CN111291520A - 一种优化空间效率的海洋锚定浮标站位智能选址方法 - Google Patents
一种优化空间效率的海洋锚定浮标站位智能选址方法 Download PDFInfo
- Publication number
- CN111291520A CN111291520A CN202010123021.8A CN202010123021A CN111291520A CN 111291520 A CN111291520 A CN 111291520A CN 202010123021 A CN202010123021 A CN 202010123021A CN 111291520 A CN111291520 A CN 111291520A
- Authority
- CN
- China
- Prior art keywords
- buoy
- space
- particle
- calculation
- spatial
- 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
Images
Classifications
-
- 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
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了有一种优化空间效率的海洋锚定浮标站位智能选址方法,包括S1.建立浮标站位选址模型,S2.空间数据预处理,S3.构建空间计算中间件,执行空间计算,S4.迭代器采用粒子群算法建立了启发式计算模式,对每个粒子运行一次空间计算中间件,选出空间效率指数最大的粒子作为全局最优解,S5.判断是否达到最大迭代次数,当达到最大迭代次数时,结束计算,输出全局最优解;未达到最大迭代次数时,则重复执行S3至S5。其优点在于有效地实现多个海洋锚定浮标站位的综合选址、科学地计算浮标的布放位置以实现海洋浮标监测空间效率的最大化,便于国家海洋浮标监测网络的扩充;具有智能性,能够无限逼近锚定浮标站位选址的最优解。
Description
技术领域
本发明属于海洋环境监测领域,具体涉及一种优化空间效率的海洋锚定浮标站位智能选址方法。
背景技术
海洋监测是认识、开发和利用海洋的重要基础和前提。海洋锚定浮标作为重要的海洋监测设备,已成为世界各国监测和预报海洋状态和海洋-大气相互作用的海洋观测系统的重要组成部分。通过搭载相应的传感器,锚定浮标不仅可以观测温度、气压、风速、风向、相对湿度、波浪和海流等水文气象要素,还可以观测浊度、溶解氧、叶绿素浓度、PH值和硝酸盐等生物化学要素。锚定浮标所提供的这种长期、持续和稳定的观测能力,以及准确预报天气的潜力,不仅对沿海地区的人类生命安全,而且对与海洋经济和环境有关的广泛应用都具有至关重要的意义。部署更多的浮标来收集更多的实际观测数据,可以减少数值模型和数据同化技术产生的误差,提高海洋环境预测的准确性和精确度。同时,更充足的数据可以更准确地描述海洋现象(如水团、洋流、海洋锋等)的边界、传播特征和动态变化机制。因此,如何从总体上把控和规划浮标的布放数量和布放位置实现浮标监测空间效率的最大化显得尤为重要。但是,目前我国的浮标布放现状是不同机构独立地布放浮标、机构之间没有协作,例如:在中国渤海和黄海北部海域,气象、海洋部门及科研机构分别布放了不同数据量的浮标,并未从总体上考虑浮标站位的空间效率问题,即一定数量的浮标如何分布能够达到最大空间覆盖。综上所述,目前缺少有效的技术方案对海洋锚定浮标站位进行空间建模,科学规划浮标站位的空间布局。因此,采用何种有效的方法实现多个海洋锚定浮标站位的综合选址、科学地计算浮标的布放位置以实现海洋浮标监测空间效率的最大化成为迫切需求,而且这种需求随着国家海洋浮标监测网络的扩充会更加突出。
发明内容
为克服上述问题,本发明提供一种有效地实现多个海洋锚定浮标站位的综合选址、科学地计算浮标的布放位置以实现海洋浮标监测空间效率的最大化的海洋锚定浮标站位智能选址方法,该方法的智能性体现在采用启发式算法建立智能计算中枢能够无限逼近锚定浮标站位选址的最优解。其技术方案为,
一种优化空间效率的海洋锚定浮标站位智能选址方法,实施步骤包括:
S1.建立浮标站位选址模型,即以浮标监测空间效率最大化为目标建立浮标站位选址模型,生成空间效率指数计算公式为∑i∈Iwiqi和目标函数Maximize(∑i∈Iwiqi);
S2.空间数据预处理,即采用空间数据预处理模块对浮标站位选址计算所需要的空间数据进行格式处理和结构调整;所述空间数据包括已存在的浮标站位信息、空间约束数据、需求点集合;
