基于澳大利亚森林火灾的背景-无人机分配优化模型--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于澳大利亚森林火灾的背景-无人机分配优化模型

发表时间：2021/7/28 来源：《中国科技信息》2021年9月上作者：董玉荣王越洋彭湃兰枚芳

[导读]

基于澳大利亚森林火灾的背景-无人机分配优化模型

华北理工大学董玉荣王越洋彭湃兰枚芳 063210

摘要：针对问题，我们使用最速下降法求解多元函数算法。在对文献进行回顾和对该主题进行仔细检查的基础上，我们通过现有数据计算并量化了火灾的大小和发生频率，并将其用作系数，以建立方程式来表达计划的经济性。无人机的范围涵盖了发生火灾的地点以及每个人的通畅沟通，还确保了使用最少的无人机以避免不必要的经济损失。根据得到的方程，采用最速下降法获得在维多利亚州和新南威尔士州布置的无人机的最佳数量。针对第二个问题，我们采用灰色预测模型建立了火势的近似微分方程在第一个问题中进行量化，并对现有数据进行指数平滑检验和非负数检验，以确保模型的准确性。在模型末尾，我们选择使用三个GM（1,1）模型进行建模预测，并对这三个模型的结果进行了残差检验和等级比率偏差检验，得到了火灾情况更为合理的发展趋势。结果表明，澳大利亚的火灾情况将继续增长而不受其他因素的影响。条件，并根据预测结果，讨论了该地区无人机的未来改进。关于澳大利亚的大火，为了更快地扑灭大火，减少人员伤亡，我们需要无人驾驶飞机来推动一线人员探索火势。但是，考虑到经济性和各个方面，必须限制无人机的数量。澳大利亚太大，我们会尽力选择更多特征区域进行分析，根据数据绘制地图，选择区域范围，然后建立相关模型以求解最佳数目并预测未来十年的火灾情况，并将相关计算结果写给维多利亚州政府
关键词：无人机、遗传算法、灰色预测方法、粒子群算法、k均值聚类算法
        正文：在大火数据中，我们消除了可信度小于80的数据。并使用该数据绘制了澳大利亚大火的火灾图，并结合其他数据集（例如经济，气候）来分析澳大利亚着火并确定着火区域。我们采用了k均值聚类分析、遗传算法、灰色预测模型、粒子群算法来计算。
        遗传算法：遗传算法将一组中的所有个体作为对象，并使用随机化技术指导对编码参数空间的有效搜索。其中，选择，交叉和变异构成了遗传算法的遗传运算。参数编码，初始种群设定，适应度函数设计，遗传运算设计和控制参数设定这五个要素构成了遗传算法的核心内容。在这个问题上，我们得到的数据都是离散数据。根据遗传算法的主要特点，可以知道遗传算法直接作用于结构对象，对派生和函数连续性没有限制。它具有固有的隐藏性。并行性和更好的全局优化能力；使用概率优化方法，您无需确定规则即可自动获得和指导优化的搜索空间，并自适应地调整搜索方向。我们的数据与遗传算法的特征非常吻合，因此我们选择遗传算法。
        模型建立：在第一个问题中，我们需要使用火的大小和频率作为确定维多利亚州和威尔逊州无人驾驶飞机数量的参数。我们将获得的火力数据量化为无人机数量的影响因素。为了更清楚地确定无人机的数量，我们还需要在已知无人机的监视范围时获得火警的面积s。在查阅了文献之后，我们发现发生火灾时可以使用数据中的火焰。辐射频率，计算着火时的表面温度T。我们将frp视为当时的热辐射强度，因为我们假设它以每秒10米的速度在火场中传播。着火点的辐射频率是一个瞬时值，其值等于强度等于辐射能量。辐射的能量和温度首先是正相关的，因此我们在此处直接输入frp。第一个问题是我们将无线电直放站无人机与地面人员之间的距离设为2公里，因为这样做是为了确保所有人的安全人员。

        由此我们可以得到一个可以解决无人机数量的公式，并使用遗传算法求出最小值151。为了确保监控的安全性，我们分别增加了15个中继器和15个无人机以确保监控效果。根据计算出的无人驾驶飞机总数，我们可以发现无线电转发器无人驾驶飞机的数量为83和25，SSA无人驾驶飞机的数量为3.32。我们采用了灰色预测和粒子群算法来计算无人机最合适的数量为4000个。
        模型优点：灰色预测模型不需要样本的有规律分布，适用于短期，中期和长期的预测，与其他预测模型相比，灰色预测的准确性较高，并且优点是：此外，在收集数据的过程中，我们发现一些数据不完整，适合灰色预测模型.GM（1,1）使用原始的离散非负数据列。我们获得的数据是根据不同的经纬度和时间确定的，而纬度，时间和时间不是相干数据，相对来说更适合于灰色预测
这里的粒子群算法参数少，易于实现，收敛速度快。我们设计的公式不是高度线性的，并且是一个相对困难的组合问题。在这里，我们需要不断进行优化以获得合适的解决方案，因此我们使用粒子群优化。
        遗传算法具有分组搜索的特点。它的搜索过程从具有多个个人的初始组P（0）开始。一方面，它可以有效地避免搜索一些不需要搜索的点。另一方面，由于传统的单点搜索方法在搜索多峰分布的搜索空间时容易陷入局部单峰的极点，因此遗传算法的群搜索功能可以避免这一问题。它反映了遗传算法的并行化和更好的全局搜索。
        模型缺点：众所周知，在使用灰色预测模型之前，应对数据进行指数平滑测试。在该试验的过程中，得到的结果是平滑度比小于0.5为60％，并且通常满足平滑度比的临界值小于0.5占60％。相对而言，该测试结果表明该数据不满足灰色预测的要求。当数据的平滑度很差时，使用GM（1,1）进行建模和预测会产生较大的误差。粒子群中的常数太多，您需要不断修改设置以找到最合适的最佳值。遗传算法在编码时容易出现不规则性和不准确性。