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

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

一种基于盒子不确定集的应急物资储备库选址优化方法

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,......,P_n}、需求点需求量的集合W＝{w₁,w₂,......,w_n}、第j个需求点的需求量w_j且w_j>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w_ij且w_ij>0、第j个需求点的坐标P_j:(a_j,b_j)且P_j∈P、第i个应急物资储备库的坐标X_i:(x_i,y_i)、第i个应急物资储备库的容量s_i、第i个应急物资储备库与第j个需求点之间的距离d(X_i,P_j)、选址区域的起点坐标

选址区域的终点坐标

步骤2：将应急物资储备库选址优化方法的不确定需求描述为盒子约束，描述需求点P_j的不确定需求

的取值在闭凸集合

内，即需求不确定的有界闭且凸集合W_j如下式所示：

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p_i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,......,c_{Num_facility},c_{Num_facility＝1},c_{2×Num_facility})，其中每相邻两列表示一个储备库的位置坐标，即(c_2i-1,c_2i)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：

v_iq＝x_iq+r_iq(x_iq-x_kq)；

其中，v_iq为新生成的第i个候选食物源的第q维分量，x_iq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，r_iq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p_i由如下公式确定：

其中，fit_i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：

x_iq＝x_min,q+rand(0,1)(x_max,q-x_min,q)；

其中，x_iq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，x_min,q为第q维分量的最小值，x_max,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,......,P_n}、需求点需求量的集合W＝{w₁,w₂,......,w_n}、第j个需求点的需求量w_j且w_j>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w_ij且w_ij>0、第j个需求点的坐标P_j:(a_j,b_j)且P_j∈P、第i个应急物资储备库的坐标X_i:(x_i,y_i)、第i个应急物资储备库的容量s_i、第i个应急物资储备库与第j个需求点之间的距离d(X_i,P_j)、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

步骤2：将应急物资储备库选址优化方法的不确定需求描述为盒子约束，描述需求点P_j的不确定需求

的取值在闭凸集合

内，即需求不确定的有界闭且凸集合W_j如下式所示：

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)

约束条件：

d(X_i,P_j)＝||X_i-P_j||₂ (7)

其中，i＝1,2,......,m，j＝1,2,......,n。

故现需在0≤a_j≤100，j＝1,2,......,30，0≤b_j≤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,......,c_{Num_facility},c_{Num_facility＝1},c_{2×Num_facility})，其中每相邻两列表示一个储备库的位置坐标，即(c_2i-1,c_2i)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：

v_iq＝x_iq+r_iq(x_iq-x_kq) (12)

其中，v_iq为新生成的第i个候选食物源的第q维分量，x_iq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，r_iq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p_i对第i个食物源进行选择，概率p_i由公式(13)确定：

其中，fit_i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：

x_iq＝x_min,q+rand(0,1)(x_max,q-x_min,q) (14)

其中，x_iq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，x_min,q为第q维分量的最小值，x_max,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,......,P_n}、需求点需求量的集合W＝{w₁,w₂,......,w_n}、第j个需求点的需求量w_j且w_j>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w_ij且w_ij>0、第j个需求点的坐标P_j:(a_j,b_j)且P_j∈P、第i个应急物资储备库的坐标X_i:(x_i,y_i)、第i个应急物资储备库的容量s_i、第i个应急物资储备库与第j个需求点之间的距离d(X_i,P_j)、选址区域的起点坐标

选址区域的终点坐标

步骤2：将应急物资储备库选址优化方法的不确定需求描述为盒子约束，描述需求点P_j的不确定需求

的取值在闭凸集合

内，即不确定需求的有界闭且凸集合W_j如下式所示：

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,......,c_{Num_facility},c_{Num_facility+1},......,c_{2×Num_facility})，其中每相邻两列表示一个储备库的位置坐标，即(c_2i-1,c_2i)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p_i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：

v_iq＝x_iq+r_iq(x_iq-x_kq)；

其中，v_iq为新生成的第i个候选食物源的第q维分量，x_iq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，r_iq为[-1,1]之间的随机数，用于控制搜索的范围。

3.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4.4.2中的概率p_i由如下公式确定：

其中，fit_i为第i个食物源的适应度值。

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：

x_iq＝x_min,q+rand(0,1)(x_max,q-x_min,q)；

其中，x_iq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，x_min,q为第q维分量的最小值，x_max,q为第q维分量的最大值。

Images