CN111612252A - 大规模应急设施的自动选址方法、装置及可读存储介质 - Google Patents

Abstract

本申请公开了一种大规模应急设施的自动选址方法、装置及计算机可读存储介质。其中，方法包括基于待规划区域的城市路网数据，计算待规划区域内中所有路网节点之间通行的最短路径；对最短路径和预先构建的设施选址模型进行编码操作，设施选址模型表示基于应急设施布局规则所设立的应急设施在选址过程中需要满足选址条件；基于编码后的最短路径，利用遗传算法计算设施选址模型的最优解，得到待选址应急设施在待规划区域的设立总数量和设立位置信息，以作为应急设施的选址信息进行自动输出。在无需事先确定应急设施的设立数量的前提下，便可实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，优化城市应急设施的布局。

Description

大规模应急设施的自动选址方法、装置及可读存储介质

技术领域

本申请涉及设施选址技术领域，特别是涉及一种大规模应急设施的自动选址方法、装置及计算机可读存储介质。

背景技术

可以理解的是，应急设施的选址对于整个城市的安全性具有很大的影响，随着城市建设规模逐渐增大，为有效解决城市应急设施建设成本高和空间资源浪费大等问题，提供更好应急服务工作，传统的人工基于城市建筑布局进行应急设施的选址显然无法满足现实需求。

在应急设施选址过程中，例如消防站、急救站、物流中心、核电站等选址，布局安全与建设成本是两个不可调和的矛盾，由于消防站建设成本极高，城市应建设适当数量的消防站，使其覆盖所有应急需求点如火灾的同时，尽可能最小化建设成本。应急设施选址问题实质是在规划区内实现满足需求、完成分配任务的合理安排，以得到在某些约束条件下，一个或多个设施的地理位置。空间优化应急设施选址涉及到复杂的非线性组合优化，属于经典的无容量限制设施选址问题(Uncapacitated Facility Location Problem，UFLP)，从复杂性角度来看，UFLP是NP-Hard问题，其求解复杂度随问题规模扩大呈指数增长。如果采用传统的统计方法，存在着计算时间长、计算复杂度高等问题，很难满足城市不断扩建的需求。在传统的应急设施选址问题中，常用的模型有集合覆盖模型、最大覆盖模型等，此类模型适用于解决对反应速度要求高、应急设施须覆盖所有需求点的问题，需事先确定应急设施安装数量，并不适用于消防站这种应急设施的选址问题。目前已有的精确算法，如分支定界算法、重心法等，也只适合求解较小规模的设施选址问题，对于城市消防站选址这种大规模选址问题并不适用。

鉴于此，如何在无需事先确定应急设施的安装数量的前提下，实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，有效平衡应急设施布局安全性与经济性两方面矛盾，优化城市应急设施的布局，是所属领域技术人员需要解决的技术问题。

发明内容

本申请提供了一种大规模应急设施的自动选址方法、装置及计算机可读存储介质，在无需事先确定应急设施的安装数量的前提下，便可实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，有效平衡应急设施布局安全性与经济性两方面矛盾，优化城市应急设施的布局。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种大规模应急设施的自动选址方法，包括：

基于待规划区域的城市路网数据，计算所述待规划区域内中所有路网节点之间通行的最短路径；

对所述最短路径和预先构建的设施选址模型进行编码操作；所述设施选址模型用于表示基于应急设施布局规则所设立的应急设施在选址过程中需要满足选址条件，所述选址条件用约束条件和目标函数来描述；

基于编码后的最短路径，利用遗传算法计算编码后的设施选址模型的最优解，得到待选址应急设施在所述待规划区域的设立数量和设立位置，以作为所述待选址应急设施在所述待规划区域的选址信息进行自动输出。

