CN115964830A - 一种复杂巷道网络下无人机应急中心选址方法及装置 - Google Patents

Abstract

一种复杂巷道网络下无人机应急中心选址方法及装置，该方法将复杂网络理论中度的中心性、节点介数、H指数、核数四个指标衡量巷道中节点的重要度；通过“挖孔”筛选候选中心节点，“挖孔”所选候选节点从全局角度进行选取候选节点，适应于各种路网拓扑图，满足所有节点全覆盖，且以衡量执行“挖孔”后是否有剩余节点，从客观的角度来确定候选选址点个数，降低后续选址运算中的计算量；依据应急中心所控节点数目不同来确定节点救援设备数量；根据使用场景侧重点不同，选址模型中目标函数因素权重可自拟，可根据自身的井下建站能力、对应急事件的处理速度，及寻求性价比最高等需求进行权重配置，用户可以根据不同环境或需求选择不同选址模式。

Description

一种复杂巷道网络下无人机应急中心选址方法及装置

技术领域

本申请属于煤矿巷道巡检技术领域，具体涉及一种复杂巷道网络下无人机应急中心选址方法及装置。

背景技术

随着5G技术的发展与井下无人机的逐步问世，将无人机应用于煤矿巷道领域，对突发事件进行响应，从而推动矿山安全的大升级，这对于促进煤矿的高效生产与智慧矿山时代来临，具有巨大的经济以及社会效益。无人机因最远射程与在某一特定时间段内完成应急响应等要求，需要建立无人机应急选址中心来满足巷道应急巡检的全区域覆盖。

但是，在复杂网络分析计算候选节点的方法中，通过自行设定某一值来筛选候选节点，因为综合值的选取多具有主观性，造成无法确定候选节点个数、候选选址点过于集中、增加约束条件后无人机不可达等问题，这为选址问题增加困难。

发明内容

有鉴于此，本申请的目的在于提出一种复杂巷道网络下无人机应急中心选址方法及装置，用以解决或部分解决上述技术问题。

基于上述目的，本申请的第一方面提供了一种复杂巷道网络下无人机应急中心选址方法，包括：

获取巷道拓扑图，提取巷道拓扑图中线段的节点，对提取的节点进行标号，将巷道拓扑图映射为无向图，利用提取的节点间的连通性构建巷道复杂网络模型；

利用所述巷道复杂网络模型中节点的流量与拓扑位置关系，采用预设指标衡量评价巷道中节点的重要度，预设指标包括度的中心性、节点介数、H指数和核数；

采用层次分析法对预设指标进行权重计算，得到度的中心性、节点介数、H指数和核数的指标权重;

对各个节点的指标值进行标准化处理，结合指标权重生成综合指标值，对综合指标值进行排序，选取综合指标值最高的节点；

以所选节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内节点，完成“挖孔”；将剩余节点再次进行综合指标值计算并排序，找寻重要度最高的点再次进行“挖孔”，直到巷道拓扑图中再无节点可选，输出所画圆的圆心作为候选应急中心节点；

采用集合覆盖模型和多目标决策相结合的选址规划模型，综合预定影响因素后，决策出应急中心的数量和位置。

作为复杂巷道网络下无人机应急中心选址方法优选方案，利用提取的节点间的连通性构建巷道复杂网络模型为：

G＝(N，E，W)

N＝{n₁，n₂，…，n_N}

式中，G为巷道拓扑图，N代表巷道拓扑图中的节点集合，E为巷道拓扑图中边集合，e_ij为节点i与节点j之间的边，代表的是巷道中的道路；W_ij为e_ij的权重。

作为复杂巷道网络下无人机应急中心选址方法优选方案，度的中心性表示为：

式中，ND_i为指定节点的邻居节点的数目；

核数的确定方式为：

将巷道拓扑图G中度数等于k的节点及节点连接的边移除，得到子图G′，将子图G′中度数小于等于k的节点及节点的连接边删除，得到新的子图G″，直至图中再无度数为小于等于k的节点，k为被移除的节点的核数。

作为复杂巷道网络下无人机应急中心选址方法优选方案，节点介数表示为：

式中，α_st为节点s与节点t最短路径总数目，α_st(i)为节点s与节点t经过节点i的最短路径数目：

H指数确定方式为：

将节点i的所有邻居节点的度值进行降序排列，在二维坐标系中横坐标用节点对应的序号，纵坐标用节点的度值进行标注，从原点开始，向第一象限最大限度地绘制不含任何节点的正方形，正方形的边长为节点i的H指数。

作为复杂巷道网络下无人机应急中心选址方法优选方案，采用Z-score标准化方式，将预设指标的标度值分别进行无量纲处理：

式中，Z是进行无量纲化处理后的结果，X是原始数据，X′是各个指标值的数据平均值，s各个指标值的数据标准差；

综合指标值的反映方式为：将权重ω与Z结合，采用Z′_i＝Z_i×ω进行综合指标值计算以完成节点的综合评价。

作为复杂巷道网络下无人机应急中心选址方法优选方案，预定影响因素包括：建站成本与无人机购买费用成本，应急中心的运营成本，事故突发点与应急中心最短距离×单位距离消耗成本的成本，单位距离长度消耗成本＝能耗费用+电池维护费用+折旧费用+云平台系统使用费用。

作为复杂巷道网络下无人机应急中心选址方法优选方案，选址规划模型的目标函数为：

式中，CB_j为应急中心的建站成本，包括固定投资成本、无人机购买费用成本；CR_j为应急中心的运营成本；CTD_j为事故突发点与应急中心最短距离×单位距离消耗成本的成本；k_CB，k_CR，k_CTD为对应的权重；

第j座应急中心的建设成本表示为：

CB_j＝C_cBuid+C_uavp*UAVN_j

式中，C_cBuid为投资建站每座应急中心的成本，C_uavP为无人机的单价，UAVN_j为第j座应急中心所需要配备无人机的数量。

作为复杂巷道网络下无人机应急中心选址方法优选方案，选址规划模型的约束条件为：

式中，约束条件(a)代表一个需求点只被一个救援中心服务；

约束条件(b)如果在j点建设应急设施中心，则x_j为1，否则为0；

约束条件(c)如果节点i由应急中心j服务，则y_ij为1，否则为0；

约束条件(d)节点需要在覆盖范围内。

作为复杂巷道网络下无人机应急中心选址方法优选方案，将时间的惩罚成本转化为距离惩罚成本，设定惩罚成本为无人机未在应急救援规定时间抵达产生的成本，[0，t_be]是应急救援时间最优时间段，飞行最远时间为(T_uav-t_d)/2分钟；

在完成候选节点选取的基础上，采用遗传算法进行多目标最优选址点的求解。

本申请的第二方面提供了一种复杂巷道网络下无人机应急中心选址装置，采用第一方面或其任意可能实现方式的复杂巷道网络下无人机应急中心选址方法，包括：

节点提取模块，用于获取巷道拓扑图，提取巷道拓扑图中线段的节点；

节点标号模块，用于对提取的节点进行标号，将巷道拓扑图映射为无向图；

巷道复杂网络模型构建模块，用于利用提取的节点间的连通性构建巷道复杂网络模型；

预设指标选取模块，用于利用所述巷道复杂网络模型中节点的流量与拓扑位置关系，采用预设指标衡量评价巷道中节点的重要度，预设指标包括度的中心性、节点介数、H指数和核数；

指标权重计算模块，用于采用层次分析法对预设指标进行权重计算，得到度的中心性、节点介数、H指数和核数的指标权重；

指标标准化模块，用于对各个节点的指标值进行标准化处理，结合指标权重生成综合指标值：

节点排序选取模块，用于对综合指标值进行排序，选取综合指标值最高的节点：

节点“挖孔”处理模块，用于以所选节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内节点，完成“挖孔”；将剩余节点再次进行综合指标值计算并排序，找寻重要度最高的点再次进行“挖孔”，直到巷道拓扑图中再无节点可选，输出所画圆的圆心作为候选应急中心节点；

选址决策模块，用于采用集合覆盖模型和多目标决策相结合的选址规划模型，综合预定影响因素后，决策出应急中心的数量和位置。

本申请的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或其任意可能实现方式的复杂巷道网络下无人机应急中心选址方法。

本申请的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行实现第一方面或其任意可能实现方式的复杂巷道网络下无人机应急中心选址方法。

从上面所述可以看出，本申请提供的技术方案，本申请解决了将无人机应用于井下巷道的应急中心选址问题，考虑到井下环境的适建性，无人机续航能力、应急响应标准，在已有巷道不增加挖掘等工作量的前提下，建立应急中心；从复杂网络中节点的流量与拓扑位置关系两个角度，复杂网络理论中度的中心性、节点介数、H指数、核数共计四个指标衡量巷道中节点的重要度；通过“挖孔”筛选候选中心节点，相较于复杂网络分析法中自行选择某一值来确定候选节点，使得复杂网络分析法多具有主观性，造成无法确定候选节点数目、候选选址点过于集中、增加约束条件后无人机不可达等问题，“挖孔”所选候选节点从全局角度进行选取候选节点，适应于各种路网拓扑图，满足所有节点全覆盖，且以衡量执行“挖孔”后是否有剩余节点，从客观的角度来确定候选选址点个数，降低后续选址运算中的计算量；依据应急中心所控节点数目不同来确定节点救援设备数量；根据使用场景的侧重点不同，选址模型中目标函数各个因素对应权重可自拟，可根据自身的井下建站能力、对应急事件的处理速度，及寻求性价比最高等需求进行权重配置，用户可以根据不同环境或需求选择不同选址模式。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的复杂巷道网络下无人机应急中心选址方法流程示意图：

图2为本申请实施例的复杂巷道网络下无人机应急中心选址方法中预设指标示意图；

图3为本申请实施例的复杂巷道网络下无人机应急中心选址方法中H指数求解示意图；

图4为本申请实施例的复杂巷道网络下无人机应急中心选址方法中综合成本构成示意图；

图5为本申请实施例的复杂巷道网络下无人机应急中心选址方法中遗传算法示意图；

图6为本申请实施例的复杂巷道网络下无人机应急中心选址方法中巷道拓扑图：

图7为本申请实施例的复杂巷道网络下无人机应急中心选址方法中应急响应候选中心点示意图;

图8为本申请实施例的复杂巷道网络下无人机应急中心选址方法中综合模式下应急中心责任范围图；

图9为本申请实施例的复杂巷道网络下无人机应急中心选址方法中应急模式下应急中心责任范围图；

图10为本申请实施例的复杂巷道网络下无人机应急中心选址方法中应急中心数量最少模式下应急设施中心责任范围图；

图11为本申请实施例的复杂巷道网络下无人机应急中心选址装置架构图：

图12为本申请实施例的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

现阶段，煤炭开采方式大多数仍为地下作业，多采用人工巡检方式。对于工作人员的经验依赖较高，且工作强度大、巡检效率低、成本过高，加之巷道自身地理环境复杂，相对封闭，一旦发生突水、有毒气体浓度过高、巷道塌方等事件，无法及时对巷道故障位置进行探查，这不仅造成应急财力与人力的大量浪费，还将对矿井设备以及工作人员的人身安全造成不可逆的伤害。

煤炭矿井事故导致安全生产形势十分严峻。近些年，民用无人机因稳定、低功耗、具备联网功能等属性，在输电线路巡检、应急救援、物流配送、交通信息采集等民用领域发挥着重大作用。因为煤矿巷道中无GPS信号等条件的限制，造成目前将无人机仅仅应用于露天矿山的测绘方面。

随着5G技术发展与井下无人机的逐步问世，将无人机应用于煤矿巷道领域，对突发事件进行响应，从而推动矿山安全的大升级，这对于促进煤矿的高效生产与智慧矿山时代来临，具有巨大的经济以及社会效益。但是，无人机因最远射程与在某一特定时间段内完成应急响应等要求，需要建立无人机应急选址中心来满足巷道应急巡检的全区域覆盖。

相关技术中，公开了一些建立应急中心选址方法，一种是在已给中心节点基础上直接进行需求点分派，对于急救中心选址直接采用集合覆盖模型进行计算，这对于含有数量级较大节点数的区域，计算较为复杂。另一种是对所给节点属性如距离，人口密度进行衡量，采用聚类方法进行应急中心选址，鉴于巷道的特有属性如处于井下、地理位置复杂且无人机飞行受路网限制，井下巷道中选址与上方所提及的选址问题并不相同，需要考虑井下选址地理条件的适建性。巷道选址应为网络选址中的离散选址，且将复杂网络理论运用于巷道路网中从而完成候选节点选址。

在复杂网络分析计算候选节点的方法中，通过自行设定某一值来筛选候选节点，因为综合值的选取多具有主观性，造成无法确定候选节点个数、候选选址点过于集中、增加约束条件后无人机不可达等问题，这为选址问题增加困难。另外，在选址方面大多数的设立的选址模型仅从应急响应时间、成本等方面进行考虑，未考虑各个应急中心应急设备的容量或人为制定应急中心应急设备的容量相同。

有鉴于此，为了解决将无人机应用于井下巷道的应急中心选址问题，本申请将匹配追踪算法的思想与复杂网络分析法结合，提出一种“挖孔”选取候选节点，通过找寻综合值最高的节点并对以该节点为圆心，应急响应距离范围为半径的圆内所含节点进行挖空剔除，重复多次，直到所有节点均被控制，完成候选节点的筛选。本申请将复杂网络理论运用于巷道路网中从而完成候选节点选址，从无人机最远射程的限值，应急中心所含巡检设备的不同的容量、总应急中心成本等多个角度提出一种复杂巷道网络下无人机应急中心选址方法及装置，将无人机应用于巷道的应急检查，保障所有节点的全覆盖以及突发事故被及时进行处理。以下为本申请实施例的具体内容。

参见图1、图2、图3和图4，本申请实施例提供一种复杂巷道网络下无人机应急中心选址方法，包括以下步骤：

S1、获取巷道拓扑图，提取巷道拓扑图中线段的节点，对提取的节点进行标号，将巷道拓扑图映射为无向图，利用提取的节点间的连通性构建巷道复杂网络模型；

S2、利用所述巷道复杂网络模型中节点的流量与拓扑位置关系，采用预设指标衡量评价巷道中节点的重要度，预设指标包括度的中心性、节点介数、H指数和核数：

S3、采用层次分析法对预设指标进行权重计算，得到度的中心性、节点介数、H指数和核数的指标权重；

S4、对各个节点的指标值进行标准化处理，结合指标权重生成综合指标值，对综合指标值进行排序，选取综合指标值最高的节点；

S5、以所选节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内节点，完成“挖孔”；将剩余节点再次进行综合指标值计算并排序，找寻重要度最高的点再次进行“挖孔”，直到巷道拓扑图中再无节点可选，输出所画圆的圆心作为候选应急中心节点；

S6、采用集合覆盖模型和多目标决策相结合的选址规划模型，综合预定影响因素后，决策出应急中心的数量和位置。

本实施例中，步骤S1，采用原始法对巷道的拓扑图形进行读取及建模，提取巷道拓扑图中各条线段中的各个节点，对巷道拓扑图的节点进行标号，将巷道拓扑图映射为无向图G，根据节点间的连通性构建拓扑邻接矩阵作为巷道复杂网络模型，其中构建的巷道复杂网络模型为：

G＝(N，E，W)

N＝{n_l，n₂，…，n_N}

式中，G为巷道拓扑图，N代表巷道拓扑图中的节点集合，E为巷道拓扑图中边集合，e_ij为节点i与节点j之间的边，代表的是巷道中的道路；W_ij为e_ij的权重。

辅助图2，本实施例中，由于巷道拓扑图结构一个复杂网络，本申请从复杂网络中节点的流量与拓扑位置关系两个角度出发，采用度的中心性、节点介数、H指数、核数共计四个指标衡量评价巷道中节点的重要度。

其中，度的中心性表示为：

式中，ND_i为指定节点的邻居节点的数目；ND_i越大，DC_i越高，表明经过该节点的线路越多，节点i相比巷道拓扑图路网中其他节点作为枢纽站点的概率越高。

其中，核数coreness_i表示为：

coreness_i＝k

通过将巷道拓扑图G中度数等于k的节点及节点连接的边移除，得到子图G′，将子图G′中度数小于等于k的节点及节点的连接边删除，得到新的子图G″，直至图中再无度数为小于等于k的节点。被移除的节点的核数均为k，再移除度数等于k+1的节点，重复以上步骤直至巷道拓扑图中所有节点被移除。

其中，节点介数表示为：

式中，α_st为节点s与节点t最短路径总数目，α_st(i)为节点s与节点t经过节点i的最短路径数。

辅助图3，其中，H指数确定方式为：

以计算巷道拓扑图中的节点i为例，将节点i的所有邻居节点的度值进行降序排列，在二维坐标系中横坐标用节点对应的序号，纵坐标用节点的度值进行标注，从原点开始，向第一象限最大限度地绘制不含任何节点的正方形，正方形的边长为节点i的H指数。

本实施例中，通过将度的中心性、节点介数、H指数、核数四个指标作为衡量评价巷道中节点的重要度指标，采用层次分析法进行权重计算。其中a，b，c，d，e，f分别为上述4个指标中两两重要度比较的量化值：

采用算术平均法：

ω^T＝[ω_DD，ω_BC，ω_H-index，ω_coreness]为各指标权重的转置矩阵；

特征向量D为：

D＝C×ω

因此，最大特征值是：

一致性指标CI为：

CI＝(λ-n)/(n-1)＝(λ-4)/(4-1)

随机一致性指标RI经查表得：

RI＝0.89

又因为一致性比率CR为：

CR＝CI/RI

如果CR≤0.1，则认为指标权重满足一致性评价。

本实施例中，采用Z-score标准化方式，将预设指标的标度值分别进行无量纲处理：

式中，Z是进行无量纲化处理后的结果，X是原始数据，X′是各个指标值的数据平均值，s各个指标值的数据标准差。

本实施例中，将权重ω与Z结合，采用Z′_i＝Z_i×ω计算完成综合评价，即采用一个指标值Z′_i反映出网络拓扑图的拓扑与交通特征：然后对坐标点的综合指标值Z′_i进行降序排列。

本实施例中，步骤S5结合匹配追踪算法的思想，找到满足节点全覆盖的候选节点。首先，找寻综合重要度最高的节点，并以该节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内所有节点，完成“挖孔”；将剩余节点再次进行综合重要度计算并排序，找寻重要度最高的点再次进行“挖孔”；通过逐步迭代，直到巷道复杂图中再无节点可选。将每步所画圆的圆心作为候选应急中心节点，以便缩小选址方案的范围，简化多应急中心选址模型的求解过程。

本实施例中，由于复杂网络中事故发生时具有多发状态、突发点不具有规律性，且对于事故处理的时效性要求较高等特点，步骤S6采用集合覆盖模型(Location SetCovering problem，LSCP)和多目标决策相结合的选址规划模型，综合考虑多种影响因素之后决策出应急救援站的最佳地址。

其中，基本假设如下：

1、井下救援设备一无人机均为同一型号；

2、救援过程中无人机采取自主避障模式，只能按照路网的线路进行飞行。无人机以最大飞行速度V_uavMaxm/s进行匀速飞行，每次执行任务时默认续航时间为最长续航时间T_uavMax分钟；

3、应急救援任务对于响应时间要求较高。设定应急中心到故障点处的时间标准：t_be分钟应为最优响应时间。不考虑无人机监控时间，默认在td分钟内完成故障点处的场景检测与照片回传；

4、应急中心仅在巷道的节点处进行选址。每个应急中心覆盖多个站点，每个站点只由一处应急中心进行监控与救援；

5、考虑到故障点的多发状态与应急中心所分配的被控节点数量有所不同，为避免资源浪费，每个节点所配备无人机数量不同；

6、应急中心建设需要投入大量资金，所以在保障全部站点均被覆盖的前提下，保证应急中心数量最少，所耗总成本最低。

具体的，构建选址规划模型过程中，考虑应急中心选址的影响因素，结合无人机自身电池最长续航能力的限制对应急中心覆盖的最大半径进行设定，应急中心所含巡检设备的不同的容量、总应急中心建站与运营成本等多个角度，在满足全覆盖的前提下实现总成本的最小值。用户可根据自身的经济能力、对应急事件的处理速度，以及寻求性价比最高等需求进行权重配置。

辅助图4，井下巷道应急救援站的选址问题需要考虑多个目标的影响，即综合成本(CAll)为建站成本与无人机购买费用成本(CB)之和，应急中心的运营成本(CR)，事故突发点与应急中心最短距离×单位距离消耗成本的成本(CTD)，单位距离长度消耗成本(ECTD)＝能耗费用+电池维护费用+折旧费用+云平台系统使用费用。

其中，选址规划模型的目标函数为：

式中，CB_j为应急中心的建站成本，包括固定投资成本、无人机购买费用成本；CR_j为应急中心的运营成本；CTD_j为事故突发点与应急中心最短距离×单位距离消耗成本的成本；k_CB，k_CR，k_CTD为对应的权重；

第j座应急中心的建设成本表示为：

CB_j＝C_cBuid+C_uavp*UAVN_j

式中，C_cBuid为投资建站每座应急中心的成本，C_uavP为无人机的单价，UAVN_j为第j座应急中心所需要配备无人机的数量。

其中：

UAVN_i ^min≥1

numUAV＝N/M

UAVN_j＝conPoint_j/numUAV

UAVN_j ^min≥1含义代表每个中心放置无人机数量最少为1；numUAV＝N/M代表理想状态下实现节点的均分，一座应急中心所容纳被控节点数numUAV，即总节点数目N除以应急中心数M；UAVN_j＝conPoint_j/numUAV含义代表第j座应急中心控制的节点数除以numUAV，结果为第j座应急中心需配备UAVN_j台无人机。

具体的，选址规划模型的约束条件为：

式中，约束条件(a)代表一个需求点只被一个救援中心服务；

约束条件(b)如果在j点建设应急设施中心，则x_j为1，否则为0；

约束条件(c)如果节点i由应急中心j服务，则y_jj为1，否则为0；

约束条件(d)节点需要在覆盖范围内。

其中，因时间问题(也可称为时间满意度)无法科学量化，无人机匀速行驶，所以将无人机应急最优时间转化为应急最优距离：D＝V*t；即将时间的惩罚成本转化为距离惩罚成本，设定惩罚成本为无人机未在应急救援规定时间抵达产生的成本，[0，t_be]是应急救援时间最优时间段，飞行最远时间为(T_uav-t_d)/2分钟。

其中，设定的惩罚函数为：

当超过应急救援时间t_be时，C_D为无穷大。如果在应急救援时间内无人机可达，惩罚函数为0，不起作用。

辅助图5，在完成候选节点选取的基础上，采用遗传算法进行多目标最优选址点的求解。

以某地区煤矿的巷道为例进行复杂巷道网络下无人机应急中心选址为例，该巷道拓扑图如图6所示，包括以下步骤：

步骤1：首先采用原始法对某地区巷道的拓扑图形进行读取及建模，提取巷道图中各条线段中的各个节点，其次对其节点进行标号。本次应用的巷道拓扑图共计节点1174个，1285条线段，根据节点间的连通性，构建拓扑邻接矩阵。

步骤2：巷道拓扑图结构本就是一个复杂网络，从复杂网络中节点的流量与拓扑位置关系两个角度、采用度的中心性、节点介数、H指数、核数共计四个指标衡量评价巷道中节点的重要度。

步骤3：对所求各指标数据进行标准化，结合层次分析法计算各指标权重，完成对节点的重要度的综合评价后对重要度进行排序。

本实施例中构造判断矩阵C_ij：

则各指标权重的转置矩阵：

ω^T＝[ω_DC，ω_BC，ω_H-index，ω_coreness]＝[0.05437,0.24683,0.24683,0.45198]

因为一致性比率

CR＝CI/RI＝0.006≤0.1

所以ω^T满足一致性检验。

对各指标数据进行标准化处理，结合权重计算出节点综合重要度。表1为巷道中未开始选址前各个节点计算的综合重要度。

表1节点重要度综合评价结果

步骤4：以综合指标值最高的点编号403为圆心，以规定的应急响应时间t_be转化为半径d进行画圆，从巷道图中剔除圆内所有节点，完成“挖孔”；将剩余节点再次进行综合重要度计算并排序，找寻重要度最高的点进行“挖孔”；通过逐步迭代，直到巷道复杂图中再无节点可选。将每步所画圆的圆心作为候选应急中心节点，以便缩小选址方案的范围，简化多应急中心选址模型的求解过程。

如图7所示，为以应急响应时间为15分钟与8分钟分别进行选址的示意图。图7中左部分应急响应时间以15分钟限定进行筛选的候选中心点共计17个。图7中右部分应急响应时间以8分钟限定进行筛选的候选中心点共计37个。

步骤5：考虑应急中心选址的影响因素。建立选址规划模型，结合无人机自身电池最长续航能力的限制对应急中心覆盖的最大半径进行设定，应急中心所含巡检设备的不同的数量、总应急中心建站与运营成本等多个角度，在满足全覆盖的前提下实现总成本的最小值。获取无人机的运行速度，电池续航时间，无人机每台价格。

表2无人机相关参数

选址规划模型中相关参数如表3所示：假设建站成本为30000元/座，运营成本1500元/座；将单位距离长度消耗成本(ECTD)设定为0.87元/km；

表3选址模型相关参数

遗传算法中各项参数如表4所示：

表4遗传算法相关参数

针对地下紧急救援模式不同的需求与适应范围，分为三个方案：综合模式(性价比较高)选址、急速响应模式选址、应急中心数量最少模式选址。

其中，综合考虑多因素(性价比较高)选址方案，综合考虑建站、运营、日常损耗成本，距离最短等条件，步骤4中所规划的15分钟候选节点为基础，在完成节点全覆盖的情况下，选择性价比最高的建站方式。考虑事故响应时间与各项成本构建评价体系，进行巷道应急中心适宜性评价。

其中，急速响应模式选址方案，将响应时间作为第一考虑要素，不考虑相较于第一种方式建站、运营与维护应急中心所额外花费的成本。针对更加紧急的情况，需要缩短响应时间如最优响应时间更改为8分钟之内完成响应。候选节点以步骤四中8分钟所选候选节点为基础，完成选址。

其中，应急中心数量最少模式选址方案，受制于井下巷道安全与挖掘困难等条件限制，将应急中心数量作为首要考虑要素，不考虑购买无人机与飞行距离消耗等成本，仅要求考虑建站数量最小。完成节点全覆盖且在满足15分钟内完成应急事件响应的前提下完成选址。

步骤6：采用遗传算法与Dijkstra算法相结合对模型求解。采用Dijkstra算法完成巷道拓扑图中任意两个节点之间最短距离的计算，采用遗传算法计算选址结果。

其中，综合考虑多因素(性价比较高)选址方案：

对于综合多因素中上层目标函数各因素系数分别是k_CB＝0.24，k_CR＝0.08，k_CTD＝0.68。目标函数为：

选址及分配结果如表5所示，应急中心站点共17个，该模式中计算numUAV为69，无人机的数量为17台。

表5综合模式选址结果

参见图8，为综合模式下应急中心责任范围图。

其中，急速响应模式选址方案：

选址及分配结果如表6所示，应急中心站点共37个，无人机的数量为37台。

表6急速响应模式选址结果

参见图9，为应急响应模式下各应急中心负责救援责任范围图。

其中，应急中心数量最少模式选址方案：

目标函数为：

选址及分配结果如表7所示，应急中心站点共计14个，无人机的数量为14台。

表7应急中心数量最少模式选址结果

参见图10，为应急中心数量最少模式下应急设施中心责任范围图。

其中，不同模式下的选址方案与适用范围见表8与表9。

表8不同模式下的选址方案

表9不同模式的适用范围

综上所述，本申请通过获取巷道拓扑图，提取巷道拓扑图中线段的节点，对提取的节点进行标号，将巷道拓扑图映射为无向图，利用提取的节点间的连通性构建巷道复杂网络模型；利用所述巷道复杂网络模型中节点的流量与拓扑位置关系，采用预设指标衡量评价巷道中节点的重要度，预设指标包括度的中心性、节点介数、H指数和核数；采用层次分析法对预设指标进行权重计算，得到度的中心性、节点介数、H指数和核数的指标权重；对各个节点的指标值进行标准化处理，结合指标权重生成综合指标值，对综合指标值进行排序，选取综合指标值最高的节点；以所选节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内节点，完成“挖孔”；将剩余节点再次进行综合指标值计算并排序，找寻重要度最高的点再次进行“挖孔”，直到巷道拓扑图中再无节点可选，输出所画圆的圆心作为候选应急中心节点；采用集合覆盖模型和多目标决策相结合的选址规划模型，综合预定影响因素后，决策出应急中心的数量和位置。本申请解决了将无人机应用于井下巷道的应急中心选址问题，考虑到井下环境的适建性，无人机续航能力、应急响应标准，在已有巷道不增加挖掘等工作量的前提下，建立应急中心；从复杂网络中节点的流量与拓扑位置关系两个角度，复杂网络理论中度的中心性、节点介数、H指数、核数共计四个指标衡量巷道中节点的重要度；通过“挖孔”筛选候选中心节点，相较于复杂网络分析法中自行选择某一值来确定候选节点，使得复杂网络分析法多具有主观性，造成无法确定候选节点数目、候选选址点过于集中、增加约束条件后无人机不可达等问题，“挖孔”所选候选节点从全局角度进行选取候选节点，适应于各种路网拓扑图，满足所有节点全覆盖，且以衡量执行“挖孔”后是否有剩余节点，从客观的角度来确定候选选址点个数，降低后续选址运算中的计算量；依据应急中心所控节点数目不同来确定节点救援设备数量；根据使用场景的侧重点不同，选址模型中目标函数各个因素对应权重可自拟，可根据自身的井下建站能力、对应急事件的处理速度，及寻求性价比最高等需求进行权重配置，用户可以根据不同环境或需求选择不同选址模式。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

参见图11，基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种复杂巷道网络下无人机应急中心选址装置，包括：

节点提取模块1，用于获取巷道拓扑图，提取巷道拓扑图中线段的节点；

节点标号模块2，用于对提取的节点进行标号，将巷道拓扑图映射为无向图；

巷道复杂网络模型构建模块3，用于利用提取的节点间的连通性构建巷道复杂网络模型；

预设指标选取模块4，用于利用所述巷道复杂网络模型中节点的流量与拓扑位置关系，采用预设指标衡量评价巷道中节点的重要度，预设指标包括度的中心性、节点介数、H指数和核数；

指标权重计算模块5，用于采用层次分析法对预设指标进行权重计算，得到度的中心性、节点介数、H指数和核数的指标权重；

指标标准化模块6，用于对各个节点的指标值进行标准化处理，结合指标权重生成综合指标值；

节点排序选取模块7，用于对综合指标值进行排序，选取综合指标值最高的节点；

节点“挖孔”处理模块8，用于以所选节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内节点，完成“挖孔”；将剩余节点再次进行综合指标值计算并排序，找寻重要度最高的点再次进行“挖孔”，直到巷道拓扑图中再无节点可选，输出所画圆的圆心作为候选应急中心节点；

选址决策模块9，用于采用集合覆盖模型和多目标决策相结合的选址规划模型，综合预定影响因素后，决策出应急中心的数量和位置。

上述实施例的设备用于实现前述任一实施例中相应地复杂巷道网络下无人机应急中心选址方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的复杂巷道网络下无人机应急中心选址方法。

图12示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应地复杂巷道网络下无人机应急中心选址方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的复杂巷道网络下无人机应急中心选址方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的复杂巷道网络下无人机应急中心选址方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种复杂巷道网络下无人机应急中心选址方法，包括：

获取巷道拓扑图，提取巷道拓扑图中线段的节点，对提取的节点进行标号，将巷道拓扑图映射为无向图，利用提取的节点间的连通性构建巷道复杂网络模型；

利用所述巷道复杂网络模型中节点的流量与拓扑位置关系，采用预设指标衡量评价巷道中节点的重要度，预设指标包括度的中心性、节点介数、H指数和核数；

对预设指标进行权重计算，得到度的中心性、节点介数、H指数和核数的指标权重；

对各个节点的指标值进行标准化处理，结合指标权重生成综合指标值，对综合指标值进行排序，选取综合指标值最高的节点；

以所选节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内节点，完成“挖孔”；将剩余节点再次进行综合指标值计算并排序，找寻重要度最高的点再次进行“挖孔”，直到巷道拓扑图中再无节点可选，输出所画圆的圆心作为候选应急中心节点；

采用集合覆盖模型和多目标决策相结合的选址规划模型，综合预定影响因素后，决策出应急中心的数量和位置。

2.根据权利要求1所述的一种复杂巷道网络下无人机应急中心选址方法，其中，利用提取的节点间的连通性构建巷道复杂网络模型为：

G＝(N,E,W)

N＝{n₁,n₂,…,n_N}

式中，G为巷道拓扑图，N代表巷道拓扑图中的节点集合，E为巷道拓扑图中边集合，e_ij为节点i与节点j之间的边，代表的是巷道中的道路；W_ij为e_ij的权重。

3.根据权利要求1所述的一种复杂巷道网络下无人机应急中心选址方法，其中，度的中心性表示为：

式中，ND_i为指定节点的邻居节点的数目；

核数的确定方式为：

将巷道拓扑图G中度数等于k的节点及节点连接的边移除，得到子图G′,将子图G′中度数小于等于k的节点及节点的连接边删除，得到新的子图G″,直至图中再无度数为小于等于k的节点，k为被移除的节点的核数。

4.根据权利要求3所述的一种复杂巷道网络下无人机应急中心选址方法，其中，节点介数表示为：

式中，α_st为节点s与节点t最短路径总数目，α_st(i)为节点s与节点t经过节点i的最短路径数目；

H指数确定方式为：

将节点i的所有邻居节点的度值进行降序排列，在二维坐标系中横坐标用节点对应的序号，纵坐标用节点的度值进行标注，从原点开始，向第一象限最大限度地绘制不含任何节点的正方形，正方形的边长为节点i的H指数。

5.根据权利要求4所述的一种复杂巷道网络下无人机应急中心选址方法，其中，采用Z-score标准化方式，将预设指标的标度值分别进行无量纲处理：

式中，Z是进行无量纲化处理后的结果，X是原始数据，X′是各个指标值的数据平均值，s各个指标值的数据标准差；

综合指标值的反映方式为：将权重ω与Z结合，采用Z′_i＝Z_i×ω进行综合指标值计算以完成节点的综合评价。

6.根据权利要求5所述的一种复杂巷道网络下无人机应急中心选址方法，其中，预定影响因素包括：建站成本与无人机购买费用成本，应急中心的运营成本，事故突发点与应急中心最短距离×单位距离消耗成本的成本，单位距离长度消耗成本＝能耗费用+电池维护费用+折旧费用+云平台系统使用费用。

7.根据权利要求6所述的一种复杂巷道网络下无人机应急中心选址方法，其中，选址规划模型的目标函数为：

式中，CB_j为应急中心的建站成本，包括固定投资成本、无人机购买费用成本；CR_j为应急中心的运营成本；CTD_j为事故突发点与应急中心最短距离×单位距离消耗成本的成本；k_CB，k_CR，k_CTD为对应的权重；

第j座应急中心的建设成本表示为：

CB_j＝C_cBuid+C_uavp*UAVN_j

式中，C_cBuid为投资建站每座应急中心的成本，C_uavP为无人机的单价，UAVN_j为第j座应急中心所需要配备无人机的数量。

8.根据权利要求7所述的一种复杂巷道网络下无人机应急中心选址方法，其中，选址规划模型的约束条件为：

式中，约束条件(a)代表一个需求点只被一个救援中心服务；

约束条件(b)如果在j点建设应急设施中心，则x_j为1，否则为0；

约束条件(c)如果节点i由应急中心j服务，则y_ij为1，否则为0；

约束条件(d)节点需要在覆盖范围内。

9.根据权利要求8所述的一种复杂巷道网络下无人机应急中心选址方法，其中，将时间的惩罚成本转化为距离惩罚成本，设定惩罚成本为无人机未在应急救援规定时间抵达产生的成本，[0，t_be]是应急救援时间最优时间段，飞行最远时间为(T_uay-t_d)/2分钟；

在完成候选节点选取的基础上，采用遗传算法进行多目标最优选址点的求解。

10.一种复杂巷道网络下无人机应急中心选址装置，采用权利要求1至9任一项所述的复杂巷道网络下无人机应急中心选址方法，其中，包括：

节点提取模块，用于获取巷道拓扑图，提取巷道拓扑图中线段的节点；

节点标号模块，用于对提取的节点进行标号，将巷道拓扑图映射为无向图；

巷道复杂网络模型构建模块，用于利用提取的节点间的连通性构建巷道复杂网络模型；

预设指标选取模块，用于利用所述巷道复杂网络模型中节点的流量与拓扑位置关系，采用预设指标衡量评价巷道中节点的重要度，预设指标包括度的中心性、节点介数、H指数和核数；

指标权重计算模块，用于对预设指标进行权重计算，得到度的中心性、节点介数、H指数和核数的指标权重；

指标标准化模块，用于对各个节点的指标值进行标准化处理，结合指标权重生成综合指标值；

节点排序选取模块，用于对综合指标值进行排序，选取综合指标值最高的节点；

节点“挖孔”处理模块，用于以所选节点为中心，以应急响应时间所转化的应急飞行距离为半径进行画圆，从巷道拓扑图中剔除圆内节点，完成“挖孔”；将剩余节点再次进行综合指标值计算并排序，找寻重要度最高的点再次进行“挖孔”，直到巷道拓扑图中再无节点可选，输出所画圆的圆心作为候选应急中心节点；

选址决策模块，用于采用集合覆盖模型和多目标决策相结合的选址规划模型，综合预定影响因素后，决策出应急中心的数量和位置。

Images