Hledání zdrojů gama záření

Abstract

Práce se zabývá aplikací metaheuristického algoritmu GLNS v praktické úloze - hledání zdrojů gama záření. Přesná pozice zdroje záření může být určena robotem nesoucím detektor, pokud projede v jeho blízkém okolí po trajektorii odpovídající kruhovému oblouku. V obecném případě je zdrojů radiace více a každý z nich může být detekován průjezdem mnoha různými oblouky, což umožňuje po vhodné diskretizaci formulaci úlohy jako zobecněného problému obchodního cestujícího. Je dáno m množin (zdrojů radiace) a n vrcholů (kruhových oblouků), rozdělených do m množin. Cílem je najít takovou sekvenci vrcholů, aby výsledná trajektorie byla co nejkratší. Za tímto účelem byl modifikován a implementován algoritmus GLNS, který je založen na heuristickém adaptivním prohledáváním širokého okolí aktuálního řešení problému. Plánovač je rozšířen o možnost plánování s kubickými křivkami jakožto hranami, které navíc dodržují definovanou maximální křivost. Zároveň je představen postup, jak pro účely plánování odhadovat jejich délku, namísto časově náročnější přesné kalkulace. Dále je do algoritmu přidána intenzifikační metoda zvaná DenseOpt, která lokálně optimalizuje výslednou trajektorii získanou diskrétním plánovačem, čehož je docíleno prohledáváním spojitého prostoru přípustných vrcholů v blízkém okolí vrcholů diskrétního řešení.

This thesis documents the application of a metaheuristic algorithm GLNS on practical task - search for sources of gamma radiation. An individual source of radiation can be precisely located by a robot carrying a detector if it passes nearby through a trajectory segment, represented by a circular arc. As there can be more than one potential source of radiation and there are many valid arcs for each of them, the trajectory planning task can be after discretization formulated as Generalized Traveling Salesman Problem with m sets (sources) and n vertices (arcs), partitioned into these m sets. The goal is to find a tour, that visits each set exactly once and has a minimum length. For this purpose, an adaptive large neighborhood search algorithm GLNS is modified and implemented. Additionally, the planner is adapted to plan with cubic curves with predefined minimal curvature as edges, and a procedure for fast estimation of their weights is presented. Moreover, we propose a new intensification procedure called DenseOpt, which serves to improve the quality of the solution obtained from the discrete planner by performing a local search in the continuous space.