可选的，所述得到待选址应急设施在所述待规划区域的设立数量和设立位置之后，还包括：

若所述待选址应急设施的选址信息不满足预设选址达标条件，则基于所述预设选址达标条件重新调整所述选址信息直至满足所述预设选址达标条件；

其中，所述预设选址达标条件基于所述应急设施布局规则、应急设施响应覆盖率和各应急设施点之间的交叉相应覆盖率确定。

可选的，所述利用遗传算法计算编码后的设施选址模型的最优解包括：

在利用所述遗传算法计算所述设施选址模型最优解过程中，调用多个线程自适应并行调整搜索方向。

可选的，所述设施选址模型包括约束条件组和多目标决策函数组；

所述约束条件组为：

所述多目标决策函数组为：

min d_max'；

式中，L为位置集合，i为所述待规划区域的第i个位置，j为所述待规划区域的第j个位置；x_ij为i位置处的应急设施被设立在j位置处的应急设施覆盖情况，x_ij＝1为i位置处的应急设施被设立在j位置处的应急设施覆盖；y_j为j位置处的应急设施的设立情况，y_j＝1为j位置处设置应急设施；s_ij为i位置与j位置的距离；d_max为应用设施的最大覆盖距离；d_max'为当前应急设施需求点与离其最近应急设施点距离的最大值；Δd为松弛距离。

可选的，所述对所述最短路径和预先构建的设施选址模型进行编码操作包括：

采用二进制编码方式对所述最短路径和预先构建的设施选址模型进行编码操作；二进制数的长度为所述待规划区域设置所述待选址应急设施的最大数量值。

本发明实施例另一方面提供了一种大规模应急设施的自动选址装置，包括：

路网数据处理模块，用于基于待规划区域的城市路网数据，计算所述待规划区域内中所有路网节点之间通行的最短路径；

编码操作模块，用于对所述最短路径和预先构建的设施选址模型进行编码操作；所述设施选址模型用于表示基于应急设施布局规则所设立的应急设施在选址过程中需要满足选址条件，所述选址条件用约束条件和目标函数来描述；

选址信息自动确定模块，用于基于编码后的最短路径，利用遗传算法计算编码后的设施选址模型的最优解，得到待选址应急设施在所述待规划区域的设立数量和设立位置，以作为所述待选址应急设施在所述待规划区域的选址信息进行自动输出。

可选的，还包括：

选址调整模块，用于若所述待选址应急设施的选址信息不满足预设选址达标条件，则基于所述预设选址达标条件重新调整所述选址信息直至满足所述预设选址达标条件；

其中，所述预设选址达标条件基于所述应急设施布局规则、应急设施响应覆盖率和各应急设施点之间的交叉相应覆盖率确定。

可选的，所述选址信息自动确定模块为在利用所述遗传算法计算所述设施选址模型最优解过程中，调用多个线程自适应并行调整搜索方向的模块。

本发明实施例还提供了一种大规模应急设施的自动选址装置，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述大规模应急设施的自动选址方法的步骤。

本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有大规模应急设施的自动选址程序，所述大规模应急设施的自动选址程序被处理器执行时实现如前任一项所述大规模应急设施的自动选址方法的步骤。

本申请提供的技术方案的优点在于，结合地理特征信息确定应急设施的设立位置和设立数量，预先计算待规划区域内各网络节点可通行的路径，不仅可保证选址信息的准确度，减少站点数量、节约建设成本，还可降低后续算法处理数据量，提高选址信息确定效率；基于遗传算子简单易操作且具有群体搜索的性质，通过自适应度值指标进行操作，降低了传统的搜索算法对人机交互的依赖性，实现整个解空间的分布式信息搜索，进一步提高选址信息的准确度和效率，在无需事先确定应急设施的安装数量的前提下，便可实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，有效平衡应急设施布局安全性与经济性两方面矛盾，优化空间网络布局、最大限度发挥其安全保障作用，提高经济与社会效益，为城市发展提供支持。

此外，本发明实施例还针对大规模应急设施的自动选址方法提供了相应的实现装置及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置及计算机可读存储介质具有相应的优点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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为本发明实施例提供的一种大规模应急设施的自动选址方法的流程示意图；

