CN111815048A - 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统 - Google Patents

基于改进头脑风暴算法的低碳垃圾分类收运方法及系统 Download PDF

Info

Publication number
CN111815048A
CN111815048A CN202010646773.2A CN202010646773A CN111815048A CN 111815048 A CN111815048 A CN 111815048A CN 202010646773 A CN202010646773 A CN 202010646773A CN 111815048 A CN111815048 A CN 111815048A
Authority
CN
China
Prior art keywords
random number
algorithm
improved
carbon
class
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.)
Pending
Application number
CN202010646773.2A
Other languages
English (en)
Inventor
浦徐进
陆徐龙
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202010646773.2A priority Critical patent/CN111815048A/zh
Publication of CN111815048A publication Critical patent/CN111815048A/zh
Pending legal-status Critical Current

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明涉及一种基于改进头脑风暴算法的低碳垃圾分类收运方法及系统，根据设置的约束条件以及定义的两个目标，建立双目标优化模型；采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集，根据所述更新归档集输出路径规划。本发明有利于有效降低运输成本和碳排放。

Description

基于改进头脑风暴算法的低碳垃圾分类收运方法及系统
技术领域
本发明涉及垃圾收运的技术领域，尤其是指一种基于改进头脑风暴算法的低碳垃圾分类收运方法及系统。
背景技术
随着经济的快速发展和城镇化率的提高，城市生活垃圾数量呈爆炸式增长，而人们生活水平的提高也使得垃圾种类越来越复杂。据不完全统计，全球每年产生上百亿吨垃圾，而其中只有15％的垃圾被回收利用，其余的垃圾都以焚烧、掩埋的方式处理，造成了严重的环境污染。而垃圾分类能有效地改善这一状况，最大限度地实现垃圾资源利用，减少垃圾处置的数量，改善生存环境状态。垃圾的收集与运输是连接垃圾产生源和处置系统的重要中间环节，其在垃圾管理和处理工程中占有非常重要的地位。据统计，在整个垃圾处理系统中，垃圾的收运费用占到了60％-80％。在许多城市，垃圾车往往沿固定路线清空各处垃圾桶，但这却不是有效率的方法，造成了大量的人力、财力损失。因此，合理并科学地制定垃圾车的收运路线，对于降低垃圾收运成本、促进城市经济社会可持续发展具有重要的现实意义。
目前，垃圾收运问题大多被抽象为车辆路径问题来进行优化求解。现实中垃圾收运工作是先由小型车辆从垃圾桶中收集垃圾送到中转站进行预处理，然后再由大型车辆运送到不同的处理中心。但由于建模的难度与求解的复杂度，现有研究大多忽略中转站的作用，只考察垃圾产生源与处理中心之间的垃圾收集车辆路径。同时，现有研究也很少考虑垃圾分类收集，因为垃圾分类收运问题较简单的垃圾收运问题更复杂，其难点在于建模决策变量的增加以及求解时问题维度的提高，因此，不仅算法复杂，而且不能达到优化垃圾分类收运路径的目的。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中算法复杂，且不能达到优化垃圾分类收运路径的问题，从而提供一种算法简单，而且可以有效提高优化垃圾分类收运路径的基于改进头脑风暴算法的低碳垃圾分类收运方法及系统。
为解决上述技术问题，本发明的一种基于改进头脑风暴算法的低碳垃圾分类收运方法，根据设置的约束条件以及定义的两个目标，建立双目标优化模型，其中定义的两个目标为：最小化车辆行驶总里程和最小化碳排放；采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集，根据所述更新归档集输出路径规划。
在本发明的一个实施例中，所述初始化算法参数包括：种群规模Q、归档集、下代种群生成控制参数、以及最大迭代次数。
在本发明的一个实施例中，所述随机生成初始种群包括Q个由实数编码表示的个体或解。
在本发明的一个实施例中，对初始种群进行聚类的方法为：依据帕累托优先级对种群进行聚类。
在本发明的一个实施例中，进行选择操作的方法为：生成随机数后，判断所述随机数是否小于第一控制参数，若是，则随机选择一个聚类中心，并随机生成一个新个体，替换随机选择的聚类中心，然后生成第二随机数；若否，则生成第二随机数，继续对所述第二随机数进行处理，直至对选择的个体进行差分变异操作。
在本发明的一个实施例中，对所述第二随机数进行处理的方法为：判断所述第二随机数是否小于第二控制参数，若是，从当前归档集中随机选择一个个体作为当前选中个体；若否，生成第三随机数，对所述第三随机数进行处理。
在本发明的一个实施例中，对所述第三随机数进行处理的方法为：判断所述第三随机数是否小于第三控制参数，若是，选择一个类，生成第四随机数，对所述第四随机数继续处理；若否，选择两个类，生成第五随机数，对所述第五随机数继续处理。
在本发明的一个实施例中，对所述第四随机数继续处理的方法为：判断第四随机数是否小于第四控制参数，若是，选择该类中心作为当前选中个体，若否，则随机选择该类中的一个个体作为当前选中个体；对所述第五随机数继续处理的方法为：判断第五随机数是否小于第五控制参数，若是，将两个类中心的线性组合作为当前选中个体，若否，则将两类中随机两个个体的线性组合作为当前选中个体。
在本发明的一个实施例中，对选择的个体进行差分变异操作后，依据支配关系，更新归档集，判断是否达到最大迭代数，若是，则根据求解后的帕累托解提供相应的路径规划方案；若否，则返回至对初始种群进行聚类的步骤。
本发明还提供了一种基于改进头脑风暴算法的低碳垃圾分类收运系统，包括：建模模块，用于根据设置的约束条件以及定义的两个目标，建立双目标优化模型，其中定义的两个目标为：最小化车辆行驶总里程和最小化碳排放；规划模块，用于采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于改进头脑风暴算法的低碳垃圾分类收运方法及系统，考虑了垃圾中转站和垃圾分类，更加贴合实际的垃圾收运状况，响应国家提出的垃圾分类政策，将两阶段、多场站车辆路径问题结合垃圾收运，具有现实意义；提出了双目标模型，不仅考虑了垃圾车运行总里程，还考虑了碳排放，不仅能够帮助环卫部门节约经济成本，更能帮助其履行保护环境的社会责任，实现可持续发展。虽然提出的两个目标相互冲突，但是可以找到两个目标的帕累托均衡解；改进了头脑风暴算法，设计编码方式、聚类方式、变异方法等，使得改进的头脑风暴算法能够有效求解双目标优化问题，最终，通过算例证明了模型和算法的有效性及优越性，得到一些关于总里程和碳排放的帕累托均衡解，可以有效降低运输成本和碳排放，给环卫部门提供借鉴。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明基于改进头脑风暴算法的低碳垃圾分类收运方法流程图；
图2是本发明四层编码方式示意图；
图3是本发明rank聚类方法示意图；
图4是本发明进行选择操作的示意图；
图5是本发明各垃圾分类投放点的坐标、垃圾数量等信息；
图6是本发明垃圾中转站的坐标、垃圾处理中心的坐标信息；
图7是三种算法的超体积指标箱型图；
图8是帕累托前沿曲线图；
图9a是改进优化得到的垃圾清运车辆第一阶段的路径示意图；
图9b是改进优化得到的垃圾清运车辆第二阶段的路径示意图；
图10是垃圾清运车辆路径表示。
具体实施方式
实施例一
如图1所示，本实施例提供一种基于改进头脑风暴算法的低碳垃圾分类收运方法，包括如下步骤：步骤S1：根据设置的约束条件以及定义的两个目标，建立双目标优化模型，其中定义的两个目标为：最小化车辆行驶总里程和最小化碳排放；步骤S2：采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集，根据所述更新归档集输出路径规划。
本实施例所述基于改进头脑风暴算法的低碳垃圾分类收运方法，所述步骤S1中，根据设置的约束条件以及定义的两个目标，建立双目标优化模型，其中定义的两个目标为：最小化车辆行驶总里程和最小化碳排放，不仅考虑了垃圾车运行总里程，还考虑了碳排放，虽然提出的两个目标相互冲突，但是可以找到两个目标的帕累托均衡解，因此能够帮助环卫部门节约经济成本，更能帮助其履行保护环境的社会责任，实现可持续发展；所述步骤S2中，采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集，根据所述更新归档集输出路径规划，由于归档集里最优的数值就是帕累托最优解集，因此根据求解后的帕累托解可以提供出最佳的路径规划方案，本发明采用的改进后的头脑风暴算法设计编码方式、聚类方式、变异方法等，使得改进的头脑风暴算法能够有效求解双目标优化问题。最终，通过算例证明了模型和算法的有效性及优越性，得到一些关于总里程和碳排放的帕累托均衡解，可以有效降低运输成本和碳排放，给环卫部门提供借鉴有利于根据建立的模型对垃圾分类收运路径进行优化。
所述最小化车辆行驶总里程的公式为：
Figure BDA0002573416660000061
其中dij是节点i到节点j的距离，xij是决策变量，如果车经过弧(i，j)取1；否则取0。公式(1)为目标函数1，表示是垃圾车行驶总里程最小，也即成本最低。
所述最小化碳排放的公式为：
Figure BDA0002573416660000062
其中ξ为碳排放与油耗转换系数，ρ0为空载油耗率，ρ*为满载油耗率。公式(2)为目标函数2，表示垃圾收运过程中碳排放最小。
所述约束条件包括：清运车辆通过分类联合运输的方式从垃圾中转站出发，按照优化的路线收运垃圾分类投放点的垃圾，最终返回原垃圾中转站，随后垃圾处置中心派车去各垃圾中转站收运各类垃圾；每一个垃圾分类投放点由一辆清运车辆负责；路线上任意点的车辆总荷载不大于车辆运载能力；垃圾中转站容量有限；处置中心不能直接派车去垃圾分类投放点收运垃圾。具体地，包括公式：
Figure BDA0002573416660000063
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；公式(3)保证每个垃圾分类投放点有且只有一辆车对其负责。
Figure BDA0002573416660000064
其中wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；公式(4)保证每个垃圾分类投放点被且仅被分配给一个垃圾中转站；
Figure BDA0002573416660000065
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；公式(5)是流约束，保证到达每个节点和离开该节点的车辆数一样；
Figure BDA0002573416660000066
其中wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；公式(6)保证若一条路径包括中转站和投放点，则该投放点必分配给该中转站；
Figure BDA0002573416660000071
其中
Figure BDA0002573416660000072
是垃圾分类投放点i的可回收垃圾数量；
Figure BDA0002573416660000073
是垃圾分类投放点i的不可回收垃圾数量；公式(7)关于垃圾数量；
Figure BDA0002573416660000074
其中
Figure BDA0002573416660000075
是垃圾分类投放点i的可回收垃圾数量；wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；公式(8)关于垃圾数量；
Figure BDA0002573416660000076
其中
Figure BDA0002573416660000077
是垃圾分类投放点i的不可回收垃圾数量；wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；公式(9)关于垃圾数量；
Figure BDA0002573416660000078
其中wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；公式(10)保证分配给中转站的垃圾数量不大于中转站最大容量；
Figure BDA0002573416660000079
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；
Figure BDA00025734166600000710
其中
Figure BDA00025734166600000711
是垃圾分类投放点i的可回收垃圾数量；xij是决策变量，如果车经过弧(i，j)取1；否则取0；
Figure BDA00025734166600000712
其中
Figure BDA00025734166600000713
是垃圾分类投放点i的不可回收垃圾数量；xij是决策变量，如果车经过弧(i，j)取1；否则取0；
上述公式(11)-(13)可以保证任一路线上任意点的车辆总荷载不大于车辆运载能力；
Figure BDA00025734166600000714
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；
Figure BDA0002573416660000081
其中wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；
上述公式(14)、(15)保证每个路径都是从同一个中转站出发并最终返回该中转站；
Figure BDA0002573416660000082
其中Qij是弧(i，j)上车辆的实际载重；
Figure BDA0002573416660000083
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；
Figure BDA0002573416660000084
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；
Figure BDA0002573416660000085
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；
上述公式(16)-(19)关于车辆在每个节点的实际载荷量；
Figure BDA0002573416660000086
其中xij是决策变量，如果车经过弧(i，j)取1；否则取0；
Figure BDA0002573416660000087
其中wij是决策变量，如果垃圾分类投放点i由中转站j负责收运取1；否则取0；
上述公式(20)、(21)是对变量的0-1化约束。
所述初始化算法参数包括：种群规模Q、归档集、下代种群生成控制参数、以及最大迭代次数。其中控制参数包括第一控制参数P5a、第二控制参数P6b、第三控制参数P6bi、第四控制参数P6biii、以及第五控制参数P6c。
所述随机生成初始种群包括Q个由实数编码表示的个体或解。如图2所示，以3个垃圾中转站和15个垃圾投放点为例，进行实数编码设计，包括垃圾投放点分配和访问顺序。
对初始种群进行聚类的方法为：依据帕累托优先级对种群进行聚类。如图3所示，参考带有精英保留策略的快速非支配多目标优化算法，依据帕累托优先级对种群进行聚类，将具有同一优先级的个体聚为一类。
如图4所示，进行选择操作的方法为：生成随机数a1∈(0，1)后，判断所述随机数a1∈(0，1)是否小于第一控制参数P5a，若是，则随机选择一个聚类中心，并随机生成一个新个体，替换随机选择的聚类中心，然后生成第二随机数a2∈(0，1)；若否，则生成第二随机数a2∈(0，1)，继续对所述第二随机数a2∈(0，1)进行处理，直至对选择的个体进行差分变异操作。具体地，生成的随机数为a1∈(0，1)，判断所述随机数a1∈(0，1)是否小于第一控制参数P5a，若a1＜P5a，则随机选择一个聚类中心，并随机生成一个新个体，替换随机选择的聚类中心，然后生成第二随机数a2∈(0，1)；若否，则生成第二随机数a2∈(0，1)，继续对所述第二随机数a2∈(0，1)进行处理，直至对选择的个体进行差分变异操作。
对所述第二随机数进行处理的方法为：判断所述第二随机数a2∈(0，1)是否小于第二控制参数P6b，则从当前归档集中随机选择一个个体作为当前选中个体；若否，生成第三随机数，对所述第三随机数进行处理。具体地，若所述第二随机数小于第二控制参数P6b，即a2＜P6b，则从当前归档集中随机选择一个个体作为Xselect；否则，生成第三随机数a3∈(0，1)，对所述第三随机数a3∈(0，1)进行处理。
对所述第三随机数进行处理的方法为：判断所述第三随机数a3∈(0，1)是否小于第三控制参数P6bi，若是，选择一个类，生成第四随机数a4∈(0，1)，对所述第四随机数a4∈(0，1)继续处理；若否，选择两个类，生成第五随机数a5∈(0，1)，对所述第五随机数a5∈(0，1)继续处理。具体地，判断所述第三随机数a3∈(0，1)是否小于第三控制参数P6bi，若是，即a3＜P6bi，则选择一个类，生成第四随机数a4∈(0，1)，对所述第四随机数a4∈(0，1)继续处理；若否，选择两个类，生成第五随机数a5∈(0，1)，对所述第五随机数a5∈(0，1)继续处理。
对所述第四随机数a4∈(0，1)继续处理的方法为：判断第四随机数a4∈(0，1)是否小于第四控制参数P6biii，若是，选择该类中心作为当前选中个体，若否，则随机选择该类中的一个个体作为当前选中个体Xselect；对所述第五随机数a5∈(0，1)继续处理的方法为：判断第五随机数a5∈(0，1)是否小于第五控制参数P6c，若是，即a5＜P6c，将两个类中心的线性组合作为当前选中个体Xselect，若否，则将两类中随机两个个体的线性组合作为当前选中个体Xselect。
对选择的个体Xselect进行差分变异操作后，依据支配关系，更新归档集，判断是否达到最大迭代数，若是，则根据求解后的帕累托解提供相应的路径规划方案；若否，则返回至对初始种群进行聚类的步骤。
本实施例以75个垃圾分类投放点和5个垃圾中转站为例，对本发明进行详细分析。垃圾中转站的容量限制为1000，第一阶段进行分类联合运输的小型车的载荷限制为200，第二阶段大型车的载荷限制为1000，碳排放与油耗转换系数ξ＝2.32，空载油耗率ρ0＝1，满载油耗率ρ*＝2。
下面结合图5和图6来验证本发明所述的基于改进头脑风暴算法的低碳垃圾分类收运方法的有益效果。
本发明选择两个经典多目标优化算法为基准，即NSGA-II和MOEA/D，将改进的头脑风暴算法与其进行比较，以超体积指标(HV)和帕累托前沿曲线作为评价指标。超体积指标是指算法获得的非支配解集与参照点围成的目标空间中区域的体积，其值越大，说明算法的综合性能越好。附图7是关于三个算法在超体积指标上的箱型图，可见改进的头脑风暴算法求得解集的超体积远大于另外两个算法求得解集的超体积，说明改进的头脑风暴算法的有效性和优越性。为了进一步说明算法的有效性，附图8给出了三个算法所求得的解集的帕累托前沿曲线图，可见改进的头脑风暴算法求得的解集支配了另两个算法求得的解集，因此可以认为本发明改进的头脑风暴算法在求解提出的模型上具有有效性和优越性。
依附图9a和图9b所示，给出了垃圾清运车辆路径规划图，具体垃圾清运车辆路径表示在图10所示，可见本发明提出的模型具有可行性和有效性。其中：1，2，......，75表示垃圾分类投放点；S1，S2，......，S5表示垃圾中转站；C1，C2表示垃圾处理中心。
实施例二
基于同一发明构思，本实施例提供一种基于改进头脑风暴算法的低碳垃圾分类收运系统，其解决问题的原理与所述基于改进头脑风暴算法的低碳垃圾分类收运方法类似，重复之处不再赘述。
本实施例所述基于改进头脑风暴算法的低碳垃圾分类收运系统包括：
建模模块，用于根据设置的约束条件以及定义的两个目标，建立双目标优化模型，其中定义的两个目标为：最小化车辆行驶总里程和最小化碳排放；
规划模块，用于采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于，包括如下步骤：
步骤S1：根据设置的约束条件以及定义的两个目标，建立双目标优化模型，其中定义的两个目标为：最小化车辆行驶总里程和最小化碳排放；
步骤S2：采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集，根据所述更新归档集输出路径规划。
2.根据权利要求1所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：所述初始化算法参数包括：种群规模Q、归档集、下代种群生成控制参数、以及最大迭代次数。
3.根据权利要求1所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：所述随机生成初始种群包括Q个由实数编码表示的个体或解。
4.根据权利要求1所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：对初始种群进行聚类的方法为：依据帕累托优先级对种群进行聚类。
5.根据权利要求1所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：进行选择操作的方法为：生成随机数后，判断所述随机数是否小于第一控制参数，若是，则随机选择一个聚类中心，并随机生成一个新个体，替换随机选择的聚类中心，然后生成第二随机数；若否，则生成第二随机数，继续对所述第二随机数进行处理，直至对选择的个体进行差分变异操作。
6.根据权利要求5所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：对所述第二随机数进行处理的方法为：判断所述第二随机数是否小于第二控制参数，若是，从当前归档集中随机选择一个个体作为当前选中个体；若否，生成第三随机数，对所述第三随机数进行处理。
7.根据权利要求6所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：对所述第三随机数进行处理的方法为：判断所述第三随机数是否小于第三控制参数，若是，选择一个类，生成第四随机数，对所述第四随机数继续处理；若否，选择两个类，生成第五随机数，对所述第五随机数继续处理。
8.根据权利要求7所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：对所述第四随机数继续处理的方法为：判断第四随机数是否小于第四控制参数，若是，选择该类中心作为当前选中个体，若否，则随机选择该类中的一个个体作为当前选中个体；对所述第五随机数继续处理的方法为：判断第五随机数是否小于第五控制参数，若是，将两个类中心的线性组合作为当前选中个体，若否，则将两类中随机两个个体的线性组合作为当前选中个体。
9.根据权利要求1所述的基于改进头脑风暴算法的低碳垃圾分类收运方法，其特征在于：对选择的个体进行差分变异操作后，依据支配关系，更新归档集，判断是否达到最大迭代数，若是，则根据求解后的帕累托解提供相应的路径规划方案；若否，则返回至对初始种群进行聚类的步骤。
10.一种基于改进头脑风暴算法的低碳垃圾分类收运系统，其特征在于，包括：
建模模块，用于根据设置的约束条件以及定义的两个目标，建立双目标优化模型，其中定义的两个目标为：最小化车辆行驶总里程和最小化碳排放；
规划模块，用于采用改进的头脑风暴算法求解所述双目标优化模型，根据求解后的帕累托解提供相应的路径规划方案，其中所述改进的头脑风暴算法为：初始化算法参数，随机生成初始种群；对初始种群进行聚类，将具有同一优先级的个体聚为一类；评估个体，选择每类中的最优个体作为该类的中心；进行选择操作；对选择的个体进行差分变异操作，根据支配关系更新归档集。
CN202010646773.2A 2020-07-07 2020-07-07 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统 Pending CN111815048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010646773.2A CN111815048A (zh) 2020-07-07 2020-07-07 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010646773.2A CN111815048A (zh) 2020-07-07 2020-07-07 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统

Publications (1)

Publication Number Publication Date
CN111815048A true CN111815048A (zh) 2020-10-23

Family

ID=72843227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010646773.2A Pending CN111815048A (zh) 2020-07-07 2020-07-07 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统

Country Status (1)

Country Link
CN (1) CN111815048A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861433A (zh) * 2021-02-05 2021-05-28 山东大学 一种基于多层级集成框架的产品低碳设计的方法
CN112925317A (zh) * 2021-01-25 2021-06-08 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
CN116127857A (zh) * 2023-04-12 2023-05-16 中国科学院地理科学与资源研究所 面向分类的生活垃圾收运路径多目标优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833002A (zh) * 2017-11-28 2018-03-23 上海海洋大学 基于协同多目标算法的多级低碳物流配送网络规划方法
CN109800924A (zh) * 2019-02-27 2019-05-24 山东师范大学 一种混合可再生能源系统的优化配置方法及装置
CN111055831A (zh) * 2019-12-25 2020-04-24 福建龙马环卫装备股份有限公司 并联式插电混合动力垃圾车及控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833002A (zh) * 2017-11-28 2018-03-23 上海海洋大学 基于协同多目标算法的多级低碳物流配送网络规划方法
CN109800924A (zh) * 2019-02-27 2019-05-24 山东师范大学 一种混合可再生能源系统的优化配置方法及装置
CN111055831A (zh) * 2019-12-25 2020-04-24 福建龙马环卫装备股份有限公司 并联式插电混合动力垃圾车及控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGQIAN XUE 等: "Brain Storm Optimization Algorithm for Multi-objective Optimization Problems", 《LECTURE NOTES IN COMPUTER SCIENCE》, 31 December 2012 (2012-12-31), pages 513 *
侯宇超;白艳萍;胡红萍;王鹏;: "基于精英蚁群算法的多目标生鲜配送路径优化研究", 数学的实践与认识, no. 20, 23 October 2018 (2018-10-23) *
吴亚丽 等: "目标空间聚类的差分头脑风暴优化算法", 《控制理论与应用》, 31 December 2017 (2017-12-31), pages 1583 - 1593 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925317A (zh) * 2021-01-25 2021-06-08 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
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
CN112861433A (zh) * 2021-02-05 2021-05-28 山东大学 一种基于多层级集成框架的产品低碳设计的方法
CN112861433B (zh) * 2021-02-05 2023-01-06 山东大学 一种基于多层级集成框架的产品低碳设计的方法
CN116127857A (zh) * 2023-04-12 2023-05-16 中国科学院地理科学与资源研究所 面向分类的生活垃圾收运路径多目标优化方法及系统
CN116127857B (zh) * 2023-04-12 2023-09-22 中国科学院地理科学与资源研究所 面向分类的生活垃圾收运路径多目标优化方法及系统

Similar Documents

Publication Publication Date Title
Gołębiewski et al. Modelling of the location of vehicle recycling facilities: A case study in Poland
Tarei et al. Barriers to the adoption of electric vehicles: Evidence from India
CN111815048A (zh) 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统
Guo Research on location selection model of distribution network with constrained line constraints based on genetic algorithm
Wang et al. A genetic algorithm for the simultaneous delivery and pickup problems with time window
Li et al. Deploying autonomous mobile lockers in a two-echelon parcel operation
Wang et al. Collaborative logistics pickup and delivery problem with eco-packages based on time–space network
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
CN116127857B (zh) 面向分类的生活垃圾收运路径多目标优化方法及系统
Ene et al. A hybrid metaheuristic algorithm for the green vehicle routing problem with a heterogeneous fleet
Zhang et al. Optimization of urban waste transportation route based on genetic algorithm
Dutta et al. Multi-objective green mixed vehicle routing problem under rough environment
Wang et al. Collaborative multicenter reverse logistics network design with dynamic customer demands
Wang et al. Heterogeneous fleets for green vehicle routing problem with traffic restrictions
Yang et al. Dynamic routing for waste collection and transportation with multi-compartment electric vehicle using smart waste bins
Huang et al. BRCE: bi-roles co-evolution for energy-efficient distributed heterogeneous permutation flow shop scheduling with flexible machine speed
Jozefowiez et al. From single-objective to multi-objective vehicle routing problems: Motivations, case studies, and methods
Hu et al. A multi-objective modeling and optimization approach to municipal solid waste collection for classified treatment in China towards sustainable development
Luo et al. Two-echelon multidepot logistics network design with resource sharing
Tütüncü et al. Integer Linear Programming Approach for the Personnel Shuttles Routing Problem in Yıldız Campus in Istanbul
JP2003026335A (ja) 配車スケジュール方法及びその設定用プログラム、該プログラムを格納した記憶媒体
CN115099617A (zh) 烟草工业品物流调度方法
Chu et al. Modelling fuel consumption in kerbside source segregated food waste collection: separate collection and co-collection
Algethami Local Search-Based Metaheuristic Methods for the Solid Waste Collection Problem
Fararah et al. MULTI-OBJECTIVE OPTIMIZATION MODELING OF INTEGRATED SUPPLY CHAIN FOR SOLID WASTE TREATMENT.

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