CN113051665B - 一种基于改进粒子群算法的多无人机气体泄漏源定位方法 - Google Patents
一种基于改进粒子群算法的多无人机气体泄漏源定位方法 Download PDFInfo
- Publication number
- CN113051665B CN113051665B CN202110320464.0A CN202110320464A CN113051665B CN 113051665 B CN113051665 B CN 113051665B CN 202110320464 A CN202110320464 A CN 202110320464A CN 113051665 B CN113051665 B CN 113051665B
- Authority
- CN
- China
- Prior art keywords
- particle
- unmanned aerial
- particle swarm
- gas leakage
- speed
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- 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]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的多无人机气体泄漏源定位方法,主要用于对气体泄漏源进行高效、精准的定位。该方法结合了人类心理学,使该方法更加智能化。人在越接近成功的时候会变得越谨慎。模仿人的心理,粒子在越靠近污染源时也会变得谨慎,放慢自己的速度,谨慎的移动。该方法在迭代初期采用基本粒子群算法,使粒子群在气体泄漏区域大范围的搜索。当有粒子超过阈值时开始进行分层迭代。将无人机的剩余电量与搜索到气体泄漏源的影响作为谨慎因子的衡量指标,在积极粒子层速度更新时加上谨慎因子,使粒子进行更细致的局部搜索,而在消极粒子层速度更新时加上积极粒子层的带动作用,提高了搜索效率,实现了对气体泄漏源高效的定位。
Description
技术领域
本发明涉及一种泄漏源定位方法,特别涉及一种基于改进粒子群算法的多无人机气体泄漏源定位方法。
背景技术
危险气体经常出现在人们的日常生活中。如天然气、工业用的工业气体,自然灾害或安全事故后伴随产生有毒气体等,这些气体的泄漏都会对环境与人们的生活造成极大地危害。同时,气体泄漏后,如果所检测的区域面积较大,经常难以确定气体源的位置。传统污染源定位一般以固定检测站、车载式监测站和无线传感器网络为依据,通过将其位置和污染和污染物浓度信息相结合来估计污染源的位置。但由于受地面条件限制,监测站位往往分布不均匀或事故污染源附近不一定恰好设有监测站或被监测站所包围,无法实现对气体泄漏源精准定位。目前研究结果表明,无人机环境监测平台具有机动、灵活和监测范围广等优势,可以弥补现有固定监测站和监测车的不足,更有利于对气体泄漏源进行精准定位。
粒子群算法是一种模拟群体智能行为的优化算法,它的核心思想来源于对鸟群简化社会模型的研究及行为模拟。由于粒子群算法简单易实现,因此从出现至今,被迅速应用在许多科学和工程领域,已经成为群体智能算法的一个重要分支。在标准粒子群算法中,算法的收敛精度不够高,算法迭代初期收敛较快,后期对局部区域进行搜索时,收敛速度慢并且算法再陷入局部最优后难以跳出。
发明内容
针对标准粒子群算法存在的不足之处,本发明结合心理学,增加谨慎因子和分层迭代思想提出了一种改进粒子群算法。该方法具有定位精度高、速度快、鲁棒性强、且能避免陷入局部最优等特点,可以快速、高效的对气体泄漏源进行定位。
一种基于改进改进粒子群算法的多无人机气体泄漏源定位方法,该方法结合了人类心理学,使该算法更加智能化。人在越接近成功的时候会变得越小心翼翼,越谨慎。模仿人的心理,粒子在越靠近污染源时会变得谨慎,会放慢自己的速度,谨慎的移动。所以此想法是对粒子群进行分层迭代,迭代初期采用基本粒子群算法,使粒子群在气体泄漏区域大范围的搜索。当有粒子超过阈值时开始进行分层迭代。将无人机剩余电量的影响与定位到气体泄漏源的影响作为谨慎因子的衡量指标,在积极粒子层速度更新时加上了谨慎因子,使粒子进行更细致的局部搜索,提高搜索效率,避免大范围搜索时间的浪费。而在消极粒子层速度更新时加上积极粒子层的带动作用,使消极层粒子群更快的向积极层粒子群靠近。该方法包括以下步骤:
步骤1:在待监测区设置N架无人机,此次模拟仿真设置了6架无人机;
步骤2:初始化无人机的位置和速度;
步骤3:计算初始无人机群各个体的适应值;
步骤4:用改进粒子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:输出气体泄漏源的位置。
在步骤4中提出的改进粒子群算法,如图1所示,包括以下步骤:
步骤1:初始化种群的迭代次数maxgen、种群规模popsize、粒子的速度V和位置pop、参数c1、c2、c3、权重系数w、w1、w2;
步骤2:计算初始种群中粒子的适应值;
步骤3:计算个体极值和群体极值;
步骤4:判断是否有粒子超过阈值f0;
步骤5:若有粒子适应值超过阈值f0,则开始进行分层粒子群算法,若无粒子适应值超过阈值f0按照标准粒子群算法进行速度位置更新;
步骤6:判断是否满足终止条件,若满足终止条件则转到步骤7,若没有满足终止条件则转到步骤2;
步骤7:输出粒子群寻优结果,如图2所示,算法结束。
进一步的,所述步骤5中的标准粒子群算法使用速度更新公式1进行更新。
所述步骤5中的分层粒子群算法如下:
当某个粒子的适应值超过阈值f0,则按照速度更新公式2进行更新,当粒子的适应值未超过阈值f0时,则按照速度更新公式3进行更新。
在3个速度更新公式中,w为惯性权重,Vt i为t时刻粒子的速度,wVt i为公式的第一部分,反映了粒子的运动“习惯”,代表粒子有维持自己前一个时刻速度的趋势;c1、c2加速常数,c1为粒子的个体学习因子,c2为粒子的社会学习因子,r1、r2为随机数,增加搜索的随机性,Pbest为粒子个体极值所处的位置,Xt i为粒子当前所处的位置,为公式的第二部分,反映粒子对自身历史经验的记忆,代表粒子有向自身历史最佳位置逼近的趋势;Gbest为群体最优粒子所处的位置,/>为公式的第三部分,反映粒子间协同合作,代表粒子有向群体历史最佳位置逼近的趋势。
速度更新公式2中的Q和速度更新公式3中的为本发明的创新之处;速度更新公式2的Q中,是将无人机剩余电量的影响与定位到气体泄漏源的影响作为谨慎因子的衡量指标,us为此时无人机剩余的电量,umax为无人机总电量,f0为设置的阈值,f1为当前粒子适应值,根据人工心理学,当无人机所剩余电量越来越少时、在越靠近泄漏源区域时,无人机变得谨慎会减小飞行速度,在小范围中进行搜索,所以加上谨慎因子Q就是为了在后期粒子寻找污染源时能加强无人机的局部搜索能力,提高搜索效率,加快收敛速度,避免大范围搜索时间的浪费;速度更新公式3中Gmax为积极层粒子群中的全局最优位置,在公式3中加上/>是为了增大消极层粒子的速度,加强粒子的全局搜索能力,使消极层粒子能更快向积极层粒子靠近,提高搜索效率,节约时间。
附图说明
图1是本发明基于改进粒子算法的无人机气体泄漏源定位方法流程图;
图2是本发明改进粒子群算法粒子寻优路径图;
具体实施方式
本发明的具体实施例如下:
步骤1:在待监测区设置N架无人机;
步骤2:初始化无人机的位置和速度;
步骤3:计算初始无人机群各个体的适应值;
步骤4:用改进粒子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:输出气体泄漏源的位置。
在步骤4中提出的改进粒子群算法,如图1所示,包括以下步骤:
步骤1:初始化种群的迭代次数maxgen、种群规模popsize、粒子的速度V和位置pop、参数c1、c2、c3、权重系数w、w1、w2;
步骤2:计算初始种群中粒子的适应值;
步骤3:计算个体极值和群体极值;
步骤4:判断是否有粒子超过阈值f0;
步骤5:若有粒子适应值超过阈值f0,则开始进行分层粒子群算法,若无粒子适应值超过阈值f0按照标准粒子群算法进行速度位置更新;
进一步的,所述步骤5中的标准粒子群算法使用速度更新公式1进行更新,所述的分层粒子群算法如下:当某个粒子的适应值超过阈值f0,则按照速度更新公式2进行更新,当粒子的适应值未超过阈值f0时,则按照速度更新公式3进行更新。
步骤6:判断是否满足终止条件,若满足终止条件则转到步骤7,若没有满足终止条件则转到步骤2;
步骤7:输出粒子群寻优结果,如图2所示,算法结束。
Claims (2)
1.一种基于改进粒子群算法的多无人机气体泄漏源定位方法,其特征在于,包括以下步骤:
步骤1:在待监测区设置N架无人机;
步骤2:初始化无人机的位置和速度;
步骤3:计算初始无人机群各个体的适应值;
步骤4:用改进粒子群算法搜索气体泄漏源,其具体包括以下步骤:
步骤4.1:初始化种群的迭代次数maxgen、种群规模popsize、粒子的速度V和位置pop、参数c1、c2、c3、权重系数w、w1、w2;
步骤4.2:计算初始种群中粒子的适应值;
步骤4.3:计算个体极值和群体极值;
步骤4.4:判断是否有粒子超过阈值f0;
步骤4.5:若有粒子适应值超过阈值f0,则开始进行分层粒子群算法,若无粒子适应值超过阈值f0按照标准粒子群算法进行速度位置更新;
其所述的标准粒子群算法速度更新公式为:
其所述的分层粒子群算法为:当某个粒子的适应值超过阈值f0,则按照速度更新公式2进行更新,当粒子的适应值未超过阈值f0时,则按照速度更新公式3进行更新;
速度更新公式2为:
速度更新公式3为:
式中:Q为谨慎因子:w、w1、w2为权重系数;c1、c2、c3为常数;pbest为粒子个体极值所处的位置;/>为粒子当前所处的位置;Q为谨慎因子;us为此时无人机剩余的电量;umax为无人机总电量;f0为设置的阈值;f1为当前粒子适应值;Gbest为群体最优粒子所处的位置;r1、r2为随机数;Gmax为积极层粒子群中的全局最优位置;
步骤4.6:判断是否满足终止条件,若满足终止条件则转到步骤4.7,若没有满足终止条件则转到步骤4.2;
步骤4.7:输出粒子群寻优结果,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:输出气体泄漏源的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320464.0A CN113051665B (zh) | 2021-03-25 | 2021-03-25 | 一种基于改进粒子群算法的多无人机气体泄漏源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320464.0A CN113051665B (zh) | 2021-03-25 | 2021-03-25 | 一种基于改进粒子群算法的多无人机气体泄漏源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051665A CN113051665A (zh) | 2021-06-29 |
CN113051665B true CN113051665B (zh) | 2023-06-27 |
Family
ID=76515152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110320464.0A Active CN113051665B (zh) | 2021-03-25 | 2021-03-25 | 一种基于改进粒子群算法的多无人机气体泄漏源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051665B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640470B (zh) * | 2021-08-20 | 2023-01-24 | 中国计量大学 | 一种基于改进教与学算法的多无人机大气污染源定位方法 |
CN115083167A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市城市公共安全技术研究院有限公司 | 车辆泄漏事故的预警方法、系统、终端设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646281A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于多种群的粒子群算法模型 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
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 |
CN109858606A (zh) * | 2019-02-20 | 2019-06-07 | 哈尔滨工程大学 | 一种改进粒子群算法的方法 |
CN110308649A (zh) * | 2019-07-11 | 2019-10-08 | 东南大学 | 一种基于pso-soa融合算法的pid参数优化方法 |
CN110555506A (zh) * | 2019-08-20 | 2019-12-10 | 武汉大学 | 一种基于群体团聚效应的梯度自适应粒子群优化方法 |
CN112082552A (zh) * | 2020-07-11 | 2020-12-15 | 西北工业大学太仓长三角研究院 | 基于改进的混合粒子群优化算法的无人机航迹规划方法 |
CN112446457A (zh) * | 2020-12-02 | 2021-03-05 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
-
2021
- 2021-03-25 CN CN202110320464.0A patent/CN113051665B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646281A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于多种群的粒子群算法模型 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
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 |
CN109858606A (zh) * | 2019-02-20 | 2019-06-07 | 哈尔滨工程大学 | 一种改进粒子群算法的方法 |
CN110308649A (zh) * | 2019-07-11 | 2019-10-08 | 东南大学 | 一种基于pso-soa融合算法的pid参数优化方法 |
CN110555506A (zh) * | 2019-08-20 | 2019-12-10 | 武汉大学 | 一种基于群体团聚效应的梯度自适应粒子群优化方法 |
CN112082552A (zh) * | 2020-07-11 | 2020-12-15 | 西北工业大学太仓长三角研究院 | 基于改进的混合粒子群优化算法的无人机航迹规划方法 |
CN112446457A (zh) * | 2020-12-02 | 2021-03-05 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
Non-Patent Citations (1)
Title |
---|
采用多搜索模式的粒子群算法;张呈志;王勇;李海滨;;桂林理工大学学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113051665A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113051665B (zh) | 一种基于改进粒子群算法的多无人机气体泄漏源定位方法 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
CN108828140A (zh) | 一种基于粒子群算法的多无人机协同恶臭溯源方法 | |
CN111751502B (zh) | 一种基于改进模拟退火的多无人机协同污染物溯源方法 | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN112446457B (zh) | 一种基于改进人工鱼群算法的气体泄漏源定位方法 | |
Lemieux et al. | Vehicle speed prediction using deep learning | |
Julian et al. | Validation of image-based neural network controllers through adaptive stress testing | |
CN102999664B (zh) | 一种室内污染源位置识别方法 | |
CN110443399B (zh) | 一种车辆事故航空救援智能调度方法 | |
CN111024898A (zh) | 一种基于CatBoost模型的车辆尾气浓度超标判别方法 | |
CN111045445A (zh) | 一种基于强化学习的飞行器智能避撞方法、设备、介质 | |
Liu et al. | Three-dimensional multi-mission planning of UAV using improved ant colony optimization algorithm based on the finite-time constraints | |
Palconit et al. | Comparative ANFIS Models for Stochastic On-road Vehicle CO 2 Emission using Grid Partitioning, Subtractive, and Fuzzy C-means Clustering | |
Sharma et al. | Accuracy comparison of vehicle classification system using interval type-2 fuzzy inference system | |
JP2020071611A (ja) | 機械学習装置 | |
CN116182859A (zh) | 路径规划方法及装置、设备、存储介质 | |
Chen et al. | Towards environmentally adaptive odor source localization: Fuzzy Lévy taxis algorithm and its validation in dynamic odor plumes | |
CN110533905B (zh) | 一种交通流预测的方法、系统及设备 | |
Gong et al. | A mutation operator self-adaptive differential evolution particle swarm optimization algorithm for USV navigation | |
CN113640470B (zh) | 一种基于改进教与学算法的多无人机大气污染源定位方法 | |
Cabrita et al. | Odor Guided Exploration and Plume Tracking-Particle Plume Explorer. | |
CN114701517A (zh) | 基于强化学习的多目标复杂交通场景下自动驾驶解决方法 | |
CN112991765B (zh) | 一种道路高排放源识别模型更新方法、终端及存储介质 | |
Tang et al. | An Efficientnet Based Method for Autonomous Vehicles Trajectory Prediction |
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 |