CN115169690A - 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法 - Google Patents

基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法 Download PDF

Info

Publication number
CN115169690A
CN115169690A CN202210790576.7A CN202210790576A CN115169690A CN 115169690 A CN115169690 A CN 115169690A CN 202210790576 A CN202210790576 A CN 202210790576A CN 115169690 A CN115169690 A CN 115169690A
Authority
CN
China
Prior art keywords
flood
path
ant
pheromone
dam
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
Application number
CN202210790576.7A
Other languages
English (en)
Other versions
CN115169690B (zh
Inventor
杨德玮
江超
张文东
陈莹颖
彭雪辉
徐成军
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.)
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
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 Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority to CN202210790576.7A priority Critical patent/CN115169690B/zh
Publication of CN115169690A publication Critical patent/CN115169690A/zh
Application granted granted Critical
Publication of CN115169690B publication Critical patent/CN115169690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)

Abstract

本发明公开一种基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，通过BREACH‑MIKE21耦合模型进行溃坝洪水演进模拟，获取溃坝洪水淹没信息，接入路网模型构建环境情景模型。采用蚁群算法优化避洪转移路径，利用增加回溯算法、引入最大最小蚁群系统、改进启发式函数等手段改进算法，提升路径寻优能力和收敛速度；通过逐帧解析洪水淹没要素，将溃坝洪水信息融入算法中，最终得到最优避洪转移路径。仿真实验表明，改进后的蚁群算法在复杂路网结合溃坝洪水淹没的真实情景下收敛速度更快、寻优能力更强，更符合水库大坝安全管理应急预案对避洪转移路径过程动态化的要求。

Description

基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法
技术领域
本发明涉及一种基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，属于灾害避险调度规划技术领域。
背景技术
我国已建成各类水库大坝9.8万多座，其中大中型防洪库容为1681亿m3，水库大坝一旦发生溃决，水体突然宣泄，将对下游社会经济及人民生命财产造成极大威胁。在溃坝洪水到来之前应合理规划避洪转移路径，在最短时间内将风险区内的人口转移至预先设置好的安置点，能够保证转移效率、减少生命财产损失，因此有必要对避洪转移动态路径的优化展开研究。
从20世纪50年代末至今，许多学者针对路径优化问题提出了各种各样的算法，主要可分为传统路径优化算法和仿生智能路径优化算法，常用的传统路径优化算法包括Dijkstra、Floyd、A*算法及相应的改进算法等，这些传统路径优化算法在静态路径优化方面表现优异，但是偏理想化，不太贴合实际；仿生智能路径优化算法是针对实际路网的复杂性以及用传统方法求解优化问题存在很多困难的情况而发展起来的，目前国内外研究主流的仿生智能路径优化算法主要有遗传算法、粒子群优化算法以及蚁群算法等，其中蚁群算法由于具有较强的适应性和鲁棒性，又易与其他方法结合，在多个领域都得到了广泛应用。如：以六边形元胞为基础的栅格化地图做背景，通过蚁群元胞优化算法进行人群疏散路径规划；运用图论建立物流配送路径模型，对蚁群算法的信息素更新和节点选择改进后规划出物流配送最优路径。在结合洪水淹没的路径优化方面，在避洪场所选址系统的研究中，提出了将ArcGIS与Matlab相结合的方案，使避洪转移安置工作更加高效；采用二维水动力模型开展溃坝洪水演进模拟，对模拟结果进行网格化处理后提出可通行路网的判别和绘制方法，最终确定动态最佳应急转移路线的运行机制。
综上，现阶段避洪转移路径的制定大多是根据洪水最终淹没情况，以时间短、距离近为原则规划出的静态路径，没有考虑撤离过程中溃坝洪水演进对撤离路径的影响，随着溃坝洪水演进，部分路段受洪水影响无法正常通行，此时静态路径无法根据实时洪水淹没情况变化，若静态路径包含受洪水影响的路段，将导致以静态路径为指导的撤离车辆无法安全转移至安置点，故静态路径存在被溃坝洪水淹没的风险。
发明内容
发明目的：针对现有技术中存在的问题与不足，本发明提供一种基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，选用蚁群算法，通过改进设计，解决原算法收敛速度慢、易陷入局部最优等缺点，从而提高搜索速度、提升寻优能力，实现溃坝洪水避洪转移动态路径优化。
技术方案：一种基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，包括如下步骤：
步骤1，将BREACH模型和MIKE21模型耦合，模拟溃坝洪水演进过程，将溃坝洪水演进过程的溃坝洪水淹没非结构网格导入ArcMap处理后得到各位置对应溃坝洪水淹没信息，作为避洪路径优化的限制条件。
步骤2，用图论法搭建路网模型，将真实路网矢量化，使其能够被计算机识别。这是路径优化算法的实施基础，在搭建的路网模型中搜索撤离点到安置点之间不受溃坝洪水影响的最优路径。
步骤3，设置撤离点Nstrat(受溃坝洪水影响的危险区内任意一点)与安置点Nend(危险区外任意点，可设置多个)。
步骤4，初始化蚁群算法的参数，令当前迭代次数g＝1；当前蚂蚁m＝1；信息素矩阵Tau中各路段信息素水平为1；利用改进启发函数计算各路段先验概率，存入矩阵Eta。设置蚁群算法中的如下参数：最大迭代次数G、蚁群数量M、信息素增强系数Q、信息素启发因子α、期望函数因子β、信息素挥发系数ρ、限制信息素最大值τmax，限制信息素最小值τmin、改进先验概率最大值γmax、改进先验概率最小值γmin。
步骤5，第m只蚂蚁从步骤3设置的撤离点Nstart出发，这里的蚂蚁用于模拟车辆。
步骤6，蚂蚁开始搜索路径，假设蚂蚁所在的当前节点为Nk，计算Ak中各节点转移概率P。Ak表示蚂蚁在节点Nk，下一步可以到达的所有节点组成的集合。
步骤7，判断Ak是否属于禁忌表Tabu，如果否，则用轮盘赌算法选择Ak中一个节点Nm，蚂蚁移动至节点Nm，并将Nk加入禁忌表Tabu中，此时，蚂蚁所在的当前节点为Nm；如果是，将蚂蚁回溯至当前节点Nk的上一节点Nz，并将Nk从Az中移除，此时，蚂蚁所在的当前节点为Nz。
步骤8，判断蚂蚁所在的当前节点是否属于安置点Vend，如果是，则表示蚂蚁到达安置点，记录蚂蚁依次经过的所有节点，这些依次经过的节点组成一条路径，进入步骤9；否则表示第m只蚂蚁未到达安置点，返回步骤6，继续搜索。
步骤9，判断m是否等于M，如果是，则表示所有蚂蚁到达安置点，进入步骤10；否则令m＝m+1，返回步骤5。
步骤10，依次提取M条路径(共有M只蚂蚁，每只蚂蚁都能找到一条路径，一只蚂蚁从撤离点出发，到安置点，经过的所有节点组成一条路径)，对于每一条路径，根据步骤1得到的溃坝洪水淹没信息逐帧更新洪水淹没情况(洪水淹没面Area)；根据车辆(蚂蚁)速度-时间变化曲线逐帧更新车辆(蚂蚁)行驶速度、根据车辆(蚂蚁)行驶速度逐帧更新车辆(蚂蚁)当前位置(当前所在节点N)，判断当前所在节点N是否在面Area内，即蚂蚁所在位置N是否位于当前洪水淹没区Area之内，如果是则表示按照蚂蚁当前所在路径的撤离过程中会受溃坝洪水影响，将路径列入路径禁忌表中，同时将该路径撤离时间设置为∞；否则记录路径撤离时间T。
步骤11，更新各路段信息素，同时按照最大最小蚁群系统将路段信息素水平限制在(τmin，τmax)，τmin是限制信息素最小值。
步骤12，判断g是否等于G，如果是，则表示迭代结束，输出撤离时间最少的路径作为最优避洪转移路径；否则令g＝g+1，返回步骤5。
BREACH模型与MIKE21模型耦合过程如下：BREACH初次计算出溃口流量q1与溃口尺寸，作为洪源数据导入MIKE21中模拟运行，提取mesh文件中溃口所在网格淹没水深并得出计算历时下的溃口流量q2，若此流量q2与BREACH计算所得溃口流量q1差值小等于设定值，如0.5m3/s，即满足精度要求，所得结果可输出后处理；若差值大于设定值，如0.5m3/s，须将溃口流量与初次计算溃口尺寸迭代至BREACH模型中再次模拟计算直至所得结果满足精度要求。
通过BREACH模型与MIKE21模型耦合得到溃坝洪水演进过程，将shp格式的溃坝洪水淹没非结构网格导入ArcMap可得到可视化洪水淹没数据。
交通路网模型是路径优化算法及环境情景仿真的实施基础，采用图论法，构建洪水淹没区域真实交通路网模型。在应急撤离路径优化过程中，为了避免出现往危险区撤离的不合理行为，可将某些路段设为单向通行，提高计算效率及精度。
改进启发函数的公式为：
Figure BDA0003730031500000031
式中：γ为改进后先验概率；η为原先验概率；ηmax为原先验概率最大值；ηmin为原先验概率最小值；△为改进后先验概率最大值与最小值之差；γmin为改进后先验概率的最小值。
本发明针对现阶段避洪转移路径静态化，无法与溃坝洪水演进动态结合的问题，采用改进蚁群算法将复杂路网与溃坝洪水演进结合，从而找到撤离过程中能够避开溃坝洪水的最优路径。改进后的蚁群算法在复杂路网结合溃坝洪水淹没的真实情景下收敛速度更快、寻优能力更强，更符合水库大坝安全管理应急预案对避洪转移路径过程动态化的要求。
附图说明
图1是本发明实施例的方法流程图；
图2是实施例中H水库溃坝洪水淹没水深图；
图3是实施例中H水库溃坝洪水到达时间图；
图4是实施例中路网模型示意图；
图5是实施例中可回溯路径示意图；
图6是实施例中类三角路径示意图；
图7是实施例中模拟洪水演进效果图；(a)洪水演进1h，(b)洪水演进1.5h，(c)洪水演进2h；
图8是实施例中信息素启发因子α调试实验图；
图9是实施例中限制信息素最大值τmax调试实验图；
图10是实施例中期望函数因子β调试实验图；
图11是实施例中先验概率最大值γmax调试实验图；
图12是实施例中信息素挥发系数ρ调试实验图；
图13是实施例中路径A(用时13.03min)实验图；
图14是实施例中路径B(用时13.50min)实验图；
图15是实施例中两种算法迭代曲线图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，包括如下步骤：
步骤1，将BREACH模型和MIKE21模型耦合，模拟溃坝洪水演进过程，将溃坝洪水演进过程的溃坝洪水淹没非结构网格导入ArcMap处理后得到各位置对应溃坝洪水淹没信息，作为避洪路径优化的限制条件。
步骤2，用图论法搭建路网模型，将真实路网矢量化，能够被计算机识别。这是路径优化算法的实施基础。
溃坝洪水淹没信息与路网模型是利用改进蚁群算法进行避洪转移动态路径优化的基础和数据底板，其中溃坝洪水淹没信息是避洪转移路径优化的限制条件，路网模型是真实路网的映射，两者结合为溃坝洪水环境情景。
溃坝洪水淹没信息
以BREACH模型模拟溃口流量与溃口演变尺寸为基础，通过ArcGIS预处理地形文件、工程建筑物参数与水文数据，构建MIKE21二维水动力学模型，利用Flow Model模块生成溃坝洪水模拟文件，最终结合研究区域实际情况计算不同风险特性下水库大坝溃坝洪水演进过程。
BREACH模型是D.L.Fread于1988年提出的一种溃坝洪水模拟的数学物理模型，是目前应用较为广泛的大坝溃决模型，在实际工程应用中可预测最终溃口发展过程和最终尺寸，并计算得到溃口洪水流量过程线和水库水位过程线。在模拟管涌导致的大坝溃决时，库水进入管道的流量计算公式为：
Figure BDA0003730031500000051
式中：Qb为通过管涌通道的流量；A为溃口横断面面积；g为重力加速度；Hp为中心线高程；(H－Hp)为溃口静态水头；L为管涌通道长度；D为管涌通道直径或宽度；f为摩擦因数。
MIKE21是丹麦水利科学研究院(DHI)研发的软件，可用于模拟河流、湖泊、河口、海湾、海岸与海洋水流、波浪、泥沙及环境，为工程应用和水库管理及规划提供了完备有效的设计环境。对于水库大坝，MIKE21构建的二维水动力学模型主要用于模拟水库大坝突发洪水演进、计算洪水淹没范围和洪水到达时间。模型基本方程为二维浅水方程组，方程组包含应力方程(式2)、连续方程(式3)和动量方程(式4)。
h＝η+d (2)
Figure BDA0003730031500000052
Figure BDA0003730031500000053
式中，x、y、z分别为笛卡尔坐标系中的空间坐标轴；t为时间，单位为s；
Figure BDA0003730031500000054
分别为基于水深的平均流速，单位为m/s；u、v分别为x、y方向的流速分量，单位为m/s；η为河底高程，单位为m；d为静止水深，单位为m；S为点源流量的大小。
BREACH模型与MIKE21模型耦合过程如下：BREACH初次计算出溃口流量q1与溃口尺寸，作为洪源数据导入MIKE21中模拟运行，提取mesh文件中溃口所在网格淹没水深并得出计算历时下的溃口流量q2，若此流量q2与BREACH计算所得溃口流量q1差值小等于0.5m3/s，即满足精度要求，所得结果可输出后处理；若差值大于0.5m3/s，须将溃口流量与初次计算溃口尺寸迭代至BREACH模型中再次模拟计算直至所得结果满足精度要求。
通过BREACH模型与MIKE21模型耦合得到溃坝洪水演进过程，将shp格式的溃坝洪水淹没非结构网格导入ArcMap可得到图2、3所示可视化洪水淹没数据。其中，各三角形非结构网格均存有优化避洪转移路径所需的淹没水深、到达时间等重要溃坝洪水淹没信息。
交通路网
交通路网模型是路径优化算法及环境情景仿真的实施基础，采用图论法，构建洪水淹没区域真实交通路网模型。如图4所示有向图G＝(N，E，L，T)，其中N为图4路网模型中黑色节点的集合，对应真实路网中的路口，如N1表示节点1；E为图4路网模型中节点之间线的集合，对应真实路网中的道路，如E(36，37)表示节点36与37之间的路段；L、T为路网的邻接矩阵，分别存储路段长度、通行时间，如Lij(Lij∈L)表示路段Eij(即E(i，j))的长度；Tij(Tij∈T)表示路段Eij的通行时间。在应急撤离路径优化过程中，为了避免出现往危险区撤离的不合理行为，可将往危险区的路段设为单向通行(如令L(19，31)＝247m，L(31，19)＝∞)，即车辆无法朝危险区进入，只能从危险区出来，提高计算效率及精度。
步骤3，设置撤离点Nstrat(受溃坝洪水影响的危险区内任意一点)与安置点Nend(危险区外任意点，可设置多个)。
运行步骤4-11改进蚁群算法，以步骤1所得溃坝洪水信息为限制条件，在步骤2搭建的路网模型中搜索撤离点到安置点之间不受溃坝洪水影响的最优路径。
改进蚁群算法，是针对基本蚁群算法易出现局部最小值、收敛速度慢等问题，通过增加回溯算法、引入最大最小蚁群系统、改进启发式函数等手段对算法进行改进，使改进后的蚁群算法具备避洪转移路径优化的良好适应性。
基本蚁群算法
蚁群算法由Dorigo提出，主要受蚂蚁种群觅食行为的启发，在此过程，种群中每只蚂蚁都会在其移动路径中留下信息素以向种群传达信息。移动路径越短，则信息素浓度较高，该路径被蚂蚁选中的概率较大，这就形成了蚂蚁寻找最短路径的正反馈机制。基本蚁群算法原理如下。
蚂蚁移动时，依照信息素浓度与距离启发函数得出各路径被选中的概率，通过轮盘赌算法来选择路径，蚂蚁m从i节点移动至节点j的概率如公式(5)：
Figure BDA0003730031500000071
Figure BDA0003730031500000072
式中：Pij为从节点i移动至节点j的概率，k为当前所在节点、α为信息素启发因子，β为期望函数因子，二者分别影响着信息素与距离启发函数的重要程度；Ak表示蚂蚁下一步可到达目的地集合；τij(t)为t时刻节点i、j之间的移动路线上的信息素浓度；ηij(t)表示距离启发函数，又称先验概率，dij表示节点i、j之间的路段长度。
每只蚂蚁在移动时均会遗留一定量的信息素，因此算法不断迭代时，路径中信息素含量逐渐累积，同时也在不断的挥发，当全体种群均完成第一次迭代后，将依照式(7)～(9)更新路径上信息素含量：
τij(g+1)＝(1-ρ)τij(g)+Δτij(g) (7)
Figure BDA0003730031500000073
Figure BDA0003730031500000074
式中：ρ为信息素挥发系数；Δτij(g)表示第g次迭代中路段i、j间释放信息素的和；
Figure BDA0003730031500000075
表示第g次迭代中，第z条路径上路段i、j间信息素增量；Tm表示蚂蚁m经过路径时间，Q为信息素增强系数。
步骤4，初始化蚁群算法的参数，令当前迭代次数g＝1；当前蚂蚁m＝1；信息素矩阵Tau中各路段信息素水平为1；根据公式(10)改进启发函数计算各路段先验概率，存入矩阵Eta。设置算法中其他参数，包括最大迭代次数G、蚁群数量M、信息素增强系数Q、信息素启发因子α、期望函数因子β、信息素挥发系数ρ、限制信息素最大值τmax、限制信息素最小值τmin、改进先验概率最大值γmax、改进先验概率最小值γmin。
对于最大迭代次数G，参数设置太大时浪费算力，设置太小时算法无法收敛，建议最大迭代次数G取值50-100；对于蚁群数量M、信息素增强系数Q，信息素启发因子α、期望函数因子β、限制信息素最大值τmax、限制信息素最小值τmin、改进先验概率最大值γmax，参数设置太大时容易陷入局部最优，设置太小时收敛速度慢，因此，蚁群数量M建议取值30-60；信息素增强系数Q需根据限制信息素最大值τmax与路径平均用时Tavg共同确定，建议20≤τmax/(Q-Tavg)≤50，本案例中建议取值80-100；信息素启发因子α建议取1-2；期望函数因子β建议取值1-2；本案例中限制信息素最大值τmax建议取值80-120、限制信息素最小值τmin建议取值1-10、本案例中改进先验概率最大值γmax建议取值80-120、信息素挥发系数ρ的取值对算法的影响不明显，建议取值0.05-0.15；
步骤5，第m只蚂蚁从步骤3设置的撤离点Nstart出发，这里的蚂蚁用于模拟车辆。
步骤6，蚂蚁开始搜索路径，假设蚂蚁所在的当前节点为Nk，根据，公式(6)启发函数计算出原先验概率，套入改进启发函数公式(10)计算改进后先验概率，带入公式(5)得到Ak中各节点转移概率P。
改进启发函数
启发函数作为基本蚁群算法初始阶段信息素相同时节点转移概率的决定因素，被称为先验概率，根据公式(10)，启发函数由两节点间的距离决定，距离较近的两节点，先验概率较大，在转移过程中更有可能被选中。若局部存在如图6类似“三角形”的路径，由于三角形任意一边小于其余两边之和，故LAB一定小于L(CB+AC)，根据节点转移概率公式不难发现，路径AC被选中的概率大于路径AB被选中的概率，且在下一次迭代中，由于路径AC信息素浓度增大，路径AB信息素浓度挥发，导致路径AB被选中的概率进一步降低，如此反复，信息素浓度收敛到路径ACB，得出路径ACB为最优路径的错误结论。该现象出现的概率会随着(LAB：LAC)的比值增大而增大，为了降低甚至杜绝此现象出现的概率，采用调整启发函数的方法解决，改进公式如下：
Figure BDA0003730031500000081
式中：γ为改进后先验概率；η为原先验概率；ηmax为原先验概率最大值；ηmin为原先验概率最小值；△为改进后先验概率最大值与最小值之差；γmin为改进后先验概率的最小值。
步骤7，判断Ak是否属于禁忌表Tabu，如果否，则用轮盘赌算法选择Ak中一个节点Nm，蚂蚁移动至节点Nm，并将Nk加入禁忌表Tabu中，此时，蚂蚁所在的当前节点为Nm；如果是，将蚂蚁回溯至当前节点Nk的上一节点Nz，并将Nk从Az中移除，此时，蚂蚁所在的当前节点为Nz。
回溯
在蚁群算法搜寻路径的过程中，为了避免出现蚁群走回头路，反复经过同一路段的现象，基本蚁群算法引入禁忌表Tabu的概念，将已经访问过的节点加入禁忌表，在禁忌表中存在的节点无法再次访问。然而，若路网模型中存在图5所示局部路径，其中黑色加深线段表示已经过路段，黑色加深线段所连接的节点表示已经过节点，蚁群从节点N1出发，沿黑色加深路径到达节点N6，此时蚂蚁下一步可到达节点集合AN6＝(N1、N3)∈禁忌表Tabu＝(N1、N2、N3、N4、N5、N6)，导致蚂蚁无路可走，搜索陷入停滞，该路径不成立，可将(Ak∈Tabu)的现象称为蚂蚁进入了“死胡同”。为了避免“死胡同”的出现，提出回溯概念，即若蚁群在节点N6出现AN6∈Tabu，则回溯到上一节点N5，并将N5原本可访问的节点N6从AN5中移除，即可避免蚁群再次进入“死胡同”。
步骤8，判断蚂蚁所在的当前节点是否属于安置点Nend，如果是，则表示蚂蚁到达安置点，记录蚂蚁依次经过的所有节点，这些依次经过的节点组成一条路径，进入步骤9；否则表示第m只蚂蚁未到达安置点，返回步骤6，继续搜索。
步骤9，判断m＝M？“是”则表示所有蚂蚁到达安置点，进入步骤10；“否”则令m＝m+1，返回步骤5。
步骤10，依次提取M条路径(共有M只蚂蚁，每只蚂蚁都能找到一条路径，一只蚂蚁从撤离点出发，到安置点，经过的所有节点组成一条路径)，对于每一条路径，根据步骤1得到的溃坝洪水淹没信息逐帧更新洪水淹没情况(面Area)；根据车辆(蚂蚁)速度-时间变化曲线逐帧更新车辆(蚂蚁)行驶速度、根据车辆(蚂蚁)行驶速度逐帧更新车辆(蚂蚁)当前位置(当前所在节点N)，判断当前所在节点N是否在面Area内，即蚂蚁所在位置N是否位于当前洪水淹没区Area之内，如果是则表示按照蚂蚁当前所在路径的撤离过程中会受溃坝洪水影响，将路径列入路径禁忌表中，同时将该路径撤离时间设置为∞；否则记录路径撤离时间T。
溃坝洪水到达时间以1min步长成像为帧率，采用逐帧分析，每隔1帧(1min)更新路网洪水淹没情况，达到洪水动态演进的效果，如图7所示，从图(a)－(c)分别为展示了洪水演进1h(60帧)、1.5h(90帧)、2h(120帧)的淹没情况，以此判断撤离车辆(蚂蚁)在按照选中路径的撤离过程是否会受洪水影响。以车辆(蚂蚁)按图中黑实线路径撤离为例，假设车辆(蚂蚁)在溃坝发生1h后收到撤离指令开始撤离，洪水淹没情况如图(a)所示，经过0.5h后，撤离车辆(蚂蚁)行进到图(b)所示位置，虽然仍处于危险区，但洪水还没有影响到此区域，因此可以按此路径继续撤离，以此类推，若最终安全抵达图(c)所示安全区，表示该路径撤离途中不会受洪水影响，记录该路径撤离用时后判断下一帧蚂蚁位置与洪水淹没的关系，直到蚂蚁抵达安置点；若该路径会受洪水影响则将此路径列入路径禁忌表中，避免后续蚁群选择，同时减少该路径信息素。
通过逐帧解析路网洪水淹没情况，将溃坝洪水淹没信息与改进蚁群算法相结合，并将车辆行驶速度以帧表述，根据车辆速度-时间变化曲线，每帧更新车辆行驶速度，使计算分析更接近真实情况。
步骤11，根据公式(7)—(9)更新各路段信息素，按照最大最小蚁群系统将路段信息素水平限制在(τmin，τmax)，将路段信息素更新后超过τmax的路段信息素降至τmax，将路段信息素挥发后低于τmin的路段信息素升至τmin，本案例中限制信息素最大值τmax建议取值80-120、限制信息素最小值τmin建议取值1-10。
最大最小蚁群
利用基本蚁群算法优化所得路径，容易在某些局部路径上不停搜索，导致这些路径的信息素不断膨胀，随着局部路段信息素的增长及其他路段信息素的挥发，这些路段信息素远大于其他路段信息素，根据公式(5)计算蚁群转移概率，此时局部路段被选择的概率远大于其他路段，导致蚁群难以脱离局部路径，最终陷入局部最优，无法得到全局最优解。故采用最大最小蚁群系统方法，通过限制信息素的最大值及最小值，将各节点的转移概率控制在一定比例内，增强算法的全局搜索能力。
步骤12，判断g＝G？“是”则表示迭代结束，输出撤离时间最少的路径作为最优避洪转移路径；“否”则令g＝g+1，返回步骤5。
下面以A市H水库为例，考虑H水库遭遇10000年一遇校核洪水，泄洪设施正常泄洪，大坝管涌溃坝的最不利工况。通过溃坝洪水演进数据汇总分析，将洪水淹没信息储存至各非结构网格，作为改进蚁群算法优化避洪转移路径的情景条件；并提取研究区域路网信息，搭建路网模型，作为改进蚁群算法优化避洪转移路径的基础环境。
(1.1)参数设置
利用改进蚁群算法优化避洪转移路径，为了使算法发挥最大效益，首先需确定适用于研究区域的主要参数值。对于改进蚁群算法中的蚁群数量m、信息素增强系数Q可根据经验分别取m＝50、Q＝100；对于主要参数α、参数β、信息素挥发系数ρ、限制信息素最大值τmax、改进后验概率最大值γmax的取值则采用控制变量法确定，每次实验只改变一个参数，其他参数为默认值。该实验在搭建的路网模型淹没环境中进行，每改变一次参数均实验100次，统计找到最优路径时的迭代次数。
(1.1.1)信息素启发因子α与限制信息素最大值τmax
由图8、9的实验结果可知，信息素启发因子α取1，限制信息素最大值τmax取100时改进蚁群算法效果最好。分析调试实验图可以发现，随着信息素启发因子α、τmax的值增大，算法在50次迭代后仍然没有找到最优路径的次数增加，准确率降低，寻优能力减弱；从各迭代区间的累计次数分布可以看出，当参数值过大时，除非在算法前期(迭代次数小于20，路段间信息素水平差距不大)找到最优路径，一旦步入后期，大概率只能得到局部最优解。
(1.1.2)期望函数因子β与改进先验概率最大值γmax
由图10的实验结果可知，期望函数因子β取1，改进先验概率最大值γmax取100时改进蚁群算法效果最好。分析调试实验图发现，随着β、γmax的值增大，路段间先验概率差距增大，蚁群会越来越偏向于选择局部路径更短的路段，导致陷入局部最优的可能性大大增加，与α的调试实验图相比，不仅准确率下降了，前期找到最优解的频率也相差甚远。
(1.1.3)信息素挥发系数ρ
由图12的实验结果可知，信息素挥发系数ρ取0.05时改进蚁群算法能发挥最大效益。分析信息素挥发系数调试实验图可以发现，改进蚁群算法中参数信息素挥发系数的变化对结果的影响很小，原因在于最大最小蚁群系统限制了路段信息素水平，在信息素增强系数较大的情况下，每次路段信息素挥发后的下一次信息素更新又会将路段信息素拉回到与挥发前相差不大的水平。虽然最大最小蚁群的改动削弱了信息素挥发系数的作用，但是从改进蚁群算法最终找到最优解的准确率看，改动是合理的。
(2.2)算法仿真与对比分析
为验证改进蚁群算法在溃坝洪水淹没下动态路径优化中的优越性，将其与基本蚁群算法对比，两种算法在同一环境情景下进行实验，从同一撤离点48出发，设置14和28两个安置点，各进行100次实验，对比两种算法优劣。两种算法均使用最大化算法效益的参数，参数设置如表1所示。
表1算法参数设置
Figure BDA0003730031500000111
由表2可知，应用本实施例提出的改进蚁群算法得到的最短路径长度与应用基本蚁群算法得到的最短路径长度相同，但是准确率相比基本蚁群算法提高了29％。且平均迭代次数减少了10.13次，大幅提高了效率。
表2两种算法仿真结果对比
Figure BDA0003730031500000121
分析两种算法得出的结果，改进前后的蚁群算法所得结果都是不受洪水影响的路径，证明以帧率的思路模拟洪水演进是合理可行的。而在基本蚁群算法的100次实验中，得出图13所示A路径68次，得出图14所示B路径23次；改进蚁群算法得出A路径97次，得出B路径3次。可以看出，路径A与路径B是从节点54开始不同，且撤离用时差距不大，分析节点54的转移概率不难发现，在路段信息素水平差距不大的情况下P(54，25)＜P(54，51)，因此基本蚁群算法容易陷入路径B的局部最优解，改进蚁群算法则由于最大最小蚁群系统和改进启发函数脱，扩大了搜索范围，大大提高了脱离局部路径的概率，与实验结果相符。
根据基本蚁群算法和改进蚁群算法在单次实验中得出的数据，分别绘制收敛曲线，如图15所示。结果表明，由于本实施例中的改进蚁群算法针对启发函数做了限制，减小了各路段先验概率之间的差距，虽然导致其前期寻优能力相较基本蚁群算法有一定程度的降低，但同时也大大增强了后期脱离局部路径的能力，且改进蚁群算法的平均迭代次数远小于基本蚁群算法的平均迭代次数，所以对启发函数的改进是合理的。
溃坝洪水避洪转移动态路径优化的关键在于如何在复杂路网中考虑溃坝洪水淹没信息的影响，在运用基本蚁群算法优化路径时发现由于启发式算法的局限性，无法确保得到最优解，且准确率低于预期，故对基本蚁群算法做如下改进：
(1)增加回溯算法，避免蚁群陷入无路可走的“死胡同”，确保每只蚂蚁都能得到可行解。
(2)引入最大最小蚁群系统，避免路段信息素无限制增长或挥发，达到扩大蚁群搜索范围的目的。
(3)改进启发式函数，减少路段间先验概率的差距，增强了后期蚁群脱离局部最优路径的能力。
由仿真对比结果可知，本发明改进后的蚁群算法可有效提升收敛速度，寻优能力更强，准确率更高，在复杂路网和溃坝洪水淹没结合的环境下取得了良好的效果，可满足水库大坝安全管理应急预案对应急撤离路径动态化、高效率的要求。

