a)为原NSGAⅢ算法帕累托前沿。
图4(b)为基于动态参考点的NSGAⅢ算法帕累托前沿。
具体实施方式
为了更好地理解本发明的技术方案与具体实施方法，下面以国内某钢铁企业为例说明本专利具体实施方式。该钢铁企业某部门的三十台生产设备需要进行定期检查。当部分设备需要进行点检时，工厂内的预警系统会综合该设备的重要程度和需要点检的紧急程度，给出各个设备在不同路径中的紧急程度的数值。
步骤1：数据选取与预处理
从工业现场的设备预警信息数据库中读取设备位置信息和对应的紧急程度信息。对数据进行预处理，并选取待巡检设备信息作为输入。
步骤2：建立数学模型
针对路径长度和紧急度两个目标建立数学模型。其目标函数如公式2-1所示。
Figure BDA0001949316360000041
Figure BDA0001949316360000042
其中f1表示该路线的路径长度，用路径点的集合中相邻两巡检点的距离依次加和得到；f2表示该路线所花费的紧急度参数。当以不同的次序经过不同的点时会有不同的紧急度。总的紧急度为经过每一巡检点的紧急度加和。约束条件如公式2-2，2-3，2-4，2-5所示。
Figure BDA0001949316360000043
Figure BDA0001949316360000044
Figure BDA0001949316360000045
Figure BDA0001949316360000051
其中
Figure BDA0001949316360000052
V为巡检点的数目；i,j表示点检处编号；i＝0，j＝0表示工厂入口；k表示工人的编号；G表示工人个数；tij为巡检点为i和j之间的行走时间，通过速度与距离计算；Sij表示巡检点的紧急度权值；Xij表示从巡检点i至巡检点j的路径长度；Xijk工人k是否从巡检点i至巡检点j这条路线；当经过该路径则Xijk为1，否则为0；yjk表示工人k是否经过巡检点j，当经过则yjk为1，当不经过则为0，yik表示工人k是否经过巡检点i，若经过则yik为1，不经过则yik为0；
公式(2-2)表示每一个巡检点有且仅有一名工人，
公式(2-3)表示出入某巡检点的工人数量守恒，
公式(2-4)和2-5)表示一个工人被指派到某一巡检路径，则一定存在一条返回工厂入口的路线。
步骤3：采用基于动态参考点的NSGAⅢ多目标优化方法对优化模型进行求解，得到路径优化的Pareto解集。
(1)初始化规模为N的种群，记为A；用遗传算子(选择，重组，变异)对种群A进行操作；得到另一个规模同样为N的种群B；将种群A，B混合以后，进行非支配排序，可得到Ui(i＝1,2,3…)非支配层，把，非支配层级为1,2,3…中的个体依次加入到下一代子代集合C中，当C的规模大于N时，记此时的非支配层级为J，从J层中挑选K个个体，加入C中，使得C的规模为N。
(2)目标归一化(Normalize objective)：首先需要计算M个目标函数第m个目标维度上的最小值(即遍历取到Min)，可以得到第i个目标上对应的最小数值为Zi，此Zi的集合即为NSGAⅢ算法中提到的理想点集合(ideal points)。
(3)计算理想点(Compute ideal point)：即求解这一代种群所有目标函数的最小值即为
Figure BDA0001949316360000061
然后把所有个体的目标值减去理想点，标量化公式如下所示：
Figure BDA0001949316360000062
该公式表示进行了一个平移操作，完成以后将理想点平移到坐标原点其中，fi'(x)表示平移后的目标值点；fi(x)表示平移前的目标值点。
(4)计算极值点(Compute extreme points)：在此需要用到ASF(achievementscalarizing function)的函数，公式如下所示，该公式同样作用于每个维度的目标函数。
