CN112348151A - 山林防火传感器的位置确定方法和装置 - Google Patents
山林防火传感器的位置确定方法和装置 Download PDFInfo
- Publication number
- CN112348151A CN112348151A CN202011109299.6A CN202011109299A CN112348151A CN 112348151 A CN112348151 A CN 112348151A CN 202011109299 A CN202011109299 A CN 202011109299A CN 112348151 A CN112348151 A CN 112348151A
- Authority
- CN
- China
- Prior art keywords
- sensor
- positions
- clusters
- fitness
- cluster
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明实施例提供一种山林防火传感器的位置确定方法和装置,涉及传感器技术领域,用于优化山林防火传感器的布局方法,提高传感器对山地林火响应的速度和精度。该方法包括:初始化布谷鸟搜索算法的初始参数;初始参数包括种群数量、初始鸟窝位置和多个着火点的位置;根据多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度;根据多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置;目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。本发明用于监测山地林火。
Description
技术领域
本发明涉及传感器技术领域,尤其涉及一种山林防火传感器的位置确定方法和装置。
背景技术
森林是人类赖以生存的生态资源,是生态环境中必不可少的一部分。但是由于人为因素和不可控的自然因素,森林火灾时有发生,不仅严重影响生态环境,也对人类的生命财产安全带来了巨大隐患。
目前,针对山地林火的防控技术主要包括电荷耦合器件(charge-coupleddevice,CCD)相机、红外辐射(infrared radiation,IR)监测器和人造卫星系统等技术,但是由于山地地形、气候环境复杂,这些防控手段在检测精度或反应速度上均存在一定的限制,如CCD相机和IR监测器受日照、天气(云雾等)的影响,其检测精度下降,人造卫星系统不仅侦测范围有限,且其数据传输时间过长,对林火反应速度较慢。针对山地林火的防控技术还包括传感器技术,其具有低功耗、低成本和分布式的特点,能够大面积覆盖山地环境,进而快速对山地林火进行响应。但是由于山地地形复杂,如何部署传感器以增强检测精度和响应速度是本领域亟待解决的问题。
发明内容
本发明的实施例提供一种山林防火传感器的位置确定方法和装置,用于优化山林防火传感器的布局方法,提高传感器对山地林火响应的速度和精度。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供一种山林防火传感器的位置确定方法,包括:初始化布谷鸟搜索算法的初始参数;初始参数包括种群数量、初始鸟窝位置和多个着火点的位置;种群数量用于指示多个传感器簇的数量;初始鸟窝位置用于指示多个传感器簇的第一位置;根据多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度;传感器簇包括多个传感器,第一位置用于指示多个传感器的位置;第一适应度用于指示每一个传感器簇对多个着火点的响应速度;根据多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置;目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。
第二方面,提供一种山林防火传感器的位置确定装置,包括:初始化模块,用于初始化布谷鸟搜索算法的初始参数;初始参数包括种群数量、初始鸟窝位置和多个着火点的位置;种群数量用于指示多个传感器簇的数量;初始鸟窝位置用于指示多个传感器簇的第一位置;计算模块,用于根据初始化模块确定的多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度;传感器簇包括多个传感器,第一位置用于指示多个传感器的位置;第一适应度用于指示每一个传感器簇对多个着火点的响应速度;位置模块,用于根据计算模块确定的多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置;目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。
第三方面,提供一种山林防火传感器的位置确定装置,包括:存储器、处理器、总线和通信接口;存储器用于存储计算机执行指令,处理器与存储器通过总线连接;当山林防火传感器的位置确定装置运行时,处理器执行存储器存储的计算机执行指令,以使山林防火传感器的位置确定装置执行如第一方面提供的山林防火传感器的位置确定方法。
第四方面,提供一种计算机可读存储介质,包括:计算机执行指令,当计算机执行指令在计算机上运行时,使得计算机执行如第一方面提供的山林防火传感器的位置确定方法。
本发明实施例提供的山林防火传感器的位置确定方法,包括:初始化布谷鸟搜索算法的初始参数;初始参数包括种群数量、初始鸟窝位置和多个着火点的位置;种群数量用于指示多个传感器簇的数量;初始鸟窝位置用于指示多个传感器簇的第一位置;根据多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度;传感器簇包括多个传感器,第一位置用于指示多个传感器的位置;第一适应度用于指示每一个传感器簇对多个着火点的响应速度;根据多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置;目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。本发明实施例初始化过程中设置多个着火点和多个传感器簇,并随机设置这些着火点和传感器簇的位置,根据每一个传感器簇对这些着火点的最快响应时间确定每一个传感器簇对应的适应度;依据每一个传感器簇对应的适应度大小,根据预设算法不断迭代更新每一个传感器簇的位置;当迭代结束后,将这些传感器簇中适应度最小的传感器簇确定为目标传感器簇,并将目标传感器簇中各个传感器的位置作为最终部署防火传感器时的位置。由于在根据预设算法不断迭代更新传感器簇位置时,这些传感器簇更新后的位置对着火点的响应速度变快,因此可以不断优化传感器的部署位置;同时,初始化时设置多个传感器簇,能够从中选择最优的传感器簇的位置部署传感器,避免仅部署一个传感器簇时可能导致的片面性、单一性,从而提高传感器对山地林火的响应速度;又由于传感器部署的位置固定,因此也可以提高传感器对山地林火的响应精度。
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,下面将对实施例或现有技术描述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为本发明实施例提供的一种山林防火传感器的位置确定方法的流程示意图一;
图2为本发明实施例提供的一种山地的三维模型示意图;
图3为本发明实施例提供的一种山地的三维模型中传感器和着火点的位置示意图;
图4为本发明实施例提供的一种传感器和着火点之间的线段等分示意图;
图5为本发明实施例提供的一种山地的三维模型中传感器和着火点之间曲线的划分示意图;
图6为本发明实施例提供的一种林火在坡面和水平面的传播速度示意图;
图7为本发明实施例提供的一种山林防火传感器的位置确定方法的流程示意图二;
图8为本发明实施例提供的一种山林防火传感器的位置确定方法的流程示意图三;
图9为本发明实施例提供的一种山林防火传感器的位置确定方法的流程示意图四;
图10为本发明实施例提供的一种山林防火传感器的位置确定装置的结构示意图;
图11为本发明实施例提供的又一种山林防火传感器的位置确定装置的结构示意图。
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。
需要说明的是,本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
目前的山地林火防控技术包括CCD相机、IR监测器、人造卫星系统和传感器网络等,受山林地形的复杂性以及气候的多变性影响,使用CCD相机、IR监测器和人造卫星系统监测山林火灾时,这些技术对火灾的响应速度和相应精度均可能受到影响。而鉴于传感器的低功耗、低成本和分布式的特点,因此可以在山林地形大面积的分布式部署传感器网络,实时感知山林的环境参数(如温度、湿度和烟雾等)变化,从而快速对火灾进行响应。但是,传感器网络的部署同样受到山林地形的影响,如何以有限的传感器和有限的能量供应部署传感器,以提高对火灾的响应速度和响应精度还需进一步确定。
基于传感器网络的林火防控技术中,通常采用区域建模和适应度建模的方法确定传感器的部署位置。其中,基于区域建模的传感器部署方法大多采用假设山林地形为平面或单一斜面的方式建模,忽略了山林地形的海拔影响,使得传感器的部署误差较大,对火灾的响应速度和响应精度较差;而基于适应度建模的传感器部署方法中,对于确定传感器位置的约束条件和参数设置限制了其有效性,收敛速度慢,且易导致陷入局部最优的问题。
针对目前传感器位置确定方法中的不足,本发明实施例提供一种山林防火传感器的位置确定方法,应用于山林地区的火灾预警、报警,如图1所示,该方法包括:
S101、初始化布谷鸟搜索算法的初始参数。
其中,布谷鸟搜索算法的初始参数包括精英参数q、初始发现概率pα0、初始步长因子α0、种群数量C、初始鸟窝位置、多个着火点的位置和迭代总次数I。这里的种群数量C用于指示多个传感器簇的数量,即初始部署的C个传感器簇;初始鸟窝位置用于指示多个传感器簇的第一位置,即初始部署的传感器簇中各个传感器的位置。
示例性的,以图2所示的山地为例,若确定需要在该处山地中部署50个传感器以监测火灾的发生,则可以随机在该处山地选择Nf个着火点的位置,以及随机选择传感器初始部署的位置,如Nf=1250,即在该处山地随机选择1250个着火点的位置;初始随机部署的传感器簇C=10,即初始随机部署10个传感器簇,本发明实施例的目的即从这10个传感器簇中确定1个最优的传感器簇,将其位置作为传感器最终的部署位置。需要注意的是,这里每一个传感器簇均可以包括多个传感器,如随机在该处山地部署500个传感器,则每一个传感器簇可以包括50个传感器。
其中,随机确定的Nf个着火点的位置,可以如下表1所示:
表1
x | y | z | x | y | z |
26.90 | -216.49 | 10.0932 | 187.21 | 44.44 | 7.4993 |
171.20 | 139.26 | 6.1202 | -84.53 | 58.31 | 12.5579 |
-225.54 | 132.15 | 7.3170 | 9.25 | -130.11 | 11.4519 |
129.40 | 34.26 | 10.4269 | -23.03 | 145.54 | 10.8350 |
88.00 | 57.23 | 11.9517 | … | … | … |
表1示出了部分着火点的位置,为确保着火点的随机分布,这些着火点的位置可以通过蒙特卡洛方法确定,也可以通过其他方法确定,对此本发明实施例不做限定。
随机确定的传感器初始部署的位置,可以如下表2所示:
表2
x | y | z | x | y | z |
157.36 | -111.99 | 8.9529 | 66.18 | -190.50 | 8.9554 |
146.10 | -175.35 | 6.9906 | -201.23 | -0.82 | 10.7566 |
202.90 | 89.85 | 5.8137 | -110.75 | 229.87 | 7.6387 |
-186.51 | 77.55 | 9.2633 | 23.44 | -79.81 | 13.2398 |
206.69 | -168.69 | 7.7345 | … | … | … |
本发明实施例中,初始确定的传感器簇为10个,每个传感器簇包括50个传感器,表2示出的传感器的位置可以为第一簇传感器簇中部分传感器的位置,实际中,每一个传感器簇中传感器的位置均可以随机确定,且各个传感器簇中部分传感器的位置可能重合。各个传感器簇中传感器的初始位置也可以通过上述的蒙特卡洛方法确定,也可以通过其他方法确定,对此本发明实施例不做限定。
对于布谷鸟搜索算法中其他初始参数的设置,可以由本领域的技术人员根据需要设定,如精英参数q=3,初始发现概率pα0=0.3,初始步长因子α0=0.5,迭代总次数I=100。
S102、根据多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度。
其中,传感器簇包括多个传感器,第一位置用于指示多个传感器的位置;第一适应度用于指示每一个传感器簇对多个着火点的响应速度。
具体地,传感器簇的适应度实际为传感器簇对多个着火点的最快响应时间的平均值,用于反映该传感器簇对着火点的响应速度,适应度越小,则该传感器簇对火灾的响应速度越快。
示例性的,如图3所示,以传感器si和着火点pj为例,由于山地地形的影响,传感器si和着火点pj之间的距离可能存在坡面,无法直接通过直线表示两者之间的距离,因此传感器si与着火点pj之间的最快响应时间可以通过下列过程确定:
a、将si和pj映射至水平面,确定映射点s′i和p'j。si的坐标可以为(xi,yi,zi),pj的坐标可以为(xj,yj,zj),如图3所示,si和pj映射至水平面可以得到映射点s′i和p'j,则s′i的坐标为(xi,yi,0),p'j的坐标为(xj,yj,0)。
以t′1为例,其坐标可以通过下列公式确定:
其中,t′1的坐标即为(x1,y1)。
同样的,在确定t′1的坐标后,可以采用同样的方法确定t′1、t'2、t'3、…、t′segPara的坐标,进而得到线段的二维分割点集合:T'={t′1(x1,y1),t'2(x2,y2),t′3(x3,y3),...,t′segPara-1(xsegPara-1,ysegPara-1)}。
segPara条线段映射至山地的曲面可以得到segPara条曲线,即 进而得到曲线的三维分割点集合:T={t1(x1,y1,z1),t2(x2,y2,z2),t3(x3,y3,z3),...,tsegPara-1(xsegPara-1,ysegPara-1,zsegPara-1)}。
其中,t1、t2、t3、…、tsegPara在z轴的坐标同样可以根据上述计算t′1坐标的过程得到,区别仅在于计算各个分割点的z坐标时,需要将si和pj映射至z平面,即x=0或y=0的平面,此时可以根据上述计算(x1,y1)的过程确定各个分割点的z坐标,即确定z1、z2、z3、...、zsegPara-1,本发明实施例在此不再赘述各个分割点z坐标的确定过程。
d、林火的传播速度与山地坡面的倾斜角度有关,在山地坡面向上倾斜的角度越大时,由于受高处落灰的影响,因此林火的传播速度越快;相应的,在山地坡面向下倾斜的角度越大时,林火的传播速度受到抑制,其传播速度降低。因此,根据着火点的位置不同,林火的传播速度也不相同。
若林火沿水平面的传播速度为v0,则林火在沿坡面向上的传播速度为沿坡面向下传播的速度为其中,θ的取值范围为0至90°,k2为可调整参数,可以由本领域的技术人员根据山地情况确定。由于段向上倾斜的角度为θ1,因此林火在段的传播速度为因此林火经过该段的最短时间为
其中,tim(i,j)为传感器si与着火点pj之间的最快响应时间;timu为林火经过第u个分段的最短时间,如上述的tim1和tim2;du为第u个分段的最短距离,如上述的vu为林火在第u个分段的传播速度,如林火在的传播速度为v1,在的传播速度为v2;θu为第u个分段的倾斜角度,如的倾斜角度为θ1,的倾斜角度为θ2。
在确定单个传感器对着火点的最快响应时间后,可以根据下列过程确定传感器簇对应的第一适应度:
e、上述a-d的步骤对单个传感器和着火点之间的最快响应时间的确定方法进行了说明,由于本实施例中初始部署了多个传感器簇,且每个传感器簇包括多个传感器,因此每个传感器簇对着火点的最快响应时间可以由下列公式确定:
其中,tim(mn,j)为第m个传感器簇中第n个传感器对着火点j的最快响应时间,例如,本实施例中初始部署1250个着火点,且初始部署10个传感器簇,每个传感器簇包括50个传感器,则tim(12,3)表示第一个传感器簇中第二个传感器对第三个着火点的最快响应时间;由于一个传感器簇包括50个传感器,因此对于第三个着火点,第一个传感器簇可以分别确定其包括的50个传感器对第三个着火点的最快响应时间,如tim(11,3)、tim(13,3)、tim(14,3)等。这里的timj为第m个传感器簇对着火点j的最快响应时间,例如,第一个传感器簇中各个传感器对第三个着火点的最快响应时间分别为tim(11,3)、tim(12,3)、tim(13,3)、tim(14,3)、…、tim(150 ,3),若其中tim(12,3)的值最小,则tim3=tim(12,3)。
f、由上述步骤可以确定传感器簇对着火点的最快响应时间,本发明实施例中,初始确定的着火点包括Nf个,则每个传感器簇对这Nf个着火点均可以确定一个相应的最快响应时间。例如,C=10,Nf=1250,此时每个传感器簇均可以对这1250个着火点确定一个最快响应时间,如第一个传感器簇对这1250个着火点确定的最快响应时间包括tim1、tim2、tim3、…、tim1250,此时第一个传感器簇的第一适应度即为:
这里的fit1即为第一传感器簇的第一适应度。
同样的,其他的传感器簇也可以根据同样的方法由下列公式确定其对应的第一适应度:
这里的fiti即为第i个传感器簇的第一适应度。
示例性的,根据上述初始部署的传感器的位置以及着火点的位置,为各个传感器簇确定的第一适应度可以如下表3所示:
表3
簇数 | 第一适应度 | 簇数 | 第一适应度 |
1 | 41.72914574847098 | 6 | 38.466508541629565 |
2 | 42.66916112292043 | 7 | 39.73712627635121 |
3 | 40.41877957222509 | 8 | 40.559097356786765 |
4 | 43.367694100584174 | 9 | 45.309803835674714 |
5 | 39.677962237108 | 10 | 40.26033533880457 |
需要说明的是,本实施例中将上述等分为足够多的线段,因此在将其各个分割点映射至山地坡面时,获得的segPara条曲线可以近似为直线。在确定林火在山地坡面的传播速度时,本发明实施例仅考虑了坡面角度对林火传播速度的影响,而未考虑如可燃物种类、可燃物含水量和风速等因素对林火传播速度的影响。
可选的,如图7所示,步骤S102可以包括:
S1021、根据多个着火点的位置和多个传感器簇的第一位置分别确定每一个传感器簇与多个着火点之间的最快响应时间。
具体地,传感器簇中每个传感器均可以根据上述的步骤a-e确定一个最快响应时间,进而将其中的最小值确定为该传感器簇对着火点的最快响应时间,具体过程可以参考上述的a-e,在此不再赘述。
S1022、根据多个最快响应时间确定每一个传感器簇对应的第一适应度。
具体地,与上述步骤f相同的,在确定传感器簇对某个着火点的最快响应时间时,可以通过相同的方法确定该传感器簇对其他所有着火点的最快响应时间,并将这些最快响应时间的平均值确定为该传感器簇的第一适应度,具体过程可以参考上述的f,在此不再赘述。
S103、根据多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置。
其中,目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。
具体地,预设算法包括第一预设算法和第二预设算法,第一预设算法为:
αt-1=αt-2/sw+αt-2*kw,t≥2。
第二预设算法为:
其中,xt+1为传感器簇更新后的位置,xt为传感器簇更新前的位置,αt-1为更新后的步长因子,αt-2为更新前的步长因子,λ为常数,C为传感器簇的数量;sw用于指示传感器簇的适应度变化程度,sw越大,则下一次迭代时传感器簇对应的适应度变化越大;kw用于指示传感器簇的多样性;r和ε为服从均匀分布的随机数,Heaviside为跳跃函数,pα为发现概率,Xi和Xj为传感器簇的任一其他位置,Xi和Xj不同;为发现概率的最小值,t为当前迭代次数,I为迭代总次数。这里的Xi和Xj用于使第二预设算法在迭代过程中避免局部最优,使得传感器簇位置的优化过程更精准。
在确定多个传感器对应的第一适应度后,可以确定第一预设算法和第二预设算法分别对各个传感器簇的位置进行迭代寻优,不断优化各个传感器簇中传感器的第一位置,使得各个传感器簇可以更快的对林火进行响应。
可选的,如图8所示,步骤S103可以包括:
a、将多个传感器簇对应的第一适应度从小到大排序。
具体地,这里对传感器簇对应的第一适应度进行排序是为了便于确定需要更新位置的传感器簇。例如,以上述的表3为例,对各个传感器簇对应的第一适应度排序后,得到下表4所示排序表:
表4
簇数 | 第一适应度 | 簇数 | 第一适应度 |
6 | 38.466508541629565 | 8 | 40.559097356786765 |
5 | 39.677962237108 | 1 | 41.72914574847098 |
7 | 39.73712627635121 | 2 | 42.66916112292043 |
10 | 40.26033533880457 | 4 | 43.367694100584174 |
3 | 40.41877957222509 | 9 | 45.309803835674714 |
b、保留前精英参数q个第一适应度对应的传感器簇的第一位置,并根据第一预设算法更新其他C-q个传感器簇的第一位置,获得多个传感器簇的第二位置。
具体地,以上述表4的排序表为例,在q=3时,保留第六簇、第五簇和第七簇传感器簇的第一位置,并根据第一预设算法更新其他七个传感器簇的第一位置,其更新过程可以是将这七个传感器簇的第一位置分别代入第一预设算法:
以更新第十簇传感器簇的第一位置为例,在根据第一预设算法首次更新该传感器簇的第一位置时,这里的xt即为该传感器簇初始部署的第一位置,如其中第一个传感器的第一位置为(x101,y101,z101),根据第一预设算法和(x101,y101,z101)即可确定其对应的更新后的第二位置为(x′101,y′101,z′101)。当然,对于第十簇中其他传感器也可以根据第一预设算法确定其对应的第二位置,如第二个传感器的第一位置为(x102,y102,z102),更新后获得的第二位置为(x′102,y′102,z′102);第三个传感器的第一位置为(x103,y103,z103),更新后获得的第二位置为(x′103,y′103,z′103)等。
需要注意的是,在根据第一预设算法第一次迭代更新传感器簇对应的第一位置时,这里的步长因子即为α0。第一预设算法实际为莱维飞行方法,其分布可由下列公式确定:
同样的,其他传感器簇对应的第二位置也可以根据第一预设算法依据上述的方法确定,在此不再一一赘述。
需要说明的是,本发明实施例中,在根据第一预设算法更新部分传感器簇的第一位置,确定其第二位置后,将其他未更新位置的传感器簇的第一位置也称为第二位置,如上述第六簇、第五簇和第七簇传感器簇的第一位置虽然未更新,但在其他传感器簇更新位置后,也将第六簇、第五簇和第七簇的第一位置称为第二位置。
c、根据多个着火点的位置和多个传感器簇的第二位置确定多个传感器簇对应的第二适应度,并将第二适应度从小到大排序。
具体地,在确定各个传感器簇的第二位置后,可以根据上述步骤S102确定各个传感器簇在第二位置对应的第二适应度,并对这些第二适应度排序,具体过程可以参照上述步骤,在此不再赘述。
需要说明的是,在根据各个传感器簇的第二位置确定各个传感器簇对应的第二适应度后,可能部分传感器簇对应的第二适应度大于其对应的第一适应度,此时则不需要更新这些传感器簇的第一位置,即抛弃其更新的第二位置,仍将其第一位置作为传感器簇部署的位置。例如,若第一簇传感器簇更新后的第二位置对应的第二适应度为42.725574847098,而由上表4可知第一簇传感器簇对应的第一适应度为41.72914574847098,因此第一簇传感器簇的第一位置不需要更新为根据第一预设算法确定的第二位置,而仍沿用其第一位置。此时,其对应的适应度不变,仍为第一适应度。
d、根据第二预设算法更新c步骤中排序的前C-d个传感器簇的第二位置,获得多个传感器簇的第三位置。
其中,d为根据初始发现概率pα0和种群数量C确定的丢弃参数,d=pα0*C。
具体地,与第一预设算法更新适应度较大的传感器簇的位置不同,第二预设算法用于更新适应度较小的传感器簇的位置。
示例性的,对各个传感器簇的第二适应度的排序结果可以如下表5所示:
表5
簇数 | 第二适应度 | 簇数 | 第二适应度 |
6 | 38.466508541629565 | 3 | 40.41877957222509 |
10 | 38.623708541621567 | 2 | 41.44716128292043 |
5 | 39.677962237108 | 4 | 43.367694100584174 |
7 | 39.73712627635121 | 1 | 44.12928534547098 |
9 | 40.307603832474213 | 8 | 45.45797338786765 |
由于本发明实施例中pα0=0.3,C=10,因此d=0.3*10=3,即根据第二预设算法更新上表5中的第六簇、第十簇和第五簇传感器簇的第二位置,其更新过程可以是将这三个传感器簇的第二位置分别代入第二预设算法:
以更新第六簇传感器簇的第二位置为例,在根据第二预设算法首次更新该传感器簇的第二位置时,这里的xt即为该传感器簇的第二位置,如其中第一个传感器簇的第二位置为(x61,y61,z61),根据第二预设算法和(x61,y61,z61)即可确定其对应的更新后的第三位置(x'61,y'61,z'61)。当然,对于第六簇中其他传感器也可以根据第二预设算法确定其对应的第三位置,如第二个传感器的第二位置为(x62,y62,z62),更新后获得的第三位置为(x'62,y'62,z'62),第三个传感器的第二位置(x63,y63,z63),更新后获得的第三位置为(x'63,y'63,z'63)等。
需要注意的是,在根据第二预设算法第一迭代更新传感器簇对应的第二位置时,这里的发现概率为初始发现概率pα0。
同样的,其他传感器簇对应的第三位置也可以根据第二预设算法依据上述的方法确定,在此不再一一赘述。
需要说明的是,与第一预设算法相同的,在根据第二预设算法更新部分传感器簇的第二位置,确定其第三位置后,将其他未更新位置的传感器簇的第二位置也称为第三位置,如上述第七簇、第九簇和第三簇等传感器簇的第二位置虽然未更新,但在其他传感器簇更新位置后,也将第七簇、第九簇和第三簇等传感器簇的第二位置成为第三位置。
e、根据多个着火点的位置和多个传感器簇的第三位置确定多个传感器簇对应的第三适应度,并更新步长因子和发现概率。
具体地,在确定各个传感器簇的第三位置后,同样可以根据上述步骤S102确定各个传感器簇在第三位置对应的第三适应度,具体过程可以参照上述步骤,在此不再赘述。
需要注意的是,本发明实施例中第一预设算法和第二预设算法均完成一次传感器簇的位置更新时,即完成一次传感器簇的位置优化。由于本发明实施例中将传感器簇的位置优化迭代总次数设置为I次,因此需要重复利用第一预设算法和第二预设算法更新传感器簇的位置I次。在迭代更新传感器簇的位置时,还需要对第一预设算法中的步长因子和第二预设算法中的发现概率进行更新。
步长因子α可以根据下列公式更新:
αt-1=αt-2/sw+αt-2*kw,t≥2。
其中,第一次迭代更新传感器簇的第一位置时,第一预设算法利用的步长因子为初始步长因子α0,不需要根据上述公式确认步长因子。从根据第一预设算法第二次迭代更新传感器簇的位置时,第一预设算法中的步长因子需要根据上述公式确定,如根据第一预设算法第二次迭代更新传感器的位置时,步长因子为α1=α0/sw+α0*kw;根据第一预设算法第三次迭代更新传感器的位置时,步长因子为α2=α1/sw+α1*kw;根据第一预设算法第四迭代更新传感器的位置时,步长因子为α3=α2/sw+α2*kw。以此类推,根据第一预设算法迭代更新传感器簇的位置时,第一预设算法中的步长因子可以根据上述方法确定,在此不再一一赘述。
步长因子α的求解公式中涉及sw和kw算子,sw和kw可以根据下列公式确定:
其中,F(t)为第t次迭代的适应度,F(t-1)为第t-1次迭代的适应度,以此类推,F(t-2)为第t-2次迭代的适应度,F(t-r)为第t-r次迭代的适应度。WAFR用于指示传感器簇的多样性,WAFR的值越大,则传感器簇迭代得到的适应度对多次迭代得到的适应度的平均值影响越大,其位置分布的多样性越小;WSFR用于指示传感器簇的适应度变化程度,WSFR越大,则传感器簇下一次迭代得到的适应度变化越大;r为迭代阈值;根据当前迭代次数t与r值的不同,WAFR和WSFR根据不同的公式确定。
发现概率可以根据下列公式更新:
其中,第一次迭代更新传感器簇的第二位置时,第二预设算法利用的发现概率为初始发现概率pα0,不需要根据上述公式确认发现概率。从根据第二预设算法第二次迭代更新传感器簇的位置时,第二预设算法中的发现概率需要根据上述公式确定,如根据第二预设算法第二次迭代更新传感器的位置时,发现概率为根据第二预设算法第三次迭代更新传感器的位置时,发现概率为根据第二预设算法第四迭代更新传感器的位置时,发现概率为以此类推,根据第二预设算法迭代更新传感器簇的位置时,第二预设算法中的发现概率可以根据上述方法确定,在此不再一一赘述。
需要说明的是,在根据各个第二传感器簇的第三位置确定各个传感器簇对应的第三适应度后,同样可能存在部分传感器簇对应的第三适应度大于其对应的第二适应度,同样的,此时不需要更新这些传感器簇的第二位置,即抛弃其更新的第三位置,仍将其第二位置作为传感器簇部署的位置。例如,若第九簇传感器簇更新后的第三位置对应的第三适应度为40.5376071322454213,而由上表5可知第九簇传感器簇对应的第二适应度为40.307603832474213,因此第九簇传感器簇的第二位置不需要更新为根据第二预设算法确定的第三位置,而仍沿用其第二位置。此时,其对应的适应度不变,仍为第二适应度。
f、根据第一预设算法和第二预设算法通过更新后的步长因子和发现概率循环执行a-e的步骤,直至循环次数达到迭代总次数I,获得多个传感器簇的第四位置。
具体地,上述步骤e中对步长因子和发现概率的更新进行了说明,在根据第一预设算法和第二预设算法迭代更新各个传感器簇的位置时,需要同步更新其中的步长因子和发现概率。在根据第一预设算法和第二预设算法第一次完成传感器簇的位置更新,确定各个传感器簇的第三位置后,还需要继续对传感器簇的第三位置进行更新。其更新过程与上述的步骤a-g相同,迭代使用第一预设算法和第二预设算法更新传感器簇的位置,直至迭代次数达到初始化中设置的迭代总次数I,并确定此时各个传感器簇的位置为第四位置。
需要说明的是,上述示例中初始部署10个传感器簇,因此迭代完成后可以为这10个传感器簇分别确定对应的第四位置。
g、根据多个着火点的位置和多个传感器簇的第四位置确定多个传感器簇对应的第四适应度。
具体地,本步骤中的第四适应度可以参照步骤S102确定,在此不再赘述。
h、确定最小的第四适应度对应的传感器簇为目标传感器簇,并确定目标传感器簇对应的第四位置为目标位置。
具体地,迭代结束后各个传感器簇对应的第四适应度最小的传感器簇即为目标传感器簇,由于目标传感器簇对各个着火点的响应速度最快,因此可以将目标传感器簇中各个传感器的位置作为目标位置,用于最终部署传感器。
示例性的,若步骤g中确定的各个传感器簇的第四适应度如下表6所示:
表6
簇数 | 第四适应度 | 簇数 | 第四适应度 |
6 | 35.46252247629565 | 9 | 40.417837957222509 |
7 | 36.643782541621567 | 5 | 41.0277128292043 |
2 | 36.674337462237108 | 8 | 42.345394100584174 |
10 | 37.732543727635121 | 1 | 42.597885368747098 |
3 | 40.305783832474213 | 4 | 43.73937421786765 |
由上表6可知,第六簇传感器簇对应的第四适应度最小,则确定第六簇传感器簇为目标传感器簇,确定第六簇传感器簇的第四位置为目标位置。
可选的,如图9所示,在步骤S101之前,还包括:
S201、建立山地的三维模型。
通过对上述公式的参数调整即可得到如图2所示的山地三维模型,上述公式具体地参数调整过程可以参考现有技术中的三维模型建立过程,在此不再赘述。当然,这里的三维建模过程仅为示例性的,本领域的技术人员也可以通过其他方法建立山地的三维模型。
本发明实施例提供的山林防火传感器的位置确定方法,包括:初始化布谷鸟搜索算法的初始参数;初始参数包括种群数量、初始鸟窝位置和多个着火点的位置;种群数量用于指示多个传感器簇的数量;初始鸟窝位置用于指示多个传感器簇的第一位置;根据多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度;传感器簇包括多个传感器,第一位置用于指示多个传感器的位置;第一适应度用于指示每一个传感器簇对多个着火点的响应速度;根据多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置;目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。本发明实施例初始化过程中设置多个着火点和多个传感器簇,并随机设置这些着火点和传感器簇的位置,根据每一个传感器簇对这些着火点的最快响应时间确定每一个传感器簇对应的适应度;依据每一个传感器簇对应的适应度大小,根据预设算法不断迭代更新每一个传感器簇的位置;当迭代结束后,将这些传感器簇中适应度最小的传感器簇确定为目标传感器簇,并将目标传感器簇中各个传感器的位置作为最终部署防火传感器时的位置。由于在根据预设算法不断迭代更新传感器簇位置时,这些传感器簇更新后的位置对着火点的响应速度变快,因此可以不断优化传感器的部署位置;同时,初始化时设置多个传感器簇,能够从中选择最优的传感器簇的位置部署传感器,避免仅部署一个传感器簇时可能导致的片面性、单一性,从而提高传感器对山地林火的响应速度;又由于传感器部署的位置固定,因此也可以提高传感器对山地林火的响应精度。
如图10所示,本发明实施例还提供一种山林防火传感器的位置确定装置30,包括:
初始化模块301,用于初始化布谷鸟搜索算法的初始参数;初始参数包括种群数量C、初始鸟窝位置和多个着火点的位置;种群数量C用于指示多个传感器簇的数量;初始鸟窝位置用于指示多个传感器簇的第一位置。
计算模块302,用于根据初始化模块301确定的多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度;传感器簇包括多个传感器,第一位置用于指示多个传感器的位置;第一适应度用于指示每一个传感器簇对多个着火点的响应速度。
位置模块303,用于根据计算模块302确定的多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置;目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。
可选的,预设算法包括第一预设算法和第二预设算法。
其中,第一预设算法为:
αt-1=αt-2/sw+αt-2*kw,t≥2。
第二预设算法为:
其中,xt+1为传感器簇更新后的位置,xt为传感器簇更新前的位置,αt-1为更新后的步长因子,αt-2为更新前的步长因子,λ为常数,C为传感器簇的数量;sw用于指示所述传感器簇的适应度变化程度,kw用于指示传感器簇的多样性;r和ε为服从均匀分布的随机数,pα为发现概率,Xi和Xj为传感器簇的任一其他位置;为发现概率的最小值,i为当前迭代次数,I为迭代总次数。
可选的,计算模块302,具体用于根据多个着火点的位置和多个传感器簇的第一位置分别确定每一个传感器簇与多个着火点之间的最快响应时间。
计算模块302,还具体用于根据多个最快响应时间确定每一个传感器簇对应的第一适应度。
位置模块303具体用于:
a、将多个传感器簇对应的第一适应度从小到大排序。
b、保留前精英参数q个第一适应度对应的传感器簇的第一位置,并根据第一预设算法更新其他C-q个传感器簇的第一位置,获得多个传感器簇的第二位置。
c、根据多个着火点的位置和多个传感器簇的第二位置确定多个传感器簇对应的第二适应度,并将第二适应度从小到大排序;
e、根据多个着火点的位置和多个传感器簇的第三位置确定多个传感器簇对应的第三适应度,并更新步长因子和发现概率。
f、根据第一预设算法和第二预设算法通过更新后的步长因子和发现概率循环执行a-e的步骤,直至循环次数达到迭代总次数I,获得多个传感器簇的第四位置。
g、根据多个着火点的位置和多个传感器簇的第四位置确定多个传感器簇对应的第四适应度。
h、确定最小的第四适应度对应的传感器簇为目标传感器簇,并确定目标传感器簇对应的第四位置为目标位置。
本发明实施例提供的山林防火传感器的位置确定装置,包括:初始化模块,用于初始化布谷鸟搜索算法的初始参数;初始参数包括种群数量、初始鸟窝位置和多个着火点的位置;种群数量用于指示多个传感器簇的数量;初始鸟窝位置用于指示多个传感器簇的第一位置;计算模块,用于根据初始化模块确定的多个着火点的位置和多个传感器簇的第一位置确定多个传感器簇对应的第一适应度;传感器簇包括多个传感器,第一位置用于指示多个传感器的位置;第一适应度用于指示每一个传感器簇对多个着火点的响应速度;位置模块,用于根据计算模块确定的多个传感器簇对应的第一适应度和预设算法更新第一位置,确定目标传感器簇的目标位置;目标传感器簇为多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;目标位置用于指示目标传感器簇的部署位置。本发明实施例初始化过程中设置多个着火点和多个传感器簇,并随机设置这些着火点和传感器簇的位置,根据每一个传感器簇对这些着火点的最快响应时间确定每一个传感器簇对应的适应度;依据每一个传感器簇对应的适应度大小,根据预设算法不断迭代更新每一个传感器簇的位置;当迭代结束后,将这些传感器簇中适应度最小的传感器簇确定为目标传感器簇,并将目标传感器簇中各个传感器的位置作为最终部署防火传感器时的位置。由于在根据预设算法不断迭代更新传感器簇位置时,这些传感器簇更新后的位置对着火点的响应速度变快,因此可以不断优化传感器的部署位置;同时,初始化时设置多个传感器簇,能够从中选择最优的传感器簇的位置部署传感器,避免仅部署一个传感器簇时可能导致的片面性、单一性,从而提高传感器对山地林火的响应速度;又由于传感器部署的位置固定,因此也可以提高传感器对山地林火的响应精度。
如图11所示,本发明实施例还提供另一种山林防火传感器的位置确定装置,包括存储器41、处理器42、总线43和通信接口44;存储器41用于存储计算机执行指令,处理器42与存储器41通过总线43连接;当山林防火传感器的位置确定装置运行时,处理器42执行存储器41存储的计算机执行指令,以使山林防火传感器的位置确定装置执行如上述实施例提供的山林防火传感器的位置确定方法。
在具体的实现中,作为一种实施例,处理器42(42-1和42-2)可以包括一个或多个CPU,例如图11中所示的CPU0和CPU1。且作为一种实施例,山林防火传感器的位置确定装置可以包括多个处理器42,例如图11中所示的处理器42-1和处理器42-2。这些处理器42中的每一个CPU可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器42可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器41可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器41可以是独立存在,通过总线43与处理器42相连接。存储器41也可以和处理器42集成在一起。
在具体的实现中,存储器41,用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器42可以通过运行或执行存储在存储器41内的软件程序,以及调用存储在存储器41内的数据,山林防火传感器的位置确定装置的各种功能。
通信接口44,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如控制系统、无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。通信接口44可以包括接收单元实现接收功能,以及发送单元实现发送功能。
总线43,可以是工业标准体系结构(industry standard architecture,ISA)总线、外部设备互连(peripheral component interconnect,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线43可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质包括计算机执行指令,当计算机执行指令在计算机上运行时,使得计算机执行如上述实施例提供的山林防火传感器的位置确定方法。
本发明实施例还提供一种计算机程序,该计算机程序可直接加载到存储器中,并含有软件代码,该计算机程序经由计算机载入并执行后能够实现上述实施例提供的山林防火传感器的位置确定方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种山林防火传感器的位置确定方法,其特征在于,包括:
初始化布谷鸟搜索算法的初始参数;所述初始参数包括种群数量C、初始鸟窝位置和多个着火点的位置;所述种群数量C用于指示多个传感器簇的数量;所述初始鸟窝位置用于指示所述多个传感器簇的第一位置;
根据所述多个着火点的位置和所述多个传感器簇的第一位置确定所述多个传感器簇对应的第一适应度;所述传感器簇包括多个传感器,所述第一位置用于指示所述多个传感器的位置;所述第一适应度用于指示每一个所述传感器簇对所述多个着火点的响应速度;
根据所述多个传感器簇对应的第一适应度和预设算法更新所述第一位置,确定目标传感器簇的目标位置;所述目标传感器簇为所述多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;所述目标位置用于指示所述目标传感器簇的部署位置。
3.根据权利要求2所述的山林防火传感器的位置确定方法,其特征在于,所述根据多个着火点的位置和多个传感器簇的第一位置确定所述多个传感器簇对应的第一适应度包括:
根据多个所述着火点的位置和所述多个传感器簇的第一位置分别确定每一个所述传感器簇与所述多个着火点之间的最快响应时间;
根据多个所述最快响应时间确定每一个所述传感器簇对应的第一适应度。
4.根据权利要求3所述的山林防火传感器的位置确定方法,其特征在于,所述初始参数还包括精英参数q、初始发现概率pα0和迭代总次数I;所述根据所述多个传感器簇对应的第一适应度和预设算法更新所述第一位置,确定目标传感器簇的目标位置包括:
a、将所述多个传感器簇对应的第一适应度从小到大排序;
b、保留前精英参数q个第一适应度对应的传感器簇的第一位置,并根据所述第一预设算法更新其他C-q个传感器簇的第一位置,获得所述多个传感器簇的第二位置;
c、根据所述多个着火点的位置和所述多个传感器簇的第二位置确定所述多个传感器簇对应的第二适应度,并将所述第二适应度从小到大排序;
e、根据所述多个着火点的位置和所述多个传感器簇的第三位置确定所述多个传感器簇对应的第三适应度,并更新所述步长因子和所述发现概率;
f、根据所述第一预设算法和所述第二预设算法通过更新后的所述步长因子和所述发现概率循环执行a-e的步骤,直至循环次数达到所述迭代总次数I,获得所述多个传感器簇的第四位置;
g、根据所述多个着火点的位置和所述多个传感器簇的第四位置确定所述多个传感器簇对应的第四适应度;
h、确定最小的所述第四适应度对应的传感器簇为所述目标传感器簇,并确定所述目标传感器簇对应的第四位置为所述目标位置。
5.一种山林防火传感器的位置确定装置,其特征在于,包括:
初始化模块,用于初始化布谷鸟搜索算法的初始参数;所述初始参数包括种群数量C、初始鸟窝位置和多个着火点的位置;所述种群数量C用于指示多个传感器簇的数量;所述初始鸟窝位置用于指示所述多个传感器簇的第一位置;
计算模块,用于根据所述初始化模块确定的所述多个着火点的位置和所述多个传感器簇的第一位置确定所述多个传感器簇对应的第一适应度;所述传感器簇包括多个传感器,所述第一位置用于指示所述多个传感器的位置;所述第一适应度用于指示每一个所述传感器簇对所述多个着火点的响应速度;
位置模块,用于根据所述计算模块确定的所述多个传感器簇对应的第一适应度和预设算法更新所述第一位置,确定目标传感器簇的目标位置;所述目标传感器簇为所述多个传感器簇中的任一传感器簇,用于指示最终部署的传感器簇;所述目标位置用于指示所述目标传感器簇的部署位置。
7.根据权利要求6所述的山林防火传感器的位置确定装置,其特征在于,所述计算模块,具体用于根据多个所述着火点的位置和所述多个传感器簇的第一位置分别确定每一个所述传感器簇与所述多个着火点之间的最快响应时间;
所述计算模块,还具体用于根据多个所述最快响应时间确定每一个所述传感器簇对应的第一适应度。
a、将所述多个传感器簇对应的第一适应度从小到大排序;
b、保留前精英参数q个第一适应度对应的传感器簇的第一位置,并根据所述第一预设算法更新其他C-q个传感器簇的第一位置,获得所述多个传感器簇的第二位置;
c、根据所述多个着火点的位置和所述多个传感器簇的第二位置确定所述多个传感器簇对应的第二适应度,并将所述第二适应度从小到大排序;
e、根据所述多个着火点的位置和所述多个传感器簇的第三位置确定所述多个传感器簇对应的第三适应度,并更新所述步长因子和所述发现概率;
f、根据所述第一预设算法和所述第二预设算法通过更新后的所述步长因子和所述发现概率循环执行a-e的步骤,直至循环次数达到所述迭代总次数I,获得所述多个传感器簇的第四位置;
g、根据所述多个着火点的位置和所述多个传感器簇的第四位置确定所述多个传感器簇对应的第四适应度;
h、确定最小的所述第四适应度对应的传感器簇为所述目标传感器簇,并确定所述目标传感器簇对应的第四位置为所述目标位置。
9.一种山林防火传感器的位置确定装置,其特征在于,包括存储器、处理器、总线和通信接口;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接;当所述山林防火传感器的位置确定装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述山林防火传感器的位置确定装置执行如权利要求1-4任一项所述的山林防火传感器的位置确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机执行指令,当所述计算机执行指令在计算机上运行时,使得所述计算机执行如权利要求1-4任一项所述的山林防火传感器的位置确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109299.6A CN112348151B (zh) | 2020-10-16 | 2020-10-16 | 山林防火传感器的位置确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109299.6A CN112348151B (zh) | 2020-10-16 | 2020-10-16 | 山林防火传感器的位置确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348151A true CN112348151A (zh) | 2021-02-09 |
CN112348151B CN112348151B (zh) | 2023-07-28 |
Family
ID=74360955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011109299.6A Active CN112348151B (zh) | 2020-10-16 | 2020-10-16 | 山林防火传感器的位置确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348151B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力系统多目标无功优化的方法及系统 |
CN108805349A (zh) * | 2018-05-30 | 2018-11-13 | 中国科学院遥感与数字地球研究所 | 一种基于改进布谷鸟算法的作物种植空间布局优化方法 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
CN109190023A (zh) * | 2018-08-15 | 2019-01-11 | 深圳信息职业技术学院 | 协同推荐的方法、装置及终端设备 |
CN109299778A (zh) * | 2018-10-16 | 2019-02-01 | 南京邮电大学 | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 |
CN109323677A (zh) * | 2018-08-21 | 2019-02-12 | 上海隧道工程有限公司 | 改进布谷鸟搜索算法的圆度误差评定算法 |
CN110688219A (zh) * | 2019-09-05 | 2020-01-14 | 浙江理工大学 | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 |
-
2020
- 2020-10-16 CN CN202011109299.6A patent/CN112348151B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295880A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种电力系统多目标无功优化的方法及系统 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
CN108805349A (zh) * | 2018-05-30 | 2018-11-13 | 中国科学院遥感与数字地球研究所 | 一种基于改进布谷鸟算法的作物种植空间布局优化方法 |
CN109190023A (zh) * | 2018-08-15 | 2019-01-11 | 深圳信息职业技术学院 | 协同推荐的方法、装置及终端设备 |
CN109323677A (zh) * | 2018-08-21 | 2019-02-12 | 上海隧道工程有限公司 | 改进布谷鸟搜索算法的圆度误差评定算法 |
CN109299778A (zh) * | 2018-10-16 | 2019-02-01 | 南京邮电大学 | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 |
CN110688219A (zh) * | 2019-09-05 | 2020-01-14 | 浙江理工大学 | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 |
Non-Patent Citations (4)
Title |
---|
WENBO ZHANG等: "A BP Neural Network Prediction Model Based on Dynamic Cuckoo Search Optimization Algorithm for Industrial Equipment Fault Prediction", 《IEEE ACCESS》, vol. 7, pages 11736 - 11746, XP011707741, DOI: 10.1109/ACCESS.2019.2892729 * |
刘登峰等: "基于布谷鸟差分算法优化的DV-Hop改进算法", 《系统仿真学报》, vol. 29, no. 4, pages 791 - 797 * |
赵帅帅: "无线传感网中的节点定位算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 1, pages 136 - 700 * |
边莉等: "基于改进型蚁狮算法的PID控制器参数优化", 《吉林大学学报(信息科学版)》, no. 03, pages 72 - 78 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348151B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mallet et al. | Modeling wildland fire propagation with level set methods | |
CN111565372B (zh) | 有向传感器网络优化部署系统和方法 | |
Mosteo et al. | Multi-robot routing under limited communication range | |
US20210157283A1 (en) | Adaptively controlling groups of automated machines | |
CN109299778B (zh) | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 | |
CN106600430B (zh) | 一种社区网络检测方法及装置 | |
WO2019014824A1 (zh) | 定位方法、无人机和机器可读存储介质 | |
Rubí et al. | Application of machine learning models in the behavioral study of forest fires in the Brazilian Federal District region | |
CN115515077B (zh) | 一种基于uav的wsn数据采集轨迹动态生成方法及系统 | |
CN110390135A (zh) | 一种提高林火蔓延预测精度的方法 | |
CN116484760A (zh) | 日光温室建筑参数优化方法及其相关设备 | |
CN112348151A (zh) | 山林防火传感器的位置确定方法和装置 | |
CN112468959B (zh) | 位置确定方法、装置、计算机设备和存储介质 | |
CN104298858A (zh) | RoboCup救援平台中基于聚类和凸包的地图划分方法 | |
CN114332418A (zh) | 一种目标轨迹模拟方法及装置 | |
Gu | On-demand data assimilation of large-scale spatial temporal systems using sequential Monte Carlo methods | |
US8374391B1 (en) | Model of visibility of targets | |
US9619922B2 (en) | Distribution caching for direct lights | |
US20210383546A1 (en) | Learning device, image processing device, learning method, image processing method, learning program, and image processing program | |
CN115758717A (zh) | 模拟亮温偏差的估算方法、装置、电子设备及存储介质 | |
Gharajeh | T*: a weighted double-heuristic search algorithm to find the shortest path | |
CN113126652B (zh) | 无人机集群协同电子侦察的调度方法及装置 | |
CN111507014B (zh) | 一种消防救援等级确定方法、装置、设备及存储介质 | |
CN116720388B (zh) | 森林草原火场蔓延预测的方法、装置、设备和介质 | |
Ball et al. | Sensor network placement for maximizing detection of vehicle tracks and minimizing disjoint coverage areas |
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 |