CN114358414A - 一种自适应并行的社区养老服务点选址优化方法及系统 - Google Patents
一种自适应并行的社区养老服务点选址优化方法及系统 Download PDFInfo
- Publication number
- CN114358414A CN114358414A CN202111666764.0A CN202111666764A CN114358414A CN 114358414 A CN114358414 A CN 114358414A CN 202111666764 A CN202111666764 A CN 202111666764A CN 114358414 A CN114358414 A CN 114358414A
- Authority
- CN
- China
- Prior art keywords
- service point
- optimization
- algorithm
- community endowment
- endowment service
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 title claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 238000011161 development Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 7
- 230000009191 jumping Effects 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 10
- 239000002245 particle Substances 0.000 description 4
- 238000010187 selection method Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及选址优化技术领域,具体涉及一种自适应并行的社区养老服务点选址优化方法及系统,包括如下几个步骤:以老年人出行距离最短为目标,构建多约束社区养老服务点选址优化模型;利用算术优化算法求解模型,得到选址结果;利用自适应并行的算术优化算法求解模型,得到进一步优化的选址结果。其好处是:针对于算术优化算法收敛速度慢,易陷入局部最优等问题,使用自适应改变参数和多组多策略的并行机制进行改进。改进后的算法虽然在一定程度上增加了空间复杂度,但是却降低了时间复杂度,并且自适应改变参数的方法提高了算法跳出局部最优的能力,多组多策略的并行机制一定程度上保证了种群多样性,增加算法的收敛速度和提高算法的寻优精度。
Description
技术领域
本发明涉及选址优化技术领域,具体涉及一种自适应并行的社区养老服务点选址优化方法及系统。
背景技术
20世纪90年代以来,中国的老龄化进程加速发展。第七次人口普查结果显示,中国60岁及以上人口占比较第六次人口普查上升5.44个百分点。老龄人口的增加势必导致养老服务需求的增长,特别是社区养老,由于其便捷性以及社区融合等优势而受到老年人及老年人所在家庭的欢迎。尽管各级政府和社会力量在构建社区养老服务点方面做了大量工作,也产生了一定的成效,但是仍然存在社区养老服务点供需不平衡的问题。
目前的养老服务点选址主要以人工选址的方法为主。然而人工选址方法难以做到科学布局,有效优化,因此借助计算机技术对社区养老服务服务点布局进行科学选址十分必要。
发明内容
针对现有技术的不足,本发明公开了一种自适应并行的社区养老服务点选址优化方法及系统,使用自适应调整参数的方法提高了算法跳出局部最优的能力,多组多策略并行机制一定程度上保证了种群多样性,增加算法的收敛速度和提高算法的收敛精度。
本发明通过以下技术方案予以实现:
第一方面,本发明提供了一种自适应并行的社区养老服务点选址优化方法,其特征在于,包括以下步骤:
S1获取目标区域的养老服务点数据、城市水域数据和城市道路数据;
S2以S1数据计算老年人出行距离,并以最短距离为目标构建多约束社区养老服务点选址优化模型;
S3利用算术优化算法求解多约束社区养老服务点选址优化模型,得到选址结果后输出;
S4使用自适应并行的算术优化算法求解多约束社区养老服务点选址优化模型,得到选址结果后并行输出。
更进一步的,所述方法中,以最短距离为目标构建多约束社区养老服务点选址优化模型时,首先建立目标函数,具体如下:
则约束条件为:
t≤0.25h ⑵
其中:ωh,ωuh,αi∈{0,1},i∈n
其中,n是所有需服务小区点{a1,a2,…,an}的集合;ωh和ωuh分别表示0-1决策变量,表示自理老人(1)和失能老人(0);
αi表示0-1决策变量,表示从第i个需服务小区到待建服务点之间是否需要乘坐公共交通工具;
(A,B)表示待建服务点的位置坐标;
(ai,bi)表示第i个需服务小区位置坐标;Vi表示第i个需服务小区附近公共交通工具的平均速度;
t表示老年人乘坐公共交通工具耗费的最长时间。
更进一步的,所述方法中,利用算术优化算法求解多约束社区养老服务点选址优化模型时,在所需服务小区周围随机选择N个待建服务点的候选点,所有候选点的坐标被扩展成一个N×N的矩阵,具体表示如下:
更进一步的,所述方法中,利用算术优化算法求解多约束社区养老服务点选址优化模型时,建立算法中探索阶段和开发阶段的转换函数如下:
其中,iter为当前迭代次数,Max_iter为最大迭代次数,Max和Min是加速函数的最大值和最小值。
更进一步的,所述方法中,利用算术优化算法求解多约束社区养老服务点选址优化模型时,探索阶段算法迭代更新函数如下:
其中,α是敏感参数,ε是极小的正整数,best表示当前最优值,UB和LB是划定范围的上下界,μ是控制参数,r2是[0,1]的随机数。
更进一步的,所述方法中,利用算术优化算法求解多约束社区养老服务点选址优化模型时,开发阶段算法迭代更新函数如下:
其中,r3是[0,1]的随机数。
更进一步的,所述方法中,使用自适应并行的算术优化算法求解多约束社区养老服务点选址优化模型时,通过引入自适应调整来改变敏感参数α,具体公式如下:
α(iter)=1-α′(iter)+ε (10)
其中,αmax和αmin是敏感参数的最大值和最小值,f,fmin,fmax,favg分别是适应度值,最小适应度值,最大适应度值和平均适应度值。
更进一步的,所述方法中,使用自适应并行的算术优化算法求解多约束社区养老服务点选址优化模型时,引入多组并行交流策略,在算法执行的开始,将整个候选点分为多个群组,每个群组按照不同的交流策略进行迭代更新,在达到一定的迭代次数每个群组互相通信,按照“优胜劣汰”的规则进行更新。
更进一步的,所述方法中,开始迭代更新时,依靠函数选择此次更新的阶段是探索还是开发,并通过使用随机数进行比较,来选择进行更新的阶段;
前期进入探索阶段进行大量的探索,找到全局最优附近的区域,为开发阶段找到全局最优解做准备;
在探索阶段利用基本算术符的“乘除”“加减”算子进行搜索,找到全局最优解。
第二方面,本发明提供了一种自适应并行的社区养老服务点选址优化系统,包括处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现第一方面所述的自适应并行的社区养老服务点选址优化方法。
本发明的有益效果为:
本发明针对于算术优化算法收敛速度慢,易陷入局部最优等问题,使用自适应改变参数和多组多策略的并行机制进行改进。改进后的算法虽然在一定程度上增加了空间复杂度,但是却降低了时间复杂度,并且自适应改变参数的方法提高了算法跳出局部最优的能力,多组多策略的并行机制一定程度上保证了种群多样性,防止算法陷入局部最优。改进算法,设定不同实验参数,并进行对比实验,结果表明:改进后的算法有效地提高了收敛速度并提高了算法的寻优精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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是本发明实施例采取自适应并行的算术优化算法求解社区养老服务点选址模型的流程图;
图2是本发明实施例多组多策略的并行交流机制示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例提供一种应用算术优化算法的社区养老服务点选址优化方法,具体包括如下步骤:
以老年人出行距离最短为目标,构建多约束社区养老服务点选址优化模型;
利用算术优化算法求解模型,得到选址结果;
利用算术优化算法求解模型,得到初始寻优的选址结果。
本实施例构建社区养老服务点选址优化的模型,社区养老服务点需要满足以下条件:
社区养老服务点的建设地址尽可能接近老年人口密度大的小区;
健康老人步行距离最优是1.2km,或者说出行时间要控制在0.25h之内;
老年人口密度较低的小区要满足小区与服务点之间有公共交通。
约束条件为:
t≤0.25h (2)
其中:ωh,ωuh,αi∈{0,1},i∈n
其中,n是所有需服务小区点{a1,a2,…,an}的集合;ωh和ωuh分别表示0-1决策变量,表示自理老人(1)和失能老人(0);
αi表示0-1决策变量,表示从第i个需服务小区到待建服务点之间是否需要乘坐公共交通工具(需要为1,不需要为0);
(A,B)表示待建服务点的位置坐标;
(ai,bi)表示第i个需服务小区位置坐标;Vi表示第i个需服务小区附近公共交通工具的平均速度;
t表示老年人乘坐公共交通工具耗费的最长时间(一般不超过0.25h)。
实施例2
在实施例1的基础上,本实施例额外地提供了一种算术优化算法,具体如下:
在所需服务小区周围随机选择N个待建服务点的候选点,所有候选点的坐标被扩展成一个N×N的矩阵,具体表示如下:
本实施例利用算术优化算法求解多约束社区养老服务点选址优化模型时,建立算法中探索阶段和开发阶段的转换函数如下:
其中,iter为当前迭代次数,Max_iter为最大迭代次数,Max和Min是加速函数的最大值和最小值。
本实施例利用算术优化算法求解多约束社区养老服务点选址优化模型时,探索阶段算法迭代更新函数如下:
其中,α是敏感参数,ε是极小的正整数,best表示当前最优值,UB和LB是划定范围的上下界,μ是控制参数,r2是[0,1]的随机数。
本实施例利用算术优化算法求解多约束社区养老服务点选址优化模型时,开发阶段算法迭代更新函数如下:
其中,r3是[0,1]的随机数。
实施例3
在实施例1的基础上,本实施例额外地提供了一种自适应并行的算术优化算法,具体如下:
本实施例自适应参数调整,通过引入自适应调整来改变敏感参数α,具体公式如下:
α(iter)=1-α′(iter)+ε (10)
其中,αmax和αmin是敏感参数的最大值和最小值,f,fmin,fmax,favg分别是适应度值,最小适应度值,最大适应度值本实施例使用自适应并行的算术优化算法求解多约束社区养老服务点选址优化模型时,引入多组并行交流策略,在算法执行的开始,将所有候选点分为多个群组,每个群组按照不同的交流策略进行迭代更新,在达到一定的迭代次数每个群组互相通信,按照“优胜劣汰”的规则进行更新。
通过本实施例提出自适应调整参数公式,计算算法中的敏感参数,将其用于探索阶段和开发阶段迭代更新中,自适应调整参数的好处是防止算法陷入局部最优,提高获取局部最优的能力。引入多群组通信策略,增加种群多样性从而提高寻优能力。
在具体实施层面,本实施例将随机性添加到通信策略中,并在局部搜索和全局搜索中使用不同的策略,这有助于小组充分通信。
图2所示,本实施例对于局部:任意选择两组,每次迭代用一组具有最佳适应度的粒子替换另一组具有最差适应度的粒子。
本实施例对于全局:每迭代一次,全局最佳粒子将替换组中最差的粒子。使用这两种策略的目的是增强算法的随机性,加强种群间的通信,避免算法过早收敛,从而提高算法的鲁棒性。
实施例4
在具体实施层面,本实施例为选择合适的位置建设社区养老服务点,为了满足就近享受养老服务的需求,要求选择的社区养老服务点的位置到各个小区的距离越近越好。接下来执行算法,算法流程图如图1所示,包含以下步骤:
在包含几个小区的决策空间中随机初始化N个待建社区养老服务点候选点位置,此案例设为500,将N个位置随机分为g个子种群。
对算法中固定的参数进行初始化,如最大迭代次数设为1000,Max=1,Min=0.2,μ=0.49。
通过本实施例构建的社区养老服务点选址的目标函数,计算初始化后每个候选点位置的适应度值并找出局部最优和局部最差,然后计算当前迭代过程中所有候选点位置的平均适应度值。
本实施例算法开始迭代更新,需要依靠MOA函数选择此次更新的阶段是探索还是开发。通过使用一个[0,1]的随机数与MOA进行比较,来选择进行更新的阶段。
本实施例算法一般前期进入探索阶段进行大量的探索,找到全局最优附近的区域,为开发阶段找到全局最优解做准备。在探索阶段利用基本算术符的“乘除”算子进行搜索。
本实施例算法在探索阶段已经找到全局最优解附近的区域,开发阶段的任务就是找出全局最优解。利用基本运算符的“加减”算子进行搜索。
本实施例每个子种群按照自身的策略进行迭代更新,在达到T次迭代次数时进行局部的组间交流,达到2T次迭代次数时进行全局交流。
本实施例一轮迭代结束后,比较算法更新后的解与之前解的优劣,好的留下,差的丢弃。
本实施例算法一直重复以上步骤,直到满足最大迭代次数后,输出最优值。
本实施例为社区养老服务点选址优化问题提供了一种有效的解决方案,针对社区养老服务点选址存在的问题以及对老年人享受社区养老服务的需求作了详细的分析讨论,建立了完备的非线性约束的目标函数,并采用改进后的自适应并行的算术优化算法对模型进行求解。相对于传统的选址方法,借助计算机技术对社区养老服务点进行科学选址,使得选址结果公平最大化。
实施例5
本实施例提供一种自适应并行的社区养老服务点选址优化系统,包括处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现自适应并行的社区养老服务点选址优化方法。
