油田巡檢路徑規(guī)劃中的深度學(xué)習(xí)算法應(yīng)用

摘要：采油廠特殊地區(qū)因建設(shè)時(shí)期短，面臨井位分散、地形復(fù)雜、人員配備少等問題。針對巡檢維護(hù)工作中信息更新周期長、巡檢路線難規(guī)劃、力量分散、突發(fā)情況多等難點(diǎn)，設(shè)計(jì)基于遺傳算法巡檢路徑規(guī)劃方法。利用MATLAB軟件建立仿真平臺(tái)，分別對8個(gè)地點(diǎn)、30個(gè)地點(diǎn)進(jìn)行路徑規(guī)劃實(shí)驗(yàn)。結(jié)果表明：8個(gè)地點(diǎn)最短路徑2.8937，100次實(shí)驗(yàn)中98次收斂到最優(yōu)解；30個(gè)地點(diǎn)最短路程424.8693。實(shí)驗(yàn)驗(yàn)證遺傳算法在30個(gè)地點(diǎn)以下規(guī)模場景中效果顯著，為油田特殊地區(qū)巡檢工作提供科學(xué)路徑參考，具有較強(qiáng)實(shí)用價(jià)值。

關(guān)鍵詞：油田巡檢；路徑規(guī)劃；遺傳算法；MATLAB仿真；機(jī)器人仿真

一、前言

采油廠特殊地區(qū)井巡檢維護(hù)工作面臨諸多挑戰(zhàn)。受限于建設(shè)時(shí)期短，出現(xiàn)人員配備少、井位分散、地形復(fù)雜等問題。部分區(qū)塊為產(chǎn)氣井，地形高度差大，道路多為山路。信息更新周期長，流轉(zhuǎn)難以標(biāo)準(zhǔn)化、實(shí)時(shí)化，相關(guān)數(shù)據(jù)監(jiān)督困難。巡檢路線規(guī)劃難度大，巡檢力量分散，配置難以優(yōu)化。巡檢途中突發(fā)情況頻發(fā)，安全風(fēng)險(xiǎn)突出。遺傳算法作為一種智能優(yōu)化方法，通過群體搜索策略實(shí)現(xiàn)路徑優(yōu)化，對解決巡檢路徑規(guī)劃問題具有重要意義。

二、機(jī)器人仿真路徑規(guī)劃概述

路徑規(guī)劃技術(shù)是機(jī)器人仿真研究領(lǐng)域中重要組成部分。在有障礙物工作環(huán)境下，按照運(yùn)動(dòng)路線最短、所用時(shí)間最少等評價(jià)標(biāo)準(zhǔn)，機(jī)器人仿真需從起點(diǎn)到終點(diǎn)尋找一條安全運(yùn)動(dòng)路徑。路徑規(guī)劃方法主要包括智能規(guī)劃、幾何規(guī)劃等類型。智能規(guī)劃方法中，遺傳算法源于生物界自然選擇機(jī)制，由美國Michigan大學(xué)Holland教授于1962年提出[1]，70年代DeJong在計(jì)算機(jī)上進(jìn)行大量純數(shù)值函數(shù)優(yōu)化實(shí)驗(yàn)，80年代由Goldberg歸納總結(jié)形成基本框架。遺傳算法采用群體搜索策略，通過群體個(gè)體間信息交換完成搜索，廣泛應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、自適應(yīng)控制等領(lǐng)域[2]。幾何規(guī)劃方法利用幾何圖形知識(shí)在滿足優(yōu)化準(zhǔn)則條件下進(jìn)行路徑規(guī)劃，通過幾何計(jì)算判斷碰撞可能性，將多種曲線組合作為越過障礙物路徑。采油廠特殊地區(qū)因地形復(fù)雜、井位分散，在井巡檢工作中面臨信息更新滯后、路線規(guī)劃困難、巡檢力量分散等問題。針對這些難點(diǎn)，通過遺傳算法對巡檢路徑進(jìn)行優(yōu)化設(shè)計(jì)，建立MATLAB仿真實(shí)驗(yàn)平臺(tái)，實(shí)現(xiàn)機(jī)器人仿真路徑規(guī)劃輔助決策。

三、遺傳算法基本原理與設(shè)計(jì)

（一）遺傳算法基本原理

遺傳算法模擬自然界生物進(jìn)化過程，通過群體搜索策略實(shí)現(xiàn)優(yōu)化。算法將優(yōu)勝劣汰、適者生存原理引入優(yōu)化參數(shù)編碼串聯(lián)群體中，按適配值函數(shù)篩選個(gè)體。通過復(fù)制、交叉、變異對個(gè)體進(jìn)行操作，保留適配值高個(gè)體組成新群體[3]。復(fù)制操作根據(jù)位串適配值進(jìn)行選擇，具有高適配值位串在下代產(chǎn)生更多子孫。交叉操作模擬生物繁殖現(xiàn)象，通過染色體交換組合產(chǎn)生新品種。變異操作模擬基因突變，隨機(jī)改變遺傳基因值。遺傳算法計(jì)算兩點(diǎn)間距離采用公式（1）：

（1）

m、n表示兩個(gè)地點(diǎn)編號，x、y為對應(yīng)坐標(biāo)值。

遺傳算法構(gòu)造步驟包括確定決策變量約束條件、建立優(yōu)化模型、確定染色體編碼方式、設(shè)計(jì)評價(jià)方法、設(shè)計(jì)遺傳算子、確定運(yùn)行參數(shù)、確定編碼方法。算法通過種群進(jìn)化不斷提高個(gè)體適應(yīng)度，直至滿足終止條件。

（二）TSP問題的編碼

TSP問題旨在求解通過所有地點(diǎn)且每點(diǎn)僅通過一次最短回路。TSP描述方式包括連接路線順序排列、地點(diǎn)順序排列兩種。遺傳算法多采用地點(diǎn)遍歷次序編碼，目標(biāo)函數(shù)取路徑長度。群體中每個(gè)個(gè)體長度為N（N為地點(diǎn)總數(shù)），編碼規(guī)則采用N進(jìn)制，每基因從1到N整數(shù)中取值。定義s行t列pop矩陣表示群體，t為地點(diǎn)個(gè)數(shù)加1，s為樣本個(gè)體數(shù)目。TSP問題目標(biāo)函數(shù)采用公式（2）：

（2）

其中，dist（i，i+1）表示相鄰兩點(diǎn)間距離。

針對30個(gè)地點(diǎn)TSP問題，t取31，矩陣每行前30元素表示經(jīng)過地點(diǎn)編號，最后元素表示路徑距離。群體初始化、交叉操作、變異操作需考慮TSP合法約束條件，確保每個(gè)地點(diǎn)僅被訪問一次。

（三）TSP問題的遺傳算法設(shè)計(jì)

遺傳算法設(shè)計(jì)包括參數(shù)編碼初始化、路徑長度計(jì)算、選擇算子、交叉算子、變異算子五個(gè)步驟。參數(shù)編碼采用群體矩陣表示，通過隨機(jī)排列生成初始群體。路徑長度計(jì)算基于歐氏距離，選擇算子采用最優(yōu)保存方法[4]。交叉算子采用有序交叉法，隨機(jī)選取交叉點(diǎn)進(jìn)行基因重組。變異算子采用倒置變異法，隨機(jī)選擇兩點(diǎn)倒置中間部分。自適應(yīng)度函數(shù)采用公式（3）：

（3）

其中，f（x）為路徑總長度。算法參數(shù)設(shè)置方面，交叉概率取0.1，變異概率取0.8，種群數(shù)量為地點(diǎn)數(shù)的1～2.5倍。

遺傳操作需保證TSP約束條件，選擇運(yùn)算建立在群體個(gè)體適應(yīng)度評估基礎(chǔ)上，交叉運(yùn)算模擬染色體重組產(chǎn)生新個(gè)體，變異運(yùn)算隨機(jī)改變個(gè)體基因。算法通過迭代進(jìn)化優(yōu)化路徑長度，直至達(dá)到最大進(jìn)化代數(shù)或滿足收斂條件。

四、基于MATLAB的路徑規(guī)劃仿真實(shí)驗(yàn)

（一）實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

MATLAB提供多種遺傳算法工具箱，其中，英國謝菲爾德大學(xué)的MATLAB遺傳算法工具箱和美國北卡羅來納州立大學(xué)的GAOT工具箱較為完備。實(shí)驗(yàn)采用MATLAB7.0版本，利用其矩陣運(yùn)算函數(shù)實(shí)現(xiàn)遺傳算法。對于8點(diǎn)優(yōu)化實(shí)驗(yàn)，設(shè)定群體個(gè)數(shù)s=30，交叉概率Pc=0.10，變異概率Pm=0.80。群體數(shù)量通過公式（4）確定：

（4）

30個(gè)地點(diǎn)優(yōu)化時(shí)，群體個(gè)體數(shù)目取1500。實(shí)驗(yàn)數(shù)據(jù)存儲(chǔ)在cities8.txt和cities30.txt文件中。采用靜態(tài)環(huán)境模型，考慮障礙物檢測、路徑搜索和平滑處理。系統(tǒng)進(jìn)化代數(shù)分別設(shè)為50代和300代，通過調(diào)整進(jìn)化代數(shù)觀察優(yōu)化效果。用戶可通過命令行函數(shù)根據(jù)實(shí)際需求編寫MATLAB程序。

（二）計(jì)算路徑長度函數(shù)設(shè)計(jì)

路徑長度計(jì)算采用yichuandis.m程序?qū)崿F(xiàn)，針對群體中每個(gè)個(gè)體計(jì)算完整路徑長度。兩地點(diǎn)間距離基于歐氏距離公式計(jì)算，考慮橫、縱坐標(biāo)差值。對于包含t個(gè)地點(diǎn)樣本，路徑總長度通過公式（5）計(jì)算：

（5）

其中，dist表示歐氏距離，pi表示路徑中第i個(gè)地點(diǎn)。

路徑長度函數(shù)設(shè)計(jì)考慮路徑閉合要求，起點(diǎn)、終點(diǎn)相同構(gòu)成回路。計(jì)算過程采用矩陣運(yùn)算方式提高效率，將路徑序列轉(zhuǎn)換為坐標(biāo)序列進(jìn)行批量距離計(jì)算。函數(shù)設(shè)計(jì)包含路徑有效性檢驗(yàn)，確保路徑滿足TSP約束[5]。計(jì)算結(jié)果存儲(chǔ)于群體矩陣最后一列，便于后續(xù)適應(yīng)度評價(jià)使用。路徑長度計(jì)算結(jié)果直接影響個(gè)體適應(yīng)度，進(jìn)而影響選擇、交叉、變異操作效果。針對TSP問題，編碼規(guī)則通常取N進(jìn)制編碼，每個(gè)基因從1至N整數(shù)值中取一個(gè)值，每個(gè)個(gè)體長度為N，N為地點(diǎn)總數(shù)。定義s行t列pop矩陣表示群體，t為地點(diǎn)個(gè)數(shù)加1，s為樣本個(gè)體數(shù)目。

（三）選擇算子計(jì)算

選擇算子通過yichuanselect.m函數(shù)實(shí)現(xiàn)，采用最優(yōu)保存策略。選擇操作基于個(gè)體適應(yīng)度評估，將群體中適應(yīng)度較大c個(gè)個(gè)體直接替換適應(yīng)度較小c個(gè)個(gè)體。選擇概率按公式（6）計(jì)算：

（6）

其中，F(xiàn)（i）表示個(gè)體i適應(yīng)度值，分母為群體總適應(yīng)度。

選擇算子實(shí)現(xiàn)包括適應(yīng)度排序、elite保留、輪盤賭選擇三個(gè)環(huán)節(jié)。適應(yīng)度排序?qū)θ后w個(gè)體按適應(yīng)度降序排列，elite保留直接復(fù)制最優(yōu)個(gè)體到下一代。輪盤賭選擇根據(jù)個(gè)體選擇概率進(jìn)行隨機(jī)抽樣，選擇概率與個(gè)體適應(yīng)度成正比[6]。選擇操作通過優(yōu)勝劣汰機(jī)制提升群體整體素質(zhì)，保持群體多樣性防止早熟收斂。復(fù)制是從舊種群中選擇生命力強(qiáng)個(gè)體位串產(chǎn)生新種群過程，具有高適配值位串更可能在下代產(chǎn)生子孫，模擬自然界適者生存現(xiàn)象。復(fù)制操作可通過隨機(jī)方法實(shí)現(xiàn)，計(jì)算方法采用適應(yīng)度比例法、期望值法、排位次法等。

（四）交叉與變異算子設(shè)計(jì)

交叉算子通過yichuancross.m實(shí)現(xiàn)，采用有序交叉法。隨機(jī)選取兩個(gè)交叉點(diǎn)，對配對個(gè)體進(jìn)行部分基因重組。變異算子通過yichuanmutate.m實(shí)現(xiàn)，采用倒置變異法。對選中個(gè)體隨機(jī)選擇兩點(diǎn)，將中間部分基因序列倒置。交叉變異概率通過公式（7）動(dòng)態(tài)調(diào)整：

（7）

其中，P0為初始概率，t為當(dāng)前代數(shù)，T為最大代數(shù)。

交叉操作保持父代優(yōu)良基因，變異操作增加群體多樣性。兩種算子協(xié)同作用，在保持群體優(yōu)良特征基礎(chǔ)上產(chǎn)生新的可行解，避免陷入局部最優(yōu)。算子設(shè)計(jì)需確保操作后個(gè)體滿足TSP約束條件，每個(gè)地點(diǎn)訪問且僅訪問一次。所有遺傳操作基于MATLAB矩陣運(yùn)算實(shí)現(xiàn)，提高計(jì)算效率。TSP問題編碼采用地點(diǎn)遍歷次序，目標(biāo)函數(shù)取路徑長度。群體初始化、交叉操作、變異操作需考慮TSP合法約束性條件，確保對所有地點(diǎn)做到不重不漏。有序交叉法能有效繼承雙親部分基因成分，實(shí)現(xiàn)進(jìn)化過程遺傳功能。

五、實(shí)驗(yàn)結(jié)果與分析

（一）8點(diǎn)路徑優(yōu)化分析

在8個(gè)地點(diǎn)路徑優(yōu)化實(shí)驗(yàn)中，設(shè)定群體個(gè)數(shù)30、交叉概率0.10、變異概率0.80。經(jīng)過50次進(jìn)化迭代后，最小路徑長度達(dá)到2.8937。在100次仿真實(shí)驗(yàn)中，98%以上可收斂到最優(yōu)解。實(shí)驗(yàn)表明，該場景下最佳參數(shù)配置為交叉概率0.1、變異概率0.8，種群數(shù)量為地點(diǎn)數(shù)的1～2.5倍。實(shí)驗(yàn)采用MATLAB 7.0版本實(shí)現(xiàn)，利用英國謝菲爾德大學(xué)的遺傳算法工具箱完成。該工具箱采用矩陣函數(shù)建立通用工具，通過命令行形式函數(shù)實(shí)現(xiàn)遺傳算法核心功能。如圖1所示，8個(gè)地點(diǎn)優(yōu)化后路徑明顯縮短，消除了重復(fù)往返現(xiàn)象，優(yōu)化效果顯著，驗(yàn)證了遺傳算法在小規(guī)模場景中的應(yīng)用可行性，為后續(xù)擴(kuò)大應(yīng)用范圍奠定了基礎(chǔ)。

（二）30點(diǎn)路徑優(yōu)化分析

在30個(gè)地點(diǎn)的優(yōu)化實(shí)驗(yàn)中，參數(shù)設(shè)定為群體個(gè)數(shù)1500、交叉概率0.10、變異概率0.80。經(jīng)過300次進(jìn)化迭代，最小路徑長度達(dá)到424.8693。實(shí)驗(yàn)采用MATLAB遺傳算法工具箱實(shí)現(xiàn)，包含參數(shù)編碼、適應(yīng)度計(jì)算、選擇操作、交叉操作、變異操作等核心組件。算法采用靜態(tài)環(huán)境模型，主要針對已知環(huán)境下的路徑規(guī)劃問題。描述方法采用巡回路線所經(jīng)過各個(gè)地點(diǎn)順序排列，以所遍歷地點(diǎn)順序表示個(gè)體編碼串。如圖2所示，在30個(gè)地點(diǎn)場景下，優(yōu)化算法仍能有效降低路徑總長度，體現(xiàn)出良好的規(guī)劃能力。實(shí)驗(yàn)結(jié)果表明遺傳算法具備較強(qiáng)的全局搜索能力，為解決實(shí)際油田巡檢路徑規(guī)劃問題提供了重要參考。

（三）算法性能評估

遺傳算法的主要優(yōu)勢在于具有隱并行性，適用于全局搜索，其多點(diǎn)搜索特性增加了找到全局最優(yōu)解的可能性，不過也存在運(yùn)算速度較慢、占用存儲(chǔ)空間大等缺點(diǎn)，且常規(guī)遺傳算法可能出現(xiàn)早熟收斂、局部尋優(yōu)能力差等問題。算法直接使用目標(biāo)函數(shù)值作為搜索信息，不受連續(xù)可微約束，定義域可任意設(shè)定。實(shí)驗(yàn)證明，該方法對移動(dòng)機(jī)器人仿真路徑規(guī)劃具有較好效果。適應(yīng)度函數(shù)設(shè)計(jì)對算法性能影響重大，合理設(shè)計(jì)能提高進(jìn)化效率。與傳統(tǒng)單點(diǎn)搜索相比，遺傳算法同時(shí)處理多個(gè)個(gè)體，具有更好的全局搜索性能。雖然實(shí)驗(yàn)環(huán)境為靜態(tài)，但該算法同樣適用于動(dòng)態(tài)環(huán)境中的移動(dòng)機(jī)器人自主移動(dòng)問題。

（四）應(yīng)用推廣建議

針對油田特殊地區(qū)井巡檢工作，遺傳算法路徑規(guī)劃系統(tǒng)能有效解決多項(xiàng)實(shí)際難題，包括信息更新滯后、路線規(guī)劃困難、巡檢力量分散等。系統(tǒng)可實(shí)現(xiàn)全流程輔助監(jiān)督，優(yōu)化區(qū)塊巡檢力量配置，降低安全風(fēng)險(xiǎn)，及時(shí)處理突發(fā)事件。特殊地區(qū)油田面臨建設(shè)時(shí)間短、人員配備少、井位分散、地形復(fù)雜等挑戰(zhàn)，且部分區(qū)塊為產(chǎn)氣井，地形高度差大，道路多為山路。遺傳算法能較為合理地設(shè)計(jì)地點(diǎn)間運(yùn)動(dòng)路徑，實(shí)現(xiàn)機(jī)器人仿真路徑規(guī)劃。未來研究應(yīng)關(guān)注算法在動(dòng)態(tài)環(huán)境、未知地圖、參數(shù)自動(dòng)優(yōu)化等方面的應(yīng)用，不斷提升系統(tǒng)智能化水平，為油田特殊地區(qū)巡檢工作提供更可靠的技術(shù)支持。

六、結(jié)語

遺傳算法通過模擬自然選擇機(jī)制解決路徑規(guī)劃問題，實(shí)驗(yàn)驗(yàn)證了其在油田特殊地區(qū)巡檢應(yīng)用中取得積極成效。當(dāng)巡檢點(diǎn)數(shù)量為30以下時(shí)，規(guī)劃效果顯著，8個(gè)地點(diǎn)實(shí)驗(yàn)98%以上可收斂最優(yōu)解。該方法能有效解決巡檢工作中路線規(guī)劃、力量配置、風(fēng)險(xiǎn)防范等難題，為油田特殊地區(qū)井巡檢工作提供高效管理工具。隨著對動(dòng)態(tài)環(huán)境、未知地圖、參數(shù)自動(dòng)優(yōu)化等問題研究深入，巡檢路徑規(guī)劃技術(shù)水平將不斷提升，為油田智能化發(fā)展提供更可靠技術(shù)支撐。

參考文獻(xiàn)

[1]Seder M ，Mostarac P ，Petrovi? I .Hierarchical path planning of mobile robots in complex indoor environments[J].Transactions of the Institute of Measurement amp; Control，2011，33（3-4）：332-358.

[2]Grefenstette.J.J. Genetic Algorithms for the salesman problem[C] Proceedings of the First International Conference on Genetic Algorithms.Lawrence Erbaum Associates Publishers，1985：160-165.

[3]Gahinet P， Nemirovski A， Laub A， etal.LMI control toolbox user’s guide [M].MA： The Math-Works，Natick，1995.

[4]李愛萍，李元宗.機(jī)器人仿真路徑規(guī)劃方法的研究[J].機(jī)械工程與自動(dòng)化，2009，156（05）：194-196.

[5]徐秀娜，賴汝.移動(dòng)機(jī)器人仿真路徑規(guī)劃技術(shù)的現(xiàn)狀與發(fā)展[J].計(jì)算機(jī)仿真，2006，23（01）：1-4.

[6]畢慧敏，董海鷹.改進(jìn)遺傳算法在機(jī)器人仿真路徑規(guī)劃中的應(yīng)用[J].測控技術(shù)，2006，25（04）：53-55

作者單位：大慶油田有限責(zé)任公司第一采油廠

■ 責(zé)任編輯：張津平 尚丹