Environment-Monitoring-System/Report/系统设计_第四部分.md

2.4 算法设计

本节详细描述了系统中的核心算法设计，这些算法是系统智能化和高效运行的关键。

2.4.1 A* 寻路算法

A*寻路算法是系统中的核心算法之一，用于为网格员规划从当前位置到任务目标点的最优路径。该算法在网格与地图模块中发挥着重要作用。

算法目的: 为网格员提供从当前位置到任务地点的最优（最短或最快）路径，避开障碍物。

算法输入:

• startNode: 起始点坐标 (x, y)。
• endNode: 目标点坐标 (x, y)。
• grid: 包含障碍物信息的地图网格数据。

核心逻辑:

1. 维护一个开放列表（openList）和一个关闭列表（closedList）。
   • openList: 存储待探索的节点，使用优先队列实现，按F值排序。
   • closedList: 存储已探索过的节点。
2. 从 openList 中选取F值（G值+H值）最小的节点作为当前节点。
   • G值: 从起点到当前节点的实际代价。
   • H值: 从当前节点到终点的预估代价（启发函数）。
   • F值: G值 + H值，表示经过当前节点到达终点的总代价估计。
3. 遍历当前节点的相邻节点（上、下、左、右四个方向）。
4. 对于每个相邻节点：
   • 如果是障碍物或已在closedList中，则跳过。
   • 如果不在openList中，计算其G值、H值和F值，将其加入openList，并记录其父节点为当前节点。
   • 如果已在openList中，检查经由当前节点到达该相邻节点的路径是否更优（G值更小）。如果更优，则更新其G值、F值和父节点。
5. 将当前节点从openList移除，加入closedList。
6. 重复步骤2-5，直到：
   • 找到目标节点（当前节点为终点）。
   • 或openList为空（无法找到路径）。
7. 如果找到目标节点，通过回溯父节点构建从起点到终点的路径。

启发函数选择: 系统采用曼哈顿距离（Manhattan Distance）作为启发函数，计算公式为：

h(n) = |n.x - goal.x| + |n.y - goal.y|

这种启发函数适合网格化的移动模式，只允许上、下、左、右四个方向的移动。

算法实现:

public List<Point> findPath(Point start, Point end) {
    // 加载地图数据和障碍物信息
    List<MapGrid> mapGrids = mapGridRepository.findAll();
    Set<Point> obstacles = new HashSet<>();
    for (MapGrid gridCell : mapGrids) {
        if (gridCell.isObstacle()) {
            obstacles.add(new Point(gridCell.getX(), gridCell.getY()));
        }
    }
    
    // 初始化开放列表和所有节点映射
    PriorityQueue<Node> openSet = new PriorityQueue<>(Comparator.comparingInt(n -> n.f));
    Map<Point, Node> allNodes = new HashMap<>();
    
    // 创建起始节点
    Node startNode = new Node(start, null, 0, calculateHeuristic(start, end));
    openSet.add(startNode);
    allNodes.put(start, startNode);
    
    // 开始A*算法主循环
    while (!openSet.isEmpty()) {
        Node currentNode = openSet.poll();
        
        // 找到目标
        if (currentNode.point.equals(end)) {
            return reconstructPath(currentNode);
        }
        
        // 探索相邻节点
        for (Point neighborPoint : getNeighbors(currentNode.point)) {
            if (obstacles.contains(neighborPoint)) {
                continue; // 跳过障碍物
            }
            
            int tentativeG = currentNode.g + 1; // 相邻节点间距离为1
            Node neighborNode = allNodes.get(neighborPoint);
            
            if (neighborNode == null) {
                // 新节点
                int h = calculateHeuristic(neighborPoint, end);
                neighborNode = new Node(neighborPoint, currentNode, tentativeG, h);
                allNodes.put(neighborPoint, neighborNode);
                openSet.add(neighborNode);
            } else if (tentativeG < neighborNode.g) {
                // 找到更好的路径
                neighborNode.parent = currentNode;
                neighborNode.g = tentativeG;
                neighborNode.f = tentativeG + neighborNode.h;
                // 更新优先队列
                openSet.remove(neighborNode);
                openSet.add(neighborNode);
            }
        }
    }
    
    return Collections.emptyList(); // 没有找到路径
}

// 计算启发式函数值（曼哈顿距离）
private int calculateHeuristic(Point a, Point b) {
    return Math.abs(a.x() - b.x()) + Math.abs(a.y() - b.y());
}

// 获取相邻节点（上、下、左、右）
private List<Point> getNeighbors(Point point) {
    List<Point> neighbors = new ArrayList<>(4);
    int[] dx = {0, 0, 1, -1}; // 右、左、下、上
    int[] dy = {1, -1, 0, 0}; 
    
    for (int i = 0; i < 4; i++) {
        int newX = point.x() + dx[i];
        int newY = point.y() + dy[i];
        
        // 检查边界
        if (newX >= 0 && newX < mapWidth && newY >= 0 && newY < mapHeight) {
            neighbors.add(new Point(newX, newY));
        }
    }
    return neighbors;
}

// 重建路径
private List<Point> reconstructPath(Node node) {
    LinkedList<Point> path = new LinkedList<>();
    while (node != null) {
        path.addFirst(node.point);
        node = node.parent;
    }
    return path;
}

算法输出: 从起点到终点的一系列坐标点列表，表示规划好的路径。如果无法找到路径，则返回空列表。

算法应用: 在PathfindingController中通过/api/pathfinding/find接口暴露，网格员可以通过该接口获取从当前位置到任务地点的最优路径。

2.4.2 任务智能分配算法

任务智能分配算法是系统的另一个核心算法，用于在多个可用网格员中，为新任务选择最合适的执行者。

算法目的: 在多个可用网格员中，为新任务选择最合适的执行者，优化任务分配效率和完成质量。

算法输入:

• task: 需要分配的任务对象。
• availableWorkers: 可用的网格员列表。

核心逻辑: 这是一个复合策略算法，综合考虑多个因素，通过加权评分机制选择最合适的网格员：

1. 地理距离评分:

   • 计算每个网格员当前位置到任务位置的距离。
   • 距离越近，评分越高。
   • 使用公式: distanceScore = maxDistance - distance，其中maxDistance是一个预设的最大考虑距离。

2. 当前负载评分:

   • 评估每个网格员当前正在处理的任务数量。
   • 任务数量越少，评分越高。
   • 使用公式: loadScore = maxTasks - currentTasks，其中maxTasks是一个预设的最大任务数。

3. 专业匹配度评分:

   • 根据任务类型和网格员的专业技能进行匹配。
   • 匹配度越高，评分越高。
   • 使用公式: skillScore = matchedSkills / requiredSkills.size()。

4. 历史表现评分:

   • 考虑网格员的历史完成率和质量评分。
   • 表现越好，评分越高。
   • 使用公式: performanceScore = (completionRate * 0.7) + (qualityRating * 0.3)。

5. 综合评分计算:

   • 对上述各项评分进行加权求和。
   • 使用公式: totalScore = (distanceScore * w1) + (loadScore * w2) + (skillScore * w3) + (performanceScore * w4)。
   • 其中w1、w2、w3、w4是各项评分的权重，且满足w1 + w2 + w3 + w4 = 1。

6. 选择最高评分的网格员:

   • 根据综合评分对网格员进行排序。
   • 选择评分最高的网格员作为推荐人选。

算法实现:

public UserAccount recommendWorkerForTask(Task task, List<UserAccount> availableWorkers) {
    if (availableWorkers.isEmpty()) {
        return null;
    }
    
    // 权重配置
    final double DISTANCE_WEIGHT = 0.4;
    final double LOAD_WEIGHT = 0.3;
    final double SKILL_WEIGHT = 0.2;
    final double PERFORMANCE_WEIGHT = 0.1;
    
    // 任务位置
    Point taskLocation = new Point(task.getGridX(), task.getGridY());
    
    // 计算每个网格员的评分
    Map<UserAccount, Double> workerScores = new HashMap<>();
    
    for (UserAccount worker : availableWorkers) {
        // 1. 地理距离评分
        Point workerLocation = new Point(worker.getGridX(), worker.getGridY());
        double distance = calculateDistance(workerLocation, taskLocation);
        double maxDistance = 10.0; // 最大考虑距离
        double distanceScore = Math.max(0, maxDistance - distance) / maxDistance;
        
        // 2. 当前负载评分
        int currentTasks = taskRepository.countByAssigneeIdAndStatusIn(
            worker.getId(), Arrays.asList(TaskStatus.ASSIGNED, TaskStatus.IN_PROGRESS));
        int maxTasks = 5; // 最大任务数
        double loadScore = (double)(maxTasks - currentTasks) / maxTasks;
        
        // 3. 专业匹配度评分
        double skillScore = calculateSkillMatch(worker, task);
        
        // 4. 历史表现评分
        double completionRate = workerStatsService.getCompletionRate(worker.getId());
        double qualityRating = workerStatsService.getAverageQualityRating(worker.getId());
        double performanceScore = (completionRate * 0.7) + (qualityRating * 0.3);
        
        // 5. 综合评分
        double totalScore = (distanceScore * DISTANCE_WEIGHT) +
                           (loadScore * LOAD_WEIGHT) +
                           (skillScore * SKILL_WEIGHT) +
                           (performanceScore * PERFORMANCE_WEIGHT);
                           
        workerScores.put(worker, totalScore);
    }
    
    // 选择评分最高的网格员
    return workerScores.entrySet().stream()
        .max(Map.Entry.comparingByValue())
        .map(Map.Entry::getKey)
        .orElse(null);
}

算法输出: 推荐的最佳网格员对象。如果没有合适的网格员，则返回null。

算法应用: 在TaskAssignmentService中实现，当主管触发自动分配或系统基于反馈自动创建任务时调用。

2.5 数据持久化设计

系统采用了一种独特的数据持久化方案，不使用传统的关系型数据库，而是以JSON文件的形式存储所有数据。这种设计简化了部署和配置，特别适合快速迭代和中小型应用场景。

2.5.1 JSON文件存储架构

系统的数据持久化层基于以下架构：

1. 核心存储服务:

   • JsonStorageService: 提供对JSON文件的读写操作，包括序列化和反序列化。
   • FileSystemService: 处理文件系统操作，如创建、读取、更新和删除文件。

2. Repository层:

   • 为每种核心模型提供专门的Repository类，如UserRepository、FeedbackRepository等。
   • 这些Repository类模拟了类似JPA的接口，提供CRUD操作和查询功能。
   • 内部使用JsonStorageService进行实际的文件操作。

3. 并发控制:

   • 使用文件锁机制确保在并发环境下的数据一致性。
   • 实现了简单的乐观锁定策略，通过版本号检测冲突。

4. 索引和查询优化:

   • 在内存中维护索引结构，加速常见查询操作。
   • 支持基于字段值的过滤和排序。

2.5.2 核心JSON文件结构

系统中的每个核心模型对应一个JSON文件，下面详细描述了这些文件的结构。

users.json - 用户账户数据

存储系统中所有用户的账户信息，包括认证信息和角色权限。

字段名	JSON数据类型	约束/说明	描述
id	Number	唯一标识, 自增	用户的唯一标识符
name	String	非空	用户姓名
phone	String	非空, 唯一	手机号码，可用于登录
email	String	非空, 唯一	电子邮箱，可用于登录
password	String	非空, 长度>=8	加密后的用户密码
gender	String	(ENUM)	性别 (MALE, FEMALE, OTHER)
role	String	(ENUM)	用户角色 (ADMIN, SUPERVISOR, GRID_WORKER等)
status	String	非空, (ENUM)	账户状态 (ACTIVE, INACTIVE, SUSPENDED)
grid_x	Number		关联的网格X坐标 (主要用于网格员)
grid_y	Number		关联的网格Y坐标 (主要用于网格员)
region	String		所属区域或地区
level	String	(ENUM)	用户等级 (JUNIOR, SENIOR, EXPERT)
skills	Array		技能列表 (JSON数组格式的字符串)
enabled	Boolean	非空, 默认 true	账户是否启用
current_latitude	Number		当前纬度坐标 (用于实时定位)
current_longitude	Number		当前经度坐标 (用于实时定位)
failed_login_attempts	Number	默认 0	连续失败登录次数
lockout_end_time	String		账户锁定截止时间
created_at	String	非空	记录创建时间
updated_at	String	非空	记录最后更新时间

feedback.json - 环境问题反馈数据

存储用户提交的所有环境问题反馈信息。

字段名	JSON数据类型	约束/说明	描述
id	Number	唯一标识, 自增	反馈的唯一标识符
event_id	String	非空, 唯一	人类可读的事件ID
title	String	非空	反馈标题
description	String		问题详细描述
pollution_type	String	非空, (ENUM)	污染类型 (AIR, WATER, SOIL, NOISE)
severity_level	String	非空, (ENUM)	严重程度 (LOW, MEDIUM, HIGH, CRITICAL)
status	String	非空, (ENUM)	反馈状态 (PENDING_REVIEW, PROCESSED等)
text_address	String		文字描述的地址
grid_x	Number		事发地网格X坐标
grid_y	Number		事发地网格Y坐标
latitude	Number		事发地纬度
longitude	Number		事发地经度
submitter_id	Number	外键 (FK) -> users.id (可为空)	提交者ID (公众提交时可为空)
attachments	Array		附件列表 (包含文件路径等信息)
created_at	String	非空	记录创建时间
updated_at	String	非空	记录最后更新时间

tasks.json - 任务数据

存储系统中所有工作任务的信息。

字段名	JSON数据类型	约束/说明	描述
id	Number	唯一标识, 自增	任务的唯一标识符
feedback_id	Number	外键 (FK) -> feedback.id (可为空)	关联的原始反馈ID
assignee_id	Number	外键 (FK) -> users.id (可为空)	任务执行人（网格员）ID
created_by	Number	外键 (FK) -> users.id	任务创建人（主管）ID
status	String	非空, (ENUM)	任务状态 (CREATED, ASSIGNED, IN_PROGRESS等)
title	String		任务标题
description	String		任务详细描述
pollution_type	String	(ENUM)	污染类型
severity_level	String	(ENUM)	严重程度
text_address	String		任务地点文字描述
grid_x	Number		任务地点网格X坐标
grid_y	Number		任务地点网格Y坐标
latitude	Number		任务地点纬度
longitude	Number		任务地点经度
assigned_at	String		任务分配时间
completed_at	String		任务完成时间
created_at	String	非空	记录创建时间
updated_at	String	非空	记录最后更新时间
deadline	String		任务截止日期
history	Array		任务状态历史记录
submissions	Array		任务提交记录

grids.json - 业务网格数据

存储系统中定义的地理网格信息。

字段名	JSON数据类型	约束/说明	描述
id	Number	唯一标识, 自增	网格的唯一标识符
grid_x	Number		网格X坐标
grid_y	Number		网格Y坐标
city_name	String		所属城市
district_name	String		所属区县
description	String		网格描述信息
is_obstacle	Boolean	默认 false	是否为障碍物（如禁区）
created_at	String	非空	记录创建时间
updated_at	String	非空	记录最后更新时间

assignments.json - 任务分配记录数据

存储任务分配的详细记录。

字段名	JSON数据类型	约束/说明	描述
id	Number	唯一标识, 自增	分配记录的唯一标识符
task_id	Number	非空, 外键 (FK) -> tasks.id	关联的任务ID
assigner_id	Number	非空, 外键 (FK) -> users.id	分配者（主管）ID
status	String	非空, (ENUM)	分配状态
remarks	String		分配备注
assignment_time	String	非空	分配时间
deadline	String		任务截止日期
created_at	String	非空	记录创建时间
updated_at	String	非空	记录最后更新时间