面向森林火灾的异构机器人群救援预案辅助决策算法的制作方法
本发明涉及火灾救援领域，具体涉及一种面向森林火灾的异构机器人群救援预案辅助决策算法。
背景技术：
近年来，自然灾害和人为灾难性事件频繁发生，对生态环境与经济造成了巨大的损失。因此，高效应急森林火灾救援方案的提出对森林火灾消防工作至关重要。与其他自然灾害不同，森林火灾的蔓延速度与自然条件(例如，风力，地形坡度和燃料类型)相关。森林火灾具有蔓延速度快，涉及范围广、灾情动态改变的特点。所以，森林火灾中的特殊挑战是在森林火灾蔓延的动态过程中，对救援方案实时地进行决策。
对于森林火灾管理机构来说，指定高效安全的救援方案非常重要。因此，相应的决策支持系统对高效的救援方案的确定意义重大。近几十年已有一些相关的研究，1998年wybo等人首次提出了面向森林消防管理人员提出了基于通用消防知识的决策支持系统，bonazountas等人集成了地理信息系统与天气信息的决策支持系统，hu等人提出了集成了野火蔓延模拟、消防资源分配优化的集成框架，同时在实验中验证了对于给定的救援资源调度方案，不同的消防策略可能会导致截然不同的灭火效果，kochilakis等人从工程角度出发提出了基于web的森林火灾决策支持系统。
在森林火灾救援的决策支持系统(decisionsupportsystem,dss)中，有效森林火灾救援方案的提出主要在于对火灾灾情的监测与分析，森林灭火策略的决策与消防资源分配的优化，同时从现实的角度出发，在森林火灾的救援过程中采用不同种类的救援机器人是符合实际的。然而，在当前的研究中往往只考虑使用同一种救援机器人进行救援的情况，这使得在实际救援过程中，往往无法充分发挥不同救援机器人的特性。另一方面，在实际的森林火灾扑救工作中，已经积累了一些常识性的灭火策略，在森林火灾这种大范围的自然灾害中，我们应该充分考虑对具有不同特点火灾区域，采用不同的森林火灾灭火策略，以达到最优的灭火效果。
在森林火灾中，风向与风速的影响对火势的蔓延影响巨大。起火位置与风向决定了火灾燃烧的主要区域，而风速一定程度上决定了火灾蔓延的速度。因此，不同的风向会将火势引向不同的燃烧区域，这意味着植被密度、地形的改变；而不同的风速将导致火灾蔓延的速度以及燃烧区域面积大小的不同。因此，根据不同的风向和风速，制定针对性的森林火灾救援方案是非常有意义的。
技术实现要素：
本发明的目的是提供一种面向森林火灾的异构机器人群救援预案辅助决策算法，能够准确地模拟真实动态的森林火灾蔓延与救援过程，能够有效地灭火，减少森林火灾造成的经济损失。
为实现上述目的，本发明的具体方案如下：
步骤s101，建立森林火灾救援模拟器模型，该救援模拟器采用细胞代替法获取火灾蔓延速度信息、火灾蔓延方向信息、救援机器人的移动速度信息、最大灭火元胞数信息以及最大隔离元胞数信息，利用这些信息建立火灾救援模拟器模型。
本发明中的森林火灾救援模拟器模型包括五种细胞状态s1-s5，其中，s1代表细胞内无可燃物质，即处于这一状态的细胞无法燃烧；s2代表细胞内有可燃物质但细胞尚未燃烧；s3代表细胞正在燃烧；s4代表细胞已经被烧毁；s5代表经过救援火灾已经被扑灭。我们模型中的状态转换规则如表3所示：
表3状态转换规则表
注：模型中的状态转换规则。t0代表模型某一更新周期的起始时刻，且下次运行模型的时刻为t0+tp。state(i,j,t0)∈{s1,s2,s3,s4,s5}用来表示t0时刻元胞cell(i,j)的状态。其中，s1表示不可燃烧区域，s2表示未起火状态，s3表示正在燃烧，s4表示被烧毁的状态，s5表示起火后被扑灭的元胞状态或属于隔离火线的元胞状态。若rescueagent(i,j,t0)＝0，这意味着t0时刻没有救援机器人在元胞cell(i,j)上，否则，rescueagent(i,j,t0)＝1。
r4中的火灾蔓延概率pburn定义如式(28)所示：
pburn＝ph(1+pveg)(1+pden)pwps(28)
其中，ph代表相邻元胞(包含给定类型的植被和密度)下一次着火的概率；参数ph＝0.58；pveg,pden,pw以及ps分别代表受植被类型、植被密度、风速以及坡度影响的的火灾蔓延概率。风对火势蔓延的影响包括风速与风向之间的经验风效应关系，其关系式为：
pw＝exp(c1wv)ft(29)
ft＝exp(wvc2(cosθ-1))(30)
其中，c1＝0.045且c2＝0.131；θ属于[0°,360°]，代表火灾蔓延方向与风向的夹角；wv代表风速。
步骤s102，建立救援机器人管理器，具体包括救援机器人的类型、数量、灭火方式，灭火剂的可携带容量，以及每个救援机器人当前的位置以及剩余灭火剂的数量。
救援机器人的类型分为三类，具体如下：(1)无人机(uav)，无人机具有移动速度快、移动灵活不受地形限制的特点，但具可携带的灭火剂容量较少；(2)无人消防车(unmannedfiretruck,uft)，无人消防车的优点是可以携带大量灭火剂进行灭火，每补给一次，可以扑灭大量的着火点，但同时具有移动速度较慢，移动受地形影响，移动成本较高等特点；(3)隔离火线消防车(isolatedfiretruck，ift)，隔离火线消防车的作用是建立火灾隔离线，对于在救援时限制火灾蔓延区域有突出的效果，但同时具有移动速度慢，移动成本高，且会对植被造成伤害的缺点。
步骤s103，建立灭火知识库，灭火知识库中包含森林消防基本原则、森林火灾救援预案以及森林火灾灭火策略。
其中，森林消防基本原则包括：(1)集中优势资源原则，首先应将灭火资源分配给火场主要方面，且优先分配给灭火作战能力最强的救援机器人；(2)实行“打早、打小、打了”的原则，当火灾发生时，应首先分配可最快到达起火区域的救援机器人，趁火灾尚未大范围蔓延时第一时间展开灭火；(3)统筹兼顾，牺牲局部，保存全局的原则；(4)讲究经济效益原则。在灭火策略的决策以及救援方案生成的过程中，要重点考虑不同植被的价值，优先救援价值较高的起火区域；(5)优先下风方向原则。在对森林火灾进行救援时，重中之重是控制森林火灾的蔓延趋势，而风速将大大影响火灾的蔓延，上风向区域将受到火灾的抑制。如果风速达到一定程度，则下风向区域的火势蔓延速度较快，应作为救援时的重点区域。
森林火灾救援预案包括：(1)风向控制预案。主要适用于风速较大，风向朝向的区域植被价值较高的森林火灾场景。风向控制预案的思路是首先在森林火灾区域中选择下风向区域，并集中救援能力强的救援机器人群，对下风向区域进行优先救援；(2)四面包围预案。四面包围预案的思路是着眼与火场全局，尽可能同时救援所有燃烧区域，并尽可能以最快的速度控制火势。主要适用于火灾发现及时，燃烧面积较小的场景。在进行火灾救援时，四面包围预案首先将燃烧元胞按照四个方向进行划分，然后分配距离最近的救援机器人前往救援；(3)重点救援预案。重点救援预案适用于森林火势威胁高价值植被、居民区或重要设施时的场景。当出现这种类型的火势时，根据重点救援预案，应根据当前火场信息划分出燃烧元胞周围植被价值最高的区域，并将大部分救援机器人分配到这个区域进行救援。
森林火灾灭火策略包括：(1)“单点突破，长线对进突击”策略(single-pointbreakthrough,long-termstrike,sblsstrategy)，扑火队从某一个地点突入火线，兵分两路，进行一点两面作战，最后合围。这种战术选择突破点是关键，一般是选择接近主要火头的侧翼突入，火势较强的一侧重点配置兵力，火势较弱的一侧少量布兵力。这种战术的特点是：突破点少，只有一个扑火队连续扑打的火险和火势突变可能性小的情况下采用，但由于扑火队能力有限，大面积火场不宜采用；(2)“多点突破，分击合围”策略(multi-pointbreakthrough,break-in，mbbstrategy)，这是一种快速分割灭火的实用战术。实施时，若干个扑火小队(组)，选择两个以上的突破口，然后分别进行“一点两面”作战，各突破口之间相互形成分击合围态势，使整个火场分割成若干个地段，将火迅速扑灭。这种战术的特点是：突破口多，使用兵力多，全线展开，每个扑火队(组)间的战线短，扑火效率高，是扑火队常用战术；(3)“四面包围，全线突击”策略(surroundedonallsides，sasstrategy)，这种战术是以足够的兵力扑打初发火、小面积火时的实用战术。主要时采用全线用兵，四面围歼的办法扑火，既扑打火头、又兼顾全局，一鼓作气扑灭火灾。蔓延强烈的一侧兵力多于较弱的一侧，顺风火的兵力多于逆风火和侧风火，上山火的兵力多于下山火。
步骤s104，建立森林火灾救援预案辅助决策系统，本发明提出了基于topsis(techniquefororderpreferencebysimilaritytoanidealsolution)对救援预案进行评估的救援预案辅助决策系统，救援预案评价指标为风速相关性(wind-speedrelevance,wr)、资源保障性(resourceguarantee,rg)、救援针对性(rescuetargeted，rt)和预案可操作性(planoperability，po)。
wr的计算方式如式(31)所示：
其中，ws代表风速，单位为m/s；
rg的计算方式如式(33)所示：
rg的含义为在救援预案中，所有aag的最大灭火元胞数量与对应的灭火区域元胞数之比的最大值。解释如下：(1)当整体救援机器人救援资源充足时，如果rg较大说明全局救援资源充足或某一区域救援资源充足；(2)当救援机器人agent救援资源不足时，此时若将救援机器人着重关键区域进行救援，rg较大；若将救援机器人分散给不同区域进行救援，则每个区域的救援资源都不充足，rg较小。
rt的计算方式如式(34)所示：
rt对救援预案对降低经济损失的性能进行评估，rt考虑在具有最强灭火能力救援机器人组的主要救援区域中的植被价值在所有燃烧元胞的植被价值综合的占比。
po的计算方式如式(35)所示：
其中，centerj表示frj中所有元胞的中心点；distance(agenti,centerj)表示agenti与centerj之间的距离；speedi表示agenti的移动速度。
本发明提出了基于topsis(techniquefororderpreferencebysimilaritytoanidealsolution)的辅助决策系统，s＝{s1,s2,…,sm}为救援预案集，c＝{c1,c2,…,cn}为预案评价指标集，评价指标的权重向量为w＝(w1,w2,…,wn)。
具体算法步骤如下：
步骤(4.1)：计算决策矩阵，根据上述评价指标，计算每个救援预案的评价向量，得决策矩阵为dm＝(dmij)，其中dmij表示预案si的评价指标cj的值；
步骤(4.2)：决策矩阵规范化，根据式(36)计算规范化的决策矩阵；
步骤(4.3)：计算加权的决策矩阵wdm；
wdmij＝sdmij*wj,i＝1,2,...,m；j＝1,2,...,n(37)
步骤(4.4)：计算正理想解和负理想解，正理想解pis计算如式(38)所示，负理想解nis计算如式(39)所示：
其中，j1代表效益型指标集合；j2代表成本型指标集合；
步骤(4.5)：计算每个预案到正理想解和负理想解的距离，备选预案si到正理想解、负理想解的距离计算分别如式(40)，(41)所示：
步骤(4.6)：计算各个预案的综合评价分值，备选预案的综合评价分值计算如式(42)所示：
备选预案的综合评价分值越大，说明相应的救援预案越适合于当下的火场特点，因此综合评价分值最大的救援预案将被我们选择作为救援预案。
步骤s105，通过集成灭火知识的人工蜂群算法为每个区域生成具体救援方案，具体内容如下：
步骤(5.1)：使用变长编码的方法对种群进行编码；
步骤(5.2)：使用cabc搜索算子、abc/best搜索算子和基于灭火策略的搜索算子改造种群；
cabc搜索的更新方式是通过使用种群中的两个不同解来生成新的解，这使其具有很强的搜索解空间的能力。cabc的计算公式如式(43)所示：
其中，xr1，xr2代表从种群中随机选择的个体，r1,r2∈{1,2,3,…,fn},r1≠r2,fn代表abc算法中蜜源的数量，且fn＝ps/2,ps代表种群大小；
abc/best搜索通过在种群中最优解的附近生成新的解，使其具有较强的局部搜索能力。abc/best搜索的更新公式如式(44),(45)所示：
其中，r1,r2,r3,r4是属于{1,2,3,…,fn}不等于i且互补相等的整数；xbest为当前已知的最优解；
在基于灭火策略的搜索算子(firefighting-strategy-basedsearch，fss)中，本发明使用了如下两种包含在灭火知识库中的森林火灾灭火知识：“单点突破，长线对进突击”策略(single-pointbreakthrough,long-termstrike,sblsstrategy)与“四面包围，全线突击”策略(surroundedonallsides，sasstrategy)。
sbls策略的主要思想是集中救援资源，从火灾蔓延性最强的的方向进行救援，而sas策略则是分散灭火设备资源，从各个方向同时进行灭火，这意味着sbls与sas策略对救援机器人的需求有所不同。因此，我们通过救援压力rp，来选择不同的灭火策略。rp代表了在当前的火灾划分和救援机器人分配的方案下，该火区被成功灭火的难度。rp的计算方式如式(46)所示：
rp＝α(|rcr|/n1)+β(|rcr|/nfc)+(1-α-β)ws(46)
其中，第一项为新增森林燃烧元胞数量与可用救援机器人的比值；第二项新增森林燃烧元胞数量与所有用救援机器人可以扑灭的元胞数量总和(numberoffirefightingcells,nfc)的比值；ws(windspeed)代表风速，单位为m/s；α和β为调节因子。
步骤(5.3)：更新策略进化程度，搜索策略的进化程度定义为每个搜索策略令个体进化的平均值，用来比较不同搜索策略对种群进化的效果是否更好，在每次选择了某一种搜索策略进行搜索之后，将更新策略进化程度，策略进化程度的计算方法如式(47)，(48)所示：
其中，selecttime表示该搜索策略被选择的次数，singleevolutiondegreei代表第i次使用该策略时的进化程度，fi表示使用该策略前个体的适应度，fi'表示使用该策略后的个体适应度。
步骤(5.4)，更新策略选择概率，在初始状态下，所有搜索策略(cabc,abc/best,fss)的选择概率被初始化为1/3。每次选择了某一种搜索策略进行搜索之后，更新策略进化程度之后会随之更新策略选择概率，更新方式如式(49),(50),(51)所示：
spcabc＝spcabc*(1-λ)+λ*(sedcabc/(sedcabc+sedabc/best+sedfss))(49)
spabc/best＝spabc/best*(1-λ)+λ*(sedabc/best/(sedcabc+sedabc/best+sedfss))(50)
spfss＝spfss*(1-λ)+λ*(sedfss/(sedcabc+sedabcb/est+sedfss))(51)
其中，λ∈[0,1]表示更新的比例，在本文中，我们初始设置其为1，随着种群不断的进化，将其减少至0.2。
步骤s106，使用救援动作模糊推理机为救援机器人生成具体救援动作，救援动作模糊推理机包括救援优先级模糊推理机和救援机器人分配模糊推理机。
救援优先级模糊推理机工作步骤如下：
步骤(6.1.1)：设置着火点的评估指标，分别为火灾蔓延与风向夹角(anglebetweenwinddirectionandfirespreaddirection,awf)、相邻可燃细胞数量(numberofneighborflammablecells,nnfc)、相邻元胞植被价值(burncostofneighborflammablecells,bcnfc)。
awf代表当前火灾蔓延方向与风向之间的夹角，其中火灾蔓延方向定义为从起火元胞到当前元胞的连线方向，计算方式为从风向起顺时针旋转，直到与火灾蔓延方向重合为止，所旋转过的角度，因此，awf的范围为：0°到360°。
nnfc代表当前元胞周围相邻可燃(状态为s2)细胞数量，体现此着火点向周围细胞火灾蔓延影响的上限，nnfc的范围为：1到8。
bcnfc代表当前元胞周围相邻可燃(状态为s2)细胞的植被价值，体现此着火点的火灾向相邻细胞蔓延对植被价值的破坏程度，nnfc的范围为：1到24。
步骤(6.1.2)：使用单值式隶属度函数对评估指标进行模糊化，指标的隶属度函数如下：
awf的隶属度函数：
如果该着火点的火灾蔓延方向与风向夹角的余弦值>0.5，隶属度函数为1；否则为0。
nnfc的隶属度函数：
bcnfc的隶属度函数：
步骤(6.1.3)：设置救援优先级，将救援优先级从是否紧急和是否重要分为4个等级进行划分，具体描述见表4。
表4救援优先级
步骤(6.1.4)：设置模糊推理规则，评价集v＝{ui,uni,inu,nuni}，因素集u＝{u1,u2,u3,…,unc}，其中u代表燃烧点的集合，nc代表燃烧细胞的数量，推理规则见权利要求10的表1。
救援机器人分配模糊推理机工作步骤如下：
步骤(6.2.1)：设置救援机器人分配的评估指标，分别是救援机器人的类型(agenttype,at)，救援机器人到火区中心的距离(distanceui,distanceuni,distanceinu)，临近火区(nearestregion,nr)；
不同类型的救援机器人具有不同的优缺点，无人机移动快速但灭火剂容量较小、无人消防车移动慢易受地形影响但灭火剂容量大，因此本发明将救援机器人的类型at(agenttype)作为救援机器人群划分的指标。
救援机器人到火区中心的举例定义为式(55)：
distanceregion＝|posagent-regioncenter|(55)
其中，region∈{ui,uni,inu}代表所属的火灾区域，distanceregion代表该救援机器人与region中心点的距离。
临近火区(nearestregion,nr)代表中心位置距离救援机器人最近的火灾分区，计算方法如式(56)所示：
其中，nr∈{ui,uni,inu,nuni}。
步骤(6.2.2)：设置隶属度函数，distanceui,distanceuni和distanceinu的隶属度函数分别如式(57)、(58)、(59)所示：
步骤(6.2.3)：设置模糊推理规则如权利要求11的表2所示。
与现有的森林火灾救援算法相比，本发明具有如下优点：
1.本发明使用了不同类型的救援机器人来灭火，分配任务时充分利用了各种机器人的优势，能够更有针对性地扑灭各个区域的火灾，因此在抑制火灾蔓延上取得了很好的效果。
2.本发明使用多属性决策的方法获得最佳救援预案，选择了风速相关性、资源保障性、救援针对性和预案可操作性这四个指标来评估预案，在火灾被完全救援的同时节省了救援资源，降低了经济开销。
3.本发明使用集成灭火知识的人工蜂群算法为每个灭火区域生成具体的救援方案，其动态搜索功能最大程度地减少了最长飞行时间和新增加的燃烧细胞造成的森林成本损失，使算法在动态森林火灾中也能够达到很好的性能。
附图说明
图1为本发明实施例面向森林火灾的异构机器人群救援预案辅助决策算法流程图；
图2为本发明实施例异构机器人群救援预案辅助决策算法框架图；
图3为本发明实施例不同时刻火灾蔓延状态图；
图4为本发明实施例细胞状态转换图；
图5为本发明实施例集成灭火知识的人工蜂群算法框架图；
图6为本发明实施例种群编码示例图。
具体实施方式
为了使本发明的特征和优点更加明显易懂，下面结合附图和具体的实施方式对本发明做详细阐述。
图1是本发明实施例面向森林火灾的异构机器人群救援预案辅助决策算法流程图。如图1所示，一种面向森林火灾的异构机器人群救援预案辅助决策算法，所述方法包括：
步骤s101：建立森林火灾救援模拟器模型；
步骤s102：建立救援机器人管理器；
步骤s103：建立灭火知识库；
步骤s104：建立森林火灾救援预案辅助决策系统；
步骤s105：通过集成灭火知识的人工蜂群算法为每个区域生成具体救援方案；
步骤s106：使用救援动作模糊推理机为救援机器人生成具体救援动作；
步骤s101，具体包括：
使用无人机收集火场附近的植被情况以及风速风向情况，建立地理信息数据库，根据地理信息数据库，建立基于元胞自动机的森林火灾救援模拟器模型，采用细胞代替法获取火灾蔓延速度信息、火灾蔓延方向信息、救援机器人的移动速度信息、最大灭火元胞数信息以及最大隔离元胞数信息，根据这些信息建立森林火灾救援模拟器模型。
步骤s102，具体包括：
使用救援机器人管理器来管理救援机器人群的实时状态信息，具体包括救援机器人的类型、数量、灭火方式，灭火剂的可携带容量，以及每个救援机器人当前的位置以及剩余灭火剂的数量，救援机器人的类型包括无人机(uav)、无人消防车(unmannedfiretruck,uft)和隔离火线消防车(isolatedfiretruck，ift)三种。
步骤s103，具体包括：
建立包括森林消防基本原则、森林火灾救援预案以及森林火灾灭火策略的灭火知识库。
步骤s104，具体包括：
使用风速相关性(wind-speedrelevance,wr)、资源保障性(resourceguarantee,rg)、救援针对性(rescuetargeted，rt)和预案可操作性(planoperability，po)作为评价指标来评估救援预案，建立基于topsis(techniquefororderpreferencebysimilaritytoanidealsolution)的辅助决策系统进行多属性决策来选择最佳的救援预案。
步骤s105，具体包括：
首先使用变长编码方法对种群进行编码，然后利用cabc搜索算子、abc/best搜索算子和基于灭火知识库中的灭火策略的搜索算子改造种群，保证种群的多样性，更新策略进化程度来表现搜索策略对种群进化的贡献程度，最后更新策略选择概率对不同策略进行选择。
步骤s106，具体包括：
首先使用救援优先级模糊推理机来划分火灾区域的救援优先级，把救援优先级分为了紧急且重要(urgentandimportant,ui)、紧急非重要(urgentbutnotimportance,uni)、重要非紧急(importantbutnoturgent,inu)和非紧急非重要(noturgentandnotimportant,nuni)这四种，然后使用救援机器人分配模糊推理机，把救援机器人分配给最适合其进行救援的火灾区域。
面向森林火灾的异构机器人群救援预案辅助决策算法架构图
图2为本发明实施例异构机器人群救援预案辅助决策算法框架图，从图中可以看出决策支持系统与森林火灾救援环境之间形成了闭环响应。其中，森林火灾救援仿真负责模拟真实森林火灾环境中林火的蔓延情况与救援机器人的救援动作，森林火灾救援方案生成则基于灭火知识库通过对火场以及救援机器人信息的处理生成最终的救援方案。另外，由于火灾的不断蔓延与救援机器人群对火灾的抑制，火场信息会不断变化，此时决策支持系统会根据最新的火场信息对救援方案进行更新。我们的决策系统运行流程如下：
(1)森林火灾救援模拟器负责模拟火场情况(其中包括火灾蔓延信息与救援机器人的状态)，如果发现有火灾发生或者有余火未被扑灭，则会生成森林火灾救援方案；
(2)救援机器人管理器将根据救援机器人实时状态对救援机器人的位置、负载等信息进行更新；
(3)救援预案辅助决策会根据实时火场信息对救援方案决策系统中的救援预案进行评估，并通过多属性决策的方法选择最合适的救援预案；
(4)通过集成灭火知识的人工蜂群算法abc-ifk(artificialbeecolonywithintegratedfirefightingknowledge)生成具体的救援方案。(1)将包含每个救援机器人具体救援任务的救援方案输出给救援机器人群；(2)使用救援动作模糊推理机为到达目标救援位置的救援机器人生成在该位置附近进行救援的具体动作；
(5)重新执行以上步骤直到无燃烧区域。
森林火灾救援模拟器的定义
本发明使用二维网格的正方形细胞来表示各个森林区域，每个细胞代表一小块土地。在救援模拟器模型中地图被抽象化为一个元胞矩阵，且在元胞矩阵中每个处于燃烧状态的元胞都有可能将火势蔓延向其周围的8个元胞。每个细胞可以指示土地是否被可燃材料(如植被)或不可燃材料(如海洋)覆盖。图3为本发明实施例不同时刻火灾蔓延状态图。
森林中的细胞会有无法燃烧、未燃烧、已烧毁等几种不同的状态。具体来说，细胞状态在森林火灾中分为s1-s5，每个状态是离散时间变化的有限值，s1-s5代表的具体内容如下：
状态一s1：细胞内无可燃物质，即处于这一状态的细胞无法燃烧。
状态二s2：细胞内有可燃物质但细胞尚未燃烧。
状态三s3：细胞正在燃烧。
状态四s4：细胞已经被烧毁。
状态五s5：经过救援火灾已经被扑灭。
火灾不断蔓延，因此状态不断转化，图4为本发明实施例细胞状态转换图。表5为细胞状态转化规则表。
表5细胞状态转化规则表
集成灭火知识的人工蜂群算法
集成灭火知识的人工蜂群算法abc-ifk(artificialbeecolonywithintegratedfirefightingknowledge)的动机是在每个具有不同救援优先级的火灾分区中，根据合适的森林火灾灭火策略为相应的救援机器人群高效地分配救援任务。
图5为本发明实施例集成灭火知识的人工蜂群算法框架图，在程序执行过程中，分别进行种群编码、种群进化、更新策略进化程度和更新策略进化概率。
种群编码是按照变长编码的方法执行的。图6为本发明实施例种群编码示例图，其中，第二个基因位置的值是3.2，它是通过使用随机数∈[0，nbc](nbc代表燃烧状态的元胞数量,numberofburningcells)生成的。该基因对应于cid＝17的单元格，而此细胞的救援任务被分配给了aid＝3的救援机器人。
种群进化是使用cabc搜索算子、abc/best搜索算子和基于灭火策略的搜索算子改造种群；
cabc搜索的更新方式是通过使用种群中的两个不同解来生成新的解，这使其具有很强的搜索解空间的能力。cabc的计算公式如式(60)所示。
其中，xr1，xr2代表从种群中随机选择的个体，r1,r2∈{1,2,3,…,fn},r1≠r2,fn代表abc算法中蜜源的数量，且fn＝ps/2,ps代表种群大小；
abc/best搜索通过在种群中最优解的附近生成新的解，使其具有较强的局部搜索能力。abc/best搜索的更新公式如式(61),(62)所示：
其中，r1,r2,r3,r4是属于{1,2,3,…,fn}不等于i且互补相等的整数；xbest为当前已知的最优解；
在基于灭火策略的搜索算子(firefighting-strategy-basedsearch，fss)中，本发明使用了如下两种包含在灭火知识库中的森林火灾灭火知识：“单点突破，长线对进突击”策略(single-pointbreakthrough,long-termstrike,sblsstrategy)与“四面包围，全线突击”策略(surroundedonallsides，sasstrategy)。
sbls策略的主要思想是集中救援资源，从火灾蔓延性最强的的方向进行救援，而sas策略则是分散灭火设备资源，从各个方向同时进行灭火，这意味着sbls与sas策略对救援机器人的需求有所不同。因此，我们通过救援压力rp，来选择不同的灭火策略。rp代表了在当前的火灾划分和救援机器人分配的方案下，该火区被成功灭火的难度。rp的计算方式如式(63)所示：
rp＝α(|rcr|/n1)+β(|rcr|/nfc)+(1-α-β)ws(63)
其中，第一项为新增森林燃烧元胞数量与可用救援机器人的比值；第二项新增森林燃烧元胞数量与所有可用救援机器人可以扑灭的元胞数量总和(numberoffirefightingcells,nfc)的比值；ws(windspeed)代表风速，单位为m/s；α和β为调节因子。
搜索策略的进化程度定义为每个搜索策略令个体进化的平均值，用来比较不同搜索策略对种群进化的效果是否更好，在每次选择了某一种搜索策略进行搜索之后，将更新策略进化程度，策略进化程度的计算方法如式(64)，(65)所示：
其中，selecttime表示该搜索策略被选择的次数，singleevolutiondegreei代表第i次使用该策略时的进化程度，fi表示使用该策略前个体的适应度，fi'表示使用该策略后的个体适应度。
在初始状态下，所有搜索策略(cabc,abc/best,fss)的选择概率被初始化为1/3。每次选择了某一种搜索策略进行搜索之后，更新策略进化程度之后会随之更新策略选择概率，更新方式如式(66),(67),(68)所示：
spcabc＝spcabc*(1-λ)+λ*(sedcabc/(sedcabc+sedabc/best+sedfss))(66)
spabc/best＝spabc/best*(1-λ)+λ*(sedabc/best/(sedcabc+sedabc/best+sedfss))(67)
spfss＝spfss*(1-λ)+λ*(sedfss/(sedcabc+sedabcb/est+sedfss))(68)
其中，λ∈[0,1]表示更新的比例，在本文中，我们初始设置其为1，随着种群不断的进化，将其减少至0.2。
- 还没有人留言评论。精彩留言会获得点赞！