基于人工蜂群算法的管道自动布局优化研究

王志皓 隋国晖

摘要：针对建筑环境中管路自动布局所存在的管道弯头多、布局时间长、未沿合理位置敷设等问题，建立三维建筑环境模型和管道模型。采用中间点法作为管道初始路径生成方法，并结合标准人工蜂群算法求解管道最优路径。仿真结果表明，基于中间点法的管道初始路径生成方法和标准人工蜂群算法求解的路径基本实现了管路自动布局的基本要求，具有可行性。

关键词：初始管道路径;人工蜂群算法;三维模型;管路自动布局

中图分类号：TP391.9 文献标识码：A 文章编号：1007-9416（2019）10-0119-02

0 引言

21世纪以来，中国经济迅猛发展，不仅仅给中国的建筑行业带来很多的机遇，同时也要面临更多的挑战。目前的建筑领域内的相关技术日渐成熟，有弊端的传统方法正在逐渐舍去，未来将迎接更多、更好的智能化方法来解决相关问题。现如今建筑物变得越发复杂，建筑物内部智能设备也日益增多，科学合理的管道自动布局技术就显得非常重要。

1 人工蜂群算法简述

人工蜂群算法是受蜜蜂行为启发设计出来的。在2005年由Karaboga[1]小组为优化代数问题而提出。人工蜂群算法是模仿蜜蜂行为而提出的群体性智能算法[2-5]。不需要了解问题的特性，只比较优劣，通过各个个体进行局部寻优。人工蜂群算法作为已经被研究十几年的算法其优缺点也是非常明显。人工蜂群算法的优点就全局寻优能力强、收敛速度快。人工蜂群算法的缺点是在搜索到最优解时，速度会减慢，后期寻优能力较弱。人工蜂群算法适用范围是求解多变量函数优化相关问题。人工蜂群算法一经问世就受到了很多专家学者的关注，并在各个领域都有所应用。

2 三维建筑环境模型建立

本文相关实验主要是在MATLAB R2014a软件中进行的，所以建筑物模型和管路模型都是在MATLAB R2014a中建立的。

将建筑环境设定在一个长方体空间中，整个长方体来模拟整个建筑物。其中长方体的四个立面模拟真实建筑环境的墙。为了尽可能的模拟出建筑空间内的障碍或管路不可经过的设备，在长方体空间中，放置各种立方体模块，来模拟真实的建筑环境中柱、梁、竖井的位置。其中长方体中间的立方体模块表示建筑环境中正常的施工空间即建筑使用空间。所设计的环境模型（图1），简化了真实环境的复杂程度，但真实建筑环境的主要特征还是可以在模型中表示出来的。

3 管道模型的建立

本文主要研究以单管道为核心的三维建筑管路自动布局问题。所以实际建筑的复杂环境，管路的多样性，管路半径的大小在建筑管路模型建立中基本忽略不计。其中建筑管路模型建立是以端点、中间点、连接段组成。

端点是管路的起点和终点，当前的管路起点与终点还是人为设置，后期可以采用视觉识别的方式或通过Revit二次开发的方式直接得到起点和终点。中间点分成关键点和插入点，关键点的生成与插入点的生成与最后生成的管路路径质量息息相关。连接段是点与点之间连接起来的直线段，在模型中生成的所谓直线段就是后来自动生成的管路路径，目前还有一些过于理想化，后期可以继续加约束条件，将生成的管路模型真正的实例化。

在三维管路自动布局中，首先确定管路路径的端点。然后随机生成关键点，为了让自动生成的管道正交，补入插入点。最后将这些关键点和插入点用连接段进行连接。其中关键点和插入点统称基于中间点法初始管路路径生成，所以此管道布局的方法叫基于中间点法初始管路路径生成。

4 人工蜂群算法在管路自动布局中的应用研究

为了在建筑模型中得到最好的管道路径规划。本节在建筑模型中用所设计的中间点法生成多组管道路径，采用人工蜂群算法进行求解最优管道路径。人工蜂群算法在求解最优值时，具有算法性能稳定、效率高等特点。

4.1 适应度函数的设计

当一个管道被跟随蜂选中之后，采用式（4）产生新的邻居管道，再计算适应度值。在跟随蜂时期采用贪心法在新管道和旧管道之间做出选择。

侦查蜂时期：当雇佣蜂达到给定次数，仍然没有提高管道路径的质量，雇佣蜂就会转化为侦查蜂，在建筑模型中随机搜索新的管路路径。

4.3 仿真实验分析

经过仿真实验，结果如图2所示。由图2可知：管道路径长度为170，弯头个数为13，管道能量值为2050，布局时间仅为9s。基于中间点法的初始路径生成方法及人工蜂群算法求解的管路路径有效的避开了障碍物，基本实现了管路自动布局的基本要求，具有可行性。

5 结语

本文主要研究的是三维建筑管路自动布局优化的问题。设计出了一种基于中间点法的管路初始路径生成方法，结合人工蜂群算法求解最优管路路径。这种方法求解得到的管道路径有效的避开了障碍物，长度更短，弯头更少，部分沿墙敷设，基本实现了管路自动布局的基本要求，具有可行性。

参考文献

[1] Karaboga D.An idea based on honey bee swarm for numerical optimization[R].Technical Report-TR06.Kayseri： Ericiyes University，2005.

[2] 蔣林莉.量子遗传算法研究现状综述[J].广西科技师范学院学报，2016，31（02）：130-134.

[3] 高飞.遗传算法在自动控制领域中的应用综述[J].电子世界，2017（09）：51.

[4] 周金治，孟柳.基于差分进化与模拟退火的人工鱼群算法研究[J].自动化仪表，2018，39（02）：72-76+85.

[5] 刘军梅，龚朝晖，侯运锋.一种适用于多机器人搜索动态目标的改进粒子群算法[J].计算机应用研究，2017，35（04）：1046-1051.