CN107274039A - 一种井位不确定环境下的油田仓库选址方法 - Google Patents
一种井位不确定环境下的油田仓库选址方法 Download PDFInfo
- Publication number
- CN107274039A CN107274039A CN201710642466.5A CN201710642466A CN107274039A CN 107274039 A CN107274039 A CN 107274039A CN 201710642466 A CN201710642466 A CN 201710642466A CN 107274039 A CN107274039 A CN 107274039A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- warehouse
- location
- well
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000003129 oil well Substances 0.000 claims abstract description 52
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 238000005553 drilling Methods 0.000 claims description 29
- 210000000349 chromosome Anatomy 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 20
- 230000002068 genetic effect Effects 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 230000003245 working effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000011017 operating method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 241001074085 Scophthalmus aquosus Species 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 89
- 238000011160 research Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000009795 derivation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000002948 stochastic simulation 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种井位不确定环境下的油田仓库选址方法，先对未来油井位置进行模拟，在此基础上进行选址获取理论上最优仓库位置，然后根据理论上最优仓库位置选取多个候选仓库位置，基于此进行离散选址，生成选址方案，然后进行灵敏度分析，将鲁棒性最好的方案作为最优选址位置。本发明根据油田现状和规划模拟油井位置，将油田井位的不确定性考虑进油田仓库的选址因素中，使得油田仓库的选址更符合油田的实际情况，更加有利于油田中长期的生产工作。
Description
技术领域
本发明涉及油田物流管理领域，更具体地说，涉及一种井位不确定环境下的油田仓库选址方法。
背景技术
随着科学技术和社会经济的快速发展，石油在人们的日常生活中和工业经济的发展过程中发挥着重要的作用。国内石油消费量逐年增加：2011年消费石油4.64亿吨，2012年消费石油4.86亿吨，2013年消费石油5.07亿吨，2014年消费石油5.26亿吨，2015年消费石油5.59亿吨，2016年消费石油5.76亿吨；而国际原油价格逐年降低：2011年为111.26美元/桶，2012年为111.67美元/桶，2013年为108.66美元/桶，2014年为98.95美元/桶，2015年为52.39美元/桶，2016年55.21美元/桶；国内石油消费量的急剧增加和国际油价的快速下跌导致石油的利润空间在不断缩小。因此，油田企业致力于提高油田生产效率，其中改善石油勘探开发工艺成为提高效率的重要方法，而且油气集输、油田设施选址等问题也引起了油田企业管理者的重视；油气集输管网的布局和油田仓库选址决策(无论是油库、储气库选址还是物资仓库选址)均属中长期决策，决策的优劣不仅影响油田的物流运输和管理成本，而且会影响油田的生产效率。因此，油田选址问题的相关研究逐渐展开，目前的研究主要是对于油库选址和油田集输管网布局等问题的研究。
在现阶段对于油田仓库选址的研究，主要集中在对选址模型和求解算法的研究。针对油田选址模型的研究，其主旨思想是通过对油田现状的分析，使得研究中的选址模型更符合油田的实际情况。现如今，对于油田选址模型而言，被广泛应用的是多级选址模型、多层选址模型、多因素选址模型等。针对求解算法的研究而言，其主要思想在于提高算法对于油田选址模型的求解效率，改进智能算法和启发式算法是当前比较常用也行之有效的方法，通过改进算法能有效地提高优化能力。近些年对油田选址模型的求解算法主要有遗传算法、并行算法和混合算法等。
但是就目前而言，未考虑油田井位的不确定性及其对设施选址问题的影响。但是，油田中的仓库多是服务于未来油田正常工作的油井，而在未来的石油勘探、开采工作中，由于受地质储层、公司远景规划等因素的影响，可能会关闭部分现有的油井，也会钻新井，油井的位置、数量、需求量(产出量)都是影响选址问题的因素。而现有的油田仓库选址研究没有考虑油井位置等因素的不确定性，油田仓库是为未来油井进行服务的，若不考虑未来油井的位置分布、需求量变化等，会影响选址结果的合理性。此外，定量选址模型研究也未考虑设施中断问题，仓储选址是中长期决策，若发生中断将直接或间接影响油田的生产工作。
为较好理解本发明的油田仓库选址方法，现将现有油田选址研究方法和选址模型做如下介绍。如图1所示，其为现有油田选址研究方法的流程图。如图所示，研究方法包括如下内容：
(1)现状分析。分析油田的供需关系、物流现状、环境因素和人为因素等一系列可能影响选址决策的因素。
(2)建立模型。基于油田现状，建立使总成本最小的数学模型：
其中给定(x,y)，
约束条件为：
xij≥0 (5)
式(1)表示新建仓库的总配送成本和建设仓库的成本之和；式(2)表示新建仓库的总配送成本最小化，其中c0j(x,y)是关于仓库坐标x和y的函数，表示从新建仓库到需求点j运输每吨运输物质的最小成本；式(3)表示仓库到需求点的配送量要大于或等于需求点的需求量；式(4)表示仓库到需求点的配送量要小于或等于需求点的实际库存容量；式(5)表示仓库到需求点的实际配送量要大于或等于零.
(3)算法设计。根据模型的复杂程度，设计求解算法。
(4)算例分析。以油田实际问题为例，基于上述建立的模型和设计的算法求解油田仓库选址问题，并输出选址方案。
发明内容
本发明要解决的技术问题在于，针对上述的现有油田选址模型的求解算法未考虑油田井位的不确定性及其对设施选址问题的影响的技术缺陷，提供了一种井位不确定环境下的油田仓库选址方法。
根据本发明的其中一方面，本发明为解决其技术问题，提供了一种井位不确定环境下的油田仓库选址方法，包含下述步骤：
S1、根据油田现有井位分布和未来钻井规划模拟生成未来油井分布；
S2、基于生成的未来油井分布，获取未来油井分布的重心作为理论最优仓库位置；
S3、参照理论最优仓库位置，在其预设距离内选取多个候选仓库位置；
S4、根据选取的所述多个候选仓库位置，建立离散选址模型并求解出最优解以作为候选的油田仓库选址方案；
S5、对选址模型做灵敏度分析，将鲁棒性最好的候选的油田仓库选址方案作为最终选取的油田仓库位置。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，步骤S1包含下述步骤：
S11、对油田的地图进行坐标量化；
S12、随机生成一组坐标；
S13、判断这个点是否在规划的钻井区域内，如果是，则执行S14；否则舍弃该组坐标，执行S12；
S14、判断该点所在钻井区域内的井数是否已达到预设的最大钻井数目，如果已达到则舍去该组坐标，执行S12；否则将该组坐标计入该点所在钻井区域，该点所在钻井区域的钻井数加1，执行S15；
S15、判断各个钻井区域的钻井数是否已全部达到上限，如果是执行S16；否则执行S12；
S16、随机选择一个生产工作区内已正常生产且未来也能产油的井位；
S17、判断该井位是否已被选择，如果是，舍弃该井位并执行S16，否则执行S18；
S18、判断该井位所属生产工作区开放的存量井数是否已达到预设的上限，如果已达到，舍弃该井位并执行S16；否则将开放该井位继续产油，该井位所在生产工作区的存量井数加1，执行S19；
S19、判断各个生产工作区内开放的存量井数是否已全部达到上限，如果是，输出最终保留的各个井位的坐标结果形成所述模拟的未来油井位置；否则执行S16。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，步骤S2中的包含下述步骤：
S21、根据式(1)和式(2)以及d的预设初始值，求出待选址位置的初始坐标(a0,b0)；
S22、根据(a0,b0)和式(3)计算出d；
S23、将d代入式(1)和式(2)中，求出修正的(a,b)；
S24、根据修正的(a,b)带入公式(3)重新计算d；
S25、重复S23与S24，直到(a,b)的变动小于预定的误差范围；
S26、输出最后求得的最佳坐标值作为最优仓库位置；
其中，式(1)、(2)、(3)中的字母分别表示：仓库的位置为P(a,b)，a和b分别为仓库的横坐标和纵坐标；油井i的位置为Ai(xi,yi)(i＝1,2,…,n)，xi和yi分别为油井i的横坐标和纵坐标；wi为油井i的物资需求量；di为油井i与仓库之间的距离。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，步骤S3中选取候选仓库的方法具体位置：以理论最优仓库位置为中心，依次在其预设的第一距离内、第一距离至第二距离内、第二距离至第三距离内、…、第k距离至第(k+1)距离内的范围内选取候选仓库，直至候选仓库数目达到预设数目。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，步骤S4中的离散选址模型的目标函数为仓库建设费用、物资运输费用和仓库中断情境下的增加费用之和；离散选址约束条件包括：确保每个油井至少被服务一次，保证每个油井的车辆进出次数相等，确保油井由已开设的仓库负责配送物资，要求候选仓库的容量约束，要求每个油井物资需求量都被满足和决策变量取值范围约束。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，步骤S4中的离散选址模型求解方法采用遗传算法，遗传算法包括下述步骤：
(41)获取输入参数，包括种群大小、最大迭代次数、交叉概率和变异概率；
(42)种群初始化，生成一个关于仓库选址方案的初始种群；
(43)进化操作，产生新个体和生成下一代种群；具体的，首先计算种群中每个染色体的目标函数值和适应度值，然后分别进行选择、交叉和变异操作，操作步骤如下：
S431、选择操作：首先选择一个适应度值最大的个体，直接进入下一代，然后通过轮盘赌方法在父代种群中随机选择n-1个个体进入下一代，其中n种群大小；
S432、交叉操作：将种群中任意两个不同的个体中相同位置的基因段交换，形成新的个体；
S433、变异操作：从新的个体中选出需要变异的个体，采用预设规则改变需要变异的个体中的某一基因；
(44)判断是否满足遗传算法约束条件，遗传算法约束条件是迭代次数或解的误差是否达到设定值，若满足，输出遗传算法的最优解作为候选的油田仓库选址方案，否则继续进行进化操作。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，步骤S4中的离散选址模型求解方法采用差分演化算法，差分演化算法包括下述步骤：
(41)获取输入参数，包括种群大小、最大迭代次数、交叉概率和缩放因子；
(42)种群初始化，生成一个关于仓库选址方案的初始种群；
(43)进化操作，产生新个体和生成下一代种群；具体的，首先计算种群中每个染色体的目标函数值和适应度值，然后分别进行选择、交叉和变异操作，操作步骤如下：
S431、变异操作：DE/rand/1模式，变异策略如式(4)所示：
其中Xw,G是从个体群winner集中随机选取的染色体，是当前种群中随机挑选出的染色体且k≠r1，k≠r2，r1≠r2，Vk,G是变异后的染色体，F是缩放因子；
S432、交叉操作：采用二项式交叉模式，交叉的如式(5)所示：
其中xj,i,G是第G代种群中第i个染色体的第j个基因位，vj,i,G和uj,i,G分别是第G代种群中变异后和交叉后的第i染色体的第j个基因位，jrand∈[1,2,…,m]为随机选择的值，Cr是交叉概率；
S433、选择操作：选择过程如公式(6)所示：
其中f(x)是目标函数，x是染色体；Ui,G是第G代第i个个体经过交叉操作后的个体；Xi,G和Xi,G+1表示第G和G+1代种群中第i个个体。
(44)判断是否满足差分演化算法约束条件，差分演化算法约束条件是迭代次数或解的误差是否达到设定值。若满足，输出差分演化算法的最优解作为候选的油田仓库选址方案，否则继续进行进化操作。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，F在进化过程中是自适应的，它的调整是通过调整变量τ1控制的，缩放因子F的调整公式如式(7)所示：
其中randk，k＝{1,2}，服从[0,1]之间的均匀分布；τ1是常数值，代表控制参F被调整的概率；Fu,G和Fl,G也是常数值，分别表示控制参数F的取值上限和下限，Fi,G和Fi,G+1表示第G和G+1代种群中第i个个体变异操作对应的缩放因子。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，Cr在进化过程中是自适应的，它的调整是通过调整变量τ2控制的，交叉概率Cr的调整公式如式(8)所示：
其中randk，k＝{3,4}，服从[0,1]之间的均匀分布；τ2是常数值，代表控制参数Cr被调整的概率；Cri,G和Cri,G+1表示第G和G+1代种群中第i个个体交叉操作对应的交叉概率。
进一步的，在本发明的井位不确定环境下的油田仓库选址方法中，步骤S5中的灵敏度分析，改变的预设的多个影响选址决策的因素包括油井位置及油井需求。
本发明的井位不确定环境下的油田仓库选址方法，先对未来油井位置进行模拟，在此基础上进行选址获取理论上最优仓库位置，然后根据理论上最优仓库位置选取多个候选仓库位置，基于此进行离散选址，生成选址方案，然后进行灵敏度分析，将鲁棒性最好的方案作为最优选址位置。本发明根据油田现状和规划模拟油井位置，将油田井位的不确定性考虑进油田仓库的选址因素中，使得油田仓库的更符合油田的实际情况，更加有利于油田中长期的生产工作。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是现有油田选址研究方法的流程图；
图2是本发明的井位不确定环境下的油田仓库选址方法的流程图；
图3是本发明的采用遗传算法进行离散选址模型求解的流程图；
图4是本发明的采用差分演化算法进行离散选址模型求解的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图2所示，其为本发明的井位不确定环境下的油田仓库选址方法的原理框图。本发明的井位不确定环境下的油田仓库选址方法，包含下述步骤：
S1、根据油田现有井位分布和未来钻井位置规划模拟生成未来油井分布。未来油井分布采用随机生成的方法，然后从随机生成的井位中挑选出满足条件的井位作为未来油井位置。具体的，包含下述步骤：
S11、对油田的地图进行坐标量化；
S12、随机生成一组坐标；
S13、判断这个点是否在规划的钻井区域内，如果是，则执行S14；否则舍弃该组坐标，执行S12；
S14、判断该点所在钻井区域内的井数是否已达到预设的最大钻井数目，如果已达到则舍去该组坐标，执行S12；否则将该组坐标计入该点所在钻井区域，该点所在钻井区域的钻井数加1，执行S15；
S15、判断各个钻井区域的钻井数是否已全部达到上限，如果是执行S16；否则执行S12；
S16、随机选择一个生产工作区内已正常生产且未来也能产油的井位；
S17、判断该井位是否已被选择，如果是，舍弃该井位并执行S16，否则执行S18；
S18、判断该井位所属生产工作区开放的存量井数是否已达到预设的上限，如果已达到，舍弃该井位并执行S16；否则将开放该井位继续产油，该井位所在生产工作区的存量井数加1，执行S19；
S19、判断各个生产工作区内开放的存量井数是否已全部达到上限，如果是，输出最终保留的各个井位的坐标结果形成所述模拟的未来油井位置；否则执行S16。
S2、基于生成的未来油井分布，获取未来油井分布的重心作为理论最优仓库位置。最优仓库位置采用重心法，即计算出未来油井分布的重心，具体可采用下述步骤进行。
S21、根据式(1)和式(2)以及d的预设初始值1，求出待选址位置的初始坐标(a0,b0)；
S22、根据(a0,b0)和式(3)计算出d；
S23、将d代入式(1)和式(2)中，求出修正的(a,b)；
S24、根据修正的(a,b)带入公式(3)重新计算d；
S25、重复S23与S24，直到(a,b)的变动小于预定的误差范围；
S26、输出最后求得的最佳坐标值作为最优仓库位置；
其中，式(1)、(2)、(3)中的字母分别表示：仓库的位置为P(a,b)，a和b分别为仓库的横坐标和纵坐标；油井i的位置为Ai(xi,yi)(i＝1,2,…,n)，xi和yi分别为油井i的横坐标和纵坐标；wi为油井i的物资需求量；di为油井i与仓库之间的距离。
S3、参照理论最优仓库位置，在其预设距离内选取多个候选仓库位置。根据油田对物资仓库的要求，以理论最优仓库位置为中心，依次在其附近预设的10km、10km-20km、20km-30km，…，第k距离至第(k+1)距离的范围内选取候选仓库，直至候选仓库数目足够。
S4、根据选取的所述多个候选仓库，建立离散选址模型并求解出最优解以作为候选的油田仓库选址方案，此处不同情景下模型的最优解对应的候选的油田仓库选址方案可能不同。建立的离散选址模型为基于某种情景，在本实施例中，该情形优选为某种的井位位置(现有井位位置和未来钻井位置规划模拟生成未来油井位置)和油井物资需求量，在其他情形下也可以是其他。离散选址模型的目标函数为仓库建设费用、物资运输费用和仓库中断情境下的增加费用之和；离散选址约束条件包括：确保每个油井至少被服务一次，保证每个油井的车辆进出次数相等，确保油井由已开设的仓库负责配送物资，要求候选仓库的容量约束，要求每个油井物资需求量都被满足和决策变量取值范围约束。离散选址模型的求解方法具体的可采用遗传算法或者是差分演化算法进行。
S5、基于不同的情形下的井位分布和油井物资需求量，对离散选址模型做灵敏度分析，从上述的多个情景下候选的油田仓库选址方案中，将鲁棒性最好的候选的油田仓库选址方案作为最终选取的油田仓库位置。
多个候选仓库位置是作为离散选址模型的输入，通过模型选择(经过处理后)候选仓库位置中的一个或几个(具体数量由模型决定)作为选址方案。模型输出的选址方案包括选址数量和选中的一个或多个仓库位置。
参考图3，其为本发明的采用遗传算法进行离散选址模型求解的流程图。在本实施例中，步骤S4中的离散选址模型求解方法采用遗传算法，遗传算法主要包括下述步骤：
(41)获取输入参数，包括种群大小、最大迭代次数、交叉概率和变异概率；
(42)种群初始化，生成一个关于仓库选址方案的初始种群。具体的，判断步骤S3中获取的候选仓库位置是否满足上述所有的离散选址约束条件，若满足，将该个体放入种群中，否则舍弃；继续生成新个体，直至种群中的个体个数达到种群大小。
(43)进化操作，产生新个体和生成下一代种群；具体的，首先计算种群中每个染色体的目标函数值和适应度值，然后分别进行选择、交叉和变异操作，操作步骤如下：
S431、选择操作：采用精英保留策略和轮盘赌方法，首先选择一个适应度值最大的个体，直接进入下一代，然后通过轮盘赌方法在父代种群中随机选择n-1个个体进入下一代，其中n种群大小；
S432、交叉操作：采用两点交叉策略，将种群中任意两个个体中相同位置的基因段交换，形成新的个体。即种群中的个体两两一组，一组内的两个个体交换相同位置的基因段；若种群为X1、X2、X3、…、Xn，则交叉操作后种群变为X1’、X2’、X3’、…、Xn’，交叉操作后种群中个体数目不变。
S433、变异操作：采用单点变异策略，从新的个体中选出需要变异的个体，采用预设规则改变需要变异的个体中的某一基因采用预设规则改变每一个新的个体中某一基因。具体的本实施例优选下述方法进行：对群中所有个体以事先设定的变异概率判断是否进行变异，对进行变异的个体随机选择变异位进行变异。
(44)判断是否满足遗传算法约束条件，遗传算法约束条件是迭代次数或解的误差是否达到设定值，若满足，输出遗传算法的最优解作为候选的油田仓库选址方案，否则继续进行进化操作。
参考图4，其为本发明的采用差分演化算法进行离散选址模型求解的流程图。在本发明的另一实施例中，步骤S4中的离散选址模型求解方法采用差分演化算法，差分演化算法包括下述步骤：
(41)获取输入参数，包括种群大小、最大迭代次数、交叉概率和缩放因子；
(42)种群初始化，生成一个关于仓库选址方案的初始种群。具体的，判断步骤S3中获取的候选仓库位置是否满足上述所有的离散选址约束条件，若满足，将该个体放入种群中，否则舍弃；继续生成新个体，直至种群中的个体个数达到种群大小。
(43)进化操作，产生新个体和生成下一代种群；具体的，首先计算种群中每个染色体的目标函数值和适应度值，然后分别进行选择、交叉和变异操作，操作步骤如下：
S431、变异操作：DE/rand/1模式，加入清除小生镜技术后的变异策略如式(4)所示，变异策略如式(4)所示：
其中Xw,G是从个体群winner集中随机选取的染色体，是当前种群中随机挑选出的染色体且k≠r1，k≠r2，r1≠r2，Vk,G是变异后的染色体，F是缩放因子；F在进化过程中是自适应的，它的调整是通过调整变量τ1控制的，缩放因子F的调整公式如式(7)所示：
其中randk，k＝{1,2}，服从[0,1]之间的均匀分布；τ1是常数值，代表控制参F被调整的概率；Fu,G和Fl,G也是常数值，分别表示控制参数F的取值上限和下限，Fi,G和Fi,G+1表示第G和G+1代种群中第i个个体变异操作对应的缩放因子。
S432、交叉操作：采用二项式交叉模式，交叉的如式(5)所示：
其中xj,i,G是第G代种群中第i个染色体的第j个基因位，vj,i,G和uj,i,G分别是第G代种群中变异后和交叉后的第i染色体的第j个基因位，jrand∈[1,2,…,m]为随机选择的值，Cr是交叉概率；Cr在进化过程中是自适应的，它的调整是通过调整变量τ2控制的，交叉概率Cr的调整公式如式(8)所示：
其中randk，k＝{3,4}，服从[0,1]之间的均匀分布；τ2是常数值，代表控制参数Cr被调整的概率；Cri,G和Cri,G+1表示第G和G+1代种群中第i个个体交叉操作对应的交叉概率。
S433、选择操作：采用贪婪选择，选择过程如公式(6)所示：
其中f(x)是目标函数，x是染色体；Ui,G是第G代第i个个体经过交叉操作后的个体；Xi,G和Xi,G+1表示第G和G+1代种群中第i个个体。
(44)判断是否满足差分演化算法约束条件，差分演化算法约束条件是迭代次数或解的误差是否达到设定值。若满足，输出差分演化算法的最优解作为候选的油田仓库选址方案，否则继续进行进化操作。
具体的，生成的初始种群是选址问题解空间内的解(其中一个解对应一种选址方案)，经过进化算法的优化，能得到可行解空间内最优的解，即最优的选址方案。
本方法考虑油田未来井位不确定这一重要特点，采用多种方法按照一定的顺序优化问题，未选直接决策的输出提供依据。本发明采用采用随机模拟方法模拟油井位置；在选取候选仓库前，本发明首先优化获得理论最优仓库位置；分析算例时，本发明对选址模型进行灵敏度分析；最后生成最优选址方案。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种井位不确定环境下的油田仓库选址方法，其特征在于，包含下述步骤：
S1、根据油田现有井位分布和未来钻井规划模拟生成未来油井分布；
S2、基于生成的未来油井分布，获取未来油井分布的重心作为理论最优仓库位置；
S3、参照理论最优仓库位置，在其预设距离内选取多个候选仓库位置；
S4、根据选取的所述多个候选仓库位置，建立离散选址模型并求解出最优解以作为候选的油田仓库选址方案；
S5、对离散选址模型做灵敏度分析，将鲁棒性最好的候选的油田仓库选址方案作为最终选取的油田仓库位置。
2.根据权利要求1的油田仓库选址方法，所述步骤S1包含下述步骤：
S11、对油田的地图进行坐标量化；
S12、随机生成一组坐标；
S13、判断这个点是否在规划的钻井区域内，如果是，则执行S14；否则舍弃该组坐标，执行S12；
S14、判断该点所在钻井区域内的井数是否已达到预设的最大钻井数目，如果已达到则舍去该组坐标，执行S12；否则将该组坐标计入该点所在钻井区域，该点所在钻井区域的钻井数加1，执行S15；
S15、判断各个钻井区域的钻井数是否已全部达到上限，如果是执行S16；否则执行S12；
S16、随机选择一个生产工作区内已正常生产且未来也能产油的井位；
S17、判断该井位是否已被选择，如果是，舍弃该井位并执行S16，否则执行S18；
S18、判断该井位所属生产工作区开放的存量井数是否已达到预设的上限，如果已达到，舍弃该井位并执行S16；否则将开放该井位继续产油，该井位所在生产工作区的存量井数加1，执行S19；
S19、判断各个生产工作区内开放的存量井数是否已全部达到上限，如果是，输出最终保留的各个井位的坐标结果形成所述模拟的未来油井位置；否则执行S16。
3.根据权利要求1的油田仓库选址方法，所述步骤S2中包含下述步骤：
S21、根据式(1)和式(2)以及d的预设初始值，求出待选址位置的初始坐标(a0,b0)；
<mrow>
<mi>a</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>b</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
S22、根据(a0,b0)和式(3)计算出d；
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
S23、将d代入式(1)和式(2)中，求出修正的(a,b)；
S24、根据修正的(a,b)带入公式(3)重新计算d；
S25、重复S23与S24，直到(a,b)的变动小于预定的误差范围；
S26、输出最后求得的最佳坐标值作为最优仓库位置；
其中，式(1)、(2)、(3)中的字母分别表示：仓库的位置为P(a,b)，a和b分别为仓库的横坐标和纵坐标；油井i的位置为Ai(xi,yi)(i＝1,2,…,n)，xi和yi分别为油井i的横坐标和纵坐标；wi为油井i的物资需求量；di为油井i与仓库之间的距离。
4.根据权利要求1的油田仓库选址方法，所述步骤S3中选取候选仓库的方法具体位置：以理论最优仓库位置为中心，依次在其预设的第一距离内、第一距离至第二距离内、第二距离至第三距离内、…、第k距离至第(k+1)距离内的范围内选取候选仓库，直至候选仓库数目达到预设数目。
5.根据权利要求1的油田仓库选址方法，所述步骤S4中的离散选址模型的目标函数为仓库建设费用、物资运输费用和仓库中断情境下的增加费用之和；离散选址约束条件包括：确保每个油井至少被服务一次，保证每个油井的车辆进出次数相等，确保油井由已开设的仓库负责配送物资，要求候选仓库的容量约束，要求每个油井物资需求量都被满足和决策变量取值范围约束。
6.根据权利要求5的油田仓库选址方法，所述步骤S4中的离散选址模型求解方法采用遗传算法，遗传算法包括下述步骤：
(41)获取输入参数，包括种群大小、最大迭代次数、交叉概率和变异概率；
(42)种群初始化，生成一个关于仓库选址方案的初始种群；
(43)进化操作，产生新个体和生成下一代种群；具体的，首先计算种群中每个染色体的目标函数值和适应度值，然后分别进行选择、交叉和变异操作，操作步骤如下：
S431、选择操作：首先选择一个适应度值最大的个体，直接进入下一代，然后通过轮盘赌方法在父代种群中随机选择n-1个个体进入下一代，其中n种群大小；
S432、交叉操作：将种群中任意两个不同的个体中相同位置的基因段交换，形成新的个体；
S433、变异操作：从新的个体中选出需要变异的个体，采用预设规则改变需要变异的个体中的某一基因；
(44)判断是否满足遗传算法约束条件，遗传算法约束条件是迭代次数或解的误差是否达到设定值，若满足，输出遗传算法的最优解作为候选的油田仓库选址方案，否则继续进行进化操作。
7.根据权利要求5的油田仓库选址方法，所述步骤S4中的离散选址模型求解方法采用差分演化算法，差分演化算法包括下述步骤：
(41)获取输入参数，包括种群大小、最大迭代次数、交叉概率和缩放因子；
(42)种群初始化，生成一个关于仓库选址方案的初始种群；
(43)进化操作，产生新个体和生成下一代种群；具体的，首先计算种群中每个染色体的目标函数值和适应度值，然后分别进行变异、交叉和选择操作，操作步骤如下：
S431、变异操作：DE/rand/1模式，变异策略如式(4)所示：
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mi>G</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Xw,G是从个体群winner集中随机选取的染色体，是当前种群中随机挑选出的染色体且k≠r1，k≠r2，r1≠r2，Vk,G是变异后的染色体，F是缩放因子；
S432、交叉操作：采用二项式交叉模式，交叉的如式(5)所示：
其中xj,i,G是第G代种群中第i个染色体的第j个基因位，vj,i,G和uj,i,G分别是第G代种群中变异后和交叉后的第i染色体的第j个基因位，jrand∈[1,2,…,m]为随机选择的值，Cr是交叉概率；
S433、选择操作：选择过程如公式(6)所示：
其中f(x)是目标函数，x是染色体；Ui,G是第G代第i个个体经过交叉操作后的个体；Xi,G和Xi,G+1表示第G和G+1代种群中第i个个体。
(44)判断是否满足差分演化算法约束条件，差分演化算法约束条件是迭代次数或解的误差是否达到设定值。若满足，输出差分演化算法的最优解作为候选的油田仓库选址方案，否则继续进行进化操作。
8.根据权利要求7的油田仓库选址方法，其特征在于，F在进化过程中是自适应的，它的调整是通过调整变量τ1控制的，缩放因子F的调整公式如式(7)所示：
其中randk，k＝{1,2}，服从[0,1]之间的均匀分布；τ1是常数值，代表控制参F被调整的概率；Fu,G和Fl,G也是常数值，分别表示控制参数F的取值上限和下限，Fi,G和Fi,G+1表示第G和G+1代种群中第i个个体变异操作对应的缩放因子。
9.根据权利要求7的油田仓库选址方法，其特征在于，Cr在进化过程中是自适应的，它的调整是通过调整变量τ2控制的，交叉概率Cr的调整公式如式(8)所示：
其中randk，k＝{3,4}，服从[0,1]之间的均匀分布；τ2是常数值，代表控制参数Cr被调整的概率；Cri,G和Cri,G+1表示第G和G+1代种群中第i个个体交叉操作对应的交叉概率。
10.根据权利要求1的油田仓库选址方法，其特征在于，所述步骤S5中的灵敏度分析具体为改变井位分布和油井物资需求量，分析它们的变化对离散选址模型的影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710642466.5A CN107274039A (zh) | 2017-07-31 | 2017-07-31 | 一种井位不确定环境下的油田仓库选址方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710642466.5A CN107274039A (zh) | 2017-07-31 | 2017-07-31 | 一种井位不确定环境下的油田仓库选址方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107274039A true CN107274039A (zh) | 2017-10-20 |
Family
ID=60075404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710642466.5A Pending CN107274039A (zh) | 2017-07-31 | 2017-07-31 | 一种井位不确定环境下的油田仓库选址方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107274039A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766941A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 一种基于遗传算法的设施选址方法 |
| CN113095943A (zh) * | 2021-05-10 | 2021-07-09 | 中国工商银行股份有限公司 | 位置确定方法、位置确定装置、电子设备及可读存储介质 |
| CN113988594A (zh) * | 2021-10-26 | 2022-01-28 | 山东大学 | 一种灾难备份数据中心多目标选址方法及系统 |
| CN115495859A (zh) * | 2022-09-19 | 2022-12-20 | 上海交通大学 | 一种基于遗传算法的仓网规划算法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103957533A (zh) * | 2014-04-21 | 2014-07-30 | 南开大学 | 一种基于梯度算法的多层异构网络基站选址方法 |
| CN104077496A (zh) * | 2014-07-17 | 2014-10-01 | 中国科学院自动化研究所 | 基于差分进化算法的智能管道布局优化方法和系统 |
| CN104318020A (zh) * | 2014-10-24 | 2015-01-28 | 合肥工业大学 | 一种基于自适应差分进化的多目标传感器优化布点方法 |
| CN105226668A (zh) * | 2015-08-18 | 2016-01-06 | 国家电网公司 | 一种用于upfc的选址和容量配置方法 |
-
2017
- 2017-07-31 CN CN201710642466.5A patent/CN107274039A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103957533A (zh) * | 2014-04-21 | 2014-07-30 | 南开大学 | 一种基于梯度算法的多层异构网络基站选址方法 |
| CN104077496A (zh) * | 2014-07-17 | 2014-10-01 | 中国科学院自动化研究所 | 基于差分进化算法的智能管道布局优化方法和系统 |
| CN104318020A (zh) * | 2014-10-24 | 2015-01-28 | 合肥工业大学 | 一种基于自适应差分进化的多目标传感器优化布点方法 |
| CN105226668A (zh) * | 2015-08-18 | 2016-01-06 | 国家电网公司 | 一种用于upfc的选址和容量配置方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨亦等: "改进自适应差分进化算法求解难约束优化问题", 《中南林业科技大学学报》 * |
| 石咏等: "基于离散与连续选址相结合的平面选址问题研究-以华北石油局大牛地气田污水处理厂选址为例", 《数学的实践与认识》 * |
| 赵崤含: "油田物流系统优化与经济效益评价研究", 《中国博士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766941A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 一种基于遗传算法的设施选址方法 |
| CN113095943A (zh) * | 2021-05-10 | 2021-07-09 | 中国工商银行股份有限公司 | 位置确定方法、位置确定装置、电子设备及可读存储介质 |
| CN113988594A (zh) * | 2021-10-26 | 2022-01-28 | 山东大学 | 一种灾难备份数据中心多目标选址方法及系统 |
| CN113988594B (zh) * | 2021-10-26 | 2024-04-30 | 山东大学 | 一种灾难备份数据中心多目标选址方法及系统 |
| CN115495859A (zh) * | 2022-09-19 | 2022-12-20 | 上海交通大学 | 一种基于遗传算法的仓网规划算法 |
| CN115495859B (zh) * | 2022-09-19 | 2023-11-03 | 上海交通大学 | 一种基于遗传算法的仓网规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Structural path decomposition of carbon emission: A study of China's manufacturing industry | |
| Metawa et al. | Genetic algorithm based model for optimizing bank lending decisions | |
| CN107274039A (zh) | 一种井位不确定环境下的油田仓库选址方法 | |
| CN112700045B (zh) | 一种基于土地储备实施监测模型的智能选址系统 | |
| CN110738435A (zh) | 一种配电网项目投资决策评价方法 | |
| Zhuang et al. | Meta goal programing approach for solving multi-criteria de Novo programing problem | |
| CN109214449A (zh) | 一种电网投资需求预测方法 | |
| CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
| CN102982229B (zh) | 一种基于神经网络的多品种商品价格预测的数据预处理方法 | |
| Yazdani-Chamzini et al. | Proposing a new methodology for prioritising the investment strategies in the private sector of Iran | |
| Alrashdi et al. | (μ+ λ) Evolution strategy algorithm in well placement, trajectory, control and joint optimisation | |
| Hakimi-Asiabar et al. | Multi-objective genetic local search algorithm using Kohonen’s neural map | |
| CN109636092A (zh) | 一种基于双因子优化的仓库货位分配方法 | |
| Ierapetritou et al. | Optimal location of vertical wells: Decomposition approach | |
| Ariadji et al. | A novel tool for designing well placements by combination of modified genetic algorithm and artificial neural network | |
| CN116993263A (zh) | 一种智能化仓储物流运筹管理系统 | |
| CN102360453A (zh) | 一种防护林水平配置方法 | |
| CN106094751A (zh) | 一种原料的调度方法及装置 | |
| Rao | An integrated modelling framework for exploration and extraction of petroleum resources | |
| CN106651148A (zh) | 一种企业业务指标目标量的确定方法及装置 | |
| CN109919688A (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
| Choi et al. | Soil recycling among construction sites by optimizing schedule and costs for earthmoving | |
| Dandy et al. | Optimization of WSUD systems: Selection, sizing, and layout | |
| Mishra et al. | Multi-objective genetic algorithm: A comprehensive survey | |
| Roy et al. | Optimising a production plan for underground coal mining: a genetic algorithm application |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |