CN117892890A - 一种海上风机检修路径规划方法 - Google Patents
一种海上风机检修路径规划方法 Download PDFInfo
- Publication number
- CN117892890A CN117892890A CN202311752676.1A CN202311752676A CN117892890A CN 117892890 A CN117892890 A CN 117892890A CN 202311752676 A CN202311752676 A CN 202311752676A CN 117892890 A CN117892890 A CN 117892890A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- fitness
- population
- fans
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012423 maintenance Methods 0.000 title claims description 25
- 210000000349 chromosome Anatomy 0.000 claims abstract description 158
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 241000254173 Coleoptera Species 0.000 claims abstract description 9
- 238000010845 search algorithm Methods 0.000 claims abstract description 8
- 241001481710 Cerambycidae Species 0.000 claims description 36
- 108090000623 proteins and genes Proteins 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 2
- 238000011423 initialization method Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 abstract description 10
- 230000002028 premature Effects 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 7
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
Landscapes
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明提供了一种海上风机检修路径规划方法,通过采用遗传算法与天牛须搜索算法混合的优化算法对风机检修路径进行优化,在遗传算法的基础上加入天牛须搜索算法,使得混合算法拥有优秀局部搜索能力和更稳定的优化结果,弥补了传统遗传算法局部搜索能力不强和容易过早收敛的问题;保留精英解策略可以有效保护优质解不被破坏;提出改进交叉策略,不仅增强算法在迭代早期寻优能力,而且有效避免算法在迭代后期过早收敛;引入自适应变异方式,根据染色体适应度,自适应调整染色体变异概率,提升种群多样性,提升算法跳出局部最优解的能力。本发明综合考虑了待检修风机的紧急状态,在保证紧急状态下的风机优先被巡检的前提下,使得整个检修路径距离最短。
Description
技术领域
本发明属于海上风力发电领域,尤其涉及一种海上风机检修路径规划方法。
背景技术
近年来,我国海上风力发电行业快速发展,预计我国海上风力发电在2030年将达到100GW,我国海上风机数量将呈爆发式增长。海上风电场在运行期间需要运维人员乘坐检修船定期对风机进行保养和检修。一方面,海上风力发电场的规模不断提升,风场中风机数量不断增多,因此风机检修路径变得更加复杂,依靠经验制定检修路径很难选择最优检修路径。另一方面,随着国家对风力发电补贴政策退出,海上风力发电迎来了平价上网的新时代,如何降低海上风力发电场的运行维护成本已经成为行业关注的重点问题。如何在最短时间内到达各个待维修风机处,对缩短风机维修时间、减少风机停机时间、提升发电效率具有重要的作用。在实际生产运行过程中,每台待检修风机的紧急程度不同,因此不能仅考虑检修路程最短,还应考虑待检修风机优先级,确定最优检修路径。当前依靠人工经验选择风机检修路径难以在保证紧急程度高的风机优先被检修的前提下寻找到最优检修路径,
遗传算法凭借其快速寻优能力被广泛应用于各种优化领域。遗传算法编码结构简单,容易实现,并且可以针对不同问题设定合适的优化参数。针对海上风机检修路径优化问题,根据风机数量不同、各个风机位置不同,可以灵活调整优化算法的算子,并且可以根据实际情况,对优化算法进行混合改进,改善算法的全局寻优能力和局部寻优能力。
发明内容
本发明的主要目的在于提供一种海上风机检修路径规划方法,以解决当前依靠人工经验选择风机检修路径难以在保证紧急程度高的风机优先被检修的前提下寻找到最优检修路径的问题,能够优化风机检修路径,提升风机检修效率,降低检修维护成本。
为达到上述目的,本发明提供一种海上风机检修路径规划方法,该方法包含以下步骤:
步骤1、根据优化目标建立优化模型,设置码头为检修路径的起始点和终止点,输入码头和待检修风机的坐标信息形成集合V;输入每台待检修风机的状态,本发明将待检修风机的状态分为两种,紧急状态表示应当优先巡检该风机,非紧急状态表示只有紧急状态风机巡检完毕,方可巡检非紧急状态风机;
步骤2、计算码头与各风机之间的距离、各风机之间的距离,形成距离矩阵D;
步骤3、对种群进行初始化,根据待检修风机的个数N,随机生成若干条染色体Ai,每条染色体表示一种检修路径。每条染色体的第一位基因和最后一位基因都为码头编号,表示码头为检修路径的起始点和终止点;每条染色体中其他基因的数字表示风机的编号;
步骤4、设风机检修路径总距离的倒数作为适应度函数Fit;
步骤5、根据Fit计算每条染色体的适应度以及每条染色体被选择的概率;
步骤6、对种群中染色体适应度最高的个体不进行任何操作,直接保留至下一代种群中;
步骤7、判断当前迭代情况,若处于迭代前期,则选择片段交叉方式;若处于迭代后期,选择点交叉方式;
步骤8、根据每条染色体的适应度设置自适应变异概率,并对选中的染色体进行变异操作;
步骤9、设置选择策略,选择部分染色体参与天牛须搜素算法;
步骤10、迭代次数增加一次,并判断是否满足迭代终止条件,若不满足迭代终止条件,返回步骤5继续执行算法;若满足迭代条件,则输出种群中适应度最高的染色体,并对该染色体解码,该染色体即为本次优化的最优检修路径,算法结束。
优选的,所述步骤1中问题模型概述为:检修船从码头出发,判断待检修风机的紧急程度,优先到达紧急程度高的风机处,待紧急程度高的风机检修完毕后,前往紧急程度低的风机,要求每个待巡检风机检查一遍,并且最后返回码头,使得巡检路程最短。
优选的,所述步骤1中集合V表示为:
V={0xy,1xy,2xy...nxy},n∈N
其中,0表示码头的编号;1至n表示待检修风机的编号;x,y分别表示码头和风机横纵坐标;N表示待检修风机的总数。
优选的,所述步骤2中距离矩阵D表示为:
其中,dij表示i号风机到j号风机之间的距离,提前生成距离矩阵D,为后续染色体适应度计算提供方便,避免重复计算,提升算法效率。各坐标之间的距离采用二维空间欧式距离:
优选的,所述步骤3中本发明对染色体编码采用实数编码,染色体长度为N+2,染色体第一位基因和最后一位基因均为0,表示检修路径的出发点和终止点为码头。根据风机紧急程度不同,将染色体分为两部分:紧急状态的风机位于染色体前部,表示优先前往处于紧急状态的风机,染色体中每个基因的数值表示风机编号。
优选的,所述步骤3中根据待检修风机的个数对种群进行初始化。随机生成若干个分配方案,每条染色体表示一种可行解。初始化染色体的个数与待检修风机个数相适应,种群的体初始化采用随机生成可行解的方式,使得可行解的分布尽可能广泛,保证种群多样性。在种群初始化阶段,需要设置初始化方法,保证随机生成染色体合法性。具体方法为:根据风机紧急状态不同,首先将紧急状态风机挑选出来,随机打乱紧急状态风机的顺序,放入染色体前半部分,其余非紧急状态风机随机打乱顺序,放入染色体的后半部分。在后续的所有操作中,禁止前半部分染色体中的基因与后半部分染色体的基因交叉,确保每步操作后,染色体均为可行解。
优选的,所述步骤4中设置优化目标,由于本发明在于优化风机检修路径,使得检修路径距离最短,因此将检修路径距离的倒数作为优化目标,目标函数:
其中,表示风机i到风机j的距离;/>表示码头到第一台待检修风机的距离;
表示最后一台待检修风机到码头的距离。
优选的,所述步骤5中根据目标函数计算种群中每条染色体被选中的概率,本发明根据染色体的适应度确定每条染色体被选中概率,即:将所有染色体的适应度相加得到适应度总和,分别计算每条染色体的适应度与适应度总和的比值,该比值即为每条染色体被选择的概率。
优选的,所述步骤6中采用精英解保留策略具体操作方法:在每一次迭代的交叉变异等操作前,选择种群最优的染色体,不进行交叉变异操作,直接替换种群中适应度最低的染色体,有效保护优质解。
优选的,所述步骤7中通过判断种群中最优解变化情况选择不同的染色体交叉方式:记录种群每次迭代后种群中最优解,当种群中最优解超过阈值规定的连续迭代次数(比如50次)没有变化,则采用点交叉的方式,提升算法的局部寻优能力;反之,采用片段交叉方式,提升算法收敛速度。通过改进的交叉方式得到子代染色体,比较子代染色体和父代染色体的适应度,当子代染色体的适应度大于父代染色体,则用子代染色体替代父代染色体,否则,保留父代染色体。
优选的,所述步骤8中根据染色体的适应度大小,自适应设置每条染色体的变异概率p:当染色体适应度较高时,其对应的变异概率较小;当染色体适应度较低时,其对应变异概率较大。自适应设置每条染色体不同变异概率,有效改善算法陷入局部最优解的情况。
其中,p表示当前个体变异概率;pmax表示种群进化过程中每个个体最大的变异概率;pmin表示种群进化过程中每个个体最小的变异概率;f表示当前被选择个体适应度;fmax表示种群中所有个体中最优个体的适应度;favg表示种群所有个体的平均适应度。
优选的,所述步骤9中随机选择种群中的染色体进行天牛须局部搜索:将染色体看作天牛个体,假设天牛左右两须到天牛中心的距离相等,某个可行解的当前位置为X=(X1,X2,X3,…,Xn),则算法左右两须的位置计算公式:
式中,d表示天牛中心与左右两须的长度,A表示单位长度随机方向向量,表示含义为天牛在可行解空间随机方向,Xl天牛左须方向的位置,Xr表示天牛右须方向的位置。天牛分别计算左右两须的适应度,天牛通过下列公式更新当前位置X t至下一个位置X t+1:
Xt+1=Xt+δA*sign[f(Xl)-f(Xr)]
式中,δ表示天牛移动的步长;sign决定天牛移动方向,例如,当天牛左须适应度大于右须,则天牛向左须方向移动δ步长。当染色体寻找到更优解,则使用新解代替当前解,否则,保留当前解。
综上所述,本发明具有如下有益效果:
(1)本发明综合考虑了待检修风机的紧急状态,在保证紧急状态下的风机优先被巡检的前提下,使得整个检修路径距离最短。
(2)本发明通过采用遗传算法与天牛须搜索算法混合的优化算法对风机检修路径进行优化,在遗传算法的基础上加入天牛须搜索算法,使得混合算法拥有优秀局部搜索能力和更稳定的优化结果,弥补了传统遗传算法局部搜索能力不强和容易过早收敛的问题;保留精英解策略可以有效保护优质解不被破坏;提出改进交叉策略,不仅增强算法在迭代早期寻优能力,而且有效避免算法在迭代后期过早收敛;引入自适应变异方式,根据染色体适应度,自适应调整染色体变异概率,提升种群多样性,提升算法跳出局部最优解的能力。进而缩短巡检时间,提升风机发电时长,降低海上风电场建设成本和运维成本。
附图说明
图1为本发明实施例中海上风机检修路径规划方法的流程图。
图2为本发明实施例中点交叉方法示意图。
具体实施方式
虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供的实施例是为了更透彻理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。下面参照附图对本发明的实施方式作具体的说明。
本发明实施例提供了一种海上风机检修路径规划方法应用于运维人员日常出海对海上风机检修,其中,要求优先完成对紧急程度高的风机进行检修,然后再检修紧急程度低的风机,在满足上述约束条件的前提下,使得检修路径最短,减少风机检修时间,提升检修效率。
如图1所示,一种海上风机检修路径规划方法,所述方法包含:
步骤1:根据优化目标建立优化模型:
设置码头为检修路径的起始点和终止点,输入码头和待检修风机的坐标信息形成集合V={0xy,1xy,2xy...nxy},n∈N,其中,0表示码头的编号;1至n表示表示待检修风机的编号;x,y分别表示横纵坐标;N表示待检修风机的总数。
输入风机紧急状态,将所有待检修的风机紧急状态分为两种情况,一种是紧急状态,表示该风机应当优先被检修;一种为非紧急状态,表示该风机需要等待所有紧急状态风机检修完毕后检修该非紧急状态风机。
设置算法迭代终止条件,当算法的最优解在连续迭代50次没有寻找到更优解,则算法执行完成。
计算码头与各风机之间的距离和各风机之间的距离,形成距离矩阵D。
其中,dij表示i号风机到j号风机之间的距离,各坐标之间的距离采用二维空间欧式距离:
步骤2:对种群进行初始化:
根据待检修风机的个数N,随机生成若干条染色体,每条染色体表示一种检修路径。每条染色体的第一位基因和最后一位基因都为码头编号,表示码头为检修路径的起始点和终止点;每条染色体中其他基因的数字表示风机的编号。根据待检修风机的个数对种群进行初始化。随机生成若干个分配方案,每条染色体表示一种可行解。种群的体初始化采用随机生成可行解的方式,使得可行解的分布尽可能广泛,保证种群多样性。
需要说明的是,本发明种群初始化需要注意解的可行性,因为本发明在染色体初始化时将染色体分为两部分,紧急状态的风机放入染色体前半部分,非紧急状态的风机放入染色体的后半部分,表示只有当紧急状态风机检修完毕后,方可检修非紧急状态的风机。
步骤3:设置适应度函数:
本发明优化目标为:在保证紧急状态风机被优先巡检的前提下使得检修路径最短。因此,设风机检修路径总距离的倒数作为适应度函数Fit,目标函数:
其中,表示风机i到风机j的距离;/>表示码头到第一台待检修风机的距离;
表示最后一台待检修风机到码头的距离。本发明的优化路径要求从码头出发,并经过每台待检修风机,最后回到码头。
步骤4:计算每条染色体的适应度以及每条染色体被选择的概率:
根据适应度函数计算每条染色体的适应度,并计算种群中每条染色体被选中的概率,本发明根据染色体的适应度确定每条染色体被选中概率,即:将所有染色体的适应度相加得到适应度总和,分别计算每条染色体的适应度与适应度总和的比值,该比值即为每条染色体被选择的概率。
步骤5:执行精英解保留策略:
对种群中染色体适应度最高的个体不进行任何操作,直接保留至下一代种群中。采用精英解保留策略具体操作方法:在每一次迭代的交叉变异等操作前,选择种群最优的染色体,不进行交叉变异操作,直接替换种群中适应度最低的染色体,有效保护优质解。
步骤6:选择染色体进行改进交叉操作:
根据种群迭代次数,选择不同的交叉方式:通过判断种群中最优解变化情况选择不同的染色体交叉方式:记录种群每次迭代后种群中最优解,当种群中最优解超过连续10次迭代没有变化,则采用点交叉的方式,如图2所示,点交叉方式可以有效提升算法的局部寻优能力,弥补了遗传算法局部寻优能力差的问题;在算法迭代前期依然采用片段交叉方式,提升算法收敛速度。通过改进的交叉方式得到子代染色体,比较子代染色体和父代染色体的适应度,当子代染色体的适应度大于父代染色体,则用子代染色体替代父代染色体,否则,保留父代染色体。
本发明根据算法迭代进程调整算法的交叉方式,既保证了算法的收敛性,又提升算法的局部寻优能力。需要注意的是,本发明在交叉时,为了保证解的可行性,交叉操作分为两部分:首先对前半部分的染色体进行交叉,然后再对后半部分的染色体交叉,不允许出现两部分染色体混合交叉。
步骤7:根据每条染色体的适应度设置自适应变异概率:
对选中的染色体进行变异操作。根据染色体的适应度大小,自适应设置每条染色体的变异概率p:当染色体适应度较高时,其对应的变异概率较小;当染色体适应度较低时,其对应变异概率较大。自适应设置每条染色体不同变异概率,有效改善算法陷入局部最优解的情况。
其中,p表示当前染色体变异概率;pmax表示种群进化过程中最大的变异概率;pmin表示种群进化过程中最小的变异概率;f表示当前被选择个体适应度;fmax表示种群中所有个体中最优个体的适应度;favg表示种群所有个体的平均适应度。
步骤8:设置选择策略,选择部分染色体参与改进的天牛须搜素算法。随机选择种群中的染色体进行天牛须局部搜索:将染色体看作天牛个体,假设天牛左右两须到天牛中心的距离相等,某个可行解的当前位置为X=(X1,X2,X3,…,Xn),则算法左右两须的位置计算公式:
式中,d表示天牛中心与左右两须的长度,A表示单位长度随机方向向量,表示含义为天牛在可行解空间随机方向,Xl天牛左须方向的位置,Xr表示天牛右须方向的位置。天牛分别计算左右两须的适应度,天牛通过下列公式更新当前位置X t至下一个位置X t+1:
Xt+1=Xt+δA*sign[f(Xl)-f(Xr)]
式中,δ表示天牛移动的步长;sign决定天牛移动方向,例如,当天牛左须适应度大于右须,则天牛向左须方向移动δ步长。当染色体寻找到更优解,则使用新解代替当前解,否则,保留当前解。
步骤10:判断是否满足迭代终止条件,若不满足迭代终止条件,返回步骤5继续执行算法;若满足迭代条件,输出最优检修路径,算法结束。
基于改进遗传算法与天牛须搜素算法混合算法一种海上风机检修路径规划方法,首先设置海上待检修风机的紧急程度,设置迭代终止条件,并利用i7-13700的CPU处理器进行算法迭代。在算法迭代过程中,利用染色体分段编码确保染色体编码合法性,在每次迭代结束后,对染色体的交叉方式和变异概率进行更新,最终达到算法迭代终止条件,输出最后一代种群中最优解,此最优解即为本次海上风机检修路径的最优方案。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员而言,本发明可以有各种更改和变化。因此,在不偏离本发明精神的基础上所做的修改,均属于本发明要求保护的范围。
Claims (10)
1.一种海上风机检修路径规划方法,其特征在于包含以下步骤:
步骤1、根据优化目标建立优化模型,设置码头为检修路径的起始点和终止点,输入码头和待检修风机的坐标信息形成集合V;输入每台待检修风机的状态,待检修风机的状态分为两种,紧急状态表示应当优先巡检该风机,非紧急状态表示只有紧急状态风机巡检完毕,方可巡检非紧急状态风机;
步骤2、计算码头与各风机之间的距离、各风机之间的距离,形成距离矩阵D;
步骤3、对种群进行初始化,根据待检修风机的个数N,随机生成若干条染色体Ai,每条染色体表示一种检修路径;每条染色体的第一位基因和最后一位基因都为码头编号,表示码头为检修路径的起始点和终止点;每条染色体中其他基因的数字表示风机的编号;
步骤4、设风机检修路径总距离的倒数作为适应度函数Fit;
步骤5、根据Fit计算每条染色体的适应度以及每条染色体被选择的概率;
步骤6、对种群中染色体适应度最高的个体不进行任何操作,直接保留至下一代种群中;
步骤7、判断当前迭代情况,若处于迭代前期,则选择片段交叉方式;若处于迭代后期,选择点交叉方式;
步骤8、根据每条染色体的适应度设置自适应变异概率,并对选中的染色体进行变异操作;
步骤9、设置选择策略,选择部分染色体参与天牛须搜素算法;
步骤10、迭代次数增加一次,并判断是否满足迭代终止条件,若不满足迭代终止条件,返回步骤5继续执行算法;若满足迭代条件,则输出种群中适应度最高的染色体,并对该染色体解码,该染色体即为本次优化的最优检修路径,算法结束。
2.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤1中问题模型概述为:检修船从码头出发,判断待检修风机的紧急程度,优先到达紧急程度高的风机处,待紧急程度高的风机检修完毕后,前往紧急程度低的风机,要求每个待巡检风机检查一遍,并且最后返回码头,使得巡检路程最短;
所述步骤1中集合V表示为:
V={0xy,1xy,2xy...nxy},n∈N
其中,0表示码头的编号;1至n表示待检修风机的编号;x,y分别表示码头和风机横纵坐标;N表示待检修风机的总数;
所述步骤2中距离矩阵D表示为:
其中,dij表示i号风机到j号风机之间的距离,提前生成距离矩阵D,为后续染色体适应度计算提供方便,避免重复计算,提升算法效率。各坐标之间的距离采用二维空间欧式距离:
3.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤3中本发明对染色体编码采用实数编码,染色体长度为N+2,染色体第一位基因和最后一位基因均为0,表示检修路径的出发点和终止点为码头。根据风机紧急程度不同,将染色体分为两部分:紧急状态的风机位于染色体前部,表示优先前往处于紧急状态的风机,染色体中每个基因的数值表示风机编号。
4.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤3中根据待检修风机的个数对种群进行初始化;随机生成若干个分配方案,每条染色体表示一种可行解;初始化染色体的个数与待检修风机个数相适应,种群的体初始化采用随机生成可行解的方式,使得可行解的分布尽可能广泛,保证种群多样性;在种群初始化阶段,需要设置初始化方法,保证随机生成染色体合法性;具体方法为:根据风机紧急状态不同,首先将紧急状态风机挑选出来,随机打乱紧急状态风机的顺序,放入染色体前半部分,其余非紧急状态风机随机打乱顺序,放入染色体的后半部分;在后续的所有操作中,禁止前半部分染色体中的基因与后半部分染色体的基因交叉,确保每步操作后,染色体均为可行解。
5.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤4中设置优化目标,由于本发明在于优化风机检修路径,使得检修路径距离最短,因此将检修路径距离的倒数作为优化目标,目标函数:
其中,表示风机i到风机j的距离;/>表示码头到第一台待检修风机的距离;表示最后一台待检修风机到码头的距离。
6.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤5中根据目标函数计算种群中每条染色体被选中的概率,根据染色体的适应度确定每条染色体被选中概率,即:将所有染色体的适应度相加得到适应度总和,分别计算每条染色体的适应度与适应度总和的比值,该比值即为每条染色体被选择的概率。
7.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤6中采用精英解保留策略具体操作方法:在每一次迭代的交叉变异等操作前,选择种群最优的染色体,不进行交叉变异操作,直接替换种群中适应度最低的染色体,有效保护优质解。
8.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤7中通过判断种群中最优解变化情况选择不同的染色体交叉方式:记录种群每次迭代后种群中最优解,当种群中最优解超过阈值规定的连续迭代次数没有变化,则采用点交叉的方式,提升算法的局部寻优能力;反之,采用片段交叉方式,提升算法收敛速度。通过改进的交叉方式得到子代染色体,比较子代染色体和父代染色体的适应度,当子代染色体的适应度大于父代染色体,则用子代染色体替代父代染色体,否则,保留父代染色体。
9.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤8中根据染色体的适应度大小,自适应设置每条染色体的变异概率p:当染色体适应度较高时,其对应的变异概率较小;当染色体适应度较低时,其对应变异概率较大;自适应设置每条染色体不同变异概率,有效改善算法陷入局部最优解的情况。
其中,p表示当前个体变异概率;pmax表示种群进化过程中每个个体最大的变异概率;pmin表示种群进化过程中每个个体最小的变异概率;f表示当前被选择个体适应度;fmax表示种群中所有个体中最优个体的适应度;favg表示种群所有个体的平均适应度。
10.如权利要求1所述的一种海上风机检修路径规划方法,其特征在于,所述步骤9中随机选择种群中的染色体进行天牛须局部搜索:将染色体看作天牛个体,假设天牛左右两须到天牛中心的距离相等,某个可行解的当前位置为X=(X1,X2,X3,…,Xn),则算法左右两须的位置计算公式:
式中,d表示天牛中心与左右两须的长度,A表示单位长度随机方向向量,表示含义为天牛在可行解空间随机方向,Xl天牛左须方向的位置,Xr表示天牛右须方向的位置;天牛分别计算左右两须的适应度,天牛通过下列公式更新当前位置X t至下一个位置X t+1:
Xt+1=Xt+δA*sign[f(Xl)-f(Xr)]
式中,δ表示天牛移动的步长;sign决定天牛移动方向,例如,当天牛左须适应度大于右须,则天牛向左须方向移动δ步长。当染色体寻找到更优解,则使用新解代替当前解,否则,保留当前解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752676.1A CN117892890A (zh) | 2023-12-19 | 2023-12-19 | 一种海上风机检修路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752676.1A CN117892890A (zh) | 2023-12-19 | 2023-12-19 | 一种海上风机检修路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117892890A true CN117892890A (zh) | 2024-04-16 |
Family
ID=90638658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311752676.1A Pending CN117892890A (zh) | 2023-12-19 | 2023-12-19 | 一种海上风机检修路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892890A (zh) |
-
2023
- 2023-12-19 CN CN202311752676.1A patent/CN117892890A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107275801B (zh) | 一种l型阵列天线的基于获得性遗传的阵元排布方法 | |
CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
CN110347151A (zh) | 一种融合Bezier优化遗传算法的机器人路径规划方法 | |
CN111325356A (zh) | 一种基于演化计算的神经网络搜索分布式训练系统及训练方法 | |
CN111353738B (zh) | 一种应用改进的混合免疫算法优化物流配送中心选址方法 | |
CN114565237B (zh) | 用于多能组合发电站的综合能源低碳调度方法及系统 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN106159944B (zh) | 低碳环境下基于二层规划模型的多阶段输电网规划方法 | |
CN110147590B (zh) | 一种基于自适应演化优化算法的螺旋式天线设计方法 | |
CN113778654B (zh) | 基于粒子群优化算法的并行任务调度方法 | |
CN112163808B (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
CN106777521B (zh) | 基于双链量子遗传算法的发电机组涉网参数优化方法 | |
CN110929930A (zh) | 一种船用曲轴生产线排产调度优化方法 | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
CN117892890A (zh) | 一种海上风机检修路径规划方法 | |
CN113792492A (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
CN116933485A (zh) | 一种遗传贪心组合算法的装配序列规划方法 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN112148030B (zh) | 一种基于启发式算法的水下滑翔机路径规划方法 | |
CN113326581B (zh) | 一种基于组合生产和设备故障约束的遗传调度方法 | |
CN114911233A (zh) | 基于多优化快速拓展随机树的足球机器人路径规划方法 | |
Gong et al. | A path planning method based on improved particle swarm optimization algorithm | |
CN109741796B (zh) | 一种并行粒子群合金纳米粒子结构优化方法及系统 | |
CN114781508A (zh) | 基于聚类的卫星测控调度方法及系统 |
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 |