CN115077552A - 一种基于最短路径的监管环境安全巡检规划方法及系统 - Google Patents
一种基于最短路径的监管环境安全巡检规划方法及系统 Download PDFInfo
- Publication number
- CN115077552A CN115077552A CN202210684862.5A CN202210684862A CN115077552A CN 115077552 A CN115077552 A CN 115077552A CN 202210684862 A CN202210684862 A CN 202210684862A CN 115077552 A CN115077552 A CN 115077552A
- Authority
- CN
- China
- Prior art keywords
- inspection
- point
- path
- planning
- model
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于最短路径的监管环境安全巡检规划方法,包括以下步骤:获取待巡检点的数据信息,包括坐标数据;根据获取的坐标数据,构建空间距离矩阵;根据构建的空间距离矩阵,得到巡检路径规划模型;根据巡检路径规划模型,定义约束条件,并根据约束条件得到模型目标函数;根据模型目标函数,利用蚁群算法遍历待巡检点,获得巡检结果;本发明提供了基于最短路径的监管环境安全巡检规划方法,提出了基于蚁群算法为优化算法的规划方法,考虑了监管环境人员在安全巡检时的日常要求,以巡检路程短、用时少、人员少为目标,合理规划巡检方案,有效提高了巡检人员的巡检效率,同时也提高了巡检人员的工作积极性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于最短路径的监管环境安全巡检规划方法及系统。
背景技术
监管环境安全是监管环境实现目标及任务的基本前提,维护监管环境安全是一项规模宏大的系统工程,必须综合运用人防、物防、技防等理论手段,构筑起监管环境长期有效的安全防范体系,以保证监管环境的长治久安。近年来,随着大数据、机器学习等新型技术的不断成熟,人工智能开始广泛应用于智慧城市、智慧监管环境等多个领域,智能化的安防系统将更有助于解放警力和保障监管环境安全管理。
目前,监管环境的安全巡检工作主要依赖于监管环境人员的主观判断,没有合理的路线规划方案,存在主观性强、巡检效率低、巡检质量差等问题。具体表现在以下三个方面:(1)负责巡检工作的管理员不能实时监督安全巡检人员的实际工作情况,导致巡检质量下降;(2)安全巡检人员一般都是采用纸质记录的方式来进行巡检,这样就很容易造成漏检的可能;(3)巡检任务繁多,巡检人员在巡检过程中难以采用最优的巡检方案来完成工作,占用较多警力资源、效率低下。
因此,如何合理地规划巡检路线,提升人员对监管环境安全的巡检效率和质量,是现在亟需解决的问题。
发明内容
针对现有技术的不足,本发明提供一种基于最短路径的监管环境安全巡检规划方法及系统,本发明集成了优化算法,能够快速高效地为人员合理规划巡检路线,大大提升了巡检效率,同时还避免了漏检忘检等问题的发生,使得巡检质量得到保障。
术语解释:
ACO:蚁群算法(Ant Clony Optimization,简称ACO),是由意大利学者DorigoManiezzo等人在20世纪90年代提出来的。蚁群算法的思想在于模仿蚂蚁觅食过程,在复杂多变的环境中,蚁群依然可以寻找到一条距离食物源的最短路径。蚂蚁在寻找食物的过程中,会在经过的道路上留下一种特殊的物质,蚁群内的蚂蚁都能感知到该物质的存在,我们将该物质称之为“信息素”,蚂蚁们会朝着“信息素”浓度高的路径前行,然后沿着这条路径行走的蚂蚁也会不断地释放信息素,在这样的正反馈机制的作用下,这条路径的“信息素”浓度不断增强,所有的蚂蚁最终都会通过这一条道路来寻找食物,这就是蚁群能通过一条最短路径寻找到食物的原因。这种算法在本质上属于一种启发式全局优化算法,具有信息正反馈、信息搜索和分布式计算的特点。
本发明的技术方案为:
一种基于最短路径的监管环境安全巡检规划方法,包括以下步骤:
S1.获取待巡检点的数据信息,包括坐标数据;
S2.根据获取的坐标数据,构建空间距离矩阵;
S3.根据构建的空间距离矩阵,得到巡检路径规划模型;
S4.根据巡检路径规划模型,定义约束条件,并根据约束条件得到模型目标函数;
S5.根据模型目标函数,利用蚁群算法遍历待巡检点,获得巡检结果;
其中,所述蚁群算法中,利用蚂蚁根据待巡检点的信息素浓度选择下一待巡检点的位置,并根据巡检点之间的总信息素浓度和总成本代价得到路径被选择的转移概率,转移概率最大所对应的路径即为最优路径。
进一步地,所述根据获取的坐标数据,构建空间距离矩阵,包括根据获取的坐标数据构建欧式空间距离矩阵,计算公式为:
|X|为点(x2,y2,z2)到原点的欧式距离;d为点(x1,y1,z1)与点(x2,y2,z2)之间的欧式距离;
欧式空间距离矩阵表示为:
其中,矩阵中的dij即为两点间的欧式距离。
进一步地,所述根据构建的空间距离矩阵,得到巡检路径规划模型,包括针对监管环境安全巡检的特点建立VRP模型,并定义安全巡检路径规划模型参数,所述安全巡检路径规划模型参数包括决策变量xij k和yi k:
进一步地,所述约束条件包括巡检点约束,即保证每个巡检点都被巡检到;巡检人员约束,即保证每一位巡检人员,在一处巡检点完成后离开该巡检点;巡检任务约束,即在每次巡检任务中,保证到达和离开任意巡检点的次数都为1;巡检路线时长约束,即巡检人员的巡检总时长不能超过最大巡检工作时长;巡检路线路程约束,即巡检人员的巡检总路程不能超过最大巡检工作路程。
进一步地,所述根据约束条件构建模型目标函数,包括定义模型的总成本代价为F,其中各项子成本代价分别为F1,F2,其中F1为巡检时间成本代价,F2为巡检人员人数成本代价,定义F1、F2分别为:
其中,tij为单位距离内从巡检点i到巡检点j的时长;dij为从巡检点i到巡检点j的空间距离;xij k和yi k为决策变量;
总成本代价函数为:
Min:F=F1+F2。
进一步地,所述根据巡检点之间的总信息素浓度和总成本代价得到路径被选择的转移概率,包括利用蚂蚁依据各巡检点之间的信息素浓度选择下一待巡检点的位置,得到该时刻蚂蚁从移动到下一待巡检点的概率,并利用信息素挥发系数,当全部蚂蚁结束一次遍历后,对各个巡检节点之间的信息素浓度进行更新,更新公式如下:
τij(t)=(1-ρ)τij(t)+Δτij;
其中,Δτij k表示第k只蚂蚁在巡检节点i和巡检节点j之间释放的信息素浓度,Δτij表示所有蚂蚁在巡检节点i和巡检节点j之间释放的信息素总浓度之和,ρ为信息素挥发系数;
其中,Q代表蚂蚁经过一次遍历后留下的信息素浓度总量,Lk代表第k只蚂蚁本次遍历中经过的所有线路的总距离。
进一步地,所述转移概率为:
一种基于最短路径的监管环境安全巡检规划系统,包括:
数据获取模块,被配置为,获取待巡检点的数据信息,包括坐标数据;
路径规划模块,被配置为,根据获取的坐标数据,构建空间距离矩阵,根据构建的空间距离矩阵,得到巡检路径规划模型;根据巡检路径规划模型,定义约束条件,并根据约束条件得到模型目标函数;
巡检模块,被配置为,根据模型目标函数,利用蚁群算法遍历待巡检点,获得巡检结果;
其中,所述蚂蚁算法中,利用蚂蚁根据待巡检点的信息素浓度选择下一待巡检点的位置,并根据巡检点之间的总信息素浓度得到路径被选择的转移概率,转移概率最大所对应的路径即为最优路径。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于最短路径的监管环境安全巡检规划方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于最短路径的监管环境安全巡检规划方法。
本发明的有益效果为:
1.本发明提供了基于最短路径的监管环境安全巡检规划方法,提出了基于蚁群算法为优化算法的规划方法,考虑了监管环境人员在安全巡检时的日常要求,以巡检路程短、用时少、人员少为目标,合理规划巡检方案,有效提高了巡检人员的巡检效率,同时也提高了巡检人员的工作积极性。
2.本发明提供了基于最短路径的监管环境安全巡检规划系统,包含数据获取模块、路径规划模块、数据管理模块、巡检查询模块,通过将监管环境数据库、终端、算法模型相结合,形成了一套体系的监管环境安全巡检规划系统,为监管环境安全日常管理工作带来极大的便利,有效降低了监管环境各类安全隐患的发生。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本实施例提供的蚁群算法的实现步骤图;
图2是本发明基于最短路径的监管环境安全巡检规划方法流程示意图;
图3是本发明基于最短路径的监管环境安全巡检规划系统结构框图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
如图1所示,一种基于最短路径的监管环境安全巡检规划方法,具体包括如下步骤:
S1.通过GPS定位技术获取需要巡检的设备、器材、人员等空间地理位置信息,主要获取该位置的X,Y,Z三维坐标数据。
S2.根据获取的坐标数据,构建空间距离矩阵。
本发明中使用的是数学中最为常用的欧式空间距离矩阵,欧式距离也称欧几里得距离或欧几里得度量,是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧式距离就是两点之间的距离,使用这个距离,欧式空间成为度量空间,相关联的范数称为欧几里得范数,计算公式如下:
|X|为点(x2,y2,z2)到原点的欧式距离;ρ为点(x1,y1,z1)与点(x2,y2,z2)之间的欧式距离;
欧式空间距离矩阵表示为:
其中,矩阵中的dij即为两点间的欧式距离。
S3.建立监管环境安全巡检路径规划模型
空间距离矩阵表示的是不同巡检节点i和j之间的空间位置关系,即对应安全巡检路径规划模型中的巡检节点i和j,是构建安全巡检路径规划模型的前提。
其中,构建监管环境安全巡检路径规划模型,包括以下步骤:
1、首先针对监管环境安全巡检的特点建立VRP模型,主要考虑两点作为优化目标:
(1)为了让人员快速高效的完成巡检工作,就需要制定一条总路程最短的巡检路线以保证巡检所耗费的时间是最短的。
(2)在制定巡检任务时,考虑到人员分配的合理性,分配尽可能少的巡检人员来完成巡检工作也是提升巡检工作效率的目标,其中首要优化的目标应为巡检的总路程和耗费的总时长,其次是优化巡检人员分配。为了合理构建监管环境安全巡检的数学模型,需做出如下基本假设:
A.模型中的具体参数和需要巡检的位置都已知的;
B.每一条巡检路线都是以警卫室作为起始点和终点;
C.每一位巡检人员只负责一条巡检路线;
D.每一处巡检位置只对应一位巡检人员来进行巡检,并且每一处巡检位置只能被巡检一次;
E.每一处巡检位置被巡检的概率都是相等的;
F.巡检人员有巡检工作总路程、巡检工作总时长限制,不能超过限定要求。
定义安全巡检路径规划模型参数:
G=(V,A)完备图;
V={0,1,2,…,n}每一处巡检位置,其中0表示警卫室;
V′={1,2,3,…,n}所有可以巡检的任务点;
A={(i,j)|i,j∈V,i≠j}表示完备图中各个顶点相互连接组成的孤集;
tij单位距离内从巡检点i到巡检点j的时长;
dij从巡检点i到巡检点j的空间距离;
D巡检人员一次巡检任务可接受的最长巡检路程;
T巡检人员一次巡检任务可接受的最大时长;
m巡检人员人数;
R={1,2,…,m}巡检人员集合;
Ri={0,i1,…,in,0}巡检路线,i1,…,in∈V′,i∈R;
定义决策变量xij k和yi k:
2、创建安全巡检路径规划模型的约束条件及目标函数
结合人员在监管环境内安全巡检的实际情况,在巡检过程中存在各种主观或客观的约束条件,在该模型中定义如下约束条件:
(1)巡检点约束
每个巡检点都应该被巡检到,j表示所有要巡检的任意一点。
(2)巡检人员约束
对于每一位巡检人员,在一处巡检点完成后就应该离开该巡检点。
(3)巡检点唯一性约束
在式1.1中保证了每一个巡检点都可以被巡检到,除此之外还要保证每一个巡检点只能由一位巡检人员来巡检。
(4)巡检总任务唯一性约束
在每一次巡检任务中,都要保证在到达和离开任意巡检点的次数都为1。
(5)巡检路线时长约束
巡检人员的巡检总时长不能超过最大巡检工作时长
(6)巡检路线路程约束
巡检人员的巡检总路程不能超过最大巡检工作路程
3、通过以上定义的监管环境安全巡检规划模型的各项参数以及相关的约束条件,现构造该模型的目标函数,定义该模型的总成本代价为F,其中各项子成本代价分别为F1,F2,其中F1为巡检时间成本代价,F2为巡检人员人数成本代价,G为一个非常大的正实数,定义F1、F2分别为:
最终定义总成本代价函数为:
Min:F=F1+F2 (1.10)
4.设置蚁群算法作为该模型的优化算法
设蚂蚁的数目为m,巡检点的数目为n,巡检点i和巡检点j之间的距离为dij,t时刻巡检点i和巡检点j之间的信息素浓度为τij(t),初始时刻,各巡检点之间的信息素浓度均为τij(0)=C,C为常数。
蚂蚁k依据各个巡检点之间的信息素浓度选择下一个待巡检的位置,t时刻蚂蚁k从巡检点i移动到巡检点j的概率为pij k(t),公式如下:
式(1.11)中,allowk=(1,2,…,n)-tabuk,是蚂蚁k位于巡检节点i时下一步可遍历的巡检节点的集合,禁忌表tabuk(k=1,2,…,n)是蚂蚁k已遍历过的巡检节点集合,tabuk会随着进化过程不断的调整,ηij(t)为启发函数,α为信息启发因子,β为期望启发因子。
设参数ρ(0<ρ<1)为信息素挥发系数,当全部蚂蚁结束一次遍历后,需要对各个巡检节点之间的信息素浓度及时进行更新,更新公式如下:
τij(t)=(1-ρ)τij(t)+Δτij (1.12)
式(1.12)中,Δτij k表示第k只蚂蚁在巡检节点i和巡检节点j之间释放的信息素浓度,式(1.13)中,Δτij表示所有蚂蚁在巡检节点i和巡检节点j之间释放的信息素总浓度之和。
式(1.14)中,Q代表蚂蚁经过一次遍历后留下的信息素浓度总量,Lk代表第k只蚂蚁本次遍历中经过的所有线路的总距离。
5.基于蚁群算法的安全巡检模型设计
将转移概率与巡检总成本联系起来,转移概率是指蚂蚁从节点i转移至下一节点j的概率,转移概率越大的路径就会有更多的蚂蚁选择,通过求转移概率,可以判断出下一个节点在哪。转移概率公式为:
实施例2
一种基于最短路径的监管环境安全巡检规划系统,包括:
数据获取模块,被配置为,获取待巡检点的数据信息,包括坐标数据;
路径规划模块,被配置为,根据获取的坐标数据,构建空间距离矩阵,根据构建的空间距离矩阵,得到巡检路径规划模型;根据巡检路径规划模型,定义约束条件,并根据约束条件得到模型目标函数;
巡检模块,被配置为,根据模型目标函数,利用蚁群算法遍历待巡检点,获得巡检结果;
其中,所述蚂蚁算法中,利用蚂蚁根据待巡检点的信息素浓度选择下一待巡检点的位置,并根据巡检点之间的总信息素浓度和总成本代价得到路径被选择的转移概率,转移概率最大的即为最优路径。
实施例3
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行本实施例提供的一种基于最短路径的监管环境安全巡检规划方法。
实施例4
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行本实施例提供的一种基于最短路径的监管环境安全巡检规划方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于最短路径的监管环境安全巡检规划方法,其特征在于,包括以下步骤:
S1.获取待巡检点的数据信息,包括坐标数据;
S2.根据获取的坐标数据,构建空间距离矩阵;
S3.根据构建的空间距离矩阵,得到巡检路径规划模型;
S4.根据巡检路径规划模型,定义约束条件,并根据约束条件得到模型目标函数;
S5.根据模型目标函数,利用蚁群算法遍历待巡检点,获得巡检结果;
其中,所述蚂蚁算法中,利用蚂蚁根据待巡检点的信息素浓度选择下一待巡检点的位置,并根据巡检点之间的总信息素浓度和总成本代价得到路径被选择的转移概率,转移概率最大所对应的即为最优路径。
4.如权利要求1所述的一种基于最短路径的监管环境安全巡检规划方法,其特征在于,所述约束条件包括巡检点约束,即保证每个巡检点都被巡检到;巡检人员约束,即保证每一位巡检人员,在一处巡检点完成后离开该巡检点;巡检任务约束,即在每次巡检任务中,保证到达和离开任意巡检点的次数都为1;巡检路线时长约束,即巡检人员的巡检总时长不能超过最大巡检工作时长;巡检路线路程约束,即巡检人员的巡检总路程不能超过最大巡检工作路程。
6.如权利要求1所述的一种基于最短路径的监管环境安全巡检规划方法,其特征在于,所述根据巡检点之间的总信息素浓度和总成本代价得到路径被选择的转移概率,包括利用蚂蚁依据各巡检点之间的信息素浓度选择下一待巡检点的位置,得到该时刻蚂蚁从移动到下一待巡检点的概率,并利用信息素挥发系数,当全部蚂蚁结束一次遍历后,对各个巡检节点之间的信息素浓度进行更新,更新公式如下:
τij(t)=(1-ρ)τij(t)+Δτij;
其中,Δτij k表示第k只蚂蚁在巡检节点i和巡检节点j之间释放的信息素浓度,Δτij表示所有蚂蚁在巡检节点i和巡检节点j之间释放的信息素总浓度之和,ρ为信息素挥发系数;
其中,Q代表蚂蚁经过一次遍历后留下的信息素浓度总量,Lk代表第k只蚂蚁本次遍历中经过的所有线路的总距离。
8.一种基于最短路径的监管环境安全巡检规划系统,其特征在于,包括:
数据获取模块,被配置为,获取待巡检点的数据信息,包括坐标数据;
路径规划模块,被配置为,根据获取的坐标数据,构建空间距离矩阵,根据构建的空间距离矩阵,得到巡检路径规划模型;根据巡检路径规划模型,定义约束条件,并根据约束条件得到模型目标函数;
巡检模块,被配置为,根据模型目标函数,利用蚁群算法遍历待巡检点,获得巡检结果;
其中,所述蚂蚁算法中,利用蚂蚁根据待巡检点的信息素浓度选择下一待巡检点的位置,并根据巡检点之间的总信息素浓度和总成本代价得到路径被选择的转移概率,转移概率最大所对应的路径即为最优路径。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种基于最短路径的监管环境安全巡检规划方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种基于最短路径的监管环境安全巡检规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684862.5A CN115077552A (zh) | 2022-06-13 | 2022-06-13 | 一种基于最短路径的监管环境安全巡检规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684862.5A CN115077552A (zh) | 2022-06-13 | 2022-06-13 | 一种基于最短路径的监管环境安全巡检规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115077552A true CN115077552A (zh) | 2022-09-20 |
Family
ID=83253912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210684862.5A Pending CN115077552A (zh) | 2022-06-13 | 2022-06-13 | 一种基于最短路径的监管环境安全巡检规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115077552A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071929A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于卡口车牌识别数据的实时路况监测系统及其方法 |
CN116233219A (zh) * | 2022-11-04 | 2023-06-06 | 国电湖北电力有限公司鄂坪水电厂 | 基于人员定位算法的巡检方法、装置 |
CN116757454A (zh) * | 2023-08-21 | 2023-09-15 | 松立控股集团股份有限公司 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
CN116989802A (zh) * | 2023-07-10 | 2023-11-03 | 三峡科技有限责任公司 | 一种基于gis与bim模型的idc机房巡检计划配置策略方法 |
-
2022
- 2022-06-13 CN CN202210684862.5A patent/CN115077552A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116233219A (zh) * | 2022-11-04 | 2023-06-06 | 国电湖北电力有限公司鄂坪水电厂 | 基于人员定位算法的巡检方法、装置 |
CN116233219B (zh) * | 2022-11-04 | 2024-04-30 | 国电湖北电力有限公司鄂坪水电厂 | 基于人员定位算法的巡检方法、装置 |
CN116071929A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于卡口车牌识别数据的实时路况监测系统及其方法 |
CN116989802A (zh) * | 2023-07-10 | 2023-11-03 | 三峡科技有限责任公司 | 一种基于gis与bim模型的idc机房巡检计划配置策略方法 |
CN116989802B (zh) * | 2023-07-10 | 2024-04-16 | 三峡科技有限责任公司 | 一种基于gis与bim模型的idc机房巡检计划配置策略方法 |
CN116757454A (zh) * | 2023-08-21 | 2023-09-15 | 松立控股集团股份有限公司 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
CN116757454B (zh) * | 2023-08-21 | 2023-11-17 | 松立控股集团股份有限公司 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115077552A (zh) | 一种基于最短路径的监管环境安全巡检规划方法及系统 | |
CN105302153B (zh) | 异构多无人机协同察打任务的规划方法 | |
CN105225003B (zh) | 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法 | |
Bein et al. | Optimizing border patrol operations using unmanned aerial vehicles | |
CN107391542B (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
CN107036618A (zh) | 一种基于最短路径深度优化算法的agv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 | |
CN109557939A (zh) | 一种基于伪分布式无人机集群的快速队形控制方法 | |
CN110645988B (zh) | 一种基于最优寿命的无人机路径规划方法 | |
CN111352417A (zh) | 异构多无人机协同路径的快速生成方法 | |
CN106527373A (zh) | 基于多智能体的车间自主调度系统和方法 | |
CN109884897A (zh) | 一种基于深度强化学习的无人机任务匹配与计算迁移方法 | |
CN106776796A (zh) | 基于云计算和大数据无人机任务规划系统和方法 | |
CN109685386A (zh) | 基于数据信息的多目标作业车间的复杂网络模型构建方法 | |
Masadeh et al. | Reinforcement learning-based security/safety UAV system for intrusion detection under dynamic and uncertain target movement | |
CN113433971A (zh) | 一种高层建筑外墙数据采集方法、装置、设备及存储介质 | |
CN109299778A (zh) | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 | |
CN115185303A (zh) | 用于国家公园及自然保护地的无人机巡护路径规划方法 | |
Ahmmad et al. | A review on applications of optimization using bat algorithm | |
Peng et al. | Modeling and solving the dynamic task allocation problem of heterogeneous UAV swarm in unknown environment | |
CN117521932A (zh) | 一种基于网格化划分的无人机巡检管理系统 | |
CN112183918B (zh) | 一种输电线路在线巡检作业计划的智能生成方法 | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN113063419A (zh) | 一种无人机路径规划方法及系统 |
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 |