CN114489081A - 多火源灭火最优路径规划方法 - Google Patents
多火源灭火最优路径规划方法 Download PDFInfo
- Publication number
- CN114489081A CN114489081A CN202210116652.6A CN202210116652A CN114489081A CN 114489081 A CN114489081 A CN 114489081A CN 202210116652 A CN202210116652 A CN 202210116652A CN 114489081 A CN114489081 A CN 114489081A
- Authority
- CN
- China
- Prior art keywords
- fire
- path
- extinguishing
- source node
- fire source
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000003016 pheromone Substances 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 241000257303 Hymenoptera Species 0.000 claims abstract description 42
- 230000007704 transition Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 32
- 238000005457 optimization Methods 0.000 description 17
- 241001481710 Cerambycidae Species 0.000 description 11
- 238000010845 search algorithm Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多火源灭火最优路径规划方法，该方法包括：建立火焰检测模型，并通过火焰检测模型对火灾场景中的多个火源结点进行检测，得到各个火源结点的状态信息；在火焰检测模型中，分配蚂蚁至各个火源结点，并初始化各个火源结点之间的路径信息素浓度；根据当前火源结点的状态信息和路径信息素浓度确定当前火源结点上的蚂蚁向其搜索区域内的其它火源结点进行转移的状态转移概率；根据状态转移概率确定当前火源结点上的蚂蚁所要转移的下一个火源结点；在下一个火源结点处确定相应的状态转移概率，以得到灭火最优路径。本发明通过改进后的蚁群算法对多火源救火次序问题进行求解，得到灭火最优路径，并保证灭火最优路径的规划效率和准确性。
Description
技术领域
本发明涉及多目标决策及路径规划技术领域，尤其涉及一种多火源灭火最优路径规划方法。
背景技术
近年来，自然灾害频发多发，世界多地陆续发生大面积停电事故，且在进行电力应急灭火作业过程中发生了人员伤亡事故，造成了巨大的人员和财产损失，电力应急管理体系建设和智能电力应急灭火作业越来越受到重视。电力故障应急处理有着特殊的危险性，如不可预知的二次爆炸、火灾产生的高温和有毒有害气体等，应急人员往往无法在保证人身安全的前提下第一时间深入现场，对变电站、开关站、配电房等室内故障进行迅速处置，进而延误了应急消防作业的最佳时机。由此，针对火灾场景中多火源情况，需要合理规划应急机器人的行进最优路径，解决相应的TSP(Traveling Salesman Problem)问题。
针对TSP问题，传统优化方法有很多，例如，模拟退火算法、MOEA算法(Multi-objective evolutionary algorithms，多目标进化算法)、BFO算法(Bacterial ForagingAlgorithm，细菌觅食算法)、A*算法和蚁群算法。其中，模拟退火是基于Monte Carlo迭代求解策略的随机寻优算法，是局部搜索算法的扩展；多目标进化算法是一类模拟生物进化机制而形成的全局性概率优化搜索方法；细菌觅食算法作为现代启发式算法之一，是一种仿生随机搜索算法，因具有群体智能算法并行搜索、易跳出局部极小值等优点，成为生物启发式计算研究领域的又一热点；A*算法，是一种静态路网中求解最短路径最有效的直接搜索方法，也是许多其它问题的常用启发式算法，在路径规划中显示出超高的准确性和高效性；蚁群算法是求解TSP问题最常用的算法之一，具有良好的鲁棒性和求解精度，但是存在一些不足之处，例如在处理信息量较大的问题时迭代速度过慢，算法易陷入局部最优而错过最优解，并且对参数的设置有很高的要求，如果参数设置错误往往容易导致结果误差过大等。
另外，相关技术中电力场景下的火焰检测模型对火源火焰检测时间较长，并且难以兼顾火源火焰的检测速度和检测精度。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提供一种多火源灭火最优路径规划方法，以通过改进后的蚁群算法对多火源救火次序问题进行求解，得到灭火最优路径，并保证灭火最优路径的规划效率和准确性。
为达到上述目的，本发明通过以下技术方案实现：
一种多火源灭火最优路径规划方法，包括：步骤S1：建立火焰检测模型，并通过所述火焰检测模型对火灾场景中的多个火源结点进行检测，得到各个所述火源结点的状态信息；步骤S2：在火焰检测模型中，分配蚂蚁至各个所述火源结点，并初始化各个火源结点之间的路径信息素浓度；步骤S3：根据当前火源结点的状态信息和所述当前火源结点与其它火源结点之间的路径信息素浓度确定当前火源结点上的蚂蚁向其搜索区域内的其它火源结点进行转移的状态转移概率；步骤S4：根据所述状态转移概率确定当前火源结点上的蚂蚁所要转移的下一个需要进行灭火的火源结点；步骤S5：在下一个需要进行灭火的火源结点处重复步骤S3，以得到灭火最优路径。
可选的，所述步骤S1中火源结点的状态信息包括：所述火源结点处的火势等级、火源结点的位置信息、与其它火源结点的几何距离和畅通性指数中的一种或其任意一组合。
可选的，初始化各个火源结点之间的路径信息素浓度，得到路径信息素矩阵，所述步骤S5包括：步骤S5.1：在确定所有火源结点上的蚂蚁所要转移的下一个需要进行灭火的火源结点之后，结束当前次迭代，得到当前次灭火优化路径，并更新各个火源结点之间的路径信息素浓度；步骤S5.2：确定适应度函数，以根据所述适应度函数确定个体最优蚂蚁和群体最优蚂蚁，并进行交叉操作；步骤S5.3：判断路径信息素浓度发散点之后的预设时间内得到的灭火路径相对于所述当前次灭火优化路径是否仍未发生变化；步骤S5.4：若是，则重置所述路径信息素矩阵，返回步骤S2；若否，则判断当前迭代次数是否大于或者等于预设最大迭代次数，并在所述当前迭代次数大于或者等于所述预设最大迭代次数时，将预设时间内得到的所述灭火路径确定为所述灭火最优路径，否则返回步骤S2。
可选的，更新后的各个火源结点之间的路径信息素浓度，采用如下公式表示：
τij(t+1)＝(1-ρ)τij(t)+Vτij(t)
其中，i为当前火源结点，j为位于当前火源结点搜索区域内的其它火源结点，τij(t)为火源结点i与火源结点j之间更新前的路径信息素浓度，τij(t+1)为火源结点i与火源结点j之间更新后的路径信息素浓度，ρ为信息素挥发因子，Vτij(t)为火源结点i与火源结点j之间路径信息素浓度的变化量。
可选的，在所述步骤S5.1中更新各个火源结点之间的路径信息素浓度时，所述方法还包括：步骤S5.1.1:获取当前迭代次数和所述当前次灭火优化路径；步骤S5.1.2：根据所述当前迭代次数和所述当前次灭火优化路径对所述信息素挥发因子进行调整。
可选的，所述步骤S5.1.2包括：步骤S5.1.2.1：当所述当前迭代次数小于预设迭代次数，且所述当前次灭火优化路径的长度与预设灭火最优路径长度的差值大于第一预设值时，增大所述信息素挥发因子；步骤S5.1.2.2：当所述当前迭代次数大于或者等于所述预设迭代次数，且所述当前次灭火优化路径的长度与预设灭火最优路径长度的差值小于第二预设值时，减小所述信息素挥发因子；其中，所述第二预设值小于所述第一预设值。
可选的，所述步骤S1中，通过YoloV5目标检测框架训练得到所述火焰检测模型。
可选的，所述方法还包括：获取防重复搜索禁忌表，并在当前次迭代时，将蚂蚁已走过的火源结点位置信息存储至所述防重复搜索禁忌表。
可选的，所述方法还包括：构建多指标路径评价函数，并通过所述多指标路径评价函数对所述灭火最优路径进行评价。
可选的，所述多指标路径评价函数采用如下公式表示：
其中，n为灭火机器人根据所述灭火最优路径行进的总步数，di为第i步灭火机器人行进的距离，ri为第i步转弯因子，V(d,r)为多指标路径评价函数。
本发明至少具有以下技术效果：
(1)本发明在规划灭火最优路径时，考虑了火源结点的多种状态信息，并将其融入到蚁群算法中，以使多目标决策下的灭火最优路径更加合理，并且本发明采用天牛须算法对蚁群算法进行改进后，使得每只蚂蚁的状态不再是按照原来的概率机制进行更新，而是在路径选择时加入确定性与随机性并存的策略，以在路径信息素浓度更新时增大了优秀路径的信息素保留量，避免了算法陷入局部最优，提高了收敛速度，增强了算法跳出局部最优的能力，进而提高了灭火最优路径规划效率和准确性。
(2)本发明在更新路径信息素浓度时，通过信息素挥发因子的自适应调整有效平衡了改进后的蚁群算法的全局搜索能力和收敛速度。
(3)本发明在规划灭火最优路径时，通过将蚂蚁已走过的火源结点位置信息存储至防重复搜索禁忌表，可有效减少蚂蚁对已搜索区域的重复搜索，减少搜索时间，提高灭火最优路径规划效率。
(4)本发明通过YoloV5目标检测框架训练得到的火焰检测模型对火灾现场进行检测，可同时兼顾火源火焰检测精度和检测速度，并且模型体积轻便，便于部署至嵌入式设备，以及该火焰检测模型可提供火源结点的多种状态信息，为灭火最优路径的合理规划提供了数据支撑。
(5)本发明还建立了多指标路径评价函数，通过该多指标路径评价函数对灭火最优路径进行评价，提高了规划结果的可信度。
本发明附加的方面和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
图1为本发明一实施例提供的多火源灭火最优路径规划方法的流程图；
图2为本发明一实施例提供的多火源灭火最优路径规划方法的工作流程图。
具体实施方式
下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
针对火灾场景中多火源救火的TSP问题，本发明提供了一种多火源灭火最优路径规划方法，该方法以多目标优化为主体展开研究，应急机器人通过火焰检测得到多火源火势情况，然后通过改进后的蚁群算法进行栅格法建模，考虑火源周围温度的变化等因素，规划机器人深入多火源火场救火的最优次序，并进行以避障为主的最优路径规划，为指挥中心制订救援方案和救火策略提供实时依据。
