CN105631530A - 时间可划分资源的多顺序规划和分配 - Google Patents
时间可划分资源的多顺序规划和分配 Download PDFInfo
- Publication number
- CN105631530A CN105631530A CN201510825017.5A CN201510825017A CN105631530A CN 105631530 A CN105631530 A CN 105631530A CN 201510825017 A CN201510825017 A CN 201510825017A CN 105631530 A CN105631530 A CN 105631530A
- Authority
- CN
- China
- Prior art keywords
- patrol
- route
- cost
- resource
- user
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
Abstract
系统和方法提供了最优化的资源规划和分配。每个资源的各种约束是总体优化的因子。在各种实施方式中,一个或多个迭代算法被用于针对高效资源分配的优化。
Description
技术领域
本公开一般涉及用于资源规划和分配的框架。
背景技术
对于一个拥有大量时间可划分资源,比如车辆、设备或劳动力,的商业项目,资源消耗的成本可以直接与时间相关。资源的量相比于来自不同聚会或位置的潜在需求,一般来说是不够的。因此,对全部资源的有效的规划和分配会是自然的愿望。
解释多顺序资源规划和分配的基本原理的一个确认的问题,可能是多旅行销售员问题(mTSP)。通常,原始TSP提出找到一个闭合路径(即,图论中的电路)以到访每个场站(depot)恰好一次的问题。主要的优化目标是所有销售员经过的总行程距离的最小化。然而,原始mTSP往往概括出许多特征,这些特征可能使其对一些应用不太准确。
例如,为了优化城市内的警察巡逻的布置和分配,原始mTSP可能效率较低和/或不准确,因为在这种情况下的目标可以包括其他人力或安全相关的约束。
发明内容
这里描述了一种用于提供最优化的资源规划和分配的框架。按照一个方面,该框架接收关于多个资源和多个用户的位置信息。然后,该框架可以基于位置信息生成针对多个资源与多个用户进行接触的一定量的随机行进路线;选择具有最低成本的路线的百分比(percentage)并且根据成本的升序对所选择的路线进行排序;以及基于上述选择和上述排序采用所选择的路线对概率密度函数矩阵进行更新。这样的步骤可以重复达到预先选择的迭代次数或直到收敛为止,以输出具有最低成本的路线。
采用在下文中将变得清楚的这些和其他优点和特征,通过参考下面详细的说明书和所附的权利要求书以及通过参考所附的附图,可以获得另外的详细。
附图说明
参考附图陈述详细说明。在附图中,参考标记的最左侧的数字标识该参考标记第一次出现的附图。在不同附图中的相同附图标记的使用指示相似或一致的项。
图1是示例计算系统环境的框图,在该示例计算系统环境中可以应用这里所描述的技术和系统的至少一部分。
图2是示例的资源的多顺序规划和分配的示图。
图3是示出示例巡逻区域的地图示图,其示出了警察局和事件热点的位置。
图4A至图4B分别为距离矩阵以及热点的重要性权重和最小巡逻到访的示意性表格。
图5是多巡逻路线规划和分配安排的系统的示例输出的示图。
图6是用于优化对用户的资源分配的示例处理。
具体实施方式
根据示例实施方式公开了用于优化多资源规划和分配的各种技术和系统。在各种实施方式中,资源分配安排(resourceallocationarrangement,RAA)使用资源的多个约束作为整体优化因子。在一个实施方式中,一个或多个算法被用于在优化中考虑所述约束以用于高效的资源分配。
在一个实施方式中,RAA包括按照顺序次序所组织的、针对资源的每个需求的优先级,使得使用权限可以从一方(例如,用户、站点、客户端、事件热点等)被转移至另一方。在一个实施方式中,RAA使用针对一些资源,例如诸如劳动力,的附加约束,以包括对于分派相等负担以便在劳力资源之间分担的考虑。
在各种实施方式中,RAA使用修改的交叉熵(crossentropy,CE)技术,来对资源的分配进行最优化。例如,在一个实施方式中,各方对资源的最高占用时间是最大效率的指示符(例如,用户正在最高效地使用该资源)。
在一个实施方式中,RAA包括具有良好的设计的逻辑的任务规划和分配系统。例如,在一个实施例中,RAA包括警察巡逻规划和分配安排,其被布置为对城市的期望的部分提供优化的并且有效的警察服务。
在各种实施方式中,下述因素中的一个或多个被RAA考虑并且应用以提供针对最优化的资源规划和分配的解决方案。首先,资源处于多个部分中,该多个部分中的每个为在时间上可任意划分的(时间上连续)并且可以具有任意长度。接下来,资源用户还处于多个群组中,其中,它们二者可能在物理上位于不同的地点。另外,RAA可以考虑从一个用户向其他用户传递资源的成本(其中,资源由用户以时间顺序来使用),例如该成本依赖于两个用户之间的距离、交通状况等。在一些实施方式中,RAA确定最优的资源使用顺序。资源/用户的数量可以是可修改的(adaptable)。RAA可以在任何时间附加资源/用户的一部分或从系统移除资源/用户的一部分。此外,成本函数可以随着时间改变;这样,RAA所使用的策略对于时变(time-variant)资源分配问题(例如,资源需求可以是可变的等)是最优的。RAA还可以考虑资源群组之间的平衡,即,针对每个群组的“工作负担”通常相等(例如,警察巡逻队伍的每一班(shift)在持续时间上相等)。在各个实施方式中,因为来自RAA的解决方案可以被标记为针对用户和时隙(timeslot),其已经被“分配给”特定的用户和时间,所以这一点被隐式地实现。
公开了用于优化多资源规划和分配的各种技术。这里的讨论旨在示出在根据应用的变型对多资源规划和分配进行优化时可以利用的组件和技术,但是所描述的示例不旨在进行限制。在各种实施方式中,更少的、替换的或附加的组件可以被包括,以执行所描述的技术的各种部分而同时保持在本公开的范围内。
图1示出了在其中可以实施这里所讨论的技术和装置的系统100的示例。在示例中,系统100使用控制模块102,例如,来执行用于系统100的计算、分析和控制功能。如图1所示,控制模块102可以包括存储器104以及一个或多个处理器106,如以下进一步描述地。在各种实施方式中,系统100包括输入/输出(I/O)模块108、用户接口(UI)110;并且还可以包存储装置组件112。
在一个实施方式中,存储器104包括一个或多个类型的硬件存储器存储装置(固定的或便携式的)等。在实施方式中,一个或多个输入(诸如,地理位置信息)被载入到存储器104以用于由处理器106在运行应用的同时访问。在一个实施方式中,应用还可以以计算机可运行指令的形式被存储在存储器104内。在各种实施方式中,资源分配安排(RAA)120的部分被包括在应用中,并且随着应用的运行而被执行。
例如,在一个实施方式中,作为运行应用的一部分,处理器106经由一个或多个算法执行最优化的资源规划和分配,所述一个或多个算法包括用于经由RAA120确定和优化所有可用资源之间的资源分配的技术。
在一个实施方式中,输入/输出模块108可以在持续时间上接收针对一个或多个对象的位置数据(例如,位置信息、地理位置信息等)。持续时间可以是小时、天、周、月、年等。可以从资源(例如特别是当资源为移动的或便携式的时)和/或用户(或事件/使用位置等)收集位置数据。在一个实施方式中,位置数据包括空间-时间数据等。在一个示例中,位置数据可以包括诸如警察巡逻警官的移动资源的时间戳和位置等。
在另一个示例中,位置数据包括关于资源和/或用户的全球定位卫星(GPS)数据或信号三角定位信息(例如,无线电频率或其他信号类型,诸如蜂窝等)。在一个实施方式中,存储器104收集并且存储由输入/输出模块108所接收的位置数据。在一个实施方式中,(使用处理器106的)控制模块102被布置为使用位置数据以对资源分配(例如,确定从资源到用户的距离,生成行进/巡逻路线等)进行最优化。
在一个实施方式中,存储装置112包括通常用于批量数据存储的一个或多个存储器存储装置,并且存储装置112与存储器104相比具有更大的容量。存储装置112组件的非穷举列表包括硬盘驱动器、软盘驱动器、光驱、磁带驱动器等。
在各种实施方式中,系统100可以连接至网络。在替选的实施方式中,网络可以包括诸如下述的网络:以太局域网(LAN)、令牌环LAN、或其他LAN、广域网(WAN)、系统区段网络或其他类型的网络,并且网络可以包括若干节点或主机(未示出)。此外,网络还可以包括硬布线的、光的和/或无线的连接通路。在各种实施方式中,存储装置112可以位于远处,并且经由网络被访问(例如,远程服务器、云存储装置等)。
在替选的实施方式中,系统100可以包括更少的或附加的组件,在系统100中不同地布置的结构可以执行在本公开内所讨论的技术。
在一个实施方式中,如图2所示,资源202(Res1,Res2,…Resk)被划分为一些群组,如劳动力、车辆、CPU核心等。在该实施方式中,用户204消耗这些资源202的成本与时间成比例,外加从之前用户204的转移成本。在各种示例中,成本还包括其他成本,如用于初始化/重启的基本成本等。在该实施方式中,针对每个时间单位的资源成本,以及转移成本和基本成本是已知的。
在一个实施方式中,RAA120被布置为提供多个资源202的规划和分配的最佳策略(例如,最优化的调度),使得在时间段[t1,t2]期间并且根据多个用户204的需求(该需求还可以根据时间而改变),总体成本最小化。这可以用公式表示为:从所有可能的调度中确定最佳规划P*(t1,t2)(这里出于简明的目的省略(t1,t2)):
在一个实施方式中,RAA120被设计为用于大型组织(例如,大的警力、具有很多车辆和雇员的快递公司等),使得有效的或者甚至可行的解过于复杂以至于无法手动求解。在一个实施方式中,系统100被布置为通过基于资源202和/或用户204的位置信息使用数值优化方法等来提供资源202的最优分配。
例如,规划和分配情形的一部分可以被转换为多旅行销售员问题(mTSP)的修改形式。在一个实施方式中,RAA120被布置为使用修改的交叉熵(CE)技术来提供对mTSP的解。对于作为组合优化问题的mSTP,RAA120采用启发性的方法,其中,“NP-难(NPhard)”mTSP使用一个或多个算法被公式化以适合于不同的实际应用。
这里关于系统100和RAA120所描述的示例特定于警察巡逻规划和分配情形,其具有下述特征中的一个或多个(或所有):警官(即,资源202)被调度以进行巡逻从而最大程度地防止街头犯罪。在区域内,考虑到热点的重要性、道路地图、警力限制以及队伍之间的工作负担平衡,一些犯罪热点(例如,用户204)被调度为被巡逻。
然而,警察巡逻的示例不旨在进行限制。在其他实施方式中,系统100和RAA120在其他情形中可以被布置为规划和分配其他资源。在一个示例中,销售员或快递卡车驾驶员可能期望具有尽可能多地接触客户的最佳路线。例如,潜在的客户的量可能在不同的区域不同,所以针对对于不同区域的到访要付出的成本也不同(其还可以依赖于之前的到访)。在一个实施方式中,目标是:使得可以他们可以到访的客户的数量最大化,考虑客户的潜在回报(重要性)以及同时使得成本最小化。在一种情况中,销售员可以是群组的成员,在该群组中,成员协作以一起实现销售任务。
在另一个示例中,集装箱租赁公司期望以最高的占用率对其集装箱(例如,资源202)进行流通。在此示例中,空的集装箱被提前装运(shippedinadvance)以满足不同地点处(例如,用户204)的需求。使占用率最大化的约束可以包括:用于集装箱的运输的成本和可用性、不同区域中的季节性的需求改变、仓库容量的约束、风险控制以及其他人为干预等。
在其他实施方式中,系统100可以被应用于其他情形,在该情形中,期望顺序地将多个资源202分配给多个用户204。另外,在每种情形中对资源202的分配可以包括各种约束,包括:变量对象、最低交通成本、容量限制、最大收益、工作负担平衡等。
在示例中,系统100可以被采用以针对城市的警力提供最优化的巡逻路线。作为优化的一部分,RAA120可以考虑下述约束和变量:(1)多个警员;(2)多个场站;(3)固定收费;(4)以及时间窗口。更具体地,警员可以是多个,其为固定的数量或受数值限制,这导致了多旅行销售员问题(mTSP)。另外,可以存在多个场站,一些警员从每个场站出发。警员可以返回到任何一个场站,而同时在每个场站的警员的数量在所有行进结束之后可以被固定为不发生改变。此外,如果警员的数量不由上限所确定,则在总成本最小化的情况下每个警员的使用可以具有固定的成本。甚至更进一步,可以期望在特定的时间段(时间窗口)中访问特定的事件地点。对于在一些小时中犯罪事件可能增加的特定位置,可以为这种情况。(时间窗口的添加形成了具有时间窗口的mTSP问题(mTSPTW))。
在示例中,如图3所示,城市警察局对城市的一个或多个区域(例如,作为示例地图示出了旧金山的布纳埃公园区域)的公共安全负责,并且对犯罪防范进行演习。典型的犯罪防范可以包括对被称为“热点”的地点的列表进行例行地巡逻,热点是从犯罪发生的记录数据库所分析和提取的位置(例如,用户204)。热点(h1至h9)连同它们彼此之间的距离(最短路线)(在表1中给出)一起被示出在图3中。
在一个实施方式中,采用重要性权重、通过精确的地理位置来标识和限定热点。例如,各种热点的地理位置可以由输入/输出模块108等接收。在一个示例中,当犯罪活动转移以避免不断的监视等时,热点的地理位置可以改变。在这样的情况下,由输入/输出模块108所接收的地理位置信息可以定期地更新。例如,热点通常可以出现在火车站附近、购物中心附近、酒吧前的附近街道上等。
在一个实施例中,警官(例如,资源202)由系统100调度(例如,基于位置信息生成行进/巡逻路线),以在针对每个热点的到访量的最小的情况下,尽可能多次地到访热点。例如,警官可以以被显示在图3所示的地图(等)上的一个或多个路线的形式,从系统100接收对热点到访的调度。地图可以出现在移动装置的显示器上、巡逻车通信/计算装置上或警官可访问的其他显示硬件上。此外,当在热点位置或调度分派被调整时的场合,地图可以被更新。例如,当输入/输出模块108接收更新后的热点地理位置信息时,地图可以被更新。(根据来自很多研究的犯罪学模型,其可以示出对热点到访最小持续时间的巡逻队伍可以抑制热点附近的犯罪的发生)。
在一个实施方式中,当对资源进行调度时,RAA120考虑理想的到访(或停留)持续时间。在警察巡逻示例中,理想停留持续时间可以是用户选择的约束。例如,经验主义的研究表面10分钟至15分钟的停留持续时间是有效的。
在一个实施方式中,RAA120输出包括对指定的巡逻路线分配资源202的多个轮班(参见图5)。例如,巡逻区域对于警察局中的员工可能过大而无法在一个班次内进行巡逻,所以在包括总交通成本(时间、花费、行程距离等)的最小化的优化目标的情况下,可以在时间段(例如,班次、天、周、月等)上由多个巡逻队伍来完成巡逻任务。
在一些实施方式中,巡逻任务包括由一个巡逻队伍所遍历的、开始和结束于警察局的一个巡逻路线。在各种示例中,较小数量的总任务是优选的,其并不总是与总成本的优化相一致,因此优化目标之间的折中可能是必需的。在一些实施方式中,不同的巡逻任务(其通常持续若干小时)具有尽可能彼此接近的路线长度。
在各种实施方式中,警察巡逻路线规划和分配可能具有的一些挑战包括:(1)针对多个巡逻队伍、在长的时间短上使得总交通成本最小化;(2)使得巡逻任务的总数量最小化;(3)使得巡逻任务之间的负担平衡;以及(4)在同一个任务期间避免对任何热点的重复到访并且在同一班次期间避免由其他队伍进行的到访。(然而,巡逻路线设计可以使得警车能够通过热点多于一次)。
在各种实施方式中,下面的定义可以由系统100(经由RAA120)与一个或多个算法一起使用,以对资源规划和分配进行优化。定义以更加正式的术语陈述了警察巡逻示例,但是也可以类似地适用于其他情形。
假定K个巡逻队伍、T(例如,T=10)天,其形成了各自由巡逻队伍依次进行巡逻的一组路线R。考虑到的单个巡逻路线,并且表示由队伍进行巡逻的所有可能路线中的一个路线:
其中,场站n1,n2,…,以及Nr是由路线r所到访的热点的量。
因此,根据之前的分析,最小的约束为:
约束1.在特定的时间段T期间,每个热点hi分别地巡逻(被巡逻队伍访问并且停留达到s=10-15分钟)至少mi次。
其中,mi依赖于wi(参见图4B、表2)。出于简明的目的,假定巡逻车以v=10km/h的固定速度行进,并且假定巡逻队伍在每个目标热点停留达到s=15分钟。
约束2.为了确保路线为对于此问题的可行解,路线还受到以下约束:
·n1和在B之中,而n2,…,属于(以下所定义的输入)。
·不存在不包括B中的任何节点的子回路(sub-circuit),(以下所定义的另一个输入)。
根据以上定义,通过以下公式可以计算巡逻路线r的总交通时间(例如,成本函数):
其中,Cm代表该解中一个巡逻队伍所涉及的成本。另外,t1,2标示从n1到n2的行进时间,以此类推,而每两个场站之间的距离可以在图3的距离矩阵中查找。
约束3.通过工作小时S0(最通常为8个小时)来约束r的设计:
S(r)=V(r)+Nr·s≤S0
在一个实施方式中,目标是找到最优化的使得单个巡逻路线的交通时间最小化,即:
(目标1)
受制于约束1、约束2以及约束3。
基于以上的单个巡逻路线规划和分配,在考虑所有路线的总成本函数最小化的情况下,类似地给出多个路线规划情形。
T天的时间段可以被划分为例如t=1,2,…,T个时间间隔,其中,时间单位为一天。条件为:针对每天,考虑到不同的巡逻队伍和天之中的任务的分配,在同一天期间对一个热点的重复到访尽可能少地发生。
在示例中,该解为被分派给每个队伍和每天的M个路线的集合,此外,当在天t被分派给队伍k的所有路线rm都将到访热点n时,可以表示重复的到访次数,并且可以标示不到访。然后,这个限制可以通过下述约束4给出:
约束4.使得重复到访最小化:
其中,(·)+表示数字的正部,即,max(·,0)。
优化标准将为总交通时间的最小化。第一主要目标是找到如下优化的
(目标2)
受制于与目标1相同的条件,其中λ是加权惩罚因子。
在示例中,针对所获得的规划R中的每个r,计算其总成本函数。在示例中,针对每个巡逻的成本函数尽可能地被平衡。因此,通过下述公式给出对其他不同的队伍的巡逻负荷的不平衡程度的测度:
其中,rtk标示针对队伍k和天t的路线,(参见图5)。
类似地,该不平衡可以被当做对成本函数的附加的惩罚:
(目标3)
受制于与目标1相同的条件,其中λ和η是加权惩罚因子。
在一个实施方式中,资源分配安排(RAA)120与系统100一起使用,以对资源202的规划和分配进行优化,而同时考虑到各种约束。为了准备对安排120的讨论,这里给出受约束的资源分配问题的组件的正式定义。
例如,输入数据、中间数据以及输出数据的标记法如下给出:
输入数据:
·包含B个站点、负责所见的地图区域的安全性的资源202(警察局)B={b}的起始状态的集合。
·状态的集合是要被分派给资源202的权重的N个状态。
·(巡逻)资源202可以被划分为K个一致的部分(队伍),该K个一致的部分中的每个可以以任意方式在时间上被划分。
·针对热点的重要性权重和最小巡逻次数mi依赖于wi。
·距离矩阵D(图4A的表1)基于位置信息展现两个任意场站之间的距离,例如,距离矩阵D可以是不对称的。
·基于上述输入的成本函数V(·)。
中间数据:
·M:解集合中的所有路线的数量,其可以由于可行性而在优化期间发生改变。
·可能的路径{r1,r2,…}
·概率变换矩阵{P=[Pij]},其描述从热点i到热点j的巡逻路线的概率。{Pij}是矩阵的集合,其中,针对每个路线,存在Nr个这样的矩阵。P的集合由下述方式给出:
输出数据:
系统100的输出给出最佳的可能解,包括:
·由给出的最佳路线。针对每个路线r,其给出三元组序列(nc,Vc,tc),其中c是序列内的索引。
·对巡逻队伍和天的每个路线的分派矩阵t=1,…,T、k=1,…,K、m=1,…,M,记录的所有值就足够。这个分派在以上的3元组序列中隐含给出。
·所建议的解的成本γ*。
考虑到用于一般优化问题的原始交叉熵(CE)方法,假定为用于巡逻的状态(可能路线)的有限集合,并且假定V为上的实数值的成本函数:
在CE方法中,估计问题与上述优化相关联。例如,定义上的指标函数的集合其中,γ是各种值的阈值。假定是上具有实数值参数v的概率分布函数(pdf)家族。
对于某一上述问题与对下述数字进行估计相关联:
其中,Pu是概率度量并且标示相对应的期望。该新的问题被称为关联随机问题(ASP)。假定γ=γ*并且f(·;u)在上均匀地分布,则:
其中,标示中元素的数量。然后使用似然比(LR),可以采用参考参数估计l(γ*):
因此,其被估计为:
其中,所有ri根据pdff(·;u)生成。
在各种实施方式中,RAA120使用一个或多个算法来对资源分配进行优化。例如,如下示出这些算法的实施的高级描述。首先,考虑下述情形,其中,仅存在一个要巡逻的路线,使得其为最经典的TSP问题。通过算法2来求解目标1。
首先可以提供生成具有给定的概率密度函数(pdf)矩阵P的路线的算法。可以定义根据要访问的场站的顺序的路线,其由三元组(nc,Vc,tc:{节点,成本,到达时间})标示,其中c是序列索引。
通过结合路线生成方法,下述CE算法(算法4)可以被给出以用于找到单个最佳路线。
参考图5,当考虑多个巡逻路线规划时,对于K个巡逻队伍同时地生成和优化在T天中要完成的M个路线。因此,解是具有对于每个队伍和天的路线的相对应的分配的路线的集合。目标2仅为过渡性目标,因此目标3通过算法4直接地求解。以上描述的相等的工作负荷的限制在该算法中被考虑为惩罚函数。因此,如在下面的算法5中所示地,通过类似的CE算法隐含地满足该条件。
在一个实施方式中,系统100的输出包括图5所示的多个巡逻路线规划的示图的一个或多个部分。例如,多个巡逻路线由RAA120针对多个巡逻队伍在预先选择的数量的天上所生成。如示图所示,每个路线对应于城市的一部分,包括到访所设置的数量的热点。在各种实施方式中,图5所示的路线规划和位置信息可以经由移动装置、车载计算机或通信终端等显示给或以其它方式传达给巡逻的警察。在一些实施方式中,如所示地,路线信息可以包括映射信息。
在图6中示出了算法5中所使用的技术的示图,并且以下进一步对其进行描述。
在各种实施方式中,系统100的组件和模块和/或资源分配安排120可以被实施为硬件和软件组件。例如,在该实施方式中,组件和模块可以包括居于控制模块102或处理器106中的硬件组件,和/或可以包括下述计算机可运行指令:该计算机可运行指令被存储在存储器104中并且在处理器106上可操作以执行所描述的功能。
图6是示出用于根据实施例优化对用户的资源的分配的示例处理600的流程图。例如,处理600在施加一个或多个算法的同时考虑资源的各种约束以收敛到最优分配。参照图1至图5描述了处理600。
描述处理600的顺序不旨在被理解为限制,并且可以以任何顺序对任何数量的所描述的处理块进行组合以实施处理或替选的处理。另外,可以从处理中删除各个框(block)而不背离这里所描述的主题的精神和范围。此外,处理可以被实施为具有任何合适的组件或其组合,而不背离这里所描述的主题的范围。
在框602处,处理开始。在框604处,处理包括对参数进行初始化。在一个实施方式中,处理还包括接收关于多个资源和多个用户的位置信息。例如,位置信息可以由输入/输出组件(例如,诸如输入/输出组件108)来接收。
在一个实施方式中,处理对下述的一个或多个框进行重复,达到预先选择的迭代次数或直到收敛为止。在一个实施方式中,收敛包括,在预设量的迭代之后,小于目标函数的改变的预定阈值。
在框606处,处理包括基于位置信息,针对多个资源生成一定量的随机行进路线,以用于接触多个用户。在一个实施方式中,这包括向用户分配所述资源。在一个实施方式中,处理包括针对多个资源生成一定量的随机行进路线,以用于接触多个用户达到预先选择的持续时间(例如,达到10分钟至15分钟例如)。
在框608处,处理包括选择具有最低成本的一定百分比的路线(例如,10%等),并且根据成本的升序对所选择的路线进行排序。在一个实施方式中,处理包括分派在多个资源之间要分担的相等的负担。
在框610处,处理包括基于上述选择和排序利用所选择的路线对概率密度函数矩阵进行更新。在一些实施方式中,该矩阵被输出给用户以用于分配或路线信息。在框612处,处理包括在每个迭代期间将最佳(例如,最低成本)的路线存储在存储组件(诸如存储器104或存储装置112,例如)中。
在框614处,处理包括迭代地收敛到资源分配解,该解包括每个资源和用户的地理位置以及对每个用户的资源分派,其中,使得整体成本最小化并且每个资源的用户负荷基本上平衡。在一个实施方式中,处理包括基于用户对资源的需求的优先级确定用户对资源使用的最优顺序。在一个实施方式中,处理包括经由修改的交叉熵技术优化对用户的资源分配。
在框616处,处理包括基于各种约束和预先选择的目标确定对解是否满意。如果对解不满意,则处理返回到框604,以用于另一组迭代。如果对解满意,则处理继续到框618。在框618处,通过输出具有最低成本的路线,该处理结束。在一个实施方式中,选择输出具有资源成本、转移成本以及基本成本的最低组合的路线。在一个实施方式中,该输出包括针对多个资源和多个用户最优化的多个路线。在一个实施方式中,该输出被显示在移动装置或计算机/通信终端上以向用户传达路线信息。
在替选的实施方式中,其他技术可以以各种组合被包括在处理600中,并且保持在公开的范围内。
本公开的主题的各部分可以被实施为系统、方法、设备,或者使用标准编程和/或工程技术产生软件、固件、硬件或其任何组合的制造物品,以控制计算机或处理器(诸如处理器106,例如)来实施本公开。例如,示例系统100的各部分可以使用任何形式的、由处理器106可访问的计算机可读介质(例如,在图1中被示为存储器104)来实施。计算机可读介质可以包括例如计算机存储介质和通信介质。
计算机可读存储介质包括:在用于存储诸如计算机可读指令、数据结构、程序模块或其他数据的任何方法或技术中所实施的、易失性和非易失性、可移除和不可移除的介质。存储器104是计算机可读存储介质的示例。包括本地的、网络的或云的存储装置的存储装置112是计算机可读存储介质的另一个示例。可能存在的另外的类型的计算机可读存储介质包括但是不限于:RAM、ROM、EEPROM、闪速存储器或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光存储装置、磁盘或其他磁存储装置、或者可以被用于存储期望的信息并且可以由处理器106访问的任何其他介质。
相反,通信介质通常以诸如载波的调制数据信号或者其他传输机制将计算机可读指令、数据结构、程序模块或其他数据具体化。
虽然以上在一个计算机和/或多个计算机上运行的计算机程序的计算机可运行指令的一般语境中已经描述了本主题,但是本领域技术人员将意识到本主题还可以与其他程序模块组合地实施。通常,程序模块包括例程、程序、组件、数据结构等,其执行特定的任务和/或实施特定的抽象数据类型。
此外,本领域技术人员将意识到创新的技术可以采用下述其他计算机系统配置来实践,该其他计算机系统配置包括:单处理器或多处理器计算机系统、迷你计算装置、大型计算机以及个人计算机、手持式计算装置、基于微处理器的或可编程消费者或工业电子装置等。所示出的各方面还可以在分布式计算环境中实践,在分布式计算环境中,任务由通过通信网络所链接的远程处理装置来执行。然而,本公开的一些方面,如果不是本公开的所有方面,可以在独立的计算机上实践。在分布式计算环境中,程序模块可以位于本地存储器存储装置和远程存储器存储装置两者中。
尽管以特定于结构特征和/或方法行为的语言描述了各实施方式,但是将理解在所附权利要求书中所定义的主题不必受限于以上所描述的特定特征或行为。更确切地说,特定的特征和行为被公开为示例的实施方式的示例形式。例如,方法行为不需要按照这里所描述的顺序或组合来执行,并且可以以一个或多个行为的任何组合来执行。
Claims (20)
1.一种具有存储在其上的计算机可运行指令的非瞬时计算机可读存储介质,所述指令当被运行时使得计算机处理器初始化下述处理,所述处理包括:
接收关于多个警察巡逻队伍和多个热点的位置信息;
对下述操作进行重复,达到预先选择的迭代次数或直到收敛为止;
基于所述位置信息生成用于多个警察巡逻队伍到访多个热点的一定量的随机巡逻路线;
选择具有最低成本的路线的百分比,并且根据成本的升序对所选择的路线进行排序;
对每个巡逻队伍分派相等的巡逻路线和热点负担;以及
基于所述选择和所述排序利用所选择的路线对概率密度函数矩阵进行更新;以及
将具有最低成本的最优化的巡逻路线输出至巡逻队伍以用于执行。
2.如权利要求1所述的计算机可读存储介质,还包括:接收交通状况信息,以及基于路线距离和所述交通状况信息来选择路线。
3.一种系统,包括:
处理器;
存储器硬件装置,通信地耦接至所述处理器;
资源分配安排被存储在所述存储器硬件装置中并且在所述处理器上可操作以执行以下操作:
接收关于多个资源和多个用户的位置信息;
对下述操作进行重复,达到预先选择的迭代次数或直到收敛为止:
基于所述位置信息生成针对多个资源接触多个用户的一定量的随机行进路线;
选择具有最低成本的路线的百分比,并且根据成本的升序对所选择的路线进行排序;以及
基于所述选择和所述排序利用所选择的路线对概率密度函数矩阵进行更新;以及
输出具有最低成本的路线。
4.如权利要求3所述的系统,还包括:输入/输出组件,被布置为接收关于多个资源和多个用户的位置信息,所述位置信息被用于确定从资源到用户的距离。
5.如权利要求4所述的系统,其中,所述输入/输出组件被布置为以基于地图的格式输出路线信息。
6.如权利要求3所述的系统,其中,所述系统被布置为:针对多个巡逻队伍,在城市的一部分内的预先选择的位置上调度警察巡逻,使得在所述城市内的一组事件地点中的每个被巡逻队伍到访至少一次并且使得每个巡逻队伍的负荷基本平衡。
7.如权利要求6所述的系统,其中,所述系统被布置为在同一巡逻任务期间避免重复到访任何一个事件地点,并且被布置为在同一个班次期间避免其他巡逻队伍再次到访该事件地点。
8.如权利要求6所述的系统,其中,所述系统被布置为使得针对多个巡逻队伍在时间段上的总的交通成本最小化,使得巡逻任务的总数量最小化,以及使得巡逻任务负荷在所有巡逻任务之间均衡分担。
9.如权利要求6所述的系统,其中,所述系统被布置为针对特定的事件地点进行调度,以使特定的事件地点在特定的时间段期间被巡逻队伍到访。
10.如权利要求6所述的系统,其中,所述系统与多个警察场站一起布置,所述警察场站具有从每个场站开始巡逻的一定量的警员,并且其中,警员可以返回到任何场站,而同时在所有巡逻结束后维持固定量的警员位于每个场站。
11.如权利要求10所述的系统,从每个场站开始巡逻或者在所有巡逻结束后位于每个场站的警员的量未被确定并且具有上限,以及在由所述系统使得总成本最小化的情况下,每个警员的使用具有固定的成本。
12.一种方法,包括:
接收关于多个资源和多个用户的位置信息;
对下述操作进行重复,达到预先选择的迭代次数或直到收敛为止:
基于所述位置信息生成针对多个资源接触多个用户的一定量的随机行进路线;
选择具有最低成本的路线的百分比,并且根据成本的升序对所选择的路线进行排序;以及
基于所述选择和所述排序利用所选择的路线对概率密度函数矩阵进行更新;以及
输出具有最低成本的路线。
13.如权利要求12所述的方法,还包括生成针对多个资源与多个用户接触达到预先选择的持续时间的一定量的随机行进路线。
14.如权利要求12所述的方法,还包括存储每个迭代期间的最低成本路线。
15.如权利要求12所述的方法,还包括分派在多个资源之间要分担的相等的负担。
16.如权利要求12所述的方法,还包括基于用户对资源的需求的优先级,确定用户对资源使用的最优顺序。
17.如权利要求12所述的方法,还包括对经由修改的交叉熵技术对用户的资源分配进行最优化。
18.如权利要求12所述的方法,还包括迭代地收敛到资源分配解,包括:每个资源和用户的地理位置以及对每个用户的资源分派,其中,使得整体成本最小化并且每个资源的用户负荷基本上均衡。
19.如权利要求12所述的方法,其中,选择输出具有资源成本、转移成本以及基本成本的最低组合的路线。
20.如权利要求12所述的方法,其中,收敛包括在预设量的迭代之后小于目标函数的改变的预定阈值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/551,099 US20160148136A1 (en) | 2014-11-24 | 2014-11-24 | Multiple sequential planning and allocation of time-divisible resources |
US14/551,099 | 2014-11-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105631530A true CN105631530A (zh) | 2016-06-01 |
Family
ID=56010589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510825017.5A Pending CN105631530A (zh) | 2014-11-24 | 2015-11-24 | 时间可划分资源的多顺序规划和分配 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20160148136A1 (zh) |
CN (1) | CN105631530A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766994A (zh) * | 2017-12-04 | 2018-03-06 | 长沙理工大学 | 一种共享自行车调度方法与调度系统 |
CN107798447A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种公交路线路测方案的获取方法及服务器 |
CN108764740A (zh) * | 2018-06-01 | 2018-11-06 | 上海西井信息科技有限公司 | 自动化码头的车队调度方法、系统、设备及存储介质 |
CN111401767A (zh) * | 2020-03-25 | 2020-07-10 | 沈树新 | 物流配送热点推送方法、装置、物流配送系统及服务器 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9715668B1 (en) * | 2015-04-15 | 2017-07-25 | Predpol, Inc. | Patrol presence management system |
US10558936B2 (en) * | 2015-10-06 | 2020-02-11 | Numerica Corporation | Systems and methods for dynamically generating patrol schedules based on historic demand data |
US20180285791A1 (en) * | 2017-03-29 | 2018-10-04 | Microsoft Technology Licensing, Llc | Space optimization solver using team collaboration patterns to guide team-to-floor allocation planning |
JP6365791B1 (ja) * | 2017-06-05 | 2018-08-01 | 中国電力株式会社 | 防犯支援システムおよび防犯支援プログラム |
US10762423B2 (en) | 2017-06-27 | 2020-09-01 | Asapp, Inc. | Using a neural network to optimize processing of user requests |
JP7360901B2 (ja) | 2019-11-06 | 2023-10-13 | 株式会社日立製作所 | 警備支援システムおよびその方法 |
JP2021124978A (ja) * | 2020-02-05 | 2021-08-30 | 富士通株式会社 | 情報処理装置、プログラム、情報処理方法および情報処理システム |
JP2021144351A (ja) * | 2020-03-10 | 2021-09-24 | 富士通株式会社 | 情報処理装置、経路生成方法および経路生成プログラム |
CN111609864B (zh) * | 2020-05-06 | 2021-03-26 | 武汉科技大学 | 路网约束下多警员协作围捕任务分配及路径规划方法 |
JP2022185898A (ja) * | 2021-06-03 | 2022-12-15 | 富士通株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
EP4365791A1 (en) * | 2022-11-07 | 2024-05-08 | Universidad Tecnológica Indoamérica | Method and system for automated generation of patrol routes |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159048A (zh) * | 2007-11-05 | 2008-04-09 | 朱道立 | 油品配送槽车调度系统及其方法 |
US20100023375A1 (en) * | 2008-07-25 | 2010-01-28 | Yahoo! Inc. | Fair Allocation of Overlapping Inventory |
US20100036606A1 (en) * | 2006-10-30 | 2010-02-11 | Alan Henry Jones | Method of and apparatus for generating routes |
CN101673382A (zh) * | 2009-10-21 | 2010-03-17 | 北京交通大学 | 一种农资连锁经营物流配送配载组合优化方法 |
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 |
US20120121161A1 (en) * | 2010-09-24 | 2012-05-17 | Evolution Robotics, Inc. | Systems and methods for vslam optimization |
CN102737129A (zh) * | 2012-06-20 | 2012-10-17 | 东南大学 | 一种公交车辆区域行车时刻表编制的方法 |
US20130096815A1 (en) * | 2011-10-07 | 2013-04-18 | Telogis, Inc. | Vehicle fleet routing system |
US8630958B2 (en) * | 2011-06-03 | 2014-01-14 | Cardinal Optimization, Inc. | Systems and methods for multi-vehicle resource allocation and routing solutions |
US20140244130A1 (en) * | 2013-02-26 | 2014-08-28 | The Regents Of The University Of Michigan | On-board real-time speed control setpoint variation using stochastic optimization |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090024430A1 (en) * | 2007-07-12 | 2009-01-22 | Cooper Marcus | Method for optimizing routes for vehicle parking enforcement |
US8775059B2 (en) * | 2011-10-26 | 2014-07-08 | Right There Ware LLC | Method and system for fleet navigation, dispatching and multi-vehicle, multi-destination routing |
-
2014
- 2014-11-24 US US14/551,099 patent/US20160148136A1/en not_active Abandoned
-
2015
- 2015-11-24 CN CN201510825017.5A patent/CN105631530A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036606A1 (en) * | 2006-10-30 | 2010-02-11 | Alan Henry Jones | Method of and apparatus for generating routes |
CN101159048A (zh) * | 2007-11-05 | 2008-04-09 | 朱道立 | 油品配送槽车调度系统及其方法 |
US20100023375A1 (en) * | 2008-07-25 | 2010-01-28 | Yahoo! Inc. | Fair Allocation of Overlapping Inventory |
CN101673382A (zh) * | 2009-10-21 | 2010-03-17 | 北京交通大学 | 一种农资连锁经营物流配送配载组合优化方法 |
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 |
US20120121161A1 (en) * | 2010-09-24 | 2012-05-17 | Evolution Robotics, Inc. | Systems and methods for vslam optimization |
US8630958B2 (en) * | 2011-06-03 | 2014-01-14 | Cardinal Optimization, Inc. | Systems and methods for multi-vehicle resource allocation and routing solutions |
US20130096815A1 (en) * | 2011-10-07 | 2013-04-18 | Telogis, Inc. | Vehicle fleet routing system |
CN102737129A (zh) * | 2012-06-20 | 2012-10-17 | 东南大学 | 一种公交车辆区域行车时刻表编制的方法 |
US20140244130A1 (en) * | 2013-02-26 | 2014-08-28 | The Regents Of The University Of Michigan | On-board real-time speed control setpoint variation using stochastic optimization |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798447A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种公交路线路测方案的获取方法及服务器 |
CN107798447B (zh) * | 2016-09-07 | 2021-07-30 | 北京嘀嘀无限科技发展有限公司 | 一种公交路线路测方案的获取方法及服务器 |
CN107766994A (zh) * | 2017-12-04 | 2018-03-06 | 长沙理工大学 | 一种共享自行车调度方法与调度系统 |
CN107766994B (zh) * | 2017-12-04 | 2023-06-30 | 长沙理工大学 | 一种共享自行车调度方法与调度系统 |
CN108764740A (zh) * | 2018-06-01 | 2018-11-06 | 上海西井信息科技有限公司 | 自动化码头的车队调度方法、系统、设备及存储介质 |
CN111401767A (zh) * | 2020-03-25 | 2020-07-10 | 沈树新 | 物流配送热点推送方法、装置、物流配送系统及服务器 |
CN111401767B (zh) * | 2020-03-25 | 2021-08-31 | 沈树新 | 物流配送热点推送方法、装置、物流配送系统及服务器 |
Also Published As
Publication number | Publication date |
---|---|
US20160148136A1 (en) | 2016-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631530A (zh) | 时间可划分资源的多顺序规划和分配 | |
US10956861B2 (en) | Apparatus and method for predictive dispatch for geographically distributed, on-demand services | |
US11619951B2 (en) | On-demand high-capacity ride-sharing via dynamic trip-vehicle assignment with future requests | |
Herbawi et al. | The ridematching problem with time windows in dynamic ridesharing: A model and a genetic algorithm | |
Baldacci et al. | An exact method for the car pooling problem based on lagrangean column generation | |
Dantzig et al. | Decomposition principle for linear programs | |
Zhao et al. | Ridesharing problem with flexible pickup and delivery locations for app-based transportation service: Mathematical modeling and decomposition methods | |
CN104050512A (zh) | 基于多粒度地图的运输时间估计 | |
Chen et al. | PPtaxi: Non-stop package delivery via multi-hop ridesharing | |
Mohammad et al. | Innovative solutions in last mile delivery: concepts, practices, challenges, and future directions | |
Freund et al. | Bike sharing | |
Gu et al. | Dynamic truck–drone routing problem for scheduled deliveries and on-demand pickups with time-related constraints | |
Cai et al. | Dynamic bicycle relocation problem with broken bicycles | |
Farahani et al. | Online multimodal transportation planning using deep reinforcement learning | |
Lin et al. | Vshare: A wireless social network aided vehicle sharing system using hierarchical cloud architecture | |
Iacobucci et al. | A multi-stage optimisation approach to design relocation strategies in one-way car-sharing systems with stackable cars | |
Kim et al. | Ant colony optimisation with random selection for block transportation scheduling with heterogeneous transporters in a shipyard | |
Erera | Design of large-scale logistics systems for uncertain environments | |
Nourinejad | Dynamic optimization models for ridesharing and carsharing | |
Zhao et al. | Urban parking system based on dynamic resource allocation in an era of connected and automated vehicles | |
Castagna et al. | Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility | |
Hsieh et al. | A decision framework to recommend cruising locations for taxi drivers under the constraint of booking information | |
Chen et al. | Modeling and testing autonomous and shared multimodal mobility services for low-density rural areas | |
Mo et al. | Crowd sourcing dynamic pickup & delivery problem considering task buffering and drivers’ rejection-application of multi-agent reinforcement learning | |
Oliveira | Fleet and revenue management in car rental: quantitative approaches for optimization under uncertainty |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160601 |
|
RJ01 | Rejection of invention patent application after publication |