CN106408133A - 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 - Google Patents
受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 Download PDFInfo
- Publication number
- CN106408133A CN106408133A CN201610887254.9A CN201610887254A CN106408133A CN 106408133 A CN106408133 A CN 106408133A CN 201610887254 A CN201610887254 A CN 201610887254A CN 106408133 A CN106408133 A CN 106408133A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- genetic algorithm
- railway
- biomembrane
- dna genetic
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 133
- 230000002068 genetic effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 239000000463 material Substances 0.000 claims abstract description 23
- 239000012528 membrane Substances 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 3
- 241000531116 Blitum bonus-henricus Species 0.000 abstract 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- MEYZYGMYMLNUHJ-UHFFFAOYSA-N tunicamycin Natural products CC(C)CCCCCCCCCC=CC(=O)NC1C(O)C(O)C(CC(O)C2OC(C(O)C2O)N3C=CC(=O)NC3=O)OC1OC4OC(CO)C(O)C(O)C4NC(=O)C MEYZYGMYMLNUHJ-UHFFFAOYSA-N 0.000 description 3
- 230000037361 pathway Effects 0.000 description 2
- 102100025570 Cancer/testis antigen 1 Human genes 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 101000856237 Homo sapiens Cancer/testis antigen 1 Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于生物膜启发DNA遗传算法的铁路应急调度优化方法及系统，该方法包括步骤1：获取铁路网络拓扑信息，在已知铁路网络拓扑中各个节点之间距离及火车速度的条件下，将铁路应急调度优化问题转化为将火车从初始车站出发经过所有需求物资车站并返回初始车站所用时间最短作为目标函数，求解所用时间最短所对应的火车运行路径；步骤2：初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；步骤3：利用受生物膜启发DNA遗传算法对火车运行路径进行优化；步骤4：判断算法是否达到终止准则，若是，则将步骤3输出的火车运行路径作为最优解；否则，返回步骤3继续寻优。
Description
技术领域
本发明属于铁路应急调度优化领域，尤其涉及一种基于生物膜启发DNA遗传算法的铁路应急调度优化方法及系统。
背景技术
目前，在铁路应急调度中，时间是最重要的因素之一。当面临突发事故时，高效的铁路应急调度能够最大程度地减少人员伤亡与财产损失，因此，力求最短调度时间所对应的火车运行路径是铁路应急调度中最为重要的问题。近年来，寻找最小调度时间所对应的火车运行路径已经成为了解决铁路应急调度优化问题的研究难点和热点。
目前，针对铁路应急调度优化问题的主要方法是遗传算法、蚁群算法、粒子群优化算法等优化算法。(1)遗传算法(GA)是以自然选择和遗传理论为基础，模拟自然界生物遗传进化进程的人工智能优化算法。它不依赖于问题的具体领域，具有很强的鲁棒性，它作为一种适应面广、鲁棒性强的随机搜索方法，具有较强的全局搜索能力，特别适用于解决复杂优化问题。(2)然而，常规的遗传算法(SGA)是以随机性的概率转换机制来代替确定性的机理转换机制，虽然具有优于其他传统方法的优点，但是SGA依然存在搜索效率低、局部搜索能力差且易早熟等缺点。(3)蚁群算法(ACO)则受蚂蚁群体寻找食物最优路径的启发，禁忌搜索模拟了人类记忆的智力过程。然而，蚁群算法具有搜索时间长、种群单一性问题且容易陷入局部最优解的缺点。(4)粒子群优化算法(PSO)是受到鸟群觅食行为的启发而被提出的，算法使用无质量无体积的粒子作为个体，在逐代演化中，个体之间进行通过个体间并行的通信以及协作搜索问题的最优解。由于算法收敛速度快，所需参数少，能够解决传统优化算法不能解决的复杂问题，因此被广泛地应用在函数优化、神经网络训练以及一些工程问题中，但自粒子群优化算法无论在理论上还是实际应用中都尚未成熟，也具有和其他随机型优化算法相同的缺点：容易过早收敛，容易陷入局部最优，以及求解精度差等。
综上所述，采用目前的优化算法使得铁路应急调度优化过程中容易出现不稳定且可能出现陷入局部最优，导致铁路应急调度优化问题中求解最小调度时间所对应的火车运行路径效率低且准确性差。
发明内容
为了解决现有技术的缺点，本发明提供一种基于生物膜启发DNA遗传算法的铁路应急调度优化方法及系统。
本发明的该优化方法基于受生物膜启发DNA遗传算法对铁路应急调度优化问题求解，具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点。
本发明的该优化系统能够提高全局搜索能力和局部寻优能力，还能提高铁路应急调度的效率和准确性。
为实现上述目的，本发明采用以下技术方案：
一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，包括：
步骤1：从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度；在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径；
步骤2：初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；
步骤3：利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；
步骤4：判断算法是否达到终止准则，若是，则将步骤3输出的火车运行路径作为最优解；否则，返回步骤3继续寻优。
本发明的该方法基于受生物膜启发DNA遗传算法对铁路应急调度优化问题求解，在每个基本膜中选出最优个体传递给相应的中间膜，在每个中间膜选出最优个体传递给表层膜，表层膜选出最优个体输出，直至满足算法的终止准则，最终输出火车运行路径的最优解。
所述步骤2中的受生物膜启发DNA遗传算法的参数包括最大代数，基本膜、中间膜和表层膜的种群规模，基本膜的个数，中间膜传递给表层膜的个体数，交叉概率，倒置概率，染色体长度、任意两个中间膜的交流概率和交流规模。通过预设受生物膜启发DNA遗传算法的参数，来达到更加准确且快速地输出火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短所对应的火车运行路径。
所述步骤2中的算法的终止准则为：算法的运行代数达最大代数或算法得到的目标函数值不再改变。本发明通过设置算法的终止准则使得本发明的该方法具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优优点。
所述步骤3中利用受生物膜启发DNA遗传算法对火车运行路径进行优化的过程中，在基本膜、中间膜和表层膜的所有膜依次使用进化规则。这样本发明提高了种群的多样性，而且也有效增强了全局搜索能力和局部寻优能力，进而提高了铁路应急调度的效率和准确性。
在每个基本膜中选出最优个体传递给相应的中间膜，在每个中间膜选出最优个体传递给表层膜，表层膜选出最优个体输出。
其中，进化规则包括选择规则、交叉规则、变异规则和倒置规则。
选择规则采用的是联赛选择，其具体过程为：
步骤3.1.1：从初始种群中随机选择两个个体，进行适应度值大小的比较，将其中适应度值最大的个体保留到下一代中；
步骤3.1.2：重复执行步骤3.1.1重复，得到下一代个体，执行的次数与下一代个体数相等。
交叉规则受自然选择的启发，采用的是选择交叉方法。
变异规则采用的是自适应变异概率的动态变异。这样能够增强全局搜索能力和局部寻优能力，进而达到提高铁路应急调度的效率和准确性的目的。
根据初始化的倒置概率，执行倒置规则。
一种基于受生物膜启发DNA遗传算法的铁路应急调度优化系统，包括：
铁路网络拓扑信息获取模块，其用于从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度；
目标函数建立模块，其用于在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径；
算法初始化模块，其用于初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；
算法运行模块，其用于利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；判断算法是否达到终止准则，若是，则将输出的火车运行路径作为最优解；否则，继续寻优。
本发明的该系统基于受生物膜启发DNA遗传算法对铁路应急调度优化问题求解，具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点，不仅显著提高了种群的多样性，而且也有效增强了全局搜索能力和局部寻优能力，进而提高了铁路应急调度的效率和准确性。
一种基于受生物膜启发DNA遗传算法的铁路应急调度优化系统，包括铁路网络拓扑信息采集装置和处理器，所述铁路网络拓扑信息采集装置，其被配置为：从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度；
所述处理器，其被配置为：
在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径；
初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；
利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；
判断算法是否达到终止准则，若是，则将输出的火车运行路径作为最优解；否则，继续寻优。
本发明的该系统基于受生物膜启发DNA遗传算法对铁路应急调度优化问题求解，具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点，不仅显著提高了种群的多样性，而且也有效增强了全局搜索能力和局部寻优能力，进而提高了铁路应急调度的效率和准确性。
本发明的有益效果为：
(1)本发明的该方法基于受生物膜启发DNA遗传算法对铁路应急调度优化问题求解，在每个基本膜中选出最优个体传递给相应的中间膜，在每个中间膜选出最优个体传递给表层膜，表层膜选出最优个体输出，直至满足算法的终止准则，最终输出火车运行路径的最优解。
(2)本发明的该系统具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点，不仅显著提高了种群的多样性，而且也有效增强了全局搜索能力和局部寻优能力，进而提高了铁路应急调度的效率和准确性。
附图说明
图1为基于受生物膜启发DNA遗传算法的铁路应急调度优化方法流程图；
图2为生物膜结构示意图；
图3为种群变异规则示例图；
图4为自适应变异概率的变化曲线图；
图5为种群倒置规则示例图；
图6为用遗传算法来处理铁路应急调度优化的仿真实验结果图；
图7为用受生物膜结构启发的DNA遗传算法对铁路应急调度优化的仿真实验结果图；
图8为用受生物膜结构启发的DNA遗传算法对铁路应急调度优化所得的最优时间下的铁路运输路径图；
图9为基于受生物膜启发DNA遗传算法的铁路应急调度优化系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
图1为基于受生物膜启发DNA遗传算法的铁路应急调度优化方法流程图。如图1所示的基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，包括：
步骤1：获取铁路网络拓扑信息，在已知铁路网络拓扑中各个节点之间距离及火车速度的条件下，将铁路应急调度优化问题转化为将火车从初始车站出发经过所有需求物资车站并返回初始车站所用时间最短作为目标函数，求解所用时间最短所对应的火车运行路径。
步骤2：初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则。
步骤2中的受生物膜启发DNA遗传算法的参数包括最大代数，基本膜、中间膜和表层膜的种群规模，基本膜的个数，中间膜传递给表层膜的个体数，交叉概率，倒置概率，染色体长度、任意两个中间膜的交流概率和交流规模。
步骤2中的算法的终止准则为：算法的运行代数达最大代数或算法得到的目标函数值不再改变。
步骤3：利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径。
如图2所示，受生物膜启发DNA遗传算法的生物膜结构为三层结构，分别为外层、中间层和内层。外层包含一个表层膜，中间层包含两个中间膜，每个中间膜包含N个基本膜，基本膜构成了内层，其中，每个基本膜中又包含了M个个体，即M个候选解；其中，M和N均为正整数。
四种DNA碱基采用四个数字形成的组合来表示，所述四个数字满足互补碱基对之间的配对规律。
采用“0、1、2、3”这四个数字的任意一种组合来表示四种DNA碱基。
采用数字序列0123对应字母序列CTAG，且0与3互补配对，1与2互补配对。
步骤3中利用受生物膜启发DNA遗传算法对火车运行路径进行优化的过程中，在基本膜、中间膜和表层膜的所有膜依次使用进化规则。此进化规则包括选择规则、交叉规则、变异规则、倒置规则，直到适应度值不再改变；每层膜执行完进化规则后使用交流规则将该膜内最好的个体送入包含该膜的外层膜，外层膜中再执行进化规则，直至适应度值不再改变。
在每个基本膜中选出最优个体传递给相应的中间膜，在每个中间膜选出最优个体传递给表层膜，表层膜选出最优个体输出。
在基本膜中执行DNA-GA。设初始种群为chrom＝[x1,x2,…,xm],其中，xm对应于铁路应急调度优化问题中的第m个站点，1≤m≤M,采用四种碱基对M个候选解进行编码。
用联赛选择的方法对当前种群进行选择操作，生成新的染色体种群，同时在新的DNA种群中随机生成多条染色体，直至染色体总数达到M。
将基本膜中每个个体进行解码，并计算解的适应度函数值，从每个基本膜中选出最优个体传递给对应的中间膜，另随机产生Mmid-N个个体，构成每个中间膜的DNA池，其中，Mmid为中间膜的个数，其为正整数且大于N。
在两个中间膜中执行DNA-GA。两个中间膜根据步骤1中设定好的交流概率和交流规模进行交流并交换最优个体，两个中间膜中的最优个体通过选择、交叉、变异、倒置等操作交换信息，直到终止条件得到满足。
将中间膜中每个个体进行解码，并计算解的适应度值，在每个中间膜中对候选解的适应度值按递减排序，从每个中间膜中选出最优候选解，传递给表层膜，并随机产生新个体构成表层膜的DNA池。
在表层膜中执行DNA-GA。依次重复执行选择、交叉、变异、倒置规则，直到终止条件得到满足，输出最终结果。
选择规则采用的是联赛选择，其具体过程为：
步骤3.1.1：从初始种群中随机选择两个个体，进行适应度值大小的比较，将其中适应度值最大的个体保留到下一代中；
步骤3.1.2：重复执行步骤3.1.1重复，得到M个下一代个体，执行的次数与下一代个体数相等。
交叉规则受自然选择的启发，采用的是选择交叉方法，其具体过程为：
步骤3.2.1：随机选择两个个体，作为父辈个体，在每个父辈个体[0,L]区间内(L为个体长度)，随机选择两个交叉点，同时确保两个父辈个体的交叉长度相同，根据之前设定好的交叉概率Pc，进行交叉操作，产生两个新的个体。
步骤3.2.2：将步骤3.2.1重复执行直到新产生的个体数达到M/2。
如图3所示，变异规则采用的是自适应变异概率的动态变异，其步骤为：每个个体被编码为高位段(HBS)和低位段(LBS)，HBS变异概率高于LBS，自适应变异概率的值随进化代数而改变，自适应变异概率的变化曲线图，如图4所示。
其中，HBS和LBS对应的变异概率pml和pmh分别如下：
式中，a1为初始变异概率，b1控制了变异概率的范围，g为当前进化代数，g0为当达到变异概率最大值时的进化代数，取g＝100，a1＝0.02，b1＝0.2，g0＝g/2，c＝20/g。
如图5所示，根据初始化的倒置概率，执行倒置规则；执行倒置规则的具体过程为：根据提前设定好的倒置概率Pt，执行普通的倒置操作：
将DNA种群中每个个体解码为一个M维的十进制向量，即：
其中，bit(j)为变量xi编码序列从左至右第j位数字，l为每个变量用DNA编码所需要的碱基数；l为正整数。
通过以下公式按比例将tempxi转换为问题的解：
其中，xmaxi和xmini分别为变量xi的最大值和最小值。
本发明中变量xi为火车经过所有需求应急物资站点的时间，而且火车经过所有需求应急物资站点的时间对应一条火车运行路径。
步骤4：判断算法是否达到终止准则，若是，则将步骤3输出的火车运行路径作为最优解；否则，返回步骤3继续寻优。
以下将本发明方法用于铁路应急调度优化中，进一步详细描述：
自然灾害发生后，铁路必须将应急物资在最短时间内送到，必须高效且安全地送到事故发生地。所以使火车经过站点的时间最短是本模型的目标函数，假设站点之间的距离已知，物资的总数能够满足每个站点的需求，火车的速度是常量，则在应急情况下，不考虑运输成本，该模型的目标函数为：
其中，n为火车要到达的站点的总数；V为火车的速度；ki表示采用DNA碱基编码的染色体，表示火车的第i个站点；表示ki与ki+1之间的距离；表示kn与k1之间的距离。
本例收集了全国33个火车站点坐标，如表1所示。
表1火车站点坐标以及应急供应需求
在该表中，j为火车站点的标号，(Uj,Vj)为33个火车站点的坐标；bj表示站点j所需应急物资的需求量；(10kt)表示的是物资的单位，即10千吨。
所运行的基于受生物膜结构启发的DNA遗传算法对铁路应急站点优化的步骤如下：
1)算法初始化，包括最大代数为100，基本膜、中间膜和表层膜的种群规模为15，基本膜的个数为5，中间膜传递给表层膜的个体数为4，交叉概率为0.8，倒置概率0.01，染色体长度L＝33*15＝495及两个中间膜的交流概率0.3和交流规模为5；
2)将火车经过所有车站并返回初始车站所用时间的倒数作为适应值函数；
3)设定如下算法的终止准则：算法的运行代数达最大代数或算法得到的目标函数值不再改变；
4)运行受生物膜结构启发的DNA遗传算法对铁路应急调度问题进行优化，每个基本膜中选出最优个体传递给对应的中间膜，每个中间膜中选出最优个体传递给对应的表层膜，分别在基本膜、中间膜和表层膜依次执行DNA-GA，选择操作、交叉操作、变异操作和倒置操作；
5)当算法运行未达到算法的终止准则，返回步骤4)继续寻优；否则，将算法的估计输出最优值作为铁路应急调度时间的估计值，得到基于受生物膜结构启发的DNA遗传算法的铁路应急调度时间并输出最优解。
运行传统遗传算法SGA对铁路应急调度进行优化并与受生物膜机构启发的DNA遗传算法进行比较，结果分别如图6和7所示。最优时间下的路径图如图8所示。
从图6中可以看出，遗传算法在迭代了大约60次后收敛曲线趋于稳定。图7表示，受生物膜结构启发的DNA遗传算法即mDNA-GA在迭代了31次之后收敛曲线就趋于稳定，并且迭代次数和时间都少于传统遗传算法，由mDNA-GA所得到的路径为最优解如图8所示，在最短时间下，铁路运输路径为20→24→25→29→14→12→11→6→5→16→23→19→17→18→3→8→9→10→4→2→7→13→33→15→1→32→31→30→27→28→26→22→21→20.
图9是本发明的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化系统结构示意图，如图所示的基于受生物膜启发DNA遗传算法的铁路应急调度优化系统，包括：铁路网络拓扑信息获取模块、目标函数建立模块、算法初始化模块和算法运行模块。
(1)铁路网络拓扑信息获取模块，其用于从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度。
(2)目标函数建立模块，其用于在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径。
(3)算法初始化模块，其用于初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则。
(4)算法运行模块，其用于利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；判断算法是否达到终止准则，若是，则将输出的火车运行路径作为最优解；否则，继续寻优。
本发明的该系统基于受生物膜启发DNA遗传算法对铁路应急调度优化问题求解，具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点，不仅显著提高了种群的多样性，而且也有效增强了全局搜索能力和局部寻优能力，进而提高了铁路应急调度的效率和准确性。
本发明还提供了一种基于受生物膜启发DNA遗传算法的铁路应急调度优化系统，包括铁路网络拓扑信息采集装置和处理器。
其中，铁路网络拓扑信息采集装置，其被配置为：从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度。
铁路网络拓扑信息采集装置为现有的数据采集装置，比如图像采集器，可以采集铁路网络拓扑图。铁路网络拓扑信息采集装置也可以为其他数据采集装置。
其中，处理器，其被配置为：
在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径；
初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；
利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；
判断算法是否达到终止准则，若是，则将输出的火车运行路径作为最优解；否则，继续寻优。
处理器为CPU或控制器，现有的硬件结构。
本发明的该系统基于受生物膜启发DNA遗传算法对铁路应急调度优化问题求解，具有较强的鲁棒性、收敛速度快以及能够避免陷入局部最优的优点，不仅显著提高了种群的多样性，而且也有效增强了全局搜索能力和局部寻优能力，进而提高了铁路应急调度的效率和准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，包括：
步骤1：从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度；在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径；
步骤2：初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；
步骤3：利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；
步骤4：判断算法是否达到终止准则，若是，则将步骤3输出的火车运行路径作为最优解；否则，返回步骤3继续寻优。
2.如权利要求1所述的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，所述步骤2中的受生物膜启发DNA遗传算法的参数包括最大代数，基本膜、中间膜和表层膜的种群规模，基本膜的个数，中间膜传递给表层膜的个体数，交叉概率，倒置概率，染色体长度、任意两个中间膜的交流概率和交流规模。
3.如权利要求1所述的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，所述步骤2中的算法的终止准则为：算法的运行代数达最大代数或算法得到的目标函数值不再改变。
4.如权利要求2所述的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，所述步骤3中利用受生物膜启发DNA遗传算法对火车运行路径进行优化的过程中，在基本膜、中间膜和表层膜的所有膜依次使用进化规则。
5.如权利要求4所述的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，在每个基本膜中选出最优个体传递给相应的中间膜，在每个中间膜选出最优个体传递给表层膜，表层膜选出最优个体输出。
6.如权利要求4所述的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，所述进化规则包括选择规则、交叉规则、变异规则和倒置规则。
7.如权利要求6所述的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，选择规则采用的是联赛选择，其具体过程为：
步骤3.1.1：从初始种群中随机选择两个个体，进行适应度值大小的比较，将其中适应度值最大的个体保留到下一代中；
步骤3.1.2：重复执行步骤3.1.1重复，得到下一代个体，执行的次数与下一代个体数相等。
8.如权利要求6所述的一种基于受生物膜启发DNA遗传算法的铁路应急调度优化方法，其特征在于，变异规则采用的是自适应变异概率的动态变异。
9.一种基于受生物膜启发DNA遗传算法的铁路应急调度优化系统，其特征在于，包括：
铁路网络拓扑信息获取模块，其用于从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度；
目标函数建立模块，其用于在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径；
算法初始化模块，其用于初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；
算法运行模块，其用于利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；判断算法是否达到终止准则，若是，则将输出的火车运行路径作为最优解；否则，继续寻优。
10.一种基于受生物膜启发DNA遗传算法的铁路应急调度优化系统，其特征在于，包括铁路网络拓扑信息采集装置和处理器，所述铁路网络拓扑信息采集装置，其被配置为：从铁路网络数据库内获取铁路网络拓扑信息，所述铁路网络拓扑信息包括铁路网络拓扑结构中所有车站点、各个车站点之间的距离和火车速度；
所述处理器，其被配置为：
在确定需求物资车站点的前提下，将火车从设定初始车站点出发经过所有需求物资车站点并返回初始车站点所用时间最短作为目标函数，求解所用时间最短的火车运行路径；
初始化受生物膜启发DNA遗传算法的参数，并设定算法的终止准则；
利用受生物膜启发DNA遗传算法对火车运行路径进行优化，输出火车运行路径；
判断算法是否达到终止准则，若是，则将输出的火车运行路径作为最优解；否则，继续寻优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610887254.9A CN106408133A (zh) | 2016-10-11 | 2016-10-11 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610887254.9A CN106408133A (zh) | 2016-10-11 | 2016-10-11 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106408133A true CN106408133A (zh) | 2017-02-15 |
Family
ID=59229070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610887254.9A Pending CN106408133A (zh) | 2016-10-11 | 2016-10-11 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106408133A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358325A (zh) * | 2017-07-19 | 2017-11-17 | 武汉轻工大学 | 一种物流配送中心选址方法、装置及计算机可读存储介质 |
| CN110580606A (zh) * | 2019-09-12 | 2019-12-17 | 东方钢铁电子商务有限公司 | 铁路运输数据的匹配方法 |
| CN114048913A (zh) * | 2021-11-19 | 2022-02-15 | 江苏科技大学 | 一种基于粒子群算法和遗传算法混合的救援规划方法 |
| CN114089699A (zh) * | 2021-10-29 | 2022-02-25 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103716194A (zh) * | 2013-12-31 | 2014-04-09 | 北京交通大学 | 一种城轨列车网络拓扑优化方法 |
| CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
-
2016
- 2016-10-11 CN CN201610887254.9A patent/CN106408133A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103716194A (zh) * | 2013-12-31 | 2014-04-09 | 北京交通大学 | 一种城轨列车网络拓扑优化方法 |
| CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| WENKE ZANG 等: "A DNA Genetic Algorithm Inspired by Biological Membrane Structure", 《JOURNAL OF COMPUTATION AND THEORETICAL NANOSCIENCE》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358325A (zh) * | 2017-07-19 | 2017-11-17 | 武汉轻工大学 | 一种物流配送中心选址方法、装置及计算机可读存储介质 |
| CN107358325B (zh) * | 2017-07-19 | 2021-01-22 | 武汉轻工大学 | 一种物流配送中心选址方法、装置及计算机可读存储介质 |
| CN110580606A (zh) * | 2019-09-12 | 2019-12-17 | 东方钢铁电子商务有限公司 | 铁路运输数据的匹配方法 |
| CN110580606B (zh) * | 2019-09-12 | 2023-11-07 | 上海欧冶供应链有限公司 | 铁路运输数据的匹配方法 |
| CN114089699A (zh) * | 2021-10-29 | 2022-02-25 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
| CN114089699B (zh) * | 2021-10-29 | 2024-05-28 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
| CN114048913A (zh) * | 2021-11-19 | 2022-02-15 | 江苏科技大学 | 一种基于粒子群算法和遗传算法混合的救援规划方法 |
| CN114048913B (zh) * | 2021-11-19 | 2024-05-28 | 江苏科技大学 | 一种基于粒子群算法和遗传算法混合的救援规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106408133A (zh) | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 | |
| CN108197736A (zh) | 一种基于变分自编码器和极限学习机的空气质量预测方法 | |
| CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
| Thanh et al. | An effective representation scheme in multifactorial evolutionary algorithm for solving cluster shortest-path tree problem | |
| CN108615089A (zh) | 一种基于递归量化分析的短期风速混合预测方法 | |
| CN103544528A (zh) | 一种基于Hadoop的BP神经网络分类方法 | |
| CN106991442A (zh) | 混合蛙跳算法的自适应核k‑means方法与系统 | |
| CN109214503A (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
| CN113971517A (zh) | 一种基于ga-lm-bp神经网络的水质评价方法 | |
| CN110298506A (zh) | 一种城市建设水平预测系统 | |
| CN113705098A (zh) | 一种基于pca和ga-bp网络的风道加热器建模方法 | |
| Sadeghi et al. | Estimation of electricity demand in residential sector using genetic algorithm approach | |
| CN106503793B (zh) | 一种基于改进差分算法的神经网络短期风速预测方法 | |
| Satapathy et al. | Teaching learning based optimization for neural networks learning enhancement | |
| Ma et al. | Improved genetic algorithm based on K-Means to solve path planning problem | |
| Luo et al. | Stock market forecasting algorithm based on improved neural network | |
| Zhang et al. | A decision tree scoring model based on genetic algorithm and k-means algorithm | |
| CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
| Li et al. | Adaptive scheduling for smart shop floor based on deep Q-network | |
| CN105260556B (zh) | 发夹变异操作rna遗传算法的桥式吊车建模方法 | |
| CN1622129A (zh) | 人工神经网络的优化方法 | |
| Du et al. | Vulcan: Solving the Steiner tree problem with graph neural networks and deep reinforcement learning | |
| Furze et al. | Mathematical methods to quantify and characterise the primary elements of trophic systems | |
| Hu et al. | Multi-objective reservoir optimal operation based on GCN and NSGA-II algorithm | |
| Wang et al. | Financial early warning of listed companies based on fireworks algorithm optimized back-propagation neural network |
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: 20170215 |