本发明采用改进的天牛须算法对蚁群算法进行改进，使得每只蚂蚁的状态不再是按照原来的概率机制进行更新，而是采用一个随机方向，提高了寻优速度，同时结合防重复搜索禁忌表，将所走过的火源结点用防重复搜索禁忌表保存，以减少对已搜索区域的重复搜索，减少搜索的时间，该改进后的蚁群算法还结合了群体智能优化方法和单智能体随机搜索方法的优点，并在两者之间实现了策略平衡，以能够在二次分配问题中完成对最小代价解的边界搜索。
下面参考附图描述本实施例的多火源灭火最优路径规划方法。
图1为本发明一实施例提供的多火源灭火最优路径规划方法的流程图。
如图1所示，所述方法包括：
步骤S1：建立火焰检测模型，并通过火焰检测模型对火灾场景中的多个火源结点进行检测，得到各个火源结点的状态信息。
本实施例中，可通过YoloV5(目标检测算法)目标检测框架训练得到火焰检测模型。具体的，目前具有代表性的检测算法有YOLO系列和Faster R-CNN等。其中，Faster R-CNN算法是将获取的现场图片输入给基础卷积神经网络提取火灾图像特征图；随后将其输入给区域推荐网络(Region Proposal Network，RPN)获得目标区域推荐，同时进行目标框定位置的初步修正；然后，将RPN网络生成的目标区域和基础网络提取的火灾图像特征图一并输入到ROI(Region Of Interest pooling，感兴趣区域)池化层中生成固定大小的特征图；最后，通过全连接操作进行火灾的最终识别并获取精确的火灾预测框。但Faster R-CNN算法的使用决定了其模型检测耗时较久。
另外，在目标检测时，可通过特征金字塔网络(Feature Pyramid Networks，FPN)对多尺度预测进行优化，将单纯的不同尺度的特征图拼接融合改为深层网络特征图上采样后与语义信息较多的浅层网络特征图进行融合，这样的操作使得FPN网络的特征图语义信息丰富，在检测精度上有了进一步的提升。但是，目前的目标检测算法结合特征金字塔网络也难以同时保证目标检测速度和检测精度。
本实施例中通过YoloV5目标检测框架训练得到的火焰检测模型对火灾现场进行火源检测，可兼顾火源火焰检测精度和检测速度，并且模型体积轻便，便于部署至嵌入式设备，以及该火焰检测模型可提供火源结点的多种状态信息，为灭火最优路径的合理规划提供了数据支撑。
步骤S1中火源结点的状态信息包括：火源结点处的火势等级、火源结点的位置信息、与其它火源结点的几何距离和畅通性指数中的一种或其任意一组合。
本实施例中，通过对火源结点处的火势等级、火源结点的位置信息、与其它火源结点的几何距离和畅通性指数进行综合考虑，将其纳入灭火最优路径规划考虑因素范围内，使得规划得到的灭火最优路径更加合理。
步骤S2：在火焰检测模型中，分配蚂蚁至各个火源结点，并初始化各个火源结点之间的路径信息素浓度。
具体的，在火焰检测模型中，初始化蚂蚁位置，并初始化各个火源结点之间的路径信息素浓度。本实施例中采用的蚁群算法是一种随机搜索算法，通过候选解组成的群体的进化过程来寻求最优解。
所述蚁群算法即蚂蚁没有视觉，它们运动时会在通过的道路上释放出特殊的化学物质(信息素)。当它们遇到一个没有走过的路口时，会随机地挑选一条路径前行，同时释放信息素。但这种特殊的分泌物会随着时间的推移逐渐挥发消失。如果某条分支路径长度比另一条分支路径相对要长，则蚂蚁通过这条路径就需要花费更多的时间。另外，两只蚂蚁分别通过这两条路径后在两条路径上留下的信息素浓度也不同，其中，路径长的信息素浓度低。在传统蚁群算法中，各条路径上的初始信息素浓度相等，这意味着在第一次灭火优化路径迭代时，各个火源结点对蚂蚁有相同的吸引力，这样会造成以下两个弊端：初始信息素的浓度不具有指导性，使得蚁群算法收敛速度过慢；蚂蚁在前几次迭代有概率向错误的路径转移，使得信息素在错误的路径上残留，导致算法易陷入局部最优。为了解决以上两个问题，本发明在对路径信息素浓度进行初始化时，赋以合理的初值，以确保算法向正确。
如图2所示，在完成初始化操作后，可应用TSP问题得出通往各个火源结点的灭火次序，规划出通往各个火源节点的具体路径。具体的，可通过改进后的蚁群算法对灭火路径进行若干次迭代，以得到灭火最优路径。
步骤S3：根据当前火源结点的状态信息和当前火源结点与其它火源结点之间的路径信息素浓度确定当前火源结点上的蚂蚁向其搜索区域内的其它火源结点进行转移的状态转移概率。
在基本的蚁群算法中，蚂蚁根据各条路径上的路径信息素浓度及路径的启发式信息来计算状态转移概率，所述状态转移概率采用下述公式所示：
其中，i为当前火源结点，j为位于当前火源结点搜索区域内的其它火源结点，τij(t)为t时刻火源结点i与火源结点j之间的路径信息素浓度，ηij(t)为启发函数，pij(t)为蚂蚁由火源结点i转移到火源结点j的状态转移概率，α为信息素启发因子，表示信息素的重要性，β为期望启发因子，表示启发函数的重要性。
本实施例中，通过天牛须搜索算法对蚁群算法进行了改进，其中天牛须搜索算法是一种新型生物启发式智能优化算法，其模拟了天牛觅食行为，当天牛觅食时会利用左右触须来感知食物的气味强度，如果左边触须收到的气味强度大，它下一步会往气味强度大的左边飞，否则往右边飞。天牛须搜索算法中天牛的当前位置即为所求问题的可行解，食物的气味强度为适应度函数；传统的天牛须搜索算法多用于求解连续性函数的优化问题，难以求解离散型问题。本实施例中，在基本蚁群算法状态转移概率的公式中结合天牛须算法的思想，在状态转移概率计算时，采取一个随机方向，使得改进后的蚁群算法克服了传统的蚁群算法可能会产生的算法收敛速度过慢、易陷入次优解且容易出现早熟而停滞的缺陷，并具有更快的寻优速度，使得该算法的搜索广度和效率都有所提升，且具有较好的实时性，以及该改进的蚁群算法依靠强大的随机搜索机制可为优化目标函数寻求更好的可行解，并利用算法的生物启发式行为机制，能够跳出局部极值，探索全局近似解，提高了全局搜索能力，并提高了灭火最优路径规划的准确性。
需要说明的是，基本蚁群算法中的启发函数ηij(t)通常取值为1/dij，dij表示火源结点i与火源结点j之间的几何距离，其中，dij越小，蚂蚁受到先验性信息的影响，选择这个火源结点的可能性就越大。在规划火源结点救火次序的过程中，除了考虑火源结点之间的几何距离，还应综合考虑火灾现场的火势等级、结点间的畅通性指数等因素。因此，在计算启发函数的时候，不能单纯的取两个火源结点之间的几何距离，而是要考虑其当量长度，用当量长度代替启发函数ηij(t)。
如上所述，在通过蚁群算法进行路径计算过程中，启发函数是保证算法搜索到全局最优解的重要因素。蚁群算法中启发函数表示了蚂蚁从火源结点i转移到火源结点j的启发程度。即在算法搜索路径时，启发函数会计算各个火源结点之间的几何距离，从而选取火源结点之间几何距离最短的路径为最优路径。在实际火灾现场中，火势大小(火势等级)和结点间的畅通性指数极大地影响到了实际路径选择，因此需要将其考虑进去，作为多目标优化的条件。由此，可通过火源结点处的火势等级和火源结点之间的几何距离以及畅通性指数计算火源结点之间的当量长度，使用当量长度Dij(t)来代替启发函数ηij(t)，并引入θij反映火势大小的影响，μij反映几何距离的影响，ζij反映火源结点之间的畅通性指数。其中火势大小为动态因素。
本实施例中，当量长度Dij(t)定义为Dij(t)＝θijζij/dijμij。其中，θij、μij和ζij满足如下关系：
本实施例中，普通火源结点间路径畅通性指数ζij为1，障碍火源结点间路径畅通性指数为0，与障碍火源结点相邻的火源结点的路径畅通性指数为0.5。本实施例中的状态转移概率pij(t)为：
步骤S4：根据状态转移概率确定当前火源结点上的蚂蚁所要转移的下一个需要进行灭火的火源结点。
如图2所示，当前火源结点i上的蚂蚁k在其搜索区域内寻找到多个火源结点，并计算得到相应的状态转移概率，然后从状态转移概率中选取最大值对应的火源结点(如火源结点j)作为火源结点i所要转移的下一个需要进行灭火的火源结点。
步骤S5：在下一个需要进行灭火的火源结点处重复步骤S3，以得到灭火最优路径。
具体的，可在下一个需要进行灭火的火源结点处重复步骤S3，即将下一个需要进行灭火的火源结点作为当前火源结点，并计算该当前火源结点上的蚂蚁所要转移的下一个需要进行灭火的火源结点，待所有蚂蚁搜索完成，即可构成访问环路，完成一次迭代。
需要说明的是，在初始化各个火源结点之间的路径信息素浓度时，可得到路径信息素矩阵，所述步骤S5包括：
步骤S5.1：在确定所有火源结点上的蚂蚁所要转移的下一个需要进行灭火的火源结点之后，结束当前次迭代，得到当前次灭火优化路径，并更新各个火源结点之间的路径信息素浓度。
其中，更新后的各个火源结点之间的路径信息素浓度，采用如下公式表示：
τij(t+1)＝(1-ρ)τij(t)+Vτij(t) (4)
其中，τij(t)为火源结点i与火源结点j之间更新前的路径信息素浓度，τij(t+1)为火源结点i与火源结点j之间更新后的路径信息素浓度，ρ为信息素挥发因子，Vτij(t)为火源结点i与火源结点j之间路径信息素浓度的变化量。
本实施例中，ρ决定了蚂蚁选择不同路径的概率，蚁群算法的搜索能力会随着ρ值的减小而减弱，当ρ较小时，会降低蚁群算法的全局搜索能力，但ρ过大会降低蚁群算法收敛速度。因此，可采取自适应改变ρ值的方法来平衡蚁群算法的全局搜索能力和收敛速度，以保证灭火最优路径的规划效率和准确性。
在所述步骤S5.1中更新各个火源结点之间的路径信息素浓度时，所述方法还包括：步骤S5.1.1：获取当前迭代次数和当前次灭火优化路径；步骤S5.1.2：根据当前迭代次数和当前次灭火优化路径对信息素挥发因子ρ进行调整。
其中，步骤S5.1.2包括：步骤S5.1.2.1：当当前迭代次数小于预设迭代次数，且当前次灭火优化路径的长度与预设灭火最优路径长度的差值大于第一预设值时，增大信息素挥发因子；步骤S5.1.2.2：当所述当前迭代次数大于或者等于预设迭代次数，且当前次灭火优化路径的长度与预设灭火最优路径长度的差值小于第二预设值时，减小信息素挥发因子；其中，第二预设值小于第一预设值。
如上所述，ρ表示的是路径信息素浓度挥发的快慢，其值如果太大，就会失去路径信息素浓度的引导作用；如果ρ太小，会陷入局部最优的陷阱。为了避免1-ρ值过大影响蚁群算法的全局搜索能力，或者1-ρ值太小使蚁群算法的收敛速度变慢，可以通过ρ值的自适应调整来改进路径信息素浓度更新的策略，以平衡蚁群算法的全局搜索能力和收敛速度。
具体的，当蚁群算法求得的灭火优化路径在预设迭代次数(如N次)中没有明显改进，即当前次灭火优化路径的长度与预设灭火最优路径长度的差值大于第一预设值时，则ρ按照下述公式进行增大调整：
ρ(t)＝1.05ρ(t-1)，k＜N (5)
其中，k为当前迭代次数，N为预设迭代次数，ρ(t-1)为更新前的信息素挥发因子，ρ(t)为更新后的信息素挥发因子。
但当所述当前迭代次数大于或者等于预设迭代次数(如N次)，即运行阶段在N次循环后，当前得到的灭火优化路径与预设灭火最优路径(如最优平均路径)长度的差距越来越小时，即当前次灭火优化路径的长度与预设灭火最优路径长度的差值小于第二预设值时，降低ρ值，也同时设定ρ的最小值以避免陷入局部最优。
其中，ρmin是ρ(t)的最小值。
本实施例中，在更新路径信息素浓度时，通过信息素挥发因子的自适应调整有效平衡了改进后的蚁群算法的全局搜索能力和收敛速度，保证了灭火最优路径的规划效率和准确性。
步骤S5.2：确定适应度函数，以根据适应度函数确定个体最优蚂蚁和群体最优蚂蚁，并进行交叉操作。
步骤S5.3：判断路径信息素浓度发散点之后的预设时间内得到的灭火路径相对于当前次灭火优化路径是否仍未发生变化。
步骤S5.4：若是，则重置路径信息素矩阵，返回步骤S2；若否，则判断当前迭代次数是否大于或者等于预设最大迭代次数，并在当前迭代次数大于或者等于预设最大迭代次数时，将预设时间内得到的灭火路径确定为灭火最优路径，否则返回步骤S2。
在本发明的一个实施例中，该方法还包括：获取防重复搜索禁忌表，并在当前次迭代时，将蚂蚁已走过的火源结点位置信息存储至防重复搜索禁忌表。
本实施例中，蚂蚁在其搜索区域内搜索下一个需要进行灭火的火源结点时，不会对防重复搜索禁忌表中已经存储的火源结点进行搜索，从而可有效减少蚂蚁对已搜索区域的重复搜索，减少搜索时间，提高灭火最优路径规划效率。
在本发明的一个实施例中，该方法还包括：构建多指标路径评价函数，并通过所述多指标路径评价函数对灭火最优路径进行评价。该多指标路径评价函数采用如下公式表示：
其中，n为灭火机器人根据灭火最优路径行进的总步数，di为第i步灭火机器人行进的距离，ri为第i步转弯因子，V(d,r)为多指标路径评价函数。本实施例中，ri可采用如下公式表示：
具体的，在做出算法改进得到灭火最优路径后，需要采用一个标准评价整体路径即灭火最优路径。由于灭火机器人在消防过程中需要拖着沉重的水带，转向会浪费大量时间，因此在评价整体路径时，不仅要考虑整体路径的长度，还要考虑转弯所消耗的时间。为此建立如下多指标路径评价函数，式中V(d,r)是多指标路径评价函数，其计算得出的值越小，则这条路径的质量越好。
本实施例中，通过多指标路径评价函数对灭火最优路径进行评价，可提高规划路径的可信度。
综上所述，本发明在规划灭火最优路径时，考虑了火源结点的多种状态信息，并将其融入到蚁群算法中，以使多目标决策下的灭火最优路径更加合理，并且本发明采用天牛须算法对蚁群算法进行改进后，使得每只蚂蚁的状态不再是按照原来的概率机制进行更新，而是采用一个随机方向，即在路径选择时加入确定性与随机性并存的策略，以在路径信息素浓度更新时增大了优秀路径的信息素保留量，避免了算法陷入局部最优，提高了收敛速度，增强了算法跳出局部最优的能力，进而提高了灭火最优路径规划效率和准确性；本发明在更新路径信息素浓度时，还通过信息素挥发因子的自适应调整有效平衡了改进后的蚁群算法的全局搜索能力和收敛速度，以及在规划灭火最优路径时，通过将蚂蚁已走过的火源结点位置信息存储至防重复搜索禁忌表，可有效减少蚂蚁对已搜索区域的重复搜索，减少搜索时间，提高灭火最优路径规划效率；本发明还通过YoloV5目标检测框架训练得到的火焰检测模型对火灾现场进行检测，可同时兼顾火源火焰检测精度和检测速度，并且该火焰检测模型体积轻便，便于部署至嵌入式设备，以及该火焰检测模型可提供火源结点的多种状态信息，为灭火最优路径的合理规划提供了数据支撑；本发明还建立了多指标路径评价函数，通过该多指标路径评价函数对灭火最优路径进行评价，提高了规划结果的可信度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种多火源灭火最优路径规划方法，其特征在于，包括：
步骤S1：建立火焰检测模型，并通过所述火焰检测模型对火灾场景中的多个火源结点进行检测，得到各个所述火源结点的状态信息；
步骤S2：在火焰检测模型中，分配蚂蚁至各个所述火源结点，并初始化各个火源结点之间的路径信息素浓度；
步骤S3：根据当前火源结点的状态信息和所述当前火源结点与其它火源结点之间的路径信息素浓度确定当前火源结点上的蚂蚁向其搜索区域内的其它火源结点进行转移的状态转移概率；
步骤S4：根据所述状态转移概率确定当前火源结点上的蚂蚁所要转移的下一个需要进行灭火的火源结点；
步骤S5：在下一个需要进行灭火的火源结点处重复步骤S3，以得到灭火最优路径。
2.如权利要求1所述的多火源灭火最优路径规划方法，其特征在于，所述步骤S1中火源结点的状态信息包括：所述火源结点处的火势等级、火源结点的位置信息、与其它火源结点的几何距离和畅通性指数中的一种或其任意一组合。
3.如权利要求1所述的多火源灭火最优路径规划方法，其特征在于，初始化各个火源结点之间的路径信息素浓度，得到路径信息素矩阵，所述步骤S5包括：
步骤S5.1：在确定所有火源结点上的蚂蚁所要转移的下一个需要进行灭火的火源结点之后，结束当前次迭代，得到当前次灭火优化路径，并更新各个火源结点之间的路径信息素浓度；
步骤S5.2：确定适应度函数，以根据所述适应度函数确定个体最优蚂蚁和群体最优蚂蚁，并进行交叉操作；
步骤S5.3：判断路径信息素浓度发散点之后的预设时间内得到的灭火路径相对于所述当前次灭火优化路径是否仍未发生变化；
步骤S5.4：若是，则重置所述路径信息素矩阵，返回步骤S2；若否，则判断当前迭代次数是否大于或者等于预设最大迭代次数，并在所述当前迭代次数大于或者等于所述预设最大迭代次数时，将预设时间内得到的所述灭火路径确定为所述灭火最优路径，否则返回步骤S2。
4.如权利要求3所述的多火源灭火最优路径规划方法，其特征在于，更新后的各个火源结点之间的路径信息素浓度，采用如下公式表示：
τij(t+1)＝(1-ρ)τij(t)+Vτij(t)
其中，i为当前火源结点，j为位于当前火源结点搜索区域内的其它火源结点，τij(t)为火源结点i与火源结点j之间更新前的路径信息素浓度，τij(t+1)为火源结点i与火源结点j之间更新后的路径信息素浓度，ρ为信息素挥发因子，Vτij(t)为火源结点i与火源结点j之间路径信息素浓度的变化量。
5.如权利要求4所述的多火源灭火最优路径规划方法，其特征在于，在所述步骤S5.1中更新各个火源结点之间的路径信息素浓度时，所述方法还包括：
步骤S5.1.1：获取当前迭代次数和所述当前次灭火优化路径；
步骤S5.1.2：根据所述当前迭代次数和所述当前次灭火优化路径对所述信息素挥发因子进行调整。
6.如权利要求5所述的多火源灭火最优路径规划方法，其特征在于，所述步骤S5.1.2包括：
步骤S5.1.2.1：当所述当前迭代次数小于预设迭代次数，且所述当前次灭火优化路径的长度与预设灭火最优路径长度的差值大于第一预设值时，增大所述信息素挥发因子；
步骤S5.1.2.2：当所述当前迭代次数大于或者等于所述预设迭代次数，且所述当前次灭火优化路径的长度与预设灭火最优路径长度的差值小于第二预设值时，减小所述信息素挥发因子；其中，所述第二预设值小于所述第一预设值。
7.如权利要求1所述的多火源灭火最优路径规划方法，其特征在于，所述步骤S1中，通过YoloV5目标检测框架训练得到所述火焰检测模型。
8.如权利要求1所述的多火源灭火最优路径规划方法，其特征在于，还包括：获取防重复搜索禁忌表，并在当前次迭代时，将蚂蚁已走过的火源结点位置信息存储至所述防重复搜索禁忌表。
9.如权利要求1所述的多火源灭火最优路径规划方法，其特征在于，还包括：构建多指标路径评价函数，并通过所述多指标路径评价函数对所述灭火最优路径进行评价。
10.如权利要求9所述的多火源灭火最优路径规划方法，其特征在于，所述多指标路径评价函数采用如下公式表示：
其中，n为灭火机器人根据所述灭火最优路径行进的总步数，di为第i步灭火机器人行进的距离，ri为第i步转弯因子，V(d,r)为多指标路径评价函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210116652.6A CN114489081B (zh) | 2022-02-07 | 2022-02-07 | 多火源灭火最优路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210116652.6A CN114489081B (zh) | 2022-02-07 | 2022-02-07 | 多火源灭火最优路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114489081A true CN114489081A (zh) | 2022-05-13 |
| CN114489081B CN114489081B (zh) | 2024-02-02 |
Family
ID=81478930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210116652.6A Active CN114489081B (zh) | 2022-02-07 | 2022-02-07 | 多火源灭火最优路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114489081B (zh) |
Cited By (2)
| 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 |
| CN115487444A (zh) * | 2022-09-30 | 2022-12-20 | 应急管理部四川消防研究所 | 一种用于长大交通隧道的无人机灭火路径规划方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101703190B1 (ko) * | 2016-05-16 | 2017-02-23 | (주)유일엔지니어링종합건축사사무소 | 구획 공간을 구비하는 건물 내 통합 화재 관리 방법 |
| CN107230312A (zh) * | 2017-06-15 | 2017-10-03 | 梧州市兴能农业科技有限公司 | 一种有效的森林火灾监测系统 |
| CN108596382A (zh) * | 2018-04-18 | 2018-09-28 | 中国地质大学（武汉） | 基于多起点、多待救援点、多个终点的救援路径规划方法 |
| CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
| CN109726859A (zh) * | 2018-12-21 | 2019-05-07 | 延安大学 | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 |
| CN110490487A (zh) * | 2019-08-27 | 2019-11-22 | 国网湖南省电力有限公司 | 一种山火高发期动态灭火排序算法及系统 |
| CN112161627A (zh) * | 2020-09-23 | 2021-01-01 | 同济大学 | 一种消防机器人智能路径规划方法 |
| CN112556714A (zh) * | 2020-12-08 | 2021-03-26 | 武汉理工光科股份有限公司 | 一种消防灭火救援智能路径规划方法及系统 |
| CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
| CN113110465A (zh) * | 2021-04-22 | 2021-07-13 | 哈尔滨理工大学 | 一种基于改进蚁群算法的模块路径规划方法 |
| CN113219994A (zh) * | 2021-06-04 | 2021-08-06 | 吉林大学 | 一种包含交通信号灯的栅格地图最优路径规划方法 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| CN113703450A (zh) * | 2021-08-23 | 2021-11-26 | 皖西学院 | 基于平滑因素改进蚁群算法的移动机器人路径规划方法 |
| EP3940494A1 (en) * | 2020-07-17 | 2022-01-19 | Wuhan University of Science and Technology | Path planning method for substation inspection robot |
-
2022
- 2022-02-07 CN CN202210116652.6A patent/CN114489081B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101703190B1 (ko) * | 2016-05-16 | 2017-02-23 | (주)유일엔지니어링종합건축사사무소 | 구획 공간을 구비하는 건물 내 통합 화재 관리 방법 |
| CN107230312A (zh) * | 2017-06-15 | 2017-10-03 | 梧州市兴能农业科技有限公司 | 一种有效的森林火灾监测系统 |
| CN108596382A (zh) * | 2018-04-18 | 2018-09-28 | 中国地质大学（武汉） | 基于多起点、多待救援点、多个终点的救援路径规划方法 |
| CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
| CN109726859A (zh) * | 2018-12-21 | 2019-05-07 | 延安大学 | 基于改进蚁群算法的森林火灾监测数据收集路径优化方法 |
| CN110490487A (zh) * | 2019-08-27 | 2019-11-22 | 国网湖南省电力有限公司 | 一种山火高发期动态灭火排序算法及系统 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| EP3940494A1 (en) * | 2020-07-17 | 2022-01-19 | Wuhan University of Science and Technology | Path planning method for substation inspection robot |
| CN112161627A (zh) * | 2020-09-23 | 2021-01-01 | 同济大学 | 一种消防机器人智能路径规划方法 |
| CN112556714A (zh) * | 2020-12-08 | 2021-03-26 | 武汉理工光科股份有限公司 | 一种消防灭火救援智能路径规划方法及系统 |
| CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
| CN113110465A (zh) * | 2021-04-22 | 2021-07-13 | 哈尔滨理工大学 | 一种基于改进蚁群算法的模块路径规划方法 |
| CN113219994A (zh) * | 2021-06-04 | 2021-08-06 | 吉林大学 | 一种包含交通信号灯的栅格地图最优路径规划方法 |
| CN113703450A (zh) * | 2021-08-23 | 2021-11-26 | 皖西学院 | 基于平滑因素改进蚁群算法的移动机器人路径规划方法 |
Cited By (2)
| 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 |
| CN115487444A (zh) * | 2022-09-30 | 2022-12-20 | 应急管理部四川消防研究所 | 一种用于长大交通隧道的无人机灭火路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114489081B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114489081A (zh) | 多火源灭火最优路径规划方法 | |
| US20210348928A1 (en) | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network | |
| CN104317293B (zh) | 一种改进蚁群算法的城市救援智能体动态路径规划方法 | |
| US8514283B2 (en) | Automatic vision sensor placement apparatus and method | |
| CN115564099A (zh) | 一种楼宇消防应急逃生引导方法、系统、装置及存储介质 | |
| CN116069045B (zh) | 一种基于移动机器人的辐射环境探测方法和系统 | |
| KR20220095092A (ko) | 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 | |
| CN112633574A (zh) | 一种基于bim技术的逃生路径规划方法 | |
| Cook et al. | Intelligent cooperative control for urban tracking | |
| CN112461240A (zh) | 一种无人机避障路径规划方法及系统 | |
| Cartee et al. | Control-theoretic models of environmental crime | |
| Venugopal et al. | Reinforcement learning for unified allocation and patrolling in signaling games with uncertainty | |
| Rahmatov et al. | Realtime fire detection using CNN and search space navigation | |
| Xiang et al. | Research on path planning of UAV forest fire fighting based on improved ant colony algorithm | |
| Goto et al. | A Guidance System for Wide-area Complex Disaster Evacuation based on Ant Colony Optimization. | |
| Kleiner et al. | Successful search and rescue in simulated disaster areas | |
| CN117191017A (zh) | 一种化工场景下巡检机器人高精度安全路径规划方法 | |
| Jacob et al. | Agent based modeling and simulation of tsunami triggered mass evacuation considering changes of environment due to earthquake and inundation | |
| Shih et al. | Safest-path planning approach for indoor fire evacuation | |
| Ünal et al. | Generating emergency evacuation route directions based on crowd simulations with reinforcement learning | |
| CN105069217A (zh) | 一种基于道路动态分区模型的城市救援仿真方法 | |
| US20170220714A1 (en) | Non-transitory computer-readable recording medium, simulation method and simulation apparatus | |
| Alidmat et al. | Two-dimensional cellular automaton model to simulate pedestrian evacuation under fire-spreading conditions | |
| von Schantz et al. | Minimization of mean-CVaR evacuation time of a crowd using rescue guides: a scenario-based approach | |
| Wu et al. | POMDP to the rescue: Boosting performance for RoboCup rescue |
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 |