CN113094859B - 电气控制箱线路布线优化方法、系统及存储介质 - Google Patents

电气控制箱线路布线优化方法、系统及存储介质 Download PDF

Info

Publication number
CN113094859B
CN113094859B CN202110422170.9A CN202110422170A CN113094859B CN 113094859 B CN113094859 B CN 113094859B CN 202110422170 A CN202110422170 A CN 202110422170A CN 113094859 B CN113094859 B CN 113094859B
Authority
CN
China
Prior art keywords
node
nodes
path
wire
shortest
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
CN202110422170.9A
Other languages
English (en)
Other versions
CN113094859A (zh
Inventor
王浩
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.)
Jiangxi Taihao Environmental Technology Co.,Ltd.
Original Assignee
Jiaxing Taihao Equipment Technology Co ltd
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 Jiaxing Taihao Equipment Technology Co ltd filed Critical Jiaxing Taihao Equipment Technology Co ltd
Priority to CN202110422170.9A priority Critical patent/CN113094859B/zh
Publication of CN113094859A publication Critical patent/CN113094859A/zh
Application granted granted Critical
Publication of CN113094859B publication Critical patent/CN113094859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电气控制箱线路布线优化方法，涉及电气工程技术领域，该方法包括：建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵；根据相邻点距离矩阵，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获得节点最短距离矩阵和路径线槽满度系数矩阵；计算处于当前节点i的蚂蚁选择目标节点j的概率，根据线槽的满度情况调节进入下一个节点的概率，调小导线排布在较满线槽的概率以使所有线槽满度均匀。本发明能够解决现有技术中基本的蚁群算法仅能处理节点之间只有距离属性的情形，不能满足导线布线时考虑线槽满度的技术问题。

Description

电气控制箱线路布线优化方法、系统及存储介质
技术领域
本发明涉及电气工程技术领域，具体涉及一种电气控制箱线路布线优化方法、系统及存储介质。
背景技术
例如，在空调产品电气控制箱布线过程中，常常遇到等电位的公共线连接到很多元器件的情况，这些元器件在电气控制箱上的排布可能会跨越几行，或者从一个安装板连接到另外一个安装板上，因此给公共线的布线带来了很大的麻烦。其中，公共线在电气控制箱上的布线一般采用首尾相连的模式，即从某个元器件开始，沿着线槽连接到另外一个器件，再从该器件引出到下一个器件。公共线的布线不仅要考虑到连接的完整性，还要尽量使布线距离最短，同时避开比较满的线槽，以使布线最优化。人工设计布线不仅工作量大，获得的结果也不一定是最优的，特别是在公共线需要连接较多元器件时，人工很难准确完成布线设计，同时会浪费很多导线材料。
然而，基本的蚁群算法仅能处理节点之间只有距离属性的情形，不能满足导线布线时考虑线槽满度的需求。因此，有必要提出一种改进的蚁群算法，使其在迭代优化过程中将蚂蚁经过的线槽的满度系数计算在内。
发明内容
针对现有技术的不足，本发明的目的在于提供一种电气控制箱线路布线优化方法，旨在解决现有技术中基本的蚁群算法仅能处理节点之间只有距离属性的情形，不能满足导线布线时考虑线槽满度的技术问题。
为了达到上述目的，本发明通过以下技术方案来实现：一种电气控制箱线路布线优化方法，所述方法包括以下步骤：
建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n；
根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获取节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并使导线排布的线槽满度最小化。
与现有技术相比，本发明的有益效果在于：本发明通过对电气控制箱内各元器件的连接点和线槽进行数学建模，用点坐标表示普通节点和关键节点，并获取相邻点距离矩阵Mn×n；采用Dijkstra算法求解单源节点最短路径问题，以得到各节点到其他节点的最短路径，形成节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为改进型蚁群算法的输入参数，优化计算出电气控制箱各公共线的最优布线路径。本发明能够明显提高电气控制箱内公共线的布线效率，实现了电气设计中排布导线的自动化，摆脱了人工设计上的误差，达到合理布线和节省线缆材料消耗的目的。
根据上述技术方案的一方面，建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n的步骤具体包括：
将元器件的连接点抽象为直角坐标系中的点，并表示为普通节点Pi(xi,yi)；
将线槽抽象为直角坐标系中的线段，线段的模型包括两个端点,两条相交的线槽包括一个公共端点，线槽端点表示为关键节点Pk(xk,yk)；
构建表示节点相邻关系的相邻点距离矩阵Mn×n，n为节点个数并包括连接点普通节点与关键节点；
若蚂蚁能从初始节点i直接到达目标节点j而不经过其他节点，则M(i,j)的值为两节点的最短导线路径。
根据上述技术方案的一方面，根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获得节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m的步骤具体包括：
将初始节点i作为源节点，取相邻点距离矩阵Mn×n的第i行作为起始距离向量d，采用Dijkstra算法求取初始节点i到其余所有节点的最短导线路径，并获取满度系数向量
Figure GDA0003670772140000031
和更新后的距离向量d，将距离向量d作为节点最短距离矩阵Dm×m的第i行元素，将满度系数向量
Figure GDA0003670772140000032
作为路径线槽满度系数矩阵Φm×m的第i行元素；
重复执行Dijkstra算法m次，获取所有节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m。
根据上述技术方案的一方面，将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并且使导线走过的线槽满度最小化的步骤具体包括：
计算处于初始节点i的蚂蚁下一步直接选择目标节点j的概率，计算公式为
Figure GDA0003670772140000033
将区间[0,1]划分为m段，m为初始节点i可到达的节点数量，并且每段的长度对应下一节点的选择概率
Figure GDA0003670772140000034
按均匀分布概率模型生成一随机数h；
若h落在第j段，则蚂蚁的下一访问点为目标节点j；
更新路径信息素，多次迭代后最优解趋于稳定，最终获取最优布线路径和导线长度。
基于上述同样的目的，本发明还提供了一种电气控制箱线路布线优化系统，所述系统包括：
建模模块，所述建模模块用于建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n；
算法求解模块，用于根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获取节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
路径优化模块，用于将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并使导线排布的线槽满度最小化。
