CN114115237A - 一种基于路径优化的多目标辐射侦察方法 - Google Patents
一种基于路径优化的多目标辐射侦察方法 Download PDFInfo
- Publication number
- CN114115237A CN114115237A CN202111291877.7A CN202111291877A CN114115237A CN 114115237 A CN114115237 A CN 114115237A CN 202111291877 A CN202111291877 A CN 202111291877A CN 114115237 A CN114115237 A CN 114115237A
- Authority
- CN
- China
- Prior art keywords
- reconnaissance
- radiation
- path
- target
- targets
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 5
- 231100000987 absorbed dose Toxicity 0.000 claims abstract description 3
- 239000003016 pheromone Substances 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 238000011109 contamination Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000012806 monitoring device Methods 0.000 description 7
- 230000004069 differentiation Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明提出一种基于路径优化的多目标辐射侦察方法,包括步骤1:辐射危害地域的生成与拓扑化处理;步骤:2:基于K‑means算法对侦察目标聚类;步骤3:基于改进蚁群算法对侦察路径优化;步骤S4:基于人体辐射剂量测算模型确定侦察距离限值;步骤5:合理确定辐射侦察路径和侦察方法。该方法可对辐射侦察目标进行优化聚类,可根据改进蚁群算法实现侦察路径优化,可根据人体吸收剂量限值的确定辐射侦察距离限值,可根据侦察任务和设备编组合理确定侦察路径和侦察方法。本发明可根据核辐射监测设备编组实现侦察目标群任务区分、实现辐射侦察路径最优化、辐射侦察任务与核辐射监测装备的最优匹配,有力地提高核辐射监测设备运用效能,满足辐射侦察任务对辅助决策需求。
Description
技术领域
本发明属于侦察路径优化领域,尤其是一种基于组合优化算法的多目标辐射侦察优化方法。
背景技术
由于核辐射危害具有杀伤破坏威力大、范围广、持续时间长等特点,因此快速采集、传输和处理核辐射信息,对于及时组织专业保障、减少辐射危害对专业行动的影响具有先决性作用。在执行核应急辐射侦察任务时,为最大限度地减小核辐射对相关目标以及专业分队的伤害,需要运用核应急监测设备进行快速而高效的辐射侦察行动,以便实时准确地获取污染区范围、剂量率、累积剂量等监测数据。对于辐射危害区内多目标侦察,传统的辐射侦察方法多采用分路线侦察法、向心侦察法、按剂量率侦察法等,这些侦察方法多是根据侦察任务特点、目标重要程度、剂量率分布情况来实施侦察,无法适应不同辐射任务环境下最优侦察路径和任务分配需要。因地形地貌和气象条件等因素制约,对辐射危害区域的面积、形状和剂量率都有不同程度的影响,而不同危害区域的差异则制约着核监测设备运用的数量和方式。在特定辐射污染区执行多目标辐射侦察任务时,为尽量减少所受的辐射剂量和提高侦察效率,就要在满足地理环境和核应急监测设备指标的约束条件下,运用组合优化算法,尽可能缩短辐射侦察路径。
发明内容
为了解决上述技术问题,适应多目标快速辐射侦察的任务需求,应着眼侦察目标数量及分布、剂量率分布、辐射剂量限值、辐射监测设备情况等,合理确定辐射侦察的侦察路径和任务分配。本发明提出了一种基于路径优化的多目标辐射侦察方法,是在对目标分析的基础上,按照“侦察目标聚类、侦察路径优化、剂量限值约束、任务合理区分”的思路,在全面考虑该问题约束条件的基础上,构建相关优化算法和模型,对相对有限的核应急监测设备进行侦察路径优化和任务合理区分,最大可能的发挥核应急监测设备的保障效能、降低危害后果,实现保障效益最大化。
本发明是一种基于路径优化的多目标辐射侦察方法,具体步骤如下:
步骤一:辐射危害地域的生成与拓扑化处理
首先,根据核监测相关信息和辐射估算模型,绘制出沾染区的辐射危害图。其次,明确沾染区危害区域的大致范围以及沾染区内需要侦察的目标点位,也为估算辐射侦察行动可能遭受的辐射剂量提供依据。第三,对危害地域进行拓扑化处理。为使后续优化算法便于执行,可以对危害地域的地理数据进行拓扑化处理,将地域内的高程、水域、陆地、交通、地貌、植被等地理数据映射到拓扑网络中。
步骤二:基于K-means算法对侦察目标聚类
K-means算法是典型的基于距离的聚类算法,2个对象的距离越近,其相似性就越大。它以欧式距离作为相似性测度,采用误差平方和准则函数作为聚类准则函数,其计算公式为:
式中:JC为聚类准则函数;i为数据对象的某一聚类;k为数据对象的聚类数;Mi为类Ci中数据对象的均值;p为类Ci中的空间点。
基于K-means的侦察目标聚类和任务区分的仿真步骤如下:
(1)输入数据矩阵;
(2)计算各侦察目标之间的行间距离;
(3)选择不同的类间距离进行聚类并分析比较;
(4)绘制侦察目标谱系聚类图;
(5)根据核应急监测设备编组情况确定分类数目,输出聚类结果。
步骤三:基于改进蚁群算法对侦察路径优化
为减少沾染区的照射剂量,必须尽量减少在沾染区的作业时间。由于机动侦察设备优异的通过性和机动性,地形对其侦察速度的影响相对较小,所以辐射侦察作业时间某种程度上取决于侦察路径的长短。目前,路径规划算法主要有启发式A*算法、动态规划法、电势理论法、遗传算法和蚁群算法等。
蚁群算法是通过模拟自然界中蚂蚁觅食过程对目标进行搜索,人工蚂蚁根据路径上信息素浓度的函数,按概率选择下一个将要访问的目标。信息素浓度越高,则该路径被选择的概率越大,当完成一次循环后,其会在访问过的每条边上都留下相应的信息素。基于算法,某地域遭受放射性沾染时,因危害地域面积较大、辐射侦察目标较多,为使辐射侦察路径最短,可利用蚁群算法对配置地域内各目标辐射侦察路径进行优化决策。
假设蚂蚁群体中蚂蚁的数量为m,辐射危害地域内辐射侦察目标的数量为n,目标之间的距离为dij(i,j=1,2,...,n),t时刻目标连接路径上的信息素浓度为τij(t)。初始时刻信息素浓度为τij(0)=0。蚂蚁w(w=1,2,3,...,m)在辐射侦察目标搜索过程中会根据路径上信息素浓度的大小来决定访问哪个目标。
式中:ηij(t)为启发函数,ηij(t)=1/dij表示目标之间转移的期望程度;allowk(k=1,2,3,...,m)为蚂蚁w拟访问的目标集合;τis(t)为t时刻任一目标连接路径上的信息素浓度;ηis(t)为t时刻任一目标连接路径上的启发函数值;s为蚂蚁w拟访问的某一目标;α为信息素重要程度因子;β为启发函数重要程度因子。
目标转移概率主要是由信息素浓度和启发函数构成,重要程度因子包括信息素和启发函数重要程度因子,其中信息素重要程度因子α表示蚂蚁在选择下一步要走的路径时,信息素对选择路径的影响程度;启发函数重要程度因子β表示启发信息对路径选择的影响程度。α值越大,会降低蚂蚁的随机搜索能力,因为它会选择信息素浓度高的路径;β值越大,则容易陷入局部最优,因为它会选择距离当前节点最近的路径。为提高随机搜索能力,又避免陷入局部最优,目标转移概率可改进为:
当蚂蚁在释放信息素时,搜索路径上的信息素也在逐渐减少,假定参数ρ(0<ρ<1)为信息素的挥发程度,信息素浓度更新值为:
为提高蚂蚁全局搜索能力和提高寻优速度,信息素挥发程度ρ应在一个合理区间[0.2,0.5]之间合理取值,可将信息素挥发程度ρ取值准则如下:
式中:M和Mmax为算法目前迭代数以及最大迭代数。
在运用蚁群算法时,蚁群数量、信息素重要程度系数、信息素挥发因子、目标间距离重要程度系数等都会对算法效果产生影响,在确定具体参数值时,要合理确定。
步骤四:基于人体辐射剂量测算模型确定侦察距离限值
根据侦察目标聚类情况,在区分设备侦察任务时,还要根据任务量、辐射允许值、设备作业力、影响因素等进行科学计算。人体辐射剂量测算公式为:
式中:D为人体辐射吸收剂量,单位:mSv;l为核应急监测设备执行辐射侦察的作业距离单位:km;为某一沾染区(轻区、中区、危区)的平均剂量率,单位:mSv/h;q为辐射人体吸收系数;v为核应急监测设备在沾染区的平均侦察速度,单位:km/h;zd、zs、zh分别为地形、人员素质、任务威胁影响因子取值;c为核应急监测设备的削弱系数。
根据辐射危害估算模型,一般可将辐射危害地域可分为危、中、轻3个区域。执行侦察任务时,一般专业作业人员受到的1次辐射照射剂量不宜超过规定剂量限值(比如20mSv)。根据人体辐射剂量限值以及上述测算公式,就可推算出辐射侦察设备所能执行侦察距离限值。
步骤五:合理确定辐射侦察路径和侦察方法
在对辐射侦察目标进行目标聚类区分后,再利用改进蚁群算法对相应侦察路径进行最优化,在考虑辐射侦察距离限值的情况下,结合执行侦察任务的设备数量以及相应指标,来确定辐射侦察路径和侦察方法。当人体可能受照射剂量值小于安全限值,主要根据最优侦察路径、任务区分等方法,来考虑核应急监测设备运用方式;如果人体可能受照射剂量值大于安全限值,在基于最优侦察路径的同时,要在人员照射剂量安全限值内,可采取任务接续、多波次侦察的方法来考虑核应急监测设备运用。
本发明的优点及有益效果在于:本发明提出的方法能够对辐射侦察目标进行优化聚类,能够根据改进蚁群算法实现多目标辐射侦察路径优化,能够根据人体吸收剂量限值确定辐射侦察距离限值,能够根据侦察任务和设备编组合理确定侦察路径和侦察方法。本发明可根据核应急监测设备编组实现侦察目标群任务区分、实现辐射侦察路径最优化、辐射侦察任务与核辐射监测装备的最优匹配,可以有力地提高核应急监测设备运用效能,满足辐射侦察任务对辅助决策需求。
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描述。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它附图。
图1是一种基于路径优化的多目标辐射侦察方法的流程图。
图2是放射性沾染危害地域目标分布示意图。
图3是各代最短距离与平均距离仿真对比图。
图4是目标群2辐射侦察优化路径。
图5是多目标辐射侦察路径和方法示意图。
具体实施方式
本发明的实施数据来源于辐射监测设备综合运用实践。根据执行辐射侦察任务核应急监测设备运用的实际需求,通过对被保障目标的特性、辐射侦察需求分析,基于K-means算法对侦察目标进行聚类;通过信息素重要程度因子、启发函数重要程度因子以及信息素挥发程度等进行修正,对传统蚁群算法进行改进,进而依据改进蚁群算法对辐射侦察路径进行优化;通过对人体辐射剂量测算模型进行量化取值,确定侦察距离限值;根据辐射侦察任务和设备情况,在一定约束条件下,对辐射侦察路径和侦察方法进行确定。
为使本发明实施例的目的、技术方案和优点更加清晰,下面将以实施例中的附图,对本发明实施例中的技术方案进行系统描述,本发明所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。
图1为本发明的基于路径优化的多目标辐射侦察方法的流程图。下面具体以某机动型核辐射监测设备对辐射危害区域内多目标实施辐射侦察为例,实施步骤如下:
步骤一:辐射危害地域的生成与拓扑化处理
首先,根据核监测相关信息和辐射估算模型,绘制出沾染区的辐射危害图。其次,明确沾染区危害区域的大致范围以及沾染区内需要侦察的目标点位,也为估算辐射侦察行动可能遭受的辐射剂量提供依据。第三,对危害地域进行拓扑化处理。为使后续优化算法便于执行,可以对危害地域的地理数据进行拓扑化处理,将地域内的高程、水域、陆地、交通、地貌、植被等地理数据映射到拓扑网络中。根据假定的目标配置情况以及气象、地形等影响因素,可以估算出辐射危害地域内共有18个主要侦察目标,假使放射性沾染危害地域分布情况如图2所示。
步骤二:基于K-means算法对侦察目标聚类
放射性沾染危害地域内18个目标的坐标根据拓扑化处理后的地形图确定,根据K-means算法公式:
运用Matlab计算工具,对危害地域内18个目标进行聚类区分仿真,先求得各目标之间的行间距离;再分别运用最短距离法(single)、最长距离法(complete)、平均距离法(average)、质心距离法(centroid)、最小方差算法(ward)等算法,计算不同类的类间距离为
R=(0.754 7 0.792 3 0.795 3 0.792 1 0.792 2)
由结果分析可知,采用最短距离法求得的类间距离最小,因此采用最短距离法进行目标聚类。假定此次辐射侦察任务拟派出3个监测车组执行任务,经仿真聚类结果为:
T=(1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3)
根据聚类仿真结果,将18个目标经聚类后分成3类,每1类为1个目标群:①目标群1,包括目标1、目标2、目标3、目标4;②目标群2,包括目标5、目标6、目标7、目标8、目标9、目标10、目标11、目标12、目标13、目标14;③目标群3,包括目标15、目标16、目标17、目标18。
步骤三:基于改进蚁群算法对侦察路径优化
目标群1和目标群3,需侦察目标较少,其最优辐射侦察路径容易确定;目标群2内共10个目标,其坐标分别为(52254,50265)、(53556,51366)(52800,51845)、(53300,50323)、(52832,50422)、(51910,51388)(50950,50785)、(51450,51356)、(51768,50425)、(49535,51236),需侦察目标较多,采用动态规划等计算方法求解最优路径效率较差,在借鉴传统遗传算法的基础上,可以运用改进蚁群算法确定最优侦察路径。
对改进蚁群算法的各参数进行初始化,选取蚂蚁数量为50,常系数为1,信息素挥发因子根据迭代次数从(0.2,0.3,0.4,0.5)内取值,启发函数重要程度因子为5,信息素重要程度因子为1,迭代次数初值为1,最大迭代次数为100。根据目标转移概率公式:
运用Matlab计算工具,编写基于改进蚁群智能算法的辐射侦察路径优化仿真程序并进行仿真应用,各代最短距离与平均距离对比如图3所示。
通过仿真求解出侦察路径最短距离,在迭代到第20次左右时,平均距离进趋于小幅度震荡。通过程序仿真,目标群2内10个侦察目标的辐射侦察优化路径如图4所示。
根据侦察路径优化仿真结果,目标群2内10个侦察目标的辐射侦察最短路径顺序为:目标7——目标10——目标8——目标6——目标3——目标2——目标4——目标5——目标1——目标9,辐射侦察最短距离为9.31千米。对于危害地域内多个辐射侦察目标,运用蚁群优化算法可以很快确定最优侦察路径,
步骤四:基于人体辐射剂量测算模型确定侦察距离限值
目标群2各目标涵盖放射性沾染区中危、中、轻三个区域,为计算方便,可取中区的边界值来作为整个侦察区域的平均剂量率;假设该监测设备的辐射侦察速度为20千米/时,考虑任务威胁、复杂地形、人员心理素质等影响因素并量化取值,辐射侦察速度可能会降低到16千米/时;辐射人体吸收系数为1,侦察车的削弱系数取值为4;对目标群2各目标进行辐射侦察,利用式(4)进行取值计算,假使人体辐射照射剂量限值为20mSv,处于安全线内。依据人体辐射剂量测算公式为:
根据上式测算结果,单个辐射监测设备的辐射侦察距离限值约为8.53千米。根据蚁群算法,得到目标群2辐射侦察最短距离为9.31千米,为确保人体受照射剂量值在安全限值内,在基于最优侦察路径的同时,应至少派出2辆核应急监测设备采取对接侦察的方法实施。
步骤五:合理确定辐射侦察路径和侦察方法
在目标配置地域内,因侦察距离和剂量率的不同,各目标群实施辐射侦察时需根据其不同特点进行针对性任务区分。目标群1处在沾染区危险区,辐射剂量率高,侦察目标数量应尽量少、侦察路径应尽量短;目标群3处在沾染区轻区,辐射剂量率低,侦察目标数量适宜、侦察路径适合较长;目标群2相对集中,剂量率分布各沾染区,单设备侦察目标数量和侦察路径要尽量适合。为加快沾染地域辐射侦察速度,减小侦察人员照射剂量,根据前文基于K-means算法的侦察目标聚类区分,考虑各设备等任务量的任务区分法,拟派出4辆监测设备分别对受染地域的目标群进行辐射侦察。
目标群1和目标群3可分别派出1辆监测设备从沾染区上风方向进入,沿沾染区中心线方向、目标走向,选择辐射侦察路径;目标群2需派出2辆监测设备分别从沾染区外进入,采用交叉对接、等任务量区分的作业方法进行辐射侦察,设备2负责目标6、8、9、5、13,设备3负责目标11、14、12、10、7,监测装备运用如图5所示。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种基于路径优化的多目标辐射侦察方法,其特征在于:包括如下步骤:
步骤S1:辐射危害地域的生成与拓扑化处理;
步骤S2:基于K-means算法对侦察目标聚类;
步骤S3:基于改进蚁群算法对侦察路径优化;
步骤S4:基于人体辐射剂量测算模型确定侦察距离限值;
步骤S5:合理确定辐射侦察路径和侦察方法。
2.根据权利要求1所述的一种基于路径优化的多目标辐射侦察方法,其特征在于:所述步骤S1具体包括:
1.1)根据核监测相关信息和辐射估算模型,绘制出沾染区的辐射危害图;
1.2)明确沾染区危害区域的大致范围以及沾染区内需要侦察的目标点位;
1.3)对辐射危害地域行拓扑化处理。
4.根据权利要求3所述的一种基于路径优化的多目标辐射侦察方法,其特征在于:在步骤S2中,基于K-means的侦察目标聚类和任务区分的仿真步骤如下:
(1)输入数据矩阵;
(2)计算各侦察目标之间的行间距离;
(3)选择不同的类间距离进行聚类并分析比较;
(4)绘制侦察目标谱系聚类图;
(5)根据核辐射监测设备编组情况确定分类数目,输出聚类结果。
5.根据权利要求1所述的一种基于路径优化的多目标辐射侦察方法,其特征在于:所述步骤S3具体包括:
设蚂蚁群体中蚂蚁的数量为m,辐射危害地域内辐射侦察目标的数量为n,目标之间的距离为dij(i,j=1,2,...,n),t时刻目标连接路径上的信息素浓度为τij(t);初始时刻信息素浓度为τij(0)=0;蚂蚁k(k=1,2,3,...,m)在辐射侦察目标搜索过程中会根据路径上信息素浓度的大小来决定访问哪个目标;
式中:ηij(t)为启发函数,ηij(t)=1/dij表示目标之间转移的期望程度;allowk(k=1,2,3,...,m)为蚂蚁k拟访问的目标集合;α为信息素重要程度因子;β为启发函数重要程度因子。
10.根据权利要求1所述的一种基于匹配度的化学侦察设备目标分配优化方法,其特征在于,所述步骤S5具体包括:
5.1)人体可能受照射剂量值小于安全限值,根据最优侦察路径、任务区分方法,来考虑核辐射监测设备运用方式;
5.2)人体可能受照射剂量值大于安全限值,在基于最优侦察路径的同时,要在人员照射剂量安全限值内,采取任务接续、多波次侦察的方法来考虑核辐射监测设备运用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291877.7A CN114115237B (zh) | 2021-11-03 | 2021-11-03 | 一种基于路径优化的多目标辐射侦察方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291877.7A CN114115237B (zh) | 2021-11-03 | 2021-11-03 | 一种基于路径优化的多目标辐射侦察方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114115237A true CN114115237A (zh) | 2022-03-01 |
CN114115237B CN114115237B (zh) | 2023-08-01 |
Family
ID=80380495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111291877.7A Active CN114115237B (zh) | 2021-11-03 | 2021-11-03 | 一种基于路径优化的多目标辐射侦察方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114115237B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464965A (zh) * | 2009-01-16 | 2009-06-24 | 北京航空航天大学 | 一种基于tbb的多核并行蚁群设计方法 |
CN206431299U (zh) * | 2017-01-24 | 2017-08-22 | 中国人民解放军火箭军工程大学 | 一种核辐射沾染区用辐射监测机器人群系统 |
CN107798182A (zh) * | 2017-10-19 | 2018-03-13 | 江苏金陵科技集团有限公司 | 一种基站辐射范围的快速计算与更新方法 |
CN109407704A (zh) * | 2018-12-13 | 2019-03-01 | 佛山单常科技有限公司 | 一种智能的无人机返航控制系统 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
CN111175800A (zh) * | 2020-01-10 | 2020-05-19 | 中广核工程有限公司 | 核电厂辐射剂量分布的测量方法和测量系统 |
CN111651872A (zh) * | 2020-05-22 | 2020-09-11 | 西北核技术研究院 | 基于气固两相流模拟的核爆炸放射性沾染预测方法 |
CN112165112A (zh) * | 2020-09-23 | 2021-01-01 | 广东电网有限责任公司肇庆供电局 | 一种用于解决配网低电压的分布式储能系统规划方法 |
CN113552897A (zh) * | 2021-06-30 | 2021-10-26 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
-
2021
- 2021-11-03 CN CN202111291877.7A patent/CN114115237B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464965A (zh) * | 2009-01-16 | 2009-06-24 | 北京航空航天大学 | 一种基于tbb的多核并行蚁群设计方法 |
CN206431299U (zh) * | 2017-01-24 | 2017-08-22 | 中国人民解放军火箭军工程大学 | 一种核辐射沾染区用辐射监测机器人群系统 |
CN107798182A (zh) * | 2017-10-19 | 2018-03-13 | 江苏金陵科技集团有限公司 | 一种基站辐射范围的快速计算与更新方法 |
CN109407704A (zh) * | 2018-12-13 | 2019-03-01 | 佛山单常科技有限公司 | 一种智能的无人机返航控制系统 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
CN111175800A (zh) * | 2020-01-10 | 2020-05-19 | 中广核工程有限公司 | 核电厂辐射剂量分布的测量方法和测量系统 |
CN111651872A (zh) * | 2020-05-22 | 2020-09-11 | 西北核技术研究院 | 基于气固两相流模拟的核爆炸放射性沾染预测方法 |
CN112165112A (zh) * | 2020-09-23 | 2021-01-01 | 广东电网有限责任公司肇庆供电局 | 一种用于解决配网低电压的分布式储能系统规划方法 |
CN113552897A (zh) * | 2021-06-30 | 2021-10-26 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
Non-Patent Citations (4)
Title |
---|
吴宜灿;何桃;胡丽琴;龙鹏程;尚雷明;周少恒;杨琪;赵锦波;张澍;杨子辉;李廷;程翔;王静;王杰;宋婧;程梦云;俞盛朋;郝丽娟;: "核与辐射安全仿真系统SuperMC/RVIS2.3研发与应用", 原子能科学技术, vol. 49, no. 1, pages 160 - 163 * |
尚雷明,李廷,何桃,程梦云,龙鹏程,胡丽琴,吴宜灿,FDS团队: "基于最小包围盒策略的人体辐射剂量评估方法研究", 核科学与工程, vol. 24, no. 1, pages 80 - 85 * |
杨子辉;王静;何桃;宋婧;龙鹏程;: "基于统一计算架构的人体受照剂量实时仿真评估方法", 辐射研究与辐射工艺学报, vol. 33, no. 06, pages 060501 - 1 * |
陶龙龙,龙鹏程,郑晓磊,杨子辉,尚雷明,何桃: "改进型A星算法引导的核辐射环境路径规划", 辐射研究与辐射工艺学报, vol. 36, no. 6, pages 060601 - 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN114115237B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Messaoudi et al. | A multi-objective bat algorithm for community detection on dynamic social networks | |
CN107070968B (zh) | 对监控区域部署传感器的方法 | |
CN108550077A (zh) | 一种面向大规模非平衡征信数据的个人信用风险评估方法及评估系统 | |
CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN108090628A (zh) | 一种基于pso-lssvm算法的粮情安全检测分析方法 | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
Qin et al. | Spatial optimization of watershed best management practices based on slope position units | |
CN117408495B (zh) | 一种基于土地资源综合管理的数据分析方法及系统 | |
CN109657147A (zh) | 基于萤火虫和加权极限学习机的微博异常用户检测方法 | |
CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
CN107274086A (zh) | 一种基于隐马尔可夫模型的网格化社会治理信息方法 | |
CN115311343A (zh) | 基于多级抽样的草原有害生物发生面积调查方法 | |
Cui et al. | Source term inversion of nuclear accident based on deep feedforward neural network | |
Wang et al. | Kernel-based fuzzy C-means clustering based on fruit fly optimization algorithm | |
Sumathi et al. | Improved Soil Quality Prediction Model Using Deep Learning for Smart Agriculture Systems. | |
CN114115237A (zh) | 一种基于路径优化的多目标辐射侦察方法 | |
Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
CN109766988A (zh) | 基于混沌蚁狮优化算法的目标分群方法 | |
De Jong et al. | Risk analysis for biological weed control–simulating dispersal of Sclerotinia sclerotiorum (Lib.) de Bary ascospores from a pasture after biological control of Cirsium arvense (L.) Scop. | |
Korotkova et al. | Decision algorithm with uncertainties in a multi-purpose flight safety system | |
Wang et al. | Predator-prey biogeography-based optimization for bio-inspired visual attention | |
Al Murayziq et al. | Using case-based reasoning and artificial neural networks for the efficient prediction of dust storms | |
CN113435692B (zh) | 辐射源信号识别效能评估方法、系统、智能终端及应用 | |
Huo et al. | DISTRIBUTED: MISSING RADIATION SOURCE SEARCH METHOD BASED ON CONSENSUS PARAMETER ESTIMATION AND FREE ENERGY STRATEGY | |
Brasil et al. | PSO-based modeling particulate emission rates in nuclear accidents |
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 |