CN107862416B - 一种基于盒子不确定集的应急物资储备库选址优化方法 - Google Patents
一种基于盒子不确定集的应急物资储备库选址优化方法 Download PDFInfo
- Publication number
- CN107862416B CN107862416B CN201711248212.1A CN201711248212A CN107862416B CN 107862416 B CN107862416 B CN 107862416B CN 201711248212 A CN201711248212 A CN 201711248212A CN 107862416 B CN107862416 B CN 107862416B
- Authority
- CN
- China
- Prior art keywords
- demand
- emergency material
- material storage
- emergency
- uncertain
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 115
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 35
- 235000013305 food Nutrition 0.000 claims description 40
- 241000257303 Hymenoptera Species 0.000 claims description 24
- 241000256837 Apidae Species 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 235000012907 honey Nutrition 0.000 description 10
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于盒子不确定集的应急物资储备库选址优化方法,涉及不确定环境下应急服务设施选址优化技术领域。该方法包括:设定鲁棒优化模型的参数及其方法的不确定需求;构建鲁棒优化模型;随机生成各需求点的位置及其对应需求量,并给出随机鲁棒扰动;获得全局最优适应度值和最优解,即应急物资储备库位置坐标。本发明提供的一种基于盒子不确定集的应急物资储备库选址优化方法,由于模型具有非凸、非线性、多重约束的特点,在数学上具有NP‑难的特点,因此,设计人工蜂群算法的编码方法对鲁棒优化模型求解,在不同规模和需求不同扰动下具有良好的鲁棒性,实现不确定因素下应急物资储备库的科学选址,在不确定的情形下最大限度地规避风险。
Description
技术领域
本发明属于不确定环境下应急服务设施选址优化技术领域,尤其涉及一种基于盒子不确定集的应急物资储备库选址优化方法。
背景技术
近年来,自然灾害、事故灾害及各类突发灾害事件频繁发生,波及范围不断扩大,影响程度不断加深,对人类生存和社会发展构成重大威胁。应急物资储备是有效应对和战胜突发灾害事件的物质基础,突发灾害事件一旦发生,短时间内应急物资需求迅速膨胀。因此,对一些必需救灾物资进行战略储备是提高应急救援效率的关键。应急物资储备库是提高应急救援效率的关键,其合理布局影响到突发灾害事件发生时资源的快速响应和及时配置,对于阻止突发灾害事件的蔓延和降低事件的影响起着关键的作用。将应急物资储备库置于合理的位置,不仅可以降低成本,而且还能够保证提供应急物资的时效性,它直接关系到应急物资保障的反应速度和最终成效。但选址决策往往受到不确定因素的影响,潜在灾害是否发生、发生地点、发生灾害的类别与级别等均未知,因此对应急物资的准确需求量、交通道路遭破坏等情况均是不确定的。因此,选址决策所面临的主要困难在于如何处理需求点权重变化带来的不确定性。
发明内容
针对现有技术存在的问题,本发明建立基于最小最大鲁棒准则的应急物资储备库选址鲁棒优化模型,并提出人工蜂群算法求解模型。将不确定需求描述为盒子约束,给出需求不确定的有界闭且凸集合,提供一种需求不确定情形下和不同选址规模下的鲁棒最优选址方案,从而在不确定的情形下最大限度地规避风险。
为了实现上述目的,一种基于盒子不确定集的应急物资储备库选址优化方法,包括以下步骤:
步骤1:对鲁棒优化模型的参数进行设定,包括待建应急物资储备库的总个数m、需求点的总个数n、需求点的集合P={P1,P2,......,Pn}、需求点需求量的集合W={w1,w2,......,wn}、第j个需求点的需求量wj且wj>0、第j个需求点需求量的平均值第j个需求点的不确定需求量第i个应急物资储备库提供给第j个需求点的应急物资量wij且wij>0、第j个需求点的坐标Pj:(aj,bj)且Pj∈P、第i个应急物资储备库的坐标Xi:(xi,yi)、第i个应急物资储备库的容量si、第i个应急物资储备库与第j个需求点之间的距离d(Xi,Pj)、选址区域的起点坐标选址区域的终点坐标
其中,j=1,2,......,n,δ为不确定需求的扰动,δ的取值由需求点的受灾程度、人口密度及经济水平等因素确定;
步骤3:根据模型设定的各个参数,构建不确定需求下应急物资储备库选址鲁棒优化模型,使应急物资储备库与各个需求点的最大加权距离和最小化;
所述应急物资储备库选址鲁棒优化模型应满足以下约束条件:不确定需求在盒子不确定扰动集合下,最大加权距离和不超过阈值z;每个需求点的应急物资由多个应急物资储备库协同供应,不确定需求取值于盒子不确定扰动集合;应急物资储备库提供的应急物资不能超过最大容量限制;获得第i个应急物资储备库与第j个需求点之间的距离;需求点和应急物资储备库在有效的选址范围内选址;
步骤4:使用人工蜂群算法的编码方法对应急物资储备库选址鲁棒优化模型进行求解,得到最优选址方案,包括以下步骤:
步骤4.1:设置鲁棒性水平、人工蜂群的蜜蜂总数设为NP、算法的最大搜索次数为limit、最大迭代次数为maxCycle、全局最优适应度值fit0,其中,采蜜蜂数量为NP/2,算法中食物源即为待建应急物资储备库;
步骤4.2:根据步骤4.1设置的参数,在选址区域内随机生成各个需求点的位置、各需求点对应的需求量,并给出随机鲁棒扰动;
步骤4.3:初始化人工蜂群,即储备库位置坐标;
步骤4.4:在盒子不确定需求下,获得全局最优适应度值和最优解,即应急物资储备库位置坐标,具体方法如下:
步骤4.4.1:引领蜂产生新的食物源;
步骤4.4.2:跟随蜂依概率pi对第i个食物源进行选择;
步骤4.4.3:若某个食物源经过limit次循环未发生改进,那么剔除该食物源,说明迭代陷入了局部最优,同时与该食物源相对应的引领蜂变成侦察蜂,产生新的食物源;
步骤4.4.4:在盒子不确定需求下,计算人工蜂群中各人工蜂对应的各储备库与各需求点的距离,基于最小距离供应策略,确定当前各人工蜂与需求点间的供应关系,并计算各人工蜂的适应度值;
步骤4.4.5:保存最优适应度值及最优解,以人工蜂群中各人工蜂的适应度值最小化为优化准则,确定出当前迭代中人工蜂群的最优适应度值,并与全局最优适应度值相比较,若当前迭代中最优适应度值小于全局最优适应度值,则以该最优适应度值替换原全局最优适应度值,反之,全局适应度值保持不变,同时全局最优适应度值对应的人工蜂即表示最优解,也就是储备库的位置坐标;
步骤4.5:判断当前蜂群的迭代次数是否达到预设的迭代上限,若是,输出人工蜂群寻优所得的全局最优适应度值和最优储备库的位置坐标,否则,迭代次数加1,返回执行步骤4.4。
所述步骤4.3中初始化人工蜂群即储备库位置坐标的方法为:在选址区域随机生成一个NP×(2×Num_facility)的矩阵,其中每行表示一个人工蜂,每个人工蜂的列标序列为(c1,c2,......,cNum_facility,cNum_facility=1,c2×Num_facility),其中每相邻两列表示一个储备库的位置坐标,即(c2i-1,c2i)表示第i个储备库的位置坐标。
所述步骤4.4.1引领蜂产生新的食物源的公式如下:
viq=xiq+riq(xiq-xkq);
其中,viq为新生成的第i个候选食物源的第q维分量,xiq为第i个新食物源的第q维分量,且q∈{1,2,......,D},D为解向量的维度,k∈{1,2,......,m},k随机选取,且k≠i,riq为[-1,1]之间的随机数,用于控制搜索的范围。
所述步骤4.4.2中的概率pi由如下公式确定:
其中,fiti为第i个食物源的适应度值。
所述步骤4.4.3侦察蜂产生新的食物源的公式如下:
xiq=xmin,q+rand(0,1)(xmax,q-xmin,q);
其中,xiq为第i个新食物源的第q维分量,且q∈{1,2,......,D},D为解向量的维度,xmin,q为第q维分量的最小值,xmax,q为第q维分量的最大值。
本发明的有益效果:
本发明提出一种基于盒子不确定集的应急物资储备库选址优化方法,是基于不确定因素的应急物资储备库选址鲁棒优化模型和人工蜂群算法的鲁棒优化模型求解的算法,避免了不确定因素分布情况的估计,基于鲁棒优化的应急物资储备库选址策略具有良好的鲁棒性,可以最大限度地规避不确定因素下的风险,实现应急物资储备库的科学选址,提高应急救援的效率和应急资源的高效分配。
附图说明
图1为本发明实施例的基于盒子不确定集的应急物资储备库选址优化方法流程图;
图2为本发明实施例1中30个需求点,5个应急物资储备库的科学选址的最优位置和鲁棒最优位置;
图3为本发明实施例1中30个需求点,5个应急物资储备库时设计人工蜂群算法的迭代寻优曲线;
图4为本发明实施例2中100个需求点,8个应急物资储备库的科学选址的最优位置和鲁棒最优位置;
图5为本发明实施例2中100个需求点,8个应急物资储备库时设计人工蜂群算法的迭代寻优曲线;
图6为本发明实施例3中100个需求点,10个应急物资储备库,在不同扰动下的科学选址的最优位置和鲁棒最优位置;
其中,(a)为100个需求点,10个应急物资储备库,在扰动水平[0,10]下的科学选址的最优位置和鲁棒最优位置;
(b)为100个需求点,10个应急物资储备库,在扰动水平[10,100]下的科学选址的最优位置和鲁棒最优位置;
图7为本发明实施例3中100个需求点,10个应急物资储备库时设计人工蜂群算法在不同扰动下的迭代寻优曲线;
其中,(a)为100个需求点,10个应急物资储备库时设计人工蜂群算法在扰动水平[0,10]下的迭代寻优曲线;
(b)为100个需求点,10个应急物资储备库时设计人工蜂群算法在扰动水平[10,100]下的迭代寻优曲线。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
一种基于盒子不确定集的应急物资储备库选址优化方法,流程如图1所示,具体方法如下所述:
步骤1:对鲁棒优化模型的参数进行设定,包括待建应急物资储备库的个数m、需求点的总个数n、需求点的集合P={P1,P2,......,Pn}、需求点需求量的集合W={w1,w2,......,wn}、第j个需求点的需求量wj且wj>0、第j个需求点需求量的平均值第j个需求点的不确定需求量第i个应急物资储备库提供给第j个需求点的应急物资量wij且wij>0、第j个需求点的坐标Pj:(aj,bj)且Pj∈P、第i个应急物资储备库的坐标Xi:(xi,yi)、第i个应急物资储备库的容量si、第i个应急物资储备库与第j个需求点之间的距离d(Xi,Pj)、选址区域的起点坐标选址区域的终点坐标
现有一应急物资配送区域,随机散布有m=30个需求点,拟建立n=5个应急物资储备库,选址区域的起点坐标为(0,0),选址区域的终点坐标为(100,100),随机产生各个需求点的需求量如表1所示。
表1随机产生30个需求点的需求量
No. | 需求量 | No. | 需求量 | No. | 需求量 | No. | 需求量 | No. | 需求量 |
1 | 3.5109 | 7 | 9.1656 | 13 | 6.5478 | 19 | 0.98485 | 25 | 7.7104 |
2 | 0.34482 | 8 | 7.242 | 14 | 6.7604 | 20 | 4.4726 | 26 | 0.66704 |
3 | 5.4805 | 9 | 0.90385 | 15 | 8.8471 | 21 | 7.2122 | 27 | 2.8222 |
4 | 0.53613 | 10 | 9.0447 | 16 | 0.32927 | 22 | 1.6959 | 28 | 4.4075 |
5 | 5.239 | 11 | 2.6574 | 17 | 0.17367 | 23 | 1.5012 | 29 | 0.72007 |
6 | 4.6714 | 12 | 2.5344 | 18 | 9.4079 | 24 | 0.42217 | 30 | 2.1711 |
其中,j=1,2,......,n,δ为不确定需求的扰动,δ的取值由需求点的受灾程度、人口密度及经济水平等因素确定。
步骤3:根据模型设定的各个参数,构建不确定需求下应急物资储备库选址鲁棒优化模型,使应急物资储备库与各个需求点的最大加权距离和最小化。
本发明采用人工蜂群算法的编码方法求解基于盒子不确定集的应急物资储备库选址鲁棒优化模型。在人工蜂群算法中,人工蜂群被分为三部分:采蜜蜂、跟随蜂和侦察蜂。独立寻找蜜源的称为采蜜蜂,群体的一半是由采蜜蜂构成的;在跳舞区等待采蜜蜂以此来选择蜜源的称为跟随蜂,群体的另一半由跟随蜂构成,发现高质量蜜源的采蜜蜂会吸引更多的跟随蜂,吸引到跟随蜂的采蜜蜂成为引领蜂;随机搜索蜜源的称为侦察蜂。设计人工蜂群算法求解模型时,应急物资储备库位置的确定通过蜜蜂寻找蜜源即应急物资储备库的过程实现,蜜源的花蜜量即目标函数的适应度值刻画出食物源的优劣。
所述应急物资储备库选址鲁棒优化模型应满足以下约束条件:不确定需求在盒子不确定扰动集合下,最大加权距离和不超过阈值z;每个需求点的应急物资由多个应急物资储备库协同供应,不确定需求取值于盒子不确定扰动集合;应急物资储备库提供的应急物资不能超过最大容量限制;获得第i个应急物资储备库与第j个需求点之间的距离;需求点和应急物资储备库在有效的选址范围内选址;即如公式(2)-(11)所示:
目标函数:min z(2)
d(Xi,Pj)=||Xi-Pj||2 (7)
其中,i=1,2,......,m,j=1,2,......,n。
故现需在0≤aj≤100,j=1,2,......,30,0≤bj≤100,j=1,2,......,30,矩形区域中建立5个应急物资储备库。
步骤4:使用人工蜂群算法的编码方法对应急物资储备库选址鲁棒优化模型进行求解,得到最优选址方案,包括以下步骤:
步骤4.1:设置鲁棒性水平,人工蜂群的蜜蜂总数设为NP、算法的最大搜索次数为limit、最大迭代次数为maxCycle、全局最优适应度值fit0,其中,采蜜蜂数量为NP/2,算法中食物源即为待建应急物资储备库。
步骤4.2:根据步骤4.1设置的参数,在选址区域内随机生成各个需求点的位置、各需求点对应的需求量,并给出随机鲁棒扰动。
步骤4.3:初始化人工蜂群即储备库位置坐标:
在选址区域随机生成一个NP×(2×Num_facility)的矩阵,其中每行表示一个人工蜂,每个人工蜂的列标序列为(c1,c2,......,cNum_facility,cNum_facility=1,c2×Num_facility),其中每相邻两列表示一个储备库的位置坐标,即(c2i-1,c2i)表示第i个储备库的位置坐标。
步骤4.4:在盒子不确定需求下,获得全局最优适应度值和最优解,即应急物资储备库位置坐标,具体方法如下:
步骤4.4.1:引领蜂产生新的食物源,产生新的食物源的公式如公式(12)所示:
viq=xiq+riq(xiq-xkq) (12)
其中,viq为新生成的第i个候选食物源的第q维分量,xiq第i个为新食物源的第q维分量,且q∈{1,2,......,D},D为解向量的维度,k∈{1,2,......,m},k随机选取,且k≠i,riq为[-1,1]之间的随机数,用于控制搜索的范围。
步骤4.4.2:跟随蜂依概率pi对第i个食物源进行选择,概率pi由公式(13)确定:
其中,fiti为第i个食物源的适应度值。
步骤4.4.3:若某个食物源经过limit次循环未发生改进,那么剔除该食物源,说明迭代陷入了局部最优,同时与该食物源相对应的引领蜂变成侦察蜂,产生新的食物源,产生新的食物源的公式如公式(14)所示:
xiq=xmin,q+rand(0,1)(xmax,q-xmin,q) (14)
其中,xiq为第i个新食物源的第q维分量,且q∈{1,2,......,D},D为解向量的维度,xmin,q为第q维分量的最小值,xmax,q为第q维分量的最大值。
步骤4.4.4:在盒子不确定需求下,计算人工蜂群中各人工蜂对应的各储备库与各需求点的距离,基于最小距离供应策略,确定当前各人工蜂与需求点间的供应关系,并计算各人工蜂的适应度值;
步骤4.4.5:保存最优适应度值及最优解,以人工蜂群中各个体的适应度值最小化为优化准则,确定出当前迭代中人工蜂群的最优适应度值并与全局最优适应度值相比较,若当前迭代中最优适应度值小于全局最优适应度值,则以该最优适应度值替换原全局最优适应度值,反之,全局适应度值保持不变,同时全局最优适应度值对应的人工蜂即表示最优解,也就是储备库的位置坐标;
步骤4.5:判断当前蜂群的迭代次数是否达到预设的迭代上限,若是,输出人工蜂群寻优所得的全局最优适应度值和最优储备库的位置坐标,否则,迭代次数加1,执行步骤4.4。
本发明实施例1中30个需求点,5个应急物资储备库的科学选址的最优位置和鲁棒最优位置如图2和表2所示。
表2 30个需求点5个储备库的最优解坐标和鲁棒最优解坐标
表2中的结果是在有m=30个需求点,拟建立n=5个应急物资储备库的规模下,确定需求和不确定需求下,利用人工蜂群算法求解鲁棒优化选址模型,得到需求确定下的最优目标函数值和盒子不确定需求下的鲁棒最优目标函数值,同时得到应急物资储备库的最优位置坐标和鲁棒最优位置坐标,图2以可视化的形式给出了具体的选址方案。
本发明实施例1中30个需求点,5个应急物资储备库时设计人工蜂群算法的迭代寻优曲线如图3所示。
实施例2
本实施例中,随机散布的需求点m=100,拟建立的应急物资储备库n=8,需求点的需求量在[0,50]内随机产生,选址区域的起点坐标为(0,0),选址区域的终点坐标为(1000,1000),给定盒子约束设置不确定需求扰动δ∈[0,10],采用基于盒子不确定集的应急物资储备库选址优化方法对较大规模储备库选址模型进行实验,参数设置和具体实施步骤同实施例1。
本发明实施例2中100个需求点,8个应急物资储备库的科学选址的最优位置和鲁棒最优位置如图4和表3所示。
表3 100个需求点8个储备库的最优解坐标和鲁棒最优解坐标
表3中的结果是在有m=100个需求点,拟建立n=8个应急物资储备库的规模下,确定需求和不确定需求下,利用人工蜂群算法求解鲁棒优化选址模型,得到需求确定下的最优目标函数值和盒子不确定需求下的鲁棒最优目标函数值,同时得到应急物资储备库的最优位置坐标和鲁棒最优位置坐标,图4以可视化的形式给出了具体的选址方案。
本发明实施例2中100个需求点,8个应急物资储备库时设计人工蜂群算法的迭代寻优曲线如图5所示。
实施例3
本实施例中,拟建立的应急物资储备库n=10,需求点的需求量在[0,100]内随机产生并保持不变,参数设置和具体实施步骤同实施例1,分别给定不同的扰动水平δ1∈[0,10]、δ2∈[10,100]。
本发明实施例3中100个需求点,10个应急物资储备库,在扰动水平[0,10]下的科学选址的最优位置和鲁棒最优位置如图6(a)所示。
本发明实施例3中100个需求点,10个应急物资储备库,在扰动水平[10,100]下的科学选址的最优位置和鲁棒最优位置如图6(b)所示。
本发明实施例3中100个需求点,10个应急物资储备库时设计人工蜂群算法在扰动水平[0,10]下的迭代寻优曲线如图7(a)所示。
本发明实施例3中100个需求点,10个应急物资储备库时设计人工蜂群算法在扰动水平[10,100]下的迭代寻优曲线如图7(a)所示。
进一步分析不确定因素对应急物资储备库选址决策的影响,本发明实施例3中100个需求点,10个应急物资储备库时分别对需求量进行1%、2%、3%、4%、5%不同比例的扰动,实施例3在不同的扰动比例下目标函数的结果比较如表4所示。
表4 100个需求点10个储备库时不同扰动水平下结果比较
从表4可以看出,随着需求的扰动比例增加,目标函数值也在增加,在确定情况下得到的最优解将发生较大偏差,鲁棒优化模型得到的解是在各种不确定情景下,对最坏情况求最优解,从而在不确定的情形下最大限度地规避风险,对于具体问题,决策者可根据系统的实际情况权衡系统成本、抗干扰性、最优值等因素,选择合适的不确定因素扰动,根据不同的风险偏好程度决定最优的选址方案。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于盒子不确定集的应急物资储备库选址优化方法,其特征在于,包括以下步骤:
步骤1:对鲁棒优化模型的参数进行设定,包括待建应急物资储备库的总个数m、需求点的总个数n、需求点的集合P={P1,P2,......,Pn}、需求点需求量的集合W={w1,w2,......,wn}、第j个需求点的需求量wj且wj>0、第j个需求点需求量的平均值第j个需求点的不确定需求量第i个应急物资储备库提供给第j个需求点的应急物资量wij且wij>0、第j个需求点的坐标Pj:(aj,bj)且Pj∈P、第i个应急物资储备库的坐标Xi:(xi,yi)、第i个应急物资储备库的容量si、第i个应急物资储备库与第j个需求点之间的距离d(Xi,Pj)、选址区域的起点坐标选址区域的终点坐标
其中,j=1,2,......,n,δ为不确定需求的扰动,δ的取值由需求点的受灾程度、人口密度及经济水平因素确定;
步骤3:根据模型设定的各个参数,构建不确定需求下应急物资储备库选址鲁棒优化模型,使应急物资储备库与各个需求点的最大加权距离和最小化;
所述应急物资储备库选址鲁棒优化模型应满足以下约束条件:不确定需求在盒子不确定扰动集合下,最大加权距离和不超过阈值z;每个需求点的应急物资由多个应急物资储备库协同供应,不确定需求取值于盒子不确定扰动集合;应急物资储备库提供的应急物资不能超过最大容量限制;获得第i个应急物资储备库与第j个需求点之间的距离;需求点和应急物资储备库在有效的选址范围内选址;
步骤4:使用人工蜂群算法的编码方法对应急物资储备库选址鲁棒优化模型进行求解,得到最优选址方案,包括以下步骤:
步骤4.1:设置鲁棒性水平,设人工蜂群的蜜蜂总数为NP、算法的最大搜索次数为limit、最大迭代次数为maxCycle、全局最优适应度值fit0,其中,采蜜蜂数量为NP/2,算法中食物源即为待建应急物资储备库;
步骤4.2:根据步骤4.1设置的参数,在选址区域内随机生成各个需求点的位置、各需求点对应的需求量,并给出随机鲁棒扰动;
步骤4.3:初始化人工蜂群,即储备库位置坐标;
步骤4.4:在盒子不确定需求下,获得全局最优适应度值和最优解,即应急物资储备库位置坐标;
步骤4.5:判断当前蜂群的迭代次数是否达到预设的迭代上限,若是,输出人工蜂群寻优所得的全局最优适应度值和最优储备库的位置坐标,否则,迭代次数加1,返回执行步骤4.4;所述步骤4.3中初始化人工蜂群即储备库位置坐标的方法为:在选址区域随机生成一个NP×(2×Num_facility)的矩阵,其中每行表示一个人工蜂,每个人工蜂的列标序列为(c1,c2,......,cNum_facility,cNum_facility+1,......,c2×Num_facility),其中每相邻两列表示一个储备库的位置坐标,即(c2i-1,c2i)表示第i个储备库的位置坐标;所述步骤4.4包括如下步骤:
步骤4.4.1:引领蜂产生新的食物源;
步骤4.4.2:跟随蜂依概率pi对第i个食物源进行选择;
步骤4.4.3:若某个食物源经过limit次循环未发生改进,那么剔除该食物源,说明迭代陷入了局部最优,同时与该食物源相对应的引领蜂变成侦察蜂,产生新的食物源;
步骤4.4.4:在盒子不确定需求下,计算人工蜂群中各人工蜂对应的各储备库与各需求点的距离,基于最小距离供应策略,确定当前各人工蜂与需求点间的供应关系,并计算各人工蜂的适应度值;
步骤4.4.5:保存最优适应度值及最优解,以人工蜂群中各个体的适应度值最小化为优化准则,确定出当前迭代中人工蜂群的最优适应度值并与全局最优适应度值相比较,若当前迭代中最优适应度值小于全局最优适应度值,则以该最优适应度值替换原全局最优适应度值,反之,全局适应度值保持不变,同时全局最优适应度值对应的人工蜂即表示最优解,也就是储备库的位置坐标。
2.根据权利要求1所述的基于盒子不确定集的应急物资储备库选址优化方法,其特征在于,所述步骤4.4.1引领蜂产生新的食物源的公式如下:
viq=xiq+riq(xiq-xkq);
其中,viq为新生成的第i个候选食物源的第q维分量,xiq为第i个新食物源的第q维分量,且q∈{1,2,......,D},D为解向量的维度,k∈{1,2,......,m},k随机选取,且k≠i,riq为[-1,1]之间的随机数,用于控制搜索的范围。
4.根据权利要求2所述的基于盒子不确定集的应急物资储备库选址优化方法,其特征在于,所述步骤4.4.3侦察蜂产生新的食物源的公式如下:
xiq=xmin,q+rand(0,1)(xmax,q-xmin,q);
其中,xiq为第i个新食物源的第q维分量,且q∈{1,2,......,D},D为解向量的维度,xmin,q为第q维分量的最小值,xmax,q为第q维分量的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248212.1A CN107862416B (zh) | 2017-11-29 | 2017-11-29 | 一种基于盒子不确定集的应急物资储备库选址优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711248212.1A CN107862416B (zh) | 2017-11-29 | 2017-11-29 | 一种基于盒子不确定集的应急物资储备库选址优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862416A CN107862416A (zh) | 2018-03-30 |
CN107862416B true CN107862416B (zh) | 2022-04-12 |
Family
ID=61704518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711248212.1A Active CN107862416B (zh) | 2017-11-29 | 2017-11-29 | 一种基于盒子不确定集的应急物资储备库选址优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862416B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665089B (zh) * | 2018-04-04 | 2022-04-15 | 清华大学 | 一种用于选址问题的鲁棒优化模型求解方法 |
CN110996253A (zh) * | 2019-12-12 | 2020-04-10 | 国家电网有限公司大数据中心 | 数据资源分布方式的确定方法、装置、设备及介质 |
CN111368312B (zh) * | 2020-02-17 | 2022-08-09 | 山东师范大学 | 一种隐藏位置信息的设施选址方法及系统 |
CN113128784B (zh) * | 2021-05-06 | 2023-04-07 | 北京理工大学 | 面向农机装备运维的服务资源选址和配置方法 |
CN114596008A (zh) * | 2022-05-09 | 2022-06-07 | 支付宝(杭州)信息技术有限公司 | 考虑预估不确定性的资源分配决策的鲁棒优化方法 |
CN115907238B (zh) * | 2023-02-27 | 2023-07-28 | 南京邮电大学 | 基于改进猎食者优化算法的多目标应急物资中心选址方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
WO2014109666A1 (en) * | 2013-01-14 | 2014-07-17 | Siemens Aktiengesellschaft | A method for determining a placement of protection devices in an energy distribution network |
CN104463379A (zh) * | 2014-12-31 | 2015-03-25 | 广东易富网络科技有限公司 | 一种带时变需求的关联物流运输优化调度方法 |
CN104504439A (zh) * | 2014-11-26 | 2015-04-08 | 沈阳建筑大学 | 基于改进人工蜂群算法的约束多目标优化方法 |
CN105357043A (zh) * | 2015-11-09 | 2016-02-24 | 南京邮电大学 | 云计算环境下自动反馈调节的sla系统框架及调节方法 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170137B (zh) * | 2011-04-26 | 2013-06-05 | 华北电力大学 | 一种电力系统配电网的无功优化方法 |
US9053276B2 (en) * | 2012-07-11 | 2015-06-09 | University Of North Texas | Methodology for nanoscale technology based mixed-signal system design |
CN102982008A (zh) * | 2012-11-01 | 2013-03-20 | 山东大学 | 基于计算机机群的并行人工蜂群算法求解复杂函数最值的方法 |
CN103338491B (zh) * | 2013-06-09 | 2015-08-19 | 南京邮电大学 | 一种基于蜂群算法的移动信标路径选择方法 |
-
2017
- 2017-11-29 CN CN201711248212.1A patent/CN107862416B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014109666A1 (en) * | 2013-01-14 | 2014-07-17 | Siemens Aktiengesellschaft | A method for determining a placement of protection devices in an energy distribution network |
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN104504439A (zh) * | 2014-11-26 | 2015-04-08 | 沈阳建筑大学 | 基于改进人工蜂群算法的约束多目标优化方法 |
CN104463379A (zh) * | 2014-12-31 | 2015-03-25 | 广东易富网络科技有限公司 | 一种带时变需求的关联物流运输优化调度方法 |
CN105357043A (zh) * | 2015-11-09 | 2016-02-24 | 南京邮电大学 | 云计算环境下自动反馈调节的sla系统框架及调节方法 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
Non-Patent Citations (1)
Title |
---|
不确定需求下应急物资储备库选址鲁棒优化模型;高雷阜等;《中国安全科学学报》;20151215;第25卷(第12期);170-176页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107862416A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862416B (zh) | 一种基于盒子不确定集的应急物资储备库选址优化方法 | |
Afshar et al. | Optimizing multi-reservoir operation rules: an improved HBMO approach | |
Xu et al. | Multi-objective dynamic layout problem for temporary construction facilities with unequal-area departments under fuzzy random environment | |
CN109960738B (zh) | 基于深度对抗哈希学习的大规模遥感影像内容检索方法 | |
Yuan et al. | Parameter identification of nonlinear Muskingum model with backtracking search algorithm | |
CN115755954B (zh) | 巡检路径规划方法、系统、计算机设备及存储介质 | |
CN107451692B (zh) | 一种基于人工蜂群算法的航空备件配置优化方法 | |
Zarghami et al. | Urban water resources planning by using a modified particle swarm optimization algorithm | |
CN104615638A (zh) | 一种面向大数据的分布式密度聚类方法 | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
CN110751355A (zh) | 一种科技成果评估方法和装置 | |
Zhao et al. | Improved multiple-objective dynamic programming model for reservoir operation optimization | |
Asadzadeh et al. | Assessing site selection of new towns using topsis method under entropy logic: A case study: New towns of tehran metropolitan region (TMR) | |
Yu et al. | An efficient substation placement and sizing strategy based on GIS using semi-supervised learning | |
WO2016095068A1 (en) | Pedestrian detection apparatus and method | |
CN107229878A (zh) | 一种投入决定的安全性可定义的基于数据图谱、信息图谱和知识图谱的资源安全保护方法 | |
Uguz et al. | A new algorithm based on artificial bee colony algorithm for energy demand forecasting in Turkey | |
Chen et al. | Dynamic facility layout with multi-objectives | |
CN113435101B (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
CN112465371B (zh) | 一种资源数据分配方法、装置及设备 | |
Hu et al. | Optimization and evaluation of environmental operations for three gorges reservoir | |
CN112819246A (zh) | 基于布谷鸟算法优化神经网络的能源需求预测方法 | |
CN115994628B (zh) | 基于大数据的能源管理方法和装置 | |
CN117094435A (zh) | 一种云制造自适应鲁棒服务组合与优化选择新方法 | |
CN111191941A (zh) | 一种基于人工蜂群算法解决sevm模型问题的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |