CN111505205A - 一种气体泄漏源强反算改进型搜索算法 - Google Patents

Abstract

本发明公开了一种气体泄漏源强反算改进型搜索算法，包括以下步骤：使用传感器网络获取泄漏现场的浓度测量数据，先验扩散模型计算泄漏现场的浓度计算数据，通过建立测量数据和先验扩散模型间的函数关系，将反算问题转化为最优化求解问题，利用改进型遗传算法完成泄漏源参数预估值；将改进型遗传算法的预估值结果作为马尔科夫链蒙特卡洛抽样初始抽样点，利用马尔科夫链蒙特卡洛抽样算法得到泄漏源位置的概率分布范围；以马尔科夫链蒙特卡洛抽样算法提供的泄漏源位置的分布范围，使用移动机器人进场主动嗅探进行处理，利用改进型保守收敛粒子群算法用于完成泄漏源精确定位。先利用基于传感器网络的定位技术确定疑似的泄漏源区域，而后在疑似区域内有针对性的释放移动机器人进行进一步搜索，取长补短联合处理危害气体泄漏事故中源强反算问题。

Description

一种气体泄漏源强反算改进型搜索算法

技术领域

本发明涉及危险化学品气体泄漏检测技术领域，尤其是一种气体泄漏源强 反算改进型搜索算法。

背景技术

危险化学品气体泄漏源位置和强度的确定是危险化学品气体泄漏事故应 急救援的基石，开展此领域的研究将具有其重要性和紧迫性。危险化学品气体 泄漏往往是突发性的，导致泄漏时间、泄漏地点和泄漏环境均具有不确定性。 在突发情况下，要求在信息缺失的有限条件下，以最短的时间确定未知泄漏源， 以进一步确定应急疏散区域和安全距离，为应急决策提供依据。危险化学品气 体泄漏发生后，利用监测设备对泄漏现场及周围进行气体浓度的监测，进而利 用所监测数据实现泄漏源位置的定位。泄漏源定位形式主要分为两种：传感器 网络监测计算定位和移动机器人协同搜索定位。

传感器网络监测计算定位的思路是融合先验的气体扩散模型和实时采集 的气体浓度数据对气源参数迭代求解的分布式估计问题。该方法的实现方式是 首先通过先验模型依据候选参数集得到模拟浓度，再通过贝叶斯理论将模拟浓 度和传感器网络测量浓度建立匹配函数，通过不断优化匹配函数结果，从而得 到气源参数的后验分布。

移动机器人协同搜索定位的思路是利用移动机器人安装相应的气体浓度 传感器形成的具有嗅觉感知的个体，故而应有于源强反算问题的移动机器人搜 索又被成为主动嗅觉问题，机器人利用风向信息和气体浓度信息，采用启发性 搜索策略实现定位搜索。基于传感器网络的泄漏源定位受限于传感器网络的数 据有限性和网络布置的固定性，基于移动机器人协同的泄漏源定位则可以充分 发挥移动机器人的运动灵活性以实现高细致更有针对性的局部区域搜索，从而 可以使得移动机器人的场景适应性更强，可以应对更为复杂动态的环境。

对于基于无线传感器网络的气体源监测定位技术存在如下的研究缺点：

(1)属于统计概率分布类别的数据处理算法需要基于事故信息以及待求 参数的先验信息，虽然可以有效地评估反演结果的不确定性，但是对于后验分 布的抽样过程极为耗时，且初始抽样点的选取直接关系到抽样结果的准确与 否；

(2)属于优化最优解类别的反算算法对先验扩散模型存在较强的依赖， 且由于源强反算问题的高度非线性，只能采用直接优化算法进行反算，但是以 遗传算法为主的直接优化算法需要极大的种群规模才能得到较为理想的结果， 而这将直接导致计算成本指数增加；

(3)传感器网络规模与搜索目标准确性之间的平衡问题：显而易见，要 获得精度更高的疑似源参数，必然需要增加传感器网络的规模，这是典型的成 本和成果的平衡。

对于基于移动机器人的气体源监测定位技术则存在如下技术缺点：

(1)湍流造成的烟羽动态分布特性。小尺度漩涡将气味/气体烟羽撕裂成 许多细丝，造成局部微小区域浓度分布数值振荡性，容易给移动机器人带来局 部极值陷阱；由于实际气体扩散场的破碎现象明显，故而移动机器人面对规模 较大的搜索空间的适应性较低；

(2)当前的指导多机器人***的算法效率普遍较低，高效的启发策略缺 失，并且少有研究涉及到多源场景下的并行定位，这极大地限制移动机器人协 同搜索的场景适应性。

发明内容

本发明的目的是提供一种气体泄漏源强反算改进型搜索算法，先利用基于 传感器网络的定位技术确定疑似的泄漏源区域，而后在疑似区域内有针对性的 释放移动机器人进行进一步搜索，取长补短联合处理危害气体泄漏事故中源强 反算问题。

为实现上述目的，本发明采用下述技术方案：

一种气体泄漏源强反算改进型搜索算法，包括以下步骤：

使用传感器网络获取泄漏现场的浓度测量数据，先验扩散模型计算泄漏现 场的浓度计算数据，通过建立测量数据和先验扩散模型间的函数关系，将反算 问题转化为最优化求解问题，利用改进型遗传算法完成泄漏源参数预估值；

将改进型遗传算法的预估值结果作为马尔科夫链蒙特卡洛抽样初始抽样 点，利用马尔科夫链蒙特卡洛抽样算法得到泄漏源位置的概率分布范围；

以马尔科夫链蒙特卡洛抽样算法提供的泄漏源位置的分布范围，使用移动 机器人进场主动嗅探进行处理，利用改进型保守收敛粒子群算法用于完成泄漏 源精确定位。

进一步地，所述使用传感器网络获取泄漏现场的浓度测量数据，先验扩散 模型计算泄漏现场的浓度计算数据，通过建立测量数据和先验扩散模型间的函 数关系，将反算问题转化为最优化求解问题，具体包括：

传感器网络对第i个测量位置的测量值为

利用气体扩散模型计算第i 个测量位置的计算浓度

反算问题归结为求解目标函数

的最小值。

进一步地，所述利用改进型遗传算法完成泄漏源参数预估值，具体包括：

收集每步迭代在选择步骤中被丢弃的泄漏源单位样本个体，将被丢弃的泄 漏源单位样本个体单独存入淘汰者基因库用于扩大交叉的范围；

收集每步迭代最优的泄漏源单位样本个体，引入“跟随和搜索”策略，加强 种群向最优点方向演变概率，同时当最优点更新陷入停滞时，以当前最优点为 起点进行主动局部搜索操作，直到新产生的泄漏源粒子数目符合要求。

进一步地，所述利用马尔科夫链蒙特卡洛抽样算法得到泄漏源位置的概率 分布范围，具体包括：

使用自适应Metropolis算法作为马尔科夫链蒙特卡洛抽样的抽样算法，采 用“对数平衡”数据处理和“部分匹配，协同搜索”策略，直到满足抽样终止 条件。

进一步地，所述利用改进型保守收敛粒子群算法用于完成泄漏源精确定 位，具体包括：

初期按照标准粒子群算法运行，直到粒子群历史最优值更新停滞代数超过 设定限值；

从同代中适应度较小的子群中征调部分粒子与历史最优值粒子组成“最优 集团”，用于加强最优值点附近的局部搜索力度；

远离最优点重置部分适应度较小的粒子的位置和速度，以保证算法尽可能 地跳出局部极值；

动态更新最优集团，直到最优集团成功收缩定位或迭代代数达到上限。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效 果，上述技术方案中的一个技术方案具有如下优点或有益效果：

本发明按照“源强参数初步预估-源位置范围确定-泄漏源精准定位”的三 段式研究思路，提出更高效源强反算问题的搜索算法。初阶段使用传感器网络 获取泄漏现场的浓度测量数据，先验扩散模型计算泄漏现场的浓度计算数据， 通过建立测量数据和先验扩散模型间的函数关系，将反算问题转化为最优化求 解问题，而后利用优化算法求解最优源强参数。遗传算法用于源强反算问题存 在早熟收敛和计算成本高等缺点，本申请采用改进型遗传算法，可以较低的计 算成本下取得较优的参数解。通过引入“淘汰者基因库”扩充算法前期的搜索 空间，引入“跟随和搜索”策略强化收敛域内的局部搜索力度。

其次，以马尔科夫链蒙特卡洛抽样完成源位置范围的确定。改进型遗传算 法的结果作为马尔科夫链蒙特卡洛抽样初始抽样点，以解决马尔科夫链蒙特卡 洛抽样初始点依赖性问题，提出“部分匹配，协同搜索”的运算策略，来提升 其误差适应性。

基于移动机器人进场主动嗅探的方案进行处理，传统的粒子群算法存在搜 索速度较慢，定位结果偏离大的缺点。因此提出一种改进型保守收敛粒子群算 法来实现泄漏源精确定位。通过引入“征调和重置”策略使得算法具有更强的

附图说明

图1是本发明气体泄漏源强反算改进型搜索算法流程图；

图2是本发明改进型遗传算法MGA的新交叉流程图；

图3是图2中步骤S2的一个实施例；

图4是图2中步骤S3的一个实施例。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图， 对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现 本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置 进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重 复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间 的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了 对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，一种气体泄漏源强反算改进型搜索算法，包括以下步骤：

S1、使用传感器网络获取泄漏现场的浓度测量数据，先验扩散模型计算泄 漏现场的浓度计算数据，通过建立测量数据和先验扩散模型间的函数关系，将 反算问题转化为最优化求解问题，利用改进型遗传算法完成泄漏源参数预估 值；

S2、将改进型遗传算法的预估值结果作为马尔科夫链蒙特卡洛抽样初始抽 样点，利用马尔科夫链蒙特卡洛抽样算法得到泄漏源位置的概率分布范围；

S3、以马尔科夫链蒙特卡洛抽样算法提供的泄漏源位置的分布范围，使用 移动机器人进场主动嗅探进行处理，利用改进型保守收敛粒子群算法用于完成 泄漏源精确定位。

作为本申请的一个实施例，步骤S1中，使用传感器网络获取泄漏现场的 浓度测量数据，先验扩散模型计算泄漏现场的浓度计算数据，通过建立测量数 据和先验扩散模型间的函数关系，将反算问题转化为最优化求解问题，具体包 括：

传感器网络对第i个测量位置的测量值为

利用气体扩散模型计算第i 个测量位置的计算浓度

反算问题归结为求解目标函数

的最小值。

其中，

采用气体扩散模型Pasquill-Gifford高斯模型计算得出，对于地 面瞬时泄漏，采用地面瞬时点源的烟团模型，即

式中，

x_i,y_i,t_i为第i个测量位置的坐标,

为给定位置(x,y)和时间t 的泄漏物浓度，单位为kg/m³；

Q:瞬时泄漏的物料质量,单位为kg；

u:风速；

t:泄漏时间；

分别为x,y,z方向的扩散系数，单位为m。

如图2所示，作为本申请的一个实施例，改进型遗传算法MGA的新交叉流 程如下：

(1)从“选择”阶段保留下来的子群中随机选取两个不同个体，分别记 为P₁,P₂，即选择保留下来的泄漏物单位样本。

(2)产生随机数r₁～U(0,1)，记交叉率为α，如果r₁＜α，则P₁,P₂依旧按照GA 传统的交叉流程进行交叉操作；如果r₁≥α，则转入步骤(3)；

(3)记***当前的最优点更新停滞代数为S，设置的最优点停滞代数上 限为SetMax，如果S<SetMax，则进入步骤(4)，否则转入步骤(5)；

(4)从“选择”淘汰的淘汰者基因库中随机选取两个个体，分别记为 P_s1,P_s2，即从选择淘汰的泄漏物单位样本，用于分别匹配P₁,P₂进行交叉操作， 其中P₁,P₂作为母体进行交叉，记母系继承率为β；

(5)产生随机数r₁～U(0,1)，记追随率为γ，如果r₁＜γ，则进入步骤(6)， 否则转入步骤(7)；

(6)追随过程：记当前最优粒子为P_best,P₁,P₂按照如下操作进行跟随，其 中f为随机数且f～N(0,1)：

P_{new_i}＝P_best+f×(P_best-P_i)

(7)主动搜索：记当前最优粒子为P_best,P₁,P₂按照如下操作进行主动搜索：

P_{new_i}＝β×P_i+P_best×(1-β)

(8)重复步骤(1)-(7)，直到新产生的泄漏物粒子数目得到要求。

相比于传统GA的交叉流程设计，MGA的主要改进为：收集每步迭代在 选择步骤中被丢弃的泄漏源单位样本个体，将被丢弃的泄漏源单位样本个体单 独存入淘汰者基因库用于扩大交叉的范围；

收集每步迭代最优的泄漏源单位样本个体，引入“跟随和搜索”策略，加强 种群向最优点方向演变概率，同时当最优点更新陷入停滞时，以当前最优点为 起点进行主动局部搜索操作，直到新产生的泄漏物粒子数目符合要求。

如图3所示，作为本申请的一个实施例，步骤S2中，利用马尔科夫链蒙 特卡洛抽样算法得到泄漏源位置的概率分布范围，具体包括：

S21、初始化马氏链抽样起点为θ₀＝(x₀,y₀,Q₀),将第t步得到目标参数点记为 θ_t＝(x_t,y_t,Q_t),其中X_t,Y_t，为测量位置的坐标。

MCMC方法将模型误差、测量误差以及参数的先验分布等通过概率密度函数 的方式表达，通过抽样结果的分布更合理地描述源强反算问题的不确定性。当 目标对象的搜索空间较复杂时，MCMC对初始点和提议分布的选择很敏感，不合 理的初始点会导致马氏链在收敛域外进行大量的无效抽样。因此采用MGA的预 估结果为MCMC的抽样初始起点。

S22、以当前点θ_t＝(x_t,y_t,Q_t)为均值中心，协方差矩阵C_t得到随机候选点 θ^ca～N(θ_t,C_t)，C_t可表示为：

S23、按照

计算候选参数点接受率α，并产生随 机数rand～U(0,1)，接受规则为

S24、重复S22、S23直到抽样终止条件满足，如抽样代数达到要求。

如图4所示，作为本申请的一个实施例，步骤S3中，以马尔科夫链蒙特 卡洛抽样算法提供的泄漏源位置的分布范围，使用移动机器人进场主动嗅探进 行处理，利用改进型保守收敛粒子群算法用于完成泄漏源精确定位，具体包括：

S31、初始化粒子群的参数，分别为泄漏物样本的粒子总数、坐标点和粒 子初始速度；

S32、初期按标准粒子群算法运行，直到粒子群历史最优值更新停滞代数 超过设定限制；

S33、算法进入“征调和重置”阶段：记具有历史最优值的粒子为

从 适应度较小的粒子为其分配M个辅助粒子，这M+1个粒子成为“最优集团”；

S34、“最优集团”的粒子按照

进行速度更新；从当代适应度较小的粒子中选择部分粒子作为“自由粒子”重置速度和位 置，其余粒子依旧按照标准PSO的速度按照

进行更新；

式中，

V_i：粒子的飞翔速度；

P_i：粒子个体经历过的最好位置；

P_g：整个群体所有粒子经过的最好位置；

W：惯性因子，其值为非负；其值较大，全局寻优能力强，局部寻优能力弱； 其值较大，全局寻优能力弱，局部寻优能力强；因此，w越大，粒子飞翔的速 度和位置更新的幅度也就越大，因此偏离原先寻优轨道的程度也就越大；

ρ：范围参数；

C₁，C₂：加速常数，C1是根据个体自身的经验进行判断的常数，C2是根据群体 的经验；二者是学习因子，通常C₁＝C₂＝2；

r₁,r₂：为[0,1]范围内变换的随机数；

S35、根据已更新的速度更新粒子群的新位置，然后计算粒子群的新适应 值，更新粒子的自身历史最优，而后更新粒子群的全局历史最优，如果普通子 群中出现了新的全局最优值，则将当前已有的“最优集团”子群直接全部设置 为新的最优粒子的辅助粒子群，此为“最优集团”动态更新操作；

S36、如果普通子群中没有出现新的全局最优值，则根据“最优集团”搜 索新的最优值是否成功，更新“最优集团”搜索结果记录，根据搜索结果记录 是否满足连续成功或是连续失败次数更新局部搜索范围参数ρ；

S37、重复步骤S34、S35、S36直到“最优集团”成功收缩定位或是迭代 代数达到上限。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明 保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上， 本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发 明的保护范围以内。

Claims (6)

1.一种气体泄漏源强反算改进型搜索算法，其特征是，包括以下步骤：

使用传感器网络获取泄漏现场的浓度测量数据，利用先验扩散模型计算泄漏现场的浓度计算数据，通过建立测量数据和先验扩散模型间的函数关系，将反算问题转化为最优化求解问题，应用改进型遗传算法完成泄漏源参数预估值计算；

将改进型遗传算法的预估值结果作为马尔科夫链蒙特卡洛抽样算法的初始抽样点，利用马尔科夫链蒙特卡洛抽样算法得到泄漏源位置的概率分布范围；

以马尔科夫链蒙特卡洛抽样算法提供的泄漏源位置的分布范围，使用移动机器人在泄漏源分布范围内寻找泄漏源，利用改进型保守收敛粒子群算法用于完成泄漏源精确定位。

2.如权利要求1所述的气体泄漏源强反算改进型搜索算法，其特征是，所述使用传感器网络获取泄漏现场的浓度测量数据，先验扩散模型计算泄漏现场的浓度计算数据，通过建立测量数据和先验扩散模型间的函数关系，将反算问题转化为最优化求解问题，应用改进型遗传算法完成泄漏源参数预估值计算，具体包括：

传感器网络对第i个测量位置的测量值为

利用气体扩散模型计算第i个测量位置的计算浓度

应用改进型遗传算法求解目标函数

的最小值。

3.如权利要求2所述的气体泄漏源强反算改进型搜索算法，其特征是，所述利用气体扩散模型计算第i个测量位置的计算浓度

具体包括：

采用气体扩散模型Pasquill-Gifford高斯模型计算第i个测量位置的计算浓度

对于地面瞬时泄露，采用地面瞬时点源的烟团模型，即

式中，

x_i,y_i,t_i为第i个测量位置的坐标,

为给定位置(x,y)和时间t的泄漏物浓度，单位为kg/m³；

Q:瞬时泄露的物料质量,单位为kg；

u:风速；

t:泄露时间；

分别为x,y,z方向的扩散系数，单位为m。

4.如权利要求2所述的气体泄漏源强反算改进型搜索算法，其特征是，所述应用改进型遗传算法求解目标函数

的最小值，具体包括：

收集每步迭代在选择步骤中被丢弃的泄漏源单位样本个体，将被丢弃的泄漏源单位样本个体单独存入淘汰者基因库用于扩大交叉的范围；

收集每部迭代最优的泄漏源单位样本个体，加强种群向最优点方向演变概率，同时当最优点更新陷入停滞时，以当前最优点为起点进行主动局部搜索操作，直到新产生的泄漏物粒子数目符合要求。

5.如权利要求4所述的气体泄漏源强反算改进型搜索算法，其特征是，所述利用马尔科夫链蒙特卡洛抽样算法得到泄漏源位置的概率分布范围，具体包括：

使用自适应Metropolis算法作为马尔科夫链蒙特卡洛抽样的抽样算法，采用“对数平衡”对候选点进行数据处理，直到满足抽样终止条件。

6.如权利要求5所述的气体泄漏源强反算改进型搜索算法，其特征是，所述利用改进型保守收敛粒子群算法用于完成泄漏源精确定位，具体包括：

初期按照标准粒子群算法运行，直到粒子群历史最优值更新停滞代数超过设定限值；

从同代中适应度较小的子群中征调部分粒子与历史最优值粒子组成“最优集团”，用于加强最优值点附近的局部搜索力度；

远离最优点重置部分适应度较小的粒子的位置和速度，以保证算法尽可能地跳出局部极值；

动态更新最优集团，直到最优集团成功收缩定位或迭代代数达到上限。

Images