CN113642765A - 矿井监测设备优化部署方法、设备、电子设备及存储介质 - Google Patents

矿井监测设备优化部署方法、设备、电子设备及存储介质 Download PDF

Info

Publication number
CN113642765A
CN113642765A CN202110750980.7A CN202110750980A CN113642765A CN 113642765 A CN113642765 A CN 113642765A CN 202110750980 A CN202110750980 A CN 202110750980A CN 113642765 A CN113642765 A CN 113642765A
Authority
CN
China
Prior art keywords
mine
deployment
monitoring
bee colony
colony 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.)
Granted
Application number
CN202110750980.7A
Other languages
English (en)
Other versions
CN113642765B (zh
Inventor
武强
赵颖旺
张建安
胡俭
郑永飞
杨帆
张池
孙文
王靖凯
朱信龙
高彬
呼少平
王宏科
刘辉
田水豹
谢沛
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.)
China University of Mining and Technology Beijing CUMTB
Shenmu Zhangjiamao Mining Co Ltd of Shaanxi Coal Group Co Ltd
Original Assignee
China University of Mining and Technology Beijing CUMTB
Shenmu Zhangjiamao Mining Co Ltd of Shaanxi Coal Group 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 China University of Mining and Technology Beijing CUMTB, Shenmu Zhangjiamao Mining Co Ltd of Shaanxi Coal Group Co Ltd filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110750980.7A priority Critical patent/CN113642765B/zh
Publication of CN113642765A publication Critical patent/CN113642765A/zh
Application granted granted Critical
Publication of CN113642765B publication Critical patent/CN113642765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Animal Husbandry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供的一种矿井监测设备优化部署方法、设备、电子设备及存储介质，包括：基于矿井拓扑关系图，确定矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；将其输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为人工蜂群算法的目标函数进行多次迭代计算；结束计算后，基于当前迭代结果生成多组部署方案，输出多组部署方案。本公开通过在矿井拓扑关系图的基础上，利用人工蜂群算法，对目标函数进行迭代计算以此在矿井拓扑关系图中确定出监测设备多组部署方案，从而兼顾检测成本与响应时间快速生成了多组部署方案，使用户能够根据实际情况灵活确定使用的部署方案，提高效率的同时提升用户体验。

Description

矿井监测设备优化部署方法、设备、电子设备及存储介质
技术领域
本公开涉及矿井危害监测技术领域，尤其涉及一种矿井监测设备优化部署方法、设备、电子设备及存储介质。
背景技术
矿井巷道是煤矿等矿石产业生产中的重要通道之一，其可以将矿石从工作面通过传送带送到地面，在矿石开采中发挥着十分重要的作用。例如矿井水害是矿井中常见的危害，其轻则会恶化矿井生产环境，造成工作面接续紧张；重则会造成矿产资源、工矿企业等的重大损失并危及井下工作人员人身安全。
进而如何在兼顾成本的情况下，快速高效的对矿井内情况进行监测，迅速发现问题反馈问题，成为当前本领域亟待解决的问题。
发明内容
有鉴于此，本公开的目的在于提出一种矿井监测设备优化部署方法、设备、电子设备及存储介质。
基于上述目的，本公开提供了一种矿井监测设备优化部署方法，包括：
基于矿井拓扑关系图，确定所述矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；
将所述极小点集合、初始化的所述部署位置及所述对应参数输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为所述人工蜂群算法的目标函数进行迭代计算，基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法；
响应于结束所述人工蜂群算法，基于当前迭代结果生成多组部署方案，输出所述多组部署方案。
基于同一构思，本公开还提供了一种矿井监测设备优化部署设备，包括：
获取模块，用于获取矿井拓扑关系图，确定所述矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；
计数模块，用于将所述极小点集合、初始化的所述部署位置及所述对应参数输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为所述人工蜂群算法的目标函数进行迭代计算，基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法；
输出模块，用于响应于结束所述人工蜂群算法，基于当前迭代结果生成多组部署方案，输出所述多组部署方案。
基于同一构思，本公开还提供了一种电子设备，包括存储器、处理器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如上任一项所述的方法。
基于同一构思，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机实现如上任一项所述的方法。
从上面所述可以看出，本公开提供的一种矿井监测设备优化部署方法、设备、电子设备及存储介质，包括：基于矿井拓扑关系图，确定矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；将其输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为人工蜂群算法的目标函数进行多次迭代计算；结束计算后，基于当前迭代结果生成多组部署方案，输出多组部署方案。本公开通过在矿井拓扑关系图的基础上，利用人工蜂群算法，对目标函数进行迭代计算以此在矿井拓扑关系图中确定出监测设备多组部署方案，从而兼顾检测成本与响应时间快速生成了多组部署方案，使用户能够根据实际情况灵活确定使用的部署方案，提高效率的同时提升用户体验。
附图说明
为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对实施例或相关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公开的实施例，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为本公开实施例提出的一种矿井监测设备优化部署方法的流程示意图；
图2为本公开实施例提出的一种具体的矿井监测设备优化部署方法的流程示意图；
图3为本公开实施例提出的一种矿井监测设备优化部署方法中的矿井底板突水危险性和井下采掘空间的位置关系示意图；
图4为本公开实施例提出的一种矿井监测设备优化部署方法中的矿井拓扑关系示意图；
图5为本公开实施例提出的一种矿井监测设备优化部署方法中的具体部署方案的示意图；
图6为本公开实施例提出的一种矿井监测设备优化部署设备的结构示意图；
图7为本公开实施例提出的电子设备结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本说明书进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件、物件或者方法步骤涵盖出现在该词后面列举的元件、物件或者方法步骤及其等同，而不排除其他元件、物件或者方法步骤。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，矿井是形成地下煤矿等矿石生产系统的井巷、硐室、装备、地面建筑物和构筑物的总称。有时把矿山地下开拓中的斜井、竖井、平硐等也称为矿井。现代矿井中，矿井事故时有发生。据统计，每年国内仅发生的煤矿水灾事故就高达百余起，人员、财产损失不计其数。
在信息化高速发展的现代社会，大数据、物联网及人工智能技术的应用为矿井灾害防治及应急救援带来了新的机遇。在具体水害防治应用场景中，现有研究人员提出的顶板水害“三图双预测”法和底板脆弱性指数法能够对顶、底板水害相关影响因素进行综合评价，实现对矿井水害的预测预报，指导矿井水害防治及应急救援等；矿井钻物探一体化设备和微震与电磁法耦合监测设备的应用为矿井掘进与回采过程中的突(透)水监测预警提供了有效保障；而矿井水害智能应急管理系统等集成平台的研发有效推进了数据、设备的融合利用，为矿井水害防治信息化发展指明了方向。在煤炭产业与矿井水害防治不断向信息化、智能化发展的过程中，监测设备作为智能感知的重要组成部分起到了关键作用，是智能决策、智能处置及智能学习的基础。矿井水害监测是矿井水害防治与应急救援的重要基础。
结合上述实际情况，本公开实施例提出了一种矿井监测设备优化部署方案，通过在矿井拓扑关系图的基础上，利用人工蜂群算法，对目标函数进行迭代计算以此在矿井拓扑关系图中确定出监测设备多组部署方案，从而兼顾检测成本与响应时间快速生成了多组部署方案，使用户能够根据实际情况灵活确定使用的部署方案，提高效率的同时提升用户体验。
参考图1所示，为公开的一种矿井监测设备优化部署方法的流程示意图，具体包括以下步骤：
步骤101，基于矿井拓扑关系图，确定所述矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数。
本步骤旨在，根据矿井拓扑关系图，确定其中的极小点集合，并将监测设备的部署位置及对应参数初始化，以为之后的具体计算做准备。
其中，拓扑关系是指满足拓扑几何学原理的各空间数据间的相互关系。即用结点、弧段和多边形所表示的实体之间的邻接、关联、包含和连通关系。如：点与点的邻接关系、点与面的包含关系、线与面的相离关系、面与面的重合关系等。而矿井拓扑关系图，即为根据矿井内各个位置点及每个巷道的连接关系等生成的，能够表示矿井内各位置的空间位置的拓扑关系图。极小点即为在矿井拓扑关系图中的某一点与和其相连的所有点的高程比较为最低点的点即为极小点，此处与最小点进行区分，最小点是全部点中高程最低的点，而极小点只是与和其相连的点进行比较，极小点是这些点中高程最低的点。之后，监测设备即为检测灾害用的专业设备，其可以是各种感应设备(震动、声音、光线等)、各种测量设备(湿度、温度、气体含量等等)、各种图像捕捉设备(摄像、照相等)等等，能够准确检测其范围内是否发生该设备对应的灾害。之后，部署位置即为监测设备在矿井拓扑关系图中的放置位置，对应参数即为监测设备的相关设置参数例如设置高度、距巷道中心距离等等。
步骤102，将所述极小点集合、初始化的所述部署位置及所述对应参数输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为所述人工蜂群算法的目标函数进行迭代计算，基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法。
本步骤旨在，将步骤101中的各种参数作为输入，输入到人工蜂群算法中进行迭代计算，以此来对每个监测设备的部署位置进行计算，为最终生成多组部署方案做准备。
其中，人工蜂群算法(Artificial bee colony algorithm，ABC)是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。
之后，在具体水害应用场景中，矿井水害监测设备优化部署主要考虑三个目标，即：监测时间短、成本低、兼顾涌(排)水日常监测，其实质上属于优化选址问题。利用数值模拟方法可以将突(透)水灾害一定时间内的蔓延范围转化为监测设备的监测范围，从而计算得到任意位置部署水害监测设备的服务范围。矿井突水危险性评价将矿区分为5级危险区域，其中危险区表示发生突水灾害的概率较高且危害程度大，相对安全区表示发生灾害的可能性较小或灾害危害程度比较低，其他三级分区介于其中。另外，根据矿井采掘支护情况，中央车厂和三条大巷等形成较早且有较好支护条件的井下区域不易发生突(透)水灾害，作为矿井服务巷道不易废弃，且常建设有于排水设施，在此部署水害监测设备能够兼顾矿井涌、排水等日常监测使用。基于上述分析，本文将井下采掘空间分为三类，即：突(涌、排)水统一监测区、突水危险区和相对安全区。将突水危险区的突(透)水灾害利用数值模拟方法计算井下采掘空间任意位置的监测服务范围，支撑矿井水害监测设备优化部署决策。
监测设备成本主要考虑三个方面的费用，即：监测设备、电源设备和线材。监测设备费用主要由部署监测设备的个数控制；作为供电设备的电源与监测设备之间的距离有一定限制，监测设备部署位置决定了所需电源数量，从而控制电源费用；线材是连接监测设备、电源设备及矿井通信与电网络之间的耗材，其需求量与监测设备位置、数量及电源位置和数量都有关系。
从而，可以构筑的目标函数为
min{f1(x),f2(x),f3(x)}
其中，f1(x)为部署成本函数，f2(x)为最大响应时间函数，f3(x)为统一监测能力函数。
其中，
Figure BDA0003146251100000061
其中，xi为在矿井拓扑关系图中的第i点是否部署监测设备，xi＝0or1，x′k为在矿井拓扑关系图中的第k点是否部署电源设备，x′k＝0or1，v0为监测设备成本，v1为线材成本，v2为电源成本，lenik为在i点部署的监测设备到在k点部署的电源的距离，lenk为在k点部署的电源到外部变电站的距离。
Figure BDA0003146251100000062
Figure BDA0003146251100000063
if rtj≥maxtime,rtj＝c*maxtime
其中，rtj为矿井拓扑关系图中j点发生灾害的响应时间，tij为矿井拓扑关系图中j点发生灾害被i点部署的监测设备监测到的时间，集合Device为能够监测到j点发生灾害的全部位置点集合，maxtime为预设最长监测时间，c为预设惩罚系数。
Figure BDA0003146251100000064
Figure BDA0003146251100000065
其中，qi为统一监测能力计数，集合Idea为能够满足灾害监测及日常功能监测的全部位置点集合。其中，日常功能监测例如水害监测设备能够监测水害的同时，还能够进行日常的涌、排水监测等等。
之后，在对上述多目标进行分析，其中部署成本和最大响应时间目标作为影响矿井水害监测设备部署的最直接目标作为一级目标，利用人工蜂群算法进行迭代求解。对于多目标规划问题，存在一个帕累托前沿问题，其中各个解分别具有一定的优势，当一个目标趋向最优值时，必然导致其他目标远离最优值。随着迭代计算的进行，计算结果走近帕累托前沿，基于这一特征，记帕累托前沿附近解为最优解集合。之后在最优解集合中筛选统一监测能力较强的解。另外，由于最大响应时间只对突水危险区中最难被监测到的突水情景进行了约束，缺少对不同位置突水情景的整体约束，增加突水情景被监测设备监测到的平均响应时间目标约束，同样对一级目标最优解集合进行筛选。
其中，平均响应时间函数f4(x)，具体为
Figure BDA0003146251100000071
其中，n为矿井拓扑关系图中j点的总个数。
从而，将人工蜂群算法的目标函数调整为
min{f1(x),f2(x)}
min{f3(x),f4(x)}
之后，利用人工蜂群算法基于该目标函数进行迭代计算，以此对各个监测设备的部署位置进行计算及优化。
最后，判断是否需要结束当前的迭代计算，其判断标准可以是根据迭代结果的收益是否达到预设收益、或是迭代次数是否达到预设次数、或是迭代计算时间是否达到预设时间等等进行判断。其中，迭代结果的收益为当前迭代计算结果对上一次迭代计算结果的修改程度，若完全没修改即为收益等于0，若有修改，则说明迭代计算有价值，收益大于0，以此来确定何时退出计算，例如当收益等于或小于0时，或收益在某个区间时等等。迭代次数即为迭代进行的次数。
步骤103，响应于结束所述人工蜂群算法，基于当前迭代结果生成多组部署方案，输出所述多组部署方案。
本步骤旨在，根据当前的迭代结果生成多组部署方案，并输出多组部署方案，以此生成优化后的针对不同维度的多种部署方案。
其中，多组部署方案即为通过人工蜂群算法计算得到的多组部署方案的集合。如步骤102的具体应用场景中所述的，对于多目标规划问题，存在一个帕累托前沿，其中各个解分别具有一定的优势，当一个目标趋向最优值时，必然导致其他目标远离最优值。从而针对不同的目标函数，当这个目标函数是最优解时，该解对于其他几个目标函数可能并不是最优的。从而人工蜂群算法会计算出来多种解，即多组部署方案，以此生成多组部署方案。
之后，输出多组部署方案。其可以用以存储、展示、使用或再加工该多组部署方案。根据不同的应用场景和实施需要，具体的对于该多组部署方案的输出方式可以灵活选择。
例如，对于本实施例的方法在单一设备上执行的应用场景，可以将多组部署方案直接在当前设备的显示部件(显示器、投影仪等)上以显示的方式输出，使得当前设备的操作者能够从显示部件上直接看到多组部署方案的内容。
又如，对于本实施例的方法在多个设备组成的系统上执行的应用场景，可以将多组部署方案通过任意的数据通信方式(有线连接、NFC、蓝牙、wifi、蜂窝移动网络等)发送至系统内的其他作为接收方的预设设备上，即同步终端上，以使得同步终端可以对其进行后续处理。可选的，该同步终端可以是预设的服务器，服务器一般设置在云端，作为数据的处理和存储中心，其能够对多组部署方案进行存储和分发；其中，分发的接收方是终端设备，该些终端设备的持有者或操作者可以是矿井负责人、矿井所有公司的监管人员、负责监测设备部署的工作人员、矿井工作人员等等。
再如，对于本实施例的方法在多个设备组成的系统上执行的应用场景时，可以将多组部署方案通过任意的数据通信方式直接发送至预设的终端设备，终端设备可以是前述段落列举中的一种或多种。
最终，相应人员或根据相应条件，在多组部署方案中选取特定的一组作为监测设备的最终部署方案。
从上面所述可以看出，本公开提供的一种矿井监测设备优化部署方法，包括：基于矿井拓扑关系图，确定矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；将其输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为人工蜂群算法的目标函数进行多次迭代计算；结束计算后，基于当前迭代结果生成多组部署方案，输出多组部署方案。本公开通过在矿井拓扑关系图的基础上，利用人工蜂群算法，对目标函数进行迭代计算以此在矿井拓扑关系图中确定出监测设备多组部署方案，从而兼顾检测成本与响应时间快速生成了多组部署方案，使用户能够根据实际情况灵活确定使用的部署方案，提高效率的同时提升用户体验。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本公开实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在具体应用场景中，为了使计算结果更加准确的趋近各目标函数，使每次迭代不至于舍弃过多的极小点位置。会在每完成一次迭代计算后，再在原有的极小点集合中再随机选取几个极小点，与当前的迭代结果一起输入人工蜂群算法。即，通过所述人工蜂群算法进行迭代计算时，包括：所述人工蜂群算法进行当前迭代计算后，在所述极小点集合中随机选取设定数量个极小点重新输入所述人工蜂群算法；通过所述人工蜂群算法进行下一次迭代计算。
在具体应用场景中，为了能够在多组部署方案中最终确定一个部署方案。所述输出所述多组部署方案之后，还包括：根据预设部署成本区间和/或预设最大响应时间区间，在所述多组部署方案中选取至少一种部署方案。
其中，每个部署方案都会有部署成本项及最大响应时间项，可以根据这两项或其中某一项是否在预设的阈值区间内来确定最终选取哪一个部署方案。
在具体应用场景中，所述基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法，包括：通过确定每次迭代结果的总收益是否不大于0或确定迭代次数是否大于预设迭代次数，判断是否结束所述人工蜂群算法。
在具体应用场景中，为了准确生成矿井拓扑关系图。所述基于矿井拓扑关系图之前，包括：获取矿井内各位置的高程及矿井内各巷道的连接关系，根据所述高程及所述连接关系生成所述矿井拓扑关系图。
其中，高程指的是某点沿铅垂线方向到绝对基面的距离，称绝对高程，简称高程。
在具体应用场景中，所述目标函数，具体为：
min{f1(x),f2(x)}
min{f3(x),f4(x)}
其中，f1(x)为部署成本函数，f2(x)为最大响应时间函数，f3(x)为统一监测能力函数，f4(x)为平均响应时间函数。
在具体应用场景中，所述部署成本函数，具体为
Figure BDA0003146251100000101
其中，xi为在矿井拓扑关系图中的第i点是否部署监测设备，xi＝0or1，x′k为在矿井拓扑关系图中的第k点是否部署电源设备，x′k＝0or1，v0为监测设备成本，v1为线材成本，v2为电源成本，lenik为在i点部署的监测设备到在k点部署的电源的距离，lenk为在k点部署的电源到外部变电站的距离；
所述最大响应时间函数，具体为
Figure BDA0003146251100000102
Figure BDA0003146251100000103
if rtj≥maxtime,rtj＝c*maxtime
其中，rtj为矿井拓扑关系图中j点发生灾害的响应时间，tij为矿井拓扑关系图中j点发生灾害被i点部署的监测设备监测到的时间，集合Device为能够监测到j点发生灾害的全部位置点集合，maxtime为预设最长监测时间，c为预设惩罚系数；
所述统一监测能力函数，具体为
Figure BDA0003146251100000104
Figure BDA0003146251100000105
其中，qi为统一监测能力计数，集合Idea为能够满足灾害监测及日常功能监测的全部位置点集合；
所述平均响应时间函数，具体为
Figure BDA0003146251100000111
其中，n为矿井拓扑关系图中j点的总个数。
在具体矿井水害的应用场景中，矿井监测设备优化部署方法的具体流程示意图，如图2所示。在具体应用场景中，北阳庄矿是一座设计年生产能力为180万吨的大型煤矿，南北长约10km，东西宽5～8km，面积49.29km2。北阳庄煤矿主要受奥陶系灰岩溶裂隙承压含水层威胁，该含水层为煤层底板直接充水含水层，岩性以中到厚层白云质灰岩和隐晶质灰岩为主，富水性在空间上存在不均一性，主要接收大气降水补给。
北阳庄矿底板突水危险性和井下采掘空间的位置关系如图3所示。利用数值模拟方法模拟北阳庄煤矿内发生超过矿井排水能力的突水后矿井的淹没过程，计算井下采掘空间不同位置部署监测设备的服务范围。如图4所示，部署在中央车厂及三条大巷区域(图中三条从上到下的贯通线及中部线条较密集处)的监测设备能够实现突(涌、排)水的统一监测，兼顾水害监测设备的日常使用效益。左上角区域为突水相对安全和较安全区域，暂不考虑突水灾害的影响，但是可以作为监测设备的部署位置。根据水文监测设备市场调研结果，记监测设备成本为2万元、电源设备为2万元、线材0.01万元/米计算矿井水害监测设备成本。根据蜂群迭代计算结果分析，取前10％的蜂作为帕累托前沿最优解集合，然后利用统一监测能力目标和平均响应时间目标进行筛选计算。
如表1所示，为利用矿井监测设备优化部署方法计算出的5种监测设备部署方案。即方案1至方案5，成本逐渐增加，监测设备总个数也相应增加，最大响应时间和平均响应时间呈现减少的趋势，统一监测设备个数呈现增加的趋势，反应了各目标之间的相互约束关系。多目标规划结果体现出了目标分离的优良特性，可以根据项目的实际成本和需求，调整各个目标所占的比例和优先级，得到满足不同需求的矿井水害监测设备部署方案。其中，方案4最大响应时间最短，且部署成本比方案5更低，表现较优秀。其监测设备及电源部署位置如图5所示。在方案4(蜂群算法迭代计算3000次)中，部署成本330万，部署监测设备44台，突(涌、排)水统一监测设备15台，危险区突水的平均响应时间约为5分钟，最大响应时间小于20分钟，其中2分钟能够监测到的突水区域占突水危险区域比例为26.9％，5分钟监测范围占比66.8％，10分钟监测范围占比86.8％。
表1.利用矿井监测设备优化部署方法计算出的5种监测设备部署方案
Figure BDA0003146251100000121
基于同一构思，与上述任意实施例方法相对应的，本公开还提供了一种矿井监测设备优化部署设备。
参考图6，所述设备，包括：
获取模块610，用于获取矿井拓扑关系图，确定所述矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；
计数模块620，用于将所述极小点集合、初始化的所述部署位置及所述对应参数输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为所述人工蜂群算法的目标函数进行迭代计算，基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法；
输出模块630，用于响应于结束所述人工蜂群算法，基于当前迭代结果生成多组部署方案，输出所述多组部署方案。
为了描述的方便，描述以上设备时以功能分为各种模块分别描述。当然，在实施本公开实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的设备用于实现前述实施例中相应的矿井监测设备优化部署方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
作为一个可选的实施例，其中，所述计数模块620，包括：
所述人工蜂群算法进行当前迭代计算后，在所述极小点集合中随机选取设定数量个极小点重新输入所述人工蜂群算法；
通过所述人工蜂群算法进行下一次迭代计算。
作为一个可选的实施例，其中，所述输出模块630，还包括：
根据预设部署成本区间和/或预设最大响应时间区间，在所述多组部署方案中选取至少一种部署方案。
作为一个可选的实施例，其中，所述计数模块620，包括：
通过确定每次迭代结果的总收益是否不大于0或确定迭代次数是否大于预设迭代次数，判断是否结束所述人工蜂群算法。
作为一个可选的实施例，其中，所述获取模块610，包括：
获取矿井内各位置的高程及矿井内各巷道的连接关系，根据所述高程及所述连接关系生成所述矿井拓扑关系图。
作为一个可选的实施例，其中，所述目标函数，具体为：
min{f1(x),f2(x)}
min{f3(x),f4(x)}
其中，f1(x)为部署成本函数，f2(x)为最大响应时间函数，f3(x)为统一监测能力函数，f4(x)为平均响应时间函数。
作为一个可选的实施例，其中，
所述部署成本函数，具体为
Figure BDA0003146251100000131
其中，xi为在矿井拓扑关系图中的第i点是否部署监测设备，xi＝0or1，x′k为在矿井拓扑关系图中的第k点是否部署电源设备，x′k＝0or1，v0为监测设备成本，v1为线材成本，v2为电源成本，lenik为在i点部署的监测设备到在k点部署的电源的距离，lenk为在k点部署的电源到外部变电站的距离；
所述最大响应时间函数，具体为
Figure BDA0003146251100000132
Figure BDA0003146251100000133
if rtj≥maxtime,rtj＝c*maxtime
其中，rtj为矿井拓扑关系图中j点发生灾害的响应时间，tij为矿井拓扑关系图中j点发生灾害被i点部署的监测设备监测到的时间，集合Device为能够监测到j点发生灾害的全部位置点集合，maxtime为预设最长监测时间，c为预设惩罚系数；
所述统一监测能力函数，具体为
Figure BDA0003146251100000141
Figure BDA0003146251100000142
其中，qi为统一监测能力计数，集合Idea为能够满足灾害监测及日常功能监测的全部位置点集合；
所述平均响应时间函数，具体为
Figure BDA0003146251100000143
其中，n为矿井拓扑关系图中j点的总个数。
基于同一构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器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上任意一实施例所述的矿井监测设备优化部署方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的矿井监测设备优化部署方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的矿井监测设备优化部署方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的矿井监测设备优化部署方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
需要说明的是，本公开的实施例还可以通过以下方式进一步描述：
作为一个可选的实施例，其中，通过所述人工蜂群算法进行迭代计算时，包括：
所述人工蜂群算法进行当前迭代计算后，在所述极小点集合中随机选取设定数量个极小点重新输入所述人工蜂群算法；
通过所述人工蜂群算法进行下一次迭代计算。
作为一个可选的实施例，其中，所述输出所述多组部署方案之后，还包括：
根据预设部署成本区间和/或预设最大响应时间区间，在所述多组部署方案中选取至少一种部署方案。
作为一个可选的实施例，其中，所述基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法，包括：
通过确定每次迭代结果的总收益是否不大于0或确定迭代次数是否大于预设迭代次数，判断是否结束所述人工蜂群算法。
作为一个可选的实施例，其中，所述基于矿井拓扑关系图之前，包括：
获取矿井内各位置的高程及矿井内各巷道的连接关系，根据所述高程及所述连接关系生成所述矿井拓扑关系图。
作为一个可选的实施例，其中，所述目标函数，具体为：
min{f1(x),f2(x)}
min{f3(x),f4(x)}
其中，f1(x)为部署成本函数，f2(x)为最大响应时间函数，f3(x)为统一监测能力函数，f4(x)为平均响应时间函数。
作为一个可选的实施例，其中，
所述部署成本函数，具体为
Figure BDA0003146251100000161
其中，xi为在矿井拓扑关系图中的第i点是否部署监测设备，xi＝0or1，x′k为在矿井拓扑关系图中的第k点是否部署电源设备，x′k＝0or1，v0为监测设备成本，v1为线材成本，v2为电源成本，lenik为在i点部署的监测设备到在k点部署的电源的距离，lenk为在k点部署的电源到外部变电站的距离；
所述最大响应时间函数，具体为
Figure BDA0003146251100000162
Figure BDA0003146251100000163
if rtj≥maxtime,rtj＝c*maxtime
其中，rtj为矿井拓扑关系图中j点发生灾害的响应时间，tij为矿井拓扑关系图中j点发生灾害被i点部署的监测设备监测到的时间，集合Device为能够监测到j点发生灾害的全部位置点集合，maxtime为预设最长监测时间，c为预设惩罚系数；
所述统一监测能力函数，具体为
Figure BDA0003146251100000171
Figure BDA0003146251100000172
其中，qi为统一监测能力计数，集合Idea为能够满足灾害监测及日常功能监测的全部位置点集合；
所述平均响应时间函数，具体为
Figure BDA0003146251100000173
其中，n为矿井拓扑关系图中j点的总个数。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种矿井监测设备优化部署方法，包括：
基于矿井拓扑关系图，确定所述矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；
将所述极小点集合、初始化的所述部署位置及所述对应参数输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为所述人工蜂群算法的目标函数进行迭代计算，基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法；
响应于结束所述人工蜂群算法，基于当前迭代结果生成多组部署方案，输出所述多组部署方案。
2.根据权利要求1所述的方法，其中，通过所述人工蜂群算法进行迭代计算时，包括：
所述人工蜂群算法进行当前迭代计算后，在所述极小点集合中随机选取设定数量个极小点重新输入所述人工蜂群算法；
通过所述人工蜂群算法进行下一次迭代计算。
3.根据权利要求1所述的方法，其中，所述输出所述多组部署方案之后，还包括：
根据预设部署成本区间和/或预设最大响应时间区间，在所述多组部署方案中选取至少一种部署方案。
4.根据权利要求1所述的方法，其中，所述基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法，包括：
通过确定每次迭代结果的总收益是否不大于0或确定迭代次数是否大于预设迭代次数，判断是否结束所述人工蜂群算法。
5.根据权利要求1所述的方法，其中，所述基于矿井拓扑关系图之前，包括：
获取矿井内各位置的高程及矿井内各巷道的连接关系，根据所述高程及所述连接关系生成所述矿井拓扑关系图。
6.根据权利要求1所述的方法，其中，所述目标函数，具体为：
min{f1(x)，f2(x)}
min{f3(x)，f4(x)}
其中，f1(x)为部署成本函数，f2(x)为最大响应时间函数，f3(x)为统一监测能力函数，f4(x)为平均响应时间函数。
7.根据权利要求6所述的方法，其中，
所述部署成本函数，具体为
Figure FDA0003146251090000021
其中，xi为在矿井拓扑关系图中的第i点是否部署监测设备，xi＝0or1，x′k为在矿井拓扑关系图中的第k点是否部署电源设备，x′k＝0or1，v0为监测设备成本，v1为线材成本，v2为电源成本，lenik为在i点部署的监测设备到在k点部署的电源的距离，lenk为在k点部署的电源到外部变电站的距离；
所述最大响应时间函数，具体为
Figure FDA0003146251090000022
Figure FDA0003146251090000023
if rtj≥maxtime，rtj＝c*maxtime
其中，rtj为矿井拓扑关系图中j点发生灾害的响应时间，tij为矿井拓扑关系图中j点发生灾害被i点部署的监测设备监测到的时间，集合Device为能够监测到j点发生灾害的全部位置点集合，maxtime为预设最长监测时间，c为预设惩罚系数；
所述统一监测能力函数，具体为
Figure FDA0003146251090000024
Figure FDA0003146251090000025
其中，qi为统一监测能力计数，集合Idea为能够满足灾害监测及日常功能监测的全部位置点集合；
所述平均响应时间函数，具体为
Figure FDA0003146251090000026
其中，n为矿井拓扑关系图中j点的总个数。
8.一种矿井监测设备优化部署设备，包括：
获取模块，用于获取矿井拓扑关系图，确定所述矿井拓扑关系图中的极小点集合，初始化监测设备的部署位置及对应参数；
计数模块，用于将所述极小点集合、初始化的所述部署位置及所述对应参数输入人工蜂群算法，将部署成本、最大响应时间、统一监测能力及平均响应时间作为所述人工蜂群算法的目标函数进行迭代计算，基于每次迭代结果或迭代次数判断是否结束所述人工蜂群算法；
输出模块，用于响应于结束所述人工蜂群算法，基于当前迭代结果生成多组部署方案，输出所述多组部署方案。
9.一种电子设备，包括存储器、处理器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如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机实现权利要求1至7任一项所述的方法。
CN202110750980.7A 2021-07-02 2021-07-02 矿井监测设备优化部署方法、设备、电子设备及存储介质 Active CN113642765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110750980.7A CN113642765B (zh) 2021-07-02 2021-07-02 矿井监测设备优化部署方法、设备、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110750980.7A CN113642765B (zh) 2021-07-02 2021-07-02 矿井监测设备优化部署方法、设备、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113642765A true CN113642765A (zh) 2021-11-12
CN113642765B CN113642765B (zh) 2024-05-28

Family

ID=78416613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110750980.7A Active CN113642765B (zh) 2021-07-02 2021-07-02 矿井监测设备优化部署方法、设备、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113642765B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860440A (zh) * 2023-02-28 2023-03-28 国网浙江电动汽车服务有限公司 多功能移动储能车部署方案生成方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1322020A1 (en) * 2001-12-20 2003-06-25 Abb Research Ltd. Power system expansion planning
US20120195212A1 (en) * 2011-02-01 2012-08-02 The Hong Kong University Of Science And Technology Cooperative sensing scheduling for energy-efficient cognitive radio networks
CN105787596A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流路径优化方法
CN107277827A (zh) * 2017-06-30 2017-10-20 中国矿业大学 一种矿井无线传感器网络的网络结构及网络节点部署方法
JP2017208902A (ja) * 2016-05-17 2017-11-24 株式会社日立製作所 電力系統の設備計画支援装置および電力系統の配電監視制御装置
CN107451695A (zh) * 2016-12-06 2017-12-08 江苏建筑职业技术学院 一种矿井一氧化碳传感器无盲区优化布置方法
CN107871025A (zh) * 2016-09-23 2018-04-03 中国科学院上海高等研究院 基于改进人工蜂群算法的气体传感器优化部署方法及系统
CN108918813A (zh) * 2018-05-28 2018-11-30 辽宁工程技术大学 一种瓦斯传感器的布设方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN112965527A (zh) * 2021-02-16 2021-06-15 北京信息科技大学 基于改进人工蜂群算法的无人机编队拓扑生成优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1322020A1 (en) * 2001-12-20 2003-06-25 Abb Research Ltd. Power system expansion planning
US20120195212A1 (en) * 2011-02-01 2012-08-02 The Hong Kong University Of Science And Technology Cooperative sensing scheduling for energy-efficient cognitive radio networks
CN105787596A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流路径优化方法
JP2017208902A (ja) * 2016-05-17 2017-11-24 株式会社日立製作所 電力系統の設備計画支援装置および電力系統の配電監視制御装置
CN107871025A (zh) * 2016-09-23 2018-04-03 中国科学院上海高等研究院 基于改进人工蜂群算法的气体传感器优化部署方法及系统
CN107451695A (zh) * 2016-12-06 2017-12-08 江苏建筑职业技术学院 一种矿井一氧化碳传感器无盲区优化布置方法
CN107277827A (zh) * 2017-06-30 2017-10-20 中国矿业大学 一种矿井无线传感器网络的网络结构及网络节点部署方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN108918813A (zh) * 2018-05-28 2018-11-30 辽宁工程技术大学 一种瓦斯传感器的布设方法
CN112965527A (zh) * 2021-02-16 2021-06-15 北京信息科技大学 基于改进人工蜂群算法的无人机编队拓扑生成优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
冯舰锐;盖文妹;: "应急物资储备点选址多目标优化模型及算法研究", 中国安全生产科学技术, no. 06, 30 June 2018 (2018-06-30), pages 66 - 71 *
孙强;: "带时间窗的突发灾害应急物流中心选址研究", 武汉理工大学学报(信息与管理工程版), no. 01, pages 505 - 509 *
李明;胡江平;: "基于和声搜索算法的无线传感器网络多重连通覆盖", 传感技术学报, no. 02, 15 February 2020 (2020-02-15), pages 116 - 122 *
樊小毛;马良;: "约束平面选址问题的蜂群优化算法", 上海理工大学学报, no. 04, pages 76 - 78 *
钱进;贺贵明;: "分布式网络性能监测的探针部署方法研究", 计算机工程, no. 07, 5 April 2007 (2007-04-05), pages 126 - 128 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860440A (zh) * 2023-02-28 2023-03-28 国网浙江电动汽车服务有限公司 多功能移动储能车部署方案生成方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113642765B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
US11681837B2 (en) 3D block modelling of a resource boundary in a post-blast muckpile to optimize destination delineation
CN107657365B (zh) 地质资源开采价值评价方法及装置
KR100860797B1 (ko) 광산채굴갱도의 3차원 입체화 구현 방법
CA2873816C (en) Systems and methods for processing geophysical data
Suh et al. Subsidence hazard assessment at the Samcheok coalfield, South Korea: a case study using GIS
Fachri et al. Sensitivity of fluid flow to deformation-band damage zone heterogeneities: A study using fault facies and truncated Gaussian simulation
CN113642765A (zh) 矿井监测设备优化部署方法、设备、电子设备及存储介质
Suh et al. GIS-based evaluation of mining-induced subsidence susceptibility considering 3D multiple mine drifts and estimated mined panels
CN105103196A (zh) 河流三角洲环境的无网格模拟
CN111413741B (zh) 一种砂岩型铀矿资源量计算方法和装置
CN116842765B (zh) 基于物联网实现石油测井下的安全管理方法及系统
KR101742373B1 (ko) 산사태 gis 데이터베이스 및 그 운영 방법
Bo et al. Research on the data validity of a coal mine solid backfill working face sensing system based on an improved transformer
CN117540476A (zh) 极硬岩隧道结构面及其不利组合空间分布预测方法及系统
Liu et al. Visible calculation of mining index based on stope 3D surveying and block modeling
Sousa et al. Deep underground engineering and the use of artificial intelligence techniques
Karacan et al. A CART technique to adjust production from longwall coal operations under ventilation constraints
Zheng et al. Simulation of bench stepping and optimization of bolt parameters based on multiple geological information fusion
CN115019481A (zh) 一种智能瓦斯浓度预警系统
CN115049897A (zh) 基于改进YoloV5神经网络的矿下机器人检测系统
Ugarte et al. Determination of optimum drawpoint layout in block caving using sequential Gaussian simulation
CN113408322B (zh) 矿井中突透水情景的判识方法及装置
CN116753026B (zh) 煤矿离层发育状态的辨识方法以及相关设备
Xia et al. Identification and monitoring of coal dust pollution in Wucaiwan mining area, Xinjiang (China) using Landsat derived enhanced coal dust index
Liu Characterisation of block cave mining secondary fragmentation

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