CN109934411A - 考虑紧急度的应急救灾智能路径规划方法及装置 - Google Patents
考虑紧急度的应急救灾智能路径规划方法及装置 Download PDFInfo
- Publication number
- CN109934411A CN109934411A CN201910204766.4A CN201910204766A CN109934411A CN 109934411 A CN109934411 A CN 109934411A CN 201910204766 A CN201910204766 A CN 201910204766A CN 109934411 A CN109934411 A CN 109934411A
- Authority
- CN
- China
- Prior art keywords
- target
- points
- delay time
- driving route
- target placement
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 230000035772 mutation Effects 0.000 claims abstract description 50
- 230000003111 delayed effect Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000002068 genetic effect Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 18
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000017105 transposition Effects 0.000 claims description 8
- 230000003252 repetitive effect Effects 0.000 claims description 7
- 230000007423 decrease Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供考虑紧急度的应急救灾智能路径规划方法及装置，本发明实施例基于局部搜索变异算子TRUD‑GA求解考虑紧急度的应急救灾车辆路径问题，灾区安置点的物资配送总延误时间、延误安置点数量、车辆总运输时间相比于其他算法均取得了显著的下降。
Description
技术领域
本发明实施例涉及运输路径规划技术领域，尤其涉及一种考虑紧急度的应急救灾智能路径规划方法及装置。
背景技术
车辆路线问题(VRP)最早是由Dantzig和Ramser于1959年首次提出，它是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。
在车辆路径规划研究领域，现有对车辆路径问题(Vehicle Routing Problem,VRP)的相关研究，在地震，洪涝等自然灾害发生后，需要对灾区安置点进行及时的物资配送，需要同时优化多个安置点的物资配送延误时间和总运输时间。而现有研究缺点在于，优化目标单一，或为延误时间最小，或为救灾车辆行驶总路程最小，并未同时优化这两个目标。
发明内容
本发明实施例提供考虑紧急度的应急救灾智能路径规划方法及装置，用以解决上述至少一个技术问题。
根据本发明实施例的第一个方面，提供一种考虑紧急度的应急救灾智能路径规划方法，包括：
设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；
在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；
将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；
若适应度达到最高不再增加，则求得最优解并输出，终止计算。
进一步，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)，包括：
为各个目标安置点分配一个不同的序号，随机生成一个包含所有目标安置点序号的序列；
将各个目标安置点逐个分配给任一目标车辆，直至所述任一目标车辆达到容量限制；剩下的目标安置点继续分配给下一目标车辆，直至所有目标安置点都分配完成。
进一步，所述适应度函数F(P)为：
其中v为车速；k为每辆车配送的安置点数量；dist()为求解两个安置点间距离的函数；atj为救灾车辆到达j点的时刻；dtj为安置点j的截止时间；α为决策偏好参数，取值在0到1之间。
进一步，局部搜索变异算子步骤如下：
S31，随机选择群体P(t)中任一行驶路线，找到其中被延误时间最长的目标安置点；
S32，在P(t)其他行驶路线中寻找被延误的目标安置点，若存在，执行步骤S33；若不存在，执行步骤S34；
S33，将两个被延误目标安置点进行目标车辆互换并形成新的两条行驶路线，计算新的两条行驶路线，若前述两个目标安置点仍然存在被延误，则执行步骤S34；若不存在延误，算法结束；
S34，将被延误的目标安置点交由m辆目标车辆中运输时间最短的目标车辆进行配送；
检查各行驶路线中各目标安置点的紧急度，若一条行驶路线内存在紧急度高的目标安置点的运输顺序位于紧急度低的目标安置点之后，调换两个目标安置点位于行驶路线中的先后顺序；若调换顺序后当前行驶路线中总延误时间缩短，则基于各目标安置点的紧急度比较继续向前进行顺序调换，直至当前行驶路线中总延误时间无缩短为止；
S35，随机选择一条行驶路线，检测其中各目标安置点被延误情况，若存在延误，执行步骤S36；若不存在延误，执行步骤S38；
S36，检查位于当前被延误目标安置点之前一个目标安置点的紧急度，若之前一个目标安置点较当前被延误目标安置点紧急度低，则调整两个目标安置点的先后运输顺序；相反，若之前一个目标安置点较当前被延误目标安置点紧急度高，则不调整；
S37,若调整后当前行驶路线总延误时间和总运输时间均更短，则继续向之前一个目标安置点执行步骤S36,直至调整后当前行驶路线总延误时间和总运输时间均无缩短为止；
S38,随机选择当前行驶路线内两个目标安置点进行换位调整后操作并计算调整后行驶路线总延误时间和总运输时间，若调整后当前行驶路线总延误时间和总运输时间均更短则保留调整后的行驶路线；若调整后当前行驶路线总延误时间和总运输时间均无缩短，则结束本次变异。
进一步，步骤S34中将被延误的目标安置点交由m辆目标车辆中运输时间最短的目标车辆进行配送，进一步包括：
在满足运输时间最短的目标车辆容量限制的条件下，首先将将被延误的目标安置点置于运输时间最短的目标车辆行驶路线的队列末尾，并计算适应度，若调整后当前行驶路线总延误时间和总运输时间均无缩短，则将将被延误的目标安置点在当前行驶路线的队列前移一位，直至调整后当前行驶路线总延误时间和总运输时间均更短或将被延误的目标安置点移动到当前行驶路线的队列首位停止。
根据本发明第二个方面，提供一种考虑紧急度的应急救灾智能路径规划装置，包括：
设置模块，用于设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；
计算模块，用于在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；
计算模块，将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；
输出模块，用于若适应度达到最高不再增加，则求得最优解并输出，终止计算。
进一步，设置模块进一步用于：
为各个目标安置点分配一个不同的序号，随机生成一个包含所有目标安置点序号的序列；
将各个目标安置点逐个分配给任一目标车辆，直至所述任一目标车辆达到容量限制；剩下的目标安置点继续分配给下一目标车辆，直至所有目标安置点都分配完成。
进一步，所述适应度函数F(P)为：
其中v为车速；k为每辆车配送的安置点数量；dist()为求解两个安置点间距离的函数；atj为救灾车辆到达j点的时刻；dtj为安置点j的截止时间；α为决策偏好参数，取值在0到1之间。
根据本发明第三个方面，提供一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行上述任一项所述的考虑紧急度的应急救灾智能路径规划方法。
根据本发明第四个方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述任一项所述的考虑紧急度的应急救灾智能路径规划方法。
本发明实施例提供考虑紧急度的应急救灾智能路径规划方法及装置，所述方法包括：设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；若适应度达到最高不再增加，则求得最优解并输出，终止计算。本发明使用局部搜索变异算子TRUD-GA求解考虑紧急度的应急救灾车辆路径问题，灾区安置点的物资配送总延误时间、延误安置点数量、车辆总运输时间相比于其他算法均取得了显著的下降。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明考虑紧急度的应急救灾智能路径规划方法的实施例流程示意图；
图2为本发明考虑紧急度的应急救灾智能路径规划方法中路线重规划决策示意图；
图3为本发明考虑紧急度的应急救灾智能路径规划方法中RGA与TRUD-GA收敛对比曲线示意图；
图4为本发明考虑紧急度的应急救灾智能路径规划方法中RGA与TRUD-GA收敛另一对比曲线示意图；
图5为本发明考虑紧急度的应急救灾智能路径规划方法中RGA与TRUD-GA收敛又一对比曲线示意图；
图6为本发明考虑紧急度的应急救灾智能路径规划方法中RGA与TRUD-GA收敛再一对比曲线示意图；
图7为本发明考虑紧急度的应急救灾智能路径规划装置的实施例结构示意图；
图8为本发明电子设备的实施例实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在车辆路径规划研究领域，现有对车辆路径问题(Vehicle Routing Problem,VRP)的相关研究，在地震，洪涝等自然灾害发生后，需要对灾区安置点进行及时的物资配送，需要同时优化多个安置点的物资配送延误时间和总运输时间。而现有研究缺点在于，优化目标单一，或为延误时间最小，或为救灾车辆行驶总路程最小，并未同时优化这两个目标。而本技术基于现有的VRP模型，加入紧急度概念，对整个配送过程进行总延误时间和总运输时间的双目标优化，并使用改进遗传算法(Genetic Algorithm,GA)进行求解。
为提高救灾的及时性，降低运输风险，本实施例从救灾实际出发，提出总运输时间和总延误时间双目标的优化模型，求出使得救灾工作时效性最强的最优运输路径。针对各安置点紧急程度不同的现实特性，设计了一种遗传算法对问题进行求解，其中包括一种局部搜索算法，即基于紧急度的任务再分配(Task Reassignment with Urgency Degree，TRUD)算子，同时在生成初始解阶段采用多种优化策略生成，以提高初始种群的质量。经过仿真实验的验证，本模型及求解算法在保证延误时间最小化的同时缩短了总运输路径长度，与一些经典算法对比优势明显。
遗传算法是一种有代表性的元启发式算法，具有良好的鲁棒性和扩展性，广泛应用于复杂组合优化问题的求解。遗传算法在车辆路线问题VRP解空间中选取若干个解组成一个集合，这些解称为个体，即染色体，该集合称为种群。根据达尔文进化论的思想，在种群内部进行选择优秀个体，进行染色体交叉、变异等操作，经过n次迭代优化，求得最优解。本实施例在传统遗传算法的基础上改进了其初始解生成策略，提高了前期收敛速度，更快的找到优秀个体，同时根据问题特性，提出了两种变异算子，增强其局部搜索能力，在出现延误点时还具有定向搜索能力，避免陷入局部最优解和早熟。
为解决上述至少一个技术问题，本发明提供一种考虑紧急度的应急救灾智能路径规划方法、装置及系统，基于由至少一块触摸屏和至少一块非触摸屏共同组成的显示装置，实现对包括待售产品元素图像的场景图像的完整展示，以及对产品元素图像和场景图像的控制。
如图1，示出本发明具体实施例考虑紧急度的应急救灾智能路径规划方法整体流程示意图。整体上，包括：
S1，设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；
S2，在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；
S3，将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进。
S4，若适应度达到最高不再增加，则求得最优解并输出，终止计算。
在本发明上述任一具体实施例的基础上，提供一种考虑紧急度的应急救灾智能路径规划方法，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)，包括：
为各个目标安置点分配一个不同的序号，随机生成一个包含所有目标安置点序号的序列；
将各个目标安置点逐个分配给任一目标车辆，直至所述任一目标车辆达到容量限制；剩下的目标安置点继续分配给下一目标车辆，直至所有目标安置点都分配完成。
其中，每个目标安置点只能由一目标辆车进行配送，且只经过一次，因此救灾车队的m辆目标车辆会形成m条不重复的行驶路线。在染色体编码阶段，每个染色体既不可以存在重复安置点，也不能遗漏一个目标安置点。编码思路为：
为每个安置点分配一个序号，随机生成一个包含所有目标安置点序号的序列。
将目标安置点逐个分配给某目标辆车，直至该目标车辆达到容量限制。剩下的目标安置点继续分配给下一目标辆车，直至所有目标安置点都分配完成。
在本发明上述任一具体实施例的基础上，提供一种考虑紧急度的应急救灾智能路径规划方法，所述适应度函数F(P)为：
其中v为车速；k为每辆车配送的安置点数量；dist()为求解两个安置点间距离的函数；atj为救灾车辆到达j点的时刻；dtj为安置点j的截止时间；α为决策偏好参数，取值在0到1之间。
其中，计算每条染色体的适应度，适应度越高越优秀，在遗传算法的迭代过程中，子代适应度逐渐提高，直至适应度达到最高不再增加，即求得最优解。
本实施例中的一条染色体包含m条回路(行驶路线)，适应度函数的目标是最小化各回路延误时间和平均等待时间的总和最小。α表示决策偏好参数，取值在0到1之间，取值越大，物资延误时间所占的权重越大，则越不能容忍延误情况的发生。若α取较小值，则意味着在减少安置点平均等待时间的前提下，可以容忍少量延误。由于本发明实施例的目标是时间的最小化，所以适应度函数是极小化的，其函数值越小表示适应度越高。
在本发明上述任一具体实施例的基础上，提供一种考虑紧急度的应急救灾智能路径规划方法，局部搜索变异算子步骤如下：
S31，随机选择群体P(t)中任一行驶路线，找到其中被延误时间最长的目标安置点；
S32，在P(t)其他行驶路线中寻找被延误的目标安置点，若存在，执行步骤S33；若不存在，执行步骤S34；
S33，将两个被延误目标安置点进行目标车辆互换并形成新的两条行驶路线，计算新的两条行驶路线，若前述两个目标安置点仍然存在被延误，则执行步骤S34；若不存在延误，算法结束；
S34，将被延误的目标安置点交由m辆目标车辆中运输时间最短的目标车辆进行配送；
检查各行驶路线中各目标安置点的紧急度，若一条行驶路线内存在紧急度高的目标安置点的运输顺序位于紧急度低的目标安置点之后，调换两个目标安置点位于行驶路线中的先后顺序；若调换顺序后当前行驶路线中总延误时间缩短，则基于各目标安置点的紧急度比较继续向前进行顺序调换，直至当前行驶路线中总延误时间无缩短为止；
S35，随机选择一条行驶路线，检测其中各目标安置点被延误情况，若存在延误，执行步骤S36；若不存在延误，执行步骤S38；
S36，检查位于当前被延误目标安置点之前一个目标安置点的紧急度，若之前一个目标安置点较当前被延误目标安置点紧急度低，则调整两个目标安置点的先后运输顺序；相反，若之前一个目标安置点较当前被延误目标安置点紧急度高，则不调整；
S37,若调整后当前行驶路线总延误时间和总运输时间均更短，则继续向之前一个目标安置点执行步骤S36,直至调整后当前行驶路线总延误时间和总运输时间均无缩短为止；
S38,随机选择当前行驶路线内两个目标安置点进行换位调整后操作并计算调整后行驶路线总延误时间和总运输时间，若调整后当前行驶路线总延误时间和总运输时间均更短则保留调整后的行驶路线；若调整后当前行驶路线总延误时间和总运输时间均无缩短，则结束本次变异。
对于传统VRP问题，由于适应度评价对象是一整条基因序列，而对单个基因位不能做出评价。因此传统的变异算子通过无方向性地随机改变基因位，以求得更好的解。但该方法在大规模的解空间中搜索能力较弱，对总体改进较小且效率低。
而本实施例模型中的基因位具有紧急度和延误时间的属性，可根据单个基因位的延误时间进行定向的优化，使之向延误时间减小的方向快速改进。基于此，本实施例提出基于紧急度的任务再分配策略(Task Reassignment with Urgency Degree，TRUD)，其对延误安置点重新安排配送车辆或顺序，减少延误时间，并对无延误的车辆进行运输距离上的优化。并且，以TRUD作为遗传算法的变异算子，以提高局部搜索能力。
如图2，示出一种考虑紧急度的应急救灾智能路径规划方法中路线重规划决策示意图，图2为3个目标安置点的路径安排示意图，当出现2号目标安置点和3号目标安置点之间距离过远，无法满足两个都及时送到的情况，应该放弃此解，重新规划它们的配送路线。把某个目标安置点分配给其他更合适的目标车辆进行配送，既可以减少各目标安置点的平均等待时间，也能使得各目标车辆任务量的分配更加均衡。
局部搜索算子TRUD步骤如下：
(1)随机选择一个回路(行驶路线)，找到其中被延误时间最长的目标安置点；
(2)在其他回路(行驶路线)中寻找被延误的目标安置点，若存在，转(3)，否则转(4)；
(3)将两个目标安置点交由对方的目标车辆负责配送，若无改进，转(4)；
(4)将延误的目标安置点交由车队中运输时间最短的目标车辆进行配送(满足容量限制的条件下)。首先将其放在队列末尾，计算适应度函数，若无改进，前移一位，直至取得更优解或移动到首位停止。此策略相比遍历可在保证搜索效果的同时减少计算量。检查染色体中各基因位(即各目标安置点)的紧急度，若一个回路内存在紧急度高的点位于紧急度低的点后面，调换其位置。若换位后总延误时间下降，则继续向前进行换位，直到无改进为止。紧急度值越小表示越紧急，下表1中2号安置点紧急度高于1号安置点，应对其进行换位。
表1 紧急度示意表
(5)随机选择一个回路(行驶路线)检测其延误情况，若有延误，转(6)，否则转(7)；
(6)检查位于当前延误点之前一个目标安置点的紧急度，若较当前延误点紧急，则无需调整。相反，若比延误点小则二者换位。若换位后总延误时间和总运输时间均更优，则继续向前换位，直至无改进为止；
(7)随机选择本回路内两个目标安置点，进行换位操作，若有改进则保留，无改进结束本次变异。
在本发明上述任一具体实施例的基础上，提供一种考虑紧急度的应急救灾智能路径规划方法，所述步骤S34中将被延误的目标安置点交由m辆目标车辆中运输时间最短的目标车辆进行配送，进一步包括：
在满足运输时间最短的目标车辆容量限制的条件下，首先将将被延误的目标安置点置于运输时间最短的目标车辆行驶路线的队列末尾，并计算适应度，若调整后当前行驶路线总延误时间和总运输时间均无缩短，则将将被延误的目标安置点在当前行驶路线的队列前移一位，直至调整后当前行驶路线总延误时间和总运输时间均更短或将被延误的目标安置点移动到当前行驶路线的队列首位停止。
在本发明上述任一具体实施例的基础上，提供一种考虑紧急度的应急救灾智能路径规划方法的具体实验实施例。
首先，算例描述与实验设置介绍如下。
本实施例实验数据来自VRP国际标准数据集，可从网站http://neo.lcc.uma.es/vrp/vrp-instances/下载。数据集包含不同需求点数量、需求点位置、车辆数量和容量的多个算例。由于标准算例中无截止时间参数，因此本实验使用随机函数给每个需求点设置了物资配送的截止时间，为了易于计算，简化为当前剩余的分钟数。设定车辆行驶速度为60km/h，并求出救灾车辆到达每个安置点的时间，统计总延误时间和总行驶时间。
本实施例中所有算法均采用java语言实现，实验环境为主频2.6GHz的Intel i74710mq，内存8G的硬件平台，种群规模popsize＝200，适应度参数α＝0.75，交叉概率Pc＝0.8，变异概率Pm＝0.5，跳出局部最优策略启动代数b＝40,设置最大迭代次数maxgen＝600代，每个算例均进行30次独立的计算。
其次，实验结果与对比如下。
(1)单个算例实验结果
表2所示为单个仿真算例的详细参数及运行结果，列出了每个安置点的编号、坐标、需求量、紧急度、和使用5种算法各自的求得的延误时间。其中X，Y为安置点横纵坐标，Q为安置点物资需求量，URG为紧急度。URG单位为分钟。URG的数值在60min-540min间随机生成。即截止时间在车队出发时间的未来1h-9h不等。对于提前到达或准时到达的安置点，其延误时间均记为0。
表2 A-n32-k5算例实验及仿真结果
表2中对比了5种算法的物资配送延误时间。其中FCFS表示按照安置点报告的顺序进行配送，URGS表示对救灾车辆分配到的任务严格按照各安置点的紧急度进行配送，忽略距离的远近。NN代表最近邻域算法，最小化配送总距离，忽略安置点的紧急度。TRUD-GA为本实施例算法，同时优化延误时间和总运输时间。GA为TRUD-GA去除改进初始解和变异算子后的算法，用以验证本实施例加入的创新算子的有效性。
表3 A-n32-k5延误情况统计
从表2和表3可以看出，在5种算法中，FCFS、NN算法延误时间中位数均超过1小时，最长延误时间甚至达到6小时以上，延误点数也较多。而URGS算法延误相较于前两者较少，但最长延误时间也达到58分钟，在实际应用中难以令人满意。对于GA，在去除改进初始解和变异等算子的情况下，仍将延误控制在较小的范围内，最长延误时间为13.1分钟。加入改进初始解和变异等算子的完整算法TRUD-GA，对于算例A-n32-k5所有安置点均做到了及时配送，无任何延误，由此可见TRUD-GA算法在总延误时间、最长延误时间、延误影响范围上均优于其他4种算法。
(2)多算例多算法对比实验结果
表4是本次实验选取的安置点数量32-101的8个不同规模的算例，其中n为安置点数量，m为最小车辆数，c为车辆容量。
表4 实验算例详细参数
为了验证算法的鲁棒性，每个算例进行2次不同截止时间参数设置，共16组仿真实验，同一算例因紧急度设置不同分别编号，例如A-n32-k5-u1；A-n32-k5-u2，结果如表5所示。URG的数值在90min-840min间随机生成。实验对比了FCFS、URGS、NN、GA和本实施例算法TRUD-GA，对每种算法记录其3个指标：TPT表示车队总的运输时间，DEL表示车队总延误时间，TPT和DEL单位为分钟。NUM表示配送延误的安置点数量。这里，3个指标的数值均越小越好，图中加粗的数据表示结果优于对比算法。
表5 各算法实验及仿真结果
由表5和表6可知，5种算法中，未作调度优化的FCFS策略对应总运输时间和总延误时间均为最大；URGS算法相较FCFS延误时间降低了84.2％，而运输时间基本无改进；NN算法对比FCFS总运输时间降低了30％，但因其未考虑各安置点的紧急度，导致延误时间并无改进。GA算法相对于URGS算法在延误时间上进一步降低了90％，同时总运输时间比URGS降低了27.7％。但相比NN算法总运输时间增加了5％。而TRUD-GA对于所有算例，延误时间均远小于FCFS、URGS、NN算法。除A-n80-k10外，所有算例中延误时间均为0，同时总运输时间与NN算法相比相差不大，且在有些算例优于NN算法。以A-n32-k5为例，TRUD-GA相较于URGS延误时间减小100％，总运输时间减小39％；TRUD-GA相较于NN延误时间减小100％，总运输时间减小4.1％。从表4可以看出，随着安置点数和车辆数的增加，各调度算法的延误时间和延误安置点数量有上升的趋势。这是由于VRP问题是NP-Hard问题，其解空间随着目标点数量和车辆数的增加而呈指数级的增加，时间复杂度和空间复杂度大幅提升，难以求得最优解。此时随着车辆数和安置点数量的增加，TRUD-GA算法与其他4种算法相比优势越来越明显。在车辆数最多的算例A-n80-k10中，相比与URGS总延误时间下降了98.5％，总运输时间降低了26％，延误点数减少82％。表5还统计了各算法的延误时间标准差，TRUD-GA算法仅为6.0，远小于FCFS、URGS、NN算法，可见其求解性能稳定，对不同算例求解时鲁棒性优于其他算法。
表6 实验结果统计
进一步，TRUD算子性能分析。
为了验证本实施例所提算子TRUD的局部搜索性能，以随机变异算子(随机选择两个安置点进行换位)替换TRUD-GA中的TRUD算子，记所得算法为RGA，对比它们在算例A-n32-k5、A-n39-k6、A-n45-k6、A-n69-k9上的运行结果。实验对比结果如图3至图6。
由于适应度函数是极小化的，所以适应度函数值越小越好。从图3至图6中可以看出，在600代迭代过程中，TRUD-GA一直保持着持续收敛的趋势，且不同规模的4个算例中取得的最优解均好于随机变异算子RGA。由此可见TRUD算子优秀的局部搜索性能和全局收敛能力，同时也表现出了良好的鲁棒性。
最后，决策偏好参数设置分析。
适应度函数中的决策偏好参数α，其取值决定了算法优化的方向，取值趋向0时偏好于总运输时间最小化，也即总距离最小化；取值趋向1时偏好总延误时间最小化。因此，本算法也可用于通过调节参数使其应用于优化总距离的单目标问题。为验证参数α的应用效果，现对所有算例进行不同α取值的对比实验。URG的数值在90min-840min间随机生成，α在0到1之间等间距取5个数值。
表7列出了各算例在参数α不同取值下的实验结果。可以看出，在随着α取值的增大，总延误时间逐渐减小，延误点数逐渐减少；总运输时间逐渐增加。对于大多数算例，例如A-n32-k5，在α＝0.75时已经取得最优解即延误时间为0，而在α＝1时，其延误时间仍为0，但总运输时间却比α＝0.75时有一定程度的增加，可见参数α并非设置的越大越好，由此验证了本实施例参数α取值0.75的合理性。而对于个别特殊的算例，其安置点间距很大，难以在规定截止时间准时配送，α＝0.75时物资配送仍有延误情况发生，例如算例A-n80-k10，此时设置α＝1可减少延误时间61分钟，延误安置点数量减少4个，改进效果显著，说明了决策偏好参数α对优化方向起到的作用。
表7 各算例不同α取值对比
通过以上对比实验可以得出结论，使用TRUD-GA算法求解考虑紧急度的应急救灾车辆路径问题，灾区安置点的物资配送总延误时间、延误安置点数量、车辆总运输时间相比于其他算法均取得了显著的下降，求解过程说明了TRUD-GA算法良好的收敛性以及寻优能力。通过对决策偏好参数α的不同设置分析，说明了TRUD-GA算法的良好的适用性。
如图7，示出本发明具体实施例考虑紧急度的应急救灾智能路径规划装置整体结构示意图。整体上，包括：
设置模块A1，用于设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；
第一计算模块A2，用于在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；
第二计算模块A3，将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；
输出模块A4，用于若适应度达到最高不再增加，则求得最优解并输出，终止计算。
图8为本发明实施例提供的电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序，以执行上述各实施例提供的考虑紧急度的应急救灾智能路径规划方法，例如包括：设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；若适应度达到最高不再增加，则求得最优解并输出，终止计算。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的考虑紧急度的应急救灾智能路径规划方法，例如包括：设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；若适应度达到最高不再增加，则求得最优解并输出，终止计算。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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：其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (10)
1.一种考虑紧急度的应急救灾智能路径规划方法，其特征在于，包括：
设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；
在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；
将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；
若适应度达到最高不再增加，则求得最优解并输出，终止计算。
2.根据权利要求1所述的方法，其特征在于，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)，包括：
为各个目标安置点分配一个不同的序号，随机生成一个包含所有目标安置点序号的序列；
将各个目标安置点逐个分配给任一目标车辆，直至所述任一目标车辆达到容量限制；剩下的目标安置点继续分配给下一目标车辆，直至所有目标安置点都分配完成。
3.根据权利要求1所述的方法，其特征在于，所述适应度函数F(P)为：
其中v为车速；k为每辆车配送的安置点数量；dist()为求解两个安置点间距离的函数；atj为救灾车辆到达j点的时刻；dtj为安置点j的截止时间；α为决策偏好参数，取值在0到1之间。
4.根据权利要求1所述的方法，其特征在于，局部搜索变异算子步骤如下：
S31，随机选择群体P(t)中任一行驶路线，找到其中被延误时间最长的目标安置点；
S32，在P(t)其他行驶路线中寻找被延误的目标安置点，若存在，执行步骤S33；若不存在，执行步骤S34；
S33，将两个被延误目标安置点进行目标车辆互换并形成新的两条行驶路线，计算新的两条行驶路线，若前述两个目标安置点仍然存在被延误，则执行步骤S34，若不存在延误，算法结束；
S34，将被延误的目标安置点交由m辆目标车辆中运输时间最短的目标车辆进行配送；
检查各行驶路线中各目标安置点的紧急度，若一条行驶路线内存在紧急度高的目标安置点的运输顺序位于紧急度低的目标安置点之后，调换两个目标安置点位于行驶路线中的先后顺序；若调换顺序后当前行驶路线中总延误时间缩短，则基于各目标安置点的紧急度比较继续向前进行顺序调换，直至当前行驶路线中总延误时间无缩短为止；
S35，随机选择一条行驶路线，检测其中各目标安置点被延误情况，若存在延误，执行步骤S36；若不存在延误，执行步骤S38；
S36，检查位于当前被延误目标安置点之前一个目标安置点的紧急度，若之前一个目标安置点较当前被延误目标安置点紧急度低，则调整两个目标安置点的先后运输顺序；相反，若之前一个目标安置点较当前被延误目标安置点紧急度高，则不调整；
S37,若调整后当前行驶路线总延误时间和总运输时间均更短，则继续向之前一个目标安置点执行步骤S36,直至调整后当前行驶路线总延误时间和总运输时间均无缩短为止；
S38,随机选择当前行驶路线内两个目标安置点进行换位调整后操作并计算调整后行驶路线总延误时间和总运输时间，若调整后当前行驶路线总延误时间和总运输时间均更短则保留调整后的行驶路线；若调整后当前行驶路线总延误时间和总运输时间均无缩短，则结束本次变异。
5.根据权利要求4所述的方法，其特征在于，步骤S34中将被延误的目标安置点交由m辆目标车辆中运输时间最短的目标车辆进行配送，进一步包括：
在满足运输时间最短的目标车辆容量限制的条件下，首先将将被延误的目标安置点置于运输时间最短的目标车辆行驶路线的队列末尾，并计算适应度，若调整后当前行驶路线总延误时间和总运输时间均无缩短，则将将被延误的目标安置点在当前行驶路线的队列前移一位，直至调整后当前行驶路线总延误时间和总运输时间均更短或将被延误的目标安置点移动到当前行驶路线的队列首位停止。
6.一种考虑紧急度的应急救灾智能路径规划装置，其特征在于，包括：
设置模块，用于设置在遗传算法的进化代数计数器t＝0，针对m辆目标车辆和n个目标安置点随机生成m条不重复的行驶路线，以m条行驶路线作为个体构成初始群体P(0)；
第一计算模块，用于在遗传算法的每一迭代过程中，基于适应度函数计算群体P(t)中各条行驶路线的适应度；适应度函数的目标是最小化各条行驶路线延误总时间，和最小化目标安置点平均等待时间的总和；
第二计算模块，将选择算子、交叉算子和变异算子作用于群体P(t)，获得下一代群体P(t+1)；其中，变异算子为局部搜索变异算子，局部搜索变异算子针对P(t)中单个存在延误时间的基因位上的值进行定向优化，使P(t)向各其中条行驶路线延误总时间减小的方向改进；
输出模块，用于若适应度达到最高不再增加，则求得最优解并输出，终止计算。
7.根据权利要求6所述的装置，其特征在于，设置模块进一步用于：
为各个目标安置点分配一个不同的序号，随机生成一个包含所有目标安置点序号的序列；
将各个目标安置点逐个分配给任一目标车辆，直至所述任一目标车辆达到容量限制；剩下的目标安置点继续分配给下一目标车辆，直至所有目标安置点都分配完成。
8.根据权利要求6所述的装置，其特征在于，所述适应度函数F(P)为：
其中v为车速；k为每辆车配送的安置点数量；dist()为求解两个安置点间距离的函数；atj为救灾车辆到达j点的时刻；dtj为安置点j的截止时间；α为决策偏好参数，取值在0到1之间。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行如权利要求1至5任一项所述的考虑紧急度的应急救灾智能路径规划方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至5中任一项所述的考虑紧急度的应急救灾智能路径规划方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201821841444 | 2018-11-09 | ||
| CN2018218414448 | 2018-11-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109934411A true CN109934411A (zh) | 2019-06-25 |
| CN109934411B CN109934411B (zh) | 2022-11-04 |
Family
ID=66987440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910204766.4A Active CN109934411B (zh) | 2018-11-09 | 2019-03-18 | 考虑紧急度的应急救灾智能路径规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934411B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112843A (zh) * | 2020-10-10 | 2021-07-13 | 苏州鱼得水电气科技有限公司 | 一种智慧城市快速应急人员车辆调度系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030084011A1 (en) * | 2001-04-26 | 2003-05-01 | Honeywell International Inc. | Methods for solving the traveling salesman problem |
| US20130204524A1 (en) * | 2012-02-08 | 2013-08-08 | Telogis, Inc. | System for classifying streets for vehicle navigation |
| CN103854072A (zh) * | 2014-03-17 | 2014-06-11 | 湖南工学院 | 用于路径选择的处理方法及系统 |
| CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
| CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
| US20170185087A1 (en) * | 2008-06-30 | 2017-06-29 | Autonomous Solutions, Inc. | Vehicle dispatching method and system |
| CN107464005A (zh) * | 2017-08-21 | 2017-12-12 | 中国人民解放军国防科技大学 | 一种用于车辆预约的拓展型路径规划方法 |
| CN107578119A (zh) * | 2017-08-09 | 2018-01-12 | 泉州装备制造研究所 | 一种智能调度系统的资源分配全局优化方法 |
| CN108304955A (zh) * | 2017-11-19 | 2018-07-20 | 东莞产权交易中心 | 一种急救系统的动态路线规划方法 |
-
2019
- 2019-03-18 CN CN201910204766.4A patent/CN109934411B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030084011A1 (en) * | 2001-04-26 | 2003-05-01 | Honeywell International Inc. | Methods for solving the traveling salesman problem |
| US20170185087A1 (en) * | 2008-06-30 | 2017-06-29 | Autonomous Solutions, Inc. | Vehicle dispatching method and system |
| US20130204524A1 (en) * | 2012-02-08 | 2013-08-08 | Telogis, Inc. | System for classifying streets for vehicle navigation |
| CN103854072A (zh) * | 2014-03-17 | 2014-06-11 | 湖南工学院 | 用于路径选择的处理方法及系统 |
| CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
| CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
| CN107578119A (zh) * | 2017-08-09 | 2018-01-12 | 泉州装备制造研究所 | 一种智能调度系统的资源分配全局优化方法 |
| CN107464005A (zh) * | 2017-08-21 | 2017-12-12 | 中国人民解放军国防科技大学 | 一种用于车辆预约的拓展型路径规划方法 |
| CN108304955A (zh) * | 2017-11-19 | 2018-07-20 | 东莞产权交易中心 | 一种急救系统的动态路线规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIE ZHANG: "SDVRP MODEL FOR EMERGENCY LOGISTICS AND EVOLUTIONARY HEURISTIC APPROACH", 《IEEE》 * |
| 王帅等: "遗传-蚁群算法在灾后应急物资路径规划问题中的应用研究", 《计算机应用与软件》 * |
| 郑明昌: "突发事件下物流配送路径优化研究", 《科技风》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112843A (zh) * | 2020-10-10 | 2021-07-13 | 苏州鱼得水电气科技有限公司 | 一种智慧城市快速应急人员车辆调度系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109934411B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
| CN111798067B (zh) | 基于自适应大邻域搜索算法的自动驾驶汽车配送路径规划方法 | |
| Tavakkoli-Moghaddam et al. | Solving a multi-objective job shop scheduling problem with sequence-dependent setup times by a Pareto archive PSO combined with genetic operators and VNS | |
| CN109451012B (zh) | 一种端云协同负载均衡调度方法、系统及存储介质 | |
| CN110570075B (zh) | 一种电力业务边缘计算任务分配方法及装置 | |
| CN109002902A (zh) | 分区域多阶段生鲜农产品动态车辆路径优化方法 | |
| Yao et al. | Improved ant colony optimization for seafood product delivery routing problem | |
| CN113848970B (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
| CN113780676B (zh) | 一种瓶装液化气车辆配送路径优化方法 | |
| CN109976901A (zh) | 一种资源调度方法、装置、服务器及可读存储介质 | |
| CN109934372A (zh) | 一种路径规划方法、装置及设备 | |
| CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
| WO2023020213A1 (zh) | 任务分配的方法、装置、设备、存储介质及程序产品 | |
| CN111783357A (zh) | 一种基于减少旅客延误的中转行程优化方法及系统 | |
| CN116542365A (zh) | 移动机器人履行系统中订单分配和agv调度联合优化方法 | |
| CN109934411B (zh) | 考虑紧急度的应急救灾智能路径规划方法及装置 | |
| Luo et al. | Cost-effective edge server network design in mobile edge computing environment | |
| CN113313451A (zh) | 一种基于改进布谷鸟算法的多目标优化物流调度方法 | |
| CN114444843A (zh) | 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统 | |
| Niazy et al. | A hybrid chicken swarm optimization with tabu search algorithm for solving capacitated vehicle routing problem | |
| CN115357351A (zh) | 算力网络调度方法、装置、系统、设备及介质 | |
| CN113159369B (zh) | 一种基于优化遗传算法的多林区调度航线规划方法 | |
| CN109858752A (zh) | 基于滚动时域控制的动态外卖配送的方法及装置 | |
| CN108596455A (zh) | 一种基于物料配送的汽车底盘下料车间调度方法 | |
| CN111080031A (zh) | 一种基于改进型蜻蜓算法的车辆路径优化方法和系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240410 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: No. 128, Linghu Road, Anqing, Anhui, Anhui Patentee before: ANQING NORMAL University Country or region before: China |