CN111079983B - 一种装配式施工现场车辆路径规划的优化方法 - Google Patents

Abstract

本发明公开了一种装配式施工现场车辆路径规划的优化方法，包括如下步骤：明确装配式建筑现场车辆路径优化问题中的重要要素，进行参数设置，将施工现场的二维坐标转为欧式距离矩阵；运行蚁群算法，根据轮盘赌选择算法，进行选择下一个访问堆放点的概率运算，不断进行信息素更新；根据遗传算法，将蚁群算法中重要的α、β、ρ三个参数作为染色进行编码，通过交叉、变异运算获得α、β、ρ的最优组合后，将其作为输入参数，再代入蚁群运算，有限迭代后，最后获得车辆的最优路径。本发明提高了模型的迭代性能和寻优效率，避免获得局部最优解，同时加快了模型的收敛速度，这对于装配式建筑现场预制构件运输车辆的调度优化问题有很大帮助。

Description

一种装配式施工现场车辆路径规划的优化方法

技术领域

本发明属于施工现场管理与人工智能技术、信息技术、计算机技术交叉技术应用领域。主要是涉及一种利用遗传算法(GA)与改进蚁群算法(ACS)相结合的方法来优化装配式建筑施工现场的车辆路径问题。

背景技术

装配式建筑作为目前建筑行业的新产业模式，具有节能减耗、成本低、工期短、生产效率高、质量好等特点。由于装配式建筑将大量现场作业工作转移到工厂进行，再将建筑所需部品部件运输至现场进行有效连接，因此装配式建筑施工相对传统现浇现场而言，在管理角度上更为精益化与系统化。传统施工现场的车辆安排和路径规划主要根据现场管理人员的指挥进行调度，难以系统化和精确地把控现场变化和构件布置与车辆路径的关系。采用传统的启发式算法(蚁群算法、遗传算法、模拟退火算法等)根据不同的现场车辆的用途和行驶目的，选择不同的车辆调度安排以及确定最佳行驶路径，保证装配式建筑施工现场的秩序，避免工作面空缺等误工现象或者机械工作过程相互冲突等安全问题，对装配式建筑施工现场管理具有重要的实际作用。

传统蚁群算法具有自组织、自适应、自学习、并行化、正反馈等特点，能解决复杂的组合优化问题，但仍存在一些弊端。主要表现为容易得到局部最优解，缺少启发因素，引起盲目搜索，这些问题会增加现场车辆的路径距离，并且不能得到最佳的最优解，还会影响算法的收敛速度，增加模型的资源占用等。

发明内容

针对上述问题，本发明提出一种利用遗传算法与蚁群算法相结合的装配式建筑现场车辆路径优化方法。

本发明通过以下技术手段解决上述问题：

一种装配式施工现场车辆路径规划的优化方法，包括如下步骤：

首先确定预制构件运输车辆的数量与载量，以及运至现场指定堆放地点的数目，将装配式建筑的施工场地二位坐标转换为欧式距离矩阵，明确参数，初始化种群和每条边信息数量，为现场车辆寻找最优路径并进行初步定义。

其次根据蚁群算法，位于某一堆放地i准备开往下一个堆放地的车辆k会根据伪随机比例规则选择下一个堆放地j，选择式表示为：

其中J_k(i)为施工现场车辆从堆放地i直接到未行驶过的堆放地的集合；η(i,j)为启发式信息；τ(i,j)为边(i，j)上的信息素量；q₀为一个[0,1]范围内的浮点数，q为随机参数，β为启发式重要程度因子，控制信息素浓度和路径长度信息。

式(1)中，q≤q₀时，车辆直接选择启发式信息与信息素量的β指数乘积最大的下一个堆放点；q＞q₀时，车辆将使用轮盘赌选择策略S，计算位于堆放点i的车辆选择堆放点j作为下一个访问对象的概率p_k(i，j)：

