CN117592819B - 一种面向海洋牧场的陆海综合体的动态监管方法及装置 - Google Patents

一种面向海洋牧场的陆海综合体的动态监管方法及装置 Download PDF

Info

Publication number
CN117592819B
CN117592819B CN202410069291.3A CN202410069291A CN117592819B CN 117592819 B CN117592819 B CN 117592819B CN 202410069291 A CN202410069291 A CN 202410069291A CN 117592819 B CN117592819 B CN 117592819B
Authority
CN
China
Prior art keywords
solution
sensor
final
evaluation
marine
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.)
Active
Application number
CN202410069291.3A
Other languages
English (en)
Other versions
CN117592819A (zh
Inventor
潘玉兰
徐雯雯
刘明坤
谭林涛
郑富强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rushan Marine Economic Development Center
Original Assignee
Rushan Marine Economic Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rushan Marine Economic Development Center filed Critical Rushan Marine Economic Development Center
Priority to CN202410069291.3A priority Critical patent/CN117592819B/zh
Publication of CN117592819A publication Critical patent/CN117592819A/zh
Application granted granted Critical
Publication of CN117592819B publication Critical patent/CN117592819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Operations Research (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种面向海洋牧场的陆海综合体的动态监管方法及装置，涉及数据处理技术领域，所述方法包括：确定优化目标和约束条件，并根据线性规划模型，使用贪心策略生成最终的解决方案，将最终的解决方案作为初始种群；根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解；根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果；根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案；根据所述调整方案，通过在海洋牧场中部署的传感器实时监测海洋牧场的环境参数和生物活动。本发明可以实现对海洋牧场的全面、实时监测。

Description

一种面向海洋牧场的陆海综合体的动态监管方法及装置
技术领域
本发明涉及数据处理技术领域，特别是指一种面向海洋牧场的陆海综合体的动态监管方法及装置。
背景技术
随着海洋资源的日益枯竭和生态环境的恶化，海洋牧场作为一种可持续的海洋资源利用方式，受到了广泛关注。然而，海洋牧场面临着复杂的自然环境和多样化的生物活动，因此，如何有效地监测和管理海洋牧场成了一个亟待解决的问题。
传统的海洋牧场监管方法往往依赖于人工巡检和定期采样，不仅效率低下，而且难以及时准确地获取海洋牧场的环境参数和生物活动信息。随着传感器技术的发展，利用传感器网络对海洋牧场进行实时监测成为一种可行的解决方案。但是，如何合理地部署传感器网络，以最大程度地覆盖海洋牧场并获取准确的数据仍然是一个技术难题。
发明内容
本发明要解决的技术问题是提供一种面向海洋牧场的陆海综合体的动态监管方法及装置，可以实现对海洋牧场的全面、实时监测。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种面向海洋牧场的陆海综合体的动态监管方法，所述方法包括：
根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型；
确定优化目标和约束条件，并根据线性规划模型，使用贪心策略生成最终的解决方案，将最终的解决方案作为初始种群；
根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解；
根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果；
根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案；
根据所述调整方案，通过在海洋牧场中部署的传感器实时监测海洋牧场的环境参数和生物活动。
进一步的，根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型，包括：
设定线性规划模型的基本参数和变量；
根据线性规划模型的基本参数和变量，通过确定最终的目标函数，其中，/>表示监测点的数量，/>表示可用传感器的类型数量，/>表示第i个监测点的安装成本，/>表示第j个监测点的重要性权重，/>表示第i种传感器的维护成本，/>表示第i种传感器在第j个监测点的能耗；/>、/>和/>是权重系数，/>表示最大化的目标函数。
进一步的，所述约束条件包括多传感器兼容性条件、环境因素限制条件、资源限制条件以及通信覆盖约束条件；
其中，多传感器兼容性条件的计算公式为，资源限制条件的计算公式为，其中，/>为第i种传感器在第j个监测点的数据存储需求，/>是监测点j的数据存储容量，/>为阈值，/>为评分矩阵，/>为第j个监测点的电池容量，/>为第i种传感器在第j个监测点的能耗。
进一步的，根据线性规划模型，使用贪心策略生成最终的解决方案，包括：
确定贪心策略的优化目标，根据优化目标，确定贪心规则；
根据贪心规则，确定限制决策范围的约束条件；
根据贪心规则和约束条件逐步做出决策，以得到当前解；
判断当前解是否满足所有约束条件，以得到判断结果；
重复操作，直到所有决策变量均确定，以得到最终的解决方案。
进一步的，根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解，包括：
根据海洋牧场的特点，随机生成一组解作为初始种群；
根据目标函数和约束条件，评估当前种群中每个解的适应度；
根据适应度选择当前种群中的解作为父代进行随机配对，并进行交叉操作，生成新的解；
对新的解进行随机变异，以得到变异解；
选择部分变异解，进行邻域搜索，生成邻域解；
将邻域解融合入变异解中，以得到融合解；
