一种智慧旱雪场的浇水控制方法与流程

1.本发明属于智能洒水技术领域，特别是涉及一种智慧旱雪场的浇水控制方法。


背景技术：

2.人工智能技术已成为国民经济的重要支柱,并已列入国家的中长期战略发展规划。作为人工智能技术的核心,智能算法得到了极大的发展和普遍的重视。针对当前旱雪场洒水系统的智能化已成为时代发展趋势。
3.当前旱雪场洒水系统遇到的众多问题，例如干燥中心的选址，洒水区域的确定等，均可归结为最优化问题。随着科技与社会的发展，现实优化问题也日趋复杂，朝着高维度、非线性、大规模等方向发展，这为优化理论的研究与实际工程结合提出了新的挑战。传统的优化理论方法包括单纯形法、二次规划法、牛顿法、内点法、梯度法等。
4.传统方法的不足之处有两点：1)待优化问题需满足特定的数学特性，例如可凸性、可导性、可微性等；2)解决大规模复杂优化问题的能力有限，无法满足实际管理与工程优化的需求。


技术实现要素：

5.有鉴于此，本发明的发明目的在于提供一种智慧旱雪场的浇水控制方法，基于传感器阵列建模，并通过智能算法来确定洒水位置。
6.为实现上述发明目的，本发明提供了以下技术方案：
7.本发明提供了一种智慧旱雪场的浇水控制方法，所述智慧旱雪场的滑雪跑道上分布有湿度传感器阵列；所述方法包括：
8.基于所述湿度传感器阵列，采用插值方法建立旱雪场的三维数学模型；
9.针对所述三维数学模型，在有约束的条件下，采用粒子群算法确定需浇水区域的全局最优解；
10.基于需浇水区域，确定干燥梯度图；
11.将所述干燥梯度图的中心作为浇水中心，以所述中心为圆心画最小圆，使其包含所有的干燥部分，将所述最小圆的半径作为浇水半径；
12.按照所述浇水中心和所述浇水半径控制喷头对旱雪场洒水。
13.进一步地，还包括：基于所述湿度传感器阵列采集的旱雪场湿度值，判断是否洒水，以及洒水的方向和用量。
14.进一步地，采用插值方法建立旱雪场的三维数学模型，包括：采用插值方法建立旱雪场的立体梯度模型。
15.进一步地，按照所述浇水中心和所述浇水半径控制喷头对旱雪场洒水，包括：
16.根据喷头的滑动模块和转动模块分别控制喷头的洒水远近和洒水扇形宽度。
17.进一步地，采用粒子群算法确定需浇水区域的全局最优解，包括：
18.初始化参数，包括：初始化种群个数为500，随机初始化种群的位置，初始粒子范围
为整个采样空间，初始化粒子速度为1.5m/s，惯性权重为0.8，即个体历史成绩对现在的影响，自我学习因子0.5，群学习因子0.5，停止条件为最大迭代次数为300；
19.计算粒子目标函数值；目标函数通过在约束条件下针对三维数据模型进行图像拟合得到；所述约束条件为湿度范围低于40％且不高于60％；
20.基于粒子目标函数值，确定全局最优粒子；
21.更新粒子速度和位置；更新公式为：
22.v
id
＝ωv
id
c1random(0,1)(p
id
‑
x
id
) c2random(0,1)(p
gd
‑
x
id
)
23.x
id
＝x
id
v
id
24.其中，v
id
为粒子速度，x
id
为粒子位置，ω称为惯性因子，c1和c2称为加速常数，c1＝c2∈[0,4]；random(0,1)表示区间[0，1]上的随机数；p
id
表示第i个变量的个体极值的第d维；p
gd
表示全局最优解的第d维；
[0025]
计算粒子更新后的目标函数值；
[0026]
判断粒子是否收敛，如果收敛或达到最大迭代次数，则输出最优解，如果不收敛，则返回执行确定全局最优粒子的步骤。
[0027]
本发明的优点和积极效果：
[0028]
本发明中，基于传感器阵列建模、利用人工智能算法求解洒水区域以及洒水量，解决了传统问题人工浇水所面临的无法精确控制浇水水量以及无法精确定位浇水区域等问题，从而达到时刻保持旱雪场滑道的湿度，提高滑道的使用寿命并且使滑道的湿度可控，使滑道难度调节更灵活。
附图说明
[0029]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明实施例中一种智慧旱雪场的浇水控制方法的流程示意图；
[0031]
图2为本发明实施例中粒子群算法的流程图；
[0032]
图3为本发明实施例中粒子群算法寻找最佳洒水位置的仿真结果图；
[0033]
其中，(a)为插值前；(b)为插值后；
[0034]
图4为本发明实施例中粒子群算法的收敛过程；
[0035]
其中，(a)为插值前；(b)为插值后。
具体实施方式
[0036]
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0037]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0038]
本发明提供了一种智慧旱雪场的浇水控制方法，该方法中采用湿度传感器组成方形阵列；采用插值方法绘制传感器阵列的具体模型，使用智能算法确定在约束条件下全局最优解，采用新的方法控制喷头喷洒；新方法为先求去所需喷洒干燥部分的中心，然后由中心画最小圆，使其包含所有的干燥部分，最后由圆心确定喷洒方向，由圆半径确定喷洒范围。该方法的好处不仅可以快速的找到在三维模型下的全局最优解，而且简单容易实现，需要调整的参数少。
[0039]
参见图1，其示出了本发明实施例中一种智慧旱雪场的浇水控制方法的流程图；该方法包括：
[0040]
s1、基于湿度传感器阵列，采用插值方法建立旱雪场的三维数学模型；
[0041]
具体地，采用插值方法建立旱雪场的立体梯度模型。
[0042]
其中，采用的插值公式如下：
[0043]
n
n
(x)＝f[x0] f[x0,x1](x
‑
x0)
[0044]
f[x0,x1,x2](x
‑
x0)(x
‑
x1)
…
[0045]
f[x0,x1,
…
,x
n
](x
‑
x0)
…
(x
‑
x
n
‑1)
[0046]
其中，f[x0,x1,
…
,x
n
]为第n阶差商。
[0047]
s2、针对三维数学模型，在有约束的条件下，采用粒子群算法确定需浇水区域的全局最优解；
[0048]
其中，约束条件具体为：湿度范围低于40％且不高于60％。
[0049]
求取全局最优解的智能算法除了粒子群算法，还可以采用神经网络算法，还可以采用粒子群算法与神经网络结合。
[0050]
s3、基于需浇水区域，确定干燥梯度图；
[0051]
s4、将干燥梯度图的中心作为浇水中心，以中心为圆心画最小圆，使其包含所有的干燥部分，将最小圆的半径作为浇水半径；
[0052]
其中，洒水的覆盖范围大于等于干燥范围。
[0053]
s5、按照浇水中心和浇水半径控制喷头对旱雪场洒水；
[0054]
控制喷头时，可以根据喷头内部原理，确定喷头浇水区域；具体地，根据喷头的滑动模块和转动模块分别控制喷头的洒水远近和洒水扇形宽度，来控制喷头浇水区域。
[0055]
s6、基于湿度传感器阵列采集的旱雪场湿度值，判断是否洒水，以及洒水的方向和用量。
[0056]
具体地，在湿度范围低于40％时确定需要洒水，洒水的用量：以近雾化水珠的方式持续喷水。
[0057]
如图2所示，其示出了本发明实施例中利用粒子群算法寻找最佳洒水位置的流程图，初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置，当检测
到算法陷入局部最优时，利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习，将其迅速牵引出局部最优区域，反向学习过程可改善粒子种群的多样性，保证了算法的全局探测能力；同时，利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索，该过程可与粒子群的飞行过程并行执行，且局部学习的缩放因子可随进化过程动态调节，局部学习可提高算法的求解精度，保证算法的迅速收敛。粒子群中个体极值为每个粒子找到的历史上最优的位置信息，并从这些个体历史最优解中找到一个全局最优解，并与历史最优解比较，选出最佳的作为当前的历史最优解。
[0058]
具体包括：
[0059]
s201、初始化参数；
[0060]
具体包括：初始化种群个数为500，随机初始化种群的位置，初始粒子范围为整个采样空间，初始化粒子速度为1.5m/s，惯性权重为0.8，即个体历史成绩对现在的影响，自我学习因子0.5，群学习因子0.5，停止条件为最大迭代次数为300。
[0061]
s202、计算粒子目标函数值；目标函数通过在约束条件下针对三维数据模型进行图像拟合得到；所述约束条件为湿度范围低于40％且不高于60％；
[0062]
s203、基于粒子目标函数值，确定全局最优粒子；
[0063]
s204、更新粒子速度和位置；
[0064]
更新公式为：
[0065]
v
id
＝ωv
id
c1random(0,1)(p
id
‑
x
id
) c2random(0,1)(p
gd
‑
x
id
)
[0066]
x
id
＝x
id
v
id
[0067]
其中，v
id
为粒子速度，x
id
为粒子位置，ω称为惯性因子，c1和c2称为加速常数，c1＝c2∈[0,4]；random(0,1)表示区间[0，1]上的随机数；p
id
表示第i个变量的个体极值的第d维；p
gd
表示全局最优解的第d维。
[0068]
s205、计算粒子更新后的目标函数值；
[0069]
s206、判断粒子是否收敛，如果收敛或达到最大迭代次数，则输出最优解，如果不收敛，则返回执行s203。
[0070]
如图3和图4所示，图3示出了本发明实施例中粒子群算法寻找最佳洒水位置的仿真结果图；其中，(a)为插值前；(b)为插值后；图4示出了本发明实施例中粒子群算法的收敛过程；其中，(a)为插值前；(b)为插值后。通过实践表明，插值前粒子群可能陷入局部最优解，插值后粒子群更容易找到全局最优解，且插值后粒子群收敛速度更快。
[0071]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。