CN111401611B - 一种化工厂设备巡检点路线优化方法 - Google Patents

一种化工厂设备巡检点路线优化方法 Download PDF

Info

Publication number
CN111401611B
CN111401611B CN202010149080.2A CN202010149080A CN111401611B CN 111401611 B CN111401611 B CN 111401611B CN 202010149080 A CN202010149080 A CN 202010149080A CN 111401611 B CN111401611 B CN 111401611B
Authority
CN
China
Prior art keywords
inspection
worker
artificial fish
routing
point
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
CN202010149080.2A
Other languages
English (en)
Other versions
CN111401611A (zh
Inventor
何明祥
李寅宁
李冠
于吉云
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and 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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010149080.2A priority Critical patent/CN111401611B/zh
Publication of CN111401611A publication Critical patent/CN111401611A/zh
Application granted granted Critical
Publication of CN111401611B publication Critical patent/CN111401611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

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

Abstract

本发明公开了一种化工厂设备巡检点路线优化方法，属于设备巡检点路线优化领域。本发明使用人工鱼群和粒子群算法优化巡检路线，在优化巡检路线的基础上使用多目标算法安排工人巡检；本发明通过使用粒子群算法对鱼群的速度和位置进行更新，可以有效地解决人工鱼群算法的时间复杂度高和粒子群算法的局部收敛的情况，并通过多目标算法平衡巡检工人的时间和路程；本发明能对大型化工厂设备巡检点路线进行智能优化处理，根据优化巡检路线安排工人的巡检，以解决因巡检点路径划分不合理导致的巡检工作效率低、巡检成本高等问题。

Description

一种化工厂设备巡检点路线优化方法
技术领域
本发明属于设备巡检点路线优化领域，具体涉及一种化工厂设备巡检点路线优化方法。
背景技术
设备巡检点路线优化问题是化工厂巡检系统常见问题之一，需要工人到每一个设备巡检点检查机器是否正常运行，巡检点路线的安排方式直接影响到巡检工人的工作效率和工厂的效益问题。目前，巡检点路线的选择一般以顺序的方式依次遍历整个设备巡检点路线图，人工安排人员巡检。传统的巡检点路线选择和人工安排人员巡检的方法不足之处表现为以下几个方面：1、每名巡检工人的巡检路线安排不均衡；2、巡检的时间安排不合理；3、目前巡检路线优化技术和巡检工人安排方式相对独立。如何高效、智能、可控地对巡检线路进行全局优化，并且改进优化方式，是目前大型化工厂设备巡检点巡检优化亟待解决的问题。
发明内容
本发明目的是改善现有技术，提出的一种化工厂设备巡检点路线优化方法，通过人工鱼群算法优化巡检路线并使用粒子群算法对人工鱼群算法中人工鱼的速度、位置更新，在优化巡检路线的基础上结合多目标算法对巡检工人的巡检路程和巡检时间进行优化，方法使得所消耗的人力资源减少，提高工人巡检效率。
为了实现上述目的，本发明采用如下技术方案：
一种化工厂设备巡检点路线优化方法，包括如下步骤：
步骤S1：输入化工厂设备巡检点路线相关数据；
步骤S2：设置人工鱼群和粒子群算法相关参数；
步骤S3：初始化人工鱼群X，生成人工鱼个体，随机分配到巡检节点中；
步骤S4：引入人工鱼群行为方式，各个人工鱼群分别模拟聚群行为、追尾行为、觅食行为，用粒子群算法更新人工鱼的速度和位置，记录局部最佳人工鱼状态；
步骤S5：判断当前人工鱼状态是否优于局部最佳状态；如果当前人工鱼状态优于局部最佳状态，用当前人工鱼状态替换局部最佳状态，并更新公告牌，否则步骤S4；
步骤S6：判断是否达到最大迭代次数，若达到最大迭代次数，则执行步骤S7，否则执行步骤S4；
步骤S7：保存优化的巡检路径相关数据R；计算出巡检工人P的人数下限
Figure GDA0003508018730000011
并将其结果作为多目标算法安排人员巡检的输入条件执行步骤S8；
步骤S8：初始化巡检工人P，设置多目标算法的相关参数，使用多目标算法安排人员巡检，计算目标函数值；
步骤S9：选取目标函数值中的非劣解加入精英级中，并计算各个巡检工人的适应度Fi，记录历史最佳巡检工人状态Pi pbest；
步骤S10：更新巡检工人状态，再次计算目标函数的值；
步骤S11：选取目标函数值中的非劣解加入精英集中，计算巡检工人的适应度，并删除其中适应度小的解；
步骤S12：判断当前巡检工人状态是否优于当前历史最佳状态Pi pbest；如果当前巡检工人状态优于当前历史最佳状态Pi pbest，则用当前的巡检人员替换，否则执行步骤S8；
步骤S13：判断迭代次数t，若当前迭代次数小于规定的迭代次数，则执行步骤S8，否则执行步骤S14；
步骤S14：保存最后得到的精英级；
步骤S15：导出化工厂设备巡检点巡检方案。
优选地，在步骤S1中，相关数据包括：巡检点的路径连通图G、巡检点i的巡检周期
Figure GDA0003508018730000021
巡检点i处的巡检时间
Figure GDA0003508018730000022
从当前巡检点i到下一巡检点j的路程di,j、所需要的时间Ti,j以及目标函数为Y＝f(x)。
优选地，在步骤S2中，相关参数包括：巡检节点数N、人工鱼的感知距离V、最大的移动距离S、拥挤度因子δ、当前迭代次数k以及最大迭代次数kmax；其中，0＜δ＜1。
优选地，在步骤S4中，人工鱼群具体的行为方式如下：
觅食行为
Figure GDA0003508018730000023
第i只人工鱼在搜索过程中，当前的位置记为
Figure GDA0003508018730000024
在可视范围V内的伙伴数目记为nf，下一个位置记为
Figure GDA0003508018730000025
若满足条件：
Figure GDA0003508018730000026
表示下一个位置附近食物多且不拥挤，则人工鱼向
Figure GDA0003508018730000027
的方向移动；若不满足条件，则再重新选择一个新的位置节点，再进行判断；若仍然不满足条件，则随机移动一步，其速度
Figure GDA0003508018730000028
和位置
Figure GDA0003508018730000029
的更新公式为：
Figure GDA00035080187300000210
Figure GDA00035080187300000211
Figure GDA00035080187300000212
else
xj＝xi+V·Rand()
Rand()是随机函数，生成(0,1)之间的随机数；ω为惯性权重，用于控制速度的更新，
Figure GDA0003508018730000031
ωmax、ωmin分别表示惯性权重的最大值和最小值，k、kmax分别表示当前迭代次数和最大的迭代次数；
聚群行为：第i只人工鱼在当前邻域内的位置记为
Figure GDA0003508018730000032
在其视野范围V内的伙伴位置记为
Figure GDA0003508018730000033
若
Figure GDA0003508018730000034
则表明其伙伴位置
Figure GDA0003508018730000035
优于
Figure GDA0003508018730000036
则人工鱼向伙伴位置方向移动；否则执行觅食行为；
追尾行为：在当前搜索邻域内，食物浓度最大的伙伴记为
Figure GDA0003508018730000037
若
Figure GDA0003508018730000038
则表示该伙伴周围具有较高的食物浓度且不拥挤，则向该伙伴方向移动，否则执行觅食行为。
优选地，在步骤S5中，公告牌是指记录每一次最优个体的位置状态，每一条人工鱼更新自身位置状态后均和公告牌上的进行对比，若优于公告牌上的状态，则更新公告牌，让更新后的位置状态代替公告牌上原来的状态。
优选地，在步骤S7中，保存优化的巡检路径的信息包括：优化路径{Vb}、最短路径长度Dmin及最短巡检时间Tmin；巡检工人的人数下限
Figure GDA0003508018730000039
其中，Tpmin为最短巡检周期，∑Ti为巡检总用时。
优选地，在步骤S8中，为衡量每名巡检工人的工作量，使用工人巡检时长方差和工人巡检路程的方差来表示；
工人巡检时长的方差：
Figure GDA00035080187300000310
其中Ti为工人在某一巡检点的巡检时间；
Figure GDA00035080187300000311
为巡检工人i的平均巡检用时；
工人巡检路程的方差：
Figure GDA00035080187300000312
Dk为巡检工人k的巡检路程，Di,j为巡检点i到巡检点j；
Figure GDA00035080187300000313
为巡检工人k的平均路程；
巡检工人时间约束：巡检点巡检工人工作时间Sn根据巡检路线
Figure GDA00035080187300000314
和巡检时间
Figure GDA00035080187300000315
确定；
Figure GDA00035080187300000316
S3为每日工作不超过8小时，S4为每日工作不超过6小时；
设备巡检点时间约束：
Figure GDA00035080187300000317
表示在巡检点i巡检结束的时间是开始时间加上该巡检点的巡检周期；
Figure GDA00035080187300000318
表示巡检点i到巡检点j，巡检点j的开始巡检时间为巡检点i的结束时间加上i到j的路程时间；其中巡检点i的周期为
Figure GDA00035080187300000319
在i点的巡检耗时为
Figure GDA00035080187300000320
在巡检点i开始巡检时间为
Figure GDA00035080187300000321
结束时间为
Figure GDA00035080187300000322
优选地，在步骤S9中，各个巡检工人的适应度
Figure GDA00035080187300000323
其中，s(d(i,j))为适应度函数；
Figure GDA0003508018730000041
其中，d(i,j)第i个巡检工人和第j个巡检工人的适应度分享函数，α、σs均为常数。
本发明所带来的有益技术效果：
本发明通过人工鱼群算法优化巡检路线并使用粒子群算法对人工鱼群算法中人工鱼的速度和位置进行更新，可以有效地解决人工鱼群算法的时间复杂度高和粒子群算法的局部收敛的情况，在优化巡检路线的基础上结合多目标算法对巡检工人的巡检路程和巡检时间进行优化，使得所消耗的人力资源减少，提高工人巡检效率；本发明能对大型化工厂设备巡检点路线进行智能优化处理，根据优化巡检路线安排工人的巡检，以解决因巡检点路径划分不合理导致的巡检工作效率低、巡检成本高等问题。
附图说明
图1为本发明一种化工厂设备巡检点路线优化方法的流程图；
图2为本发明使用人工鱼群和粒子群算法优化巡检路线的流程图；
图3为本发明使用人工鱼群和粒子群算法与只使用人工鱼群算法的对比图；
图4为本发明使用多目标算法安排工人巡检的流程图；
图5为本发明中巡检工人的目标函数迭代效果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
实例中提供了某化工厂设备巡检点的信息，巡检点的巡检时间和巡检周期如表1所示，巡检点之间的连通关系如表2所示。
表1巡检点周期和巡检时间表
Figure GDA0003508018730000042
Figure GDA0003508018730000051
表2巡检点之间连通关系表
i j d<sub>i,j</sub>
1 2 2
2 3 1
2 4 3
2 19 5
3 5 1
4 21 1
5 7 2
6 8 2
6 14 1
6 10 5
8 17 1
9 24 2
9 25 3
10 11 2
10 12 6
11 13 2
11 15 7
13 16 2
15 18 2
15 26 6
16 18 3
17 25 1
19 20 2
20 22 2
21 22 2
22 23 1
23 24 1
25 26 3
图1本发明为一种化工厂设备巡检点路线优化方法的流程图，包括如下步骤：
步骤S1：输入化工厂设备巡检点路线相关数据；包括：巡检点i的巡检周期
Figure GDA0003508018730000052
巡检点i处的巡检时间
Figure GDA0003508018730000053
从当前巡检点i到下一巡检点j的路程di,j和所需要的时间Ti,j，确定目标函数为Y＝f(x)；
Figure GDA0003508018730000054
图2为使用人工鱼群和粒子群算法优化巡检路径的流程图，其过程如下：
步骤S2：设置人工鱼群和粒子群算法相关参数，各个参数设置如表3所示，其中人工鱼的感知距离V使用各个设备巡检点之间的平均距离
Figure GDA0003508018730000061
表示，最大移动距离采用S＝V/4；
表3人工鱼和粒子群算法参数表
Figure GDA0003508018730000062
步骤S3：初始化人工鱼群X＝(X1,X2,…,X26)，生成人工鱼个体，随机分配到巡检节点中；
步骤S4：引入人工鱼群行为方式，各个人工鱼群分别模拟聚群行为、追尾行为、觅食行为，用粒子群算法来更新人工鱼的速度和位置，记录局部最佳人工鱼状态；
步骤S5：如果当前人工鱼状态优于局部最佳状态，用当前人工鱼状态替换局部最佳状态，并更新公告牌，否则再次引入人工鱼方式；
步骤S6：判断是否达到最大迭代次数，若达到则执行步骤S7，否则执行步骤S4；
使用人工鱼和粒子群算法优化巡检路径过程结束，执行步骤S7；
步骤S7：保存优化的巡检路径相关数据R；巡检路径相关数据R包括优化后的路径{Vb}：
{V1—V2—V3—V5—V7V4—V21—V20—V19—V20—V22—V23—V24—V9—V25—V17—V8—V6—V14—V12—V10—V11—V13—V16—V18—V15—V26}；
最短路径长度Dmin＝70，最短巡检时间Tmin＝112。计算出巡检工人的人数下限
Figure GDA0003508018730000063
并将其结果作为多目标优化算法安排人员巡检的输入条件执行步骤S8。
图3是对比了使用人工鱼群和粒子群算法求解和只使用人工鱼群算法的收敛曲线，结果发现使用人工鱼群和粒子群算法比单纯使用人工鱼群算法路径收敛得更快。
图4是使用多目标算法安排人员巡检的流程图，其过程包括：
步骤S8：初始化巡检工人P＝{P1,P2,P3,P4,P5,P6}；设置多目标算法的相关参数，当前精英级
Figure GDA0003508018730000064
最大容量为Mmax，迭代次数t＝100作为算法终止条件，计算目标函数的值；
步骤S9：选取目标函数值中的非劣解加入精英级中，并计算各个巡检工人的适应度Fi，记录历史最佳巡检工人状态Pi pbest；
步骤S10：更新巡检工人状态，再次计算目标函数的值；
步骤S11：选取目标函数值中的非劣解加入精英集中，计算巡检工人的适应度，并删除其中适应度小的解，以保证不超过精英集的最大容量；
步骤S12：如果当前巡检工人状态优于当前历史最佳状态Pi pbest，则用当前的巡检人员替换，否则再次初始化；
步骤S13：判断迭代次数t，若当前迭代次数小于规定的迭代次数，继续初始化巡检工人，否则执行步骤S14；
使用多目标算法安排工人巡检的过程结束，执行步骤S14；
步骤S14：保存最后得到的精英级；经过迭代，多目标算法的目的是平衡每名巡检工人的巡检时长和巡检路程长度，发现在所有安排的巡检方案中，6名巡检人员均收敛的安排方案即为所要保存的方案，如图5所示。
步骤S15：导出化工厂设备巡检点巡检方案：方案如表4所示：
表4巡检人员方案安排表
Figure GDA0003508018730000071
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的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，也应属于本发明的保护范围。

Claims (1)

1.一种化工厂设备巡检点路线优化方法，其特征在于：包括如下步骤：
步骤S1：输入化工厂设备巡检点路线相关数据；
步骤S2：设置人工鱼群和粒子群算法相关参数；
步骤S3：初始化人工鱼群X，生成人工鱼个体，随机分配到巡检节点中；
步骤S4：引入人工鱼群行为方式，各个人工鱼群分别模拟聚群行为、追尾行为、觅食行为，用粒子群算法更新人工鱼的速度和位置，记录局部最佳人工鱼状态；
步骤S5：判断当前人工鱼状态是否优于局部最佳状态；如果当前人工鱼状态优于局部最佳状态，用当前人工鱼状态替换局部最佳状态，并更新公告牌，否则步骤S4；
步骤S6：判断是否达到最大迭代次数，若达到最大迭代次数，则执行步骤S7，否则执行步骤S4；
步骤S7：保存优化的巡检路径相关数据R；计算出巡检工人P的人数下限
Figure FDA0003508018720000016
并将其结果作为多目标算法安排人员巡检的输入条件执行步骤S8；
步骤S8：初始化巡检工人P，设置多目标算法的相关参数，使用多目标算法安排人员巡检，计算目标函数值；
步骤S9：选取目标函数值中的非劣解加入精英级中，并计算各个巡检工人的适应度Fi，记录历史最佳巡检工人状态
Figure FDA0003508018720000011
步骤S10：更新巡检工人状态，再次计算目标函数的值；
步骤S11：选取目标函数值中的非劣解加入精英集中，计算巡检工人的适应度，并删除其中适应度小的解；
步骤S12：判断当前巡检工人状态是否优于当前历史最佳状态
Figure FDA0003508018720000012
如果当前巡检工人状态优于当前历史最佳状态
Figure FDA0003508018720000013
则用当前的巡检人员替换，否则执行步骤S8；
步骤S13：判断迭代次数t，若当前迭代次数小于规定的迭代次数，则执行步骤S8，否则执行步骤S14；
步骤S14：保存最后得到的精英级；
步骤S15：导出化工厂设备巡检点巡检方案；
在步骤S1中，相关数据包括：巡检点的路径连通图G、巡检点i的巡检周期
Figure FDA0003508018720000014
巡检点i处的巡检时间
Figure FDA0003508018720000015
从当前巡检点i到下一巡检点j的路程di,j、所需要的时间Ti,j以及目标函数为Y＝f(x)；
在步骤S2中，相关参数包括：巡检节点数N、人工鱼的感知距离V、最大的移动距离S、拥挤度因子δ、当前迭代次数k以及最大迭代次数kmax；其中，0＜δ＜1；
在步骤S4中，人工鱼群具体的行为方式如下：
觅食行为
Figure FDA0003508018720000021
第i只人工鱼在搜索过程中，当前的位置记为
Figure FDA0003508018720000022
在可视范围V内的伙伴数目记为nf，下一个位置记为
Figure FDA0003508018720000023
若满足条件：
Figure FDA0003508018720000024
表示下一个位置附近食物多且不拥挤，则人工鱼向
Figure FDA0003508018720000025
的方向移动；若不满足条件，则再重新选择一个新的位置节点，再进行判断；若仍然不满足条件，则随机移动一步，其速度
Figure FDA0003508018720000026
和位置
Figure FDA0003508018720000027
的更新公式为：
如果：
Figure FDA0003508018720000028
Figure FDA0003508018720000029
Figure FDA00035080187200000210
否则：
xj＝xi+V·Rand()
Rand()是随机函数，生成(0，1)之间的随机数；ω为惯性权重，用于控制速度的更新，
Figure FDA00035080187200000211
ωmax、ωmin分别表示惯性权重的最大值和最小值，k、kmax分别表示当前迭代次数和最大的迭代次数；
聚群行为：第i只人工鱼在当前邻域内的位置记为
Figure FDA00035080187200000212
在其视野范围V内的伙伴位置记为
Figure FDA00035080187200000213
若
Figure FDA00035080187200000214
则表明其伙伴位置
Figure FDA00035080187200000215
优于
Figure FDA00035080187200000216
则人工鱼向伙伴位置方向移动；否则执行觅食行为；
追尾行为：在当前搜索邻域内，食物浓度最大的伙伴记为
Figure FDA00035080187200000217
若
Figure FDA00035080187200000218
则表示该伙伴周围具有较高的食物浓度且不拥挤，则向该伙伴方向移动，否则执行觅食行为；
在步骤S5中，公告牌是指记录每一次最优个体的位置状态，每一条人工鱼更新自身位置状态后均和公告牌上的进行对比，若优于公告牌上的状态，则更新公告牌，让更新后的位置状态代替公告牌上原来的状态；
在步骤S7中，保存优化的巡检路径的信息包括：优化路径{Vb}、最短路径长度Dmin及最短巡检时间Tmin；巡检工人的人数下限
Figure FDA00035080187200000219
其中，Tpmin为最短巡检周期，∑Ti为巡检总用时；
在步骤S8中，为衡量每名巡检工人的工作量，使用工人巡检时长方差和工人巡检路程的方差来表示；
工人巡检时长的方差：
Figure FDA0003508018720000031
其中Ti为工人在某一巡检点的巡检时间；
Figure FDA0003508018720000032
Figure FDA0003508018720000033
为巡检工人i的平均巡检用时；
工人巡检路程的方差：
Figure FDA0003508018720000034
Dk为巡检工人k的巡检路程，Di，j为巡检点i到巡检点j；
Figure FDA0003508018720000035
Figure FDA0003508018720000036
为巡检工人k的平均路程；
巡检工人时间约束：巡检点巡检工人工作时间Sn根据巡检路线
Figure FDA0003508018720000037
和巡检时间
Figure FDA0003508018720000038
确定；
Figure FDA0003508018720000039
S3为每日工作不超过8小时，S4为每日工作不超过6小时；
设备巡检点时间约束：
Figure FDA00035080187200000310
表示在巡检点i巡检结束的时间是开始时间加上该巡检点的巡检周期；
Figure FDA00035080187200000311
表示巡检点i到巡检点j，巡检点j的开始巡检时间为巡检点i的结束时间加上i到j的路程时间；其中巡检点i的周期为
Figure FDA00035080187200000312
在i点的巡检耗时为
Figure FDA00035080187200000313
在巡检点i开始巡检时间为
Figure FDA00035080187200000314
结束时间为
Figure FDA00035080187200000315
在步骤S9中，各个巡检工人的适应度
Figure FDA00035080187200000316
其中，s(d(i，j))为适应度函数；
Figure FDA00035080187200000317
其中，d(i，j)第i个巡检工人和第j个巡检工人的适应度分享函数，α、σs均为常数。
CN202010149080.2A 2020-03-06 2020-03-06 一种化工厂设备巡检点路线优化方法 Active CN111401611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010149080.2A CN111401611B (zh) 2020-03-06 2020-03-06 一种化工厂设备巡检点路线优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010149080.2A CN111401611B (zh) 2020-03-06 2020-03-06 一种化工厂设备巡检点路线优化方法

Publications (2)

Publication Number Publication Date
CN111401611A CN111401611A (zh) 2020-07-10
CN111401611B true CN111401611B (zh) 2022-04-22

Family

ID=71428567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010149080.2A Active CN111401611B (zh) 2020-03-06 2020-03-06 一种化工厂设备巡检点路线优化方法

Country Status (1)

Country Link
CN (1) CN111401611B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381964B (zh) * 2020-11-12 2023-04-25 国网山东省电力公司泰安供电公司 一种电力线路巡检配置方法及系统
CN116088540B (zh) * 2023-04-07 2023-06-27 电子科技大学中山学院 无人机协同无人车的电缆通道巡检方法、介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101515338A (zh) * 2009-03-06 2009-08-26 山东大学 基于全局信息的人工鱼群算法
CN101859100A (zh) * 2010-06-18 2010-10-13 杭州电子科技大学 一种基于模糊交货期流水生产排程的改进微粒群优化方法
CN103049805A (zh) * 2013-01-18 2013-04-17 中国测绘科学研究院 基于改进粒子群优化的带时间窗约束的车辆路径优化方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN104392283A (zh) * 2014-11-27 2015-03-04 上海电机学院 基于人工鱼群算法的交通路径搜索方法
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
CN109190851A (zh) * 2018-10-25 2019-01-11 上海电机学院 一种基于改进鱼群算法的独立风光储微网的优化配置算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101515338A (zh) * 2009-03-06 2009-08-26 山东大学 基于全局信息的人工鱼群算法
CN101859100A (zh) * 2010-06-18 2010-10-13 杭州电子科技大学 一种基于模糊交货期流水生产排程的改进微粒群优化方法
CN103049805A (zh) * 2013-01-18 2013-04-17 中国测绘科学研究院 基于改进粒子群优化的带时间窗约束的车辆路径优化方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN104392283A (zh) * 2014-11-27 2015-03-04 上海电机学院 基于人工鱼群算法的交通路径搜索方法
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
CN109190851A (zh) * 2018-10-25 2019-01-11 上海电机学院 一种基于改进鱼群算法的独立风光储微网的优化配置算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"全局人工鱼群优化BP神经网络在火灾探测中的应用";石姗姗等;《中国科技论文》;20191130;第14卷(第11期);全文 *
"基于人工鱼群神经网络的GPS高程拟合研究";张景宇等;《城市勘测》;20170228(第1期);全文 *
"基于鱼群神经网络的地下水脆弱性评价与分析";刘畅等;《中国新技术新产品 生态与环境工程》;20161231;全文 *
"改进人工鱼群算法优化小波神经网络在矿用变压器故障诊断中的应用";张英杰等;《煤炭技术》;20180930;第37卷(第9期);全文 *

Also Published As

Publication number Publication date
CN111401611A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
WO2022000924A1 (zh) 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法
WO2022135066A1 (zh) 一种基于时序差分的混合流水车间调度方法
CN106875090B (zh) 一种面向动态任务的多机器人分布式任务分配形成方法
CN111401611B (zh) 一种化工厂设备巡检点路线优化方法
CN112836974B (zh) 一种基于dqn和mcts的箱区间多场桥动态调度方法
CN111985672B (zh) 一种多Agent深度强化学习的单件作业车间调度方法
CN110598941A (zh) 一种基于仿生策略的粒子群优化制造系统双目标排产方法
CN110503260A (zh) 一种基于动态路径规划的agv调度方法
CN110956371A (zh) 面向复杂人机耦合的智能制造车间的绿色调度优化方法
CN114707881A (zh) 一种基于深度强化学习的作业车间自适应调度方法
CN112883632B (zh) 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN116050540B (zh) 一种基于联合双维度用户调度的自适应联邦边缘学习方法
CN115239245A (zh) 一种面向立体仓库的任务调度与优化方法
CN111160654B (zh) 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法
CN115994891B (zh) 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法
CN117075634A (zh) 基于改进蚁群算法的配电网多无人机调度巡检方法及装置
CN107133703A (zh) 一种基于需求驱动的不相容工件组在线分批加工方法
CN116340737A (zh) 基于多智能体强化学习的异构集群零通信目标分配方法
CN116048071A (zh) 基于粒子群和差分进化算法的移动机器人路径规划方法
CN115983560A (zh) 一种自优化协同驱控的酿造车间智能吊装系统
CN114219274A (zh) 一种基于深度强化学习适应机器状态的车间调度方法
CN108873850A (zh) 一种机械制造自动化生产过程的优化调度方法
CN108924196A (zh) 工业互联网绿色能源管理系统
CN115496322A (zh) 分布式流水车间调度方法及装置
CN113283755B (zh) 一种车间智能调度决策方法

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