评估融合解中每个解的适应度，重复进行迭代循环，直到满足终止条件，以输出当前种群中的最终解作为最终的传感器部署方案。
进一步的，根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果，包括：
根据海洋牧场的具体需求和目标，确定评估标准；
对每个评估标准进行量化处理，以得到量化数值；
针对每个传感器部署方案，根据量化数值构建评估矩阵，评估矩阵中的每个元素表示传感器部署方案在对应评估标准上的性能评分；
根据每个评估标准，计算对应的信息熵；
根据信息熵计算每个评估标准的权重；
将评估矩阵与权重进行结合，计算每个传感器部署方案的综合性能评分；
根据综合性能评分，对所有传感器部署方案进行排序，以得到排序表；
根据排序表进行敏感性评估，以得到评估结果。
进一步的，根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案，包括：
将每个传感器部署方案视为一个粒子，在解空间中随机初始化一群粒子，其中，每个粒子都有一个位置向量和一个速度向量，位置向量表示传感器部署方案，速度向量决定粒子在解空间中的移动方向和速度；
根据评估标准和权重，计算每个粒子的适应度值；
根据每个粒子，对比粒子当前适应度值与历史最终适应度值，以得到对比结果；
根据对比结果，确定最终适应度值的粒子，并更新全局最终位置；
利用个体最终位置和全局最终位置信息，更新每个粒子的速度和位置；
迭代循环，直到满足终止条件，在每次迭代中，粒子群不断调整自身位置，以得到更终的调整方案。
第二方面，一种面向海洋牧场的陆海综合体的动态监管装置，包括：
获取模块，用于根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型；确定优化目标和约束条件，并根据线性规划模型，使用贪心策略生成最终的解决方案，将最终的解决方案作为初始种群；
处理模块，用于根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解；根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果；根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案；根据所述调整方案，通过在海洋牧场中部署的传感器实时监测海洋牧场的环境参数和生物活动。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
本发明的上述方案至少包括以下有益效果：
通过根据海洋牧场的地理位置和环境特征建立传感监测网络的线性规划模型，并使用贪心策略生成最终的解决方案作为初始种群，再进一步通过迭代求解和邻域搜索获取最终解，本发明能够确定传感器的最优部署位置，从而提高海洋牧场的监管水平和覆盖范围。
本发明不仅生成了初始的传感器部署方案，还进一步根据评估结果对方案进行调整，以得到性能更优的调整方案，这种动态调整的策略可以确保传感器部署方案在实际应用中的有效性和适应性。
通过根据调整方案在海洋牧场中部署传感器，本发明能够实时监测海洋牧场的环境参数和生物活动，为海洋牧场的管理和决策提供及时、准确的数据支持，有助于保障海洋牧场的生态环境和资源可持续利用。
通过自动化的传感器部署和实时监测，本发明方法可以大幅减少人工巡检和定期采样的需求，从而降低运营成本并提高工作效率。
附图说明
图1是本发明的实施例提供的一种面向海洋牧场的陆海综合体的动态监管方法的流程示意图。
图2是本发明的实施例提供的一种面向海洋牧场的陆海综合体的动态监管装置示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种面向海洋牧场的陆海综合体的动态监管方法，所述方法包括以下步骤：
步骤11，根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型；
步骤12，确定优化目标和约束条件，并根据线性规划模型，使用贪心策略生成最终的解决方案，将最终的解决方案作为初始种群；
步骤13，根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解；
步骤14，根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果；
步骤15，根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案；
步骤16，根据所述调整方案，通过在海洋牧场中部署的传感器实时监测海洋牧场的环境参数和生物活动。
在本发明实施例中，通过根据地理位置和环境特征，该步骤能够确保传感监测网络的设计更加符合海洋牧场的实际需求，线性规划模型有助于简化复杂的问题，使得传感器部署的优化更加高效和可行；通过确定优化目标和约束条件有助于引导搜索过程，使得生成的解决方案更加符合实际需求，贪心策略能够在较短的时间内生成一个可行的解决方案，作为后续迭代优化的起点，提高了求解效率；迭代求解和邻域搜索能够逐步改进初始种群中的解决方案，寻找性能更优的传感器部署方案，有助于避免陷入局部最优解，提高了全局搜索能力和找到更优解的可能性；通过评估不同传感器部署方案的性能，可以对各种方案进行客观的比较和排序，评估结果提供了决策支持，有助于选择最适合海洋牧场需求的传感器部署方案；根据评估结果进行调整，可以进一步提高传感器部署方案的性能，满足更高的监管要求，调整方案根据评估中的反馈和实际需求，增强了方法的灵活性和适应性；实时监测能够及时获取海洋牧场的环境参数和生物活动信息，为牧场管理提供及时准确的数据支持，通过调整方案中的传感器部署，确保了监测数据的全面性和可靠性，提高了海洋牧场的管理效率和资源利用效益。
在本发明一优选的实施例中，上述步骤11，可以包括：
步骤111，设定线性规划模型的基本参数和变量；
步骤112，根据线性规划模型的基本参数和变量，通过确定最终的目标函数，其中，/>表示监测点的数量，/>表示可用传感器的类型数量，/>表示第i个监测点的安装成本，/>表示第j个监测点的重要性权重，/>表示第i种传感器的维护成本，/>表示第i种传感器在第j个监测点的能耗；/>、/>和/>是权重系数，/>表示最大化的目标函数。
在本发明实施例中，通过设定线性规划模型的基本参数和变量，为后续的目标函数构建提供了基础，确保了线性规划模型的一致性和准确性，合理的参数和变量设定能够更好地反映实际问题的特性，使得线性规划模型更加贴近实际应用场景，提高了模型的实用性和可靠性；该目标函数综合根据多个因素，包括监测点的重要性、传感器的安装成本、维护成本和能耗等，使得传感器部署方案更加全面和优化，通过调整权重系数、/>和/>，可以根据实际需求灵活调整不同因素的重要性，增强了线性规划模型的灵活性和适用性，最大化该目标函数能够确保在满足约束条件的前提下，找到使得整体效益最大的传感器部署方案，提高了海洋牧场监管水平和资源利用效率。
在本发明一优选的实施例中，所述约束条件包括多传感器兼容性条件、环境因素限制条件、资源限制条件以及通信覆盖约束条件；
其中，多传感器兼容性条件的计算公式为，资源限制条件的计算公式为，其中，/>为第i种传感器在第j个监测点的数据存储需求，/>是监测点j的数据存储容量，/>为阈值，/>为评分矩阵，/>为第j个监测点的电池容量，/>为第i种传感器在第j个监测点的能耗，/>为监测点的数量，/>为可用传感器的类型数量。
在本发明实施例中，通过设定多传感器兼容性条件，确保了同一监测点上部署的不同传感器之间的兼容性，通过限制数据存储需求，可以避免因传感器间的不兼容而导致的数据冲突或***故障，有助于提高整个传感器网络的稳定性和可靠性。环境因素限制条件根据海洋牧场特有的环境条件，如温度、湿度、盐度等，对传感器性能和生存能力的影响，通过将这些限制条件纳入优化模型，可以确保选定的传感器能够在海洋牧场的恶劣环境下正常工作，从而提供准确可靠的监测数据。通过每个监测点的资源限制，特别是电池容量和数据存储容量，通过限制在每个监测点上部署的传感器能耗和数据存储需求的总和不超过该监测点的资源容量，可以确保传感器网络的持续运行和数据存储能力，这避免了因资源耗尽而导致的监测中断或数据丢失，从而提高了整个***的可持续性和数据完整性。通信覆盖约束条件确保了传感器网络中的每个监测点都能够与数据中心或其他监测点进行有效的通信，通过考虑无线信号的传播特性、干扰因素以及通信设备的性能限制，可以优化传感器的部署位置，从而实现更广泛、更可靠的通信覆盖，有助于实时数据传输和远程监控，提高了海洋牧场管理的效率和响应速度。综上所述，这些约束条件共同确保了传感器部署方案的可行性、稳定性和高效性，使得整个传感监测网络能够更好地适应海洋牧场的特殊环境，并提供准确、可靠的监测数据，以支持牧场的有效管理和资源利用。
在本发明一优选的实施例中，上述步骤12，可以包括：
步骤121，确定贪心策略的优化目标，根据优化目标，确定贪心规则；
步骤122，根据贪心规则，确定限制决策范围的约束条件；
步骤123，根据贪心规则和约束条件逐步做出决策，以得到当前解；
步骤124，判断当前解是否满足所有约束条件，以得到判断结果；
步骤125，重复操作，直到所有决策变量均确定，以得到最终的解决方案。
在本发明实施例中，确定优化目标和贪心规则为整个决策过程提供了方向，优化目标确保了解决方案是朝着期望的方向前进，而贪心规则则提供了有效的方法来在每一步中选择局部最优解。约束条件限制了决策的范围，确保了每一步的选择都是合法且可行的，有助于避免在求解过程中产生无效或不可行的解，从而提高了算法的效率。逐步做出决策的过程允许算法在每一步中都充分利用已知信息，从而做出当前最优的选择。这有助于在复杂的优化问题中快速找到近似最优解。通过不断检查当前解是否满足所有约束条件，可以确保在求解过程中始终保持解的合法性，避免了在算法结束时才发现解不可行的情况，从而节省了计算资源和时间。重复执行上述步骤直至所有决策变量确定，确保了整个优化问题的完整求解，提供了有效的方法来在有限的步骤内找到一个可行的解决方案，尤其适用于大规模或复杂的优化问题。
在本发明另一优选的实施例中，上述步骤121，可以包括：
步骤1211，确定贪心策略的优化目标，其中，/>表示整体优化目标；/>、/>、/>和/>均是权重系数，/>表示部署传感器i在监测点j的效益函数，/>表示部署传感器i在监测点j的成本函数，/>表示部署传感器i在监测点j的风险函数，/>表示部署传感器i在监测点j的长期维护成本函数，/>表示决策变量，和/>分别是传感器类型和监测点的数量；
步骤1212，确定动态规划框架，具体包括，定义状态S k 表示在第k阶段的***状态，状态转移方程为，其中，x k 是在第k阶段的决策，g是状态转移函数，/>是外部因素在时间点/>对于子问题/>的具体值，/>是系数，表示外部因素对状态转移的影响程度，/>、/>以及/>是参数，/>是随机变量；
步骤1213，在每个阶段，根据当前状态和未来可能的状态转移，选择局部最优决策，根据动态规划框架中的状态转移和边界条件，使用贪心规则选择决策；根据动态规划和贪心策略求解，具体包括，设置初始状态和动态规划表格，根据贪心规则和状态转移方程逐步更新状态，直到达到最终阶段，返回最终状态对应的解作为优化问题的近似解。
在本发明实施例中，步骤1211，确定贪心策略的优化目标，设定了多目标的优化公式，根据传感器部署的效益、成本、风险和维护成本，这种方法能够平衡多个关键因素，确保在追求效益最大化的同时，也根据成本控制、风险降低和长期维护的可持续性，避免了单一目标优化可能导致的片面性，使得决策更加全面和合理。步骤1212，确定动态规划框架，在动态规划框架下定义了状态变量、状态转移方程和外部影响因素的考虑，动态规划框架能够处理具有重叠子问题和最优子结构特性的问题，有效避免了大量重复计算，同时，通过引入外部影响因素和随机性，模型更加贴近实际场景，提高了决策的鲁棒性和适应性。步骤1213，在每个阶段选择局部最优决策，根据当前状态和未来可能的状态转移，使用贪心规则选择局部最优决策，贪心策略能够在每一步选择当前看来最优的决策，从而快速得到一个可行的解决方案。根据动态规划和贪心策略求解，从初始状态出发，利用贪心规则和状态转移方程逐步更新状态，最终得到问题的近似解，这种结合动态规划和贪心策略的方法能够在保证解的质量的同时，降低计算的复杂性，通过动态规划的状态转移，保证了决策的一致性和最优性；而贪心策略则提供了在每个阶段快速做出决策的手段。两者的结合使得算法既高效又具有一定的最优性保障。本发明综合了贪心策略和动态规划的优点，既能够在复杂的问题空间中快速找到可行的解决方案，又通过多目标优化和状态转移方程的设计保证了决策的全面性和最优性。
在本发明一优选的实施例中，上述步骤13，可以包括：
步骤131，根据海洋牧场的特点，随机生成一组解作为初始种群；
步骤132，根据目标函数和约束条件，评估当前种群中每个解的适应度；
步骤133，根据适应度选择当前种群中的解作为父代进行随机配对，并进行交叉操作，生成新的解；
步骤134，对新的解进行随机变异，以得到变异解；
步骤135，选择部分变异解，进行邻域搜索，生成邻域解；
步骤136，将邻域解融合入变异解中，以得到融合解；
步骤137，评估融合解中每个解的适应度，重复进行迭代循环，直到满足终止条件，以输出当前种群中的最终解作为最终的传感器部署方案。
在本发明实施例中，步骤131目的是生成一组多样化的初始解，这些初始解代表了可能的传感器部署方案，而整个优化过程的目标就是找到这些方案中的最优解。具体操作时，会根据海洋牧场的特定环境和需求来进行初始种群的生成，这些特点可能包括牧场的规模、形状、水深、水流速度、水温、盐度等环境因素，以及需要监测的目标（如鱼群活动、水质参数等）和可用的传感器类型及其性能。在生成初始种群时，会随机地选择传感器的数量和位置。例如，对于每个可能的监测点（可能是根据牧场网格化后的每个网格点或者是预先定义的特定位置），算法会随机决定是否在该点部署传感器，以及部署哪种类型的传感器。这样，每个初始解都代表了一个独特的传感器部署方案，包括传感器的数量、类型和位置。为了保持初始种群的多样性，会生成一定数量的解（如几十个或几百个），每个解之间都有显著的差异。这种多样性有助于算法在后续的搜索过程中探索更广泛的解空间，从而增加找到全局最优解的可能性。总之，步骤131通过随机生成一组多样化的初始解，为后续的搜索和进化提供了一个起点。
步骤132目的是根据预先定义的目标函数和约束条件，对种群中的每个解进行性能评估，从而确定其在优化问题中的适应度。首先，目标函数是优化问题的核心，它定义了需要最大化的效益或最小化的成本。在海洋牧场传感器部署问题中，目标函数可能包括最大化监测覆盖范围、最小化部署成本、最大化数据传输速率等多个方面。算法会根据目标函数计算每个解对应的性能指标，从而得到一个数值化的评估结果。其次，约束条件是优化问题中必须满足的限制条件。在海洋牧场传感器部署问题中，约束条件可能包括传感器数量的限制、通信距离的限制、传感器类型的选择等。算法会检查每个解是否满足这些约束条件，如果不满足，则可能会对其进行惩罚或直接排除在后续搜索之外。在评估适应度时，算法会综合考虑目标函数和约束条件的影响。通常，满足约束条件且目标函数值较优的解会被赋予较高的适应度值，而不满足约束条件或目标函数值较差的解则会被赋予较低的适应度值。这样，算法就能够根据适应度值来区分不同解的质量，并指导后续的搜索和进化过程。
最后，评估完当前种群中所有解的适应度后，算法会根据这些适应度值进行排序或选择操作，以确定哪些解更有可能成为优质解，并进入下一轮的搜索和进化过程。这样，通过不断迭代和优化，算法最终能够找到符合优化目标和约束条件的传感器部署方案。
步骤133目的是通过选择较优的解作为父代，并进行交叉操作，以生成新的后代解，从而在解空间中探索更多可能的优质解。首先，算法会根据适应度评估的结果，从当前种群中选择一部分适应度较高的解作为父代。这些父代解在遗传算法中被认为是较优的解，它们携带了有利于优化问题的遗传信息。接下来，算法会对选出的父代解进行随机配对。配对的方式可以是简单的随机选择，也可以根据一定的策略（如轮盘赌选择、锦标赛选择等）进行选择，以增加配对的多样性。
一旦父代解配对完成，算法会进行交叉操作。交叉操作模拟了生物遗传中的基因重组过程，通过将父代解的部分基因进行交换和组合，生成新的后代解。在传感器部署问题中，交叉操作可以包括交换部分传感器的位置、类型等信息，或者将父代解的部分传感器部署方案进行组合。通过交叉操作，算法能够在保留父代优秀基因的同时，引入新的遗传信息，从而生成具有新特点的后代解。这些新的解有可能在解空间中探索到更好的区域，为找到全局最优解提供更多可能性。其中，当进行多点交叉操作时，具体包括以下步骤：
步骤1331，确定交叉点数，首先，确定进行交叉操作时的切割点数量。这个数量是根据问题的特性动态调整；在确定了交叉点数后，对于每对配对的父代解，并随机选择相应数量的切割点，这些切割点将父代解的基因序列分割成多个片段，例如，如果父代解是一个由传感器位置和类型组成的序列，切割点就是在这个序列中随机选择的位置。
步骤1332，交换基因片段，在选择了切割点后，交换父代解在对应切割点之间的基因片段，将一个父代解在某个切割点之后的片段与另一个父代解在相同切割点之后的片段进行互换，交换过程确保了两个父代解的部分基因信息能够在后代解中得到组合。
步骤1333，交换基因片段后，将得到的片段按照原来的顺序（或可能的调整后的顺序）重新组合起来，形成新的后代解，新的解既包含了来自两个父代解的遗传信息，又因为在交叉点处进行了基因交换，所以具有了新的特性。在进行多点交叉时，例如，当切割点选择在序列的开始或结束时，需调整交换的片段，以确保生成的后代解仍然是有效的；生成新的后代解后，需要检查这些解是否满足问题的约束条件，如果不满足，需要对后代解进行调整或重新生成。通过多点交叉操作，能够在解空间中探索更多可能的组合，同时保留父代解中的优秀遗传信息，有助于在寻找全局最优解的过程中，跳出局部最优解的限制，提高搜索效率。总之，步骤133通过选择适应度较高的父代解，并进行随机配对和交叉操作，生成新的后代解。这一步骤在遗传算法中起到了关键作用，推动了种群向更优解的方向进化。
步骤134的目的是对通过交叉操作生成的新解进行随机变异，以增加种群的多样性，并防止算法过早陷入局部最优解。具体来说，变异操作会随机选择新解中的一部分基因（在传感器部署问题中，基因可能代表传感器的位置、类型等），并对其进行小幅度、随机的改动。这种改动可以是改变传感器的位置、替换传感器的类型、调整传感器的参数等。通过变异操作，能够在保持种群多样性的同时，探索解空间中新的、可能更优的区域。这有助于算法跳出局部最优解，避免过早收敛，从而提高找到全局最优解的机会。总之，步骤134通过对新解进行随机变异，生成了具有新特性的变异解，为算法的搜索和进化过程增加了多样性，并有助于防止陷入局部最优。
步骤135，选择一部分变异后的解，并在其周围进行局部搜索，以找到邻近的更好解，邻域搜索能够更深入地探索局部解空间，有助于算法在找到优质解的区域进行精细搜索，提高解的质量。
步骤136，将邻域搜索得到的解与变异解相结合，形成新的融合解集，通过融合不同搜索策略得到的解，算法能够综合利用全局和局部的搜索信息，提高解的多样性和质量。步骤137，在每次迭代中，算法都会评估融合解的适应度，并根据评估结果更新种群，这一过程重复进行，直到满足预设的终止条件（如达到最大迭代次数或解的质量不再显著提高），通过迭代循环和适应度评估，算法能够逐步优化解的质量，最终输出符合优化目标和约束条件的传感器部署方案。这种迭代过程确保了算法能够在有限的计算资源下，尽可能找到高质量的解。
在本发明另一优选的实施例中，上述步骤135，可以包括：
步骤1351，从所有的变异解中，依据变异解的适应度值进行排序，排序后，选择适应度值最高的前N个解作为邻域搜索的起点；对于每个选定的变异解，定义一个邻域操作集合；对每个选定的变异解，应用邻域操作集合中的每个操作，生成一组邻域解；根据目标函数和约束条件评估每个邻域解的适应度。
在本发明实施例中，通过选择适应度较高的变异解作为邻域搜索的起点，可以更有效地利用计算资源，在有限的搜索时间内找到更高质量的解；通过对每个选定的变异解应用多个邻域操作，可以生成一组多样化的邻域解，这有助于避免搜索过程陷入局部最优解，从而提高算法的全局搜索能力；邻域搜索在已知优质解的附近进行局部搜索，同时也在一定程度上探索了未知区域，这种平衡探索与利用的策略有助于在搜索过程中找到更好的解；该步骤不依赖于特定的优化问题，可以广泛应用于各种不同类型的优化问题中。只需根据问题的特性和解的结构设计合适的邻域操作集合，即可应用该步骤进行高效的邻域搜索。
在本发明另一优选的实施例中，上述步骤136，可以包括：
步骤1361，根据融合策略和评估结果，将邻域解融入变异解集合中，具体包括，如果采用替换策略，根据评估的适应度或多样性标准，选择变异解集合中性能较差的一部分解，并用等量的邻域解替换它们；如果采用添加策略，将邻域解作为新的候选解直接添加到变异解集合中，检查集合的大小限制，并在必要时应用某种缩减策略（如截断、聚类等）来保持集合的可管理性；对于选择性组合策略，根据特定的选择机制（如锦标赛选择、轮盘赌选择等），从邻域解和现有变异解中选择一部分来形成新的解集合。
在本发明另一优选的实施例中，上述步骤137，可以包括：
步骤1371，评估融合解的适应度，对于融合解中的每个解，应用目标函数来计算其适应度值；评估完融合解的适应度后，检查是否满足预设的终止条件，终止条件可以是达到最大迭代次数、解的质量不再显著提高（即适应度值收敛）、或者找到了满足特定要求的解等。如果终止条件未满足，将返回迭代循环的开始，利用当前的融合解集合产生新的邻域解，再次进行融合和评估。这个过程会不断重复，直到满足终止条件为止；一旦满足终止条件，将停止迭代，并从当前种群（即融合解集合）中选择适应度最高的解作为最终的传感器部署方案，这个最终解代表了在整个搜索过程中找到的最优或近似最优的传感器配置，它将用于指导实际的传感器部署工作。
通过不断迭代搜索和融合优质邻域解，算法能够在复杂的搜索空间中找到更接近全局最优的解，从而提高传感器部署方案的质量和性能。自动化算法减少了人工干预的需要，能够在短时间内处理大量潜在的传感器配置方案，并输出优化后的部署策略，大大提高了决策过程的效率和准确性。该步骤可以适应不同的传感器部署问题和场景，只需根据具体情况调整目标函数和约束条件。此外，算法的可扩展性允许它处理更大规模和更复杂的传感器网络部署问题。通过优化传感器部署，可以更有效地利用有限的传感器资源，实现更广泛的覆盖范围、更好的连通性或更低的能耗，从而延长传感器网络的生命周期并降低运营成本。
在本发明一优选的实施例中，上述步骤14，可以包括：
步骤141，根据海洋牧场的具体需求和目标，确定评估标准；
步骤142，对每个评估标准进行量化处理，以得到量化数值；
步骤143，针对每个传感器部署方案，根据量化数值构建评估矩阵，评估矩阵中的每个元素表示传感器部署方案在对应评估标准上的性能评分；
步骤144，根据每个评估标准，计算对应的信息熵；
步骤145，根据信息熵计算每个评估标准的权重；
步骤146，将评估矩阵与权重进行结合，计算每个传感器部署方案的综合性能评分；
步骤147，根据综合性能评分，对所有传感器部署方案进行排序，以得到排序表；
步骤148，根据排序表进行敏感性评估，以得到评估结果。
在本发明实施例中，步骤141，根据海洋牧场的特定需求（如监测水质、温度、盐度等）和目标（如提高养殖效率、预防疾病等），确定用于评估传感器部署方案的标准，确保评估过程与海洋牧场的实际需求紧密相连，使评估更加针对性和实用。步骤142，将定性的评估标准转化为可量化的数值，例如将“水质监测准确性”这一标准量化为具体的准确性百分比，量化处理使得不同方案在同一标准下的比较更加客观和准确。步骤143，评估矩阵是一个二维表格，其中行代表不同的传感器部署方案，列代表不同的评估标准。每个元素表示特定方案在特定标准上的性能评分，矩阵结构清晰地展示了每个方案在各个评估标准上的表现，便于后续的综合评估。
步骤144，信息熵用于衡量数据的不确定性或随机性。在这里，它用于评估每个标准下不同方案评分的分布情况，通过信息熵可以了解每个评估标准的重要性，即哪些标准在不同方案间存在较大的差异，从而需要更多的关注。步骤145，基于信息熵的计算结果，为每个评估标准分配权重，权重表示该标准在整体评估中的相对重要性，权重的引入确保了综合评估时能够考虑到不同标准的重要性差异。步骤146，将每个方案在各标准上的评分与该标准的权重相乘，然后求和，得到每个方案的综合性能评分，综合性能评分反映了每个方案在所有评估标准上的总体表现，为方案选择提供了全面的依据。步骤147，按照综合性能评分从高到低（或从低到高）的顺序，对所有方案进行排序，并生成排序表，排序表直观地展示了不同方案的优劣顺序，便于决策者快速选择最佳方案。步骤148，敏感性评估旨在分析当某些评估标准的权重或评分发生变化时，排序结果的稳定性，有助于了解评估结果对权重和评分变化的敏感程度，敏感性评估增强了评估过程的鲁棒性和可信度，为决策者提供了更多关于方案选择稳定性的信息。
在本发明另一优选的实施例中，上述步骤142，可以包括：
步骤1421，对于每个评估标准，确定一个评分标准函数，其中，评分标准函数的计算公式为：
评分标准函数将传感器部署方案在该标准上的表现映射到一个具体的量化数值，通过评分标准函数为每个传感器部署方案在该评估标准上计算一个量化评分，其中，是传感器部署方案在某一评估标准上的量化评分；/>是传感器部署方案在该评估标准上的实际表现值；/>，/>，/>，/>，/>，/>，/>和/>是评分标准函数的参数，通过阈值/>，定义了一个分段函数，当/>时，使用/>进行评分；当/>时，使用/>线性函数进行评分，这允许评分函数在不同表现值范围内有不同的行为，这个评分标准函数提供了极高的灵活性和对特定表现值的敏感性，能够更准确地捕捉传感器部署方案在不同评估标准上的细微差异。
在本发明另一优选的实施例中，上述步骤143，可以包括：
步骤1431，构建一个原始评估矩阵为S，其中每个元素S ij 表示第i个传感器部署方案在第j个评估标准上的性能评分，具体包括，设原始评估矩阵为S，其元素为S ij ，对这个矩阵进行处理，得到一个新的评估矩阵R，新的评估矩阵R的元素R ij 的计算公式为：
其中，、/>和/>是参数，可根据实际情况进行调整，用来控制不同部分的相对重要性，以及函数的形状和陡峭程度，其中，/>是一个对数-指数复合函数，它首先将/>通过指数函数进行变换，然后再取对数，并通过/>进行幂运算；/>是一个有理函数，它通过/>控制/>的影响程度，并通过/>进行幂运算，将这两个部分相乘，得到了一个新的评估矩阵R，其中每个元素 />都反映了原始评估矩阵S中对应元素S ij 的非线性变换。
步骤1432，根据每个评估标准的重要性，通过构建权重向量，每个评估指标的权重向量/>是根据其提供的信息量（通过熵值衡量）相对于其他所有指标提供的信息量来计算的，这种方法能够客观地确定权重，避免了主观赋权的偏差。
步骤1433，对原始评估矩阵S中的每个元素进行加权处理，得到加权评估矩阵，其中每个元素/>的计算公式为：/>其中，高斯函数/>用于调整不同评估标准间的相对重要性，其中 />和/>是高斯函数的参数，可以根据实际情况进行调整，/>代表第i个方案在第j个评估指标下的标准化值。
通过加权处理，每个方案在不同评估指标下的表现被综合起来，形成了一个更全面、统一的评估结果；高斯函数的引入为调整不同评估标准间的相对重要性提供了灵活的手段。通过调整高斯函数的参数和/>，可以实现对不同位置（即不同方案）的评估值进行不同程度的强调或抑制，这种灵活性使得评估过程能够更好地适应不同的决策需求和实际情况。高斯函数本身具有非线性的特性，这意味着在加权评估过程中，不同方案之间的评估差异会被非线性地放大或缩小，这种非线性特性有助于捕捉和突出那些在某些评估标准下表现特别突出或特别差的方案。使用标准化值/>确保了不同评估指标下的数据能够在统一的尺度上进行比较和加权，消除了不同指标间由于量纲和数量级差异可能带来的评估偏差。通过与权重/>相乘，每个评估指标在综合评估中的重要性得到了体现，确保了那些对决策结果影响更大的指标能够在最终评估中获得更大的权重。
在本发明另一优选的实施例中，上述步骤144，可以包括：
步骤1441，计算每个方案的标准化值占该评估标准下所有方案标准化值总和的比例；
步骤1442，计算第j个评估标准下所有方案标准化值的平均值，对于每个方案，计算方案标准化值/>与平均值之间的绝对差异/>；根据绝对差异以及平均值和小正数/>（用于防止分母为零或对数内的值为零），计算附加的对数项；
步骤1443，将每个方案的比例与其对应的标准对数项以及附加对数项相乘，然后将所有方案的结果相加，得到加权对数项和；
步骤1444，将加权对数项和除以标准对数项，并取其相反数，得到第j个评估标准的信息熵E j ，其中，；
其中，信息熵反映了第j个评估标准下各方案的不确定性或多样性，较高的信息熵值意味着该标准下的方案分布更加均匀，而较低的值则表示某些方案在该标准下表现特别突出或特别差，这个信息可以了解每个评估标准所提供的信息量，并在多准则决策过程中做出更明智的权重分配和综合评估。
在本发明另一优选的实施例中，上述步骤145，可以包括：
步骤1451，将每个评估标准的信息熵值除以所有评估标准信息熵值的总和，从而得到相对的信息熵比例；根据信息熵比例，计算每个评估标准的权重；在得到初步的权重分配后，根据实际情况对权重进行调整，最后，应该对计算得到的权重进行验证，以确保它们在逻辑上是合理的，并且没有违反任何权重分配的约束条件（如权重之和等于1）。通过上述步骤，可以为每个评估标准分配一个基于信息熵的权重，这些权重将在后续的综合评估中使用，以反映不同评估标准对最终决策结果的相对重要性。
在本发明另一优选的实施例中，上述步骤146，可以包括：
步骤1461，通过对评估矩阵进行规范化处理，以消除不同评估标准之间的量纲差异，其中，/>是原始评估矩阵中第i个方案在第j个标准下的评分，/>是规范化后的评分。
步骤1462，聚合多个对每个评估标准的权重，得到综合权重，其中，k表示决策者的索引，/>表示决策者数量。
步骤1463，将规范化后的评估矩阵与综合权重相结合，计算每个传感器部署方案的综合性能评分，其中，/>表示第k个决策者为第j个评估标准分配的权重，/>表示第i个传感器部署方案的综合性能评分；m为评估标准数量。
在本发明实施例中，步骤1461通过对评估矩阵进行规范化处理，成功消除了不同评估标准之间的量纲差异，确保了各个评估标准在数值上具有可比性，避免了因量纲不同而导致的评估偏差，有助于提高评估的准确性和公正性。步骤1462通过聚合多个决策者对每个评估标准的权重，得到了综合权重，这种方法充分考虑了不同决策者的意见和偏好，使得评估结果更加全面和客观。同时，通过聚合多个决策者的权重，还可以降低单一决策者主观偏见对评估结果的影响。步骤1463将规范化后的评估矩阵与综合权重相结合，计算了每个传感器部署方案的综合性能评分。这一步骤综合考虑了各个评估标准和决策者的权重，为每个方案提供了一个综合评分，从而能够更准确地反映方案的优劣。此外，通过综合性能评分，还可以方便地对不同方案进行排序和比较，为决策者提供有力的支持。
在本发明一优选的实施例中，上述步骤148，可以包括：
步骤1481，确定敏感性评估的目标和范围；根据评估目标和范围，确定敏感性分析方式；根据分析方式，对排序表中的关键参数或条件进行变动，并重新计算排序结果，例如，可以逐步调整某个评估标准的权重，观察排序位置的变化情况。比较变动前后的排序结果，分析敏感性因素对排序的影响程度和趋势。确定哪些参数的变化对排序结果具有显著影响，哪些参数的变化对排序结果影响较小。评估排序结果的稳定性和可靠性，确定是否存在敏感性因素需要特别关注。根据敏感性评估的结果，为决策者提供有关排序结果稳定性和可靠性的信息。通过以上步骤，能够根据排序表进行敏感性评估，得到有关排序结果稳定性和可靠性的评估结果，将帮助决策者更好地理解排序结果的可靠性和适用范围，从而做出更明智和稳健的决策。
在本发明一优选的实施例中，上述步骤15，可以包括：
步骤151，将每个传感器部署方案视为一个粒子，在解空间中随机初始化一群粒子，其中，每个粒子都有一个位置向量和一个速度向量，位置向量表示传感器部署方案，速度向量决定粒子在解空间中的移动方向和速度；
步骤152，根据评估标准和权重，计算每个粒子的适应度值，包括，对于粒子群中的每个粒子，根据其位置向量（即传感器部署方案）计算其在每个评估标准下的性能指标，使用适应度函数将这些性能指标和相应的权重结合起来，计算得到该粒子的适应度值，将计算得到的适应度值与粒子关联起来，并记录每个粒子的适应度值，这些适应度值将在后续的粒子群优化过程中用于比较、选择和更新粒子的位置；
步骤153，根据每个粒子，对比粒子当前适应度值与历史最终适应度值，以得到对比结果，包括，将每个粒子的当前适应度值与其历史最佳适应度值进行对比。如果当前适应度值优于（即更高或更低，具体取决于适应度函数的定义）历史最佳适应度值，那么说明粒子在当前迭代中找到了一个更好的解，如果当前适应度值优于历史最佳适应度值，则更新粒子的历史最佳适应度值为当前适应度值，并更新对应的个体最佳位置为当前位置向量；
步骤154，根据对比结果，确定最终适应度值的粒子，并更新全局最终位置；
步骤155，利用个体最终位置和全局最终位置信息，更新每个粒子的速度和位置；
步骤156，迭代循环，直到满足终止条件，在每次迭代中，粒子群不断调整自身位置，以得到更终的调整方案。
在本发明实施例中，步骤151通过在解空间中随机初始化一群粒子，确保了算法的全局搜索能力，每个粒子代表一个传感器部署方案，通过不断调整粒子的位置和速度，能够在整个解空间内寻找最优解，避免了陷入局部最优的情况。步骤152根据评估标准和权重计算每个粒子的适应度值，为粒子的优劣提供了量化指标，这使得能够快速评估每个传感器部署方案的性能，并根据性能进行优化，通过对比粒子当前适应度值与历史最终适应度值（步骤153），能够确定哪些粒子在优化过程中表现更好，从而更有针对性地进行调整。步骤154确定了具有最终适应度值的粒子，并更新全局最终位置，为其他粒子提供了优化方向，有助于加速算法的收敛速度，使粒子群更快地聚集在全局最优解附近。步骤155利用个体最终位置和全局最终位置信息更新每个粒子的速度和位置，体现了粒子的自我学***衡优化过程的全局搜索能力和局部搜索能力，以适应不同问题的需求。步骤156通过迭代循环不断调整粒子位置，直到满足终止条件。这种迭代优化过程能够确保算法在有限的计算资源下尽可能找到全局最优解。随着迭代次数的增加，粒子群逐渐逼近全局最优解，提高了传感器部署方案的质量。
如图2所示，本发明的实施例还提供一种面向海洋牧场的陆海综合体的动态监管装置20，包括：
获取模块21，用于根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型；确定优化目标和约束条件，并根据线性规划模型，使用贪心策略生成最终的解决方案，将最终的解决方案作为初始种群；
处理模块22，用于根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解；根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果；根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案；根据所述调整方案，通过在海洋牧场中部署的传感器实时监测海洋牧场的环境参数和生物活动。
可选的，根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型，包括：
设定线性规划模型的基本参数和变量；
根据线性规划模型的基本参数和变量，通过确定最终的目标函数，其中，/>表示监测点的数量，/>表示可用传感器的类型数量，/>表示第i个监测点的安装成本，/>表示第j个监测点的重要性权重，/>表示第i种传感器的维护成本，/>表示第i种传感器在第j个监测点的能耗；/>、/>和/>是权重系数，/>表示最大化的目标函数。
可选的，所述约束条件包括多传感器兼容性条件、环境因素限制条件、资源限制条件以及通信覆盖约束条件；
其中，多传感器兼容性条件的计算公式为，资源限制条件的计算公式为，其中，/>为第i种传感器在第j个监测点的数据存储需求，/>是监测点j的数据存储容量，/>为阈值，/>为评分矩阵，/>为第j个监测点的电池容量，/>为第i种传感器在第j个监测点的能耗，/>为监测点的数量，/>为可用传感器的类型数量。/>
可选的，根据线性规划模型，使用贪心策略生成最终的解决方案，包括：
确定贪心策略的优化目标，根据优化目标，确定贪心规则；
根据贪心规则，确定限制决策范围的约束条件；
根据贪心规则和约束条件逐步做出决策，以得到当前解；
判断当前解是否满足所有约束条件，以得到判断结果；
重复操作，直到所有决策变量均确定，以得到最终的解决方案。
可选的，根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解，包括：
根据海洋牧场的特点，随机生成一组解作为初始种群；
根据目标函数和约束条件，评估当前种群中每个解的适应度；
根据适应度选择当前种群中的解作为父代进行随机配对，并进行交叉操作，生成新的解；
对新的解进行随机变异，以得到变异解；
选择部分变异解，进行邻域搜索，生成邻域解；
将邻域解融合入变异解中，以得到融合解；
评估融合解中每个解的适应度，重复进行迭代循环，直到满足终止条件，以输出当前种群中的最终解作为最终的传感器部署方案。
可选的，根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果，包括：
根据海洋牧场的具体需求和目标，确定评估标准；
对每个评估标准进行量化处理，以得到量化数值；
针对每个传感器部署方案，根据量化数值构建评估矩阵，评估矩阵中的每个元素表示传感器部署方案在对应评估标准上的性能评分；
根据每个评估标准，计算对应的信息熵；
根据信息熵计算每个评估标准的权重；
将评估矩阵与权重进行结合，计算每个传感器部署方案的综合性能评分；
根据综合性能评分，对所有传感器部署方案进行排序，以得到排序表；
根据排序表进行敏感性评估，以得到评估结果。
可选的，根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案，包括：
将每个传感器部署方案视为一个粒子，在解空间中随机初始化一群粒子，其中，每个粒子都有一个位置向量和一个速度向量，位置向量表示传感器部署方案，速度向量决定粒子在解空间中的移动方向和速度；
根据评估标准和权重，计算每个粒子的适应度值；
根据每个粒子，对比粒子当前适应度值与历史最终适应度值，以得到对比结果；
根据对比结果，确定最终适应度值的粒子，并更新全局最终位置；
利用个体最终位置和全局最终位置信息，更新每个粒子的速度和位置；
迭代循环，直到满足终止条件，在每次迭代中，粒子群不断调整自身位置，以得到更终的调整方案。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种面向海洋牧场的陆海综合体的动态监管方法，其特征在于，所述方法包括：
根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型，包括：设定线性规划模型的基本参数和变量；根据线性规划模型的基本参数和变量，通过确定最终的目标函数，其中，/>表示监测点的数量，/>表示可用传感器的类型数量，/>表示第i种传感器的安装成本，/>表示第j个监测点的重要性权重，/>表示第i种传感器的维护成本，/>表示第i种传感器在第j个监测点的能耗；/>、/>和/>是权重系数，/>表示最大化的目标函数，/>代表第i种传感器在第/>个监测点的重要性，/>是一个决策变量，代表在第/>个监测点部署第/>种传感器；所述约束条件包括多传感器兼容性条件、环境因素限制条件、资源限制条件以及通信覆盖约束条件；其中，多传感器兼容性条件的计算公式为，资源限制条件的计算公式为，其中，/>为第i种传感器在第j个监测点的数据存储需求，/>是监测点j的数据存储容量，/>为阈值，/>为评分矩阵，/>为第j个监测点的电池容量，/>为第i种传感器在第j个监测点的能耗；
确定优化目标和约束条件，并根据线性规划模型，使用贪心策略生成最终的解决方案，将最终的解决方案作为初始种群；
根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解；
根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果；
根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案；
根据所述调整方案，通过在海洋牧场中部署的传感器实时监测海洋牧场的环境参数和生物活动。
2.根据权利要求1所述的一种面向海洋牧场的陆海综合体的动态监管方法，其特征在于，根据线性规划模型，使用贪心策略生成最终的解决方案，包括：
确定贪心策略的优化目标，根据优化目标，确定贪心规则；
根据贪心规则，确定限制决策范围的约束条件；
根据贪心规则和约束条件逐步做出决策，以得到当前解；
判断当前解是否满足所有约束条件，以得到判断结果；
重复操作，直到所有决策变量均确定，以得到最终的解决方案。
3.根据权利要求2所述的一种面向海洋牧场的陆海综合体的动态监管方法，其特征在于，根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解，包括：
根据海洋牧场的特点，随机生成一组解作为初始种群；
根据目标函数和约束条件，评估当前种群中每个解的适应度；
根据适应度选择当前种群中的解作为父代进行随机配对，并进行交叉操作，生成新的解；
对新的解进行随机变异，以得到变异解；
选择部分变异解，进行邻域搜索，生成邻域解；
将邻域解融合入变异解中，以得到融合解；
评估融合解中每个解的适应度，重复进行迭代循环，直到满足终止条件，以输出当前种群中的最终解作为最终的传感器部署方案。
4.根据权利要求3所述的一种面向海洋牧场的陆海综合体的动态监管方法，其特征在于，根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果，包括：
根据海洋牧场的具体需求和目标，确定评估标准；
对每个评估标准进行量化处理，以得到量化数值；
针对每个传感器部署方案，根据量化数值构建评估矩阵，评估矩阵中的每个元素表示传感器部署方案在对应评估标准上的性能评分；
根据每个评估标准，计算对应的信息熵；
根据信息熵计算每个评估标准的权重；
将评估矩阵与权重进行结合，计算每个传感器部署方案的综合性能评分；
根据综合性能评分，对所有传感器部署方案进行排序，以得到排序表；
根据排序表进行敏感性评估，以得到评估结果。
5.根据权利要求4所述的一种面向海洋牧场的陆海综合体的动态监管方法，其特征在于，根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案，包括：
将每个传感器部署方案视为一个粒子，在解空间中随机初始化一群粒子，其中，每个粒子都有一个位置向量和一个速度向量，位置向量表示传感器部署方案，速度向量决定粒子在解空间中的移动方向和速度；
根据评估标准和权重，计算每个粒子的适应度值；
根据每个粒子，对比粒子当前适应度值与历史最终适应度值，以得到对比结果；
根据对比结果，确定最终适应度值的粒子，并更新全局最终位置；
利用个体最终位置和全局最终位置信息，更新每个粒子的速度和位置；
迭代循环，直到满足终止条件，在每次迭代中，粒子群不断调整自身位置，以得到更终的调整方案。
6.一种面向海洋牧场的陆海综合体的动态监管装置，其特征在于，包括：
获取模块，用于根据海洋牧场的地理位置和环境特征，建立传感监测网络的线性规划模型，包括：设定线性规划模型的基本参数和变量；根据线性规划模型的基本参数和变量，通过确定最终的目标函数，其中，/>表示监测点的数量，/>表示可用传感器的类型数量，/>表示第i种传感器的安装成本，/>表示第j个监测点的重要性权重，/>表示第i种传感器的维护成本，/>表示第i种传感器在第j个监测点的能耗；/>、/>和/>是权重系数，/>表示最大化的目标函数，/>代表第i种传感器在第/>个监测点的重要性，/>是一个决策变量，代表在第/>个监测点部署第/>种传感器；所述约束条件包括多传感器兼容性条件、环境因素限制条件、资源限制条件以及通信覆盖约束条件；其中，多传感器兼容性条件的计算公式为，资源限制条件的计算公式为，其中，/>为第i种传感器在第j个监测点的数据存储需求，/>是监测点j的数据存储容量，/>为阈值，/>为评分矩阵，/>为第j个监测点的电池容量，/>为第i种传感器在第j个监测点的能耗；确定优化目标和约束条件，并根据线性规划模型，使用贪心策略生成最终的解决方案，将最终的解决方案作为初始种群；
处理模块，用于根据所述初始种群进行迭代求解，并对每个解的邻域进行搜索，以获取最终解；根据所述最终解，评估不同传感器部署方案的性能，以得到评估结果；根据所述评估结果，对不同传感器部署方案进行调整，以得到调整方案；根据所述调整方案，通过在海洋牧场中部署的传感器实时监测海洋牧场的环境参数和生物活动。
7.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
CN202410069291.3A 2024-01-18 2024-01-18 一种面向海洋牧场的陆海综合体的动态监管方法及装置 Active CN117592819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410069291.3A CN117592819B (zh) 2024-01-18 2024-01-18 一种面向海洋牧场的陆海综合体的动态监管方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410069291.3A CN117592819B (zh) 2024-01-18 2024-01-18 一种面向海洋牧场的陆海综合体的动态监管方法及装置

Publications (2)

Publication Number Publication Date
CN117592819A CN117592819A (zh) 2024-02-23
CN117592819B true CN117592819B (zh) 2024-03-26

Family

ID=89913635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410069291.3A Active CN117592819B (zh) 2024-01-18 2024-01-18 一种面向海洋牧场的陆海综合体的动态监管方法及装置

Country Status (1)

Country Link
CN (1) CN117592819B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000708A (zh) * 2018-05-03 2018-12-14 广西师范学院 一种海洋牧场的陆海综合体多维动态监测方法及***
CN110784842A (zh) * 2019-11-04 2020-02-11 常州信息职业技术学院 水声传感器网络中基于多auv位置预测的数据收集方法
CN115795401A (zh) * 2023-02-08 2023-03-14 青岛海洋地质研究所 海洋牧场全要素监测传感器多数据融合***
CN116647817A (zh) * 2023-06-19 2023-08-25 上海海事大学 一种海洋生态环境监测无线传感网节点定位方法
CN116884523A (zh) * 2023-09-07 2023-10-13 山东科技大学 一种海洋牧场水质多参数预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2963454B1 (fr) * 2010-07-27 2013-11-01 Thales Sa Procede de determination optimale des caracteristiques et de la disposition d'un ensemble de senseurs de surveillance d'une zone
KR101518720B1 (ko) * 2015-02-15 2015-05-08 (주)부품디비 해양자원 생산장비의 예지보전을 위한 고장유형관리 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000708A (zh) * 2018-05-03 2018-12-14 广西师范学院 一种海洋牧场的陆海综合体多维动态监测方法及***
CN110784842A (zh) * 2019-11-04 2020-02-11 常州信息职业技术学院 水声传感器网络中基于多auv位置预测的数据收集方法
CN115795401A (zh) * 2023-02-08 2023-03-14 青岛海洋地质研究所 海洋牧场全要素监测传感器多数据融合***
CN116647817A (zh) * 2023-06-19 2023-08-25 上海海事大学 一种海洋生态环境监测无线传感网节点定位方法
CN116884523A (zh) * 2023-09-07 2023-10-13 山东科技大学 一种海洋牧场水质多参数预测方法

Also Published As

Publication number Publication date
CN117592819A (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及***
CN109215344B (zh) 用于城市道路短时交通流量预测的方法和***
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及***
CN109919356B (zh) 一种基于bp神经网络区间需水预测方法
CN109116299B (zh) 一种指纹定位方法、终端、计算机可读存储介质
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及***
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和***
Jiang et al. Day‐ahead renewable scenario forecasts based on generative adversarial networks
CN114302418A (zh) 网元设备性能的检测方法、装置及计算机可读介质
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及***
CN115189416A (zh) 基于日前电价分级预测模型的发电***控制方法及***
CN117592819B (zh) 一种面向海洋牧场的陆海综合体的动态监管方法及装置
CN115207921A (zh) 一种光伏接入配电网的位置优化方法及***
CN115622034A (zh) 一种基于改进遗传神经网络的物联表电力负荷识别方法
CN110232517B (zh) 一种移动群智感知用户收益选取方法
CN113642226A (zh) 基于多目标进化算法的公平机器学习模型的训练方法
CN116579069B (zh) 大体积混凝土结构温控策略智能设计方法和装置
CN116720662B (zh) 基于集对分析的分布式能源***适用性评估方法
CN117314128B (zh) 一种基于数字孪生技术的智慧城市能源管理方法及***
CN117744501B (zh) 考虑生态流量的水网***调蓄节点优化调度与决策方法
CN117574690B (zh) 基于负碳排放的生物炭制备分析方法及相关装置
Wei et al. A two-stage diversity enhancement differential evolution algorithm for multi-objective optimization problem
CN117951558A (zh) 基于近邻点的rbf水质参数空间分布预测方法及***
CN116934405A (zh) 碳配额价格预测模型生成方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant