CN111126682B - 一种基于救援效率的通航救援调度优化方法 - Google Patents

一种基于救援效率的通航救援调度优化方法 Download PDF

Info

Publication number
CN111126682B
CN111126682B CN201911279393.3A CN201911279393A CN111126682B CN 111126682 B CN111126682 B CN 111126682B CN 201911279393 A CN201911279393 A CN 201911279393A CN 111126682 B CN111126682 B CN 111126682B
Authority
CN
China
Prior art keywords
rescue
point
aircraft
disaster
scheduling
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
CN201911279393.3A
Other languages
English (en)
Other versions
CN111126682A (zh
Inventor
刘全义
何鑫
艾洪舟
张健萍
胡茂绮
刘雨佳
徐佳
李海
熊升华
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.)
Civil Aviation Flight University of China
Original Assignee
Civil Aviation Flight University of China
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 Civil Aviation Flight University of China filed Critical Civil Aviation Flight University of China
Priority to CN201911279393.3A priority Critical patent/CN111126682B/zh
Publication of CN111126682A publication Critical patent/CN111126682A/zh
Application granted granted Critical
Publication of CN111126682B publication Critical patent/CN111126682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于救援效率的通航救援调度优化方法，以通用航空器作为调度研究对象，以航空器载重、飞行时间、飞机数量为约束条件，以救援效率最大化、总飞行里程最小化为目标建立多出救点、多受灾点航空器调度优化模型；采用混合遗传模拟退火算法求解多出救点、多受灾点航空器调度优化模型，得到最佳通航救援调度方案；利用的混合遗传模拟退火算法不但增加了种群多样性和解的质量，而且避免了遗传算法早熟收敛现象，对通航救援调度问题的目标函数优化效果更好，将该方法应用到实际的救援工作中，能在一定程度上满足受灾点救援需求，提高救援效率，降低飞行成本，有很强的工业实用性，便于推广和使用。

Description

一种基于救援效率的通航救援调度优化方法
技术领域
本发明涉及航空救援技术领域，特别涉及一种基于救援效率的通航救援调度优化方法。
背景技术
近年来，通用航空器在运送伤员、运输救援物资、收集灾难态势信息等方面发挥了不可替代的作用，显示出了极大的优越性和时效性。
航空器调度问题是指一定数量的受灾点或需求点，各自有一定数量的物资需求，出救点安排一定数量的航空器向受灾点运送物资，要求组织适当的飞行路线，使受灾点的需求得到满足，并能在满足一定约束条件下，达到诸如总飞行里程最短、效率最高等目标。
我国幅员辽阔，地理构造复杂，各类自然灾害频发，造成人员伤亡和经济损失极为严重。根据应急管理部、国家减灾委员会发布的数据，2018年各种自然灾害共造成全国1.3亿人次受灾，直接经济损失2644.6亿元，2019年一季度各种自然灾害共造成全国139.6万人次受灾，直接经济损失27.9亿元。重大灾害发生后，以通用航空直升机为基础的救援飞行，具有快捷、高效、不受地理空间限制等优势，为争取救援时间，降低人员伤亡，减少财产损失提供了强有力的保障。
然而，由于国内通用航空发展缓慢，缺乏一套较为完善的航空应急救援方案，严重影响救援效率和质量。因此，如何高效、合理地将通用航空器分配到需要救援的受灾点是一个亟待研究和突破的重点问题。
现有研究未从通航救援角度考虑“多对多”的配送模式，“多对多”配送模式指具有多个出救点、多个受灾点的救援情况下，每架航空器单次飞行路线为从出救点出发经过若干受灾点后，返回出救点。“单对单”配送模式指每架航空器从出救点出发，一次经过一个受灾点后，返回出救点。其次，救援效率是突发事件应急救援过程中的关键因素之一，提高救援效率对于减少损失、确保救灾工作达到较好的效果是至关重要的。
发明内容
针对上述背景内容中提出的实质性缺陷和不足，本发明提供一种基于救援效率的通航救援调度优化方法，以解决通用航空领域中航空器救援调度问题，提高救援效率，降低飞行成本，可以解决背景技术中所指出的问题。
一种基于救援效率的通航救援调度优化方法，具体步骤如下：
步骤Q1：通用航空器作为调度研究对象，以航空器载重、飞行时间、飞机数量为约束条件，以救援效率最大化、总飞行里程最小化为目标建立多出救点、多受灾点航空器调度优化模型；
步骤Q2：采用混合遗传模拟退火算法求解多出救点、多受灾点航空器调度优化模型，得到最佳通航救援调度方案；
其中，步骤Q1所述通航救援调度模型的建立具体如下：
Q11：所述的通航救援调度模型有以下前提条件：
救援过程中，各架航空器性能相同，满油、满载且以巡航速度匀速飞行；出救点有多个且位置已知，每个出救点的物资数量充足，但航空器数量受限；受灾点有多个且位置已知，每个受灾点的需求量已知；救援过程中，每个受灾点被经过一次且仅一次就完成配送；航空器每次飞行至少救援一个受灾点；航空器在距离最近的出救点进行加油和装载，在受灾点进行物资投放或降落卸载；
Q12：所述的通航救援调度模型中使用的变量及其含义如下：
xijf为0-1决策变量，航空器f是否经过(i,j)；
yjf为0-1决策变量，航空器f是否为受灾点j运送物资；
zij为0-1决策变量，出救点i是否为受灾点j提供物资；
E为出救点D与受灾点C集合(i,j∈E＝C∪D)；
dij为节点i与j之间的距离(i,j∈E)；
Kp为出救点P可用航空器数量；
Mf为航空器最大载重量(f＝1,2,...F)；
Figure RE-GDA0002424934620000031
为第j个受灾点对物资g的需求量(j＝1,2...C)；
tj为受灾点j的飞行时间实际值；
Tj为受灾点j的飞行时间目标值；
tgf为物资投放或者降落卸载所需时间；
tijf为航空器f从节点i到节点j的飞行时间(i∈E,j∈E)；
Lf为每架航空器满油最大飞行时间；
Q13：所述的通航救援调度模型建立如下：
目标函数：
Figure RE-GDA0002424934620000032
其中tj＝(tijf+tgf)xijf
Figure RE-GDA0002424934620000033
约束条件：
Figure RE-GDA0002424934620000034
Figure RE-GDA0002424934620000035
Figure RE-GDA0002424934620000041
(tgf+tijf)xijf≤Lf (6)
Figure RE-GDA0002424934620000042
式(1)和式(2)为模型的目标函数，分别表示救援效率最大和总飞行里程最小；式(3)表明每个受灾点由一架航空器救援；式(4)表明出救点处航空器数量受限；式(5)表明每条飞行路线途径的各受灾点需求量总和不超过该路线上救援航空器的最大载重量；式(6)约束航空器满油最大飞行时间；式(7)表明如果受灾点j由航空器f救援，则航空器f至少要访问受灾点j一次。
在上述技术方案中，步骤Q2所述通航救援调度模型的求解具体如下：
Q21：设定控制参数。初始温度T0，迭代次数C，交叉概率Pc，变异概率 Pm，种群规模N；
Q22：以自然数编码方式构造染色体，以随机的方式生成初始种群；
Q23：计算适应度，由于所建模型是寻求目标函数的最小值；
Q24：进行遗传操作：
选择：根据适应度值采用精英保留和轮盘赌法选择种群；
交叉：对通过自适应交叉概率的染色体采用部分匹配交叉法进行交叉操作；
Figure RE-GDA0002424934620000043
变异：对通过自适应变异概率的染色体采用对换变异法进行变异操作；
Figure RE-GDA0002424934620000044
favg表示每代种群平均适应值；fmax表示种群中最大适应值；f'表示交叉的两个个体中较大的适应值；f表示群体要变异个体适应值；Pc1、Pc2表示最高交叉率与最低交叉率；Pm1、Pm2表示最高变异率与最低变异率；
Q25：模拟退火算法局部优化。对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体；
Q26：算法终止条件。当算法满足终止条件则停止运算，输出高适应度染色体所对应的航空器飞行路线集合。否则，继续执行降温后转至计算个体适应度值等操作。
本发明提供的一种基于救援效率的通航救援调度优化方法，通过巧妙的设计，以救援效率为出发点建立多出救点、多受灾点的通航救援调度模型，将“多对多”配送问题与传统意义上的“单对单”配送问题进行了统一规划，利用的混合遗传模拟退火算法不但增加了种群多样性和解的质量，而且避免了遗传算法早熟收敛现象，对通航救援调度问题的目标函数优化效果更好，将该方法应用到实际的救援工作中，能在一定程度上满足受灾点救援需求，提高救援效率，降低飞行成本，有很强的工业实用性，便于推广和使用。
附图说明
图1为本发明提供的一种基于救援效率的通航救援调度优化方法的实施例 1的混合遗传模拟退火算法的步骤流程示意图。
图2为本发明提供的一种基于救援效率的通航救援调度优化方法的实施例 1的混合遗传模拟退火算法下寻优过程的步骤流程图。
图3为本发明提供的一种基于救援效率的通航救援调度优化方法的实施例 1的不同配送模式下结果对比图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例
参照图1～图3所示，一种基于救援效率的通航救援调度优化方法，具体包括如下步骤：
步骤1：通用航空器作为调度研究对象，以航空器载重、飞行时间、飞机数量为约束条件，以救援效率最大化、总飞行里程最小化为目标建立多出救点、多受灾点航空器调度优化模型；
步骤2：采用混合遗传模拟退火算法求解多出救点、多受灾点航空器调度优化模型，得到最佳通航救援调度方案。
步骤1所述通航救援调度模型的建立具体如下：
(1)所述的通航救援调度模型有以下前提条件
救援过程中，各架航空器性能相同，满油、满载且以巡航速度匀速飞行；出救点有多个且位置已知，每个出救点的物资数量充足，但航空器数量受限；受灾点有多个且位置已知，每个受灾点的需求量已知；救援过程中，每个受灾点被经过一次且仅一次就完成配送；航空器每次飞行至少救援一个受灾点；航空器在距离最近的出救点进行加油和装载，在受灾点进行物资投放或降落卸载。
(2)所述的通航救援调度模型中使用的变量及其含义如下：
xijf为0-1决策变量，航空器f是否经过(i,j)；
yjf为0-1决策变量，航空器f是否为受灾点j运送物资；
zij为0-1决策变量，出救点i是否为受灾点j提供物资；
E为出救点D与受灾点C集合(i,j∈E＝C∪D)；
dij为节点i与j之间的距离(i,j∈E)；
Kp为出救点P可用航空器数量；
Mf为航空器最大载重量(f＝1,2,...F)；
Figure RE-GDA0002424934620000071
为第j个受灾点对物资g的需求量(j＝1,2...C)；
tj为受灾点j的飞行时间实际值；
Tj为受灾点j的飞行时间目标值；
tgf为物资投放或者降落卸载所需时间；
tijf为航空器f从节点i到节点j的飞行时间(i∈E,j∈E)；
Lf为每架航空器满油最大飞行时间；
(3)所述的通航救援调度模型建立如下：
目标函数：
Figure RE-GDA0002424934620000072
其中tj＝(tijf+tgf)xijf
Figure RE-GDA0002424934620000073
约束条件：
Figure RE-GDA0002424934620000074
Figure RE-GDA0002424934620000075
Figure RE-GDA0002424934620000076
(tgf+tijf)xijf≤Lf (6)
Figure RE-GDA0002424934620000077
式(1)和式(2)为模型的目标函数，分别表示救援效率最大和总飞行里程最小；式(3)表明每个受灾点由一架航空器救援；式(4)表明出救点处航空器数量受限；式(5)表明每条飞行路线途径的各受灾点需求量总和不超过该路线上救援航空器的最大载重量。式(6)约束航空器满油最大飞行时间；式(7)表明如果受灾点j由航空器f救援，则航空器f至少要访问受灾点j一次。
在Q2步骤中，所述通航救援调度模型的求解具体如下：
(1)设定控制参数。初始温度T0，迭代次数C，交叉概率Pc，变异概率 Pm，种群规模N。
(2)以自然数编码方式构造染色体，以随机的方式生成初始种群。
例如：首先产生1～8的随机整数表示受灾点的访问顺序，设6-3-1-4-2-5-7-8 构成一个解，并对应有一种救援方案，按照载重约束、满油最大飞行时间约束和出救点处飞机数量约束，可依次将解的元素(受灾点)划入各架飞机的救援路线中。可用如下方法得到其对应的救援方案：首先将受灾点6加入第一架飞机的救援路线，然后判断受灾点6的需求量是否超过第一架飞机的载重量，如果不超过，再将受灾点3加入到第一架飞机的救援路线，再次判断受灾点6和 3的需求量之和是否超过飞机载重量，若仍不超过，再将受灾点1加入，然后再次判断，若仍不超过，继续将受灾点4加入，再次判断，设此时超过，说明受灾点4不能加入第一架飞机的救援路线(可将受灾点4作为第二架飞机救援的第一个受灾点)，然后按距离给第一个受灾点6分配出救点(设出救点3)和救援飞机，且判断出救点3处的飞机数量约束，如果满足，则由出救点3处的飞机进行救援，否则，由距离受灾点6次近的出救点处的飞机进行救援，设受灾点6由出救点3处的飞机进行救援，计算出第一架飞机从出救点3(用000 表示)到受灾点1的总救援时间，即飞行路线为000-6-3-1的总救援时间(包括在受灾点6和3处投放物资时间)，判断该时间是否超过飞机满油最大飞行时间，如果不超过，继续判断救援路线为000-6-3-1-0(0表示返回距离受灾点 1最近的出救点1)的总飞行时间是否满足飞机满油最大飞行时间，如果满足，则第一架飞机的救援路线为000-6-3-1-0，如果不满足，说明受灾点1不能由第一架飞机救援(可将受灾点1作为第二架飞机救援的第一个受灾点)，则第一架飞机的救援路线为000-6-3-00(00表示返回距离受灾点3最近的出救点2)。前面提到从第一架飞机从出救点3到受灾点1的总救援时间，即飞行路线为000-6-3-1的总救援时间如果超过飞机满油最大飞行时间，则从救援路线中剔除受灾点1(可将受灾点1作为第二架飞机救援的第一个受灾点)，判断飞行路线为000-6-3-00的总救援时间是否满足飞机满油最大飞行时间，如果满足，则第一架飞机的救援路线为000-6-3-00，如果不满足，则第一架飞机的救援路线为000-6-000(000表示返回距离受灾点6最近的出救点3，且可将受灾点3作为第二架飞机救援的第一个受灾点)。由以上判断可得第一架飞机的救援路线，仍按上述方法可将解中的其他受灾点加入其他飞机的救援路线中。采用这种编码方法，不仅可以满足所有约束条件，而且可以提高飞机的载重利用率和里程利用率，降低运输成本，其解的表示也较为直观，容易产生最优救援方案，所以这种方法是可行的。
(3)计算适应度。由于所建模型是寻求目标函数的最小值，为了便于计算适应度值表示为：f＝1/Y，Y指总飞行里程，适应度值较大的个体越接近问题的可行解。
(4)进行遗传操作。
选择：根据适应度值采用精英保留和轮盘赌法选择种群；
交叉：对通过自适应交叉概率的染色体采用部分匹配交叉法进行交叉操作；
Figure RE-GDA0002424934620000091
变异：对通过自适应变异概率的染色体采用对换变异法进行变异操作；
Figure RE-GDA0002424934620000092
favg表示每代种群平均适应值；fmax表示种群中最大适应值；f'表示交叉的两个个体中较大的适应值；f表示群体要变异个体适应值；Pc1、Pc2表示最高交叉率与最低交叉率；Pm1、Pm2表示最高变异率与最低变异率。
(5)模拟退火算法局部优化。对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体。
(6)算法终止条件。当算法满足终止条件则停止运算，输出高适应度染色体所对应的航空器飞行路线集合。否则，继续执行降温后转至计算个体适应度值等操作。
实例：以汶川地震为背景设计算例，假设有3个出救点，15个受灾点，各个出救点均选用米-171该系列航空器。每架航空器最大载重量Mf＝4000kg，飞行速度v＝230km/h，满油最大飞行时间Lf＝4h，物资投放或降落卸载时间 tgf＝0.33h，各出救点分别有直升机5架、3架、4架，各受灾点的飞行时间目标值Tj＝4h。算法相关参数为：种群规模N＝100，最高交叉率Pc1＝0.8，最低交叉率Pc2＝0.3，最高变异率Pm1＝0.06，最低变异率Pm2＝0.03，最大迭代代数 C＝1000，初始温度T0＝1000，退火率at＝0.85。
表1 各地数据信息表
Figure RE-GDA0002424934620000101
Figure RE-GDA0002424934620000111
步骤2所述最佳通航救援调度方案的生成：
如图2所示，救援效率最高为0.273，总飞行里程最短为1320.4km。得到最佳调度方案如表2所示。
方案1的救援效率最高，因为参与救援的航空器数量较多，并且每架航空器经过的受灾点相对较少，故整体救援航空器飞行时间较短，救援效率更高，说明该方案能较好满足目标1的要求。但该方案比方案2的目标2最短飞行里程更长，说明该方案追求最大救援效率时，花费了较长的飞行里程并增加了救援成本。
方案2所有航空器的总飞行里程最短，表明该方案运送应急物资成本更低，但该方案比方案1的目标1最大救援效率更低；说明该方案着重考虑目标2飞行成本的要求，但受灾点的救援效率有所降低。因此，在实际的救援行动中，可根据决策者对救援效率和救援成本的风险偏好选择合适方案，如在本发明案例中，建议选择方案2，即牺牲较小的救援效率换取总飞行里程较大幅度的减小。
表2通航救援调度方案
Figure RE-GDA0002424934620000112
Figure RE-GDA0002424934620000121
不同配送模式下结果分析：如图3所示，两种配送模式下目标函数值差距明显，这是由于“单对单”配送模式往往需要更多的航空器为受灾点提供物资，不免出现航空器数量不足的情形，这就延迟了某些受灾点的救援时间，造成了救援效率降低；“单对单”配送模式一次配送一个受灾点，未能充分利用航空器对多个点进行救援，造成飞行里程增加，救援成本也相应增加。由此可见“多对多”配送模型可以更好地缩短飞行里程，提高救援效率。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (2)

1.一种基于救援效率的通航救援调度优化方法，其特征在于，具体步骤如下：
步骤Q1：通用航空器作为调度研究对象，以航空器载重、飞行时间、飞机数量为约束条件，以救援效率最大化、总飞行里程最小化为目标建立多出救点、多受灾点航空器调度优化模型；
步骤Q2：采用混合遗传模拟退火算法求解多出救点、多受灾点航空器调度优化模型，得到最佳通航救援调度方案；
其中，步骤Q1所述通航救援调度模型的建立具体如下：
Q11：所述的通航救援调度模型有以下前提条件：
救援过程中，各架航空器性能相同，满油、满载且以巡航速度匀速飞行；出救点有多个且位置已知，每个出救点的物资数量充足，但航空器数量受限；受灾点有多个且位置已知，每个受灾点的需求量已知；救援过程中，每个受灾点被经过一次且仅一次就完成配送；航空器每次飞行至少救援一个受灾点；航空器在距离最近的出救点进行加油和装载，在受灾点进行物资投放或降落卸载；
Q12：所述的通航救援调度模型中使用的变量及其含义如下：
xijf为0-1决策变量，航空器f是否经过(i,j)；
yjf为0-1决策变量，航空器f是否为受灾点j运送物资；
zij为0-1决策变量，出救点i是否为受灾点j提供物资；
E为出救点D与受灾点C集合(i,j∈E＝C∪D)；
dij为节点i与j之间的距离(i,j∈E)；
Kp为出救点P可用航空器数量；
Mf为航空器最大载重量(f＝1,2,...F)；
Figure FDA0003480875780000011
为第j个受灾点对物资g的需求量(j＝1,2...C)；
tj为受灾点j的飞行时间实际值；
Tj为受灾点j的飞行时间目标值；
tgf为物资投放或者降落卸载所需时间；
tijf为航空器f从节点i到节点j的飞行时间(i∈E,j∈E)；
Lf为每架航空器满油最大飞行时间；
Q13：所述的通航救援调度模型建立如下：
目标函数：
Figure FDA0003480875780000021
其中tj＝(tijf+tgf)xijf
Figure FDA0003480875780000022
约束条件：
Figure FDA0003480875780000023
Figure FDA0003480875780000024
Figure FDA0003480875780000025
(tgf+tijf)xijf≤Lf (6)
Figure FDA0003480875780000026
式(1)和式(2)为模型的目标函数，分别表示救援效率最大和总飞行里程最小；
式(3)表明每个受灾点由一架航空器救援；式(4)表明出救点处航空器数量受限；
式(5)表明每条飞行路线途径的各受灾点需求量总和不超过该路线上救援航空器的最大载重量；式(6)约束航空器满油最大飞行时间；式(7)表明如果受灾点j由航空器f救援，则航空器f至少要访问受灾点j一次。
2.根据权利要求1所述的一种基于救援效率的通航救援调度优化方法，其特征在于，步骤Q2所述通航救援调度模型的求解具体如下：
Q21：设定控制参数，初始温度T0，迭代次数C，交叉概率Pc，变异概率Pm，种群规模N；
Q22：以自然数编码方式构造染色体，以随机的方式生成初始种群；
Q23：计算适应度，由于所建模型是寻求目标函数的最小值，为了便于计算适应度值表示为：f＝1/Y，Y指总飞行里程；
Q24：进行遗传操作：
选择：根据适应度值采用精英保留和轮盘赌法选择种群；
交叉：对通过自适应交叉概率的染色体采用部分匹配交叉法进行交叉操作；
Figure FDA0003480875780000031
变异：对通过自适应变异概率的染色体采用对换变异法进行变异操作；
Figure FDA0003480875780000032
favg表示每代种群平均适应值；fmax表示种群中最大适应值；f'表示交叉的两个个体中较大的适应值；f表示群体要变异个体适应值；Pc1、Pc2表示最高交叉率与最低交叉率；Pm1、Pm2表示最高变异率与最低变异率；
Q25：模拟退火算法局部优化，对变异产生的新个体进行调整解码，并计算适应度，通过Metropolis准则来决定是否接受新个体；
Q26：算法终止条件：当算法满足终止条件则停止运算，输出高适应度染色体所对应的航空器飞行路线集合，否则，继续执行降温后转至计算个体适应度值的 操作。
CN201911279393.3A 2019-12-13 2019-12-13 一种基于救援效率的通航救援调度优化方法 Active CN111126682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911279393.3A CN111126682B (zh) 2019-12-13 2019-12-13 一种基于救援效率的通航救援调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911279393.3A CN111126682B (zh) 2019-12-13 2019-12-13 一种基于救援效率的通航救援调度优化方法

Publications (2)

Publication Number Publication Date
CN111126682A CN111126682A (zh) 2020-05-08
CN111126682B true CN111126682B (zh) 2022-03-15

Family

ID=70499995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911279393.3A Active CN111126682B (zh) 2019-12-13 2019-12-13 一种基于救援效率的通航救援调度优化方法

Country Status (1)

Country Link
CN (1) CN111126682B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111678524B (zh) * 2020-07-31 2023-05-16 中国民用航空飞行学院 一种基于飞行安全的救援航空器路径规划方法及系统
CN113469416B (zh) * 2021-06-08 2022-09-20 哈尔滨工业大学 一种派件任务规划方法及设备
CN114066240A (zh) * 2021-11-16 2022-02-18 中国民用航空飞行学院 一种基于救援效率的通航救援调度优化方法
CN114707770B (zh) * 2022-06-06 2022-10-18 中国民航大学 基于救援时效性的航空应急救援决策的优化方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542395A (zh) * 2010-12-31 2012-07-04 北京师范大学 一种应急物资调度系统及计算方法
CN103235743A (zh) * 2013-04-07 2013-08-07 北京航空航天大学 一种基于分解和最优解跟随策略的多目标测试任务调度方法
CN103489042A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 一种灾害应急决策系统路径优化的方法
CN104504439A (zh) * 2014-11-26 2015-04-08 沈阳建筑大学 基于改进人工蜂群算法的约束多目标优化方法
CN104991895A (zh) * 2015-05-15 2015-10-21 南京航空航天大学 一种基于三维空域网格的低空救援航空器航迹规划方法
CN107679650A (zh) * 2017-09-14 2018-02-09 河海大学 一种面向多受灾点‑多出救点的应急物资调度优化方法
CN109215400A (zh) * 2018-09-12 2019-01-15 南京航空航天大学 基于复合分派规则的进场航班快速排序与优化调度方法
CN109726917A (zh) * 2018-12-29 2019-05-07 北京航空航天大学 一种基于四维航迹的货运航班调度方法和装置
CN110458327A (zh) * 2019-07-09 2019-11-15 浙江墨煌信息科技有限公司 应急物资调度方法及其系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542395A (zh) * 2010-12-31 2012-07-04 北京师范大学 一种应急物资调度系统及计算方法
CN103235743A (zh) * 2013-04-07 2013-08-07 北京航空航天大学 一种基于分解和最优解跟随策略的多目标测试任务调度方法
CN103489042A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 一种灾害应急决策系统路径优化的方法
CN104504439A (zh) * 2014-11-26 2015-04-08 沈阳建筑大学 基于改进人工蜂群算法的约束多目标优化方法
CN104991895A (zh) * 2015-05-15 2015-10-21 南京航空航天大学 一种基于三维空域网格的低空救援航空器航迹规划方法
CN107679650A (zh) * 2017-09-14 2018-02-09 河海大学 一种面向多受灾点‑多出救点的应急物资调度优化方法
CN109215400A (zh) * 2018-09-12 2019-01-15 南京航空航天大学 基于复合分派规则的进场航班快速排序与优化调度方法
CN109726917A (zh) * 2018-12-29 2019-05-07 北京航空航天大学 一种基于四维航迹的货运航班调度方法和装置
CN110458327A (zh) * 2019-07-09 2019-11-15 浙江墨煌信息科技有限公司 应急物资调度方法及其系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Helicopter rescue operations involving winching of an emergency physician;Pssquier M 等;《Injury》;20120930;1377-1380 *
基于人道主义物流的应急物资调度研究综述与思考;彭芷月;《物流科技》;20190510;第42卷(第5期);25-27 *
基于救援效率的通航救援调度模型研究;刘全义;《数学的实践与认识》;20200408;第50卷(第7期);115-126 *
基于数学规划的救援物资分配优化模型及其求解算法综述;曹策俊等;《计算机应用》;20200430(第08期);2398-2409 *
应急条件下异构运输问题的协同优化研究;朱莉等;《管理学报》;20180201(第02期);309-316 *
突发灾害事件情景下应急救援车辆调度问题综述;王付宇 等;《计算机应用研究》;20170113(第10期);2887-2891 *

Also Published As

Publication number Publication date
CN111126682A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111126682B (zh) 一种基于救援效率的通航救援调度优化方法
Teodorović et al. Optimal dispatching strategy on an airline network after a schedule perturbation
CN103489337B (zh) 一种基于改进的局部搜索策略的空中交通流量调控方法
CN108229741A (zh) 一种基于空地协同医疗救援的设施点预选址方法
Liu et al. Humanitarian logistics planning for natural disaster response with Bayesian information updates.
CN113962481B (zh) 一种应急物资的资源配置方法、装置和服务器
CN109460900B (zh) 一种机场新建卫星厅的转场航班分配方法
Ayachi et al. A Genetic algorithm to solve the container storage space allocation problem
Najafi et al. Location and distribution management of relief centers: A genetic algorithm approach
CN103489336B (zh) 一种适用于广域空中交通流量调控的方法
Gan et al. A multi-objective evolutionary algorithm for emergency logistics scheduling in large-scale disaster relief
CN105489066B (zh) 空中交通流量调控方法
Li et al. A bi-level planning approach of logistics unmanned aerial vehicle route network
Zhou et al. Multirunway optimization schedule of airport based on improved genetic algorithm by dynamical time window
CN111785092A (zh) 一种面向航班延误的机场群航班编排优化方法
CN114066240A (zh) 一种基于救援效率的通航救援调度优化方法
CN114254822B (zh) 一种基于物联网技术的无人机配送网络优化模型及其求解算法
CN115826614A (zh) 一种多无人机能源保障任务分配方法
CN113222497A (zh) 基于metric的航材共享中心库选址方法
Haghighi et al. A parallel priority queueing system with finite buffers
CN114240535A (zh) 一种集群式供应链下的混合合约设计方法和系统
Reiman Enterprise analysis of strategic airlift to obtain competitive advantage through fuel efficiency
Ha et al. Optimization of Cube Storage Warehouse Scheduling Using Genetic Algorithms
CN114331280B (zh) 基于客户满意度和能量优化的无人机辅助快递交付方法
Chenguang et al. Load planning of transport aircraft based on hybrid genetic 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