CN113222272B - 基于双层遗传编码的应急物资运输与装载协同优化方法 - Google Patents

基于双层遗传编码的应急物资运输与装载协同优化方法 Download PDF

Info

Publication number
CN113222272B
CN113222272B CN202110576710.9A CN202110576710A CN113222272B CN 113222272 B CN113222272 B CN 113222272B CN 202110576710 A CN202110576710 A CN 202110576710A CN 113222272 B CN113222272 B CN 113222272B
Authority
CN
China
Prior art keywords
chromosome
population
layer
vehicle
generation
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
CN202110576710.9A
Other languages
English (en)
Other versions
CN113222272A (zh
Inventor
杨敏
黄志恒
李凯莉
安庆贤
戴前智
陈亚
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110576710.9A priority Critical patent/CN113222272B/zh
Publication of CN113222272A publication Critical patent/CN113222272A/zh
Application granted granted Critical
Publication of CN113222272B publication Critical patent/CN113222272B/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"
    • 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

Landscapes

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

Abstract

本发明公开了一种基于双层遗传编码的应急物资运输与装载的协同优化方法，其步骤包括：1根据最短运输路径、最大装载空间利用率和最少车辆使用成本指标，设置应急物资需求点的模块化物资需求量和运输车辆的装载量等基本参数，产生初始种群；2结合需求码层和车辆码层形成双层染色体编码，该编码能有效体现相关参数，实现自适应；3分别对需求码层和车辆码层染色体进行交叉和变异操作，利用适应度函数和轮盘赌选择法，对种群进行拓展，得到最优解集。本发明能得到模块化应急物资运输路径选择与装载协同优化方案，从而降低救援成本，缩短救援时间，提高运输车辆的装载空间利用率，达到全局优化的救援效果。

