1.本发明涉及监测技术领域,尤其涉及一种危化品监测系统。
背景技术:
2.危化品总体可以分为爆炸品、压缩气体和液化气体、易燃液体、易燃固体、自燃物品和遇湿自燃物品、氧化剂和有机过氧化物、放射性物品、有毒品和腐蚀品等九类。危化品的存放要严格遵守危化品存放的安全标准,由于危化品具有放射性、剧毒性、易燃性、侵蚀性等特点,一旦管理或使用不当,就会造成重大的安全事故与人身伤害,因此危化品的安全监测是事关生命安全的重要课题。
3.目前,危化品一般都采用监控摄像头、烟雾监测器或人工巡视等安全监测方法,现有的安全监测方法效率低、准确性不高,并且难以快速精准定位事故危化品的位置。
技术实现要素:
4.本发明实施例提出一种危化品监测系统,能够高效、精准监测出发生危化品事故的位置。
5.本发明实施例提供一种危化品监测系统,所述系统包括:主机、至少一个与所属主机通信连接的路由器和若干与路由器通信连接的传感器;
6.所述主机被配置为:
7.通过路由器获取每个传感器采集的监测数据,根据隶属度函数计算每一监测数据相对不同监测类型的模糊子集的隶属度函数值,根据每一监测数据的隶属度函数值将所述监测数据分别存储到对应的模糊子集;
8.当某一监测数据的数据值大于所述监测数据所在的模糊子集对应的监测类型的设定的阈值时,判定发生所述数据值对应的监测类型危化品故障;
9.获取所述数据值所在的模糊子集的所有监测数据对应的传感器的位置作为信标节点,通过dv-hop定位优化算法计算故障地点所在的未知节点的平均跳距;
10.根据所述平均跳距计算所述未知节点和任一信标节点间的距离关系方程组;
11.计算所有信标节点的适应度,以所有信标节点的适应度作为初始种群的个体;
12.计算所述初始种群的自适应交叉率和变异概率,根据所述自适应交叉率和所述变异概率对所述初始种群采用轮盘赌法进行交叉遗传,并进行遗传
–
禁忌搜索;直到所述遗传-禁忌搜索产生的新种群中的适应度满足预设的循环中止条件,输出预设数量的最优解;
13.将预设数量的最优解代入所述距离关系方程组中,求解出故障地点的三维坐标。
14.优选地,所述隶属度函数为
15.其中,r
ij
=d
imax-d
imin
,d
imax
和d
imin
分别为第i个监测数据与所有模糊子集中的最大聚类距离和最小聚类距离,第i个监测数据ui与第j个模糊子集地聚类距离ui为第i个监测数据,cj为第j个模糊子集对应的监测类型预设的样本数据,μ
pj
(μi)为第i个监测数据ui与第j个模糊子集的隶属度函数值。
16.作为一种优选方式,所述根据每一监测数据的隶属度函数值将所述监测数据分别存储到对应的模糊子集,具体包括:
17.根据信标节点间的实际距离d
i,j
和信标节点的通行半径r计算最优跳数h
i,j
;
18.根据信标节点间的最优跳数h
i,j
和信标节点间的最小跳数h
i,j
,计算得到信标节点间的偏差系数μ
i,j
;
19.根据信标节点间的偏差系数μ
i,j
计算信标节点间的跳数调整因子∈
i,j
;
20.根据信标节点间的跳数调整因子∈
i,j
和信标节点间的最小跳数h
i,j
,计算得到信标节点间的修正跳数
21.根据信标节点间的实际距离d
i,j
和信标节点间的修正跳数计算得到信标节点间的平均跳距
22.根据信标节点间的平均跳距信标节点间的修正跳数和信标节点间的实际距离d
i,j
,计算得到信标节点间的距离误差δ
i,j
;
23.根据信标节点间的距离误差δ
i,j
计算信标节点间的权重系数ω
i,j
;
24.根据信标节点间的平均跳距计算未知节点s与距离最近的信标节点p间的平均跳距
25.根据所述平均跳距和信标节点间的权重系数ω
i,j
,计算所述未知节点s的平均跳距
26.其中,xi,yi,zi为信标节点i的三维坐标,xj,yj,zj为信标节点j的三维坐标,∈
i,j
=1-μ
i,j2
,
27.进一步地,所述距离关系方程组具体为:
[0028][0029]
其中,其中,为所述未知节点的平均跳距,h
s,j
为所述未知节点与信标节点j之间的最小跳数,n为信标节点的数量,j=1,2,
…
,n。
[0030]
优选地,所述信标节点的适应度其中j≠i,n为信标节点的数量,i=1,2,
…
,n。
[0031]
优选地,所述自适应交叉率
[0032]
所述变异概率
[0033]
其中,k1、k2、k3和k4为[0,1]之间的常数,f
max
表示种群中最大的适应度,f表示交叉遗传的2个个体中较大的适应度,f
avg
表示种群的平均适应度,f(μ)为变异个体μ的适应度。
[0034]
进一步地,所述根据所述自适应交叉率和所述变异概率对所述初始种群采用轮盘赌法进行交叉遗传,并进行遗传
–
禁忌搜索;直到所述遗传-禁忌搜索产生的新种群中的适应度满足预设的循环中止条件,输出预设数量的最优解,具体包括:
[0035]
通过轮盘赌法选择交叉遗传的个体进行交叉遗传,将交叉后产生的子代个体适应度录入预设清空的禁忌表中,设定禁忌长度,并对每一个体的适应度以及种群适应度值的大小进行比较;
[0036]
若个体的适应度值大于种群的平均适应度值,该个体将遗传到下一代并将其更新进禁忌表;
[0037]
若个体的适应度值不大于种群的平均适应度值,则利用最新的禁忌表判断该个体是否属于禁忌;
[0038]
若判断的个体不属于禁忌,则将该个体遗传到下一代;
[0039]
若判断的个体属于禁忌,选取目前种群中的最优个体遗传到下一代;
[0040]
根据所述变异概率选择每一代个体中待变异个体,对所述待变异个体进行禁忌搜索变异;
[0041]
计算变异后的新的种群中个体的适应度,判断新种群中的最优个体适应度是否大于最新的禁忌表中的所有个体的平均个体适应度;
[0042]
当所述最优个体适应度大于所述平均个体适应度时,输出最优的三个个体适应度作为最优解;
[0043]
当所述最优个体适应度不大于所述平均个体适应度时,再次通过轮盘赌法选择交叉遗传的个体进行交叉遗传,并进行遗传
–
禁忌搜索,直到遗传-禁忌搜索产生的最新种群中的最优个体适应度大于最新的禁忌表中所有个体平均个体适应度。
[0044]
优选地,所述轮盘赌法具体为:
[0045]
计算个体a被选中的概率
[0046]
在每一轮的交叉遗传中都会产生1个区域在[0,1]的均匀随机数,将这个数作为选择指针从而确定被选择个体;
[0047]
其中,f(a)表示个体a的适应度,∑f(a)表示种群所有个体适应度之和。
[0048]
作为一种优选方式,所述传感器包括:四氧化锇监测传感器,砷化氢传感器、二氧化氮传感器、砷化氢传感器和丙烯醛传感器;
[0049]
所述监测类型包括:四氧化锇泄露,砷化氢泄露、二氧化氮泄露、砷化氢泄露和丙烯醛泄露。
[0050]
本发明提供的一种危化品监测系统,包括:主机、至少一个与所属主机通信连接的路由器和若干与路由器通信连接的传感器;通过路由器获取每个传感器采集的监测数据,根据每一监测数据的隶属度函数值将所述监测数据分别存储到对应的模糊子集;当某一监测数据的数据值大于所述监测数据所在的模糊子集对应的监测类型的设定的阈值时,判定发生所述数据值对应的监测类型危化品故障;获取所述数据值所在的模糊子集的所有监测数据对应的传感器的位置作为信标节点,通过dv-hop定位优化算法计算故障地点所在的未知节点的平均跳距;根据所述平均跳距计算所述未知节点和任一信标节点间的距离关系方程组;计算所有信标节点的适应度,以所有信标节点的适应度作为初始种群的个体;计算所述初始种群的自适应交叉率和变异概率,根据所述自适应交叉率和所述变异概率对所述初始种群采用轮盘赌法进行交叉遗传,并进行遗传
–
禁忌搜索;直到所述遗传-禁忌搜索产生的新种群中的适应度满足预设的循环中止条件,输出预设数量的最优解;将预设数量的最优解代入所述距离关系方程组中,求解出故障地点的三维坐标。基于构建的主机-路由器-传感器网络,运用传感器与路由器,主机之间的配合,实现对实验室化学药剂含量的实时智能检测;基于利用最优跳数、跳数调整因子以及信标节点距离误差加权值对dv-hop定位优化算法中的节点间跳数和平均跳数进行改进和修正,降低算法定位误差;基于遗传算法引入具有快速搜索能力的禁忌搜索进行寻优,提升算法的搜索效率和定位准确性。
附图说明
[0051]
图1是本发明提供的一种危化品检测系统的结构示意图;
[0052]
图2是本发明实施例提供的主机的工作原理的步骤流程图
具体实施方式
[0053]
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0054]
本发明实施例提供一种危化品监测系统,所述系统包括主机、至少一个与所属主机通信连接的路由器和若干与路由器通信连接的传感器;
[0055]
具体地,参见图1所示,是本发明提供的一种危化品检测系统的结构示意图,所述系统包括主机、路由器1、传感器1-1、传感器1-2、传感器1-3和传感器1-4;
[0056]
主机与路由器1通信连接,所述路由器1与传感器1-1、传感器1-2、传感器1-3和传感器1-4通信连接;
[0057]
需要说明的是,在本实施例的附图中,以一个路由器为例说明监测系统的具体结构,在其他实施例中,系统存在多个路由器;每一路由器与若干个传感器连接。
[0058]
参见图2,是本发明实施里提供的主机的工作原理的步骤流程图;所述主机被配置执行步骤s1~s7:
[0059]
s1,通过路由器获取每个传感器采集的监测数据,根据隶属度函数计算每一监测数据相对不同监测类型的模糊子集的隶属度函数值,根据每一监测数据的隶属度函数值将所述监测数据分别存储到对应的模糊子集;
[0060]
s2,当某一监测数据的数据值大于所述监测数据所在的模糊子集对应的监测类型的设定的阈值时,判定发生所述数据值对应的监测类型危化品故障;
[0061]
s3,获取所有传感器的位置作为信标节点,通过dv-hop定位优化算法计算故障地点所在的未知节点的平均跳距;
[0062]
s4,根据所述平均跳距计算所述未知节点和任一信标节点间的距离关系方程组;
[0063]
s5,计算所有信标节点的适应度,以所有信标节点的适应度作为初始种群的个体;
[0064]
s6,计算所述初始种群的自适应交叉率和变异概率,根据所述自适应交叉率和所述变异概率对所述初始种群采用轮盘赌法进行交叉遗传,并进行遗传
–
禁忌搜索;直到所述遗传-禁忌搜索产生的新种群中的适应度满足预设的循环中止条件,输出预设数量的最优解;
[0065]
s7,将预设数量的最优解代入所述距离关系方程组中,求解出故障地点的三维坐标。
[0066]
在本实施例具体实施时,所有路由器与主机通信连接,每一路由器与若干个不同类型的传感器;由主机作为数据分发的簇首,路由器作为簇首的子节点,各传感器作为路由器的子节点,每个路由器之间的地址间隔表达式为:
[0067][0068]
其中,c
skip
(d)为地址间隔,cm为上一级节点的最大子节点数,lm为监测系统网络拓扑结构的最大深度,rm为与子节点相连最多路由器数量;
[0069]
基于无线传感网络,运用气体传感器与路由器,主机之间的配合,建设化学药品监
测网络以实现对实验室化学药剂含量的实时智能检测;
[0070]
所述主机通过路由器获取所有传感器实时的监测数据,根据隶属度函数计算每一监测数据相对不同模糊子集的隶属度函数值,每一模糊子集对应一种传感器,即对应一种危化品的监测类型,根据每一监测数据的隶属度函数值将所述监测数据分别划分为不同的监测类型,并存储到对应的模糊子集中;
[0071]
逐一判断所有监测数据的数值是否大于所在的模糊子集对应的监测类型预设的阈值;
[0072]
当某一监测数据的数据值不大于所述监测数据所在的模糊子集对应的监测类型的设定的阈值时,判定发生所述数据值得监测数据正常;
[0073]
当某一监测数据的数据值大于所述监测数据所在的模糊子集对应的监测类型的设定的阈值时,判定发生所述数据值对应的监测类型危化品故障;
[0074]
获取发生障碍得数据值所在得模糊子集的所有监测数据对应的传感器的未知作为信标节点,通过dv-hop定位优化算法计算故障地点所在的未知节点的平均跳距;
[0075]
计算所有信标节点的适应度,以所有信标节点的适应度作为初始种群的个体;
[0076]
计算所述初始种群的自适应交叉率和变异概率,根据所述自适应交叉率和所述变异概率对所述初始种群采用轮盘赌法进行交叉遗传,并进行遗传
–
禁忌搜索;直到所述遗传-禁忌搜索产生的新种群中的适应度满足预设的循环中止条件,输出预设数量的最优解;
[0077]
根据所述平均跳距计算所述未知节点和任一信标节点间的距离关系方程组;
[0078]
将预设数量的最优解代入所述距离关系方程组中,求解出故障地点的三维坐标,监测到发生故障的危化品的具体位置。
[0079]
本发明提供的又一实施例中,所述隶属度函数为本发明提供的又一实施例中,所述隶属度函数为
[0080]
其中,r
ij
=d
imax-d
imin
,d
imax
和d
imin
分别为第i个监测数据与所有模糊子集中的最大聚类距离和最小聚类距离,第i个监测数据ui与第j个模糊子集地聚类距离ui为第i个监测数据,cj为第j个模糊子集对应的监测类型预设的样本数据,μ
pj
(μi)为第i个监测数据ui与第j个模糊子集的隶属度函数值。
[0081]
在本实施例具体实施时,对监测数据进行模糊识别,采用隶属度函数计算监测数
据μi相对于pj的隶属度函数值
[0082]
其中,r
ij
=d
imax-d
imin
,d
imax
和d
imin
分别为第i个监测数据与所有模糊子集中的最大聚类距离和最小聚类距离,第i个监测数据ui与第j个模糊子集地聚类距离ui为第i个监测数据,cj为第j个模糊子集对应的监测类型预设的样本数据,μ
pj
(μi)为第i个监测数据ui与第j个模糊子集的隶属度函数值,cj为针对每一监测类型的模糊子集预设的正常的样本数据,即对应没有危化品泄露。
[0083]
在本发明提供的又一实施例中,所述根据每一监测数据的隶属度函数值将所述监测数据分别存储到对应的模糊子集,具体包括:
[0084]
依次计算监测数据μi相对所有的模糊子集p1,p2……
pn的隶属度函数值μ
pk
(μi),i为任一监测数据,i》0,k=1,2,3
…
,n;
[0085]
将监测数据μi存储到监测数据μi的隶属度函数值最大的模糊子集中。
[0086]
在本实施例具体实施时,通过将监测数据代入隶属度函数中,依次计算监测数据μi相对所有的模糊子集p1,p2……
pn的隶属度函数值μ
pk
(μi),i为任一监测数据,i》0,k=1,2,3
…
,n;
[0087]
比较求出的隶属度函数值的大小,得出的数值越大,该监测数据为危险化学气体的概率也越高,通过该方法可将数据进行归类,划分为不同的数据类别,如二氧化氮气体传感器采集的数据进行预处理后,可以分为二氧化氮气体类型和其余气体类型;实现了数据的整合与分类;
[0088]
当监测数据μi满足:μ
p1
(μi)=max(μ
p1
(μi),μ
p2
(μi),
…
,μ
pn
(μi))时,判定监测数据μi隶属于模糊子集p1,将所有的监测数据划分并存储到不同的模糊子集中。
[0089]
通过隶属度函数实现了监测数据的整合与分类,将分类后的各危险化学气体的监测数据与对应设定的报警阈值进行比较,若数据超出设定阈值,则判定该监测数据对应的监控参数出现问题,并向协调器发送报警指令,控制报警器发出报警,实现警报作用。
[0090]
在本发明提供的又一实施例中,所述平均跳距的计算过程具体包括:
[0091]
根据信标节点间的实际距离d
i,j
和信标节点的通行半径r计算最优跳数h
i,j
;
[0092]
根据信标节点间的最优跳数h
i,j
和信标节点间的最小跳数h
i,j
,计算得到信标节点间的偏差系数μ
i,j
;
[0093]
根据信标节点间的偏差系数μ
i,j
计算信标节点间的跳数调整因子∈
i,j
;
[0094]
根据信标节点间的跳数调整因子∈
i,j
和信标节点间的最小跳数h
i,j
,计算得到信标节点间的修正跳数
[0095]
根据信标节点间的实际距离d
i,j
和信标节点间的修正跳数计算得到信标节点间的平均跳距
[0096]
根据信标节点间的平均跳距信标节点间的修正跳数和信标节点间的实际距离d
i,j
,计算得到信标节点间的距离误差δ
i,j
;
[0097]
根据信标节点间的距离误差δ
i,j
计算信标节点间的权重系数ω
i,j
;
[0098]
根据信标节点间的平均跳距计算未知节点s与距离最近的信标节点p间的平均跳距
[0099]
根据所述平均跳距和信标节点间的权重系数ω
i,j
,计算所述未知节点s的平均跳距
[0100]
其中,xi,yi,zi为信标节点i的三维坐标,xj,yj,zj为信标节点j的三维坐标,∈
i,j
=1-μ
i,j2
,,
[0101]
在本实施例具体实施时,针对跳数引起的定位误差,通过引用相对最优跳数对通信范围内的单跳邻居节点加以限制,计算相对最优跳数h
i,j
;
[0102]di,j
表示信标节点i,j之间的实际距离,r表示信标节点间的通行半径;设某2个信标节点坐标分别为(xi,yi,zi)和(xj,yj,zj),
[0103]
比较信标节点i,j之间的最小跳数h
i,j
与相对最优跳数h
i,j
的差值,得到偏差系数
[0104]
偏差系数μ
i,j
反映了信标节点间最小跳数与相对最优跳数之间的差异大小,μ
i,j
越大,说明两者之间有较大的差异。当通信半径不变时,最小跳数一般不小于相对最优跳数,根据偏差系数μ
i,j
计算跳数调整因子∈
i,j
来优化跳数信息以减少累积误差,∈
i,j
=1-μ
i,j2
;
[0105]
得到信标节点间的修正跳数
[0106]
在已知信标节点坐标的基础上,计算信标节点间的平均跳距
[0107]
根据信标节点间的平均跳距信标节点间的修正跳数和信标节点间的实际距离d
i,j
,计算得到信标节点间的距离误差
[0108]
由信标节点的距离误差,可知,其值越大表示信标节点间的实际传播距离与理想路径偏差越大。为降低该误差值,对信标节点间的距离误差进行加权求和,权重系数
[0109]
通过计算出危化品故障的未知节点s距离最近的信标节点i的平均跳距即可求得未知节点s的平均跳距
[0110]
基于利用最优跳数、跳数调整因子以及信标节点距离误差加权值对dv-hop中的节点间跳数和平均跳数进行改进和修正,降低算法定位误差。
[0111]
在本发明提供的又一实施例中,所述距离关系方程组具体为:
[0112][0113]
其中,其中,为所述未知节点的平均跳距,h
s,j
为所述未知节点与信标节点j之间的最小跳数,n为信标节点的数量,j=1,2,
…
,n。
[0114]
在本实施例具体实施时,根据未知节点s的平均跳距和该节点与信标节点j之间的最小跳数h
s,j
,计算未知节点s与信标节点j之间的距离
[0115]
由此可得坐标为(xs,ys,zs)的未知节点s和坐标为(xj,yj,zj)的信标节点j(j=1,2,
…
,n)之间的距离关系方程组:
[0116][0117]
利用极大似然估计法可得未知节点的位置,即危化品故障的具体位置,但上述将所有的信标节点计入考虑的方法,计算量过大且精度不高,难以做到迅速实现找到化学药品泄露的具体位置,因此需要对所有信标节点进行选择,选择最优的信标节点,用于未知节点位置的计算。
[0118]
在本发明提供的又一实施例中,所述信标节点的适应度
其中j≠i,n为信标节点的数量,i=1,2,
…
,n。
[0119]
在本实施例具体实施时,将原有的每个信标节点视为个体,个体组成种群,初始所有的信标节点视为初始种群,计算信标节点个体i的适应度有的信标节点视为初始种群,计算信标节点个体i的适应度其中j≠i,n为信标节点的数量,i=1,2,
…
,n,得到初始种群。
[0120]
在本发明提供的又一实施例中,所述自适应交叉率
[0121]
所述变异概率
[0122]
其中,k1、k2、k3和k4为[0,1]之间的常数,f
max
表示种群中最大的适应度,f表示交叉遗传的2个个体中较大的适应度,f
avg
表示种群的平均适应度,f(μ)为变异个体μ的适应度。
[0123]
在本实施例具体实施时,将2个父代个体的部分结构加以替换重组而生成新个体的过程叫做交叉,通过交叉可以使ga算法的搜索能力得以提升。在ga算法中交叉率
[0124]
为避免在算法迭代后期陷入局部收敛,根据变异概率p2对个体进行变异:
[0125]
其中,k1、k2、k3和k4为[0,1]之间的常数,f
max
表示种群中最大的适应度,f表示交叉遗传的2个个体中较大的适应度,f
avg
表示种群的平均适应度,f(μ)为变异个体μ的适应度。
[0126]
通过交叉遗传不断产生新的种群,对初始种群进行优化。
[0127]
在本发明提供的又一实施例中,所述根据所述自适应交叉率和所述变异概率对所述初始种群采用轮盘赌法进行交叉遗传,并进行遗传
–
禁忌搜索;直到所述遗传-禁忌搜索产生的新种群中的适应度满足预设的循环中止条件,输出预设数量的最优解,具体包括:
[0128]
通过轮盘赌法选择交叉遗传的个体进行交叉遗传,并在交叉后产生的新子代中引入禁忌算法,将个体适应度录入预设清空的禁忌表中,设定禁忌长度,并对每一个体的适应度以及种群适应度值的大小进行比较;
[0129]
若个体的适应度值大于种群的平均适应度值,该个体将遗传到下一代并将其更新进禁忌表;
[0130]
若个体的适应度值不大于种群的平均适应度值,则利用最新的禁忌表判断该个体是否属于禁忌;
[0131]
若判断的个体不属于禁忌,则将该个体遗传到下一代;
[0132]
若判断的个体属于禁忌,选取目前种群中的最优个体遗传到下一代;
[0133]
根据所述变异概率选择每一代个体中待变异个体,对所述待变异个体进行禁忌搜索变异;
[0134]
计算变异后的新的种群中个体的适应度,判断新种群中的最优个体适应度是否大于最新的禁忌表中的所有个体的平均个体适应度;
[0135]
当所述最优个体适应度大于所述平均个体适应度时,输出最优的三个最优个体适应度作为最优解;
[0136]
当所述最优个体适应度不大于所述平均个体适应度时,再次通过轮盘赌法选择交叉遗传的个体进行交叉遗传,并进行遗传
–
禁忌搜索,直到遗传-禁忌搜索产生的最新种群中的最优个体适应度大于最新的禁忌表中所有个体平均个体适应度。
[0137]
在本实施例具体实施时,通过轮盘赌法计算每个个体被选中的概率,并根据概率选择交叉遗传的个体,进行交叉遗传;
[0138]
并在交叉后产生的新子代中引入禁忌算法,将个体适应度录入预设清空的禁忌表中,设定禁忌长度,并对每一个体的适应度以及种群适应度值的大小进行比较;
[0139]
若个体适应度值高于交叉后的群体的平均适应度值,该个体将遗传到下一代并将其更新进禁忌表。若个体适应度值不高于交叉后的群体平均适应度值,则利用最新的禁忌表判断该个体是否属于禁忌;
[0140]
若判断的个体不属于禁忌,则将该个体遗传到下一代;
[0141]
若判断的个体属于禁忌,选取目前种群中的最优个体遗传到下一代;
[0142]
根据所述变异概率选择每一代个体中待变异个体,对所述待变异个体进行禁忌搜索变异;
[0143]
计算变异后的新的种群中个体的适应度,判断新种群中的最优个体适应度是否大于最新的禁忌表中的所有个体的平均个体适应度;
[0144]
当所述最优个体适应度大于所述平均个体适应度时,输出最优的三个个体适应度作为最优解;
[0145]
当所述最优个体适应度不大于所述平均个体适应度时,再次通过轮盘赌法选择交叉遗传的个体进行交叉遗传,并进行遗传
–
禁忌搜索,直到遗传-禁忌搜索产生的最新种群中的最优个体适应度大于最新的禁忌表中所有个体平均个体适应度。
[0146]
需要说明的是,在本实施例中,预设的循环中止条件为所述最优个体适应度大于所述平均个体适应度,在其他实施例中,可预设其他循环中止条件。
[0147]
基于遗传算法引入具有快速搜索能力的禁忌搜索进行寻优,提升算法的搜索效率和定位准确性。
[0148]
将输出的最优的三个个体适应度作为最优解输出到距离关系方程组中,即将三个个体适应度最高的信标节点(x1,y1,z1)、(x2,y2,z2)和(x2,y2,z2)的坐标代入以下公式并分别计算并分别计算为所述
未知节点s的平均跳距,h
s,j
为所述未知节点s与信标节点j之间的最小跳数,j=1,2,3,得到未知节点s的坐标,得到危化品故障的定位的位置。
[0149]
在本发明提供的又一实施例中,所述轮盘赌法具体为:
[0150]
计算个体a被选中的概率
[0151]
在每一轮的交叉遗传中都会产生1个区域在[0,1]的均匀随机数,将这个数作为选择指针从而确定被选择个体;
[0152]
其中,f(a)表示个体a的适应度,∑f(a)表示种群所有个体适应度之和。
[0153]
在本实施例具体实施时,根据群体中的个体适应度,采用轮盘赌法选择群体中的优胜个体,个体a被选中的概率
[0154]
f(a)表示个体a(即信标节点a)的适应度,∑f(a)表示种群所有个体适应度之和,在每一轮的选择中都会产生1个区域在[0,1]的均匀随机数,将这个数作为选择指针从而确定被选择个体,适应度越高的个体被选中的概率越大。
[0155]
在本发明提供的又一实施例中,所述传感器包括:四氧化锇监测传感器,砷化氢传感器、二氧化氮传感器、砷化氢传感器和丙烯醛传感器;
[0156]
所述监测类型包括:四氧化锇泄露,砷化氢泄露、二氧化氮泄露、砷化氢泄露和丙烯醛泄露。
[0157]
通过不同传感器监测不同的类型的危化品泄露故障,并通过隶属度函数对数据进行分类,对分类后的监测数据的数值进行判定,当判定出故障后,根据对应故障类型的监测数据对应的传感器的位置,通过交叉遗传和遗传-禁忌搜索,产生最优解,输出用于求解未知节点的坐标。
[0158]
本发明提供的一种危化品监测系统,包括:主机、至少一个与所属主机通信连接的路由器和若干与路由器通信连接的传感器;通过路由器获取每个传感器采集的监测数据,根据每一监测数据的隶属度函数值将所述监测数据分别存储到对应的模糊子集;当某一监测数据的数据值大于所述监测数据所在的模糊子集对应的监测类型的设定的阈值时,判定发生所述数据值对应的监测类型危化品故障;获取所述数据值所在的模糊子集的所有监测数据对应的传感器的位置作为信标节点,通过dv-hop定位优化算法计算故障地点所在的未知节点的平均跳距;根据所述平均跳距计算所述未知节点和任一信标节点间的距离关系方程组;计算所有信标节点的适应度,以所有信标节点的适应度作为初始种群的个体;计算所述初始种群的自适应交叉率和变异概率,根据所述自适应交叉率和所述变异概率对所述初始种群采用轮盘赌法进行交叉遗传,并进行遗传
–
禁忌搜索;直到所述遗传-禁忌搜索产生的新种群中的适应度满足预设的循环中止条件,输出预设数量的最优解;将预设数量的最优解代入所述距离关系方程组中,求解出故障地点的三维坐标。基于构建的主机-路由器-传感器网络,运用传感器与路由器,主机之间的配合,实现对实验室化学药剂含量的实时智能检测;基于利用最优跳数、跳数调整因子以及信标节点距离误差加权值对dv-hop定位优化算法中的节点间跳数和平均跳数进行改进和修正,降低算法定位误差;基于遗传算法引入具有快速搜索能力的禁忌搜索进行寻优,提升算法的搜索效率和定位准确性。
[0159]
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
转载请注明原文地址:https://win.8miu.com/read-1056188.html