CN111008788B - 一种基于改进离散头脑风暴优化算法的引航员指派方法 - Google Patents
一种基于改进离散头脑风暴优化算法的引航员指派方法 Download PDFInfo
- Publication number
- CN111008788B CN111008788B CN201911299266.XA CN201911299266A CN111008788B CN 111008788 B CN111008788 B CN 111008788B CN 201911299266 A CN201911299266 A CN 201911299266A CN 111008788 B CN111008788 B CN 111008788B
- Authority
- CN
- China
- Prior art keywords
- pilot
- individual
- individuals
- assignment
- grade
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000004556 brain Anatomy 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000017105 transposition 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进离散头脑风暴优化算法的引航员指派方法,包括,根据问题描述,确定问题约束条件,建立引航员指派模型;基于改进离散头脑风暴优化算法对引航员指派模型进行求解,找出最优引航员指派计划。本发明提出了离散头脑风暴优化算法,提出了头脑风暴优化算法在同一类中,个体向类中随机二个个体学习的方法,头脑风暴优化算法的离散化中个体融合和加入随机干扰的实现方法。采用改进离散头脑风暴优化算法,可以提高最优路径的搜索效率,避免算法陷入局部最优,提高算法的精度。
Description
技术领域
本发明属于船舶引航技术领域,具体涉及一种基于改进离散头脑风暴优化算法的引航员指派方法。
背景技术
随着我国经济的飞速发展,世界经济日益全球化和一体化,港口作为各国间货物运输的主要通道显得更加重要。我国是一个港口大国,港口事业的飞速发展为中国各大港口送来了机遇,同时也提出了挑战。为提高港口的竞争力,优化资源配置,提高引航信息化势在必行。
引航员资源是港口的核心资源之一,在引航船舶过程中发挥着至关重要的作用。在指派引航员过程中,我们通常要考虑引航员的等级与船舶等级是否匹配,是否存在疲劳驾驶,以及所有引航员的工作量是否相对均等等因素。仅依据引航员的筹次表指派引航员已越来越不能满足现实生产要求。
引航员指派问题属于NP难的组合优化问题,非常适合采用智能优化算法进行求解。目前应用于组合优化的算法主要有局部搜索法,模拟退火算法,遗传算法,神经网络等。
头脑风暴优化算法,作为一种新型群体智能优化算法,主要采用聚类思想搜索局部最优,通过局部最优的比较产生全局最优的思想。非常适合用于求解引航员指派问题,但头脑风暴优化算法存在启发性不足,容易陷入局部最优,收敛速度慢的缺点。
发明内容
本发明的目的在于提供一种基于改进离散头脑风暴优化算法的引航员指派方法,在分析现有引航员指派各种规则和习惯的基础上,从安全、公平、效益三个角度出发,建立了引航员指派问题的数学模型,该模型可扩展性强,可作为求解引航员指派的通用模型。
为达到上述目的,本发明采用的技术方案如下:
一种基于改进离散头脑风暴优化算法的引航员指派方法,包括:
确定引航员指派问题的约束条件;
根据引航员指派问题的约束条件建立引航员指派模型;
基于改进离散头脑风暴优化算法对引航员指派模型进行求解,找出最优引航员指派计划;
根据确定的最优引航员指派计划进行引航员指派。
进一步的,所述确定引航员指派问题的约束条件,包括:
(2a)指派引航员的等级高于或等于引航任务所需引航员的等级;
(2b)根据引航员指派过程中引航员的疲劳程度,指派疲劳程度等级低的引航员;
(2c)根据引航员指派过程中引航员工作时间差异,指派工作时间少的引航员;
(2d)一个引航员只能服务一个引航任务。
进一步的,所述根据引航员指派问题的约束条件建立引航员指派模型,包括:
其中,M表示引航任务数,N表示参与指派引航员数,w1,w2,w3为权系数,cij表示第i个引航员完成第j个引航任务所产生的费用,xij表示是否指派第i个引航员完成第j个引航任务,grad_costi为第i个引航员分配等级过高产生的附加费用,tired_costi为第i个引航员的疲劳程度产生的附加费用,σk为第k等级引航员工作时间均衡程度费用,grad为引航员等级数。
进一步的,所述权系数w1,w2,w3取值为30,30,100。
进一步的,
所述cij的取值方式为:第j个引航任务的引航员需求等级;
所述xij的取值方式为:xij=1表示指派第i个引航员完成第j个引航任务;否则xij=0;
xij满足约束:
所述grad_costi计算如下:
其中,di为第i个指派引航员等级,dneed为对应船舶引航任务所需引航员等级,c1,c2,c3,c4为引航员等级分配过高费用;
所述tired_costi计算如下:
其中,tdi为第i个引航员疲劳程度等级,c5,c6,c7为引航员疲劳程度等级费用;
所述σk计算如下:
Ti计算如下:
Ti=Ti+ti
其中,ti为当日工作所需时间;
所述引航员等级定义如下:
di=1,2,3,4,5分别表示高级引航员,一级引航员,二级引航员,三级引航员,四级引航员,高级引航员为等级最高引航员,一级引航员、二级引航员、三级引航员、四级引航员等级依次递减;
所述引航员疲劳程度等级定义如下:
tdi=1表示引航员昨天未工作;
tdi=2表示引航员昨天上午工作,下午未工作;
tdi=3表示引航员昨天下午工作,上午未工作,
tdi=4表示引航员昨天上、下午都工作;
tdi=5表示引航员昨天晚上22:00点之前在工作。
进一步的,所述基于改进离散头脑风暴优化算法对引航员指派模型进行求解,找出最优引航员指派计划,包括:
(3a)读入可参与指派的引航员数量N,各引航员等级,疲劳程度等级,当月工作时间;读入引航任务数M,各引航任务所需的引航员等级;
(3b)设置种群规模为NBSO,每个个体有N个结点,聚类数为m;
(3c)随机初始化种群,产生NBSO个个体;
(3d)根据目标函数对个体进行评估;
(3e)根据评估结果对个体进行升序排列;
(3f)将个体聚类为m类;
(3g)选择各聚类目标函数值最小的个体作为该类的聚类中心;
(3h)进行聚类中心的更新;
(3i)进行个体的更新;
(3j)如果已产生NBSO个新的个体,则转步骤(3k),否则转入步骤(3i);
(3k)如果达到最大迭代次数则停止,否则转步骤(3d);
(3l)输出最优个体和最佳目标函数值。
进一步的,所述根据目标函数对个体进行评估,包括:
(3d1)将引航任务按所需引航员等级从低到高排序,将当前个体中结点以其对应的引航员等级从低到高排序;
(3d2)根据引航任务所需引航员等级从低到高原则,选择当前个体结点对应等级引航员,如该等级引航员均已被选择,则选择高一等级的引航员,重复该过程,建立引航任务与当前个体中结点的一一对应关系;
(3d3)根据引航任务指派引航员结果,所选引航员等级、疲劳程度、当月工作时间,求得完成M个引航任务的指派费用,引航任务所选引航员等级分配过高产生的附加费用,引航员的疲劳程度产生的附加费用,引航员工作时间均衡程度费用,对这四项求和得到当前个体的目标函数值。
进一步的,所述将个体聚类为m类,包括:
由后一个个体目标函数值减去前一个个体的目标函数值,求得NBSO-1个相邻个体目标函数值的差值;找出m-1个最大的相邻个体目标函数值的差值,并记录各差值对应的序号;,根据求得的m-1个序号进行切分,把已排序后个体中序号小于等于该序号的个体划分为一类,大于该序号的个体划分到另一类。
进一步的,所述进行聚类中心的更新,包括:
随机产生一个0到1间的数值r1;
如果r1<概率参数p1,则,
随机选择一个聚类中心,然后随机产生一个个体代替该聚类中心;进入下一步;
否则直接进入下一步。
进一步的,所述进行个体的更新,包括:
(3i1)随机产生一个0到1间的数值r2;
如果r2小于概率参数p2,则,
随机选择一个聚类,随机产生一个0到1间的数值r3;
如果r3小于概率参数p3,则选择该类聚类中心加上随机扰动产生一个新个体,进入步骤(3i2);否则,随机产生一个0到1间的数值r4;
如果r4小于概率参数p4,从该聚类中随机选择一个个体,加上随机扰动产生一个新个体,进入步骤(3i2);否则,从该聚类中随机选择2个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);
如果r2大于等于概率参数p2,则随机选择两个类,然后,
随机产生一个0到1间的数值r5;
如果r5小于概率参数p5,则将两个类的聚类中心互相融合加上随机扰动产生两个新个体,进入步骤(3i2);否则,随机产生一个0到1间的数值r6;
如果r6小于概率参数p6,则将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);否则,分别从两个类中选择一个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);
(3i2)计算新产生的个体的目标函数值,与当前个体相比,目标函数值小的个体作为下次迭代的新的个体。
进一步的,所述概率参数p1,p2,p3,p4,p5,p6取值为0.1,0.6,0.5,0.8,0.5,0.2。
进一步的,所述个体的更新中,
两个个体的融合通过对两个个体进行交叉操作实现;
对个体加随机扰动通过对该个体进行变异操作实现。
本发明的有益效果是:
本发明在分析现有引航员指派各种规则和习惯的基础上,从安全、公平、效益三个角度出发,建立了引航员指派问题的数学模型,该模型可扩展性强,可作为求解引航员指派的通用模型;
本发明在求解最优引航员指派模型的算法上采用了改进离散头脑风暴优化算法,该方法较好地解决了引航员指派问题,具有求解精度高、求解时间短的优点;
本发明提出了在其同一类中个体向类中随机个体学习的方法,避免算法陷入局部最优,提高算法的精度。
附图说明
图1是本发明的基于改进离散头脑风暴优化算法的引航员指派方法流程图;
图2是本发明中交叉操作中随机选择两个个体示意图;
图3是图2的两个个体生成的子代示意图;
图4是图2的最终交叉结果示意图;
图5是本发明中变异操作随机选择的个体示意图;
图6是图5的个体变异操作后结果示意图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参见图1,本发明公开了一种基于改进离散头脑风暴优化算法的引航员指派方法,包括:
步骤1:建立本地数据库,进行数据预处理;具体过程如下:
(1a)读入船舶信息,根据船舶信息,确定船舶引航任务所需引航员数量M和引航员等级;
其中,引航员等级划分为5级:
1,2,3,4,5为具体引航员等级,含义如下:
1:高级引航员
2:一级引航员
3:二级引航员
4:三级引航员
5:四级引航员
其中,高级引航员为等级最高引航员,一级引航员、二级引航员、三级引航员、四级引航员等级依次递减。
(1b)读入可参与指派的引航员人数N,各引航员等级,各引航员当月已完成工时数,求得可参与指派的引航员各疲劳程度等级人数。
读入各引航员昨天工作情况,并由此确定引航员疲劳程度等级,可分为5级,用1,2,3,4,5表示,对应如下:
1——引航员昨天未工作,
2——引航员昨天上午工作,下午未工作,
3——引航员昨天下午工作,上午未工作,
4——引航员昨天上、下午都工作,
5——引航员昨天晚上22:00点之前在工作。
除去昨天晚上22:00点之前在工作的引行航员,求得可参与指派的引航员各疲劳程度等级人数。
步骤2:根据问题描述,确定问题约束条件,建立引航员指派模型;
其中,约束条件如下:
(2a)指派引航员的等级应高于或等于引航任务所需引航员的等级;指派引航员的等级高于引航任务所需引航员的等级将产生引航员指派等级分配过高费用;
(2b)根据引航员指派过程中引航员的疲劳程度,尽可能指派疲劳程度等级低的引航员,疲劳程度等级高的引航员将产生较高疲劳等级附加费用;
(2c)根据引航员指派过程中引航员工作时间差异,尽可能指派工作时间少的引航员,以保持各同疲劳程度等级引航员工作时间基本相同;
(2d)一个引航员只能服务一个引航任务。
根据以上约束条件,建立引航员指派模型如下:
目标函数式(1)由四部分组成,第一部分为引航员指派费用;第二部分为引航员指派等级过高的附加费用;第三部分为指派疲劳引航员产生的附加费用;第四部分为引航员工作时间一致性附加费用,表示一个可行的引航员指派计划中各等级引航员工作时间的标准差。
式(1)中,M代表引航任务数,或引航任务需求引航员数,N代表可参与指派引航员数,w1,w2,w3为权系数,优选为30,30,100。
式(1)中,cij表示第i个引航员完成第j个引航任务所产生的费用,其值为第j个引航任务的引航员需求等级。
其中,xij=0表示不指派第i个引航员完成第j个引航任务,xij=1表示第i个引航员完成第j个引航任务。xij满足约束:
约束条件(3)说明第j个引航任务只能由一个引航员完成,
约束条件(4)说明第i个引航员最多只能完成一个引航任务。
式(1)中,grad_costi为第i个引航员等级分配过高产生的附加费用,如下:
其中,di为第i个指派引航员等级,dneed为对应船舶引航任务所需引航员等级,c1,c2,c3,c4为引航员等级分配过高费用。
式(1)中,tired_costi为第i个引航员的疲劳程度产生的附加费用,可按下式计算:
其中,tdi为第i个引航员疲劳程度等级,c5,c6,c7为被指派引航员疲劳程度等级费用。
式(1)中,σk为第k个等级引航员工作时间均衡程度费用,可按下式计算:
Ti计算方法如下:
Ti=Ti+ti (8)
其中,ti为当日工作所需时间。
步骤3:基于改进离散头脑风暴优化算法对引航员指派模型进行求解,找出最优引航员指派计划,具体过程如下:
(3a)读入可参与指派的引航员数量N,各引航员等级,疲劳程度,当月工作时间;读入引航任务数M,各引航任务所需的引航员等级;
(3b)设置种群规模为NBSO,每个个体有N个结点,聚类数为m;
(3c)随机初始化种群,产生NBSO个个体;
(3d)根据目标函数对个体进行评估,包括:
(3d1)将引航任务按所需引航员等级从低到高排序,将当前个体中结点以其对应的引航员等级从低到高排序;
(3d2)根据引航任务所需引航员等级从低到高原则,选择当前个体结点对应等级引航员,如该等级引航员均已被选择,则选择高一等级的引航员,重复该过程,建立引航任务与当前个体中结点的一一对应关系;
(3d3)根据引航任务指派引航员结果,所选引航员等级、疲劳程度、当月工时,可求得完成M个引航任务的指派费用,引航任务所选引航员等级高于所需引航员等级的引航员等级分配过高附加费用,引航员疲劳程度附加费用,引航员工作时间一致性附加费用,对这四项求和可得当前个体的目标函数值。
(3e)根据评估结果对个体进行升序排列;
(3f)聚类为m类:由后一个个体目标函数值减去前一个个体的目标函数值,求得NBSO-1个相邻个体目标函数值的差值;找出m-1个最大的相邻个体目标函数值的差值,并记录各差值对应的序号;根据求得的m-1个序号进行切分,把已排序后个体中序号小于等于该序号的个体划分为一类,大于该序号的个体划分到另一类;
(3g)选择各聚类目标函数值最小的个体作为该类的聚类中心;
(3h)随机产生一个0到1间的数值r1;
如果r1<概率参数p1,则,
随机选择一个聚类中心,然后随机产生一个个体代替该聚类中心;进入下一步;
否则直接进入下一步;
(3i)进行个体的更新,包括:
(3i1)随机产生一个0到1间的数值r2;
如果r2小于概率参数p2,则,
随机选择一个聚类;
随机产生一个0到1间的数值r3;
如果r3小于概率参数p3,选择该聚类中心加上随机扰动产生一个新个体,进入步骤(3i2);否则,随机产生一个0到1间的数值r4;
如果r4小于概率参数p4,从该聚类中随机选择一个个体,加上随机扰动产生一个新个体,进入步骤(3i2);否则,从该聚类中随机选择2个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);
如果r2大于等于概率参数p2,则随机选择两个类,然后,
随机产生一个0到1间的数值r5;
如果r5小于概率参数p5,则将两个类的聚类中心互相融合加上随机扰动产生两个新个体,进入步骤(3i2);否则,随机产生一个0到1间的数值r6;
如果r6小于概率参数p6,则将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);否则,分别从两个类中选择一个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);
(3i2)计算新产生的个体的目标函数值,与当前个体相比,目标函数值小的个体作为下次迭代的新个体。
(3j)如果已产生NBSO个新的个体,转步骤(3k),否则转入步骤(3i);
(3k)如果达到最大迭代次数则停止,否则转步骤(3d);
(3l)输出最优个体和最佳目标函数值。
进一步的,所述步骤(4i1)中,进行个体更新的方法在一个类中心中产生新个体时,不是采用基本头脑风暴优化算法从该聚类中随机选择一个个体,加上随机扰动产生一个新个体的方法,而是采用改进头脑风暴优化算法,根据概率,一部分个体从该聚类中随机选择一个个体,加上随机扰动产生一个新个体,另一部分个体从该聚类中随机选择两个个体,互相融合加上随机扰动产生两个新个体的方法;进行个体更新的方法在两个类中心中产生新个体时,不是采用基本头脑风暴优化算法从两个聚类中随机各选择一个个体互相融合,加上随机扰动产生两个新个体的方法,而是采用改进头脑风暴优化算法,根据概率,一部分个体从第一个聚类的聚类中心与第二个聚类中随机选择的一个个体互相融合,加上随机扰动产生两个新个体,另一部分个体从两个聚类中随机各选择一个个体,互相融合加上随机扰动产生两个新个体;
其中,p1,p2,p3,p4,p5,p6优选为0.1,0.6,0.5,0.8,0.5,0.2。
进一步的,对于步骤3基于改进离散头脑风暴优化算法对引航员指派模型进行求解,找出最优引航员指派计划,其采用算法为离散头脑风暴优化算法,所述算法中涉及2个个体的融合,是通过对2个个体进行交叉操作实现的;算法中涉及对个体加随机扰动,是通过对该个体进行变异操作实现的。
其中交叉操作,本发明中采用顺序交叉操作,具体为:
第一步,随机选择两个个体(父代)中几个结点的起止位置(两个个体被选位置相同),如图2;
第二步,生成一个子代,并保证子代中被选中的结点的位置与父代相同,如图3;
第三步,先找出第一步选中的结点在另一个父代中的位置,再将其余结点按顺序放入上一步生成的子代中,如图4。
需要注意的是,这种算法同样会生成两个子代,另一个子代生成过程完全相同,只需要将两个父代交换位置,第一步选中的结点位置相同,本实施例中的另一个子代为:254913678。
变异操作,本发明中采用结点位置互换变异,具体如下:
随机选择一个个体(父代)中两个结点的位置,如图5,将其对换位置;
对换位置后如图6。
步骤4:根据确定的最优引航员指派计划进行引航员指派。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,包括:
确定引航员指派问题的约束条件;
根据引航员指派问题的约束条件建立引航员指派模型;
基于改进离散头脑风暴优化算法对引航员指派模型进行求解,找出最优引航员指派计划,具体为:
(3a)读入可参与指派的引航员数量N,各引航员等级,疲劳程度等级和当月工作时间;读入引航任务数M和各引航任务所需的引航员等级;
(3b)设置种群规模为NBSO,每个个体有N个结点,聚类数为m;
(3c)随机初始化种群,产生NBSO个个体;
(3d)根据目标函数对个体进行评估;
(3e)根据评估结果对个体进行升序排列;
(3f)将个体聚类为m类;
(3g)选择各聚类目标函数值最小的个体作为该类的聚类中心;
(3h)进行聚类中心的更新;
(3i)进行个体的更新,如下:
(3i1)随机产生一个0到1间的数值r2;
如果r2小于概率参数p2,则,
随机选择一个聚类,随机产生一个0到1间的数值r3;
如果r3小于概率参数p3,则选择该类聚类中心加上随机扰动产生一个新个体,进入步骤(3i2);否则,随机产生一个0到1间的数值r4;
如果r4小于概率参数p4,从该聚类中随机选择一个个体,加上随机扰动产生一个新个体,进入步骤(3i2);否则,从该聚类中随机选择2个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);
如果r2大于等于概率参数p2,则随机选择两个类,然后,
随机产生一个0到1间的数值r5;
如果r5小于概率参数p5,则将两个类的聚类中心互相融合加上随机扰动产生两个新个体,进入步骤(3i2);否则,随机产生一个0到1间的数值r6;
如果r6小于概率参数p6,则将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);否则,分别从两个类中选择一个个体互相融合,加上随机扰动产生两个新个体,进入步骤(3i2);
(3i2)计算新产生的个体的目标函数值,与当前个体相比,目标函数值小的个体作为下次迭代的新的个体;
(3j)如果已产生NBSO个新的个体,则转步骤(3k),否则转入步骤(3i);
(3k)如果达到最大迭代次数则停止,否则转步骤(3d);
(3l)输出最优个体和最佳目标函数值;根据确定的最优引航员指派计划进行引航员指派。
2.根据权利要求1所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,所述确定引航员指派问题的约束条件,包括:
(2a)指派引航员的等级高于或等于引航任务所需引航员的等级;
(2b)根据引航员指派过程中引航员的疲劳程度,指派疲劳程度等级低的引航员;
(2c)根据引航员指派过程中引航员工作时间差异,指派工作时间少的引航员;
(2d)一个引航员只能服务一个引航任务。
4.根据权利要求3所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,所述权系数w1,w2,w3取值为30,30,100。
5.根据权利要求3所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,
所述cij的取值方式为:第j个引航任务的引航员需求等级;
所述xij的取值方式为:xij=1表示指派第i个引航员完成第j个引航任务;否则xij=0;
xij满足约束:
所述grad_costi计算如下:
其中,di为第i个指派引航员等级,dneed为对应船舶引航任务所需引航员等级,c1,c2,c3,c4为引航员等级分配过高费用;
所述tired_costi计算如下:
其中,tdi为第i个引航员疲劳程度等级,c5,c6,c7为引航员疲劳程度等级费用;
所述σk计算如下:
Ti计算如下:
Ti=Ti+ti,
其中,ti为当日工作所需时间;
所述引航员等级定义如下:
di=1,2,3,4,5分别表示高级引航员,一级引航员,二级引航员,三级引航员,四级引航员,高级引航员为等级最高引航员,一级引航员、二级引航员、三级引航员、四级引航员等级依次递减;
所述引航员疲劳程度等级定义如下:
tdi=1表示引航员昨天未工作;
tdi=2表示引航员昨天上午工作,下午未工作;
tdi=3表示引航员昨天下午工作,上午未工作,
tdi=4表示引航员昨天上、下午都工作;
tdi=5表示引航员昨天晚上22:00点之前在工作。
6.根据权利要求1所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,所述根据目标函数对个体进行评估,包括:
(3d1)将引航任务按所需引航员等级从低到高排序,将当前个体中结点以其对应的引航员等级从低到高排序;
(3d2)根据引航任务所需引航员等级从低到高原则,选择当前个体结点对应等级引航员,如该等级引航员均已被选择,则选择高一等级的引航员,重复该过程,建立引航任务与当前个体中结点的一一对应关系;
(3d3)根据引航任务指派引航员结果,所选引航员等级、疲劳程度、当月工作时间,求得完成M个引航任务的指派费用,引航任务所选引航员等级分配过高产生的附加费用,引航员的疲劳程度产生的附加费用,引航员工作时间均衡程度费用,对这四项求和得到当前个体的目标函数值。
7.根据权利要求1所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,所述将个体聚类为m类,包括:
由后一个个体目标函数值减去前一个个体的目标函数值,求得NBSO-1个相邻个体目标函数值的差值;找出m-1个最大的相邻个体目标函数值的差值,并记录各差值对应的序号;根据求得的m-1个序号进行切分,把已排序后个体中序号小于等于该序号的个体划分为一类,大于该序号的个体划分到另一类。
8.根据权利要求1所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,所述进行聚类中心的更新,包括:
随机产生一个0到1间的数值r1;
如果r1<概率参数p1,则,
随机选择一个聚类中心,然后随机产生一个个体代替该聚类中心;进入下一步;
否则直接进入下一步。
9.根据权利要求8所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,概率参数p1,p2,p3,p4,p5,p6取值为0.1,0.6,0.5,0.8,0.5,0.2。
10.根据权利要求1所述的一种基于改进离散头脑风暴优化算法的引航员指派方法,其特征在于,所述个体的更新中,
两个个体的融合通过对两个个体进行交叉操作实现;
对个体加随机扰动通过对该个体进行变异操作实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299266.XA CN111008788B (zh) | 2019-12-17 | 2019-12-17 | 一种基于改进离散头脑风暴优化算法的引航员指派方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299266.XA CN111008788B (zh) | 2019-12-17 | 2019-12-17 | 一种基于改进离散头脑风暴优化算法的引航员指派方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008788A CN111008788A (zh) | 2020-04-14 |
CN111008788B true CN111008788B (zh) | 2022-07-26 |
Family
ID=70116388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299266.XA Active CN111008788B (zh) | 2019-12-17 | 2019-12-17 | 一种基于改进离散头脑风暴优化算法的引航员指派方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008788B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925317B (zh) * | 2021-01-25 | 2022-05-17 | 中国人民解放军海军工程大学 | 一种基于改进型头脑风暴优化算法的auv路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217118A (zh) * | 2014-09-12 | 2014-12-17 | 河海大学常州校区 | 一种船舶引航排班问题模型与求解方法 |
CN104239975A (zh) * | 2014-09-12 | 2014-12-24 | 河海大学常州校区 | 基于改进离散粒子群算法的船舶引航排班方法 |
CN104268640A (zh) * | 2014-09-12 | 2015-01-07 | 河海大学常州校区 | 一种引航员指派方法 |
-
2019
- 2019-12-17 CN CN201911299266.XA patent/CN111008788B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217118A (zh) * | 2014-09-12 | 2014-12-17 | 河海大学常州校区 | 一种船舶引航排班问题模型与求解方法 |
CN104239975A (zh) * | 2014-09-12 | 2014-12-24 | 河海大学常州校区 | 基于改进离散粒子群算法的船舶引航排班方法 |
CN104268640A (zh) * | 2014-09-12 | 2015-01-07 | 河海大学常州校区 | 一种引航员指派方法 |
Non-Patent Citations (1)
Title |
---|
基于讨论机制的头脑风暴优化算法;杨玉婷等;《浙江大学学报(工学版)》;20131031;第47卷(第10期);第1705-1746页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008788A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109960544B (zh) | 基于数据驱动型敏捷卫星任务并行调度方法 | |
Muralikrishnan et al. | A comprehensive review on evolutionary optimization techniques applied for unit commitment problem | |
CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN111967656A (zh) | 多灾点应急救援指挥控制组织资源调度方法及系统 | |
CN111127274B (zh) | 一种社区居家养老服务调度与路径规划方法和装置 | |
CN113988396B (zh) | 一种基于nsga-iii算法的工序排序多目标优化方法 | |
CN113850550A (zh) | 面向高校园区的配餐订单智能派送方法、存储介质、计算机 | |
Wang et al. | Towards robust task assignment in mobile crowdsensing systems | |
CN104217118B (zh) | 一种船舶引航排班问题模型与求解方法 | |
CN111008788B (zh) | 一种基于改进离散头脑风暴优化算法的引航员指派方法 | |
CN118261376A (zh) | 基于改进模拟退火算法的服装生产线动态调度方法及系统 | |
Roshanaei | Mathematical modelling and optimization of flexible job shops scheduling problem | |
CN105469644B (zh) | 飞行冲突解脱方法及设备 | |
Ekanayake et al. | Intelligent timetable scheduler: A comparison of genetic, graph coloring, heuristic and iterated local search algorithms | |
Hosny et al. | A mutation-based genetic algorithm for room and proctor assignment in examination scheduling | |
CN104239974B (zh) | 基于分布估计改进离散粒子群算法的引航员指派方法 | |
CN111027877B (zh) | 一种基于改进智能水滴算法的引航员指派方法和装置 | |
CN111144722B (zh) | 一种基于伪旅行商问题的船舶引航排班方法与装置 | |
Galzina et al. | Adaptive fuzzy particle swarm optimization for flow-shop scheduling problem | |
Ulum et al. | Implementation of genetic algorithm in the current scheduling system | |
Hou et al. | Solving Multi-objective School Bus Routing Problem Using An Improved NSGA-II Algorithm | |
CN111105088B (zh) | 一种基于改进离散头脑风暴优化算法的船舶引航排班方法 | |
Chen et al. | Parametric Design of Office Furniture Partition Space Integrated with the Interactive Evolution Algorithm of FNT and Tree Structure | |
Kuznetsov et al. | Design and Analysis of Optimization Algorithms for Multi-agent Railway Control System | |
Syafrizal et al. | Electric Vehicle Routing Problem with Fuzzy Time Windows using Genetic Algorithm and Tabu Search |
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 |