CN113297785B - 基于优化烟花算法的医疗物资应急调度优化方法 - Google Patents

基于优化烟花算法的医疗物资应急调度优化方法 Download PDF

Info

Publication number
CN113297785B
CN113297785B CN202110460078.1A CN202110460078A CN113297785B CN 113297785 B CN113297785 B CN 113297785B CN 202110460078 A CN202110460078 A CN 202110460078A CN 113297785 B CN113297785 B CN 113297785B
Authority
CN
China
Prior art keywords
firework
fireworks
population
fitness value
optimized
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
CN202110460078.1A
Other languages
English (en)
Other versions
CN113297785A (zh
Inventor
许德刚
李凡
王露
郭娟
邢奎杰
郭怡欣
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.)
Henan University of Technology
Original Assignee
Henan 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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202110460078.1A priority Critical patent/CN113297785B/zh
Publication of CN113297785A publication Critical patent/CN113297785A/zh
Application granted granted Critical
Publication of CN113297785B publication Critical patent/CN113297785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q10/04—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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)

Abstract

本发明公开了一种基于优化烟花算法的医疗物资应急调度优化方法，其包括如下步骤：步骤一、随机生成n个烟花形成烟花种群；步骤二、将烟花种群进行爆炸；步骤三、对新的烟花种群的各个烟花依次进行交叉、变异操作；步骤四、采用禁忌算法对变异后的烟花种群进行优化；步骤五、从优化后的烟花种群中选出n个烟花作为下一代烟花种群；步骤六、判断迭代次数是否达到最大值，若是，则输出最优烟花对应的运输路径及其对应的适应度值；否则返回步骤二，且迭代次数加1。本发明在求解突发情况下的多需求点医疗物资应急调度问题时，可以针对各需求点的需求更快速、更准确的求出最短运输时间。

Description

基于优化烟花算法的医疗物资应急调度优化方法
技术领域
本发明涉及资源调度技术领域。更具体地说，本发明涉及一种基于优化烟花算法的医疗物资应急调度优化方法。
背景技术
近些年，世界范围性的突发疫情频繁爆发，不仅危害了人类的身体健康，还严重影响了国家经济的发展。从2003年的“非典”到如今的“新冠肺炎”等大规模灾害事件的突发，让我们明白了不仅要控制城市的交通来防止疫情蔓延，还要保证在突发事件下有足够的医疗物资来保障病人的人身安全。
随着各类突发事件的频发爆发，应急调度作为应急物流研究的分支之一，成为国内外学者广泛研究的重点问题。应急调度问题除了包括需求点、供应点、应急物资等几个基本要素之外，还要有限制车辆载重、资源种类和到达时间的约束条件，确定最快到达时间或最短路程的目标函数等构成要素。应急调度的目的是在重大疫情突发后的救援工作中，决策者利用供应点现存的资源和条件，采取有效措施，科学有序的将需求点所需要的应急物资快速、准确的送达目的地，从而控制疫情的扩大与恶化，最大限度地降低病人的生命损失。其与普通物流运输相比具有一定的特殊性，主要包括以下几个特点：突发性、不确定性、非常规性、弱经济性、资源有限性等。
应急医疗物资具有不可替代性、时效性、滞后性等特点，是治疗病人及减少生命损失的重要保障，在疫情防控中起着决定性的作用。本发明主要针对医用口罩、防疫药品、消毒设备三种医疗物资的调度进行研究，与一般物资调度相比，这三种医疗物资调度具有弱经济性、多需求性、动态性等特征，因此对于不可预测的突发疫情来说，医疗物资的合理分配和紧急调度是疫情防控的基础。
对于医疗物资应急调度问题的求解问题，现有的技术主要是遗传算法及烟花算法。
遗传算法(Genetic Algorithm，GA)：是一种随机搜索算法，与传统的算法不同，大多数古典的优化算法是基于一个单一的度量函数的梯度或较高次统计，以产生一个确定性的试验序列；遗传算法不依赖于梯度信息，而是通过模拟自然进化过程来搜索最优解，它利用某种编码技术，作用域成为染色体的数字串，模拟由这些串组成的群体的进化过程。遗传算法对生物学自然选择和遗传过程中发生的选择、交叉和变异等现象进行模拟，随机产生初始种群作为第一代染色体，经过选择、交叉和变异运算，产生新的更适应环境的种群，使种群向着搜索空间中最优解的方向进化，通过一代一代不断的进化，最后收敛到一群最适应环境的染色体，求得问题的最优解。
烟花算法(Firework Algorithm,FWA)：是受到夜空中烟花爆炸的启发而提出的一种群体智能算法。在烟花算法中,每一个烟花被看作为解空间中的一个可行解,其邻域搜索的过程为烟花爆炸产生一定数量火花的过程。每个烟花的爆炸半径和爆炸火花数是不同的,适应度值差的烟花爆炸半径较大,使其具有全局搜索能力；而适应度值好的烟花的爆炸半径较小,使其具备局部搜索能力,烟花按照各自适应度值进行资源分配和信息交互使得整个种群能够在全局搜索能力和局部搜索能力之间达到平衡。爆炸火花实现了算法中的邻域搜索,高斯变异火花的引入可以进一步增加种群的多样性,避免算法陷入局部最优。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于优化烟花算法的医疗物资应急调度优化方法，其对基本烟花算法进行了改进，引入了禁忌算法的概念，同时在算法中加入了交叉变异策略，可以有效地提高算法在解决医疗物资应急调度问题中的局部搜索能力，也增强了全局搜索能力，大大降低算法在优化过程中陷入局部最优的概率。在求解突发情况下的多需求点医疗物资应急调度问题时，可以针对各需求点的需求更快速、更准确的求出最短运输时间。
为了实现根据本发明的这些目的和其它优点，提供了一种基于优化烟花算法的医疗物资应急调度优化方法，其包括如下步骤：
步骤一、随机生成n个烟花形成烟花种群，并选出最优烟花，任一烟花代表向多个需求点进行物资运输的路径；
步骤二、将烟花种群进行爆炸，并根据烟花爆炸半径，产生新的烟花种群；
步骤三、对新的烟花种群的各个烟花依次进行交叉、变异操作，得到变异后的烟花种群；
步骤四、采用禁忌算法对变异后的烟花种群进行优化，得优化后的烟花种群；
步骤五、从优化后的烟花种群中选出n个烟花作为下一代烟花种群，若下一代烟花种群中适应度值最小的烟花的适应度值小于最优烟花的适应度值，则将该适应度值最小的烟花替换为最优烟花，否则不替换；
步骤六、判断迭代次数是否达到最大值，若是，则输出最优烟花对应的运输路径及其对应的适应度值；否则返回步骤二，且迭代次数加1。
优选的是，所述的基于优化烟花算法的医疗物资应急调度优化方法，步骤一具体为：
步骤1.1、根据需求点数量a，随机生成n个烟花，任一烟花X＝[x1,……,xa]，对任一xi随机生成一个0～1的数值，i＝(0,……,a)，进而形成初始化的烟花X′＝[x′1,……x′a]，多个初始化的烟花形成初始化烟花种群，对于任一初始化的烟花，将x′1～x′a按照数值升序排序并依次连接即为该烟花对应的烟花路径；
步骤1.2、对于任一初始化的烟花根据烟花路径，计算初始化的烟花的适应度值，并从中选出适应度值最小的初始化的烟花，即为最优烟花。
优选的是，所述的基于优化烟花算法的医疗物资应急调度优化方法，步骤二具体为：
步骤2.1、将烟花种群进行爆炸，根据公式(1-1)计算爆炸产生的烟花数目，
Figure GDA0003495256820000031
式中，M是调整产生烟花数量的一个常数，N是烟花总个数，ymax是所有烟花中最大适应度值，ε是一个无限小的常数，用来避免零操作，f(xi)表示第i个烟花的适应度值，Si表示第i个烟花将要产生的烟花数目。
步骤2.2、采用式(1-2)对式(1-1)求解得到的实数进行取整，
Figure GDA0003495256820000032