图2为本发明实施例提供的遗传算法的原理示意图；

图3为本发明实施例提供的基于遗传算法计算最优解的流程示意图；

图4为本发明实施例提供的在基于遗传算法计算最优解过程中迭代次数前200轮的应急设施个数变化示意图；

图5为本发明实施例提供的在基于遗传算法计算最优解过程中迭代次数前100轮的应急设施个数变化示意图；

图6为本发明实施例提供的在基于遗传算法计算最优解过程中迭代次数在80-100轮的应急设施个数变化示意图；

图7为本发明实施例提供的大规模应急设施的自动选址装置的一种具体实施方式结构图；

图8为本发明实施例提供的大规模应急设施的自动选址装置的另一种具体实施方式结构图；

图9为本发明实施例提供的大规模应急设施的自动选址装置的再一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图1，图1为本发明实施例提供的一种大规模应急设施的自动选址方法的流程示意图，本发明实施例可包括以下内容：

S101：基于待规划区域的城市路网数据，计算待规划区域内中所有路网节点之间通行的最短路径。

本发明实施例中的待规划区域为设立应急设施的区域，应急设施例如可为消防站、急救站、核电站等等，待规划区域可为整个城市，也可为城市内某个区域或某几个区域，本申请对此不做任何限定。城市路网数据例如可通过OpenStreetMap地图中来获取，当然，也可通过其他方式获取，这均不影响本申请的实现。在得到待规划区域的城市路网数据后，可利用任何一种最短路径计算方法计算待规划区域内路网节点间可通行的最短路径，最短路径的计算过程可参阅所采用算法在相关技术中记载的实现过程，此处，便不再赘述。此处的可通行是指两个路网节点之间的路段是畅通的，可使诸如消防车辆从A路网节点通过该最短路径到达B路网节点。例如可采用Floyd-Warshall算法基于欧式距离作为距离度量方式计算区域内点对之间的最短路径，可先从图的邻接矩阵G[v(i，j)]n*n开始，其中矩阵的第i行和j列的元素v(i,j)表示i号结点到j号结点的路径长度。按照递归公式，对矩阵G递归地进行n次更新，得到路网中所有结点之间的最短路径。递推公式为G[v(i，j)]＝min(G[v(i，j)]，G[v(i，k)]+G[(k，j)])，k表示从结点i首先经过结点k再到达结点j。迭代完成之后，G中所包含的信息即为路网中所有结点之间的最短路径。

S102：对最短路径和预先构建的设施选址模型进行编码操作。

由于S103利用遗传算法计算最优解的方法得到应急设施的最优选址信息，而相关技术中的遗传算法不能直接用于计算应急设施选址问题类型的空间数据。基于此，本申请通过S102的编码操作实现利用遗传算法处理空间选址问题，将问题的可行解从解空间转到遗传算法所能处理的搜索空间-染色体中。作为一种可选的实施方式，可采用二进制编码方式对最短路径和预先构建的设施选址模型进行编码操作，二进制数的长度为待规划区域设置待选址应急设施的最大数量值。当然，也可采用其他编码方式，本申请对此不做任何限定。举例来说，对最短路径和设施选址模型所采取的编码方式是二进制编码，可用形如[y₁y₂…y_j…y_n]的一串二进制数表示一个选址策略或称个体，若y_j＝1(j＝1,2,…,n)则表示在位置j处建设应急设施，否则反之。二进制数的长度与具体城市有关，一般L＝n，其中n表示城市中可作为应急设施设立点的位置数量。例如在一个长度为10的消防站选址策略中，[y₁y₂y₃y₄y₅y₆y₇y₈y₉y₁₀]＝[1010000010]则表示在位置1、3、9处建设消防站。

其中，设施选址模型可包括基于应急设施布局规则设置的应急设施选取的约束条件和目标函数，应急设施布局规则可根据当前应急设施对应的国家规定的相关设立规则如应急设施响应覆盖率和各应急设施之间交叉响应覆盖率等、设立城市的建筑布局和设立应急设施耗费成本共同确定。设施选址模型用于表示基于应急设施布局规则所设立的应急设施在选址过程中需要满足选址条件，选址条件可用约束条件和目标函数共同来描述。

S103：基于编码后的最短路径，利用遗传算法计算编码后的设施选址模型的最优解，得到待选址应急设施在待规划区域的设立数量和设立位置，以作为待选址应急设施在待规划区域的选址信息进行自动输出。

本发明实施例采用遗传算法，根据区域划分、地理网络模型技术分别实现应急设施如消防站数量、位置以及应急设施的布局决策过程，达到城市消防站布局优化的目的。遗传算法的最优解计算过程可参阅任意一种相关技术记载的实现过程，此处，便不再赘述。

在本发明实施例提供的技术方案中，结合地理特征信息确定应急设施的设立位置和设立数量，预先计算待规划区域内各网络节点可通行的路径，不仅可保证选址信息的准确度，减少站点数量、节约建设成本，还可降低后续算法处理数据量，提高选址信息确定效率；基于遗传算子简单易操作且具有群体搜索的性质，通过自适应度值指标进行操作，降低了传统的搜索算法对人机交互的依赖性，实现整个解空间的分布式信息搜索，进一步提高选址信息的准确度和效率，在无需事先确定应急设施的安装数量的前提下，便可实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，有效平衡应急设施布局安全性与经济性两方面矛盾，优化空间网络布局、最大限度发挥其安全保障作用，提高经济与社会效益，为城市发展提供支持。

可以理解的是，设施选址模型与待规划区域要设立的应急设施选址需求和国家规定的应急设施在各种应急场景中需要满足的应急措施采取最低保障条件有直接联系，在确定满足这些条件的基础上设置最少数量的应急设施点，从而更好地兼顾应急设施的安全性与经济性。基于此，本申请构建的设施选址模型可包括多目标决策函数组和约束条件组；

多目标决策函数组为：

min d_max'； (3)

约束条件组为：

式中，L为位置集合，i为待规划区域的第i个位置，j为待规划区域的第j个位置；x_ij为i位置处的应急设施被设立在j位置处的应急设施覆盖情况，x_ij＝1为i位置处的应急设施被设立在j位置处的应急设施覆盖；y_j为j位置处的应急设施的设立情况，y_j＝1为j位置处设置应急设施；s_ij为i位置与j位置的距离；d_max为应用设施的最大覆盖距离；d_max'为当前应急设施需求点与离其最近应急设施点距离的最大值；Δd为松弛距离。

在本发明实施例中，约束条件组中的约束条件关系式(4)和(6)可保证任一应急设施如消费站需求点都至少能被一个应急设施覆盖，且所有路网结点均在应急设施的最大覆盖距离之内。多目标决策函数组中的目标函数关系式(1)和约束条件组中的约束条件关系式(6)可保证所有路网结点均在应急设施最大覆盖范围之内的前提下，使所有路网结点到离其最近的应急设施加权距离最小。多目标决策函数组中的目标函数关系式(2)表示使求得的应急设施设立数量最小化。约束条件组中的约束条件关系式(6)中的松弛距离Δd用于表示容忍需求点超过应急设施最大覆盖距离的程度，能更好地使模型收敛到最小的应急设施设立总个数。

需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。

作为一种可选的实施方式，在上述实施例中，对于如何执行步骤S103并不做限定，为了更加高效准确的确定应急设施选址信息，结合图2和图3所示，并基于上述实施例构建的设施选址模型，本实施例中给出利用遗传算法计算得到最优选址信息的方法，可包括如下步骤：

遗传算法所体现的是一个种群不断进化的过程，其初始种群的分布情况，对整个算法求解是否具有全局收敛性有很大的影响。综合考虑大规模应急设施如消防站选址问题的复杂性以及现实性，本申请采取的方案可为随机生成：对于每个大规模应急设施如消防站设施备选点，都有一定的随机概率被选作大规模应急设施如消防站，由此产生一系列随机化的个体。随机化产生的初始种群，若种群规模过小，易陷入局部极值点；反之，若种群规模过大，进化过程中所需的迭代次数将会大大增加，影响算法效率。为避免这两种极端情况发生，本申请所选取的种群规模可为N＝200。

适应度值为遗传算法中描述个体性能的重要指标，是根据目标函数确定的用于区分群体中个体好坏的依据，可根据适应度的大小，对个体实现“优胜劣汰”。本发明实施例通过对设施选址模型的目标函数关系式(1)和(2)两式进行适当变换，采用F(i,j)作为设施选址模型的适应度评价函数用来衡量所生成的个体优劣程度。F(i，j)的表达式可如下：

其中，c_j表示在j处建立消防站所需的代价，(d_max-d_max')^power是罚函数，power是惩罚因子，对于需求点与应急设施距离超出最大覆盖距离的部分进行惩罚，用于将有最大距离限制约束的应急设施选址问题转换为无约束最优化问题。

当种群的最小适应度值经过100代不变时，则视为模型收敛，结束迭代，退出循环。

为求得较优设施选址模型，同时体现遗传算法“适者生存”的思想，使得优质选址策略参与进化，规划过程中，适应度评价函数值较小的选址策略(个体)应当进化并成为下一代种群中的个体。如果单纯按照适应度评价函数值对种群中的所有选址策略进行排序，选择最优的一部分个体进入下一代种群，会降低种群的多样性，使得遗传算法早熟。本发明实施例所采取的应急设施选址策略为：将群体中的数量为N的个体按适应度值排序，筛选适应度值较低的数量为N_superiority的个体进化，适应度值较高的数量为N_inferiority的个体直接遗弃，剩余数量为N-N_superiority-N_inferiority的个体按照一定的概率进行随机选取。

遗传算法中的交叉算法通过模仿自然界生物进化过程中的生物交配繁殖，进而进行基因重组。其作用是在现有的大规模应急设施选址策略中，不断产生新选址策略(个体)、增加种群的多样性、扩大搜索空间，从而避免遗传算法陷入局部最优。运用于求解消防站规划模型问题中，交叉算法的设计应满足一定的准则：尽量保持上一代种群中性状优良的个体，又能有效的产生出一些较好的新个体模式，且需与问题的0-1编码方式相适应。综合考虑大规模应急设施选址的编码、及其在实际应用场景中表达形式的复杂程度，在本申请提出的设施选址模型中，采取的是均匀交叉和多点交叉相结合的交叉算法。

其中，均匀交叉为指两个相互配对的个体的每一位二进制编码都以相同概率进行交换，从而形成两个新个体。例如在某次迭代过程中，有两个长度为8的父代消防站选址策略chromosom₁＝[0，1，0，0，1，0，0，1]和chromosom₂＝[1，0，1，0，0，0，0，1]，它们进行均匀交叉所产生的子代消防站选址策略为chromosom_new＝[0，1，0，0，1，0，0，1]。多点交叉为指在相互配对的两个个体编码的二进制串中随机设置多个交叉点，然后交换两个交叉点之间的部分基因。例如同样对于两个长度为8的父代消防站选址策略chromosom_1'＝[0,1,0,0,1,0,和chromosom_2'＝[0,0,1,0,0,1,0,1]，若进行多点交叉，且交叉位置为3，则它们交叉所产生的子代消防站选址策略为chromosom_new'＝[0,1,0,0,0,1,0,1]，图2给出了其相应的形式化的表述。

交叉算法中所产生的子代除了继承父代个体的信息之外，还会按一定的概率发生变异，变异算法赋予遗传算法一定的随机性，有利于保持种群的多样性。变异操作是以固定概率p_m进行的。本申请所采取的变异策略为：首先产生一个随机数p_m，若rnd≤p_m，则对子代进行下述操作实现变异，在已建立应急设施的位置中随机产生一个变异结点v∈L-{j|y_j＝1，j∈L}，v对应于一个消防站点，将y_v值置为0(即在v处不建设应急设施点)；再在未建设应急设施的位置中随机产生下一个变异结点w∈{j|y_j＝1，j∈L}，w对应于一个尚未建设应急设施的设施需求点如火灾需求点，将y_w值置为1(即在w建设应急设施)。图2给出了其相应的形式化示意图。

设施选址模型的求解过程可参阅图3所示，具体计算过程包括：

输入：某一地区的路网数据

输出：应急设施选址策略M

步骤1：对路网数据进行预处理并进行编码操作；

步骤2：随机产生初始选址策略(种群)；

步骤3：按照上述提出选址策略选取数量为

的个体进入下一代种群；

步骤4：在当前种群中，执行交叉算法产生数量为

的新个体，对这些新个体进行变异操作，得到新一代种群；

步骤5：输出当前种群最优个体作为最终应急设施选址策略M。

为了验证本申请提供的遗传算法可得到准确的应急设施选址信息，本申请还以具体实例进行验证，包括下述内容：

以江苏省苏州市虎丘区的消防站选址规划为例，利用本申请所提出的设施选址模型对其进行求解，预设消防站覆盖距离为5km时，基于最终决策效果图可知，在已有消防站的基础上，利用设施选址模型求解出的预设消防站几乎可以覆盖虎丘区所有范围，且在城区中心区域，有部分重叠覆盖，这也是符合实际的，中心区域往往是火灾事故多发地段，是财产集中地，因此需要重点防护。

实验过程中，选址策略中的消防站个数随迭代次数的变化如图4所示，可以看出，在前60轮迭代过程中，消防站个数不断减少，逐渐收敛接近于理论值，即给定消防站覆盖距离的前提下，覆盖整个区域所需的最小消防站个数。由此可见，相较于传统的消防站选址模型，设施选址模型可以实现自行优化所需建设的消防站个数，使其最小化，而无需人工预先设定，具有较大的自适应性。图5显示了前100轮迭代过程中，种群中最佳个体适应度值的变化量，其值越小，表明个体越优，即该个体所对应的选址策略越符合要求。在实验中可以发现，种群中最佳个体适应度值的变化趋势与消防站个数变化趋势相似，这表明衡量个体适应度的最关键因素是消防站个数，与消防站建设成本巨大这一事实相吻合。

本申请提出的设施选址模型的优点在于：1)它所产生的选址策略不会一直减少消防站个数直至趋于零。在设施选址模型中，若消防站数量低于理论值，则不能完全覆盖整个区域，模型将对该策略加上含有指数级的罚函数进行惩罚，详见式(8)，使其适应度变差，在进化过程中便会逐渐被遗弃。2)在消防站数量已经确定的情况下，GAFPL模型能得出更佳的选址策略。如图6所示，当消防站个数接近理论值时，模型将会对消防站具体位置实行进一步优化，寻找更好的个体，与此同时，适应度函数值也会继续下降。

由上可知，本申请的设施选址模型能有效地在应急设施如消防站建设过程中，综合考虑应急设施建设成本，覆盖范围等诸多因素，在相对而言较短的时间给出选址策略，实现安全布局与最小化建设成本的平衡。

在本发明实施例的另外一些实施方式中，为了提高选址效率，在利用遗传算法进行最优解寻找过程中，可在一定程度上能实现算法的并行运算，有效解决大规模应急设施选址问题的安全性与经济性上的矛盾。作为一种可选的实施方式，在利用遗传算法计算设施选址模型最优解过程中，可调用多个线程自适应并行调整搜索方向；当然，也可利用CPU和FPGA构建异构计算平台，CPU负责指令下发、任务调度和用户交互过程，而FPGA用于执行遗传算法的最优解计算过程，利用FPGA实现算法并行运算，提高选址效率。

作为另外一种可选的实施方式，为了提高应急设施选址的灵活性和准确度，还可依据应急设施布局原则及其他因素对选址结果进行调整进行修正，并根据应急设施响应覆盖率和应急设施交叉响应覆盖率对选址进行可达性分析，并通过实验对算法中的相应参数进行调整，最终建立的模型顾及地理网络特征，也就是说，若待选址应急设施的选址信息不满足预设选址达标条件，则基于预设选址达标条件重新调整选址信息直至满足条件；其中，预设选址达标条件基于应急设施布局规则、应急设施响应覆盖率和各应急设施点之间的交叉相应覆盖率确定。

本发明实施例还针对大规模应急设施的自动选址方法提供了相应的装置，进一步使得所述方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的大规模应急设施的自动选址装置进行介绍，下文描述的大规模应急设施的自动选址装置与上文描述的大规模应急设施的自动选址方法可相互对应参照。

基于功能模块的角度，参见图7，图7为本发明实施例提供的大规模应急设施的自动选址装置在一种具体实施方式下的结构图，该装置可包括：

路网数据处理模块701，用于基于待规划区域的城市路网数据，计算待规划区域内中所有路网节点之间通行的最短路径。

编码操作模块702，用于对最短路径和预先构建的设施选址模型进行编码操作；设施选址模型包括基于应急设施布局规则设置的应急设施选取的约束条件和目标函数。

选址信息自动确定模块703，用于基于编码后的最短路径，利用遗传算法计算编码后的设施选址模型的最优解，得到待选址应急设施在待规划区域的设立数量和设立位置，以作为待选址应急设施在待规划区域的选址信息进行自动输出。

可选的，在本实施例的一些实施方式中，请参阅图8，所述装置例如还可以包括：

选址调整模块704，用于若待选址应急设施的选址信息不满足预设选址达标条件，则基于预设选址达标条件重新调整选址信息直至满足预设选址达标条件；

其中，预设选址达标条件基于应急设施布局规则、应急设施响应覆盖率和各应急设施点之间的交叉相应覆盖率确定。

在本实施例的另一些实施方式中，所述选址信息自动确定模块703还可为在利用遗传算法计算设施选址模型最优解过程中，调用多个线程自适应并行调整搜索方向的模块。

可选的，在本实施例的另外一些实施方式中，所述编码操作模块702还可为采用二进制编码方式对最短路径和预先构建的设施选址模型进行编码操作的模块；二进制数的长度为待规划区域设置待选址应急设施的最大数量值。

本发明实施例所述大规模应急设施的自动选址装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例在无需事先确定应急设施的安装数量的前提下，便可实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，有效平衡应急设施布局安全性与经济性两方面矛盾，优化城市应急设施的布局。

上文中提到的大规模应急设施的自动选址装置是从功能模块的角度描述，进一步的，本申请还提供一种大规模应急设施的自动选址装置，是从硬件角度描述。图9为本申请实施例提供的另一种大规模应急设施的自动选址装置的结构图。如图9所示，该装置包括存储器90，用于存储计算机程序；

处理器91，用于执行计算机程序时实现如上述任一实施例提到的大规模应急设施的自动选址方法的步骤。

其中，处理器91可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器91可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器91也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器91可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器91还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器90可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器90还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器90至少用于存储以下计算机程序901，其中，该计算机程序被处理器91加载并执行之后，能够实现前述任一实施例公开的大规模应急设施的自动选址方法的相关步骤。另外，存储器90所存储的资源还可以包括操作系统902和数据903等，存储方式可以是短暂存储或者永久存储。其中，操作系统902可以包括Windows、Unix、Linux等。数据903可以包括但不限于测试结果对应的数据等。

在一些实施例中，大规模应急设施的自动选址装置还可包括有显示屏92、输入输出接口93、通信接口94、电源95以及通信总线96，例如还可包括传感器97。

本领域技术人员可以理解，图9中示出的结构并不构成对大规模应急设施的自动选址装置的限定，可以包括比图示更多或更少的组件，例如传感器97。

本发明实施例所述大规模应急设施的自动选址装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例在无需事先确定应急设施的安装数量的前提下，便可实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，有效平衡应急设施布局安全性与经济性两方面矛盾，优化城市应急设施的布局。

可以理解的是，如果上述实施例中的大规模应急设施的自动选址方法以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，本申请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全部或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，执行本申请各个实施例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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。

基于此，本发明实施例还提供了一种计算机可读存储介质，存储有大规模应急设施的自动选址程序，所述大规模应急设施的自动选址程序被处理器执行时如上任意一实施例所述大规模应急设施的自动选址方法的步骤。

本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例在无需事先确定应急设施的安装数量的前提下，便可实现为这类需要平衡设施的安全性和经济性方面矛盾、且规模较大的应急设施进行选址，有效平衡应急设施布局安全性与经济性两方面矛盾，优化城市应急设施的布局。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上对本申请所提供的一种大规模应急设施的自动选址方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种大规模应急设施的自动选址方法，其特征在于，包括：

基于待规划区域的城市路网数据，计算所述待规划区域内中所有路网节点之间通行的最短路径；

对所述最短路径和预先构建的设施选址模型进行编码操作；所述设施选址模型用于表示基于应急设施布局规则所设立的应急设施在选址过程中需要满足选址条件，所述选址条件用约束条件和目标函数来描述；

基于编码后的最短路径，利用遗传算法计算编码后的设施选址模型的最优解，得到待选址应急设施在所述待规划区域的设立数量和设立位置，以作为所述待选址应急设施在所述待规划区域的选址信息进行自动输出。

2.根据权利要求1所述的大规模应急设施的自动选址方法，其特征在于，所述得到待选址应急设施在所述待规划区域的设立数量和设立位置之后，还包括：

若所述待选址应急设施的选址信息不满足预设选址达标条件，则基于所述预设选址达标条件重新调整所述选址信息直至满足所述预设选址达标条件；

其中，所述预设选址达标条件基于所述应急设施布局规则、应急设施响应覆盖率和各应急设施点之间的交叉相应覆盖率确定。

3.根据权利要求2所述的大规模应急设施的自动选址方法，其特征在于，所述利用遗传算法计算编码后的设施选址模型的最优解包括：

在利用所述遗传算法计算所述设施选址模型最优解过程中，调用多个线程自适应并行调整搜索方向。

4.根据权利要求1至3任意一项所述的大规模应急设施的自动选址方法，其特征在于，所述设施选址模型包括约束条件组和多目标决策函数组；

所述约束条件组为：

所述多目标决策函数组为：

min d_max'；

式中，L为位置集合，i为所述待规划区域的第i个位置，j为所述待规划区域的第j个位置；x_ij为i位置处的应急设施被设立在j位置处的应急设施覆盖情况，x_ij＝1为i位置处的应急设施被设立在j位置处的应急设施覆盖；y_j为j位置处的应急设施的设立情况，y_j＝1为j位置处设置应急设施；s_ij为i位置与j位置的距离；d_max为应用设施的最大覆盖距离；d_max'为当前应急设施需求点与离其最近应急设施点距离的最大值；Δd为松弛距离。

5.根据权利要求4所述的大规模应急设施的自动选址方法，其特征在于，所述对所述最短路径和预先构建的设施选址模型进行编码操作包括：

采用二进制编码方式对所述最短路径和预先构建的设施选址模型进行编码操作；二进制数的长度为所述待规划区域设置所述待选址应急设施的最大数量值。

6.一种大规模应急设施的自动选址装置，其特征在于，包括：

路网数据处理模块，用于基于待规划区域的城市路网数据，计算所述待规划区域内中所有路网节点之间通行的最短路径；

编码操作模块，用于对所述最短路径和预先构建的设施选址模型进行编码操作；所述设施选址模型用于表示基于应急设施布局规则所设立的应急设施在选址过程中需要满足选址条件，所述选址条件用约束条件和目标函数来描述；

选址信息自动确定模块，用于基于编码后的最短路径，利用遗传算法计算编码后的设施选址模型的最优解，得到待选址应急设施在所述待规划区域的设立数量和设立位置，以作为所述待选址应急设施在所述待规划区域的选址信息进行自动输出。

7.根据权利要求6所述的大规模应急设施的自动选址装置，其特征在于，还包括：

选址调整模块，用于若所述待选址应急设施的选址信息不满足预设选址达标条件，则基于所述预设选址达标条件重新调整所述选址信息直至满足所述预设选址达标条件；

其中，所述预设选址达标条件基于所述应急设施布局规则、应急设施响应覆盖率和各应急设施点之间的交叉相应覆盖率确定。

8.根据权利要求7所述的大规模应急设施的自动选址装置，其特征在于，所述选址信息自动确定模块为在利用所述遗传算法计算所述设施选址模型最优解过程中，调用多个线程自适应并行调整搜索方向的模块。

9.一种大规模应急设施的自动选址装置，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述大规模应急设施的自动选址方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有大规模应急设施的自动选址程序，所述大规模应急设施的自动选址程序被处理器执行时实现如权利要求1至5任一项所述大规模应急设施的自动选址方法的步骤。

Images