CN110516870B - 一种基于协同进化的多回收站点垃圾收运方法 - Google Patents

一种基于协同进化的多回收站点垃圾收运方法 Download PDF

Info

Publication number
CN110516870B
CN110516870B CN201910778661.XA CN201910778661A CN110516870B CN 110516870 B CN110516870 B CN 110516870B CN 201910778661 A CN201910778661 A CN 201910778661A CN 110516870 B CN110516870 B CN 110516870B
Authority
CN
China
Prior art keywords
points
collection
garbage collection
algorithm
point
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
Application number
CN201910778661.XA
Other languages
English (en)
Other versions
CN110516870A (zh
Inventor
张玉州
张子为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anqing Normal University
Original Assignee
Anqing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anqing Normal University filed Critical Anqing Normal University
Priority to CN201910778661.XA priority Critical patent/CN110516870B/zh
Publication of CN110516870A publication Critical patent/CN110516870A/zh
Application granted granted Critical
Publication of CN110516870B publication Critical patent/CN110516870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于协同进化的多回收站点垃圾收运方法，使用CC‑HGA改进聚类算法，将各垃圾收集点分配至合适的回收站点，从而将MSRCP转换成若干单回收点的垃圾收运问题；具体包括8个步骤实现对多回收站点垃圾收运。本发明的有益效果是：改进聚类算法结合CC框架对解空间进行分解，提供更好的分组，子群体的进化协作引导整个种群的进化，有效加快算法的效率，提高算法解决高维问题的能力；混合遗传算法改进了局部搜索算子，扩大了解的搜索范围，克服了算法解决问题时遇到的早收敛问题。

Description

一种基于协同进化的多回收站点垃圾收运方法
技术领域
本发明属于垃圾集运方法领域，尤其是涉及一种基于协同进化的多回收站点垃圾收运方法。
背景技术
生活垃圾的产生与城市经济发展水平、城市人口、居民收入、消费结构等息息相关。人们在创造经济产出的同时，也在产生垃圾，我国城市生活垃圾清运量年均复合增长率约为2.11％，在垃圾处理成本中，垃圾收运费用占有相当大的比例。交通基础设施建设不断完善、环卫机械化率的提高以及政府对垃圾收运工作的重视，众多因素推动着垃圾收集和转运行业已经成为富有广阔发展前景的新兴产业，在这一背景下开展垃圾收运路线的优化研究、降低垃圾收运成本具有重要的现实意义。
目前，垃圾收运问题(Refuse Collection Problem,RCP)的研究集中于基本的单回收站垃圾收运问题，而后者可映射为基本的车辆路径问题(Vehicle Routing Problem,VRP)。因此，学者以VRP的研究成果为基础，对单回收站垃圾收运问题展开了一系列的探索。吕新福等人对中转站的位置、数目不确定的情况，提出建立新模型，采用启发式算法求解。Kim等人对实际生活中垃圾收运问题，考虑路径紧凑性和工作负载平衡两个现实因素，提出基于容量聚类的垃圾收集算法求解。Benjamin等人考虑大规模的垃圾收运情况，先后提出变量邻域搜索的元启发式算法和能选择最佳的垃圾回收站以进入车辆路线的(DisposalFacility Positioning，DFP)算法求解。Akhtar等人研究有容量约束的垃圾收运问题，采用一种改进的回溯搜索算法(Backtracking Search Algorithm，BSA)求解。路玉龙等人对这类问题也实现了不同的求解算法，如遗传算法、变邻域搜索算法和蚁群算法。
上述研究建立在基本VRP的应用背景下，对单回收站的垃圾收运问题进行了建模，并提出相关问题的求解算法。近年来，由于城镇规模的不断扩大以及垃圾量的剧增，设置多个回收站进行垃圾收运是解决该问题的常规措施。显然，多回收站垃圾收运问题(Multi-sation Refuse Collection Problem,MSRCP)较传统的单回收站问题复杂，其难点在于回收区域的划分和回收点的归属问题。多回收站垃圾收运问题可映射为多中心车辆路径问题(Multi-depot Vehicle Routing Problem,MDVRP)，MDVRP为基本VRP的扩展。较VRP，MDVRP的研究非常有限，对回收区域合理划分方面研究相对稀缺，算法类型单一，张军等人采用扫描算法与最优划分过程产生待选解集，再利用启发式算法改进解。彭北青等人采用基于基地启发式分区算法对区域进行划分。于滨等人采用基于聚集度的启发式分类算法和蚁群算法求解。Luo等人采用K-Means算法执行聚类分析。
面对复杂问题，分而治之(Divide and Conquer,DC)是解决问题的有效途径之一,协同进化(Cooperative Co-evolutionary,CC)则是DC的典型代表策略，最早由Potter提出。CC结合演化思想，以明确的模块化概念为基础，以交互的形式进化，为解决复杂的结构提供合理的解决方案，其求解问题主要分为三步：问题分解、子问题求解、子问题合并。结合遗传算法提出的，引入CC与具体演化算法结合解决了一系列的复杂问题。由于MDVRP具有明显的问题划分特征，Oliveira等以CC为框架，以各驻车点为中心，首先进行任务聚类、划分，然后使用并行程序设计方案对其进行了求解。
显然，对于MSRCP而言，存在两个重要的基本问题：(1)垃圾收集点的归属、划分；(2)每个回收站点的车辆路径规划。如何解决上述存在问题，成为了关键。
发明内容
本发明的目的是提供一种基于协同进化的多回收站点垃圾收运方法，其在降低复杂垃圾收运问题时，具有良好的性能，尤其适合用在实际生活中复杂的垃圾收运问题。
本发明的技术方案是：一种基于协同进化的多回收站点垃圾收运方法，使用CC-HGA改进聚类算法，将各垃圾收集点分配至合适的回收站点，从而将MSRCP转换成若干单回收点的垃圾收运问题；具体包括以下步骤：
改进聚类算法结合CC框架对解空间进行分解，提供更好的分组，子群体的进化协作引导整个种群的进化，有效加快算法的效率，提高算法解决高维问题的能力；混合遗传算法改进了局部搜索算子，扩大了解的搜索范围，克服了算法解决问题时遇到的早收敛问题，求解算法流程如下：
Step 1使用改进三标准聚类算法将垃圾收集点集Vc中N个收集点划分到回收站集Vd中的M个垃圾回收站点，从而得到{V1,V2,...,VM}，其中Vi表示划分至第i个回收点的收集点集合；
Step 2i＝1；
Step 3按照染色编码规则对Vi对应问题进行编码，并随机产生初始化子种群subpopi，并对其中每个个体进行适应度函数计算；
Step 4根据适应度函数的优劣，采用轮盘赌选择算子选择保留及淘汰的个体；
Step 5使用交叉和局部搜索算子，依照一定的概率进行操作，生成新一代种群，适应度高的个体被保留遗传到下一代，直到满足迭代终止条件为止，得到Vi对应问题的最优解Si；
Step 6i＝i+1；
Step 7若i≤M，则转Step 3，继续新的子问题求解；
Step 8将子解合并：获得问题的最终解。
进一步，所述的改进三标准聚类算法具体步骤如下：有三个垃圾回收站点(A、B、C)和9个收集点(1～9)，收集点1～7都是通过规则R1已经分配结束，收集点8、9利用规则R2进行分配，每个回收点形成一个收集点子集，
Step 1分别计算未分配收集点8到三个子集中已分配点的最近距离与最远距离，得到子集A中L38为最近距离，L28为最远距离，子集B中L78为最近距离，L68为最远距离，子集C中L58为最近距离，L48为最远距离，其中Lij表示收集点i与j的距离。
Step 2计算收集点8到各子集中最远点与最近点的差值，A中差值为L28－L38，B中差值为L68－L78，C中差值为L48－L58，选择最小的两个差值进行差比，以B与C为例，假设L68－L78、L48－L58值较小且L68－L78＞L48－L58，则收集点8的差比为α8＝((L68－L78)－(L48－L58))/(L68－L78)。
Step 3若α8≥40％，则将收集点8选入分配备选收集点中。
Step 4重复步骤1～3，对收集点9进行计算，若α8、α9均大于或等于40％，则将差比最大的收集点首先分配，一次计算只分配一个收集点，剩下的未分配收集点继续重新开始计算；若α8、α9均小于40％，结束改进规则R2的分配，若α8≥40％、α9＜40％，则分配收集点8，收集点9利用规则R3进行分配。
进一步，所述的染色编码规则为假设子集中有M个收集点，那么依次对收集点进行编号，收集点编号从1到M，在不同的染色体上，收集点编号的排序是不同的，这个排序就是收集点被服务的先后顺序，每个收集点有自己的一个附带属性，即收集点的需求量，初始化种群包含NP条染色体的集合，本文初始化种群是对M个收集点编号进行随机排列生成。
进一步，所述的交叉算子采用顺序交叉算法，算法步骤为：第一步，从两个父代染色体中随机选取相同位置的基因片段，分别记为change1和change2；第二步，按一定规律改变两个父代染色体中change1和change2的位置，再删去父代染色体1中与change2相同的基因，父代染色体2中与change1相同的基因；第三步，按一定规律将change2放入删除后的父代染色体1中，将change1放入删除后的父代染色体2中。
进一步，所述的局部搜索算子以一定变异概率对初始化种群的每一条染色体依次进行Single Insertion(SI)单插入、Double Insertion(DI)双插入、Swap交换算子和2-Opt算法四种局部搜索。
本发明具有的优点和积极效果是：由于采用上述技术方案，
1)采取该方法，不仅可以对路径进行优化，还可以对前期的分类进行处理；
2)改进聚类算法结合CC框架对解空间进行分解，提供更好的分组，子群体的进化协作引导整个种群的进化，有效加快算法的效率，提高算法解决高维问题的能力；混合遗传算法改进了局部搜索算子，扩大了解的搜索范围，克服了算法解决问题时遇到的早收敛问题。
附图说明
图1是垃圾收运问题的示意图。
图2是改进规则R2应用说明图。
图3是交叉算子示意图。
图4是Single Insertion(SI)单插入的示意图。
图5是Double Insertion(DI)双插入的示意图。
图6是Swap交换算子的示意图。
图7是2-Opt交换算子的示意图
图8是大观区四个回收点实际分布图。
图9是大观区四个回收站与收集点分布图。
图10是安庆市大观区垃圾收集点分类图。
图11是四组实验最优解迭代图。
图12是四种算法最优路径规划图。
图13是本发明的流程图。
具体实施方式
1、问题描述
垃圾收运过程包含三个阶段：第一阶段居民产生垃圾，分类之后扔进垃圾桶，环卫工人再将垃圾桶的垃圾运至附近的垃圾收集点，这是垃圾收集的过程。第二阶段，较大容量的垃圾车沿着规定的路线将垃圾收集点的垃圾收集并转运至垃圾回收站，完成垃圾的转运过程。第三阶段，垃圾从垃圾回收站运送至垃圾处理厂或者焚烧厂，完成垃圾最后的处理过程。
本文主要针对第二阶段，对垃圾收集点到垃圾回收站的路径进行研究。多回收站垃圾收运问题可以描述为：假设某地区有M个垃圾回收站，每个回收站都有一个车队，对该区域内N个垃圾收集点进行垃圾收集。车队中每辆车的承载能力已知，车辆从回收站出发，收集垃圾收集点的垃圾并运送回同一个回收站。第i个垃圾收集点的垃圾量为Wi，且只被一辆车访问一次，只能运送至任意一个回收站。采用图来进行描述，则假设G＝(V，E)为该垃圾收运区域，其中节点集包括Vc和Vd两个集合，Vc＝{v1,v2,v3,…,vN}表示垃圾收集点集合，Vd＝{vN+1,vN+2,vN+3,…,vN+M}表示垃圾回收站集合，E为边集，(vi,vj)∈E(vi,vj∈V)为任意两个节点间的边。则车辆由Vd各点处出发，对Vc中所有点服务一次且仅一次，然后回到各自对应Vd中出发点，使得在满足相应约束的前提下，使得车辆运输费用最小化。
上述描述可知，对多回收站垃圾收运问题，不仅需要安排各转运中心车辆的配送路径，还要合理的将垃圾收集点划分到各个转运中心。在满足车容量限制的条件下，使总运输距离最短，收运成本最低，图1表示了某一多回收站垃圾收运问题的车辆路径行驶图。
2问题假设
(1)各回收站和各垃圾收集点之间的实际距离已知；
(2)每个回收站运输车队的车辆型号相同；
(3)每个回收站调度的车辆总数不得超过其拥有的最大车辆数；
(3)每辆车从各自的回收站出发时装载重量为0；
(4)每辆车的车载量都不超过车的容量限制；
(5)一辆车至少可以收集一个垃圾收集点的垃圾；
(6)一辆车最多被调度一次，从转运中心出发再回到转运中心；
(7)一个垃圾收集点仅被一辆车收集，且每个垃圾收点的垃圾量已知。
3模型
1)参数符号说明
多回收站垃圾收运问题数学模型参数定义为：
M表示垃圾回收站点的个数；
N表示垃圾收集点的个数；
每个回收站点具有K辆同样车型的可用车辆集；
Dij表示边(vi,vj)的长度；
Wi表示垃圾收集点的垃圾量；
Q表示每辆车的最大载重量；
表示车辆k从节点i行驶到节点j为1，否则为0，其中i≠j。
2)目标函数
约束条件
公式(1)为目标函数，表示使运输距离最小，也即费用最小；
公式(2)保证每个垃圾收集点有且只有一辆车对其进行服务；
公式(3)保证每辆车的载重量不超过车子的最大载重量；
公式(4)保证每辆车从一个垃圾转运站出发，最后回到相同的垃圾转运站；
公式(5)、(6)是对变量的整数化约束,当车辆k存在从i到j的路径时取1，其他情况取0。
4基于CC框架的算法设计
为方便描述多回收站垃圾收运问题的解决方案，这里以多个子集和多个收集点为例，做算法说明。
1)合作协同进化策略
合作协同进化算法为求解大规模、高维度等问题提供通用框架，CC框架应用于求解复杂的优化问题。CC框架主要分为三个部分：(1)分解：将复杂问题分解为若干个子问题，其中分类方法有很多种，根据不同的问题选择合适的分类方法(2)求解：对每个子问题使用某种特定的算法来求解(3)合并解：原问题的解是若干子问题解的总集合，需要对子问题解进行合并。
合作协同进化算法框架描述如下：
Step 1将Vc中的N个对象{v1,v2,…,vN}按一定的分解策略划分为M个子集：其中Ni代表第i个子集元素个数，/>且/>
Step 2根据Step 1所得M个子集，采用某种策略生成M个子群体subpop1,subpop2,…,subpopM；
Step 3对M个子群体subpop1,subpop2,…,subpopM进行进化操作(选择、交叉以及变异等)从而得到M个最优子解S1,S2,…,SM。所有子解合并，得到问题的完整解
Step 4进化后的M个子群体subpop1,subpop2,…,subpopM进行合作、交流，并更新。若终止条件尚未达到，则转Step 3继续执行，否则返回整体最优解S。
2)聚类及改进
多回收站垃圾收运问题进行寻优求解时，大多数文献主要研究其路径优化部分，但是前期垃圾收集点的划分也是十分重要的，分配是否合理很大程度上会影响问题的最优结果。
2.1基本三标准聚类
三标准聚类算法是通过三个规则将收集点分配到各中心点，形成收集点子集，该算法的三个规则是：到子集中收集点的平均距离，到子集中收集点的平均距离的方差以及到子集中最近收集点的距离。
R1：到子集中收集点的平均距离:对未分配收集点进行分配时，如果未分配收集点与其最近子集的平均距离和其次近子集的平均距离的差比大于33％，那么就将收集点选入分配备选收集点中，再根据分配备选收集点的差比大小，将最大的收集点首先分配，以此类推，直到不再出现差比大于33％的未分配收集点，这时再利用规则R2进行分配。
R2：到子集中收集点的平均距离的方差：对规则R1留下的未分配收集点进行分配时，计算未分配收集点到各个子集平均距离的方差，把两个最小方差进行差比，如果差比大于40％，那么就将收集点选入分配备选收集点中，再根据分配备选收集点的差比大小，将最大的收集点首先分配，以此类推，直到不再出现差比大于40％的未分配收集点，这时再利用规则R3进行分配。
R3：到子集中最近收集点的距离：规则R1、R2都不能分配的收集点通过规则R3进行分配，首先计算出未分配收集点到已分配收集点的距离，最近点的收集点被分配在哪个子集，该未分配收集点就分配到这个子集。
2.2改进聚类算法
本文的聚类算法是在上述三标准聚类算法的基础上改进的，考虑了计算平均距离的方差在三个方面的缺陷:第一，方差体现了样本与均值的偏离程度，但是计算结果的物理意义相当于各样本的平方，样本没有可加和性，也不易比较相对偏离情况；第二：计算平均距离的方差，体现了未分配收集点到已分配子集的离散程度，不能准确的选择最合适的那一个子集；第三：方差在计算方面比较复杂，算法效率会降低。为改进三标准聚类算法的不足，本文将到子集中极端点的最小差值距离代替子集中收集点的平均距离的方差，来改进规则R2。
到子集中极端点的最小差值距离：对未分配收集点进行分配时，计算未分配收集点到各个子集中最远点与最近点的差值，把两个最小差值进行差比，如果差比大于40％，那么就将收集点选入分配备选收集点中，再根据分配备选收集点的差比大小，将最大的收集点首先分配，以此类推，直到不再出现差比大于40％的未分配收集点。
如图2所示，有三个子集(A、B、C)和9个收集点(1～9)。图中收集点1～7都是通过上述规则R1已经分配结束，收集点8、9利用规则R2进行分配，改进规则R2具体算法步骤如下：
Step 1分别计算未分配收集点8到三个子集中已分配点的最近距离与最远距离，得到子集A中L38为最近距离，L28为最远距离，子集B中L78为最近距离，L68为最远距离，子集C中L58为最近距离，L48为最远距离。
Step 2计算收集点8到各子集中最远点与最近点的差值，A中差值为L28－L38，B中差值为L68－L78，C中差值为L48－L58，选择最小的两个差值进行差比，以B与C为例，假设L68－L78、L48－L58值较小且L68－L78＞L48－L58，则收集点8的差比为α8＝((L68－L78)－(L48－L58))/(L68－L78)。
Step 3若α8≥40％，则将收集点8选入分配备选收集点中。
Step 4重复步骤1～3，对收集点9进行计算，若α8、α9均大于或等于40％，则将差比最大的收集点首先分配，一次计算只分配一个收集点，剩下的未分配收集点继续重新开始计算；若α8、α9均小于40％，结束改进规则R2的分配，若α8≥40％、α9＜40％，则分配收集点8，收集点9利用规则R3进行分配。
3)混合遗传算法
遗传算法是一种基于种群遗传进化理论的启发式算法，由于其较强的适用性被广泛用于解决组合优化问题。在算法过程中，种群中的每条染色体是一个解，代表一条路径，在种群内部选择父代染色体进行交叉、变异等操作，运用适应度评价函数进行筛选，通过迭代不断更新种群，获取最优路径。
遗传算法的全局搜索能力强，但在交叉、变异操作中具有很强的随机性，即局部搜索能力差。本文对传统的遗传算法进行改进，添加了局部搜索算子，从而形成了一种混合遗传算法HGA。整个算法包括染色体编码机制、初始化种群、适应度函数设计、交叉算子和局部搜索算子设计。
3.1染色体编码机制与初始化种群
对MSRCP问题，算法的染色体编码规则为：假设子集中有M个收集点，那么依次对收集点进行编号，收集点编号从1到M。在不同的染色体上，收集点编号的排序是不同的，这个排序就是收集点被服务的先后顺序，每个收集点有自己的一个附带属性，即收集点的需求量，如表1，这条染色体中，收集点5第一个被服务，其需求量是2.1；收集点4第二个被服务，其需求量是1.5。
表1染色体示例表
初始化种群包含NP条染色体的集合，本文初始化种群是对M个收集点编号进行随机排列生成。如表2，每一行代表一条染色体，NP＝4、M＝8。
表2初始化种群示例表
3.2适应度函数
生成初始化种群后，对每条染色体进行适应度函数计算。行驶距离是衡量适应值的标准，个体对应的行驶距离越短，适应度越大，存活的可能性越高。
针对本文极小化优化模型，定义x的适应度函数：
F(x)＝Cmax-f(x) (9)
式中f(x)为个体x对应的目标函数值，F(x)是所得的相对适应度，Cmax为F(x)的最大估计。F(x)值越大表示个体越优秀，即行驶距离越小。
在计算适应度函数的同时，也对染色体进行解码，实现了将染色体转换为车辆路径方案。模型中对车辆的最大载重量存在约束，在满足约束条件下对路径进行划分。如表1，染色体编码为{5,4,2,3,1,6,7,8}，已知每个收集点的需求量，假设车子最大载重量为10，那么第一辆车能服务5、4、2、3、1五位收集点，第二辆车能服务6、7、8三位收集点。收集点的总需求量不大于车子最大载重量，满足容量约束条件，得出5,4,2,3,1→6,7,8这两条路径，完成解码过程。
3.3交叉算子
本文采用顺序交叉算法，算法步骤为：第一步，从两个父代染色体中随机选取相同位置的基因片段，分别记为change1和change2；第二步，按一定规律改变两个父代染色体中change1和change2的位置，再删去父代染色体1中与change2相同的基因，父代染色体2中与change1相同的基因；第三步，按一定规律将change2放入删除后的父代染色体1中，将change1放入删除后的父代染色体2中。如图3，交叉操作之后生成两条子染色体。交叉操作在不同路径之间交换不同的收集点，增大了基因空间，提高了种群的多样性。
3.4局部搜索算子设计
传统的遗传算法中初始化种群经过选择、交叉产生后代，进入变异操作，但是变异概率低，局部搜索能力差，有早熟收敛的风险。本文以一定变异概率对初始化种群的每一条染色体依次进行四种局部搜索。
(1)Single Insertion(SI)单插入：在一条染色体中，依次将单个基因提取出来，插入到染色体的其他位置，每插入一个位置要记录解并与原解作比较，如果当前解要优于原来的解，那么将替换原解。这里考虑解是闭合曲线，为避免重复，单个基因插入的位置避开首基因的前一个位置和尾基因的后一个位置，如图4所示。
(2)Double Insertion(DI)双插入：在一条染色体中，依次将两个连续的基因提取出来，插入到染色体的其他位置，每插入一个位置要记录解并与原解作比较，如果当前解要优于原来的解，那么将替换原解。同样这里考虑解是闭合曲线，为避免重复，基因插入的位置避开首基因的前一个位置和尾基因的后一个位置，如图5示。
(3)Swap交换算子：在一条染色体中，依次将每个基因与这条染色体上的其他基因互换位置，与上述(1)、(2)相同，记录解找到最优交换位置。如图6所示。
(4)2-Opt：一条染色体转译成一个车辆路径方案，经常会出现路径与路径之间的交叉，这样必定会增加行驶距离，所以利用2-Opt方法来消除这个现象，如图7所示。2-Opt方法简言之就是两元素优化，简单来说就是将一条染色体中的2个元素进行调换，与原染色体相比之后保留更好的解。
3.4CC-HGA步骤描述
改进聚类算法结合CC框架对解空间进行分解，提供更好的分组，子群体的进化协作引导整个种群的进化，有效加快算法的效率，提高算法解决高维问题的能力；混合遗传算法改进了局部搜索算子，扩大了解的搜索范围，克服了算法解决问题时遇到的早收敛问题。
对多回收站垃圾收运问题，如图13所示，本文求解算法流程如下：
Step 1使用3.2提出的改进三标准聚类算法将垃圾收集点集Vc中N个收集点划分到回收站集Vd中的M个垃圾回收站点，从而得到{V1,V2,...,VM}；
Step 2i＝1；
Step 3按照3.3.1染色编码规则对Vi对应问题进行编码，并随机产生初始化子种群subpopi，并对其中每个个体进行适应度函数计算；
Step 4根据适应度函数的优劣，采用轮盘赌选择算子选择保留及淘汰的个体；
Step 5使用3.3.3以及3.3.4所设计的交叉和局部搜索算子，依照一定的概率进行操作，生成新一代种群，适应度高的个体被保留遗传到下一代，直到满足迭代终止条件为止，得到Vi对应问题的最优解Si；
Step 6i＝i+1；
Step 7若i≤M，则转Step 3，继续新的子问题求解；
Step 8将子解合并：获得问题的最终解。
4实例分析
本文对实例使用最近邻聚类的混合遗传算法(HGA1)、三标准聚类的混合遗传算法(HGA2)、基本三标准聚类的协同进化HGA算法(TCC-CCHGA)和改进聚类的协同进化HGA算法(ITCC-CCHGA)进行计算，对实验结果进行对比与分析，验证本文模型与算法的有效性。
4.1实验设置
现以安徽省安庆市大观区主城区垃圾收运路线优化为例进行分析。大观区位于安庆市区西部，南濒长江，东沿龙山路、菱湖南路、湖心中路与迎江区毗邻。截止2011年底，全区土地面积235.5平方公里，人口27.68万人，区辖7个街道和3个乡镇。
首先，根据安庆京环环境服务有限公司提供的基本数据，本文确定了大观区主城区的四个垃圾回收站：宜园路生活垃圾回收站、程良路垃圾回收站、石化三村生活垃圾回收站和石化大湖生活垃圾回收站。如图8，红色坐标点标记了四个回收站在地图中的位置。从地图上可以看出四个回收站管辖的街道不仅数量多分布也十分紧凑，为方便研究，本文考虑了收集点之间的距离、收集点垃圾量等多方面因素，最终确定了119个垃圾收集点。再根据高德地图中实际道路情况，选择出各收集点之间、各回收站之间、各收集点与回收站之间的驾驶模式下的最短路径，建立了123×123的距离矩阵表，这里区别于其他MDVRP问题中的直线距离，而是实际距离，即现实生活中车辆考虑红绿灯、单双行道等情况下可行的最短距离。参考真实的垃圾回收站和垃圾收集点的空间分布，仿真生成了一组二维平面坐标数据集，如图9所示。
随后，按如下设置生成配送需求数据：
1)本文研究大观区主城区每日垃圾收运路线的优化，避开高峰期每日垃圾收集一次。
2)垃圾收运车辆车型统一设置为5吨厢式车。
3)实际情况下，每个垃圾收集点的垃圾量不能准确统计出来，调研文献发现城市生活垃圾收集点垃圾产生量服从正态分布。根据安庆京环环境服务有限公司提供的基本数据，大观区目前每日垃圾收运量达到147.32t，已知每日垃圾总量和垃圾收集点个数的前提下，利用MATLAB工具生成了119个垃圾收集点的每日垃圾量，垃圾收集点编号为1～119，垃圾收集点每日垃圾量信息如表3所示。
4)车辆行驶距离计算依据123×123的实际距离矩阵表。最后，本文所采用的混合遗传算法设置如下：种群大小为100，迭代次数均为50，变异概率为0.1，交叉概率为0.9。
表3安庆市大观区每日垃圾收集点垃圾量信息
4.2仿真算列分析
首先，利用本文算法ITCC-CCHGA中改进聚类算法对算例进行垃圾回收区域划分，如图10所示，相同颜色为同一区域，四个垃圾回收站分别被分配36、29、14和40个垃圾收集点。
随后，我们对四种算法的结果进行统计，如表4所示。分析可知：①ITCC-CCHGA对比其他三种算法，最优解优化效果较为明显，改善幅度分别为23％、26％和9％。平均解最优，表明算法具有良好的稳定性，所建立的模型也具有可行性与普遍性。②TCC-CCHGA、ITCC-CCHGA相较于HGA1与HGA2，平均解与最优解都有较高提升，说明使用的合作协同进化框架效果更好。③HGA1与HGA2使用不同的聚类方法，HGA2中的三标准集聚类算法并没有在分类环节对整个优化过程起到有效作用，相较于使用最近邻聚类算法的HGA1，平均解相差4％；④通过改进聚类，ITCC-CCHGA的平均解和最优解均比TCC-CCHGA提高9％。以上分析结果可以看出本文算法ITCC-CCHGA取得最优的实验结果，改进的聚类算法更是提高了解的质量，因为多回收站垃圾收运问题相较于单回收站垃圾收运问题更复杂，前期垃圾收集点分配是否合理直接影响算法的最终结果。
表4计算结果统计表
对四种算法最优解进一步分析：HGA1、HGA2、TCC-CCHGA与ITCC-CCHGA算法均以混合遗传算法作为内部优化算法，四种算法在迭代过程中，如图11所示，HGA1与HGA2的解在迭代过程中收敛速度慢，结果均不占优；TCC-CCHGA与ITCC-CCHGA的解在迭代过程中呈平稳下降趋势，收敛速度快，说明合作协同进化算法在解决MDVRP问题中占据重要作用。
最后，我们画出四种算法的最优路径规划图，如图12所示，不同聚类方法对垃圾收集点的划分不同，ITCC-CCHGA算法的最优路径图更清晰，不同转运站之间没有重叠的路径，相同转运站中每辆车形成的闭合环路交叉情况最少，说明结果质量最优。
5实例总结
本文针对多回收站垃圾收运问题，结合安庆市大观区垃圾回收实例，引入合作协同算法，并结合改进聚类算法和混合遗传算法求解。对这类问题，大部分学者的研究方向都是对路径的优化，本文跟两种经典的聚类算法对比，在初始阶段就取得较好的分类结果，发现在此类问题求解方向不仅可以对路径进行优化，还可以对前期的分类进行处理。此外，本文实例数据一部分是由安庆京环环境服务有限公司提供的基础数据，另一部分是根据基础数据，在高德地图接口获取对应地点坐标，计算坐标实际距离得到，实例具有真实性。实验结果表明，算法取得的解质量较好，证明了算法的有效性。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (3)

1.一种基于协同进化的多回收站点垃圾收运方法，其特征在于：使用CC-HGA(协同进化-混合遗传算法)改进聚类算法，将各垃圾收集点分配至合适的回收站点，从而将MSRCP转换成若干单回收点的垃圾收运问题；具体包括以下步骤：
Step 1使用改进三标准聚类算法将垃圾收集点集Vc中N个收集点划分到回收站集Vd中的M个垃圾回收站点，从而得到{V1,V2,...,VM}；
Step 2 i＝1；
Step 3按照染色编码规则对Vi对应问题进行编码，并随机产生初始化子种群subpopi，并对其中每个个体进行适应度函数计算；
Step 4根据适应度函数的优劣，采用轮盘赌选择算子选择保留及淘汰的个体；
Step 5使用交叉和局部搜索算子，依照一定的概率进行操作，生成新一代种群，适应度高的个体被保留遗传到下一代，直到满足迭代终止条件为止，得到Vi对应问题的最优解Si；
Step 6 i＝i+1；
Step 7若i≤M，则转Step 3，继续新的子问题求解；
Step 8将子解合并：获得问题的最终解；
所述的改进三标准聚类算法具体步骤如下：
规则R1为到子集中收集点的平均距离，具体如下，对未分配收集点进行分配时，如果未分配收集点与其最近子集的平均距离和其次近子集的平均距离的差比大于33％，那么就将收集点选入分配备选收集点中，再根据分配备选收集点的差比大小，将最大的收集点首先分配，以此类推，直到不再出现差比大于33％的未分配收集点，这时再利用规则R2进行分配，
所述规则R2为到子集中极端点的最小差值距离，具体如下，对规则R1留下的未分配收集点进行分配时，计算未分配收集点到各个子集最远点与最近点的差值，把两个最小差值进行差比，如果差比大于40％，那么就将收集点选入分配备选收集点中，再根据分配备选收集点的差比大小，将最大的收集点首先分配，以此类推，直到不再出现差比大于40％的未分配收集点，这时再利用规则R3进行分配，
所述的规则R3为到子集中最近收集点的距离，具体如下，规则R1、R2都不能分配的收集点通过规则R3进行分配，首先计算出未分配收集点到已分配收集点的距离，最近点的收集点被分配在哪个子集，该未分配收集点就分配到这个子集。
2.根据权利要求1所述的一种基于协同进化的多回收站点垃圾收运方法，其特征在于：所述的染色编码规则为子集中有C个收集点，那么依次对收集点进行编号，收集点编号从1到C，在不同的染色体上，收集点编号的排序是不同的，这个排序就是收集点被服务的先后顺序，每个收集点有自己的一个附带属性，即收集点的需求量，初始化种群包含NP条染色体的集合，本文初始化种群是对C个收集点编号进行随机排列生成。
3.根据权利要求1所述的一种基于协同进化的多回收站点垃圾收运方法，其特征在于：所述的局部搜索算子以一定变异概率对初始化种群的每一条染色体依次进行SingleInsertion(SI)单插入、Double Insertion(DI)双插入、Swap交换算子和2-Opt算法四种局部搜索。
CN201910778661.XA 2019-08-22 2019-08-22 一种基于协同进化的多回收站点垃圾收运方法 Active CN110516870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910778661.XA CN110516870B (zh) 2019-08-22 2019-08-22 一种基于协同进化的多回收站点垃圾收运方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910778661.XA CN110516870B (zh) 2019-08-22 2019-08-22 一种基于协同进化的多回收站点垃圾收运方法

Publications (2)

Publication Number Publication Date
CN110516870A CN110516870A (zh) 2019-11-29
CN110516870B true CN110516870B (zh) 2023-09-22

Family

ID=68626318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910778661.XA Active CN110516870B (zh) 2019-08-22 2019-08-22 一种基于协同进化的多回收站点垃圾收运方法

Country Status (1)

Country Link
CN (1) CN110516870B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985693A (zh) * 2020-07-23 2020-11-24 长沙汇洋环保技术股份有限公司 线路选择方法、装置及计算机可读存储介质
CN112067011B (zh) * 2020-08-24 2024-04-26 安庆师范大学 一种基于大规模多中心问题的路径规划方法
CN112149910A (zh) * 2020-09-28 2020-12-29 上海汽车集团股份有限公司 一种路径规划方法及装置
CN113191672B (zh) * 2021-05-20 2022-01-04 哈尔滨工业大学 基于空间数据和vrptw的村镇垃圾分类转运规划方法及系统
CN113650993A (zh) * 2021-08-17 2021-11-16 北京航空航天大学 一种基于优化路径的智能垃圾处理方法
CN113990062B (zh) * 2021-10-22 2022-08-26 平安国际智慧城市科技股份有限公司 垃圾运输车辆调度方法、装置、可读存储介质及服务器
CN115689081B (zh) * 2022-11-07 2023-05-30 暨南大学 基于适应性协同机制的厨余垃圾收运路径动态优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573326A (zh) * 2018-04-17 2018-09-25 武汉理工大学 基于遗传蚁群混合算法的视频服务器选址方法
CN110033121A (zh) * 2019-03-08 2019-07-19 河南科技学院 一种求解带过道仓储作业优化问题的多物种协同进化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301473B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于改进遗传算法的同类平行机批调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573326A (zh) * 2018-04-17 2018-09-25 武汉理工大学 基于遗传蚁群混合算法的视频服务器选址方法
CN110033121A (zh) * 2019-03-08 2019-07-19 河南科技学院 一种求解带过道仓储作业优化问题的多物种协同进化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ming yang、等.Efficient Resource Allocation in Cooperative Co-Evolution for Large-Scale Global Optimization .《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》.2016,第第21卷卷(第第21卷期),全文. *
xiaoliang ma、等.A Survey on Cooperative Co-Evolutionary Algorithms.《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》.2018,第第23卷卷(第第23卷期),全文. *
董红斌 ; 张广江 ; 逄锦伟 ; 韩启龙 ; .一种基于协同进化方法的聚类集成算法.山东大学学报(工学版).2015,(02),全文. *

Also Published As

Publication number Publication date
CN110516870A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110516870B (zh) 一种基于协同进化的多回收站点垃圾收运方法
Liu et al. Coordinated charging scheduling of electric vehicles: A mixed-variable differential evolution approach
Ip et al. Optimization for allocating BEV recharging stations in urban areas by using hierarchical clustering
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
Yi et al. Optimization models for placement of an energy-aware electric vehicle charging infrastructure
Kucukvar et al. Environmental efficiency of electric vehicles in Europe under various electricity production mix scenarios
Zhang et al. Memetic algorithm with route decomposing for periodic capacitated arc routing problem
CN112990654B (zh) 基于人口流动数据的城乡基础设施系统协同规划方法
CN110189025B (zh) 考虑不同负荷增长的电动汽车充电站规划方案获取方法
CN111536987B (zh) 一种用于大面积垃圾清扫的车辆路径规划方法
CN114386792A (zh) 一种基于遗传算法的城市生活垃圾收运车辆调度方法
CN112347596B (zh) 一种城市公交线网优化方法
CN111626492B (zh) 一种电动汽车充电网络模糊多目标机会约束规划方法
CN114330106A (zh) 城市公共交通规划方法
CN106373384A (zh) 边远地区客运班车线路实时生成方法
CN110543976A (zh) 一种基于遗传算法的充电站布局优化方法
CN104933473A (zh) 基于变邻域搜索蚁群算法的城市智能交通调度方法
CN109754638B (zh) 一种基于分布式技术的停车位分配方法
CN110084522A (zh) 基于随机粒子群算法的ev充电站位置生成方法及装置
Bao et al. Spatiotemporal clustering analysis of shared electric vehicles based on trajectory data for sustainable urban governance
CN117172080A (zh) 考虑用户出行差异与充电决策偏好的ev充电站规划方法
Agarwal et al. Scalable algorithms for bicriterion trip-based transit routing
Tsai et al. A modified multiple-searching method to genetic algorithms for solving traveling salesman problem
CN107194505A (zh) 一种基于城市大数据预测公共汽车出行量的方法和系统
Sun et al. Two-stage vehicle routing optimization for logistics distribution based on HSA-HGBS algorithm

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