CN106339776A - 一种基于危化品事故应急指挥调度模型的计算方法 - Google Patents

Abstract

本发明公开了一种基于危化品事故应急指挥调度模型的计算方法，主要是解决目前危化品泄漏事故应急控制方法中的人工蜂群算法收敛速度慢，容易陷入局部优化等缺点的问题，该算法在交叉变异阶段考虑全局因素，并且在全局因素前面加上权重，使得在迭代初期在全局寻优，在迭代后期在局部寻优。本发明方法考虑了全局因素对搜索阶段的收敛速度的影响，同时增加权重，可以在迭代初期在全局寻优中有很好的收敛速度，在迭代后期在局部寻优中具有很好的收敛速度。

Description

一种基于危化品事故应急指挥调度模型的计算方法

技术领域

本发明涉及监控与通信技术领域，特别是涉及一种基于危化品事故应急指挥调度模型的计算方法。

背景技术

危化品泄漏事故具有突发性,而且有些事故的影响范围和后果都很严重,我国对于危化品泄漏事故的营救救援体系的建设和关键技术的研究非常重视。快速辅助决策技术是其中一项关键研究内容,通常包括应急控制方法，事故态势模拟法，事故安全评价，人员疏散及其计算方法等。其中，事故发生后的应急控制方法是非常关键的一项研究内容，它的算法的性能好坏直接影响到能否高效地对事故现场救援。

目前，对于危化品泄漏事故的发生的应急控制主要是物资的调度，应急物资调度是应急管理的一个重要研究方向。应急物资调度主要是指事故发生后，应急指挥部门根据现有物资配置情况和现场救灾需求，调度资源来满足事故现场的需求。应急控制的目标函数一般利用各种交通运输工具使得所需数量的物资尽快运到事故现场，通常使应急物资运输时间最小为目标，国内外学者探索了多种方式对应急物资调度函数进行求解，这些方法主要包括：匈牙利算法、元启发式算法、拉格朗日松弛算法等，其中元启发式算法是应运用最为广泛的。

元启发式算法最早是由Clover在1986年提出来的，它分为两类，第一类是基于点对点的单一解算法，包括模拟退火算法，禁忌搜索算法等，第二类是群体智能算法，包括遗传算法、蚁群优化算法、粒子群优化算法以及人工蜂群算法等。其中，人工蜂群算法是近几年来的研究热点。人工蜂群算法(ABC)最早是Karaboga在2005年提出的一种新型智能群体算法，这种算法与其他智能群体算法粒子群算法、遗传算法、蚁群算法等相比，具有更多的优点，比如说控制参数少、原理简单、鲁棒性强等特定，已经被应用于函数优化、人工网络训练、生产调度、路径规划等问题，但是ABC算法在搜索阶段具有收敛速度慢，容易陷入局部优化等缺点。

发明内容

本发明的目的是针对危化品事故应急控制方法中的人工蜂群算法的收敛速度慢，容易陷入局部优化等缺点的问题，提供了一种基于危化品事故应急指挥调度模型的计算方法，该方法在交叉变异阶段考虑全局因素，并且在全局因素前面加上权重，使得在迭代初期全局寻优，在迭代后期局部寻优。

本发明所要求解决的技术问题可以通过以下技术方案来实现：

一种基于危化品事故应急指挥调度模型的计算方法，包括以下步骤：

S1、雇佣蜂阶段，M个食物源随机初始化为D维矩阵，D维矩阵是初始解，

$\begin{array}{c}{P}_1=\[(x_1,x_2...x_D)\]\\ .\\ .\\ .\\ P_M=\[(x_{1M},x_{M2}...x_{MD})\]\end{array};$

S1.1、初始化阶段，每个食物源作为一个可行解，随机初始化可行解的参数，将每个可行解带入目标函数和适应度函数进行计算，得到不同的适应度[fitness₁,fitness₂…fitness_M]'；

S1.2、交叉变异阶段，对每一个可行解的第j维解与随机产生的邻居可行解的第j维变量以及全局最优的可行解的第j维进行交叉变异；

S2、跟随蜂阶段，

得到适应度交叉变异后，进行概率计算，此阶段随机产生一个[0-1]的数与每一个可行解的概率比较，如果小于该可行解的概率，继续进行交叉变异；

S3、观察蜂阶段，

在规定的交叉变异次数之内某可行解没有收敛，则该可行解被抛弃，并且随机赋予一个新的解重新进行迭代，不停迭代，直到收敛得到最优的全局最优函数值。

进一步地，步骤S1.1目标函数的计算公式为其中，o_k是输出节点在训练样本作用下的输出，y_k是在训练样本作用下的目标值，n是输出变量的维数，N为训练样本数量。

进一步地，所述步骤S1.1中适应度函数的计算公式为其中fi是每个可行解的函数值。

进一步地，所述步骤S1.2中交叉变异公式为V_ij＝(0.9-iter*0.5/maxcycle)*y_j+φ_ij(x_ij-x_kj)+(0.9-iter*0.5/maxcycle)*(y_j-x_ij)其中iter是第iter次迭代，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，y_j表示最优可行解的第j维解。

进一步地，所述步骤S2中进行概率计算公式为其中，fitness_i表示每个可行解的适应度，SN为可行解也就是食物源的数量。

本发明的有益效果：本发明提出一种加快收敛速度，避免局部优化的改进人工蜂群(ABC)方法，该方法受到粒子群优化算法对全局考虑的启发，在人工蜂群(ABC)算法中融入了全局因素，称为Global-ABC算法；可以提高收敛速度，节省部署时间；考虑了全局因素对搜索阶段的收敛速度的影响，同时增加权重，可以在迭代初期在全局寻优中有很好的收敛速度，在迭代后期在局部寻优中具有很好的收敛速度。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明：

图1是本发明流程图；

图2是Sphere函数的收敛效果图；

图3是Schwefel函数的收敛效果图；

图4是Rosenbrock函数的收敛效果图；

图5是Rastrigin函数的收敛效果图；

图6是Ackley函数的收敛效果图。

具体实施方式

为了使本发明技术方案的内容和优势更加清楚明了，下面结合附图对本发明的一种基于危化品事故应急指挥调度模型的计算方法进行进一步描述。

本发明的一种基于危化品事故应急指挥调度模型的计算方法，主要是解决目前危化品泄漏事故应急控制方法中的人工蜂群算法收敛速度慢，容易陷入局部优化等缺点的问题，在交叉变异阶段考虑全局因素，并且在全局因素前面加上权重，使得在迭代初期在全局寻优，在迭代后期在局部寻优的改进的人工蜂群优化算法。

图1是本发明的一种基于危化品事故应急指挥调度模型的计算方法的流程图。本发明的验证函数采用国际上主流的基准函数，分别是Sphere函数、Schwefel函数、Rosenbrock函数、Rastrigin函数、Ackley函数。

具体实施时，一种基于危化品事故应急指挥调度模型的计算方法，包括以下步骤：

S1、雇佣蜂阶段，M个食物源随机初始化为D维矩阵，D维矩阵是初始解，

$\begin{array}{c}{P}_1=\[(x_1,x_2...x_D)\]\\ .\\ .\\ .\\ P_M=\[(x_{1M},x_{M2}...x_{MD})\]\end{array};$

这个阶段包括两个子阶段，

S1.1、初始化阶段，每个食物源作为一个可行解，随机初始化可行解的参数，将每个可行解带入目标函数进行计算，目标函数的计算公式为其中，o_k是输出节点在训练样本作用下的输出，y_k是在训练样本作用下的目标值，n是输出变量的维数，N为训练样本数量。得到不同的函数值，将函数值带入公式(1)适应度函数，得到不同的适应度[fitness₁,fitness₂…fitness_M]'，

$fitness\left\{\begin{array}{cc}=1/(1+fi)& fi\&GreaterEqual;0\\ =1+abs\left(fi\right)& fi<0\end{array}\right.---\left(1\right)$

其中fi是每个可行解的函数值。

S1.2、交叉变异阶段，对每一个可行解的第j维解与随机产生的邻居可行解的第j维变量以及全局最优的可行解的第j维利用公式(2)进行交叉变异，

V_ij＝(0.9-iter*0.5/maxcycle)*y_j+φ_ij(x_ij-x_kj)+(0.9-iter*0.5/maxcycle)*(y_j-x_ij) (2)

其中，iter是第iter次迭代，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，y_j表示最优可行解的第j维解。交叉变异公式说明了全局影响因素全面考虑进了ABC算法中，在对全局因素的权重方面，由于在迭代初期，系数较大可以对全局具有更好的收敛速度，在迭代后期，由于较小的权重对局部搜索具有较好的收敛速度，所以，随着迭代次数的增加，权重系数应该不断减少，本发明方法在初期具有良好的全局收敛能力，在后期具有良好的局部收敛能力。

S2、跟随蜂阶段，

得到变异后的适应度后，采用公式(3)进行概率计算，

$P_i=\frac{{\mathrm{fitness}}_i}{\underset{i=1}{\overset{SN}{\&Sigma;}}{\mathrm{fitness}}_i}---\left(3\right)$

其中，fitness_i表示每个可行解的适应度，SN为可行解也就是食物源的数量，根据公式(3)得到每个可行解的概率，此阶段随机产生一个[0-1]的数与每一个可行解的概率比较，如果小于该可行解的概率，根据公式(2)继续进行交叉变异。

S3、观察蜂阶段，

在规定的交叉变异次数之内某可行解没有收敛，则该可行解被抛弃，并且随机赋予一个新的解重新进行迭代，不停迭代，直到收敛得到最优的全局最优函数值。

图2-6都是来验证本发明方法的收敛速度快，效果好，所以在此一并说明。图2-6中曲线①为基本的人工蜂群(ABC)算法，曲线②为GABC算法，曲线③为本发明(Global-ABC)方法提出的改进的人工蜂群优化方法，从图中可以看出曲线③的收敛速度都比其他两种方法快，说明本发明算法是有效的。

ABC算法与本发明方法的区别之处在于交叉变异阶段采用如下公式进行

V_ij＝x_ij+φ_ij(x_ij-x_kj)

其中V_ij表示交叉变异后的可行解，x_ij表示第i个可行解的第j维解，x_kj表示与i不同的邻居可行解，为第k个可行解的第j维解，φ_ij是[-1 1]之间的随机数。

GABC算法与本发明方法的区别之处在于交叉变异阶段采用如下公式进行

V_ij＝x_ij+φ_ij(x_ij-x_kj)+ψ_ij(y_j-x_ij)

其中y_j表示全局最优可行解中的第j维解，ψ_ij是[0-2]的随机数。其它步骤相同。

本发明提出一种加快收敛速度，避免局部优化的改进人工蜂群算法，该算法受到粒子群优化算法对全局考虑的启发，在ABC算法中融入了全局因素，称为Global-ABC算法；可以提高收敛速度，节省部署时间；考虑了全局因素对搜索阶段的收敛速度的影响，同时增加权重，可以在迭代初期在全局寻优中有很好的收敛速度，在迭代后期在局部寻优中具有很好的收敛速度。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (5)

1.一种基于危化品事故应急指挥调度模型的计算方法，其特征在于，包括以下步骤：

S1、雇佣蜂阶段，M个食物源随机初始化为D维矩阵，D维矩阵是初始解，

$\begin{array}{c}{P}_1=\&lsqb;(x_1,x_2...x_D)\&rsqb;\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ P_M=\&lsqb;(x_{M1},x_{M2}...x_{MD})\&rsqb;\end{array};$

S1.1、初始化阶段，每个食物源作为一个可行解，随机初始化可行解的参数，将每个可行解带入目标函数和适应度函数进行计算，得到不同的适应度[fitness₁,fitness₂…fitness_M]'；

S1.2、交叉变异阶段，对每一个可行解的第j维解与随机产生的邻居可行解的第j维变量以及全局最优的可行解的第j维进行交叉变异；

S2、跟随蜂阶段，

得到适应度交叉变异后，进行概率计算，此阶段随机产生一个[0-1]的数与每一个可行解的概率比较，如果小于该可行解的概率，继续进行交叉变异；

S3、观察蜂阶段，

在规定的交叉变异次数之内某可行解没有收敛，则该可行解被抛弃，并且随机赋予一个新的解重新进行迭代，不停迭代，直到收敛得到最优的全局最优函数值。

2.按照权利要求1所述的一种基于危化品事故应急指挥调度模型的计算方法，其特征在于：所述步骤S1.1目标函数的计算公式为其中，o_k是输出节点在训练样本作用下的输出，y_k是在训练样本作用下的目标值，n是输出变量的维数，N为训练样本数量。

3.按照权利要求2所述的一种基于危化品事故应急指挥调度模型的计算方法，其特征在于：所述步骤S1.1中适应度函数的计算公式为其中fi是每个可行解的函数值。

4.按照权利要求1所述的一种基于危化品事故应急指挥调度模型的计算方法，其特征在于：所述步骤S1.2中交叉变异公式为V_ij＝(0.9-iter*0.5/maxcycle)*y_j+φ_ij(x_ij-x_kj)+(0.9-iter*0.5/maxcycle)*(y_j-x_ij)其中iter是第iter次迭代，maxcycle表示最大迭代次数，0.9-iter*0.5/maxcycle表示权重，y_j表示最优可行解的第j维解。

5.按照权利要求1所述的一种基于危化品事故应急指挥调度模型的计算方法，其特征在于：所述步骤S2中进行概率计算公式为其中，fitness_i表示每个可行解的适应度，SN为可行解也就是食物源的数量。