CN115130787A - 应急资源调度方案的配置方法、系统、终端设备及介质 - Google Patents

应急资源调度方案的配置方法、系统、终端设备及介质 Download PDF

Info

Publication number
CN115130787A
CN115130787A CN202211037255.6A CN202211037255A CN115130787A CN 115130787 A CN115130787 A CN 115130787A CN 202211037255 A CN202211037255 A CN 202211037255A CN 115130787 A CN115130787 A CN 115130787A
Authority
CN
China
Prior art keywords
resource scheduling
emergency resource
emergency
determining
fitness function
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
Application number
CN202211037255.6A
Other languages
English (en)
Inventor
徐大用
蒋会春
沈赣苏
房龄航
秦宇
张波
焦圆圆
习树峰
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.)
Shenzhen Technology Institute of Urban Public Safety Co Ltd
Original Assignee
Shenzhen Technology Institute of Urban Public Safety Co Ltd
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 Shenzhen Technology Institute of Urban Public Safety Co Ltd filed Critical Shenzhen Technology Institute of Urban Public Safety Co Ltd
Priority to CN202211037255.6A priority Critical patent/CN115130787A/zh
Publication of CN115130787A publication Critical patent/CN115130787A/zh
Pending legal-status Critical Current

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"
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling

Landscapes

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

Abstract

本发明公开了一种应急资源调度方案的配置方法、系统、终端设备及介质，包括：根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解对应急资源调度方案进行配置。本发明能够实现灵活高效的应急资源调度。

Description

应急资源调度方案的配置方法、系统、终端设备及介质
技术领域
本发明涉及智能调度技术领域，尤其是涉及一种应急资源调度方案的配置方法、系统、终端设备以及计算机可读存储介质。
背景技术
物流如同现在社会的毛细血管连接着千家万户，与人们的生产生活息息相关。物资智能调度研究是综合性非常强的领域，它涉及到信息技术、人工智能、算法研究等不同领域，而在具体的算法研究中，又面临路线规划、运输成本、车辆容量、物资需求场景等诸多具体因素的约束。在相关技术中，普遍通过车辆路线规划算法、单车辆带时窗的装卸货算法、sweep扫描算法、蚁群算法、粒子群算法、遗传算法等方式实现物资智能调度。
其中，单车辆带时窗的装卸货算法是一种较为成熟的算法，但是该算法无法适用于多车辆应急调度场景。在实际的物资调度场景中，对调度时效性有很高要求，需要以最快的速度把物资运送到目的地。
因此，现有的物资调度方式存在一定局限性，无法适用于各类物资调度场景，调度效率较为低下。
发明内容
本发明的主要目的在于提供一种应急资源调度方案的配置方法、系统、终端设备以及计算机可读存储介质，旨在实现灵活高效的应急资源调度。
为实现上述目的，本发明提供一种应急资源调度方案的配置方法，所述应急资源调度方案的配置方法包括：
根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；
基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；
基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解对应急资源调度方案进行配置。
可选地，在所述根据预设的应急资源调度参数确定应急资源调度目标函数的步骤之前，还包括：
获取所述应急资源调度参数，所述应急资源调度参数包括：应急资源调度时间窗口、应急资源调度车辆数量、应急资源调度车辆运输成本和应急资源调度节点。
可选地，在所述根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体的步骤之后，还包括：
基于所述应急资源调度参数，构建所述应急资源调度目标函数的约束条件，以基于所述应急资源调度目标函数，并结合所述约束条件，确定所述适应度函数值对应的帕累托最优解，其中，所述约束条件包括：应急资源调度车辆容量约束、应急资源调度时间约束和应急资源调度车辆取货和卸货的优先性约束。
可选地，所述基于所述适应度函数值从所述帕累托最优解中确定全局最优解的步骤包括：
按照预设排序规则，将所述适应度函数值对应的帕累托最优解进行排序得到全局最优解，其中，所述全局最优解包括：应急资源调度车辆总数、应急资源调度等待时长和应急资源调度车辆运输成本。
可选地，在所述获取初始群体的步骤之前，还包括：
确定执行应急资源调度任务的应急资源调度车辆，并将所述应急资源调度车辆所前往的应急资源调度节点作为第一初始群体；
将所述应急资源调度节点的节点数量作为第二初始群体；
所述确定初始群体的步骤，包括：
将所述第一初始群体和所述第二初始群体进行匹配得到所述初始群体。
可选地，在所述基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值的步骤之后，包括：
判断所述初始群体的适应度函数值是否超过预设的适应度阈值；
若否，则针对所述初始群体进行交叉和变异得到区别于所述初始群体的中间群体，直至所述中间群体的适应度函数值超过所述适应度阈值。
可选地，所述基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值的步骤，包括：
基于所述应急资源调度目标函数，通过遗传算法，确定所述初始群体对应的适应度函数和所述中间群体对应的适应度函数。
为实现上述目的，本发明还提供一种应急资源调度方案的配置系统，所述应急资源调度方案的配置系统，包括：
第一确定模块，用于根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；
第二确定模块，用于基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；
配置模块，用于基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解针对应急资源调度方案进行配置。
其中，本发明应急资源调度方案的配置系统的各个功能模块各自在运行时均实现如上所述的应急资源调度方案的配置方法的步骤。
为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的应急资源调度方案的配置程序，所述应急资源调度方案的配置程序被所述处理器执行时实现如上所述的应急资源调度方案的配置方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有应急资源调度方案的配置程序，所述应急资源调度方案的配置程序被处理器执行时实现如上所述的应急资源调度方案的配置方法的步骤。
此外，为实现上述目的，本发明还提供计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的应急资源调度方案的配置方法的步骤。
本发明提供一种应急资源调度方案的配置方法、系统、终端设备、计算机可读存储介质以及计算机程序产品，根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解对应急资源调度方案进行配置。
相比于现有技术中通过单车辆带时窗的装卸货算法进行物资智能调度，在本发明中，在根据应急资源调度参数确定应急资源调度目标函数和初始群体，并在确定适应度函数后，将根据适应度函数值从帕累托最优解中确定全局最优解，利用全局最优解配置最优的应急资源调度方案。因此，本发明利用遗传算法和帕累托控制实现了应急资源调度最优方案的配置，在此基础上，能够将物资以最高效的方式配送至目的地，提升了应急资源的调度效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明应急资源调度方案的配置方法一实施例的第一流程示意图；
图3为本发明应急资源调度方案的配置方法一实施例的第一流程示意图；
图4为本发明应急资源调度方案的配置方法一实施例的初始群体第一示意图；
图5为本发明应急资源调度方案的配置方法一实施例的初始群体第二示意图；
图6为本发明应急资源调度方案的配置方法一实施例的初始群体第三示意图；
图7为本发明应急资源调度方案的配置方法一实施例的交叉后的初始群体示意图；
图8为本发明应急资源调度方案的配置方法一实施例的初始群体第四示意图示意图；
图9为本发明应急资源调度方案的配置方法一实施例的应急资源调度方案对应的解集示意图；
图10为本发明应急资源调度方案的配置系统一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是，本发明实施例终端设备可以是用于实现应急资源调度方案配置的终端设备，该终端设备具体可以是智能手机、个人计算机和服务器等。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应急资源调度方案的配置程序。操作系统是管理和控制设备硬件和软件资源的程序，支持应急资源调度方案的配置程序以及其它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的应急资源调度方案的配置程序，并执行以下操作：
根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；
基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；
基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解对应急资源调度方案进行配置。
进一步地，在所述根据预设的应急资源调度参数确定应急资源调度目标函数的步骤之前，处理器1001还可以用于调用存储器1005中存储的基于应急资源调度方案的配置程序，还执行以下操作：
获取所述应急资源调度参数，所述应急资源调度参数包括：应急资源调度时间窗口、应急资源调度车辆数量、应急资源调度车辆运输成本和应急资源调度节点。
进一步地，在所述根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体的步骤之后，处理器1001还可以用于调用存储器1005中存储的基于应急资源调度方案的配置程序，还执行以下操作：
基于所述应急资源调度参数，构建所述应急资源调度目标函数的约束条件，以基于所述应急资源调度目标函数，并结合所述约束条件，确定所述适应度函数值对应的帕累托最优解，其中，所述约束条件包括：应急资源调度车辆容量约束、应急资源调度时间约束和应急资源调度车辆取货和卸货的优先性约束。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于应急资源调度方案的配置程序，还执行以下操作：
按照预设排序规则，将所述适应度函数值对应的帕累托最优解进行排序得到全局最优解，其中，所述全局最优解包括：应急资源调度车辆总数、应急资源调度等待时长和应急资源调度车辆运输成本。
进一步地，在所述获取初始群体的步骤之前，处理器1001还可以用于调用存储器1005中存储的基于应急资源调度方案的配置程序，还执行以下操作：
确定执行应急资源调度任务的应急资源调度车辆，并将所述应急资源调度车辆所前往的应急资源调度节点作为第一初始群体；
将所述应急资源调度节点的节点数量作为第二初始群体；
处理器1001还可以用于调用存储器1005中存储的基于应急资源调度方案的配置程序，还执行以下操作：
将所述第一初始群体和所述第二初始群体进行匹配得到所述初始群体。
进一步地，在所述基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值的步骤之后，处理器1001还可以用于调用存储器1005中存储的基于应急资源调度方案的配置程序，还执行以下操作：
判断所述初始群体的适应度函数值是否超过预设的适应度阈值；
若否，则针对所述初始群体进行交叉和变异得到区别于所述初始群体的中间群体，直至所述中间群体的适应度函数值超过所述适应度阈值。
进一步地，处理器1001还可以用于调用存储器1005中存储的基于应急资源调度方案的配置程序，还执行以下操作：
基于所述应急资源调度目标函数，通过遗传算法，确定所述初始群体对应的适应度函数和所述中间群体对应的适应度函数。
参照图2，图2为本发明应急资源调度方案的配置方法第一实施例的流程示意图。
在相关技术中，通过采用单车辆带时窗的装卸货算法实现物资智能调度。
单车辆带时窗的装卸问题主要是研究当车辆的起点和终点为同一个仓库时，容量已知的一辆车如何满足多个配送需求问题。在这一需求下，有若干个约束条件：（1）从取货地点获取需求要早于在卸货地点释放需求；（2）取货卸货需要在特定的时间窗口完成，如果车辆到达时间早于固定的时间窗口，需要等待到指定时间；（3）车辆总运输成本最低。
单车辆带时窗的装卸问题主要的思路如下：
假设有N个节点，其中，N={n0，n1，n2，……，nm}，其中n0表示仓库，其他的ni（i = 1,2……m）表示客户位置。假设每一个客户都是配对的装卸货，最后一个索引m是一个偶数。因此，一般用{n1，n2，…，nm/2}代表装货地址，用{nm/2+1, nm/2+2…… nm}表示卸货地址。而对于任何一个装货地址ni，都有对应的卸货地址ni+(m+2)。任何一个地址ni（i≠0），都有如下：
客户需求qi，当qi>0时表示装货地址；当qi<0时表示卸货地址；当qi+qj=0时表示相同客户的装卸货地址；
时间窗口[ei，li]表示客户需求应该在这一时间窗口内得到满足，且li≥ei；
对于任何两节点<ni，nj>，路程时间tij是既定的，且tij=tji；
假设车辆最大容量为C，这意味着在任何既定时间，车辆的容量都不能超过它的最大容量C；
车辆从仓库（即取货地点）出发，终点可以是任何一个卸货地点，并且每一个节点恰好只去一次；
车辆需满足优先性约束和时窗约束，即，车辆应先到达取货地点再到达卸货地点，且应该在指定的时间窗口达到，如果车辆提前到达，需等待到时间ei。
而目标函数可根据具体情景确定，一般情况下目标函数的参数可以包括：总运输距离、总运输时间和在进行装卸货物时资源调度车辆司机的总等待时长等。
但是，单车辆带时窗的装卸货算法只能够适用于车辆较少的小型物流公司配送问题、无人机配送问题和小型船只配送等问题，或者适用于有过多约束条件的场景，使得货物配送问题能够简化为单车辆的物流配送问题。
基于上述问题，在本实施例中，为了满足应急资源调度的时效性，以最快的速度将物资送往目的地，提出了基于多车辆带时窗约束的多点需求（多个卸货节点）和多仓调拨（多个取货节点）的应急资源调度方案。
具体地，本实施例中的应急资源调度方案的配置方法包括以下步骤：
步骤S10，根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；
需要说明的是，在本实施例中，如图3所示，通过遗传算法和帕累托控制实现应急资源调度方案的最优配置。由于在遗传算法中适应度函数是最低控制标准，即，低于适应度函数的方案组合将被剔除，导致遗传算法并不适合应急物资的配送，以适应度函数作为方案选择的标准，选出的是“相对尚可”的配送方式，并不能选出最优的配送方式。因此。在本实施例中，引入了帕累托控制来确保选择出来的组合是现有条件下最优的应急资源调度方式。
因此，为了实现应急资源调度方案的最优配置，如图3所示，需要预先根据应急资源调度参数确定应急资源调度目标函数和遗传算法中的初始群体。在遗传算法中初始群体的选择是非常重要的，初始群体决定遗传算法收敛至全局最优的速度。
步骤S20，基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；
终端设备在根据预设的应急资源调度参数确定应急资源调度目标函数和遗传算法中的初始群体后，将进一步基于应急资源调度目标函数，根据初始群体确定对应的适应度函数值，并确定各个适应度函数值对应的帕累托最优解。
需要说明的是，在本实施例中，由于在遗传算法中的目标函数和适应度函数存在映射关系，因此，当确定应急资源调度目标函数和初始群体后，将进一步获取初始群体对应的适应度函数值以及利用该初始群体得到的中间群体的适应度函数值，以获取各个适应度函数值对应的帕累托最优解。
步骤S30，基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解对应急资源调度方案进行配置。
在获取各个适应度函数值确定对应的帕累托最优解后，由于此时的帕累托最优解为局部最优解，终端设备需要根据适应度函数值从局部的帕累托最优解中确定全局最优解，以利用全局最优解实现对应急资源调度方案的最优配置。
在本实施例中，终端设备预先根据应急资源调度参数确定应急资源调度目标函数和遗传算法中的初始群体。进一步基于应急资源调度目标函数，根据初始群体确定对应的适应度函数值，并确定各个适应度函数值对应的帕累托最优解。最终，终端设备可根据适应度函数值从局部的帕累托最优解中确定全局最优解，以利用全局最优解实现对应急资源调度方案的最优配置。
相比于现有技术中通过单车辆带时窗的装卸货算法进行物资智能调度，在本发明中，在根据应急资源调度参数确定应急资源调度目标函数和初始群体，并确定适应度函数后，将根据适应度函数值从适应度函数值对应的帕累托最优解中确定全局最优解，利用全局最优解配置最优的应急资源调度方案。因此，本发明利用遗传算法和帕累托控制实现了应急资源调度最优方案的配置，在此基础上，能够将物资以最高效的方式配送至目的地，提升了应急资源的调度效率。
进一步地，基于本发明应急资源调度方案的配置方法的第一实施例，提出本发明第二实施例。
在本实施例中，在上述步骤S10，“通过遗传算法，根据预设的应急资源调度参数确定应急资源调度目标函数和初始群体”之前，还可以包括：
步骤S40，获取所述应急资源调度参数，所述应急资源调度参数包括：应急资源调度时间窗口、应急资源调度车辆数量、应急资源调度车辆运输成本和应急资源调度节点。
终端设备在根据预设的应急资源调度参数确定应急资源调度目标函数和初始群体之前，需要预先确定应急资源调度参数，其中，应急资源调度参数可以包括：应急资源调度时间窗口[e i,l i]（i为节点，e i和l i分别为时间窗口的左临界时刻和右临界时刻）、应急资源调度车辆数量K、应急资源调度节点i和车辆k的运输成本C k 。
除此之外，在本实施例中，还包括了以下应急资源调度参数：
N：表示收货点、取货点和仓库地点；
N’：表示收货点和取货点；
N+：表示取货地点；
N-：表示卸货地点；
K：表示车辆数量；
d ij：表示节点i和节点j的欧几里得距离（若d ij=∞，则表示节点i和节点j之间的路线不存在）；
t ijk：表示车辆k从i点到j点的行驶时间；
s i：表示在i点的停留时间；
q i：表示在节点i处的货物数量（若q i>0，则点i为取货点；如果q i<0，则点i为卸货点；如果q i=0，则点i处已经完成装卸货；
Q k：表示车辆k的容量；
Figure 303202DEST_PATH_IMAGE001
；
A i：表示到达点i的时间；
D i：表示离开点i的时间；
y ik：表示车辆k到达点i时，车上的货物数量。
在此基础上，应急资源调度目标函数可以为：
Figure 377469DEST_PATH_IMAGE002
（1）
其中，D i表示离开点i的时间，l i表示应急资源调度时间窗口的右边界，C k 表示车辆k的运输成本，d ijk表示车辆k从节点i和节点j的欧几里得距离，X ijk表示车辆k从节点i出发，并到达节点j。
进一步地，上述步骤S10，“根据预设的应急资源调度参数确定应急资源调度目标函数和初始群体”之后，还可以包括：
步骤S50，基于所述应急资源调度参数，构建所述应急资源调度目标函数的约束条件，以基于所述应急资源调度目标函数，并结合所述约束条件，确定所述适应度函数值对应的帕累托最优解，其中，所述约束条件包括：应急资源调度车辆容量约束、所述应急资源调度时间约束和应急资源调度车辆取货和卸货的优先性约束。
终端设备在根据应急资源调度参数确定应急资源调度目标函数后，需要进一步基于上述应急资源调度参数构建应急资源调度目标函数的约束条件，其中，本实施例中的约束条件包括：应急资源调度车辆容量约束、应急资源调度时间约束和应急资源调度车辆取货和卸货的优先性约束等。
具体地，例如，应急资源调度车辆容量约束：
Figure 360861DEST_PATH_IMAGE003
（2）
其中，y ik和y jk分别表示车辆k到达节点i和j时，车上的货物数量，q i表示在节点i处的货物数量，Q k表示车辆k的容量。
应急资源调度时间约束（即时间窗口约束）：
Figure 229591DEST_PATH_IMAGE004
（3）
其中，A i表示到达点i的时间；e i和l i分别表示应急资源调度时间窗口的左右临界时刻，s i 表示在i点的停留时间。
应急资源调度车辆取货和卸货的优先性约束：
Figure 46238DEST_PATH_IMAGE005
（4）
其中，N+：表示取货地点，N-表示卸货地点。
另外，除了上述约束条件，本实施例中的约束条件，还包括了：
确保一个点只被同一辆车访问一次：
Figure 157151DEST_PATH_IMAGE006
（5）
确保车辆的起点和终点为同一位置：
Figure 493586DEST_PATH_IMAGE007
（6）
确保同一辆车的运输路线是连续的：
Figure 300261DEST_PATH_IMAGE008
（7）
总的来说，在本实施例中，通过上述式（2）至式（7），实现对应急资源调度目标函数的约束。
进一步地，上述步骤S30中，“基于所述适应度函数值从所述帕累托最优解中确定全局最优解”，可以包括：
步骤S301，按照预设排序规则，将所述适应度函数值对应的帕累托最优解进行排序得到全局最优解，其中，所述全局最优解包括：应急资源调度车辆总数、应急资源调度等待时长和应急资源调度车辆运输成本。
需要说明的是，在本实施例中，考虑到适应度函数是最低控制标准，即，低于适应度函数的方案组合将被剔除，通过遗传算法选出的是“相对尚可”的配送方式，并不能选出最优的配送方式。因此，在本实施例中，进一步将适应度函数值对应的帕累托最优解进行排序得到全局最优解，以确保选择出来的组合是现有条件下最优的应急资源调度方式。
对于多重优化问题P，它包含n个变量，其中m个不等式约束，p个等式约束以及h个优化标准，用公式表达如下：
Figure 604203DEST_PATH_IMAGE009
(8)
其中，g i(x)和g j(x)分别为个不等式约束和等式约束，f h为目标函数。
而帕累托控制是指：如果一个解受到解空间的其他解的控制，那么这个解就是最优解。在解空间E中，如果x控制y，可以表达为：
Figure 754693DEST_PATH_IMAGE010
(9)
进而，在本实施例中，基于上述的应急资源调度参数和约束条件，根据上述帕累托控制优化上述的应急资源调度目标函数（1），此时，针对应急资源调度目标函数最小化,需要考虑两种情况：
1）当f 11<f 21且f 12<f 22且f 13<f 23时，则可以认为解sol 1(f 11, f 12, f 13)控制解sol 2(f 21, f 22, f 23)，即，sol 2(f 21, f 22, f 23)为帕累托最优解，其中，f 11、f 12、f 13、为应急资源调度目标函数f 1对应的解，而f 21、f 22、f 23分别为应急资源调度目标函数f 2对应的解；
2）若，f 1=k，
Figure 709748DEST_PATH_IMAGE011
（10）
此时，对应的sol 1(f 11, f 12, f 13)和sol 2(f 21, f 22, f 23)出现以下情况时，则说明sol 1(f 11, f 12, f 13)不控制sol 2(f 21, f 22, f 23)，sol 2(f 21, f 22, f 23)不是最优解。
Figure 920281DEST_PATH_IMAGE012
（11）
通过帕累托控制对上述的应急资源调度目标函数的优化，可以获取各个适应度函数值对应的帕累托最优解，进而，能够将得到的帕累托最优解进行排序得到全局最优解，本实施例中的预设排序规则为：将最小的适应度函数值对应的帕累托最优解作为全局最优解。通过此种排序方式，能够从多个局部的帕累托最优解中获取全局最优解。
在本实施例中，终端设备在根据预设的应急资源调度参数确定应急资源调度目标函数和初始群体之前，需要预先确定包括应急资源调度时间窗口、应急资源调度车辆数量、应急资源调度节点和应急资源调度车辆运输成本的应急资源调度参数。终端设备在根据应急资源调度参数确定应急资源调度目标函数后，需要进一步基于上述应急资源调度参数构建应急资源调度目标函数的约束条件。最终将适应度函数值对应的帕累托最优解进行排序得到全局最优解，以确保选择出来的组合是现有条件下最优的应急资源调度方式。
可见，在本发明中，引入了不止一辆的应急资源调度车辆，并通过应急资源调度车辆容量约束、应急资源调度时间约束和应急资源调度车辆取货和卸货的优先性约束等对应急资源调度目标函数进行了约束，进而通过帕累托控制优化应急资源调度目标函数，最终得到了当前的全局最优解，以利用全局最优解配置最优的应急资源调度方案。因此，本发明极大的提升了应急资源调度效率。另外，本发明提供了多个备选方案，使得决策者可综合考虑利用全局最优解和/或局部的帕累托最优解进行应急资源调度方案规划，实现了应急资源调度方案的灵活配置，能够适用于各类物资调度场景。
进一步地，基于本发明应急资源调度方案的配置方法的第一实施例和第二实施例，提出本发明的第三实施例。
在本实施例中，在上述步骤S10，“获取初始群体”之前，还包括：
步骤S60，确定执行应急资源调度任务的应急资源调度车辆，并将所述应急资源调度车辆所前往的应急资源调度节点作为第一初始群体；
步骤S70，将所述应急资源调度节点的节点数量作为第二初始群体；
所述步骤S10，“获取初始群体”，可以包括：
步骤S101，按照预设匹配规则，将所述第一初始群体和所述第二初始群体进行匹配得到所述初始群体。
当采用遗传算法确定带多车辆带时窗约束的多点需求和多仓调拨的应急资源智能调度方案时，初始群体的选择是十分必要的，初始群体决定了遗传算法收敛至全局最优的速度。而在本实施例中，选择两个初始化群体，即第一初始群体和第二初始群体。
另外，终端设备在确定第一初始群体和第二初始群体之前，需要使用遗传算法中的染色体表示一系列的节点，如图4所示，在该图中，vertices为0表示仓库，由图可知，车辆i从仓库出发，依次访问了节点5、8、2、6、4、3、10、7、9和1，最终回到仓库。
在此基础上，本实施例中的第一初始化群体用Pnode表示，代表了图3中的所有节点，而第二初始化群体用Pvehicle表示，代表了一辆车可访问的节点数量。此时，若已知车辆索引k∈[1,N’/2]，当N’=10，则其中一个Pvehicle可如图5所示，在该图中，车辆V1参与了图4中6个节点之间的运输，而车辆V2参与了图4中4个节点之间的运输，车辆V3、V4和V5未参与此次运输。
进而，可进一步将第一初始化群体Pnode和第二初始化群体Pvehicle进行匹配得到初始群体Pnode-vehicle。在本实施例中不对第一初始群体和第二初始群体的匹配方式做具体限定。
具体地，例如，如图6所示，将第一初始化群体Pnode和第二初始化群体Pvehicle进行匹配得到初始群体Pnode-vehicle，在该图中，车辆V1所访问节点的初始化群体为C1，C1包含{5,8,2,6,4,3}共6个节点，而车辆V2所访问节点的初始化群体为C2，C2包含{10,7,9,1}共4个节点。
进一步地，上述步骤S20，“根据所述初始群体确定对应的适应度函数值”之后，还可以包括：
步骤S80，判断所述初始群体的适应度函数值是否超过预设的适应度阈值；
步骤S90，若否，则针对所述初始群体进行交叉和变异得到区别于所述初始群体的中间群体，直至所述初始群体的适应度函数值超过所述适应度阈值。
需要说明的是，在本实施例中，如图3所示，终端设备在获取到初始群体的适应度函数值后，需要进一步判断初始群体的适应度函数值是否超过预设的适应度阈值，并在判断到初始群体的适应度函数值未超过适应度阈值时，则针对初始群体在预设迭代次数内重复执行交叉和变异操作得到区别于初始群体的中间群体（中间群体即是装卸货节点和车辆的不同组合方式）。
具体地，例如，如图7所示，针对如图6所示的初始群体进行交叉得到新的中间群体。而变异操作主要是为了防止遗传算法在优化过程中陷入局部最优解。在本实施例中采用单点变异，即只对第一初始群体Pnode中的某一点进行变异，在二进制中，变异方式为将“0”变为“1”，并将“ 1”变为“0”。
进一步地，上述步骤S20中，“根据所述初始群体确定对应的适应度函数值”，可以包括：
步骤S201，基于所述应急资源调度目标函数，通过遗传算法，确定所述初始群体对应的适应度函数和所述中间群体对应的适应度函数。
终端设备在获取到初始群体，并针对该初始群体重复执行交叉和变异操作得到中间群体后，将进一步分别确定初始群体和中间群体对应的适应度函数值，以进一步确定适应度函数值对应的帕累托最优解，并从该帕累托最优解中确定全局最优解。
在本实施例中，终端设备确定第一初始群体Pnode和第二初始群体Pvehicle，并将第一初始化群体Pnode和第二初始化群体Pvehicle进行匹配得到初始群体Pnode-vehicle。终端设备在获取到初始群体的适应度函数值后，需要进一步判断初始群体的适应度函数值是否超过预设的适应度阈值，并在判断到初始群体的适应度函数值未超过适应度阈值时，则针对初始群体在预设迭代次数内重复执行交叉和变异操作得到区别于初始群体的中间群体。进而分别确定初始群体和中间群体对应的适应度函数值，以进一步确定适应度函数值对应的帕累托最优解。
在本发明中，根据应急资源调度节点和应急资源调度车辆确定初始群体，并将应急资源调度节点和应急资源调度车辆进行组合得到中间群体，并确定初始群体和中间群体的适应度函数值和适应度函数值对应的帕累托最优解。因此，在本发明中，能够提供多个急资源调度方式，使得决策者能够根据实际物资调度场景选择最为合适的方案，进而能够将物资以最高效的方式配送至目的地，提升了应急资源的调度效率。
进一步地，基于本发明应急资源调度方案的配置方法的第一实施例、第二实施例和第三实施例，提出本发明的第四实施例。
在本实施例中，将上述的应急资源调度方案的配置方法的各实施例应用于应急资源调度场景中。对于多目标优化问题，通常存在一个解集，其中的某一个解就全体目标函数而言是无法比较优劣的。这些解的特点是：无法在改进任何目标函数的同时不削弱至少一个其他目标函数。这个解就是帕累托最优解。而在本实施例中，通过适应度函数和帕累托最优的双重选择，循环运算，最终确定全局最优解。
具体地，例如，在多车辆带时窗约束的多点需求和多仓调拨的应急资源智能调度中，预先确定目标函数f 1、f 2和f 3，其中，f 1代表应急资源调度车辆总数，f 2代表应急资源调度车辆的总等待时间（包括装卸货过程中的等待时间），f 3代表应急资源调度车辆的总运输成本。若f 1=3，全部的节点数为10，则可确定如图8所示的初始群体Pnode-vehicle。
基于上述初始化群体，结合帕累托控制和遗传算法，完整的算法流程包括：
1）创建初始群体；
2）针对初始群体重复执行交叉和变异操作得到中间群体（可代表车辆在不同节点之间的路径）；
3）根据应急资源调度车辆容量约束和应急资源调度车辆取货和卸货的优先性约束对初始群体和中间群体进行纠错；
4）确定初始群体和中间群体对应的适应度函数，并确定各个适应度函数值对应的帕累托最优解Ppreto-dominance；
5）根据适应度函数的最小值，对多个Ppreto-dominance进行排序得到全局最优解。
通过上述步骤可以得到对应的解集，如图9所示，该解集为：sol 1=(2, t 12, C 13)，sol 2=(1, t 22,C23)，sol 3=(1, t 32, C 33)。若此时t 32< t 22<t 12，且，C 32<C22<C 12，则sol 3为当前群体的帕累托最优解，除此之外的解，都是非帕累托最优解。针对这些非帕累托最优解，需要依据更多的外部信息，如道路状况、应急物资配送的人力支援等，综合做出决策。
通过上述方式可获取多个帕累托最优解，以进一步根据适应度函数值对多个帕累托最优解进行排序，得到全局最优解。
此外，本发明实施例还提出一种应急资源调度方案的配置系统，参照图10，图10为本发明应急资源调度方案的配置一实施例的功能模块示意图。
本发明基于应急资源调度方案的配置系统的各个功能模块的具体实施方式与上述基于应急资源调度方案的配置方法各实施例基本相同，在此不做赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有应急资源调度方案的配置程序，所述应急资源调度方案的配置程序被处理器执行时实现如上所述的应急资源调度方案的配置方法的步骤。
本发明应急资源调度方案的配置系统和计算机可读存储介质的各实施例，均可参照本发明应急资源调度方案的配置方法各个实施例，此处不再赘述。
此外，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如以上应急资源调度方案的配置方法的任一项实施例所述的应急资源调度方案的配置方法的步骤。
本发明计算机程序产品的具体实施例与上述应急资源调度方案的配置方法的各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种应急资源调度方案的配置方法，其特征在于，所述应急资源调度方案的配置方法包括：
根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；
基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；
基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解对应急资源调度方案进行配置。
2.如权利要求1所述的应急资源调度方案的配置方法，其特征在于，在所述根据预设的应急资源调度参数确定应急资源调度目标函数的步骤之前，还包括：
获取所述应急资源调度参数，所述应急资源调度参数包括：应急资源调度时间窗口、应急资源调度车辆数量、应急资源调度车辆运输成本和应急资源调度节点。
3.如权利要求1所述的应急资源调度方案的配置方法，其特征在于，在所述根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体的步骤之后，还包括：
基于所述应急资源调度参数，构建所述应急资源调度目标函数的约束条件，以基于所述应急资源调度目标函数，并结合所述约束条件，确定所述适应度函数值对应的帕累托最优解，其中，所述约束条件包括：应急资源调度车辆容量约束、应急资源调度时间约束和应急资源调度车辆取货和卸货的优先性约束。
4.如权利要求1所述的应急资源调度方案的配置方法，其特征在于，所述基于所述适应度函数值从所述帕累托最优解中确定全局最优解的步骤包括：
按照预设排序规则，将所述适应度函数值对应的帕累托最优解进行排序得到全局最优解，其中，所述全局最优解包括：应急资源调度车辆总数、应急资源调度车辆运输成本和应急资源调度等待时长。
5.如权利要求1所述的应急资源调度方案的配置方法，其特征在于，在所述获取初始群体的步骤之前，还包括：
确定执行应急资源调度任务的应急资源调度车辆，并将所述应急资源调度车辆所前往的应急资源调度节点作为第一初始群体；
将所述应急资源调度节点的节点数量作为第二初始群体；
所述获取初始群体的步骤，包括：
将所述第一初始群体和所述第二初始群体进行匹配得到所述初始群体。
6.如权利要求1所述的应急资源调度方案的配置方法，其特征在于，在所述基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值的步骤之后，包括：
判断所述初始群体的适应度函数值是否超过预设的适应度阈值；
若否，则针对所述初始群体进行交叉和变异得到区别于所述初始群体的中间群体，直至所述中间群体的适应度函数值超过所述适应度阈值。
7.如权利要求6所述的应急资源调度方案的配置方法，其特征在于，所述基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值的步骤，包括：
基于所述应急资源调度目标函数，通过遗传算法，确定所述初始群体对应的适应度函数值和所述中间群体对应的适应度函数值。
8.一种应急资源调度方案的配置系统，其特征在于，所述应急资源调度方案的配置系统包括：
第一确定模块，用于根据预设的应急资源调度参数确定应急资源调度目标函数，并获取初始群体；
第二确定模块，用于基于所述应急资源调度目标函数，根据所述初始群体确定对应的适应度函数值，并确定所述适应度函数值对应的帕累托最优解；
配置模块，用于基于所述适应度函数值从所述帕累托最优解中确定全局最优解，并根据所述全局最优解针对应急资源调度方案进行配置。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的应急资源调度方案的配置程序，所述基于应急资源调度方案的配置程序被所述处理器执行时实现如权利要求1至7中任一项所述的应急资源调度方案的配置方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于应急资源调度方案的配置程序，所述应急资源调度方案的配置程序被处理器执行时实现如权利要求1至7中任一项所述的应急资源调度方案的配置方法的步骤。
CN202211037255.6A 2022-08-29 2022-08-29 应急资源调度方案的配置方法、系统、终端设备及介质 Pending CN115130787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211037255.6A CN115130787A (zh) 2022-08-29 2022-08-29 应急资源调度方案的配置方法、系统、终端设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211037255.6A CN115130787A (zh) 2022-08-29 2022-08-29 应急资源调度方案的配置方法、系统、终端设备及介质

Publications (1)

Publication Number Publication Date
CN115130787A true CN115130787A (zh) 2022-09-30

Family

ID=83387000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211037255.6A Pending CN115130787A (zh) 2022-08-29 2022-08-29 应急资源调度方案的配置方法、系统、终端设备及介质

Country Status (1)

Country Link
CN (1) CN115130787A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172516A (zh) * 2023-11-03 2023-12-05 深圳航天科创泛在电气有限公司 充电桩动态调度决策方法、装置、设备及存储介质

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506846A (zh) * 2017-07-10 2017-12-22 北京石油化工学院 一种基于多目标粒子群优化算法的车辆调度方法与装置
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
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
CN111291888A (zh) * 2020-01-21 2020-06-16 西安科技大学 一种机场特种车辆调度优化方法
CN111626545A (zh) * 2020-04-06 2020-09-04 合肥工业大学 应急救援物资高维多目标分配方法和系统
CN112288152A (zh) * 2020-10-22 2021-01-29 武汉大学 一种基于蚁群算法和多目标函数模型的应急资源调度方法
CN112733272A (zh) * 2021-01-13 2021-04-30 南昌航空大学 一种解决带软时间窗的车辆路径问题的方法
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
CN113344267A (zh) * 2021-05-31 2021-09-03 重庆交通大学 一种基于合作的物流网络资源配置优化方法
CN113408771A (zh) * 2020-03-16 2021-09-17 北京京东振世信息技术有限公司 物品出库调度方法、装置以及存储介质
CN113570112A (zh) * 2021-06-30 2021-10-29 南京理工大学 求解考虑合作的带时间窗的车辆路径问题的优化算法
CN113780676A (zh) * 2021-09-23 2021-12-10 河南科技大学 一种瓶装液化气车辆配送路径优化方法
CN113848970A (zh) * 2021-08-31 2021-12-28 中南大学 一种车辆-无人机多目标协同路径规划方法
CN113919772A (zh) * 2021-09-26 2022-01-11 山东师范大学 一种含时间窗的时变车辆路径规划方法及系统
CN113962072A (zh) * 2021-10-12 2022-01-21 深圳市城市公共安全技术研究院有限公司 应急预案检查方法、装置及计算机可读存储介质
CN113962481A (zh) * 2021-11-15 2022-01-21 北京市应急管理科学技术研究院 一种应急物资的资源配置方法、装置和服务器
CN113988570A (zh) * 2021-10-22 2022-01-28 桂林电子科技大学 一种基于多目标进化算法的旅游大巴车调度优化方法
CN114004008A (zh) * 2020-11-29 2022-02-01 西北工业大学 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法
CN114492953A (zh) * 2022-01-06 2022-05-13 重庆科技学院 突发公共事件拉动集结应急资源布局优化决策方法、系统
CN114546829A (zh) * 2022-01-18 2022-05-27 深圳市城市公共安全技术研究院有限公司 测试方案体系的方法、装置、存储介质及电子设备

