CN107403236A - 基于先验知识的自适应差分进化算法的多式联运能耗优化方法 - Google Patents
基于先验知识的自适应差分进化算法的多式联运能耗优化方法 Download PDFInfo
- Publication number
- CN107403236A CN107403236A CN201710532092.1A CN201710532092A CN107403236A CN 107403236 A CN107403236 A CN 107403236A CN 201710532092 A CN201710532092 A CN 201710532092A CN 107403236 A CN107403236 A CN 107403236A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- priori
- differential evolution
- 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"
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
Abstract
本发明公开了一种基于先验知识的自适应差分进化算法的多式联运能耗优化方法。其主要步骤如下,(1)差分进化算法的控制参数在种群进化前期使用自适应的控制方式,在进化后期则利用先验知识来对其进行控制。(2)根据实际数据,利用基于先验知识的自适应差分进化算法来对各类载运工具的能耗模型的参数进行估计;并使用它们来建立多式联运的能耗模型。(3)利用基于先验知识的自适应差分进化算法来对多式联运能耗模型的自变量进行寻优,从而得到该模型的最小能源消耗。本发明具有较高的优化精度,能够为多式联运的节能减排提供帮助,并可以为各类载运工具的实际运行速度提供依据。
Description
技术领域
本发明属于一种多种载运工具联运的能耗优化技术,具体涉及基于先验知识的自适应差分进化算法的多式联运能耗优化方法。
背景技术
最近几年,运输过程中的成本和环境问题日益得到关注。一方面,因为燃油价格的上涨和市场的低迷,所以运输单位不得不减少运输成本来追求利润的最大化。另一方面,在运输过程中,因为各类载运工具会排放大量的废气排放物,比如,二氧化硫、二氧化碳、氮氧化合物等,所以它们对环境和人类的健康都会造成巨大的影响。为了缓解以上问题,许多国家或组织都积极提倡绿色经济和可持续发展并制定了各项严格政策。比如,国际海事组织(IMO)建立了硫碳排放控制区(SECA)来减少硫氧化合物的排放,进而可以有效地保护环境。2015年,国际海事组织就已经要求船舶在硫碳排放控制区(SECA)使用低硫燃料,并要求硫含量不能超过0.1%。该项措施虽然能够有效地保护环境,但对于运输单位来讲,这无疑会大大增加成本。2016年,我国也在长三角水域设立船舶大气污染排放控制区,旨在改善沿海和沿河区域的环境质量,推动船舶节能减排和绿色发展。可以预见,将来肯定会对公路、铁路、内河、航空等载运工具制定更为严格的排放要求。因此,如何降低运输成本和减少排放是一个亟待解决的问题。对于各类载运工具的能耗模型来讲,虽然有许多机理模型可以去描述,但是与实际的能耗模型相比,它们会存在一些偏差。因此,根据实际的数据,利用进化算法来对机理模型的参数进行辨识,得到更为准确的各类载运工具能耗模型是至关重要的。
随着经济的快速发展和客户需求的不断增长,物流的空间距离不断被拉大,但对货物时效性的要求却越来越高;并且货物的运输一般会采用多种运输方式来完成:即通过航运、公路、铁路、内河等多种运输方式组合的形式来实现运输服务。很多发达国家80%甚至90%以上的货物运输都会采用多式联运。但在运输过程中,因为对某些载运工具的能耗、碳、硫排放等有着不同要求,所以必须要同时考虑多式联运中各个载运工具的能耗问题。许多结果表明,如果对多式联运优化问题的速度进行优化,不但可以显著降低运输成本,而且可以起到环境保护的作用。然而,多式联运能耗优化问题本身往往具有高度非线性和高维性等特点,虽然一些传统优化方法能够在特定条件下对它们进行求解,但是当优化问题变得复杂时,这些方法通常很难得到令人满意的结果。在部分情况下,甚至可能无法得到有效解。相对于传统的优化方法,进化算法却具有很强的适应性(杨劲秋.智能优化算法评价模型研究.浙江大学,2011.)。
近年来,进化计算在各种优化领域中都获得了巨大的成功,解决了许多难以用传统优化方法去求解的实际优化问题。针对多式联运能耗优化问题,本发明采用基于先验知识的自适应差分进化算法来对该模型的参数进行辨识,然后,利用所提算法对该模型的自变量进行优化。因此,可以利用得到的优化解来指导多式联运中各个载运工具的最佳实践速度,这不但可以节约成本,还可以实现节能减排,具有重要的应用价值。
发明内容
针对现有方法难以建立准确的各类载运工具能耗模型和求解多式联运能耗优化问题的现状,本发明提出一种基于先验知识的自适应差分进化算法的多式联运能耗优化方法。具体来讲就是采用基于先验知识的自适应差分进化算法(PK-JADE)来对各类载运工具能耗模型的参数进行估计,从而得到一个精度较高的模型;同时,还利用该算法来求解多式联运能耗优化问题,使其能耗最低,进而可以节约运输成本和实现节能减排。
为实现以上目标,本发明的操作步骤如下:
(1)基于先验知识的自适应差分进化算法的设计;
进一步,基于先验知识的自适应差分进化算法的操作步骤如下:
(1.1)初始化:确定种群规模NP和最大的迭代代数Gmax;在可行域P0内随机生成一个初始种群P1 0;并且设定当前的代数G=0。
(1.2)变异操作:对于每个个体利用以下变异策略来对其进行变异操作:
式(1)中,表示从当前的种群中随机选择最好的100p%个个体,p在(0,1]的区间内;Fi表示变异控制参数,其范围在[0,1]之间;r1和r2表示两个随机整数,其范围在[1,NP]内,并且r1≠r2。
(1.3)交叉操作:对于每个个体利用以下交叉策略来对其进行交叉操作:
式(2)中,D表示优化问题的维数;Rj和jrand分别表示一个在[0,1]范围内的随机数和一个在[1,D]内的整数随机数;CR为差分进化算法的交叉率。
(1.4)控制参数的自适应:控制参数F和CR的产生分为两个阶段:
如果G≤0.6*Gmax,变异控制参数由柯西分布函数C(μF,0.1)生成,交叉控制参数则由正态分布函数N(μCR,0.1)产生。而μF和μCR更新如下:
μF=(1-c)×μF+c×meanL(SF) (3)
μCR=(1-c)×μCR+c×meanA(SCR) (4)
在式(3)和式(4)中,c=0.1表示参数自适应的速率;SF和SCR分别表示每一代中所有成功的F和CR的集合;meanA和meanL分别表示算术平均值和勒默平均值。
如果G>0.6*Gmax,F和CR更新如下:
(1.5)选择操作:试验向量和目标向量进行比较,好的个体将会被选到下一代:
(1.6)重复第(1.2)~(1.5)步,直到算法达到设定的停止条件为止。
(2)建立多式联运能耗模型;
对于一个海铁联运来讲,其模型包括船舶和火车。
船舶的能耗模型表示如下:
Eship=α×vship β (8)
(8)式中,Eship(千克/小时)表示每小时船舶所要消耗的燃油重量,α和β是两个常数,它们主要由船舶的类型决定,vship(海里/小时)表示航速。
火车的能耗模型表示如下:
Etrain=ρ×Wtrain (9)
(9)式中,Etrain(千克/小时)表示每小时火车所要消耗的燃油重量,(克/千瓦每小时)表示火车每小时所要消耗的燃料重量;(千瓦)表示功率。其中,vtrain(公里/每小时)表示火车的速度。
对于式(8)和(9)中的α、β、α1、α2、α3、α4、β1、β2、β3这九个参数。根据实际所得数据,利用基于先验知识的自适应差分进化算法对它们进行辨识。
进一步,建立多式联运能耗模型的操作步骤如下:
(2.1)根据航速和油耗的数据,利用基于先验知识的自适应差分进化算法来对式(8)中的α和β进行估计。并利用相关系数(CC)来评价模型精度的高低,其公式如下:
在式(10)中,yexp表示实际值,yexp(mean)表示yexp的平均值,ypred表示式(8)的预测值,ypred(mean)表示ypred的平均值。
(2.2)根据火车的转速、油耗率、功率等实际数据,利用基于先验知识的自适应差分进化算法来对式(9)中α1、α2、α3、α4、β1、β2、β3这七个参数进行估计。另外,也利用式(10)来评价模型的接受程度。
根据式(8)和式(9)可以计算出完成整个货物运输所要消耗的燃油质量。
完成总路程,船舶消耗燃油的总质量如下:
式(11)中,sship表示船舶航行的总路程。
完成总路程,火车消耗燃油的总质量如下:
式(12)中,strain表示火车行驶的总路程。
(2.3)基于式(11)和式(12),构建多式联运能耗模型。
(3)求解多式联运能耗模型;
根据式(11)和式(12)构建多式联运能耗模型,选取火车和船舶在不同区域的速度作为自变量。利用基于先验知识的自适应差分进化算法来对各载运工具的速度进行优化,得到多式联运的最低能耗。对于实际的应用来讲,可以利用得到结果来指导各个载运工具在各个区域的实际运行速度。
本发明与现有技术相比具有以下优点:
第一,本发明利用自适应的参数控制方式来提高差分进化算法的鲁棒性,使其能够在种群进化前期适应复杂的优化环境,然后利用先验知识来引导差分进化算法控制参数的变化,从而能够提高差分进化算法的搜索效率。因此,本发明能够显著提高原始差分进化算法的整体优化性能。
第二,根据实际数据,利用所提算法对各种载运工具模型的参数进行辨识。这大大提高了载运模型的准确度,使得本发明能够得到一个精度较高的多式联运能耗模型。
第三,在保证运输时间的前提下,本发明可以有效地降低多式联运的能耗,从而为多式联运的节能减排提供有益帮助。因此,本发明对环境的保护也有重要意义。
附图说明
图1基于先验知识的自适应差分进化算法流程图。
图2控制参数F的进化曲线。
图3控制参数CR的进化曲线。
图4多式联运路径。
具体实施方式
参照附图,对本发明作进一步说明:
1.基于先验知识的自适应差分进化算法的设计
差分进化算法是元启发式算法中一个优秀代表,但其两个主要的控制参数(变异控制参数F和交叉控制参数CR)对算法的性能影响很大。一般来说,自适应技术能够使进化算法适应复杂的优化环境,但种群中的欺骗信息会大大干扰自适应技术的效果;而先验知识往往可以从宏观的层面来对种群的整体进化模式进行控制,因此,它可以大大提高进化算法的搜索效率。
对于种群来讲,在进化的前期,由于个体分布在搜索空间的各个区域,所以优化环境比较复杂;而在进化的中后期,随着种群慢慢的收敛,对于整个搜索空间来讲,其搜索空间的复杂度大大降低。基于此,在本发明中,在种群进化的前期,使用自适应技术来对差分进化算法的控制参数进行调整;而在进化的后期,使用先验知识来对其控制参数进行调整。
本发明的特点是:
利用种群信息来指导参数的前期进化,而用先验知识来调整参数的后期进化;这可以大大提高差分进化算法的搜索效率。
基于先验知识的自适应差分进化算法的流程图如图1所示,其具体的操作步骤如下:
(1.1)初始化:确定种群规模NP和最大的迭代代数Gmax;在可行域P0内随机生成一个初始种群P1 0;并且设定当前的代数G=0。
(1.2)变异操作:对于每个个体利用以下变异策略来对其进行变异操作:
式(1)中,表示从当前的种群中随机选择最好的100p%个个体,p在(0,1]的区间内。Fi表示变异控制参数,其范围在[0,1]之间。r1和r2表示两个随机整数,其范围在[1,NP]内,并且r1≠r2。
(1.3)对每个个体实现变异操作,试验向量生成如下:
式(2)中,D表示优化问题的维数;Rj和jrand分别表示一个在[0,1]范围内的随机数和一个在[1,D]内的整数随机数。CR为差分进化算法的交叉率。
(1.4)控制参数的调整:控制参数F和CR的产生分为两个阶段:
如果G≤0.6*Gmax,变异控制参数由柯西分布函数C(μF,0.1)产生,交叉控制参数则由正态分布函数N(μCR,0.1)产生。而μF和μCR更新如下:
μF=(1-c)×μF+c×meanL(SF) (3)
μCR=(1-c)×μCR+c×meanA(SCR) (4)
在式(3)和式(4)中,c=0.1表示参数自适应的速率;SF和SCR分别表示每一代中所有成功的F和CR的集合。meanA和meanL分别表示算术平均值和勒默平均值。
如果G>0.6*Gmax,F和CR更新如下:
其中,图2和图3为本发明提出的利用先验知识来调整差分进化算法控制参数F和CR的进化曲线图。较大的F值能够使差分进化算法拥有好的探索能力,而较小的F值使差分进化算法具有较好的开发能力。从图2和3中,可以看出CR值和F值的变化趋势刚好相反。这是因为小的CR值能够使差分进化算法具有好的全局搜索能力,而大的CR值能够让差分进化算法拥有好的局部搜索能力。
(1.5)选择操作:试验向量和目标向量进行比较,好的个体将会被选到下一代:
(1.6)重复第(1.2)~(1.5)步,直到算法达到设定的停止条件为止。
为了验证所提算法的有效性,将它跟四种知名的算法(jDE,SaDE,JADE,CoBiDE)进行比较,并且利用25个30维和50维的IEEE CEC2005标准测试集来对这些算法进行测试。在该实验中,对于30维的测试函数,所有算法的最大函数评价次数设定为300000;对于50维的测试函数,所有算法的最大函数评价次数设定为500000。为了保证实验的有效性,对于每个测试函数,各个算法的运行次数设定为30。此外,还利用Wilcoxon’s rank sum test来对实验结果进行统计分析。对于Wilcoxon’s rank sum test,“+”,“-”,“≈”分别表示所提算法的性能要显著好于,显著差于,类似于所比较算法的性能。对于30维的测试函数,每个算法所得到的仿真结果(平均值和方差)和统计分析结果如下:
从以上结果可以看出PK-JADE的性能分别要显著好于jDE,SaDE,JADE,CoBiDE 16,16,12,14个测试函数,而jDE的性能没有在任何一个测试函数上能够超过PK-JADE。同时,SaDE,JADE,CoBiDE分别仅能够在1个,3个和3个测试函数上显著好于PK-JADE。这足以说明本发明的优化性能是非常优秀的。
对于50维的测试函数,每个算法所得到的仿真结果(平均值和方差)和统计分析结果如下:
从以上结果可以看出PK-JADE的优化性能要显著好于jDE,SaDE,JADE,CoBiDE 15,21,12,15个测试函数。而jDE,SaDE,JADE,CoBiDE仅能够在1个,1个,2个和5个测试函数上显著好于PK-JADE。从实验结果来看,随着优化问题维数的增加,相比于其他比较的算法,PK-JADE的优化性能并没有出现显著的下降。这恰恰说明本发明能够取得更好的优化结果。
2.建立多式联运能耗模型
在本实施例中,构建多式联运能耗模型的过程分别包括各个载运工具能耗模型的建立和多式联运总能耗模型的建立。其步骤如下:
2.1船舶的能耗模型
在本实施例中,选择散装船的实际数据来对船舶能耗模型的参数进行辨识,航速及油耗相关数据如下:
船舶的能耗模型表示如下:
式(8)中,Eship(千克/小时)表示每小时船舶所要消耗的燃油重量;α和β是两个常数;vship(海里/小时)表示船舶的航速。
基于式(8)和以上数据,利用PK-JADE算法来对α和β进行辨识,并利用相关系数CC来对模型精度进行评价。其公式如下:
在式(9)中,yexp表示实际值;yexp(mean)表示yexp的平均值;ypred表示式(8)的预测值;ypred(mean)表示ypred的平均值。
在实验中,对于PK-JADE算法,种群规模设定为50,最大的迭代代数设定为500。最后得到的结果为:α=0.0015,β=3.76。
2.2火车的能耗模型
在本实施例中,选取火车的实际数据来对火车能耗模型的参数进行辨识。火车转速、均衡速度、油耗率、功率如下:
火车的能耗模型表示如下:
Etrain=ρ×Wtrain (10)
式(10)中,Etrain(千克/小时)表示每小时火车所要消耗的燃油重量;(克/千瓦每小时)表示火车每小时所要消耗的燃料重量;(千瓦)表示功率,其中,vtrain(公里/每小时)表示火车的速度。
在实验中,利用PK-JADE对α1、α2、α3、α4、β1、β2、β3这七个参数进行估计。种群规模设定为50,最大的迭代代数设定为500。利用式(9)来对结果进行评估,最后得到的结果为:α1=-0.004285,α2=0.917,α3=-35.78,α4=817.1,β1=0.004,β2=-0.8245,β3=271.4。因此,
2.3多式联运能耗模型的构建
在本实施例中,多式联运的起点和终点见图4;从图4中可以看出,从起点到终点总共有四条路径,但路径1和路径4类似,所以只对路径1、2、3进行建模。
对于路径1,起点→Rail-1→Ship route 1(包括SECA1和SECA2)→终点;因此,其总的能耗可以表示如下:
vship,min≤vship≤vship,max
vtrain,min≤vtrain1≤vtrain,max
t≤tmax
在式(11)中,(海里/每小时)和(海里/每小时)分别表示船舶在硫碳排放控制区内1和2的航行速度;和分别表示船舶在硫碳排放控制区1和2所要航行的距离;vship(海里/每小时)表示船舶在硫碳排放控制区外的航行速度;sship,route1表示船舶在硫碳排放控制区外的航行总距离;strain,rail1和vtrain1分别表示铁路1(Rail-1)的行驶总路程和运行速度。tmax表示允许的最大运输时间。其中ttransit表示海铁的转运时间。
对于路径2,起点→Ship route 2(包括SECA1和SECA2)→终点;因此,其总的能耗可以表示如下:
vship,min≤vship≤vship,max
t≤tmax
在式(12)中,sship,route2表示路径2中硫碳排放控制区外的航行距离;表示实际的船舶运输时间。
对于路径3,起点→Rail-1→Ship route 3(包括SECA1和SECA2)→Rail-2→终点;因此,其总的能耗可以表示如下:
vship,min≤vship≤vship,max
vtrain,min≤vtrain1≤vtrain,max
vtrain,min≤vtrain2≤vtrain,max
t≤tmax
(13)式中,sship,rout3表示船舶在硫碳排放控制区之外的航行总距离;strain,rail1和strain,rail2分别表示铁路1(Rail-1)和铁路2(Rail-2)的总距离;vtrain1(公里/每小时)和vtrain2(公里/每小时)分别表示火车在铁路1(Rail-1)和铁路2(Rail-2)的行驶速度;(ttransit=14小时,表示海铁转运时间)表示海铁联运总的运输时间。
3.求解多式联运能耗模型
利用PK-JADE求解式(11)、(12)、(13)。目标函数设定为:
min f=E (14)
在本实施例中,多式联运能耗模型的参数设定如下:
其中,和表示船舶在硫碳排放控制区内最小和最大的航速;vship,min和vship,max表示船舶在硫碳排放控制区外最小和最大的航速;vtrain,min和vtrain,max表示火车的最小和最大时速。
PK-JADE的参数设定如下:
种群规模为100;最大的迭代代数为500;运行次数设定为30。
利用PK-JADE优化式(11)、(12)、(13)的自变量,得到的优化结果如下:
根据以上结果,得到结论如下;为了能够降低多式联运的整体能耗,要提高火车的速度和降低船舶的航速。另外,为了验证本发明的有效性,所得结果还跟其他算法进行了比较,其结果如下:
从以上得到的优化结果来看,对于三条路径,本发明能够得到更好的结果。因此,本发明能够为多式联运的节能降耗提供更多的指导意义。
综上所述仅为本发明的一个实施案例而已,并非限定本发明的实施范围,即凡依本发明申请专利范围的内容所作的等效变化或修饰,都应在本发明的技术范畴内。
Claims (6)
1.基于先验知识的自适应差分进化算法的多式联运能耗优化方法包括以下步骤:
(1)、基于先验知识的自适应差分进化算法的设计;
(2)、利用基于先验知识的自适应差分进化算法来对各载运工具的能耗模型参数进行辨识;并使用相关系数来评判各个模型的精度;最后,根据各载运工具能耗模型,建立多式联运能耗模型;
(3)、利用基于先验知识的自适应差分进化算法来求解多式联运能耗优化问题。
2.如权利要求1所述的基于先验知识的自适应差分进化算法的多式联运能耗优化方法,其特征在于:基于先验知识的自适应差分进化算法的操作步骤如下:
(2.1)初始化:确定种群规模NP和最大的迭代代数Gmax;在可行域P0内随机生成一个初始种群P1 0;并且设定当前的代数G=0。
(2.2)变异操作:对于每个个体利用以下变异策略来对其进行变异操作:
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>p</mi>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
<mi>G</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mi>G</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mi>G</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mi>N</mi>
<mi>P</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,表示从当前的种群中随机选择最好的100p%个个体,p在(0,1]的区间内。Fi表示变异控制参数,其范围在[0,1]之间。r1和r2表示两个随机整数,其范围在[1,NP]内,并且r1≠r2。
(2.3)交叉操作:对于每个个体利用以下交叉策略来对其进行交叉操作:
式(2)中,D表示优化问题的维数;Rj和jrand分别表示一个在[0,1]范围内的随机数和一个在[1,D]内的整数随机数。CR为差分进化算法的交叉率。
(2.4)控制参数的自适应:控制参数F和CR的产生分为两个阶段:
如果G≤0.6*Gmax,变异控制参数由柯西分布函数C(μF,0.1)产生,交叉控制参数则由正态分布函数N(μCR,0.1)产生。而μF和μCR更新如下:
μF=(1-c)×μF+c×meanL(SF) (3)
μCR=(1-c)×μCR+c×meanA(SCR) (4)
在式(3)和式(4)中,c=0.1控制参数自适应的速率;SF和SCR分别表示每一代中所有成功的F和CR的集合。meanA和meanL分别表示算术平均值和勒默平均值。
如果G>0.6*Gmax,F和CR更新如下:
<mrow>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mrow>
<mi>G</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mn>0.6</mn>
<mo>-</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<mfrac>
<mrow>
<mi>G</mi>
<mo>-</mo>
<mn>0.6</mn>
<mo>&times;</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>0.4</mn>
<mo>&times;</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mn>0.6</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>CR</mi>
<mi>i</mi>
<mrow>
<mi>G</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mn>0.5</mn>
<mo>&times;</mo>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mi>G</mi>
<mo>-</mo>
<mn>0.6</mn>
<mo>&times;</mo>
<msub>
<mi>G</mi>
<mi>max</mi>
</msub>
</mrow>
<mrow>
<mn>0.4</mn>
<mo>&times;</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mn>0.6</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
(2.5)选择操作:试验向量和目标向量进行比较,好的个体将会被选到下一代:
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>G</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>u</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>G</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
(2.6)重复第(2.2)~(2.5)步,直到算法达到设定的停止条件为止。
3.由权利要求1所述的基于先验知识的自适应差分进化算法的多式联运能耗优化方法,其特征在于:多式联运能耗模型建立的操作步骤如下:
(3.1)根据航速和油耗的数据,利用基于先验知识的自适应差分进化算法来对船舶能耗模型中的两个参数α和β进行估计。并利用相关系数(CC)来评价模型精度的高低。
(3.2)根据火车的转速、油耗率、功率等实际数据,利用基于先验知识的自适应差分进化算法来对火车模型中的七个参数α1、α2、α3、α4、β1、β2、β3进行估计。另外,利用相关系数(CC)来评价模型的接受程度。
(3.3)根据得到的各类载运工具能耗模型,构建多式联运能耗模型。
4.由权利要求1所述的基于先验知识的自适应差分进化算法的多式联运能耗优化方法,其特征在于:各个载运工具的模型精度由如下相关系数(CC)公式计算获得在式中,yexp表示实际值,yexp(mean)表示yexp的平均值,ypred表示预测值,ypred(mean)表示ypred的平均值。
5.由权利要求1和2所述的基于先验知识的自适应差分进化算法的多式联运能耗优化方法,其特征是利用基于先验知识的自适应差分进化算法来对各个载运工具的模型参数进行辨识:
完成总路程,船舶的能耗模型为:
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>0.0015</mn>
<mo>&times;</mo>
<msup>
<msub>
<mi>v</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mn>3.76</mn>
</msup>
<mo>&times;</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>&times;</mo>
<mn>1000</mn>
</mrow>
<mrow>
<mn>24</mn>
<mo>&times;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
完成总路程,火车的能耗模型为:
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>0.004</mn>
<mo>&times;</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mn>0.8245</mn>
<mo>&times;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>271.4</mn>
<mo>)</mo>
<mo>&times;</mo>
<mo>(</mo>
<mo>-</mo>
<mn>0.004285</mn>
<mo>&times;</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mn>3</mn>
</msubsup>
<mo>+</mo>
<mn>0.917</mn>
<mo>&times;</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mn>35.78</mn>
<mo>&times;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>817.1</mn>
<mo>)</mo>
<mo>&times;</mo>
<msub>
<mi>s</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>1000</mn>
<mo>&times;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
6.由权利要求1所述的基于先验知识的自适应差分进化算法的多式联运能耗优化方法,其特征在于:步骤三中多式联运节能降耗的关键是降低船舶的航速和提高火车的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710532092.1A CN107403236A (zh) | 2017-07-03 | 2017-07-03 | 基于先验知识的自适应差分进化算法的多式联运能耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710532092.1A CN107403236A (zh) | 2017-07-03 | 2017-07-03 | 基于先验知识的自适应差分进化算法的多式联运能耗优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107403236A true CN107403236A (zh) | 2017-11-28 |
Family
ID=60405344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710532092.1A Pending CN107403236A (zh) | 2017-07-03 | 2017-07-03 | 基于先验知识的自适应差分进化算法的多式联运能耗优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108808667A (zh) * | 2018-06-22 | 2018-11-13 | 江苏师范大学 | 一种基于变策略动态差分进化算法的电力系统经济调度法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106529666A (zh) * | 2016-11-17 | 2017-03-22 | 衢州学院 | 控制参数自适应和策略自适应的差分进化算法 |
-
2017
- 2017-07-03 CN CN201710532092.1A patent/CN107403236A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106529666A (zh) * | 2016-11-17 | 2017-03-22 | 衢州学院 | 控制参数自适应和策略自适应的差分进化算法 |
Non-Patent Citations (3)
Title |
---|
QINQIN FAN等: "Prior knowledge guided differential evolution", 《METHODOLOGIES AND APPLICATION》 * |
祝吾杰: "改进的微分进化算法及其在供水优化调度中的应用", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
许冬敏等: "考虑能耗的国际海铁联运速度优化模型", 《上海海事大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108808667A (zh) * | 2018-06-22 | 2018-11-13 | 江苏师范大学 | 一种基于变策略动态差分进化算法的电力系统经济调度法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470444B (zh) | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 | |
Chen et al. | An intelligent path planning scheme of autonomous vehicles platoon using deep reinforcement learning on network edge | |
CN105785795B (zh) | 一种基于粒子群算法的列车运行速度曲线节能优化方法 | |
CN103148862B (zh) | 一种考虑低碳排放约束影响的交通方式与路径选择方法 | |
Wen et al. | Simulation study on carbon emission of China's freight system under the target of carbon peaking | |
CN105404941A (zh) | 一种物流运输方式和路径智能优化的方法及系统 | |
CN108647221A (zh) | 一种基于gis的公交路径规划方法 | |
CN103593986B (zh) | 一种优化尾气排放的干线绿波协调控制信号配时方法 | |
CN105865476A (zh) | 一种动态交通环境下的汽车最低碳路径搜索方法 | |
CN107472302A (zh) | 一种列车站间节能运行方法 | |
CN103699933B (zh) | 基于最小生成树聚类遗传算法的交通信号配时优化方法 | |
Chen et al. | Ship energy consumption analysis and carbon emission exploitation via spatial-temporal maritime data | |
Wang et al. | An energy efficiency practice for coastal bulk carrier: Speed decision and benefit analysis | |
Sercan et al. | An integrated decision making framework for vehicle selection in shuttle services: case of a university campus | |
CN107403236A (zh) | 基于先验知识的自适应差分进化算法的多式联运能耗优化方法 | |
CN112016213B (zh) | 一种考虑环境影响的封闭小区开放决策方法 | |
Duan et al. | Optimization on hybrid energy vessel routing and energy management for floating marine debris cleanup | |
CN114491882B (zh) | 一种考虑电池续航能力的ev储能充电网络规划方法 | |
CN106781543B (zh) | 一种城市道路交叉口信号控制多目标优化方法 | |
CN108021976A (zh) | 一种用于0-1规划的ab-dpso优化算法 | |
Li et al. | Ship energy management strategy based on improved gravitational search algorithm | |
CN113673937A (zh) | 一种基于多目标烟花算法的物流车辆低碳路线规划方法 | |
Zhu et al. | Research on Novel Fuzzy Control Strategy of Hybrid Electric Vehicles Based on Feature Selection Genetic Algorithm. | |
CN106056909A (zh) | 一种中小城市快速公交阈值确定方法 | |
Lomotko et al. | Modeling the railway and automobile supply chain on the basis of «green» logistics |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171128 |