CN109726859A - 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 - Google Patents
基于改进蚁群算法的森林火灾监测数据收集路径优化方法 Download PDFInfo
- Publication number
- CN109726859A CN109726859A CN201811570361.4A CN201811570361A CN109726859A CN 109726859 A CN109726859 A CN 109726859A CN 201811570361 A CN201811570361 A CN 201811570361A CN 109726859 A CN109726859 A CN 109726859A
- Authority
- CN
- China
- Prior art keywords
- forest fire
- fire monitoring
- things
- internet
- data collection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 143
- 238000013480 data collection Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000003016 pheromone Substances 0.000 claims abstract description 22
- 230000007704 transition Effects 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 27
- 230000006872 improvement Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims 1
- 206010033799 Paralysis Diseases 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于改进蚁群算法的森林火灾监测数据收集路径优化方法,首先构造森林火灾监测物联网无人机采集数据收集路径距离的目标函数;设置访问规则,即转移规则,并据此计算要访问的下一个森林火灾监测物联网节点;设置森林火灾监测物联网无人机采集数据收集路径转移规则中信息素更新规则,并据此计算信息素修正值,然后计算森林火灾监测物联网无人机数据收集路径距离的目标函数值;判断是否满足系统要求;最后根据满足符合终止条件的森林火灾监测无人机数据收集节点路径解,输出代价最小的访问路径,即森林火灾监测物联网无人机采集数据收集路径。本发明解决了现有技术中存在的森林火灾监测物联网系统瘫痪状态下无法传输数据的问题。
Description
技术领域
本发明属于物联网森林火灾监测系统技术领域,具体涉及一种基于改进蚁群算法的森林火灾监测数据收集路径优化方法。
背景技术
在基于物联网的森林火灾监测系统的实际应用中,往往由于森林火灾监测节点部署方式不完善,或环境变化引起自组网网络中断,导致网络形成信息“孤岛”。特别对于火灾已经发生,森林火灾监测系统的部分路由节点被破坏,森林火灾监测物联网瘫痪,无法传输数据的问题。
森林火灾监测物联网节点的数据收集根据收集方式的不同,可以将其区分为静态数据收集和移动数据收集。静态数据收集是指森林火灾监测物联网的无线传输链路建立后,森林火灾监测物联网中的节点通过自组网将采集到的数据发送至数据接收节点。移动数据收集是指森林火灾监测系统通过可移动的物联网数据接收节点,在接近数据采集节点后,再通过无线方式收集数据的方式。系统中该移动数据接收节点可以是小型无人机或者履带式智能小车。森林火灾监测物联网移动数据收集的过程可以简述为,在一系列目标地点中,移动数据收集器需要寻找一条代价最小的路径访问每一个目标地点一次且仅一次然后返回到起始点。其中,如何以最小的代价完成对目标地点的遍历寻访是解决该问题的目标所在。
发明内容
本发明的目的是提供一种基于改进蚁群算法的森林火灾监测数据收集路径优化方法,解决了现有技术中存在的森林火灾监测物联网系统瘫痪状态下无法传输数据的问题。
本发明所采用的技术方案是,基于改进蚁群算法的森林火灾监测数据收集路径优化方法,具体按照以下步骤实施:
步骤1、构造森林火灾监测物联网无人机采集数据收集路径距离的目标函数;
步骤2、设置森林火灾监测物联网无人机采集数据收集下一目标点的访问规则,即转移规则,并据此计算要访问的下一个森林火灾监测物联网节点;
步骤3、设置森林火灾监测物联网无人机采集数据收集路径转移规则中信息素更新规则,并据此计算信息素修正值,以便下一次计算时使用;
步骤4、计算森林火灾监测物联网无人机数据收集路径距离的目标函数值;
步骤5、判断是否满足系统要求;
步骤6、根据满足符合终止条件的森林火灾监测无人机数据收集节点路径解,输出代价最小的访问路径,即森林火灾监测物联网无人机采集数据收集路径。
本发明的特点还在于,
步骤1具体按照以下步骤实施:
步骤1.1、定义变量:
即若森林火灾监测物联网节点被访问,则xij值为1,否则xij值为0;
步骤1.2、该森林火灾监测物联网无人机数据收集路径距离的目标函数表示为:
确保需要被访问的每一个森林火灾监测物联网节点被访问到,约束条件描述如下:
为描述变量为0-1的完整性约束,则xij∈{0,1},i,j=1,2,3,…,n;
式中,i为当前被访问的森林火灾监测物联网节点,j为下一个被访问的森林火灾监测物联网节点,dij表示从当前被访问的森林火灾监测物联网节点到下一个被访问的森林火灾监测物联网节点的距离。
步骤2具体按照以下步骤实施:
步骤2.1、要访问下一个森林火灾监测物联网节点的概率为pij(t):
步骤2.2、在森林火灾监测物联网无人机采集数据路线上,从第i个森林火灾监测物联网节点出发,从未经过的个森林火灾监测物联网节点中选择下一个访问的森林火灾监测物联网节点s(xj):
其中,pij(t)表示森林火灾监测物联网节点的转移概率,τij(t)是两个森林火灾监测物联网节点i和j之间的信息素浓度,ηij(t)是两个森林火灾监测物联网节点i和j之间的路径长度,是未经过的所有森林火灾监测物联网节点的集合,参数α和β是控制参数,q是[0,1]区间的均匀概率。
步骤3具体如下:
信息素修正公式为:
式中,ρ是森林火灾监测物联网节点数据收集路径信息素的挥发率,0<ρ<1,Δτk(t)表示在时间t和t+Δt间第k次增加到边缘(i,j)的信息素总量,Δτk(t)表示为:
Q是常量参数,Lk是无人机在Δ时间内经过的序列πk的距离,同时,将此信息素修正值作为当前值保存,以便下一次计算时使用。
步骤4具体按照以下步骤实施:
根据步骤3得到下一个访问的森林火灾监测物联网节点后,计算森林火灾监测物联网无人机数据收集路径距离的目标函数:
其中,dij表示从当前被访问的森林火灾监测物联网节点到下一个被访问的森林火灾监测物联网节点的距离,若森林火灾监测物联网节点被访问,则xij值为1,否则xij值为0。
步骤5具体如下:
步骤5.1、假设自适应判据为虚拟监工距离作为标准,对无人机经过的距离进行判断:
式中,min(Lavg(1:t))是第一次迭代到第t次迭代的最短平均距离,Lbest(t)是第t次迭代的全局最小距离,w是常数,从上式可看出,Lj(t+1)是个单调递减函数,即在此函数作为监工距离的算法中,工程的监督标准或要求是逐步变高的,从而保证采用此函数作为判断依据的森林火灾监测物联网节点数据收集算法的收敛性;
步骤5.2、若步骤4计算得到的森林火灾监测数据收集路径优化算法的目标函数z大于Lj(t+1),则需要重新选择经过的路径,返回步骤2.1;直至选择经过的路径小于Lj(t+1)这一标准,设置重新选择经过的路径次数上限值为b,通过对小于Lj(t+1)这一监督标准的路径信息进行更新,使迭代解的质量不断提升,从而获得问题中的最优解。
步骤6具体如下:
根据步骤5的结果,输出森林火灾监测物联网无人机采集数据收集路径,即步骤2中每次选择的下一个访问的森林火灾监测物联网节点S=(s(x1),s(x2),…,s(xj),…,s(xn)),j=1,2,3,…,n。
本发明的有益效果是,采用改进的蚁群优化算法优化无人机路径的方法,遍历所有森林火灾监测信息“孤岛”节点,通过无线通信技术,实现数据的收集。
附图说明
图1是本发明中蚁群算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
无人机作为森林火灾监测数据接收节点,对森林火灾监测物联网系统中的采集节点,进行数据收集的过程可描述为:在所有需要被采集的森林火灾监测物联网信息“孤岛”节点中,无人机数据接收节点需要寻找一条距离最短的飞行路径,访问每一个森林火灾监测物联网信息“孤岛”节点一次,且仅一次,然后回到出发点。在此过程中,如何寻找一条距离最短的飞行路径,是解决森林火灾监测物联网无人机数据收集的关键问题。
本发明基于改进蚁群算法的森林火灾监测数据收集路径优化方法,如图1所示,具体按照以下步骤实施:
步骤1、构造森林火灾监测物联网无人机采集数据收集路径距离的目标函数,具体按照以下步骤实施:
步骤1.1、定义变量:
即若森林火灾监测物联网节点被访问,则xij值为1,否则xij值为0;
步骤1.2、该森林火灾监测物联网无人机数据收集路径距离的目标函数表示为:
确保需要被访问的每一个森林火灾监测物联网节点被访问到,约束条件描述如下:
为描述变量为0-1的完整性约束,则xij∈{0,1},i,j=1,2,3,…,n;
式中,i为当前被访问的森林火灾监测物联网节点,j为下一个被访问的森林火灾监测物联网节点,dij表示从当前被访问的森林火灾监测物联网节点到下一个被访问的森林火灾监测物联网节点的距离;
步骤2、设置森林火灾监测物联网无人机采集数据收集下一目标点的访问规则,即转移规则,并据此计算要访问的下一个森林火灾监测物联网节点,具体按照以下步骤实施:
步骤2.1、要访问下一个森林火灾监测物联网节点的概率为pij(t):
步骤2.2、在森林火灾监测物联网无人机采集数据路线上,从第i个森林火灾监测物联网节点出发,从未经过的个森林火灾监测物联网节点中选择下一个访问的森林火灾监测物联网节点s(xj):
其中,pij(t)表示森林火灾监测物联网节点的转移概率,τij(t)是两个森林火灾监测物联网节点i和j之间的信息素浓度,ηij(t)是两个森林火灾监测物联网节点i和j之间的路径长度,是未经过的所有森林火灾监测物联网节点的集合,参数α和β是控制参数,q是[0,1]区间的均匀概率;
步骤3、设置森林火灾监测物联网无人机采集数据收集路径转移规则中信息素更新规则,并据此计算信息素修正值,以便下一次计算时使用,具体如下:
信息素修正公式为:
式中,ρ是森林火灾监测物联网节点数据收集路径信息素的挥发率,0<ρ<1,Δτk(t)表示在时间t和t+Δt间第k次增加到边缘(i,j)的信息素总量,Δτk(t)表示为:
Q是常量参数,Lk是无人机在Δ时间内经过的序列πk的距离,同时,将此信息素修正值作为当前值保存,以便下一次计算时使用;
步骤4、计算森林火灾监测物联网无人机数据收集路径距离的目标函数值,具体按照以下步骤实施:
根据步骤3得到下一个访问的森林火灾监测物联网节点后,计算森林火灾监测物联网无人机数据收集路径距离的目标函数:
其中,dij表示从当前被访问的森林火灾监测物联网节点到下一个被访问的森林火灾监测物联网节点的距离,若森林火灾监测物联网节点被访问,则xij值为1,否则xij值为0;
步骤5、判断是否满足系统要求,具体如下:
步骤5.1、假设自适应判据为虚拟监工距离作为标准,对无人机经过的距离进行判断:
式中,min(Lavg(1:t))是第一次迭代到第t次迭代的最短平均距离,Lbest(t)是第t次迭代的全局最小距离,w是常数,从上式可看出,Lj(t+1)是个单调递减函数,即在此函数作为监工距离的算法中,工程的监督标准或要求是逐步变高的,从而保证采用此函数作为判断依据的森林火灾监测物联网节点数据收集算法的收敛性;
步骤5.2、若步骤4计算得到的森林火灾监测数据收集路径优化算法的目标函数z大于Lj(t+1),则需要重新选择经过的路径,返回步骤2.1;直至选择经过的路径小于Lj(t+1)这一标准,设置重新选择经过的路径次数上限值为b,通过对小于Lj(t+1)这一监督标准的路径信息进行更新,使迭代解的质量不断提升,从而获得问题中的最优解;
步骤6、根据满足符合终止条件的森林火灾监测无人机数据收集节点路径解,输出代价最小的访问路径,即森林火灾监测物联网无人机采集数据收集路径,具体如下:
根据步骤5的结果,输出森林火灾监测物联网无人机采集数据收集路径,即步骤2中每次选择的下一个访问的森林火灾监测物联网节点S=(s(x1),s(x2),…,s(xj),…,s(xn)),j=1,2,3,…,n。
为了分析和验证改进蚁群优化算法在森林火灾监测无人机数据收集路径规划中的求解能力,本发明从TSPLIB标准库中选择12个TSP数据集,进行模拟数值仿真和结果分析。这些TSP数据集中城市的规模从48到14051。选择基本蚁群优化算法和改进的量子蚁群优化算法与本发明提出的基于改进蚁群算法的森林火灾监测数据收集路径优化方法来进行优化性能的比较。每两个城市的距离采用欧氏距离计算。求解该算法的参数值是一个非常复杂的问题,因为参数值的变化可能会严重影响算法的解的最优值。因此,最合理的初始参数的值通过测试和修正得到。所得到的初始参数的值是:蚂蚁数m=50,信息素量Q=80,信息素因子α=1.0,启发式因子β=2.0,初始浓度τij(0)=1.5,挥发因子ρ=0.15,最大迭代次数Tmax=500,nbest=8,b=5,m=n/2~n,初始浓度τij(0)=1/(Lg*m),Lg是估计的最短距离。仿真环境:奔腾CPU2.4GHz,4.0GB RAM,Windows XP系统和Matlab2012。每个TSP数据,基本蚁群优化算法,改进的量子蚁群优化算法和IWSMACO算法各独立运行20次。在本发明中,选择最优值和平均值来描述这些算法的优化性能。数值仿真结果如表1所示。
表1三种算法优化性能比较
从表1可以看出,对于所有的12个TSP实例,从最优值和平均值来看,所提出的基于改进蚁群算法的森林火灾监测数据收集路径优化方法能获得比基本蚁群优化算法和改进的量子蚁群算法更好的解。att48,st70,eil76和ch130通过采用基于改进蚁群算法的森林火灾监测数据收集路径优化方法找到的最优解已非常接近实际值。该基于改进蚁群算法的森林火灾监测数据收集路径优化方法为eil51实例可以找到最好的已知值426。对于较大规模的实例,数值实验结果表明,本发明提出的基于改进蚁群算法的森林火灾监测数据收集路径优化方法可以得到更好的优化值,即基于改进蚁群算法的森林火灾监测数据收集路径优化方法在森林火灾监测无人机数据收集路径优化中,可以解决复杂的路径优化问题,改善搜索结果和进化速度,避免陷入停滞和局部最优。该基于改进蚁群算法的森林火灾监测数据收集路径优化方法相比基本蚁群优化算法和改进的量子蚁群优化算法,在森林火灾监测无人机数据收集路径优化中,具有更好的优化性能。
在上述路径优化的基础上,通过无人机作为数据收集节点,用其遍历森林火灾监测信息“孤岛”节点,还可对火灾发生后,监测区域范围内信息“孤岛”节点是否仍具有数据采集和发送功能进行检测,对区域内已不具有数据采集和发送功能的失效“孤岛”节点进行统计,以便查看森林火灾监测物联网的节点运行状态,为后续森林火灾监测物联网节点的优化部署提供可靠依据。同时,在已知平均节点覆盖面积的情况下,利用统计到的失效节点数目,还可粗略估计出森林火灾的过火面积,为灾后损失估计提供参考。
本发明以上述路径优化算法为基础,在MATLAB仿真中关闭部分监测信息“孤岛”节点的数据收发功能,对五个模拟森林监测区域内的失效节点进行统计和森林过火面积估计,结果如表2所示。
表2失效节点统计和森林过火面积估计
由表2可见,火灾发生后,区域C损失的节点最多,区域A过火面积最大。在后续节点的覆盖优化中,需对区域C中补充至少11个节点;同时,根据表中各区域过火面积,再结合植被分布情况,可进一步估计出火灾造成的森林经济损失。
本发明针对大范围森林火灾监测物联网系统中,森林火灾监测物联网节点由于火灾烧毁,树木倾倒压损,造成部署方式被破坏,自组网网络中断,采集节点形成信息“孤岛”或者网络瘫痪无法采集的问题,提出了一种通过无人机作为数据接收节点,采用基于改进蚁群算法的森林火灾监测数据收集路径优化方法,遍历所有森林火灾监测信息“孤岛”节点,实现数据的收集。同时,在该路径优化算法的基础上,可对火灾发生后,森林监测区域内失效节点进行检测统计和森林过火面积估计,为后续节点优化部署和灾后损失估计提供参考。
Claims (7)
1.基于改进蚁群算法的森林火灾监测数据收集路径优化方法,其特征在于,具体按照以下步骤实施:
步骤1、构造森林火灾监测物联网无人机采集数据收集路径距离的目标函数;
步骤2、设置森林火灾监测物联网无人机采集数据收集下一目标点的访问规则,即转移规则,并据此计算要访问的下一个森林火灾监测物联网节点;
步骤3、设置森林火灾监测物联网无人机采集数据收集路径转移规则中信息素更新规则,并据此计算信息素修正值,以便下一次计算时使用;
步骤4、计算森林火灾监测物联网无人机数据收集路径距离的目标函数值;
步骤5、判断是否满足系统要求;
步骤6、根据满足符合终止条件的森林火灾监测无人机数据收集节点路径解,输出代价最小的访问路径,即森林火灾监测物联网无人机采集数据收集路径。
2.根据权利要求1所述的基于改进蚁群算法的森林火灾监测数据收集路径优化方法,其特征在于,所述步骤1具体按照以下步骤实施:
步骤1.1、定义变量:
即若森林火灾监测物联网节点被访问,则xij值为1,否则xij值为0;
步骤1.2、该森林火灾监测物联网无人机数据收集路径距离的目标函数表示为:
确保需要被访问的每一个森林火灾监测物联网节点被访问到,约束条件描述如下:
为描述变量为0-1的完整性约束,则xij∈{0,1},i,j=1,2,3,…,n;
式中,i为当前被访问的森林火灾监测物联网节点,j为下一个被访问的森林火灾监测物联网节点,dij表示从当前被访问的森林火灾监测物联网节点到下一个被访问的森林火灾监测物联网节点的距离。
3.根据权利要求2所述的基于改进蚁群算法的森林火灾监测数据收集路径优化方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、要访问下一个森林火灾监测物联网节点的概率为pij(t):
步骤2.2、在森林火灾监测物联网无人机采集数据路线上,从第i个森林火灾监测物联网节点出发,从未经过的个森林火灾监测物联网节点中选择下一个访问的森林火灾监测物联网节点s(xj):
其中,pij(t)表示森林火灾监测物联网节点的转移概率,τij(t)是两个森林火灾监测物联网节点i和j之间的信息素浓度,ηij(t)是两个森林火灾监测物联网节点i和j之间的路径长度,是未经过的所有森林火灾监测物联网节点的集合,参数α和β是控制参数,q是[0,1]区间的均匀概率。
4.根据权利要求3所述的基于改进蚁群算法的森林火灾监测数据收集路径优化方法,其特征在于,所述步骤3具体如下:
信息素修正公式为:
式中,ρ是森林火灾监测物联网节点数据收集路径信息素的挥发率,0<ρ<1,Δτk(t)表示在时间t和t+Δt间第k次增加到边缘(i,j)的信息素总量,Δτk(t)表示为:
Q是常量参数,Lk是无人机在Δ时间内经过的序列πk的距离,同时,将此信息素修正值作为当前值保存,以便下一次计算时使用。
5.根据权利要求4所述的基于改进蚁群算法的森林火灾监测数据收集路径优化方法,其特征在于,所述步骤4具体按照以下步骤实施:
根据步骤3得到下一个访问的森林火灾监测物联网节点后,计算森林火灾监测物联网无人机数据收集路径距离的目标函数:
其中,dij表示从当前被访问的森林火灾监测物联网节点到下一个被访问的森林火灾监测物联网节点的距离,若森林火灾监测物联网节点被访问,则xij值为1,否则xij值为0。
6.根据权利要求5所述的基于改进蚁群算法的森林火灾监测数据收集路径优化方法,其特征在于,所述步骤5具体如下:
步骤5.1、假设自适应判据为虚拟监工距离作为标准,对无人机经过的距离进行判断:
式中,min(Lavg(1:t))是第一次迭代到第t次迭代的最短平均距离,Lbest(t)是第t次迭代的全局最小距离,w是常数,从上式可看出,Lj(t+1)是个单调递减函数,即在此函数作为监工距离的算法中,工程的监督标准或要求是逐步变高的,从而保证采用此函数作为判断依据的森林火灾监测物联网节点数据收集算法的收敛性;
步骤5.2、若步骤4计算得到的森林火灾监测数据收集路径优化算法的目标函数z大于Lj(t+1),则需要重新选择经过的路径,返回步骤2.1,直至选择经过的路径小于Lj(t+1)这一标准,设置重新选择经过的路径次数上限值为b,通过对小于Lj(t+1)这一监督标准的路径信息进行更新,使迭代解的质量不断提升,从而获得问题中的最优解。
7.根据权利要求5所述的基于改进蚁群算法的森林火灾监测数据收集路径优化方法,其特征在于,所述步骤6具体如下:
根据步骤5的结果,输出森林火灾监测物联网无人机采集数据收集路径,即步骤2中每次选择的下一个访问的森林火灾监测物联网节点S=(s(x1),s(x2),…,s(xj),…,s(xn)),j=1,2,3,…,n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570361.4A CN109726859A (zh) | 2018-12-21 | 2018-12-21 | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570361.4A CN109726859A (zh) | 2018-12-21 | 2018-12-21 | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726859A true CN109726859A (zh) | 2019-05-07 |
Family
ID=66297123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811570361.4A Pending CN109726859A (zh) | 2018-12-21 | 2018-12-21 | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726859A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243371A (zh) * | 2019-06-11 | 2019-09-17 | 五邑大学 | 一种采用蚁群算法的螺丝锁付路径规划方法 |
CN111669328A (zh) * | 2020-07-02 | 2020-09-15 | 安徽省地震局 | 基于量子最大最小蚁群算法的QoS路由选择方法 |
CN114489081A (zh) * | 2022-02-07 | 2022-05-13 | 国网上海市电力公司 | 多火源灭火最优路径规划方法 |
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法 |
CN116132354A (zh) * | 2023-02-23 | 2023-05-16 | 中国科学院软件研究所 | 一种无人机集群网络化传输路径优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
CN106776796A (zh) * | 2016-11-23 | 2017-05-31 | 中南大学 | 基于云计算和大数据无人机任务规划系统和方法 |
CN107438030A (zh) * | 2016-05-27 | 2017-12-05 | 邻元科技(北京)有限公司 | 一种路径优化的方法、系统及装置 |
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108647770A (zh) * | 2018-04-19 | 2018-10-12 | 东华大学 | 一种基于粒子群算法的多无人机救灾搜索路径的优化方法 |
-
2018
- 2018-12-21 CN CN201811570361.4A patent/CN109726859A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
CN107438030A (zh) * | 2016-05-27 | 2017-12-05 | 邻元科技(北京)有限公司 | 一种路径优化的方法、系统及装置 |
CN106776796A (zh) * | 2016-11-23 | 2017-05-31 | 中南大学 | 基于云计算和大数据无人机任务规划系统和方法 |
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108647770A (zh) * | 2018-04-19 | 2018-10-12 | 东华大学 | 一种基于粒子群算法的多无人机救灾搜索路径的优化方法 |
Non-Patent Citations (1)
Title |
---|
WENLI LEI等: "Research on an Improved Ant Colony Optimization Algorithm for Solving Traveling Salesmen Problem", 《INTERNATIONAL JOURNAL OF DATABASE THEORY AND APPLICATION》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243371A (zh) * | 2019-06-11 | 2019-09-17 | 五邑大学 | 一种采用蚁群算法的螺丝锁付路径规划方法 |
CN111669328A (zh) * | 2020-07-02 | 2020-09-15 | 安徽省地震局 | 基于量子最大最小蚁群算法的QoS路由选择方法 |
CN114489081A (zh) * | 2022-02-07 | 2022-05-13 | 国网上海市电力公司 | 多火源灭火最优路径规划方法 |
CN114489081B (zh) * | 2022-02-07 | 2024-02-02 | 国网上海市电力公司 | 多火源灭火最优路径规划方法 |
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法 |
CN116132354A (zh) * | 2023-02-23 | 2023-05-16 | 中国科学院软件研究所 | 一种无人机集群网络化传输路径优化方法及系统 |
CN116132354B (zh) * | 2023-02-23 | 2024-03-22 | 中国科学院软件研究所 | 一种无人机集群网络化传输路径优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726859A (zh) | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 | |
EP3593558B1 (en) | Three-dimensional network coverage modeling for uavs | |
Milner et al. | Nature-inspired self-organization, control, and optimization in heterogeneous wireless networks | |
CN108054734B (zh) | 一种基于故障特征匹配的配网保护方法及系统 | |
CN113543068B (zh) | 一种基于层次化分簇的林区无人机网络部署方法与系统 | |
US20210348928A1 (en) | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network | |
CN105282758A (zh) | WiFi室内定位系统指纹数据库自适应动态构建方法 | |
CN101299861A (zh) | 一种基于最短回路的基站系统巡检路径自动化确定方法 | |
CN103281245A (zh) | 确定业务路由路径的方法及装置 | |
CN103326904A (zh) | 一种基于多参数认知的快速网络拓扑推断方法 | |
CN108650649B (zh) | 适用于无线传感器网络的异常数据检测方法 | |
Fernandes et al. | Scalable vanet simulations with ns-3 | |
CN103747537A (zh) | 一种基于熵度量的无线传感器网络离群数据自适应检测方法 | |
CN106131770A (zh) | 一种针对温室环境的无线传感器网络的数据融合方法 | |
CN104935476A (zh) | 一种基于sdn的网络流量矩阵测量方法 | |
CN116342063A (zh) | 应用于智慧农业的数据处理方法 | |
CN113411213A (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
CN113411766A (zh) | 智慧物联网综合感知系统及方法 | |
CN102497669A (zh) | 一种无线传感器网络节点定位的方法 | |
CN103595652B (zh) | 一种电力通信网络中QoS能效的分级方法 | |
Bilen et al. | Digital twin evolution for hard-to-follow aeronautical ad-hoc networks in beyond 5g | |
CN111928853B (zh) | 复杂环境下空基平台快速航路规划方法 | |
CN108834173A (zh) | 一种无线多跳网络的集中式优化分配方法 | |
CN108650141B (zh) | 一种基于车联网连通基的大规模网络通达性模型设计方法 | |
Irianto | Performance evaluation of LoRa in farm irrigation system with internet of things |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |