CN112446457B - 一种基于改进人工鱼群算法的气体泄漏源定位方法 - Google Patents

Abstract

本发明创造性的将改进人工鱼群算法与无人机集群结合，实现气体泄漏源的快速、高效定位。传统的固定监测网络法存在局限性，难以满足现有的定位气体泄露源定位需求，多无人机集群系统具有机动灵活和监测范围广等优势，以其作为环境监测平台可以弥补现有固定监测站的不足，有利于主动追踪和定位有害气体泄漏源。烟羽搜索策略采用改进人工鱼群算法，在标准人工鱼群算法的基准上，引入好奇心模型，可以自适应的调节无人机的搜索视野和移动步长，避免标准人工鱼群算法中由于视野和步长为定值造成的算法缺陷。

Description

一种基于改进人工鱼群算法的气体泄漏源定位方法

技术领域

本发明属于环境监测领域，具体涉及气体泄漏定位技术。

背景技术

随着工业化的快速发展，城市空气污染问题也日益严峻，化工园区有害气体泄漏事故时有发生，严重危害人们的生活。如何快速、精准的定位泄漏源是实现化工厂有害气体泄漏事故靶向治理的关键。现有的泄漏源定位技术以固定监测站、车载式监测站和无线传感器网络为依据，通过监测站位置和污染物浓度信息相估算泄漏源的位置。受地面条件限制，监测站位往往分布不均匀或事故泄漏源未被监测站所包围，无法实现事故泄漏源的精准定位。

人工鱼群算法是现代智能算法中模仿鱼类活动的一类优化算法，在计算机、人工智能等研究领域得到了很好的应用。标准人工鱼群算法采用固定视野和步长，算法后期求解的精度不够，容易发生振荡现象，个体鱼之间的搜索区域重叠，降低了搜索效率，个体鱼陷入局部最优后，不易摆脱局部极值。针对标准人工鱼群算法存在的不足之处，本发明结合好奇心理学提出一种改进算法。将个体鱼的迭代次数、视野中的人工鱼数目和寻优数值作为鱼群种群多样性的衡量指标，引入好奇心模型，量化个体鱼在不同状况下向高数值区域搜索的好奇情绪，使人工鱼的视野和步长可以根据计算出的好奇因子进行自适应的调节，避免由于视野和步长为定值造成的算法缺陷。

多无人机集群系统具有机动灵活和监测范围广等优势，以其作为环境监测平台可以弥补现有固定监测站的不足，有利于主动追踪和定位有害气体泄漏源。改进人工鱼群算法具有良好的寻优效率，作为泄漏源搜索策略，可以控制无人机群快速精准搜索泄漏源。

发明内容

本发明的目的是为了弥补现有泄漏源定位技术的不足，创造性的将改进人工鱼群算法和无人机集群结合，提出一种基于改进人工鱼群算法的气体泄漏源定位方法，可以快速、高效的定位泄漏源。

一种基于改进人工鱼群算法的气体泄漏源定位方法，包括以下步骤：

步骤1：在待监测区域设置5架无人机；

步骤2：采用发散策略快速发现烟羽；

步骤3：判断无人机是否发现烟羽，若发现烟羽，执行步骤4，否则转回步骤2；

步骤4：采用改进人工鱼群算法搜索气体泄漏源；

步骤5：更新各无人机的位置；

步骤6：判断气体泄漏源是否定位成功，若成功，执行步骤7，否则转回步骤4；

步骤7：输出气体泄漏源位置。

在步骤2中采用发散搜索策略快速搜索烟羽，当气体泄漏后，多个无人机从同一初始区域出发向各个方向以相同的速度移动，无人机的移动轨迹为直线，移动轨迹之间的夹角相同，以便在最短时间覆盖最大的面积，快速发现烟羽。

在步骤4中提出的改进人工鱼群算法，包括以下步骤：

步骤1：初始化设置，包括种群规模N_max、每条人工鱼的初始位置、人工鱼的视野Visual、步长step、拥挤度因子δ、重复次数Try-number、最大迭代次数I_max、权重系数w₁、w₂、w₃；

步骤2：计算初始鱼群各个体的适应值；

步骤3：对每个个体进行评价，对其要执行的行为进行选择，包括觅食Pray、聚群Swarm、追尾Follow；

步骤4：执行人工鱼的行为，更新位置，生成新鱼群；

步骤5：基于好奇心模型，计算个体鱼的好奇因子，根据视野和步长更公式更新视野和步长；

步骤6：判断是否达到迭代次数，若达到迭代次数转到步骤7；若没有达到迭代次数，迭代次数加1，转到步骤2；

步骤7：输出寻优结果，算法结束。

改进人工鱼群算法的步骤5中提出一种好奇心模型，该模型可以衡量个体鱼在搜索最优值过程中的好奇心。

式中，w₁、w₂、w₃为权重系数；I为当前的迭代次数；I_max为最大迭代次数；i为人工鱼编号；为第I次迭代时人工鱼i视野中的人工鱼数目；N_max为人工鱼总数；/>为第I次迭代时人工鱼i搜索的浓度值；/>为第I次迭代时种群最大浓度值。

迭代次数可以在一定程度上等价于搜索时间，人工鱼在初始搜索时对高数值区域有较为强烈的好奇心，但是随着搜索时间的增加，人工鱼逐渐疲累，好奇心也逐渐下降，视野与步长也随之降低。

人工鱼群算法后期，人工鱼会逐渐聚集，固定视野与步长导致搜索区域重叠，视野中的人工鱼数目越多，重叠的搜索区域就越大，个体鱼对本区域内搜索的好奇心会下降，相应的视野和步长随之减小。

每迭代一次，鱼群会获得一个最大数值，既本次搜索的种群最优值，个体鱼搜索到的数值将会与最优值做比较，其差值越大，代表当前位置的价值越低，人工鱼向高数值区域搜索的好奇心越强，视野和步长随之增大。

所述步骤5中提出的视野和步长更新公式，基于好奇心模型计算个体鱼每次迭代的好奇因子，自适应、动态调整每次寻优的视野和步长。

式中，α为好奇因子。

本发明的有益效果在于：

本发明创造性的将改进人工鱼群算法与无人机集群结合，实现气体泄漏源的快速、高效定位。提出好奇心模型，并将其引入标准人工鱼群算法中，使人工鱼的视野和步长可以根据计算出的好奇因子进行自适应的调节。无人机采用改进人工鱼群算法搜索泄漏源，随着搜索时间的增加，视野和步长逐渐减小，搜索后期以较小的视野和步长进行寻优，避免了震荡现象的出现；好奇心因子α₂以视野中的无人机数目为依据调节视野和步长，减小了重叠的搜索区域，提高了寻优效率；好奇因子α₃增加了陷入局部最优的无人机的视野和步长，使其更加容易感知到其他无人机，并进行追尾和聚群行为，极大的增加了跳出局部最优的可能性。

附图说明

图1是基于改进人工鱼群算法的气体泄漏源定位过程；

图2是改进人工鱼群算法流程图；

图3是标准人工鱼群算法搜索后期震荡现象；

图4是改进人工鱼群算法搜索后期现象；

图5是重叠的搜索区域；

图6是改进人工鱼群算法搜索区域；

图7是无人机陷入局部最优区域；

图8是无人机脱离局部最优区域；

具体实施方式

具体实施例一。

在本实施例一中，采用5架无人机搜索气体泄露源。结合图1，具体的实施步骤如下：

步骤1：在待监测区域设置5架无人机；

步骤2：采用发散策略快速发现烟羽；

步骤3：判断无人机是否发现烟羽，若发现烟羽，执行步骤4，否则转回步骤2；

步骤4：采用改进人工鱼群算法搜索气体泄漏源；

步骤5：更新各无人机的位置；

步骤6：判断气体泄漏源是否定位成功，若成功，执行步骤7，否则转回步骤4；

步骤7：输出气体泄漏源位置。

在步骤4中提出的基于好奇心模型的改进人工鱼群算法，如图2所示，包括以下步骤：

步骤1：初始化设置，包括种群规模N_max、每条人工鱼的初始位置、人工鱼的视野Visual、步长step、拥挤度因子δ、重复次数Try-number、最大迭代次数I_max、权重系数w₁、w₂、w₃；

步骤2：计算初始鱼群各个体的适应值；

步骤3：对每个个体进行评价，对其要执行的行为进行选择，包括觅食Pray、聚群Swarm、追尾Follow；

步骤4：执行人工鱼的行为，更新位置，生成新鱼群；

步骤5：基于好奇心模型，计算个体鱼的好奇因子，根据视野和步长更公式更新视野和步长；

好奇心模型：

视野和步长更新公式：

步骤6：判断是否达到迭代次数，若达到迭代次数转到步骤7；若没有达到迭代次数，迭代次数加1，转到步骤2；

步骤7：输出寻优结果，算法结束。

具体实施例二。

在本实施例二中，通过MATLAB软件构建气体泄漏浓度场，使用标准人工鱼群算法和改进人工鱼群算法搜索泄漏源。

如图3所示，由于标准人工鱼群算法的视野和步长为固定值，导致搜索后期出现震荡现象，无法满足求解精度问题。如图4所示，采用改进人工鱼群算法搜索泄漏源，在好奇因子α₁的作用下，随着搜索时间的增加，视野和步长逐渐减小，搜索后期以较小的视野和步长进行寻优，避免了震荡现象的出现。

如图5所示，标准人工鱼群算法的固定视野和步长导致搜索区域重叠，降低了搜索效率。如图6所示，采用改进人工鱼群算法搜索泄漏源，好奇心因子α₂以视野中的无人机数目为依据调节视野和步长，减小了重叠的搜索区域，提高了寻优效率。

如图7所示，采用标准人工鱼群算法搜索泄漏源，无人机陷入局部最优时无法跳出。如图8所示，采用改进人工鱼群算法搜索泄漏源，好奇因子α₃增加了陷入局部最优的无人机的视野和步长，使其更加容易感知到其他无人机，并进行追尾和聚群行为，使其跳出局部最优。

以上是本发明较佳的实施方式，但本发明的保护范围并不仅仅局限在此，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，凡依本发明技术方案做变换或替换的，都应涵盖在本发明的保护范围内。因此，本发明的保护范围都应以权力要求的保护范围为准。

Claims (1)

1.一种基于改进人工鱼群算法的气体泄漏源定位方法，其特征在于，包括以下步骤：

步骤1：在待监测区域设置5架无人机；

步骤2：采用发散策略快速发现烟羽；

步骤3：判断无人机是否发现烟羽，若发现烟羽，执行步骤4，否则转回步骤2；

步骤4：采用改进人工鱼群算法搜索气体泄漏源，其具体包括以下步骤：

步骤4-1：初始化设置，包括种群规模N_max、每条人工鱼的初始位置、人工鱼的视野visual、步长step、拥挤度因子δ、重复次数Try-number、最大迭代次数I_max、权重系数w₁、w₂、w₃；

步骤4-2：计算初始鱼群各个体的适应值；

步骤4-3：对每个个体进行评价，对其要执行的行为进行选择，包括觅食Pray、聚群Swarm、追尾Follow；

步骤4-4：执行人工鱼的行为，更新位置，生成新鱼群；

步骤4-5：基于好奇心模型，计算个体鱼的好奇因子，根据视野和步长更新公式更新视野和步长；

该好奇心模型可以衡量个体鱼在搜索最优值过程中的好奇心，具体计算公式如下：

式中，w₁、w₂、w₃为权重系数；I为当前的迭代次数；I_max为最大迭代次数；i为人工鱼编号；为第I次迭代时人工鱼i视野中的人工鱼数目；N_max为人工鱼总数；/>为第I次迭代时人工鱼i搜索的浓度值；/>为第I次迭代时种群最大浓度值；

基于好奇心模型计算个体鱼每次迭代的好奇因子，自适应、动态调整每次寻优的视野和步长，更新公式如下：

式中，α为好奇因子。

步骤4-6：判断是否达到迭代次数，若达到迭代次数转到步骤4-7；若没有达到迭代次数，迭代次数加1，转到步骤4-2；

步骤4-7：输出寻优结果，算法结束；

步骤5：更新各无人机的位置；

步骤6：判断气体泄漏源是否定位成功，若成功，执行步骤7，否则转回步骤4；

步骤7：输出气体泄漏源位置。