CN111400921B - 一种基于apf-pso算法的污染源定位方法 - Google Patents

一种基于apf-pso算法的污染源定位方法 Download PDF

Info

Publication number
CN111400921B
CN111400921B CN202010209478.0A CN202010209478A CN111400921B CN 111400921 B CN111400921 B CN 111400921B CN 202010209478 A CN202010209478 A CN 202010209478A CN 111400921 B CN111400921 B CN 111400921B
Authority
CN
China
Prior art keywords
mobile node
node
mobile
nodes
energy
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
CN202010209478.0A
Other languages
English (en)
Other versions
CN111400921A (zh
Inventor
王剑桥
王勇
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010209478.0A priority Critical patent/CN111400921B/zh
Publication of CN111400921A publication Critical patent/CN111400921A/zh
Application granted granted Critical
Publication of CN111400921B publication Critical patent/CN111400921B/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
    • G06N3/004—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]

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种基于APF‑PSO算法的污染源定位方法，采用PSO算法将移动传感器节点当做粒子，通过环境浓度和自身能量控制移动节点不断向污染物浓度大的区域移动，同时采用APF算法在各个移动节点和障碍物周围设计对应的斥力场，避免了节点在移向污染物中心的过程中发生碰撞；最终根据移动节点群体在环境中的移动轨迹和最终分布，利用SVR复现整个环境，从而对污染物源头进行定位。本发明的有益效果：考虑了移动传感器的能量问题，将节点剩余能量引入节点的运动控制中，使得整个探测过程节点能耗小、能耗稳定；所述方法原理简单，易于实现。

Description

一种基于APF-PSO算法的污染源定位方法
技术领域
本发明涉及环境监测领域，尤其涉及一种基于APF-PSO算法的污染源定位方法。
背景技术
日益发展的经济带来了生活质量的提升、科技的进步，但也造成了环境污染问题。化学物品及危险品在生产、运输、使用过程中由于人为疏忽、错误操作造成泄漏等等导致突发性环境污染，在处理此类污染事件时，需第一时间对污染物源头进行定位，并提供污染物的扩散情况，为事故处理提供强有力的帮助。
以水环境为例，常用的污染源定位及追踪方法有遥感探测、移动机器人探测、人工探测等，但这些技术在水污染源探测与定位中存在很大的局限性，例如，遥感技术只能观测到扩散较为缓慢的水体表面污染，人工探测成本较高且受到地形限制。
无线传感器网络具有节点分布密集、多节点协同工作、成本相对低廉、监测范围广、地理位置限制小等诸多优点，但现有基于无线传感器节点的污染源定位算法大部分都随机固定节点位置，定位结果过多依赖定位模型和算法，缺少移动性和灵活性，对特殊情况的适用性较低；另一方面，对于移动传感器节点定位算法，大多没有考虑节点在复杂环境中的碰撞问题。另外，移动传感器节点大都以电池供电，但电池电量有限，节点可以移动的距离受到能量限制，如何在保证节点探索到污染源的同时尽可能降低能耗、延长电池使用寿命，也是值得关注的问题。
发明内容
有鉴于此，本发明提供了一种移动传感器节点群体在未知的水环境中定位污染源的方法，旨在探究未知环境的污染物浓度，利用节点群体对污染物严重区域进行覆盖，同时避免节点群体在运动过程中产生碰撞，最终通过多节点采集数据从而复现整个环境中污染物的分布。
本发明提供一种基于APF-PSO算法的污染源定位方法，包括以下步骤：
S1、随机选取各个移动节点的初始位置，并设置移动节点的初始能量E0以及每一次运动的时间t，所有移动节点根据初始速度进行第1次运动；
S2、完成第k次运动后，对于任一移动节点，计算所述移动节点运动后的剩余能量，判断能量是否低于能量阈值Eth，若是，则能量低于能量阈值Eth的所述移动节点停止工作，对所有移动节点进行判断，若所有移动节点均停止工作则执行步骤S6，否则能量不低于能量阈值Eth的移动节点继续执行步骤S3；
S3、对于任一移动节点，采集所述移动节点的当前位置的污染物浓度，记录所述移动节点采集到的最大浓度及对应的位置，并对所有移动节点采集到的最大浓度及对应的位置进行更新，计算所述移动节点在当前位置采集的污染物浓度与上一位置采集的污染物浓度的浓度差值，根据所述浓度差值判断移动节点是否到达污染物中心区域，若是，则到达污染物中心区域的所述移动节点停止工作；对所有移动节点进行判断，若所有移动节点均停止工作则执行步骤S6，否则未到达污染物中心区域的移动节点继续执行步骤S4；
S4、根据步骤S3中记录和更新的数据对移动节点的运动速度进行调整，得到更新速度
Figure BDA0002422323560000021
S5、根据斥力场计算出移动节点受到的斥力速度
Figure BDA0002422323560000022
从而得到移动节点下一次运动的速度
Figure BDA0002422323560000023
并根据所述下一次运动的速度
Figure BDA0002422323560000024
以及时间t运动到下一位置，运动次数k增加1次；判断运动次数k是否小于阈值N，若是则回到步骤S2，否则执行步骤S6；
S6、根据移动节点的移动轨迹以及最终分布，重构整个环境中的污染物分布，从而确定污染源中心。
进一步地，所述步骤S4中，所述更新速度
Figure BDA0002422323560000031
的计算公式如下：
Figure BDA0002422323560000032
式中，
Figure BDA0002422323560000033
表示移动节点第k次运动的速度；△Ck表示移动节点在当前位置xk处与采集到最大浓度的位置pk处的浓度的差值，ρp表示移动节点的当前位置xk与采集到最大浓度的位置pk之间的距离；△Cmax表示移动节点在当前位置xk处与所有移动节点采集到最大浓度的位置gk处的浓度的差值，ρg表示移动节点当前位置xk与所有移动节点采集到最大浓度的位置gk之间的距离；c1、c2均为固定系数，rand1、rand2均为[-1,1]之间的随机值。
进一步地，所述步骤S5中，所述斥力场根据人工势能场法在移动节点和障碍物周围抽象得到，通过斥力场的排斥作用来避免碰撞；根据移动节点和障碍物的状态将斥力场分为动态节点斥力场和静态障碍物斥力场两类。
进一步地，所述动态节点斥力场如下：
Figure BDA0002422323560000034
式中，
Figure BDA0002422323560000035
表示移动节点i受到的来自其他节点j的排斥速度，所述排斥速度
Figure BDA0002422323560000036
的方向由其他节点j指向所述移动节点i；ρi,j表示移动节点i与移动节点j之间的距离，ρ0表示动态节点斥力场的范围大小，当两个节点之间的距离ρi,j小于所述范围ρ0时会产生排斥速度；Ek、E0分别表示移动节点i第k次运动后的剩余能量和运动初始能量，Eth表示为供应节点运动的最低能量阈值；Knode表示动态节点斥力场的排斥系数，
Figure BDA0002422323560000037
表示节点间的最大排斥速度，所述最大排斥速度
Figure BDA0002422323560000038
的方向与排斥速度
Figure BDA0002422323560000039
相同。
进一步地，所述静态障碍物斥力场如下：
Figure BDA0002422323560000041
式中，
Figure BDA0002422323560000042
表示障碍物对移动节点i的排斥速度，所述排斥速度
Figure BDA0002422323560000043
的方向由障碍物指向所述移动节点i；ρi表示移动节点i与障碍物之间的距离，ρobs表示静态障碍物斥力场的范围大小，当移动节点i与障碍物之间的距离ρi小于所述范围ρobs时会产生排斥速度；Kobs表示静态障碍物斥力场的排斥系数，
Figure BDA0002422323560000044
表示障碍物与节点间的最大排斥速度，所述最大排斥速度
Figure BDA0002422323560000045
的方向与排斥速度
Figure BDA0002422323560000046
相同；
Figure BDA0002422323560000047
表示绕行速度，所述绕行速度
Figure BDA0002422323560000048
的方向垂直于移动节点与障碍物的连线。
进一步地，所述移动节点受到的斥力速度
Figure BDA0002422323560000049
为周围所有节点对所述移动节点的排斥速度以及周围所有障碍物对所述移动节点的排斥速度的矢量和。
进一步地，所述步骤S2中，移动节点第k运动后的剩余能量为Ek＝Ek-1-ε×dk，其中，Ek、Ek-1分别表示移动节点第k次运动后和第k-1次运动后的剩余能量，dk表示节点在第k运动内的运动距离，ε表示节点的能耗系数。
进一步地，所述步骤S3中，判断所述浓度差值是否小于阈值，若是，则判定所述移动节点到达污染物中心区域；否则判定所述移动节点未到达污染物中心区域。
进一步地，所述步骤S6中，采用SVR进行建模，重构整个环境中的污染物分布。
本发明提供的技术方案带来的有益效果是：采用粒子群优化算法(PSO)，将移动传感器节点当做粒子，通过环境浓度和自身能量控制其不断向污染物浓度大的区域汇聚，原理简单，易于实现；采用人工势能场法(APF)在各个移动节点和障碍物周围设计对应的斥力场，避免了节点在移向污染物中心的过程中发生碰撞；考虑了移动传感器的能量问题，将节点剩余能量引入节点的运动控制中，使得整个探测过程节点能耗小、能耗稳定。
附图说明
图1是本发明实施例提供的基于APF-PSO算法的污染源定位方法的流程图；
图2是本发明实施例提供的matlab仿真的污染环境示意图；
图3是本发明实施例提供的移动节点的初始分布图；
图4是本发明实施例提供的移动节点绕开障碍物的示意图；
图5是本发明实施例提供的移动节点的最终分布图；
图6是本发明实施例提供的某一移动节点的运动轨迹图；
图7是本发明实施例提供的利用SVR重建后的污染物分布图；
图8是本发明实施例提供的移动节点避开直线型障碍物的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明的实施例提供了一种基于APF-PSO算法的污染源定位方法，对图2所示的matlab仿真的污染源进行定位，其中，整个环境为2000×2000的区域，环境中污染物浓度分布符合高斯分布，污染源中心最大浓度为800，污染源中心位置(x0,y0)在(1000,1000)处，并在(500,500)处设置障碍物，所述包括以下步骤：
S1、随机选取各个移动节点的初始位置，并设置移动节点的初始能量、初始速度以及每一次运动的时间t，所有移动节点根据初始速度进行第1次运动。本实施例使用30个移动节点，每个节点的初始能量E0均为100％，并设置节点运动的能量阈值Eth＝20％；节点初始速度的方向随机，大小为30。请参考图3，移动节点初始随机分布在左下角300×300的区域。
S2、完成第k次运动后，对于任一移动节点，计算所述移动节点运动后的剩余能量，判断能量是否低于能量阈值Eth，若是，则能量低于Eth的所述移动节点停止工作，对所有移动节点进行判断，若所有移动节点均停止工作则执行步骤S6，否则能量不低于Eth的移动节点继续执行步骤S3。
相比于节点的其他能耗，节点运动能耗占比最大，所述运动能耗与运动距离成正比，具体地，节点第k运动后剩余能量为Ek＝Ek-1-ε×dk，其中，Ek、Ek-1分别表示移动节点第k次运动后和第k-1次运动后的剩余能量，dk表示节点在第k运动内的运动距离，由第k运动的速度
Figure BDA0002422323560000061
以及时间t决定，ε表示节点的能耗系数，ε＝0.005。
S3、对于任一移动节点，采集所述移动节点的当前位置的污染物浓度，记录所述移动节点采集到的最大浓度及对应的位置，并对所有移动节点采集到的最大浓度及对应的位置进行更新，计算所述移动节点在当前位置采集的污染物浓度与上一位置的浓度差值，判断所述浓度差值是否小于阈值，若是，则认为所述移动节点到达污染物中心区域，所述移动节点停止工作，并记录所述移动节点采集到的最大浓度及对应的位置，用于更新所有节点采集到的最大浓度及对应的位置；对所有移动节点进行判断，若所有移动节点均停止工作则执行步骤S6，否则未到达污染物中心区域的移动节点继续执行步骤S4。
S4、根据步骤S3中记录和更新的数据对移动节点的运动速度进行调整，得到更新速度
Figure BDA0002422323560000062
具体地，所述更新速度
Figure BDA0002422323560000063
的计算公式如下：
Figure BDA0002422323560000064
式中，
Figure BDA0002422323560000065
表示移动节点第k次运动的速度；△Ck表示移动节点在当前位置xk处与采集到最大浓度的位置pk处的浓度的差值，ρp表示移动节点的当前位置xk与采集到最大浓度的位置pk之间的距离；△Cmax表示移动节点在当前位置xk处与所有移动节点采集到最大浓度的位置gk处的浓度的差值，ρg表示移动节点当前位置xk与所有移动节点采集到最大浓度的位置gk之间的距离；c1、c2均为固定系数，优选地0≤c1≤2，0≤c2≤2，rand1、rand2均为[-1,1]之间的随机值。
S5、根据斥力场公式计算出移动节点受到的斥力速度
Figure BDA0002422323560000071
进一步得到下一次运动的速度
Figure BDA0002422323560000072
根据所述下一次运动的速度
Figure BDA0002422323560000073
以及时间t运动到下一位置，同时运动次数k增加1次；并判断运动次数k是否小于100，若是则回到步骤S2，否则执行步骤S6。
在移动节点运动过程中可能产生的碰撞主要在动态节点间、节点与静态障碍物之间，所以根据APF算法在移动节点和障碍物周围抽象一个斥力场，通过斥力场的排斥作用来避免碰撞，根据移动节点和障碍物的状态将斥力场分为动态节点斥力场和静态障碍物斥力场两类，其中，动态节点斥力场如下：
Figure BDA0002422323560000074
式中，
Figure BDA0002422323560000075
表示移动节点i受到的来自其他节点j的排斥速度，方向由其他节点j指向所述移动节点i；ρi,j表示移动节点i与移动节点j之间的距离，ρ0表示动态节点斥力场的范围大小，当两个节点之间的距离ρi,j小于所述范围ρ0时会产生排斥速度；Ek、E0分别表示移动节点i第k次运动后的剩余能量和运动初始能量，Eth表示为供应节点运动的最低能量阈值；Knode表示动态节点斥力场的排斥系数，
Figure BDA0002422323560000076
表示节点间的最大排斥速度，大小为40，方向与排斥速度
Figure BDA0002422323560000077
相同。
需要说明的是，本发明考虑到移动传感器节点在实际工作中能量资源十分有限，认为能量消耗与节点运动路程成正比例关系，当节点的运动路程越长，节点消耗的能量越多；为了使节点耗能更少、更稳定，在动态节点斥力场的设计中将剩余能量作为调节斥力大小的一个因素，使得剩余能量较少的节点受到的排斥速度越小，从而达到降低整体能耗的目的。
静态障碍物斥力场如下：
Figure BDA0002422323560000081
式中，
Figure BDA0002422323560000082
表示障碍物对移动节点i的排斥速度，方向由障碍物指向所述移动节点i；ρi表示移动节点i与障碍物之间的距离，ρobs表示静态障碍物斥力场的范围大小，当移动节点i与障碍物之间的距离ρi小于所述范围ρobs时会产生排斥速度；Kobs表示静态障碍物斥力场的排斥系数，
Figure BDA0002422323560000083
表示障碍物与节点间的最大排斥速度，大小为40，方向与排斥速度
Figure BDA0002422323560000084
相同；为避免节点由于障碍物的阻挡而不能快速运动到污染物浓度大的区域，当移动节点遇到障碍物时，通过绕行速度
Figure BDA0002422323560000085
来绕开障碍物，所述绕行速度
Figure BDA0002422323560000086
的方向垂直于移动节点与障碍物的连线。
移动节点受到的斥力速度
Figure BDA0002422323560000087
为周围所有节点对其的排斥速度以及周围所有障碍物对其的排斥速度的矢量和。请参考图4，移动节点在斥力速度的作用下绕开了环境中的障碍物，且节点之间未发生碰撞。
S6、通过SVR复现整个环境，并绘制移动节点的最终分布图和移动节点的运动过程图。请参考图5，移动节点最终的分布情况，图中所有移动节点均运动到污染物浓度最大的区域，且在所述浓度最大的区域分散分布，移动节点群体在最终位置采集到的最大浓度为797.4095，最小浓度为683.8056，移动节点群体在整个运动过程中采集到的最大浓度为798.8174，所在位置为(1015.6,992.7)，污染源的定位结果良好；移动节点中最大剩余能量为0.8407，最小剩余能量为0.7607，平均剩余能量为0.8046。
请参考图6，其为某一移动节点的整个运动轨迹，图中圆圈表示所述移动节点每次采集污染物浓度的位置，直线表示移动节点的运动路径。该移动节点从坐标为(42.7898,50.4505)的位置出发，向污染源中心移动；在障碍物周围时，其运动速度减小，并在绕开障碍物后加速运动到污染物中心区域，最终停在(961.6,1000.2)处，该位置的污染物浓度为794.1198，整个过程中该节点消耗能量0.1708。
请参考图7，根据所有移动节点在最终位置采集的污染物浓度数据，利用SVR进行重建，图中重建后的环境中污染物分布情况与图2所示的大致一致，说明了污染源定位的有效性。
作为本发明的另一较佳实施例，采用图8所示的直线型障碍物进行实验，其余数据相同，所有节点均避开了直线障碍，同时向污染物中心区域运动，说明了避障成功。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于APF-PSO算法的污染源定位方法，其特征在于，包括以下步骤：
S1、随机选取各个移动节点的初始位置，并设置移动节点的初始能量E0以及每一次运动的时间t，所有移动节点根据初始速度进行第1次运动；
S2、完成第k次运动后，对于任一移动节点，计算所述移动节点运动后的剩余能量，判断能量是否低于能量阈值Eth，若是，则能量低于能量阈值Eth的所述移动节点停止工作，对所有移动节点进行判断，若所有移动节点均停止工作则执行步骤S6，否则能量不低于能量阈值Eth的移动节点继续执行步骤S3；
S3、对于任一移动节点，采集所述移动节点的当前位置的污染物浓度，记录所述移动节点采集到的最大浓度及对应的位置，并对所有移动节点采集到的最大浓度及对应的位置进行更新，计算所述移动节点在当前位置采集的污染物浓度与上一位置采集的污染物浓度的浓度差值，根据所述浓度差值判断移动节点是否到达污染物中心区域，若是，则到达污染物中心区域的所述移动节点停止工作；对所有移动节点进行判断，若所有移动节点均停止工作则执行步骤S6，否则未到达污染物中心区域的移动节点继续执行步骤S4；
S4、根据步骤S3中记录和更新的数据对移动节点的运动速度进行调整，得到更新速度Vg；
S5、根据斥力场计算出移动节点受到的斥力速度Vr，从而得到移动节点下一次运动的速度Vk+1＝Vg+Vr，并根据所述下一次运动的速度Vk+1以及时间t运动到下一位置，运动次数k增加1次；判断运动次数k是否小于阈值N，若是则回到步骤S2，否则执行步骤S6；
S6、根据移动节点的移动轨迹以及最终分布，重构整个环境中的污染物分布，从而确定污染源中心；
所述步骤S4中，所述更新速度
Figure FDA0003346933670000021
的计算公式如下：
Figure FDA0003346933670000022
式中，
Figure FDA0003346933670000023
表示移动节点第k次运动的速度；ΔCk表示移动节点在当前位置
Figure FDA0003346933670000024
处与采集到最大浓度的位置
Figure FDA0003346933670000025
处的浓度的差值，ρp表示移动节点在当前位置
Figure FDA0003346933670000026
与采集到最大浓度的位置
Figure FDA0003346933670000027
之间的距离；ΔCmax表示移动节点在当前位置
Figure FDA0003346933670000028
处与所有移动节点采集到的最大浓度的位置
Figure FDA0003346933670000029
处的浓度差值，ρg表示移动节点当前位置
Figure FDA00033469336700000210
与所有移动阶段采集到最大浓度的位置
Figure FDA00033469336700000211
之间的距离；c1、c2均为固定系数，rand1、rand2均为[-1，1]之间的随机值。
2.根据权利要求1所述的基于APF-PSO算法的污染源定位方法，其特征在于，所述步骤S5中，所述斥力场根据人工势能场法在移动节点和障碍物周围抽象得到，通过斥力场的排斥作用来避免碰撞；根据移动节点和障碍物的状态将斥力场分为动态节点斥力场和静态障碍物斥力场两类。
3.根据权利要求2所述的基于APF-PSO算法的污染源定位方法，其特征在于，所述动态节点斥力场如下：
Figure FDA0003346933670000031
式中，
Figure FDA0003346933670000032
表示移动节点i受到的来自其他节点j的排斥速度，所述排斥速度
Figure FDA0003346933670000033
的方向由其他节点j指向所述移动节点i；ρi,j表示移动节点i与移动节点j之间的距离，ρ0表示动态节点斥力场的范围大小，当两个节点之间的距离ρi,j小于所述范围ρ0时会产生排斥速度；Ek、E0分别表示移动节点i第k次运动后的剩余能量和运动初始能量，Eth表示为供应节点运动的最低能量阈值；Knode表示动态节点斥力场的排斥系数，Vmax1表示节点间的最大排斥速度，所述最大排斥速度Vmax1的方向与排斥速度Vrij相同。
4.根据权利要求2所述的基于APF-PSO算法的污染源定位方法，其特征在于，所述静态障碍物斥力场如下：
Figure FDA0003346933670000034
式中，Vobsi表示障碍物对移动节点i的排斥速度，所述排斥速度Vobsi的方向由障碍物指向所述移动节点i；ρi表示移动节点i与障碍物之间的距离，ρobs表示静态障碍物斥力场的范围大小，当移动节点i与障碍物之间的距离ρi小于所述范围ρobs时会产生排斥速度；Kobs表示静态障碍物斥力场的排斥系数，Vmax2表示障碍物与节点间的最大排斥速度，所述最大排斥速度Vmax2的方向与排斥速度Vobsi相同；Voff表示绕行速度，所述绕行速度Voff的方向垂直于移动节点与障碍物的连线。
5.根据权利要求3或4所述的基于APF-PSO算法的污染源定位方法，其特征在于，所述移动节点受到的斥力速度Vr为周围所有节点对所述移动节点的排斥速度以及周围所有障碍物对所述移动节点的排斥速度的矢量和。
6.根据权利要求1所述的基于APF-PSO算法的污染源定位方法，其特征在于，所述步骤S2中，移动节点第k运动后的剩余能量为Ek＝Ek-1-ε×dk，其中，Ek、Ek-1分别表示移动节点第k次运动后和第k-1次运动后的剩余能量，dk表示节点在第k运动内的运动距离，ε表示节点的能耗系数。
7.根据权利要求1所述的基于APF-PSO算法的污染源定位方法，其特征在于，所述步骤S3中，判断所述浓度差值是否小于阈值，若是，则判定所述移动节点到达污染物中心区域；否则判定所述移动节点未到达污染物中心区域。
8.根据权利要求1所述的基于APF-PSO算法的污染源定位方法，其特征在于，所述步骤S6中，采用SVR进行建模，重构整个环境中的污染物分布。
CN202010209478.0A 2020-03-23 2020-03-23 一种基于apf-pso算法的污染源定位方法 Active CN111400921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010209478.0A CN111400921B (zh) 2020-03-23 2020-03-23 一种基于apf-pso算法的污染源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010209478.0A CN111400921B (zh) 2020-03-23 2020-03-23 一种基于apf-pso算法的污染源定位方法

Publications (2)

Publication Number Publication Date
CN111400921A CN111400921A (zh) 2020-07-10
CN111400921B true CN111400921B (zh) 2022-04-01

Family

ID=71431108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010209478.0A Active CN111400921B (zh) 2020-03-23 2020-03-23 一种基于apf-pso算法的污染源定位方法

Country Status (1)

Country Link
CN (1) CN111400921B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828140A (zh) * 2018-04-26 2018-11-16 中国计量大学 一种基于粒子群算法的多无人机协同恶臭溯源方法
CN109946432A (zh) * 2019-01-30 2019-06-28 中国地质大学（武汉） 一种基于改进细菌趋化算法的二维水污染源定位方法
CN110443365A (zh) * 2019-06-26 2019-11-12 中国地质大学（武汉） 一种基于增强拓扑神经演化算法的二维污染源定位方法
WO2019218159A1 (zh) * 2018-05-15 2019-11-21 深圳大学 一种基于粒子群算法的机器人路径规划方法、装置及终端设备
CN110653831A (zh) * 2019-09-19 2020-01-07 常熟理工学院 用于地下综合管廊的多寻味机器人及危险气体泄漏源定位系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9020637B2 (en) * 2012-11-02 2015-04-28 Irobot Corporation Simultaneous localization and mapping for a mobile robot

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828140A (zh) * 2018-04-26 2018-11-16 中国计量大学 一种基于粒子群算法的多无人机协同恶臭溯源方法
WO2019218159A1 (zh) * 2018-05-15 2019-11-21 深圳大学 一种基于粒子群算法的机器人路径规划方法、装置及终端设备
CN109946432A (zh) * 2019-01-30 2019-06-28 中国地质大学（武汉） 一种基于改进细菌趋化算法的二维水污染源定位方法
CN110443365A (zh) * 2019-06-26 2019-11-12 中国地质大学（武汉） 一种基于增强拓扑神经演化算法的二维污染源定位方法
CN110653831A (zh) * 2019-09-19 2020-01-07 常熟理工学院 用于地下综合管廊的多寻味机器人及危险气体泄漏源定位系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Modeling of pollutant distribution based on mobile sensor networks;Yong Wang et al.;《Environmental Science and Pollution Research》;20200121;第27卷;第11413-11424页 *
Swarm Intelligence-Based Approach for Macroscopic Scale Odor Source Localization Using Multi-robot System;Anh-Quy Hoang et al.;《 ICTA 2016: Advances in Information and Communication Technology》;20161112;第593-602页 *

