CN109117997A - 基于集成多种算法的消防救援路径的优化方法及*** - Google Patents
基于集成多种算法的消防救援路径的优化方法及*** Download PDFInfo
- Publication number
- CN109117997A CN109117997A CN201810868708.7A CN201810868708A CN109117997A CN 109117997 A CN109117997 A CN 109117997A CN 201810868708 A CN201810868708 A CN 201810868708A CN 109117997 A CN109117997 A CN 109117997A
- Authority
- CN
- China
- Prior art keywords
- incident point
- fire brigade
- path
- fire
- information
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 239000003016 pheromone Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 206010000372 Accident at work Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种种基于集成多种算法的消防救援路径的优化方法及***，其中方法包括以下步骤：S1、通过物联网获取事发点；S2、根据事发点，通过GIS信息计算事发点周边消防队地址；S3、计算事发点到消防队的直线距离，进行消防队排序，基于距离短，记录前十的消防队信息；根据消防队信息，并基于深度学习算法，筛选出多个符合条件的消防队终点；S4、基于筛选的每个消防队终点和优化的蚁群算法，计算事发点到每个消防队终点之间的最优路径；S5、基于动态因素，从计算的多个最优路径中选择最小的路线长度和最优的最终路径；所述动态因素包括交通路况、单双号、收费、新增事发点、取消事发点、道路施工情况。
Description
技术领域
本发明涉及路径规划领域，尤其涉及一种适用于安全生产事故中消防救援路线的基于集成多种算法的消防救援路径的优化方法。
背景技术
消防救援路线是决定解决安全生产事故质量的重要因素和特殊因素。消防救援路线是随路况信息、道路质量、道路上车流量、道路规则等动态变化的。
现在大多数平台，地图上推荐路线是考虑堵车、收费等因素的优化路线。但是基于特定安全生产事故场景，没有考虑到事发地所对应消防救援队出警情况、消防车等。现有部分平台是基于GIS地图，只展现医务资源、固定视频、移动视频和地形地貌，仅仅为就近派警提供依据；部分平台只展现室内二维图纸，标识逃生路线，供用户选择。
目前为止，各行各业中优化路线研究提到了很多算法，如Dijkstra算法、SAS算法、多目标进化算法、启发式算法、深度学习算法、蚁群算法等。
随着人工智能技术的发展和安全生产的管控愈来愈严格，为了进一步挖掘已有数据的价值和提升应急***的利用率。基于此背景，安全生产事故的救援路线的最优化算法研究是非常重要和有意义的。
实际现场最优路线研究中难题是GIS数据量大，优化计算性能差，无法满足用户的诉求。因此，选择算法必须要考虑这点。
发明内容
本发明的发明目的在于本发明的目的在于在重大安全生产事故场景下，提供一种计算优化的救援路线方法，便于相关***使用。
本发明解决其技术问题所采用的技术方案是：
提供一种基于集成多种算法的消防救援路径的优化方法，其特征在于，包括以下步骤：
S1、通过物联网获取事发点；
S2、根据事发点，通过GIS信息计算事发点周边消防队地址；
S3、计算事发点到消防队的直线距离，进行消防队排序，基于距离短，记录前十的消防队信息；根据消防队信息，并基于深度学习算法，筛选出多个符合条件的消防队终点；
S4、基于筛选的每个消防队终点和优化的蚁群算法，计算事发点到每个消防队终点之间的最优路径；
S5、基于动态因素，从计算的多个最优路径中选择最小的路线长度和最优的最终路径；所述动态因素包括交通路况、单双号、收费、新增事发点、取消事发点、道路施工情况；
其中优化的蚁群算法具体包括以下步骤：
使用以下公式(1)优化初始化信息素；
τxy(0)＝W/(dxy+deye) (1)
其中，τxy(0)是初始化信息素强度，deye是节点y到终点e的直线矢量距离；W是***设定的一个正常数；
通过神经网络中的sigmiod函数当蚂蚁完成一次迭代，则按照全局信息素的更新规则仅更新此次迭代最优路径解的信息素浓度，其他不需要更新；当全部蚂蚁遍历一次后，LLocalMin大于时，σ越接近0，当LLocalMin越小时，σ越接近1，因此路径长度愈短，那么执行全局信息素的更新规则时，遍历的路径信息素浓度会愈强，信息量增加地愈快；全局信息素的更新规则为以下公式(2)
τxy(t+n)＝τxy(t)+μσ△τxy (2)
其中，是当前场景下局部最优解之和的平均路径长度，LLocalMin是此次迭代中局部最优解，LMin是当前场景下此时刻的全局最短路径长度，μ是给定参数。
接上述技术方案，所述消防队信息包括消防队是否有消防车和出警人员。
接上述技术方案，步骤S3中计算事发点到消防队的直线距离时，具体基于GIS数据，将包括建筑、道路的信息数值化，其中用道路弧段、节点来表征道路。
接上述技术方案，步骤S5中，在考虑动态因素交通路况时，如果所选路径中某段道路发生变化，那么道路信息标识此段道路为拥堵路段，将事发点到相应消防队终点之间的最小路线长度乘以一个系数，得到调整后的最小路线长度；
在考虑动态因素单双号和收费站时，如果所选路径中涉及到区分单双号限行和收费站，此方案的最小路线长度不变；
在新增事发点时，并行运行当前计算过程，返回步骤S3，再次运算；在取消事发点时，终止当前计算过程，即返回值为0；
在考虑动态因素道路施工情况时，评估道路施工时此路段可通行的车宽，与消防车车宽进行比较，如果此路段可用宽度大于等于消防车车宽，则最优路径不变，如果此路段可用宽度小于消防车车宽，那么此路段为异常路段。
接上述技术方案，步骤S4中事发点到其中一个消防队终点之间的最优路径具体包括以下步骤：
a)初始化参数：信息素强度Q，最大迭代次数，信息启发式因子α,期望启发式因子β,参数μ,初始化信息素参数正常数W，局部更新信息素挥发因子ρ、给定参数q0和蚂蚁个数z；
b)计算节点距离矩阵，按照公式(1)初始化信息素矩阵，将计算结果合入τxy(0)；
c)根据状态转移规则公式，每一只蚂蚁进入下一个节点，并更新禁忌表；
d)根据局部更新规则更新路径的信息素浓度，得到此次迭代的最优路径；局部更新规则为：τxy(t+n)＝(1-ρ)τxy(t)+ρ△τxy(t)；如果蚂蚁没有经过路段xy，那么△τxy(t)＝0，否则△τxy(t)＝Q/Ld；其ρ是信息素挥发因子，t是时刻，n表示道路节点，Q是给定参数，Ld是第d只蚂蚁在本次迭代搜索的路径长度；
e)当蚂蚁完成一次迭代后，用全局信息素的更新规则更新此次迭代的最优路径的信息素浓度，从而找到最优路径，nc＝nc+1；nc为当前迭代次数，初始化时，nc＝0；
f)若nc等于***设定的最大迭代次数，那么搜索遍历结束，即此迭代结果是最优路径和最短路线长度；否则返回步骤c。
g)得到事发点与该消防队之间的最短路线长度是i1，最优路径是(m1,m2…mc)；
本发明还提供了一种基于集成多种算法的消防救援路径的优化***，包括：
事发点获取模块，用于通过物联网获取事发点；
消防队地址计算模块，用于根据事发点，通过GIS信息计算事发点周边消防队地址；
消防队筛选模块，用于计算事发点到消防队的直线距离，进行消防队排序，基于距离短，记录前十的消防队信息；根据消防队信息，并基于深度学习算法，筛选出多个符合条件的消防队终点；
最优路径计算模块，用于基于筛选的每个消防队终点和优化的蚁群算法，计算事发点到每个消防队终点之间的最优路径；
最终路径计算模块，用于基于动态因素，从计算的多个最优路径中选择最小的路线长度和最优的最终路径；所述动态因素包括交通路况、单双号、收费、新增事发点、取消事发点、道路施工情况；
最优路径计算模块中采用的优化的蚁群算法具体包括以下步骤：
使用以下公式(1)优化初始化信息素；
τxy(0)＝W/(dxy+deye) (1)
其中，τxy(0)是初始化信息素强度，deye是节点y到终点e的直线矢量距离；W是***设定的一个正常数；
通过神经网络中常用的sigmiod函数当蚂蚁完成一次迭代，则按照全局信息素的更新规则仅更新此次迭代最优路径解的信息素浓度，其他不需要更新；当全部蚂蚁遍历一次后，LLocalMin大于时，σ越接近0，当LLocalMin越小时，σ越接近1，因此路径长度愈短，那么执行全局信息素的更新规则时，遍历的路径信息素浓度会愈强，信息量增加地愈快；全局信息素的更新规则为以下公式(2)
τxy(t+n)＝τxy(t)+μσ△τxy (2)
其中，是当前场景下局部最优解之和的平均路径长度，LLocalMin是此次迭代中局部最优解，LMin是当前场景下此时刻的全局最短路径长度，μ是给定参数。
接上述技术方案，所述消防队信息包括消防队是否有消防车和出警人员。
接上述技术方案，消防队筛选模块中计算事发点到消防队的直线距离时，具体基于GIS数据，将包括建筑、道路的信息数值化，其中用道路弧段、节点来表征道路。
接上述技术方案，最终路径计算模块在考虑动态因素交通路况时，如果所选路径中某段道路发生变化，那么道路信息标识此段道路为拥堵路段，将事发点到相应消防队终点之间的最小路线长度乘以一个系数，得到调整后的最小路线长度；
在考虑动态因素单双号和收费站时，如果所选路径中涉及到区分单双号限行和收费站，此方案的最小路线长度不变；
在新增事发点时，并行运行当前计算过程，返回步骤S3，再次运算；在取消事发点时，终止当前计算过程，即返回值为0；在考虑动态因素道路施工情况时，评估道路施工时此路段可通行的车宽，与消防车车宽进行比较，如果此路段可用宽度大于等于消防车车宽，则最优路径不变，如果此路段可用宽度小于消防车车宽，那么此路段为异常路段。
本发明还提供了一种计算机可读存储介质，其具有可被处理器执行的计算机程序，该计算机程序执行如权利要求1-4中任一项所述的基于集成多种算法的消防救援路径的优化方法的步骤。
本发明产生的有益效果是：本发明基于消防救援路线的动态特征，采用优化蚁群算法获取静态的最优路线，同时，结合深度学习算法和动态路线调整算法，获取动态的最优路线。在初始化信息素浓度时加入了方向引导，使蚂蚁选择下一节点趋于终点方向的方向性；在全局信息素更新上引入了sigmiod函数作为动态因子，自适应地调节每次迭代最优解对路径的信息素更新的比重，最优解越短的信息素加成的越多，反之较长的加成的较少，从而使结果更加客观，更加贴近实际情况，更有实用性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例基于集成多种算法的消防救援路径的优化方法的流程图；
图2是本发明实施例基于集成多种算法的消防救援路径的优化***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明基于深度学习算法、优化蚁群算法和动态路线调整算法解决消防救援路径的优化问题，主要目的是快速地寻找有效的最短路径，减少事故损失率。具体实施步骤如下所述。
本发明的基于集成多种算法的消防救援路径的优化方法，如图1所示，具体包括以下步骤：
第一步：首先确定起点和终点；
1、通过物联网获取事发点a；
2、根据事发点，通过GIS信息，计算事发点周边消防队地址；
3、计算事发点到消防队的直线距离，进行消防队排序，基于距离短，可记录前十的消防队信息，如消防队b1、b2，以此类推；
4、根据消防队信息，基于深度学习算法，筛选消防队的终点。如消防队是否有消防车和出警人员，进行适配消防队。此时b3没有消防车，那么终点是b1、b2和b4；
第二步：基于每个终点，获取此终点的最优路径；
5、先计算a到消防队b1之间的最优路径，步骤包括：
5.1以a为起点至终点b1周边的地图信息进行数值化。以设备搜索到附近b1为终点，选定需要数值化地图的范围，基于GIS数据，将建筑、道路等信息数值化，其中用道路弧段、节点来表征道路。
5.2依据消防车车型信息，基于深度学习算法，过滤道路。如果道路的路宽不能满足此款消防车车型的要求，那么将这样道路标识成异常道路；
5.3基于GIS信息，采用优化的蚁群算法，获取最短路径和最小的路线长度。具体包括：
a)初始化参数：信息素强度Q＝1，最大迭代次数为500，信息启发式因子α＝1.0,期望启发式因子β＝1.0,参数μ＝2,初始化信息素参数(正常数)W＝0.01，局部更新信息素挥发因子ρ＝0.2，给定参数q0＝0.5和蚂蚁个数z为15。
b)计算节点距离矩阵，按照公式1初始化信息素矩阵，将计算结果合入τxy(0)；
τxy(0)＝W/(dxy+deye)······公式1
其中，τxy(0)是初始化信息素强度，deye是节点y到终点e的直线矢量距离；W是***设定的一个正常数。
c)根据状态转移规则公式，每一只蚂蚁进入下一个节点，并更新禁忌表；
d)根据局部更新规则(公式2)更新路径的信息素浓度，得到此次迭代的最优路径；
τxy(t+n)＝(1-ρ)τxy(t)+ρ△τxy(t)······公式2
如果蚂蚁没有经过路段xy，那么△τxy(t)＝0，否则△τxy(t)＝Q/Ld。
其ρ是信息素挥发因子，t是时刻，n表示道路节点，Q是给定参数，Ld是第d只蚂蚁在本次迭代搜索的路径长度。
e)当蚂蚁完成一次迭代后，用全局规则(公式3)更新此次迭代的最优路径的信息素浓度，从而找到最优路径，nc＝nc+1；
τxy(t+n)＝τxy(t)+μσ△τxy······公式3
其中，是当前场景下局部最优解之和的平均路径长度，LLocalMin是此次迭代中局部最优解，LMin是当前场景下此时刻的全局最短路径长度，μ是给定参数。
f)若nc等于***设定的最大迭代次数，那么搜索遍历结束，即此迭代结果是最优路径和最短路线长度；否则返回步骤c。
g)得到a与b1之间的最短路线长度是i1，最优路径是(m1,m2…mc)；
6、基于终点是b2和b4的场景，重复执行步骤5。因此，此时，得到3个最优路径方案，即b2对应的最短路线长度是i2，最优路径是(n1,n2…nc)；b4对应的最短路线长度是i3，最优路径是(o1,o2…oc)。
第三步：基于动态因素，获取最小的路线长度和最优的路径；
7、专家赋予因素的规则。针对每组a和b(b1,b2,b4)的场景，调整最小路线的长度。基于动态路线调整算法，动态因素是交通路况(堵塞情况：红绿灯和车流量)、单双号、收费、新增事发点、取消事发点、道路施工等。如基于交通路况，如果所选路径中某段道路发生变化，那么道路信息标识此段道路为拥堵路段，且此方案(a—b1方案)的最小路线长度乘以一个系数，得到调整后此方案的最小路线长度；基于单双号和收费站，如果所选路径中涉及到区分单双号限行和收费站，此方案的最小路线长度不变；基于新增事发点，那么并行运行此计算过程，返回步骤4，再次运算；基于取消事发点，当同物联网获取取消事发点信息时，终止此计算过程，即返回值为0；基于道路施工，实时评估道路施工时此路段可通行的车宽，与消防车车宽进行比较，如果此路段可用宽度大于等于消防车车宽，那么最优路径不变，如果此路段可用宽度小于消防车车宽，那么此路段为异常路段，返回步骤5.2。
8、输出最优路径和消防队信息。基于动态因素调整最优路径和最小路线长度后，将3个最小的路径长度进行比较，获得救援的消防队信息和最优的路径。基于此，此场景下选择重点是b2,最优路径是(n1,n2,w2…nc),最短路线长度是w。
为了实现上述优化方法，本发明还提出了基于集成多种算法的消防救援路径的优化***，如图2所示，包括：
事发点获取模块，用于通过物联网获取事发点；
消防队地址计算模块，用于根据事发点，通过GIS信息计算事发点周边消防队地址；
消防队筛选模块，用于计算事发点到消防队的直线距离，进行消防队排序，基于距离短，记录前十的消防队信息；根据消防队信息，并基于深度学习算法，筛选出多个符合条件的消防队终点；
最优路径计算模块，用于基于筛选的每个消防队终点和优化的蚁群算法，计算事发点到每个消防队终点之间的最优路径；
最终路径计算模块，用于基于动态因素，从计算的多个最优路径中选择最小的路线长度和最优的最终路径；所述动态因素包括交通路况、单双号、收费、新增事发点、取消事发点、道路施工情况；
最优路径计算模块中采用的优化的蚁群算法具体包括以下步骤：
使用以下公式优化初始化信息素；
τxy(0)＝W/(dxy+deye)
其中，τxy(0)是初始化信息素强度，deye是节点y到终点e的直线矢量距离；W是***设定的一个正常数；
通过神经网络中常用的sigmiod函数当蚂蚁完成一次迭代，则按照全局信息素的更新规则仅更新此次迭代最优路径解的信息素浓度，其他不需要更新；当全部蚂蚁遍历一次后，LLocalMin大于时，σ越接近0，当LLocalMin越小时，σ越接近1，因此路径长度愈短，那么执行全局信息素的更新规则时，遍历的路径信息素浓度会愈强，信息量增加地愈快；全局信息素的更新规则为以下公式：
τxy(t+n)＝τxy(t)+μσ△τxy
其中，是当前场景下局部最优解之和的平均路径长度，LLocalMin是此次迭代中局部最优解，LMin是当前场景下此时刻的全局最短路径长度，μ是给定参数。
本发明的计算机可读存储介质，其具有可被处理器执行的计算机程序，该计算机程序执行如上述实施例的基于集成多种算法的消防救援路径的优化方法的步骤。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于集成多种算法的消防救援路径的优化方法，其特征在于，包括以下步骤：
S1、通过物联网获取事发点；
S2、根据事发点，通过GIS信息计算事发点周边消防队地址；
S3、计算事发点到消防队的直线距离，进行消防队排序，基于距离短，记录前十的消防队信息；根据消防队信息，并基于深度学习算法，筛选出多个符合条件的消防队终点；
S4、基于筛选的每个消防队终点和优化的蚁群算法，计算事发点到每个消防队终点之间的最优路径；
S5、基于动态因素，从计算的多个最优路径中选择最小的路线长度和最优的最终路径；所述动态因素包括交通路况、单双号、收费、新增事发点、取消事发点、道路施工情况；
其中优化的蚁群算法具体包括以下步骤：
使用以下公式(1)优化初始化信息素；
τxy(0)＝W/(dxy+deye) (1)
其中，τxy(0)是初始化信息素强度，deye是节点y到终点e的直线矢量距离；W是***设定的一个正常数；
通过神经网络中的sigmiod函数当蚂蚁完成一次迭代，则按照全局信息素的更新规则仅更新此次迭代最优路径解的信息素浓度，其他不需要更新；当全部蚂蚁遍历一次后，LLocalMin大于时，σ越接近0，当LLocalMin越小时，σ越接近1，因此路径长度愈短，那么执行全局信息素的更新规则时，遍历的路径信息素浓度会愈强，信息量增加地愈快；全局信息素的更新规则为以下公式(2)
τxy(t+n)＝τxy(t)+μσ△τxy (2)
其中，是当前场景下局部最优解之和的平均路径长度，LLocalMin是此次迭代中局部最优解，LMin是当前场景下此时刻的全局最短路径长度，μ是给定参数。
2.根据权利要求1所述的优化方法，其特征在于，所述消防队信息包括消防队是否有消防车和出警人员。
3.根据权利要求1所述的优化方法，其特征在于，步骤S3中计算事发点到消防队的直线距离时，具体基于GIS数据，将包括建筑、道路的信息数值化，其中用道路弧段、节点来表征道路。
4.根据权利要求1所述的优化方法，其特征在于，步骤S5中，在考虑动态因素交通路况时，如果所选路径中某段道路发生变化，那么道路信息标识此段道路为拥堵路段，将事发点到相应消防队终点之间的最小路线长度乘以一个系数，得到调整后的最小路线长度；
在考虑动态因素单双号和收费站时，如果所选路径中涉及到区分单双号限行和收费站，此方案的最小路线长度不变；
在新增事发点时，并行运行当前计算过程，返回步骤S3，再次运算；在取消事发点时，终止当前计算过程，即返回值为0；
在考虑动态因素道路施工情况时，评估道路施工时此路段可通行的车宽，与消防车车宽进行比较，如果此路段可用宽度大于等于消防车车宽，则最优路径不变，如果此路段可用宽度小于消防车车宽，那么此路段为异常路段。
5.根据权利要求1所述的优化方法，其特征在于，步骤S4中事发点到其中一个消防队终点之间的最优路径具体包括以下步骤：
a)初始化参数：信息素强度Q，最大迭代次数，信息启发式因子α,期望启发式因子β,参数μ,初始化信息素参数正常数W，局部更新信息素挥发因子ρ、给定参数q0和蚂蚁个数z；
b)计算节点距离矩阵，按照公式(1)初始化信息素矩阵，将计算结果合入τxy(0)；
c)根据状态转移规则公式，每一只蚂蚁进入下一个节点，并更新禁忌表；
d)根据局部更新规则更新路径的信息素浓度，得到此次迭代的最优路径；局部更新规则为：τxy(t+n)＝(1-ρ)τxy(t)+ρ△τxy(t)；如果蚂蚁没有经过路段xy，那么△τxy(t)＝0，否则△τxy(t)＝Q/Ld；其ρ是信息素挥发因子，t是时刻，n表示道路节点，Q是给定参数，Ld是第d只蚂蚁在本次迭代搜索的路径长度；
e)当蚂蚁完成一次迭代后，用全局信息素的更新规则更新此次迭代的最优路径的信息素浓度，从而找到最优路径，nc＝nc+1；nc为当前迭代次数，初始化时，nc＝0；
f)若nc等于***设定的最大迭代次数，那么搜索遍历结束，即此迭代结果是最优路径和最短路线长度；否则返回步骤c。
g)得到事发点与该消防队之间的最短路线长度是i1，最优路径是(m1,m2…mc)。
6.一种基于集成多种算法的消防救援路径的优化***，其特征在于，包括：
事发点获取模块，用于通过物联网获取事发点；
消防队地址计算模块，用于根据事发点，通过GIS信息计算事发点周边消防队地址；
消防队筛选模块，用于计算事发点到消防队的直线距离，进行消防队排序，基于距离短，记录前十的消防队信息；根据消防队信息，并基于深度学习算法，筛选出多个符合条件的消防队终点；
最优路径计算模块，用于基于筛选的每个消防队终点和优化的蚁群算法，计算事发点到每个消防队终点之间的最优路径；
最终路径计算模块，用于基于动态因素，从计算的多个最优路径中选择最小的路线长度和最优的最终路径；所述动态因素包括交通路况、单双号、收费、新增事发点、取消事发点、道路施工情况；
最优路径计算模块中采用的优化的蚁群算法具体包括以下步骤：
使用以下公式(1)优化初始化信息素；
τxy(0)＝W/(dxy+deye) (1)
其中，τxy(0)是初始化信息素强度，deye是节点y到终点e的直线矢量距离；W是***设定的一个正常数；
通过神经网络中常用的sigmiod函数当蚂蚁完成一次迭代，则按照全局信息素的更新规则仅更新此次迭代最优路径解的信息素浓度，其他不需要更新；当全部蚂蚁遍历一次后，LLocalMin大于时，σ越接近0，当LLocalMin越小时，σ越接近1，因此路径长度愈短，那么执行全局信息素的更新规则时，遍历的路径信息素浓度会愈强，信息量增加地愈快；全局信息素的更新规则为以下公式(2)
τxy(t+n)＝τxy(t)+μσ△τxy (2)
其中，是当前场景下局部最优解之和的平均路径长度，LLocalMin是此次迭代中局部最优解，LMin是当前场景下此时刻的全局最短路径长度，μ是给定参数。
7.根据权利要求6所述的优化***，其特征在于，所述消防队信息包括消防队是否有消防车和出警人员。
8.根据权利要求6所述的优化***，其特征在于，消防队筛选模块中计算事发点到消防队的直线距离时，具体基于GIS数据，将包括建筑、道路的信息数值化，其中用道路弧段、节点来表征道路。
9.根据权利要求6所述的优化***，其特征在于，最终路径计算模块在考虑动态因素交通路况时，如果所选路径中某段道路发生变化，那么道路信息标识此段道路为拥堵路段，将事发点到相应消防队终点之间的最小路线长度乘以一个系数，得到调整后的最小路线长度；
在考虑动态因素单双号和收费站时，如果所选路径中涉及到区分单双号限行和收费站，此方案的最小路线长度不变；
在新增事发点时，并行运行当前计算过程，返回步骤S3，再次运算；在取消事发点时，终止当前计算过程，即返回值为0；
在考虑动态因素道路施工情况时，评估道路施工时此路段可通行的车宽，与消防车车宽进行比较，如果此路段可用宽度大于等于消防车车宽，则最优路径不变，如果此路段可用宽度小于消防车车宽，那么此路段为异常路段。
10.一种计算机可读存储介质，其特征在于，其具有可被处理器执行的计算机程序，该计算机程序执行如权利要求1-4中任一项所述的基于集成多种算法的消防救援路径的优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810868708.7A CN109117997B (zh) | 2018-08-02 | 2018-08-02 | 基于集成多种算法的消防救援路径的优化方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810868708.7A CN109117997B (zh) | 2018-08-02 | 2018-08-02 | 基于集成多种算法的消防救援路径的优化方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109117997A true CN109117997A (zh) | 2019-01-01 |
| CN109117997B CN109117997B (zh) | 2022-04-08 |
Family
ID=64851608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810868708.7A Active CN109117997B (zh) | 2018-08-02 | 2018-08-02 | 基于集成多种算法的消防救援路径的优化方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109117997B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264019A (zh) * | 2019-07-19 | 2019-09-20 | 江西理工大学 | 一种基于蚁群算法的拥堵路段路径优化方法 |
| CN112138314A (zh) * | 2020-09-25 | 2020-12-29 | 南京工程学院 | 人工智能灭火机器人 |
| CN113487164A (zh) * | 2021-06-30 | 2021-10-08 | 武汉理工光科股份有限公司 | 一种消防救援力量智能调派方法、装置及存储介质 |
| CN115994635A (zh) * | 2023-03-23 | 2023-04-21 | 广东鉴面智能科技有限公司 | 一种皮带最优卸料运输路径检测方法、***和介质 |
| CN116046001A (zh) * | 2022-11-26 | 2023-05-02 | 中国消防救援学院 | 一种基于智能消防的救援路径规划方法及*** |
| CN117745083A (zh) * | 2024-02-20 | 2024-03-22 | 山东居安特消防科技有限公司 | 一种基于大数据的消防管理***及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170017884A1 (en) * | 2014-06-23 | 2017-01-19 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
| CN106971245A (zh) * | 2017-03-30 | 2017-07-21 | 广东工业大学 | 一种基于改进蚁群算法的路径确定方法及*** |
-
2018
- 2018-08-02 CN CN201810868708.7A patent/CN109117997B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170017884A1 (en) * | 2014-06-23 | 2017-01-19 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
| CN106971245A (zh) * | 2017-03-30 | 2017-07-21 | 广东工业大学 | 一种基于改进蚁群算法的路径确定方法及*** |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264019A (zh) * | 2019-07-19 | 2019-09-20 | 江西理工大学 | 一种基于蚁群算法的拥堵路段路径优化方法 |
| CN110264019B (zh) * | 2019-07-19 | 2022-11-01 | 江西理工大学 | 一种基于蚁群算法的拥堵路段路径优化方法 |
| CN112138314A (zh) * | 2020-09-25 | 2020-12-29 | 南京工程学院 | 人工智能灭火机器人 |
| CN113487164A (zh) * | 2021-06-30 | 2021-10-08 | 武汉理工光科股份有限公司 | 一种消防救援力量智能调派方法、装置及存储介质 |
| CN116046001A (zh) * | 2022-11-26 | 2023-05-02 | 中国消防救援学院 | 一种基于智能消防的救援路径规划方法及*** |
| CN116046001B (zh) * | 2022-11-26 | 2024-04-26 | 中国消防救援学院 | 一种基于智能消防的救援路径规划方法及*** |
| CN115994635A (zh) * | 2023-03-23 | 2023-04-21 | 广东鉴面智能科技有限公司 | 一种皮带最优卸料运输路径检测方法、***和介质 |
| CN115994635B (zh) * | 2023-03-23 | 2023-06-16 | 广东鉴面智能科技有限公司 | 一种皮带最优卸料运输路径检测方法、***和介质 |
| CN117745083A (zh) * | 2024-02-20 | 2024-03-22 | 山东居安特消防科技有限公司 | 一种基于大数据的消防管理***及方法 |
| CN117745083B (zh) * | 2024-02-20 | 2024-05-24 | 山东居安特消防科技有限公司 | 一种基于大数据的消防管理***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109117997B (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117997A (zh) | 基于集成多种算法的消防救援路径的优化方法及*** | |
| US10145699B2 (en) | System and methods for real-time escape route planning for fire fighting and natural disasters | |
| Sanchez-Silva et al. | A transport network reliability model for the efficient assignment of resources | |
| Shahparvari et al. | Possibilistic scheduling routing for short-notice bushfire emergency evacuation under uncertainties: An Australian case study | |
| Goodwin et al. | Escape planning in realistic fire scenarios with Ant Colony Optimisation | |
| Shang et al. | Resilience analysis of transport networks by combining variable message signs with agent-based day-to-day dynamic learning | |
| WO2009105289A2 (en) | Safe route configuration | |
| CN106846873A (zh) | 一种路况导航的方法及装置 | |
| Misra et al. | S-nav: Safety-aware iot navigation tool for avoiding covid-19 hotspots | |
| CN112556714A (zh) | 一种消防灭火救援智能路径规划方法及*** | |
| Bi et al. | Routing emergency evacuees with cognitive packet networks | |
| CN113919699B (zh) | 资源调配方案生成方法、装置、设备和存储介质 | |
| Li et al. | Dynamic sign guidance optimization for crowd evacuation considering flow equilibrium | |
| CN113935108B (zh) | 多类型应急车辆联合选址与配置方法、装置及存储介质 | |
| US10467888B2 (en) | System and method for dynamically adjusting an emergency coordination simulation system | |
| Kaviani et al. | A decision support system for improving the management of traffic networks during disasters | |
| Hara et al. | Geographical risk analysis based path selection for automatic, speedy, and reliable evacuation guiding using evacuees’ mobile devices | |
| CN117612413A (zh) | 基于gcn的有人无人航空器融合运行空域关键节点识别方法 | |
| Idoudi et al. | Smart dynamic evacuation planning and online management using vehicular communication system | |
| CN113096479A (zh) | 一种消防演习虚拟训练方法 | |
| CN105704026A (zh) | 一种区分服务网络中低风险路由方法 | |
| Idoudi et al. | Vehicular cloud computing for population evacuation optimization | |
| Lujak et al. | An Architecture for Safe Evacuation Route Recommendation in Smart Spaces. | |
| Du et al. | A cloud‐based service for emergency evacuation of mine water inrush accidents | |
| CN110232237B (zh) | 一种基于交通基本图的疏散车流量分配方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191121 Address after: 430000 East Lake New Technology Development Zone, Wuhan City, Hubei Province, 301, 3rd floor, Science Park, Wuhan University of Technology Applicant after: Hubei Beacon Fire Safety Intelligent Fire Fighting Technology Co., Ltd. Applicant after: Wuhan Ligong Guangke Co., Ltd. Address before: 430223, No. 23, University Road, East Lake hi tech Zone, Hubei, Wuhan Applicant before: Wuhan Ligong Guangke Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |