CN102521443B - 基于计算机视觉的物流节点设施布局优化方法 - Google Patents

Abstract

本发明公开了一种基于计算机视觉的物流节点设施布局优化方法，本发明基于计算机视觉技术，引入Multi-Agent技术与CA模拟技术，构建地理模拟系统，采用计算机图形学来表征物流设施地块地形及其约束条件，构建物流节点设施布局优化的三层Multi-Agent模型，借鉴构建型算法在产生初始方案上的优势生成初始解，采用改进型算法中的思想，将遗传算法与模拟退火算法结合提出物流节点设施布局优化算法。本发明可实现复杂地形条件下多约束大规模物流节点设施布局优化，还可广泛应用于城市规划、交通运输、大规模集成电路设计、建筑设计、机械制造、航空航天等领域。

Description

基于计算机视觉的物流节点设施布局优化方法

技术领域

本发明属于计算机辅助设计技术领域，具体涉及物流节点设施布局优化，具体地说是一种利用计算机软件进行物流节点内部设施布局规划，解决复杂地形条件下多约束大规模物流节点设施布局优化。

背景技术

布局问题广泛存在于交通运输、大规模集成电路设计、建筑设计、机械制造、航空航天等领域，具有高度复杂性。物流节点布局问题包括规则功能区布局和不规则功能区布局。现有的对布局问题的研究大多局限于矩形区域，但实际中不规则功能区更为普遍，且布局问题远比规则功能区复杂，现有的研究方法均为将不规则功能区转化为规则功能区(矩形区域)进行研究。布局问题可分为间断式布局与连续式布局两大类；当功能区数量大于15时，这两大类的物流节点布局已被证明是属于NP难题，该问题随着功能区数量的增加，其所需要的计算时间呈指数增长。物流节点内存在的活动关系有四种：①程序上的关系，即是建立在物流和信息流之间的关系；②组织上的关系，即是建立在各部门组织之间的关系；③功能上的关系，即是因为区域之间因功能需要而形成的关系；④环境上的关系，即是考虑到操作环境和安全需要而保持的关系。其中程序上的信息作业环节已经不受地点位置的限制，在物流节点布置上考虑更多的是物料流程，也就是物流关系。同时对物流节点活动中的这4种关系赋予不同的权重，计算出区域间的综合活动关系量化值。

长久以来，不少学者对设施布局优化问题进行了深入的研究。对布局问题的研究大多局限于矩形功能区，不规则功能区通过不同方式转化为矩形功能区。有学者将设施布局优化问题转化为连续优化的多行车间布局问题，并应用遗传算法对其进行求解，取得了很好的效果。更有人在前人研究的基础上对遗传算法进行改进，并将其应用于物流节点布局优化中，在两个维度上对布局问题进行优化。随着计算机技术的发展，计算机辅助设计开始广泛应用，早在20世纪70年代就产生了一些用于布置设计的计算机程序，总的来说，运用计算机布置方法可将设施布局分为三种类型：构建型、改进型和仿真型。传统的布置方法，把选址区域作为一张“白纸”，不考虑内部的地理障碍、干线道路(功能区内部通道相对较小，可以划到功能区中)等对区域的分割，也没有考虑其周边区域与其内部区域的活动关系要求。物流节点是个相对宏观的空间，内部区域布置，必须考虑交通及环境因素，内部的区块位置并不是“均质的”，应该作为一个有约束条件的布置问题，即物流节点区域布置存在约束控制因素，需要考虑物流节点的相关控制点或者控制线(外围邻近的关联设施，例如港口码头、铁路货运站、铁路专用线、机场、高速公路出入口、城市主干道等，也可以是内部道路切割出来的主出入口)。而且，大多数已发表的有关设施布局问题的研究成果，建立的目标函数都是最小化物流作业成本，而忽略了功能区的几何形状、面积利用率等因素。实际上，几何形状与面积利用率等因素影响功能区的建筑成本与土地投资成本，这两项成本与物料搬运成本同等重要，应在评估最佳布局方案时予以考虑。总体来说，对于复杂地形条件多约束条件下物流节点内部布局优化的研究亟待深入。

参考文献：

[1]姜友华，王新生.遗传算法用于产生可供选择的城市规划方案[J].武汉大学学报(工学版)，2002，35(3)：63-66；

[2]蔡临宁.物流系统规划-建模及实例分析[M].北京：机械工业出版社，2003；

[3]Brookes C J.A genetical gorithm for designing optimal patch configurations in GIS.International Journal of Geographical Information Science，2001，15(4)：539-559；

[4]Brookes C J.A parameterized region-growing programme for site allocation on rastersuitability maps.International Journal of Geographical Information Science，1997，11(4)：375-396；

[5]王新生，姜友华.模拟退火算法用于产生城市土地空间布局方案[J].地理研究.2004，23(6)：727-736；

[6]Feng C M，Lin J J.Using a genetic algorithm to generate alternative sketch maps forurban planning.Computers Environment and Urban Systems，1999，23(2)：91-108；

[7]Aerts J C J H，Heuvelink G B M.Using simulated annealing for resource allocation.International Journal of Geographical Information Science，2002，16(6)：571-587；

[8]Cromley R G，Hanink D M.Coupling land use allocation models with raster GIS.Geographical Systems，1999，1(2)：137-153；

[9]Matthews K B，Sibbald A R，Craw S.Implementation of a spatial decision supportsystem for rural land use planning，integrating geographic information system and environmentalmodels with search and optimization algorithms.Computers and Electronics in Agriculture，1999，23(1)：9-26；

[10]Bribiesca E.A chain code for representing 3D curves[J].Pattern Recognition，1999，33：765-765；

[11]Freeman H.Boundary Encoding and Processing[A].B S Lipkin，A Rosenfeld[C].Picture Processing and Psy-chohistories，Academic，New York，1970：41-266；

[12]杨素娣，陈芳.图像中连通体的线性标定算法的优化[J].石河子大学学报(自然科学版)，2005，23(6)：775-777；

[13]尚振宏，付晓东，袁梅宇，刘辉.基于欧氏距离的实时直线检测算法[J].计算机应用，2008，28(1)：177-180；

[14]曹新明，蒋瑞斌.不规则零件最小包络矩形的求解研究[J].科技通报，2007，23(1)：102-105；

[15]田晓东，刘忠.基于形状相似度的水下目标识别算法[J].声学技术，2007，26(3)：493-497；

[16]张鸿斌.基于内容的图像检索技术及其在国防科技信息领域里的应用研究[D].中国国防科技信息中心，2004；

[17]王金敏，杨维嘉.动态吸引子在布局求解中的应用[J].计算机辅助设计与图形学学报，2005，17(8)：1725-1730。

发明内容

本发明所要解决的技术问题是借鉴传统的设施布局优化方法，将功能区的几何形状、最大面积利用率与最小的物料搬运成本综合考虑，引入计算机视觉技术和图形技术解决物流节点空间关系难以表达的问题，以实现物流节点设施布局的综合优化。

本发明为解决上述技术问题采用以下技术方案：

一种基于计算机视觉的物流节点设施布局优化方法，包括如下步骤：

步骤(1)，基于计算机视觉技术，采用多智能体(Multi-Agent)技术与CA模拟技术，构建地理模拟系统，采用计算机图形学来表征物流设施地块地形及其约束条件，构建物流节点设施布局优化的三层Agent优化模型；

步骤(2)，进行物流节点设施布局设计数据的收集和初步处理，建立物流节点、物流服务系统的历史数据库和预测数据库；

步骤(3)，采用ALDEP和MULTIPLE两种构建型算法产生物流节点设施布局的初始方案，在初始方案的基础上生成初始解，制定物流节点系统结构和布局方案的评估结果；

步骤(4)，方案优化：将遗传算法与模拟退火算法结合形成高度混合的遗传模拟退火算法，并在其中引入三层Agent优化模型对遗传模拟退火算法进行优化改进，对于功能区布局问题采用实数编码，形成物流节点设施布局优化算法。

进一步的，本发明基于计算机视觉的物流节点设施布局优化方法中，步骤(1)所述三层Agent优化模型采用多级递阶的层次结构，从上至下依次包括：全局优化主体(LSA)、功能区主体(FA)和网格主体(NA)，每一级由功能、结构类似的智能体Agent组成；其中：

全局优化主体(LSA)作为功能区主体(FA)的协调单元，从物流节点全局角度进行物流节点系统的方案优化，并引入协同机制实现与功能区主体(FA)之间的协同优化，确定协调对策和协调参量；

功能区主体(FA)负责物流节点各功能区的方案优化，向全局优化主体(LSA)传输关于其局部系统环境和系统优化性能的反馈信息，作为全局优化主体(LSA)的决策依据，同时作为网格主体(NA)的协调单元；

网格主体(NA)负责网格的功能选择行为，与功能区主体(FA)相互协调，在协调不了时向上一层Agent寻求全局优化协调；在接到其它功能区主体(FA)和网格主体(NA)的协调请求时，就进入协调工作状态，并通过上一层Agent优化协调的决策达到全局最优，实现物流节点系统结构和布局方案的优化。

进一步的，本发明基于计算机视觉的物流节点设施布局优化方法中，步骤(2)所述具体步骤如下：

(2a)数据的收集和初步处理：

确定产品P、产量Q、工艺路线R、服务支持S、时间T，场址的各项属性以及各功能区对场址的要求以及对面积、对公用工程建设的各种需求，还有关于项目各功能区的投资和造价，将基础数据存储在数据库系统以备调用；

(2b)建立物流节点物流服务系统的历史数据库和预测数据库：

逐年累计建立各类物流服务系统的历史数据库，来粗略估算所设计系统的各种参数，这些参数包括物流市场需求的历史资料与物流供给的预测、物流节点经营的发展战略与策略、产品产量、物流生产规模、面积、人员、投资需求、投资回报率；

应用类似项目的历史数据来确定新建项目的各项需求，采用回归、曲线拟合数学方法来类比，估计新建系统的各项要求以及将来发展需求的预测；

将已有的物流节点系统的主要指标用计算机归类分开建立知识库和数据库以备使用，建立物流系统的历史数据库和预测数据库。

进一步的，本发明基于计算机视觉的物流节点设施布局优化方法中，步骤(3)所述初始方案的建立步骤如下：

(1a)数学模型的表示：

首先假设规划区域被分割为W行、L列的格网单元，即共有W·L个用地单元；

定义D_ij表示功能区i与功能区j之间的直线距离，需要安排K种功能属性类型，X_ijk代表单元(ij)的功能属性类型，X_ijk是一个二元变量，如果单元(ij)的功能属性类型是k，其值为1；否则为0；X_k表示是第k种功能类型的规模，表示单元(ij)和单元(i′j′)邻接次数的总和；

采用考虑物流成本最低的目标函数，构建如下优化模型：

$\min =\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}\·f_{\mathrm{ij}}\·d_{\mathrm{ij}}+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}^{\′}\·f_{\mathrm{ij}}^{\′}\·d_{\mathrm{ij}}^{\′}+\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}^{\′\′}\·f_{\mathrm{ij}}^{\′\′}\·d_{\mathrm{ij}}^{\′\′},$

$s.t.\underset{i=1}{\overset{W}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{X}_{\mathrm{ijk}}=X_k\∀k,$ $\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{X}_{\mathrm{ijk}}=1\∀i,j,$ $S_{L_{\mathrm{ij},i^{\′}{j}^{\′}}}\≥1\∀(\mathrm{ij},i^{\′}{j}^{\′})$

$m_{i_1{j}_{1}k,i_2{j}_{2}k}=1,$ $d_{i_1{j}_1,i_2{j}_2>D,}$ $i\∉B_{\mathrm{ij}}$ and $j\∉B_{\mathrm{ij}},$ $\underset{i_1{j}_1,i_2{j}_2}{\max }{d}_{i_1{j}_1,i_2{j}_2}\≤{\left(\mathrm{\λa}\right)}^{1/2}$

其中，C_ij为功能区i与功能区j之间每单位货物单位距离的物流成本；

f_ij表示功能区i与功能区j之间的物流量；

d_ij表示功能区i与功能区j之间物料搬运的直线距离；

C′_ij为功能区i与关键控制点j′之间每单位货物单位距离的物流成本；

f′_ij表示功能区i与关键控制点j′之间的物流量；

d′_ij表示功能区i与关键控制点j′之间物料搬运的直线距离；

C″_ij为功能区i与关键控制线j″之间每单位货物单位距离的物流成本；

f″_ij表示功能区i与关键控制线j″之间的物流量；

d″_ij表示功能区i与关键控制线j″之间物料搬运的直线距离；

表示功能属性为k的两个单元(i₁j₁)和(i₂j₂)的Manhattan距离；

表示功能属性为k₁的单元(i₁j₁)与功能属性为k₂的单元(i₂j₂)之间的欧氏距离；

B_ij表示某网格单元(ij)禁止布置区域的单元集合；

表示单元(i₁j₁)和单元(i₂j₂)之间的距离；

a表示地块的面积；

λ是一种紧凑形状的测度；

K表示功能区类型的数量；

M表示关键控制点数量；

N表示关键控制线数量；

L表示规划区域的最小包络矩形长度；

W表示规划区域的最小包络矩形宽度；

(1b)复杂地块的几何图形表示：

将规划区域转为数据格式；用等距扫描法来表示物流节点的复杂地块形状，对功能区形态的分析采用项点序列链码Freeman链码来进行；对于已有功能区，在算法优化的过程中将功能区对应的方格的功能属性设定为不可更改；

(1c)功能区形状及其约束条件的表达：

选择规则格网单元作为空间决策变量，采用Freeman码来描述各功能区的形状与空间信息，对于功能区形状的约束通过引入不规则度以及最小包络矩形来描述；具体如下：

1)功能区的的描述与网格顶点链码表示：

对于功能区形状用边界像素的顶点来标记图像的方法，采用八方向的Freeman链码来表示各功能区形状，功能区边界Freeman链编码可以表示为{(x₀，y₀)1/a₀a₁a₂Λa_n-1}，其中(x₀，y₀)为功能区边界上起始网格坐标，a_i∈{0，1，2，3，4，5，6，7}是功能区的八方向链码；

一个功能区的边界链码表示为：

L＝x₀，y₀，d₁，d₂，Λ.d_P-2；其中P为区域边界长度；

2)区域边界规则度：

用规则度来表示功能区的边界规则程度；

σ＝R(L)

L表示分割区域的边界，R为规则度算子；

求区域的规则度，就是求区域边界的规则度，已知边界的链码表示L，通过链码把二维的区域边界转换为一个维函数，设

$a_i=\left\{\begin{array}{cc}0& |d_i-d_{i-1}|=\mathrm{0,4}\\ 0.5& |d_i-d_{i-1}|=\mathrm{2,6}\\ 1& |d_i-d_{i-1}|=\mathrm{1,3,5,7}\end{array}\right.$

其中，当i＝0时，令d_i-1＝0；

这样，规则度可以表示为

${\mathrm{\σ}}_1=\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}\underset{k=0}{\overset{i}{\mathrm{\Σ}}}{a}_k$

设一维函数为y＝f(x)，首先定义x₀＝0，y₀＝0；

y_i＝f(x_i)＝d_i

函数y＝f(x)的均值为

$\mathrm{\μ}=\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}f\left(x_i\right)=\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}{d}_i$

这样，规则度亦可以表示为

${\mathrm{\σ}}_2=\sqrt{\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}{(f\left(x_i\right)-\mathrm{\μ})}^2}=\sqrt{\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}{(d_i-\mathrm{\μ})}^2}$

则综合规则度σ可表示为

σ＝w₁σ₁+w₂σ₂；

3)功能区最小包络矩形、面积率、长轴、短轴：

选用最小包络矩形来布局，当一个顶点判断为凹顶点时，将其进行消除，消除的办法就是将其前后相邻的点进行连接，然后重新进行顶点编号，重复此操作，直到所有的顶点均为凸项点为止；

定义功能区i的面积率为功能区i的实际面积除以其最小包络矩形面积，用下式表示：

$m_i=\frac{S_i}{{\mathrm{Sj}}_i}$

其中：m_i表示功能区i的面积率，S_i表示功能区i的实际面积，Sj_i表示功能区i的最小包络矩形面积；

同时，将功能区i的最小包络矩形的长边定义为长轴，用lj_i表示其边长，功能区i的最小包络矩形的短边定义为短轴，用wj_i表示其边长；

4)功能区形状特征及形状约束的表示：

采用引入不规则度来改善不规则的车间形状与提高建筑的面积利用率，采用形状的区域特征同样能有效的描述形状的特性，采用以下典型特征值：

①面积

功能区面积ρ是功能区面积占物流节点总面积的百分比，反映了功能区的尺度特征：

$\mathrm{\ρ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\underset{k=g}{\mathrm{\Σ}}{X}_{\mathrm{ijk}}}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{X}_{\mathrm{ijk}}}$

②离散度

形状的离散度v类似于功能区的包围盒，反映了该功能区网格相对于功能区中心的离散程度：

$v=\sqrt{\underset{(x,y)\∈G}{\mathrm{\Σ}}{\left(\begin{array}{cc}x& \stackrel{\‾}{x}\end{array}\right)}^2+{\left(\begin{array}{cc}y& \stackrel{\‾}{y}\end{array}\right)}^2/\mathrm{Gnum}}/\max (W,H)$

③离心率

离心率e是功能区最适椭圆的短、长轴之比，反映了功能区的大致形状并且具有旋转不变性：

$e=\frac{I_{\min }}{I_{\max }}=\frac{u_{20}+u_{02}-\sqrt{{(u_{20}-u_{02})}^2+{4u}_{11}^2}}{u_{20}+u_{02}+\sqrt{{(u_{20}-u_{02})}^2+{4u}_{11}^2}}\∈\left[\mathrm{0,1}\right]$

其中 $u_{\mathrm{pq}}=\underset{(x,y)\∈G}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^q$

最终，一个功能区的形状特征表示为F_i＝(v_i，e_i)，含有m个功能区的物流节点的形状特征矢量表示成为{F₁，F₂，Λ，F_m}，形状相似度描述为三者的结合，计算得到形状相似度来衡量物流节点的功能区约束条件的满足程度；

假设有功能区i，大小的权重为w_ρ，离散度的权重为w_v，离心率的权重为w_e，则物流节点的相似度为：

o_i＝exp[-w_ρ(ρ_i-ρ)²+w_v(v_i-v)²+w_e(e_i-e)²]

其中ρ、v、e为功能区面积、离散度、离心率的理想最优值，w_ρ+w_v+w_e＝1；

定义物流节点的形状相似度为物流节点内所有功能区相似度的加权平均值：

$O=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{n}_i{s}_i$

其中，ω_i是第i个功能区的权重，n_i是第i个功能区的网格数量。

④功能区形状约束的表示：

采用不规则度与面积率等指标作为惩罚函数对各功能区的形状进行约束，只含形状约束的情况指的是矩形，这里在适应度函数里增加形状约束：

$\mathrm{Fitness}\left(2\right)=\mathrm{\α}\frac{1}{\mathrm{\σ}}+\mathrm{\β}\frac{S}{\underset{i}{\mathrm{\Σ}}{\mathrm{Sj}}_i}+O$

对于既含形状又含尺寸约束的情况，设对功能区的长约束为l，短约束为w，这里在适应度函数里增加形状约束条件：

$\mathrm{Fitness}\left(2\right)=\mathrm{\α}\frac{1}{\mathrm{\σ}}+\mathrm{\β}\frac{S}{\underset{i}{\mathrm{\Σ}}{\mathrm{Sj}}_i}+\mathrm{\γ}(\underset{i}{\mathrm{\Σ}}\frac{l}{{\mathrm{lj}}_i}+\underset{i}{\mathrm{\Σ}}\frac{w}{{\mathrm{wj}}_i})+O$

5)功能区之间距离的表达：

对于距离的计算采用三种距离计算，包括M距离、L距离和欧式距离；M距离用于计算功能区之间的物流搬运距离，L距离用于对功能区形状集中度以及规则度的校正策略中，欧式距离用于计算功能区对于该功能区网格的吸引或排斥子的计算，三种距离的计算公式如下：

M_ij＝|X_i-X_j|+|Y_i-Y_j|，M_ij表示功能区i与功能区j之间的M距离；

L_ij＝max(|X_i-X_j|，|Y_i-Y_j|)，L_ij表示功能区i与功能区j之间的L距离；

D_ij表示功能区i与功能区j之间的欧式距离；

6)动态吸引或排斥子的引入：

在布局空间设置一些吸引点、吸引线、吸引子或者排斥点、排斥线、排斥子，使布局时功能区因受到其吸引或者排斥而靠近或者远离吸引点，从而达到布局优化的效果：

$f(x_i,y_i)=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{f}_t(x_i,y_i)$

其中， $f_t(x_i,y_i)=\underset{k}{\mathrm{\Σ}}{\mathrm{\α}}_{\mathrm{tk}}{d}_{\mathrm{ti}}$ (t＝1，2，…，m；i＝1，…，n)

f(x_i，y_i)为总的定位函数，f_t(x_i，y_i)为关于各个吸引子或排斥子的定位函数，m为吸引子或排斥子的个数，n为待布局功能区的数量；x方向为水平方向，y方向为垂直方向；(x_i，y_i)表示待布局功能区基点的坐标；(x_0i，y_0i)表示布局吸引子或排斥子的坐标，可取为布局空间的某些关键控制点或者关键控制线；若取关键控制点时，选取布局空间的物流节点出入口、交通枢纽；若取关键控制线时，根据实际需要选取重要交通通道；

α_tk表示权重因子，

权重因子α_tk根据不同方向的约束条件在布局中的重要程度来选择；

ω_t表示权重因子，

ω_t根据各个吸引子或排斥子在布局中起作用大小的程度来确定；如权重因子为正值，则表示吸引子，反之，则为排斥子；

定位的评价函数可描述为：

minf(x_i，y_i)

定位的评价函数是令功能区与布局空间中设定的吸引子之间的距离最小或令功能区与布局空间中设定的排斥子之间的距离最大；

采用基于动态吸引子的启发式布局求解算法及动态定位规则；

7)功能区的平移、缩放、旋转：

对功能区的缩放、平移、旋转采用如下的公式：

X′＝X/ZoomX·cos(r)-Y/ZoomY·sin(r)-MovX

Y′＝X/ZoomX·sin(r)+Y/ZoomY·cos(r)-MovY

其中，旋转角度r取90°、180°、270°三种情况。

进一步的，本发明基于计算机视觉的物流节点设施布局优化方法中，步骤(3)在生成初始解时，将地块分为100个以内的网格，简单描述它们之间的关系，生成初始方案后再转化为更为精细的网络表示形式。

进一步的，本发明基于计算机视觉的物流节点设施布局优化方法中，步骤(4)所述的方案优化，按如下步骤进行：

采用基于Agent的遗传模拟退火算法的优化方法对初始方案进行优化，对于功能区布局问题采用实数编码，即个体的基因型为[1，2，3，…，N]，N为总功能区数量，1代表第一个功能区，其余类推，该算法的具体步骤如下：

(4a)：程序初始化生成P个进程，每个进程ID号分别为0，1，…，P-1；

(4b)：产生物流节点地基布置的外廓形状。将规划区域划分为单位网格，产生功能区布置的外廓形状，规划区域长和宽均是最小单位长度的整数倍；

(4c)：进程0随机生成P个初始解群体并运用GA优化到指定的最大代数Gmax；对于初始群体的产生，采用CORELAP、CRAFT、ALDEP、MULTIPLE设施布局规划方法来得到初始解群体，将规划区域按照比较粗糙的划分方式进行网格划分，在得到初始方案后，将其转化为更为精细的网络划分条件下的初始解；

(4d)：进程0将P个个体分发给每一个进程，使每个进程得到一个个体作为SA的初始解；

(4e)：每个进程开始运用SA算法优化它所得到的解，每当降温前，将当前温度下获得的最优解通知进程0，然后等待进程0的消息；

(4f)：进程0一旦获得P个进程的最优解，重新构成一个含有P个个体的群体，并运用GA优化到指定的最大生成代数；

(4g)：进程0将GA优化后生成的P个个体中最优个体以广播方式通知每一个进程；

(4h)：如果连续两次降温，并用GA优化后获得最优解之间差小于预先设定的极小值，算法终止；否则，重复(4e)到(4h)所描述操作；

进一步的，本发明基于计算机视觉的物流节点设施布局优化方法中，步骤(4f)中各进程GA优化具体步骤如下：

1)计算函数适应度值，采用目标函数来计算函数的适应度，对于功能区形状的约束采用惩罚函数的形式来体现；

2)全局Agent操作：

①选择操作：采用常用的轮盘赌方法来选择适应度高的染色体；

②全局协调操作：全局Agent根据整个物流节点的布局情况，对各个功能区之间的位置关系进行协调，并将协调信息传达到功能区Agent，包括进行物流节点内部各功能区Agent之间的位置关系的协调与调整，如进行两个甚至多个功能区Agent之间的位置互换，参照CRAFT和MULTIPLE算法来确定功能区Agent之间的位置调整操作；

3)功能区Agent操作：

①交叉操作：采用单点交叉，将功能区Agent的位置属性进行交叉；

②功能区Agent调整操作：每个染色体的各功能区Agent在对其位置、空间形态以及与其它功能区Agent之间的关系进行评估的基础上，对自身功能区进行整体优化策略的选择，并将操作传达给网格Agent，功能区Agent根据其与其它功能区之间的位置关系以及作业关系进行移动操作，当功能区网格Agent过于分散或者无序时，放大该功能区Agent的吸引子来进行集中操作，使各功能区满足形状紧凑性约束；

4)网格Agent操作：

①变异操作：采取网格Agent互换变异，即先随机选择一个网格，将其与相邻的网格进行互换，变异时要注意相邻功能区是否是相连；应用前面的吸引或排斥子来进行校正；

5)遗传终止条件：采用遗传代数作为遗传计算的终止条件。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)对布局问题的研究大多局限于矩形功能区，不规则功能区通过不同方式转化为矩形功能区，本发明可用于采用计算机图形学来表征物流设施地块地形，实现复杂地形条件下物流节点设施布局优化。

(2)传统的布置方法，把选址区域作为一张“白纸”，不考虑内部的地理障碍、干线道路等对区域的分割，也没有考虑其周边区域与其内部区域的活动关系要求。物流节点是个相对宏观的空间，必须考虑交通及环境因素，内部的区块位置并不是“均质的”。物流节点内部区域布置，应该作为一个有约束条件的布置问题，即物流节点区域布置存在约束控制因素，需要考虑物流节点的相关控制点或者控制线，控制点和控制线一般是外围邻近的关联设施，例如港口码头、铁路货运站、铁路专用线、机场、高速公路出入口、城市主干道等，也可以是内部道路切割出来的主出入口。本发明基于计算机视觉技术，引入Multi-Agent技术与CA模拟技术，构建地理模拟系统，采用计算机图形学来表征物流设施地块地形及其约束条件。

(3)大多数已发表的有关设施布局问题的研究成果，建立的目标函数都是最小化物流作业成本，而忽略了功能区的几何形状、面积利用率等因素，本发明将功能区的几何形状、最大面积利用率与最小的物料搬运成本综合考虑，引入计算机视觉技术和图形技术解决物流节点空间关系难以表达的问题，以实现物流节点设施布局的综合优化。

本发明可实现复杂地形条件下多约束大规模物流节点设施布局优化，还可广泛应用于城市规划、交通运输、大规模集成电路设计、建筑设计、机械制造、航空航天等领域。

附图说明

图1是系统优化流程图；

图2是物流节点布局优化系统框架图；

图3是复杂形状地块的表达方法示意图；

图4是ALDEP法产生的初始解；

图5是MultiPLE法产生的初始解；

图6是基于多Agent的遗传模拟退火算法优化过程图；

图7是优化过程平均适应度值变化曲线图；

图8是最优方案图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

总体参照图1所示，一种基于计算机视觉的物流节点设施布局优化方法，包括如下步骤：

步骤(1)，基于多智能体和计算机视觉技术利用计算机建立物流节点设施布局优化模型。借鉴传统的设施布局优化方法，将功能区的几何形状、最大面积利用率与最小的物料搬运成本综合考虑，引入计算机视觉技术和图形技术解决物流节点空间关系难以表达的问题，以实现物流节点设施布局的综合优化，提出基于多智能体的物流节点设施布局规划研究的框架体系，基于多Agent技术构建物流节点布局优化的三层Agent模型，根据物流节点布局规划问题地形复杂、受到多方面因素的影响以及约束条件多而且空间形态与位置关系难以表达的特点，基于计算机视觉技术，引入多Agent技术与CA模拟技术，构建地理模拟系统，采用计算机图形学来表征物流设施地块地形及其约束条件。

步骤(2)，计算机辅助设施设计的前期工作。前期工作是整个物流节点设施规划设计中十分重要的阶段，包含了多种规划与设计环节：战略设施规划、可行性研究、场址选择、纲领设计、物流流程设计等。这里主要进行数据的收集和初步处理、建立物流节点物流服务系统的历史数据库和预测数据库。

步骤(3)，采用构建型算法在产生初始方案上的优势生成初始方案。选择ALDEP法和MULTIPLE法两种构建型方法来生成若干初始解，在生成初始解时，考虑到上述算法在处理大型布置问题，及多约束的布置问题等方面存在一定的局限性，在生成初始解时，对地块和各功能区的属性的图形化描述只是粗略的，将地块分为100个以内的网格，简单描述它们之间的关系，生成初始方案后再转化为更为精细的网络表示形式，在此基础上进行方案的进一步优化。

步骤(4)，方案优化。采用高度混合的遗传模拟退火算法，其中引入Agent技术对算法进行改进，对于功能区布局问题采用实数编码。

对于本发明的思路和流程描述如下：

物流节点设施布局优化系统采用多级递阶的层次结构，每一级由功能、结构类似的智能体Agent组成，主要包括：全局优化主体(LSA)、功能区主体(FA)和网格主体Agent(NA)。系统的优化流程和结构框架如图1和图2所示。

三层优化模型的优化由LSA、FA、NA共同完成。LSA从物流节点全局角度进行物流节点系统的方案优化，并引入协同机制实现FA之间的协同优化；FA负责物流节点各功能区的方案优化；NA负责网格的功能选择行为。LSA作为下级主体FA的协调单元，针对它们之间的协调优化确定协调对策和协调参量；FA则需向LSA传输关于其局部系统环境和系统优化性能的反馈信息，作为LSA的决策依据，同时，FA作为下级主体NA的协调单元。FA和NA主体间也可以相互协调，在协调不了时向上一层Agent寻求全局优化协调，这样，每个FA和NA都有一定的自主性，但又不完全独立，在接到其它FA和NA的协调请求时，就进入协调工作状态，并通过上一层Agent优化协调的决策达到全局最优，实现物流节点系统结构和布局方案的优化。三层优化模型制定的物流节点系统结构和布局方案的评估结果反馈给三层优化模型，优化模型根据评估结果进行方案的进一步调整。

步骤(3)所述的初始方案如下：

(1a)数学模型的表示：

物流节点设施布局规划，必须根据选定地址的地形地貌，对组成节点的各个部分确定其平面或者空间的位置，并根据内部作业流程，确定内部的作业流线，在此基础上，对物流节点各作业单元的位置和布局进行规划。

为了更进一步阐述问题的数学模型，首先假设规划区域被分割为W行、L列的格网单元(这里假设各功能区的间距要求已在各功能区所需面积中予以考虑)，即共有W·L个用地单元。而D_ij则表示功能区i与功能区j之间的直线距离。需要安排K种功能属性类型，X_ijk代表单元(ij)的功能属性类型，X_ijk是一个二元变量，如果单元(ij)的功能属性类型是k，其值为1；否则为0；X_k表示是第k种功能类型的规模。

表示单元(ij)和单元(i′j′)邻接次数的总和。功能区形状、尺寸等因素在后面运用模式识别中的不规则度与面积率等参数引入惩罚函数进行处理。

基于上述对问题的描述，物流节点布局优化问题的目标就是要使各功能区间总的物流成本最低，各功能区形状合理，面积利用率最高。物流中心布局规划所需要遵循的规划目标可能是很多的，但是考虑到数据获取具有一定难度，为了方便可行，这里仅对两个主要目标做了考虑，即最小化布局方案的物流费用和最大化布局方案在空间上的总协调性，同时考虑路网布局状况。空间协调性具体包括生活的舒适性和物流作业的便捷程度。本发明采用考虑物流成本最低的目标函数，则可以构建如下优化模型：

$\min =\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}\·f_{\mathrm{ij}}\·d_{\mathrm{ij}}+\underset{j=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}^{\′}\·f_{\mathrm{ij}}^{\′}\·d_{\mathrm{ij}}^{\′}+\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}^{\′\′}\·f_{\mathrm{ij}}^{\′\′}\·d_{\mathrm{ij}}^{\′\′}$

$s.t.\underset{i=1}{\overset{W}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{X}_{\mathrm{ijk}}=X_k,\∀k$

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{X}_{\mathrm{ijk}}=1,\∀i,j$

$S_{L_{\mathrm{ij},i^{\′}{j}^{\′}}}\≥1,\∀(\mathrm{ij},i^{\′}{j}^{\′})$

$m_{i_1{j}_{1}k,i_2{j}_{2}k}=1$

$d_{i_1{j}_1,i_2{j}_2>D}$

$i\∉B_{\mathrm{ij}}$ and $j\∉B_{\mathrm{ij}}$

$\underset{i_1{j}_1,i_2{j}_2}{\max }{d}_{i_1{j}_1,i_2{j}_2}\≤{\left(\mathrm{\λa}\right)}^{1/2}$

其中，C_ij为功能区i与功能区j之间每单位货物单位距离的物流成本；

f_ij表示功能区i与功能区j之间的物流量；

d_ij表示功能区i与功能区j之间物料搬运的直线距离；

C′_ij为功能区i与关键控制点j之间每单位货物单位距离的物流成本；

f′_ij表示功能区i与关键控制点j之间的物流量；

d′_ij表示功能区i与关键控制点j之间物料搬运的直线距离；

C″_ij为功能区i与关键控制线j之间每单位货物单位距离的物流成本；

f″_ij表示功能区i与关键控制线j之间的物流量；

d″_ij表示功能区i与关键控制线j之间物料搬运的直线距离；

表示功能属性为k的两个单元(i₁j₁)和(i₂j₂)的Manhattan距离；

表示功能属性为k₁的单元(i₁j₁)与功能属性为k₂的单元(i₂j₂)之间的欧氏距离；

B_ij表示某网格单元(ij)禁止布置区域的单元集合；

表示单元(i₁j₁)和单元(i₂j₂)之间的距离；

a表示地块的面积；

λ是一种紧凑形状的测度；

K表示功能区类型的数量；

M表示关键控制点数量；

N表示关键控制线数量；

L表示规划区域的最小包络矩形长度；

W表示规划区域的最小包络矩形宽度。

模型中，目标函数为考虑各功能区之间的物流费用、各功能区与关键控制线(如内部物流主通道、外部城市主通道、高速公路等)之间的物流费用和各功能区与关键控制点(如入口、出口以及周围的港口、货运站等)之间的费用最小化，约束条件包括功能区规模、网格占用、邻接、距离、方向、形状紧凑性约束^[5]。此外，在具体实际问题中可能还存在其他的约束条件，如建筑离高压走廊的横向和纵向距离、功能区形态约束(如矩形和圆形等)、功能区形态与主要道路平行约束等。

在上述模型中，目标函数和约束条件是非线性的、多维的，是一个组合问题，问题的大小随空间规划单元数量的增加而呈指数型增长，同时，各种空间约束和空间目标又加重了问题的复杂性和规模。

(1b)复杂地块的几何图形表示

在应用计算机工具进行功能区和设施布局之前，首先需要将进行规划区域转为数据格式。常用的三种多边形表达方法是顶点序列法、等距扫描法和网格拟合法。在本发明中，考虑到功能区形状的多样性，使用等距扫描法来表示物流节点的复杂地块形状，同时，为了简化分析，对功能区形态的分析采用项点序列链码Freeman链码来进行。对于已定(有)功能区，在算法优化的过程中将功能区对应的方格的功能属性设定为不可更改即可实现对已定(有)功能区的保留。下图为将规划区域划分为100×100的方格的网格图，红色区域为规划范围，灰色区域为区域已规划建设的道路，如图3所示。

(1c)功能区形状及其约束条件的表达

形状是功能区最具感观意义的特征之一，本发明借鉴计算机视觉和模式识别方法，对功能区的形状及其尺寸进行识别并加以约束。在计算机视觉和模式识别中，形状是对目标范围的二值图像表示，可以看成是目标的轮廓，它是目标识别的重要特征。

在区域物流节点空间规划问题中，可以采用两种空间单位作为决策变量(决策变量是指土地空间配置中所采用的最小空间单元)：由道路分割的“自然”地块和规则格网分割的规则格网单元，两者优缺点，不同学者选择不同空间单元作为决策变量，例如，Feng &Lin^[6]、Aerts & Heuvelink^[7]、Cromley & Hanink^[8]选择规则格网单元作为决策变量，而Matthews等选择“自然”地块作为决策变量^[9]。本发明结合两者的优势，选择规则格网单元作为空间决策变量，采用Freeman码来描述各功能区的形状与空间信息，对于功能区形状的约束通过引入不规则度以及最小包络矩形来描述。

1)功能区的的描述与网格顶点链码表示

对于功能区形状借鉴Bribiesca提出了用边界像素的顶点来标记图像的方法^[10]，链码是对边界点的一种编码表示方法。其特点是利用一系列具有特定长度和方向的相连直线段来表示目标的边界。因为每个线段的长度固定而方向数目有限，所以只有边界的起点需要坐标表示^[11]。其余点都可以只用接续方向来代表偏移量。链码表可以大大减少边界表示所需要的数据量。简单的链码是跟踪边界并赋给每两个相邻像素连线的一个方向值。本发明采用八方向的Freeman链码来表示各功能区形状，功能区边界Freeman链编码可以表示为{(x₀，y₀)1/a₀a₁a₂Λa_n-1}，(x₀，y₀)为功能区边界上起始网格坐标，a_i∈{0，1，2，3，4，5，6，7}是功能区的八方向链码。一个功能区的边界链码可以表示为：

L＝x₀，y₀，d₁，d₂，Λ.d_P-2

其中P为区域边界长度(即周长)。

Freeman链码的获取详见文献[12]，功能区边界直线度检测详见文献[13]。

2)区域边界规则度

根据前面的八方向链码，一个功能区可以表示为

L＝x₀，y₀，d₁，d₂，Λ.d_P-2

其中P为区域边界长度(即周长)。

可用规则度来表示功能区的边界规则程度。

σ＝R(L)

L表示分割区域的边界，R为规则度算子。

求区域的规则度，就是求区域边界的规则度。已知边界的链码表示L，可以通过链码把二维的区域边界转换为一个维函数，设

$a_i=\left\{\begin{array}{cc}0& |d_i-d_{i-1}|=\mathrm{0,4}\\ 0.5& |d_i-d_{i-1}|=\mathrm{2,6}\\ 1& |d_i-d_{i-1}|=\mathrm{1,3,5,7}\end{array}\right.$

其中，当i＝0时，令d_i-1＝0。

这样，规则度可以表示为

${\mathrm{\σ}}_1=\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}\underset{k=0}{\overset{i}{\mathrm{\Σ}}}{a}_k$

设一维函数为y＝f(x)，首先定义x₀＝0，y₀＝0。

y_i＝f(x_i)＝d_i

函数y＝f(x)的均值为

$\mathrm{\μ}=\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}f\left(x_i\right)=\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}{d}_i$

这样，规则度亦可以表示为

${\mathrm{\σ}}_2=\sqrt{\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}{(f\left(x_i\right)-\mathrm{\μ})}^2}=\sqrt{\frac{1}{P}\underset{i=0}{\overset{P}{\mathrm{\Σ}}}{(d_i-\mathrm{\μ})}^2}$

则综合规则度σ可表示为

σ＝w₁σ₁+w₂σ₂

3)功能区最小包络矩形、面积率、长轴、短轴

在考虑面积率约束的前提下，充分考虑不规则形状功能区自身的形状特征，选用最小包络矩形来布局，对于提高地块利用率具有至关重要的作用。由于凹顶点处不存在最小包络矩形，因此当一个顶点判断为凹顶点时，就因该将其进行消除，消除的办法就是将其前后相邻的点进行连接，然后重新进行顶点编号，重复此操作，直到所有的顶点均为凸项点为止。最小包络矩形求解步骤详见文献[14]。

定义功能区i的面积率为功能区i的实际面积除以其最小包络矩形面积。用下式表示：

$m_i=\frac{S_i}{{\mathrm{Sj}}_i}$

其中：m_i表示功能区i的面积率

S_i表示功能区i的实际面积

Sj_i表示功能区i的最小包络矩形面积

同时，将功能区i的最小包络矩形的长边定义为长轴，用lj_i表示其边长，功能区i的最小包络矩形的短边定义为短轴，用wj_i表示其边长。

4)功能区形状特征及形状约束的表示

在物流节点内部各功能区，其形状往往是满足一定的的几何形态的，如常见的矩形和圆形等。在生产实践中，不当、过大、低度使用的功能区面积，除了造成投资上的浪费外，也造成管理上的浪费与不便。因此，有必要采用引入不规则度来改善不规则的车间形状与提高建筑的面积利用率。为了使功能区的形状满足约束，我们借鉴采用形状的区域特征同样能有效的描述形状的特性^[15-16]。本发明采用以下典型特征值：

1.面积

功能区面积ρ是功能区面积占物流节点总面积的百分比，反映了功能区的尺度特征。

$\mathrm{\ρ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\underset{k=g}{\mathrm{\Σ}}{X}_{\mathrm{ijk}}}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{X}_{\mathrm{ijk}}}$

2.离散度

形状的离散度v类似于功能区的包围盒，反映了该功能区网格相对于功能区中心的离散程度，因为它统计特征，显然要比矩形包围盒更具有鲁棒性。

$v=\sqrt{\underset{(x,y)\∈G}{\mathrm{\Σ}}{\left(\begin{array}{cc}x& \stackrel{\‾}{x}\end{array}\right)}^2+{\left(\begin{array}{cc}y& \stackrel{\‾}{y}\end{array}\right)}^2/\mathrm{Gnum}}/\max (W,H)$

3.离心率

离心率e是功能区最适椭圆的短、长轴之比，反映了功能区的大致形状并且具有旋转不变性。

$e=\frac{I_{\min }}{I_{\max }}=\frac{u_{20}+u_{02}-\sqrt{{(u_{20}-u_{02})}^2+{4u}_{11}^2}}{u_{20}+u_{02}+\sqrt{{(u_{20}-u_{02})}^2+{4u}_{11}^2}}\∈\left[\mathrm{0,1}\right]$

其中 $u_{\mathrm{pq}}=\underset{(x,y)\∈G}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^q$

最终，一个功能区的形状特征可以表示为F_i＝(v_i，e_i)，含有m个功能区的物流节点的形状特征矢量可以表示成为{F₁，F₂，Λ，F_m}，形状相似度可以描述为三者的结合，计算得到形状相似度来衡量物流节点的功能区约束条件的满足程度。假设有功能区i，大小的权重为w_ρ，离散度的权重为w_v，离心率的权重为w_e，则物流节点的相似度为：

其中ρ、v、e为功能区面积、离散度、离心率的理想最优值，w_ρ+w_v+w_e＝1。

定义物流节点的形状相似度为物流节点内所有功能区相似度的加权平均值：

$O=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{n}_i{s}_i$

其中，ω_i是第i个功能区的权重，n_i是第i个功能区的网格数量。这个值越大，说明越符合形状约束。

4.功能区形状约束的表示

对于各功能区的形状与规模尺寸的约束，大约分为形状约束、尺寸约束，其中对物流节点功能区形状的分类，主要包括只含形状约束、含形状与尺寸约束两种。本发明采用不规则度与面积率等指标作为惩罚函数对各功能区的形状进行约束。

只含形状约束的情况主要指的是矩形，这里在适应度函数里增加形状约束：

$\mathrm{Fitness}\left(2\right)=\mathrm{\α}\frac{1}{\mathrm{\σ}}+\mathrm{\β}\frac{S}{\underset{i}{\mathrm{\Σ}}{\mathrm{Sj}}_i}+O$

对于既含形状又含尺寸约束的情况，设对功能区的长约束为l，短约束为w。这里在适应度函数里增加形状约束条件：

$\mathrm{Fitness}\left(2\right)=\mathrm{\α}\frac{1}{\mathrm{\σ}}+\mathrm{\β}\frac{S}{\underset{i}{\mathrm{\Σ}}{\mathrm{Sj}}_i}+\mathrm{\γ}(\underset{i}{\mathrm{\Σ}}\frac{l}{{\mathrm{lj}}_i}+\underset{i}{\mathrm{\Σ}}\frac{w}{{\mathrm{wj}}_i})+O$

5)功能区之间距离的表达

对于物流节点内部布局优化问题，本发明对于距离的计算采用三种距离计算，包括M距离、L距离和欧式距离。M距离主要用于计算功能区之间的物流搬运距离，L距离用于对功能区形状集中度以及规则度的校正策略中，欧式距离用于计算功能区对于该功能区网格的吸引(排斥)子的计算，三种距离的计算公式如下：

M_ij＝|X_i-X_j|+|Y_i-Y_j|          表示功能区i与功能区j之间的M距离；

L_ij＝max(|X_i-X_j|，|Y_i-Y_j|)    表示功能区i与功能区j之间的L距离；

表示功能区i与功能区j之间的欧式距离。

6)动态吸引(排斥)子的引入

将功能区放置的空间进行量化处理，通过映射f(x，y)的作用将其变换为一个可以比较的数值，以此确定当前摆放位置是否可行及优劣^[17]。在布局空间设置一些吸引点、吸引线(吸引子)或者排斥点、排斥线(排斥子)，使布局时功能区因受到其吸引或者排斥而靠近或者远离吸引点，从而达到布局优化的效果。

$f(x_i,y_i)=\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_t{f}_t(x_i,y_i)$

其中， $f_t(x_i,y_i)=\underset{k}{\mathrm{\Σ}}{\mathrm{\α}}_{\mathrm{tk}}{d}_{\mathrm{ti}}$ (t＝1，2，…，m；i＝1，…，n)

f(x_i，y_i)为总的定位函数，f_t(x_i，y_i)为关于各个吸引(排斥)子的定位函数，m为吸引(排斥)子的个数，n为待布局功能区的数量；x方向为水平方向，y方向为垂直方向。

(x_i，y_i)表示待布局功能区基点的坐标。

(x_0i，y_0i)表示布局吸引(排斥)子的坐标，可取为布局空间的某些关键控制点或者关键控制线。若取关键控制点时，一般常取布局空间的物流节点出入口、交通枢纽等；若取关键控制线时，则可根据实际需要选取重要交通通道。

α_tk表示权重因子，权重因子α_tk可根据不同方向的约束条件在布局中的重要程度来选择。

ω_t表示权重因子，ω_t根据各个吸引(排斥)子在布局中起作用大小的程度来确定。如权重因子为正值，则表示吸引子，反之，则为排斥子。

定位的评价函数可描述为：

minf(x_i，y_i)

上述评价函数是结合布局问题的特点基于启发式方法提出的。本发明中定位的评价函数是令功能区与布局空间中设定的吸引子之间的距离最小或令功能区与布局空间中设定的排斥子之间的距离最大，在布局过程中，功能区之间不能相互干涉，且功能区应布置在规划空间内。吸引(排斥)子定位可分为静态和动态两种方式。静态吸引(排斥)子定位方式是指各个权重因子数值和吸引(排斥)子位置在布局过程中始终保持不变；动态吸引(排斥)子则随着布局条件的变化而变化。

本发明采用基于动态吸引子的启发式布局求解算法及动态定位规则，运用相应的布局策略结合吸引(排斥)子的应用会使算法简化，复杂度降低，便于推广和应用，从而使功能区的摆放更加合理^[18]。

7)功能区的平移、缩放、旋转

由于功能区布局问题很复杂，需要对功能区进行大量的移动、旋转、干涉检验等操作，以得到更好的布局结果。在本发明中，借鉴在图像分析和图像识别方法，对功能区的缩放、平移、旋转采用如下的公式：

X′＝X/ZoomX·cos(r)-Y/ZoomY·sin(r)-MovX

Y′＝X/ZoomX·sin(r)+Y/ZoomY·cos(r)-MovY

其中，旋转角度r取90°、180°、270°三种情况。

本发明的基于计算机视觉的物流节点设施布局优化方法，其中步骤(2)所述的计算机辅助设施设计的前期工作，按如下步骤进行：

前期工作是整个物流节点设施规划设计中十分重要的阶段，包含了多种规划与设计环节：战略设施规划、可行性研究、场址选择、纲领设计、物流流程设计等。因此计算机在这一阶段中的应用，呈现了多种形式。

(2a)数据的收集和初步处理

物流节点设施规划设计，本质上是将一系列对物流节点系统的要求，通过规划设计人员和其他相关人员的经验和知识，“翻译”为物流节点的各个方面、各个环节的具体技术要求，从而使系统得以实施。物流节点布局优化在不同的阶段需要大量输人数据。要确定P、Q、R、S、T(产品、产量、工艺路线、服务支持、时间)、场址的各项属性以及各功能区对场址的要求以及对面积、对公用工程建设等各种需求，还有关于项目各功能区的投资和造价等等。涉及几十种数据表格(包括物料信息分类、物流从至表、对流量表等)，对一个中、大型规模项目，数据十分浩繁，这些基础数据存储在数据库系统以备调用。

(2b)建立物流节点物流服务系统的历史数据库和预测数据库

要对所设计系统的各种参数有一个粗略的估算，这些参数主要包括物流市场需求的历史资料与物流供给的预测、物流节点经营的发展战略与策略、产品产量、物流生产规模、面积、人员、投资需求、投资回报率等。要获得这些粗略估算，最简单的方法是逐年累计建立各类物流服务系统的历史数据库。新建项目的各项需求，可以应用类似项目的历史数据，采用数学方法(如各类回归、曲线拟合等)来类比，估计新建系统的各项要求以及将来发展需求的预测等。建立物流系统的历史数据库和预测数据库一个十分普遍的方法就是，将已有的物流节点系统的主要指标，如生产规模、面积、人员、投资、产量、主要流量、主要工艺等用计算机归类分开建立知识库和数据库以备使用。

本发明的基于计算机视觉的物流节点设施布局优化方法，其中步骤(3)所述的初始解的确定，具体描述如下：

本发明选择ALDEP法和MULTIPLE法两种构建型方法来生成若干初始解，在生成初始解时，考虑到上述算法在处理大型布置问题，及多约束的布置问题等方面存在一定的局限性，在生成初始解时，对地块和各功能区的属性的图形化描述只是粗略的，将地块分为100个以内的网格，简单描述它们之间的关系，生成初始方案后再转化为更为精细的网络表示形式，在此基础上进行方案的进一步优化。

本发明的基于计算机视觉的物流节点设施布局优化方法，其中步骤(4)所述的方案优化，按如下步骤进行：

由于地块条件复杂，物流节点布局难度大，约束条件较多，需要花费相当长的时间进行布局求解，对于这类问题，常规的精确算法求解不仅困难，有时甚至是不可能的，启发式方法则是解决问题的另一种途径。本发明采用基于Agent的遗传模拟退火算法的优化方法对初始方案进行优化^[1]，对于功能区布局问题采用实数编码，即个体的基因型为[1，2，3，…，N]，N为总功能区数量，1代表第一个功能区，其余类推。这里的算法采用高度混合的遗传模拟退火算法，其中引入Agent技术对算法进行改进。该算法的具体步骤如下：

(4a)：程序初始化生成P个进程，每个进程ID号分别为0，1，…，P-1。

(4b)：产生物流节点地基布置的外廓形状。将规划区域划分为单位网格，产生功能区布置的外廓形状，规划区域长和宽均应该是最小单位长度的整数倍。

(4c)：进程0随机生成P个初始解群体并运用GA优化到指定的最大代数Gmax。对于初始群体的产生，本发明采用CORELAP、CRAFT、ALDEP、MULTIPLE等经典设施布局规划方法来得到初始解群体，为了提高初始解的求解效率，可以将规划区域按照比较粗糙的划分方式进行网格划分，在得到初始方案后，将其转化为更为精细的网络划分条件下的初始解。

(4d)：进程0将P个个体分发给每一个进程，从而保证了每个进程得到一个个体作为SA的初始解。

(4e)：每个进程开始运用SA算法优化它所得到的解，但每当降温前，将当前温度下获得的最优解通知进程0，然后等待进程0的消息。

(4f)：进程0一旦获得P个进程的最优解，重新构成一个含有P个个体的群体，并运用GA优化到指定的最大生成代数，各进程GA优化步骤如下：

1)计算函数适应度值。采用目标函数来计算函数的适应度，对于功能区形状的约束采用惩罚函数的形式来体现。

2)全局Agent操作

①选择操作。本发明采用常用的轮盘赌方法来选择适应度高的染色体。

②全局协调操作。全局Agent根据整个物流节点的布局情况，对各个功能区之间的位置关系进行协调，并将协调信息传达到功能区Agent，包括进行物流节点内部各功能区Agent之间的位置关系的协调与调整，如进行两个甚至多个功能区Agent之间的位置互换，具体参照CRAFT和MULTIPLE算法来确定功能区Agent之间的位置调整操作。

3)功能区Agent操作

①交叉操作。常用的交叉有单点交叉、双点交叉、多点交叉及一致交叉等。根据物流节点内部布局的实际，这里采用单点交叉，将功能区Agent的位置属性进行交叉。

②功能区Agent调整操作。由于每个染色体的各功能区Agent在对其位置、空间形态以及与其它功能区Agent之间的关系进行评估的基础上，可以对自身功能区进行整体优化策略的选择，如整体移动、旋转、集中等操作，并将操作传达给网格Agent，功能区Agent根据其与其它功能区之间的位置关系以及作业关系进行移动操作，当功能区网格Agent过于分散或者无序时，可以放大该功能区Agent的吸引子来进行集中操作，使各功能区满足形状紧凑性约束。

4)网格Agent

①变异操作。变异操作采取网格Agent互换变异，即先随机选择一个网格，将其与相邻的网格进行互换，变异时要注意相邻功能区是否是相连。同时，考虑到进行变异或者其它操作时可能产生不合理的个体，这里应用前面的吸引(排斥)子来进行校正。

5)遗传终止条件。为了方便起见，本发明采用遗传代数作为遗传计算的终止条件。

(4g)：进程0将GA优化后生成的P个个体中最优个体以广播方式通知每一个进程。

(4h)：如果连续两次降温，并用GA优化后获得最优解之间差小于预先设定的极小值，算法终止；否则，重复(4e)到(4h)所描述操作。

试验结果：

本发明以一个40×40的物流节点区域优化进行实验分析，相关功能区如表1所示，功能区之间的从至表如表2所示，其它与物流节点各功能区相关联的关键控制点和关键控制线属性及其与各功能区之间的物流联系如表3、表4、表5和表6所示。采用ALDEP法和MULTIPLE法生成初始方案集合，ALDEP法和MULTIPLE法生成的初始方案集中最优的方案分别如图4、图5所示，遗传模拟退火算法的参数设置如表7和表8所示，优化最优解及其平均适应度值变化如图6、图7所示，优化方案如图8所示。基于上述实验及其优化方案结果的分析，可以看出：

(1)产生物流节点布局方案的过程是十分复杂的、繁重费时的。随着问题复杂程度的增加，规划师的劳动将成倍增加，在这种情况下采用计算机自动生成布局方案的优势将更加明显。物流节点布局规划问题是一个非线性、高维的大规模的优化问题，如果在现有计算资源的条件下，常规的优化算法不能在有限的时间内得到问题的最优解，采用SA和GA结合是恰当的，初步的应用结果表明，SA和GA可以产生满足规划要求的物流节点空间配置方案。但是，除非在优化中考虑了所有的规划目标、实际约束条件等，否则SA和GA只能作为在决策过程早期阶段的一种快速的、简单的优化技术，其产生的规划方案也仅能为决策者和规划者提供参考。

(2)本发明提出的布局优化方法不仅可以应用于产生物流节点内部布局方案的问题，在城市规划、物流规划等大量领域的布局优化问题中都是适用的，这些问题往往是非线性、高维的，常规优化方法的处理有很大的困难和复杂性，只要对其中的规划目标、实际约束条件进行合理考虑，将该框架应用于各领域的布局优化中将是一个很好的途径。

表1功能区情况表

表2功能区之间从至表

表3关键控制线属性表

编号	名称	类型	位置
				1	横向主干道	Y	50
2	纵向主干道	X	50
				3	外部主干道	X	0
4	外部主干道	Y	100

表4关键控制点属性表

方格编号	方格行号	方格列号
			1	100	50
2	100	50
			3	-100	-100
4	-10	10
			5	110	110

表5功能区与关键控制点物流联系表

功能区编号	关键点编号	单位物流费用	物流量
				1	3	50	50
2	3	50	50
				3	3	40	100
4	3	40	100
				5	3	30	30
1	4	50	50
				2	4	50	50
3	4	40	100

4	4	40	100
				5	4	30	30

表6功能区与关键控制线物流联系表

功能区编号	主线编号	单位物流费用	物流量
				1	1	30	20
2	1	20	20
				3	1	50	20
4	1	40	20
				5	1	20	20
1	2	30	20
				2	2	20	20
3	2	50	20
				4	2	40	20
5	2	20	20
				1	3	40	20
2	3	20	20
				3	3	50	20
4	3	50	20
				5	3	20	20
1	4	40	20
				2	4	20	20
3	4	50	20
				4	4	50	20
5	4	20	20

表7遗传模拟退火算法仿真参数设置

表8Agent操作参数

Claims (3)

1.一种基于计算机视觉的物流节点设施布局优化方法，其特征在于，包括如下步骤： 

步骤(1)，基于计算机视觉技术，采用多智能体Multi-Agent技术与元胞自动机CA模拟技术，构建地理模拟系统，采用计算机图形学来表征物流设施地块地形及其约束条件，构建物流节点设施布局优化的三层Agent优化模型；所述三层Agent优化模型采用多级递阶的层次结构，从上至下依次包括：全局优化主体LSA、功能区主体FA和网格主体NA，每一级由功能、结构类似的智能体Agent组成；其中： 

全局优化主体LSA作为功能区主体FA的协调单元，从物流节点全局角度进行物流节点系统的方案优化，并引入协同机制实现与功能区主体FA之间的协同优化，确定协调对策和协调参量； 

功能区主体FA负责物流节点各功能区的方案优化，向全局优化主体LSA传输关于其局部系统环境和系统优化性能的反馈信息，作为全局优化主体(LSA)的决策依据，同时作为网格主体NA的协调单元； 

网格主体NA负责网格的功能选择行为，与功能区主体FA相互协调，在协调不了时向上一层Agent寻求全局优化协调；在接到其它功能区主体FA和网格主体NA的协调请求时，就进入协调工作状态，并通过上一层Agent优化协调的决策达到全局最优，实现物流节点系统结构和布局方案的优化； 

步骤(2)，进行物流节点设施布局设计数据的收集和初步处理，建立物流节点、物流服务系统的历史数据库和预测数据库； 

步骤(3)，采用自动布置设计程序ALDEP和多层仓库定量布置程序MULTIPLE两种构建型算法产生物流节点设施布局的初始方案，在初始方案的基础上生成初始解，制定物流节点系统结构和布局方案的评估结果；所述初始方案的建立步骤如下： 

(1a)数学模型的表示： 

首先假设规划区域被分割为W行、L列的格网单元，即共有W·L个用地单元； 

定义D_ij表示功能区i与功能区j之间的直线距离，需要安排K种功能属性类型，X_ijk代表单元(ij)的功能属性类型，X_ijk是一个二元变量，如果单元(ij)的功能属性类型是k，其值为1；否则为0；X_k表示是第k种功能类型的规模，表示单元(ij)和单元(i′j′)邻接次数的总和； 

采用考虑物流成本最低的目标函数，构建如下优化模型： 

and

其中，C_ij为功能区i与功能区j之间每单位货物单位距离的物流成本； 

f_ij表示功能区i与功能区j之间的物流量； 

d_ij表示功能区i与功能区j之间物料搬运的直线距离； 

C′_ij为功能区i与关键控制点j'之间每单位货物单位距离的物流成本； 

f′_ij表示功能区i与关键控制点j'之间的物流量； 

d′_ij表示功能区i与关键控制点j'之间物料搬运的直线距离； 

C″_ij为功能区i与关键控制线j″之间每单位货物单位距离的物流成本； 

f″_ij表示功能区i与关键控制线j″之间的物流量； 

d″_ij表示功能区i与关键控制线j″之间物料搬运的直线距离； 

表示功能属性为k的两个单元(i₁j₁)和(i₂j₂)的Manhattan距离； 

表示功能属性为k₁的单元(i₁j₁)与功能属性为k₂的单元(i₂j₂)之间的欧氏距离； 

B_ij表示某网格单元(ij)禁止布置区域的单元集合； 

表示单元(i₁j₁)和单元(i₂j₂)之间的距离； 

a表示地块的面积； 

λ是一种紧凑形状的测度； 

K表示功能区类型的数量； 

M表示关键控制点数量； 

N表示关键控制线数量； 

L表示规划区域的最小包络矩形长度； 

W表示规划区域的最小包络矩形宽度； 

(1b)复杂地块的几何图形表示： 

将规划区域转为数据格式；用等距扫描法来表示物流节点的复杂地块形状，对功能区形态的分析采用项点序列链码Freeman链码来进行；对于已有功能区，在算法优化的过程中将功能区对应的方格的功能属性设定为不可更改； 

(1c)功能区形状及其约束条件的表达： 

选择规则格网单元作为空间决策变量，采用Freeman码来描述各功能区的形状与空间信息，对于功能区形状的约束通过引入不规则度以及最小包络矩形来描述；具体如下： 

1)功能区的的描述与网格顶点链码表示： 

对于功能区形状用边界像素的顶点来标记图像的方法，采用八方向的Freeman链码来表示各功能区形状，功能区边界Freeman链编码可以表示为{(x₀,y₀)1/a₀a₁a₂…a_n-1}，其中(x₀,y₀)为功能区边界上起始网格坐标，α_i∈{0,1,2,3,4,5,6,7}是功能区的八方向链码； 

一个功能区的边界链码表示为： 

L=x₀,y₀,d₁,d₂,….d_P-2；其中P为区域边界长度； 

2)区域边界规则度： 

用规则度来表示功能区的边界规则程度； 

σ=R(L) 

L表示分割区域的边界，R为规则度算子； 

求区域的规则度，就是求区域边界的规则度，已知边界的链码表示L，通过链码把二维的区域边界转换为一个维函数，设 

其中，当i=0时，令d_i-1＝0； 

这样，规则度可以表示为 

设一维函数为y=f(x)，首先定义x₀=0,y₀=0； 

y_i=f(x_i)=d_i

函数y=f(x)的均值为 

这样，规则度亦可以表示为 

则综合规则度σ可表示为 

σ=w₁σ₁+w₂σ₂； 

3)功能区最小包络矩形、面积率、长轴、短轴： 

选用最小包络矩形来布局，当一个顶点判断为凹顶点时，将其进行消除，消除的办法就是将其前后相邻的点进行连接，然后重新进行顶点编号，重复此操作，直到所有的顶点均为凸项点为止； 

定义功能区i的面积率为功能区i的实际面积除以其最小包络矩形面积，用下式表示： 

其中：m_i表示功能区i的面积率，S_i表示功能区i的实际面积，Sj_i表示功能区i的最小包络矩形面积； 

同时，将功能区i的最小包络矩形的长边定义为长轴，用lj_i表示其边长，功能区i的最小包络矩形的短边定义为短轴，用wj_i表示其边长； 

4)功能区形状特征及形状约束的表示： 

采用引入不规则度来改善不规则的车间形状与提高建筑的面积利用率，采用形状的区域特征同样能有效的描述形状的特性，采用以下典型特征值： 

①面积 

功能区面积ρ是功能区面积占物流节点总面积的百分比，反映了功能区的尺度特征： 

②离散度 

形状的离散度v类似于功能区的包围盒，反映了该功能区网格相对于功能区中心的离散程度： 

③离心率 

离心率e是功能区最适椭圆的短、长轴之比，反映了功能区的大致形状并且具有旋转不变性： 

其中

最终，一个功能区的形状特征表示为F_i=(v_i,e_i)，含有m个功能区的物流节点的形状特征矢量表示成为{F₁,F₂,…,F_m}，形状相似度描述为三者的结合，计算得到形状相似度来衡量物流节点的功能区约束条件的满足程度； 

假设有功能区i，大小的权重为w_ρ，离散度的权重为w_v，离心率的权重为w_e，则物流节点的相似度为： 

o_i=exp[-w_ρ(ρ_i-ρ)²+w_v(v_i-v)²+w_e(e_i-e)²] 

其中ρ、v、e为功能区面积、离散度、离心率的理想最优值，w_ρ+w_v+w_e=1； 

定义物流节点的形状相似度为物流节点内所有功能区相似度的加权平均值： 

其中，ω_i是第i个功能区的权重，n_i是第i个功能区的网格数量 ；

④功能区形状约束的表示： 

采用不规则度与面积率等指标作为惩罚函数对各功能区的形状进行约束，只含形状约束的情况指的是矩形，这里在适应度函数里增加形状约束： 

对于既含形状又含尺寸约束的情况，设对功能区的长约束为l，短约束为w，这里在适应度函数里增加形状约束条件： 

5)功能区之间距离的表达： 

对于距离的计算采用三种距离计算，包括M距离、L距离和欧式距离；M距离用于计算功能区之间的物流搬运距离，L距离用于对功能区形状集中度以及规则度的校正策略中，欧式距离用于计算功能区对于该功能区网格的吸引或排斥子的计算，三种距离的计算公式如下： 

M_ij=|X_i-X_j|+|Y_i-Y_j|，M_ij表示功能区i与功能区j之间的M距离； 

L_ij=max(|X_i-X_j|,|Y_i-Y_j|)，L_ij表示功能区i与功能区j之间的L距离； 

D_ij表示功能区i与功能区j之间的欧式距离； 

6)动态吸引或排斥子的引入： 

在布局空间设置一些吸引点、吸引线、吸引子或者排斥点、排斥线、排斥子，使布局时功能区因受到其吸引或者排斥而靠近或者远离吸引点，从而达到布局优化的效果： 

其中，

f(x_i,y_i)为总的定位函数，f_t(x_i,y_i)为关于各个吸引子或排斥子的定位函数，m为吸引子或排斥子的个数，n为待布局功能区的数量；x方向为水平方向，y方向为垂直方向；(x_i,y_i)表示待布局功能区基点的坐标；(x_0i，y_0i)表示布局吸引子或排斥子的坐标，可取为布局空间的某些关键控制点或者关键控制线；若取关键控制点时，选取布局空间的物流节点出入口、交通枢纽；若取关键控制线时，根据实际需要选取重要交通通道； 

α_tk表示权重因子，

权重因子α_tk根据不同方向的约束条件在布局中的重要程度来选择； 

ω_t表示权重因子，

ω_t根据各个吸引子或排斥子在布局中起作用大小的程度来确定；如权重因子为正值，则表示吸引子，反之，则为排斥子； 

定位的评价函数可描述为： 

minf(x_i,y_i) 

定位的评价函数是令功能区与布局空间中设定的吸引子之间的距离最小或令功能区与布局空间中设定的排斥子之间的距离最大； 

采用基于动态吸引子的启发式布局求解算法及动态定位规则； 

7）功能区的平移、缩放、旋转： 

对功能区的缩放、平移、旋转采用如下的公式： 

X′＝X/ZoomX·cos(r)-Y/ZoomY·sin(r)-MovX 

Y′＝X/ZoomX·sin(r)+Y/ZoomY·cos(r)-MovY 

其中，旋转角度r取90°、180°、270°三种情况； 

步骤(4)，方案优化：将遗传算法与模拟退火算法结合形成高度混合的遗传模拟退火算法，并在其中引入三层Agent优化模型对遗传模拟退火算法进行优化改进，对于功能区布局问题采用实数编码，形成物流节点设施布局优化算法；具体按如下步骤进行： 

采用基于Agent的遗传模拟退火算法的优化方法对初始方案进行优化，对于功能区布局问题采用实数编码，即个体的基因型为[1,2,3,…,N]，N为总功能区数量，1代表第一个功能区，其余类推，该算法的具体步骤如下： 

(4a)：程序初始化生成P个进程，每个进程ID号分别为0，1，…，P-1； 

(4b)：产生物流节点地基布置的外廓形状，将规划区域划分为单位网格，产生功能区布置的外廓形状，规划区域长和宽均是最小单位长度的整数倍； 

(4c)：进程0随机生成P个初始解群体并运用遗传算法GA优化到指定的最大代数Gmax；对于初始群体的产生，采用计算机化关系布置规划CORELAP、定量布置程序CRAFT、自动布置设计程序ALDEP、多层仓库定量布置程序MULTIPLE设施布局规划方法来得到初始解群体，将规划区域按照比较粗糙的划分方式进行网格划分，在得到初始方案后，将其转化为更为精细的网络划分条件下的初始解； 

(4d)：进程0将P个个体分发给每一个进程，使每个进程得到一个个体作为模拟退火算法SA的初始解； 

(4e)：每个进程开始运用模拟退火算法SA优化它所得到的解，每当降温前，将当前温度下获得的最优解通知进程0，然后等待进程0的消息； 

(4f)：进程0一旦获得P个进程的最优解，重新构成一个含有P个个体的群体，并运用遗传算法GA优化到指定的最大生成代数； 

(4g)：进程0将遗传算法GA优化后生成的P个个体中最优个体以广播方式通知每一个进 程； 

(4h)：如果连续两次降温，并用遗传算法GA优化后获得最优解之间差小于预先设定的极小值，算法终止；否则，重复(4e)到(4h)所描述操作； 

其中步骤(4f)中各进程遗传算法GA优化具体步骤如下： 

1)计算函数适应度值，采用目标函数来计算函数的适应度，对于功能区形状的约束采用惩罚函数的形式来体现； 

2)全局Agent操作： 

①选择操作：采用常用的轮盘赌方法来选择适应度高的染色体； 

②全局协调操作：全局Agent根据整个物流节点的布局情况，对各个功能区之间的位置关系进行协调，并将协调信息传达到功能区Agent，包括进行物流节点内部各功能区Agent之间的位置关系的协调与调整，如进行两个甚至多个功能区Agent之间的位置互换，参照CRAFT和多层仓库定量布置程序MULTIPLE算法来确定功能区Agent之间的位置调整操作； 

3)功能区Agent操作： 

①交叉操作：采用单点交叉，将功能区Agent的位置属性进行交叉； 

②功能区Agent调整操作：每个染色体的各功能区Agent在对其位置、空间形态以及与其它功能区Agent之间的关系进行评估的基础上，对自身功能区进行整体优化策略的选择，并将操作传达给网格Agent，功能区Agent根据其与其它功能区之间的位置关系以及作业关系进行移动操作，当功能区网格Agent过于分散或者无序时，放大该功能区Agent的吸引子来进行集中操作，使各功能区满足形状紧凑性约束； 

4)网格Agent操作： 

①变异操作：采取网格Agent互换变异，即先随机选择一个网格，将其与相邻的网格进行互换，变异时要注意相邻功能区是否是相连；应用前面的吸引或排斥子来进行校正； 

5)遗传终止条件：采用遗传代数作为遗传计算的终止条件。 

2.根据权利要求1所述的基于计算机视觉的物流节点设施布局优化方法，其特征在于：步骤(2)所述具体步骤如下： 

(2a)数据的收集和初步处理： 

确定产品P、产量Q、工艺路线R、服务支持S、时间T，场址的各项属性以及各功能区对场址的要求以及对面积、对公用工程建设的各种需求，还有关于项目各功能区的投资和造价，将基础数据存储在数据库系统以备调用； 

(2b)建立物流节点物流服务系统的历史数据库和预测数据库： 

逐年累计建立各类物流服务系统的历史数据库，来粗略估算所设计系统的各种参数，这些参数包括物流市场需求的历史资料与物流供给的预测、物流节点经营的发展战略与策略、产品产量、物流生产规模、面积、人员、投资需求、投资回报率； 

应用类似项目的历史数据来确定新建项目的各项需求，采用回归、曲线拟合数学方法来类比，估计新建系统的各项要求以及将来发展需求的预测； 

将已有的物流节点系统的主要指标用计算机归类分开建立知识库和数据库以备使用，建立物流系统的历史数据库和预测数据库。 

3.根据权利要求1所述的基于计算机视觉的物流节点设施布局优化方法，其特征在于：步骤(3)在生成初始解时，将地块分为100个以内的网格，简单描述它们之间的关系，生成初始方案后再转化为更为精细的网络表示形式。 

Images