CN113343367A - 基于eda算法的舰船航空弹药转运调度优化方法和装置 - Google Patents

基于eda算法的舰船航空弹药转运调度优化方法和装置 Download PDF

Info

Publication number
CN113343367A
CN113343367A CN202110774569.3A CN202110774569A CN113343367A CN 113343367 A CN113343367 A CN 113343367A CN 202110774569 A CN202110774569 A CN 202110774569A CN 113343367 A CN113343367 A CN 113343367A
Authority
CN
China
Prior art keywords
ammunition
scheduling
magazine
transfer
probability 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.)
Granted
Application number
CN202110774569.3A
Other languages
English (en)
Other versions
CN113343367B (zh
Inventor
苏析超
陶俊权
韩维
张勇
刘湘一
程亮亮
肖楚琬
李常久
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.)
School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
Original Assignee
School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
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 School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army filed Critical School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
Priority to CN202110774569.3A priority Critical patent/CN113343367B/zh
Publication of CN113343367A publication Critical patent/CN113343367A/zh
Application granted granted Critical
Publication of CN113343367B publication Critical patent/CN113343367B/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]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)

Abstract

本申请涉及一种基于EDA算法的舰船航空弹药转运调度优化方法和装置。所述方法通过获取并分析预设的舰船航空弹药转运任务，根据分析得到的参数及预设的约束条件构建弹药转运优化模型，该模型通用性强，可适应不同舰船的不同弹药转运流程；采用改进的EDA方式进行优化求解，改进的EDA方式引入了调度顺序概率矩阵和弹库选择概率矩阵的双概率矩阵的形式，对初始种群的生成进行了改进，并结合了局部搜索，相较于标准EDA算法，对于解空间的深度搜索效果有了很大的提高；采用弹药转运车运输单元为基本单位进行计算，优化解的精细程度，采用本方法可有效求解航空弹药转运问题，对作业效率进行优化。

Description

基于EDA算法的舰船航空弹药转运调度优化方法和装置
技术领域
本申请涉及舰船航空弹药转运调度技术领域，特别是涉及一种基于EDA算法的舰船航空弹药转运调度优化方法和装置。
背景技术
舰船航空弹药转运作业能力是影响舰载机出动架次率的重要因素。作为航空保障作业诸多作业之一，航空弹药保障作业需要完成弹药的贮存、转运、装配、挂载，所需要的安全性高，作业流程复杂，花费时间长。弹药从出库到挂载，环节多，需要从弹药库取出，通过下层武器升降机运送，依据武器类型判断装配地点，装配好的弹药再通过上层武器升降机或飞机升降机送达飞行甲板，最终在飞行甲板完成舰载机弹药的挂载。因此优化舰船弹药转运调度，对提高舰载机保障效率，增强舰船作战能力有重要意义。
舰船航空弹药转运作业问题复杂程度高，约束条件众多，且求解难度随单批次转运弹药数量增加呈指数性增长。对于此问题的求解，国内学者已进行了很多研究。但是现有的优化模型缺乏通用性，并且模型精细程度不高。
发明内容
基于此，有必要针对上述技术问题，提供一种基于EDA算法的舰船航空弹药转运调度优化方法和装置。该方法中优化模型通用性强，可适应不同舰船的不同弹药转运流程；优化模型精细程度高，可实现对每一辆弹药转运车的独立调度。
一种基于EDA算法的舰船航空弹药转运调度优化方法，所述方法包括：
获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将所述舰船航空弹药转运任务分配至各弹库；所述运输单元是指一辆弹药转运车；
根据所述弹药种类、所述弹药总需求量、所述运输单元、预设的约束条件以及所述转运任务类别，以舰船航空弹药转运任务的完成时间最短为目标，构建基于运输单元的弹药转运优化模型；
构建概率模型，并对所述概率模型其进行初始化；所述概率模型包括：调度顺序概率矩阵和弹库选择概率矩阵；
根据所述调度顺序概率矩阵及所述弹库选择概率矩阵进行抽样统计，得到包含NIND个个体的种群；其中NIND为大于1的整数；
采用多弹库多通道并行时序生成方式对个体进行求解，得到NIND个解；
在所述NIND个解中挑选Q个转运时间较小的优异解，在每个所述优异解所属个体内进行局部搜索，得到优化后的优异解；
根据所述优化后的优异解和预定的学习速率，对所述调度顺序概率矩阵和所述弹库选择概率矩阵进行更新，并进行迭代运算，直到满足迭代终止条件，得到最终的最优解。
一种基于EDA算法的舰船航空弹药转运调度优化装置，所述装置包括：
调度任务获取模块，用于获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将所述舰船航空弹药转运任务分配至各弹库；所述运输单元是指一辆弹药转运车。
转运优化模型构建模块，用于根据所述弹药种类、所述弹药总需求量、所述运输单元、预设的约束条件以及所述转运任务类别，以舰船航空弹药转运任务的完成时间最短为目标，构建基于运输单元的弹药转运优化模型。
EDA算法的概率模型构建模块，用于构建概率模型，并对所述概率模型其进行初始化；所述概率模型包括：调度顺序概率矩阵和弹库选择概率矩阵。
种群确定模块，用于根据所述调度顺序概率矩阵及所述弹库选择概率矩阵进行抽样统计，得到包含NIND个个体的种群；其中NIND为大于1的整数。
局部搜索模块，用于采用多弹库多通道并行时序生成方式对个体进行求解，得到NIND个解；在所述NIND个解中挑选Q个转运时间较小的优异解，在每个所述优异解所属个体内进行局部搜索，得到优化后的优异解。
概率矩阵更新和最优解确定模块，用于根据所述优化后的优异解和预定的学习速率，对所述调度顺序概率矩阵和所述弹库选择概率矩阵进行更新，并进行迭代运算，直到满足迭代终止条件，得到最终的最优解。
上述基于EDA算法的舰船航空弹药转运调度优化方法和装置，所述方法通过获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将舰船航空弹药转运任务分配至各弹库，根据这些参数及预设的约束条件构建弹药转运优化模型，该模型通用性强，可适应不同舰船的不同弹药转运流程；采用改进的EDA方式进行优化求解，改进的EDA方式引入了调度顺序概率矩阵和弹库选择概率矩阵的双概率矩阵的形式，对初始种群的生成进行了改进，并结合了局部搜索，相较于标准EDA算法，对于解空间的深度搜索效果有了很大的提高；采用弹药转运车运输单元为基本单位进行计算，优化了解的精细程度，采用本方法可有效求解航空弹药转运问题，对作业效率进行优化。
附图说明
图1为舰船航空弹药转运基本环节流程示意图；
图2为一个实施例中基于EDA算法的舰船航空弹药转运调度优化方法的流程示意图；
图3为一个实施例中多弹库多通道转运任务求解流程图的流程示意图；
图4为另一个实施例中局部搜索流程图示意图；
图5为一个实施例中基于EDA算法的舰船航空弹药转运调度优化装置的结构框图；
图6为一个实施例中计算机设备的内部结构图；
图7为另一个实施例中第一种弹药转运流程；
图8为另一个实施例中第二种弹药转运流程；
图9为一个验证性实施例中两种EDA算法比较图；
图10为一个验证性实施例中采用本方法进行弹药转运的弹药运输单元工序甘特图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照美“福特”级舰船的航空弹药转运作业流程，舰船航空弹药转运基本环节流程示意图如图1所示。弹药管理人员依据该出动批次飞机所需弹药，确定弹药总需求量、种类，并将运弹任务分配至各弹库。运弹人员则因弹药储存方式不同采取不同手段取出弹药并考虑是否进行简单装配。完成上述步骤的弹药将等待下层升降机空闲，若空闲则将下层升降机调至该弹库实施升降机转运。若弹药需要装配台进行装配，将弹药转运至弹药装配区进行装配作业，否则转运至机库甲板。待上层升降机或多用途升降机空闲后，弹药继续转运至飞行甲板及各停机位处进行挂载作业。最后弹药转运车及运弹人员待升降机空闲后原路返回，弹药转运结束。
在一个实施例中，如图2所示，提供了一种基于EDA算法的舰船航空弹药转运调度优化方法，该方法包括以下步骤：
步骤200：获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将舰船航空弹药转运任务分配至各弹库。
运输单元是指一辆弹药转运车。
步骤202：根据弹药种类、弹药总需求量、运输单元、预设的约束条件以及转运任务类别，以舰船航空弹药转运任务的完成时间最短为目标，构建基于运输单元的弹药转运优化模型。
一个批次的弹药转运任务需要许多弹药转运车，当最后一辆弹药转运车在停机位完成弹药装载作业并成功返回原位后，该批次的弹药转运任务成功完成。
视一辆弹药转运车为一个独立运输单元，其完成转运任务并回到原位的时间花费设为T，时间从该批次弹药开始转运任务起计算。若有m个运输单元，则其时间花费分别为T1,T2,…,Tm，因该问题存在多个可行解，为完成整个转运任务时间花费最小的任务目标，目标函数可设为最后完成任务的运输单元所处时刻距任务开始时间最短。即：
F＝min{Tmax}
Tmax＝max{T1,T2,…,Tm}
弹药转运的最优任务目标的完成仍需满足预设的约束条件。预设的约束条件包括如下内容：
(1)从某一弹库获得某种弹数量不超过该弹库储存的该种类弹数量上限。
Figure BDA0003154191070000051
其中，Qijk代表第i个运输单元从第j个弹库所取的第k种弹的数量。共有n个弹库，h种弹药。
(2)每个运输单元只从一个弹库取弹。
Figure BDA0003154191070000052
Figure BDA0003154191070000053
其中Pij为状态变量，若第i个运输单元从任务规定的第j个弹库取弹则值为1，否则为0。
(3)每个运输单元只取一种类型的弹药
Figure BDA0003154191070000054
Figure BDA0003154191070000055
其中QLik为状态变量，若第i个运输单元取任务规定的第k种弹药则值为1，否则为0。
(4)每个运输单元弹药量不超过该运输单元容纳弹药上限。
Figure BDA0003154191070000056
Yi代表第i个运输单元承载弹药数上限。
(5)升降机承载的运输单元数量不能超过最大载运量。
Figure BDA0003154191070000061
Figure BDA0003154191070000062
其中STiu为状态变量，u代表所处的升降机，共有l个升降机，SCu代表第u个升降机能承载的弹药转运车数量。
(6)单个弹库内转运设备同时转运弹药数量不超过设计上限。
Figure BDA0003154191070000063
ZDjk代表第j个弹库内正在转运的第k种弹药数量，ZSj代表第j个弹库可同时转运弹药数量上限。
(7)弹药装配区同时进行装配数量不超过容纳上限。
Figure BDA0003154191070000064
Figure BDA0003154191070000065
AS代表弹药装配区装配台的数量。
(8)一个运输单元只能前往一个停机位。
Figure BDA0003154191070000066
Figure BDA0003154191070000067
步骤204：构建概率模型，并对概率模型其进行初始化；概率模型包括：调度顺序概率矩阵和弹库选择概率矩阵。
调度顺序概率矩阵用来预测每个运输单元在总调度过程中的顺序。
弹库选择概率矩阵用来预测每个运输单元选择不同弹库的概率。
步骤206：根据调度顺序概率矩阵及弹库选择概率矩阵进行抽样统计，得到包含NIND个个体的种群；其中NIND为大于1的整数。
由于各运输单元之间不存在前后序约束，所以各运输单元可以按照编号顺序依次经过调度顺序概率矩阵，并最终生成一个完整的调度顺序。运输单元i选择位置j的概率为：
Figure BDA0003154191070000071
若位置j已被选取，则对应的列概率全部归零，即该位置不可再被选取，以保证位置的唯一性。
选取完各单元位置后，还需对各单元所属弹库进行选择，运输单元i选择弹库j的概率为：
Figure BDA0003154191070000072
由于运输单元所属停机位在分配运输单元弹药时已经固定，故无需进行选取。最终，经过调度顺序概率矩阵及弹库选择概率矩阵的选取，可以确定一个完整的调度顺序集。由于存在同一弹库取弹量不得超过存弹量等约束条件，确定运输单元所属弹库后，需进行检验，若不满足约束，需重新进行选取。
将确定调度顺序集的操作重复NIND次，由此得到了一个拥有NIND个个体的种群。
步骤208：采用多弹库多通道并行时序生成方式对个体进行求解，得到NIND个解。
多弹库多通道并行时序生成方式是：对分属不同转运通道及不同弹库的运输单元进行联合调度，对所有运输单元所包含的所有工序进行遍历搜索，找到其中满足各项调度约束的工序，将这些工序转入调度中的状态，并依据这些工序所消耗资源量逐工序改变资源剩余量，然后，时间转移至调度中工序结束时间的最小值处，此时开始释放在此时间段内结束工序的资源消耗，逐渐迭代，最终达到每一个工序都能获得开始结束时间的状态，得到多弹库多通道诸运输单元并行时序。
步骤210：在NIND个解中挑选Q个转运时间较小的优异解，在每个优异解所属个体内进行局部搜索，得到优化后的优异解。
针对每一个优异解，在该优异解所述个体内进行局部搜索寻优，得到优化后的优异解。
步骤212：根据优化后的优异解和预定的学习速率，对调度顺序概率矩阵和弹库选择概率矩阵进行更新，并进行迭代运算，直到满足迭代终止条件，得到最终的最优解。
上述基于EDA算法的舰船航空弹药转运调度优化方法中，通过获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将舰船航空弹药转运任务分配至各弹库，根据这些参数及预设的约束条件构建弹药转运优化模型，该模型通用性强，可适应不同舰船的不同弹药转运流程；采用改进的EDA方式进行优化求解，改进的EDA方式引入了调度顺序概率矩阵和弹库选择概率矩阵的双概率矩阵的形式，对初始种群的生成进行了改进，并结合了局部搜索，相较于标准EDA算法，对于解空间的深度搜索效果有了很大的提高；采用弹药转运车运输单元为基本单位进行计算，优化了解的精细程度，采用本方法可有效求解航空弹药转运问题，对作业效率进行优化。
在其中一个实施例中，步骤202还包括：根据运输单元、弹药种类、弹药总需求量以及预设的约束条件，得到运输单元转运任务类别；根据运输单元转运任务类别，得到运输单元转运任务的工序；将所有运输单元转运任务的工序根据预定的调度规则进行调度，得到运输单元转运任务的完成时间；将运输单元转运任务的完成时间最短作为目标函数，以预设的约束条件为约束，得到基于运输单元的弹药转运优化模型。
在其中一个实施例中，步骤204前还包括：根据停机位所需弹药的转运任务，确定弹药种类与弹药数量；根据弹药种类、弹药数量、弹药所属的弹库以及预设的约束条件，得到所需运输单元的数量；对停机位和弹库分别按照先后顺序进行编码，得到停机位编码和弹库编码；并根据停机位编码的先后顺序对运输单元进行编码，得到运输单元编码；根据运输单元编码、弹库编码以及停机位编码，采用调度顺序+双重模式的编码方式，得到转运任务编码；调度顺序+双重模式的编码方式为对一个批次弹药所对应的所有运输单元按先后顺序进行调度，将运输单元转运弹药的起始弹库及停机位作为每个运输单元所对应的两重模式；将转运任务编码表示为一个三行多列的一个矩阵，其中：第一行代表各个运输单元的调度顺序，每一个元素的值为运输单元编号；第二行代表运输单元编号对应的各运输单元转运弹药所属弹库，每一个元素的值为弹库编号；第三行代表按运输单元编号对应运输单元将要运输到达的停机位，每一个元素的值为停机位编号。
在其中一个实施例中，运输单元总数为m；弹库总数为n；步骤204还包括：将调度顺序概率矩阵中的每一个元素值初始化为1/m；调度顺序概率矩阵为n×m阶矩阵，调度顺序概率矩阵的第i行第j列的元素是编码为i的运输单元位于第j个被调度位置上的概率；当不同弹库储存的弹药种类相同时，将弹库选择概率矩阵中的每一个元素值初始化为1/n；弹库选择概率矩阵为n×m阶矩阵；弹库选择概率矩阵的运输单元i选择弹库j的概率；当不同弹库所储存的弹药种类不同时，则根据不同运输单元所搭载的弹药种类将相应位置的概率归零并重新平均分配每行的概率。
在一个概率矩阵初始化实施例中，建立的概率模型包含两个概率矩阵，一个是n×m的调度顺序概率矩阵matrix_m(t)，m为运输单元总数。另一个是n×m的弹库选择概率矩阵matrix_n(t)，n为弹库总数。
(1)matrix_m(t)：该概率矩阵被用来预测每个运输单元在总调度过程中的顺序。
Figure BDA0003154191070000091
αij象征编号为i的运输单元位于第j个被调度位置上的概率，其大小表示运输单元i在j位置上的优劣性。初始概率如下式，以此保证概率估计及采样的公正性。
Figure BDA0003154191070000101
(2)matrix_n(t)：该概率矩阵被用来预测每个运输单元选择不同弹库的概率。
Figure BDA0003154191070000102
βij象征运输单元i选择弹库j的概率，其大小表示运输单元i从弹库j出发的优劣性。同调度概率矩阵一样，该矩阵也用保证公平的初始矩阵来确定平等选择各弹库。如下式
Figure BDA0003154191070000103
另外，由于不同弹库所储存的弹药种类有所不同，弹库选择概率初始矩阵应根据不同运输单元所搭载的弹药种类将相应位置的概率归零并重新分配每行的概率。
在其中一个实施例中，步骤208还包括：根据运输单元的转运任务，确定运输单元工序；根据运输单元的调度顺序，确定有资源占用工序的优先级；优先级高的工序优先占用资源，在工序执行完成后释放资源；将任务开始时刻设置为0；根据运输单元的调度顺序、有资源占用工序的优先级、转运所需资源的状态以及预设的约束条件，从任务开始时刻起开始对转运任务中的所有工序进行调度，得到一个个体中每个运输单元工序的调度时序；在NIND个个体中重复上述求解步骤，得到NIND个调度时序。
舰船航空弹药转运，弹药从不同的弹库出发，经由固定的转运通道转运至飞行甲板及停机位。由于各转运通道的运输路径之间可能存在交叉，全舰的单批次弹药转运任务无法转化为各通道的单独弹药运输子任务，所以需要建立多弹库多通道联合调度方案。多弹库多通道串行调度时序生成方案的流程为：对分属不同转运通道及不同弹库的运输单元进行联合调度，对所有运输单元所包含的所有工序进行遍历搜索，找到其中满足各项调度约束的工序，将这些工序转入调度中的状态，并依据这些工序所消耗资源量逐工序改变资源剩余量，然后，时间转移至调度中工序结束时间的最小值处，此时开始释放在此时间段内结束工序的资源消耗，逐渐迭代，最终达到每一个工序都能获得开始结束时间的状态，得到多弹库多通道诸运输单元并行时序。具体如图3所示。
在其中一个实施例中，步骤210还包括：在NIND个解中任意挑选Q个优异解；根据优异解，确定优异解对应的运输单元数量；设置调度位置中间量为J的初始值为1；交换位于第J为和第J+1为的两个运输单元的调度位置，得到新的调度顺序；在新的调度顺序的基础上，采用多弹库多通道并行时序生成方式对个体进行求解，并计算得到新解的转运时间；当新解的转运时间小于对应个体的优异解对应的转运时间时，更新对应个体最优值和运输单元调度顺序；并当新解的转运时间小于种群的最优解对应的转运时间时，更新种群最优值和运输单元调度顺序，并设置J＝J+1，进入下一轮搜索；反之，则设置J＝J+1，进入下一轮搜索；当新解的转运时间不小于对应个体的优异解对应的转运时间时，设置J＝J+1，进入下一轮搜索；当调度位置中间量的值等于运输单元数量时，搜索结束，得到优异解对应个体的优化后的优异解；对剩余的Q-1个优异解在对应的个体中采用上述局部搜索步骤进行搜索，得到剩余的Q-1个优异解对应的优化后的优异解。
选择一个优异解对其进行局部搜索的流程示意图如图4所示。
在其中一个实施例中，步骤212中调度顺序概率矩阵和弹库选择概率矩阵进行更新的规则为：
Figure BDA0003154191070000121
Figure BDA0003154191070000122
其中：matrix_mij(·)表示调度顺序概率矩阵第i行第j列的元素值，matrix_nij(·)表示弹库选择概率矩阵第i行第j列的元素值，λ表示学习速率，
Figure BDA0003154191070000123
和
Figure BDA0003154191070000124
为两个状态变量用来表示调度顺序状态及弹库选择状态，其中：
Figure BDA0003154191070000125
Figure BDA0003154191070000126
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种基于EDA算法的舰船航空弹药转运调度优化装置，装置包括：调度任务获取模块、转运优化模型构建模块、EDA算法的概率模型构建模块、种群确定模块以及概率矩阵更新和最优解确定模块，其中：
调度任务获取模块，用于获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将舰船航空弹药转运任务分配至各弹库；运输单元是指一辆弹药转运车。
转运优化模型构建模块，用于根据弹药种类、弹药总需求量、运输单元、预设的约束条件以及转运任务类别，以舰船航空弹药转运任务的完成时间最短为目标，构建基于运输单元的弹药转运优化模型。
EDA算法的概率模型构建模块，用于构建概率模型，并对概率模型其进行初始化；概率模型包括：调度顺序概率矩阵和弹库选择概率矩阵。
种群确定模块，用于根据调度顺序概率矩阵及弹库选择概率矩阵进行抽样统计，得到包含NIND个个体的种群；其中NIND为大于1的整数。
局部搜索模块，用于采用多弹库多通道并行时序生成方式对个体进行求解，得到NIND个解；在NIND个解中挑选Q个转运时间较小的优异解，在每个优异解所属个体内进行局部搜索，得到优化后的优异解。
概率矩阵更新和最优解确定模块，用于根据优化后的优异解和预定的学习速率，对调度顺序概率矩阵和弹库选择概率矩阵进行更新，并进行迭代运算，直到满足迭代终止条件，得到最终的最优解。
在其中一个实施例中，转运优化模型构建模块，还用于根据运输单元、弹药种类、弹药总需求量以及预设的约束条件，得到运输单元转运任务类别；根据运输单元转运任务类别，得到运输单元转运任务的工序；将所有运输单元转运任务的工序根据预定的调度规则进行调度，得到运输单元转运任务的完成时间；将运输单元转运任务的完成时间最短作为目标函数，以预设的约束条件为约束，得到基于运输单元的弹药转运优化模型。
在其中一个实施例中，EDA算法的概率模型构建模块之前还包括编码模块，还用于根据停机位所需弹药的转运任务，确定弹药种类与弹药数量；根据弹药种类、弹药数量、弹药所属的弹库以及预设的约束条件，得到所需运输单元的数量；对停机位和弹库分别按照先后顺序进行编码，得到停机位编码和弹库编码；并根据停机位编码的先后顺序对运输单元进行编码，得到运输单元编码；根据运输单元编码、弹库编码以及停机位编码，采用调度顺序+双重模式的编码方式，得到转运任务编码；调度顺序+双重模式的编码方式为对一个批次弹药所对应的所有运输单元按先后顺序进行调度，将运输单元转运弹药的起始弹库及停机位作为每个运输单元所对应的两重模式；将转运任务编码表示为一个三行多列的一个矩阵，其中：第一行代表各个运输单元的调度顺序，每一个元素的值为运输单元编号；第二行代表运输单元编号对应的各运输单元转运弹药所属弹库，每一个元素的值为弹库编号；第三行代表按运输单元编号对应运输单元将要运输到达的停机位，每一个元素的值为停机位编号。
在其中一个实施例中，运输单元总数为m；弹库总数为n；EDA算法的概率模型构建模块，还用于将调度顺序概率矩阵中的每一个元素值初始化为1/m；调度顺序概率矩阵为n×m阶矩阵，调度顺序概率矩阵的第i行第j列的元素是编码为i的运输单元位于第j个被调度位置上的概率；当不同弹库储存的弹药种类相同时，将弹库选择概率矩阵中的每一个元素值初始化为1/n；弹库选择概率矩阵为n×m阶矩阵；弹库选择概率矩阵的运输单元i选择弹库j的概率；当不同弹库所储存的弹药种类不同时，则根据不同运输单元所搭载的弹药种类将相应位置的概率归零并重新平均分配每行的概率。
在其中一个实施例中，局部搜索模块，还用于根据运输单元的转运任务，确定运输单元工序；根据运输单元的调度顺序，确定有资源占用工序的优先级；优先级高的工序优先占用资源，在工序执行完成后释放资源；将任务开始时刻设置为0；根据运输单元的调度顺序、有资源占用工序的优先级、转运所需资源的状态以及预设的约束条件，从任务开始时刻起开始对转运任务中的所有工序进行调度，得到一个个体中每个运输单元工序的调度时序；在NIND个个体中重复上述求解步骤，得到NIND个调度时序。
在其中一个实施例中，局部搜索模块，还用于在NIND个解中任意挑选Q个优异解；根据优异解，确定优异解对应的运输单元数量；设置调度位置中间量为J的初始值为1；交换位于第J为和第J+1为的两个运输单元的调度位置，得到新的调度顺序；在新的调度顺序的基础上，采用多弹库多通道并行时序生成方式对个体进行求解，并计算得到新解的转运时间；当新解的转运时间小于对应个体的优异解对应的转运时间时，更新对应个体最优值和运输单元调度顺序；并当新解的转运时间小于种群的最优解对应的转运时间时，更新种群最优值和运输单元调度顺序，并设置J＝J+1，进入下一轮搜索；反之，则设置J＝J+1，进入下一轮搜索；当新解的转运时间不小于对应个体的优异解对应的转运时间时，设置J＝J+1，进入下一轮搜索；当调度位置中间量的值等于运输单元数量时，搜索结束，得到优异解对应个体的优化后的优异解；对剩余的Q-1个优异解在对应的个体中采用上述局部搜索步骤进行搜索，得到剩余的Q-1个优异解对应的优化后的优异解。
在其中一个实施例中，概率矩阵更新和最优解确定模块中调度顺序概率矩阵和弹库选择概率矩阵进行更新的规则为：
Figure BDA0003154191070000151
Figure BDA0003154191070000152
其中：matrix_mij(·)表示调度顺序概率矩阵第i行第j列的元素值，matrix_nij(·)表示弹库选择概率矩阵第i行第j列的元素值，λ表示学习速率，
Figure BDA0003154191070000153
和
Figure BDA0003154191070000154
为两个状态变量用来表示调度顺序状态及弹库选择状态，其中：
Figure BDA0003154191070000155
Figure BDA0003154191070000156
关于基于EDA算法的舰船航空弹药转运调度优化装置的具体限定可以参见上文中对于基于EDA算法的舰船航空弹药转运调度优化方法的限定，在此不再赘述。上述基于EDA算法的舰船航空弹药转运调度优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于EDA算法的舰船航空弹药转运调度优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
仿真实验
在一个验证性实施例中，由图1可知，舰船航空弹药转运流程可根据弹药种类及特点的不同分为两种，一种弹药经弹药装配区装配后转移至飞行甲板停机位，另一种在弹库简单装配后经机库甲板到达飞行甲板停机位，具体转运流程及编号如图7、图8所示。
设某型舰船共有11个弹库，分为1-3号、4-7号、8-11号三个弹库群。相对应的，有10台升降机，其中6台下层升降机，有3台对应3个弹库群执行任务类别1，另外3台对应3个弹库群执行任务类别2。4台上层升降机中有3台对应各个弹库群执行任务类别1，另外一台对应所有弹库执行任务类别2。
在弹药转运任务设置上。设该批次舰船弹药转运涉及5个停机位，上层升降机位于飞行甲板上的四个出口与各停机位之间存在独立的转运时间。共需运输3种类型弹药，A型弹1车1枚，弹库内3枚联装，经任务类别1进行运输。B型弹一车2枚，弹库内独立包装，经任务类别2进行运输。C型弹1车1枚，弹库内独立包装，经任务类别1进行运输。共需运输5枚A型弹、10枚B型弹、5枚C型弹且各停机位弹药分配平均，均为1枚A型、2枚B型、1枚C型。共需调度15辆弹药转运车，即15个运输单元。
EDA算法参数设置上，种群大小设定为200，局部搜索概率为0.05，学习速率为0.3，共迭代运行4000次，对比未采用局部搜索的EDA算法及采用局部搜索的改进EDA算法，运行结果如图9所示。
可以看到，采用局部搜索的改进EDA算法所获得的最优解优于标准EDA算法，收敛速度也有所超出，这是对解空间进行深度搜索的结果。
各弹药转运车执行各个调度工序的甘特图如图10所示，横轴为时间，纵轴代表各个运输单元的编号，各甘特块长度代表所耗工时，其内编号为工序编号。所得到的最优调度方案尽可能利用各升降机，以保证总调度时间最小，实现资源的有效利用。通过该甘特图验证模型满足预设的各项约束，证明了模型的合理性。
改进的EDA算法引入了双概率矩阵的形式，对初始种群的生成进行了改进。并结合了局部搜索，相较于标准EDA算法，对于解空间的深度搜索效果有了很大的提高。充分结合了EDA算法种群正反馈机制下的全局搜索能力以及对精英个体深度搜索后的快速收敛能力。采用弹药转运车运输单元为基本单位进行计算，优化了解的精细程度。通过实例仿真，验证了其在舰船弹药调度方案设计中的实用价值。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于EDA算法的舰船航空弹药转运调度优化方法，其特征在于，所述方法包括：
获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将所述舰船航空弹药转运任务分配至各弹库；所述运输单元是指一辆弹药转运车；
根据所述弹药种类、所述弹药总需求量、所述运输单元、预设的约束条件以及所述转运任务类别，以舰船航空弹药转运任务的完成时间最短为目标，构建基于运输单元的弹药转运优化模型；
构建概率模型，并对所述概率模型其进行初始化；所述概率模型包括：调度顺序概率矩阵和弹库选择概率矩阵；
根据所述调度顺序概率矩阵及所述弹库选择概率矩阵进行抽样统计，得到包含NIND个个体的种群；其中NIND为大于1的整数；
采用多弹库多通道并行时序生成方式对个体进行求解，得到NIND个解；
在所述NIND个解中挑选Q个转运时间较小的优异解，在每个所述优异解所属个体内进行局部搜索，得到优化后的优异解；
根据所述优化后的优异解和预定的学习速率，对所述调度顺序概率矩阵和所述弹库选择概率矩阵进行更新，并进行迭代运算，直到满足迭代终止条件，得到最终的最优解。
2.根据权利要求1所述的方法，其特征在于，根据所述弹药种类、所述弹药总需求量、所述运输单元、预设的约束条件以及所述转运任务类别，以舰船航空弹药转运任务的完成时间最短为目标，构建基于运输单元的弹药转运优化模型，包括：
根据所述运输单元、所述弹药种类、所述弹药总需求量以及预设的约束条件，得到运输单元转运任务类别；
根据所述运输单元转运任务类别，得到运输单元转运任务的工序；
将所有所述运输单元转运任务的工序根据预定的调度规则进行调度，得到运输单元转运任务的完成时间；
将所述运输单元转运任务的完成时间最短作为目标函数，以预设的约束条件为约束，得到基于运输单元的弹药转运优化模型。
3.根据权利要求1所述的方法，其特征在于，构建概率模型，并对所述概率模型其进行初始化，步骤前还包括：
根据停机位所需弹药的转运任务，确定弹药种类与弹药数量；
根据所述弹药种类、所述弹药数量、弹药所属的弹库以及预设的约束条件，得到所需运输单元的数量；
对停机位和弹库分别按照先后顺序进行编码，得到停机位编码和弹库编码；
并根据停机位编码的先后顺序对运输单元进行编码，得到运输单元编码；
根据所述运输单元编码、弹库编码以及停机位编码，采用调度顺序+双重模式的编码方式，得到转运任务编码；所述调度顺序+双重模式的编码方式为对一个批次弹药所对应的所有运输单元按先后顺序进行调度，将运输单元转运弹药的起始弹库及停机位作为每个运输单元所对应的两重模式；
将所述转运任务编码表示为一个三行多列的一个矩阵，其中：第一行代表各个运输单元的调度顺序，每一个元素的值为所述运输单元编号；第二行代表运输单元编号对应的各运输单元转运弹药所属弹库，每一个元素的值为弹库编号；第三行代表按运输单元编号对应运输单元将要运输到达的停机位，每一个元素的值为停机位编号。
4.根据权利要求3所述的方法，其特征在于，运输单元总数为m；弹库总数为n；
构建概率模型，并对所述概率模型其进行初始化，包括：
将所述调度顺序概率矩阵中的每一个元素值初始化为1/m；所述调度顺序概率矩阵为n×m阶矩阵，所述调度顺序概率矩阵的第i行第j列的元素是编码为i的运输单元位于第j个被调度位置上的概率；
当不同弹库储存的弹药种类相同时，将所述弹库选择概率矩阵中的每一个元素值初始化为1/n；所述弹库选择概率矩阵为n×m阶矩阵；所述弹库选择概率矩阵的运输单元i选择弹库j的概率；
当不同弹库所储存的弹药种类不同时，则根据不同运输单元所搭载的弹药种类将相应位置的概率归零并重新平均分配每行的概率。
5.根据权利要求1所述的方法，其特征在于，采用多弹库多通道并行时序生成方式对个体进行求解，得到NIND个解，包括：
根据运输单元的转运任务，确定运输单元工序；
根据运输单元的调度顺序，确定有资源占用工序的优先级；所述优先级高的工序优先占用资源，在工序执行完成后释放资源；
将任务开始时刻设置为0；
根据运输单元的调度顺序、有资源占用工序的优先级、转运所需资源的状态以及预设的约束条件，从所述任务开始时刻起开始对转运任务中的所有工序进行调度，得到一个个体中每个运输单元工序的调度时序；
在NIND个个体中重复上述步骤，得到NIND个所述调度时序。
6.根据权利要求1所述的方法，其特征在于，在所述NIND个解中挑选Q个转运时间较小的优异解，在每个所述优异解所属个体内进行局部搜索，得到优化后的优异解，包括：
在所述NIND个解中任意挑选Q个优异解；
根据所述优异解，确定优异解对应的运输单元数量；
设置调度位置中间量为J的初始值为1；
交换位于第J为和第J+1为的两个运输单元的调度位置，得到新的调度顺序；
在新的调度顺序的基础上，采用多弹库多通道并行时序生成方式对个体进行求解，并计算得到新解的转运时间；
当新解的转运时间小于对应个体的优异解对应的转运时间时，更新对应个体最优值和运输单元调度顺序；并当新解的转运时间小于种群的最优解对应的转运时间时，更新种群最优值和运输单元调度顺序，并设置J＝J+1，进入下一轮搜索；反之，则设置J＝J+1，进入下一轮搜索；
当新解的转运时间不小于对应个体的优异解对应的转运时间时，设置J＝J+1，进入下一轮搜索；
当调度位置中间量的值等于运输单元数量时，搜索结束，得到优异解对应个体的优化后的优异解；
对剩余的Q-1个优异解在对应的个体中采用上述局部搜索步骤进行搜索，得到剩余的Q-1个优异解对应的优化后的优异解。
7.根据权利要求1所述的方法，其特征在于，根据所述优化后的优异解和预定的学习速率，对所述调度顺序概率矩阵和所述弹库选择概率矩阵进行更新，并进行迭代运算，直到满足迭代终止条件，得到最终的最优解，步骤中所述调度顺序概率矩阵和所述弹库选择概率矩阵进行更新的规则为：
Figure FDA0003154191060000041
Figure FDA0003154191060000042
其中：matrix_mij(·)表示调度顺序概率矩阵第i行第j列的元素值，matrix_nij(·)表示所述弹库选择概率矩阵第i行第j列的元素值，λ表示学习速率，m表示运输单元总数，n表示弹库总数，k表示大于等于1小于等于Q的整数，
Figure FDA0003154191060000043
和
Figure FDA0003154191060000044
为两个状态变量用来表示调度顺序状态及弹库选择状态，其中：
Figure FDA0003154191060000045
8.一种基于EDA算法的舰船航空弹药转运调度优化装置，其特征在于，所述装置包括：
调度任务获取模块，用于获取并分析预设的舰船航空弹药转运任务，得到弹药总需求量、弹药种类、需要的运输单元以及转运任务类别，并将所述舰船航空弹药转运任务分配至各弹库；所述运输单元是指一辆弹药转运车；
转运优化模型构建模块，用于根据所述弹药种类、所述弹药总需求量、所述运输单元、预设的约束条件以及所述转运任务类别，以舰船航空弹药转运任务的完成时间最短为目标，构建基于运输单元的弹药转运优化模型；
EDA算法的概率模型构建模块，用于构建概率模型，并对所述概率模型其进行初始化；所述概率模型包括：调度顺序概率矩阵和弹库选择概率矩阵；
种群确定模块，用于根据所述调度顺序概率矩阵及所述弹库选择概率矩阵进行抽样统计，得到包含NIND个个体的种群；其中NIND为大于1的整数；
局部搜索模块，用于采用多弹库多通道并行时序生成方式对个体进行求解，得到NIND个解；在所述NIND个解中挑选Q个转运时间较小的优异解，在每个所述优异解所属个体内进行局部搜索，得到优化后的优异解；
概率矩阵更新和最优解确定模块，用于根据所述优化后的优异解和预定的学习速率，对所述调度顺序概率矩阵和所述弹库选择概率矩阵进行更新，并进行迭代运算，直到满足迭代终止条件，得到最终的最优解。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110774569.3A 2021-07-08 2021-07-08 基于eda算法的舰船航空弹药转运调度优化方法和装置 Active CN113343367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110774569.3A CN113343367B (zh) 2021-07-08 2021-07-08 基于eda算法的舰船航空弹药转运调度优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110774569.3A CN113343367B (zh) 2021-07-08 2021-07-08 基于eda算法的舰船航空弹药转运调度优化方法和装置

Publications (2)

Publication Number Publication Date
CN113343367A true CN113343367A (zh) 2021-09-03
CN113343367B CN113343367B (zh) 2022-08-09

Family

ID=77483133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110774569.3A Active CN113343367B (zh) 2021-07-08 2021-07-08 基于eda算法的舰船航空弹药转运调度优化方法和装置

Country Status (1)

Country Link
CN (1) CN113343367B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580170A (zh) * 2022-03-03 2022-06-03 北京华如科技股份有限公司 一种用于多任务并行构建的数据处理方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100069832A1 (en) * 2008-08-08 2010-03-18 Neal Solomon Intelligent medical device system dynamics for biological network regulation
CN103489031A (zh) * 2013-09-09 2014-01-01 昆明理工大学 一种化工生产中原料蒸发过程的优化调度方法
CN104503381A (zh) * 2014-11-20 2015-04-08 昆明理工大学 一种手机的生产装配过程的优化调度方法
CN104536387A (zh) * 2014-11-20 2015-04-22 昆明理工大学 一种液晶电视机的生产装配过程的优化调度方法
CN104537425A (zh) * 2014-11-20 2015-04-22 昆明理工大学 一种汽车空调出风口的生产装配过程的优化调度方法
CN105069523A (zh) * 2015-07-28 2015-11-18 昆明理工大学 一种有时间限制的配送车辆调度方法
CN108376315A (zh) * 2018-02-11 2018-08-07 重庆大学 一种基于图模型的不确定炼钢-连铸柔性优化调度方法及系统
CN109214695A (zh) * 2018-09-18 2019-01-15 合肥工业大学 基于改进eda的高端装备研发制造协同调度方法及系统
CN111290283A (zh) * 2020-04-03 2020-06-16 福州大学 一种面向选择性激光熔融工艺的增材制造单机调度方法
CN111781898A (zh) * 2020-04-15 2020-10-16 无锡市江南橡塑机械有限公司 优化最大拖期的柔性作业车间调度的分布估计算法
CN112286149A (zh) * 2020-10-15 2021-01-29 山东师范大学 一种考虑起重机运输过程的柔性车间调度优化方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100069832A1 (en) * 2008-08-08 2010-03-18 Neal Solomon Intelligent medical device system dynamics for biological network regulation
CN103489031A (zh) * 2013-09-09 2014-01-01 昆明理工大学 一种化工生产中原料蒸发过程的优化调度方法
CN104503381A (zh) * 2014-11-20 2015-04-08 昆明理工大学 一种手机的生产装配过程的优化调度方法
CN104536387A (zh) * 2014-11-20 2015-04-22 昆明理工大学 一种液晶电视机的生产装配过程的优化调度方法
CN104537425A (zh) * 2014-11-20 2015-04-22 昆明理工大学 一种汽车空调出风口的生产装配过程的优化调度方法
CN105069523A (zh) * 2015-07-28 2015-11-18 昆明理工大学 一种有时间限制的配送车辆调度方法
CN108376315A (zh) * 2018-02-11 2018-08-07 重庆大学 一种基于图模型的不确定炼钢-连铸柔性优化调度方法及系统
CN109214695A (zh) * 2018-09-18 2019-01-15 合肥工业大学 基于改进eda的高端装备研发制造协同调度方法及系统
CN111290283A (zh) * 2020-04-03 2020-06-16 福州大学 一种面向选择性激光熔融工艺的增材制造单机调度方法
CN111781898A (zh) * 2020-04-15 2020-10-16 无锡市江南橡塑机械有限公司 优化最大拖期的柔性作业车间调度的分布估计算法
CN112286149A (zh) * 2020-10-15 2021-01-29 山东师范大学 一种考虑起重机运输过程的柔性车间调度优化方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
万兵等: "基于CE-PF 算法的舰载机离场调度优化问题研究", 《北京航空航天大学学报》 *
刘玉杰等: "基于IABC 算法的舰载机着舰调度", 《控制与决策》 *
韩维等: "基于载波索引调制的网络通信信号跟踪技术研究", 《电子设计工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580170A (zh) * 2022-03-03 2022-06-03 北京华如科技股份有限公司 一种用于多任务并行构建的数据处理方法及装置

Also Published As

Publication number Publication date
CN113343367B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
Azadeh et al. Design, modeling, and analysis of vertical robotic storage and retrieval systems
CN111754176B (zh) 一种面向多移动货架的两阶段智能订单分拣方法
CN104408589A (zh) 基于混合粒子群算法的agv优化调度方法
CN113343367B (zh) 基于eda算法的舰船航空弹药转运调度优化方法和装置
CN104331749A (zh) 基于模拟退火粒子群的agv优化调度方法
CN112598332A (zh) 空间在轨服务任务调度方法、装置和计算机设备
Li et al. A simulation study on the robotic mobile fulfillment system in high-density storage warehouses
CN112232545A (zh) 基于模拟退火算法的agv任务调度方法
WO2020165739A1 (en) Safeguarding resources of physical entites in a shared environment
CN116027739A (zh) 机群出入库转运协同调度优化方法、装置和设备
CN116187787B (zh) 作战资源跨域调配问题的智能规划方法
CN116009571A (zh) 飞机机群起飞调度方法、装置、设备和存储介质
CN112685883B (zh) 一种舰载机保障作业调度方法
CN114926038A (zh) 海上平台的航空资源站点配置方法、装置和设备
CN116679636A (zh) 一种物流搬运机器人任务调度系统及方法
CN114493181B (zh) 一种智能仓储环境下的多负载agv任务调度方法
CN110569543A (zh) 一种支持映射升维的复杂系统自适应方法及系统
CN113868955A (zh) 一种航空装备保障体系的建模方法
CN114612030A (zh) 舱位分配优化方法、装置、计算机设备和存储介质
CN115112137A (zh) 路径规划方法、装置、电子设备及可读存储介质
Zhang et al. A Simulation Optimization Method for Scheduling Automated Guided Vehicles in a Stochastic Warehouse Management System
CN117196263B (zh) 一种货物调度方法、装置、设备及计算机可读存储介质
Yue et al. Minimizing Robot Digging Times to Retrieve Bins in Robotic-Based Compact Storage and Retrieval Systems
CN116873431B (zh) 一种基于岩板智能仓库的多重载agv储运方法
CN114862313B (zh) 一种基于bp神经网络的组合规则动态选取方法

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