Description

基于双层遗传编码的应急物资运输与装载协同优化方法
技术领域
本发明属于应急物流领域，具体地说是一种基于双层遗传编码的模块化应急物资运输与装载协同优化方法。
背景技术
应急物资运输与装载是应急管理系统中应急物流系统的核心组成部分，主要研究在发生灾害时，如何迅速有效的规划最佳的物资装载方案和运输路线，从而将应急物资及时地送到各个受灾点，极大程度上满足受灾人民的需求，降低灾害带来的经济损失。因此，应急管理部门必须制定合理的应急物资运输与装载方案，将“正确的物资高效地送达正确的人手中”，避免物资供应不及时对受灾人民造成更大的伤害。
在应急物资运输与装载方面，还未有人对应急物资模块化以及运输车辆的装载空间利用率进行研究。在自然灾害发生后，受灾人民对应急物资的需求呈现出较强的时效性，这就要求在较短时间内让运送的物资产生更高的效用。由于物资的种类众多、功能不一、存储要求各异等特点，同时应急物资之间可能还会存在强相关性，即不同得物资虽然具有不同的功能，但彼此之间却存在着一定的依赖关系，往往需要共同协作才能够完成某项工作或满足某种需求。例如应急救援药物类中的止血、镇痛药、敷料和包扎材料、消毒药等医疗物品；饮食类中的矿泉水、压缩食品、罐头等生活必需品，这些物资彼此之间都具有一定相关性，这使得传统的运输方式难以满足救援时的物资需要，无法提高救援时应急物资的使用效用。此外，在应急救援中，提高应急物资的满足效率也是尤为重要的，然而目前研究大多是在优化模型中将车辆的装载能力设为约束，而没有对运输车辆的装载空间利用率进行深入探讨。因此，在应急物流中，现有研究对于提高应急物资的使用效用和满足效率，实现应急物资运输与装载协同优化方面还存在一定的不足。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于双层遗传编码的应急物资运输与装载协同优化方法，以期得到模块化应急物资运输路径选择与装载协同优化方案，从而降低救援成本，缩短救援时间，提高运输车辆的装载空间利用率，达到全局优化的救援效果。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于双层遗传编码的应急物资运输与装载的协同优化方法的特点是，应用于由m种模块化应急物资的种类集合A＝{w1,w2,...,wα,...,wm}、n个受灾地区的物资需求点集合N＝{d1,d2,...,di,...,dj,...,dn}、运输车辆集合K＝{h1,h2,...,hk,...,hc}和一个物资出救点d0构成的应急物流网络中，其中，wα代表第α种模块化应急物资，且第α种模块化应急物资wα的单位体积为bα，第α种模块化应急物资wα的单位重量为mα，同时第α种模块化应急物资wα满足wα＝{λ1θ1,λ2θ2,...,λsθs,...,λSθS}，系数{λ1,λ2,...,λs,...,λS}表示各类应急物资在第α种模块化应急物资wα中的比例关系，λs表示第s类应急物资在第α种模块化应急物资wα中的比例关系；di表示第i个受灾地区的物资需求点，第i个受灾地区的物资需求点di和第j个受灾地区的物资需求点dj之间的距离为dij；hk代表第k个运输车辆，且第k个运输车辆hk的额定容积为vk，第k个运输车辆hk的额定载重为gk，使用第k个运输车辆hk的总成本为ck，α＝1,2,...,m，i＝1,2,...,n，j＝1,2,...,n，k＝1,2,...,c，s＝1,2,...,S；m表示模块化应急物资的种类，n表示受灾地区物资需求点的数量，c表示运输车辆的数量，S表示模块化应急物资中包含的物资种类；
所述协同优化方法是按如下步骤进行：
步骤1、将第i个受灾地区的物资需求点di对第α种模块化应急物资wα的需求量记为diα，且第i个受灾地区的物资需求点di所需的模块化应急物资需求总量为Di；
步骤2、假设第k个运输车辆hk对第α种模块化应急物资wα的装载数量为ukα，且第k个运输车辆hk对模块化物资的总装载体积和装载重量不能超过其额定容积vk和额定载重gk；
步骤3、初始化遗传算法的各个参数，包括：种群规模Z、当前进化次数G、最大进化代数Gmax，种群交叉概率pc，种群变异概率pv，初始化G＝1；
步骤4、产生初始种群，获得第G代第r个染色体的基因变量集合
Figure BDA0003084662430000021
其中，
Figure BDA0003084662430000022
表示第G代第r个染色体第一层的第l个基因变量，
Figure BDA0003084662430000023
表示第G代第r个染色体第二层的第l个基因变量，l＝1,2,...,L，r＝1,2,...,Z；Z表示种群规模，L表示单层染色体长度；
步骤5、计算第G代所有染色体在目标函数下的适应度值集合为
Figure BDA0003084662430000024
其中，
Figure BDA0003084662430000025
表示第G代第r个染色体
Figure BDA0003084662430000026
在目标函数下的适应度值；
步骤6、对第G代所有染色体适应度值集合F中的所有适应度值进行比较，保存第G代最大适应度值对应的染色体，记为
Figure BDA0003084662430000031
并保存
Figure BDA0003084662430000032
对应的第G代最大适应度值
Figure BDA0003084662430000033
步骤7、将种群规模为Z的第G代种群
Figure BDA0003084662430000034
进行交叉和变异操作，生成第G代种群
Figure BDA0003084662430000035
的子代种群为
Figure BDA0003084662430000036
其种群规模同样为Z；
步骤8、按照步骤5计算第G代种群
Figure BDA0003084662430000037
的子代种群
Figure BDA0003084662430000038
中第r个染色体在目标函数下的适应度值fr ′(G)；
步骤9、采用轮盘赌选择法对染色体进行选择；
步骤9.1、对子代种群
Figure BDA0003084662430000039
中的染色体按照适应度值fr ′(G)的大小进行升序排序；
步骤9.2、利用式(1)计算第r个染色体被选择的概率pr：
Figure BDA00030846624300000310
步骤9.3、利用式(2)计算在升序排序后，前e个染色体被选择的累计概率qe：
Figure BDA00030846624300000311
步骤9.4、采用模拟赌盘操作，来确定遗传到下一代的染色体：
步骤9.4.1、随机生成0到1之间的随机数，记为rand_num，记q0＝0，若qe-1＜rand_num≤qe，则表示第e个染色体被选中，能遗传到下一代；
步骤9.4.2、循环执行步骤9.4.1Z次，从而得到第G代种群
Figure BDA00030846624300000312
的子代种群
Figure BDA00030846624300000313
中被选择的Z个染色体，使得种群规模为Z；
步骤10、将所述第G代种群
Figure BDA00030846624300000314
的子代种群
Figure BDA00030846624300000315
中被选择的Z个染色体作为第G+1代的父代种群
Figure BDA00030846624300000316
步骤11、按照步骤5的过程计算步骤10中第G+1代的父代种群
Figure BDA00030846624300000317
中所有染色体的适应度值集合
Figure BDA00030846624300000318
记第G+1代所有染色体的适应度值集合F(G+1)中的最大适应度值为
Figure BDA00030846624300000319
其对应的染色体记为
Figure BDA00030846624300000320
若
Figure BDA00030846624300000321
大于步骤6中的
Figure BDA00030846624300000322
则更新最大适应度值为
Figure BDA0003084662430000041
并保存其对应的染色体
Figure BDA0003084662430000042
否则，用第G代染色体中最大适应度值对应的染色体
Figure BDA0003084662430000043
代替第G+1代染色体中最小适应度值对应的染色体，并进入下一代；
步骤12、将G+1赋值给G，判断G＜Gmax是否成立，若成立，则执行步骤7；否则，表示完成Gmax次迭代，最终得到的种群记为A；
步骤13、将种群A中的
Figure BDA0003084662430000044
染色体作为最优解集，以所述最优解集对应的模块化应急物资运输与装载方案则为最优方案。
本发明所述的基于双层遗传编码的应急物资运输与装载的协同优化方法的特点也在于，所述步骤4是如下过程进行：
步骤4.1、循环遍历所述物资需求点集合N，产生第i个受灾地区的物资需求点di对第α种模块化应急物资wα的需求量
Figure BDA0003084662430000045
的值，并使得产生的模块化应急物资需求量集合
Figure BDA0003084662430000046
满足关系式(3)：
Figure BDA0003084662430000047
步骤4.2、循环遍历所述运输车辆集合K，产生第k个运输车辆hk对第α种模块化应急物资wα的装载数量的值，记为
Figure BDA0003084662430000048
并使得产生的模块化应急物资装载量集合
Figure BDA0003084662430000049
满足关系式(4)和(5)：
Figure BDA00030846624300000410
Figure BDA00030846624300000411
步骤4.3、采用双层编码来表示物资需求点被访问的顺序和相应的访问车辆：第一层为基于物资需求点的编码，记为需求码层；第二层为基于访问车辆的编码，记为车辆码层；
步骤4.3.1、用Li表示第i个受灾地区的物资需求点di被车辆访问的总次数，记L为n个受灾地区的物资需求点被车辆访问的总次数，则满足关系式(6)：
Figure BDA00030846624300000412
步骤4.3.2、令第一层和第二层的编码长度均为L；
令第G代第r个染色体的基因变量集合
Figure BDA0003084662430000051
中的需求码
Figure BDA0003084662430000052
对应于被访问的物资需求点di，
Figure BDA0003084662430000053
表示在需求码中物资需求点di出现在第l个位置，
Figure BDA0003084662430000054
在需求码中第λ次出现表示物资需求点di被第λ次访问，l＝1,2,...,L，λ＝1,2,...,L；
令第G代第r个染色体的基因变量集合
Figure BDA0003084662430000055
中的车辆码
Figure BDA0003084662430000056
对应于访问车辆hk，
Figure BDA0003084662430000057
表示在车辆码中访问车辆hk出现在第l个位置，
Figure BDA0003084662430000058
在车辆码中第μ次出现表示访问车辆hk到达的第μ个物资需求点，l＝1,2,...,L，μ＝1,2,...,L；
每一个
Figure BDA0003084662430000059
对应一个
Figure BDA00030846624300000510
根据集合
Figure BDA00030846624300000511
和
Figure BDA00030846624300000512
的一一对应关系，从而确定每个需求点被访问的车辆和每个车辆所访问的需求点。
所述步骤7的交叉和变异的步骤是如下过程进行：
步骤7.1、双层交叉：
对染色体中的需求码层和车辆码层均采用两点交叉法，在需求码层中，随机选择两个父本染色体，并随机生成两个整数t1和t2作为两个父本染色体基因序数，且t1＜t2＜L，将两个父本染色体对应序数t1和t2之间所有的基因互换，从而得到两个子代染色体；同理得到车辆码层的交叉过程；
步骤7.2、双层变异，分别包括需求码层变异和车辆码层变异：
对于需求码层变异采用两点互易变异法，即针对单个染色体，随机产生两个整数t3和t4作为步骤7.1得到的子代染色体的基因序数，且t3＜t4＜L，将t3和t4位置上的基因交换，从而得到新的子代染色体；
对于车辆码层变异则采用单点变异法。
与现有技术相比，本发明的有益效果在于：
1、本发明结合应急物资的种类、功能和存储要求等特点，研究模块化下应急物资运输和装载协同优化问题，通过采用具有双层编码的遗传算法，首先根据各个需求点的模块化应急物资需求量以及运输车辆的装载量限制，对需求点和运输车辆均进行编码，得到初始种群中各染色体的基因变量；再对现有种群进行交叉、变异操作，并计算种群中每个染色体的适应度值，利用轮盘赌选择法淘汰部分染色体，经过多次迭代，最终获得最优解集；解决了在应急物资运输过程中同时实现车辆运输时间最短和装载空间未被利用程度最小的优化问题，得到了模块化应急物资运输与装载协同优化的最优方案，不仅缩短了救援时间，而且提高了应急物资的效用与满足效率，达到了全局优化的救援效果。
2、本发明在产生初始种群的过程中既考虑了运输车辆的装载量限制，还考虑了各个需求点模块化应急物资的需求量可被拆分的情况，即一个需求点可由多个运输车辆进行物资配送，充分考虑了需求点的物资需求量大于运输车辆的最大装载量问题。
3、本发明通过双层编码的方式对需求点和运输车辆进行编码，由此产生的初始种群中各个染色体上的基因变量，不仅具有多样性，而且有效地实现了需求点和运输车辆的一一对应关系，从而确定每个车辆所访问的需求点以及相应的顺序。
附图说明
图1为本发明采用双层编码遗传算法的模块化应急物资运输与装载协同优化流程图；
图2为本发明染色体编码示意图；
图3为本发明染色体交叉示意图；
图4为本发明染色体变异示意图；
图5为本发明模块化应急物资运输过程图。
具体实施方式
本实施例中，一种基于双层编码遗传算法的模块化应急物资运输与装载协同优化方法，其流程如图1所示，主要是针对应急物资的种类、功能和存储要求等特点，研究当需求点所需的模块化应急物资可被拆分的情况下，在选择最短运输路径的同时，提高运输车辆的装载空间利用率。然后通过双层编码遗传算法进行求解，得到最优的模块化应急物资运输与装载协同优化方案，从而得到了模块化应急物资运输与装载协同优化的最优方案，缩短了救援时间，提高了应急物资的效用与满足效率。具体的说，是应用于由m种模块化应急物资的种类集合A＝{w1,w2,...,wα,...,wm}、n个受灾地区的物资需求点集合N＝{d1,d2,...,di,...,dj,...,dn}、运输车辆集合K＝{h1,h2,...,hk,...,hc}和一个物资出救点d0构成的应急物流网络中，其中，wα代表第α种模块化应急物资，且第α种模块化应急物资wα的单位体积为bα，第α种模块化应急物资wα的单位重量为mα，同时第α种模块化应急物资wα满足wα＝{λ1θ1,λ2θ2,...,λsθs,...,λSθS}，系数{λ1,λ2,...,λs,...,λS}表示各类应急物资在第α种模块化应急物资wα中的比例关系，λs表示第s类应急物资在第α种模块化应急物资wα中的比例关系；di表示第i个受灾地区的物资需求点，第i个受灾地区的物资需求点di和第j个受灾地区的物资需求点dj之间的距离为dij；hk代表第k个运输车辆，且第k个运输车辆hk的额定容积为vk，第k个运输车辆hk的额定载重为gk，使用第k个运输车辆hk的总成本为ck，α＝1,2,...,m，i＝1,2,...,n，j＝1,2,...,n，k＝1,2,...,c，s＝1,2,...,S；m表示模块化应急物资的种类，n表示受灾地区物资需求点的数量，c表示运输车辆的数量，S表示模块化应急物资中包含的物资种类。该模块化应急物资运输与装载协同优化研究按如下步骤进行：
步骤1、将第i个受灾地区的物资需求点di对第α种模块化应急物资wα的需求量记为
Figure BDA0003084662430000071
且第i个受灾地区的物资需求点di所需的模块化应急物资需求总量为Di；
步骤2、假设第k个运输车辆hk对第α种模块化应急物资wα的装载数量为
Figure BDA0003084662430000072
且第k个运输车辆hk对模块化物资的总装载体积和装载重量不能超过其额定容积vk和额定载重gk；
步骤3、初始化遗传算法的各个参数，包括：种群规模Z、当前进化次数G、最大进化代数Gmax，种群交叉概率pc，种群变异概率pv，初始化G＝1；
步骤4、产生初始种群，获得第G代第r个染色体的基因变量集合
Figure BDA0003084662430000073
其中，
Figure BDA0003084662430000074
表示第G代第r个染色体第一层的第l个基因变量，
Figure BDA0003084662430000075
表示第G代第r个染色体第二层的第l个基因变量，l＝1,2,...,L，r＝1,2,...,Z；Z表示种群规模，L表示单层染色体长度。在产生初始种群的过程中，在满足约束条件的基础之上，还考虑了各个需求点模块化应急物资的需求量可被拆分的情况，即一个需求点可被多次访问，由此产生的初始种群中各个染色体上的基因变量，不仅具有多样性，而且更加合理，具体的说，
步骤4.1、循环遍历物资需求点集合N，产生第i个受灾地区的物资需求点di对第α种模块化应急物资wα的需求量
Figure BDA0003084662430000076
的值，从而产生的模块化应急物资需求量集合
Figure BDA0003084662430000077
满足关系式(1)：
Figure BDA0003084662430000078
步骤4.2、循环遍历运输车辆集合K，产生第k个运输车辆hk对第α种模块化应急物资wα的装载数量
Figure BDA0003084662430000079
的值，从而产生的模块化应急物资装载量集合
Figure BDA00030846624300000710
满足关系式(2)和(3)：
Figure BDA0003084662430000081
Figure BDA0003084662430000082
步骤4.3、采用双层编码来表示物资需求点被访问的顺序和相应的访问车辆：第一层为基于物资需求点的编码，记为需求码层；第二层为基于访问车辆的编码，记为车辆码层；如图2所示。
步骤4.3.1、用Li表示第i个受灾地区的物资需求点di被车辆访问的总次数，记L为n个受灾地区的物资需求点被车辆访问的总次数，则满足关系式(4)：
Figure BDA0003084662430000083
步骤4.3.2、令第一层和第二层的编码长度均为L；
令第G代第r个染色体的基因变量集合
Figure BDA0003084662430000084
中的需求码
Figure BDA0003084662430000085
对应于被访问的物资需求点di，
Figure BDA0003084662430000086
表示在需求码中物资需求点di出现在第l个位置，
Figure BDA0003084662430000087
在需求码中第λ次出现表示物资需求点di被第λ次访问，l＝1,2,...,L，λ＝1,2,...,L；
令第G代第r个染色体的基因变量集合
Figure BDA0003084662430000088
中的车辆码
Figure BDA0003084662430000089
对应于访问车辆hk，
Figure BDA00030846624300000810
表示在车辆码中访问车辆hk出现在第l个位置，
Figure BDA00030846624300000811
在车辆码中第μ次出现表示访问车辆hk到达的第μ个物资需求点，l＝1,2,...,L，μ＝1,2,...,L；
每一个
Figure BDA00030846624300000812
对应一个
Figure BDA00030846624300000813
根据集合
Figure BDA00030846624300000814
和
Figure BDA00030846624300000815
的一一对应关系，从而确定每个需求点被访问的车辆和每个车辆所访问的需求点。
在图2中，根据需求码和车辆码的对应关系，需求码层中首次出现的“5”和车辆码层首次出现的“3”表示需求点5由车辆3进行第一次访问；需求码层中第二次出现的“5”表示需求点5由与之相对应的车辆2进行第二次访问，以此类推。
步骤5、计算第G代所有染色体在目标函数下的适应度值集合为
Figure BDA00030846624300000816
其中，
Figure BDA00030846624300000817
表示第G代第r个染色体
Figure BDA00030846624300000818
在目标函数下的适应度值。
步骤6、对第G代所有染色体适应度值集合F中的所有适应度值进行比较，保存第G代最大适应度值对应的染色体，记为
Figure BDA0003084662430000091
并保存
Figure BDA0003084662430000092
对应的最大适应度值；
步骤7、将种群规模为Z的第G代种群
Figure BDA0003084662430000093
进行交叉和变异操作，生成第G代种群
Figure BDA0003084662430000094
的子代种群为
Figure BDA0003084662430000095
其种群规模同样为Z；针对需求码层和车辆码层各自的特点分别进行交叉和变异，更具有合理性，具体的说，
步骤7.1、双层交叉：
对染色体中的需求码层和车辆码层均采用两点交叉法，以需求码层为例，即随机选择两个父本染色体，并随机生成两个整数t1和t2作为两个父本染色体基因序数，且t1＜t2＜L，将两个父本染色体对应序数t1和t2之间所有的基因互换，从而得到两个子代染色体，如图3所示；同理，车辆码层的交叉步骤也是如此。
步骤7.2、双层变异，分别包括需求码层变异和车辆码层变异：
对于需求码层变异采用两点互易变异法，即针对单个染色体而言，随机产生两个整数t3和t4作为步骤7.1得到的子代染色体的基因序数，且t3＜t4＜L，将t3和t4位置上的基因交换，从而得到新的子代染色体；对于车辆码层变异则采用单点变异法，如图4所示。
步骤8、按照步骤5计算第G代种群
Figure BDA0003084662430000096
的子代种群
Figure BDA0003084662430000097
中第r个染色体在目标函数下的适应度值fr ′(G)；
步骤9、采用轮盘赌选择法对染色体进行选择；
步骤9.1、对子代种群
Figure BDA0003084662430000098
中的染色体按照适应度值fr ′(G)的大小进行升序排序；
步骤9.2、利用式(5)计算第r个染色体被选择的概率pr：
Figure BDA0003084662430000099
步骤9.3、利用式(6)计算染色体的累计概率qe：
Figure BDA00030846624300000910
式(6)中，qe表示在升序排序后，前e个染色体被选择的累计概率值。
步骤9.4、采用模拟赌盘操作，来确定遗传到下一代的染色体：
随机生成0到1之间的随机数，记为rand_num，记q0＝0，若qe-1＜rand_num≤qe，则表示第e个染色体被选中，能够遗传到下一代；如此循环Z次，即得到第G代种群
Figure BDA0003084662430000101
的子代种群
Figure BDA0003084662430000102
中被选择的Z个染色体，使得种群规模为Z；
步骤10、将第G代种群
Figure BDA0003084662430000103
的子代种群
Figure BDA0003084662430000104
中被选择的Z个染色体作为第G+1代的父代种群
Figure BDA0003084662430000105
步骤11、按照步骤5计算步骤10中第G+1代的父代种群
Figure BDA0003084662430000106
中所有染色体的适应度值集合
Figure BDA0003084662430000107
记第G+1代所有染色体的适应度值集合F(G+1)中的最大适应度值为
Figure BDA0003084662430000108
其对应的染色体记为
Figure BDA0003084662430000109
若
Figure BDA00030846624300001010
大于步骤6中的
Figure BDA00030846624300001011
则更新最大适应度值为
Figure BDA00030846624300001012
并保存其对应的染色体
Figure BDA00030846624300001013
否则，用第G代染色体中最大适应度值对应的染色体
Figure BDA00030846624300001014
代替第G+1代染色体中最小适应度值对应的染色体，进入下一代。
步骤12、将G+1赋值给G，判断G＜Gmax是否成立，若成立，则执行步骤7；否则，表示完成Gmax次迭代，最终得到的种群记为A；
步骤13、将种群A中的
Figure BDA00030846624300001015
染色体作为最优解集，以最优解集对应的模块化应急物资运输与装载方案则为最优方案，模块化应急物资运输过程如图5所示。

Claims (2)

1.一种基于双层遗传编码的应急物资运输与装载的协同优化方法，其特征是，应用于由m种模块化应急物资的种类集合A＝{w1,w2,...,wα,...,wm}、n个受灾地区的物资需求点集合N＝{d1,d2,...,di,...,dj,...,dn}、运输车辆集合K＝{h1,h2,...,hk,...,hc}和一个物资出救点d0构成的应急物流网络中，其中，wα代表第α种模块化应急物资，且第α种模块化应急物资wα的单位体积为bα，第α种模块化应急物资wα的单位重量为mα，同时第α种模块化应急物资wα满足wα＝{λ1θ1,λ2θ2,...,λsθs,...,λSθS}，系数{λ1,λ2,...,λs,...,λS}表示各类应急物资在第α种模块化应急物资wα中的比例关系，λs表示第s类应急物资在第α种模块化应急物资wα中的比例关系；di表示第i个受灾地区的物资需求点，第i个受灾地区的物资需求点di和第j个受灾地区的物资需求点dj之间的距离为dij；hk代表第k个运输车辆，且第k个运输车辆hk的额定容积为vk，第k个运输车辆hk的额定载重为gk，使用第k个运输车辆hk的总成本为ck，α＝1,2,...,m，i＝1,2,...,n，j＝1,2,...,n，k＝1,2,...,c，s＝1,2,...,S；m表示模块化应急物资的种类，n表示受灾地区物资需求点的数量，c表示运输车辆的数量，S表示模块化应急物资中包含的物资种类；
所述协同优化方法是按如下步骤进行：
步骤1、将第i个受灾地区的物资需求点di对第α种模块化应急物资wα的需求量记为
Figure FDA0003778664250000011
且第i个受灾地区的物资需求点di所需的模块化应急物资需求总量为Di；
步骤2、假设第k个运输车辆hk对第α种模块化应急物资wα的装载数量为
Figure FDA0003778664250000012
且第k个运输车辆hk对模块化物资的总装载体积和装载重量不能超过其额定容积vk和额定载重gk；
步骤3、初始化遗传算法的各个参数，包括：种群规模Z、当前进化次数G、最大进化代数Gmax，种群交叉概率pc，种群变异概率pv，初始化G＝1；
步骤4、产生初始种群，获得第G代第r个染色体的基因变量集合
Figure FDA0003778664250000013
其中，
Figure FDA0003778664250000014
表示第G代第r个染色体第一层的第l个基因变量，
Figure FDA0003778664250000015
表示第G代第r个染色体第二层的第l个基因变量，l＝1,2,...,L，r＝1,2,...,Z；Z表示种群规模，L表示单层染色体长度；
步骤4.1、循环遍历所述物资需求点集合N，产生第i个受灾地区的物资需求点di对第α种模块化应急物资wα的需求量
Figure FDA0003778664250000021
的值，并使得产生的模块化应急物资需求量集合
Figure FDA0003778664250000022
满足关系式(3)：
Figure FDA0003778664250000023
步骤4.2、循环遍历所述运输车辆集合K，产生第k个运输车辆hk对第α种模块化应急物资wα的装载数量的值，记为
Figure FDA0003778664250000024
并使得产生的模块化应急物资装载量集合
Figure FDA0003778664250000025
满足关系式(4)和(5)：
Figure FDA0003778664250000026
Figure FDA0003778664250000027
步骤4.3、采用双层编码来表示物资需求点被访问的顺序和相应的访问车辆：第一层为基于物资需求点的编码，记为需求码层；第二层为基于访问车辆的编码，记为车辆码层；
步骤4.3.1、用Li表示第i个受灾地区的物资需求点di被车辆访问的总次数，记L为n个受灾地区的物资需求点被车辆访问的总次数，则满足关系式(6)：
Figure FDA0003778664250000028
步骤4.3.2、令第一层和第二层的编码长度均为L；
令第G代第r个染色体的基因变量集合
Figure FDA0003778664250000029
中的需求码
Figure FDA00037786642500000210
对应于被访问的物资需求点di，
Figure FDA00037786642500000211
表示在需求码中物资需求点di出现在第l个位置，
Figure FDA00037786642500000212
在需求码中第λ次出现表示物资需求点di被第λ次访问，l＝1,2,...,L，λ＝1,2,...,L；
令第G代第r个染色体的基因变量集合
Figure FDA00037786642500000213
中的车辆码
Figure FDA00037786642500000214
对应于访问车辆hk，
Figure FDA00037786642500000215
表示在车辆码中访问车辆hk出现在第l个位置，
Figure FDA00037786642500000216
在车辆码中第μ次出现表示访问车辆hk到达的第μ个物资需求点，l＝1,2,...,L，μ＝1,2,...,L；
每一个
Figure FDA00037786642500000217
对应一个
Figure FDA00037786642500000218
根据集合
Figure FDA00037786642500000219
和
Figure FDA00037786642500000220
的一一对应关系，从而确定每个需求点被访问的车辆和每个车辆所访问的需求点；
步骤5、计算第G代所有染色体在目标函数下的适应度值集合为
Figure FDA0003778664250000031
其中，
Figure FDA0003778664250000032
表示第G代第r个染色体
Figure FDA0003778664250000033
在目标函数下的适应度值；
步骤6、对第G代所有染色体适应度值集合F中的所有适应度值进行比较，保存第G代最大适应度值对应的染色体，记为
Figure FDA0003778664250000034
并保存
Figure FDA0003778664250000035
对应的第G代最大适应度值
Figure FDA0003778664250000036
步骤7、将种群规模为Z的第G代种群
Figure FDA0003778664250000037
进行交叉和变异操作，生成第G代种群
Figure FDA0003778664250000038
的子代种群为
Figure FDA0003778664250000039
其种群规模同样为Z；
步骤8、按照步骤5计算第G代种群
Figure FDA00037786642500000310
的子代种群
Figure FDA00037786642500000311
中第r个染色体在目标函数下的适应度值fr′(G)；
步骤9、采用轮盘赌选择法对染色体进行选择；
步骤9.1、对子代种群
Figure FDA00037786642500000312
中的染色体按照适应度值fr′(G)的大小进行升序排序；
步骤9.2、利用式(1)计算第r个染色体被选择的概率pr：
Figure FDA00037786642500000313
步骤9.3、利用式(2)计算在升序排序后，前e个染色体被选择的累计概率qe：
Figure FDA00037786642500000314
步骤9.4、采用模拟赌盘操作，来确定遗传到下一代的染色体：
步骤9.4.1、随机生成0到1之间的随机数，记为rand_num，记q0＝0，若qe-1＜rand_num≤qe，则表示第e个染色体被选中，能遗传到下一代；
步骤9.4.2、循环执行步骤9.4.1Z次，从而得到第G代种群
Figure FDA00037786642500000315
的子代种群
Figure FDA00037786642500000316
中被选择的Z个染色体，使得种群规模为Z；
步骤10、将所述第G代种群
Figure FDA00037786642500000317
的子代种群
Figure FDA00037786642500000318
中被选择的Z个染色体作为第G+1代的父代种群
Figure FDA00037786642500000319
步骤11、按照步骤5的过程计算步骤10中第G+1代的父代种群
Figure FDA00037786642500000320
中所有染色体的适应度值集合
Figure FDA0003778664250000041
记第G+1代所有染色体的适应度值集合F(G+1)中的最大适应度值为
Figure FDA0003778664250000042
其对应的染色体记为
Figure FDA0003778664250000043
若
Figure FDA0003778664250000044
大于步骤6中的
Figure FDA0003778664250000045
则更新最大适应度值为
Figure FDA0003778664250000046
并保存其对应的染色体
Figure FDA0003778664250000047
否则，用第G代染色体中最大适应度值对应的染色体
Figure FDA0003778664250000048
代替第G+1代染色体中最小适应度值对应的染色体，并进入下一代；
步骤12、将G+1赋值给G，判断G＜Gmax是否成立，若成立，则执行步骤7；否则，表示完成Gmax次迭代，最终得到的种群记为A；
步骤13、将种群A中的
Figure FDA0003778664250000049
染色体作为最优解集，以所述最优解集对应的模块化应急物资运输与装载方案则为最优方案。
2.根据权利要求1所述的基于双层遗传编码的应急物资运输与装载的协同优化方法，其特征在于，所述步骤7的交叉和变异的步骤是如下过程进行：
步骤7.1、双层交叉：
对染色体中的需求码层和车辆码层均采用两点交叉法，在需求码层中，随机选择两个父本染色体，并随机生成两个整数t1和t2作为两个父本染色体基因序数，且t1＜t2＜L，将两个父本染色体对应序数t1和t2之间所有的基因互换，从而得到两个子代染色体；同理得到车辆码层的交叉过程；
步骤7.2、双层变异，分别包括需求码层变异和车辆码层变异：
对于需求码层变异采用两点互易变异法，即针对单个染色体，随机产生两个整数t3和t4作为步骤7.1得到的子代染色体的基因序数，且t3＜t4＜L，将t3和t4位置上的基因交换，从而得到新的子代染色体；
对于车辆码层变异则采用单点变异法。
CN202110576710.9A 2021-05-26 2021-05-26 基于双层遗传编码的应急物资运输与装载协同优化方法 Active CN113222272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110576710.9A CN113222272B (zh) 2021-05-26 2021-05-26 基于双层遗传编码的应急物资运输与装载协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110576710.9A CN113222272B (zh) 2021-05-26 2021-05-26 基于双层遗传编码的应急物资运输与装载协同优化方法

Publications (2)

Publication Number Publication Date
CN113222272A CN113222272A (zh) 2021-08-06
CN113222272B true CN113222272B (zh) 2022-09-20

Family

ID=77098556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110576710.9A Active CN113222272B (zh) 2021-05-26 2021-05-26 基于双层遗传编码的应急物资运输与装载协同优化方法

Country Status (1)

Country Link
CN (1) CN113222272B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910481B (zh) * 2023-07-27 2024-02-02 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730056A (zh) * 2017-11-22 2018-02-23 合肥工业大学 一种基于改进nsga‑ii算法的应急物资模块化调度方法
CN108492025A (zh) * 2018-03-20 2018-09-04 合肥工业大学 基于混合差分遗传算法的高端装备制造过程协同调度方法
CN109345017A (zh) * 2018-10-08 2019-02-15 南京航空航天大学 一种考虑装箱约束的车间物料配送优化方法
CN110046460A (zh) * 2019-04-28 2019-07-23 哈尔滨理工大学 一种基于自适应精英遗传算法的两栖车辆布列优化方法
CN111178582A (zh) * 2019-11-29 2020-05-19 浙江工业大学 一种基于改进遗传算法的物流配送优化方法
CN111191813A (zh) * 2019-10-14 2020-05-22 重庆邮电大学 基于货物载重与软时间窗限制的车辆配送路径优化方法
CN111259506A (zh) * 2018-11-14 2020-06-09 长春设备工艺研究所 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法
CN111598341A (zh) * 2020-05-18 2020-08-28 广东电网有限责任公司 一种基于物资配载和路径优化电力物资配送方法及系统
CN111626545A (zh) * 2020-04-06 2020-09-04 合肥工业大学 应急救援物资高维多目标分配方法和系统
CN112132317A (zh) * 2020-08-21 2020-12-25 浙江工业大学 一种基于多种群协同进化的车辆路径优化方法
CN212447269U (zh) * 2020-06-30 2021-02-02 安阳猎鹰消防科技有限公司 一种模块化的无人机物资运输车辆
WO2021022637A1 (zh) * 2019-08-06 2021-02-11 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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730056A (zh) * 2017-11-22 2018-02-23 合肥工业大学 一种基于改进nsga‑ii算法的应急物资模块化调度方法
CN108492025A (zh) * 2018-03-20 2018-09-04 合肥工业大学 基于混合差分遗传算法的高端装备制造过程协同调度方法
CN109345017A (zh) * 2018-10-08 2019-02-15 南京航空航天大学 一种考虑装箱约束的车间物料配送优化方法
CN111259506A (zh) * 2018-11-14 2020-06-09 长春设备工艺研究所 基于改进遗传算法的车辆发动机机体加工工艺路径优化方法
CN110046460A (zh) * 2019-04-28 2019-07-23 哈尔滨理工大学 一种基于自适应精英遗传算法的两栖车辆布列优化方法
WO2021022637A1 (zh) * 2019-08-06 2021-02-11 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
CN111191813A (zh) * 2019-10-14 2020-05-22 重庆邮电大学 基于货物载重与软时间窗限制的车辆配送路径优化方法
CN111178582A (zh) * 2019-11-29 2020-05-19 浙江工业大学 一种基于改进遗传算法的物流配送优化方法
CN111626545A (zh) * 2020-04-06 2020-09-04 合肥工业大学 应急救援物资高维多目标分配方法和系统
CN111598341A (zh) * 2020-05-18 2020-08-28 广东电网有限责任公司 一种基于物资配载和路径优化电力物资配送方法及系统
CN212447269U (zh) * 2020-06-30 2021-02-02 安阳猎鹰消防科技有限公司 一种模块化的无人机物资运输车辆
CN112132317A (zh) * 2020-08-21 2020-12-25 浙江工业大学 一种基于多种群协同进化的车辆路径优化方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Hybrid Genetic Algorithm for Route Optimization in Multimodal Transport;Xianghe Jing 等;《2012 Fifth International Symposium on Computational Intelligence and Design》;20130110;第261-264页 *
Emergency Relief Goods Multi-Mode Transportation Based on Genetic Algorithm;Lin Na 等;《 2009 Second International Conference on Intelligent Computation Technology and Automation》;20091016;第182-184页 *
Multi-objective optimization based on improved genetic algorithm for containership stowage on full route;Min Hu 等;《2017 4th International Conference on Industrial Engineering and Applications (ICIEA)》;20170608;第224-228页 *
多受灾点应急救援车辆调度的优化遗传算法;喻德旷等;《计算机系统应用》;20161130(第11期);全文 *
考虑供应不足的应急物流车辆路径优化模型及算法;程碧荣等;《计算机应用研究》;20160630(第06期);全文 *
面向电子商务的协同配送路线优化研究;王晓博 等;《计算机工程与应用》;20071231;第43卷(第8期);第184-196页 *

Also Published As

Publication number Publication date
CN113222272A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Cheng et al. Using a hybrid approach based on the particle swarm optimization and ant colony optimization to solve a joint order batching and picker routing problem
Taleizadeh et al. A genetic algorithm to optimize multiproduct multiconstraint inventory control systems with stochastic replenishment intervals and discount
Garcia-Najera et al. An improved multi-objective evolutionary algorithm for the vehicle routing problem with time windows
CN107730056B (zh) 一种基于改进nsga-ii算法的应急物资模块化调度方法
Ramos et al. A container loading algorithm with static mechanical equilibrium stability constraints
CN105096011A (zh) 一种基于改进型染色体编码的物流运输调度方法
CN107967586A (zh) 一种电网物资仓储优化方法
CN111626545B (zh) 应急救援物资高维多目标分配方法和系统
CN113222272B (zh) 基于双层遗传编码的应急物资运输与装载协同优化方法
CN107798423A (zh) 基于多种智能算法的车辆路径规划仿真实验平台
CN103246941A (zh) 一种出口集装箱码头堆存空间调度方法
Florez et al. Multi-objective transmission expansion planning considering multiple generation scenarios
Niroomand et al. An intuitionistic fuzzy two stage supply chain network design problem with multi-mode demand and multi-mode transportation
CN103473617A (zh) 多种物资放入多规格货包的三维装载全局优化方法及系统
CN106610651A (zh) 一种混合遗传算法求解多目标柔性作业车间调度问题
Park et al. Comparing heuristic algorithms of the planar storage location assignment problem
CN115965172A (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
CN110598946B (zh) 一种基于非支配人工蜂群的防汛物资救援分配方法
Wang et al. Distributional robustness and lateral transshipment for disaster relief logistics planning under demand ambiguity
Liu et al. A Multiobjective optimization model for continuous allocation of emergency rescue materials
CN117408604A (zh) 一种基于智能计算的大规模立体仓库货位分配方法
Koloch et al. Nested vs. Joint Optimization of Vehicle Routing Problems with Three-dimensional Loading Constraints.
Kır et al. A novel hierarchical approach for a heterogeneous 3D pallet loading problem subject to factual loading and delivery constraints
Gholami-Zanjani et al. An integrated approach for robust inventory routing problem in a three-echelon distribution system
CN115841230A (zh) 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法

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