CN113537833A - 交通事故的应急车辆调度方法、装置及设备 - Google Patents
交通事故的应急车辆调度方法、装置及设备 Download PDFInfo
- Publication number
- CN113537833A CN113537833A CN202110925319.5A CN202110925319A CN113537833A CN 113537833 A CN113537833 A CN 113537833A CN 202110925319 A CN202110925319 A CN 202110925319A CN 113537833 A CN113537833 A CN 113537833A
- Authority
- CN
- China
- Prior art keywords
- food
- fitness
- goblet
- individual
- leader
- 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
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 48
- 235000013305 food Nutrition 0.000 claims abstract description 133
- 241000251557 Ascidiacea Species 0.000 claims abstract description 87
- 241000251555 Tunicata Species 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009827 uniform distribution Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001544487 Macromiidae Species 0.000 description 1
- 240000005546 Piper methysticum Species 0.000 description 1
- 235000016787 Piper methysticum Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请属于车辆调度领域,提出了一种交通事故的应急车辆调度方法、装置及设备,该方法包括:初始化樽海鞘种群中的樽海鞘个体的位置;根据樽海鞘个体的位置,计算樽海鞘个体的适应度;根据所述适应度,确定当前的食物的位置、领导者的位置和追随者的位置;根据当前的食物的位置,更新领导者的位置和追随者的位置,计算樽海鞘个体的适应度并更新食物的位置,直到满足迭代要求,得到迭代完成后的食物的位置;根据迭代完成后的食物的位置确定调度策略进行应急调度。通过本申请实施例所述的交通事故的应急车辆调度方法,不受实际因素的约束,可以得到更优性能的应急车辆调度策略,提升救援的满意度。
Description
技术领域
本申请属于车辆调度领域,尤其涉及交通事故的应急车辆调度方法、装置及设备。
背景技术
随着我国国民经济的发展,城市化进程不断推进,居民汽车保有量逐年上升,道路交通事故发生的频率也逐渐增加。道路交通事故频发给人民的生命和财产安全构成了巨大威胁。与此同时,突发性的交通事故会对交通造成影响,很容易引起二次事故,造成影响范围更大、持续时间更长的危害。因此,及时调度巡逻车、清障车、清扫车等应急车辆前往事发地实施救援能够有效的减少事故损失。
目前对于多起事故的应急车辆调度方法,通常基于粒子群算法寻求最优的求解性能。但是,由于需要考虑的实际因素诸多,包括如事故严重程度、事故时间窗限制、事故需求、应急车辆储备、应急车辆行程时间等约束条件,这种寻优方式不利于得到更优性能的应急车辆调度方案,从而提升救援的满意度。
发明内容
有鉴于此,本申请实施例提供了一种交通事故的应急车辆调度方法、装置及设备,以解决现有技术中的调度的寻优方法不利于得到更优性能的应急车辆调度方案和提升救援满意度的问题。
本申请实施例的第一方面提供了一种交通事故的应急车辆调度方法,所述方法包括:
获取应急调度场景中的交通事故信息与救援车辆信息,根据所述交通事故信息和救援车辆信息初始化樽海鞘种群中的樽海鞘个体的位置;
根据所述樽海鞘种群中的樽海鞘个体的位置,计算樽海鞘个体的适应度;
根据所述樽海鞘个体的适应度,确定当前的食物的位置、领导者的位置和追随者的位置;
根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置;
根据迭代完成后的食物的位置确定调度策略进行应急调度。
结合第一方面,在第一方面的第一种可能实现方式中,根据所述樽海鞘个体的适应度,确定当前的领导者的位置和追随者的位置,包括:
根据所述樽海鞘个体的适应度,将所述樽海鞘个体划分至两个或两个以上的子群;
根据每个子群中的樽海鞘个体的适应度,确定每个子群中的食物的位置、领导者的位置和追随者的位置,以及确定樽海鞘种群的食物的位置。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,根据所述樽海鞘个体的适应度,将所述樽海鞘个体划分至两个或两个以上的子群,包括:
根据所述樽海鞘种群中的樽海鞘个体的适应度进行排序,得到樽海鞘序列(X1',X2'……XN'),根据公式将所述樽海鞘序列中的樽海鞘个体划分至G个子群,其中,Gxg,m为第g个子群中第m个樽海鞘个体的位置,M为每个子群中包括的樽海鞘个体的数量,N为樽海鞘种群中的樽海鞘个体的总数量,G和M均为大于或等于2的自然数。
结合第一方面的第一种可能实现方式或第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置,包括:
通过迭代更新确定每个子群的食物的位置;
比较樽海鞘种群的食物的位置的适应度,以及子群的食物的位置的适应度,更新樽海鞘种群的食物的位置,种群重新划分子群并更新樽海鞘种群的食物的位置,直到种群的迭代更新次数达到预定的第一最大迭代次数,或者更新的种群的食物的位置的适应度达到预定的第一适应度要求。
结合第一方面的第三种可能实现方式,在第一方面的第四种可能实现方式中,通过迭代更新确定每个子群的食物的位置,包括:
计算更新了位置后的子群中的樽海鞘个体的适应度;
根据所计算的樽海鞘个体的适应度更新子群的食物的位置;
根据迭代完成后的食物的位置重新更新领导者的位置和追随者的位置,直到完成预定的第二最大迭代次数的迭代,或者,更新的食物的位置的适应度达到预定的第二适应度要求,确定该子群的食物的位置。
结合第一方面,在第一方面的第五种可能实现方式中,根据当前的食物的位置,更新领导者的位置,包括:
根据当前的食物的位置,结合更新前的领导者的位置,得到更新后的领导者的位置。
结合第一方面的第五种可能实现方式,在第一方面的第六种可能实现方式中,根据当前的食物的位置,结合更新前的领导者的位置,得到更新后的领导者的位置,包括:
根据公式:
,确定更新后的领导者的位置,其中,j=1,2,...,J,φ为迭代次数,为第φ次迭代后领导者S1中第j维变量的位置,fj(φ-1)为第φ-1次迭代后目标食物中第j维变量的位置,参数c2,c3∈[0,1]是服从均匀分布的随机变量,参数c1为收敛因子,r∈[0,1]表示服从均匀分布的随机变量,ubj表示搜索空间的上界的第j维变量,lbj表示搜索空间的下界的第j维变量,round[]表示取整数。
本申请实施例的第二方面提供了一种交通事故的应急车辆调度装置,所述装置包括:
信息获取单元,用于获取应急调度场景中的交通事故信息与救援车辆信息,根据所述交通事故信息和救援车辆信息初始化樽海鞘种群中的樽海鞘个体的位置;
适应度计算单元,用于根据所述樽海鞘种群中的樽海鞘个体的位置,计算樽海鞘个体的适应度;
位置确定单元,用于根据所述樽海鞘个体的适应度,确定当前的食物的位置、领导者的位置和追随者的位置;
迭代计算单元,用于根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置;
调度单元,用于根据迭代完成后的食物的位置确定调度策略进行应急调度。
本申请实施例的第三方面提供了交通事故的应急车辆调度设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请获取交通事故信息与救援车辆信息,以初始化樽海鞘个体的位置(或称为个体的位置),根据个体的位置计算个体的适应度,根据所计算的适应度,确定当前的食物的位置、领导者的位置和追随者的位置,根据当前的食物的位置,更新领导者的位置和追随者的位置,并重新计算个体的适应度和更新食物的位置,根据更新的食物的位置更新领导者的位置和追随者的位置,通过多次迭代到满足要求后,得到迭代完成后的食物的位置,根据迭代完成后的食物的位置对应的调度策略进行应急车辆调度。通过将调度的决策变量和约束条件以樽海鞘群个体的位置进行编码,通过对樽海鞘种群的食物的位置、领导者的位置和追随者的位置进行迭代更新的方式,确定迭代后的食物的位置来获取最优的调度策略,不受实际因素的约束,从而能够得到更优性能的应急车辆调度策略,提升救援的满意度。
进一步的实现方式包括,在确定领导者的位置和追随者的位置的实现过程中,通过将樽海鞘种群进行分组,比如可以分为G个子群。通过G条樽海鞘链进行并行的探索,能够扩大探索的区域,从而增加获得最优解的可能性。
进一步的实现方式中,本申请实施例在对领导者的位置进行更新时,加入基于迭代前领导者位置和食物位置的飞行策略,保留迭代前领导者的位置信息,从而减少了对初始的食物的位置的依赖,能够有效的扩大搜索范围,使领导者的搜索范围更加充分,从而能够进一步提升寻优性能。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种交通事故应急车辆调度场景示意图;
图2是本申请实施例提供的一种交通事故应急车辆调度方法的实现流程示意图;
图3是本申请实施例提供的樽海鞘序列示意图;
图4是本申请实施例提供的分组后的子群示意图;
图5是本申请实施例提供的一种改进的交通事故应急车辆调度方法的实现流程示意图;
图6是本申请实施例提供的事故参数表格示意图;
图7是本申请实施例提供的应急车辆的行程时间示意图;
图8是本申请实施例提供的算例中的应急车辆和事故编号的对应关系示意图;
图9是本申请实施例提供的一种初始化的参数示意图;
图10是本申请实施例提供的一种最优解示意图;
图11是本申请实施例提供的算例1的最优解对应的调度方案示意图;
图12是本申请实施例提供的算例2的最优解对应的调度方案示意图;
图13是本申请实施例提供的算例3的最优解对应的调度方案示意图;
图14是本申请实施例提供的改进前和改进后的方法的实施效果示意图;
图15是本申请实施例提供的一种交通事故的应急车辆调度装置的示意图;
图16是本申请实施例提供的交通事故的应急车辆调度设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1为本申请实施例所述的交通事故的应急调度方法的实施场景示意图。如图1所示,包括两辆应急车辆(实际情况可能更多)和两起交通事故(实际情况可能更多),考虑到交通事故严重程度、交通事故需求、应急车辆储备、行程时间等多种因素的约束,为各交通事故派遣救援车辆。
数据描述为:路网内发生的I起事故构成集合A,ai∈A表示第i起事故,ai对于某一种应急车辆的需求数量为qi,事故严重程度为si。路网内配置的J辆应急车辆构成集合V,vj∈V表示第j辆车。vj∈V到ai∈A的行程时间为Tj,i。
应急车辆调度的决策变量为xj,i,表示应急车辆vj是否派往事故ai。若vj派往ai,则xj,i=1,否则xj,i=0。
应急车辆调度的目标函数为使带事故严重程度加权的行程时间最短,模型的目标函数可以如式(1)所示:
对于该目标函数,使派往事故ai的应急车辆数量满足需求qi,即式(2):
应急车辆vj存在两种状态,即被派往某一事故ai或者空闲(不被派出),即式(3):
派往各事故的应急车辆与空闲车辆之和为J,可以表示为式(4):
图2为本申请实施例提供的一种交通事故的应急车辆调度方法的实现流程示意图,如图2所示,该方法包括:
在S201中,获取应急调度场景中的交通事故信息与救援车辆信息,根据所述交通事故信息和救援车辆信息初始化樽海鞘种群中的樽海鞘个体的位置。
所述应急调度场景中的交通事故信息,可以包括交通事故严重程度、交通事故需求信息、交通事故位置信息等。应急车辆信息包括应急车辆数量信息、应急车辆位置信息、应急车辆到达各事故的行程时间信息等。
由于应急车辆调度模型的决策变量为0-1变量xj,i,表示应急车辆vj是否派往事故ai。将该决策变量编码为整型变量xj,表示应急车辆vj的调度策略。vj可以派往事故ai,i=1,2,...,I或为空闲车辆,因此,编码为整型变量后的xj的可行域为{1,2,...,i,...,I,I+1}。当xj=i时,vj派往事故ai;当xj=I+1时,vj为空闲车辆。由此,樽海鞘种群的位置可表示为矩阵(5)。
X=[X1,X2,...,Xn,...,XN]T,Xn=[xn,1,xn,2,...,xn,j,...,xn,J],
xn,j={1,2,...,i,...,I,I+1} (5)
其中,Xn表示樽海鞘种群中的第n个樽海鞘个体的位置,X表示樽海鞘种群的位置矩阵,xn,j表示第n个樽海鞘个体的第j维变量的位置,即应急车辆vj是否派往事故ai,T表示矩阵的转置,n大于0且小于或等于N,其中,N为樽海鞘种群中的樽海鞘个体的总数量。矩阵(5)可满足约束条件式(3)和约束条件式(4)。
可以通过随机的初始化策略,确定樽海鞘个体的初始位置。初始化策略可以如式(6):
xj(0)=r×(ubj-lbj)+lbj j=1,2,...,J (6)
其中,xj(0)表示初始化的樽海鞘个体的第j维变量的位置,ubj表示樽海鞘个体的第j维变量的上界,lbj表示樽海鞘个体的第j维变量的下界,J表示樽海鞘个体的总维数,即应急车辆的数量,r∈[0,1]是服从均匀分布的随机变量。
在S202中,根据所述樽海鞘种群中的樽海鞘个体的位置,计算樽海鞘个体的适应度。
该适应度函数与目标函数(1),以及约束条件(2)相关,可以如式(7)所示:
其中,f表示适应度函数,Tj,i表示应急车辆vj∈V到交通事故ai∈A的行程时间,xj,i表示车辆vj∈V是否派往到交通事故ai∈A的决策变量,MM表示设置的常数,该常数的数值大于预定值,比如该常数大于100,比如可以为1000或10000等数值。
可以根据该适应度函数计算樽海鞘种群中的每个樽海鞘个体的适应度。
在S203中,根据所述樽海鞘个体的适应度,确定当前的食物的位置、领导者的位置和追随者的位置。
在可能的实现方式中,可以根据所计算的樽海鞘个体的适应度,将所有的樽海鞘个体按照适应度从小到大的顺序进行排序,选择适应度最优(适应度最小,原因是实施例为最小化问题)的个体的位置作为当前食物的位置F。
可以根据预先确定的领导者确定策略,确定樽海鞘种群中的领导者的位置和追随者的位置。比如,可以在排序中,选择适应度较优的N/2个樽海鞘个体的位置作为领导者的位置,将排序中的适应度较差的N/2个樽海鞘个体的位置作为追随者的位置。
在S204中,根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置。
在确定了当前食物的位置后,可以根据预先确定的领导者更新策略,以及追随者更新策略,对领导者和追随者的位置进行更新。
其中,领导者的位置更新策略可以如式(8)所示:
式中,φ为当前迭代次数,为第φ次迭代后领导者S1中第j维变量的位置,fj(φ-1)为第φ-1次迭代后食物中第j维变量的位置。参数c2,c3∈[0,1]是服从均匀分布的随机变量,参数c1为收敛因子,用于平衡领导者的探索与开发能力。当c1>1时,种群中的领导者开展全局探索,当c1<1时,则进行局部开发。为使算法在前期迭代中进行全局寻优,以确保前期探索更为充分;而在后期迭代中进行局部寻优,从而获得精确的估计值,c1由一个在(2,0)区间内递减的函数获得,如式(9)所示。
其中,φ为当前迭代次数,Φ为种群最大迭代次数。
追随者的位置更新策略为顺次跟随移动的策略,运动距离仅与其初始速度、运动时间和加速度有关。追随者在一次迭代中的位移L可由式(10)获得:
在每次迭代开始时追随者的初始速度v0=0;运动时间t=φ-(φ-1)=1,其中,φ为当前迭代次数;加速度为:
由于追随者跟着紧挨自己的前一个樽海鞘运动,因此第z个樽海鞘个体的速度为:
其中,z为追随者的序号,Xz是第z个追随者Sz的位置,Xz-1是z所跟随的前一个樽海鞘的位置。式(10)—(12)中v0=0,t=1,则
根据所确定的食物的位置,以及更新后的领导者的位置、追随者的位置,进行迭代计算,即重新计算樽海鞘个体的适应度,根据所计算的适应度重新确定食物的位置,以及领导者的位置和追随者的位置,直到完成最大的迭代次数Φ,或者适应度值达到了终止门限。
在S205中,根据迭代完成后的食物的位置确定调度策略进行应急调度。
在迭代完成后,即完成最大的迭代次数,或者适应度达到了终止门限后,根据当前所确定的食物位置,即为交通事故的最优应急车辆调度方案。根据食物位置中包括的J维向量的数值,确定各应急车辆的调度方案。
比如,食物位置J维向量为7维向量[5,5,6,2,6,3,4],那么,该食物位置对应的调度策略为,车辆1和车辆2用于救援事故5,车辆4用于救援事故2,车辆6用于救援事故3,车辆7用于救援事故4。
在本申请实施例中,为了能够进行更为充分的探索,在确定领导者的位置和追随者的位置的实现过程中,可以将樽海鞘种群进行分组,比如可以分为G个子群。通过G条樽海鞘链进行并行的探索,能够扩大探索的区域,从而增加获得最优解的可能性。
在可能的实现方式中,种群的分组策略为:
根据适应度值从小到大的顺序排序后得到的矩阵为X=[X1',X2',...,Xn',...,XN']T。将N个樽海鞘分为G个子群,每个子群中的樽海鞘数量为M。分组策略如式(15)所示。
其中,Gxg,m为第g个子群中第m个樽海鞘个体的位置。
假设樽海鞘总数为N=12个,子群数G=3,子群中的樽海鞘数量M=4,根据适应度从小到大排序后的种群位置可以如图3所示。
按照式(15)所示的分组策略,可以得到图4所示的子群示意图。如图4所示,第1个、第6个、第9个和第12个樽海鞘个体划分为一个子群,第2个、第5个、第8个和第11个樽海鞘个体划分为一个子群,第3个、第4个、第7个和第10个樽海鞘个体划分为一个子群。
由于所划分的每个子群中均包括有适应度较优和较差的个体,从而能够保证每个子群中个体的多样性,使子群不容易过早的收敛则陷入局部最优。另外,子群与子群之间的平均适应度较为接近,能够保证各子群中初始个体的优势较为均衡。
在进行领导者的位置更新时,如果通过在食物位置上增加正向或负向的振动而形成新的领导者位置,会过度依赖食物的初始位置。如果初始位置好,则算法容易获得全局最优解,反之,则容易陷入局部极值。
为了减少对初始的食物的位置的依赖,本申请实施例加入基于迭代前领导者位置和食物位置的飞行策略,保留迭代前领导者的位置信息,扩大搜索范围,使领导者的搜索范围更加充分,从而能够进一步提升寻优性能。其中,领导者S1的位置更新规则如式(16)所示。
其中,round[]表示取整,fj(φ-1)为第φ-1次迭代后食物中第j维变量的位置,参数c2,c3∈[0,1]是服从均匀分布的随机变量,参数c1为收敛因子,用于平衡领导者的探索与开发能力。当c1>1时,种群中的领导者开展全局探索,当c1<1时,则进行局部开发。为使算法在前期迭代中进行全局寻优,以确保前期探索更为充分;而在后期迭代中进行局部寻优,从而获得精确的估计值,c1由一个在(2,0)区间内递减的函数获得,且φ为当前迭代次数,Φ为种群最大迭代次数。
相应地,追随者的位置可以根据式(17)进行更新。
图5为本申请实施例提供的一种确定食物位置的实现流程示意图,如图5所示,该流程包括:
在S501中,初始化参数。
所初始化的参数可以包括子群个数G,每个子群中樽海鞘个体的数量M,种群最大迭代次数Φ,子群最大迭代次数Φ1,问题的维数J,搜索空间的上界ub=[ub1,ub2,...,ubj,...,ubJ]和下界lb=[lb1,lb2,...,lbj,...,lbJ]。
在S502中,初始化种群Xn,n=1,2,...,N。
对于种群中的每个樽海鞘个体,可以采用随机参数初始化的方式,确定樽海鞘个体的初始位置。比如,可以根据式(6)确定樽海鞘个体的初始位置。
在S503中,计算每一个个体Xn的适应度值。
可以根据适应度计算公式,即根据式(7)计算樽海鞘个体的适应度值。
在S504中,根据适应度值从小到大排序。
根据式(7)所计算的适应度值,按照从小到大的顺序进行排序,可便于后续的食物位置确定以及子群的分割。
在S505中,标记种群最优位置F及其适应度fF。
根据适应度排序,选择适应度最优的位置F作为种群的食物位置。并标记该最优位置所对应的适应度fF。
在S506中,将种群分为G个子群。
可以根据预先确定的分组策略,即式(15)所示的分组策略,对排序后的种群进行分组,确定所分组后的各个子群。
在S507中,标记子群的食物位置Fg及其适应度fFg。
根据分组后的子群的适应度大小,选择子群中的最优位置作为食物位置,并标记该位置所对应的适应度fFg。
在S508中,更新子群中领导者位置。
根据所标记的食物位置,以及更新前的领导者的位置,可以结合式(16)对领导者的位置进行更新。
在S509中,更新子群中追随者的位置。
可以根据式(17)对子群中的追随者的位置进行更新计算。
在S510中,计算子群中每一个个体Gx的适应度值fGx。
根据子群中所更新的领导者的位置和追随者的位置,可以根据式(7)重新计算子群中的每个樽海鞘个体Gx的适应度值fGx。
在S511中,比较fGx和fFg。
将子群中的食物的适应度值fFg,与更新了位置后所计算的每个樽海鞘个体的适应度值进行比较,如果查找到个体的适应度小于食物的适应度值,则进入S512,将Gx记为当前子群最优位置并更新fFg。如果没有查找到个体的适应度小于食物的适应度,则进入S513,将φ1更新为φ1+1。
在S514中,比较φ1与Φ1。
即判断子群的当前迭代次数φ1与子群最大迭代次数Φ1。如果φ1小于或等于Φ1,则返回S508,如果φ1大于Φ1,则表示该子群的迭代次数已最大,可进入S515,比较fFg与fF,即比较子群中的食物的适应度fFg,与种群的食物的适应度fF。如果子群中的食物的适应度fFg小于种群的食物的适应度fF,则进入S516,将子群中的食物的适应度更新至种群的食物的适应度fF。如果子群中的食物的适应度fFg大于或等于种群的食物的适应度fF,则进入S517,将子群序号加1,即g=g+1,以对下一个子群中的食物的位置、领导者和追随者的位置进行迭代更新。
在S518中,比较子群序号g与子群总数G。
如果子群序号g大于子群总数G,则表示当前已经完成所有子群的迭代计算,则进入S519,对种群的迭代次数进行加1操作,即将种群的当前迭代次数φ更新为φ+1,并进入种群迭代次数的比较S520。如果子群序号g小于或等于子群总数G,则返回S507,继续对第g个子群进行迭代计算。
在S520中,比较种群当前迭代次数φ与种群最大迭代次数Φ。
如果种群当前迭代次数φ大于种群最大迭代次数Φ,则结束计算。如果种群当前迭代次数φ小于或等于种群最大迭代次数Φ,则返回S506继续对种群进行迭代计算,直到当前迭代次数φ大于种群最大迭代次数Φ。
为了验证本申请实施例图5所述的交通事故的应急车辆调度方法相对于其它调度方法的优越性,本申请实施例提供了三个调度算例进行性能验证。如图6所示为事故参数表格示意图,在该表格中记录了8个事故,并分别记录了这8个事故的事故等级、事故严重程度以及事故需求等信息。
图7记录了17个应急车辆分别到8个事故的行程时间,表格中的时间单位为分钟,是指各应急车辆行驶到各事故所需要的时间,如应急车辆1行驶到事故1所需的时间为31.2925分钟。
本申请实施例所采用的三个算例中,每个算例所包括的应急车辆和事故编号的对应关系如图8所示。算例1中的应急车辆为1-12,事故编号对应1-5,算例2中的应急车辆为1-15,事故编号对应1-7,算例3中的应急车辆为1-17,事故编号对应1-8。
采用图5所示的改进的樽海鞘群算法,所设置的参数如图9所示,所设定的参数包括樽海鞘总数、子群数、种群最大迭代次数、子群最大迭代次数、问题维数、常数MM值、搜索空间上界和搜索空间下界。对于三个算例,分别给出了不同的、与问题维数对应的搜索空间上界和搜索空间下界。
基于图9所示的初始化参数,可计算得到图10所示的改进的樽海鞘算法所获得的最优解。该最优解的表格中,向量的位置表示应急车辆序号,向量的数值表示事故序号或空闲。
比如,算例1中的最优解对应的调度方案如图11所示,该最优解表示:事故1的救援车辆为1辆(车辆12);事故2的救援车辆为2辆(车辆4和8);事故3的救援车辆为2辆(车辆6和10);事故4的救援车辆为1辆(车辆7);事故5的救援车辆为2辆(车辆1和2)。
算例2中的最优解对应的调度方案如图12所示,该最优解表示:事故1的救援车辆为1辆(车辆14);事故2的救援车辆为2辆(车辆4和15);事故3的救援车辆为2辆(车辆3和13);事故4的救援车辆为1辆(车辆11);事故5的救援车辆为2辆(车辆2和5);事故6的救援车辆为2辆(车辆6和10);事故7的救援车辆为1辆(车辆9)。
算例3中的最优解对应的调度方案如图13所示,该最优解表示:事故1的救援车辆为1辆(车辆1);事故2的救援车辆为2辆(车辆11和15);事故3的救援车辆为2辆(车辆10和13);事故4的救援车辆为1辆(车辆5);事故5的救援车辆为2辆(车辆14和16);事故6的救援车辆为2辆(车辆3和12);事故7的救援车辆为1辆(车辆7);事故8的救援车辆为2辆(车辆2和4)。
另外,本申请实施例还对图5所示的改进的樽海鞘群算法与未改进之前的樽海鞘群算法、以及目前常用的粒子群算法进行了比较。通过运行算法并统计计算性能,将图5所示的改进樽海鞘群算法(按照式15改进了分组和按照式16改进了领导者的位置更新方式)与原樽海鞘群算法(未改进分组和领导者的位置更新方式)以及粒子群算法进行比较,如图14所示,改进后的樽海鞘群算法,相对于未改进算法和粒子群算法,最优适应度值、最差适应度值、平均适应度值等均有了明显的改善。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图15为本申请实施例提供的一种交通事故的应急车辆调度装置的示意图。如图15所示,该装置包括:
信息获取单元1501,用于获取应急调度场景中的交通事故信息与救援车辆信息,根据所述交通事故信息和救援车辆信息初始化樽海鞘种群中的樽海鞘个体的位置;
适应度计算单元1502,用于根据所述樽海鞘种群中的樽海鞘个体的位置,计算樽海鞘个体的适应度;
位置确定单元1503,用于根据所述樽海鞘个体的适应度,确定当前的食物的位置、领导者的位置和追随者的位置;
迭代计算单元1504,用于根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置;
调度单元1505,用于根据迭代完成后的食物的位置确定调度策略进行应急调度。
图15所示的交通事故的应急车辆调度装置,与图2所示的交通事故的应急车辆调度方法对应。
图16是本申请一实施例提供的交通事故的应急车辆调度设备的示意图。如图16所示,该实施例的交通事故的应急车辆调度设备16包括:处理器160、存储器161以及存储在所述存储器161中并可在所述处理器160上运行的计算机程序162,例如交通事故的应急车辆调度程序。所述处理器160执行所述计算机程序162时实现上述各个交通事故的应急车辆调度方法实施例中的步骤。或者,所述处理器160执行所述计算机程序162时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序162可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器161中,并由所述处理器160执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序162在所述交通事故的应急车辆调度设备16中的执行过程。
所述交通事故的应急车辆调度设备16可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述交通事故的应急车辆调度设备可包括,但不仅限于,处理器160、存储器161。本领域技术人员可以理解,图16仅仅是交通事故的应急车辆调度设备16的示例,并不构成对交通事故的应急车辆调度设备16的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述交通事故的应急车辆调度设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器160可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器161可以是所述交通事故的应急车辆调度设备16的内部存储单元,例如交通事故的应急车辆调度设备16的硬盘或内存。所述存储器161也可以是所述交通事故的应急车辆调度设备16的外部存储设备,例如所述交通事故的应急车辆调度设备16上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器161还可以既包括所述交通事故的应急车辆调度设备16的内部存储单元也包括外部存储设备。所述存储器161用于存储所述计算机程序以及所述交通事故的应急车辆调度设备所需的其他程序和数据。所述存储器161还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种交通事故的应急车辆调度方法,其特征在于,所述方法包括:
获取应急调度场景中的交通事故信息与救援车辆信息,根据所述交通事故信息和救援车辆信息初始化樽海鞘种群中的樽海鞘个体的位置;
根据所述樽海鞘种群中的樽海鞘个体的位置,计算樽海鞘个体的适应度;
根据所述樽海鞘个体的适应度,确定当前的食物的位置、领导者的位置和追随者的位置;
根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置;
根据迭代完成后的食物的位置确定调度策略进行应急调度。
2.根据权利要求1所述的方法,其特征在于,根据所述樽海鞘个体的适应度,确定当前的领导者的位置和追随者的位置,包括:
根据所述樽海鞘个体的适应度,将所述樽海鞘个体划分至两个或两个以上的子群;
根据每个子群中的樽海鞘个体的适应度,确定每个子群中的食物的位置、领导者的位置和追随者的位置,以及确定樽海鞘种群的食物的位置。
4.根据权利要求2或3所述的方法,其特征在于,根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置,包括:
通过迭代更新确定每个子群的食物的位置;
比较樽海鞘种群的食物的位置的适应度,以及子群的食物的位置的适应度,更新樽海鞘种群的食物的位置,种群重新划分子群并更新樽海鞘种群的食物的位置,直到种群的迭代更新次数达到预定的第一最大迭代次数,或者更新的种群的食物的位置的适应度达到预定的第一适应度要求。
5.根据权利要求4所述的方法,其特征在于,通过迭代更新确定每个子群的食物的位置,包括:
计算更新了位置后的子群中的樽海鞘个体的适应度;
根据所计算的樽海鞘个体的适应度更新子群的食物的位置;
根据迭代完成后的食物的位置重新更新领导者的位置和追随者的位置,直到完成预定的第二最大迭代次数的迭代,或者,更新的食物的位置的适应度达到预定的第二适应度要求,确定该子群的食物的位置。
6.根据权利要求1所述的方法,其特征在于,根据当前的食物的位置,更新领导者的位置,包括:
根据当前的食物的位置,结合更新前的领导者的位置,得到更新后的领导者的位置。
8.一种交通事故的应急车辆调度装置,其特征在于,所述装置包括:
信息获取单元,用于获取应急调度场景中的交通事故信息与救援车辆信息,根据所述交通事故信息和救援车辆信息初始化樽海鞘种群中的樽海鞘个体的位置;
适应度计算单元,用于根据所述樽海鞘种群中的樽海鞘个体的位置,计算樽海鞘个体的适应度;
位置确定单元,用于根据所述樽海鞘个体的适应度,确定当前的食物的位置、领导者的位置和追随者的位置;
迭代计算单元,用于根据当前的食物的位置,更新领导者的位置和追随者的位置,重新计算樽海鞘个体的适应度并更新食物的位置,根据迭代完成后的食物的位置更新所述领导者的位置和追随者的位置,直到完成预定的第一最大迭代次数的迭代,或者更新的食物的位置的适应度达到预定的第一适应度要求,得到迭代完成后的食物的位置;
调度单元,用于根据迭代完成后的食物的位置确定调度策略进行应急调度。
9.一种交通事故的应急车辆调度设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925319.5A CN113537833B (zh) | 2021-08-12 | 2021-08-12 | 交通事故的应急车辆调度方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925319.5A CN113537833B (zh) | 2021-08-12 | 2021-08-12 | 交通事故的应急车辆调度方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537833A true CN113537833A (zh) | 2021-10-22 |
CN113537833B CN113537833B (zh) | 2023-08-22 |
Family
ID=78122333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925319.5A Active CN113537833B (zh) | 2021-08-12 | 2021-08-12 | 交通事故的应急车辆调度方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537833B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627667A (zh) * | 2022-05-12 | 2022-06-14 | 浙江高信技术股份有限公司 | 一种用于高速公路的预警车辆控制方法、服务器及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8792905B1 (en) * | 2012-03-01 | 2014-07-29 | Google Inc. | Location monitoring using clusters of entities |
CN111274020A (zh) * | 2020-02-24 | 2020-06-12 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
CN111338757A (zh) * | 2020-02-24 | 2020-06-26 | 武汉轻工大学 | 能量优化的虚拟机部署方法及系统 |
CN111367661A (zh) * | 2020-02-24 | 2020-07-03 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
CN111476338A (zh) * | 2020-04-17 | 2020-07-31 | 西安电子科技大学 | 一种基于樽海鞘群优化算法的粒子滤波方法和滤波系统 |
-
2021
- 2021-08-12 CN CN202110925319.5A patent/CN113537833B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8792905B1 (en) * | 2012-03-01 | 2014-07-29 | Google Inc. | Location monitoring using clusters of entities |
CN111274020A (zh) * | 2020-02-24 | 2020-06-12 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
CN111338757A (zh) * | 2020-02-24 | 2020-06-26 | 武汉轻工大学 | 能量优化的虚拟机部署方法及系统 |
CN111367661A (zh) * | 2020-02-24 | 2020-07-03 | 武汉轻工大学 | 基于樽海鞘群的云任务调度方法、装置、设备及存储介质 |
CN111476338A (zh) * | 2020-04-17 | 2020-07-31 | 西安电子科技大学 | 一种基于樽海鞘群优化算法的粒子滤波方法和滤波系统 |
Non-Patent Citations (4)
Title |
---|
SEYEDALI MIRJALILI 等: ""Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems"", 《ADVANCES IN ENGINEERING SOFTWARE》, vol. 114, pages 163 - 191, XP085268237, DOI: 10.1016/j.advengsoft.2017.07.002 * |
段晓红: ""基于樽海鞘群算法的应急救援供给点选择"", vol. 43, no. 7, pages 79 - 82 * |
赵凯: ""樽海鞘与哈里斯鹰优化算法的改进及应用"", no. 7, pages 140 - 107 * |
陈雷 等: "基于衰减因子和动态学习的改进樽海鞘群算法", 《控制理论与应用》, vol. 37, no. 08, pages 1766 - 1780 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627667A (zh) * | 2022-05-12 | 2022-06-14 | 浙江高信技术股份有限公司 | 一种用于高速公路的预警车辆控制方法、服务器及系统 |
CN114627667B (zh) * | 2022-05-12 | 2022-07-29 | 浙江高信技术股份有限公司 | 一种用于高速公路的预警车辆控制方法、服务器及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113537833B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321910B (zh) | 面向点云的特征提取方法、装置及设备 | |
CN111581046A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
CN112181971A (zh) | 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质 | |
CN110046634B (zh) | 聚类结果的解释方法和装置 | |
CN112328715B (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN111784699B (zh) | 一种对三维点云数据进行目标分割方法、装置及终端设备 | |
US20200184245A1 (en) | Improper neural network input detection and handling | |
CN112818690A (zh) | 结合知识图谱实体信息的语义识别方法、装置及相关设备 | |
CN112819157B (zh) | 神经网络训练的方法及装置、智能行驶控制的方法及装置 | |
CN110689440A (zh) | 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质 | |
CN108537270A (zh) | 基于多标签学习的图像标注方法、终端设备及存储介质 | |
CN113537833A (zh) | 交通事故的应急车辆调度方法、装置及设备 | |
CN114896067A (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
CN109345373A (zh) | 核销风险预警方法、装置、电子设备及计算机可读介质 | |
CN114781654A (zh) | 联邦迁移学习方法、装置、计算机设备及介质 | |
CN112037174B (zh) | 染色体异常检测方法、装置、设备及计算机可读存储介质 | |
CN117575044A (zh) | 数据遗忘学习方法、装置、数据处理系统和存储介质 | |
CN116527398A (zh) | 物联网卡风险识别方法、装置、设备及存储介质 | |
CN114115150B (zh) | 基于数据的热泵系统在线建模方法及装置 | |
CN115392535A (zh) | 多条公交线路的排班表优化方法、装置及相关设备 | |
CN113128574A (zh) | 场景缩减方法、装置及终端设备 | |
CN108764301A (zh) | 一种基于反向稀疏表示的混凝土裂缝检测方法 | |
CN111563504B (zh) | 车牌识别方法及相关设备 | |
CN115982634A (zh) | 应用程序分类方法、装置、电子设备及计算机程序产品 | |
CN109947939B (zh) | 文本分类方法、电子设备和计算机可读存储介质 |
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 |