CN104504453A - 一种多目标优化的军事运输过程的优化调度方法 - Google Patents
一种多目标优化的军事运输过程的优化调度方法 Download PDFInfo
- Publication number
- CN104504453A CN104504453A CN201410668324.2A CN201410668324A CN104504453A CN 104504453 A CN104504453 A CN 104504453A CN 201410668324 A CN201410668324 A CN 201410668324A CN 104504453 A CN104504453 A CN 104504453A
- Authority
- CN
- China
- Prior art keywords
- destination
- sigma
- optimization
- forall
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002096 quantum dot Substances 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多目标优化的军事运输过程的优化调度方法,属于车辆调度智能优化调度技术领域。本发明通过确定多目标优化的军事运输过程的调度模型和优化目标,并使用基于量子种群增量学习算法的优化调度方法对优化目标进行优化。本发明提出了多目标优化的军事车辆优化调度过程的调度模型和优化目标,结构清晰准确;采用根据算法步骤得到当前种群的“最优个体”并将“最优个体”信息反馈到量子位观测模型用于更新下一代种群,能够有效的引导算法进行全局搜索;对种群“最优个体”、执行“Ejection Pool”和“Operate Assemble”操作使得算法的局部开发能力得到显著提高,进一步提升解的质量。
Description
技术领域
本发明涉及一种多目标优化的军事运输过程的优化调度方法,属于车辆调度智能优化调度技术领域。
背景技术
所谓“兵马未动,粮草先行”,自古至今军事运输在战争中都起着至关重要的作用。依靠现代化运输设备,将大量作战人员、物资和装备通过陆运、水运、空运等运输手段向作战地集结,快速形成战斗力。军事运输能力是大国国力的象征,也是震慑周边不安因素的绝对力量。在现代化战争环境中,如何利用现有条件最大化实现军力调动是战争取胜的关键。自20世纪90年代起,欧美各国已开始研究现代化战时军事运输问题,如何提高军事运输各个环节的效率,是提高军队现代化建设和提高军队战斗力的关键。
在整个军事运输过程中,如何利用有限条件实现最大化配送,并满足不同部队的各自需求,在指定的时间内将物资送到。具体来说,即有一个后勤中心,需要通过多辆车辆向分布在不同阵地的一线部队配送战备物资,为保持一线部队的战斗力,配送车辆必须在一定的时间窗内配送到指定地点,否则该部队由于物资匮乏,将实行战略转移即配送任务失败。军事运输过程属于一类复杂的车辆路径优化调度过程,由于每辆车都的最大载重相同,每个部队都有一定的卸货时间,学术界定义该类车辆路径优化问题为带硬时间窗的车辆优化调度问题(VRPHTW),也已经证明VRPHTW属于NP难范畴,即无法在多项式时间内求得其精确解。对该问题进行合理的调度,可明显提高军事运输的效率。
由于多目标优化的军事运输过程调度问题属于NP难,传统的数学规划方法只能求解小规模问题,而启发式构造性方法优化质量较差。因此,本发明设计一种基于量子种群增量学习算法的优化调度方法,可在较短时间内获得多目标优化的军事运输过程的优化调度问题的优异解(近似最优解)。
发明内容
本发明所要解决的技术问题是在较短时间内获得多目标优化的军事运输过程优化调度问题的优异解的问题,提供了一种多目标优化的军事运输过程的优化调度方法。
本发明的技术方案是:一种多目标优化的军事运输过程的优化调度方法,通过确定多目标优化的军事运输过程的调度模型和优化目标,并使用基于量子种群增量学习算法的优化调度方法对优化目标进行优化;其中调度模型根据每辆车对其任务内配送目的地的行驶里程及时间窗约束而建立,同时第一优化目标为最小化配送车辆数第二优化目标为最小化行驶总里程
式中:K={1,2,…,w}为配送车辆集合;N={1,2,…,n}为配送目的地集合;V={0,N}为后勤中心和所有配送目的地的集合,V=0表示后勤中心,V≠0表示配送目的地;Vk为车辆k访问包含后勤中心和配送目的地的集合;dij为各配送目的地点间的距离,dij>0,dii=∞,i,j∈V;Capacity为车辆最大载重限制;qi,i∈V为各配送目的地的需求量;表示车辆k服务目的地i以后是否服务目的地j,为服务,为不服务;表示目的地i是否被车辆k服务,为被服务,为不被服务;[li0,li1]为配送目的地的时间窗限制,li0为配送目的地i允许的最早开始服务时刻,li1为配送目的地i的最迟开始服务时刻,si为目的地i的开始服务时刻。
基于量子种群增量学习的优化调度方法的具体步骤如下:
Step1、编码方式:采取基于量子位观测模型实现标准二维01观测矩阵,通过01观测矩阵解码得到十进制编码的目的地配送关系排序;
Step2、种群生成:生成初始量子位观测模型β1,取通过公式(11)选择转移到目的地j,直至初始解的数量达到种群规模的要求,其中种群规模为P;
式中,r为在[0,1]上服从均匀分布的随机变量,r0为控制选择目的地j方式的参数且0≤r0≤1;τij=1/((sj-l_time)(bj-l_time))为时间窗相关紧度,sj=Max(a_time,lj0)为目的地j开始服务时刻,l_time为离开目的地i的时刻,bj为目的地j的时间窗关闭时刻,a_time为车辆到达目的地j的时刻,lj0为目的地j的时间窗开启时刻;表示βgene中第i(1≤i≤n)列选择目的地j(1≤j≤n)的概率,βgene为种群中第gene代的2维量子位观测模型β1(n×n);为车辆k从目的地i出发可以访问的所有目的地j,其中j为未配送的目的地且不为后勤中心,同时车辆k服务j不违反式(4)和式(8)的约束条件的集合;
Step3、选择当代种群中最优个体进行局部搜索:选择所有个体中f1最小的一个个体作为当代种群最优个体若存在多个f1相同的个体,则选择这些个体中f2最小的一个个体为
Step4、基于“Ejection Pool”进行配送车辆优化:基于“Ejection Pool”随机选择解中第k'辆车的服务目的地送入EP,并删除第k'辆车内的服务目的地得到然后将EP内的目的地依次插入解中的各个车辆中,若EP中的目的地在不违反式(4)和式(8)约束条件的前提下,全部成功插入可行路径,则f1=f1-1并更新反之f1和保持不变;
Step5、基于“Operate Assemble”进行配送里程优化:“Operate Assemble”的优化操作方式包含3种路径内操作“2-opt”、“2-swap”、“inherent-insert”和3种路径间操作“2-opt*”、“or-opt”、“across”;每次迭代分别随机选取路径内和路径间的一种操作方式进行里程优化,直至配送里程不再减小,得到f2'和若f2>f2',则反之则不变;
Step6、量子位观测模型更新:采用量子门旋转操作更新量子位观测模型,量子门的初始角为0.05π,将每次迭代产生种群信息反馈到量子位观测模型上,直接影响下一代种群的产生;
Step7、终止条件:设定终止条件的最大迭代数为200,如果满足,则输出“最优个体”;否则转至步骤Step2,反复迭代,直到满足终止条件。
所述种群规模P为20。
本发明的工作原理是:
步骤1:建立多目标的军事运输过程调度模型和优化目标;
其中调度模型根据每辆车对其任务内配送目的地的行驶里程及时间窗约束而建立,同时第一优化目标为最小化配送车辆数第二优化目标为最小化行驶总里程
式中:K={1,2,…,w}为配送车辆集合,N={1,2,…,n}为配送目的地集合,V={0,N}为后勤中心(V=0表示后勤中心)和所有配送目的地的集合,Vk为车辆k访问包含后勤中心(V=0)和配送目的地的集合(V≠0),dij(dij>0,dii=∞,i,j∈V)为各配送目的地点间的距离,Capacity为车辆最大载重限制,qi(i∈V)为各配送目的地的需求量,表示车辆k服务目的地i以后是否服务目的地j(为服务,为不服务),表示目的地i是否被车辆k服务(为被服务,为不被服务),[li0,li1]为配送目的地的时间窗限制,li0为配送目的地i允许的最早开始服务时刻,li1为配送目的地i的最迟开始服务时刻,si为目的地i的开始服务时刻。
步骤2:解的表达;
解的编码是算法进化寻优的前提。通过设计标准01观测矩阵和量子位观测模型β1间的观测方法(如公式11所示),不仅可以有效的反映问题自身的结构特点,同时也方便解码操作而形成可行调度。对于车辆调度问题,相比经典的二进制编码,由01观测矩阵到十进制编码大大节约算法在时间和空间上的复杂度,可运算大规模的调度问题。针对多目标优化的军事运输优化调度过程的特征,本发明提出式(11)的转移方式,算法每一次迭代都能充分搜索量子位观测模型。
已有的标准01观测矩阵是通过随机调整产生的,不能完全反应量子位观测模型的变化,在此本发明基于式(11)的转移方式可充分学习历史优解的信息,避免了盲目的搜索;
步骤3:种群初始化:生成初始量子位观测模型β1,取通过式(11)选择转移到目的地j,直至初始解的数量达到种群规模的要求;
步骤4:选择当代种群中最优个体进行局部搜索;
步骤5:基于“Ejection Pool”进行配送车辆优化:基于“Ejection Pool”随机选择解中第k'辆车的服务目的地送入EP,并删除第k'辆车内的服务目的地得到然后将EP内的目的地依次插入解中的各个车辆中,若EP中的目的地在不违反式(4)和式(8)约束条件的前提下,全部成功插入可行路径,则f1=f1-1并更新反之f1和保持不变。
步骤6:基于“Operate Assemble”进行配送里程优化:“Operate Assemble”的优化操作方式包含3种路径内操作“2-opt”、“2-swap”、“inherent-insert”和3种路径间操作“2-opt*”、“or-opt”、“across”;每次迭代分别随机选取路径内和路径间的一种操作方式进行里程优化,直至配送里程不再减小,得到f2'和若f2>f2',则反之则不变。
步骤7:量子位观测模型更新:采用量子门旋转操作更新量子位观测模型,量子门的初始角为0.05π,将每次迭代产生种群信息反馈到量子位观测模型上,直接影响下一代种群的产生。
步骤8:终止条件:设定终止条件的最大迭代数为200,如果满足,则输出“最优个体”;否则转至步骤3,反复迭代,直到满足终止条件。
本发明的有益效果是:提出了多目标优化的军事车辆优化调度过程的调度模型和优化目标,结构清晰准确;采用根据算法步骤得到当前种群的“最优个体”并将“最优个体”信息反馈到量子位观测模型用于更新下一代种群,能够有效的引导算法进行全局搜索;对种群“最优个体”、执行“Ejection Pool”和“Operate Assemble”操作使得算法的局部开发能力得到显著提高,进一步提升解的质量。
附图说明
图1为本发明中多目标优化的军事车辆优化调度过程示意图;
图2为本发明的算法流程图;
图3为本发明中问题解的表达示意图;
图4为本发明的“2-opt”操作示意图;
图5为本发明的“2-swap”操作示意图;
图6为本发明的“inherent-insert”操作示意图;
图7为本发明的“2-opt*”操作示意图;
图8为本发明的“or-opt”操作示意图;
图9为本发明的“across*”操作示意图。
具体实施方式
实施例1:如图1-9所示,一种多目标优化的军事运输过程的优化调度方法,通过确定多目标优化的军事运输过程的调度模型和优化目标,并使用基于量子种群增量学习算法的优化调度方法对优化目标进行优化;其中调度模型根据每辆车对其任务内配送目的地的行驶里程及时间窗约束而建立,同时第一优化目标为最小化配送车辆数第二优化目标为最小化行驶总里程
式中:K={1,2,…,w}为配送车辆集合;N={1,2,…,n}为配送目的地集合;V={0,N}为后勤中心和所有配送目的地的集合,V=0表示后勤中心,V≠0表示配送目的地;Vk为车辆k访问包含后勤中心和配送目的地的集合;dij为各配送目的地点间的距离,dij>0,dii=∞,i,j∈V;Capacity为车辆最大载重限制;qi,i∈V为各配送目的地的需求量;表示车辆k服务目的地i以后是否服务目的地j,为服务,为不服务;表示目的地i是否被车辆k服务,为被服务,为不被服务;[li0,li1]为配送目的地的时间窗限制,li0为配送目的地i允许的最早开始服务时刻,li1为配送目的地i的最迟开始服务时刻,si为目的地i的开始服务时刻。
基于量子种群增量学习的优化调度方法的具体步骤如下:
Step1、编码方式:采取基于量子位观测模型实现标准二维01观测矩阵,通过01观测矩阵解码得到十进制编码的目的地配送关系排序;
Step2、种群生成:生成初始量子位观测模型β1,取通过公式(11)选择转移到目的地j,直至初始解的数量达到种群规模的要求,其中种群规模为P;
式中,r为在[0,1]上服从均匀分布的随机变量,r0为控制选择目的地j方式的参数且0≤r0≤1;τij=1/((sj-l_time)(bj-l_time))为时间窗相关紧度,sj=Max(a_time,lj0)为目的地j开始服务时刻,l_time为离开目的地i的时刻,bj为目的地j的时间窗关闭时刻,a_time为车辆到达目的地j的时刻,lj0为目的地j的时间窗开启时刻;表示βgene中第i(1≤i≤n)列选择目的地j(1≤j≤n)的概率,βgene为种群中第gene代的2维量子位观测模型β1(n×n);为车辆k从目的地i出发可以访问的所有目的地j,其中j为未配送的目的地且不为后勤中心,同时车辆k服务j不违反式(4)和式(8)的约束条件的集合;
Step3、选择当代种群中最优个体进行局部搜索:选择所有个体中f1最小的一个个体作为当代种群最优个体若存在多个f1相同的个体,则选择这些个体中f2最小的一个个体为
Step4、基于“Ejection Pool”进行配送车辆优化:基于“Ejection Pool”随机选择解中第k'辆车的服务目的地送入EP,并删除第k'辆车内的服务目的地得到然后将EP内的目的地依次插入解中的各个车辆中,若EP中的目的地在不违反式(4)和式(8)约束条件的前提下,全部成功插入可行路径,则f1=f1-1并更新反之f1和保持不变;
Step5、基于“Operate Assemble”进行配送里程优化:“Operate Assemble”的优化操作方式包含3种路径内操作“2-opt”、“2-swap”、“inherent-insert”和3种路径间操作“2-opt*”、“or-opt”、“across”;每次迭代分别随机选取路径内和路径间的一种操作方式进行里程优化,直至配送里程不再减小,得到f2'和若f2>f2',则反之则不变;
Step6、量子位观测模型更新:采用量子门旋转操作更新量子位观测模型,量子门的初始角为0.05π,将每次迭代产生种群信息反馈到量子位观测模型上,直接影响下一代种群的产生;
Step7、终止条件:设定终止条件的最大迭代数为200,如果满足,则输出“最优个体”;否则转至步骤Step2,反复迭代,直到满足终止条件。
所述种群规模P为20。
实施例2:如图1-9所示,一种多目标优化的军事运输过程的优化调度方法,通过确定多目标优化的军事运输过程的调度模型和优化目标,并使用基于量子种群增量学习算法的优化调度方法对优化目标进行优化;其中调度模型根据每辆车对其任务内配送目的地的行驶里程及时间窗约束而建立,同时第一优化目标为最小化配送车辆数第二优化目标为最小化行驶总里程
式中:K={1,2,…,w}为配送车辆集合;N={1,2,…,n}为配送目的地集合;V={0,N}为后勤中心和所有配送目的地的集合,V=0表示后勤中心,V≠0表示配送目的地;Vk为车辆k访问包含后勤中心和配送目的地的集合;dij为各配送目的地点间的距离,dij>0,dii=∞,i,j∈V;Capacity为车辆最大载重限制;qi,i∈V为各配送目的地的需求量;表示车辆k服务目的地i以后是否服务目的地j,为服务,为不服务;表示目的地i是否被车辆k服务,为被服务,为不被服务;[li0,li1]为配送目的地的时间窗限制,li0为配送目的地i允许的最早开始服务时刻,li1为配送目的地i的最迟开始服务时刻,si为目的地i的开始服务时刻。
基于量子种群增量学习的优化调度方法的具体步骤如下:
Step1、编码方式:采取基于量子位观测模型实现标准二维01观测矩阵,通过01观测矩阵解码得到十进制编码的目的地配送关系排序;
Step2、种群生成:生成初始量子位观测模型β1,取通过公式(11)选择转移到目的地j,直至初始解的数量达到种群规模的要求,其中种群规模为P;
式中,r为在[0,1]上服从均匀分布的随机变量,r0为控制选择目的地j方式的参数且0≤r0≤1;τij=1/((sj-l_time)(bj-l_time))为时间窗相关紧度,sj=Max(a_time,lj0)为目的地j开始服务时刻,l_time为离开目的地i的时刻,bj为目的地j的时间窗关闭时刻,a_time为车辆到达目的地j的时刻,lj0为目的地j的时间窗开启时刻;表示βgene中第i(1≤i≤n)列选择目的地j(1≤j≤n)的概率,βgene为种群中第gene代的2维量子位观测模型β1(n×n);为车辆k从目的地i出发可以访问的所有目的地j,其中j为未配送的目的地且不为后勤中心,同时车辆k服务j不违反式(4)和式(8)的约束条件的集合;
Step3、选择当代种群中最优个体进行局部搜索:选择所有个体中f1最小的一个个体作为当代种群最优个体若存在多个f1相同的个体,则选择这些个体中f2最小的一个个体为
Step4、基于“Ejection Pool”进行配送车辆优化:基于“Ejection Pool”随机选择解中第k'辆车的服务目的地送入EP,并删除第k'辆车内的服务目的地得到然后将EP内的目的地依次插入解中的各个车辆中,若EP中的目的地在不违反式(4)和式(8)约束条件的前提下,全部成功插入可行路径,则f1=f1-1并更新反之f1和保持不变;
Step5、基于“Operate Assemble”进行配送里程优化:“Operate Assemble”的优化操作方式包含3种路径内操作“2-opt”、“2-swap”、“inherent-insert”和3种路径间操作“2-opt*”、“or-opt”、“across”;每次迭代分别随机选取路径内和路径间的一种操作方式进行里程优化,直至配送里程不再减小,得到f2'和若f2>f2',则反之则不变;
Step6、量子位观测模型更新:采用量子门旋转操作更新量子位观测模型,量子门的初始角为0.05π,将每次迭代产生种群信息反馈到量子位观测模型上,直接影响下一代种群的产生;
Step7、终止条件:设定终止条件的最大迭代数为200,如果满足,则输出“最优个体”;否则转至步骤Step2,反复迭代,直到满足终止条件。
所述种群规模P为20。
不同问题下,具体参数设计如下:
选取C109为例对调度的具体步骤进行分析,C109共有100个客户,如公式(1)~(10)所示,配送总车辆数f1及配送总里程f2为优化目标,已知单车最大载重量Capacity=200,且li0=0,li1=1236。
选取C208为例对调度的具体步骤进行分析,C208共有100个客户,如公式(1)~(10)所示,配送总车辆数f1及配送总里程f2为优化目标,已知单车最大载重量Capacity=700,且li0=0,li1=3390。
选取R112为例对调度的具体步骤进行分析,R112共有100个客户,如公式(1)~(10)所示,配送总车辆数f1及配送总里程f2为优化目标,已知单车最大载重量Capacity=200,且li0=0,li1=230。
选取R211为例对调度的具体步骤进行分析,R211共有100个客户,如公式(1)~(10)所示,配送总车辆数f1及配送总里程f2为优化目标,已知单车最大载重量Capacity=1000,且li0=0,li1=1000。
选取RC108为例对调度的具体步骤进行分析,RC108共有100个客户,如公式(1)~(10)所示,配送总车辆数f1及配送总里程f2为优化目标,已知单车最大载重量Capacity=200,且li0=0,li1=240。
选取RC208为例对调度的具体步骤进行分析,RC208共有100个客户,如公式(1)~(10)所示,配送总车辆数f1及配送总里程f2为优化目标,已知单车最大载重量Capacity=1000,且li0=0,li1=960。
所有客户坐标信息及时间窗信息可见http://www.coin-or.org/SYMPHONY/branchandcut/VRP/data/index.htm。
如表1所示,以C109为例,C表示测试问题类型,1表示紧时间窗(2表示松时间窗),09表示测试问题编号,表1给出了本发明提出的方法和经典PBIL方法的比较结果,所有问题均在相同的时间下运行20次。由表1可知本发明提出的方法明显优于经典PBIL方法的求解结果效果,具有较强的稳健性和较高的求解精度,可用于有效求解多目标优化的军事运输过程的优化调度问题(车辆数-配送总里程:10-828.94)。
测试问题 | C109 | C208 | R112 | R211 | RC108 | RC208 |
经典PBIL | 10-869.54 | 3-605.4 | 11-1115.04 | 3-951.91 | 11-1251.3 | 3-1073.53 |
量子PBIL | 10-828.94 | 3-588.88 | 10-1057.41 | 3-839.05 | 11-1189.69 | 3-886.33 |
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种多目标优化的军事运输过程的优化调度方法,其特征在于:通过确定多目标优化的军事运输过程的调度模型和优化目标,并使用基于量子种群增量学习算法的优化调度方法对优化目标进行优化;其中调度模型根据每辆车对其任务内配送目的地的行驶里程及时间窗约束而建立,同时第一优化目标为最小化配送车辆数第二优化目标为最小化行驶总里程
式中:K={1,2,…,w}为配送车辆集合;N={1,2,…,n}为配送目的地集合;V={0,N}为后勤中心和所有配送目的地的集合,V=0表示后勤中心,V≠0表示配送目的地;Vk为车辆k访问包含后勤中心和配送目的地的集合;dij为各配送目的地点间的距离,dij>0,dii=∞,i,j∈V;Capacity为车辆最大载重限制;qi,i∈V为各配送目的地的需求量;表示车辆k服务目的地i以后是否服务目的地j,为服务,为不服务;表示目的地i是否被车辆k服务,为被服务,为不被服务;[li0,li1]为配送目的地的时间窗限制,li0为配送目的地i允许的最早开始服务时刻,li1为配送目的地i的最迟开始服务时刻,si为目的地i的开始服务时刻。
2.根据权利要求1所述的多目标优化的军事运输过程的优化调度方法,其特征在于:基于量子种群增量学习的优化调度方法的具体步骤如下:
Step1、编码方式:采取基于量子位观测模型实现标准二维01观测矩阵,通过01观测矩阵解码得到十进制编码的目的地配送关系排序;
Step2、种群生成:生成初始量子位观测模型β1,取(1≤i,j≤N),通过公式(11)选择转移到目的地j,直至初始解的数量达到种群规模的要求,其中种群规模为P;
式中,r为在[0,1]上服从均匀分布的随机变量,r0为控制选择目的地j方式的参数且0≤r0≤1;τij=1/((sj-l_time)(bj-l_time))为时间窗相关紧度,sj=Max(a_time,lj0)为目的地j开始服务时刻,l_time为离开目的地i的时刻,bj为目的地j的时间窗关闭时刻,a_time为车辆到达目的地j的时刻,lj0为目的地j的时间窗开启时刻;表示βgene中第i(1≤i≤n)列选择目的地j(1≤j≤n)的概率,βgene为种群中第gene代的2维量子位观测模型β1(n×n);为车辆k从目的地i出发可以访问的所有目的地j,其中j为未配送的目的地且不为后勤中心,同时车辆k服务j不违反式(4)和式(8)的约束条件的集合;
Step3、选择当代种群中最优个体进行局部搜索:选择所有个体中f1最小的一个个体作为当代种群最优个体若存在多个f1相同的个体,则选择这些个体中f2最小的一个个体为
Step4、基于“Ejection Pool”进行配送车辆优化:基于“Ejection Pool”随机选择解中第k'辆车的服务目的地送入EP,并删除第k'辆车内的服务目的地得到然后将EP内的目的地依次插入解中的各个车辆中,若EP中的目的地在不违反式(4)和式(8)约束条件的前提下,全部成功插入可行路径,则f1=f1-1并更新反之f1和保持不变;
Step5、基于“Operate Assemble”进行配送里程优化:“Operate Assemble”的优化操作方式包含3种路径内操作“2-opt”、“2-swap”、“inherent-insert”和3种路径间操作“2-opt*”、“or-opt”、“across”;每次迭代分别随机选取路径内和路径间的一种操作方式进行里程优化,直至配送里程不再减小,得到f2'和若f2>f2',则反之则不变;
Step6、量子位观测模型更新:采用量子门旋转操作更新量子位观测模型,量子门的初始角为0.05π,将每次迭代产生种群信息反馈到量子位观测模型上,直接影响下一代种群的产生;
Step7、终止条件:设定终止条件的最大迭代数为200,如果满足,则输出“最优个体”;否则转至步骤Step2,反复迭代,直到满足终止条件。
3.根据权利要求1或2所述的多目标优化的军事运输过程的优化调度方法,其特征在于:所述种群规模P为20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410668324.2A CN104504453A (zh) | 2014-11-20 | 2014-11-20 | 一种多目标优化的军事运输过程的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410668324.2A CN104504453A (zh) | 2014-11-20 | 2014-11-20 | 一种多目标优化的军事运输过程的优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104504453A true CN104504453A (zh) | 2015-04-08 |
Family
ID=52945848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410668324.2A Pending CN104504453A (zh) | 2014-11-20 | 2014-11-20 | 一种多目标优化的军事运输过程的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504453A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069523A (zh) * | 2015-07-28 | 2015-11-18 | 昆明理工大学 | 一种有时间限制的配送车辆调度方法 |
CN109102112A (zh) * | 2018-07-27 | 2018-12-28 | 昆明理工大学 | 一种应用服装厂流水线生产过程的优化调度方法 |
CN109284852A (zh) * | 2018-07-17 | 2019-01-29 | 昆明理工大学 | 一种应用于物流配送中心的车辆分配过程的优化调度方法 |
CN109598401A (zh) * | 2018-10-17 | 2019-04-09 | 顺丰科技有限公司 | 车辆调度方法、装置、设备及其存储介质 |
CN111784045A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 配送车辆的优化方法、装置、设备以及存储介质 |
CN113779761A (zh) * | 2021-08-10 | 2021-12-10 | 南京莱斯信息技术股份有限公司 | 一种群众防空组织数据分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739812A (zh) * | 2009-12-10 | 2010-06-16 | 浙江师范大学 | 物流配送车辆路径优化方法 |
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
CN103838219A (zh) * | 2013-09-09 | 2014-06-04 | 昆明理工大学 | 一种多层印刷电路板制造中感光阻焊过程的优化调度方法 |
CN104036379A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解带硬时间窗时变关联物流运输车辆路径问题的方法 |
-
2014
- 2014-11-20 CN CN201410668324.2A patent/CN104504453A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739812A (zh) * | 2009-12-10 | 2010-06-16 | 浙江师范大学 | 物流配送车辆路径优化方法 |
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
CN103838219A (zh) * | 2013-09-09 | 2014-06-04 | 昆明理工大学 | 一种多层印刷电路板制造中感光阻焊过程的优化调度方法 |
CN104036379A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解带硬时间窗时变关联物流运输车辆路径问题的方法 |
Non-Patent Citations (2)
Title |
---|
孟祥虎: ""求解复杂流水线调度和车辆路径优化问题的混合智能算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
曹高立 等: ""一种有效混合量子进化算法求解带容量约束的车辆路径优化问题"", 《计算机集成制造系统》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069523A (zh) * | 2015-07-28 | 2015-11-18 | 昆明理工大学 | 一种有时间限制的配送车辆调度方法 |
CN109284852A (zh) * | 2018-07-17 | 2019-01-29 | 昆明理工大学 | 一种应用于物流配送中心的车辆分配过程的优化调度方法 |
CN109102112A (zh) * | 2018-07-27 | 2018-12-28 | 昆明理工大学 | 一种应用服装厂流水线生产过程的优化调度方法 |
CN109598401A (zh) * | 2018-10-17 | 2019-04-09 | 顺丰科技有限公司 | 车辆调度方法、装置、设备及其存储介质 |
CN111784045A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 配送车辆的优化方法、装置、设备以及存储介质 |
CN111784045B (zh) * | 2020-06-29 | 2023-09-22 | 北京百度网讯科技有限公司 | 配送车辆的优化方法、装置、设备以及存储介质 |
CN113779761A (zh) * | 2021-08-10 | 2021-12-10 | 南京莱斯信息技术股份有限公司 | 一种群众防空组织数据分析系统及方法 |
CN113779761B (zh) * | 2021-08-10 | 2023-11-24 | 南京莱斯信息技术股份有限公司 | 一种群众防空组织数据分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504453A (zh) | 一种多目标优化的军事运输过程的优化调度方法 | |
CN105069523A (zh) | 一种有时间限制的配送车辆调度方法 | |
CN110782086B (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
CN105976030A (zh) | 基于多智能体月台调度智能排序模型的构造 | |
CN105868843A (zh) | 一种面向货品配送的路线规划方法 | |
CN103246941B (zh) | 一种出口集装箱码头堆存空间调度方法 | |
CN104537426A (zh) | 一种快递送货过程的优化调度方法 | |
Khmeleva et al. | Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem | |
CN101673382A (zh) | 一种农资连锁经营物流配送配载组合优化方法 | |
CN107578197A (zh) | 需求不确定的混流生产线物流车辆调度区域优化方法 | |
CN106447266A (zh) | 一种物流领域多车型多次配送的智能优化调度方法 | |
CN101739812A (zh) | 物流配送车辆路径优化方法 | |
CN103530702A (zh) | 一种基于瓶颈设备分解的大规模作业车间调度方法 | |
CN109635510B (zh) | 铁路货车并行检修线设置方法 | |
CN102737356A (zh) | 智能公交调度排班计算方法 | |
CN104123587B (zh) | Mto‑mts管理模式下钢铁生产合同计划和多级库存匹配优化方法 | |
CN113361073B (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
CN106447121A (zh) | 一种基于城市配送的智能优化调度方法 | |
CN105528675A (zh) | 一种基于蚁群算法的生产配送调度方法 | |
CN108564211A (zh) | 物流运输路径规划方法及系统 | |
CN107146039A (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
CN103177292A (zh) | 一种基于混合遗传算法的地铁乘务排班算法 | |
CN103246938A (zh) | 基于自适应蚁群优化的弹性车间调度技术 | |
CN102298737A (zh) | 面向客户承诺的订单管理系统和订单管理方法 | |
CN109801023A (zh) | 一种多约束条件下的多模式交通联运方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150408 |