基于改进的A*算法的矿井突水避灾路径规划方法和装置制造方法及图纸

提供一种基于改进的A*算法的矿井突水避灾路径规划方法和装置。所述方法包括：获取关于逃生巷道的固有属性以及逃生巷道内的水位高度的信息，并且基于所述信息确定逃生巷道的固有属性和逃生巷道内的水位高度的影响系数；基于影响系数和逃生巷道实际长度确定初始节点到节点n的实际代价；确定改进的A*算法，其估价函数表达式为f(n)＝(1+ω(n))[αg(n)+βh(n)]，f(n)为从初始节点开始经过节点n到目标节点的估价函数，g(n)为初始节点到节点n的实际代价，h(n)为从节点n到目标节点的最优路径的预估代价，α与β为定值权值，ω(n)为动态权值；基于所述算法获得从初始节点到目标节点的最优路径。

Method and Device of Mine Water Inrush Avoidance Path Planning Based on Improved A* Algorithms

A method and device of mine water inrush route planning based on improved A* algorithm is provided. The method includes: obtaining the information about the intrinsic attributes of the escape tunnel and the water level height in the escape tunnel, and determining the intrinsic attributes of the escape tunnel and the influencing coefficient of the water level height in the escape tunnel based on the information; determining the actual cost of the initial node to the node n based on the influencing coefficient and the actual length of the escape tunnel; and determining the improved A* algorithm, whose evaluation function. The expression is f(n)=(1+_(n)[alpha g(n)+beta h(n)], f(n) is the evaluation function from the initial node to the target node, g(n) is the actual cost from the initial node to the node n, h(n) is the estimated cost of the optimal path from the node n to the target node, and alpha and beta are the fixed value weights and_(n) is the dynamic weights. Based on the algorithm, the optimal path from the initial node to the target node can be obtained. \u3002

【技术实现步骤摘要】
基于改进的A*算法的矿井突水避灾路径规划方法和装置
本专利技术所属的
为矿井安全领域，说明性实施例总体上涉及一种基于改进的A*(A-star或A星)算法的矿井突水动态避灾路径规划方法和装置。
技术介绍
矿井突水(又称作矿井涌水)可能使矿井局部或全部被淹没并造成人员伤亡和经济损失，其与瓦斯、煤尘并称矿井生产建设过程中的三大主要灾害。当矿井涌水量超过正常的排水能力时，会发生矿井突水事故。当发生矿井突水事故时，需要保证从业人员可以在最短时间内经过最优路径安全地到达逃生出口，因此矿井突水避灾路径规划是至关重要的。可用于求取矿井突水事故发生时的最优路径的算法包括基于盲目式搜索的Dijkstra算法、Floyd算法、BFS算法、基于生物习性的粒子群算法、基于启发式搜索的A*算法等，每种算法各有优缺点。Dijkstra算法是一种扩张式的遍历方法，其用于计算一个节点到其他所有节点的最短路径。Dijkstra算法的主要特点是以初始点为中心向外层扩展，直到扩展到终点为止。Dijkstra算法迭代检查待检查节点集中的节点，并把和该节点最靠近的尚未检查的节点加入待检查节点集。Dijkstra算法的缺点在于它是一种穷举式算法，工作量很大。Floyd算法也是解决任意两点间的最短路径的一种算法，可以正确处理有向图或负权的最短路径问题，同时也被用于计算有向图的传递闭包。但该算法的时间复杂度为O(n3)，空间复杂度为O(n2)，也不能直观反映出各个顶点之间最短路径序列的先后关系。BFS算法与Dijkstra算法类似，不同的是它引入了启发式函数对每一个搜索的位置进行评估，得到一个最好的位置，再从这个位置进行搜索直至找到目标。但是BFS算法不能保证找到的一定是一条最短路径。粒子群算法是由Kennedy与Eberhart于1995年首次提出的一种用于解决优化问题的集群智能算法。该算法在解决参数优化搜索方面具有较强的全局搜索能力，并且可以通过对算法参数的调整有选择的强化局部或全局搜索能力，但在搜索时容易陷入局部最优从而导致搜索停滞。A*算法的关键在于引入了启发式函数，不仅能用该函数引导给出当下的最优解，而且也会评估已经走过路径的代价以保证找到一条最短路径。评估函数的评估指标可以有距离、方向等不同的指标，而共同的原则就是通过估计函数，使估价值尽可能接近实际值以保证找到最优路径，从而减少搜索空间并提高搜索效率。当发生矿井突水事故时，为了避免拥挤，通常情况下会寻找最短路径，但是由于存在不同的巷道影响因素，因此寻找到的最短路径可能不是最优路径。
技术实现思路
为了解决上述问题，本公开提出一种基于改进的A*算法的矿井突水避灾路径规划方法和装置。根据本公开，提供一种基于改进的A*算法的矿井突水动态避灾路径规划方法，所述方法可包括：获取关于逃生巷道的固有属性以及逃生巷道内的水位高度的信息，并且基于所述信息确定逃生巷道的固有属性的影响系数以及逃生巷道内的水位高度的影响系数；基于逃生巷道的固有属性的影响系数、逃生巷道内的水位高度的影响系数以及逃生巷道的实际长度来确定初始节点到节点n的实际代价；确定改进的A*算法，改进的A*算法的估价函数表达式为f(n)＝(1+ω(n))[αg(n)+βh(n)]，其中，f(n)为从初始节点开始经过节点n到目标节点的估价函数，g(n)为初始节点到节点n的实际代价，h(n)为从节点n到目标节点的最优路径的预估代价，α与β为定值权值，ω(n)为动态权值；基于改进的A*算法，获得从初始节点到目标节点的最优路径。根据本公开的一个实施例，逃生巷道的固有属性可包括巷道坡度、风速风向、巷道类型和局部障碍物类型。根据本公开的一个实施例，h(n)为从节点n到目标节点的距离，所述距离可以是曼哈顿距离、欧几里得距离或对角线距离。根据本公开的一个实施例，ω(n)＝h(n)/h(0)，其中，h(0)为从初始节点到目标节点的最优路径的预估代价。根据本公开的一个实施例，基于改进的A*算法获得从初始节点到目标节点的最优路径的步骤可包括：步骤一：建立第一列表和第二列表，第一列表用于保存待考查的节点，第二列表用于记录已被考查过的节点；步骤二：将初始节点放入第一列表中作为当前节点，对初始节点可达到且没有被考查过的子节点进行扩展以将子节点加入第一列表中，并且随后将初始节点放入第二列表中；步骤三：针对第一列表中的子节点计算代价值，按照代价值的大小进行排序以找出代价值最小的子节点，并将代价值最小的子节点标记并加入到第二列表中，如果该代价值最小的子节点为目标节点，则停止对该代价值最小的子节点进行扩展，否则继续对该代价值最小的子节点进行扩展；步骤四：重复进行步骤二和步骤三，直到目标节点被加入第二列表中或者直到第一列表变为空列表。根据本公开的一个实施例，确定逃生巷道的固有属性的影响系数以及逃生巷道内的水位高度的影响系数的步骤可包括：通过预先确定的查找表来获得逃生巷道的固有属性的影响系数以及逃生巷道内的水位高度的影响系数。根据本公开的一个实施例，逃生巷道内的水位高度的影响系数可通过人的正常行走速度以及人在不同高度的水中的行走的速度来被确定。根据本公开，提供一种用于基于改进的A*算法进行矿井突水动态避灾路径规划的装置，所述装置可包括：影响系数获取单元，用于获取关于逃生巷道的固有属性以及逃生巷道内的水位高度的信息并且基于所述信息确定逃生巷道的固有属性的影响系数以及逃生巷道内的水位高度的影响系数；实际代价确定单元，用于基于逃生巷道的固有属性的影响系数、逃生巷道内的水位高度的影响系数以及逃生巷道的实际长度来确定初始节点到节点n的实际代价；改进算法确定单元，用于确定改进的A*算法，改进的A*算法的估价函数表达式为f(n)＝(1+ω(n))[αg(n)+βh(n)]，其中，f(n)为从初始节点开始经过节点n到目标节点的估价函数，g(n)为初始节点到节点n的实际代价，h(n)为从节点n到目标节点的最优路径的预估代价，α与β为定值权值，ω(n)为动态权值；路径计算单元，用于基于改进的A*算法来获得从初始节点到目标节点的最优路径。根据本公开的一个实施例，由影响系数获取单元获取的逃生巷道的固有属性可包括巷道坡度、风速风向、巷道类型和局部障碍物类型。根据本公开的一个实施例，h(n)为从节点n到目标节点的距离，所述距离可以是曼哈顿距离、欧几里得距离或对角线距离。根据本公开的一个实施例，ω(n)＝h(n)/h(0)，其中，h(0)为从初始节点到目标节点的最优路径的预估代价。根据本公开的一个实施例，由所述装置执行的基于改进的A*算法获得从初始节点到目标节点的最优路径的步骤可包括：步骤一：建立第一列表和第二列表，第一列表用于保存待考查的节点，第二列表用于记录已被考查过的节点；步骤二：将初始节点放入第一列表中作为当前节点，对初始节点可达到且没有被考查过的子节点进行扩展以将子节点加入第一列表中，并且随后将初始节点放入第二列表中；步骤三：针对第一列表中的子节点计算代价值，按照代价值的大小进行排序以找出代价值最小的子节点，并将代价值最小的子节点标记并加入到第二列表中，如果该代价值最小的子节点为目标节点，则停止对该代价值最小的子节点进行扩展，否则继续对该代价值最小的子节点进行扩展；步骤四：重复进行步骤二和步本文档来自技高网...

【技术保护点】
1.一种基于改进的A*算法的矿井突水动态避灾路径规划方法，包括：获取关于逃生巷道的固有属性以及逃生巷道内的水位高度的信息，并且基于所述信息确定逃生巷道的固有属性的影响系数以及逃生巷道内的水位高度的影响系数；基于逃生巷道的固有属性的影响系数、逃生巷道内的水位高度的影响系数以及逃生巷道的实际长度来确定初始节点到节点n的实际代价；确定改进的A*算法，改进的A*算法的估价函数表达式为f(n)＝(1+ω(n))[αg(n)+βh(n)]，其中，f(n)为从初始节点开始经过节点n到目标节点的估价函数，g(n)为初始节点到节点n的实际代价，h(n)为从节点n到目标节点的最优路径的预估代价，α与β为定值权值，ω(n)为动态权值；基于改进的A*算法，获得从初始节点到目标节点的最优路径。

【技术特征摘要】
1.一种基于改进的A*算法的矿井突水动态避灾路径规划方法，包括：获取关于逃生巷道的固有属性以及逃生巷道内的水位高度的信息，并且基于所述信息确定逃生巷道的固有属性的影响系数以及逃生巷道内的水位高度的影响系数；基于逃生巷道的固有属性的影响系数、逃生巷道内的水位高度的影响系数以及逃生巷道的实际长度来确定初始节点到节点n的实际代价；确定改进的A*算法，改进的A*算法的估价函数表达式为f(n)＝(1+ω(n))[αg(n)+βh(n)]，其中，f(n)为从初始节点开始经过节点n到目标节点的估价函数，g(n)为初始节点到节点n的实际代价，h(n)为从节点n到目标节点的最优路径的预估代价，α与β为定值权值，ω(n)为动态权值；基于改进的A*算法，获得从初始节点到目标节点的最优路径。2.如权利要求1所述的方法，其中，逃生巷道的固有属性包括巷道坡度、风速风向、巷道类型和局部障碍物类型。3.如权利要求1所述的方法，其中，h(n)为从节点n到目标节点的距离，所述距离是曼哈顿距离、欧几里得距离或对角线距离。4.如权利要求1所述的方法，其中，ω(n)＝h(n)/h(0)，其中，h(0)为从初始节点到目标节点的最优路径的预估代价。5.如权利要求1所述的方法，其中，基于改进的A*算法获得从初始节点到目标节点的最优路径的步骤包括：步骤一：建立第一列表和第二列表，第一列表用于保存待考查的节点，第二列表用于记录已被考查过的节点；步骤二：将初始节点放入第一列表中作为当前节点，对初始节点可达到且没有被考查过的子节点进行扩展以将子节点加入第一列表中，并且随后将初始节点放入第二列表中；步骤三：针对第一列表中的子节点计算代价值，按照代价值的大小进行排序以找出代价值最小的子节点，并将代价值最小的子节点标记并加入到第二列表中，如果该代价值最小的子节点为目标节点，则停止对该代价值最小的子节点进行扩展，否则继续对该代价值最小的子节点进...

【专利技术属性】
技术研发人员：朱希安，王占刚，刘梦杰，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11