智慧风电场升压站机器人巡检全局路径规划方法与流程

本发明属于资源配置领域，具体涉及智慧风电场升压站机器人巡检全局路径规划方法。

背景技术：

1、现有的风电场升压站机器人巡检全局路径规划技术结合花朵授粉算法(fpa)与改进蚁群算法，以应对复杂运行环境下的巡检需求，主要包括以下步骤：

2、1.参数寻优：运用fpa对蚁群算法的参数(信息素重要程度因子α、启发函数重要程度因子β、挥发因子ρ)进行优化，模拟花朵授粉过程(自花授粉与异花授粉)，通过迭代更新可行解直至满足终止条件，输出最优参数；

3、2.参数赋值：设定蚁群算法参数，包括蚂蚁总数m、迭代次数阈值n，以及由fpa得到的α、β、ρ；3.改进蚁群迭代：m只蚂蚁随机放置于节点上，依据信息素浓度、期望程度选择移动方向，遍历所有节点后返回起点，形成完整回路；计算各回路成本，选取成本最低者作为当前最优路径；

4、4.路径更新：完成一次迭代后，更新最优路径集合中各支路的信息素浓度，依据公式调整信息素随迭代的积累与挥发；

5、5.支路贡献计算：计算最优路径中各支路的贡献比例，对超过阈值的支路额外增加信息素；

6、6.迭代判断：检查迭代次数是否达阈值，若是，则输出全局最优巡检路径；若否，返回至参数寻优步骤继续优化；

7、因为这种现有技术结合了花朵授粉算法(fpa)与改进的蚁群算法，涉及多个优化步骤和参数调整，使得整个路径规划过程相对复杂；复杂的算法结构导致计算时间较长，特别是在风电场升压站这种节点数量较大的场景下，多次迭代和多步优化消耗大量计算资源；这不适合实时性要求较高或者硬件资源有限的巡检应用。

技术实现思路

1、本发明的目的在于提供智慧风电场升压站机器人巡检全局路径规划方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：

3、一种智慧风电场升压站机器人巡检全局路径规划方法，包括步骤，步骤s0：为改进蚁群算法预设一组经验性的参数值；

4、步骤s1：初始化改进蚁群算法，设定蚂蚁总数m、迭代次数阈值n；

5、步骤s2：进行蚁群算法迭代过程；在每次迭代开始时，根据当前全局最优解的历史演变情况，动态调整信息素重要程度因子α、启发函数重要程度因子β和挥发因子ρ；

6、步骤s3使用改进蚁群算法进行迭代、选取成本最小路径、更新信息素浓度、计算支路贡献比例、判断迭代终止条件，直至达到迭代次数阈值或满足其他终止条件。

7、进一步，步骤s0经验性的参数值具体包括：

8、信息素重要程度因子α：设置为经验值α0；

9、启发函数重要程度因子β：设置为经验值β0；

10、挥发因子ρ：设置为经验值ρ0；

11、经验性的参数值根据风电场升压站环境特性和巡检任务需求进行选择。

12、进一步，步骤s1具体是：

13、设定蚂蚁总数`m`；

14、设置最大迭代次数阈值`n`，作为算法停止搜索的条件之一，超过这个迭代次数后如果没有找到更好的解决方案，则认为算法已经接近最优解或者陷入局部最优区域；

15、构建风电场升压站的网络拓扑图，每个节点代表待检查设备或区域，每条边代表连接两个节点的实际路径，并附有相应的距离或代价；

16、初始化信息素矩阵，所有路径上的初始信息素浓度均匀分布或根据历史巡检数据赋予一定的先验信息；初始化全局最优解记录，包括当前最短路径及其对应的成本；

17、将每只蚂蚁随机放置在一个起始节点上，并赋予其一个空的路径列表，准备开始遍历网络寻找最优路径。

18、进一步，步骤s2包括：步骤s2.1：计算当前迭代次数t与最近一次全局最优解更新迭代次数t0的间隔δt；计算当前迭代次数`t`；获取并记录上次找到全局最优解的迭代次数`t0`；

19、根据当前迭代次数`t`与最近一次全局最优解更新迭代次数`t0`，计算时间间隔δt＝t-t0；δ`t`反映了当前算法是否陷入局部最优或者在全局范围内有效搜索的程度。

20、进一步，步骤s2包括：步骤s2.2：根据δt和预设的调整规则，对α、β、ρ进行调整；

21、步骤s2.2具体的：

22、如果δ`t`较大，且大于阈值则，增大挥发因子ρ的值，以加速信息素的消散，促使蚂蚁更多地探索未被充分考虑过的路径，打破现有的局部最优陷阱；若δ`t`较小，且小于阈值，则保持挥发因子ρ或者降低持挥发因子ρ，以维持当前较好的搜索空间收敛性能；

23、根据δ`t`和局部解的质量变化、剩余迭代次数调整α和β。

24、进一步，步骤s2包括：步骤s2.3：更新调整后的α、β、ρ值，用于当前迭代周期内蚂蚁的路径选择；步骤s2.3具体的：

25、设定具体的参数调整规则，包括线性递增、指数衰减，并根据δ`t`大小计算出新的α'、β'、ρ'值；

26、将调整后的新参数值α'、β'、ρ'应用于当前迭代周期内的蚂蚁路径选择过程中；

27、在每个迭代周期结束后，检查算法性能，看新的参数设置是否改善了搜索性能；

28、使用更新后的参数继续执行蚁群算法的迭代过程，包括路径选择、信息素更新、支路贡献比例计算步骤，直到达到预设的迭代次数阈值n。

29、进一步，步骤s3具体的：

30、在当前迭代周期t内，每只虚拟蚂蚁按照改进后的蚁群算法进行路径选择；每只蚂蚁根据调整后的参数值α、β、ρ决定在图中节点间的移动概率；具体来说，每个节点被选作下一个访问点的概率由两部分组成：基于信息素强度的选择概率和基于启发式信息的选择概率；

31、所有蚂蚁遍历整个升压站的地图网络，构建各自的巡检路径，并计算对应的路径成本；完成一轮迭代后，根据蚂蚁找到的路径成本更新信息素矩阵；对于发现较优路径的蚂蚁经过的边，增加对应的信息素量；而所有边上的信息素则按照挥发因子ρ进行衰减；

32、比较当前所有蚂蚁找出的路径成本，如果某只蚂蚁找到的成本更低的全局最优路径，则更新全局最优解，并记录下本次更新的迭代次数t0；

33、根据每条支路在最优路径中的重要性和贡献度，进一步计算其信息素更新的加权系数，指导后续蚂蚁在关键支路上的搜索；

34、检查是否达到预设的迭代次数阈值n；如果没有达到阈值，则继续进行下一轮迭代；如果已经达到阈值但全局最优解仍未满足预先设定的收敛标准，则延长迭代次数；

35、在每一次迭代过程中，根据步骤s2.2中动态调整策略，不断监控并调整α、β、ρ这三个核心参数，以适应环境变化和任务需求，促使算法能够在不同的阶段更加有效地探索全局最优路径。

36、进一步，路径成本包括但不限于路径长度、预期巡检时间、潜在危险区域规避成本。

37、有益效果：本技术通过直接设定经验性参数值，省去了花朵授粉算法的参数寻优过程，降低了优化层次；同时，采用基于历史最优解动态调整策略替代复杂的授粉机制，既保持了一定的自适应性，又简化了算法结构；这样做的结果是显著减少了计算时间和所需计算资源，提高了方法的实时性，使其更适合在硬件资源有限或实时性要求较高的风电场升压站巡检应用中使用；在实际应用中，这种方法有望在保证巡检效率和效果的前提下，实现对复杂运行环境的快速响应。