S3.构建空间计算中间件,执行空间计算,即将已存在的空间数据以及一组浮标站位坐标序列依次输入空间计算中间件,运算空间效率指数;其中一组浮标站位坐标序列表示一个粒子的位置;
S4.迭代器采用粒子群算法建立了启发式计算模式,横向比较所有粒子的解,选出空间效率指数最大的粒子作为全局最优解;对于每个粒子纵向比较其历史空间效率指数,将空间效率指数最大的值设置为给粒子的个体最优解;将所有新的粒子位置输入空间计算中间件,开始下一次迭代计算;
S5.判断是否达到最大迭代次数;当达到最大迭代次数时,结束计算,输出全局最优解,即为最大的空间效率指数和产生该指数的粒子位置;未达到最大迭代次数时,则重复执行S3至S5。
进一步的,所述S2中数据处理步骤为:
S21.将离散的已存在的浮标站位信息结构化为带属性的点数据集合;
S22.将空间约束数据处理成经纬度坐标序列;
S23.对目标海域进行网格化处理,提取需求点,建立需求点集合,并建立与需求点集合相对应的权重值集合,将权重值与需求点一一绑定,建立带权重的需求点集合。
进一步的,所述S3中空间计算中间件包括合并、缓冲区分析、裁剪分析和属性统计的空间计算操作,可被重复执行,每次执行得到一组浮标布放位置坐标序列和一个空间效率指数,实现对空间效率指数公式的单次解算。
进一步的,所述S3中空间计算中间件处理步骤为:
S31.将粒子位置即一组浮标站位坐标序列与已有的浮标站位点合并形成浮标站位点集合;
S32.对浮标站位点集合进行缓冲区分析,根据经验设置缓冲区半径,得到的缓冲区面状数据,即为浮标站位的有效监测区域;
S33.用有效监测区域去裁剪带权重的需求点集合得到所有落入有效监测区域内的需求点;之后,对有效监测区域内所有需求点的权重值求和,得到的数值即为粒子的空间效率指数;
S34.向迭代器输出该粒子的空间效率指数,迭代器保存每个粒子的位置和空间效率指数。
进一步的,所述S4中迭代器的执行步骤为:
S41.对粒子群,包含k个独立的粒子进行初始化赋值,得到k个粒子的位置和飞行速度;
S42.采用并行计算的方式将所有粒子输入空间计算中间件,得到所有粒子的新位置及其对应的空间效率指数;
S43.更新个体最优解和全局最优解,所有粒子进行比较将空间效率指数最大的值及其对应的粒子位置设为全局最优解;每个粒子的历史空间效率指数进行比较,将最大的值及其对应的粒子位置设为该粒子的个体最优解;根据本专利所构建的粒子速度更新公式和位置更新公式,更新每个粒子的位置和速度,开始下一次迭代计算。
进一步的,所述S22中空间约束数据限定了浮标布放选址的空间范围,采用图形、数据、文字描述中的任意一种表达形式。
进一步的,所述S23中的权重值的计算以水深梯度、海流季节变化、海浪高度季节变化、表层水温季节变化、盐度季节变化为依据,选择其中一种或几种,变化较大的区域拥有较大的权重值,对权重值进行归一化处理,使其取值范围在0到1之间。
进一步的,所述S23中所述权重值作为每个需求点的属性,形成带属性数据的几何点集合。
有益效果
有效地实现多个海洋锚定浮标站位的综合选址、科学地计算浮标的布放位置以实现海洋浮标监测空间效率的最大化,既适用于湾区、近海区域的站位选址计算,也适用于深远海区的站位选址计算;具有智能性,所构建的空间计算中间件和迭代器能够自动解算浮标布放位置、无需人工介入,并且调节粒子群规模和最大迭代次数可以无限逼近浮标站位选址的最优解;该方法能够为国家海洋浮标监测网络的扩充提供有利技术支撑。
附图说明
图1为总体工作流程图;
图2为空间计算中间件实施流程图;
图3为迭代器中基于粒子群算法的启发式计算模式流程图;
图4为采用本实施例中所述方法计算出的5个浮标站位的布放位置图;
图5为采用本实施例中所述方法计算出的20个浮标站位的布放位置图;
图6为采用本实施例中所述方法计算出的30个浮标站位的布放位置图;
具体实施方式
下面结合附图1-6和具体实施例对技术作进一步说明,以助于理解本发明的内容。
本专利的具体实施方案,包括建立浮标站位选址模型、空间数据预处理、建立智能计算中枢解算出浮标布放位置三个方面的内容,各部分内容详述如下:
1.建立浮标站位选址模型,包括步骤S1
浮标站位选址模型采用线性规划的方法建立,提供浮标站位选址目标函数,本专利提出的优化空间效率的浮标站位选址目标函数为Maximize(∑i∈Iwiqi),其中qi表示第i个需求点,i为需求点的索引号,i=(1,2,3,…n),需求点集合D由qi组,如果需求点i被浮标站位有效监测区域覆盖,qi的值为1;否则qi的值为0;wi为qi的权重,wi的取值在0和1之间。空间效率指数的计算公式为∑i∈Iwiqi。
2.空间数据预处理,包括步骤S2
空间数据预处理模块提供了数据处理功能,负责对浮标站位选址所需空间数据进行格式转换和结构调整,使其成为能被空间计算模块处理的点数据、属性数据和多边形数据。所需的空间数据包括已有的浮标站位信息、空间约束数据、需求点集合。
具体数据处理操作包括以下3部分内容:
1)对已存在的浮标站位信息进行规整化处理。以中国渤海和黄海北部海域为例,目前已布放21个海洋锚定浮标。将离散的、文字记载的海洋浮标站位信息输入到为Excel表格中,保存为Excel文件。Excel表格中的每条记录的格式为{序号,浮标编号,经度,纬度,浮标类型,负责单位名称}。然后,利用ArcGIS软件将Excel文件转换成带属性的几何点数据集合,保存在shape file格式或CVS(Comma-Separated Values)格式或GeoJSON格式或WKT(Well-known text)格式的文件中。
2)提取空间约束数据。空间约束数据限定了浮标布放选址的空间范围,可能是图纸、数据、文字描述或其他表现形式,本专利采用ArcGIS软件将空间范围信息提取成经纬度坐标序列表示的几何多边形,并去除水深小于5米的区域,因为浮标布放的水深要求是大于5米,最终得到的多边形区域即为空间约束数据。将空间约束数据保存为shape file格式或CVS(Comma-Separated Values)格式或GeoJSON格式或WKT(Well-known text)格式的文件。
3)提取需求点,给需求点设定权重值,建立带权重的需求点集合。采用ArcGIS的fishnet功能对空间约束数据限定的目标海域进行网格化,取网格的中心点作为需求点,在本例中将网格大小设置为0.05度*0.05度,对中国渤海和黄海北部海域进行提取,获得5752个需求点。计算每个需求点的权重值。权重值的计算以水深梯度、海流季节变化以及海浪高度年变化为依据,变化较大的区域拥有较大的权重值,对权重值进行归一化处理,使其取值范围在0到1之间。权重值的计算依据并不仅限于水深梯度、海流季节变化以及海浪高度季节变化三种因素,可根据应用需求,选取其中1种或几种作为依据,或者另选其他海洋环境要素,如表层水温季节变化、盐度季节变化等作为依据。将权重值与需求点一一绑定,权重值作为每个需求点的属性,形成带属性数据的几何点集合,保存在shape file格式或CVS(Comma-Separated Values)格式或GeoJSON格式或WKT(Well-known text)格式的文件中。
3.建立智能计算中枢解算出浮标布放位置,包括步骤S3-S4
建立智能计算中枢对浮标站位选址模型进行解算以获得到浮标布放的最佳位置是本专利的核心内容。本专利所构建的智能计算中枢由空间计算中间件和迭代器两部分组成。空间计算中间件为基本的计算单元,封装了合并、缓冲区分析、裁剪分析、属性统计的空间计算操作,可被重复执行,每次执行得到一组浮标布放位置坐标序列和空间效率指数,实现对空间效率指数公式的单次解算。该智能计算中枢采用粒子群优化算法建立了启发式计算模式,该启发式计算模式被封装在迭代器中,实现最优解的筛选和粒子位置与速度的更新。
S3.空间计算中间件,即将已存在的空间数据以及一组浮标站位坐标序列依次输入空间计算模块;其中一组浮标站位坐标序列表示一个粒子的位置;
空间计算中间件的实施方式如图2所示。在空间计算中间件中,首先,将粒子位置与已存在的浮标站位坐标合并得到浮标站位坐标集合,粒子位置由一个浮标站位坐标序列表示,即{(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)},其中n为需要计算的浮标站位的个数,x为经度,y为纬度。然后,判断浮标站位坐标是否满足空间约束条件,本例中所采用的空间约束条件为“相邻站位间的距离不小于25km”,如果不满足空间约束,则调整粒子的位置,直到满足空间约束条件为止。之后,对浮标站位点集合执行缓冲区分析操作,根据经验将缓冲区半径设为15km,得到的缓冲区面状数据,即为浮标站位的有效监测区域;再然后,用有效监测区域去裁剪带权重的需求点集合得到所有落入有效监测区域内的需求点;之后,对有效监测区域内所有需求点的权重值求和,得到的数值即为空间效率指数;最后,将该粒子的位置和空间效率指数输出到迭代器中。
S4迭代器采用粒子群算法建立了启发式计算模式,对每个粒子运行一次空间计算模块,其算法流程如图3所示。迭代器中的执行步骤为:
S41,对粒子群,包含k个独立的粒子进行初始化赋值,得到k个粒子的位置和飞行速度。
S42,采用并行计算的方式将所有粒子输入空间计算中间件,得到所有粒子的新位置及其对应的空间效率指数。
S43,更新个体最优解和全局最优解,所有粒子进行比较将空间效率指数最大的值及其对应的粒子位置设为全局最优解;每个粒子的历史空间效率指数进行比较,将最大的值及其对应的粒子位置设为该粒子的个体最优解,根据本专利所构建的速度更新公式和位置更新公式,更新每个粒子的位置和速度,将新的粒子位置输入空间计算中间件,开始下一次迭代计算。
在n(n>=1)个浮标站位选址实例中,粒子的位置和速度为2n维向量,在第t次迭代中第i个粒子的位置表示为(xi,1(t),yi,1(t),xi,2(t),yi,2(t),…,xn,1(t),yn,1(t)),同理,速度表示为
根据基本粒子群算法相关理论,本文所设计了公式(1)和公式(2)用于更新粒子在x分量上的位置和速度,公式(3)和公式(4)用于更新粒子在y分量上的位置和速度。
其中,ω为惯性因子,其值为非负数。c1和c2学习因子,取c1=c2=2,r1和r2为介于(0,1)之间的随机数。t为迭代次数。为第t次迭代中第i个粒子在第j个浮标站位的x坐标分量上的飞行速度。xi,j(t)为第t次迭代中第i个粒子为第j个浮标站位选出的位置的x坐标分量。为第i个粒子为第j个浮标站位找到的最好的布放位置的x分量,为个体最优解的x分量。为第j个浮标站位全局最优布放位置的x分量。为第t次迭代中第i个粒子在第j个浮标站位的y坐标分量上的飞行速度。yi,j(t)为第t次迭代中第i个粒子为第j个浮标站位选出的位置的y坐标分量。为第i个粒子为第j个浮标站位找到的最好的布放位置的y分量,为个体最优解的y分量。为第j个浮标站位全局最优解的y分量。
S5,判断是否达到最大迭代次数,当达到最大迭代次数时,结束计算,输出全局最优解,即最大的空间效率指数和产生该指数的粒子位置;未达到最大迭代次数时,重复执行步骤S3至第S5。
以下为采用本专利计算出的浮标站位的布放位置:
采用100个粒子迭代300次计算出的5个浮标站位的布放位置,如图4所示,其中黑色三角形表示已存在的站位,黑色菱形表示新站位,其空间效率指数为1547。本实施例中所用的数据,5752个需求点全覆盖时的空间效率指数为3631。21个已存在的空间站位的空间效率指数为1028,空间覆盖率为1028/3631=28.3%。新增5个站位后,浮标站位监测的空间覆盖率达到42.6%。
采用100个粒子迭代400次计算出的20个浮标站位的布放位置如图5所示,其中黑色三角形表示已存在的站位,黑色菱形表示新站位,其空间效率指数为2452,浮标站位监测的空间覆盖率达到67.5%。
采用100个粒子迭代600次计算出的30个浮标站位的布放位置如图6所示,其中黑色三角形表示已存在的站位,黑色菱形表示新站位,其空间效率指数为2900,浮标站位监测的空间覆盖率达到79.9%。
当然,上述说明并非对本发明的限制,本发明也不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也属于本发明的保护范围。
Claims (8)
1.一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,实施步骤包括:
S1.建立浮标站位选址模型,即以浮标监测空间效率最大化为目标建立浮标站位选址模型,生成空间效率指数计算公式为∑i∈Iwiqi和目标函数Maximize(∑i∈Iwiqi);
S2.空间数据预处理,即采用空间数据预处理模块对浮标站位选址计算所需要的空间数据进行格式处理和结构调整;所述空间数据包括已存在的浮标站位信息、空间约束数据、需求点集合;
S3.构建空间计算中间件,执行空间计算,即将已存在的空间数据以及一组浮标站位坐标序列依次输入空间计算中间件,运算空间效率指数;其中一组浮标站位坐标序列表示一个粒子的位置;
S4.迭代器采用粒子群算法建立了启发式计算模式,横向比较所有粒子的解选出空间效率指数最大的粒子作为全局最优解;对于每个粒子纵向比较其历史空间效率指数,将空间效率指数最大的值设置为给粒子的个体最优解;将所有新的粒子位置输入空间计算中间件,开始下一次迭代计算;
S5.判断是否达到最大迭代次数;当达到最大迭代次数时,结束计算,输出全局最优解,即为最大的空间效率指数和产生该指数的粒子位置;未达到最大迭代次数时,则重复执行S3至S5。
2.根据权利要求1所述的一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,所述S2中数据处理步骤为:
S21.将离散的已存在的浮标站位信息结构化为带属性的点数据集合;
S22.将空间约束数据处理成经纬度坐标序列;
S23.对目标海域进行网格化处理,提取需求点,建立需求点集合,并建立与需求点集合相对应的权重值集合,将权重值与需求点一一绑定,建立带权重的需求点集合。
3.根据权利要求1所述的一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,所述S3中空间计算中间件包括合并、缓冲区分析、裁剪分析和属性统计的空间计算操作,可被重复执行,每次执行得到一组浮标布放位置坐标序列和一个空间效率指数,实现对空间效率指数公式的单次解算。
4.根据权利要求1所述的一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,所述S3中空间计算中间件处理步骤为:
S31.将粒子位置即一组浮标站位坐标序列与已有的浮标站位点合并形成浮标站位点集合;
S32.对浮标站位点集合进行缓冲区分析,根据经验设置缓冲区半径,得到的缓冲区面状数据,即为浮标站位的有效监测区域;
S33.用有效监测区域去裁剪带权重的需求点集合得到所有落入有效监测区域内的需求点;之后,对有效监测区域内所有需求点的权重值求和,得到的数值即为粒子的空间效率指数;
S34.向迭代器输出该粒子的空间效率指数,迭代器保存每个粒子的位置和空间效率指数。
5.根据权利要求1所述的一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,所述S4中迭代器的执行步骤为:
S41.对粒子群,包含k个独立的粒子进行初始化赋值,得到k个粒子的位置和飞行速度;
S42.采用并行计算的方式将所有粒子输入空间计算中间件,得到所有粒子的新位置及其对应的空间效率指数;
S43.更新个体最优解和全局最优解,所有粒子进行比较将空间效率指数最大的值及其对应的粒子位置设为全局最优解;每个粒子的历史空间效率指数进行比较,将最大的值及其对应的粒子位置设为该粒子的个体最优解;根据本专利所构建的粒子速度更新公式和位置更新公式,更新每个粒子的位置和速度,开始下一次迭代计算。
6.根据权利要求1所述的一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,所述S22中空间约束数据限定了浮标布放选址的空间范围,采用图形、数据、文字描述中的任意一种表达形式。
7.根据权利要求1所述的一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,所述S23中的权重值的计算以水深梯度、海流季节变化、海浪高度季节变化、表层水温季节变化、盐度季节变化为依据,选择其中一种或几种,变化较大的区域拥有较大的权重值,对权重值进行归一化处理,使其取值范围在0到1之间。
8.根据权利要求1所述的一种优化空间效率的海洋锚定浮标站位智能选址方法,其特征在于,所述S23中所述权重值作为每个需求点的属性,形成带属性数据的几何点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123021.8A CN111291520B (zh) | 2020-02-27 | 2020-02-27 | 一种优化空间效率的海洋锚定浮标站位智能选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123021.8A CN111291520B (zh) | 2020-02-27 | 2020-02-27 | 一种优化空间效率的海洋锚定浮标站位智能选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291520A true CN111291520A (zh) | 2020-06-16 |
CN111291520B CN111291520B (zh) | 2023-05-02 |
Family
ID=71020529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010123021.8A Active CN111291520B (zh) | 2020-02-27 | 2020-02-27 | 一种优化空间效率的海洋锚定浮标站位智能选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291520B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312808A (zh) * | 2023-11-30 | 2023-12-29 | 山东省科学院海洋仪器仪表研究所 | 一种海面空气动力学粗糙度的计算方法 |
CN117669126A (zh) * | 2023-10-11 | 2024-03-08 | 宁波麦思捷科技有限公司武汉分公司 | 一种用于海洋环境研究的大规模浮标组网方法及系统 |
CN117972315A (zh) * | 2024-03-29 | 2024-05-03 | 山东省科学院海洋仪器仪表研究所 | 基于混合神经网络预测模型的漂流浮标轨迹预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339216A1 (en) * | 2007-12-29 | 2013-12-19 | Kal K. Lambert | Biophysical Geoengineering Compositions and Methods |
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN108647820A (zh) * | 2018-05-09 | 2018-10-12 | 国网山东省电力公司菏泽供电公司 | 基于改进粒子群算法的分布式电源选址定容优化方法及系统 |
CN109029383A (zh) * | 2018-05-03 | 2018-12-18 | 山东省科学院海洋仪器仪表研究所 | 一种基于空间分析的海洋浮标站位布局合理性评价方法 |
-
2020
- 2020-02-27 CN CN202010123021.8A patent/CN111291520B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339216A1 (en) * | 2007-12-29 | 2013-12-19 | Kal K. Lambert | Biophysical Geoengineering Compositions and Methods |
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN109029383A (zh) * | 2018-05-03 | 2018-12-18 | 山东省科学院海洋仪器仪表研究所 | 一种基于空间分析的海洋浮标站位布局合理性评价方法 |
CN108647820A (zh) * | 2018-05-09 | 2018-10-12 | 国网山东省电力公司菏泽供电公司 | 基于改进粒子群算法的分布式电源选址定容优化方法及系统 |
Non-Patent Citations (1)
Title |
---|
王天宇;杜岩;夏一凡;: "基于拉格朗日方法的南海自动剖面浮标轨迹模拟系统" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669126A (zh) * | 2023-10-11 | 2024-03-08 | 宁波麦思捷科技有限公司武汉分公司 | 一种用于海洋环境研究的大规模浮标组网方法及系统 |
CN117669126B (zh) * | 2023-10-11 | 2024-06-11 | 宁波麦思捷科技有限公司武汉分公司 | 一种用于海洋环境研究的大规模浮标组网方法及系统 |
CN117312808A (zh) * | 2023-11-30 | 2023-12-29 | 山东省科学院海洋仪器仪表研究所 | 一种海面空气动力学粗糙度的计算方法 |
CN117312808B (zh) * | 2023-11-30 | 2024-02-06 | 山东省科学院海洋仪器仪表研究所 | 一种海面空气动力学粗糙度的计算方法 |
CN117972315A (zh) * | 2024-03-29 | 2024-05-03 | 山东省科学院海洋仪器仪表研究所 | 基于混合神经网络预测模型的漂流浮标轨迹预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291520B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291520B (zh) | 一种优化空间效率的海洋锚定浮标站位智能选址方法 | |
Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
CN108805350A (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
CN110347671B (zh) | 构建海上风能数据资料库及海上风能发电量数据库的方法 | |
CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
Song et al. | A continuous space location model and a particle swarm optimization-based heuristic algorithm for maximizing the allocation of ocean-moored buoys | |
CN110525602A (zh) | 一种船舶航迹航速整体规划方法 | |
CN110377953B (zh) | 一种基于并行模式下的风暴潮精细化模拟方法 | |
Noman et al. | Comprehensive review of wind energy in Malaysia: Past, present, and future research trends | |
CN111680408A (zh) | 一种用于海上风电的风资源图谱绘制方法及装置 | |
CN111445116A (zh) | 国土空间规划辅助编制系统 | |
CN102982494A (zh) | 一种基于电子航道图及水位数据的航道水深信息生成方法 | |
KR20110099509A (ko) | 풍력-기상자원지도 구축 시스템 및 그 구축 방법 | |
Shadmani et al. | A review of machine learning and deep learning applications in wave energy forecasting and WEC optimization | |
CN105184667B (zh) | 双重嵌套模拟风电场风速分布的方法 | |
Doorga et al. | A novel modelling approach to the identification of optimum sites for the placement of ocean thermal energy conversion (OTEC) power plant: application to the tropical island climate of Mauritius | |
CN112700349A (zh) | 测风塔选址方法和装置 | |
CN106485017A (zh) | 一种基于CA‑Markov模型的土地利用时空变化模拟方法 | |
Energiewende et al. | Making the most of offshore wind: re-evaluating the potential of offshore wind in the german north sea | |
CN116050291A (zh) | 一种台风条件下风电场大尺度气象预测降尺度方法与系统 | |
CN113064440B (zh) | 一种基于海洋模式的自适应观测方法 | |
CN110135103A (zh) | 一种采用水流模拟城市自然通风潜力的方法和系统 | |
Velázquez-Medina et al. | Evaluation method of marine spaces for the planning and exploitation of offshore wind farms in isolated territories. A two-island case study | |
Jia et al. | Study on the application framework of BIM in the life cycle management of offshore wind farms | |
Ma et al. | Identification and simulation the response of storm-induced coastal erosion in the China Yellow sea |
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 |