CN114048913B - 一种基于粒子群算法和遗传算法混合的救援规划方法 - Google Patents
一种基于粒子群算法和遗传算法混合的救援规划方法 Download PDFInfo
- Publication number
- CN114048913B CN114048913B CN202111374818.6A CN202111374818A CN114048913B CN 114048913 B CN114048913 B CN 114048913B CN 202111374818 A CN202111374818 A CN 202111374818A CN 114048913 B CN114048913 B CN 114048913B
- Authority
- CN
- China
- Prior art keywords
- rescue
- road
- cost
- dispatching center
- accident
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 230000002068 genetic effect Effects 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 13
- 239000000203 mixture Substances 0.000 title abstract description 6
- 239000000463 material Substances 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—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
- 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Genetics & Genomics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于粒子群算法和遗传算法混合的救援规划方法。属于资源调度路径优化领域,步骤:将城市进行网点规划;在网格化城市时要将重点的地点进行标记;当执行任务时,调度中心接收实时道路情况,在网图上做出标记;当救援任务下达到调度中心时,调度中心根据救援任务的紧急程度做出事故评级,事故评级用来设定最大救援成本;设置优先值,救援力量选择救援路径到达事故点救援,再将伤重者送往医院,最后返回调度中心。本发明对潜在的调度路径进行网格化建模;将出勤救援期间的道路的情况(可通行,拥挤情况)进行汇总,避开不可行道路;使用遗传算法计算出不同路径之间的成本;此发明为资源调度路径优化方面的研究提供新的思路。
Description
技术领域
本发明属于路径规划领域,涉及一种基于粒子群算法和遗传算法混合的救援规划方法,特别是涉及一种基于多救援点,单目的地点以及事故点的救援路径选择和可能存在的资源调度问题的处理方法。
背景技术
城市突发交通事件由于具有随机性和不可预测性,通常会造成较大的经济损失、车辆延误和交通拥堵;随着城市区域的扩展和汽车保有量的急速增长,城市路网上每年由突发公共交通事件造成大量的交通延误和拥堵,因此事件发生后要求救援车辆和人员必须尽快赶赴现场对车辆进行施救;但救援服务点与事故点之间的最短道路会出现交通拥堵或者是修路而不能行驶的问题往往会增加救援车辆的行程时间,从而可能导致最佳救援时机的错过及所带来的交通的拥堵;救援调度对交通事故车辆救援来说相当重要;路径规划与资源调度直接对救援的效率、质量、成本等方面产生影响,进而影响到城市交通效率和救援服务企业的运营管理;好的调度方案能够对救援行动的时效性及高效性提供保障,预防及减少二次事故,降低救援车辆的运营费用和成本,减少相应的交通拥堵和交通延误,降低交通事故的间接经济损失,确保交通安全、畅通,提高交通运输效率。
目前的救援主要方向在于救援时间短,成本低;1)、以运输成本最小化为目标的救援物资配送问题;2)、以运输时间最短为优化目标的问题,以运输成本最小化为目标的应急物流运输模型;3)、考虑多目标情景优化研究,构建了应急物资需求模糊情境下的选址与运输多式联运配置优化模型。
遗传算法由借鉴了生物进化论中的遗传、杂交、变异以及自然选择等现象,根据优胜劣汰、适者生存的自然法则规定搜索方向,以此迭代,最终获得具有最大适应度个体作为最优解输出;遗传算法的优点是求解结果稳定,计算效率高,但是存在局部搜索能力很弱,在接近最优解后,达到最优解还需要一段时间的缺陷;另外,如果适应度函数选择不当,遗传算法常常收敛于局部最优,无法实现全局最优,在本发明中将遗传算法用于资源调度方面的优化。粒子群算法的基本概念起源于对鸟群觅食行为的研究,近年来在函数优化、大地测量等众多领域得到了广泛的应用;该算法目前逐渐发展,但是算法本身会容易出现“早熟”的情况,因此会设置较优的学习因子以及惯性因子来避免此类情况发生,将粒子群算法进行简单优化后,用于救援路径的规划来让其优势发挥最大。
发明内容
发明目的:本发明目的在于解决现有的救援方案可能存在救援时间不及时和成本过高的问题,在此基础上提供一种基于资源约束问题的路径调度方法。本发明以粒子群算法和遗传算法混合运算;遗传算法偏向重于资源的调度,粒子群算法偏向于路径的规划。
技术方案:本发明所述的一种混合粒子群算法和遗传算法的救援规划算法;具体操作步骤如下:
(1)、将城市进行网点规划,标注好每条街道及十字路口;并标记好点与点之间的距离;
(2)、在网格化城市时要将重点的地点进行标记,
其中,重点的地点包括城市存在的多个调度中心,不同的调度中心的资源不同且有限,当事故要求的资源超过任何单一调度中心的资源后,则需多个调度中心共同执行救援任务;此外,若需求的资源数量小于所有调度中心的资源总和,则需有限安排以较低成本来执行救援的调度中心;
(3)、当执行任务时,调度中心接收实时道路情况且配合网格化后的城市地图,在网图上做出标记;
当道路的情况出现路口无法通行,或是两个节点之间道路阻塞导致拥挤;为区分可通行和无法通行的节点,使用0和1来标注;
其中,若节点即十字路口出现无法通行的情况,会导致节点周围的路都将无法通行,而若节点之间的道路阻塞则不影响节点周围的道路;
(4)、当救援任务下达到调度中心时,调度中心根据救援任务的紧急程度做出事故评级,事故评级用来设定最大救援成本;若是达到最高等级的话将不考虑成本,则所有的救援力量将全部出勤;
其中,所有的救援任务结束需在规定的救援时间之前到达调度中心;此外根据事故的类型,进行救援物资的携带,救援物资的使用和损耗都会带来救援成本;
(5)、设置优先值,即综合道路长度及道路拥挤程度,网点之间道路的优先值,用于通过路径选择的调度;当即将执行任务时,可通行的道路上会有不同的道路拥挤情况,拥挤程度会造成等待时间;通过权衡绕路和等待的时间进行选择道路;救援力量到达后先进行简易的治疗,将需就医者送往目的地,救援任务完成后,则返回调度中心。
进一步的,在步骤(1)中,所述将城市进行网点规划是指:将实际生活的道路进行网格化,且标注好每个路口以及网点之间的距离,为道路规划通过依据和参数。
进一步的,在步骤(2)中,所述在网格化城市时要将重点的地点进行标记具体是:将绘制的网格化城市的道路节点进行编号,标记出调度中心、医院和随机的事故点;
所述执行救援任务具体是指:从调度中心出发到达事故点进行救援,然后将伤重者送往医院后返回调度中心;其中,在实施救援前,调度中心根据调度中心的救援力量来进行任务下达。
进一步的,在步骤(3)中,所述调度中心接收实时道路情况且配合网格化后的城市地图,并在网图上做出标记具体是:救援中心接受到救援任务,开始规划救援路径和携带的救援物资数量;路径规划从标注的救援点开始,前往事故点实施救援并将重伤者送往医院后返回;
其中,调度中心获取道路的路况信息,使用0和1来标记不可通行和可通行的节点;将阻塞道路的距离改为∞,其具体如下式所示:
式中,dij表示各路口节点的可否通行情况,i和j表示相邻节点;Disij表示可通行节点之间的道路长度;distance表示两个道路之间节点的距离。
进一步的,在步骤(4)中,所述通过调度中心根据救援任务的紧急程度做出事故评级,事故评级用来设定最大救援成本具体是指:
根据事故严重程度设定事故等级Urgent求出最大救援成本,如下式所示:
Z≤MaxCost*Urgent
式中,Z表示此次任务的最高救援成本;MaxCost表示每级的最大救援成本;Urgent表示书等级;
当规划的调度中心的救援力量大于事故点的需求量时,如下式所示:
t<T
式中,m调度中心的总个数,ri表示第i个救援节点的资源;R表示事故点的需求量;t表示预算的救援时间;T表示最大救援时间;
当得到此次救援成本后,需和根据事故等级设定最大救援成本进行比较;
另外,所述携带的救援物资需考虑救援车辆的车厢空间和物资的体积及使用成本,此处采用遗传算法来对救援物资的携带方案进行规划。
进一步的,在步骤(5)中,所述设置的优先值的求解具体是:
根据实时的道路情况,用0标出不可通行的节点,剩余节点用1表示;将阻塞道路的距离更改为∞;用k作为拥挤程度,从0-1之间取值,表示拥挤的程度;
其中,1表示畅通,0表示阻塞;使用Pr来表示道路的优先值,V表示正常情况下的救援车辆行驶速度,Vij表示实际通过i和j之间道路的速度。λt和λDis分别表示行驶的时间成本和距离成本,
具体如下式所示:Vij=V*k
有益效果:本发明与现有技术相比,本发明的特点:1、将城市道路情况进行网格化,清晰明了,便于在实际调度下给予参考;2、使用粒子群算法来对路径进行规划,可以利用该算法的优势高效快速地规划救援路径,并且在可能出现“早熟”的地方设计虚拟障碍物,使算法能避开局部最优解,拥有快速,鲁棒性强的特点;3、在救援车中携带救援物资,根据车厢空间和救援物品的体积大小,使用遗传算法来规划物资种类与数量,在满足基本需求的情况下,促使救援物资的使用成本最低;4、将路径规划,资源调度这两方面进行分开分析与优化,可以避免单一算法进行优化时会导致最后的结果无法相互权衡,导致会出现极小值加上极大值的情况,使最后的救援方案成本变高。
附图说明
图1是本发明的操作流程图;
图2是本发明中将城市进行网点规划的操作图;
图3是本发明中通过调度中心、事故点及救助点的路线示意图;
图4是本发明中通过调度中心、事故点及救助点道路堵塞的示意图。
具体实施方式
以下结合附图和具体实施例,对本发明做出进一步说明。
如图所述,本发明所述的一种基于粒子群算法和遗传算法混合的救援规划方法,具体操作步骤如下:
(1)、将城市进行网点规划,标注好每条街道及十字路口;并标记好点与点之间的距离,方便对日后可能需要救援情况做准备;
(2)、将城市地图进行网格化后,需要根据出勤的当时情况会出现路口无法通行,或者是两个节点之间无法通行;用0或1来标注,这里是以6*6的规模进行现实生活道路模拟,即标记点会有36个;从左上角到右下角,每层就是0-6,7-12,...,31-36;且调度中心是有多个,模拟情况下有两个即1和29号点,模拟的事故点是16号点,任务执行的目的地是医院处于20号点;
若是节点无法通行会导致节点周围的路都将无法通行,但是若节点之间的道路阻塞,则不会影响节点周围的道路;
(3)、网格化城市时要将重点的地点进行标记,其中,重点的地点包括城市存在的多个调度中心,不同的调度中心的资源不同且有限;在日常的工作流图中,存在多个调度中心,每个调度中心的资源都是有限的,当事故要求的资源超过任何单一库所的资源后,就需多救援点共同执行救援任务;
此外,若是需求的资源数量小于所有救援点的资源总和,那么就要有限安排可以较低成本来执行救援的支援点;
根据事故点的严重情况,需要不同的救援力量,因此模拟的两个网格化城市时要将重点的地点进行标记,其中,重点的地点包括城市存在的多个救援点,不同的救援点的资源不同有限且里的救援力量不同,以单纯的运输力量来分析;假定1号点的救援车辆是4辆,而29号点仅有2辆,但是需要紧急运输车辆5辆的话要考虑到多救援点合作救援,除救援车辆外,还有医疗资源,和工具资源等,需要使用遗传算法来编码,使在满足要求的情况下救援资源使用成本最低;
(4)、救援任务根据事故的紧急程度做出事故评级,进行出勤任务;
若是达到最高等级的话将不考虑成本,所有的救援力量将全部出勤;这里是考虑一般情况下的救援,是根据事故严重程度来设定最大救援成本,在不超最大救援成本的情况下实行救援任务。当然救援任务会有最晚救援时间,所有的救援任务结束必须在规定的救援时间之前到达救援点;
当救援任务下达后会有最晚救援开始时间,必须在规定的救援时间之前到达救援点;但不同时间点会发生部分道路堵塞,部分道路不通;导致救援时间可能遭到迟缓;因此将不同道路之间的交通情况从0-1来划分,1表示畅通无阻,0则表示无法通行;0到1的过程就是道路愈加畅通的过程;
(5)、设置优先值,即综合道路长度及道路拥挤程度,网点之间道路的优先值,来为调度的路径选择通过参考;根据道路的实际的拥挤程度来推测车辆在此条道路上的行驶速度,并因此来计算形式时间和时间成本,救援路径的长度也会导致不同的距离成本;
(6)、救援任务完成后,返回救援点;因此也要将返程考虑。救援过程就是要在最短救援时间内将救援成本进行降低;返程的成本就没有规定的任务完成时间(即收车)。需要权衡的就是路上耗费的时间与行驶距离之间的成本,这里需要将两者的成本降至最低。
进一步的,在步骤(1)中,所述将城市进行网点规划即将实际生活的道路进行网格化,标注每个路口以及网点之间的距离;将每个路口都要标上序号,若是遇到路口无法通行就需要将其周围与其连接的道路都要排除在路劲选择范围之外,但是某一段路出现无法通行就只需要将这条路排除在选择之外。
进一步的,在步骤(2)中,所述将网点进行编号,选择模拟的调度中心、事故点和目的地点;步骤(2)就是将调度中心,救护点(目的点即医院)标注出来,在实际运用编程中,用坐标来表示行动轨迹;不考虑道路拥堵和道路路口无法通行情况下,即默认救援点A(1,1)与事故点(3,4)之间的10条路径;值得注意的是,这里的求解条件是路径最短,最短路径在网格上的现实就是不断向事故点靠近。但实际情况是,道路拥挤或者是路口封锁无法按照理论上的最短路径方案通行,故需要绕道。
进一步的,在步骤(3)中,需要对不同调度中心的救援资源进行备案,当遇到单一调度中心的力量不足时候就需要调动多个调度中心支援;
步骤(3)救援力量申请与调度,这里会出现以下几种情况:
(1)、事故点需要的救援车辆为n辆,但救援点A和B的救援车辆分别是n+2,n;这里任何一个调度中心都满足救援的基本要求,但考量的就是救援车辆从调度中心出发经过行驶到达事故点的成本低,确定成本低的路径方案后,调度中心就会派出n辆救援车执行救援任务,除了救援车辆外,还有医疗及工具资源等;
(2)、事故点需要的救援车辆为n+1辆,但调度中心A和B的救援车辆分别是n+2,n;如上所述,每个调度中心都会存在到达事故点的最低成本方案,在两个最低成本方案中选择最低也就是最佳方案,假如调度中心B的救援方案成本最低,将优先排除调度中心B的救援车辆,缺少的一辆将由调度中心A点出发;倘若是调度中心A出发的方案最佳的话,就不存在合作调度的问题;救援车的空间有限,因此携带的物品也是有限的,这里列举简单资源,效果值是模拟该物品能对救援提供的帮助值,效果值高的物品一般来说体积也是较大。具体如表1:
进一步的,在步骤(4)中,对不可通过的地点使用0和1来分辨,1表示可以通过,0则表示不可以通过。对不可通过的道路则进行取无穷大的值;
步骤(4)就是要将每条道路的畅通情况进行定量表示,将无法通行定为0,将畅行无阻定为1,至此可以将车辆在该路上的速度表示为0到v;将使用粒子群算法来对路径进行优化,PSO算法具有自组织和进化性以及记忆功能,在整体上有较强的寻优能力,且优化速度较快,但是局部搜索能力较差,易陷入局部误区,这里将在它的局部最小值设置“障碍物”,使其重新生成路径,避免“早熟”。
进一步的,步骤(5)就是根据道路的畅通情况来求出通行的距离和时间成本,和绕路的成本之间比较。
进一步的,在步骤(6)中,就是在要求的救援时间内将救援成本控制到最低;
步骤(6)通过成本函数公式,求出最优的调度方案和路径,资源成本函数需要根据工具的类型(可回收,不可回收)来设置损耗值和使用成本;具体如下式所示:
其中,M,N表示路网规模,M行N列;ij表示节点i和j之间,即是道路;K表示阻塞密度;Dis表示两节点之间的距离;λt表示单位时间的应急车辆的出行费用;λDis表示单位长度的应急车辆的出行费用;vij表示在i与j之间路段的实际速度;RK表示救援物资的编号;Z1,Z2,Z分别表示是行驶的距离成本,救援资源成本以及总成本;
具体的,本发明公开了一种基于粒子群算法和遗传算法混合的救援规划方法,下面以某一地区的部分地形做网格化处理,来进行分析处理:
步骤1:假设此地形图上的9号和21号路口不可通过,20到26号道路因为施工原因无法通行,将可以通过的路口表示为1,不可通行的路口则表示为0。
那么将这一情况进行数值化处理结果,上文的参数进行解释,d就是可以通行的路口集合:
步骤2:对路况的拥挤程度进行调查,并且根据不同程度来数值化处理;上述表示的9号和21号路口无法通过,会导致周围的道路都无法通行将其表示为0,畅通无阻的路段则设置为1;使用cell保存其到序号加1节点,和加6节点之间的道路阻塞情况;例如第3行3列表示15号节点到16号节点之间的阻塞情况为0.4(略微阻塞),但是15号节点到21号节点的道路是无法通行的则表示为0;
步骤3:将调度中心A和B的救援力量进行备案,r是救援点提供的资源量;rA=n+2,rB=n,两者分别表示调度中心A拥有救援车辆为n+2,而调度中心B点只有n辆;
步骤4:对发生的事故的严重程度进行划分,不同程度将决定救援成本上限,最高等级的话将全员出动,但这里考虑一般情况;事故严重程度使用Urgent来表示,救援成本为MaxCost,而使用事故严重等级评定的最大救援成本表示为:MaxCost*Urgent;
步骤5:需要将道路的优先值求出以供路径选择,每条道路的优先值目前只考虑道路长度,拥挤成本引发的行驶速度;在i和j之间的速度用vij=V*K,这里的V表示车辆正常的行驶速度,而K则表示阻塞密度;当畅通无阻时,实际行驶速度就是等于正常的行驶速度,若是阻塞密度为0会导致实际行驶速度为0,即无法行驶;优先考虑值Pri是根据车辆的预估通行时间来设定的;
步骤6:最后就是总和考虑救援成本,包括行驶距离,耗费时间带来的成本;这里的耗费时间也只考虑路上的通勤时间。这里是救援到达事故点的救援成本;
这里的Disij,vij也使用cell进行存储,
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种混合粒子群算法和遗传算法的救援规划算法,其特征在于,具体操作步骤如下:
(1)、将城市进行网点规划,标注好每条街道及十字路口;并标记好点与点之间的距离;
(2)、在网格化城市时要将重点的地点进行标记,
其中,重点的地点包括城市存在的多个调度中心,不同的调度中心的资源不同且有限,当事故要求的资源超过任何单一调度中心的资源后,则需多调度中心共同执行救援任务;此外,若需求的资源数量小于所有调度中心的资源总和,则需有限安排以较低成本来执行救援的调度中心;
(3)、当执行任务时,调度中心接收实时道路情况且配合网格化后的城市地图,在网图上做出标记;
当道路的情况出现路口无法通行,或是两个节点之间道路阻塞导致拥挤;为区分可通行和无法通行的节点,使用0和1来标注;
其中,若节点即十字路口出现无法通行的情况,会导致节点周围的路都将无法通行,而若节点之间的道路阻塞则不影响节点周围的道路;
(4)、当救援任务下达到调度中心时,调度中心根据救援任务的紧急程度做出事故评级,事故评级用来设定最大救援成本;若是达到最高等级的话将不考虑成本,则所有的救援力量将全部出勤;
其中,所有的救援任务结束需在规定的救援时间之前到达调度中心;此外根据事故的类型,进行救援物资的携带,救援物资的使用和损耗都会带来救援成本;
(5)、设置优先值,即综合道路长度及道路拥挤程度,网点之间道路的优先值,用于通过路径选择的调度;当即将执行任务时,可通行的道路上会有不同的道路拥挤情况,拥挤程度会造成等待时间;通过权衡绕路和等待的时间进行选择道路;救援力量到达后先进行简易的治疗,将需就医者送往目的地,救援任务完成后,则返回调度中心。
2.根据权利要求1所述的一种混合粒子群算法和遗传算法的救援规划算法,其特征在于,
在步骤(1)中,所述将城市进行网点规划是指:将实际生活的道路进行网格化,且标注好每个路口以及网点之间的距离,为道路规划通过依据和参数。
3.根据权利要求1所述的一种混合粒子群算法和遗传算法的救援规划算法,其特征在于,
在步骤(2)中,所述在网格化城市时要将重点的地点进行标记具体是:将绘制的网格化城市的道路节点进行编号,标记出调度中心、医院和随机的事故点;
所述执行救援任务具体是指:从调度中心出发到达事故点进行救援,然后将伤重者送往医院后返回调度中心;其中,在实施救援前,调度中心根据调度中心的救援力量来进行任务下达。
4.根据权利要求1所述的一种混合粒子群算法和遗传算法的救援规划算法,其特征在于,
在步骤(3)中,所述调度中心接收实时道路情况且配合网格化后的城市地图,并在网图上做出标记具体是:调度中心接受到救援任务,开始规划救援路径和携带的救援物资数量;路径规划从标注的调度中心开始,前往事故点实施救援并将重伤者送往医院后返回;
其中,调度中心获取道路的路况信息,使用0和1来标记不可通行和可通行的节点;将阻塞道路的距离改为∞,其具体如下式所示:
式中,dij表示各路口节点的可否通行情况,i和j表示相邻节点;Disij表示可通行节点之间的道路长度;distance表示两个道路之间节点的距离。
5.根据权利要求1所述的一种混合粒子群算法和遗传算法的救援规划算法,其特征在于,在步骤(4)中,所述通过调度中心根据救援任务的紧急程度做出事故评级,事故评级用来设定最大救援成本具体是指:
根据事故严重程度设定事故等级Urgent求出最大救援成本,如下式所示:
Z≤MaxCost*Urgent
式中,Z表示此次任务的最高救援成本;MaxCost表示每级的最大救援成本;Urgent表示书等级;
当规划的调度中心的救援力量大于事故点的需求量时,如下式所示:
t<T
式中,m调度中心的总个数,ri表示第i个救援节点的资源;R表示事故点的需求量;t表示预算的救援时间;T表示最大救援时间;
当得到此次救援成本后,需和根据事故等级设定最大救援成本进行比较;
另外,所述携带的救援物资需考虑救援车辆的车厢空间和物资的体积及使用成本,此处采用遗传算法来对救援物资的携带方案进行规划。
6.根据权利要求1所述的一种混合粒子群算法和遗传算法的救援规划算法,其特征在于,
在步骤(5)中,所述设置的优先值的求解具体是:
根据实时的道路情况,用0标出不可通行的节点,剩余节点用1表示;将阻塞道路的距离更改为∞;用k作为拥挤程度,从0-1之间取值,表示拥挤的程度;
其中,1表示畅通,0表示阻塞;使用Pr来表示道路的优先值,V表示正常情况下的救援车辆行驶速度,Vij表示实际通过i和j之间道路的速度,λt和λDis分别表示行驶的时间成本和距离成本,
具体如下式所示:Vij=V*k
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374818.6A CN114048913B (zh) | 2021-11-19 | 2021-11-19 | 一种基于粒子群算法和遗传算法混合的救援规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374818.6A CN114048913B (zh) | 2021-11-19 | 2021-11-19 | 一种基于粒子群算法和遗传算法混合的救援规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048913A CN114048913A (zh) | 2022-02-15 |
CN114048913B true CN114048913B (zh) | 2024-05-28 |
Family
ID=80210133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374818.6A Active CN114048913B (zh) | 2021-11-19 | 2021-11-19 | 一种基于粒子群算法和遗传算法混合的救援规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048913B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997709A (zh) * | 2022-06-27 | 2022-09-02 | 江苏帝井环保科技有限公司 | 一种道路废水回收利用调节系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408133A (zh) * | 2016-10-11 | 2017-02-15 | 山东师范大学 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 |
WO2018137402A1 (zh) * | 2017-01-26 | 2018-08-02 | 华南理工大学 | 基于滚动灰色预测模型的云数据中心节能调度实现方法 |
CN110197570A (zh) * | 2019-03-14 | 2019-09-03 | 福建工程学院 | 一种垂钓安全管理及紧急救护侦测控制系统及方法 |
CN110782087A (zh) * | 2019-10-24 | 2020-02-11 | 大连海事大学 | 一种海上应急物资优化调度方法及系统 |
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
-
2021
- 2021-11-19 CN CN202111374818.6A patent/CN114048913B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408133A (zh) * | 2016-10-11 | 2017-02-15 | 山东师范大学 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 |
WO2018137402A1 (zh) * | 2017-01-26 | 2018-08-02 | 华南理工大学 | 基于滚动灰色预测模型的云数据中心节能调度实现方法 |
CN110197570A (zh) * | 2019-03-14 | 2019-09-03 | 福建工程学院 | 一种垂钓安全管理及紧急救护侦测控制系统及方法 |
CN110782087A (zh) * | 2019-10-24 | 2020-02-11 | 大连海事大学 | 一种海上应急物资优化调度方法及系统 |
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114048913A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101436345B (zh) | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 | |
Liu et al. | Corridor-based emergency evacuation system for Washington, DC: system development and case study | |
Shen et al. | Optimized public parking location modelling for green intelligent transportation system using genetic algorithms | |
CN105070042A (zh) | 一种交通预测的建模方法 | |
CN106570595A (zh) | 一种基于空间大数据的地铁站点选址方法及系统 | |
CN103278168A (zh) | 一种面向交通热点规避的路径规划方法 | |
CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
CN116720997A (zh) | 一种基于大数据分析的公交线路评价体系及优化方法 | |
CN114048913B (zh) | 一种基于粒子群算法和遗传算法混合的救援规划方法 | |
Wei et al. | A Two‐Layer Network Dynamic Congestion Pricing Based on Macroscopic Fundamental Diagram | |
CN112797997B (zh) | 一种基于栅格路网的应急路径规划架构和方法 | |
Hammadi et al. | Multimodal transport systems | |
Ma et al. | Gating control for a single bottleneck link based on traffic load equilibrium | |
Ngan | A comprehensive strategy for transit signal priority | |
Kanamori et al. | Evaluation of traffic management strategies with anticipatory stigmergy | |
Makarova et al. | Reducing the Impact of Vehicles on the Environment by the Modernization of Transport Infrastructure | |
Cabannes | The impact of information-aware routing on road traffic, from case studies to game-theoretical analysis and simulations | |
Jha | Metaheuristic applications in highway and rail infrastructure planning and design: implications to energy and environmental sustainability | |
Oskarbski et al. | Multi-level transport systems model for traffic management activities | |
Lv et al. | Optimization of dynamic parking guidance information for special events | |
Mavrin et al. | Improving the Road Network of Small Cities. | |
Rahman et al. | Automated Intersection Management with MiniZinc | |
Liu et al. | Joint Optimization of Longitudinal and Lateral Locations of Autonomous-Vehicle-Dedicated Lanes on Expressways | |
Semaan | Optimizing Work Zone Schedules Considering Traffic Diversion with Artificial Bee Colony Algorithm |
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 |