CN112598189A - 基于shade算法的多路径多目标应急物资配送路径选择方法 - Google Patents

Abstract

本发明公开了一种基于成功历史自适应参数的差分进化(SHADE)算法用于搜索应急物资紧急救援路径，主要方法为：通过学习差分进化算法中的成功个体的交叉率和变异率，使得该方法能够找到更优越的路径。为了搜索更多的等效的应急物资救援调度路径，适应度分享机制被同时用在目标空间和决策空间以保证路径的多样性，为用户提供多样的可行路径以供选择，也避免单一路径由于某种突发原因不可通行情况的出现。本发明不仅能够搜索到满足目标条件的最优应急物资救援调度路径，而且能够提供多条等效路径，为应急物资第一时间送至目的地进行救援提供保障。

Description

基于SHADE算法的多路径多目标应急物资配送路径选择方法

技术领域

本发明涉及一种多路径多目标应急物资配送路径选择问题。

背景技术

在现实生活中存在许多路径选址与路径规划问题，这类问题是一种经典的优化问题。可是，现在求解这类优化问题的可行解仅仅只有一个最优方案符合需求。考虑到日常生活中的路径选址和路径规划问题都是静态的，仅仅考虑理想状态下的可行方案。可是，在实际的生活中，环境是动态变化的，例如，在求解得出的最优路径中，由于一些突发状况该路径的部分路段不可通行从而导致该方案并不能顺利到达目的地。特别在应急抢险时仅仅提供一条路径方案是不可行的，这样会导致应急救援物质不能及时送入前线进行救援，进而影响人民群众生命财产安全。因此，有必要设计考虑多个需求目标的情况下的多路径方案进行应急物资配送，这类问题被称为多路径多目标路径选择问题。

解决该类问题的难点是在考虑相同的多目标函数值时如何找出多条等效的路径。传统的方法可以解决类似的连续优化问题，并不适用于该类多路径多目标路径选择问题。因此，解决这类问题对现实生活具有重要的意义。

发明内容

针对目前存在的问题，本发明提供了一种基于SHADE算法的多目标多路径应急物资配送路径选择方法。在该方法中，我们使用基于成功历史自适应差分算法和适应度分享机制搜索等效的路径，并对SHADE算法做适当修改应用与多目标求解完整的帕累托前言。使用适应度分享机制可以同时保证目标空间和决策空间解的多样性和收敛性，能够成功适用于求解应急物资配送路径选择问题，并提供多个可行的等效路径以供用户选择。

为达到上述目的，本发明采用的技术方案为，一种基于SHADE算法的多目标多路径应急物资配送路径选择方法，包括以下步骤：

S1.初始化参数:种群数量N和参数历史记忆集合长度H；

S2.初始化种群P＝{x₁,x₂,...,x_N}，参数历史记忆集合M_CR,q＝M_F,q＝0.5,q＝1,2,...H，序号设为k＝1；

S3.如果执行迭代停止条件不满足：

S3-1.对于种群内的每一个个体x_i进化：

S3-11.r是随机从范围内选择的一个整数；

S3-12.根据公式1和2设置变异率F_i和交叉率CR_i：

F_i＝randc_i(u_F,0.1) (1)

其中，u_F是随机从M_F中选择的一个数据，randc_i(u_F,0.1)是根据柯西分布在平均值为u_F和标准差为0.1的基础上确定的一个值。

CR_i＝randn_i(u_CR,0.1) (2)

其中，u_CR是随机从M_CR中随机选择的一个数据，randn_i(u_CR,0.1)是根据正态分布在平均值为u_CR和标准差为0.1的基础上得到的一个值。

S3-13.变异算子：根据公式3获得个体x_i的变异向量v_i。

v_i＝x_i+F_i*(x_pbest-x_i)+F_i*(x_r1-x_r2) (3)

其中，F_i为变异率；x_pbest是从种群P中选择N*p个优秀的个体集合中选择的一个个体，p是[2/N,0.2]范围内的随机数。

S3-14.交叉算子：根据公式4产生个体x_i交叉向量u_i。

其中，v_i,j是变异向量v_i的第j维向量值；x_i,j是个体x_i的第j维向量值；rand(0,1)是在[0,1]范围内产生一个随机数；CR_i是交叉率；j_rand是在[1,d]范围内的一个随机整数，d是个体的维度数量。

S3-15.计算u_i的目标函数值；

S3-16.如果u_i支配x_i(u_i＜x_i)个体u_i取代x_i，同时将x_i存入一个档案A中，并且将交叉率参数CR_i和变异率参数F_i分别存入历史档案S_CR和S_F；如果u_i不支配x_i，x_i维持不变。

S3-2.更新档案集A。如果档案集A的尺寸大于种群数量N，随机从集合A中移除|A|-N个个体确保档案集A中的个体数量不大于N；

S3-3.更新M_F,k和M_CR,k。

S3-31.如果集合S_CR和S_F不是空集合，根据公式5和6分别更新M_F,k和M_CR,k。

在公式5和6中，mean_WL(S)是加权Lehmer平均值函数，计算公式如公式7所示：

其中，w_k的计算如公式8所示：

S3-32.k＝k+1；

S3-33.如果k＞H，则k＝1；

S3-4.对父代种群P与子代种群x进行非支配排序，并获得新的一代种群P和非支配个体NDS；

S3-5.精英非支配个体选择。

S3-51.如果精英非支配解数量大于种群数量，即|NDS|＞N，根据公式9，适应度分享机制删除差的多样性非支配解

其中，sh_obj和sh_dec分别是一个个体x_il在目标空间和决策空间的适应度分享函数值，其计算方法如公式10所示：

其中，d_in是个体x_i与个体x_n之间的距离，τ是一个常数，被设置为1，σ_share是分享半径，计算方法如公式11所示：

其中，d_is是个体x_i与个体x_s之间的距离，K是个体x_i的最近邻居数量。

删除DNS中带有最大f_DS值的个体，并重新计算删除后DNS中每一个个体的适应度分享值，直至DNS中的个体数量等于N.

S3-52.新的种群P即是DNS(P＝DNS)；

S4.迭代结束，输出最终的P即为最优解。

与现有技术相比，本发明具有以下优点：

1.对比传统应急物质救援路径规划方法，本发明采用基于成功历史参数自适应机制的差分进化算法作为基本搜索算法搜索可行路径，该方法可以在搜索过程中边搜索边学习成功路径的参数适应能力，为搜索过程提供方向，不断地向最优路径逼近。

2.在考虑多个目标的前提下，该发明能够在可性地图路网中搜索到多个等效的路径，为紧急救援物资调度提供多条可行路线方案进行调度，能够避免因突然情况造成的单条路径不可通行的情况，有效地提升调度能力。

3.一个基于适应度分享机制的用于维护可行路径的多样性，该方法可以在进化过程中不断地维持路径的多样性，并能同时考虑多个目标值时维持可行路径解集合的多样性和收敛性，为应急物资紧急调度提供多条等效可行的路径。

附图说明

图1为本发明方法整体流程图。

图2为应用本发明方法的路径规划实例。

具体实施方式

为了更好的理解本发明，下面结合附图2和实例对本发明进行详细描述。

假设将某城市的区域范围划分为相等的网格，网格为84*84，例如图2所示。在图2中，黑色实线表示城市道路；两条实线交叉处为道路路口；红色区域为拥堵区域；白色区域为住宅或建筑物，不可通行。蓝色点为应急物资存储仓库的坐标(START)，绿色区域为救援物资运送目的地。为了找到多条等效的路径供客户选择，需满足以下三个目标：①救援物资运输过程路径最短；②所经过的路径中路口数量最少；③所经过的路径中红色拥堵区域最少。

为同时满足三个条件，并且提供多条等效路径供用户选择，本发明的流程图如1所示，具体实现步骤如下：

Step1.编码。根据每一个路口坐标进行编码，首先初始化种群P，种群规模为N＝100，每一个个体x_i＝[x_i,1,x_i,2,...,x_n]，n为路口总数量，x_i,j表示经过的第j个路口。统计该路径的总长度、路口数量和红色区域数量作为三个目标函数值；

Step2.初始化自适应成功历史参数。参数历史记忆集合M_CR,q＝M_F,q＝0.5,q＝1,2,...H，序号设为k＝1；

Step3.根据发明内容步骤S3进行进化并输出最终的P；

Step4.解码。根据种群P中的个体x_i进行解码，x_i＝[x_i,1,x_i,2,...,x_n]表示该路径依次经过的路口序号，并根据序号得出坐标位置；统计路径长度作为第一个目标(救援物资运输过程路径)，统计路口数量作为第二个目标(所经过的路径中路口最少)，统计红色拥堵区域作为第三个目标(所经过的路径中红色拥堵区域).

本发明旨在解决多路径多目标应急物资紧急救援调度路径选择问题，为自然灾害发生时，能够第一时间运输救援物资进入前线提供路线保障。该发明主要通过将SHADE算法中学习成功历史参数自适应机制运用到离散路径优化问题，同时将适应度分享机制应用到路径搜索空间和目标空间，为搜索等效多路径提供了新思路，能够保证可行解(路径)的多样性和收敛性。

本发明包括：一种基于成功历史自适应参数的差分进化(SHADE)用于搜索应急物资紧急救援路径，在该方法中，通过学习差分进化算法中的成功个体的交叉率和变异率，使得该方法能够找到更优越的路径。为了搜索更多的等效的应急物资救援调度路径，适应度分享机制被同时用在目标空间和决策空间以保证路径的多样性，为用户提供多样的可行路径以供选择，也避免单一路径由于某种突发原因不可通行情况的出现。本发明不仅能够搜索到满足目标条件的最优应急物资救援调度路径，而且能够提供多条等效路径，为应急物资第一时间送至目的地进行救援提供保障。

尽管以上结合附图对本发明的具体实施过程进行了描述，但本发明并不局限于上述的具体实施方案，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于SHADE算法的多目标多路径应急物资配送路径选择方法，包括以下步骤：

S1.初始化参数:种群数量N和参数历史记忆集合长度H；

S2.初始化种群P＝{x₁,x₂,...,x_N},参数历史记忆集合M_CR,q＝M_F,q＝0.5,q＝1,2,...H，序号设为k＝1；

S3.如果执行迭代停止条件不满足：

S3-1.对于种群内的每一个个体x_i进化：

S3-11.r是随机从范围内选择的一个整数；

S3-12.根据公式1和2设置变异率F_i和交叉率CR_i：

F_i＝randc_i(u_F,0.1) (1)

其中，u_F是随机从M_F中选择的一个数据，randc_i(u_F,0.1)是根据柯西分布在平均值为u_F和标准差为0.1的基础上确定的一个值；

CR_i＝randn_i(u_CR,0.1) (2)

其中，u_CR是随机从M_CR中随机选择的一个数据，randn_i(u_CR,0.1)是根据正态分布在平均值为u_CR和标准差为0.1的基础上得到的一个值；

S3-13.变异算子：根据公式3获得个体x_i的变异向量v_i；

v_i＝x_i+F_i*(x_pbest-x_i)+F_i*(x_r1-x_r2) (3)

其中，F_i为变异率；x_pbest是从种群P中选择N*p个优秀的个体集合中选择的一个个体，p是[2/N,0.2]范围内的随机数；

S3-14.交叉算子：根据公式4产生个体x_i交叉向量u_i；

其中，v_i,j是变异向量v_i的第j维向量值；x_i,j是个体x_i的第j维向量值；rand(0,1)是在[0,1]范围内产生一个随机数；CR_i是交叉率；j_rand是在[1,d]范围内的一个随机整数，d是个体的维度数量；

S3-15.计算u_i的目标函数值；

S3-16.如果u_i支配x_i(u_i＜x_i),个体u_i取代x_i，同时将x_i存入一个档案A中，并且将交叉率参数CR_i和变异率参数F_i分别存入历史档案S_CR和S_F；如果u_i不支配x_i，x_i维持不变；

S3-2.更新档案集A；如果档案集A的尺寸大于种群数量N，随机从集合A中移除|A|-N个个体确保档案集A中的个体数量不大于N；

S3-3.更新M_F,k和M_CR,k；

S3-31.如果集合S_CR和S_F不是空集合，根据公式5和6分别更新M_F,k和M_CR,k；

在公式5和6中，mean_WL(S)是加权Lehmer平均值函数，计算公式如公式7所示：

其中，w_k的计算如公式8所示：

S3-32.k＝k+1；

S3-33.如果k＞H,则k＝1；

S3-4.对父代种群P与子代种群x进行非支配排序，并获得新的一代种群P和非支配个体NDS；

S3-5.精英非支配个体选择；

S3-51.如果精英非支配解数量大于种群数量，即|NDS|＞N，根据公式9，适应度分享机制删除差的多样性非支配解

其中，sh_obj和sh_dec分别是一个个体x_il在目标空间和决策空间的适应度分享函数值，其计算方法如公式10所示：

其中，d_in是个体x_i与个体x_n之间的距离，τ是一个常数，被设置为1，σ_share是分享半径，计算方法如公式11所示：

其中，d_is是个体x_i与个体x_s之间的距离，K是个体x_i的最近邻居数量；

删除DNS中带有最大f_DS值的个体，并重新计算删除后DNS中每一个个体的适应度分享值，直至DNS中的个体数量等于N.

S3-52.新的种群P即是DNS(P＝DNS)；

S4.迭代结束，输出最终的P即为最优解。

Images