综上,本发明针对于算术优化算法收敛速度慢,易陷入局部最优等问题,使用自适应改变参数和多组多策略的并行机制进行改进。改进后的算法虽然在一定程度上增加了空间复杂度,但是却降低了时间复杂度,并且自适应改变参数的方法提高了算法跳出局部最优的能力,多组多策略的并行机制一定程度上保证了种群多样性,进而防止算法陷入局部最优。改进算法,设定不同实验参数,并进行对比实验,结果表明:改进后的算法有效地提高了收敛速度和提高算法的寻优精度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种自适应并行的社区养老服务点选址优化方法,其特征在于,包括以下步骤:
S1获取目标区域的养老服务点数据、城市水域数据和城市道路数据;
S2以S1数据计算老年人出行距离,并以最短距离为目标构建多约束社区养老服务点选址优化模型;
S3利用算术优化算法求解多约束社区养老服务点选址优化模型,得到选址结果后输出;
S4使用自适应并行的算术优化算法求解多约束社区养老服务点选址优化模型,得到并行计算寻优后的选址结果并输出。
2.根据权利要求1所述的自适应并行的社区养老服务点选址优化方法,其特征在于,所述方法中,以最短距离为目标构建多约束社区养老服务点选址优化模型时,首先建立目标函数,具体如下:
则约束条件为:
t≤0.25h ⑵
其中:ωh,ωuh,αi∈{0,1},i∈n
其中,n是所有需服务小区点{a1,a2,…,an}的集合;ωh和ωuh分别表示0-1决策变量,表示自理老人(1)和失能老人(0);
αi表示0-1决策变量,表示从第i个需服务小区到待建服务点之间是否需要乘坐公共交通工具;
(A,B)表示待建服务点的位置坐标;
(ai,bi)表示第i个需服务小区位置坐标;Vi表示第i个需服务小区附近公共交通工具的平均速度;
t表示老年人乘坐公共交通工具耗费的最长时间。
8.根据权利要求7所述的自适应并行的社区养老服务点选址优化方法,其特征在于,所述方法中,使用自适应并行的算术优化算法求解多约束社区养老服务点选址优化模型时,引入多组并行交流策略,在算法执行的开始,将整个候选点分为多个群组,每个群组按照不同的交流策略进行迭代更新,在达到一定的迭代次数每个群组互相通信,按照“优胜劣汰”的规则进行更新。
9.根据权利要求1所述的自适应并行的社区养老服务点选址优化方法,其特征在于,所述方法中,开始迭代更新时,依靠函数选择此次更新的阶段是探索还是开发,并通过使用随机数进行比较,来选择进行更新的阶段;
前期进入探索阶段进行大量的探索,找到全局最优附近的区域,为开发阶段找到全局最优解做准备;
在探索阶段利用基本算术符的“乘除”“加减”算子进行搜索,找到全局最优解。
10.一种自适应并行的社区养老服务点选址优化系统,包括处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如权利要求1至9中任一项所述的自适应并行的社区养老服务点选址优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666764.0A CN114358414A (zh) | 2021-12-30 | 2021-12-30 | 一种自适应并行的社区养老服务点选址优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666764.0A CN114358414A (zh) | 2021-12-30 | 2021-12-30 | 一种自适应并行的社区养老服务点选址优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358414A true CN114358414A (zh) | 2022-04-15 |
Family
ID=81106249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111666764.0A Pending CN114358414A (zh) | 2021-12-30 | 2021-12-30 | 一种自适应并行的社区养老服务点选址优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358414A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455553A (zh) * | 2023-12-08 | 2024-01-26 | 青岛理工大学 | 一种地铁站客流量预测的方法 |
CN117689417A (zh) * | 2023-12-20 | 2024-03-12 | 国网湖北省电力有限公司物资公司 | 应用于物流配送中心选址的优化方法和系统 |
CN118521125A (zh) * | 2024-07-19 | 2024-08-20 | 深圳市华腾物联科技有限公司 | 一种智慧社区养老服务管理方法及系统 |
-
2021
- 2021-12-30 CN CN202111666764.0A patent/CN114358414A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455553A (zh) * | 2023-12-08 | 2024-01-26 | 青岛理工大学 | 一种地铁站客流量预测的方法 |
CN117455553B (zh) * | 2023-12-08 | 2024-04-30 | 青岛理工大学 | 一种地铁站客流量预测的方法 |
CN117689417A (zh) * | 2023-12-20 | 2024-03-12 | 国网湖北省电力有限公司物资公司 | 应用于物流配送中心选址的优化方法和系统 |
CN118521125A (zh) * | 2024-07-19 | 2024-08-20 | 深圳市华腾物联科技有限公司 | 一种智慧社区养老服务管理方法及系统 |
CN118521125B (zh) * | 2024-07-19 | 2024-10-11 | 深圳市华腾物联科技有限公司 | 一种智慧社区养老服务管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114358414A (zh) | 一种自适应并行的社区养老服务点选址优化方法及系统 | |
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
CN110996287B (zh) | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN117557069B (zh) | 一种充电桩选址方法及系统、电子设备、存储介质 | |
CN116242383B (zh) | 一种基于增强哈里斯鹰算法的无人车路径规划方法 | |
CN114721402B (zh) | 一种基于改进蚁群算法的泊车路径规划方法及系统 | |
CN110276437A (zh) | 基于Fuch映射的混合改进灰狼优化算法 | |
JP2010134863A (ja) | 制御対象の制御入力決定手段 | |
CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
CN108399105B (zh) | 一种基于改进头脑风暴算法的软硬件划分方法 | |
CN118132268A (zh) | 基于学习型指数分布优化算法的云资源自适应调度方法 | |
CN113467481B (zh) | 一种基于改进Sarsa算法的路径规划方法 | |
Li et al. | Parallel hybrid island metaheuristic algorithm | |
CN112651488A (zh) | 一种改善大型图卷积神经网络的训练效率的方法 | |
CN116700258B (zh) | 一种基于人工势场法和强化学习的智能车路径规划方法 | |
CN115047906B (zh) | 基于优化粒子群算法的多无人机协同攻击移动目标任务分配方法 | |
CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
Lee et al. | Automatic clustering with differential evolution using cluster number oscillation method | |
Tan et al. | A fast and stable forecasting model to forecast power load | |
CN114519457A (zh) | 基于粒子群的省级智慧能源服务平台任务调度方法及系统 | |
CN114493106A (zh) | 一种基于地理划分的空间众包任务分配方法 | |
Xu et al. | Multi-objective optimization based on chaotic particle swarm optimization |
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 |