式中，a、b是爆炸数目限制因子，N1为烟花总个数，Si表示第i个烟花将产生的烟花数目，round()表示根据四舍五入原则进行取整；
步骤2.3、根据式(1-3)计算烟花爆炸半径，
Figure GDA0003495256820000041
式中，Ai表示第i个烟花的爆炸半径，
Figure GDA0003495256820000042
是调整爆炸半径的一个常数，ymin表示所有烟花中最佳适应度值，f(xi)表示第i个烟花的适应度值，ε是一个无限小的常数，用来避免零操作；
步骤2.4、根据式(1-4)得到各个新的烟花，所有新的烟花形成新的烟花种群，
x′i＝xi+Ai×rand(-1，1) (1-4)
式中，x′i表示烟花i爆炸后产生爆炸烟花的位置，xi表示烟花i目前的位置，Ai表示第i个烟花的爆炸半径，rand(-1，1)表示烟花爆炸的偏移向量，为-1到1之间的均匀随机数。
优选的是，所述的基于优化烟花算法的医疗物资应急调度优化方法，步骤三具体为：根据交叉率将新的烟花种群的各个烟花分别与最优烟花进行信息互换，得到交叉后的烟花种群；根据变异率对交叉后的烟花种群进行变异操作，得到变异后的烟花种群。
优选的是，所述的基于优化烟花算法的医疗物资应急调度优化方法，步骤四具体为：
步骤4.1、计算变异后的烟花种群的各个烟花的适应度值，并选出适应度值最小的烟花；
步骤4.2判断适应度值最小的烟花是否存在于禁忌表中，若不存在则将该适应度值最小的烟花从变异后的烟花种群中移出，得优化后的烟花种群，并将该适应度值最小的烟花列入禁忌表中，进入步骤五；若存在则判断目前迭代次数是否大于禁忌长度，若大于则将变异后的烟花种群作为优化后的烟花种群并进入步骤五，若不大于则从变异后的烟花种群中剔除该适应度值最小的烟花，并返回步骤4.1。
优选的是，所述的基于优化烟花算法的医疗物资应急调度优化方法，所述禁忌长度为20。
优选的是，所述的基于优化烟花算法的医疗物资应急调度优化方法，步骤五中采用锦标赛选择策略从优化后的烟花种群中选出n个烟花作为下一代烟花种群，具体为：
步骤5.1、从优化后的烟花种群中随机选择m个烟花，从m个烟花中选取适应度值最低的一个烟花作为下一代烟花；m与优化后的烟花种群的烟花总数的比值为0.6～0.8；
步骤5.2、重复操作步骤5.1，直至选取的下一代烟花个数达到n个，n个烟花即为下一代烟花种群。
优选的是，所述的基于优化烟花算法的医疗物资应急调度优化方法，烟花的适应度值均是基于目标函数计算所得，所述目标函数如式(2-1)所示：
Figure GDA0003495256820000051
式中，K表示应急供应点车辆的集合；D表示需求点集合；η1表示惩罚系数，其值为给定数值；Pj(t)表示表示t时刻需求点j所需的总医疗物资总数量，计算方法如(2-2)所示；Ytkj表示车辆k在t时刻为需求点j所投放的医疗物资数量；tkij表示车辆k从供应点i到达需求点j的行驶时间，其大小由路径长短决定；Zkj为0-1变量，确定车辆k是否到达过需求点j，若车辆k到达需求点j则为1，否则为0；
Figure GDA0003495256820000052
式中Pj(t)表示t时刻需求点j所需的总医疗物资总数量，α表示药品类医疗物资的每日人均消耗量，α1表示口罩及消毒用品的每日人均消耗量，Ij(t)表示t时刻需求点j的患病人数，计算方法如式(2-3)所示，z1-α表示服务水平系数，L表示调节上限的系数，N2表示此地区的总人口；
Figure GDA0003495256820000053
式中Sj(t)、Ej(t)、Ij1(t)、Ij2(t)、Ij(t)、Rj(t)分别表示在t时刻某一患病地区范围内易感染者、暴露者、老年患病者、其他人群患病者、患病者总人数及康复者的人数，β表示某一地区60岁以上老年人所占比例、λ表示暴露率、λ1表示处在潜伏期人群的传播率、σ1表示老年患病者的发病率、σ表示其他人群的发病率、μ1表示老年患病者的治愈率、μ表示其他人群患病者的治愈率。
本发明还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述的方法。
本发明还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述的方法。
本发明至少包括以下有益效果：
1、本发明在医疗物资调度中引入烟花算法(FWA)技术：是受到夜空中烟花爆炸的启发而提出的一种群体智能算法，本发明应用的烟花算法由初始烟花、爆炸算子、变异算子和选择策略4部分组成，其主要特征有简单易操作性、分布并行性、多样性、可扩充性、适应性。
2、本发明根据遗传算法和禁忌搜索法的特征对烟花算法进行优化，从而形成的一种新算法，其利用遗传算法中的变异和交叉操作对烟花算法的变异算子进行改进，同时引入了禁忌搜索法中的禁忌表的概念，既强化了算法的局部搜索效率，又增强了算法的全局搜索能力，避免算法陷入局部最优的尴尬；
3、本发明采用的禁忌搜索算法是一种亚启发式随机搜索算法，它从一个初始可行解出发，选择一系列的特定搜索方向(移动)作为试探，选择实现让特定的目标函数值变化最多的移动，为了避免陷入局部最优解，禁忌搜索中采用了一种灵活的“记忆”技术，对已经进行的优化过程进行记录和选择，指导下一步的搜索方向。
附图说明
图1为本发明所述的基于优化烟花算法的医疗物资应急调度优化方法的流程图；
图2为本发明的三种算法获得最优医疗物资应急调度路线图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得。
在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供一种基于优化烟花算法的医疗物资应急调度优化方法，其包括如下步骤：
步骤一、随机生成n个烟花形成烟花种群，并选出最优烟花，任一烟花代表向多个需求点进行物资运输的路径，具体为：
步骤1.1、根据需求点数量a，随机生成n个烟花，任一烟花X＝[x1,……,xa]，对任一xi随机生成一个0～1的数值，i＝(0……a)，进而形成初始化的烟花X′＝[x′1,……x′a]，多个初始化的烟花形成初始化烟花种群，对于任一初始化的烟花，将x′1～x′a按照数值升序排序并依次连接即为该烟花对应的烟花路径；例如：需要向6个需求点进行物资运输，此时任一一个烟花可表示为X＝[x1，x2，x3，x4，x5，x6]，对其中一个烟花初始化后为X＝[0.81，0.90，0.12，0.91，0.63，0.09]，则此烟花表示的路径为x′6→x′3→x′5→x′1→x′2→x′4；
步骤1.2、对于任一初始化的烟花根据烟花路径，计算初始化的烟花的适应度值，并从中选出适应度值最小的初始化的烟花，即为最优烟花；
步骤二、将烟花种群进行爆炸，并根据烟花爆炸半径，产生新的烟花种群，具体为：步骤2.1、将烟花种群进行爆炸，根据公式(1-1)计算爆炸产生的烟花数目，
Figure GDA0003495256820000071
式中，M是调整产生烟花数量的一个常数，N是烟花总个数，ymax是所有烟花中最大适应度值，ε是一个无限小的常数，用来避免零操作，f(xi)表示第i个烟花的适应度值，Si表示第i个烟花将要产生的烟花数目；
步骤2.2、由于公式(1-1)求解得到的结果是一个实数，而烟花爆炸后产生的数目应为一个整数，因此需要采用式(1-2)对式(1-1)求解得到的实数进行取整(将实数转化为一个整数，
Figure GDA0003495256820000081
式中，a、b是爆炸数目限制因子，N1为烟花总个数，Si表示第i个烟花将产生的烟花数目，round()表示根据四舍五入原则进行取整。
步骤2.3、根据式(1-3)计算烟花爆炸半径，
Figure GDA0003495256820000082
式中，Ai表示第i个烟花的爆炸半径，
Figure GDA0003495256820000083
是调整爆炸半径的一个常数，ymin表示所有烟花中最佳适应度值，f(xi)表示第i个烟花的适应度值，ε是一个无限小的常数，用来避免零操作；
步骤2.4、根据式(1-4)得到各个新的烟花，所有新的烟花形成新的烟花种群，
x′i＝xi+Ai×rand(-1，1) (1-4)
式中，x′i表示烟花i爆炸后产生爆炸烟花的位置，xi表示烟花i目前的位置，Ai表示第i个烟花的爆炸半径，rand(-1，1)表示烟花爆炸的偏移向量，为-1到1之间的均匀随机数；
步骤三、对新的烟花种群的各个烟花依次进行交叉、变异操作，得到变异后的烟花种群，具体为：根据交叉率将新的烟花种群的各个烟花分别与最优烟花进行信息互换，得到交叉后的烟花种群；根据变异率对交叉后的烟花种群进行变异操作，得到变异后的烟花种群；例如：待处理烟花为X＝[p6，p2，p5，p1，p3，p4]，目前最优烟花为P＝[p6，p5，p4，p3，p2，p1]，对待处理烟花X进行信息提取，并对提取信息的位置进行置零操作，设提取的信息为C＝[p2，p5，p1]，此时X＝[p6，0，0，0，p3，p4]，从最优烟花中按顺序寻找C中的信息，C在P中的顺序为C1＝[p5，p2，p1]，将C1中的信息合并到X中，交叉操作后的烟花为X＝[p6，p5，p2，p1，p3，p4]，随后进行变异操作(变异方式是将选中个体中随机两个路径点进行交换)，设此次随机变异为X(2)与X(5)中的变量进行交换，随机变异操作后的烟花即为[p6，p3，p5，p1，p2，p4]；
步骤四、采用禁忌算法对变异后的烟花种群进行优化，得优化后的烟花种群，具体为：
步骤4.1、计算变异后的烟花种群的各个烟花的适应度值，并选出适应度值最小的烟花；
步骤4.2判断适应度值最小的烟花是否存在于禁忌表中，若不存在则将该适应度值最小的烟花从变异后的烟花种群中移出，得优化后的烟花种群，并将该适应度值最小的烟花列入禁忌表中(更新禁忌列表)，进入步骤五；若存在则判断目前迭代次数是否大于禁忌长度，若大于则将变异后的烟花种群作为优化后的烟花种群并进入步骤五，若不大于则从变异后的烟花种群中剔除该适应度值最小的烟花，并返回步骤4.1；本发明中禁忌长度优选为20，即对于任一确定为禁忌烟花的烟花在接下来的20次迭代求解过程中，不参与下一代烟花的选取操作，在第21次将该禁忌烟花释放并参与下一代烟花的选取操作；
步骤五、采用锦标赛选择策略从优化后的烟花种群中选出n个烟花作为下一代烟花种群，若下一代烟花种群中适应度值最小的烟花的适应度值小于最优烟花的适应度值，则将该适应度值最小的烟花替换为最优烟花，否则不替换；其中锦标赛选取策略具体为：
步骤5.1、从优化后的烟花种群中随机选择m个烟花，从m个烟花中选取适应度值最低的一个烟花作为下一代烟花；m与优化后的烟花种群的烟花总数的比值为0.6～0.8；
步骤5.2、重复操作步骤5.1，直至选取的下一代烟花个数达到n个，n个烟花即为下一代烟花种群；
步骤六、判断迭代次数是否达到最大值(本发明优选的迭代次数的最大值为100)，若是，则输出最优烟花对应的运输路径及其对应的适应度值；否则返回步骤二，且迭代次数加1。
其中，烟花的适应度值均是基于目标函数计算所得，所述目标函数如式(2-1)所示：
Figure GDA0003495256820000091
式中，K表示应急供应点车辆的集合；D表示需求点集合；η1表示惩罚系数，其值为给定数值；Pj(t)表示t时刻需求点j所需的总医疗物资总数量，计算方法如(2-2)所示；Ytkj表示车辆k在t时刻为需求点j所投放的医疗物资数量；tkij表示车辆k从供应点i到达需求点j的行驶时间，其大小由路径长短决定；Zkj为0-1变量，确定车辆k是否到达过需求点j，若车辆k到达需求点j则为1，否则为0；
Figure GDA0003495256820000101
式中Pj(t)表示t时刻需求点j所需的总医疗物资总数量，α表示药品类医疗物资的每日人均消耗量，α1表示口罩及消毒用品的每日人均消耗量，Ij(t)表示t时刻需求点j的患病人数，计算方法如式(2-3)所示，z1-α表示服务水平系数，L表示调节上限的系数，N2表示此地区的总人口；
Figure GDA0003495256820000102
式中Sj(t)、Ej(t)、Ij1(t)、Ij2(t)、Ij(t)、Rj(t)分别表示在t时刻某一患病地区范围内易感染者、暴露者、老年患病者(60岁以上患病人群)、其他人群患病者、患病者总人数及康复者的人数，β表示某一地区60岁以上老年人所占比例、λ表示暴露率(易感染人群被感染进入潜伏期状态的概率)、λ1表示处在潜伏期人群的传播率、σ1表示老年患病者的发病率(暴露者发病进入患病状态的概率)、σ表示其他人群的发病率、μ1表示老年患病者的治愈率(患病者被治愈进入康复状态的概率)、μ表示其他人群患病者的治愈率。
步骤4.1中计算变异后的烟花种群的各个烟花的适应度值，具体为：
步骤a、对变异后的烟花种群的各个烟花的各个需求点依次进行遍历；
步骤b、根据式(2-2)计算下一个需求点(待遍历的需求点)所需的医疗物资数量，
Figure GDA0003495256820000111
式中Pj(t)表示t时刻需求点j所需的总医疗物资总数量，α表示药品类医疗物资的每日人均消耗量，α1表示口罩及消毒用品的每日人均消耗量，Ij(t)表示t时刻需求点j的患病人数，计算方法如式(2-3)所示，z1-α表示服务水平系数，L表示调节上限的系数，N2表示此地区的总人口；
步骤c、根据需求点所需的医疗物资数量判断出运送车辆的负载是否满足需求点在此阶段所需求的医疗物资数量，若满足则执行步骤d，若不满足，则应急供应点派出新车执行运输，计入车辆成本变动，执行步骤d；
步骤d、将该需求点计入当前路径，车辆当前负载减去此时刻需求点所需求的医疗物资数量，并判断所有需求点是否全部遍历，若是则执行步骤e，否则执行步骤b；
步骤e、根据遍历完成的烟花的当前路径，基于式(2-1)计算适应度值，
Figure GDA0003495256820000112
式中，K表示应急供应点车辆的集合；D表示需求点集合；η1表示惩罚系数，其值为给定数值；Pj(t)表示t时刻需求点j所需的总医疗物资总数量，计算方法如(2-2)所示；Ytkj表示车辆k在t时刻为需求点j所投放的医疗物资数量；tkij表示车辆k从供应点i到达需求点j的行驶时间，其大小由路径长短决定；Zkj为0-1变量，确定车辆k是否到达过需求点j，若车辆k到达需求点j则为1，否则为0。
本发明还包括电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述的方法。
本发明还包括存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述的方法。
式(2-2)为基于SEIR的医疗物资预测模型，模型建立的具体为：
应急调度问题具有不确定性的特点，即在大规模疫情突然爆发的情况下，疫情的危害程度会随时间的推移而产生变化，因此在不同的时间段内各需求点所需的医疗物资数量会有所不同。为解决医疗物资数量不确定的情况，本发明采用SEIR(Susceptible-Exposed-Infected-Removed)模型来对感染人数进行预测，从而间接预测各需求点所需的医疗物资数量。SEIR模型将某一地区的人群划分为四类：易感者(S)、暴露者(E)、患病者(I)、康复者(R)。易感者会有一定概率被暴露者及患病者传染进入到暴露者阶段，暴露者会有一定几率发病从而进入患病者阶段，患病者有一定概率被治愈从而进入康复者阶段且不会被二次感染。由于新型传染病初期无具体针对措施，各年龄段人群都无抵抗力，因此各年龄段人群被传染的概率基本一致。但由于老年人的身体抵抗性较弱，且常常伴随着较多的慢性疾病，因此当老年人与患者接触后，其发病率要高于其他人群，同时治愈率要低于其他人群，因此本模型添加I1变量用来表示六十岁以上的老年患病者。
SEIR的动态模型可用式(2-3)表示：
Figure GDA0003495256820000121
式中Sj(t)、Ej(t)、Ij1(t)、Ij2(t)、Ij(t)、Rj(t)分别表示在t时刻某一患病地区范围内易感染者、暴露者、老年患病者(60岁以上患病人群)、其他人群患病者、患病者总人数及康复者的人数，β表示某一地区60岁以上老年人所占比例、λ表示暴露率(易感染人群被感染进入潜伏期状态的概率)、λ1表示处在潜伏期人群的传播率、σ1表示老年患病者的发病率(暴露者发病进入患病状态的概率)、σ表示其他人群的发病率、μ1表示老年患病者的治愈率(患病者被治愈进入康复状态的概率)、μ表示其他人群患病者的治愈率。
假设各需求点医疗器械充足，仅缺少医用口罩、防疫药品、消毒设备三种消耗类医疗物品，最终得到如下模型[式(2-2)]来预测所需要的医疗物资数量：
Figure GDA0003495256820000131
式中Pj(t)表示t时刻需求点j所需的总医疗物资总数量，α表示药品类医疗物资的每日人均消耗量，α1表示口罩及消毒用品的每日人均消耗量，Ij(t)表示t时刻需求点j的患病人数，计算方法如式(2-3)所示，z1-α表示服务水平系数，L表示调节上限的系数，N2表示此地区的总人口。
本发明目标函数公式(2-1)建立过程中，某一地区突发疫情时，通常对医疗物资的需求比较迫切，因此本发明考虑的医疗物资应急调度模型主要以车辆到达需求点的最短时间为主要目标，其次以需求点的满意度为次级目标；
本发明目标函数公式(2-1)应满足的约束条件如下：
(1)车辆的运载能力有限，车辆k在遍历路线上向所有需求点运输的医疗物资不超过其最大载重。
Figure GDA0003495256820000132
上式中，Ytkj表示车辆k在t时刻为需求点j所投放的医疗物资数量；Zkj为0-1变量，确定车辆k是否到达过需求点j，若车辆k到达需求点j则为1，否则为0；Ck表示车辆k的核定载重。
(2)各供应点的医疗物资流量守恒，即所有车辆运输的医疗物资总数量不得超过应急供应点的医疗物资数量之和。
∑k∈K Xk≤Q (3-2)
上式中，K表示应急供应点车辆的集合；Xk表示车辆k运输的医疗物资总数量；Q表示应急供应点的所有医疗物资数量之和。
(3)为保证公平性，同时保障有限物资最大化分配并避免浪费，车辆在需求点所投放的医疗物资总量不得超过需求点所需要的医疗物资总量。
Figure GDA0003495256820000133
上式中，K表示应急供应点车辆的集合；D表示需求点集合；Ytkj表示车辆k在t时刻为需求点j所投放的医疗物资数量；Ptj表示需求点j在t时刻所需的医疗物资数量；
(4)为避免出现因车辆多次访问同一需求点而造成资源浪费的情况，每一需求点的医疗物资运输仅由一辆车辆负责。
Figure GDA0003495256820000141
上式中，K表示应急供应点车辆的集合；D表示需求点集合；Zkj为0-1变量，确定车辆k是否到达过需求点j，若车辆k到达需求点j则为1，否则为0。
(5)车辆到达某一需求点后，要保证从此需求点出发去往下一地点。
Figure GDA0003495256820000142
上式中，K表示应急供应点车辆的集合；A表示各需求点与应急供应点的集合；Skij为0-1变量，确定车辆路线，若车辆k从需求点(或应急供应点)i出发，到达需求点(或应急供应点)j则为1，否则为0。
(6)整个运输过程为闭合回路，即从应急供应点出发的车辆数目等于回到应急供应点的车辆数目，并且运输过程中实际使用的车辆数目不得超过应急供应点可用的车辆数目。
∑k∈K∑j∈DSkaj＝∑k∈K∑j∈DSkja≤|K| (3-6)
上式中，K表示应急供应点车辆的集合；a表示应急供应点；D表示需求点集合；|K|表示应急供应点的车辆数目之和；Skaj、Skja为0-1变量，确定车辆路线，若车辆k从需求点j(或应急供应点a)出发，到达应急供应点a(或需求点j)则为1，否则为0。
<实施例1>
以下以6个受到突发事件影响的需求点为例对本发明进行详细说明:
6个需求点初始状态的易感者、暴露者、患病者、康复者数量如表1所示，其接触率λ＝0.0001，老年人发病率σ1＝0.4，其他人群发病率σ＝0.2，老年人治愈率μ1＝0.03，其他人群治愈率μ＝0.1。应急供应点a有两辆可行驶车辆，每辆车车速相同，最大载重分别为10t和9t。供应点到各需求点之间的时间如表2所示。输入烟花数量N＝20，变异烟花M＝70，爆炸数目En＝250，爆炸数目限制因子a＝0.4、b＝1，爆炸半径Er＝1500，最大迭代次数T＝100，禁忌长度TL＝20。
表1 SEIR模型初始值
1 2 3 4 5 6
S(0) 11232 13599 16997 11347 14373 10695
E(0) 0 0 0 0 0 0
I(0) 611 479 818 823 570 425
I<sub>1</sub>(0) 124 97 167 684 113 86
R(0) 0 0 0 0 0 0
表2节点i到节点j的行驶时间
i/j 0 1 2 3 4 5 6
0 0 3 5 3 2 1 6
1 3 0 2 1 5 5 6
2 5 2 0 2 2 4 2
3 3 1 2 0 3 5 1
4 2 5 2 3 0 7 2
5 1 5 4 5 7 0 4
6 6 6 2 1 2 4 0
基于表1～表2的数据,采用本发明步骤一～步骤六所示的基于优化烟花算法的医疗物资应急调度优化方法，最终得到如图2所示的最优医疗物资应急调度路线图。根据图2的三条路线可知，本发明可以及时接受反馈信息，有助于提高医疗物资应急调度优化过程中局部搜索的寻优效率，降低了优化过程中陷入局部最优的概率，提高了全局搜索能力；本技术计算复杂性较低，且覆盖面大，利于全局择优，精度方面比其他算法要高。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.基于优化烟花算法的医疗物资应急调度优化方法，其特征在于，包括如下步骤：
步骤一、随机生成n个烟花形成烟花种群，并选出最优烟花，任一烟花代表向多个需求点进行物资运输的路径；
步骤二、将烟花种群进行爆炸，并根据烟花爆炸半径，产生新的烟花种群；
步骤三、对新的烟花种群的各个烟花依次进行交叉、变异操作，得到变异后的烟花种群；
步骤四、采用禁忌算法对变异后的烟花种群进行优化，得优化后的烟花种群；
步骤五、从优化后的烟花种群中选出n个烟花作为下一代烟花种群，若下一代烟花种群中适应度值最小的烟花的适应度值小于最优烟花的适应度值，则将该适应度值最小的烟花替换为最优烟花，否则不替换；
步骤六、判断迭代次数是否达到最大值，若是，则输出最优烟花对应的运输路径及其对应的适应度值；否则返回步骤二，且迭代次数加1；
其中，烟花的适应度值均是基于目标函数计算所得，所述目标函数如式(2-1)所示：
Figure FDA0003504595590000011
式中，K表示应急供应点车辆的集合；D表示需求点集合；η1表示惩罚系数，其值为给定数值；Pj(t)表示t时刻需求点j所需的总医疗物资总数量，计算方法如(2-2)所示；Ytkj表示车辆k在t时刻为需求点j所投放的医疗物资数量；tkij表示车辆k从供应点i到达需求点j的行驶时间，其大小由路径长短决定；Zkj为0-1变量，确定车辆k是否到达过需求点j，若车辆k到达需求点j则为1，否则为0；
Figure FDA0003504595590000012
式中Pj(t)表示t时刻需求点j所需的总医疗物资总数量，α表示药品类医疗物资的每日人均消耗量，α1表示口罩及消毒用品的每日人均消耗量，Ij(t)表示t时刻需求点j的患病人数，计算方法如式(2-3)所示，z1-α表示服务水平系数，L表示调节上限的系数，N2表示此地区的总人口；
Figure FDA0003504595590000021
式中Sj(t)、Ej(t)、Ij1(t)、Ij2(t)、Ij(t)、Rj(t)分别表示在t时刻某一患病地区范围内易感染者、暴露者、老年患病者、其他人群患病者、患病者总人数及康复者的人数，β表示某一地区60岁以上老年人所占比例、λ表示暴露率、λ1表示处在潜伏期人群的传播率、σ1表示老年患病者的发病率、σ表示其他人群的发病率、μ1表示老年患病者的治愈率、μ表示其他人群患病者的治愈率。
2.如权利要求1所述的基于优化烟花算法的医疗物资应急调度优化方法，其特征在于，步骤一具体为：
步骤1.1、根据需求点数量a，随机生成n个烟花，任一烟花X＝[x1,……,xa]，对任一xi随机生成一个0～1的数值，i＝0,……,a，进而形成初始化的烟花X′＝[x′1,……x′a]，多个初始化的烟花形成初始化烟花种群，对于任一初始化的烟花，将x′1～x′a按照数值升序排序并依次连接即为该烟花对应的烟花路径；x′i表示烟花i爆炸后产生爆炸烟花的位置；
步骤1.2、对于任一初始化的烟花根据烟花路径，计算初始化的烟花的适应度值，并从中选出适应度值最小的初始化的烟花，即为最优烟花。
3.如权利要求2所述的基于优化烟花算法的医疗物资应急调度优化方法，其特征在于，步骤二具体为：
步骤2.1、将烟花种群进行爆炸，根据公式(1-1)计算爆炸产生的烟花数目，
Figure FDA0003504595590000022
式中，M是调整产生烟花数量的一个常数，N1是烟花总个数，ymax是所有烟花中最大适应度值，ε是一个无限小的常数，用来避免零操作，f(xi)表示第i个烟花的适应度值，Si表示第i个烟花将要产生的烟花数目；
步骤2.2、采用式(1-2)对式(1-1)求解得到的实数进行取整，
Figure FDA0003504595590000031
式中，a、b是爆炸数目限制因子，N1为烟花总个数，Si表示第i个烟花将产生的烟花数目，round()表示根据四舍五入原则进行取整；
步骤2.3、根据式(1-3)计算烟花爆炸半径，
Figure FDA0003504595590000032
式中，Ai表示第i个烟花的爆炸半径，
Figure FDA0003504595590000033
是调整爆炸半径的一个常数，ymin表示所有烟花中最佳适应度值，f(xi)表示第i个烟花的适应度值，ε是一个无限小的常数，用来避免零操作；
步骤2.4、根据式(1-4)得到各个新的烟花，所有新的烟花形成新的烟花种群，
x′i＝xi+Ai×rand(-1，1) (1-4)
式中，x′i表示烟花i爆炸后产生爆炸烟花的位置，xi表示烟花i目前的位置，Ai表示第i个烟花的爆炸半径，rand(-1，1)表示烟花爆炸的偏移向量，为-1到1之间的均匀随机数。
4.如权利要求3所述的基于优化烟花算法的医疗物资应急调度优化方法，其特征在于，步骤三具体为：根据交叉率将新的烟花种群的各个烟花分别与最优烟花进行信息互换，得到交叉后的烟花种群；根据变异率对交叉后的烟花种群进行变异操作，得到变异后的烟花种群。
5.如权利要求4所述的基于优化烟花算法的医疗物资应急调度优化方法，其特征在于，步骤四具体为：
步骤4.1、计算变异后的烟花种群的各个烟花的适应度值，并选出适应度值最小的烟花；
步骤4.2判断适应度值最小的烟花是否存在于禁忌表中，若不存在则将该适应度值最小的烟花从变异后的烟花种群中移出，得优化后的烟花种群，并将该适应度值最小的烟花列入禁忌表中，进入步骤五；若存在则判断目前迭代次数是否大于禁忌长度，若大于则将变异后的烟花种群作为优化后的烟花种群并进入步骤五，若不大于则从变异后的烟花种群中剔除该适应度值最小的烟花，并返回步骤4.1。
6.如权利要求5所述的基于优化烟花算法的医疗物资应急调度优化方法，其特征在于，所述禁忌长度为20。
7.如权利要求6所述的基于优化烟花算法的医疗物资应急调度优化方法，其特征在于，步骤五中采用锦标赛选择策略从优化后的烟花种群中选出n个烟花作为下一代烟花种群，具体为：
步骤5.1、从优化后的烟花种群中随机选择m个烟花，从m个烟花中选取适应度值最低的一个烟花作为下一代烟花；m与优化后的烟花种群的烟花总数的比值为0.6～0.8；
步骤5.2、重复操作步骤5.1，直至选取的下一代烟花个数达到n个，n个烟花即为下一代烟花种群。
8.电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1～7中任一项所述的方法。
9.存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1～7中任一项所述的方法。
CN202110460078.1A 2021-04-27 2021-04-27 基于优化烟花算法的医疗物资应急调度优化方法 Active CN113297785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110460078.1A CN113297785B (zh) 2021-04-27 2021-04-27 基于优化烟花算法的医疗物资应急调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110460078.1A CN113297785B (zh) 2021-04-27 2021-04-27 基于优化烟花算法的医疗物资应急调度优化方法

Publications (2)

Publication Number Publication Date
CN113297785A CN113297785A (zh) 2021-08-24
CN113297785B true CN113297785B (zh) 2022-06-14

Family

ID=77320385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110460078.1A Active CN113297785B (zh) 2021-04-27 2021-04-27 基于优化烟花算法的医疗物资应急调度优化方法

Country Status (1)

Country Link
CN (1) CN113297785B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887782A (zh) * 2021-08-27 2022-01-04 西安电子科技大学 一种面向维修资源配送调度的遗传-烟花混合方法及系统
CN114649085B (zh) * 2022-01-20 2023-08-04 淮安市第二人民医院 基于大数据的急救医疗用品管理系统
CN116910661B (zh) * 2023-09-08 2023-12-08 奇点数联(北京)科技有限公司 一种基于数据驱动的医疗物资分配系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898511A (zh) * 2018-06-15 2018-11-27 广东工业大学 一种支持移峰型电力需求响应的生产调度方法
CN110162060A (zh) * 2019-06-06 2019-08-23 北京理工大学 一种基于改进烟花爆炸算法的机器人路径规划方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010032185A1 (de) * 2010-07-23 2012-01-26 Abb Ag Verfahren und Vorrichtung zum Koordinieren von zwei aufeinanderfolgenden Herstellungsstufen eines Produktionsprozesses
CN105740970B (zh) * 2016-01-22 2020-08-28 中国电力科学研究院 一种基于烟花算法的配电网重构方法
CN109542103B (zh) * 2018-12-25 2019-12-20 北京理工大学 一种基于烟花粒子群算法的机器人焊接路径规划方法
CN110533152A (zh) * 2019-08-12 2019-12-03 哈尔滨工程大学 一种基于改进烟花算法在cmp架构下的任务调度方法
CN110688224B (zh) * 2019-09-23 2021-11-23 苏州大学 混合云服务流程调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898511A (zh) * 2018-06-15 2018-11-27 广东工业大学 一种支持移峰型电力需求响应的生产调度方法
CN110162060A (zh) * 2019-06-06 2019-08-23 北京理工大学 一种基于改进烟花爆炸算法的机器人路径规划方法

Also Published As

Publication number Publication date
CN113297785A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113297785B (zh) 基于优化烟花算法的医疗物资应急调度优化方法
Kaveh et al. Optimum design of skeletal structures using imperialist competitive algorithm
Bull Applications of learning classifier systems
Marinakis et al. A hybrid genetic–Particle Swarm Optimization Algorithm for the vehicle routing problem
CN109542103A (zh) 一种基于烟花粒子群算法的机器人焊接路径规划方法
CN105023426B (zh) 一种城市公交路线选择方法
Huang et al. Ant colony evacuation planner: An ant colony system with incremental flow assignment for multipath crowd evacuation
Zhang et al. Spark cloud-based parallel computing for traffic network flow predictive control using non-analytical predictive model
Das et al. Evolving fuzzy reasoning approach using a novel nature-inspired optimization tool
Khademi et al. Day-to-day travel time perception modeling using an adaptive-network-based fuzzy inference system (ANFIS)
Kenekayoro Incorporating machine learning to evaluate solutions to the university course timetabling problem
CN111027759A (zh) 一种基于蚁狮算法的城市交通应急调度方法
Zhang et al. Intelligent scheduling of public traffic vehicles based on a hybrid genetic algorithm
Zarzycki et al. A comparative study of two nature-inspired algorithms for routing optimization
Georgescu DESIGNING AND TUNING ADAPTIVE SYSTEMS THROUGH EVOLUTION, LEARNING AND MEME TRANSMISSION: BIOLOGICAL AND COMPUTATIONAL PARADIGMS.
Jotisankasa et al. Framework for travel time learning and behavioral adaptation in route and departure time choice
CN110569976A (zh) 一种类脑人工智能决策系统和决策方法
CN115640921A (zh) 一种院内危重患者转运路径规划方法和系统
Luo et al. A new memetic algorithm to solve the stochastic tsp
Veeraswamy et al. Implementation of cognitive mapping, spatial representation and wayfinding behaviours of people within evacuation modelling tools
Guangdong et al. A hybrid ACO-GA on sports competition scheduling
Kumar et al. AI based Economic Load Dispatch incorporating wind power penetration
Lozovanu et al. Markov decision processes and determining Nash equilibria for stochastic positional games
Ali et al. Differential evolution algorithm for multiple inter-dependent components traveling thief problem
Palangpour et al. Recurrent neural network based predictions of elephant migration in a South African game reserve

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