CN114298416A - 一种水库巡查路线的确定方法及终端 - Google Patents
一种水库巡查路线的确定方法及终端 Download PDFInfo
- Publication number
- CN114298416A CN114298416A CN202111639713.9A CN202111639713A CN114298416A CN 114298416 A CN114298416 A CN 114298416A CN 202111639713 A CN202111639713 A CN 202111639713A CN 114298416 A CN114298416 A CN 114298416A
- Authority
- CN
- China
- Prior art keywords
- patrol
- environment
- item
- inspection
- determining
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种水库巡查路线的确定方法及终端,获取待巡查水库的多个巡查项,得到巡查项集合;使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线,实现了水库巡查路线的智能化确定,环境矩阵能够模拟水库的真实环境,包括可行区域和危险区域等,环境因子能够体现巡查项周围的环境情况,将环境因子引入优化蚁群算法确定最优巡查路线,能够实现多目标的最优路线确定,且结合了水库实际环境因素,提高了最优巡查路线的准确性,从而实现了高效的水库巡查。
Description
技术领域
本发明涉及路线确定技术领域,尤其涉及一种水库巡查路线的确定方法及终端。
背景技术
传统水库巡查方法通常是巡查人员依据水库巡查指南以及巡查任务进行逐项的检查,巡查路线是由巡查人员根据自身经验而进行确定,缺乏侧重点;且水库巡查内容计划的可执行性较差,仅仅约束了巡查内容,对于巡查过程的路线和巡查项的重要性程度,无明确的指导性和可执行性,缺乏科学的参考依据,具有以下几个局限性:
1、巡查过程只是一键报平安,无法按照小型水库的分布情况与巡查项进行巡查计划制定;
2、通过人工经验选定路线,缺乏科学依据,巡查结果的可靠性较低;
3、由于巡查人员所花费的巡查时间与巡查项、巡查项的重要程度以及巡查路线等因素息息相关,不合理的路线规划容易造成巡查人员效率低下等问题。
发明内容
本发明所要解决的技术问题是:提供一种水库巡查路线的确定方法及终端,能够实现高效的水库巡查。
为了解决上述技术问题,本发明采用的一种技术方案为:
一种水库巡查路线的确定方法,包括:
获取待巡查水库的多个巡查项,得到巡查项集合;
使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;
基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线。
为了解决上述技术问题,本发明采用的另一种技术方案为:
一种水库巡查路线的确定终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待巡查水库的多个巡查项,得到巡查项集合;
使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;
基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线。
本发明的有益效果在于:不再像现有技术中,根据人工巡查经验进行巡查路线的确定,而是获取待巡查水库的多个巡查项,得到巡查项集合,使用栅格法对巡查项集合进行环境建模,得到环境矩阵,基于环境矩阵和确定得到的环境因子使用优化蚁群算法确定最优巡查路线,实现了水库巡查路线的智能化确定,环境矩阵能够模拟水库的真实环境,包括可行区域和危险区域等,环境因子能够体现巡查项周围的环境情况,将环境因子引入优化蚁群算法确定最优巡查路线,能够实现多目标的最优路线确定,且结合了水库实际环境因素,提高了最优巡查路线的准确性,从而实现了高效的水库巡查。
附图说明
图1为本发明实施例的一种水库巡查路线的确定方法的步骤流程图;
图2为本发明实施例的一种水库巡查路线的确定终端的结构示意图;
图3为本发明实施例水库巡查路线的确定方法中的环境矩阵示意图;
图4为本发明实施例水库巡查路线的确定方法中的环境矩阵对应的各个栅格的权重示意图;
图5为本发明实施例水库巡查路线的确定方法中确定下一巡查项的示意图;
图6为本发明实施例水库巡查路线的确定方法中多个巡查项的示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1,本发明实施例提供了一种水库巡查路线的确定方法,包括:
获取待巡查水库的多个巡查项,得到巡查项集合;
使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;
基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线。
从上述描述可知,本发明的有益效果在于:不再像现有技术中,根据人工巡查经验进行巡查路线的确定,而是获取待巡查水库的多个巡查项,得到巡查项集合,使用栅格法对巡查项集合进行环境建模,得到环境矩阵,基于环境矩阵和确定得到的环境因子使用优化蚁群算法确定最优巡查路线,实现了水库巡查路线的智能化确定,环境矩阵能够模拟水库的真实环境,包括可行区域和危险区域等,环境因子能够体现巡查项周围的环境情况,将环境因子引入优化蚁群算法确定最优巡查路线,能够实现多目标的最优路线确定,且结合了水库实际环境因素,提高了最优巡查路线的准确性,从而实现了高效的水库巡查。
进一步地,所述基于所述环境矩阵确定环境因子包括:
根据所述环境矩阵确定所述巡查项集合中的每一所述巡查项对应的巡查栅格:
确定所述巡查栅格周围的危险栅格数量;
根据所述危险栅格数量确定每一所述巡查项的环境因子。
由上述描述可知,根据环境矩阵获取巡查项集合中的每一巡查项对应的巡查栅格,确定巡查栅格周围的危险栅格数量,根据危险栅格数量确定每一巡查项的环境因子,危险栅格即巡查项周围存在的危险、难以行走的区域,在巡查的过程中需要尽量避开该区域,将环境因子与水库巡检路线确定进行结合,能够提高最优巡查路线的准确度。
进一步地,所述基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线包括:
基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项,直至所述巡查项集合中每一巡查项均已遍历,得到本次巡查路线;
根据信息素浓度更新公式更新信息素浓度;
使用评价函数判断所述本次巡查路线是否短于当前最优巡查路线,若是,则将所述本次巡查路线更新为当前最优巡查路线;
获取巡查次数;
判断所述巡查次数是否大于或等于预设次数,若是,则将所述当前最优巡查路线确定为最优巡查路线,若否,则返回执行所述基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项步骤。
进一步地,所述转移概率公式Pij *k为:
式中,i表示第i个巡查项,j表示第j个巡查项,τij(t)表示t时刻第i个巡查项到第j个巡查项之间的信息素浓度,α表示本次巡查过程的信息素浓度,β表示巡查项的相对重要性,表示t时刻第i个巡查项到第j个巡查项的启发函数,D(x,y)表示第i个巡查项经过的所有栅格对应的权重和,allowk表示第k次巡查待确定的巡查项集合;
式中,Ej表示所述环境因子,dij表示第i个巡查项与第j个巡查项的距离;
所述信息素浓度更新公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1;
式中,τij(t+1)表示t+1时刻第i个巡查项到第j个巡查项之间的信息素浓度,ρ表示挥发系数,Δτij表示本次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Δτij k表示第k次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Q表示常数,Lk表示第k次巡查所走路径的长度,n表示所述多个巡查项的总数。
由上述描述可知,通过引入环境矩阵对转移概率公式进行优化,引入环境因子对启发函数进行优化,利用启发函数标记易死锁的点,避免寻找路径的过程中陷入死锁状态,提高了有效搜索次数,随着巡查次数的增加,无效路径上的信息素逐渐挥发,有效路径上已经积累了部分信息素,此时信息素在路径搜索中占据主导地位,从而既有效地避免死锁情况又提高了收敛速度,实现了高效的水库巡查。
进一步地,所述环境因子Ej为:
由上述描述可知,巡查项周围的危险栅格数量小于3,可将环境因子取值为1,危险栅格数量大于或等于3,则环境因子取值大于1,以此在水库巡查路线确定的过程中结合实际的水库环境,便于得到最优的水库巡查路线。
请参照图2,一种水库巡查路线的确定终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待巡查水库的多个巡查项,得到巡查项集合;
使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;
基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线。
从上述描述可知,本发明的有益效果在于:不再像现有技术中,根据人工巡查经验进行巡查路线的确定,而是获取待巡查水库的多个巡查项,得到巡查项集合,使用栅格法对巡查项集合进行环境建模,得到环境矩阵,基于环境矩阵和确定得到的环境因子使用优化蚁群算法确定最优巡查路线,实现了水库巡查路线的智能化确定,环境矩阵能够模拟水库的真实环境,包括可行区域和危险区域等,环境因子能够体现巡查项周围的环境情况,将环境因子引入优化蚁群算法确定最优巡查路线,能够实现多目标的最优路线确定,且结合了水库实际环境因素,提高了最优巡查路线的准确性,从而实现了高效的水库巡查。
进一步地,所述基于所述环境矩阵确定环境因子包括:
根据所述环境矩阵确定所述巡查项集合中的每一所述巡查项对应的巡查栅格:
确定所述巡查栅格周围的危险栅格数量;
根据所述危险栅格数量确定每一所述巡查项的环境因子。
由上述描述可知,根据环境矩阵获取巡查项集合中的每一巡查项对应的巡查栅格,确定巡查栅格周围的危险栅格数量,根据危险栅格数量确定每一巡查项的环境因子,危险栅格即巡查项周围存在的危险、难以行走的区域,在巡查的过程中需要尽量避开该区域,将环境因子与水库巡检路线确定进行结合,能够提高最优巡查路线的准确度。
进一步地,所述基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线包括:
基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项,直至所述巡查项集合中每一巡查项均已遍历,得到本次巡查路线;
