随着智能化工业时代的到来,智能工厂的数量与规模不断扩大,安全防护问题也日益凸显,为了保障厂区和员工安全,如何利用数字孪生、人工智能等新一代信息技术,提高工厂的消防安全水平成为研究的热点,特别是火灾、危险品泄露等事件的应急安全疏散方面。针对这方面问题,本文基于数字孪生、群体智能和边缘计算技术,提出了一种全新的智能工厂安全疏散方法,实现智能火灾发展态势的实时监控和工厂人员高效疏散,有效提升智能工厂的消防安全。本文的主要研究内容如下:
提出了改进樽海鞘群算法BAGSSA(Adaptive Salp Swarm Algorithm with scalefree of BA network and Golden sine),用于安全疏散路径规划,BAGSSA算法是一种融合无标度网络、自适应权重和黄金正弦算法变异策略的樽海鞘群算法。首先,生成一个无标度网络来映射跟随者的关系,增强算法全局寻优的能力,在追随者进化过程中集成自适应权重,以实现算法探索和开发的平衡,同时选用黄金正弦算法变异进一步提高解的精度。其次,通过对12个基准函数的仿真求解,实验数据表明平均值、标准差、Wilcoxon检验和收敛曲线均优于基本樽海鞘群和其他群体智能算法,证明本文算法具有较高的寻优精度和收敛速度。最后,将改进后的算法应用于疏散路径规划问题当中,并在两种测试环境中进行仿真实验,仿真结果表明,改进樽海鞘群算法较其他算法所寻路径更优,并将其应用至数字孪生驱动的安全疏散方法中。
提出了多策略改进樽海鞘群算法ADLSSA(Adaptive Salp Swarm Algorithm with DE mutation operation and Logistics chaotic sequence)算法,引入Logistics混沌序列增加初始种群的多样性,对种群领导者位置进行差分进化变异操作,再对追随者引入自适应惯性权重进行位置更新。其次通过ADLSSA算法优化任务卸载位置,考虑任务执行的最大完成期限与时延松弛变量,加入超时惩罚能耗,提出一种基于ADLSSA的启发式任务卸载算法HTAA(Heuristic task offloading algorithm based on ADLSSA)。通过仿真实验比较在不同时延约束下预卸载位置集合的总任务时延与总任务能耗,且对比同类算法,证明HTAA算法使任务时延与能耗更优,ADLSSA算法有效提升了寻优精度和收敛速度。并将其用于优化调度数字孪生框架中边云资源,避免任务复杂易变而导致的任务时延过长和能耗过大的问题。
提出了数字孪生驱动的安全疏散引导方法框架,此框架综合利用群体智能、边缘计算、数字孪生和物联网技术,有效融合了路径规划算法和边云协同算法,搭建了面向安全疏散的数字孪生框架,并通过仿真实验,来验证基于疏散孪生安全疏散引导方法框架的有效性、可行性。该安全疏散框架节约引导疏散的人力,改善疏散引导的效果,有效提高了疏散路径的准确性与安全性并且解决了目前工厂安全疏散表达方式以二维为主,路径规划无法考虑火灾态势与人员位置的问题。
天然气作为一种比较清洁的一次能源,对于我国实现碳达峰和碳中和的目标具有重要意义。天然气通常以长输管道运输为主,运输中所需的能量主要通过压气站中的压缩机组提供。然而,随着天然气长输管道的不断发展,管输所需的能耗不断增加,如何降低管输能耗已成为亟待解决的问题。因此,本文的研究目的是利用改进樽海鞘群算法对并联压缩机组的负荷分配进行优化,以降低机组的能耗,主要工作如下。本文以并联电驱压缩机组的总能耗最小为目标函数,综合考虑压气站场的约束和机组的约束,建立负荷分配优化模型。针对该问题,本文提出一种基于佳点集、自适应种群划分和自适应惯性权重的改进樽海鞘群算法(Based on Good Point Set of Adaptive Slap Swarm Algorithm,GASSA)。在该算法中,利用这三种改进策略来增强算法的全局搜索能力,帮助算法跳出局部最优解,从而提高优化效果。通过在8个标准的基准函数上进行仿真实验,来验证改进策略的有效性。负荷分配优化问题中包含二进制变量和连续变量,而GASSA算法是一种基于连续变量的优化算法,无法直接处理二进制变量。针对该问题,本文提出一种处理方法。具体而言,采用半连续变量表示压缩机组的开关状态,而非二进制变量,从而简化了搜索空间,降低了优化难度。随后,引入修复法和动态罚函数法来分别处理域孔约束和等式约束,并将其与改进的樽海鞘群算法相结合,建立基于GASSA算法的负荷分配优化流程。为了验证算法的有效性,本文构建一个虚拟的压气站仿真算例,并将GASSA算法和其他4种不同的算法应用于该压气站的负荷分配优化。实验结果表明,相较于其他算法,GASSA算法能够实现更低、更稳定的能耗优化结果。
暂无评论