CN114091753A - 一种基于救援紧急程度的应急物资调度方法 - Google Patents

一种基于救援紧急程度的应急物资调度方法 Download PDF

Info

Publication number
CN114091753A
CN114091753A CN202111388925.4A CN202111388925A CN114091753A CN 114091753 A CN114091753 A CN 114091753A CN 202111388925 A CN202111388925 A CN 202111388925A CN 114091753 A CN114091753 A CN 114091753A
Authority
CN
China
Prior art keywords
individual
disaster
vehicle
disaster area
fitness
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
CN202111388925.4A
Other languages
English (en)
Other versions
CN114091753B (zh
Inventor
申晓宁
葛忠佩
姚铖滨
潘红丽
徐继勇
许笛
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202111388925.4A priority Critical patent/CN114091753B/zh
Priority claimed from CN202111388925.4A external-priority patent/CN114091753B/zh
Publication of CN114091753A publication Critical patent/CN114091753A/zh
Application granted granted Critical
Publication of CN114091753B publication Critical patent/CN114091753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

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

Abstract

本发明公开了一种基于救援紧急程度的应急物资调度方法，涉及物资调度技术领域。本发明包括：确定援助车辆的滞后供应区和非滞后供应区的界限，获得该援助车辆滞后供应区的惩罚值，依照惩罚值、路径长度获得目标值，获取每个个体的适应度；根据适应度划分子组，采用多个体贪婪交叉策略更新子组适应度最差的个体；采用最差的个体部分信息交叉策略对子组适应度最差个体，进行内部路径更新；将更新后的子组内的重新混合；更新迭代计数器，输出适应度最优个体，确定应援灾区的供应顺序。本发明通过在灾害发生时，减少后续将计算资源浪费在盲目搜索上，以此提高算法收敛速度。

Description

一种基于救援紧急程度的应急物资调度方法
技术领域
本发明属于物资调度技术领域，特别是涉及一种基于救援紧急程度的应急物资调度方法。
背景技术
近年来，地震频发，造成了重大人员的伤亡和财产损失。为减少自然灾害给人民和国家带来的伤害，使得国家能够稳定的发展，需要建立完备的应急事件处理系统。区别于一般的商业物流，由于救援物资的弱经济性，应急物资调度更多考虑在物资快速供应的基础上满足各灾区的物资需求，以减少人员伤亡。灾后的应急物资调度(EMS)作为应急管理体系中重要的一环，及时合理地将物资分配到各灾区能够降低灾害造成的伤害，为接下来的救援任务提供良好的条件。由于目前应急管理的理论研究还不成熟，因此对EMS的研究有助于丰富和发展应急管理理论，为专家处理应急事件提供参考。
混合蛙跳算法是Eusuff在2003年提出的一种元启发式算法，它模拟青蛙种群通过相互交换信息而改变自身位置，以跳跃至食物最丰富位置的觅食过程。由于SFLA的参数少、结构简单且全局搜索能力强，已被广泛应用于流水作业车间、货币汇率预测、跨流域水资源调度等工程问题。多源信息学习离散混合蛙跳算法是混合蛙跳算法的改进算法，它将应急物资调度的问题信息与混合蛙跳算法的结构特点相融合，该算法基本步骤如下：采用整数编码的方式，随机生成初始种群，计算每个个体的适应度值，并根据适应度值对青蛙种群进行分组，确定子组最优个体、子组最差个体与种群最优个体；通过多个体贪婪交叉的离散跳跃规则，选择子组最优个体和子组任一其它个体为学习对象对子组最差个体进行更新，若更新后适应度未提高，则选择种群最优个体和种群任一其它个体为学习对象对子组最差个体进行更新；采用最差个体部分信息学习对子组最差个体进行局部挖掘，首先，选择子组最差个体的最差子路径，向种群中任一个体的相应路径进行贪婪交叉，得到更新后的最差子路径。若更新后的最差子路径适应度提高，则用更新后的路径替换最差个体的最差子路径，否则，向种群其它任一个体重新学习。传统混合蛙跳算法求解应急物资调度未利用问题启发信息，无法保证个体更新后适应度值能够提高，导致将部分计算资源浪费在盲目搜索上，算法收敛速度慢，在有限的目标评价次数内无法收敛到全局最优。
发明内容
本发明的目的在于提供一种基于救援紧急程度的应急物资调度方法，通过在灾害发生时，针对由汽车进行配送，依照减少灾区点供应之滞后，利用多源信息学习离散混合蛙跳算法规划援助车辆的行驶路径，减少后续将计算资源浪费在盲目搜索上，以此提高算法收敛速度。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于救援紧急程度的应急物资调度方法，包括根据灾情信息和灾区援助优先级度优化救援路径长度、惩罚值；
确定援助车辆的滞后供应区和非滞后供应区的界限，获得该援助车辆滞后供应区的惩罚值，依照惩罚值、路径长度获得目标值，根据目标值得出单援助车辆进行解码获得适应度；
灾情信息包括灾区数量、灾区的坐标灾区救援优先度影响因素，灾区救援优先度包括灾害等级、死亡人数、受伤人数、次生灾害危险度、人口密度、灾害中心距灾区距离、人口密集度和灾害中心具体指标。
采用整数编码方式，对n个灾区进行编号，每个灾区编码为一串由1-n组成的序列；
X＝{x1,x2,...,xn}；其中，xi(i＝1,2,…,n)表示访问灾区的编号；
计算每个个体的目标值f(X)：
Figure BDA0003368110760000031
其中，目标值包括子路径k的路程和子路径k的相应惩罚值Gk。对于车辆k需要供应i个紧急需求点的情况，将供应顺序位于i之后的紧急需求点称为被滞后供应的紧急需求点，依据距离和救援紧急程度对被滞后供应的紧急需求点设置惩罚项。惩罚值Gk的计算公式如下：
Figure BDA0003368110760000032
其中，
Figure BDA0003368110760000033
为车辆k的行驶路线上从物资储备中心出发到达紧急需求点j的距离，ej为紧急需求点j的救援紧急度,PK表示被车辆k滞后供应的紧急需求点集合；
则个体的适应度为F(X)：
Figure BDA0003368110760000034
进一步地，在救援灾区的中，援助车辆受到约束：
每一灾区至少被援助一次物资：
Figure BDA0003368110760000035
每个灾区被服务时，一定会有一援助车辆从某个地点行驶到该灾区，并从该灾区离开：
Figure BDA0003368110760000041
子回路消除约束，保证每辆车的行驶路线中没有子回路，即：
Figure BDA0003368110760000042
车辆从物资储备中心出发最终返回物资储备中心，即：
Figure BDA0003368110760000043
车辆容量约束，保证每辆车装载的货物不能超过车辆的最大装载量，即；
Figure BDA0003368110760000044
Figure BDA0003368110760000045
表示车辆k供应灾区j的物资量，Q表示车辆的最大装载量限制。
进一步地，援助车辆解码包括：
S41，令车辆计数器k＝1；
S42，车辆k对编码串上的灾区依次装货，直至车辆剩余容量无法一次性装载某个灾区的物资时，对该灾区的需求进行拆分，令车辆k装载部分物资，直至该车辆装满，得到车辆k的路径，车辆计数器k＝k+1，重复执行步骤S42，直到所有物资装载完毕；
S43，保持奇数编号车辆的路径不变，对偶数编号车辆的路径进行翻转操作，得到解码后的车辆路径。
进一步地，计算每一个体的适应度并进行降序排序，根据适应度划分子组，采用多个体贪婪交叉策略更新子组适应度最差的个体；
采用最差的个体部分信息交叉策略对子组适应度最差个体，进行内部路径更新；
将更新后的子组内的重新混合，
更新带带技术器，若达到最大评价次数，输出适应度最优个体，确定应援灾区的供应顺序。
进一步地，若在设定的迭代次数内没有获得最大评价次数，则重新划分子组。
进一步地，划分子组时，对个体进行降序排序，根据适应度划分子组，记录车群中适应度最好个体，子组适应度最好个体和子组适应度最差个体。
进一步地，对各子组采用多个体贪婪交叉策略进行搜索将多个体贪婪交叉策略更新子组适应度最差个体：
S601，首先，生成空解XW′；
S602，选择子组中任意一个个体Xr与子组适应度最好个体Xb作为子组适应度最差个体XW的学习对象；
S603，随机选择一个灾区作为出发点I，将I放入XW′，将XW复制给XW″
S604，分别从Xb、Xr和XW″的个体编码中取出位于灾区I左侧和右侧的相邻灾区，并从中确定距离I最近的2个灾区加入候选灾区集合W；
S605，由
Figure BDA0003368110760000051
计算候选灾区的选择概率，并通过轮盘赌选择下一个供应灾区I′；
S606，分别删除Xb、Xr和XW″中的灾区I′，将灾区I′作为新的出发点I，更新Xb、Xr和XW″中与I相邻的灾区，并将新的I放入XW′，返回步骤S604。直至当XW″的个体长度等于2，跳出循环；
S607，此时仅剩一个灾区未被选择供应，直接将该灾区放入XW′，生成完整的新个体XW′；
S608，计算新个体目标值，若新个体目标值提高，更新最差个体，并输出新个体，程序结束。否则进入步骤S609；
S609，选择种群中任意一个个体XR与种群适应度最好个体XG作为子组适应度最差个体XW的学习对象，返回步骤S603进入第二轮学习。无论个体第二次学习是否成功更新XW，程序都将输出当前XW并退出。
进一步地，最差个体信息学习策略：
S701，对子组适应度最差个体XW解码，将子组最差个体中最差的子路径Routem与其相邻的任一子路径组成信息学习路径
Figure BDA0003368110760000061
S702，打乱救援车辆种群，令计数器l＝1；
S703，选择种群中任意个体Xl作为学习对象，保留Xi中属于信息学习路径的灾区，组成引导路径
Figure BDA0003368110760000062
S704，保持
Figure BDA0003368110760000063
的第一个和最后一个灾区不变，将它们设置为新路径XW′Route′的起点和终点。以起始灾区S作为出发灾区I，删除
Figure BDA0003368110760000064
和
Figure BDA0003368110760000065
的终点E；
S705，分别从
Figure BDA0003368110760000066
和
Figure BDA0003368110760000067
的个体编码中取出位于灾区I左侧和右侧的相邻灾区，并从中确定距离I最近的2个灾区加入候选灾区集合W。
S706，由公式
Figure BDA0003368110760000068
计算候选灾区的选择概率，其并通过轮盘赌选择下一个供应灾区I′；
S707，分别删除
Figure BDA0003368110760000069
和
Figure BDA00033681107600000610
中的灾区I′，将灾区I′作为新的出发点I，更新
Figure BDA00033681107600000611
和
Figure BDA00033681107600000612
中与I相邻的灾区，并将新的I放入XW′，返回步骤S705。直至当XW″的个体长度等于2，跳出循环。
S708，此时仅剩一个灾区未被选择供应，直接将该灾区放入XW′，生成完整的新路径XW′。
S709，对新路径XW′进行解码，若解码后车辆的路线长度及其路径惩罚值之和均优于更新前的最差路径的子路线长度及其惩罚项之和，则将新路径替换个体XW的相应编码串，否则转至步骤S7010。
S7010，l＝l+1，若l＞N，则随机生成一个个体替换最差个体XW，否则，转至步骤S703。
本发明具有以下有益效果：
本发明(1)本发明考虑各灾区受灾情况与物资调度关系，该模型能够基于各灾区实际受灾情况，公平合理地安排车辆供应灾区的路线，并减少车辆运输距离。
(2)本发明设计了一种需求可拆分供应的编码解码方式，通过该方法对编码串解码后，除最后一辆车外，其余车辆均能够满载供应，提升了车辆在进行物资调度的效率。
(3)设计了多个体贪婪交叉策略，该策略基于贪婪交叉的思想加入随机信息辅助算法寻优，引入最优个体和随机个体作为交叉对象，以此增加种群多样性，避免算法陷入局部最优，提高算法的精度。
(4)设计了最差个体信息重组策略，通过对最差个体的最差部分进行信息重组策略，进行最差个体的局部挖掘，充分利用其有效信息，以提升算法性能。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为物资调度的流程图；
图2为物资调度路线规划图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明为一种基于救援紧急程度的应急物资调度方法，物资调度用于灾害区物资定点配送，其中，灾害可为自然灾害，饥荒、洪灾等，其中洪灾可使用小型舟船进行配送。
以地震灾害为例：
灾区规模为51的测试实例，援助车辆9辆车需要服务50个灾区，灾区需求量、灾区坐标(标记为1-50)和物资储备中心坐标(标记为0)，车辆容量为50吨,如表1所示。
表1
Figure BDA0003368110760000081
Figure BDA0003368110760000091
Figure BDA0003368110760000101
使用本发明提出的多源信息学习离散混合蛙跳算法求解实施例得到的最佳路线规划方案，主体流程如图1所示，具体步骤如下：
(1)初始化。读取实例的输入信息，包括访问灾区坐标信息(见表1)，灾区救援优先级影响因素，问题规模n；给出优化目标的定义，并设定约束条件。
获取各灾区的地震救援优先度影响因素：1)地震烈度；2)震亡人数；3)受伤人数；4)次生灾害危险度；5)人口密度；6)震中距离灾区距离；7)人口聚集度；8)震中位置的具体指标。
其中，设灾区的平面坐标信息{(Ax1,Ay1),(Ax2,Ay2),…,(Axn,Ayn)}，问题的规模表示访问灾区的数量n，则不同灾区间距离为欧式距离计算公式，其定义为：
Figure BDA0003368110760000102
其中，dij表示灾区i与灾区j之间的距离，决策变量为：
Figure BDA0003368110760000103
Figure BDA0003368110760000104
计算种群中每个个体的目标值。
优化目标“最差子路径”表示规划路线的子路径长度及其惩罚值之和的最大值，它定义为：
Figure BDA0003368110760000111
目标值包括子路径k的路程和子路径k的相应惩罚值Gk。对于车辆k需要供应l个紧急需求点的情况，将供应顺序位于l之后的紧急需求点称为被滞后供应的紧急需求点，依据距离和救援紧急程度对被滞后供应的紧急需求点设置惩罚项。惩罚值Gk的计算公式如下：
Figure BDA0003368110760000112
其中，
Figure BDA0003368110760000113
为车辆k的行驶路线上从物资储备中心出发到达紧急需求点j的距离，ej为紧急需求点j的救援紧急度,Pk表示被车辆k滞后供应的紧急需求点集合；
约束条件有以下六个：
约束条件一：“每个灾区至少被服务一次”，即：
Figure BDA0003368110760000114
约束条件二：“每个灾区被服务时，一定会有一辆车从某个地点行驶到该灾区，并从该灾区离开”，即：
Figure BDA0003368110760000115
约束条件三：“子回路消除约束，保证每辆车的行驶路线中没有子回路”，即：
Figure BDA0003368110760000116
约束条件四：“车辆从物资储备中心出发最终返回物资储备中心”，即：
Figure BDA0003368110760000121
约束条件五：“车辆容量约束，保证每辆车装载的货物不能超过车辆的最大装载量”，即：
Figure BDA0003368110760000122
其中，
Figure BDA0003368110760000123
表示车辆k供应灾区j的物资量，Q表示车辆的最大装载量限制。
(2)初始化多源信息学习的离散混合蛙跳算法参数：
设置多源信息学习的离散混合蛙跳算法进化种群规模n为100、子组数m为5、局部搜索次数L＝10、最大迭代次数G为50000、设置迭代计数器t＝0。
(3)计算灾区的紧急程度：
根据表1的紧急救援区域优先度判定指标体系，计算各灾区物资运输优先度，并进行归一化处理得到灾区的救援紧急程度，得到各灾区的救援紧急程度如表2所示，并将紧急程度大于0.5的灾区划分为紧急需求点，其余灾区划分为次紧急需求点。
表2
Figure BDA0003368110760000124
Figure BDA0003368110760000131
其中，灾区的救援紧急程度计算步骤为：
根据救援优先级的影响因素，对其权重和分值予以赋值，得到紧急救援区域优先度判定指标体系，如下表2所示。
表2
Figure BDA0003368110760000132
Figure BDA0003368110760000141
评估因子各因素的具体指标计算方法如下：
(a)烈度等级
烈度以县或乡为基本统计单元，根据烈度衰减模型快速获取区域内烈度等级。
(b)震亡人数的得分的计算公式分别为：
Figure BDA0003368110760000142
其中Di为第i个灾区震亡人数归一化的指标，di为灾区i的震亡人数，其得分为
Figure BDA0003368110760000143
(c)受伤人数的得分的计算公式分别为：
Figure BDA0003368110760000151
其中Ci为第i个灾区震亡人数归一化的指标得分，ci为灾区i的震亡人数，得分为
Figure BDA0003368110760000152
(d)次生灾害
描述由于地震造成的某一烈度破坏下产生崩塌、滑坡、泥石流次生灾害的风险程度。以县或乡为基本统计单元。根据专家经验，针对不同等级对紧急救援区域的影响程度进行评分。
客观因子各因素的具体指标计算方法如下：
(e)人口聚集度
描述灾区(县或乡)人口相对于全省人口的集聚程度。给出人口聚集度计算方法：
Figure BDA0003368110760000153
式中:Ii表示灾区(县或乡)的人口集聚度，Pi和Pn分布表示该县或乡人口和区域总人口，Ai和An表示该县或乡面积和区域总面积，依据计算结果将人口聚集区划分为人口密集区、人口均值地区和人口稀疏地。
(f)人口密度
描述地震灾区以县或乡为基本统计单元内人口密度。根据基础数据库快速获取数据，对该区域人口密度与省级行政单元人口密度进行比较。
震中距灾区县城距离及震中位置的指标计算，通过数据库获取震中位置及灾区位置，通过两个灾区具体位置的计算得到具体指标值。
计算各灾区物资运输优先度并进行归一化处理得到灾区的救援紧急程度，即：
Figure BDA0003368110760000154
Figure BDA0003368110760000161
其中，
Figure BDA0003368110760000162
为灾区i的一级指标权重值，u＝1时表示评估因子，u＝2时表示客观因子；
Figure BDA0003368110760000163
表示灾区i评估(客观)因子中第v项因素的权重值；Siuv表示灾区i评估(客观)因素中第v项因素的得分值，v＝1,2,3,4；灾区i的物资供应优先级总得分Mi取决于
Figure BDA0003368110760000164
和Siuv。Mmax和Mmin分别为所有灾区的物资供应优先级最高得分和最低得分，将各灾区优先级得分归一化处理后得到灾区i的救援紧急程度ei，ei∈[0,1]，并将救援紧急程度大于0.5的灾区划分为紧急需求点，其余灾区划分为非紧急需求点。
(4)生成初始候选种群，并计算适应度：
采用整数编码，随机生成n个个体构成种群计数，每个个体表示物资运输车辆访问灾区的顺序：
X＝{x1,x2,…,xn}
其中，xi(i＝1,2,…,n)表示访问灾区的编号，根据步骤(1)中已知优化目标为路径长度及其目标值之和，即路径长度及其目标值之和越小适应度越高，规划的路径越好，则个体适应度定义为：
Figure BDA0003368110760000165
(5)种群分组：
计算所有救援车辆个体的适应度，对种群计数中个体进行降序排序，并根据适应度划分子组。记录种群适应度最好个体，子组适应度最好个体和子组适应度最差个体。
(6)对各子组采用多个体贪婪交叉策略进行搜索将多个体贪婪交叉策略更新子组适应度最差个体：
S601，首先，生成空解XW′；
S602，选择子组中任意一个个体Xr与子组适应度最好个体Xb作为子组适应度最差个体XW的学习对象；
S603，随机选择一个灾区作为出发点I，将I放入XW′，将XW复制给XW″
S604，分别从Xb、Xr和XW″的个体编码中取出位于灾区I左侧和右侧的相邻灾区，并从中确定距离I最近的2个灾区加入候选灾区集合W；
S605，由
Figure BDA0003368110760000171
计算候选灾区的选择概率，并通过轮盘赌选择下一个供应灾区I′；
S606，分别删除Xb、Xr和XW″中的灾区I′，将灾区I′作为新的出发点I，更新Xb、Xr和XW″中与I相邻的灾区，并将新的I放入XW′，返回步骤S604。直至当XW″的个体长度等于2，跳出循环；
S607，此时仅剩一个灾区未被选择供应，直接将该灾区放入XW′，生成完整的新个体XW′；
S608，计算新个体目标值，若新个体目标值提高，更新最差个体，并输出新个体，程序结束。否则进入步骤S609；
S609，选择种群中任意一个个体XR与种群适应度最好个体XG作为子组适应度最差个体XW的学习对象，返回步骤3进入第二轮学习。无论个体第二次学习是否成功更新XW，程序都将输出当前XW并退出。
(7)采用最差个体部分信息交叉策略对子组适应度最差个体进行内部路径更新，即最差个体部分信息学习策略的实现步骤为：
S701，对子组适应度最差个体XW解码，将子组最差个体中最差的子路径Routem与其相邻的任一子路径组成信息学习路径
Figure BDA0003368110760000172
S702，打乱救援车辆种群，令计数器l＝1；
S703，选择种群中任意个体Xl作为学习对象，保留Xi中属于信息学习路径的灾区，组成引导路径
Figure BDA0003368110760000181
S704，保持
Figure BDA0003368110760000182
的第一个和最后一个灾区不变，将它们设置为新路径XW′Route′的起点和终点。以起始灾区S作为出发灾区I，删除
Figure BDA0003368110760000183
和
Figure BDA0003368110760000184
的终点E；
S705，分别从
Figure BDA0003368110760000185
和
Figure BDA0003368110760000186
的个体编码中取出位于灾区I左侧和右侧的相邻灾区，并从中确定距离I最近的2个灾区加入候选灾区集合W；
S706，由公式
Figure BDA0003368110760000187
计算候选灾区的选择概率，其并通过轮盘赌选择下一个供应灾区I′；
S707，分别删除
Figure BDA0003368110760000188
和
Figure BDA0003368110760000189
中的灾区I′，将灾区I′作为新的出发点I，更新
Figure BDA00033681107600001810
和
Figure BDA00033681107600001811
中与I相邻的灾区，并将新的I放入XW′，返回步骤S65。直至当XW″的个体长度等于2，跳出循环；
S708，此时仅剩一个灾区未被选择供应，直接将该灾区放入XW′，生成完整的新路径XW′；
S709，对新路径XW′进行解码，若解码后车辆的路线长度及其路径惩罚值之和均优于更新前的最差路径的子路线长度及其惩罚项之和，则将新路径替换个体XW的相应编码串，否则转至步骤S7010；
S7010，l＝l+1，若l＞N，则随机生成一个个体替换最差个体XW，否则，转至步骤S703。
(8)种群混洗：
将更新后的所有个体重新混合。
(9)终止准则判断：
相应更新迭代计数器，若达到最大评价次数，则终止迭代，输出适应度最优的救援车辆个体，该个体为规划好的灾区供应顺序。否则，转步骤(5)。
本发明的效果可以通过以下仿真实验进一步说明：
1.实验条件：
在CPU为Intel core i5-7200U 2.50GHz、内存12GB、WINDOWS 10系统上使用pycharm软件进行仿真。
2.实验内容：
选取汶川大地震实例，有1个物资储备中心，可用车辆数为9，需要访问50个灾区，灾区坐标(Axi,Ayi)，如表1所示。
3.实验结果
i.采用本发明与现有的求解应急物资调度问题的算法在汶川大地震实例上的实验结果对比；
ii.采用本发明与现有的求解应急物资调度问题的算法最优方案在实际路程与目标值上的对比结果；
iii.采用本发明多源信息学习离散混合蛙跳算法求解应急物资调度问题最小化最大子路径长度及其惩罚值之和的车辆路径规划图。
每种算法独立运行30次，Avg.和Best分别表示30次运行结果得到的平均值和最好值，并将每个算例中Best和Avg.的最优值加粗表示。实验结果如表3所示，所提算法对于应急物资调度问题的综合性能优于各类对比算法，具有较高的求解精度。因此，所提算法能够有效求解应急物资调度问题，可为应急管理系统提供一套运输效率高、考虑各受灾情况及路程短的车辆调度方案。
表3
Figure BDA0003368110760000201
图2给出本文算法的最优救援物资调度路线，不同颜色的线代表不同车辆供应灾区的路线，各灾区的平面坐标由经纬度转换得到，0代表物资储备中心，小图为物资储备中心附近的局部放大图(包含灾区19，20，22)。本模型目标为最小化最大子路径长度及其惩罚值之和。所提算法搜索到车辆9所供应路线(0-22-19-20-25-41-12)的子路程及其惩罚值之和最大，为505.46km，其中子路程为402.63km。可见本文算法寻得的最优路线目标值最低，且实际路程接近目标值，表明它引入了较低的惩罚值，即被滞后供应的紧急程度高的灾区较少。因此，所提算法能够在应急物资调度中提供有效的灾区物资分配方案，防止时间和资源的浪费。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于救援紧急程度的应急物资调度方法，其特征在于，包括：
根据灾情信息和灾区援助优先级度优化救援路径长度、惩罚值；
根据多源信息学习离散混合蛙跳算法规划援助车辆的行驶路径：确定援助车辆的滞后供应区和非滞后供应区的界限，获得该援助车辆滞后供应区的惩罚值，依照惩罚值、路径长度优化每个个体的最劣目标值；
获取每个个体的适应度；
个体为物资运输车辆访问一灾区的顺序。
2.根据权利要求1所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，灾情信息包括灾区数量、灾区的坐标灾区救援优先度影响因素，灾区救援优先度包括灾害等级、死亡人数、受伤人数、次生灾害危险度、人口密度、灾害中心距灾区距离、人口密集度和灾害中心具体指标。
3.根据权利要求2所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，采用整数编码方式，对n个灾区进行编号，每个灾区编码为一串由1-n组成的序列；
X＝{x1,x2,...,xn}；其中，xi(i＝1,2,…,n)表示访问灾区的编号；
计算每个个体的目标值f(X)：
Figure FDA0003368110750000011
其中，目标值包括子路径k的路程和子路径k的相应惩罚值Gk。对于车辆k需要供应i个紧急需求点的情况，将供应顺序位于i之后的紧急需求点称为被滞后供应的紧急需求点，依据距离和救援紧急程度对被滞后供应的紧急需求点设置惩罚项。惩罚值Gk的计算公式如下：
Figure FDA0003368110750000021
其中，
Figure FDA0003368110750000022
为车辆k的行驶路线上从物资储备中心出发到达紧急需求点j的距离，ej为紧急需求点j的救援紧急度,PK表示被车辆k滞后供应的紧急需求点集合；
则个体的适应度为F(X)：
Figure FDA0003368110750000023
4.根据权利要求3任意一所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，在救援灾区的中，援助车辆受到约束：
每一灾区至少被援助一次物资：
Figure FDA0003368110750000024
每个灾区被服务时，一定会有一援助车辆从某个地点行驶到该灾区，并从该灾区离开：
Figure FDA0003368110750000025
子回路消除约束，保证每辆车的行驶路线中没有子回路，即：
Figure FDA0003368110750000026
车辆从物资储备中心出发最终返回物资储备中心，即：
Figure FDA0003368110750000027
车辆容量约束，保证每辆车装载的货物不能超过车辆的最大装载量，即；
Figure FDA0003368110750000031
Figure FDA0003368110750000032
表示车辆k供应灾区j的物资量，Q表示车辆的最大装载量限制。
5.根据权利要求4任意一所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，援助车辆解码包括：
S41，令车辆计数器k＝1；
S42，车辆k对编码串上的灾区依次装货，直至车辆剩余容量无法一次性装载某个灾区的物资时，对该灾区的需求进行拆分，令车辆k装载部分物资，直至该车辆装满，得到车辆k的路径，车辆计数器k＝k+1，重复执行步骤S42，直到所有物资装载完毕；
S43，保持奇数编号车辆的路径不变，对偶数编号车辆的路径进行翻转操作，得到解码后的车辆路径。
6.根据权利要求1-5任意一所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，
计算每一个体的适应度并进行降序排序，根据适应度划分子组，采用多个体贪婪交叉策略更新子组适应度最差的个体；
采用最差的个体部分信息交叉策略对子组适应度最差个体，进行内部路径更新；
将更新后的子组内的重新混合；
更新迭代计数器，若达到最大评价次数，输出适应度最优个体，确定应援灾区的供应顺序。
7.根据权利要求6所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，若在设定的迭代次数内没有获得最大评价次数，则重新划分子组。
8.根据权利要求6所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，划分子组时，对个体进行降序排序，根据适应度划分子组，记录车群中适应度最好个体，子组适应度最好个体和子组适应度最差个体。
9.根据权利要求6所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，对各子组采用多个体贪婪交叉策略进行搜索将多个体贪婪交叉策略更新子组适应度最差个体：
S601，首先，生成空解XW′；
S602，选择子组中任意一个个体Xr与子组适应度最好个体Xb作为子组适应度最差个体XW的学习对象；
S603，随机选择一个灾区作为出发点I，将I放入XW′，将XW复制给XW″
S604，分别从Xb、Xr和XW″的个体编码中取出位于灾区I左侧和右侧的相邻灾区，并从中确定距离I最近的2个灾区加入候选灾区集合W；
S605，由
Figure FDA0003368110750000041
j∈W计算候选灾区的选择概率，并通过轮盘赌选择下一个供应灾区I′；
S606，分别删除Xb、Xr和XW″中的灾区I′，将灾区I′作为新的出发点I，更新Xb、Xr和XW″中与I相邻的灾区，并将新的I放入XW′，返回步骤S604。直至当XW″的个体长度等于2，跳出循环；
S607，此时仅剩一个灾区未被选择供应，直接将该灾区放入XW′，生成完整的新个体XW′；
S608，计算新个体目标值，若新个体目标值提高，更新最差个体，并输出新个体，程序结束。否则进入步骤S609；
S609，选择种群中任意一个个体XR与种群适应度最好个体XG作为子组适应度最差个体XW的学习对象，返回步骤S603进入第二轮学习。无论个体第二次学习是否成功更新XW，程序都将输出当前XW并退出。
10.根据权利要求6所述的一种基于救援紧急程度的应急物资调度方法，其特征在于，
最差个体信息学习策略：
S701，对子组适应度最差个体XW解码，将子组最差个体中最差的子路径Routem与其相邻的任一子路径组成信息学习路径
Figure FDA0003368110750000051
S702，打乱救援车辆种群，令计数器l＝1；
S703，选择种群中任意个体Xl作为学习对象，保留Xi中属于信息学习路径的灾区，组成引导路径
Figure FDA0003368110750000052
S704，保持
Figure FDA0003368110750000053
的第一个和最后一个灾区不变，将它们设置为新路径XW′Route′的起点和终点。以起始灾区S作为出发灾区I，删除
Figure FDA0003368110750000054
和
Figure FDA0003368110750000055
的终点E；
S705，分别从
Figure FDA0003368110750000056
和
Figure FDA0003368110750000057
的个体编码中取出位于灾区I左侧和右侧的相邻灾区，并从中确定距离I最近的2个灾区加入候选灾区集合W。
S706，由公式
Figure FDA0003368110750000058
j∈W计算候选灾区的选择概率，其并通过轮盘赌选择下一个供应灾区I′；
S707，分别删除
Figure FDA0003368110750000059
和
Figure FDA00033681107500000510
中的灾区I′，将灾区I′作为新的出发点I，更新
Figure FDA00033681107500000511
和
Figure FDA00033681107500000512
中与I相邻的灾区，并将新的I放入XW′，返回步骤S705。直至当XW″的个体长度等于2，跳出循环。
S708，此时仅剩一个灾区未被选择供应，直接将该灾区放入XW′，生成完整的新路径XW′。
S709，对新路径XW′进行解码，若解码后车辆的路线长度及其路径惩罚值之和均优于更新前的最差路径的子路线长度及其惩罚项之和，则将新路径替换个体XW的相应编码串，否则转至步骤S7010。
S7010，l＝l+1，若l＞N，则随机生成一个个体替换最差个体XW，否则，转至步骤S703。
CN202111388925.4A 2021-11-22 一种基于救援紧急程度的应急物资调度方法 Active CN114091753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111388925.4A CN114091753B (zh) 2021-11-22 一种基于救援紧急程度的应急物资调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111388925.4A CN114091753B (zh) 2021-11-22 一种基于救援紧急程度的应急物资调度方法

Publications (2)

Publication Number Publication Date
CN114091753A true CN114091753A (zh) 2022-02-25
CN114091753B CN114091753B (zh) 2024-06-21

Family

ID=

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593712A (zh) * 2013-11-01 2014-02-19 中国电子科技集团公司第十五研究所 一种资源优化调度系统及调度方法
US20180357610A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation based on shuffled frog leaping and path relinking algorithms
CN111242454A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 一种化工事故多目标两阶段应急救援物资调度方法
CN113191619A (zh) * 2021-04-25 2021-07-30 大连海事大学 一种应急救援物资分配及车辆调度动态优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593712A (zh) * 2013-11-01 2014-02-19 中国电子科技集团公司第十五研究所 一种资源优化调度系统及调度方法
US20180357610A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation based on shuffled frog leaping and path relinking algorithms
CN111242454A (zh) * 2020-01-07 2020-06-05 杭州电子科技大学 一种化工事故多目标两阶段应急救援物资调度方法
CN113191619A (zh) * 2021-04-25 2021-07-30 大连海事大学 一种应急救援物资分配及车辆调度动态优化方法

Similar Documents

Publication Publication Date Title
Francis Gorman An application of genetic and tabu searches to the freight railroad operating plan problem
Ghannadpour et al. A multi-objective dynamic vehicle routing problem with fuzzy time windows: Model, solution and application
CN108053037B (zh) 一种基于两网融合的配电网抢修策略制定方法及装置
Park A hybrid genetic algorithm for the vehicle scheduling problem with due times and time deadlines
CN113297785B (zh) 基于优化烟花算法的医疗物资应急调度优化方法
CN112070355A (zh) 一种机场摆渡车的分配调度方法
CN113222463B (zh) 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法
Lu et al. A multi-objective humanitarian pickup and delivery vehicle routing problem with drones
Liu et al. Scheduling optimisation of multi-type special vehicles in an airport
CN109118023A (zh) 一种公共交通线网优化方法
Vaira Genetic algorithm for vehicle routing problem
CN115204049A (zh) 一种轨道交通站点周围土地利用多目标双层优化方法
Huang et al. A survey of intelligent algorithms for open shop scheduling problem
CN116955959A (zh) 一种基于多目标演化算法的时间序列预测集成方法
CN114091753A (zh) 一种基于救援紧急程度的应急物资调度方法
CN114091753B (zh) 一种基于救援紧急程度的应急物资调度方法
Du et al. Research on multi-objective emergency logistics vehicle routing problem under constraint conditions
Szłapczyńska Multiobjective approach to weather routing
Huo et al. [Retracted] Research on Solving Postdisaster Material Distribution and Scheduling with Improved NSGA‐II Algorithm
CN115640921A (zh) 一种院内危重患者转运路径规划方法和系统
Wang et al. Bi-level programming model for post-disaster emergency supplies scheduling with time windows and its algorithm
CN114048913A (zh) 一种基于粒子群算法和遗传算法混合的救援规划方法
CN116050752A (zh) 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法
CN115841230A (zh) 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法
CN1754164A (zh) 用于生成具体多准则优化问题的解决方案的方法

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