根据信息素浓度更新公式更新信息素浓度;
使用评价函数判断所述本次巡查路线是否短于当前最优巡查路线,若是,则将所述本次巡查路线更新为当前最优巡查路线;
获取巡查次数;
判断所述巡查次数是否大于或等于预设次数,若是,则将所述当前最优巡查路线确定为最优巡查路线,若否,则返回执行所述基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项步骤。
进一步地,所述转移概率公式Pij *k为:
式中,i表示第i个巡查项,j表示第j个巡查项,τij(t)表示t时刻第i个巡查项到第j个巡查项之间的信息素浓度,α表示本次巡查过程的信息素浓度,β表示巡查项的相对重要性,表示t时刻第i个巡查项到第j个巡查项的启发函数,D(x,y)表示第i个巡查项经过的所有栅格对应的权重和,allowk表示第k次巡查待确定的巡查项集合;
式中,Ej表示所述环境因子,dij表示第i个巡查项与第j个巡查项的距离;
所述信息素浓度更新公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1;
式中,τij(t+1)表示t+1时刻第i个巡查项到第j个巡查项之间的信息素浓度,ρ表示挥发系数,Δτij表示本次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Δτij k表示第k次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Q表示常数,Lk表示第k次巡查所走路径的长度,n表示所述多个巡查项的总数。
由上述描述可知,通过引入环境矩阵对转移概率公式进行优化,引入环境因子对启发函数进行优化,利用启发函数标记易死锁的点,避免寻找路径的过程中陷入死锁状态,提高了有效搜索次数,随着巡查次数的增加,无效路径上的信息素逐渐挥发,有效路径上已经积累了部分信息素,此时信息素在路径搜索中占据主导地位,从而既有效地避免死锁情况又提高了收敛速度,实现了高效的水库巡查。
进一步地,所述环境因子Ej为:
由上述描述可知,巡查项周围的危险栅格数量小于3,可将环境因子取值为1,危险栅格数量大于或等于3,则环境因子取值大于1,以此在水库巡查路线确定的过程中结合实际的水库环境,便于得到最优的水库巡查路线。
本发明上述的一种水库巡查路线的确定方法及终端能够适用于需要对水库进行巡查路径确定的场景中,也可用于其他场景的最优路径规划;以下通过具体实施方式进行说明:
实施例一
请参照图1、3-6,本实施例的一种水库巡查路线的确定方法,包括:
S1、获取待巡查水库的多个巡查项,得到巡查项集合;
S2、使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵;
其中,所述环境矩阵由栅格组成,所述栅格包括拥堵栅格、危险栅格及可行栅格;还包括所述拥堵栅格的权重、所述危险栅格的权重和所述可行栅格的权重;
如图3、4所示,图3展示了本实施例中的环境矩阵,图4展示了本实施例中的环境矩阵对应的各个栅格的权重,其中,白色栅格即可行栅格,比如坝上公路、背水坡下行阶梯,黑色栅格即危险栅格,比如观测墩部位,危险栅格的权重为0,表示巡查路线确定时需要避开该区域,灰色区域即拥堵栅格,比如饮水坡、背水坡和量水堰建设处,该区域可行走,但需尽量避开;
S3、基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线,具体包括:
在一种可选的实施方式中,在确定最优巡查路线时,还包括:S30、初始化信息素浓度;
具体的,在最优巡查路线开始确定之前,每一巡查项的信息素浓度都相等,可将所述信息素浓度初始化为预设值,所述预设值可根据实际情况进行设置;
S31、根据所述环境矩阵确定所述巡查项集合中的每一所述巡查项对应的巡查栅格:
具体的,获取所述巡查项集合中每一所述巡查项的位置信息,根据所述位置信息在所述环境矩阵中确定每一所述巡查项对应的巡查栅格;
S32、确定所述巡查栅格周围的危险栅格数量;
S33、根据所述危险栅格数量确定每一所述巡查项的环境因子;
所述环境因子Ej为:
S34、基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项,直至所述巡查项集合中每一巡查项均已遍历,得到本次巡查路线;
其中,所述转移概率公式Pij *k为:
式中,i表示第i个巡查项,j表示第j个巡查项,τij(t)表示t时刻第i个巡查项到第j个巡查项之间的信息素浓度,α表示本次巡查过程的信息素浓度,β表示巡查项的相对重要性,表示t时刻第i个巡查项到第j个巡查项的启发函数,D(x,y)表示第i个巡查项经过的所有栅格对应的权重和,allowk表示第k次巡查待确定的巡查项集合;
其中,D(x,y)可根据环境矩阵确定,如图3、4所示,如果是普通路径(只经过可行栅格)则按照环境矩阵得知D(x,y)=1,如果该路径是拥堵或危险路径(即经过拥堵栅格或危险栅格)则D(x,y)>1,因此,D(x,y)与Pij *k成反比,表明巡查时更加倾向沿普通路径行走;
式中,Ej表示所述环境因子,dij表示第i个巡查项与第j个巡查项的距离;
其中,如图6所示,计算出每两个巡查项之间的距离,得到一系列由折线段组成的路径,即dij=xi-xj,式中,xi表示第i个巡查项,xj表示第j个巡查项;
具体的,基于所述环境矩阵以及所述环境因子根据转移概率公式计算得到巡查项集合中每一待确定的巡查项(即未遍历过的巡查项)的概率,对每一待确定的巡查项的概率进行累加,得到累计概率;采用轮盘赌算法随机生成预设范围内的数值,根据所述数值确定目标累计概率,将所述目标累计概率对应的巡查项确定为下一巡查项,所述预设范围为0~1;
比如,如图5所示,P1、P2即通过上述转移概率公式计算得到的概率,假设所述数值落入累计概率P1与P1+P2之间,则将P2对应的巡查项确定为下一巡查项;
S35、根据信息素浓度更新公式更新信息素浓度;
所述信息素浓度更新公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1;
式中,τij(t+1)表示t+1时刻第i个巡查项到第j个巡查项之间的信息素浓度,ρ表示挥发系数,Δτij表示本次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Δτij k表示第k次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Q表示常数,Lk表示第k次巡查所走路径的长度,n表示所述多个巡查项的总数;
其中,每完成一次巡查,若历史巡查过程中该巡查项提交的巡查结果为正常,则ρ越大,若该巡查项出现问题反馈或维修养护记录则ρ越小,问题反馈处理结束后以及维修养护完成后,则ρ值上升;
S36、使用评价函数判断所述本次巡查路线是否短于当前最优巡查路线,若是,则将所述本次巡查路线更新为当前最优巡查路线;
其中,为描述多巡查项路线规划的有效性,权衡最短路径与尽可能较少的经过拥堵或危险路径之间的关系,采用线性加权和法建立评价函数,按照各巡查项的重要性赋予相应的权系数,然后对其线性组合求解最优路径,所述评价函数为:
Lbest=D(x,y)(Lp+LW1+LW2+...+LWz),z=1,2,3...;
式中,Lbest表示本次巡查路线长度,Lp表示普通路线长度,LWz表示加权路线长度;D(x,y)的取值会随着Lp和LWz变化;
S37、获取巡查次数;
S38、判断所述巡查次数是否大于或等于预设次数,若是,则将所述当前最优巡查路线确定为最优巡查路线,若否,则返回执行所述S34步骤;
其中,所述预设次数可根据实际情况进行设置。
实施例二
请参照图2,本实施例的一种水库巡查路线的确定终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例一中的水库巡查路线的确定方法中的各个步骤。
综上所述,本发明提供的一种水库巡查路线的确定方法及终端,获取待巡查水库的多个巡查项,得到巡查项集合;使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;基于所述环境矩阵确定环境因子,基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项,直至所述巡查项集合中每一巡查项均已遍历,得到本次巡查路线;根据信息素浓度更新公式更新信息素浓度;当本次巡查路线短于当前最优巡查路线,则将所述本次巡查路线更新为当前最优巡查路线;当巡查次数大于或等于预设次数,则将所述当前最优巡查路线确定为最优巡查路线,否则返回执行确定下一巡查项步骤,通过引入环境矩阵对转移概率公式进行优化,引入环境因子对启发函数进行优化,利用启发函数标记易死锁的点,避免寻找路径的过程中陷入死锁状态,提高了有效搜索次数,既有效地避免死锁情况又提高了收敛速度,环境矩阵能够模拟水库的真实环境,包括可行区域和危险区域等,环境因子能够体现巡查项周围的环境情况,将环境因子引入优化蚁群算法确定最优巡查路线,能够实现多目标的最优路线确定,且结合了水库实际环境因素,提高了最优巡查路线的准确性,从而实现了高效的水库巡查。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种水库巡查路线的确定方法,其特征在于,包括:
获取待巡查水库的多个巡查项,得到巡查项集合;
使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;
基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线。
2.根据权利要求1所述的一种水库巡查路线的确定方法,其特征在于,所述基于所述环境矩阵确定环境因子包括:
根据所述环境矩阵确定所述巡查项集合中的每一所述巡查项对应的巡查栅格:
确定所述巡查栅格周围的危险栅格数量;
根据所述危险栅格数量确定每一所述巡查项的环境因子。
3.根据权利要求1所述的一种水库巡查路线的确定方法,其特征在于,所述基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线包括:
基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项,直至所述巡查项集合中每一巡查项均已遍历,得到本次巡查路线;
根据信息素浓度更新公式更新信息素浓度;
使用评价函数判断所述本次巡查路线是否短于当前最优巡查路线,若是,则将所述本次巡查路线更新为当前最优巡查路线;
获取巡查次数;
判断所述巡查次数是否大于或等于预设次数,若是,则将所述当前最优巡查路线确定为最优巡查路线,若否,则返回执行所述基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项步骤。
4.根据权利要求3所述的一种水库巡查路线的确定方法,其特征在于,所述转移概率公式Pij *k为:
式中,i表示第i个巡查项,j表示第j个巡查项,τij(t)表示t时刻第i个巡查项到第j个巡查项之间的信息素浓度,α表示本次巡查过程的信息素浓度,β表示巡查项的相对重要性,表示t时刻第i个巡查项到第j个巡查项的启发函数,D(x,y)表示第i个巡查项经过的所有栅格对应的权重和,allowk表示第k次巡查待确定的巡查项集合;
式中,Ej表示所述环境因子,dij表示第i个巡查项与第j个巡查项的距离;
所述信息素浓度更新公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1;
式中,τij(t+1)表示t+1时刻第i个巡查项到第j个巡查项之间的信息素浓度,ρ表示挥发系数,Δτij表示本次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Δτij k表示第k次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Q表示常数,Lk表示第k次巡查所走路径的长度,n表示所述多个巡查项的总数。
6.一种水库巡查路线的确定终端,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取待巡查水库的多个巡查项,得到巡查项集合;
使用栅格法对所述巡查项集合进行环境建模,得到环境矩阵,所述环境矩阵由栅格组成;
基于所述环境矩阵确定环境因子,并基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线。
7.根据权利要求6所述的一种水库巡查路线的确定终端,其特征在于,所述基于所述环境矩阵确定环境因子包括:
根据所述环境矩阵确定所述巡查项集合中的每一所述巡查项对应的巡查栅格:
确定所述巡查栅格周围的危险栅格数量;
根据所述危险栅格数量确定每一所述巡查项的环境因子。
8.根据权利要求6所述的一种水库巡查路线的确定终端,其特征在于,所述基于所述环境矩阵以及所述环境因子使用优化蚁群算法确定最优巡查路线包括:
基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项,直至所述巡查项集合中每一巡查项均已遍历,得到本次巡查路线;
根据信息素浓度更新公式更新信息素浓度;
使用评价函数判断所述本次巡查路线是否短于当前最优巡查路线,若是,则将所述本次巡查路线更新为当前最优巡查路线;
获取巡查次数;
判断所述巡查次数是否大于或等于预设次数,若是,则将所述当前最优巡查路线确定为最优巡查路线,若否,则返回执行所述基于所述环境矩阵以及所述环境因子根据转移概率公式采用轮盘赌算法确定下一巡查项步骤。
9.根据权利要求8所述的一种水库巡查路线的确定终端,其特征在于,所述转移概率公式Pij *k为:
式中,i表示第i个巡查项,j表示第j个巡查项,τij(t)表示t时刻第i个巡查项到第j个巡查项之间的信息素浓度,α表示本次巡查过程的信息素浓度,β表示巡查项的相对重要性,表示t时刻第i个巡查项到第j个巡查项的启发函数,D(x,y)表示第i个巡查项经过的所有栅格对应的权重和,allowk表示第k次巡查待确定的巡查项集合;
式中,Ej表示所述环境因子,dij表示第i个巡查项与第j个巡查项的距离;
所述信息素浓度更新公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1;
式中,τij(t+1)表示t+1时刻第i个巡查项到第j个巡查项之间的信息素浓度,ρ表示挥发系数,Δτij表示本次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Δτij k表示第k次巡查第i个巡查项到第j个巡查项上的信息素浓度释放量,Q表示常数,Lk表示第k次巡查所走路径的长度,n表示所述多个巡查项的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639713.9A CN114298416A (zh) | 2021-12-29 | 2021-12-29 | 一种水库巡查路线的确定方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111639713.9A CN114298416A (zh) | 2021-12-29 | 2021-12-29 | 一种水库巡查路线的确定方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298416A true CN114298416A (zh) | 2022-04-08 |
Family
ID=80971304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111639713.9A Pending CN114298416A (zh) | 2021-12-29 | 2021-12-29 | 一种水库巡查路线的确定方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298416A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995503A (zh) * | 2022-06-16 | 2022-09-02 | 江西理工大学 | 一种无人机巡检路径优化方法 |
-
2021
- 2021-12-29 CN CN202111639713.9A patent/CN114298416A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995503A (zh) * | 2022-06-16 | 2022-09-02 | 江西理工大学 | 一种无人机巡检路径优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108413976A (zh) | 一种面向多工况的爬壁机器人智能路径规划方法及系统 | |
Ben Seghier et al. | Hybrid soft computational approaches for modeling the maximum ultimate bond strength between the corroded steel reinforcement and surrounding concrete | |
Gandomi et al. | Nonlinear modeling of shear strength of SFRC beams using linear genetic programming | |
Pham et al. | The bees algorithm | |
Holt | Applying case-based reasoning techniques in GIS | |
Najimi et al. | Modeling chloride penetration in self-consolidating concrete using artificial neural network combined with artificial bee colony algorithm | |
CN107608364A (zh) | 一种用于数据中心物理设备上下架的智能机器人 | |
CN114298416A (zh) | 一种水库巡查路线的确定方法及终端 | |
CN113450333A (zh) | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 | |
CN110147611A (zh) | 一种基于iwoa的结构损伤识别方法 | |
Dogan et al. | Detection of damages caused by earthquake and reinforcement corrosion in RC buildings with Deep Transfer Learning | |
Barkhordari et al. | Efficiency of hybrid algorithms for estimating the shear strength of deep reinforced concrete beams | |
Balali et al. | Selecting appropriate structural system: Application of PROMETHEE decision making method | |
CN110245776B (zh) | 一种基于多属性蚁群算法的智能交通路径规划方法 | |
CN115809547A (zh) | 基于非支配排序的改进粒子群算法的多智能体协同任务分配方法 | |
CN116360437A (zh) | 智能机器人路径规划方法、装置、设备及存储介质 | |
Kaveh et al. | Development of predictive models for shear strength of HSC slender beams without web reinforcement using machine-learning based techniques | |
Khatibinia et al. | Intelligent fuzzy inference system approach for modeling of debonding strength in FRP retrofitted masonry elements | |
Nesterova et al. | Probabilistic analysis of the effect of the combination of traffic and wind actions on a cable-stayed bridge | |
CN114911168A (zh) | 基于强化学习的自适应工况打桩控制方法 | |
Chandanshive et al. | Prediction of building construction project cost using support vector machine | |
Lhee et al. | Using particle swarm optimization to predict cost contingency on transportation construction projects | |
CN110702121A (zh) | 面向山地果园机械的最优路径模糊规划方法 | |
Mitropoulou et al. | Damage index-based lower bound structural design | |
CN117057703B (zh) | 一种基于虚拟地图的物流用机器人控制系统 |
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 |