【技术实现步骤摘要】
本专利技术涉及人工智能和算法优化领域，具体来说，涉及一种用于优化高校实验室巡检路线的方法。
技术介绍
1、随着高等教育的迅速发展，高校实验室数量急剧增加，实验室管理和安全巡检成为重要的工作内容。高校实验室作为科学研究和教学的重要场所，其安全性直接关系到师生的生命财产安全和教学科研工作的正常进行。因此，定期进行实验室安全巡检是确保实验室安全的必要手段。然而，在实际操作过程中，实验室巡检面临着诸多挑战和问题。
2、传统的实验室巡检路线往往由管理人员根据经验手工规划，这种方法虽然简便，但难以充分考虑实验室的地理位置、巡检资源分配、时间窗口等多种因素，导致巡检效率低下。同时，手工规划的巡检路线容易出现重复覆盖或遗漏覆盖的情况，不仅增加了人力物力的浪费，还可能导致实验室中的安全隐患未能及时被发现和处理。此外，随着实验室数量的增加，巡检工作的复杂性也随之增加。实验室分布广泛，巡检点多，巡检员需要在有限的时间内完成所有实验室的巡检任务，并且确保巡检质量。如何高效地规划巡检路线，合理分配巡检资源，成为了实验室安全管理中亟需解决的问题。
3、经检索，中国专利，一种巡检单元的巡检路线优化方法、装置及电子设备(申请公开日：2022年12月23日；申请号：cn 115509184a)。该方法包括：每经过预设的统计周期，获取目标生产线在统计周期内上传的异常信息；基于各异常信息对应的异常工序位置设置巡检重点区域，基于巡检重点区域调整存储的巡检路线，用以使调整后的巡检路线覆盖全部巡检重点区域；基于调整后的巡检路线更新目标生产线上的各巡
4、经检索，中国专利，一种巡检路线优化方法及装置(申请公开日：2023年12月22日；申请号：cn 117270520 a)。该方法包括：将最优巡检路线抽象为马尔可夫决策过程；根据巡检点的位置建立强化学习仿真环境；智能体根据当前时间步的状态信息得到的环境反馈进行奖励增强型强化学习，用于完成最优巡检路线规划；利用最大熵奖励增强型强化学习算法，进行最大熵奖励增强型强化学习；智能体在奖励增强型强化学习的过程中，在环境因素变化的干扰下选取最优巡检路线。该专利技术利用强化学习优化巡检路线，但可能受到环境变化影响。依赖环境反馈进行奖励增强型强化学习，但未充分考虑环境因素变化频率及全面性，可能导致路线规划不准确。
5、上述两种方法虽然都实现了对巡检路线的优化，但是在考虑因素方面较为单一，未能综合考虑地理位置、时间窗口等因素，导致巡检路线规划可能不够全面。此外，使用的方法可能在效率和精确度上存在一定的局限性，无法充分优化巡检路线，可能存在资源利用不足或浪费的情况。
技术实现思路
1、本专利技术针对现有高校实验室巡检方法的不足，提出了一种基于实验室巡检问题模型的巡检路线优化方法，旨在显著提升巡检效率、减少资源浪费、降低安全隐患，并优化巡检时间的利用率。现有的高校实验室巡检方法大多依赖于人工经验进行路线规划，这种方法往往难以全面考虑实验室的地理位置分布、巡检资源的配置及时间窗口等因素，常导致巡检效率低下、实验室重复覆盖或遗漏覆盖、资源浪费及安全隐患。为了解决上述存在的问题，本专利技术通过动态分段多策略融合粒子群优化算法对巡检路线进行优化并重新规划，确保实验室巡检的覆盖性与时效性，最大化日巡检工作的效率。此方法为实验室巡检提供高效、经济、安全的解决方案，满足高标准的效率、资源与安全性需求。
2、为达到上述目的，本专利技术提供的技术方案为：
3、本专利技术的一种基于实验室巡检问题模型的巡检路线优化方法，其步骤为：
4、s1、构建实验室巡检路线问题模型参数：收集需要进行巡检的各个地点，并对其进行标记；确定巡检周期和每天可用时间以及计划时间；收集各个巡检点之间的路程时间以及每个巡检点需要花费的时间，包括检查、维护、记录等工作。
5、s2、定义巡检变量和约束条件，以及每天巡检工作用时：定义巡检过程中的变量，确定巡检过程中需要满足的各项约束，对每天巡检工作时间进行量化；
6、s3、定义优化目标函数：确定优化目标为最小化巡检天数和最大化巡检时间利用率，即将巡检任务尽可能安排在较短的时间内完成和充分利用每个巡检周期内的可用时间。
7、s4、通过动态分段多策略融合粒子群优化算法对巡检路线进行迭代，以确定最优解：利用动态分段多策略融合粒子群优化算法，结合上述定义的优化目标函数和约束条件，对巡检路线进行迭代优化；通过不断调整粒子的位置和速度，使得粒子(即巡检路线)向着更优的方向调整，以寻找最优的巡检路线方案；在迭代过程中，记录并更新最优解，直到满足停止条件(达到最大迭代次数或目标函数收敛到足够小的值)为止。
8、进一步地，步骤s1中，所述的构建实验室巡检路线问题模型参数，具体步骤为：在规划实验室巡检路线时，总计划天数为n(i＝1,2,…,n)；每天巡检计划用时为ti，一天可用的工作时间为t0，巡检点编号为k(k＝1,2,…,k)；巡检点f和g之间的路程时间为tfg(f,g＝1,2,…,k,f＝g表示从该点往返起始点的情况)，并假设tfg＝tgf；每个巡检点的工作耗时为c0。
9、进一步地，步骤s2中，所述的定义巡检变量和约束条件，以及每天巡检工作用时，具体步骤为：
10、定义实验室巡检变量如下：
11、
12、对于某个巡检点k来说，在整个巡检过程中应满足必须被访问且只能被访问一次，因此有如下约束：
13、
14、假设第i天巡检点个数为yi，则有：
15、
16、令第i天巡检点编号集合为yi，集合yi里的第p个巡检点编号为yip，定义变量如下：
17、
18、yix＝k·xik·zip，k＝1,2,…,k
19、对于所有实验室在巡检过程中应满足如下约束：
20、
21、第i天从起始点出发到返回起始点总巡检工作用时如下：
22、
23、ti≤t0
24、q＝yi，i＝1,2,…,n
25、其中表示巡检人员从起始点到达第一个巡检点的所需时间，表示巡检人员从第q个巡检点返回起始点所需的时间，表示从第一个巡检点开始，按照巡检路线顺序，巡检到第q个巡检点之间总路程所耗的时间，qc0表示q个巡检点总工作耗时。
26、进一步地，步骤s3中，所述的定义目标函数，具体步骤如下：
27、优化目标时总巡检天数最少，总巡检计划时间利用率最高，则目标函数为：
28、
29、其中，n值越小，代表巡检天数越少；当n值不变时，越小，表示巡检工作用时越少，巡检本文档来自技高网...
【技术保护点】
1.一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于；包括以下步骤：
2.根据权利要求1所述的一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于：步骤S1中：
3.根据权利要求2所述的一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于：步骤S2中所定义的巡检变量和约束条件，以及每天巡检工作用时，具体过程如下：
4.根据权利要求3所述的一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于：步骤S3中的定义目标函数：
5.根据权利要求1所述的一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于：步骤S4中所述的动态分段多策略融合粒子群优化算法：
6.根据权利要求5所述的一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于：所述的动态分段多策略融合粒子群优化算法对巡检路线的优化流程如下：
【技术特征摘要】
1.一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于；包括以下步骤：
2.根据权利要求1所述的一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于：步骤s1中：
3.根据权利要求2所述的一种基于实验室巡检问题模型的巡检路线优化方法，其特征在于：步骤s2中所定义的巡检变量和约束条件，以及每天巡检工作用时，具体过程如下：
4.根据权利要求3所述的...
【专利技术属性】
技术研发人员：邰伟鹏，孙川，韩池，周建平，李伟，
申请(专利权)人：安徽工业大学科技园有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。