CN109784468B - 基于psoa算法的通航物流配载效能优化方法 - Google Patents
基于psoa算法的通航物流配载效能优化方法 Download PDFInfo
- Publication number
- CN109784468B CN109784468B CN201910102756.XA CN201910102756A CN109784468B CN 109784468 B CN109784468 B CN 109784468B CN 201910102756 A CN201910102756 A CN 201910102756A CN 109784468 B CN109784468 B CN 109784468B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- characteristic
- stowage
- representing
- psoa
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSOA算法的通航物流配载效能优化方法,在通航物流配载效能优化问题应用中通过使用PSOA算法对通用飞机多个不同状态参数进行总体优化,能够使通用飞机的总体配载效能更高,经济性更好。在本发明的方法中,极特征种群之间可以不进行局部优化,进而简化了算法框架复杂度,提升了算法的运行效率;同时也可以灵活嵌入其它一些智能算法中含有的信息交换算子对PSOA算法中生成的极特征种群进行局部优化,以提升可能潜在的收敛效率。
Description
技术领域
本发明属于智能算法领域,用于各类复杂NP或非NP优化问题的求解,具体涉及一种基于PSOA算法的通航物流配载效能优化方法。
背景技术
智能算法主要包含进化算法、人工神经网络算法、群体智能优化算法等类型。智能算法为难以精确求解的很多现实工程和管理应用中的NP问题提供了一个能够获得满足实际需求的近似最优解的途径。很多智能算法在可行解空间中有较强的全域搜索能力,为获得更好的近似最优解提供了更大的概率。但同时智能算法间也有不同的优势和劣势。很多智能算法在运行过程中需要对求解问题进行编码求解(例如进化算法中的遗传算法),一个编码的数据化代表一个解个体,当求解问题的求解参数较多或对问题求解的影响因素较多,个体编码的构造也就越为复杂,个体的操作过程也变的越为庞大,求解过程和运算规模会快速上升,进而影响求解效率;有些智能算法的优势在于搜索广度大(例如一些群体智能算法),但深度搜索能力不足,进而导致对最优解的周边搜索不足,算法的稳定性不好;有些智能算法深度搜索能力强,但广度搜索能力弱,易于过早陷入局部最优解而影响算法后期的运行效率和最终求解效果。PSOA算法综合了多类智能算法的不同优势,特别是群体类优化算法和进化类优化算法的特点。在算法框架与算法机制上兼顾了最优解搜索过程中的广度要求与深度要求,使最优求解的方向性更强,同时使种群搜索空间更广。
通航物流的载运平台一般为几吨或十几吨级的中小型通用飞机,飞行器对内外部飞行环境参数的变化比较敏感,飞行状态的微观变化在很大程度上决定了通用飞机的物流配载效能水平。因此,从通航飞行器飞行状态和飞行环境中的几个主要因素入手,从飞行高度、飞行速度、空气密度、大气压力、燃油消耗等方面来考察通用飞机物流配载的最优状态,通过建立物流配载与飞行距离的双目标优化模型,研究探索通航物流在调整飞行状态参数条件下的最佳系统配载模式,对通航物流相关业务单位而言具有很好的实践意义。
发明内容
本发明所要解决的技术问题是提供了一种简洁高效、寻优效果好、寻优质量稳定、灵活性高而且算法框架简单的基于PSOA算法的通航物流配载效能优化方法。
本发明采用如下技术方案:
基于PSOA算法的通航物流配载效能优化方法,其包括如下步骤:
步骤1.根据所研究问题的求解目标,建立关于求解目标最优值的目标函数;
步骤2.根据目标函数中的参数数量与结构形式设计算法所需的个体结构;
步骤3.根据个体参数在目标问题中的取值范围生成问题解的初始种群;
步骤4.在初始种群中根据问题求解目标,选取或设计能够反映种群或问题特征的个体或个体值作为一组特征极;
步骤5.根据AF调和因子,按照特征个体的设计繁殖代数或种群规模对特征个体进行种群扩张,生成若干极特征种群;
步骤6.从极特征种群簇中提取新特征极;
步骤7.判断新特征极中是否出现更优秀个体,若未出现,则算法结束,特征极中的最优个体即全局最优解;若出现,则根据AF调和因子产生新一批极特征种群,返回步骤5进行循环迭代,直至在特征极中无法出现更优秀个体。
进一步的,在配载优化过程中,根据通用飞机在任务执行中的飞行特性和主要环境影响因素来确定配载效能指数的目标函数。
进一步的,在配载优化过程中,算法目标函数由如下公式(1)确定:
其中,Feco为通用飞机的综合状态效能水平指数;KAB表示航程约束;α表示配载系数;Mmax表示飞机满载重量;Mts表示任务总商载;Ml′表示飞机燃油量;Mp表示飞机空重;n表示机队规模;Ms表示单位飞机商载;β表示配载系数。
进一步的,配载优化中的约束条件包括航程约束、燃油携带量约束、商载量约束、飞行高度约束和飞行速度约束。
进一步的,所述航程约束由如下公式(2)确定:
其中,KAB表示航程约束;Mf表示飞行结束时的飞机配载重量;Mb表示飞行开始时的飞机配载重量;M表示飞机配载变量;α1、β1、γ1表示与当前飞行高度下的空气密度、机翼面积、飞行速度、飞机特性参数相关的飞行状态参数。
进一步的,在特征极的选择上,根据研究问题的性质,选择个体配载效能指数的最大值与最小值作为特征值,其所对应的个体为特征极。
进一步的,配载优化的算法运行终止条件为连续迭代若干次,不大于最大迭代数。后,在特征极中不再出现更好的特征值。
进一步的,所述AF调和因子由如下公式(3)确定:
其中,itermax表示最大迭代数,itermin表示最小迭代数,α、β、m为调和系数,ad表示个体特征值、admax表示个体最优特征值、admin表示个体最小特征值。
AF调和因子的作用是自适应地在极特征种群扩张过程中对问题的解空间进行局部和全局搜索。
本发明的有益效果如下:
本发明在通航物流配载效能优化问题应用中通过使用PSOA算法对通用飞机多个不同状态参数进行总体优化,能够使通用飞机的总体配载效能更高,经济性更好。PSOA算法运行框架具备一定灵活性。本发明的方法中,极特征种群之间可以不进行局部优化,进而简化了算法框架复杂度,提升了算法的运行效率;同时也可以灵活嵌入其它一些智能算法中含有的信息交换算子对PSOA算法中生成的极特征种群进行局部优化,以提升可能潜在的收敛效率。
附图说明
图1为PSOA算法的框架示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图1和具体实施例对本发明进行清楚、完整的描述。
本发明是算法机制发明,在通航物流配载效能优化场景中进行了应用实践。目的是使算法的优化过程设计更为简单,在实际优化问题中的通用性更强,寻优结果更好,寻优效率更高,鲁棒性更好。
PSOA算法是特征极搜索优化算法的简称,PSOA算法在特征种群迭代过程中,使具有问题不同解特征的个体能够自主形成多元特征种群,进而使传统单种群进化过程演变为具有空间多向性的多特征种群进化。
在采用变种群策略时,种群可采取多种函数或概率形式作为种群扩张机制。
为使种群质量更加符合求解方向,函数与概率的选择要充分考虑问题的本质。
在PSOA算法中,特征个体的选择是以能够描述问题解的特性为依据的,选出的个体能够体现问题解中的一元或多元特征,作为各代进化中的极。
特征个体按照不同的函数或概率进行独立种群扩张过程中,极特征的强弱使个体具备了不同的探索深度与探索广度,能够使得算法的深度探索与广度探索能力更强。
通过AF调和因子,可以使特征种群自适应地根据极特征的强弱对解空间的探索深度与广度进行调节,进而提升特征种群的质量,提高最优个体的搜索概率,增强算法的运行效率与效果。
在各代进化中,种群之间能够实现个体或个体特征的信息交流,通过信息交流能够增加具有更好解特征个体出现的可能性,进一步提升种群质量,提高可能潜在的迭代效率。
PSOA算法就是根据上述机制特性设计的算法系统。它能够为各类优化问题的解决提供一种简洁高效、寻优效果好、寻优质量稳定的智能优化算法框架。
(一)PSOA算法的特征描述如下:
(1)具有一个或多个初始种群;
(2)在各代进化迭代过程中,具有至少两个或两个以上的个体作为初始个体,这些个体是能够描述种群特点的特征个体,一个个体代表一个特征极;
(3)在各代进化迭代过程中,具有至少两个或两个以上的特征种群,这些种群既可以是变规模种群,也可以是固定规模种群;
(4)特征个体与特征种群之间具有直接或间接的映射关系;
(5)特征个体可以直接包含于特征种群,也可以通过一定的逻辑或函数关系间接包含于特征种群;
(6)在各代进化迭代过程中,特征种群独立进化迭代;
(7)迭代过程中,各种群之间也可以同时进行不同程度的信息和个体交流,可通过其他算法中具有信息交互机制的进化算子进行;
(8)各代中特征种群和个体的优化通过特征种群的迭代完成;
(9)以各代中特征个体与特征种群的进化方向来作为对目标问题最优解搜索方向的判定依据。
(10)进化迭代过程的结束标志是以特征种群的最优个体不再变化或各特征种群中的个体均为同一最优个体或达到预设最大迭代次数为结束判断标准。
PSOA算法中的特征个体和特征种群是基于能够描述目标问题的解特征、解空间特征、个体特征或个体之间关系特征、种群特征或种群之间关系特征的各代中的关键个体与种群,其产生过程是在进化各代中特征种群基础上直接或间接产生的。
(二)PSOA算法在配载优化问题中的应用特征如下:
1.在配载优化中,算法基于的目标函数是包含了通用飞机速度、高度、油量、货运配载量、环境变化量等多个参数在内的综合配载效能指数函数;
2.目标函数的约束条件主要由两部分组成:一是通用飞机自身飞行状态参数约束,二是飞行外部环境条件约束。这些约束条件包括:燃油携带量约束、商载量约束、飞行高度约束、飞行速度约束、航程约束、飞行迎角约束等。
3.算法的个体结构主要参数构成为:商载量、燃油量、高度、速度、航程;
4.初始种群中,选择个体效能指数最大值与最小值作为种群的特征极;
5.通过AF调和因子对特征个体扩张和特征种群迭代的全局深度与广度进行自适应调节;
6.特征种群大小采用固定种群规模。
如图1所示,本实施例涉及一种基于PSOA算法的通航物流配载效能优化方法,是特征极搜索优化算法的算法运行框架与算法工作原理以及该算法在通航物流配载效能优化问题场景中的应用方式,特征极搜索优化算法即PSOA算法,通航物流配载效能优化问题场景以下简称“配载优化”。
其包括如下步骤:
步骤1.根据所研究问题的求解目标,建立关于求解目标最优值的目标函数;
步骤2.根据目标函数中的参数数量与结构形式设计算法所需的个体结构;
步骤3.根据个体参数在目标问题中的取值范围生成问题解的初始种群;
步骤4.在初始种群中根据问题求解目标,选取或设计能够反映种群或问题特征的个体或个体值作为一组特征极;
步骤5.根据AF调和因子,按照特征个体的设计繁殖代数或种群规模对特征个体进行种群扩张,生成若干极特征种群;
步骤6.从极特征种群簇中提取新特征极;
步骤7.判断新特征极中是否出现更优秀个体,若未出现,则算法结束,特征极中的最优个体即全局最优解;若出现,则根据AF调和因子产生新一批极特征种群,返回步骤5进行循环迭代,直至在特征极中无法出现更优秀个体。
进一步的,在配载优化过程中,根据通用飞机在任务执行中的飞行特性和主要环境影响因素来确定配载效能指数的目标函数。
进一步的,在配载优化过程中,算法目标函数由如下公式(1)确定:
其中,Feco表示通用飞机的综合状态效能水平指数;KAB表示航程约束;α表示配载系数;Mmax表示飞机满载重量;Mts表示任务总商载;Ml′表示飞机燃油量;Mp表示飞机空重;n表示机队规模;Ms表示单位飞机商载;β表示配载系数。
进一步的,配载优化中的约束条件包括航程约束、燃油携带量约束、商载量约束、飞行高度约束和飞行速度约束。
进一步的,所述航程约束由如下公式(2)确定:
其中,KAB表示航程约束;Mf表示飞行结束时的飞机配载重量;Mb表示飞行开始时的飞机配载重量;M表示飞机配载变量;α1、β1、γ1表示与当前飞行高度下的空气密度、机翼面积、飞行速度、飞机特性参数相关的飞行状态参数。
进一步的,在特征极的选择上,根据研究问题的性质,选择个体配载效能指数的最大值与最小值作为特征值,其所对应的个体为特征极。
进一步的,配载优化的算法运行终止条件为连续迭代10次后,在特征极中不再出现更好的特征值。
进一步的,所述AF调和因子由如下公式(3)确定:
其中,itermax表示最大迭代数,itermin表示最小迭代数,α、β、m为调和系数,ad表示个体特征值、admax表示个体最优特征值、admin表示个体最小特征值。AF调和因子的作用是自适应地在极特征种群扩张过程中对问题的解空间进行局部和全局搜索。
PSOA算法适合各类工程与管理领域的复杂NP问题和优化问题的数学模型设计与算法设计;算法结构简单、寻优效率高、鲁棒性好,深度搜索与广度搜索性能好,不容易陷入局部最优解且最优解质量高,能够为目标问题的解决带来较好的质量与效率提升。
在通航物流配载效能优化问题应用中通过使用PSOA算法对通用飞机多个不同状态参数进行总体优化,能够使通用飞机的总体配载效能更高,经济性更好。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (6)
1.一种基于PSOA算法的通航物流配载效能优化方法,其特征在于:其包括如下步骤:
步骤1.根据所研究问题的求解目标,建立关于求解目标最优值的目标函数;
步骤2.根据目标函数中的参数数量与结构形式设计算法所需的个体结构;
步骤3.根据个体参数在目标问题中的取值范围生成问题解的初始种群;
步骤4.在初始种群中根据问题求解目标,选取或设计能够反映种群或问题特征的个体或个体值作为一组特征极;
步骤5.根据AF调和因子,按照特征个体的设计繁殖代数或种群规模对特征个体进行种群扩张,生成若干极特征种群;
步骤6.从极特征种群簇中提取新特征极;
步骤7.判断新特征极中是否出现更优秀个体,若未出现,则算法结束,特征极中的最优个体即全局最优解;若出现,则根据AF调和因子产生新一批极特征种群,返回步骤5进行循环迭代,直至在特征极中无法出现更优秀个体;
在配载优化过程中,根据通用飞机在任务执行中的飞行特性和环境影响因素来确定配载效能指数的目标函数;环境影响因素包括空气密度和大气压力;
在配载优化过程中,算法目标函数由如下公式(1)确定:
其中,Feco为通用飞机的综合状态效能水平指数;KAB表示航程约束;α表示配载系′
数;Mmax表示飞机满载重量;Mts表示任务总商载;Ml表示飞机的燃油量;Mp表示飞机空重;n表示机队规模;Ms表示单位飞机商载;β表示配载系数。
2.根据权利要求1所述的基于PSOA算法的通航物流配载效能优化方法,其特征在于:配载优化中的约束条件包括航程约束、燃油携带量约束、商载量约束、飞行高度约束和飞行速度约束。
4.根据权利要求1所述的基于PSOA算法的通航物流配载效能优化方法,其特征在于:在特征极的选择上,根据研究问题的性质,选择个体配载效能指数的最大值与最小值作为特征值,其所对应的个体为特征极。
5.根据权利要求1所述的基于PSOA算法的通航物流配载效能优化方法,其特征在于:配载优化的算法运行终止条件为连续迭代10次后,在特征极中不再出现更好的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102756.XA CN109784468B (zh) | 2019-02-01 | 2019-02-01 | 基于psoa算法的通航物流配载效能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102756.XA CN109784468B (zh) | 2019-02-01 | 2019-02-01 | 基于psoa算法的通航物流配载效能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784468A CN109784468A (zh) | 2019-05-21 |
CN109784468B true CN109784468B (zh) | 2023-04-07 |
Family
ID=66503130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102756.XA Active CN109784468B (zh) | 2019-02-01 | 2019-02-01 | 基于psoa算法的通航物流配载效能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784468B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222243A (zh) * | 2021-05-10 | 2021-08-06 | 桂林理工大学 | 一种多目标航空物流智能配载优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923673A (zh) * | 2010-04-30 | 2010-12-22 | 湖南大学 | 基于改进二次粒子群算法的汽车零配件配载优化方法 |
CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673382A (zh) * | 2009-10-21 | 2010-03-17 | 北京交通大学 | 一种农资连锁经营物流配送配载组合优化方法 |
CN107238388B (zh) * | 2017-05-27 | 2018-02-23 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
-
2019
- 2019-02-01 CN CN201910102756.XA patent/CN109784468B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923673A (zh) * | 2010-04-30 | 2010-12-22 | 湖南大学 | 基于改进二次粒子群算法的汽车零配件配载优化方法 |
CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109784468A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN110348595A (zh) | 一种基于飞行数据的无人机混合推进系统能量管控方法 | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN108320293A (zh) | 一种结合改进粒子群算法的快速点云边界提取技术 | |
CN110288165A (zh) | 基于快速聚类和优化分配的多目标无人监测跟踪方法 | |
CN103824291A (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
Zhao et al. | A decomposition-based many-objective ant colony optimization algorithm with adaptive reference points | |
CN106251026A (zh) | 基于pdbscan算法的雷电临近趋势预报方法 | |
CN110442143A (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN109784468B (zh) | 基于psoa算法的通航物流配载效能优化方法 | |
CN110986954B (zh) | 基于灰狼优化算法的军用运输机航路规划方法 | |
CN111291520B (zh) | 一种优化空间效率的海洋锚定浮标站位智能选址方法 | |
CN115841176A (zh) | 充电桩变频负荷的安全态势感知方法及系统 | |
Sheng et al. | An optimized prediction algorithm based on XGBoost | |
CN104219682B (zh) | 农田混合供电无线传感器网络的网络层次构建方法及系统 | |
CN110472770A (zh) | 一种光伏发电功率预测方法 | |
CN110516785A (zh) | 一种基于粒子群和鲸鱼群的求解双层线性规划混合算法 | |
CN112200391B (zh) | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN116207797B (zh) | 一种配电网多串并联设备协调优化控制方法 | |
CN113313322A (zh) | Moea/d挤压工艺参数多目标优化方法及装置 | |
CN116847293A (zh) | 一种无人机辅助车联网下的联合缓存决策和轨迹优化方法 | |
CN116518982A (zh) | 一种低空林业监测遥感无人机路径多目标规划方法 | |
CN113537439A (zh) | 改进的人工蜂群优化算法 |
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 |