CN114186369A - 一种基于人工蜂群算法的电缆敷设路径优化方法 - Google Patents

一种基于人工蜂群算法的电缆敷设路径优化方法 Download PDF

Info

Publication number
CN114186369A
CN114186369A CN202111386013.3A CN202111386013A CN114186369A CN 114186369 A CN114186369 A CN 114186369A CN 202111386013 A CN202111386013 A CN 202111386013A CN 114186369 A CN114186369 A CN 114186369A
Authority
CN
China
Prior art keywords
node
path
colony algorithm
bee colony
artificial bee
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.)
Pending
Application number
CN202111386013.3A
Other languages
English (en)
Inventor
陈晨
郭放
董平先
宋晓帆
白萍萍
王辉
张浩杰
钱翌明
彭建伟
韩云昊
米阳
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.)
Shanghai University of Electric Power
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
Shanghai University of Electric Power
Economic and Technological Research Institute of State Grid Henan Electric Power 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 Shanghai University of Electric Power, Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Shanghai University of Electric Power
Priority to CN202111386013.3A priority Critical patent/CN114186369A/zh
Publication of CN114186369A publication Critical patent/CN114186369A/zh
Pending legal-status Critical Current

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
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明涉及一种基于人工蜂群算法的电缆敷设路径优化方法，该方法包括以下步骤：步骤S1、基于电缆通道图建立网络模型，得到包含设备节点信息的地图矩阵；步骤S2、通过地图矩阵确定开始节点以及结束节点，并采用人工蜂群算法对开始节点至结束节点的电缆敷设路径进行优化，得到最短路径以及最短路径对应的最短距离。与现有技术相比，本发明具有计算速度快以及适用性高的优点。

Description

一种基于人工蜂群算法的电缆敷设路径优化方法
技术领域
本发明涉及三维电缆敷设领域，尤其是涉及一种基于人工蜂群算法的电缆敷设路径优化方法。
背景技术
随着我国经济的发展，对电力的需求也与日俱增，需规划建设更多的变电站来满足用户需求，加之现在变电站自动化和智能化越来越高，不仅需要大量的电力电缆和控制电缆，还需要大量的光缆用于自身数据的采集和传输。这些繁杂的电缆就如同血管和神经，维持着变电站安全稳定的运行。电缆的种类多数量大使得变电站光电缆的设计和敷设成为一个非常繁琐的任务，稍有差错都会影响变电站安全稳定的运行。传统二维设计不仅需要大量人力和时间，而且电缆长度依靠人工难以精确统计，设计过程费时费力且往往预留裕度过大造成浪费，同时二维设计极易出现人为因素导致的错误且不易发现。
随着数字化三维设计理念的不断深化和信息化设计的快速发展，具有直观性和方便性的数字化设计越来越多的在专业设计中得到应用。三维电缆设计以更直观的方式与在三维设计环境中开展设计工作相配合，各专业设计模型及其数据可以达到二维设计难以达到的设计信息量，可以获取各专业发布的最新布置信息。各专业将布置相关的设计信息体现在三维设计环境中，桥架和埋管都能够以此为基础，合理高效地完成设计，从而形成了一个适时、顺序完整的三维模型，而且其基本信息可以准确到与现场相同。设计信息存储在数据库中，保证生成的电缆清册、材料汇总表、桥架截面表能够与三维设计中的设计信息一致。在这样的设计基础数据上做电缆设计，其效率和准确性远优于二维设计。
电缆敷设的核心任务是寻找到最短的敷设路径，电缆三维敷设的核心就是计算电缆敷设路径的算法。目前电缆敷设的算法大多为Dijkstm算法、Floyd算法、A*算法，或者是这几种算法的改进和结合。
人工蜂群算法(artificial bee colony algorithm,ABC)是由土耳其学者Karaboga于2005年提出，它是模拟自然界中蜜蜂采蜜行为提出的一种群体智能仿生优化算法，是集群智能思想的一个具体应用。人工蜂群算法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。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种计算速度快、适用性高的基于人工蜂群算法的电缆敷设路径优化方法。
本发明的目的可以通过以下技术方案来实现：
本发明提供了一种基于人工蜂群算法的电缆敷设路径优化方法，该方法包括以下步骤：
步骤S1、基于电缆通道图建立网络模型，得到包含设备节点信息的地图矩阵A；
步骤S2、通过地图矩阵确定开始节点以及结束节点，并采用人工蜂群算法对开始节点至结束节点的电缆敷设路径进行优化，得到最短路径以及最短路径对应的最短距离。
优选地，所述步骤S1具体为：
基于电缆通道图建立网络模型，将每个设备节点、拐点及三通四通进行编号并放入空间坐标系中，并将每个节点之间的连接信息放入地图矩阵A中。
优选地，所述地图矩阵A中的元素表示节点的连接情况和距离；
对于其中任意一个元素aij，如果aij＝0表示节点i和节点j没有连接，如果aij≠0表示节点i和节点j存在连接，且节点间的距离为aij；
优选地，所述步骤S2包括以下子步骤：
步骤S21、初始化人工蜂群算法的相关参数并产生N个可行路径，所述相关参数包括雇佣蜂数量、观察蜂数量、最大迭代次数以及最大浏览次数；
步骤S22、雇佣蜂在对应路径中随机选择一个路径节点R并通过轮盘赌法选择后续节点，并依据贪婪选择策略保留较短路径；
步骤S23、计算各个路径被选择的概率，观察蜂依据概率选择路径并更新路径；
步骤S24、判断可行路径是否达到最大浏览次数，若是，则放弃原有路径并产生新的可行路径，转步骤S22进行迭代；否则转步骤S25；
步骤S25、判断是否达到最大迭代次数，若是，则直接输出最短路径经过节点和长度；否则转步骤S22。
优选地，所述N个可行路径的产生过程为：
从开始节点开始，根据地图矩阵A得到下一步可选节点矩阵；计算可选节点到结束节点的距离，利用下一目标节点的概率函数计算可选节点的概率值，采用轮盘赌法进行路径选择，直至到达结束节点；其中曼哈顿距离短的被选择的概率大。
优选地，所述可选节点到结束节点的距离为曼哈顿距离。
优选地，所述下一目标节点的概率函数为：
Figure BDA0003367051470000031
其中，Di为目标节点到结束节点的曼哈顿距离。
优选地，所述步骤S22中的路径节点R为与三个及三个以上节点相连的节点。
优选地，所述步骤S23中各个路径被选择的概率被选择的概率为：
Figure BDA0003367051470000032
其中，fit为可行路径的适应度。
优选地，所述可行路径的适应度fit为：
Figure BDA0003367051470000033
其中，Ddi为每个可行路径的长度。
与现有技术相比，本发明具有以下优点：
1)相较于现有的蚁群算法，本发明采用的人工蜂群算法对三维电缆敷设路径优化过程中，能够用能准确找到最优的敷设路径，有效避免陷入局部最优，提高了算法的收敛速度，所需时间更短，有效提高了电缆敷设路径的计算效率；
2)相较于现有的只能进行两设备节点的Floyd算法，本发明采用的人工蜂群算法还可以进行多设备节点的电缆敷设，可以满足实际工程中的多样化需求。
附图说明
图1为人工蜂群算法流程图；；
图2为电缆截面示意图；
图3为曼哈顿距离与欧氏距离的区别；
图4为电缆通道设备图；
图5为在两个设备节点之间敷设电缆仿真结果；
图6为在三个设备节点之间敷设电缆仿真结果；
图7为在四个设备节点之间敷设电缆仿真结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
电缆在敷设过程中往往要遵循相关的设计准则，针对不同的敷设环境有不同的敷设准则，但都会满足电缆敷设的规范，其基本规定如下：
1)电缆敷设应遵循最短路径的原则，这是电缆敷设的核心任务。
2)不同种类的电缆(如：动力电缆、控制电缆和光缆等)在敷设时只允许同一类型的电缆敷设在同一通道或支架上。其中，电缆截面示意图如图2所示。
3)电缆敷设应满足电缆通道容积率的要求。
4)电缆敷设时应尽量减少转弯、错层和错位的发生。
本发明围绕电缆敷设的核心任务展开，通过人工蜂群算法找到电缆的最短路径。
如图1所示，本实施例给出了一种基于人工蜂群算法的电缆敷设路径优化方法，包括以下步骤：
步骤S1、如图4所示，构建电缆通道网络模型，确定各个节点信息以及节点间的连接关系，具体为：
将每个设备节点、拐点及三通四通进行编号，并在空间坐标系对各个节点进行坐标标注；将每个节点之间的连接情况以及距离信息放入矩阵A中，其中矩阵A中元素aij非零表示节点i和节点j连通，且其值表示两个节点间的距离，aij为零则表示节点i和节点j不连通。
上述节点间的距离为曼哈顿距离。如图3所示，曼哈顿距离是在欧几里德空间的固定直角坐标系上两点所形成的线段对轴产生的投影的距离总和。
例如，平面上P1点的坐标为(x1,y1)，P2点的坐标为(x2,y2)，则两点的曼哈顿距离为：
D＝|x1-x2|+|y1-y2|。
步骤S2、通过地图矩阵确定开始节点以及结束节点，并采用人工蜂群算法对开始节点至结束节点的电缆敷设路径进行优化，得到最短路径以及最短路径对应的最短距离。
现有的标准的人工蜂群算法(Artificial Bee Colony，ABC)主要通过模拟实际蜜蜂的采蜜机制将人工蜂群分为3类：雇佣蜂、观察蜂和侦察蜂；该算法核心有三部分：
1)雇佣蜂搜索蜜源；
2)观察蜂通过雇佣蜂分享的信息选择蜜源搜索；
3)侦查蜂搜索新蜜源。
其中，雇佣蜂和观察蜂各占蜂群总数的一半。蜜源表示可行解，蜜源的收益率表示可行解的适应度。整个蜂群的目标是寻找花蜜量最大的蜜源即最优解。
雇佣蜂负责最初的寻找蜜源并与观察蜂分享蜜源信息；观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源；侦查蜂的任务是在原有蜜源被抛弃后寻找一个新的有价值的蜜源来代替原有蜜源，它们在蜂房附近随机地寻找蜜源。
假设问题的解空间是D维的，标准的人工蜂群算法(Artificial Bee Colony，ABC)将优化问题的求解过程看成是在D维搜索空间中进行搜索。
每个蜜源的位置代表问题的一个可行解，蜜源i(i＝1,2,…,N)的优劣程度代表解的适应度fit的大小，N为蜜源的数量。其中一个雇佣蜂与一个蜜源是相对应的。
第i个蜜源初始位置为：
xid＝Ld+rand(0,1)(Ud-Ld)
其中xid∈(Ld,Ud)，Ld和Ud分别表示搜索空间的下限和上限，d＝1,2,…,D。
观察蜂在蜜源i的周围根据
Figure BDA0003367051470000051
搜索新蜜源；
其中d为闭区间[1,D]中一个随机整数，观察蜂在随机选择在D维中搜索；j∈[1,2,…,N]且j≠i，表示在N个蜜源中随机选择一个非i的蜜源；
Figure BDA0003367051470000052
是区间[-1,1]均匀分布的随机数，决定扰动幅度。
当搜索到的新蜜源Vi＝[vi1,vi2,…,vid]的适应度优于Xi＝[xi1,xi2,…,xid]时，采用贪婪选择策略保留适应度较好的解。
全部雇佣蜂飞回信息交流区共享蜜源信息。
观察蜂根据雇佣蜂分享的蜜源信息以概率P进行跟随，所述概率P表达式为：
Figure BDA0003367051470000061
观察蜂在蜜源i的附近搜索新蜜源，并采用和雇佣蜂相同的贪婪选择策略保留蜜源。在搜索过程中，如果蜜源i的适应值在预设迭代搜索后仍没有被提高，则丢弃该蜜源，而与之对应的雇佣蜂转变为侦查蜂，侦查蜂搜索新的可行解。
以最小化的优化问题为例，在人工蜂群算法(Artificial Bee Colony，ABC)中，可行解的适应表达式为：
Figure BDA0003367051470000062
式中：fi为可行解的函数值。
步骤S2中基于人工蜂群算法的电缆敷设路径优化方法，包括以下步骤：
步骤S21、初始化人工蜂群算法的相关参数并产生N个可行路径，所述相关参数包括雇佣蜂数量、观察蜂数量、最大迭代次数以及最大浏览次数；
在路径选择过程中，选择下一目标节点的概率为：
Figure BDA0003367051470000063
其中，Di为目标节点到结束节点的曼哈顿距离。
步骤S22、雇佣蜂在其对应蜜源附近搜索，随机选择其相应的可行解中一个路径节点R(与三个及以上节点相连)，在原本的解中其下一路径节点为T，则此时选择非T路径节点与路径节点R相连。随后再通过轮盘赌法选择路径。
根据
Figure BDA0003367051470000064
计算蜜源适应度并采取贪婪选择策略保留适应度好的蜜源。其中Ddi为每个可行解路径的长度。
步骤S22、雇佣蜂在对应路径中随机选择一个路径节点R(与三个及三个以上节点相连的节点)并通过轮盘赌法选择后续节点，并依据贪婪选择策略保留较短路径；
步骤S23、计算各个路径被选择的概率，观察蜂依据概率选择路径并更新路径；所述各个路径被选择的概率被选择的概率为：
Figure BDA0003367051470000071
其中，fit为可行路径的适应度，表达式为：
Figure BDA0003367051470000072
其中，Ddi为每个可行路径的长度。
步骤S24、判断可行路径是否达到最大浏览次数，若是，则放弃原有路径并产生新的可行路径，转步骤S22进行迭代；否则转步骤S25；
所述N个可行路径的产生过程为：
从开始节点开始，根据地图矩阵A得到下一步可选节点矩阵；计算可选节点到结束节点的曼哈顿距离，利用下一目标节点的概率函数计算可选节点的概率值，采用轮盘赌法其中曼哈顿距离短的被选择的概率大。
其中下一目标节点的概率函数为：
Figure BDA0003367051470000073
其中，Di为目标节点到结束节点的曼哈顿距离。
接下来针对图4给出的电缆通道网络，选取三种节点情况进行算法仿真分析。
情况1：任意选择两个设备节点1和11敷设电缆，寻找电缆的最短路径。其算法参数设置如表1所示。
表1算法参数设置
算法参数 值
雇佣峰数量 50
观察蜂数量 50
迭代次数上限 200
浏览次数上限 30
根据建立的电缆通道图，写出对应的地图矩阵，地图矩阵中的元素表示节点的连接情况和距离。如a13＝5，表示节点1和节点3连接且距离为5；若a13＝0，表示节点1和节点3未连接。
设置开始节点为1，结束节点矩阵为[11]。结束节点矩阵长度为1，只需寻找一对起止节点间的路线。
雇佣峰阶段：从开始节点1开始，根据地图矩阵A得到下一步可选节点矩阵，计算可选节点到结束节点的曼哈顿距离，通过轮盘赌法选择下一节点，曼哈顿距离短的被选择的概率大。直到结束节点11，保留所经过的节点并计算路径长度；若直到无节点可选仍未到达结束节点则舍弃该路线重新选择。比较所有路线长度，将路线长度最短的存入可行解矩阵。所有雇佣峰找到路线后结束雇佣阶段；
观察蜂阶段：在上述保留的路线中随机选择一条路线并在此路线节点中随机选择一个三联通及以上的节点，从此节点开始重新选择从此节点到结束节点之间的路线，到达结束节点后比较两个路径长度保留路径较短的，若未到达则舍弃。保留的路径与可行解矩阵路径比较长度，并保留较短路径。判断路线浏览次数是否达到上限，到上限则重新生产一条路线，没有则不进行操作。所有观察蜂浏览后结束观察蜂阶段；
迭代观察蜂阶段直至到达迭代次数上限，输出最优路线。
从节点1到节点11有多条路径可以到达，其中最优路径如图5所示。表2为两设备耗时表。
表2两设备节点耗时表
实验次数 人工蜂群算法耗时\s 蚁群算法耗时\s
1 1.217 2.235
2 1.258 2.269
3 1.340 2.585
4 1.234 2.387
5 1.110 2.279
6 1.647 2.464
平均耗时 1.301 2.367
情况2：任意选择三个设备节点1、8和11敷设电缆，寻找电缆的最短路径。其余与实施例1设置相同。
设置开始节点为1，结束节点矩阵为[8，11]。结束节点矩阵长度为2，需寻找节点1与节点8和节点1与节点11两对起止节点间的路线。
节点1、节点8和节点11到有多条路径可以到达，最终由算法寻找到的最优路径如图6所示，符合实际。下表3为三设备耗时表。
表3三设备节点耗时表
Figure BDA0003367051470000081
Figure BDA0003367051470000091
情况3：任意选择四个设备节点1、8、10和11，敷设电缆，寻找电缆的最短路径。其余与实施例1设置相同。
设置开始节点为1，结束节点矩阵为[24，28，30]。结束节点矩阵长度为3，需寻找节点1与节点24、节点1与节点28和节点1与节点30三对起止节点间的路线。
节点1、8、10和11之间有多条路径连接，最终由算法寻找到的最优路径为如附图7所示，符合实际。下表4为三设备耗时表。
表4四设备节点耗时表
实验次数 人工蜂群算法耗时\s 蚁群算法耗时\s
1 3.830 6.080
2 3.895 6.081
3 4.280 6.026
4 4.200 5.955
5 3.802 6.299
6 3.793 6.198
平均耗时 3.967 6.107
相较于只能进行两设备节点的Floyd算法人工蜂群算法还可以进行多设备节点的电缆敷设，可以满足实际工程中的多样化需求；相较于传统的蚁群算法，人工蜂群算法所需时间更短可有效提高电缆敷设路径的计算效率。
由仿真结果可以看出，在三维电缆敷设中，采用本文设计的人工蜂群算法能够用能准确找到最优的敷设路径，有效避免陷入局部最优提高了算法的收敛速度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，该方法包括以下步骤：
步骤S1、基于电缆通道图建立网络模型，得到包含设备节点信息的地图矩阵A；
步骤S2、通过地图矩阵确定开始节点以及结束节点，并采用人工蜂群算法对开始节点至结束节点的电缆敷设路径进行优化，得到最短路径以及最短路径对应的最短距离。
2.根据权利要求1所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述步骤S1具体为：
基于电缆通道图建立网络模型，将每个设备节点、拐点及三通四通进行编号并放入空间坐标系中，并将每个节点之间的连接信息放入地图矩阵A中。
3.根据权利要求2所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述地图矩阵A中的元素表示节点的连接情况和距离；
对于其中任意一个元素aij，如果aij＝0表示节点i和节点j没有连接，如果aij≠0表示节点i和节点j存在连接，且节点间的距离为aij。
4.根据权利要求1所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述步骤S2包括以下子步骤：
步骤S21、初始化人工蜂群算法的相关参数并产生N个可行路径，所述相关参数包括雇佣蜂数量、观察蜂数量、最大迭代次数以及最大浏览次数；
步骤S22、雇佣蜂在对应路径中随机选择一个路径节点R并通过轮盘赌法选择后续节点，并依据贪婪选择策略保留较短路径；
步骤S23、计算各个路径被选择的概率，观察蜂依据概率选择路径并更新路径；
步骤S24、判断可行路径是否达到最大浏览次数，若是，则放弃原有路径并产生新的可行路径，转步骤S22进行迭代；否则转步骤S25；
步骤S25、判断是否达到最大迭代次数，若是，则直接输出最短路径经过节点和长度；否则转步骤S22。
5.根据权利要求4所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述N个可行路径的产生过程为：
从开始节点开始，根据地图矩阵A得到下一步可选节点矩阵；计算可选节点到结束节点的距离，利用下一目标节点的概率函数计算可选节点的概率值，采用轮盘赌法进行路径选择，直至到达结束节点；其中曼哈顿距离短的被选择的概率大。
6.根据权利要求5所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述可选节点到结束节点的距离为曼哈顿距离。
7.根据权利要求5所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述下一目标节点的概率函数为：
Figure FDA0003367051460000021
其中，Di为目标节点到结束节点的曼哈顿距离。
8.根据权利要求4所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述步骤S22中的路径节点R为与三个及三个以上节点相连的节点。
9.根据权利要求4所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述步骤S23中各个路径被选择的概率被选择的概率为：
Figure FDA0003367051460000022
其中，fit为可行路径的适应度。
10.根据权利要求9所述的一种基于人工蜂群算法的电缆敷设路径优化方法，其特征在于，所述可行路径的适应度fit为：
Figure FDA0003367051460000023
其中，Ddi为每个可行路径的长度。
CN202111386013.3A 2021-11-22 2021-11-22 一种基于人工蜂群算法的电缆敷设路径优化方法 Pending CN114186369A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111386013.3A CN114186369A (zh) 2021-11-22 2021-11-22 一种基于人工蜂群算法的电缆敷设路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111386013.3A CN114186369A (zh) 2021-11-22 2021-11-22 一种基于人工蜂群算法的电缆敷设路径优化方法

Publications (1)

Publication Number Publication Date
CN114186369A true CN114186369A (zh) 2022-03-15

Family

ID=80541136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111386013.3A Pending CN114186369A (zh) 2021-11-22 2021-11-22 一种基于人工蜂群算法的电缆敷设路径优化方法

Country Status (1)

Country Link
CN (1) CN114186369A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115459916A (zh) * 2022-11-09 2022-12-09 江苏翔晟信息技术股份有限公司 基于量子加密技术的电子签章管理系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115459916A (zh) * 2022-11-09 2022-12-09 江苏翔晟信息技术股份有限公司 基于量子加密技术的电子签章管理系统

Similar Documents

Publication Publication Date Title
Gavrilas Heuristic and metaheuristic optimization techniques with application to power systems
CN105467997B (zh) 基于线性时序逻辑理论的仓储机器人路径规划方法
Sisworahardjo et al. Unit commitment using the ant colony search algorithm
CN109214498A (zh) 基于搜索集中度和动态信息素更新的蚁群算法优化方法
CN110118566B (zh) 机器人运行路径生成方法及装置
CN109065173B (zh) 知识路径的获取方法
CN105808590A (zh) 搜索引擎实现方法、搜索方法以及装置
CN109783737A (zh) 信息检索方法、装置、计算机设备及存储介质
Senin et al. Concurrent assembly planning with genetic algorithms
CN114186369A (zh) 一种基于人工蜂群算法的电缆敷设路径优化方法
De Virgilio et al. A similarity measure for approximate querying over RDF data
CN105550368A (zh) 一种高维数据的近似最近邻检索方法及检索系统
CN107092978A (zh) 一种面向虚拟地球的最短路径分层规划方法
Liu et al. Double hierarchy hesitant fuzzy linguistic mathematical programming method for MAGDM based on Shapley values and incomplete preference information
CN106446242A (zh) 一种高效的多关键词匹配最优路径查询方法
Ge et al. Spatial scheduling strategy for irregular curved blocks based on the modified genetic ant colony algorithm (MGACA) in shipbuilding
KR20120075591A (ko) 스마트 그리드에서 배전 제어 방법 및 그 장치
Lian et al. A multi-dimensional tabu search algorithm for the optimization of process planning
CN113031647B (zh) 一种基于模糊综合评判的供电式无人机最优路径规划方法
CN112818198B (zh) 一种高度解耦可动态管理爬虫的方法
KR101047108B1 (ko) 인용 네트웍을 이용한 핵심 문헌 추출 및 시각화 시스템 및방법
CN111190711B (zh) Bdd结合启发式a*搜索的多机器人任务分配方法
Yazdani et al. Join query optimisation in the distributed databases using a hybrid harmony search and artificial bee colony algorithm
CN110222023A (zh) 基于Spark与蚁群优化的多目标并行属性约简方法
CN110189230A (zh) 一种动态分区的解析化模型的构建方法

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