CN112529278B - 基于联结矩阵寻优的航路网规划方法及装置 - Google Patents
基于联结矩阵寻优的航路网规划方法及装置 Download PDFInfo
- Publication number
- CN112529278B CN112529278B CN202011402632.2A CN202011402632A CN112529278B CN 112529278 B CN112529278 B CN 112529278B CN 202011402632 A CN202011402632 A CN 202011402632A CN 112529278 B CN112529278 B CN 112529278B
- Authority
- CN
- China
- Prior art keywords
- network
- calculating
- nodes
- whole
- matrix
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 50
- 230000002068 genetic effect Effects 0.000 claims abstract description 42
- 210000000349 chromosome Anatomy 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 4
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明公开了一种基于联结矩阵寻优的航路网规划方法及装置,涉及空域规划技术领域,主要目的在于实现当两条航路线路有交叉时,交叉点可以实现线路上物流的转换和衔接,即交叉点的作用与节点相同。主要技术方案包括:根据两两节点之间的交汇关系建立航路网络矩阵;根据所述航路网络矩阵生成遗传种群,并分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;将所述最优子代个体转化为对应的最优航路网结构。
Description
技术领域
本发明实施例涉及空域规划技术领域,特别是涉及一种航路网的规划方法及装置。
背景技术
航路由国家统一划定的具有一定宽度的空中通道,具有较完善的通信、导航设备。划定航路的目的是维护空中交通秩序,提高空间利用率,保证飞行安全。传统的航路规划一般是在确定好节点之后,所有航路的转换和衔接都必须在节点内完成,如图1所示,为了实现节点之间的联通,需要通过求取网络的最小支撑树来实现,该种规划方式的转化及衔接必须在航路的节点内具有一定的局限性。
发明内容
有鉴于此,本发明实施例提供了一种基于联结矩阵寻优的航路网规划方法及装置,主要目的在于实现当两条航路线路有交叉时,交叉点可以实现线路上物流的转换和衔接,即交叉点的作用与节点相同。
为了解决上述问题,本发明实施例主要提供如下技术方案:
第一方面,本发明实施例提供了一种基于联结矩阵寻优的航路网规划方法,包括:
根据两两节点之间的交汇关系建立航路网络矩阵;
根据所述航路网络矩阵生成遗传种群,并分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;
通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;
将所述最优子代个体转化为对应的最优航路网结构。
可选的,分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数包括:
将一个染色体转换成第一联结矩阵;
根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足点,对每一条线段上的所述节点、交叉点以及垂足点进行排序;
根据排序结果生成第二联结矩阵;
根据所述第二联结矩阵计算两两节点之间的最短距离;
计算整个航路网络的物流运输成本及每一段线路、每一个节点上的物流量;
根据所述物流量计算每一段线路上的路宽以及计算整个航路网络的路段长度;
根据所述物流量及所述路线长度计算所述整个航路网络的物流运输总费用;
根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数。
可选的,根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足包括:
查找所述第一联结矩阵中的非零节点所对应的坐标及两点连线方程;
根据所述第一联结矩阵确定是否存在交叉点,若存在,则求出交叉点;
查询未连成线段的无联结节点,并计算无联结节点到所有线段的距离,确定最短距离对应的垂足点;
对每条线段上的节点、交叉点和/或垂足点按先后顺序进行排序。
可选的,根据所述物流量计算每一段线路上的路宽以及计算整个航路网络的路段长度包括:
根据所述物流量计算每一段线路上的路宽通过下述公式计算:
Wij=floor(QE(i,j)/C)+1,其中,Wij为路段Lij的宽度,floor()为向下取整,QE(i,j)为整个航路网络的流量矩阵,C为每一条路段允许的最大通过率;
计算整个航路网络的路段长度通过下述公式计算:
可选的,根据所述物流量及所述路线长度计算所述整个航路网络的物流运输总费用可以采用下述公式计算:
根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数可以采用下述公式计算:
eval(vk)=αLnetwork+βCnetwork,其中,α、β为权值。
第二方面,本发明实施例提供一种基于联结矩阵寻优的航路网规划装置,包括:
建立单元,用于根据两两节点之间的交汇关系建立航路网络矩阵;
第一生成单元,用于根据所述建立单元建立的所述航路网络矩阵生成遗传种群;
评价单元,用于分别对所述第一生成单元生成的所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;
第二生成单元,用于通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;
转化单元,用于将所述最优子代个体转化为对应的最优航路网结构。
可选的,评价单元包括:
转换模块,用于将一个染色体转换成第一联结矩阵;
获取模块,用于根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足点,对每一条线段上的所述节点、交叉点以及垂足点进行排序;
生成模块,用于根据排序结果生成第二联结矩阵;
第一计算模块,用于根据所述第二联结矩阵计算两两节点之间的最短距离;
第二计算模块,用于计算整个航路网络的物流运输成本及每一段线路、每一个节点上的物流量;
第三计算模块,用于根据所述物流量计算每一段线路上的路宽以及计算整个航路网络的路段长度;
第四计算模块,用于根据所述物流量及所述路线长度计算所述整个航路网络的物流运输总费用;
第五计算模块,用于根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数。
可选的,所述获取模块包括:
查找子模块,用于查找所述第一联结矩阵中的非零节点所对应的坐标及两点连线方程;
处理子模块,用于根据所述第一联结矩阵确定是否存在交叉点,若存在,则求出交叉点;
计算子模块,用于查询未连成线段的无联结节点,并计算无联结节点到所有线段的距离,确定最短距离对应的垂足点;
排序子模块,用于对每条线段上的节点、交叉点和/或垂足点按先后顺序进行排序。
可选的,根据所述物流量计算每一段线路上的路宽通过下述公式计算:
Wij=floor(QE(i,j)/C)+1,其中,Wij为路段Lij的宽度,floor()为向下取整,QE(i,j)为整个航路网络的流量矩阵,C为每一条路段允许的最大通过率;
计算整个航路网络的路段长度通过下述公式计算:
可选的,第四计算模块还可以采用下述公式计算:
第五计算模块还可以采用下述公式计算:
eval(vk)=αLnetwork+βCnetwork,其中,α、β为权值。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明实施例提供的基于联结矩阵寻优的航路网规划方法及装置,首先根据两两节点之间的交汇关系建立航路网络矩阵;其次根据所述航路网络矩阵生成遗传种群,并分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;最后将所述最优子代个体转化为对应的最优航路网结构。本发明实施例通过适应值函数及遗传方法的使用,计算的带两条航路线路的交叉点,当确定两条航路线路有交叉时,交叉点可以实现线路上物流的转换和衔接,即交叉点的作用与节点相同。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了现有技术中提供的一种航路网络的示意图;
图2示出了本发明实施例提供的一种基于联结矩阵寻优的航路网规划方法的流程图;
图3示出了本发明实施例提供的一种航路网络的示意图;
图4示出了本发明实施例提供的一种计算适应值函数的方法;
图5示出了本发明实施例提供的一种基于联结矩阵寻优的航路网规划装置的组成框图;
图6示出了本发明实施例提供的另一种基于联结矩阵寻优的航路网规划装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种基于联结矩阵寻优的航路网规划方法,如图2所示,包括:
101、根据两两节点之间的交汇关系建立航路网络矩阵;
假设在节点(或源节点)S1、S2…Sn之间建立网络,则航路网络矩阵为J,则有:
航路网络矩阵中,mij={0,1},若两节点之间互联,则取值为1,否则为0,本发明的下述实施例中,以节点个数有7个为例进行的说明,但是应当明确的是,该种说明方式并非意在限定节点仅有7个,具体个数可根据不同的应用场景灵活变动。
如图3所示的航路网络J矩阵为:
102、根据所述航路网络矩阵生成遗传种群,并分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;
Rq=[m12 m13 … m1n m23 … m2n … m(n-2)n m(n-1)n],q=1,,popsize
在执行本步骤时可以采用但不局限于以下方法实现,如图4所示,图4示出了本发明实施例提供的一种计算适应值函数的方法,包括:
201、将一个染色体转换成第一联结矩阵;
将一个染色体vk转换成第一联结矩阵Jk
202、根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足点,对每一条线段上的所述节点、交叉点以及垂足点进行排序;
S1、查找第一联结矩阵Jk中非零元素Jk(i,j)在第一联结矩阵中的索引(i,j)对应的两点Si、Sj对应的坐标(xi,yi)、(xj,yj)及两点连线方程Lij,(i、j=1,…n,i,≠j)。
S2、根据第一联结矩阵中的线端,求所有线段Lij,(i、j=1,…,n,i≠j)是否存在交点,如果相交,则求出交叉点SCk,k=1,…,C,坐标为(xCk,yCk),k=1,…,C。,图3中存在交叉点包括Sc1、Sc2、Sc3。
S3、根据解第一联结矩阵查询无联结的源节点,即矩阵Jk某行元素为全零。计算该节点到所有线段的距离,查找最短距离对应的垂足STw,w=1,…,T,坐标为(xTw,yTw),w=1,…,T。图3中的垂足点ST1。
S4、对每一条线段上的节点、交叉点、垂足点进行排序,如图3中S3S4连线上的点的顺序为S3SC1SC3ST1S4。
203、根据排序结果生成第二联结矩阵;
遍历计算任意两源节点连线上交叉点和垂足点,计算第二联结矩阵。第二联结矩阵中包含n个节点、C个交叉点、T个垂足点组成n+C+T维的扩展联结矩阵JE,图3对应的第二联结矩阵JE为
204、根据所述第二联结矩阵计算两两节点之间的最短距离;
根据每个节点的坐标,计算所有节点之间的距离矩阵,根据Dijkstra算法,计算n个节点之间的最短距离矩阵和对应的最短路径,在计算节点之间的最短距离矩阵和对应的最短路径时不限于Dijkstra算法,现有技术中的任意实现方法均可使用。
205、计算整个航路网络的物流运输成本及每一段线路、每一个节点上的物流量;
根据n个节点之间的最短路径,计算路径上每一个点、路段的物流量,并进行累加,由此可得到n+C+T维的路段流量矩阵QE,和n+C+T维的节点流量向量QP。呈由上述实施例,路段SC1SC3为节点S1S5、S1S2、S3S5、S3S2之间的最短路径上的路段,对应的的流量为q1,5、q1,2、q3,5、q3,2,则路段SC1SC3之间的流量为QE(8,10)=q1,5+q1,2+q3,2+q3,5,流经点SC1的物流量为
206、根据所述物流量计算每一段线路上的路宽以及计算整个航路网络的路段长度;
假设每一条路段允许的最大通过率为C,为承载路段上的流量qij,则路段Lij的宽度为Wij=floor(QE(i,j)/C)+1,i,j=1,…,n+C+T,其中,Wij为路段Lij的宽度,floor()为向下取整,QE(i,j)为整个航路网络的流量矩阵,C为每一条路段允许的最大通过率。
207、根据所述物流量及所述路线长度计算所述整个航路网络的物流运输总费用;
208、根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数。
计算所述整个航路网络的物流运输总费用可以采用下述公式计算:
根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数可以采用下述公式计算:
第k个个体对应的网络评价函数:eval(vk)=αLnetwork+βCnetwork,其中,α、β为权值。
103、通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;
预设遗传算法包括:
1、交叉操作
交叉生成的新个体数用cCnt,初始值为0。生成[0,1]区间内的随机实数rk(k=1,2,…,popsize)。选择满足rk<pC的个体vk,并对个体进行配对,令cCnt=cCnt+2。随机生成要进行交叉的断点位置和区间范围,并进行交叉操作,得到的新的个体分别定义为v′cCnt-1,v′cCnt。
2、变异操作
交叉生成的新个体数用mCnt,初始值为0。生成[0,1]区间内的随机实数rk(k=1,2,…,popsize)。选择满足rk<pM的个体vk,并对个体vk的第个基因位进行0、1反转,之后令mCnt=mCnt+1,得到的新的个体分别为v′cCnt+mCnt。
3、选择操作
生成个体的适应值eval(vt),t=1,2,…,cCnt+mCnt,并从父代个体vt(t=1,2,…,popsize)和新生成的个体vt(t=1,2,…,cCnt+mCnt)中按适应值大小进行排序,选择适应值高max[eval(vk)]的popsize数目的个体作为子代个体。
104、将所述最优子代个体转化为对应的最优航路网结构。
若maxEval<max[eval(vk)],则v*=argmax[eval(vk)],maxEval=max[eval(vk)]
若gen<maxgen,则循环执行步骤103;若gen>maxgen,循环结束,输出对应的个体v*和最优总价值maxEval。
由于本实施例所介绍的基于联结矩阵寻优的航路网规划装置为可以执行本发明实施例中的基于联结矩阵寻优的航路网规划方法的装置,故而基于本发明实施例中所介绍的基于联结矩阵寻优的航路网规划方法,本领域所属技术人员能够了解本实施例的基于联结矩阵寻优的航路网规划装置的具体实施方式以及其各种变化形式,所以在此对于该基于联结矩阵寻优的航路网规划装置如何实现本发明实施例中的基于联结矩阵寻优的航路网规划方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中基于联结矩阵寻优的航路网规划方法所采用的装置,都属于本申请所欲保护的范围。
本发明实施例还提供一种基于联结矩阵寻优的航路网规划装置,如图5所示,包括:
建立单元31,用于根据两两节点之间的交汇关系建立航路网络矩阵;
第一生成单元32,用于根据所述建立单元建立的所述航路网络矩阵生成遗传种群;
评价单元33,用于分别对所述第一生成单元生成的所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;
第二生成单元34,用于通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;
转化单元35,用于将所述最优子代个体转化为对应的最优航路网结构。
本发明实施例提供的基于联结矩阵寻优的航路网规划方法及装置,首先根据两两节点之间的交汇关系建立航路网络矩阵;其次根据所述航路网络矩阵生成遗传种群,并分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;最后将所述最优子代个体转化为对应的最优航路网结构。本发明实施例通过适应值函数及遗传方法的使用,计算的带两条航路线路的交叉点,当确定两条航路线路有交叉时,交叉点可以实现线路上物流的转换和衔接,即交叉点的作用与节点相同。
进一步的,如图6所示,评价单元33包括:
转换模块331,用于将一个染色体转换成第一联结矩阵;
获取模块332,用于根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足点,对每一条线段上的所述节点、交叉点以及垂足点进行排序;
生成模块333,用于根据排序结果生成第二联结矩阵;
第一计算模块334,用于根据所述第二联结矩阵计算两两节点之间的最短距离;
第二计算模块335,用于计算整个航路网络的物流运输成本及每一段线路、每一个节点上的物流量;
第三计算模块336,用于根据所述物流量计算每一段线路上的路宽以及计算整个航路网络的路段长度;
第四计算模块337,用于根据所述物流量及所述路线长度计算所述整个航路网络的物流运输总费用;
第五计算模块338,用于根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数。
进一步的,如图6所示,所述获取模块332包括:
查找子模块3321,用于查找所述第一联结矩阵中的非零节点所对应的坐标及两点连线方程;
处理子模块3322,用于根据所述第一联结矩阵确定是否存在交叉点,若存在,则求出交叉点;
计算子模块3323,用于查询未连成线段的无联结节点,并计算无联结节点到所有线段的距离,确定最短距离对应的垂足点;
排序子模块3324,用于对每条线段上的节点、交叉点和/或垂足点按先后顺序进行排序。
进一步的,根据所述物流量计算每一段线路上的路宽通过下述公式计算:
Wij=floor(QE(i,j)/C)+1,其中,Wij为路段Lij的宽度,floor()为向下取整,QE(i,j)为整个航路网络的流量矩阵,C为每一条路段允许的最大通过率;
计算整个航路网络的路段长度通过下述公式计算:
进一步的,第四计算模块还可以采用下述公式计算:
第五计算模块还可以采用下述公式计算:
eval(vk)=αLnetwork+βCnetwork,其中,α、β为权值。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种基于联结矩阵寻优的航路网规划方法,其特征在于,包括:
根据两两节点之间的交汇关系建立航路网络矩阵;
根据所述航路网络矩阵生成遗传种群,并分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;
通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;
将所述最优子代个体转化为对应的最优航路网结构;
所述的分别对所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数包括:
将一个染色体转换成第一联结矩阵;
根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足点,对每一条线段上的所述节点、交叉点以及垂足点进行排序;
根据排序结果生成第二联结矩阵;
根据所述第二联结矩阵计算两两节点之间的最短距离;
计算整个航路网络的物流运输成本及每一段线路、每一个节点上的物流量;
根据所述物流量计算每一段线路上的路宽以及计算整个航路网络的路段长度;
根据所述物流量及所述路段长度计算所述整个航路网络的物流运输总费用;
根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数;
所述的根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足点,对每一条线段上的所述节点、交叉点以及垂足点进行排序,其具体包括:
查找所述第一联结矩阵中的非零节点所对应的坐标及两点连线方程;
根据所述第一联结矩阵确定是否存在交叉点,若存在,则求出交叉点;
查询未连成线段的无联结节点,并计算无联结节点到所有线段的距离,确定最短距离对应的垂足点;
对每条线段上的节点、交叉点和/或垂足点按先后顺序进行排序。
4.一种基于联结矩阵寻优的航路网规划装置,其特征在于,包括:
建立单元,用于根据两两节点之间的交汇关系建立航路网络矩阵;
第一生成单元,用于根据所述建立单元建立的所述航路网络矩阵生成遗传种群;
评价单元,用于分别对所述第一生成单元生成的所述遗传种群中的每个染色体进行评价,得到整个航路网络的路段长度及物流运输费用的适应值函数;
第二生成单元,用于通过预设遗传算法在所述适应值函数的基础上生成单个染色体的适应值,并选择适应值最高的染色体作为最优子代个体,直至轮询完整个遗传种群;
转化单元,用于将所述最优子代个体转化为对应的最优航路网结构;
所述的评价单元包括:
转换模块,用于将一个染色体转换成第一联结矩阵;
获取模块,用于根据所述第一联结矩阵,获取两两节点间的线路的交叉点及垂足点,对每一条线段上的所述节点、交叉点以及垂足点进行排序;
生成模块,用于根据排序结果生成第二联结矩阵;
第一计算模块,用于根据所述第二联结矩阵计算两两节点之间的最短距离;
第二计算模块,用于计算整个航路网络的物流运输成本及每一段线路、每一个节点上的物流量;
第三计算模块,用于根据所述物流量计算每一段线路上的路宽以及计算整个航路网络的路段长度;
第四计算模块,用于根据所述物流量及所述路段长度计算所述整个航路网络的物流运输总费用;
第五计算模块,用于根据所述整个航路网络的路段长度及整个航路网络的物流运输总费用计算每个节点对应的适应值函数;
所述获取模块包括:
查找子模块,用于查找所述第一联结矩阵中的非零节点所对应的坐标及两点连线方程;
处理子模块,用于根据所述第一联结矩阵确定是否存在交叉点,若存在,则求出交叉点;
计算子模块,用于查询未连成线段的无联结节点,并计算无联结节点到所有线段的距离,确定最短距离对应的垂足点;
排序子模块,用于对每条线段上的节点、交叉点和/或垂足点按先后顺序进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402632.2A CN112529278B (zh) | 2020-12-02 | 2020-12-02 | 基于联结矩阵寻优的航路网规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402632.2A CN112529278B (zh) | 2020-12-02 | 2020-12-02 | 基于联结矩阵寻优的航路网规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529278A CN112529278A (zh) | 2021-03-19 |
CN112529278B true CN112529278B (zh) | 2021-08-31 |
Family
ID=74998334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402632.2A Active CN112529278B (zh) | 2020-12-02 | 2020-12-02 | 基于联结矩阵寻优的航路网规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529278B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203986B (zh) * | 2022-09-15 | 2023-01-17 | 中国人民解放军空军预警学院 | 不规则责任区空基探测平台空域配置方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944095A (zh) * | 2009-07-08 | 2011-01-12 | 广东融讯信息科技有限公司 | 路径规划方法和系统 |
CN102175256A (zh) * | 2010-12-27 | 2011-09-07 | 浙江工业大学 | 一种基于进化树拓扑路网构建的路径规划确定方法 |
CN103324982A (zh) * | 2013-06-07 | 2013-09-25 | 银江股份有限公司 | 一种基于遗传算法的路径规划方法 |
CN106503844A (zh) * | 2016-10-19 | 2017-03-15 | 国网山东省电力公司济阳县供电公司 | 一种采用遗传算法的电力线路路径寻优方法 |
CN109165720A (zh) * | 2018-09-05 | 2019-01-08 | 深圳灵图慧视科技有限公司 | 神经网络模型压缩方法、装置和计算机设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477749B (zh) * | 2009-01-15 | 2010-11-10 | 北京航空航天大学 | 过渡航路网络的建立方法 |
CN104504198B (zh) * | 2014-12-19 | 2017-10-10 | 北京航空航天大学 | 一种基于双层协同进化的航路网络拓扑设计方法 |
CN105005823B (zh) * | 2015-06-26 | 2018-07-20 | 天津大学 | 一种基于遗传算法的船舶分支管路路径规划方法 |
CN107525509B (zh) * | 2017-07-26 | 2020-12-04 | 上海海事大学 | 一种基于遗传算法的开敞水域帆船路径规划方法 |
CN110160526B (zh) * | 2019-04-23 | 2021-10-08 | 北京海兰信数据科技股份有限公司 | 基于遗传算法的航线规划方法 |
CN110442135B (zh) * | 2019-08-06 | 2020-08-21 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
-
2020
- 2020-12-02 CN CN202011402632.2A patent/CN112529278B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944095A (zh) * | 2009-07-08 | 2011-01-12 | 广东融讯信息科技有限公司 | 路径规划方法和系统 |
CN102175256A (zh) * | 2010-12-27 | 2011-09-07 | 浙江工业大学 | 一种基于进化树拓扑路网构建的路径规划确定方法 |
CN103324982A (zh) * | 2013-06-07 | 2013-09-25 | 银江股份有限公司 | 一种基于遗传算法的路径规划方法 |
CN106503844A (zh) * | 2016-10-19 | 2017-03-15 | 国网山东省电力公司济阳县供电公司 | 一种采用遗传算法的电力线路路径寻优方法 |
CN109165720A (zh) * | 2018-09-05 | 2019-01-08 | 深圳灵图慧视科技有限公司 | 神经网络模型压缩方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112529278A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103364004B (zh) | 路径搜索方法和路径搜索装置 | |
US8935096B2 (en) | Apparatus for fast path search by learning heuristic function and method thereof | |
CN104215254B (zh) | 路径导航的方法和装置 | |
AitZai et al. | A branch and bound and parallel genetic algorithm for the job shop scheduling problem with blocking | |
CN112529278B (zh) | 基于联结矩阵寻优的航路网规划方法及装置 | |
CN104866903B (zh) | 基于遗传算法的最美路径导航算法 | |
CN111337044A (zh) | 一种基于通行权值的城市道路路径规划方法 | |
CN103309932A (zh) | 路径搜索方法和路径搜索设备 | |
CN105204920A (zh) | 一种基于映射聚合的分布式计算作业的实现方法及装置 | |
CN111340303A (zh) | 基于新型混合蛙跳算法的旅行商路线规划方法 | |
CN112269848B (zh) | 一种众包轨迹数据融合方法及装置 | |
Xu et al. | GORTS: genetic algorithm based on one-by-one revision of two sides for dynamic travelling salesman problems | |
CN108596390B (zh) | 一种解决车辆路径问题的方法 | |
CN113204348B (zh) | 一种基于Contraction Hierarchies的国内路网数据编译方法 | |
Abbasi et al. | An ant colony algorithm for solving bi-criteria network flow problems in dynamic networks | |
Šormaz et al. | Problem space search algorithm for manufacturing cell formation with alternative process plans | |
Flaherty et al. | Distributed octree data structures and local refinement method for the parallel solution of three-dimensional conservation laws | |
JP2004220227A (ja) | 遺伝子ネットワーク経路探索装置及び方法並びにプログラム | |
JP6618454B2 (ja) | 計算装置、方法、及びプログラム | |
JPH10253376A (ja) | 最小コスト経路探索方法およびシステム | |
Wu | Incremental routing algorithms for dynamic transportation networks | |
Muthulakshmi et al. | Shortest Path Algorithm and its implementation | |
KR20190051769A (ko) | 지도 매핑 방법 및 시스템 | |
Ashkezari et al. | GENETIC ALGORITHMS FOR FINDING THE SEMI-OBNOXIOUS (k, l) CORE OF A GRAPH. | |
Ren | Betweenness centrality and its applications from modeling traffic flows to network community detection |
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 |