CN112613830B - 一种物资储备中心选址方法 - Google Patents
一种物资储备中心选址方法 Download PDFInfo
- Publication number
- CN112613830B CN112613830B CN202110013459.5A CN202110013459A CN112613830B CN 112613830 B CN112613830 B CN 112613830B CN 202110013459 A CN202110013459 A CN 202110013459A CN 112613830 B CN112613830 B CN 112613830B
- Authority
- CN
- China
- Prior art keywords
- distance
- disaster area
- site selection
- area rescue
- adopting
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物资储备中心选址方法,涉及物资储备选址技术领域,其技术方案要点是:具体包括以下步骤:S1、采用物联网技术结合地理信息系统生成物资需求态势图;S2、根据地理信息系统中的水温地理特点和专家库数据,采用计算机自动生成满足建设灾区救援物资储备中心的备选目标点;S3、采用服务器自动判别每个物资需求点的保障需求等级;S4、在满足保障需求等级、建设资源上线和最大响应速度的约束条件的前提下,采用人工智能算法求解灾区救援物资储备中心选址的最优解。本方法采用机器学习算法求解模型假设,能验证模型在灾区救援物资保障投送节点规划应用中的适用性、可行性、及时性和有效性,能对灾区救援物资储备中心选址提供决策依据。
Description
技术领域
本发明涉及物资储备选址技术领域,更具体地说,它涉及一种物资储备中心选址方法。
背景技术
灾区救援物资储备中心是储存灾区救援物资的仓库和物资供应保障基地,担负着灾区救援物资应急供应保障任务。灾区救援物资储备中心作为灾区救援物资供应链上的基础节点,是决定灾区救援效率的一个重要基础。灾区救援物资储备中心的选址直接关系到平灾区救援物资的保障水平,合理的灾区救援物资储备中心选址既可以满足部队灾区救援对物资应急保障的需求,又能最大程度地减少运行成本。因此,加强灾区救援物资储备中心选址研究,优化仓库布局,对提高灾区救援物资后勤保障能力具有重要的现实意义。
目前,现有技术中灾区救援物资储备中心的选址方法通常通过各种计算模型以传统算法计算出灾区救援物资储备中心的位置区间,现有技术中的选址方法计算过程复杂,计算效率低,且计算出的位置适用性低。
在信息化条件下的现代战争物资保障环境变得十分恶劣,考虑战场条件下不同情况的物资需求和无人机配送节点编配,建立以优化网络时效性为目标,以抗打击能力、建设资源需求、规模效益等要素为约束条件的灾区救援物资无人机投送节点规划数学模型。
本发明旨在采用机器学习算法求解模型假设,设计提供一种物质储备中心选址方法,以解决现有技术中物资储备中心选址计算效率低且计算出的选址位置适用性低的问题。
发明内容
本发明的目的是提供一种物资储备中心选址方法,本方法采用机器学习算法求解模型假设,分析各参数对建设救援资源需求指标的影响,能验证模型在灾区救援救援物资保障投送节点规划应用中的适用性、可行性、及时性和有效性,并能够对灾区救援物资储备中心选址提供决策依据。
本发明的上述技术目的是通过以下技术方案得以实现的:一种物资储备中心选址方法,具体包括以下步骤:
S1、采用物联网技术自动感知灾区救援物资的需求态势,并结合地理信息系统生成物资需求态势图;
S2、根据地理信息系统中的水温地理特点和专家库数据,采用计算机自动生成满足建设灾区救援物资储备中心的备选目标点;
S3、根据灾区救援环境、救援规模、及救援难易程度设定,采用服务器自动判别每个物资需求点的保障需求等级;
S4、根据步骤S1至S3,在满足保障需求等级、建设资源上线和最大响应速度的约束条件的前提下,采用人工智能算法求解灾区救援物资储备中心选址的最优解,即得灾区救援物资储备中心选址。
进一步地,步骤S4中采用人工智能算法求解灾区救援物资储备中心选址的最优解的具体步骤为:
1)将灾区救援物资中心的选址参数作为原始样本集,并将原始样本集分为建模集和寻优集两部分,在寻优集中引入灾区救援物资中心选址的设想解,并对寻优集进行与建模集相同的标准化处理;
2)选取主成分分析算法、单类支持向量机算法、K均值聚类算法和自动编码器算法,输入标准化的建模集训练为四个一级距离模型,通过寻优集对一级距离模型的参数进行寻优,建立最优的四个一级距离模型,剔除计算性能弱的一级距离模型;定义每个一级距离模型的输出距离与其对应的模型边界距离的差值为新差值距离,组合筛选后的最优一级距离模型的输出结果,形成新差值距离集;
3)通过标准化后的新差值距离集分为新建模集和新寻优集,建立基于以上四种算法的二级距离模型,选取性能最好的二级距离模型作为最终的二级距离灾区救援物资中心选址模型;其中,二级距离模型的输出结果为单个距离,将其和输出单个距离对应的边界距离作比较,小于则为正常样本,储存至正常样本集A1中;大于则为灾区救援物资中心地址样本,储存至灾区救援物资中心位置样本集A2中;
4)在数据更新后启动增量学习训练新增样本集Ф2,将新增样本集输入到S1中得到的综合距离模型内,输出结果同样被划分为新增选址样本集B1和新增灾区救援物资中心样本集B2;将B2和4)中的A1、A2混合形成更新后的样本集,训练出更新后的关于综合距离的灾区救援物资中心选址模型,并求解灾区救援物资储备中心选址的最优解。
综上所述,本发明具有以下有益效果:
1、本方法能够融合物联网技术、地理信息系统、人工智能技术和专家意见建议,能够实现物资需求的自动感知、物资储备中心备选点的自动生成;
2、本方法结合灾区救援物资配送实际情况,能针对不同灾区救援的过程对物资需求进行等级分类;
3、本方法以物资前送最快响应为出发点,同时满足投送系统的鲁棒性和经济性,使物资储备中心具有较强的适用性能和经济性能。
附图说明
图1是本发明实施例中的流程图。
具体实施方式
本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包括”为一开放式用语,故应解释成“包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。
本说明书及权利要求的上下左右等方位名词,是结合附图以便于进一步说明,使得本申请更加方便理解,并不对本申请做出限定,在不同的场景中,上下、左右、里外均是相对而言。
以下结合附图对本发明作进一步详细说明。
实施例:一种物资储备中心选址方法,如图1所示,具体包括以下步骤:
S1、采用物联网技术自动感知灾区救援物资的需求态势,并结合地理信息系统生成物资需求态势图;
S2、根据地理信息系统中的水温地理特点和专家库数据,采用计算机自动生成满足建设灾区救援物资储备中心的备选目标点;
S3、根据灾区救援环境、救援规模、及救援难易程度设定,采用服务器自动判别每个物资需求点的保障需求等级;
S4、根据步骤S1至S3,在满足保障需求等级、建设资源上线和最大响应速度的约束条件的前提下,采用人工智能算法求解灾区救援物资储备中心选址的最优解,即得灾区救援物资储备中心选址。
其中,步骤S4中采用人工智能算法求解灾区救援物资储备中心选址的最优解的具体步骤为:
1)将灾区救援物资中心的选址参数作为原始样本集,并将原始样本集分为建模集和寻优集两部分,在寻优集中引入灾区救援物资中心选址的设想解,并对寻优集进行与建模集相同的标准化处理;
2)选取主成分分析算法、单类支持向量机算法、K均值聚类算法和自动编码器算法,输入标准化的建模集训练为四个一级距离模型,通过寻优集对一级距离模型的参数进行寻优,建立最优的四个一级距离模型,剔除计算性能弱的一级距离模型;定义每个一级距离模型的输出距离与其对应的模型边界距离的差值为新差值距离,组合筛选后的最优一级距离模型的输出结果,形成新差值距离集;
3)通过标准化后的新差值距离集分为新建模集和新寻优集,建立基于以上四种算法的二级距离模型,选取性能最好的二级距离模型作为最终的二级距离灾区救援物资中心选址模型;其中,二级距离模型的输出结果为单个距离,将其和输出单个距离对应的边界距离作比较,小于则为正常样本,储存至正常样本集A1中;大于则为灾区救援物资中心地址样本,储存至灾区救援物资中心位置样本集A2中;
4)在数据更新后启动增量学习训练新增样本集Ф2,将新增样本集输入到S1中得到的综合距离模型内,输出结果同样被划分为新增选址样本集B1和新增灾区救援物资中心样本集B2;将B2和4)中的A1、A2混合形成更新后的样本集,训练出更新后的关于综合距离的灾区救援物资中心选址模型,并求解灾区救援物资储备中心选址的最优解。
在本实施例中,本发明的灾区救援物资中心选址方法采用机器学习算法求解模型假设,通过分析各参数对网络时效性、抗打击能力、建设资源需求等指标的影响,能够验证模型在灾区救援救援物资保障投送节点规划应用中的适用性、可行性、及时性和有效性,并能够对灾区救援物资储备中心选址提供决策依据。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (1)
1.一种物资储备中心选址方法,其特征是:具体包括以下步骤:
S1、采用物联网技术自动感知灾区救援物资的需求态势,并结合地理信息系统生成物资需求态势图;
S2、根据地理信息系统中的水温地理特点和专家库数据,采用计算机自动生成满足建设灾区救援物资储备中心的备选目标点;
S3、根据灾区救援环境、救援规模、及救援难易程度设定,采用服务器自动判别每个物资需求点的保障需求等级;
S4、根据步骤S1至S3,在满足保障需求等级、建设资源上线和最大响应速度的约束条件的前提下,采用人工智能算法求解灾区救援物资储备中心选址的最优解,即得灾区救援物资储备中心选址;
步骤S4中采用人工智能算法求解灾区救援物资储备中心选址的最优解的具体步骤为:
1)将灾区救援物资中心的选址参数作为原始样本集,并将原始样本集分为建模集和寻优集两部分,在寻优集中引入灾区救援物资中心选址的设想解,并对寻优集进行与建模集相同的标准化处理;
2)选取主成分分析算法、单类支持向量机算法、K均值聚类算法和自动编码器算法,输入标准化的建模集训练为四个一级距离模型,通过寻优集对一级距离模型的参数进行寻优,建立最优的四个一级距离模型,剔除计算性能弱的一级距离模型;定义每个一级距离模型的输出距离与其对应的模型边界距离的差值为新差值距离,组合筛选后的最优一级距离模型的输出结果,形成新差值距离集;
3)通过标准化后的新差值距离集分为新建模集和新寻优集,建立基于以上四种算法的二级距离模型,选取性能最好的二级距离模型作为最终的二级距离灾区救援物资中心选址模型;其中,二级距离模型的输出结果为单个距离,将其和输出单个距离对应的边界距离作比较,小于则为正常样本,储存至正常样本集A1中;大于则为灾区救援物资中心地址样本,储存至灾区救援物资中心位置样本集A2中;
4)在数据更新后启动增量学习训练新增样本集Ф2,将新增样本集输入到S1中得到的综合距离模型内,输出结果同样被划分为新增选址样本集B1和新增灾区救援物资中心样本集B2;将B2和4)中的A1、A2混合形成更新后的样本集,训练出更新后的关于综合距离的灾区救援物资中心选址模型,并求解灾区救援物资储备中心选址的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013459.5A CN112613830B (zh) | 2021-01-06 | 2021-01-06 | 一种物资储备中心选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013459.5A CN112613830B (zh) | 2021-01-06 | 2021-01-06 | 一种物资储备中心选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613830A CN112613830A (zh) | 2021-04-06 |
CN112613830B true CN112613830B (zh) | 2023-05-26 |
Family
ID=75254002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110013459.5A Active CN112613830B (zh) | 2021-01-06 | 2021-01-06 | 一种物资储备中心选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613830B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077099B (zh) * | 2021-04-16 | 2024-01-05 | 国网安徽省电力有限公司 | 电网企业危险废物集中存贮中心选址和路径规划的方法 |
CN118278607A (zh) * | 2024-03-25 | 2024-07-02 | 中国自然资源航空物探遥感中心 | 一种基于自然灾害的救灾物资储备库选址方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046760A (zh) * | 2019-04-10 | 2019-07-23 | 武汉理工大学 | 一种考虑受灾点需求紧迫性的医疗救援点选址方法 |
CN111242544A (zh) * | 2020-01-10 | 2020-06-05 | 东南大学 | 一种针对危险品运输事故救援物资储存点的选址方法 |
-
2021
- 2021-01-06 CN CN202110013459.5A patent/CN112613830B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046760A (zh) * | 2019-04-10 | 2019-07-23 | 武汉理工大学 | 一种考虑受灾点需求紧迫性的医疗救援点选址方法 |
CN111242544A (zh) * | 2020-01-10 | 2020-06-05 | 东南大学 | 一种针对危险品运输事故救援物资储存点的选址方法 |
Non-Patent Citations (1)
Title |
---|
考虑灾后分区的应急物资LRP问题研究;郑夏等;《运筹与管理》;第29卷(第11期);第66-77页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613830A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210184B (zh) | 一种数字孪生车间物料准时配送方法及系统 | |
Kong et al. | Big data‐driven machine learning‐enabled traffic flow prediction | |
CN112613830B (zh) | 一种物资储备中心选址方法 | |
CN116882038B (zh) | 一种基于bim技术的机电施工方法及系统 | |
CN105043379B (zh) | 一种基于时空约束的景区浏览路径规划方法、装置 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN105138802A (zh) | 一种枪管智能设计系统及设计方法 | |
US11774947B2 (en) | Industrial internet of things for material transportation control, control methods and media thereof | |
CN109492150A (zh) | 基于语义轨迹大数据的反向最近邻查询方法及装置 | |
Chen et al. | Intelligent computer-aided process planning of multi-axis CNC tapping machine | |
CN112149990B (zh) | 一种基于预测的模糊供需匹配方法 | |
CN111539401B (zh) | 基于人工智能的车道线检测方法、装置、终端及存储介质 | |
Wang et al. | Research on sbmpc algorithm for path planning of rescue and detection robot | |
CN105718591B (zh) | 一种基于规则和约束满足的定性空间关系推理方法 | |
CN116703008A (zh) | 一种用于新建公路的交通出行量预测方法、设备及介质 | |
CN110749325A (zh) | 航迹规划方法和装置 | |
CN113627646B (zh) | 一种基于神经网络的路径规划方法、装置、设备及介质 | |
CN111611070B (zh) | 一种动态互联资源的配置方法、系统、设备和存储介质 | |
CN101576880A (zh) | 基于极值优化的数据库查询优化方法 | |
Shi et al. | A collaborative control scheme for smart vehicles based on multi-agent deep reinforcement learning | |
Li et al. | Enrichment of qualitative beliefs for reasoning under uncertainty | |
CN117474292B (zh) | 一种基于5g传输的网联无人机用调度系统及调度方法 | |
Xu et al. | A binary gridding path-planning method for plant-protecting UAVs on irregular fields | |
Zhang et al. | Design of Intelligent and Connected Vehicle Driving System Based on Digital Twin | |
CN118378103B (zh) | 一种基于人工智能的地理信息系统数据匹配管理方法 |
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 |