其中u为J_k(i)集合中的所有堆放点并求和。

在路构建过程中，对每辆车，每当经过一条(i，j)边时，车辆会类似蚂蚁根据信息素局部更新规则，立刻更新这条边上的信息素：

τ(i，j)＝(1-ξ)·τ(i，j)+ξ·τ₀ (3)

其中ξ为信息素局部挥发速率；τ₀为信息素的初始值。经过每次迭代，所有车辆均构建完路径后，将信息素全局更新，计算公式为：

其中Δτ_b(i，j)为额外增加最优路径信息素量，

C_b为算法开始至今最优路径的长度；T_h为搜索至今最优长度对应的路径表。

在装配式建筑施工现场车辆路径优化的模型中，使预制构件进入场地的运输路径最短是模型的目标函数，表示如下：

式(5)中约束条件为：

0≤∑_i∈nx_i≤c (6)

h_i＝h_i-1-S_i≤P (7)

上两式中，n为所有堆放点的编号；x_i为各堆放点；h_i为既定车辆对i堆放点调度卸货后装有的构件数量；S_i为既定车辆对i堆放点的实际装载量；P为既定车辆额定装载量。其中式(6)为堆放点约束，表示每个堆放点只能去一次；式(7)是车辆容量约束。

到此时，对蚁群算法中的α、β、ρ三个参数组合作为一个染色体进行编码，代入遗传算法中进行迭代运算，获得参数优化组合。

适应值函数为：

将组合不断进行交叉、变异得到新的组合，直至获得最优的α、β、ρ参数组合，将其代入(1)-(7)式中，最终返回(8)式，获得最短路径L。

与现有技术相比，本发明的有益效果至少包括：

本发明利用蚁群算法优化装配式建筑现场车辆的路径，将目标车辆类比为蚁群中的蚂蚁，构件堆放点类比为蚂蚁的站点，将施工现场转换为欧式距离矩阵，构建蚁群算法求解路径的基本模型。然后采用遗传算法，对蚁群中关键的三个参数进行优化后，再进入迭代，计算车辆最优路径。相比于传统蚁群算法，遗传混合蚁群算法在进行迭代运算时，将重要参数进行优化组合，并且约束了车辆容量。因此，采用本发明所提出的装配式建筑现场车辆优化方法，提高了模型的迭代性能和寻优效率，避免获得局部最优解，同时加快了模型的收敛速度，这对于装配式建筑现场预制构件运输车辆的调度优化问题有很大帮助。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明装配式施工现场车辆路径规划的优化方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅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做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。

参见图1，本发明提供一种装配式施工现场车辆路径规划的优化方法，基本流程为：首先，明确装配式建筑现场车辆路径优化问题中的重要要素，进行参数设置，将施工现场的二维坐标转为欧式距离矩阵，其次，运行蚁群算法，根据轮盘赌选择算法，进行选择下一个访问堆放点的概率运算，不断进行信息素更新。再根据遗传算法，将蚁群算法中重要的α、β、ρ三个参数作为染色进行编码，通过交叉、变异运算获得α、β、ρ的最优组合后，将其作为输入参数，再代入蚁群运算，有限迭代后，最后获得车辆的最优路径。

(1)欧式距离矩阵

对于n×n非负对称矩阵D＝d_ij，若存在n个R^k中的点P₁，P₂，…，P_n，满足d_ij＝(P_i-P_j)^t(P_i-P_j)，i，j＝1，2，…，n，其中(P_i-P_j)^t表示P_i-P_j的转置，则D为欧式距离矩阵。

设n个质点在d维欧式空间的位置坐标为X₁，X₂，...，X_n∈R^d×n，则Xi与Xj间的距离表示为：d_ij＝||X_i-X_j||² (1)

根据欧式距离矩阵，将(1)式展开为

本发明技术方法中，将施工现场的平面二维坐标转化为欧式距离矩阵，清楚表示点与点之间的距离，便于蚁群算法的每条边信息素的更新以及辅助混合算法的运算。

(2)轮盘赌选择法

轮盘赌选择是辅助遗传算法进行个体选择的一种方法，首先计算每个个体的适应值，然后计算出此适应值在群体适应值总和中所占的比例，表示该个体在选择过程中被选中的概率。

对于给定规模为n的群体，P＝{a₁，a₂，...，a_n}，个体a_j∈P的适应值为f(a_j)，其选择概率为：

其中父代种群个体生存期望数目为P(a_j)＝nP_s，j＝1，2，...，n；

如第k个个体累计概率为

然后产生0到1之间的随机数e与P_x(a_k)，二者进行比较选择个体，若a_k-1＜e＜a_k，则选择第k个个体。

(3)遗传混合蚁群算法

遗传混合蚁群算法是两种启发式算法的结合，蚁群算法虽有很好的鲁棒性和对较优解的发现能力，但经常会陷入局部最优解，搜索时间较长，计算资源消耗大。遗传算法基于随自然选的模拟和优胜劣汰的选择，计算效率好，全局搜索能力好，但收敛性相对较弱。两种算法的特点互补，混合运算提高模型的收敛速度，优化全局解。

1)、路径选择

根据伪随机比例规则，蚂蚁选择下一个节点的状态转移方程为：

其中J_k(i)为蚂蚁从站点i直接到未访问过的的站点的集合；η(i，j)为启发式信息；τ(i，j)为边(i，j)上的信息素量；q₀为一个[0，1]范围内的浮点数，决定蚁群算法的“开发”和“探索”的相互关系，影响收敛性和搜索能力。q为随机参数，β为启发式重要程度因子，控制信息素浓度和路径长度信息。

当q≤q₀时，蚂蚁直接选择启发式信息与信息素量的β指数乘积最大的下一个站点；q>q₀时，蚂蚁将使用轮盘赌选择策略S，计算位于站点i的蚂蚁选择站点j作为下一个访问对象的概率p_k(i，j)：

其中u为Jk(i)集合中的所有站点并求和，概率和为1，使之满足轮盘赌选择算法。

2)、信息素更新

在每次迭代更新时，蚂蚁在选择下一个访问弧时会以最优弧为依据，函数关系如下：

τ_min(t)＝rτ_max(t)

其中，τ_max为信息素最大值由函数τ_min求解出在当前迭代τ信息素矩阵中，τ_max(t)为最大值，在每次迭代中，τ_min为根据该最大值而进行更新的值。

式(7)表示最大、最小信息素相比的值记，其中L为蚂蚁搜素时的行走长度，P_best为搜索过程中，蚂蚁一次发现最优解的概率。

信息素更新公式如下：

τ_ij＝[1-ρ(t)]τ_ij(t)+ρ(t)τ₀ (8)

其中，

为蚂蚁k在边(i，j)边留下的信息素增量，信息素残留因子记为ρ，Q是一个常量代表了当前迭代完成后，蚂蚁搜索完成所释放的信息素总和。蚂蚁探索所行走的长度记为L，蚂蚁搜索过的路径记为T，搜索完成后得出的最优路径长度记为L_opt，T_opt该最优路径记。

3)、确定目标函数及适应值函数

约束条件为：

0≤∑_i∈nx_i≤c (11)

h_i＝h_i-1-S_i≤P (12)

式(11)为站点约束，表示每个站点只能访问一次；式(12)是容量约束。其中，n为所有站点的编号；x_i为各站点；h_i为既定车辆对i站点调度卸货后装有的构件数量；S_i为既定车辆对i站点的实际装载量；P为既定车辆额定装载量。

适应值函数为：

因轮盘赌算法偏向于选择最大值，而目标函数为车辆路径的最小值，故将适应值函数取为目标函数的倒数，使其得到更优结果。

4)、遗传算法计算α、β、ρ的最优组合，获得最优路径L

将α、β、ρ作为组合编码为染色体，进行交叉、变异运算。

交叉概率P_c表示为：

变异概率P_m表示为：

f_k＝cL_tot/L_k

其中a1，a2，a3，a4取值于[0，1]，当前群体中最优解的适应值记为f_max，种群的平均适应值记为f_ave，两次迭代中拥有更大适应值的最优解。其适应值记为f_maj，变异最优解的适应值记为f，第k个最优解的适应值记为f_k，C是一个常数，初始最优解的路径总长度记为L_tot，第k个最优解的路径总长度记为L_k，不断迭代，最终获得最优路径L。

本发明提供的技术方案是一种利用基于遗传算法的蚁群算法的车辆路径(组合最优问题)的优化方法。它利用遗传算法的浮点编码特点来优化蚁群算法中影响算法结果的重要参数组合，将其再作为蚁群算法的初始解，提高蚁群算法的寻优效率，改进解的全局性和模型的收敛速度。其中遗传算法依据输入变量确定染色体和初始化种群，再根据模型目标函数进行适应度计算。开发者根据经验确定对算法性能起决定性影响的三个参数α、β、ρ的最优组合。通过将输出α、β、ρ的最优组合作为蚁群算法的输入变量，以最短路径为目标函数，对每只蚂蚁进行最优路径测算，根据信息素局部更新至信息素全部更新的迭代运算，获取现场车辆路径最短的方案。

本发明通过遗传混合蚁群算法进行优先组合再有限迭代，避免获得局部最优解，加快了模型的寻优速度和最优解的质量，有效处理了装配式建筑施工现场车辆路径优化问题，进一步促进了装配式建筑行业的发展。

本发明利用蚁群算法优化装配式建筑现场车辆的路径，将目标车辆类比为蚁群中的蚂蚁，构件堆放点类比为蚂蚁的站点，将施工现场转换为欧式距离矩阵，构建蚁群算法求解路径的基本模型。然后采用遗传算法，对蚁群中关键的三个参数进行优化后，再进入迭代，计算车辆最优路径。相比于传统蚁群算法，遗传混合蚁群算法在进行迭代运算时，将重要参数进行优化组合，并且约束了车辆容量。因此，采用本发明所提出的装配式建筑现场车辆优化方法，提高了模型的迭代性能和寻优效率，避免获得局部最优解，同时加快了模型的收敛速度，这对于装配式建筑现场预制构件运输车辆的调度优化问题有很大帮助。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种装配式施工现场车辆路径规划的优化方法，其特征在于，包括如下步骤：

明确装配式建筑现场车辆路径优化问题中的重要要素，进行参数设置，将施工现场的二维坐标转为欧式距离矩阵；

运行蚁群算法，根据轮盘赌选择算法，进行选择下一个访问堆放点的概率运算，不断进行信息素更新；

根据遗传算法，将蚁群算法中重要的α、β、ρ三个参数作为染色进行编码，通过交叉、变异运算获得α、β、ρ的最优组合后，将其作为输入参数，再代入蚁群运算，有限迭代后，最后获得车辆的最优路径；

遗传混合蚁群算法具体为：

1)路径选择

根据伪随机比例规则，蚂蚁选择下一个节点的状态转移方程为：

其中J_k(i)为蚂蚁从站点i直接到未访问过的站点的集合；η(i,j)为启发式信息；τ(i,j)为边(i，j)上的信息素量；q₀为一个[0,1]范围内的浮点数，决定蚁群算法的“开发”和“探索”的相互关系，影响收敛性和搜索能力；q为随机参数，β为启发式重要程度因子，控制信息素浓度和路径长度信息；

当q≤q₀时，蚂蚁直接选择启发式信息与信息素量的β指数乘积最大的下一个站点；q＞q₀时，蚂蚁将使用轮盘赌选择策略S，计算位于站点i的蚂蚁选择站点j作为下一个访问对象的概率p_k(i，j)：

其中u为J_k(i)集合中的所有站点并求和，概率和为1，使之满足轮盘赌选择算法；

2)信息素更新

在每次迭代更新时，蚂蚁在选择下一个访问弧时会以最优弧为依据，函数关系如下：

τ_min(t)＝rτ_max(t)

其中，τ_max为信息素最大值，τ_max(t)为最大值，在每次迭代中，τ_min(t)为根据该最大值τ_max(t)而进行更新的值；

r表示最大、最小信息素相比的值，其中L为蚂蚁搜索时的行走长度，P_best为搜索过程中，蚂蚁一次发现最优解的概率；

信息素更新公式如下：

τ_ij＝[1-ρ(t)]τ_ij(t)+ρ(t)τ₀

其中，

为蚂蚁k在边(i，j)边留下的信息素增量，信息素残留因子记为ρ，Q是一个常量代表了当前迭代完成后，蚂蚁搜索完成所释放的信息素总和；蚂蚁搜索所行走的长度记为L，蚂蚁搜索过的路径记为T，搜索完成后得出的最优路径长度记为L_opt，最优路径记为T_opt；

3)确定目标函数及适应值函数

约束条件为：

0≤∑_i∈nx_i≤c

h_i＝h_i-1-S_i≤p

0≤∑_i∈nx_i≤c为站点约束，表示每个站点只能访问一次；h_i＝h_i-1-S_i≤P是容量约束；其中，n为所有站点的编号；x_i为各站点；h_i为既定车辆对i站点调度卸货后装有的构件数量；S_i为既定车辆对i站点的实际装载量；P为既定车辆额定装载量；

适应值函数为：

因轮盘赌算法偏向于选择最大值，而目标函数为车辆路径的最小值，故将适应值函数取为目标函数的倒数，使其得到更优结果；

4)遗传算法计算α、β、ρ的最优组合,获得最优路径T_opt

将α、β、ρ作为组合编码为染色体，进行交叉、变异运算；

交叉概率P_c表示为：

变异概率P_m表示为：

f_k＝cL_tot/L_k

其中a₁，a₂，a₃，a₄取值于[0,1]，当前群体中最优解的适应值记为f_max，种群的平均适应值记为f_ave，两次迭代中拥有更大适应值的最优解，其适应值记为f_maj，变异最优解的适应值记为f，第k个最优解的适应值记为f_k，c是一个常数，初始最优解的路径总长度记为L_tot，第k个最优解的路径总长度记为L_k，不断迭代，最终获得最优路径T_opt。

2.根据权利要求1所述的装配式施工现场车辆路径规划的优化方法，其特征在于，欧式距离矩阵具体为：

对于n×n非负对称矩阵D＝d_ij，若存在n个R^k中的点P₁，P₂，…，P_n，满足d_ij＝(P_i-P_j)^t(P_i-P_j)，i，j＝1，2，…，n，其中(P_i-P_j)^t表示P_i-P_j的转置，则D为欧式距离矩阵；

设n个质点在d维欧式空间的位置坐标为x₁，x₂，…，x_n∈R^d×n，则x_i与x_j间的距离表示为：d_ij＝||x_i-x_j||²

根据欧式距离矩阵，将d_ij＝||x_i-x_j||²公式展开为

将施工现场的平面二维坐标转化为欧式距离矩阵，清楚表示点与点之间的距离，便于蚁群算法的每条边信息素的更新以及辅助混合算法的运算。

3.根据权利要求1所述的装配式施工现场车辆路径规划的优化方法，其特征在于，轮盘赌选择法具体为：

轮盘赌选择是辅助遗传算法进行个体选择的一种方法，首先计算每个个体的适应值，然后计算出此适应值在群体适应值总和中所占的比例，表示该个体在选择过程中被选中的概率；

对于给定规模为n的群体，P＝{a₁，a₂，…，a_n}，个体a_j∈P的适应值为f(a_j)，其选择概率为：

其中父代种群个体生存期望数目为P(a_j)＝nP_s，j＝1,2，…，n；

如k个个体累计概率为

然后产生0到1之间的随机数e与P_x(a_k)，二者进行比较选择个体，若a_k-1<e<a_k，则选择第k个个体。

Images