根据上述技术方案的一方面，所述建模模块包括：
建模单元，所述建模单元用于将元器件的连接点抽象为直角坐标系中的点，并表示为普通节点Pi(xi,yi)；
所述建模单元还用于将线槽抽象为直角坐标系中的线段，线段的模型包括两个端点,两条相交的线槽包括一个公共端点，线槽端点表示为关键节点Pk(xk,yk)；
矩阵构建单元，所述矩阵构建模块用于构建表示节点相邻关系的相邻点距离矩阵Mn×n，n为节点个数并包括连接点普通节点与关键节点；
路径判断单元，若蚂蚁能从初始节点i直接到达目标节点j而不经过其他节点，则M(i,j)的值为两节点的最短导线路径。
根据上述技术方案的一方面，所述算法求解模块包括：
算法定义单元，所述定义模块用于将初始节点i作为源节点，取相邻点距离矩阵Mn×n的第i行作为起始距离向量d，采用Dijkstra算法求取初始节点i到其余所有节点的最短导线路径，并获取满度系数向量
Figure GDA0003670772140000041
和更新后的距离向量d，将距离向量d作为最短距离矩阵Dm×m的第i行元素，将满度系数向量
Figure GDA0003670772140000042
作为路径线槽满度系数矩阵Φm×m的第i行元素；
算法执行单元，所述算法执行模块用于重复执行Dijkstra算法m次，获取所有节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m。
根据上述技术方案的一方面，所述路径优化模块包括：
计算单元，用于计算处于节点i的蚂蚁下一步直接选择目标节点j的概率；
所述计算单元还用于将将区间[0,1]划分为m段，m为目标初始节点i可到达的节点数量，并且每段的长度对应下一节点的选择概率
Figure GDA0003670772140000043
按均匀分布概率模型生成一随机数h；
若h落在第j段，则蚂蚁的下一访问点为目标节点j；
迭代优化模块，所述迭代优化单元用于更新路径信息素，多次迭代后最优解趋于稳定，最终获取最优布线路径和导线长度。
本发明还提供了一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述技术方案中所述方法的步骤。
本发明的附加方面与优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述与/或附加的方面与优点从结合下面附图对实施例的描述中将变得明显与容易理解，其中：
图1为本发明第一实施例中电气控制箱线路布线优化方法的流程示意图；
图2为本发明第二实施例中电气控制箱公共线的连接点和线槽建模示意图；
图3为本发明第二实施例中零线布线的优化结果示意图；
图4为本发明第二实施例中蚁群算法最优路径迭代过程示意图；
图5为本发明第三实施例中电气控制箱线路布线优化系统的结构框图。
具体实施方式
为使本发明的目的、特征与优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造与操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定与限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的与所有的组合。
现有技术中，电气控制箱内的公共线的布线不仅要考虑到连接的完整性，还要尽量使布线距离最短，同时避开比较满的线槽，以使布线最优化。其中，人工设计布线不仅工作量大，获得的结果也不一定是最优的，特别是在公共线需要连接较多元器件时，人工很难准确完成布线设计，同时会浪费很多导线材料。
本发明的第一实施例提供了一种电气控制箱线路布线优化方法，该方法包括以下步骤：
S10、建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n；
为了使计算机能够识别元器件的连接点和线槽，需要对其进行数学建模，将现实中复杂的连接点和线槽分别抽象为数学上的坐标点和线段
S20、根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获取节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
S30、将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并使导线排布的线槽满度最小化。
本领域技术人员容易理解的，蚁群算法是一种模仿蚂蚁群体觅食行为的仿生优化算法，可用于解决类似旅行商问题(TSP)的相关路径优化问题。在本实施例所示的电气控制箱公共线布线问题中，由于没有指定导线的起点和终点，只要求导线遍历所有连接点时所需要的导线长度最短，并且满足线槽满度均匀化要求即可。因此，电气控制箱公共线布线优化问题符合蚁群算法的解决范畴。
本发明通过对元器件连接点和线槽进行数学建模，用点坐标表示普通节点和关键节点，并获取相邻点距离矩阵Mn×n；采用Dijkstra算法求解单源节点最短路径问题，以得到各节点到其他节点的最短路径，形成节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；将矩阵Dn×n和Φn×n作为改进型蚁群算法的输入参数，优化计算出电气控制箱各公共线的最优布线路径。本发明提高了电气控制箱公共线的布线效率，实现了电气设计中排布导线的自动化，摆脱了人工设计上的误差，达到合理布线和节省线缆材料消耗的目的。
本发明的第二实施例还提供了一种电气控制箱线路布线优化方法，本实施例还包括：
在本实施例中，S10还可以包括以下步骤：
S11、将元器件的连接点抽象为直角坐标系中的点，并表示为普通节点Pi(xi,yi)。
S12、将线槽抽象为直角坐标系中的线段，线段的模型包括两个端点,两条相交的线槽包括一个公共端点，线槽端点表示为关键节点Pk(xk,yk)。
其中，线槽或其他布线路径(统称为线槽)作为线段，线段模型由两端点的坐标构成,相连的线槽具有一个公共的端点。将线槽的端点作为关键节点，连接点作为普通节点，并将电气控制箱和控制面板中的所有待建模普通节点和关键节点编号，以区分对待。
S13、构建表示节点相邻关系的相邻点距离矩阵Mn×n，n为节点个数并包括连接点普通节点与关键节点。
在本实施例当中，连接点和线槽建模的最终结果是，获得表示节点相邻关系的相邻点距离矩阵Mn×n，其中，n表示节点个数，包括连接点和线槽端点。
S14、若蚂蚁能从初始节点i直接到达目标节点j而不经过其他节点，则M(i,j)的值为两节点的最短导线路径。
M*i,j)表示初始节点i和目标节点j之间的可直接到达距离，即导线从当前节点i经过线槽到达目标节点j的长度，如果能从初始节点i直接到达目标节点j而不经过其他节点，则M(i,j)的值为两点的导线距离，否则为无穷大∞。
如果i＝j，则M(i,j)＝0，即节点到自身的距离为0。在这种情况下，在安装板平面中，从某一节点到其相邻节点的路径只有一条。由此，可以用相邻点距离矩阵Mn×n唯一确定某一公共线在某种排布方式的电气控制箱中的连接关系模型。
表1第二实施例中相邻点距离矩阵Mn×n
Figure GDA0003670772140000071
Figure GDA0003670772140000081
在本实施例当中，蚁群算法所需的输入参数是各节点到其他所有节点的最短距离。这是双向单源最短路径问题，根据相邻点距离矩阵Mn×n，采用Dijkstra算法可求取节点最短距离矩阵Dm×m，并根据所经过线槽的导线排布满度，获得满度系数矩阵Φm××。其中，m表示公共线所经过元器件连接点的数量，因此m＜n。D(i,j)表示导线从连接点i经过线槽到达连接点j的最短长度，过程中可跨过线槽上的其他节点。并根据所经过线槽的最大满度得到满度系数Φ(i,j)，取值区间为Φ(i,j)∈[0,1]，对应于线槽没有导线和线槽已布满线。
在本实施例中，S20还可以包括以下步骤：
S21、将初始节点i作为源节点，取相邻点距离矩阵Mn×n的第i行作为起始距离向量d，采用Dijkstra算法求取初始节点i到其余所有节点的最短导线路径，并获取满度系数向量
Figure GDA0003670772140000082
和更新后的距离向量d，将距离向量d作为最短距离矩阵Dm×m的第i行元素，将满度系数向量
Figure GDA0003670772140000083
作为Φ的第i行元素；
S22、重复执行Dijkstra算法m次，获取所有节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m。
本实施例当中，Dijkstra算法具体的执行步骤为：
(1)将节点i作为源节点，取相邻点距离矩阵Mn×n的第i行作为起始距离向量d，并将初始节点i标记为已访问。初始化满度系数向量
Figure GDA0003670772140000084
为0。
(2)取未被访问且距离向量d中距离最小的节点k，标记节点k为已访问。
(3)遍历节点k的相邻节点，若某相邻节点u的距离d[u]＞d(u)+M(k,u),则将d[u]更新为d(u)+M(k,u)。若导线从k到u经过的线槽最大满度
Figure GDA0003670772140000085
则更新
Figure GDA0003670772140000086
为α。
(4)重复步骤(2)到(3)，直到所有节点均被标记为已访问，此时被多次更新后的距离向量d即为初始节点i到其他节点的最短距离。将距离向量d作为最短距离矩阵Dm×m的第i行元素，
Figure GDA0003670772140000087
作为满度系数矩阵Φm×m的第i行元素。
重复执行Dijkstra算法m次，即可获取节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m。如表2所示，本实施例的最短距离矩阵D16×16，由于线槽空间充足，最短距离矩阵Φ16×16的元素均为0。
表2实施例1连接点最短距离矩阵D16×16
Figure GDA0003670772140000088
Figure GDA0003670772140000091
在本实施例中，S30还可以包括以下步骤：
S31、计算处于初始节点i的蚂蚁下一步直接选择目标节点j的概率，计算公式为
Figure GDA0003670772140000092
式中，α,β分别为信息素指数权重和启发指数权重；s为当前节点i的可到达节点，allowedk为可到达节点的集合，不包括已访问的节点。τ(i,j)为当前节点i到目标节点j的信息素强度；η(i,j)为启发因子，其值默认为两点距离的倒数，也即ηm×m＝1/Dm×m。
本实施例当中，通过在改进蚁群算法的抉择概率式中加入线槽空置率[1-Φ(i,j)]，这样便能够根据线槽的满度情况调节进入下一节点的概率，调小导线排布在比较满的线槽的概率，保证所有线槽的满度均匀，以使得电气控制箱内的导线排布均匀。
S32、将区间[0,1]划分为m段，m为初始节点i可到达的节点数量，并且每段的长度对应下一节点的选择概率
Figure GDA0003670772140000093
按均匀分布概率模型生成一随机数h；
可知，初始节点i到所有可到达节点的概率之和为1。这时可用幸运大转盘的思想选择蚂蚁要走的下一节点，也即蚂蚁将按照概率访问任一节点。
S33、若h落在第j段，则蚂蚁的下一访问点为目标节点j；
S34、更新路径信息素，多次迭代后最优解趋于稳定，最终获取最优布线路径和导线长度。
通过更新路径信息素，并且多次迭代后，便会有某一条路径上的路径信息素明显强于其它路径，路径信息素较强的路径通常就是最优路径；也即通过多次迭代后，能够获取一最佳布线路径，导线按照该最佳布线路径排布所需的导线长度也是最佳的。
示例而非限定，如图3所示，为通过本实施例所示电气控制箱线路优化方法优化出的零线布线路径，图中虚线为最优的导线分布。该导线从连接点4开始，依次连接16,10,3,9,14,13,1,5,7,11,12,6,2,15,8号连接点，此时所需的导线长度最短，从而能够达到导线布线优化的目的。经过多次迭代过程的最优化导线长度如图4所示，蚁群的最优路径快速收敛，在第130次迭代时已经收敛到最小值，此时的导线长度为3856mm。
本发明的第三实施例提供了一种电气控制箱线路布线优化系统，系统包括：
建模模块，建模模块用于建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n；
算法求解模块，用于根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获取节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
路径优化模块，用于将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并使导线排布的线槽满度最小化。
在本实施例当中，建模模块还包括建模单元：
建模单元用于将元器件的连接点抽象为直角坐标系中的点，并表示为普通节点Pi(xi,yi)；
建模单元还用于将线槽抽象为直角坐标系中的线段，线段的模型包括两个端点,两条相交的线槽包括一个公共端点，线槽端点表示为关键节点Pk(xk,yk)；
矩阵构建单元，矩阵构建模块用于构建表示节点相邻关系的相邻点距离矩阵Mn×n，n为节点个数并包括连接点普通节点与关键节点；
路径判断单元，若蚂蚁能从初始节点i直接到达目标节点j而不经过其他节点，则M(i,j)的值为两节点的最短导线路径。
在本实施例当中，算法求解模块包括算法定义单元与算法执行单元；
其中，定义模块用于将初始节点i作为源节点，取相邻点距离矩阵Mn×n的第i行作为起始距离向量d，采用Dijkstra算法求取初始节点i到其余所有节点的最短导线路径，并获取满度系数向量
Figure GDA0003670772140000101
和更新后的距离向量d，将距离向量d作为最短距离矩阵Dm×m的第i行元素，将满度系数向量
Figure GDA0003670772140000102
作为路径线槽满度系数矩阵Φm×m的第i行元素；
算法执行模块用于重复执行Dijkstra算法m次，获取所有节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m。
在本实施例当中，路径优化模块包括计算单元与迭代优化单元；
其中，计算单元用于计算处于初始节点i的蚂蚁下一步直接选择目标节点j的概率，该计算单元计算上述概率用到的计算公式为
Figure GDA0003670772140000111
该计算单元还用于将区间[0,1]划分为m段，m为初始节点i可到达的节点数量，并且每段的长度对应下一节点的选择概率
Figure GDA0003670772140000112
按均匀分布概率模型生成一随机数h；
若h落在第j段，则蚂蚁的下一访问点为目标节点j；
迭代优化单元用于更新路径信息素，多次迭代后最优解趋于稳定，最终获取最优布线路径和导线长度。
此外，本发明的实施例还提出一种存储介质，具体是可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一实施例中所述方法的步骤。
此外，本发明的实施例还提出一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一实施例中所述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体与详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形与改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种电气控制箱线路布线优化方法，其特征在于，所述方法包括以下步骤：
建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n；
根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获取节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
所述根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获得节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m的步骤包括：
将初始节点i作为源节点，取相邻点距离矩阵Mn×n的第i行作为起始距离向量d，采用Dijkstra算法求取初始节点i到其余所有节点的最短导线路径，同时求取满度系数向量
Figure FDA0003670772130000012
和更新后的距离向量d，将距离向量d作为D的第i行元素，将满度系数向量
Figure FDA0003670772130000013
作为路径线槽满度系数矩阵Φm×m的第i行元素；
重复执行Dijkstra算法m次，获取所有节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并使导线排布的线槽满度最小化；
所述将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并且使导线走过的线槽满度最小化的步骤包括：
计算处于初始节点i的蚂蚁下一步直接选择目标节点j的概率，计算公式为
Figure FDA0003670772130000011
式中，Φ(i，j)为线槽满度系数、α，β分别为信息素指数权重和启发指数权重；s为当前节点i的可到达节点，allowedk为可到达节点的集合，不包括已访问的节点； τ(i，j)为当前节点i到目标节点j的信息素强度；η(i，j)为启发因子；
将区间[0，1]划分为m段，m为初始节点i可到达的节点数量，并且每段的长度对应下一节点的选择概率
Figure FDA0003670772130000021
按均匀分布概率模型生成一随机数h；
若h落在第j段，则蚂蚁的下一访问点为目标节点j；
更新路径信息素，多次迭代后最优解趋于稳定，最终获取最优布线路径和导线长度。
2.根据权利要求1所述的电气控制箱线路布线优化方法，其特征在于，建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n的步骤具体包括：
将元器件的连接点抽象为直角坐标系中的点，并表示为普通节点Pi(xi，yi)；
将线槽抽象为直角坐标系中的线段，线段的模型包括两个端点，两条相交的线槽包括一个公共端点，线槽端点表示为关键节点Pk(xk，yk)；
构建表示节点相邻关系的相邻点距离矩阵Mn×n，n为节点个数并包括连接点普通节点与关键节点；
若蚂蚁能从初始节点i直接到达目标节点j而不经过其他节点，则M(i，j)的值为两节点的最短导线路径。
3.一种电气控制箱线路布线优化系统，其特征在于，所述系统包括：
建模模块，所述建模模块用于建立电气控制箱中各元器件的连接点和线槽的模型，获取表示节点相邻关系的相邻点距离矩阵Mn×n；
算法求解模块，用于根据相邻点距离矩阵Mn×n，基于Dijkstra算法求取单源节点到其他节点的最短导线路径，获取节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
所述算法求解模块包括：
算法定义单元，所述算法定义单元将初始节点i作为源节点，取相邻点距离矩阵Mn×n的第i行作为起始距离向量d，采用Dijkstra算法求取初始节点i到其余所有节点的最短导线路径，同时求取满度系数向量
Figure FDA0003670772130000022
和更新后的距离向量d，将距离向量d作为D的第i行元素，将满度系数向量
Figure FDA0003670772130000023
作为路径线槽满度系数矩阵Φm×m的第i行元素；
算法执行单元，所述算法执行模块用于重复执行Dijkstra算法m次，获取所有节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m；
路径优化模块，用于将节点最短距离矩阵Dm×m和路径线槽满度系数矩阵Φm×m作为蚁群算法的输入参数，通过蚁群算法的迭代优化，将公共线的所有连接点通过最短的导线连接，并使导线排布的线槽满度最小化；
所述路径优化模块包括：
计算单元，用于计算处于初始节点i的蚂蚁下一步直接选择目标节点j的概率；
所述计算单元还用于将区间[0，1]划分为m段，m为初始节点i可到达的节点数量，并且每段的长度对应下一节点的选择概率
Figure FDA0003670772130000031
按均匀分布概率模型生成一随机数h；
若h落在第j段，则蚂蚁的下一访问点为目标节点j；
迭代优化模块，所述迭代优化单元用于更新路径信息素，多次迭代后最优解趋于稳定，最终获取最优布线路径和导线长度。
4.根据权利要求3所述的电气控制箱线路布线优化系统，其特征在于，所述建模模块包括：
建模单元，所述建模单元用于将元器件的连接点抽象为直角坐标系中的点，并表示为普通节点Pi(xi，yi)；
所述建模单元还用于将线槽抽象为直角坐标系中的线段，线段的模型包括两个端点，两条相交的线槽包括一个公共端点，线槽端点表示为关键节点Pk(xk，yk)；
矩阵构建单元，所述矩阵构建模块用于构建表示节点相邻关系的相邻点距离矩阵Mn×n，n为节点个数并包括连接点普通节点与关键节点；
路径判断单元，若蚂蚁能从初始节点i直接到达目标节点j而不经过其他节点，则M(i，j)的值为两节点的最短导线路径。
5.一种存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至4任意一项所述方法的步骤。
CN202110422170.9A 2021-04-20 2021-04-20 电气控制箱线路布线优化方法、系统及存储介质 Active CN113094859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110422170.9A CN113094859B (zh) 2021-04-20 2021-04-20 电气控制箱线路布线优化方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110422170.9A CN113094859B (zh) 2021-04-20 2021-04-20 电气控制箱线路布线优化方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN113094859A CN113094859A (zh) 2021-07-09
CN113094859B true CN113094859B (zh) 2022-08-19

Family

ID=76678739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110422170.9A Active CN113094859B (zh) 2021-04-20 2021-04-20 电气控制箱线路布线优化方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113094859B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113886931B (zh) * 2021-10-21 2024-04-30 上海品览数据科技有限公司 一种基于b星算法的cad图纸消防联动报警线槽排布方法
CN116702694B (zh) * 2023-07-07 2024-05-24 成都电科星拓科技有限公司 基于蚁群算法的印刷电路板两端布线方法、介质及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718997B (zh) * 2016-01-15 2019-02-15 中国民航管理干部学院 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法
US10054447B2 (en) * 2016-08-17 2018-08-21 Sharp Laboratories Of America, Inc. Lazier graph-based path planning for autonomous navigation
CN110661715B (zh) * 2018-06-28 2022-04-19 中兴通讯股份有限公司 一种业务路径优化方法、装置、设备及可读存储介质
CN109726852A (zh) * 2018-11-30 2019-05-07 平安科技（深圳）有限公司 基于改进蚁群算法的路线规划方法、装置、终端及介质
CN111079983B (zh) * 2019-11-26 2022-10-04 深圳大学 一种装配式施工现场车辆路径规划的优化方法
CN112508369B (zh) * 2020-11-27 2023-05-16 北京工商大学 基于改进蚁群算法的多无人机任务分配方法

Also Published As

Publication number Publication date
CN113094859A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113094859B (zh) 电气控制箱线路布线优化方法、系统及存储介质
CN112013829B (zh) 基于多目标优化的多uav/ugv协同长时作业路径规划方法
Jalili et al. Optimal controller placement in large scale software defined networks based on modified NSGA-II
Zhu et al. A multi-objective multi-micro-swarm leadership hierarchy-based optimizer for uncertain flexible job shop scheduling problem with job precedence constraints
Luo et al. An MILP model and a hybrid evolutionary algorithm for integrated operation optimisation of multi-head surface mounting machines in PCB assembly
US9594863B2 (en) Method for determining by optimization a multi-core architecture
CN112257848B (zh) 确定逻辑核布局的方法、模型训练方法、电子设备、介质
Rezapoor Mirsaleh et al. A learning automata-based memetic algorithm
CN104468387A (zh) 可扩展路由器中ospf链路状态信息的分布式存储方法
CN115221833B (zh) 一种pcb板布线排序方法、系统、装置及可读存储介质
CN110991660A (zh) 基于蝗虫优化的lssvm-arima模型的态势分析方法、系统和存储介质
JP3542137B2 (ja) 電気回路のパーティショニングのためのコンピュータ支援された方法
Girsang et al. Rectifying the inconsistent fuzzy preference matrix in AHP using a multi-objective bicriterionAnt
Richter et al. Dynamic optimization using analytic and evolutionary approaches: a comparative review
Zini et al. Minimizing makespan in hybrid flow shop scheduling with multiprocessor task problems using a discrete harmony search
JP2022019432A (ja) 割り当て装置、割り当て方法、及びプログラム
JP6689316B2 (ja) 計算機システム及び学習制御方法
KR102105032B1 (ko) 시스템의 다중 성능 최적화를 위한 효율적인 파레토 집합 선택 방법
CN111949552A (zh) 测试用例集生成方法、装置、计算机设备及存储介质
Chitty ACO inspired GA mutation applied to the TSP
Thill et al. The nearest neighbor ant colony system: a spatially-explicit algorithm for the traveling salesman problem
WO2022102439A1 (ja) モデル管理システム、モデル管理方法及びモデル管理プログラム
CN111027709A (zh) 信息推荐方法、装置、服务器及存储介质
Karabatı et al. Minimizing sum of completion times on a single machine with sequence-dependent family setup times
CN114608596B (zh) 一种基于dssa算法的路径规划方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240416

Address after: Building 3, No. 1133 Hengshan Second Road, Linkong Economic Zone, Nanchang City, Jiangxi Province, 330032

Patentee after: Jiangxi Taihao Environmental Technology Co.,Ltd.

Country or region after: China

Address before: Room 9fa09-01, 705 Asia Pacific Road, Nanhu District, Jiaxing City, Zhejiang Province, 314000

Patentee before: Jiaxing Taihao Equipment Technology Co.,Ltd.

Country or region before: China