CN116468189A - 一种基于智能优化算法的水质传感器节点部署优化方法 - Google Patents

一种基于智能优化算法的水质传感器节点部署优化方法 Download PDF

Info

Publication number
CN116468189A
CN116468189A CN202310728325.0A CN202310728325A CN116468189A CN 116468189 A CN116468189 A CN 116468189A CN 202310728325 A CN202310728325 A CN 202310728325A CN 116468189 A CN116468189 A CN 116468189A
Authority
CN
China
Prior art keywords
data
node deployment
area
water source
lake
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.)
Withdrawn
Application number
CN202310728325.0A
Other languages
English (en)
Inventor
刘慧�
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.)
Shandong Yunlong Water Environmental Technology Co ltd
Original Assignee
Shandong Yunlong Water Environmental Technology Co ltd
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 Shandong Yunlong Water Environmental Technology Co ltd filed Critical Shandong Yunlong Water Environmental Technology Co ltd
Priority to CN202310728325.0A priority Critical patent/CN116468189A/zh
Publication of CN116468189A publication Critical patent/CN116468189A/zh
Withdrawn legal-status Critical Current

Links

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Genetics & Genomics (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明涉及水质传感器节点部署技术领域。本发明涉及一种基于智能优化算法的水质传感器节点部署优化方法。包括以下步骤：S1、划定区域中的特定区域，采集该区域的水源信息；S2、基于S1采集的区域水源信息，对其受在外界干扰因素的发展趋势下进行预测，根据预测结果对该区域水源进行节点规划；本发明通过将湖泊进行规划网格。从而具有自动搜索和更新节点部署方案的能力，能够快速找到最优解，这使得节点部署更加高效、准确，并且具备更好的适应性和灵活性，通过综合考虑干扰数据采集的因素，可以得到最优的节点部署方案，使得监测区域内的水质监测指标得到最佳的覆盖和监测，更加全面和综合，提高了监测的准确性和可靠性。

Description

一种基于智能优化算法的水质传感器节点部署优化方法
技术领域
本发明涉及水质传感器节点部署技术领域，具体地说，涉及一种基于智能优化算法的水质传感器节点部署优化方法。
背景技术
目前，水质监测在环境保护、水资源管理等领域具有重要意义。然而，传统的水质监测系统存在节点部署不合理、覆盖不均匀等问题，导致监测结果不准确或浪费资源的情况发生，尤其是在一些流域中放置水质传感器时，该流域的水流速以及光照温度会对采集的数据造成影响，所以在对传感器节点进行部署时，需要考虑该干扰因素对湖泊数据采集的影响，因此，提出一种基于智能优化算法的水质传感器节点部署优化方法。
发明内容
本发明的目的在于提供一种基于智能优化算法的水质传感器节点部署优化方法，以解决上述背景技术中提出的问题。
为实现上述目的，提供了一种基于智能优化算法的水质传感器节点部署优化方法，包括以下步骤：
S1、划定区域中的特定区域，采集该区域的水源信息；
S2、基于S1采集的区域水源信息，对其受在外界干扰因素的发展趋势下进行预测，根据预测结果对该区域水源进行节点规划；
S3、对S2对该区域水源的节点规划进行评估，根据评估结果获取节点部署方案；
S4、采集节点部署方案的实施数据，并将实施数据发送至云端进行反馈，根据反馈信息对该区域水源的节点规划进行更新，并对其进行二次评估。
作为本技术方案的进一步改进，所述S1对采集该区域的水源信息；
S1.1、根据将要检测的湖泊对区域范围划定一片特定区域；
S1.2、采集该特定区域的水源分布信息，并根据采集水源分布信息建立湖泊数字模型。
作为本技术方案的进一步改进，所述S2对其受在外界干扰因素的发展趋势下进行预测的步骤如下：
S2.1、采集该特定区域在采集该特定区域在正常状态下的生态信息；
S2.2、根据S2.1采集的生态信息，对该特定区域中的干扰数据进行评估。
作为本技术方案的进一步改进，所述S2.2对该特定区域中的干扰数据进行评估的步骤如下：
水流影响评估：水流的流速、水位变化都会对数据采集产生影响；
光照干扰影响评估：采集装置被阳光直接照射，会影响到温度、湿度数据采集，可能出现误差；
化学污染影响评估：在水体污染比较严重的区域，采集装置的质量与精度可能会受到化学污染物的影响。
作为本技术方案的进一步改进，所述S2根据预测结果对该区域水源进行节点规划的步骤如下：
S2.3、根据S2.1采集的生态信息结合S2.2获取的评估数据在湖泊数字模型进行分析；
S2.4、根据S2.3获取的分析结果，在湖泊数字模型中标记100个节点部署位置。
作为本技术方案的进一步改进，所述S2.4在湖泊数字模型中标记100个节点部署位置的表达式如下：
；
其中，为第i个部署区域的传感器节点数量，/>为该区域面积，A为湖泊总面积，N为总传感器节点数量。
作为本技术方案的进一步改进，所述S3根据评估结果获取节点部署方案的步骤如下：
S3.1、根据S2.4在湖泊数字模型中标记100个节点部署位置进行结合模拟；
S3.2、根据S3.1模拟数据进行评估，根据评估结果判断在特定区域部署100个采集装置。
作为本技术方案的进一步改进，所述S4根据反馈信息对该区域水源的节点规划进行更新的步骤如下：
S4.1、采集100个采集装置的采集数据，并对采集数据结合分析；
S4.2、将S4.1的分析结果发送至云端供用户进行评估，根据用户的评估结果对采集装置的部署点进行更新，生成新的100个节点部署位置，对采集数据进行更新。
作为本技术方案的进一步改进，所述S4.1对采集数据结合分析的表达式如下：
；
其中，D为采集到的数据集合，包含了100个采集装置采集到的数据信息。每个数据点包括四个参数：横纵坐标/>、/>、高程/>和时间戳/>；
；
其中，R为分析结果，表示对采集数据和分析因素G进行结合分析的结果。函数f可能包括多种数据挖掘和分析技术，如聚类和神经网络。
与现有技术相比，本发明的有益效果：
该基于智能优化算法的水质传感器节点部署优化方法中，本发明通过将湖泊进行规划网格。从而具有自动搜索和更新节点部署方案的能力，能够快速找到最优解，这使得节点部署更加高效、准确，并且具备更好的适应性和灵活性，通过综合考虑干扰数据采集的因素，可以得到最优的节点部署方案，使得监测区域内的水质监测指标得到最佳的覆盖和监测，更加全面和综合，提高了监测的准确性和可靠性，通过对采集装置采集的数据进行评估，并反馈至云端将部署节点进行更新，使得水质指标得到最佳的覆盖和监测，避免了可能存在的监测盲区和冗余监测，同时，通过节点数据更新使得节点部署更加高效和精确，使得节点跟随湖泊地质变动而随着变动，保持采集效果。
附图说明
图1为本发明的整体流程框图；
图2为本发明的采集该区域的水源信息的流程框图；
图3为本发明的对该区域水源进行节点规划的流程框图；
图4为本发明的根据评估结果获取节点部署方案的流程框图；
图5为本发明的对其进行二次评估的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：请参阅图1-图5所示，本实施例目的在于，因此，提供了一种基于智能优化算法的水质传感器节点部署优化方法，包括以下步骤：
S1、划定区域中的特定区域，采集该区域的水源信息；
所述S1对采集该区域的水源信息；
S1.1、根据将要检测的湖泊对区域范围划定一片特定区域；步骤如下：
确定湖泊范围首先需要确认检测和观测的湖泊范围，包括湖泊面积、湖泊形状等信息。可以通过卫星遥感影像、现场测量等方式获得。
划分特定区域根据研究需求和实际情况，对湖泊进行划分，将湖泊分成若干个特定区域。划分方法可以采取等分或不等分两种方式。
常用的方法包括：
等分法：按照事先设定的规则，将湖泊等分成若干个相同的、有一定区域的小块；
不等分法：按照湖泊水文环境、水生生态环境等因素，将湖泊划分成具有不同物理和生态特征的区域。
确定特定区域边界根据实际情况和划分方法，确定每个特定区域的边界，通常采用GPS、水下声纳测距等技术，或根据地貌等特征进行勘测测量。
计算特定区域面积根据划分出来的特定区域的边界，利用测量工具或计算机软件，计算每个特定区域的面积。根据湖泊面积和特定区域面积的比例，可计算出每个特定区域的面积占整个湖泊的比例；表达式为：
；
其中表示第i个特定区域的面积，/>表示整个湖泊的面积，/>表示第i个特定区域所占的比例（例如，如果将湖泊分成100个特定区域，且第30个特定区域占湖泊面积的30%，则Pi=30）；
S1.2、采集该特定区域的水源分布信息，并根据采集水源分布信息建立湖泊数字模型。通过数学计算和数据探测分析等方法，将采集到的数据转化为湖泊数学模型。首先需要确定湖泊的边界条件和边界类型（例如自由边界或淹没边界），然后对湖泊内的各种物理和生态因素进行数值模拟和计算，以确定湖泊的各种水动力和水质特性。以下是一个示例表达式：
；
其中，为速度势函数，/>为压力，/>为水的密度。
S2、基于S1采集的区域水源信息，对其受在外界干扰因素的发展趋势下进行预测，根据预测结果对该区域水源进行节点规划；
所述S2对其受在外界干扰因素的发展趋势下进行预测的步骤如下：
S2.1、采集该特定区域在采集该特定区域在正常状态下的生态信息；步骤如下：
采集信息在选定的特定区域内，收集与采集方案相关的生态信息数据，并进行准确定位和标记。根据不同的生态要素，可采用不同的方法，例如：
生物多样性：可按照物种、分类和数量等信息进行统计和分析；
植被组成：可通过植被样方调查、影像解译、空间分布分析等方式获得；
食物链：可采用观察或取样方法，了解不同生物种类之间的食物关系；
浮游生物：可采用镜下观察、流式细胞仪等方式获取数据。
数据处理将采集到的生态信息数据进行统计分析和处理。可以根据采集目的，结合相关地理和气象因素，探索不同生态要素之间的关系和影响因素，表达式：
；
其中为总的物种数，/>为第i个物种的个体数。该式表示生态系统的多样性指数，可以用来衡量生物多样性的变化。
S2.2、根据S2.1采集的生态信息，对该特定区域中的干扰数据进行评估；
所述S2.2对该特定区域中的干扰数据进行评估的步骤如下：
水流影响评估：水流的流速、水位变化都会对数据采集产生影响；利用GIS可以根据地形、水文地质等数据，对水流的输运、分布、流向、流速等方面进行可视化的表达和分析。可以利用流经流出区域的水流路径以及其相应参数等信息，评估其对地表形态以及人类活动的影响，并进行规划和决策的优化；
光照干扰影响评估：采集装置被阳光直接照射，会影响到温度、湿度数据采集，可能出现误差；运用GIS分析法对光影对周围环境和生物的影响进行定量化分析。例如，对于人类生活常见的对光敏感植物的照曝街道、光污染限制区等进行规划管理；
化学污染影响评估：在水体污染比较严重的区域，采集装置的质量与精度可能会受到化学污染物的影响。GIS和遥感可以对空间位置信息与监测数据等进行整合分析，定量评估化学污染的分布与扩散途径，以及对特定区域环境的影响程度。
所述S2根据预测结果对该区域水源进行节点规划的步骤如下：
S2.3、根据S2.1采集的生态信息结合S2.2获取的评估数据在湖泊数字模型进行分析；可以通过采集湖泊生态信息，如水质、浮游生物、底泥质量等，结合大气、降雨等外界因素，利用数字模型进行分析和预测湖泊的健康状况。在此过程中，可以使用神经网络算法识别湖泊水质中的有害物质，如重金属、农药等，进而预测湖泊的水质变化趋势。这样做能够提高湖泊检测的效率；识别湖泊水质中的有害物质可以采用以下公式：
；
其中，表示神经网络的输出结果，/>表示输入数据中的第i个特征，/>表示第i个特征的权重，/>表示偏置值。通过多次的训练，可以调整权重和偏置值，从而使得神经网络的输出结果更接近于真实结果，提高识别的准确性。
S2.4、根据S2.3获取的分析结果，在湖泊数字模型中标记100个节点部署位置。将湖泊划分为网格，每个网格代表一个可能的节点部署位置。假设我们将湖泊划分为10x10个网格，共100个可能的节点部署位置；
所述S2.4在湖泊数字模型中标记100个节点部署位置的表达式如下：
；
其中，为第i个部署区域的传感器节点数量，/>为该区域面积，/>为湖泊总面积，/>为总传感器节点数量。
S3、对S2对该区域水源的节点规划进行评估，根据评估结果获取节点部署方案；
所述S3根据评估结果获取节点部署方案的步骤如下：
S3.1、根据S2.4在湖泊数字模型中标记100个节点部署位置进行结合模拟；通过遗传算法对节点部署模型进行求解。遗传算法的优化过程包括选择、交叉、变异等操作，通过迭代和适应度评估，自动搜索并更新节点部署方案。在每一代中，根据适应度评估，选择优秀的个体作为下一代的父代，通过交叉和变异产生新的个体。重复进行多代的进化过程，直到达到终止条件，步骤如下：
初始种群的生成：根据实际情况将湖泊划分成若干个区域。对于每个区域，在随机位置安排一个测量节点。这样，就得到了初始的节点部署方案；
适应度函数的定义：采用适应度函数来描述每个部署方案的适应性。在节点部署问题中，一个节点的适应度由覆盖面积和测量精度共同决定：
适应度=覆盖面积x测量精度；
选择操作：根据适应度函数，采用轮盘赌选择的方法，按照概率选择具有更好适应性的个体，将其加入新一代种群；
交叉操作：交叉操作通过将两个个体中的某些部分进行交换或组合，产生新的后代个体；
变异操作：变异操作将个体某一部分随机改变，以产生新的变化；
重复以上步骤，得到新一代种群。每代中适应度最高的个体即为当前的最优解。
S3.2、根据S3.1模拟数据进行评估，根据评估结果判断在特定区域部署100个采集装置。步骤如下：
数据分析：对采集的数据进行分析和处理，例如，使用Kriging插值法或回归分析等统计方法，填补缺失值并预测湖泊通用的参数；
生成模拟数据：利用已有的数据建模，生成湖泊各个参数的模拟数据。可以使用计算机建模工具如3DFlow，模拟湖泊中液体流动、传热和物质输运；
评估部署方案：将得到的模拟数据应用于节点部署模型，评估部署方案的效果。可以使用各种指标作为评估依据，如覆盖率、精度、稳定性等。表达式和方法可根据具体的模型和指标选择不同的方法。例如，可以使用覆盖率公式：
覆盖率=覆盖的区域面积/总区域面积；
根据覆盖率的指数来评估覆盖效果，指数越接近1越好。
S4、采集节点部署方案的实施数据，并将实施数据发送至云端进行反馈，根据反馈信息对该区域水源的节点规划进行更新，并对其进行二次评估；
所述S4根据反馈信息对该区域水源的节点规划进行更新的步骤如下：
S4.1、采集100个采集装置的采集数据，并对采集数据结合分析；
S4.2、将S4.1的分析结果发送至云端供用户进行评估，根据用户的评估结果对采集装置的部署点进行更新，生成新的100个节点部署位置，对采集数据进行更新。步骤如下：
将分析结果发送至云端：利用互联网技术，将采集到的实时数据直接上传到云端，以供用户在线实时分析和处理；
用户评估结果：根据用户需求和反馈，对分析结果进行评估和反馈，例如进行交互式可视化分析，用户可以进行点选、区域标注、数据查询等操作，从而进行更深入的探索和分析；
生成新的部署位置：根据用户的反馈及其他因素，如气象预报、建筑工程、工程变更等，重新确定新的部署位置，利用遗传算法等优化方法生成新的部署方案，对部署位置进行更新；
数据采集和更新：对新的100个采集节点进行部署，并重新采集数据。将采集到的数据上传至云端，对数据进行更新和存储，提供实时可视化分析服务；
分析更新后的数据：针对更新后的数据进行分析，将分析结果发送至云端，供用户进行评估，从而形成一个闭环循环，不断优化节点部署和数据采集方案，提高数据采集的效率和精度。
所述S4.1对采集数据结合分析的表达式如下：
；
其中，D为采集到的数据集合，包含了100个采集装置采集到的数据信息。每个数据点包括四个参数：横纵坐标/>、/>、高程/>和时间戳/>；
；
其中，R为分析结果，表示对采集数据和分析因素G进行结合分析的结果。函数f可能包括多种数据挖掘和分析技术，如聚类和神经网络。聚类和神经网络公式如下：
以欧几里德距离为例，它的公式为：
；
其中和/>是两个采集装置采集到的数据样本，/>和/>是它们在第i个属性上的取值，Σ表示对所有属性的求和，这里/>欧几里德距离表示两个采集装置的数据样本之间的空间距离，距离越小说明它们越相似。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于智能优化算法的水质传感器节点部署优化方法，其特征在于：包括以下步骤：
S1、划定区域中的特定区域，采集该区域的水源信息；
S2、基于S1采集的区域水源信息，对其受在外界干扰因素的发展趋势下进行预测，根据预测结果对该区域水源进行节点规划；
S3、对S2对该区域水源的节点规划进行评估，根据评估结果获取节点部署方案；
S4、采集节点部署方案的实施数据，并将实施数据发送至云端进行反馈，根据反馈信息对该区域水源的节点规划进行更新，并对其进行二次评估。
2.根据权利要求1所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S1对采集该区域的水源信息；
S1.1、根据将要检测的湖泊对区域范围划定一片特定区域；
S1.2、采集该特定区域的水源分布信息，并根据采集水源分布信息建立湖泊数字模型。
3.根据权利要求1所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S2对其受在外界干扰因素的发展趋势下进行预测的步骤如下：
S2.1、采集该特定区域在采集该特定区域在正常状态下的生态信息；
S2.2、根据S2.1采集的生态信息，对该特定区域中的干扰数据进行评估。
4.根据权利要求3所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S2.2对该特定区域中的干扰数据进行评估的步骤如下：
水流影响评估：水流的流速、水位变化都会对数据采集产生影响；
光照干扰影响评估：采集装置被阳光直接照射，会影响到温度、湿度数据采集，可能出现误差；
化学污染影响评估：在水体污染比较严重的区域，采集装置的质量与精度可能会受到化学污染物的影响。
5.根据权利要求3所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S2根据预测结果对该区域水源进行节点规划的步骤如下：
S2.3、根据S2.1采集的生态信息结合S2.2获取的评估数据在湖泊数字模型进行分析；
S2.4、根据S2.3获取的分析结果，在湖泊数字模型中标记100个节点部署位置。
6.根据权利要求5所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S2.4在湖泊数字模型中标记100个节点部署位置的表达式如下：
；
其中，为第i个部署区域的传感器节点数量，/>为该区域面积，A为湖泊总面积，N为总传感器节点数量。
7.根据权利要求5所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S3根据评估结果获取节点部署方案的步骤如下：
S3.1、根据S2.4在湖泊数字模型中标记100个节点部署位置进行结合模拟；
S3.2、根据S3.1模拟数据进行评估，根据评估结果判断在特定区域部署100个采集装置。
8.根据权利要求7所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S4根据反馈信息对该区域水源的节点规划进行更新的步骤如下：
S4.1、采集100个采集装置的采集数据，并对采集数据结合分析；
S4.2、将S4.1的分析结果发送至云端供用户进行评估，根据用户的评估结果对采集装置的部署点进行更新，生成新的100个节点部署位置，对采集数据进行更新。
9.根据权利要求8所述的基于智能优化算法的水质传感器节点部署优化方法，其特征在于：所述S4.1对采集数据结合分析的表达式如下：
；
其中，D为采集到的数据集合，包含了100个采集装置采集到的数据信息，每个数据点包括四个参数：横纵坐标/>、/>、高程/>和时间戳/>；
；
其中，R为分析结果，表示对采集数据和分析因素G进行结合分析的结果，函数f可能包括多种数据挖掘和分析技术，如聚类和神经网络。
CN202310728325.0A 2023-06-20 2023-06-20 一种基于智能优化算法的水质传感器节点部署优化方法 Withdrawn CN116468189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310728325.0A CN116468189A (zh) 2023-06-20 2023-06-20 一种基于智能优化算法的水质传感器节点部署优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310728325.0A CN116468189A (zh) 2023-06-20 2023-06-20 一种基于智能优化算法的水质传感器节点部署优化方法

Publications (1)

Publication Number Publication Date
CN116468189A true CN116468189A (zh) 2023-07-21

Family

ID=87179280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310728325.0A Withdrawn CN116468189A (zh) 2023-06-20 2023-06-20 一种基于智能优化算法的水质传感器节点部署优化方法

Country Status (1)

Country Link
CN (1) CN116468189A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108064047A (zh) * 2018-01-17 2018-05-22 北京工商大学 一种基于粒子群的水质传感器网络优化部署方法
CN109922478A (zh) * 2019-01-14 2019-06-21 北京工商大学 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN115623419A (zh) * 2022-12-05 2023-01-17 广东广宇科技发展有限公司 一种用于城市湖泊流域水质监测的传感器布置优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108064047A (zh) * 2018-01-17 2018-05-22 北京工商大学 一种基于粒子群的水质传感器网络优化部署方法
CN109922478A (zh) * 2019-01-14 2019-06-21 北京工商大学 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN115623419A (zh) * 2022-12-05 2023-01-17 广东广宇科技发展有限公司 一种用于城市湖泊流域水质监测的传感器布置优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李兴: ""挺水植物对湖泊水质数值模拟过程的影响"", 《环境科学》, pages 2890 - 2895 *

Similar Documents

Publication Publication Date Title
Kang et al. Air quality prediction: Big data and machine learning approaches
Valavanis et al. Modelling of essential fish habitat based on remote sensing, spatial analysis and GIS
Dixon Applicability of neuro-fuzzy techniques in predicting ground-water vulnerability: a GIS-based sensitivity analysis
CN117116382B (zh) 引水工程影响下受水湖泊水质时空预测方法和系统
CN108918815B (zh) 一种土壤重金属风险预测方法
Gholami et al. Comparison of self-organizing map, artificial neural network, and co-active neuro-fuzzy inference system methods in simulating groundwater quality: geospatial artificial intelligence
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
Márquez et al. Hybrid model for forecasting of changes in land use and land cover using satellite techniques
Pesch et al. Application of CART in ecological landscape mapping: Two case studies
CN118052450A (zh) 河道水质实时监测平台
Zhi et al. Deep learning for water quality
CN117520718B (zh) 一种感潮河流水文数据的处理方法及系统
CN108764527B (zh) 一种土壤有机碳库时空动态预测最优环境变量筛选方法
Singh et al. Review on Data Mining Techniques for Prediction of Water Quality.
CN116579128A (zh) 基于机器学习模型的工业园区地下水污染在线预测方法
Olivier et al. GIS-based application of resource selection functions to the prediction of snow petrel distribution and abundance in East Antarctica: comparing models at multiple scales
Sotomayor et al. Implications of macroinvertebrate taxonomic resolution for freshwater assessments using functional traits: The Paute River Basin (Ecuador) case
Azarnivand et al. Analysing the uncertainty of modelling hydrologic states of AWRA-L–understanding impacts from
CN117808214A (zh) 水利工程数据分析系统
CN113901348A (zh) 一种基于数学模型的钉螺分布影响因素识别与预测方法
Moayedi et al. Validation of four optimization evolutionary algorithms combined with artificial neural network (ANN) for landslide susceptibility mapping: A case study of Gilan, Iran
Dhumvad et al. Water pollution monitoring and decision support system
Mubea et al. Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya
Ahmadi et al. Identification of dominant sources of sea level pressure for precipitation forecasting over Wales
CN116468189A (zh) 一种基于智能优化算法的水质传感器节点部署优化方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20230721

WW01 Invention patent application withdrawn after publication