CN111310923B - 一种低空巡检飞行三维路径优化方法 - Google Patents

一种低空巡检飞行三维路径优化方法 Download PDF

Info

Publication number
CN111310923B
CN111310923B CN202010061506.9A CN202010061506A CN111310923B CN 111310923 B CN111310923 B CN 111310923B CN 202010061506 A CN202010061506 A CN 202010061506A CN 111310923 B CN111310923 B CN 111310923B
Authority
CN
China
Prior art keywords
flight
voltage line
path
flight path
population
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
CN202010061506.9A
Other languages
English (en)
Other versions
CN111310923A (zh
Inventor
严风硕
王秉玺
舒炎昕
喻辉
边岱泉
熊奎
牛夏蕾
曾婧
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.)
Second Research Institute of CAAC
Original Assignee
Second Research Institute of CAAC
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 Second Research Institute of CAAC filed Critical Second Research Institute of CAAC
Priority to CN202010061506.9A priority Critical patent/CN111310923B/zh
Publication of CN111310923A publication Critical patent/CN111310923A/zh
Application granted granted Critical
Publication of CN111310923B publication Critical patent/CN111310923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种低空巡检飞行三维路径优化方法。包括：获取飞行器的起点和终点，以及每条高压线路的起点和终点；基于遗传算法确定遗传种群数量，采用生成随机路径的方法初始化遗传种群，得到飞行路径；采用随机数发生器选取部分飞行路径进行高压线路交叉操作，获取交叉种群；用交叉种群中的飞行路径替换遗传种群中适应度较低的飞行路径；除去遗传种群中适应度最高的飞行路径以及交叉种群替换掉的飞行路径得到剩余飞行路径，针对剩余飞行路径进行高压线路倒序和高压线路交换的变异操作；重复交叉操作以及变异操作，直到达到终止条件。该方案采用了较少的内存资源和计算资源，实现飞行器对多条高压线路进行巡检的路径规划。

Description

一种低空巡检飞行三维路径优化方法
技术领域
本发明涉及飞行路径技术领域，特别是一种低空巡检飞行三维路径优化方法。
背景技术
直升机进行电力巡检时，需要对飞行路径进行规划，传统的方法采用穷举法，寻找所有的飞行路径，进行遍历算法，但是这样的遍历算法耗时耗力；而且当高压线路数量超过10条时，存在消耗内存资源过大的问题，一般计算机无法执行计算。因此，提出一种基于启发式算法的飞行路径规划方法，在消耗较少的计算资源和内存资源的情况下，计算出相对较短的飞行路径。目前，大多数用于飞行路径规划的方法，只能求解出直升机经过多个指定杆塔的飞行路径，而不能求解出直升机经过多个指定高压线路的飞行路径。本发明就是研究求解多条高压线路电力巡检飞行路径的方法。
发明内容
本发明所要解决的技术问题是：为了得到针对多条高压线路电力巡检飞行路径的方法，提供了一种低空巡检飞行三维路径优化方法。
本发明采用的技术方案如下：一种低空巡检飞行三维路径优化方法，包括：
步骤S1，获取飞行器的起点和终点，以及每条高压线路的起点和终点；
步骤S2，基于遗传算法确定遗传种群数量，采用生成随机路径的方法初始化遗传种群，得到飞行路径；
步骤S3，采用随机数发生器选取部分飞行路径进行高压线路交叉操作，获取交叉种群；
步骤S4，用交叉种群中的飞行路径替换遗传种群中适应度较低的飞行路径；
步骤S5，除去遗传种群中适应度最高的飞行路径以及交叉种群替换掉的飞行路径得到剩余飞行路径，针对剩余飞行路径进行高压线路倒序和高压线路交换的变异操作；
步骤S6，重复交叉操作以及变异操作，直到达到终止条件。
进一步的，所述步骤S1中，所述起点和终点采用经纬高的方式表示。
进一步的，所述步骤S2中，根据需要巡检的高压线路的条数，计算遗传种群数量n：
Figure BDA0002374650220000021
其中，n遗传种群数量，为N为高压线路条数。
进一步的，所述步骤S2中，采用生成随机路径的方法初始化遗传种群的过程为：飞行路径起点和终点为飞行器的起点和终点，先随机选择一条高压线路放入飞行路径，并作为需要巡检的第1条高压线路，再从剩余未选择的高压线路中随机选择一条高压线路放入飞行路径，并作为需要巡检的第2条高压线路，以此类推，直到第N条高压线路选择完毕。
进一步的，在获得n条飞行路径后对飞行路径进行排序：
算每条飞行路径的适应度，所述适应度为每条飞行路径总距离的倒数；
根据适应度从大到小，对飞行路径进行重新排序；
计算n条飞行路径的适应度总和，用每条飞行路径的适应度除以适应度总和，得到每条飞行路径的选取概率，并依据排序计算每条飞行路径的累加概率。
进一步的，所述步骤S3包括以下过程：
步骤S31，使用标准均匀分布随机数发生器，当随机数大于等于排序中前一条飞行路径的累加概率且小于本条飞行路径的累加概率，则选取本条飞行路径作为父代路径；步骤S32，重复步骤S31，在遗传种群中选取两条父代路径a和b；步骤S33，将父代路径a中的高压线路X和父代路径b中的高压线路Y做交换，同时父代路径a中的高压线路Y和父代路径b中的高压线路X做交换，其中X、Y∈[1,N]，产生两条子代路径；步骤S34，将产生的两条子代路径加入交叉种群，并判断交叉种群中的飞行路径数量是否大于等于预设的交叉种群大小，如果是则进人步骤S4，如果不是则重复步骤S31-S34。
进一步的，所述交叉种群大小为：0.5倍的遗传种群数量，再进行四舍五入取整。
进一步的，所述步骤S5中，所述针对剩余飞行路径进行高压线路倒序和高压线路交换的变异操作的过程为：
步骤S51，使用标准均匀分布随机数发生器，当随机数小于预设值时，则随机选择飞行路径中的一条高压线路，交换高压线路起点和终点，再使用标准均匀分布随机数发生器，当随机数小于预设值时，则随机选择飞行路径中的两条高压线路X和Y，交换高压线路X的起点和高压线路Y的起点，交换高压线路X的终点和高压线路Y的终点；步骤S52，重复步骤S51直到剩余飞行路径全部完成变异。
进一步的，所述步骤S6中，所述终止条件为：遗传种群的最大适应度连续20次保持不变。
进一步的，所述步骤S6中，所述终止条件为：进一步的，所述步骤S6中，所述终止条件为：交叉操作以及变异操作的重复次数达到1000次以上。
与现有技术相比，采用上述技术方案的有益效果为：
本发明的技术方案不仅能够解决利用飞行器对多个杆塔进行巡检的飞行路径规划，还能解决利用飞行器对多条高压线路进行巡检的飞行路径规划。
本发明的技术方案在实际运算过程中，消耗内存资源和计算资源较少，容易在中低配置的硬件环境中实现。
附图说明
图1为本发明低空巡检飞行三维路径优化方法流程示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示，一种低空巡检飞行三维路径优化方法，包括：
步骤S1，获取飞行器的起点和终点，以及每条高压线路的起点和终点。
其中一种实施例，所述起点和终点采用经纬高的方式表示。
步骤S2，基于遗传算法确定遗传种群数量，采用生成随机路径的方法初始化遗传种群，得到飞行路径。
其中一种实施例，根据需要巡检的高压线路的条数，计算遗传种群数量n：
Figure BDA0002374650220000041
其中，n遗传种群数量，为N为高压线路条数。
本实施例技术方案提出了一种初始遗传种群数量的计算方法，能够有效解决初始种群数量需要人工确定的问题。因为高压线路数量小于等于2条时，存在的所有飞行路径不会大于4种，所以设置较大的种群数量会使程序在种群初始化阶段陷入死循环；即使是10条以上的高压线路，本初始遗传种群数量的计算方法能够有效解决此问题。
其中一种实施例，采用生成随机路径的方法初始化遗传种群的过程为：飞行路径起点和终点为飞行器的起点和终点，先随机选择一条高压线路放入飞行路径，并作为需要巡检的第1条高压线路，再从剩余未选择的高压线路中随机选择一条高压线路放入飞行路径，并作为需要巡检的第2条高压线路，以此类推，直到第N条高压线路选择完毕(即所有高压线路选择完毕，即每条飞行路径涵盖所有被巡检的高压线路)，得到的某条飞行路径示例：飞行起点-高压线路1起点-高压线路1终点-高压线路2起点-高压线路2终点-…-高压线路N起点-高压线路N终点-飞行终点，重复操作获得多条飞行路径，得到的遗传种群数量为n，则初始化遗传种群得到n条飞行路径。本发明技术方案中的飞行路径编码格式，能解决飞行器从一个起降点起飞，巡检完所有高压线路之后，到另一个起降点降落的实际问题。而且，此编码格式兼容访问多点求最短路径的问题，只需将高压线路的起点和终点同时设定为需要访问的地点即可。
其中一种实施例，在获得n条飞行路径后对飞行路径进行排序：计算每条飞行路径的适应度，所述适应度为每条飞行路径总距离的倒数；根据适应度从大到小，对飞行路径进行重新排序(n条飞行路径排序后可以对其按排序进行编号1，2,3…n)；计算n条飞行路径的适应度总和，用每条飞行路径的适应度除以适应度总和，得到每条飞行路径的选取概率，并依据排序计算每条飞行路径的累加概率；例如，飞行路径2的累加概率为飞行路径1的选取概率加上飞行路径2的选取概率，飞行路径n的累加概率为编号小于n的所有飞行路径的选取概率之和。
步骤S3，采用随机数发生器选取部分飞行路径进行高压线路交叉操作，获取交叉种群。
其中一种实施例，步骤S3的一种实现方式为：步骤S31，使用标准均匀分布随机数发生器，当随机数大于等于排序中前一条飞行路径的累加概率且小于本条飞行路径的累加概率，则选取本条飞行路径作为父代路径；步骤S32，重复步骤S31，在遗传种群中选取两条父代路径a和b；步骤S33，将父代路径a中的高压线路X和父代路径b中的高压线路Y做交换，同时为了保证子代路径中不重复、不缺失任何一条高压线路，父代路径a中的高压线路Y和父代路径b中的高压线路X做交换，X、Y为高压线路的编号，其中X、Y∈[1,N]，交叉后父代路径a产生子代路径c，父代路径b产生子代路径d；步骤S34，将产生的两条子代路径加入交叉种群，并判断交叉种群中的飞行路径数量是否大于等于预设的交叉种群大小，如果是则进人步骤S4，如果不是则重复步骤S31-S34，继续进行交叉操作产生子代路径路径，加入到交叉种群，直至交叉种群满足交叉种群大小。
其中一种实施例，所述交叉种群大小为：0.5倍的遗传种群数量，再进行四舍五入取整；遗传种群数量乘以0.5倍后可能存在小数，而交叉种群大小因为整数，因此采用四舍五入取整。
步骤S4，用交叉种群中的飞行路径替换遗传种群中适应度较低的飞行路径。
步骤S5，除去遗传种群中适应度最高的飞行路径以及交叉种群替换掉的飞行路径得到剩余飞行路径，针对剩余飞行路径进行高压线路倒序和高压线路交换的变异操作。
其中一种实施例，所述针对剩余飞行路径进行高压线路倒序和高压线路交换的变异操作的过程为：
步骤S51，使用标准均匀分布随机数发生器，当随机数小于0.3时，则随机选择飞行路径中的一条高压线路，交换高压线路起点和终点，这是第一次倒序的变异操作，这里如果随机数大于0.3时则不做倒序的变异操作，即此次迭代过程中该条路径不做倒序的变异操作；在倒序的变异操作之后，再使用标准均匀分布随机数发生器，当随机数小于0.3时，则随机选择飞行路径中的两条高压线路X和Y，交换高压线路X的起点和高压线路Y的起点，交换高压线路X的终点和高压线路Y的终点，此次是高压线路交换的变异操作，如果标准均匀分布随机数发生器的随机数大于0.3，则此次迭代过程中该条路径不做高压线路交换的变异操作；步骤S52，重复步骤S51直到剩余飞行路径全部完成变异。本实施例的技术方案提出了一种混合变异算子的方法，在交叉操作后，要再进行堆积倒序处理，能够有效避免种群多样性不足，导致算法陷入局部最优的问题。
步骤S6，重复交叉操作以及变异操作，直到达到终止条件。
其中一种实施例，所述终止条件为：遗传种群的最大适应度连续20次保持不变。
其中一种实施例，所述终止条件为：所述终止条件为：交叉操作以及变异操作的重复次数达到1000次以上。
本实施例的方案中设置终止条件，重复交叉操作和变异操作，通过大量仿真实验，测定了较为合理的交叉率和变异率，解决了交叉率和变异率需要人工多次修改来求解飞行路径的问题。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。

Claims (9)

1.一种低空巡检飞行三维路径优化方法，其特征在于，包括：
步骤S1，获取飞行器的起点和终点，以及每条高压线路的起点和终点；
步骤S2，基于遗传算法确定遗传种群数量，采用生成随机路径的方法初始化遗传种群，得到飞行路径；
所述步骤S2中，确定遗传种群数量具体是指：根据需要巡检的高压线路的条数，计算遗传种群数量n：
Figure FDA0004022030200000011
其中，N为高压线路条数；
步骤S3，采用随机数发生器选取部分飞行路径进行高压线路交叉操作，获取交叉种群；
步骤S4，用交叉种群中的飞行路径替换遗传种群中适应度较低的飞行路径；
步骤S5，除去遗传种群中适应度最高的飞行路径以及交叉种群替换掉的飞行路径得到剩余飞行路径，针对剩余飞行路径进行高压线路倒序和高压线路交换的变异操作；
步骤S6，重复交叉操作以及变异操作，直到达到终止条件。
2.如权利要求1所述的低空巡检飞行三维路径优化方法，其特征在于，所述步骤S1中，所述起点和终点采用经纬高的方式表示。
3.如权利要求2所述的低空巡检飞行三维路径优化方法，其特征在于，所述步骤S2中，采用生成随机路径的方法初始化遗传种群的过程为：飞行路径起点和终点为飞行器的起点和终点，先随机选择一条高压线路放入飞行路径，并作为需要巡检的第1条高压线路，再从剩余未选择的高压线路中随机选择一条高压线路放入飞行路径，并作为需要巡检的第2条高压线路，以此类推，直到第N条高压线路选择完毕。
4.如权利要求3所述的低空巡检飞行三维路径优化方法，其特征在于，在获得n条飞行路径后对飞行路径进行排序：
算每条飞行路径的适应度，所述适应度为每条飞行路径总距离的倒数；
根据适应度从大到小，对飞行路径进行重新排序；
计算n条飞行路径的适应度总和，用每条飞行路径的适应度除以适应度总和，得到每条飞行路径的选取概率，并依据排序计算每条飞行路径的累加概率。
5.如权利要求4所述的低空巡检飞行三维路径优化方法，其特征在于，所述步骤S3包括以下过程：
步骤S31，使用标准均匀分布随机数发生器，当随机数大于等于排序中前一条飞行路径的累加概率且小于本条飞行路径的累加概率，则选取本条飞行路径作为父代路径；步骤S32，重复步骤S31，在遗传种群中选取两条父代路径a和b；步骤S33，将父代路径a中的高压线路X和父代路径b中的高压线路Y做交换，同时父代路径a中的高压线路Y和父代路径b中的高压线路X做交换，其中X、Y∈[1,N]，产生两条子代路径；步骤S34，将产生的两条子代路径加入交叉种群，并判断交叉种群中的飞行路径数量是否大于等于预设的交叉种群大小，如果是则进人步骤S4，如果不是则重复步骤S31-S34。
6.如权利要求5所述的低空巡检飞行三维路径优化方法，其特征在于，所述交叉种群大小为：0.5倍的遗传种群数量，再进行四舍五入取整。
7.如权利要求5所述的低空巡检飞行三维路径优化方法，其特征在于，所述步骤S5中，所述针对剩余飞行路径进行高压线路倒序和高压线路交换的变异操作的过程为：
步骤S51，使用标准均匀分布随机数发生器，当随机数小于预设值时，则随机选择飞行路径中的一条高压线路，交换高压线路起点和终点，再使用标准均匀分布随机数发生器，则随机选择飞行路径中的两条高压线路X和Y，交换高压线路X的起点和高压线路Y的起点，交换高压线路X的终点和高压线路Y的终点；步骤S52，重复步骤S51直到剩余飞行路径全部完成变异。
8.如权利要求1-7中任一项所述的低空巡检飞行三维路径优化方法，其特征在于，所述步骤S6中，所述终止条件为：遗传种群的最大适应度连续20次保持不变。
9.如权利要求1-7中任一项所述的低空巡检飞行三维路径优化方法，其特征在于，所述步骤S6中，所述终止条件为：交叉操作以及变异操作的重复次数达到1000次以上。
CN202010061506.9A 2020-01-19 2020-01-19 一种低空巡检飞行三维路径优化方法 Active CN111310923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061506.9A CN111310923B (zh) 2020-01-19 2020-01-19 一种低空巡检飞行三维路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061506.9A CN111310923B (zh) 2020-01-19 2020-01-19 一种低空巡检飞行三维路径优化方法

Publications (2)

Publication Number Publication Date
CN111310923A CN111310923A (zh) 2020-06-19
CN111310923B true CN111310923B (zh) 2023-03-24

Family

ID=71161630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061506.9A Active CN111310923B (zh) 2020-01-19 2020-01-19 一种低空巡检飞行三维路径优化方法

Country Status (1)

Country Link
CN (1) CN111310923B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881026A (zh) * 2015-04-28 2015-09-02 国家电网公司 高压线路抢修机械臂移动路径规划系统及方法
CN106970648A (zh) * 2017-04-19 2017-07-21 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法
CN107784380A (zh) * 2016-08-30 2018-03-09 上海创和亿电子科技发展有限公司 一种巡检最短路径的优化方法及优化系统
CN109683629A (zh) * 2019-01-09 2019-04-26 燕山大学 基于组合导航和计算机视觉的无人机电力架线系统
CN110162041A (zh) * 2019-05-14 2019-08-23 江苏师范大学 一种基于自适应遗传算法的机器人路径规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150059389A1 (en) * 2013-09-05 2015-03-05 Trane International Inc. System and apparatus for heating or cooling having fluid cooled electronics
CN206062123U (zh) * 2016-10-10 2017-04-05 韩力 一种燃气加热式吸烟制品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881026A (zh) * 2015-04-28 2015-09-02 国家电网公司 高压线路抢修机械臂移动路径规划系统及方法
CN107784380A (zh) * 2016-08-30 2018-03-09 上海创和亿电子科技发展有限公司 一种巡检最短路径的优化方法及优化系统
CN106970648A (zh) * 2017-04-19 2017-07-21 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法
CN109683629A (zh) * 2019-01-09 2019-04-26 燕山大学 基于组合导航和计算机视觉的无人机电力架线系统
CN110162041A (zh) * 2019-05-14 2019-08-23 江苏师范大学 一种基于自适应遗传算法的机器人路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"含常规高压直流输电的电力系统恢复路径优化";顾雪平等;《电网技术》;20190630;第43卷(第6期);第2020-2030页 *

Also Published As

Publication number Publication date
CN111310923A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN107784380B (zh) 一种巡检最短路径的优化方法及优化系统
CN111325356A (zh) 一种基于演化计算的神经网络搜索分布式训练系统及训练方法
CN104808627A (zh) 一种离散制造系统的车间布局方法
CN109872033B (zh) 一种机场机位分配方法
CN108460463A (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN114997547B (zh) 气象采集终端布点方法和装置
CN110650482A (zh) 基于网格化小面积原理和遗传算法的基站设备平面化优化布局方法
CN114020005B (zh) 多无人机协同巡检配网线路的航迹规划方法和系统
CN111310923B (zh) 一种低空巡检飞行三维路径优化方法
CN112860996B (zh) 一种兴趣点处理方法、装置、电子设备和介质
CN110019625B (zh) 文本标准地址空间化方法和装置、计算机可读存储介质
Shayeghi et al. DCGA based-transmission network expansion planning considering network adequacy
CN113392592A (zh) 一种配电网拓扑图布局方法、装置和设备
CN113094899A (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN106508027B (zh) 基于遗传算法的部署图点军标自动避让方法
CN116775622A (zh) 一种结构数据生成方法、装置、设备及存储介质
CN101719194A (zh) 人工基因调控网络的模拟方法
CN116595120A (zh) 基于遗传算法的地图面要素注记自动配置方法
CN116203982A (zh) 无人机电力巡查航迹规划方法及系统
CN115544699A (zh) 基于遗传算法的海缆布局优化方法、装置、设备及介质
CN115451974A (zh) 一种电力设备巡检路径规划方法、系统、设备和介质
CN110175740B (zh) 一种基于Kriging代理模型的场景分析实现方法
CN113487171A (zh) 一种基于改进型黏菌优化算法的业务资源分配方法
CN109445413B (zh) 一种大规模电路互连网络的测试向量自动生成方法
CN112070351A (zh) 一种基于重心回归和粒子群混合算法的变电站优化选址方法

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