CN111815079B - 一种基于遗传算法的智慧城市下物联网物流规划管理方法 - Google Patents

一种基于遗传算法的智慧城市下物联网物流规划管理方法 Download PDF

Info

Publication number
CN111815079B
CN111815079B CN202010912606.8A CN202010912606A CN111815079B CN 111815079 B CN111815079 B CN 111815079B CN 202010912606 A CN202010912606 A CN 202010912606A CN 111815079 B CN111815079 B CN 111815079B
Authority
CN
China
Prior art keywords
logistics
internet
things
node
probability
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
CN202010912606.8A
Other languages
English (en)
Other versions
CN111815079A (zh
Inventor
郭洪涛
卞冬梅
鲍健
卞朝龙
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.)
Zhongke Xingtu Deep Sea Technology Co.,Ltd.
Original Assignee
Jiangsu Quan Quan Information Technology Co ltd
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 Jiangsu Quan Quan Information Technology Co ltd filed Critical Jiangsu Quan Quan Information Technology Co ltd
Priority to CN202010912606.8A priority Critical patent/CN111815079B/zh
Publication of CN111815079A publication Critical patent/CN111815079A/zh
Application granted granted Critical
Publication of CN111815079B publication Critical patent/CN111815079B/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"
    • 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
    • G06N3/12—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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于遗传算法的智慧城市下物联网物流规划管理方法。首先通过基于智能城市背景下，建立物流物联网节点网络，并根据实时单节点之间的物流成本生成物联网节点矩阵。针对每次物流任务，采用遗传算法，对各物流节点进行编码，经过复制、交叉、变异算子操作，在众多的规划路径中选择总成本最小的物流路径。当物流网节点增多或减少，或者单节点之间的物流成本发生改变时，更新物流网节点矩阵，重复遗传算法步骤，规划出合理的物流路径，具有较好的规划合理性和计算效率。

Description

一种基于遗传算法的智慧城市下物联网物流规划管理方法
技术领域
本发明涉及物联网领域，特别涉及一种基于遗传算法的智慧城市下物联网物流规划管理方法。
背景技术
随着时代的发展和人工智能技术的快速发展，人们对智能化、便捷化的生活要求越来越高。智慧城市实现信息化、工业化与城镇化深度融合，有助于提高城镇化质量，实现精细化和动态管理，并提升城市管理成效和改善市民生活质量。物流作为国民生活和经济的重要组成部分，也必然是智慧城市中重要的一环。因此，对物流实现有效规划管理成为了重要的任务，对于建立高效智能的智慧城市有着广阔的应用前景。
智慧城市背景下的物流，相对于传统物流，信息传输和共享也更加便捷迅速。基于网格节点的物流规划管理方法是智慧城市背景较为成熟和稳定的应用方法之一，它主要将城市以网格节点进行划分，而物流的传输可以视为是在各网格节点之间的遍历，这种方法不仅可以实时地跟踪传输物品的物流信息，还可以充分发挥物流网各媒介之间的信息交互传输的优点。
针对物流的规划管理问题，成本问题是其中最为核心的问题之一。如何最小化物流的运输总成本和最大化计算效率也成了众多学者关心的话题。然而现有的方法在网络节点数目或节点间成本调整时，算法需要作出较大的调整才能得到较好的规划效果，导致计算效率不高，算法泛化性不好。此外，查阅相关文献资料，鲜有研究针对于解决智慧城市下物联网物流规划问题，在此方面存在一定的技术缺失。
发明内容
为了解决上述存在问题，本发明提出一种基于遗传算法的智慧城市下物联网物流规划管理方法，基于智慧城市背景下，建立物流物联网节点网络，在众多的规划路径中选择总成本最小的物流路径，具有较好的规划合理性和计算效率。为达此目的：
本发明提出一种基于遗传算法的智慧城市下物联网物流规划管理方法，具体步骤如下：
步骤1：首先建立智慧城市背景下的物流节点网络，每个节点对物流产品通过扫码方式进行信息交互，实时与中控管理云台进行数据传输。
步骤2：根据实时计算节点之间的成本，生成物联网节点成本矩阵
Figure DEST_PATH_IMAGE001
。
步骤3：对物联网节点采取二进制编码，随机产生一条N位的二进制码的串表示一条可能的路径选择，基于编码方式，初始化物联网物流样本种群。
步骤4：采用选择算子的方法，从上一步骤的物联网物流样本种群中选择一些比较优良的物联网物流个体，并将其复制到下一群体中。
步骤5：采用交叉算子的方法，对群体中的个体进行两两随机配对，对每一对相互配对个体，随机设置某一基因位之后的位置为交叉点，依据设定的交叉概率
Figure DEST_PATH_IMAGE002
在交叉点处相互交换两两个体的部分二进制，从而生成两个新的个体。
步骤6： 采用变异算子的方法，首先依据变异概率指定每个个体的基因位为变异点，对变异点进行取反操作，即为1时置0，为0时置1。
步骤7：设置好物联网物流样本种群初始化大小
Figure DEST_PATH_IMAGE003
、选择概率
Figure DEST_PATH_IMAGE004
、交叉概率
Figure 33215DEST_PATH_IMAGE002
、变异概率
Figure DEST_PATH_IMAGE005
、迭代次数
Figure DEST_PATH_IMAGE006
，对模型进行多次迭代求解，计算出最优解和最优物流总成本值，并解码生成物流规划路径。
步骤8：当物联网节点增多或减少，或者单节点之间的物流成本发生改变时，更新物联网节点矩阵，重复遗传算法步骤，规划出合理的物流路径。
作为本发明进一步改进，所述步骤1中建立的物流节点网络的每个节点分别分配有独特的ID号，中控管理云台根据节点反馈的数据实时计算节点之间的成本。
作为本发明进一步改进，所述步骤2中物联网节点成本矩阵公式为
Figure DEST_PATH_IMAGE007
，其中，
Figure DEST_PATH_IMAGE008
为第
Figure DEST_PATH_IMAGE009
个物流节点到第
Figure DEST_PATH_IMAGE010
个物流节点的成本，当
Figure DEST_PATH_IMAGE011
时，
Figure DEST_PATH_IMAGE012
；当第
Figure 74989DEST_PATH_IMAGE009
个物流节点不能直接到第
Figure 323568DEST_PATH_IMAGE010
个物流节点，则
Figure 686154DEST_PATH_IMAGE008
为一个足够大的数。
作为本发明进一步改进，所述步骤3中物联网节点间的物流路径选择二进制编码方式具体表现为，从左到右依次表示各节点是出现在被选择的路径上，“1”表示该物联网节点被选中，“0”表示该物联网节点不被选中。其中，初始节点位于编码串的最左边，赋值为“1”；目标节点位于编码串的最右边，赋值也为“1”。
作为本发明进一步改进，所述步骤4中物联网物流个体被选中并遗传到下一代的群体的概率与该个体的适应度函数值大小成正比：
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE014
，其中，
Figure 907051DEST_PATH_IMAGE004
为个体
Figure 463934DEST_PATH_IMAGE009
被选中的概率，
Figure DEST_PATH_IMAGE015
为个体
Figure 668650DEST_PATH_IMAGE009
的适应度函数值，
Figure DEST_PATH_IMAGE016
为群体的累加适应度。
作为本发明进一步改进，所述步骤5中交叉概率
Figure 265286DEST_PATH_IMAGE002
的表达式为
Figure DEST_PATH_IMAGE017
,
Figure DEST_PATH_IMAGE018
为种群中个体的数目，
Figure DEST_PATH_IMAGE019
为群体中被交换个体的数目。
作为本发明进一步改进，所述步骤6中变异概率
Figure DEST_PATH_IMAGE020
，其中，
Figure DEST_PATH_IMAGE021
为每代中变异基因的数目，
Figure 12793DEST_PATH_IMAGE018
为每代中群体拥有的个体数目，
Figure DEST_PATH_IMAGE022
为个体中基因串的长度。
本发明提出的一种基于遗传算法的智慧城市下物联网物流规划管理方法，有益效果在于：
1. 本发明能够充分物联网信息共享的优势，具有显著的高效性和实用性，合理性较高，在进行手工验证后，与算法选择的物流规划路径最优解一致。
2. 本发明通过生成物联网节点矩阵作为模型接口，方便在物联网节点增多或减少，或者单节点之间的物流成本发生改变时，进行实时更新，降低了后期对物流管理系统的维护难度，特别在处理容量较多的物联网物流节点时，有着较好的计算效率。
3. 本发明所提出的模型具有较好的泛化性，能够广泛应用于厂区、园区的小型区域或城市之间的大型区域的物流规划管理。
4. 本发明算法实现简单，硬件成本低。
附图说明
图1是基于遗传算法的智慧城市下物联网物流规划管理方法框架图；
图2是遗传算法原理流程图；
图3是种群中物流路径个体的初始和最终总成本位置效果对比图；
图4是种群中物流路径个体中的最优总成本和平均总成本迭代效果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出一种基于遗传算法的智慧城市下物联网物流规划管理方法，基于智慧城市背景下，建立物流物联网节点网络，在众多的规划路径中选择总成本最小的物流路径，具有较好的规划合理性和计算效率。
本发明工作流程图如图1所示。
步骤1：首先建立智慧城市背景下的物流节点网络，每个节点可以对物流产品通过扫码方式进行信息交互，还能够实时与中控管理云台进行数据传输。给每个物流节点分别分配独特的ID号，中控管理云台根据节点反馈的数据实时计算节点之间的成本。
步骤2：根据实时计算节点之间的成本，生成物联网节点成本矩阵
Figure 707955DEST_PATH_IMAGE001
。
Figure 931125DEST_PATH_IMAGE007
，其中，
Figure 136979DEST_PATH_IMAGE008
为第
Figure 129206DEST_PATH_IMAGE009
个物流节点到第
Figure 293471DEST_PATH_IMAGE010
个物流节点的成本，当
Figure 3938DEST_PATH_IMAGE011
时，
Figure 747903DEST_PATH_IMAGE012
；当第
Figure 296434DEST_PATH_IMAGE009
个物流节点不能直接到第
Figure 100442DEST_PATH_IMAGE010
个物流节点，则
Figure 298205DEST_PATH_IMAGE008
为一个足够大的数。
步骤3：对物联网节点进行编码，采用编码方式为二进制编码，即随机产生一条N位的二进制码的串表示一条可能的路径选择。该二进制从左到右依次表示各节点是出现在被选择的路径上，“1”表示该物联网节点被选中，“0”表示该物联网节点不被选中。其中，初始节点位于编码串的最左边，赋值为“1”；目标节点位于编码串的最右边，赋值也为“1”。基于编码方式，初始化物联网物流样本种群。
步骤4：采用选择算子的方法，从上一步骤的物联网物流样本种群中选择一些比较优良的物联网物流个体，并将其复制到下一群体中，物联网物流个体被选中并遗传到下一代的群体的概率与该个体的适应度函数值大小成正比：
Figure 845861DEST_PATH_IMAGE013
，
Figure 78259DEST_PATH_IMAGE014
，其中，
Figure 318747DEST_PATH_IMAGE004
为个体
Figure 738227DEST_PATH_IMAGE009
被选中的概率，
Figure 355154DEST_PATH_IMAGE015
为个体
Figure 176479DEST_PATH_IMAGE009
的适应度函数值，
Figure 92263DEST_PATH_IMAGE016
为群体的累加适应度。
步骤5：采用交叉算子的方法，对群体中的个体进行两两随机配对，对每一对相互配对个体，随机设置某一基因位之后的位置为交叉点，依据设定的交叉概率
Figure 999039DEST_PATH_IMAGE002
在交叉点处相互交换两两个体的部分二进制，从而生成两个新的个体。其中，
Figure 888498DEST_PATH_IMAGE017
,
Figure 797286DEST_PATH_IMAGE018
为种群中个体的数目，
Figure 113998DEST_PATH_IMAGE019
为群体中被交换个体的数目。
步骤6： 采用变异算子的方法，首先依据变异概率
Figure 242491DEST_PATH_IMAGE020
，其中，
Figure 699755DEST_PATH_IMAGE021
为每代中变异基因的数目，
Figure 230093DEST_PATH_IMAGE018
为每代中群体拥有的个体数目，
Figure 983286DEST_PATH_IMAGE022
为个体中基因串的长度。指定每个个体的基因位为变异点，对变异点进行取反操作，即为1时置0，为0时置1。
步骤7：设置好物联网物流样本种群初始化大小
Figure 864654DEST_PATH_IMAGE003
、选择概率
Figure 361494DEST_PATH_IMAGE004
、交叉概率
Figure 11918DEST_PATH_IMAGE002
、变异概率
Figure 404854DEST_PATH_IMAGE005
、迭代次数
Figure 148686DEST_PATH_IMAGE006
，对模型进行多次迭代求解，计算出最优解和最优物流总成本值，并解码生成物流规划路径。
步骤8：当物联网节点增多或减少，或者单节点之间的物流成本发生改变时，更新物联网节点矩阵，重复遗传算法步骤，规划出合理的物流路径。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.一种基于遗传算法的智慧城市下物联网物流规划管理方法，具体步骤如下，其特征在于：
步骤1：首先建立智慧城市背景下的物流节点网络，每个节点对物流产品通过扫码方式进行信息交互，实时与中控管理云台进行数据传输；
步骤2：根据实时计算节点之间的成本，生成物联网节点成本矩阵
Figure 209423DEST_PATH_IMAGE001
；
所述步骤2中物联网节点成本矩阵公式为
Figure 860984DEST_PATH_IMAGE002
，其中，
Figure 686727DEST_PATH_IMAGE003
为第
Figure 675411DEST_PATH_IMAGE004
个物流节点到第
Figure 224204DEST_PATH_IMAGE005
个物流节点的成本，当
Figure 390875DEST_PATH_IMAGE006
时，
Figure 923487DEST_PATH_IMAGE007
；当第
Figure 965130DEST_PATH_IMAGE004
个物流节点不能直接到第
Figure 102851DEST_PATH_IMAGE005
个物流节点，则
Figure 689690DEST_PATH_IMAGE003
为一个大的数；
步骤3：对物联网节点采取二进制编码，随机产生一条N位的二进制码的串表示一条路径选择，基于编码方式，初始化物联网物流样本种群；
所述步骤3中物联网节点间的物流路径选择二进制编码方式具体表现为，从左到右依次表示各节点是出现在被选择的路径上，“1”表示该物联网节点被选中，“0”表示该物联网节点不被选中，其中，初始节点位于编码串的最左边，赋值为“1”；目标节点位于编码串的最右边，赋值也为“1”；
步骤4：采用选择算子的方法，从上一步骤的物联网物流样本种群中选择一些比较优良的物联网物流个体，并将其复制到下一群体中；
步骤5：采用交叉算子的方法，对群体中的个体进行两两随机配对，对每一对相互配对个体，随机设置某一基因位之后的位置为交叉点，依据设定的交叉概率
Figure 417255DEST_PATH_IMAGE008
在交叉点处相互交换两两个体的部分二进制，从而生成两个新的个体；
所述步骤5中交叉概率
Figure 967316DEST_PATH_IMAGE008
的表达式为
Figure 864603DEST_PATH_IMAGE009
,
Figure 153502DEST_PATH_IMAGE010
为种群中个体的数目，
Figure 113236DEST_PATH_IMAGE011
为群体中被交换个体的数目；
步骤6： 采用变异算子的方法，首先依据变异概率指定每个个体的基因位为变异点，对变异点进行取反操作，即为1时置0，为0时置1；
步骤7：设置好物联网物流样本种群初始化大小
Figure 100610DEST_PATH_IMAGE012
、选择概率
Figure 885026DEST_PATH_IMAGE013
、交叉概率
Figure 577782DEST_PATH_IMAGE008
、变异概率
Figure 244387DEST_PATH_IMAGE014
、迭代次数
Figure 634786DEST_PATH_IMAGE015
，对模型进行多次迭代求解，计算出最优解和最优物流总成本值，并解码生成物流规划路径；
步骤8：当物联网节点增多或减少，或者单节点之间的物流成本发生改变时，更新物联网节点矩阵，重复遗传算法步骤，规划出合理的物流路径。
2.根据权利要求1所述的一种基于遗传算法的智慧城市下物联网物流规划管理方法，其特征在于：
所述步骤1中建立的物流节点网络的每个节点分别分配有独特的ID号，中控管理云台根据节点反馈的数据实时计算节点之间的成本。
3.根据权利要求1所述的一种基于遗传算法的智慧城市下物联网物流规划管理方法，其特征在于：
所述步骤4中物联网物流个体被选中并遗传到下一代的群体的概率与该个体的适应度函数值大小成正比：
Figure 195080DEST_PATH_IMAGE016
，
Figure 514197DEST_PATH_IMAGE017
，其中，
Figure 933677DEST_PATH_IMAGE013
为个体
Figure 409658DEST_PATH_IMAGE004
被选中的概率，
Figure 496563DEST_PATH_IMAGE018
为个体
Figure 490975DEST_PATH_IMAGE004
的适应度函数值，
Figure 522385DEST_PATH_IMAGE019
为群体的累加适应度。
4.根据权利要求1所述的一种基于遗传算法的智慧城市下物联网物流规划管理方法，其特征在于：
所述步骤6中变异概率
Figure 411844DEST_PATH_IMAGE020
，其中，
Figure 697463DEST_PATH_IMAGE021
为每代中变异基因的数目，
Figure 404388DEST_PATH_IMAGE010
为每代中群体拥有的个体数目，
Figure 64039DEST_PATH_IMAGE022
为个体中基因串的长度。
CN202010912606.8A 2020-09-03 2020-09-03 一种基于遗传算法的智慧城市下物联网物流规划管理方法 Active CN111815079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010912606.8A CN111815079B (zh) 2020-09-03 2020-09-03 一种基于遗传算法的智慧城市下物联网物流规划管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010912606.8A CN111815079B (zh) 2020-09-03 2020-09-03 一种基于遗传算法的智慧城市下物联网物流规划管理方法

Publications (2)

Publication Number Publication Date
CN111815079A CN111815079A (zh) 2020-10-23
CN111815079B true CN111815079B (zh) 2020-12-01

Family

ID=72860129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010912606.8A Active CN111815079B (zh) 2020-09-03 2020-09-03 一种基于遗传算法的智慧城市下物联网物流规划管理方法

Country Status (1)

Country Link
CN (1) CN111815079B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977751A (zh) * 2017-12-11 2018-05-01 浙江理工大学 一种基于遗传算法的地下物流节点间路径规划方法
CN108921483A (zh) * 2018-07-16 2018-11-30 深圳北斗应用技术研究院有限公司 一种物流路径规划方法、装置及司机排班调度方法、装置
CN109685243A (zh) * 2018-11-05 2019-04-26 南京航空航天大学 一种基于遗传算法的作业车间物流配送路径优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977751A (zh) * 2017-12-11 2018-05-01 浙江理工大学 一种基于遗传算法的地下物流节点间路径规划方法
CN108921483A (zh) * 2018-07-16 2018-11-30 深圳北斗应用技术研究院有限公司 一种物流路径规划方法、装置及司机排班调度方法、装置
CN109685243A (zh) * 2018-11-05 2019-04-26 南京航空航天大学 一种基于遗传算法的作业车间物流配送路径优化方法

Also Published As

Publication number Publication date
CN111815079A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
Liang et al. An improved loop subdivision to coordinate the smoothness and the number of faces via multi-objective optimization
Liang et al. Applying genetic algorithm and ant colony optimization algorithm into marine investigation path planning model
Yu et al. Ensemble of niching algorithms
EP3422261A1 (en) Global optimization, searching and machine learning method based on lamarck acquired genetic principle
CN108573326B (zh) 基于遗传蚁群混合算法的视频服务器选址方法
CN105184368B (zh) 一种分布式极限学习机优化集成框架方法系统及方法
CN107330902B (zh) 基于Arnold变换的混沌遗传BP神经网络图像分割方法
CN108846526A (zh) 一种二氧化碳排放量预测方法
CN114565239B (zh) 用于产业园区的综合低碳能源调度方法及系统
CN106991442A (zh) 混合蛙跳算法的自适应核k‑means方法与系统
Hu et al. An improved multi-objective evolutionary algorithm based on environmental and history information
Yu et al. Optimizing the distribution of shopping centers with parallel genetic algorithm
CN111815079B (zh) 一种基于遗传算法的智慧城市下物联网物流规划管理方法
CN115759175A (zh) 一种基于近似全局优化的细节层次网格模型逼近方法
CN113191486A (zh) 基于参数服务器架构的图数据与参数数据的混合划分方法
CN114417539A (zh) 一种基于改进差分进化算法的矿井通风网络图自动绘制方法
CN114449715A (zh) 一种基于路灯照明的低功耗控制方法和系统
Hakli et al. Comparing the performances of six nature-inspired algorithms on a real-world discrete optimization problem
CN113141272A (zh) 基于迭代优化rbf神经网络的网络安全态势分析方法
CN111639797A (zh) 基于Gumbel-softmax技术的组合优化方法
Jin et al. WOA-AGA algorithm design for robot path planning
CN114510876B (zh) 基于共生搜索生物地理学优化的多平台武器目标分配方法
Liu Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony
CN113705081B (zh) 一种基于集束搜索进化算法的产品族设计优化方法
Li et al. Efficient fog node resource allocation algorithm based on taboo 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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A logistics planning and management method of Internet of things in smart city based on genetic algorithm

Effective date of registration: 20211230

Granted publication date: 20201201

Pledgee: Nanjing Bank Co.,Ltd. Nanjing Financial City Branch

Pledgor: JIANGSU QUAN QUAN INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2021320000432

PE01 Entry into force of the registration of the contract for pledge of patent right
CP03 Change of name, title or address

Address after: Room 906, Building 4, No. 18 Jialing Jiangdong Street, Jianye District, Nanjing City, Jiangsu Province, 210000

Patentee after: Zhongke Xingtu Deep Sea Technology Co.,Ltd.

Address before: Room 905 and 906, 9 / F, building 4, No. 18, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Patentee before: JIANGSU QUAN QUAN INFORMATION TECHNOLOGY CO.,LTD.

CP03 Change of name, title or address