Figure BDA0001949316360000063
Figure BDA0001949316360000064
其中r表示第r维目标函数
遍历每个函数，找到ASF数值最小的个体，这些个体即极值点，极值点和理想点的连线可以组成一个超平面(对于多维目标函数来说)或一条直线(对于二维目标函数)，这个面(或者线)和坐标轴的交点即最终要求解的截距，计算出截距以后，按如下公式进行归一化运算：
Figure BDA0001949316360000065
其中，
Figure BDA0001949316360000066
表示归一化运算以后的目标值点；ai表示超平面(对于三维目标函数)或者直线(对于二维目标函数)与第i维坐标轴的交点，即截距；
(5)得到超平面(对于多维目标函数来说)或一条直线(对于二维目标函数)并将其等分，等分点即为参考点。参考点的个数可由下面的公式算出：
Figure BDA0001949316360000071
其中H为参考点个数，P为等分数，M为目标个数
(6)动态参考点的建立
对于传统NAGAⅢ算法，参考点确定以后，无论其引用情况如何，都不会再改变。当M＝3时，超平面的中间点坐标为D(3/x,3/y,3/z),则点D与超平面的顶点连线将超平面均分为三部分，记其三部分分别为S1,S2,S3；记每一部分(包括边界)的参考点总的被引用次数为L1，L2，L3
在种群进化的过程中，势必会有一部分参考点被引用的次数多，有一部分参考点被引用的次数少，认为若在连续二十次进化中被引用十五次以上参考点为活跃参考点，认为若在连续二十次进化中被引用五次或以下的参考点为非活跃参考点。
Figure BDA0001949316360000072
Figure BDA0001949316360000073
其中Li为第i个区域中参考点被引用的总数，n为每个区域中的参考点总数，记ki为第i个区域中的非活跃参考点个数，每二十次进化就会有三个Li并且对应的区域有ki个被标记的非活跃参考点；若第j个区域参考点被引用的次数最少，则将区域Lj中被标记的非活跃参考点kj全部剔除，并在参考点被引用次数最多的区域中随机分布增加kj个参考点。
(7)参考点与理想点连线构建参考向量，对每一个种群个体遍历所有向量，同时记录下参考点的信息和对应的最短距离。其中，种群个体到参考点向量的距离将用垂直距离来描述。
经过非支配排序后，从第一个非支配层级到第J层级的种群成员数目总和第一次超过种群规模N时，那么定义Ht为包含了从第一层到第J层级中全部个体的集合，由于Ht的规模超过了预先设定的种群成员数目，需要进行相应的筛选。首先对每个参考点进行遍历，查看它被不包含第J层级的种群个体的Ht引用的次数，并且寻找到被引用次数最少的参考点，也即被数量最少的种群个体所关联的参考点，将其被引用次数记录为pj。
1)若这个参考点关联的从第一层级到第J-1层级种群个体数量为零，也即pj等于零，但在J层级中有个体被关联到这个参考点向量，则从中寻找距离最小的点，并将其从第J层级中抽取，加入到被选择的下一代种群C中，设置pj＝pj+1
2)如果在第J层级中没有个体被引用到该参考点，则删除该参考点向量，倘若pj>0，则从中选择距离最近的参考点直到种群C的规模为N。
步骤4：根据多个目标的相对权重，对巡检路径进行选择。
针对基于动态参考点的NSGAⅢ多目标优化方法得到的最优前沿上的一系列非支配解进行选择，描绘出每个解的路径，并给出每条路径的长度和紧急状况等信息，由工人根据现场当时的情况是侧重于路径长度或者侧重于紧急程度，然后来选择路径长度和紧急状况都符合要求的解。
由以上过程可以看出，采用一种基于动态参考点的NSGAⅢ多目标优化方法进行优化，可以避免后续挑选解的工作的高耗时，可以使优化更加按照希望的方向去发展。

Claims (2)

1.一种基于动态参考点的NSGAⅢ的路径规划方法，其特征在于，步骤如下：
步骤一：数据选取与预处理
从工业现场的设备预警信息数据库中读取设备的位置信息和对应的紧急程度信息，对数据进行预处理，并选取待巡检设备信息作为输入；
步骤二：建立数学模型
针对路径长度和紧急度两个目标建立数学模型；
a.目标函数
Figure FDA0003732095010000011
Figure FDA0003732095010000012
其中，f1表示该路径的路径长度，用路径点的集合中相邻两巡检点的距离依次加和得到；f2表示该路径所花费的紧急度参数；当以不同的次序经过不同的巡检点时会有不同的紧急度；总的紧急度为经过每一巡检点的紧急度加和；
b.约束条件
Figure FDA0003732095010000013
Figure FDA0003732095010000014
Figure FDA0003732095010000015
Figure FDA0003732095010000016
式中：
Figure FDA0003732095010000021
Figure FDA0003732095010000022
其中，N为巡检点的数目，i，j表示巡检点的编号，i＝0,j＝0时，表示工厂入口；k表示工人的编号；G表示工人的个数；tij为巡检点为i和j之间的行走时间，通过速度与距离计算；Sij表示巡检点的紧急度权值；Xij表示从巡检点i至巡检点j的路径长度；Xijk工人k是否从巡检点i至巡检点j这条路径，当经过该路径则Xijk为1，否则为0；yik表示工人k是否经过巡检点j，当经过则yjk为1，不经过则为0，yik表示工人k是否经过巡检点i，当经过则yik为1，不经过则yik为0；
公式(2-2)表示每一个巡检点有且仅有一名工人；
公式(2-3)表示出入某巡检点的工人数量守恒；
公式(2-4)(2-5)表示一个工人被指派到某一巡检路径，则一定存在一条返回工厂入口的路径；
步骤三：采用基于动态参考点的NSGAⅢ多目标优化方法对优化模型进行求解，得到路径优化的Pareto解集；
(3.1)初始化规模为N的种群，记为A；用遗传算子，即选择、重组、变异，对种群A进行操作；得到另一个规模同样为N的种群B；将种群A，B混合以后，进行非支配排序，得到Ui，i＝1,2,3…，个非支配层，把非支配层级中的个体按照非支配排序的顺序依次加入到下一代子代集合C中，当C的规模大于N时，记此时的非支配层级为J，从J层中挑选K个个体，加入C中，使得C的规模为N；
(3.2)目标归一化：首先计算M个目标函数中每一个目标维度m上的最小值，即遍历取到Min，得到第i个目标上对应的最小数值为Zi，此Zi的集合即为NSGA-III算法中提到的理想点集合；
(3.3)计算理想点：求解种群C中所有目标函数的最小值即为
Figure FDA0003732095010000031
然后把所有个体的目标值减去理想点，标量化公式如下所示：
Figure FDA0003732095010000032
其中，fi'(x)表示平移后的目标值点；fi(x)表示平移前的目标值点；
(3.4)计算极值点：每个维度的目标函数为：
Figure FDA0003732095010000033
式中，
Figure FDA0003732095010000034
其中r表示第r维度目标函数；
遍历每个维度的目标函数，找到ASF数值最小的个体，即极值点，极值点和理想点的连线组成一个超平面或一条直线，这个面或直线与坐标轴的交点即最终要求解的截距，求得截距并按如下公式进行归一化运算：
Figure FDA0003732095010000035
其中，fi n表示归一化运算之后的目标点值；ai表示超平面或者直线与第i维坐标轴的交点，即截距；
(3.5)将步骤(3.4)中得到一个超平面或一条直线等分，等分点即为参考点；
参考点的个数由下面的公式算出：
Figure FDA0003732095010000036
其中，H为参考点个数，P为等分数，M为目标个数；
(3.6)动态参考点的建立
超平面的中间点坐标为D,则点D与超平面的顶点连线将超平面均分为M部分，每一部分记为Si；记包括边界的每一部分的参考点总的被引用次数为Li；
设在连续0.2N次进化中被引用0.15N次以上参考点为活跃参考点，设在连续0.2N次进化中被引用0.05N次或以下的参考点为非活跃参考点；
Figure FDA0003732095010000041
Figure FDA0003732095010000042
其中，Li为第i个区域中参考点被引用的总数，n为每个区域中的参考点总数，记ki为第i个区域中的非活跃参考点个数，每0.2N次进化就会有P个Li并且对应的区域有ki个被标记的非活跃参考点，i∈(1，P)；当第j个区域参考点被引用的次数最少，则将区域Lj中被标记的非活跃参考点kj全部剔除，j∈(1，P)，并在参考点被引用次数最多的区域中随机分布增加kj个参考点；
(3.7)参考点与理想点连线构建参考向量，对每一个种群个体遍历所有向量，同时记录下参考点的信息和对应的最短距离；其中，种群个体到参考点向量的距离将用垂直距离来描述；
步骤四：根据多个目标的相对权重，对巡检路径进行选择
针对基于动态参考点的NSGAⅢ多目标优化方法得到的路径优化的Pareto解集进行选择，描绘出每个解的路径，并给出每条路径的长度和紧急状况信息，由工人根据现场当时的情况是侧重于路径长度或者侧重于紧急程度，然后来选择路径长度和紧急状况都符合要求的解。
2.根据权利要求1所述的一种基于动态参考点的NSGAⅢ的路径规划方法，其特征在于，步骤(3.1)中，经过非支配排序后，从第一个非支配层级到第J层级的种群成员数目总和第一次超过种群规模N时，那么定义Ht为包含了从第一层到第J层级中全部个体的集合，由于Ht的规模超过了预先设定的种群成员数目，需要进行相应的筛选；筛选过程为：首先对每个参考点进行遍历，查看它被不包含第J层级的种群个体的Ht引用的次数，并且寻找到被引用次数最少的参考点，也即被数量最少的种群个体所关联的参考点，将其被引用次数记录为pj；
(1)当这个参考点关联的从第一层级到第J-1层级种群个体数量为零，也即pj等于零，但在J层级中有个体被关联到这个参考点向量时，则从中寻找距离最小的点，并将其从第J层级中抽取，加入到被选择的下一代种群C中，设置pj＝pj+1
(2)当在第J层级中没有个体被引用到该参考点，则删除该参考点向量，并且当pj>0时，则从中选择距离最近的参考点直到种群C的规模为N。
CN201910046395.1A 2019-01-18 2019-01-18 一种基于动态参考点的nsgaⅲ的路径规划方法 Active CN109631905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910046395.1A CN109631905B (zh) 2019-01-18 2019-01-18 一种基于动态参考点的nsgaⅲ的路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910046395.1A CN109631905B (zh) 2019-01-18 2019-01-18 一种基于动态参考点的nsgaⅲ的路径规划方法

Publications (2)

Publication Number Publication Date
CN109631905A CN109631905A (zh) 2019-04-16
CN109631905B true CN109631905B (zh) 2022-09-06

Family

ID=66061260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910046395.1A Active CN109631905B (zh) 2019-01-18 2019-01-18 一种基于动态参考点的nsgaⅲ的路径规划方法

Country Status (1)

Country Link
CN (1) CN109631905B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110749333B (zh) * 2019-11-07 2022-02-22 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
CN111275259A (zh) * 2020-01-20 2020-06-12 苏宝炜 一种公共区域关键点位安全管理最优路线选择方法及装置
CN114399043A (zh) * 2021-06-16 2022-04-26 北京理工大学 一种基于非支配排序粒子群遗传算法的车辆位置路由方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004006137A1 (en) * 2002-07-02 2004-01-15 British Telecommunications Public Limited Company Optimisation method and apparatus
JP2007187584A (ja) * 2006-01-13 2007-07-26 Navitime Japan Co Ltd 巡回経路探索機能を有するナビゲーションシステムおよび経路探索サーバならびに巡回経路探索方法
CN103824340A (zh) * 2014-03-07 2014-05-28 山东鲁能智能技术有限公司 无人机输电线路智能巡检系统及巡检方法
CN103823451A (zh) * 2014-03-07 2014-05-28 国家电网公司 基于gis的无人机电力线路巡检集中调度系统及方法
CN103824233A (zh) * 2014-03-07 2014-05-28 国家电网公司 基于gis的无人机电力线路巡检调度平台及方法
CN105243432A (zh) * 2015-09-11 2016-01-13 国家电网公司 基于nsga-ⅲ的upfc选址和容量多目标配置方法
CN106251420A (zh) * 2016-07-29 2016-12-21 国网山西省电力公司大同供电公司 电力设备巡检系统
CN205862379U (zh) * 2016-07-29 2017-01-04 国网山西省电力公司大同供电公司 电力设备巡检系统
CN108470237A (zh) * 2018-02-12 2018-08-31 浙江工业大学 一种基于协同进化的多偏好高维目标优化方法
CN108769184A (zh) * 2018-05-25 2018-11-06 浙江知水信息技术有限公司 一种自动判定巡查人员人生安全的预警方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004006137A1 (en) * 2002-07-02 2004-01-15 British Telecommunications Public Limited Company Optimisation method and apparatus
JP2007187584A (ja) * 2006-01-13 2007-07-26 Navitime Japan Co Ltd 巡回経路探索機能を有するナビゲーションシステムおよび経路探索サーバならびに巡回経路探索方法
CN103824340A (zh) * 2014-03-07 2014-05-28 山东鲁能智能技术有限公司 无人机输电线路智能巡检系统及巡检方法
CN103823451A (zh) * 2014-03-07 2014-05-28 国家电网公司 基于gis的无人机电力线路巡检集中调度系统及方法
CN103824233A (zh) * 2014-03-07 2014-05-28 国家电网公司 基于gis的无人机电力线路巡检调度平台及方法
CN105243432A (zh) * 2015-09-11 2016-01-13 国家电网公司 基于nsga-ⅲ的upfc选址和容量多目标配置方法
CN106251420A (zh) * 2016-07-29 2016-12-21 国网山西省电力公司大同供电公司 电力设备巡检系统
CN205862379U (zh) * 2016-07-29 2017-01-04 国网山西省电力公司大同供电公司 电力设备巡检系统
CN108470237A (zh) * 2018-02-12 2018-08-31 浙江工业大学 一种基于协同进化的多偏好高维目标优化方法
CN108769184A (zh) * 2018-05-25 2018-11-06 浙江知水信息技术有限公司 一种自动判定巡查人员人生安全的预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于 NSGA-III 的复杂成因变压器直流偏磁控制优化算法;吴伟丽;《电测与仪表》;20180610;第55卷(第11期);89-93 *
基于灵敏度分析的直流输电接地极优化选址方法研究;陈庆涛等;《电力系统保护与控制》;20181101;第46卷(第21期);125-130 *
考虑订单紧急度的供料路径优化;张峰等;《山东理工大学学报（自然科学版）》;20150116;第29卷(第1期);68-74 *

Also Published As

Publication number Publication date
CN109631905A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109631905B (zh) 一种基于动态参考点的nsgaⅲ的路径规划方法
Garg A hybrid GA-GSA algorithm for optimizing the performance of an industrial system by utilizing uncertain data
Ashrafzadeh et al. Application of fuzzy TOPSIS method for the selection of Warehouse Location: A Case Study
CN107862864A (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN109902954B (zh) 一种基于工业大数据的柔性作业车间动态调度方法
Cus et al. Hybrid ANFIS-ants system based optimisation of turning parameters
CN105929690B (zh) 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
CN108564136A (zh) 一种基于模糊推理的空域运行态势评估分类方法
CN104933474B (zh) 危险化学品运输的模糊双层优化方法
Ak et al. Data analytics and uncertainty quantification for energy prediction in manufacturing
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
Zhang et al. Embedding multi-attribute decision making into evolutionary optimization to solve the many-objective combinatorial optimization problems
Hohmann et al. Multi-objective 3D path planning for UAVS in large-scale urban scenarios
Liu et al. A Multiobjective optimization model for continuous allocation of emergency rescue materials
Nabovati et al. Multi-objective invasive weeds optimisation algorithm for solving simultaneous scheduling of machines and multi-mode automated guided vehicles
Teymourifar et al. A comparison between NSGA-II and NSGA-III to solve multi-objective sectorization problems based on statistical parameter tuning
CN112711912A (zh) 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质
CN106384307A (zh) 一种县域配电网规划差异化评估方法
Ruta et al. Diversified gradient boosting ensembles for prediction of the cost of forwarding contracts
CN116090696A (zh) 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法
Hallman A comparative study on Linear Regression and Neural Networks for estimating order quantities of powder blends
Liu An analysis of particle swarm optimization of multi-objective knapsack problem
Li et al. Scheduling strategy of semiconductor production lines with remaining cycle time prediction
CN106529725A (zh) 一种基于萤火虫算法和som网络的瓦斯突出预测方法
Rabbani et al. A new mathematical model in cell formation problem with consideration of inventory and backorder: Genetic and particle swarm optimization algorithms

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