CN112036540B - 一种基于双种群混合人工蜂群算法的传感器数目优化方法 - Google Patents
一种基于双种群混合人工蜂群算法的传感器数目优化方法 Download PDFInfo
- Publication number
- CN112036540B CN112036540B CN202010927416.3A CN202010927416A CN112036540B CN 112036540 B CN112036540 B CN 112036540B CN 202010927416 A CN202010927416 A CN 202010927416A CN 112036540 B CN112036540 B CN 112036540B
- Authority
- CN
- China
- Prior art keywords
- population
- sensor
- optimization
- determining
- algorithm
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 162
- 238000005457 optimization Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 87
- 235000012907 honey Nutrition 0.000 claims description 69
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 22
- 230000002441 reversible effect Effects 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 17
- 230000001364 causal effect Effects 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000002068 genetic effect Effects 0.000 description 25
- 239000002245 particle Substances 0.000 description 19
- 230000006399 behavior Effects 0.000 description 16
- 241000251468 Actinopterygii Species 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000002028 premature Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000426451 Camponotus modoc Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003399 chemotactic effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于双种群混合人工蜂群算法的传感器数目优化方法。该方法包括：确定传感器优化配置的优化目标函数；建立约束条件函数；根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围；基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化。本发明能够提高优化计算速度，使传感器优化配置结果更为合理。
Description
技术领域
本发明涉及传感器数目优化领域，特别是涉及一种基于双种群混合人工蜂群算法的传感器数目优化方法。
背景技术
核电站相关设备及装置会随着运行时间的增加产生老化和损伤，从而会大大增加系统故障发生的概率。而健康管理和寿命预测技术的开展、其策略可行性、准确性主要是通过传感器获取的多方面信息进行评估的。只有当传感器采集到足够的、准确的运行参数，并对其进行综合分析，才能准确地进行各个系统以及设施的运行状态评估，并根据分析结果制定相关维护维修策略，最终增加各个系统及设备的服役寿命，甚至是反向推动健康管理和寿命预测系统的发展。现有的传感器配置优化仍然是在传感器数目确定的基础上进行的，所以对传感器的数目进行优化具有重要性。
发明内容
基于此，本发明的目的是提供一种基于双种群混合人工蜂群算法的传感器数目优化方法。
为实现上述目的，本发明提供了如下方案：
一种基于双种群混合人工蜂群算法的传感器数目优化方法，包括：
确定传感器优化配置的优化目标函数；
建立约束条件函数；
根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围；
基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化。
进一步地，所述确定传感器优化配置的优化目标函数，具体包括：
采集核动力装置各系统在正常运行状态下的的正常运行数据以及不同故障模式下的故障运行数据；
根据所述正常运行数据以及所述故障运行数据，确定不同故障模式下传感器节点的响应状况；
基于所述传感器节点响应状况，确定传感器对故障的因果关系矩阵；
对所述因果关系矩阵进行扩展，得到传感器对故障的观测概率矩阵；
基于所述观测概率矩阵，确定传感器优化配置的优化目标函数。
进一步地，所述建立约束条件函数，具体包括：
建立单故障可隔离的约束条件；
建立虚警率指标；
建立漏检故障危害程度总和的约束条件。
进一步地，所述基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化，具体包括：
初始化种群；
全局随机搜索蜜源位置；所述蜜源位置表示传感器数目；
利用反向学习将随机搜索的蜜源位置生成反向解；
根据随机搜索的蜜源位置以及反向解，基于所述适应度评估函数生成改进的初始种群；
将所述改进的初始种群划分为第一种群和第二种群；
对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体；
根据所述第一种群的最优个体和所述第二种群的最优个体，进行交互学习操作确定传感器配置优化结果。
进一步地，在雇佣蜂搜索阶段，对于第一种群采用量子分布的人工蜂群算法进行搜索，对于第二种群采用高斯变异方法进行全局搜索。
进一步地，在所述对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体，之后还包括：
判断是否产生侦查蜂；
若是，则重新随机搜索蜜源位置。
本发明还提供了一种基于双种群混合人工蜂群算法的传感器数目优化系统，包括：
优化目标函数确定模块，用于确定传感器优化配置的优化目标函数；
约束条件函数建立模块，用于建立约束条件函数；
评估函数以及优化范围确定模块，用于根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围；
优化模块，用于基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化。
进一步地，所述优化目标函数确定模块具体包括：
数据采集单元，用于采集核动力装置各系统在正常运行状态下的的正常运行数据以及不同故障模式下的故障运行数据；
响应状况确定单元，用于根据所述正常运行数据以及所述故障运行数据，确定不同故障模式下传感器节点的响应状况；
因果关系矩阵确定单元，用于基于所述传感器节点响应状况，确定传感器对故障的因果关系矩阵；
观测概率矩阵确定单元，用于对所述因果关系矩阵进行扩展，得到传感器对故障的观测概率矩阵；
优化目标函数确定单元，用于基于所述观测概率矩阵，确定传感器优化配置的优化目标函数。
进一步地，所述优化模块具体包括：
初始化单元，用于初始化种群；
随机搜索单元，用于全局随机搜索蜜源位置；所述蜜源位置表示传感器数目；
反向解生成单元，用于利用反向学习将随机搜索的蜜源位置生成反向解；
改进的初始种群生成单元，用于根据随机搜索的蜜源位置以及反向解，基于所述适应度评估函数生成改进的初始种群；
划分单元，用于将所述改进的初始种群划分为第一种群和第二种群；
雇佣蜂搜索和跟随蜂搜索单元，用于对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体；
优化结果确定单元，用于根据所述第一种群的最优个体和所述第二种群的最优个体，进行交互学习操作确定传感器配置优化结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种基于双种群混合人工蜂群算法的传感器数目优化方法，包括：确定传感器优化配置的优化目标函数；建立约束条件函数；根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围；基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化。通过上述方法，能够提高优化计算速度，使传感器优化配置结果更为合理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于双种群混合人工蜂群算法的传感器数目优化方法的流程图；
图2为本发明实施例基于双种群混合人工蜂群算法的传感器数目优化方法的工作原理图；
图3为本发明实施例基于双种群混合人工蜂群算法的传感器数目优化系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于双种群混合人工蜂群算法的传感器数目优化方法。
传感器优化配置的任务是进行测试点、传感器的最优配置。以期获得测试点、传感器配置成本与可诊断性要求之间的最佳平衡。如果传感器的数目过多有可能使系统的可靠性下降，同时造成浪费；过少的传感器可能达不到状态监测的目的，而且有可能造成虚警和漏检等。
传感器优化配置就是从装备故障点和状态特征参数出发，根据选定的传感器类型进行传感器的优化分配。传感器的优化配置过程主要包括传感器配置模型建立、性能诊断指标描述、传感器优化配置算法、传感器配置性能评估等内容。
(1)传感器配置模型建立
在诊断和预测知识库、数据库以及需求分析文档的基础上，构建系统传感器配置模型。传感器配置模型多种多样。如早期的有向图模型、多信号流图模型，以及最近提出的混合诊断模型、Petri网模型。
有向图模型的建模思想是基于从系统论的观点出发，系统是由有限个元素，通过过元素之间的联系，按照一定的规律聚合而成。系统中的元素以及元素之间的联系称为系统的构造，系统的相关性说明了各要素之间的相互关系。系统的相关性用R表示，则在传感器优化配置过程中R表示传感器节点与故障节点之间的影响关系。有向图模型在多个领域都得到了广泛的应用，其中Tsuge将SDG(符号有向图模型)与小波分析相结合，H.Vedam将SDG方法推广到多故障源诊断。
多信号流图模型建模思想是用有向边将组成模块与组成模块、组成模块与测试点之间连接起来。并在组成模块中添加该模块可能发生的故障模式，用信息流反应故障传播方向。在通常情况下，一个模块可能出现多种故障模式，将一种故障模式看作一种信号，因此称为多信号流图模型。多信号模型具有建模简单、易于操作的特点。
混合诊断模型是在2000年由DSI公司提出，在本质上与多信号模型类似。该模型在设计之初描述功能模型与测试之间的依存关系，在设计后期描述故障模式与测试之间的依存关系，并可添加诊断推理规则。但是模型间无直接关联，若设计发生变化，则模型也需要更新。
Petri网模型以研究系统的组织结构和动态行为为目标，着眼于系统中可能发生的各种变化以及变化之间的关系，描述系统中事件之间的各种依赖关系，如顺序、并发等。它适合于描述以有规则的流动行为特征的系统，例如物流、信息流等。
在本发明中通过已有的数据库以及基于系统响应的工艺流程图，来建立传感器节点与故障节点之间的相互关系，最终通过因果关系矩阵表示。
基于流程图方法的建模虽然具备支路状态半定量化、直观形象易于建立、能形象的反应故障传播关系的优点，但是在建立设备单元模型中容易漏掉整个系统故障传播的重要变量，建立设备单元模型还需依靠经验、仿真或数学模型。这是本发明在传感器优化配置过程中模型建立的优缺点。
(2)诊断性能指标描述
在传感器配置模型建立后，遵循IEEE Std1522标准对可诊断性、可检测性、可隔离性等性能指标的定义和要求，将其具体细化到传感器配置模型中，对诊断性能指标进行定性描述和定量描述，为后续的传感器配置优化、诊断和预测提供依据。
本发明作为一个单目标优化算法并且以故障检测率作为目标函数。而传统的传感器优化通常是一个多目标优化问题，优化目标通常为传感器代价和漏检故障危害程度之和。本发明最终的传感器优化结果能够较好的避免由于不考虑漏检故障危害程度的影响，而造成漏检故障对整个系统产生较大危害的后果。如果系统发生了某个故障，但是该故障未被传感器系统检测，未被传感器检测到的这个故障的危害程度较小，所以本发明将漏检故障危害程度总和作为一个约束条件，具有一定的创新性。
(3)传感器优化配置算法
传感器的优化布置就是通过合适的优化算法使得优化配置准则取极值。根据传感器布置需要达到的目的不同，可以构造不同的目标函数。同时根据不同的运行要求，传感器布置需要满足相应的约束条件。本发明针对的主要是故障检测方面的需求，即通过用最优的传感器数目达到能够检测故障的要求。本发明考虑在实际运行过程中系统的运行要求，引入了虚警率，漏检故障危害程度，单故障可隔离等约束条件。因此本发明对于某些对故障检测要求较高的系统的传感器数目确定具有适用性。
对于传感器优化布置算法主要有传统优化算法有效独立法、运动能量法、Guyan模型法和主分量法等，非传统优化算法遗传算法、小波分析法、粒子群算法和模拟退火法等。
对于非结构性的系统进行传感器布置优化，由于不能获得空间上的结构参数以及相关的模态信息，所以不能用传统的MAC方法，序列法，有效独立法等。对于非结构性的系统进行传感器数目优化，随机类算法是非常合适的。常用的随机类优化算法包括遗传算法、粒子群算法、蚁群算法、人工鱼群算法、人工蜂群算法。
a.遗传算法
遗传算法实质上是一种繁衍、监测和评价的迭代算法。它一般要包括以下几个处理步骤：首先，对问题的解进行编码，即用染色体表示问题的潜在解，生成经过编码的初始种群；然后根据适应度大小挑选个体进行遗传操作；最后按照适者生存和优胜劣汰的原理逐代演化，得到问题的最优解或者近似最优解。
遗传算法能够在复杂空间中进行全局优化搜索，并且具有较强的鲁棒性。遗传算法的特点是具有很强的并行性。遗传算法在解空间中进行高效的启发式搜索，而不是盲目的穷举或者随机的搜索。遗传算法具有极强的容错能力，它的初始串集本身就带有大量的与最优解相离很远的信息，通过选择、交叉、变异这三个算子的操作能迅速排除与最优解相差极大的串个体。此外遗传算法还具有计算简单，编程实现难度低，功能强的优点，因此遗传算法适合于高维数、总体大、环境复杂、问题结构不十分清楚的场合。
遗传算法存在一些问题，比如说：适应值标定方式多种多样、遗传算法的早熟现象、在最优解附近摆动等问题，另外其局部搜索能力不足，导致遗传算法在进化后期收敛速度变慢，甚至无法收敛到全局最优解。还有不足就是遗传算子的无方向性，算子操作不能保证产生的新个体是否优良。
多年来，研究者发表了大量的改进遗传算法文章，改进途径可主要归为基于算子选择模型；基于参数设置；基于分层次遗传算法；基于自适应遗传算法；基于小生境技术的遗传算法；基于并行遗传算法；基于混合遗传算法等方面。
b.粒子群算法
粒子群算法将每个个体看作是n维搜索空间中的一个没有重量和体积的粒子，并在搜索空间中以一定的搜索速度飞行，该飞行速度由个体的飞行经验和群体的飞行经验进行动态调整。速度的调整包括三部分：惯性、自身最优的趋向性和社会最优的趋向性。
粒子群算法的特点主要包括，基本粒子群算法最初是处理连续优化问题的，其搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个个体的方法，具有本质的并行性。采用实数进行编码，直接在问题域上进行处理，无需转换，因此算法简单，易于实现。类似于遗传算法粒子群算法也是多点搜索，其解的质量不依赖于初始点的选取。算法在优化过程中，每个粒子通过自身经验和群体经验进行更新，具有学习的功能。
粒子群算法的优点主要包括，粒子群算法保留了基于种群的全局搜索策略，采用简单的速度位移模型，避免了复杂的操作，同时它具有记忆微粒最佳位置的能力，以及微粒信息共享的机制，保留局部个体和全局种群的最优信息，使其可以动态跟踪当前的搜索情况以调整其搜索策略，因此粒子群算法作为一种更高效的并行搜索算法，非常适合复杂环境的优化问题求解。算法的通用性强，且不需要借助问题的特征信息，受所求问题维数的影响较小。粒子群算法概念简单，易于实现，只需很少的代码和参数。
粒子群算法的不足主要包括，算法局部搜索能力较差，搜索精度不够高，需要较长的计算时间，很容易发生早熟收敛。算法性能对参数设置具有一定的依赖性，算法的鲁棒性差。算法可求解离散变量的优化问题，但对离散变量的取整可能导致较大的误差。在动态环境中，粒子群算法不能很好地跟踪最优解。粒子群算法不适合应用于多模态函数优化。
c.蚁群算法
蚁群算法是通过模拟自然界蚂蚁寻食过程中，通过释放一种特殊的分泌物，信息素来相互交流，从而找到与蚁巢至食物的最短路径。蚁群算法中存在着几个重要的算法策略，即选择策略、更新策略、协同策略。
蚁群算法的优点主要包括，蚁群算法是一种自组织算法，蚁群算法采用分布式控制，不存在中心控制。每个个体智能感知局部信息，不能直接使用全局信息。蚁群算法是一种本质上并行的算法，其搜索过程不是从一点出发，而是同时从多个点同时进行，每只蚂蚁的搜索过程彼此独立，仅通过信息激素进行通信。蚁群算法是一种正反馈算法，通过不断加强最优解的信息素，加快算法的收敛速度。蚁群算法具有很强的鲁棒性。
蚁群算法的缺点是算法需要较长的搜索时间，易于出现早熟停滞现象。算法还未形成系统的数学理论基础，还存在许多未完善的地方。目前部分改进的蚁群算法都是针对于特定的问题，普适性不强。蚁群算法求解连续优化问题相对较弱，并且参数对算法性能也有很大的影响。
d.人工鱼群算法
人工鱼群算法是通过模拟鱼类生活觅食的特点，构造人工鱼并模仿鱼群的觅食、聚群及追尾行为，通过人工鱼个体的局部寻优，从而达到在在群体中突显出全局最优值的目的。人工鱼具有六种基本行为：觅食行为、追尾行为、聚群行为、随机行为、跳跃行为、吞食行为。觅食行为奠定了算法收敛的基础，聚群行为增强了算法收敛的稳定性，追尾行为则增强了算法收敛的快速性和全局性，行为分析对算法收敛的速度和稳定性提供了保障。
人工鱼群算法的优点是：并行性好、实现简单、宽容性好、较好的全局收敛性、收敛速度快。
人工鱼群算法的缺点是：由于算法存在随机步长，随机移动行为等随机因素，算法的寻优精度不高，求解规模过大，与遗传算法，粒子群算法和蚁群算法类似，人工鱼群算法后期的收敛速度变慢。虽然人工鱼的随机移动行为在一定的程度上可以保证算法的全局收敛性但是当优化问题的局部极值较多，并且局部极值点与全局最后点相距较远时，人工鱼很难跳出局部极值。随着人工鱼群规模的扩大，算法的计算量急剧变大，需要更大的存储空间。
e.人工蜂群算法
人工蜂群算法是一种群体智能模型，它由土耳其学者Karaboga在2005年提出，本方法是一种模拟蜜蜂群体寻找优良蜜源的仿生智能计算方法。近年来许多研究者对蜂群算法提出新的模型，并进行了改进和性能分析。为提高算法的收敛速度及优化精度，提出了将单纯形算子引入蜂群算法中，使算法不仅收敛速度明显加快，且由于搜索方式增多，很少陷入停滞现象。为了提高种群的多样性以及避免过早收敛，基于玻尔兹曼选择机制提出了一种改进的人工蜂群算法用于优化多变量函数。针对蜂群算法的搜索机制，提出一种基于Banach、空间压缩映射定点理论的搜索迭代算子蜂群算法。为了加快算法的收敛速度，采用基于一般的反向学习策略进行种群初始化。在多方法综合中，有学者提出合作人工蜂群算法，算法在准确性、鲁棒性和收敛速度上有性能上的提升。还有学者提出了一种基于混沌优化的双种群人工蜂群算法，算法将种群随机的分为两个子种群，在子种群中采用不同的搜索策略，提高了算法的收敛速度。人工蜂群算法和其他算法的融合方面，有人将细菌觅食算法的趋化行为结合到雇佣蜂和跟随蜂的搜索行为机制中。
人工蜂群算法的主要特点包括：是一种广义的领域搜索算法，通过三种蜂的不同情况下的转换，借助启发式的搜索策略，不仅有效的进行局部搜索，还具有全局寻优的能力。从算法实现的方式来看，可以采用串行方式实现也可以采用并行方式实现，具有并行执行能力，可以由此设计出高效的系统。算法对寻优函数没有特殊要求，对初值也无特殊要求，算法的适应性较强。人工蜂群算法的通用性较强，由于采用面向对象来实现，可以很好地与实际问题相结合，简单易用。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-2所示，一种基于双种群混合人工蜂群算法的传感器数目优化方法包括以下步骤：
步骤101：确定传感器优化配置的优化目标函数。具体包括：
步骤1011：采集核动力装置各系统在正常运行状态下的的正常运行数据以及不同故障模式下的故障运行数据.
步骤1012：根据所述正常运行数据以及所述故障运行数据，确定不同故障模式下传感器节点的响应状况。
步骤1013：基于所述传感器节点响应状况，确定传感器对故障的因果关系矩阵。
步骤1014：对所述因果关系矩阵进行扩展，得到传感器对故障的观测概率矩阵。
步骤1015：基于所述观测概率矩阵，确定传感器优化配置的优化目标函数。
步骤102：建立约束条件函数。具体包括：
步骤1021：建立单故障可隔离的约束条件。
步骤1022：建立虚警率指标。
步骤1023：建立漏检故障危害程度总和的约束条件。
步骤103：根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围。
步骤104：基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化。具体包括：
步骤1041：初始化种群。
步骤1042：全局随机搜索蜜源位置；所述蜜源位置表示传感器数目。
步骤1043：利用反向学习将随机搜索的蜜源位置生成反向解。
步骤1044：根据随机搜索的蜜源位置以及反向解，基于所述适应度评估函数生成改进的初始种群。
步骤1045：将所述改进的初始种群划分为第一种群和第二种群。
步骤1046：对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体。在雇佣蜂搜索阶段，对于第一种群采用量子分布的人工蜂群算法进行搜索，对于第二种群采用高斯变异方法进行全局搜索。
步骤1047：根据所述第一种群的最优个体和所述第二种群的最优个体，进行交互学习操作确定传感器配置优化结果。
在步骤1046之后还包括：判断是否产生侦查蜂；若是，则重新随机搜索蜜源位置。
下面详细介绍本发明的工作过程：
步骤1：采集和存储同一种堆型的核动力装置各系统实际运行数据，以及其全范围模拟机仿真的各种单一事故和复杂事故下的运行数据。本方法具有通用性，下面仅以化学和容积控制系统为例进行说明。
步骤2：根据步骤1采集到的正常运行状态和不同故障模式下的运行数据，比较故障模式相较于正常运行状态运行数据的变化情况。根据运行数据变化情况，可以得到在该种故障模式下哪些传感器节点会发生响应，最终明确不同故障模式下，传感器节点的响应状况。
步骤3：对于步骤2中的传感器节点响应状况采用传感器对故障的因果关系矩阵D＝S×F＝[dij]进行描述，有利于在后续编程过程中将传感器对故障的响应转化为编程语言。在因果关系矩阵中行对应的是传感器序列，列对应的是故障序列。该矩阵内容取布尔值，“1”表示所在行的传感器可以观测到所在列的故障，“0”表示所在行的传感器不能观测到所在列的故障。在因果关系矩阵中删除那些对所有故障都不响应的传感器序列，得到传感器对故障的因果关系矩阵2。这种操作可以缩小后续优化的解空间范围，同时可以达到减少优化时间的目的。
步骤4：传感器对故障的因果关系矩阵2中隐含了传感器节点能以概率1实现对故障点的观测。考虑实际工作中，由于传感器在诊断处理、信息获取和决策等一系列处理过程的不确定性，传感器对故障的观测具有一定的概率sdij。在实际工作过程中传感器对故障的观测概率通常取0.9，因此对因果关系矩阵D＝S×F＝[dij]进行扩展，得到传感器对故障的观测概率矩阵为SD＝[dij·sdij]。传感器对故障的观测概率矩阵有利于在接下来的步骤中实现对故障检测率，虚警率等条件从数学语言向计算机语言的转换。
步骤5：由于核电厂发生事故的危害极大，往往需要避免事故的发生。因此在核电厂系统中的传感器系统更重要的作用是能够检测故障。本方法的目标函数选取的是故障检测率，通过本方法能够优化传感器配置使得整个传感器系统的故障检测率取得极大值。其中故障检测率的数学模型如下：
假如设定S＝[S1，S2，...，Sm]为可供选择的传感器集合。需要被检测的故障集合为F＝[F1，F2，...，Fn]。传感器Si的属性有失效概率ri和价格ci，根据实际情况所选用的传感器确定相应的失效概率ri和价格ci；故障Fj的相关属性有四个分别是：故障率fj，是否检测FDj和是否隔离FIj以及危害程度FSj。其中根据故障检测要求确定要检测的故障，以及故障发生的概率即故障率fj和FIj为布尔变量，当其数值为1时代表该故障必须被检测或者必须被隔离。根据具体的优化要求明确此种故障是否必须被隔离或者必须被检测。危害程度FSj通常可以划分为：灾难、严重、临界、轻微这四种程度，对应的可以分别用40、30、20、10表示。
用向量X＝[x1，x2，...，xm]表示对传感器的选择状况，其中xi为选择传感器Si的数量。当传感器Si不被选择时则可以用xi＝0来表示。其中可以用向量Q＝[q1，q2，...，qm]代表传感器数量X＝[x1，x2，...，xm]选择的上限，相当于在任何情况下都成立。
当故障Fj发生时，并且考虑传感器存在失效的情况下，那么故障Fj被检测的概率用p_fdj表示，其数学模型为：
公式中传感器集S的索引集为M，用ri表示传感器Si故障率，故障Fj的故障率用fj进行表示，sdij表示传感器Si对故障Fj的观测概率，xi表示传感器Si的数目；dij为布尔变量，当取值为1时代表传感器Si可以响应故障Fj，当其取值为0时则代表传感器Si不可以响应故障Fj。
所以，当需要满足故障检测率指标pFD时，只需要保证
公式中故障Fj的故障率用fj进行表示，故障集F的索引集为N，p_fdj表示故障Fj被检测到的概率。
因此本方法的优化目标函数为公式(2)，最终的优化结果是能够使得公式(2)取得极大值。
步骤6：在优化传感器配置过程中，最后所得的传感器配置结果既能保证故障检测率取得极值，同时最后的传感器配置结果不仅能检测有故障的发生同时还能通过传感器的响应情况，辨别发生的是何种故障。因此在本方法中引入了单故障可隔离的约束条件。其数学模型为：对故障模式Fj而言，要保证是可分辨的，则必须要满足：
公式故障集F的索引集为N，传感器集S的索引集为M，dip为布尔变量，当取值为1时代表传感器Si可以响应故障集中除故障Fj的剩余任意故障Fp，当其取值为0时则代表传感器Si不可以响应故障集中除故障Fj的剩余任意故障Fp，FIj＝1表示故障Fj必须被隔离。
步骤7：当系统未发生某个故障，但是传感器系统却判断有这个故障发生的概率为虚警率。本方法中将最终的传感器配置结果的虚警率较小。在考虑到传感器本身存在有失效的可能性，然后根据虚警率定义，那么相应的虚警率指标的数学表达如下：
步骤8：以上步骤6和步骤7是在传统的传感器优化中常用的约束条件模型，但是本方法是一个单目标优化问题并且以故障检测率作为目标函数。而传统的传感器优化通常是一个多目标优化问题，优化目标通常为传感器代价和漏检故障危害程度之和。本方法最终的传感器优化结果能够较好的避免由于不考虑漏检故障危害程度的影响，而造成漏检故障对整个系统产生较大危害的后果。如果系统发生了某个故障，但是该故障未被传感器系统检测，未被传感器检测到的这个故障的危害程度较小，所以本方法将漏检故障危害程度总和作为一个约束条件时，其约束函数模型为：
FDj＝1表示故障Fj必须被检测，FSj表示故障Fj的危害度，故障Fj的故障率选择用fj进行表示。
步骤9：根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数。在本方法中认为若选取的传感器配置不能满足任意一个约束条件，则该传感器配置的适应度为0。只有当选取的传感器配置满足所有的约束条件时，其适应度才等于故障检测率。因此本方法中越好的传感器配置，其适应度越大。
步骤10：根据传感器对故障的因果关系矩阵2中传感器序列长度，确定传感器数目的优化范围[xmin，xmax]。采用双种群混合人工蜂群算法对传感器数目进行优化，首先确定算法相关参数，如：蜂群数量SN，最大迭代次数G，蜜源停留最大限制搜索次数limit，交互学习间隔代数g。
步骤11：初始化蜜蜂种群。本方法是一个单目标一维优化算法，因此蜂群算法内蜜源位置表示的就是的优化参数即传感器数目。但是尽管优化的参量仅仅只有传感器数目，但最终给出的传感器配置结果也能体现本文算法对传感器位置的优化。初始化操作是通过反向学习策略初始化种群的解xi(i＝1，2，...，SN)。首先全局随机搜索蜜源位置，随机搜索蜜源位置公式如下：
xi＝round(xmin+rand(0，1)(xmax-xmin)) (6)
公式中round为一个四舍五入取整函数。然后将随机化的个体利用反向学习以一定的概率P1生成其反向解，将反向解与随机搜索个体按适应度排序，选取前SN个适应度较好的解作为改进的初始种群。反向解求取公式如下：
x’i＝xmin+xmax-xi (7)
在公式中x′i表示的是初始种群个体xi的反向解。
步骤12：将改进的初始种群按照适应度排序分为子种群1和子种群2。并记录下两个子种群的个体最优位置pbest1，pbest2，以及两个子种群对应的全局最优gbest1，gbest2。子种群的蜂群规模为NP，其中/>
步骤13：对于子种群1采用基于量子分布的人工蜂群算法。首先对子种群1，进行雇佣蜂搜索。利用以下公式产生新的蜜源：
在公式中v为雇佣蜂搜索的新蜜源位置，为当前迭代次数下的蜜源位置吸引点，t为当前迭代次数，i为第i个蜂，i∈(1，2，...，NP)，r∈(1，2，...，NP)且r≠i，xi为蜜源位置，α为一常数，u为在区间(0，1)上均匀分布的随机数。
公式中为区间(0，1)上均匀分布的随机数，/>为子种群1中蜂的个体当前最好位置，gbest1t为子种群1的当前全体蜂群中的最好位置。
步骤14：对蜜源进行适应度评估，并通过以下公式进行贪婪选择，如果新的蜜源位置优于原来的蜜源位置，则用新的蜜源位置替代原来的蜜源位置，否则保持原来的蜜源位置不变。
步骤15：对子种群2采用基于高斯变异的全局搜索策略，在子种群2中雇佣蜂搜索新蜜源公式为：
在公式中表示的是[-1，1]上的随机数，G(0，σ2)表示的是服从均值为0，方差为σ2高斯分布随机数，pbest2为子种群2当前个体最优，gbest2位子种群2中当前全局最优。
步骤16：对子种群2中雇佣蜂搜索的新蜜源位置进行适应度评估，并通过公式(10)进行贪婪选择，如果新的蜜源位置优于原来的蜜源位置，则用新的蜜源位置替代原来的蜜源位置，否则保持原来的蜜源位置不变。
步骤17：根据相关公式确定子种群1中蜜源位置被跟随蜂选择的概率，其中子种群1的选择概率公式采用了锦标赛选择策略，即在种群中随机的选择q个个体进行比较，适应度大的个体被选中，参数q就为竞赛规模。当q＝2时，将子种群1中的个体适应度值进行两两比较，并给适应度值好的个体1分，对种群中的所有个体重复这个过程，最终得分最高的个体其权重最大。这样的选择机制以适应度作为相对标准而非绝对标准，能在一定的程度上避免早熟收敛。fit(i)的选择概率为：
在概率公式中ci为每个个体的得分。在当前迭代次数下若则代表第i个蜜源被跟随蜂选中，采用公式(8)和公式(9)进行跟随蜂搜索蜜源。对跟随蜂搜索的新蜜源进行适应度评估，并对其进行贪婪选择，如果新的蜜源位置优于原来的蜜源位置，则用新的蜜源位置替代原来的蜜源位置，否则保持原来的蜜源位置不变。
步骤18：对子种群2也进行跟随蜂搜索，采用自适应选择策略确定子种群2中蜜源位置被跟随蜂选择的概率。公式如下：
幂指数根据下式确定：
公式中表示的是当前迭代次数下所有雇佣蜂蜜源适应度值的平均值，fitmax表示的是当前迭代次数下所有雇佣蜂蜜源适应度最好的个体，k为系数。确定选择概率后，在当前迭代次数下，若/>则代表第i个蜜源被跟随蜂选中，通过公式(11)跟随蜂搜索新蜜源。评估该新蜜源，并进行贪婪选择。
步骤19：若某一蜜源连续limit次未更新，则相应的个体转变成为侦查蜂。按公式(6)进行搜索并产生的蜜源位置。
步骤20：记录该次迭代过程中子种群1和子种群2的个体最优位置以及全局最优位置。
步骤21：判断是否满足交互学习条件，即循环间隔代数达到设定值g。若满足交互学习条件，则子种群1和子种群2进行交互学习，即比较两个子种群的最优适应度，若子种群1的最优适应度比子种群2的最优适应度好，则用子种群1中最优适应度所对应的个体去替换子种群2中适应度最差的个体。反之，则用子种群2中最优适应度所对应的个体去替换子种群1中适应度最差的个体。交互学习操作结束。
步骤22：判断是否满足循环终止条件，若满足则输出传感器配置优化结果即传感器数目，并且输出该传感器数目下对应适应度最大的传感器组合。若不满足则返回步骤8，进行下一次迭代循环更新。
步骤23：根据传感器配置优化结果可以实现对现有系统的传感器再配置，并且可以验证系统能否满足故障检测相关要求。
相对于现有技术，本发明所述方法比其他方法的优化精度更高，收敛速度更快，能对系统的传感器数目进行优化，提高系统的应急响应能力。
本方法优化精度高和收敛速度快的原因在于步骤3、6、11、12、13、15、17、18、21的实施。
从传感器优化配置角度分析，步骤3、6、11的实施能够使最终的传感器优化配置结果更合理，能在一定程度上降低编程难度，提高计算速度。
步骤3通过删除一些对所有故障都不响应的传感器节点，可以缩小搜索空间，提高优化计算速度。
步骤8通过引入漏检故障危害程度总和作为约束条件，可以较好的避免由于不考虑漏检故障危害程度的影响，而造成漏检故障对整个系统产生较大危害的后果，使传感器优化配置结果更为合理。
步骤11将传感器优化问题处理成一个一维的单目标优化问题，传统的传感器优化问题通常是一个多目标优化文题，本方法的这种处理既可以保证对传感器位置和数目进行有效优化的同时，又能降低算法编程难度。
从优化算法的角度分析，步骤11、12、13、15、17、18、21能够在一定的程度上提高优化算法本身的收敛速度、计算精度。
步骤11通过反向学习策略对随机搜索的解求其反向解，可以使初始种群具有尽可能的多样性，均匀分布在搜索空间，有助于提高求解效率以及改善解的质量。
步骤12将初始种群按照适应度划分为两个子种群，避免设置单一种群导致个体全部趋向于局部最优解，提高了算法的寻优精度。
步骤13对于子种群1采用了基于量子分布的人工蜂群算法来引导雇佣蜂搜索新蜜源，这种搜索方式无论在收敛速度和优化精度上均优于基本人工蜂群算法，并且能有效跳出局部最优值。
步骤15子种群2采用了基于高斯变异的全局搜索策略，采用高斯变异算子可以增加逃离局部最优的可能性。
步骤17采用锦标赛选择策略确定概率，因为锦标赛方法只把适应度值作为相对标准而非绝对标准，并且对适应度值的正负也没有要求。从而避免了超级个体对算法的影响，可以在一定的程度上避免算法的早熟收敛和停滞现象的发生。
步骤18对子种群2采用自适应选择策略确定概率，该种策略能够保证整个搜索过程中的种群多样性。在进化初期较差的个体得到开发，在进化后期优秀的个体得到突显。这种策略可以改善算法的搜索精度和收敛速度。
步骤21两个子种群进行交互学习，用较好的群体的最优适应度值的个体去替换另一个群体的最差适应度个体。这样可以通过信息交流均衡全局搜索能力和收敛速度之间的矛盾，维持种群多样性的同时加快收敛速度，提高算法收敛域全局最优解的性能。间隔代数g的取值也会对算法性能造成影响，取值太小两个种群个体会趋于相同易陷入早熟收敛，取值太大不利于两群体个体进行交互学习。为了更好的发挥两个群体中较好个体的特性，g的取值范围在[40,60]之间为宜。
如图3所示，本发明还提供了一种基于双种群混合人工蜂群算法的传感器数目优化系统，包括：
优化目标函数确定模块301，用于确定传感器优化配置的优化目标函数。
所述优化目标函数确定模块301具体包括：
数据采集单元3011，用于采集核动力装置各系统在正常运行状态下的的正常运行数据以及不同故障模式下的故障运行数据。
响应状况确定单元3012，用于根据所述正常运行数据以及所述故障运行数据，确定不同故障模式下传感器节点的响应状况。
因果关系矩阵确定单元3013，用于基于所述传感器节点响应状况，确定传感器对故障的因果关系矩阵。
观测概率矩阵确定单元3014，用于对所述因果关系矩阵进行扩展，得到传感器对故障的观测概率矩阵。
优化目标函数确定单元3015，用于基于所述观测概率矩阵，确定传感器优化配置的优化目标函数。
约束条件函数建立模块302，用于建立约束条件函数。
评估函数以及优化范围确定模块303，用于根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围。
优化模块304，用于基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化。
所述优化模块304具体包括：
初始化单元3041，用于初始化种群。
随机搜索单元3042，用于全局随机搜索蜜源位置；所述蜜源位置表示传感器数目。
反向解生成单元3043，用于利用反向学习将随机搜索的蜜源位置生成反向解。
改进的初始种群生成单元3044，用于根据随机搜索的蜜源位置以及反向解，基于所述适应度评估函数生成改进的初始种群。
划分单元3045，用于将所述改进的初始种群划分为第一种群和第二种群。
雇佣蜂搜索和跟随蜂搜索单元3046，用于对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体。
优化结果确定单元3047，用于根据所述第一种群的最优个体和所述第二种群的最优个体，进行交互学习操作确定传感器配置优化结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种基于双种群混合人工蜂群算法的传感器数目优化方法，其特征在于，包括：
确定传感器优化配置的优化目标函数；具体包括：采集核动力装置各系统在正常运行状态下的的正常运行数据以及不同故障模式下的故障运行数据；根据所述正常运行数据以及所述故障运行数据，确定不同故障模式下传感器节点的响应状况；基于所述传感器节点响应状况，确定传感器对故障的因果关系矩阵；对所述因果关系矩阵进行扩展，得到传感器对故障的观测概率矩阵；基于所述观测概率矩阵，确定传感器优化配置的优化目标函数；
建立约束条件函数；具体包括：建立单故障可隔离的约束条件；建立虚警率指标；建立漏检故障危害程度总和的约束条件；
根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围；
基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化；具体包括：初始化种群；全局随机搜索蜜源位置；所述蜜源位置表示传感器数目；利用反向学习将随机搜索的蜜源位置生成反向解；根据随机搜索的蜜源位置以及反向解，基于所述适应度评估函数生成改进的初始种群；将所述改进的初始种群划分为第一种群和第二种群；对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体；根据所述第一种群的最优个体和所述第二种群的最优个体，进行交互学习操作确定传感器配置优化结果；在雇佣蜂搜索阶段，对于第一种群采用量子分布的人工蜂群算法进行搜索，对于第二种群采用高斯变异方法进行全局搜索。
2.根据权利要求1所述的基于双种群混合人工蜂群算法的传感器数目优化方法，其特征在于，在所述对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体，之后还包括：
判断是否产生侦查蜂；
若是，则重新随机搜索蜜源位置。
3.一种基于双种群混合人工蜂群算法的传感器数目优化系统，其特征在于，包括：
优化目标函数确定模块，用于确定传感器优化配置的优化目标函数；具体包括：数据采集单元，用于采集核动力装置各系统在正常运行状态下的的正常运行数据以及不同故障模式下的故障运行数据；响应状况确定单元，用于根据所述正常运行数据以及所述故障运行数据，确定不同故障模式下传感器节点的响应状况；因果关系矩阵确定单元，用于基于所述传感器节点响应状况，确定传感器对故障的因果关系矩阵；观测概率矩阵确定单元，用于对所述因果关系矩阵进行扩展，得到传感器对故障的观测概率矩阵；优化目标函数确定单元，用于基于所述观测概率矩阵，确定传感器优化配置的优化目标函数；
约束条件函数建立模块，用于建立约束条件函数；具体包括：建立单故障可隔离的约束条件；建立虚警率指标；建立漏检故障危害程度总和的约束条件；
评估函数以及优化范围确定模块，用于根据传感器优化配置的目标函数以及约束条件函数，建立传感器配置的适应度评估函数以及确定传感器数目优化范围；
优化模块，用于基于所述适应度评估函数和所述传感器数目优化范围，采用双种群混合人工蜂群算法对传感器数目进行优化；所述优化模块具体包括：初始化单元，用于初始化种群；随机搜索单元，用于全局随机搜索蜜源位置；所述蜜源位置表示传感器数目；反向解生成单元，用于利用反向学习将随机搜索的蜜源位置生成反向解；改进的初始种群生成单元，用于根据随机搜索的蜜源位置以及反向解，基于所述适应度评估函数生成改进的初始种群；划分单元，用于将所述改进的初始种群划分为第一种群和第二种群；雇佣蜂搜索和跟随蜂搜索单元，用于对于第一种群和所述第二种群进行雇佣蜂搜索和跟随蜂搜索，得到第一种群的最优个体和第二种群的最优个体；优化结果确定单元，用于根据所述第一种群的最优个体和所述第二种群的最优个体，进行交互学习操作确定传感器配置优化结果；在雇佣蜂搜索阶段，对于第一种群采用量子分布的人工蜂群算法进行搜索，对于第二种群采用高斯变异方法进行全局搜索。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927416.3A CN112036540B (zh) | 2020-09-07 | 2020-09-07 | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927416.3A CN112036540B (zh) | 2020-09-07 | 2020-09-07 | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036540A CN112036540A (zh) | 2020-12-04 |
| CN112036540B true CN112036540B (zh) | 2023-11-28 |
Family
ID=73585326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010927416.3A Active CN112036540B (zh) | 2020-09-07 | 2020-09-07 | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036540B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112995075B (zh) * | 2021-02-15 | 2022-04-26 | 青岛科技大学 | 基于锦标赛选择的混沌人工蜂群算法的水声信道均衡方法 |
| CN112836317B (zh) * | 2021-03-05 | 2023-03-24 | 南昌工程学院 | 一种基于眼动追踪技术的产品设计智能建模方法 |
| CN113671829B (zh) * | 2021-08-09 | 2023-05-23 | 南京航空航天大学 | 一种飞机综合一体化热/能量系统瞬时能效优化方法 |
| CN113742999B (zh) * | 2021-08-12 | 2023-09-26 | 中国船舶重工集团公司第七一九研究所 | 印刷电路板式换热器设计方法及装置 |
| CN114205686A (zh) * | 2021-12-01 | 2022-03-18 | 大连海事大学 | 基于主动感知的智能船舶传感器配置、监控方法及系统 |
| CN114139459B (zh) * | 2021-12-30 | 2024-04-12 | 中国地质大学（武汉） | 一种基于约束多目标优化算法的无线传感器配置优化方法 |
| CN115616919B (zh) * | 2022-11-15 | 2023-03-17 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种机电产品传感器优化配置方法 |
| CN115940292B (zh) * | 2023-01-10 | 2023-06-02 | 湖北工业大学 | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
| CN105989422A (zh) * | 2016-05-27 | 2016-10-05 | 中国科学院力学研究所 | 一种用于导管架海洋平台结构的传感器位置与数目优化方法 |
| CN109711631A (zh) * | 2018-12-29 | 2019-05-03 | 杭州电子科技大学 | 一种改进粒子群算法的智能微电网优化调度方法 |
| CN109742781A (zh) * | 2019-01-17 | 2019-05-10 | 集美大学 | 一种船用柴油机混合能源系统配置的优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
-
2020
- 2020-09-07 CN CN202010927416.3A patent/CN112036540B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
| CN105989422A (zh) * | 2016-05-27 | 2016-10-05 | 中国科学院力学研究所 | 一种用于导管架海洋平台结构的传感器位置与数目优化方法 |
| CN109711631A (zh) * | 2018-12-29 | 2019-05-03 | 杭州电子科技大学 | 一种改进粒子群算法的智能微电网优化调度方法 |
| CN109742781A (zh) * | 2019-01-17 | 2019-05-10 | 集美大学 | 一种船用柴油机混合能源系统配置的优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种高效的求解函数优化问题的人工蜂群算法;毛力;周长喜;吴滨;杨弘;肖炜;;小型微型计算机系统(第01期);全文 * |
| 基于改进人工蜂群算法的并联机器人正运动学解;任子武;王振华;孙立宁;;机械工程学报(第13期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036540A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036540B (zh) | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 | |
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| CN109871995B (zh) | Spark框架下分布式深度学习的量子优化调参方法 | |
| CN112052948B (zh) | 一种网络模型压缩方法、装置、存储介质和电子设备 | |
| CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
| CN112464996B (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| JP2021018821A (ja) | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 | |
| Zhang et al. | Active information fusion for decision making under uncertainty | |
| CN107121926A (zh) | 一种基于深度学习的工业机器人可靠性建模方法 | |
| CN111915097B (zh) | 基于改进遗传算法优化lstm神经网络的水质预测方法 | |
| CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
| Kvam et al. | Rewards, risks, and reaching the right strategy: Evolutionary paths from heuristics to optimal decisions. | |
| CN114599069B (zh) | 一种基于能量自收集的水下无线传感器网络路由方法 | |
| CN113884807B (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
| CN102779241B (zh) | 基于人工蜂群繁殖机制的ppi网络聚类方法 | |
| Sun et al. | Dynamic Intelligent Supply-Demand Adaptation Model Towards Intelligent Cloud Manufacturing. | |
| CN112580702B (zh) | 多传感器协同感知方法及装置 | |
| CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
| CN115952824A (zh) | 一种航空制造设备大数据故障诊断方法 | |
| CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
| CN115438842A (zh) | 一种基于自适应改进蜉蝣和bp神经网络的负荷预测方法 |
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 |