Also Published As

Publication number Publication date
CN111400921A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
Fu et al. Pollution source localization based on multi-UAV cooperative communication
CN109116849A (zh) 一种考虑无人艇运动性能的零空间行为融合在线优化方法
CN110543727B (zh) 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法
Yan et al. Target tracking and obstacle avoidance for multi-agent systems
Wang et al. A UKF-based predictable SVR learning controller for biped walking
Lv et al. An improved FastSLAM algorithm based on revised genetic resampling and SR-UPF
CN111400921B (zh) 一种基于apf-pso算法的污染源定位方法
CN105204511A (zh) 一种物体自主移动的决策方法
CN113619815B (zh) 一种航天器集群动态路径规划方法
Liu et al. Improved potential field method path planning based on genetic algorithm
Sheng et al. An improved artificial potential field algorithm for virtual human path planning
Memon et al. Autonomous Robot Path Planning Using Particle Swarm Optimization in Static and Obstacle Environment
La et al. Formation motion control for swarm robots
Nurmaini et al. Enhancement of the fuzzy control response with particle swarm optimization in mobile robot system
Bouraine et al. NDT-PSO, a new NDT based SLAM approach using particle swarm optimization
Wang et al. Research on SLAM road sign observation based on particle filter
Wang Research on data fusion technology of mobile intelligent robot based on internet of things
Nurmainia et al. A New Swarm Source Seeking Behavior based-on Pattern Recognition Approach
Zhang et al. Optimal Path Planning for Mobile Robots in Complex Environments Based on the Grey Wolf Algorithm and Self-powered Sensors
Liu et al. Research on Path Planning of Logistics Storage Robot Based on Fuzzy Improved Artificial Potential Field Method
Hwang et al. Gait balance of biped robot based on reinforcement learning
Chen et al. Intelligent RRT Exploration Mapping Method Based on Evolutionary Cognition in Unknown Environment
Fan et al. Formation constrained coordinated motion control methods for the crustal movement simulation system
Wu et al. Multi-robot gas source localization based on conditional information entropy
Yang et al. Robot dynamic collision detection method based on obstacle point cloud envelope model

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200710

Assignee: Hubei Hongrui Membrane Technology Co.,Ltd.

Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY)

Contract record no.: X2024980001471

Denomination of invention: A Pollution Source Localization Method Based on APF-PSO Algorithm

Granted publication date: 20220401

License type: Common License

Record date: 20240129

Application publication date: 20200710

Assignee: Wuhan Xingqi Technology Co.,Ltd.

Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY)

Contract record no.: X2024980001469

Denomination of invention: A Pollution Source Localization Method Based on APF-PSO Algorithm

Granted publication date: 20220401

License type: Common License

Record date: 20240129

Application publication date: 20200710

Assignee: Wuhan Xintiande Energy Technology Co.,Ltd.

Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY)

Contract record no.: X2024980001464

Denomination of invention: A Pollution Source Localization Method Based on APF-PSO Algorithm

Granted publication date: 20220401

License type: Common License

Record date: 20240129

Application publication date: 20200710

Assignee: Wuhan Shitu Technology Co.,Ltd.

Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY)

Contract record no.: X2024980001462

Denomination of invention: A Pollution Source Localization Method Based on APF-PSO Algorithm

Granted publication date: 20220401

License type: Common License

Record date: 20240129

Application publication date: 20200710

Assignee: Wuhan Rongguo Biotechnology Co.,Ltd.

Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY)

Contract record no.: X2024980001461

Denomination of invention: A Pollution Source Localization Method Based on APF-PSO Algorithm

Granted publication date: 20220401

License type: Common License

Record date: 20240129

Application publication date: 20200710

Assignee: TIANJIN YONGXINGTAI TECHNOLOGY CO.,LTD.

Assignor: CHINA University OF GEOSCIENCES (WUHAN CITY)

Contract record no.: X2024980001460

Denomination of invention: A Pollution Source Localization Method Based on APF-PSO Algorithm

Granted publication date: 20220401

License type: Common License

Record date: 20240129

EE01 Entry into force of recordation of patent licensing contract