基于改进人工蜂群算法的气体传感器优化部署方法及系统技术方案

本发明专利技术提供一种基于改进人工蜂群算法的气体传感器优化部署方法及系统，包括设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型；设定风速和风向随时间发生变化，建立气体扩散测量模型；设定改进人工蜂群算法的目标函数；将

Optimization method and system of gas sensor based on improved artificial bee colony algorithm

The present invention provides a system and method of gas sensor deployment optimization based on improved artificial bee colony algorithm, including wind speed and wind direction invariant set uniform, and gas leakage source sensor nodes in the two-dimensional plane, a gas diffusion model; set the wind speed and direction changes over time, the establishment of gas diffusion measurement model; improved artificial object function the bee colony algorithm;

【技术实现步骤摘要】
基于改进人工蜂群算法的气体传感器优化部署方法及系统
本专利技术涉及安全应急监控与通信的
，特别是涉及一种基于改进人工蜂群算法的气体传感器优化部署方法及系统。
技术介绍
随着化工行业的不断发展，涉及到易燃易爆、有毒有害危险品的危化品园区，由于人为、设备、生产管理或者环境因素等不可避免地会出现危险气体的泄漏的情况，会引起火灾、爆炸等一系列严重事故。事故一旦发生，危害范围通常会很大，往往超出工业园区或建设项目的边界，给周边人群、环境造成恶劣影响，导致大量人员伤亡和财产损失。若事故发生在城市区域或者人口密集区域，由于人员集中，疏散困难，造成的后果会更加严重。在国内外化工园区内由于气体泄漏发生灾害的例子不胜枚举。中国山东日照市石大科技在2015年7月16日就发生了一起重大的液化石油罐泄漏，导致1000立方米的液态烃罐起火，连续发生了三次爆炸，经济损失惨重。2006年10月5日，美国北卡罗莱纳州一家化工厂由于氯气泄漏，发生爆炸，引燃邻近另一家工厂的储油罐，工厂周围方圆1.6公里内的1.7万居民撤离。因此，在实际园区中，按照国家规定园区会按照一些常规行业标准安装气体传感器，用于对危化品泄漏进行监测，从而对事故起到预警和应急的作用。但是健康与安全执行委员会在1993年和2003年分别指出，在这些安装了气体传感器的园区中发生的事故中，超过一半的事故无法被监测到，究其原因是由于目前园区中气体传感器部署无法全面考虑影响气体扩散的因素。这些因素包括泄漏源位置、泄漏源数量、气体组分、气象条件、管道设计、工艺条件、化工园区设备及建筑结构部署、隔离系统、减压系统、监测频率等，以及各种建筑物的阻挡、风向风速和地势以及植被等。因此，这些按照标准安装的气体传感器在气体发生泄漏后可能会无法检测到气体，失去了安装的意义。也就是说不采用量化气体泄漏的方法部署气体传感器，在有风的情况下，由于气体扩散的态势图在风向和风力的影响下浓度等值线是变化的，气体传感器形同虚设，根本无法监测到气体，更不会报警。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于改进人工蜂群算法的气体传感器优化部署方法及系统，利用改进的人工蜂群算法，通过气体扩散模型结合气象条件中的风速和风向因素建立预测模型和测量模型，对气体传感器进行优化部署，使得气体传感器监测效率高而且误差率低，解决了实际园区中由于气象变化导致的气体监测无效的问题。为实现上述目的及其他相关目的，本专利技术提供一种基于改进人工蜂群算法的气体传感器优化部署方法，包括以下步骤：设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型：其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，为空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为泄漏源的质量释放速率；k为泄漏源的扩散率；*表示乘法运算；设定风速和风向随时间发生变化，建立气体扩散测量模型：其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)为风向与x轴的夹角；设定改进人工蜂群算法的目标函数为其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间；将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D＝2N；将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；其中，Vij表示交叉变异后的第i个可行解的第j维解，表示第i个可行解的第j维解，表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表示当前全局最优可行解的第j维解，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，若随机数小于可行解的概率，继续对该可行解进行交叉变异；在观察蜂阶段，若某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，则放弃该可行解，并随机产生一个新的初始可行解，同时观察蜂变为雇佣蜂；迭代最大迭代次数后，得到的全局最优目标函数值对应的可行解即为全局最优解，该全局最优解即为气体传感器节点的部署坐标位置。根据上述的基于改进人工蜂群算法的气体传感器优化部署方法，其中：对可行解进行交叉变异时，交叉变异针对哪一维解是随机选择的。根据上述的基于改进人工蜂群算法的气体传感器优化部署方法，其中：对可行解进行交叉变异时，与每个可行解进行交叉变异的邻居可行解是随机选择的。根据上述的基于改进人工蜂群算法的气体传感器优化部署方法，其中：当可行解的目标函数值在预定范围内，则判断该可行解收敛。同时，本专利技术还提供一种基于改进人工蜂群算法的气体传感器优化部署系统，包括气体扩散预测模型建立模块、气体扩散测量模块建立模块、目标函数建立模块、雇佣蜂处理模块、跟随蜂处理模块、观察蜂处理模块和迭代模块；所述气体扩散预测模型建立模块用于在设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上的情况下，建立气体扩散预测模型其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，为空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为泄漏源的质量释放速率；k为泄漏源的扩散率；*表示乘法运算；所述气体扩散测量模块建立模块用于在设定风速和风向随时间发生变化的情况下，建立气体扩散测量模型：其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)为风向与x轴的夹角；所述目标函数建立模块用于设定改进人工蜂群算法的目标函数为气体扩散预测模型和气体扩散测量模型在扩散时间内的每个监测节点中的平均浓度差，目标函数为：其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间；所述雇佣蜂处理模块用于将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D＝2N；将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；其中，Vij表示交叉变异后的第i个可行解的第j维解，表示第i个可行解的第j维解，表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表本文档来自技高网...

【技术保护点】
一种基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：包括以下步骤：设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型：

【技术特征摘要】
1.一种基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：包括以下步骤：设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上，建立气体扩散预测模型：其中，为t时刻的空间位置处泄漏源的预测浓度，vx为风速大小，为空间位置(x',y')，(x',y')、(x0',y0')分别是二维平面中气体传感器节点的位置坐标和泄漏源位置坐标，d为泄漏源与气体传感器节点的距离，μ为泄漏源的质量释放速率；k为泄漏源的扩散率；*表示乘法运算；设定风速和风向随时间发生变化，建立气体扩散测量模型：其中，vx(t)为随时间变化的风速大小，为t时刻的空间位置处泄漏源的测量浓度；θ(t)为风向与x轴的夹角；设定改进人工蜂群算法的目标函数为其中，为t时刻第j个泄漏源在处的预测浓度，为t时刻第j个泄漏源在处的测量浓度，为第i个气体传感器的坐标位置(xi,yi)，N为气体传感器个数，Q为泄漏源的数目，time为气体扩散总时间；将N个气体传感器的部署位置坐标作为可行解，在雇佣蜂阶段，将M个可行解随机初始化为D维矩阵，D＝2N；将初始化的每个可行解的第j维解随机与邻居可行解的第j维元素根据公式进行交叉变异；其中，Vij表示交叉变异后的第i个可行解的第j维解，xij表示第i个可行解的第j维解，xkj表示第k个可行解的第j维解，第k个可行解是第i个可行解的邻居可行解；是[-1～1]之间的随机数；iter表示交叉变异迭代次数，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，yj表示当前全局最优可行解的第j维解，j为区间[1,D]中的一个随机整数值；i为区间[1,M]中的整数，k为区间[1,M]中不为i的一个随机整数值；计算交叉变异后每个可行解的自身适应值fitness，其中fi是每个可行解的目标函数值；计算每个可行解的概率Pi，其中fitnessi表示第i个可行解的适应度；在跟随蜂阶段，产生一个[0～1]的随机数与每个可行解的概率比较，若随机数小于可行解的概率，继续对该可行解进行交叉变异；在观察蜂阶段，若某个可行解经过最大迭代次数的交叉变异，仍然没有收敛，则放弃该可行解，并随机产生一个新的初始可行解，同时观察蜂变为雇佣蜂；迭代最大迭代次数后，得到的全局最优目标函数值对应的可行解即为全局最优解，该全局最优解即为气体传感器节点的部署坐标位置。2.根据权利要求1所述的基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：对可行解进行交叉变异时，交叉变异针对哪一维解是随机选择的。3.根据权利要求1所述的基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：对可行解进行交叉变异时，与每个可行解进行交叉变异的邻居可行解是随机选择的。4.根据权利要求1所述的基于改进人工蜂群算法的气体传感器优化部署方法，其特征在于：当可行解的目标函数值在预定范围内，则判断该可行解收敛。5.一种基于改进人工蜂群算法的气体传感器优化部署系统，其特征在于：包括气体扩散预测模型建立模块、气体扩散测量模块建立模块、目标函数建立模块、雇佣蜂处理模块、跟随蜂处理模块、观察蜂处理模块和迭代模块；所述气体扩散预测模型建立模块用于在设定风速匀速且风向不变，泄漏源与气体传感器节点处于二维平面上的情况下，建立气体扩散预测模型

【专利技术属性】
技术研发人员：姜烨，徐正蓺，马皛源，李丹，张晓凌，魏建明，
申请(专利权)人：中国科学院上海高等研究院，
类型：发明
国别省市：上海,31