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506846A (zh) * 2017-07-10 2017-12-22 北京石油化工学院 一种基于多目标粒子群优化算法的车辆调度方法与装置
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
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
CN111291888A (zh) * 2020-01-21 2020-06-16 西安科技大学 一种机场特种车辆调度优化方法
CN113408771A (zh) * 2020-03-16 2021-09-17 北京京东振世信息技术有限公司 物品出库调度方法、装置以及存储介质
CN111626545A (zh) * 2020-04-06 2020-09-04 合肥工业大学 应急救援物资高维多目标分配方法和系统
CN112288152A (zh) * 2020-10-22 2021-01-29 武汉大学 一种基于蚁群算法和多目标函数模型的应急资源调度方法
CN114004008A (zh) * 2020-11-29 2022-02-01 西北工业大学 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法
CN112733272A (zh) * 2021-01-13 2021-04-30 南昌航空大学 一种解决带软时间窗的车辆路径问题的方法
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
CN113344267A (zh) * 2021-05-31 2021-09-03 重庆交通大学 一种基于合作的物流网络资源配置优化方法
CN113570112A (zh) * 2021-06-30 2021-10-29 南京理工大学 求解考虑合作的带时间窗的车辆路径问题的优化算法
CN113848970A (zh) * 2021-08-31 2021-12-28 中南大学 一种车辆-无人机多目标协同路径规划方法
CN113780676A (zh) * 2021-09-23 2021-12-10 河南科技大学 一种瓶装液化气车辆配送路径优化方法
CN113919772A (zh) * 2021-09-26 2022-01-11 山东师范大学 一种含时间窗的时变车辆路径规划方法及系统
CN113962072A (zh) * 2021-10-12 2022-01-21 深圳市城市公共安全技术研究院有限公司 应急预案检查方法、装置及计算机可读存储介质
CN113988570A (zh) * 2021-10-22 2022-01-28 桂林电子科技大学 一种基于多目标进化算法的旅游大巴车调度优化方法
CN113962481A (zh) * 2021-11-15 2022-01-21 北京市应急管理科学技术研究院 一种应急物资的资源配置方法、装置和服务器
CN114492953A (zh) * 2022-01-06 2022-05-13 重庆科技学院 突发公共事件拉动集结应急资源布局优化决策方法、系统
CN114546829A (zh) * 2022-01-18 2022-05-27 深圳市城市公共安全技术研究院有限公司 测试方案体系的方法、装置、存储介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘雪梅等: "模糊时间窗约束下的装配线物料配送方案优化", 《中国机械工程》 *
康斌等: "突发事件下多目标应急救援物资配送路径规划", 《科学技术与工程》 *
张瑾等: "双目标冷链物流车辆路径问题及其遗传蚁群求解", 《科学技术与工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172516A (zh) * 2023-11-03 2023-12-05 深圳航天科创泛在电气有限公司 充电桩动态调度决策方法、装置、设备及存储介质
CN117172516B (zh) * 2023-11-03 2024-03-05 深圳航天科创泛在电气有限公司 充电桩动态调度决策方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112418497B (zh) 一种面向制造物联的物料配送路径优化方法
Liu et al. Novel multi-objective resource allocation and activity scheduling for fourth party logistics
Dondo et al. The heterogeneous vehicle routing and truck scheduling problem in a multi-door cross-dock system
CN111639854B (zh) 车辆分配方法、装置、电子设备和存储介质
CN103246969B (zh) 一种物流调配的实现方法和装置
CN115032997B (zh) 一种基于蚁群算法的第四方物流运输路径规划方法
Liu et al. A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines
McWilliams et al. Minimizing the completion time of the transfer operations in a central parcel consolidation terminal with unequal-batch-size inbound trailers
JP2012517041A (ja) 遺伝的アプローチによる期限付きタスクの受付制御・スケジューリング方法、システムおよびプログラム
Pérez Rivera et al. Integrated scheduling of drayage and long-haul operations in synchromodal transport
Liu et al. A framework for scheduling in cloud manufacturing with deep reinforcement learning
CN115130787A (zh) 应急资源调度方案的配置方法、系统、终端设备及介质
Xing et al. Integrated automated guided vehicle dispatching and equipment scheduling with speed optimization
JP2022522927A (ja) 通信サーバ装置およびその運用方法
Hao et al. Introduction to the dynamic pickup and delivery problem benchmark--ICAPS 2021 competition
Fontes et al. A bi-objective multi-population biased random key genetic algorithm for joint scheduling quay cranes and speed adjustable vehicles in container terminals
Mareddy et al. Development of scheduling methodology in a multi-machine flexible manufacturing system without tool delay employing flower pollination algorithm
CN112308312B (zh) 留仓包裹转送方法、模型训练方法及相关设备
CN111199321B (zh) 运输网络的优化方法、装置、介质及计算机设备
Silva et al. Concrete delivery using a combination of GA and ACO
Branisso et al. A multi-agent system using fuzzy logic to increase AGV fleet performance in warehouses
CN113065274B (zh) 车辆路径的规划方法、装置、终端及可读存储介质
Lee et al. Endosymbiotic evolutionary algorithm for an integrated model of the vehicle routing and truck scheduling problem with a cross-docking system
Shan et al. A distributed multi-robot task allocation method for time-constrained dynamic collective transport
CN115796528A (zh) 一种重载铁路装车端空车调配方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220930

RJ01 Rejection of invention patent application after publication