Claims (7)

1.一种基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，其特征在于，包括如下步骤：
步骤1，将BREACH模型和MIKE21模型耦合，模拟溃坝洪水演进过程，将溃坝洪水演进过程的溃坝洪水淹没非结构网格导入ArcMap处理后得到各位置对应溃坝洪水淹没信息，作为避洪路径优化的限制条件；
步骤2，用图论法搭建路网模型，将真实路网矢量化，在搭建的路网模型中搜索撤离点到安置点之间不受溃坝洪水影响的最优路径；
步骤3，设置撤离点Nstrat与安置点Nend；
步骤4，初始化蚁群算法的参数，令当前迭代次数g＝1；当前蚂蚁m＝1；信息素矩阵Tau中各路段信息素水平为30；利用改进启发函数计算各路段先验概率，存入矩阵Eta；设置蚁群算法中的如下参数：最大迭代次数G、蚁群数量M、信息素增强系数Q、信息素启发因子α、期望函数因子β、信息素挥发系数ρ、限制信息素最大值τmax、限制信息素最小值τmin、改进先验概率最大值γmax、改进先验概率最小值γmin；
步骤5，第m只蚂蚁从步骤3设置的撤离点Nstart出发，所述蚂蚁用于模拟车辆；
步骤6，蚂蚁开始搜索路径，假设蚂蚁所在的当前节点为Nk，计算Ak中各节点转移概率P；Ak表示蚂蚁在节点Nk，下一步可以到达的所有节点组成的集合；
步骤7，判断Ak是否属于禁忌表Tabu，如果否，则用轮盘赌算法选择Ak中一个节点Nm，蚂蚁移动至节点Nm，并将Nk加入禁忌表Tabu中，此时，蚂蚁所在的当前节点为Nm；如果是，将蚂蚁回溯至当前节点Nk的上一节点Nz，并将Nk从Az中移除，此时，蚂蚁所在的当前节点为Nz；
步骤8，判断蚂蚁所在的当前节点是否属于安置点Nend，如果是，则表示蚂蚁到达安置点，记录蚂蚁依次经过的所有节点，这些依次经过的节点组成一条路径，进入步骤9；否则表示第m只蚂蚁未到达安置点，返回步骤6，继续搜索；
步骤9，判断m是否等于M，如果是，则表示所有蚂蚁到达安置点，进入步骤10；否则令m＝m+1，返回步骤5；
步骤10，依次提取M条路径，对于每一条路径，根据步骤1得到的溃坝洪水淹没信息逐帧更新洪水淹没面Area；根据车辆速度-时间变化曲线逐帧更新车辆行驶速度、根据车辆行驶速度逐帧更新车辆当前位置，判断当前所在节点N是否在面Area内，即蚂蚁所在位置N是否位于当前洪水淹没区Area之内，如果是则表示按照蚂蚁当前所在路径的撤离过程中会受溃坝洪水影响，将路径列入路径禁忌表中，同时将该路径撤离时间设置为∞；否则记录该路径撤离时间T；
步骤11，更新各路段信息素，同时按照最大最小蚁群系统将路段信息素水平限制在(τmin，τmax)，τmin是限制信息素最小值；
步骤12，判断g是否等于G，如果是，则表示迭代结束，输出撤离时间最少的路径作为最优避洪转移路径；否则令g＝g+1，返回步骤5。
2.根据权利要求1所述的基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，其特征在于，BREACH模型与MIKE21模型耦合过程如下：BREACH初次计算出溃口流量q1与溃口尺寸，作为洪源数据导入MIKE21中模拟运行，提取mesh文件中溃口所在网格淹没水深并得出计算历时下的溃口流量q2，若此流量q2与BREACH计算所得溃口流量q1差值小等于设定值，即满足精度要求，所得结果输出；若差值大于设定值，须将溃口流量与初次计算溃口尺寸迭代至BREACH模型中再次模拟计算直至所得结果满足精度要求；
通过BREACH模型与MIKE21模型耦合得到溃坝洪水演进过程，将shp格式的溃坝洪水淹没非结构网格导入ArcMap得到可视化洪水淹没数据。
3.根据权利要求1所述的基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，其特征在于，交通路网模型中，将通往危险区的路段设为单向通行，即车辆无法进入危险区，只能从危险区出来。
4.根据权利要求1所述的基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，其特征在于，改进启发函数的公式为：
Figure FDA0003730031490000021
式中：γ为改进后先验概率；η为原先验概率；ηmax为原先验概率最大值；ηmin为原先验概率最小值；△为改进后先验概率最大值与最小值之差；γmin为改进后先验概率的最小值。
5.根据权利要求1所述的基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，其特征在于，所述步骤6中，蚂蚁开始搜索路径，假设蚂蚁所在的当前节点为Nk，根据距离启发函数计算出原先验概率，套入改进启发函数计算改进后先验概率，计算Ak中各节点转移概率P。
6.根据权利要求1所述的基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，其特征在于，步骤11中更新各路段信息素，按照最大最小蚁群系统将路段信息素水平限制在(τmin，τmax)，将路段信息素更新后超过τmax的路段信息素降至τmax，将路段信息素挥发后低于τmin的路段信息素升至τmin。
7.根据权利要求1所述的基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法，其特征在于，所述信息素增强系数Q根据限制信息素最大值τmax与路径平均用时Tavg共同确定，20≤τmax/(Q-Tavg)≤50。
CN202210790576.7A 2022-07-05 2022-07-05 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法 Active CN115169690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210790576.7A CN115169690B (zh) 2022-07-05 2022-07-05 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210790576.7A CN115169690B (zh) 2022-07-05 2022-07-05 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法

Publications (2)

Publication Number Publication Date
CN115169690A true CN115169690A (zh) 2022-10-11
CN115169690B CN115169690B (zh) 2023-04-21

Family

ID=83492081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210790576.7A Active CN115169690B (zh) 2022-07-05 2022-07-05 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法

Country Status (1)

Country Link
CN (1) CN115169690B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115826587A (zh) * 2023-02-14 2023-03-21 河北工业大学 基于路网蚁群算法的移动机器人路径规划方法、装置
CN118229098A (zh) * 2024-05-27 2024-06-21 中国安能集团第二工程局有限公司 堰塞湖溃决监测预警方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156525A (zh) * 2014-08-05 2014-11-19 天津大学 一种提高风暴潮灾害风险预测精度的方法
CN109743215A (zh) * 2019-03-05 2019-05-10 重庆邮电大学 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法
US20190318440A1 (en) * 2018-04-17 2019-10-17 One Concern, Inc Flood risk analysis and mapping
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
CN113886912A (zh) * 2021-09-22 2022-01-04 中国电建集团华东勘测设计研究院有限公司 一种多阶段溃坝智能优化应急调度方法
EP3940494A1 (en) * 2020-07-17 2022-01-19 Wuhan University of Science and Technology Path planning method for substation inspection robot
CN114004003A (zh) * 2021-12-31 2022-02-01 华南理工大学 一种适用于城区复杂下垫面的水库溃坝洪水数值模拟方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156525A (zh) * 2014-08-05 2014-11-19 天津大学 一种提高风暴潮灾害风险预测精度的方法
US20190318440A1 (en) * 2018-04-17 2019-10-17 One Concern, Inc Flood risk analysis and mapping
CN109743215A (zh) * 2019-03-05 2019-05-10 重庆邮电大学 一种多区域故障下基于灾难预测的蚁群优化虚拟网络映射方法
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
EP3940494A1 (en) * 2020-07-17 2022-01-19 Wuhan University of Science and Technology Path planning method for substation inspection robot
CN113886912A (zh) * 2021-09-22 2022-01-04 中国电建集团华东勘测设计研究院有限公司 一种多阶段溃坝智能优化应急调度方法
CN114004003A (zh) * 2021-12-31 2022-02-01 华南理工大学 一种适用于城区复杂下垫面的水库溃坝洪水数值模拟方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KONG MING: "Solving path planning problem based on ant colony algorithm" *
张洪福;屈维意;: "基于改进节约算法的行蓄洪区物资配送路径优化" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115826587A (zh) * 2023-02-14 2023-03-21 河北工业大学 基于路网蚁群算法的移动机器人路径规划方法、装置
CN115826587B (zh) * 2023-02-14 2023-06-06 河北工业大学 基于路网蚁群算法的移动机器人路径规划方法、装置
CN118229098A (zh) * 2024-05-27 2024-06-21 中国安能集团第二工程局有限公司 堰塞湖溃决监测预警方法及系统

Also Published As

Publication number Publication date
CN115169690B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN115169690A (zh) 基于改进蚁群算法的溃坝洪水避洪转移动态路径优化方法
CN107464021B (zh) 一种基于强化学习的人群疏散仿真方法、装置
CN104156525B (zh) 一种提高风暴潮灾害风险预测精度的方法
CN109670270A (zh) 基于多智能体深度强化学习的人群疏散仿真方法及系统
CN103327082B (zh) 一种多蚁群疏散优化交换方法
CN108596368B (zh) 一种基于预测时间的多出口疏散方法
CN112257352A (zh) 一维水动力模型和二维水动力模型的耦合方法及系统
CN111797572B (zh) 一种城市事故灾害演化模拟及风险预测预警方法
CN105045091B (zh) 基于模糊神经控制系统的疏浚工艺智能决策分析方法
CN105099731B (zh) 挖掘导致网络应用的用户流失的流失因子的方法及系统
CN106981204B (zh) 一种信息处理方法及装置
CN111481933A (zh) 一种基于改进势场栅格法的游戏路径规划方法
CN106370198A (zh) 一种考虑出行异质性的路径选择方法
CN114997006A (zh) 基于多gpu并行框架的河流泥沙输移过程数值模拟方法
CN107871315A (zh) 一种视频图像运动检测方法和装置
Dong et al. Dynamic planning method of evacuation route in dam-break flood scenario based on the ACO-GA hybrid algorithm
CN112966363B (zh) 面向随机扰动的交通枢纽候车厅人群流动仿真方法及装置
CN111046562B (zh) 基于蜂群算法的多目标引导人员疏散仿真方法及仿真系统
Sun et al. Study on safe evacuation routes based on crowd density map of shopping mall
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN110598307A (zh) 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统
CN114004114A (zh) 基于gpu并行加速的水库溃坝洪水演进快速模拟方法
Sun et al. Traffic congestion pattern detection using an improved mcmaster algorithm
Yew et al. Optimization of Multi-Junction Traffic Light Control Using the Classic Genetic Algorithm
Ghimire et al. Application of cellular automata approach for fast flood simulation

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