買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜廣東海洋大學申請的專利基于多源數(shù)據(jù)和環(huán)境感知的海洋網(wǎng)箱無人船智能巡檢方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN119849864B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-05-30發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510302714.6，技術領域涉及：G06Q10/0631；該發(fā)明授權基于多源數(shù)據(jù)和環(huán)境感知的海洋網(wǎng)箱無人船智能巡檢方法是由何泰華;高溦;張濤;賈書凝;伍尚鏗;溫宇;陳瑤設計研發(fā)完成，并于2025-03-14向國家知識產(chǎn)權局提交的專利申請。

本基于多源數(shù)據(jù)和環(huán)境感知的海洋網(wǎng)箱無人船智能巡檢方法在說明書摘要公布了：本發(fā)明提供一種基于多源數(shù)據(jù)和環(huán)境感知的海洋網(wǎng)箱無人船智能巡檢方法，包括：采集海洋網(wǎng)箱群區(qū)域的多源海洋環(huán)境數(shù)據(jù)并進行預處理，同時獲取網(wǎng)箱分布信息、網(wǎng)箱巡檢任務需求和各個無人船的初始狀態(tài)；利用改進的隨機森林模型預測無人船數(shù)量；采用改進的遺傳算法生成若干條最優(yōu)巡檢路徑；將若干條最優(yōu)巡檢路徑智能分配給各個無人船，各個無人船分別根據(jù)其分配到的路徑進行巡檢；本發(fā)明能夠綜合利用由部署于網(wǎng)箱群區(qū)域的固定監(jiān)測站和無人船自身傳感器采集的多源海洋環(huán)境數(shù)據(jù)，實現(xiàn)無人船巡檢路徑預先規(guī)劃、任務智能分配以及巡檢過程動態(tài)調整，從而提高巡檢效率、保障巡檢安全、優(yōu)化資源配置，以及提升海洋養(yǎng)殖管理的智能化水平。

本發(fā)明授權基于多源數(shù)據(jù)和環(huán)境感知的海洋網(wǎng)箱無人船智能巡檢方法在權利要求書中公布了：1.一種基于多源數(shù)據(jù)和環(huán)境感知的海洋網(wǎng)箱無人船智能巡檢方法，其特征在于，包括以下步驟：S1：采集海洋網(wǎng)箱群區(qū)域的多源海洋環(huán)境數(shù)據(jù)并進行預處理，同時獲取網(wǎng)箱分布信息、網(wǎng)箱巡檢任務需求以及各個無人船的初始狀態(tài)；S2：基于預處理后的多源海洋環(huán)境數(shù)據(jù)，利用改進的隨機森林模型進行無人船數(shù)量的預測；所述改進的隨機森林模型引入基于環(huán)境感知的自適應權重調整機制，每棵決策樹的預測權重根據(jù)實時的多源海洋環(huán)境數(shù)據(jù)進行動態(tài)調整，包括：S2.1：獲取歷史數(shù)據(jù)和當前采集得到的多源海洋環(huán)境數(shù)據(jù)；利用歷史數(shù)據(jù)訓練傳統(tǒng)的隨機森林回歸模型，獲取預訓練好的隨機森林回歸模型；S2.2：根據(jù)所述多源海洋環(huán)境數(shù)據(jù)計算環(huán)境風險指數(shù)Risk_Index和各個環(huán)境數(shù)據(jù)的變化率Change_Rate，并結合環(huán)境風險指數(shù)Risk_Index和變化率Change_Rate的計算結果構建當前環(huán)境特征向量；S2.3：分別計算每棵決策樹在訓練時所用歷史數(shù)據(jù)的環(huán)境特征與當前環(huán)境特征向量之間的相似度Sim_i；并基于相似度Sim_i，評估每棵決策樹的歷史預測性能評分Perf_i；S2.4：將每棵決策樹的相似度Sim_i和歷史預測性能評分Perf_i進行加權組合，得到每棵決策樹的自適應權重Weight_i；S2.5：利用預訓練好的隨機森林回歸模型進行無人船數(shù)量預測，獲取每棵決策樹的預測結果Prediction_i；S2.6：將所有決策樹的預測結果Prediction_i按照其自適應權重Weight_i進行加權平均，得到最終的無人船數(shù)量預測值Predicted_Count；S3：基于預處理后的多源海洋環(huán)境數(shù)據(jù)、網(wǎng)箱分布信息、網(wǎng)箱巡檢任務需求以及各個無人船的初始狀態(tài)，采用改進的遺傳算法生成若干條最優(yōu)巡檢路徑；所述改進的遺傳算法根據(jù)實時的多源海洋環(huán)境數(shù)據(jù)和無人船狀態(tài)對優(yōu)化目標和遺傳算子進行自適應調整，包括：S3.1：基于網(wǎng)箱分布信息，利用隨機生成或啟發(fā)式方法生成初始種群，所述初始種群用于表示初始的巡檢路徑集合，其中包括若干個個體，每個個體表示一條可能的巡檢路徑；S3.2：分別將最小化巡檢時間、最小化能耗和最大化巡檢安全性作為優(yōu)化目標，設置三個相互沖突的目標函數(shù)，分別計算每個個體的不同目標函數(shù)值；S3.3：根據(jù)當前采集得到的多源海洋環(huán)境數(shù)據(jù)和無人船狀態(tài)，自適應調整各個目標函數(shù)的權重并進行權重歸一化；S3.4：評估種群的多樣性和適應度情況，并動態(tài)調整交叉概率P_cross和變異概率P_mutate；S3.5：種群迭代：從當前種群中選擇一部分個體作為父代，根據(jù)動態(tài)調整后的交叉概率P_cross將選中的父代個體進行的部分基因交換，產(chǎn)生新的后代個體；同時，根據(jù)動態(tài)調整后的變異概率P_mutate隨機改變個體中的基因，引入新的基因，增加種群多樣性；S3.6：構建Pareto最優(yōu)解集并更新：將種群迭代過程中的非支配解加入Pareto最優(yōu)解集；同時檢查Pareto最優(yōu)解集中是否存在被新加入的解支配的解，若存在則將該支配解移除；S3.7：判斷是否滿足預設的終止迭代條件，若不滿足，則重新執(zhí)行步驟S3.2~S3.6；若滿足，則根據(jù)網(wǎng)箱巡檢任務需求從最后一次更新獲得的Pareto最優(yōu)解集中選擇若干條最優(yōu)巡檢路徑；S4：將若干條最優(yōu)巡檢路徑智能分配給各個無人船，各個無人船分別根據(jù)其分配到的最優(yōu)巡檢路徑在海洋網(wǎng)箱群區(qū)域內進行巡檢。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人廣東海洋大學，其通訊地址為：524088 廣東省湛江市麻章區(qū)海大路1號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。