CN115907238B - 基于改进猎食者优化算法的多目标应急物资中心选址方法 - Google Patents
基于改进猎食者优化算法的多目标应急物资中心选址方法 Download PDFInfo
- Publication number
- CN115907238B CN115907238B CN202310167780.8A CN202310167780A CN115907238B CN 115907238 B CN115907238 B CN 115907238B CN 202310167780 A CN202310167780 A CN 202310167780A CN 115907238 B CN115907238 B CN 115907238B
- Authority
- CN
- China
- Prior art keywords
- emergency
- hunter
- improved
- demand
- optimization algorithm
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000000463 material Substances 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000011084 recovery Methods 0.000 claims abstract description 4
- 238000011161 development Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000005251 gamma ray Effects 0.000 claims 1
- 238000010187 selection method Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 12
- 238000009825 accumulation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于改进猎食者优化算法的多目标应急物资中心选址方法，包括：根据应急事件不同时期的特点不同，分为初期和后期，对需求点应急物资需求量进行动态预测；基于所预测的物资需求量、受灾人员情况、基础设施等影响因子，构建需求点救援优先级评价体系；针对应急事件不同时期的救援任务与工作不同，构建动态环境下的多目标应急物资中心选址模型；利用改进的猎食者优化算法对数学模型进行求解，输出多目标应急物资中心选址的最佳方案。本发明有效降低算法陷入局部最优的问题，提升算法的收敛性。
Description
技术领域
本发明涉及应急物流技术领域，尤其涉及基于改进猎食者优化算法的多目标应急物资中心选址方法。
背景技术
应急物流体系是一个多层次的系统，要综合考虑多种实际问题，这些实际问题往往相互约束或相互抑制，能够将这些实际问题进行均衡化处理会对应急事件的处理更加合理全面；同时应急物流体系还是一个多阶段的系统。多目标优化问题往往包含许多相互冲突的目标函数，因此存在许多最优解。通过求解多目标优化问题，避免了求解的高度同质性，这和单目标问题有很大的差别。
传统启发式算法从仿生学发展而来，求解速度快；但是该类算法更多关注增强求解的效率，当问题规模增大时，无法很好地得出问题的最优方案，具有局限性。在传统启发式算法的基础上，引入随机搜索的思想，智能优化算法得到了发展该类算法虽然求解效率高，但是容易出现陷入局部最优、收敛难的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了基于改进猎食者优化算法的多目标应急物资中心选址方法解决容易陷入局部最优，算法的全局开发能力较低的问题。
为解决上述技术问题，本发明提供如下技术方案：
根据应急事件不同时期的特点不同，分为初期和后期，对需求点应急物资需求量进行动态预测；
基于所预测的物资需求量、受灾人员情况、基础设施的影响因子，构建需求点救援优先级评价体系；
针对应急事件不同时期的救援任务与工作不同，构建动态环境下的多目标应急物资中心选址模型；
利用改进的猎食者优化算法对数学模型进行求解，输出多目标应急物资中心选址的最佳方案。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述对需求点应急物资需求量进行动态预测，包括以下步骤：
A1：针对某类应急事件物资需求量相关属性特征进行提取；
A2：同类型应急事件相关属性特征的数据收集，形成源应急事件集和目标应急事件T属性特征数据表；
A3：在属性特征数据表基础上，构造属性特征模糊表；
A4：属性特征的权重计算，通过层次分析法和TOPSIS法计算，并将结果进行加权得到各属性特征的权重值；
A5：目标应急事件T与源应急事件集的相近度计算；
A6：找到目标应急事件T相近的源应急事件，并从中与确定相近度最高的源应急事件进行迁移学习，根据相近度确定物资需求比例，计算出目标情况下应急物资的需求量；
A7：随着灾情的不断发展，目标应急事件的属性特征值在不断改变，将改变后的属性特征数据代入A5- A6重新计算出新的目标情况下应急物资的需求量；
A8：收集该应急事件的初期各天的物资需求量作为数据序列；
A9：建立动态数据序列更新预测模型进行预测，预测出目标情况下新一天的应急物资的需求量。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述属性特征模糊表，为不同事件下的各属性特征的直观模糊集，表示为：<隶属度，非隶属度>；根据不同属性特征的影响表明，属性特征值越大，造成的事故越严重；以同一属性特征在不同情况下的最大值为基准，计算非隶属度定义表示为：；
其中，为属性特征数据表中的数据，表示事件j的属性特征i的具体数值；
隶属度计算表示为：；
其中，为元素的直观指数，表示元素的犹豫程度。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述A5，目标应急事件T与源应急事件集的相近度通过赋予权重下的豪斯多夫测度表示为：其中，表示属性特征i的权重，表示源应急事件的属性特征i的隶属度， 表示源应急事件的属性特征i的非隶属度； 表示目标应急事件T的属性特征i的隶属度，表示目标应急事件T的属性特征i的非隶属度。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述A6，设置阈值，若，则为目标应急事件T相近的源应急事件；然后从相近事件中，根据灾害规模大小，根据相近度确定物资需求比例，计算出目标情况下物资的需求量计算公式如下：
。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述构建需求点救援优先级评价体系，包括以下步骤：
B1：建立需求点的救援优先级评价指标；
B2：利用网络分析法求解救援优先级评价指标权重，再利用TOPSIS法确定救援优先级。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述改进的猎食者优化算法，具体包括以下步骤：
C1：通过随机扰动因子，对序列进行扰动完成种群初始化，保证种群多样性，从而提高算法的优化能力及搜索能力，并设置算法相关参数；
C2：计算适应度值和全局最优的位置；
C3：判断是否满足终止条件，迭代终止条件为最大迭代次数；
若满足终止条件，则输出最优解；
若不满足终止条件，则进行步骤C4-C6，并重复步骤C2-C3，直至满足终止条件；
C4：更新探索阶段和开发阶段之间的平衡参数C；
C5：评估自适应参数Z；
C6：判断随机数R5与随机调节参数θ的关系进行位置更新；
若R5<θ，则通过全局最优综合性引导策略改进的猎食者位置更新公式，更新猎食者位置；
若R5>θ，则通过多样本学习策略改进的猎物位置更新公式，更新猎物位置。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述改进的猎食者优化算法，引入随机扰动因子对序列进行扰动完成种群初始化，并引入基于柯西分布的随机变量，能提升映射的稳定性，具体公式如下：
；
其中，表示第个粒子，表示随机扰动因子，为Sine映射，这是一种单峰映射，为标准柯西分布，为种群规模；取得扰动初始值后代入猎食者优化算法的种群初始化公式中，得到式（46）；为猎食者或猎物的位置，、分别表示变量的最大值和最小值。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述改进的猎食者优化算法，通过全局最优位置综合性引导策略改进猎食者位置更新公式，引入自适应的位置调节变量，并将猎物位置和所有成员平均位置用它们自身与全局最优位置的线性组合进行代替，扩大猎食者的搜索空间，提升算法全局搜索能力；改进后的猎食者位置更新公式为：。
其中，表示猎食者的当前位置，表示猎食者的下一个位
置，表示猎物的位置，表示全局的最优位置，是探索阶段和开发阶段之间的一个平衡参数，表示自适应参数，表示第个变量对应的所有成员位置的平均值；其中，的计算公式如下：
；
其中，是当前迭代次数，是最大迭代次数；和为[0,1]范围内的随机向量，R2为随机数，是的索引值，值为0和1，是满足条件（P==0）的向量的索引值；
自适应的位置调节变量求解表示为：。
其中，为第次迭代中位置调节变量取值；为最大迭代次数；为种群个体适应度更新率，为种群个体总数，若所求问题是求解最大值，则Nupdate（t）为种群个体在第t次迭代中适应度提高个数，Nmax为种群个体适应度提高的最大个数；若所求问题是求解最小值，则Nupdate（t）为种群个体在第t次迭代中适应度降低个数，Nmax为种群个体适应度降低的最大个数。
作为本发明所述的基于改进猎食者优化算法的多目标应急物资中心选址方法的一种优选方案，其中：所述利用多样本学习策略改进猎物位置更新公式，改进后的猎物位置更新公式为：
；
其中，表示猎物的当前位置，表示猎物的下一个位置，
为全局最优位置，是解空间的维度，是探索和开发之间的平衡参数，根据公式（48）进行计算，是由公式（49）计算的自适应参数；函数为余弦函数，R4是[-1,1]范围内的随机数，因此是之间的随机数，可以使下一个猎物位置处于全局最优的不同径向和角度；
通过随机调节参数进行猎食者和猎物的选择表示为：。
其中，为 [0,1]范围内的随机数，是一个随机调节参数。
本发明的有益效果：本发明通过构建需求点救援优先级评价体系和动态环境下的多目标应急物资中心选址模型，利用改进的猎食者优化算法对数学模型进行求解，输出多目标应急物资中心选址的最佳方案，有效降低算法陷入局部最优的问题，提升算法的收敛性。
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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的基于改进猎食者优化算法的多目标应急物资中心选址方法的基本流程示意图；
图2为本发明一个实施例提供的基于改进猎食者优化算法的多目标应急物资中心选址方法的需求点应急物资需求量的动态预测流程图；
图3为本发明一个实施例提供的基于改进猎食者优化算法的多目标应急物资中心选址方法的需求点救援优先级评价指标体系的ANP网络结构图；
图4为本发明一个实施例提供的基于改进猎食者优化算法的多目标应急物资中心选址方法的猎食者优化算法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-4，为本发明的一个实施例，提供了基于改进猎食者优化算法的多目标应急物资中心选址方法，如图1所示，包括以下步骤：
S1：根据应急事件不同时期的特点不同，分为初期和后期，对需求点应急物资需求量进行动态预测；
更进一步的，针对不同时期的物资需求量的预测采取不同的方法，使得预测更加精准有效科学；应急情况发生初期，应急事件的相关灾情数据较少、样本输入不完整，且受突发事件影响的人数等数据处于每日更新的状态，因此本发明通过基于模糊迁移学习的方法完成初期物资需求量预测；当应急情况进入后期，物资需求趋于平缓，该事件的灾情数据的积累已经较为明确，不再需要通过同类型案例的学习进行预测，此时采用动态数据序列更新预测算法进行预测：采用改进的猎食者优化算法对模型进行改进，为了避免数据序列预测模型忽略未来的数据对预测精度的影响，当新的需求量数据产生时，在预测模型的原始序列中，去掉最老旧的数据，加入新的数据，动态更新预测模型的数据序列，从而完整地实现应急情况下的需求点的物资需求量预测。
更进一步的，如图2所示，本发明提供需求点应急物资需求量的动态预测，包括以下步骤：
A1：针对某类应急事件物资需求量相关属性特征进行提取；
A2：同类型应急事件相关属性特征的数据收集，形成源应急事件集和目标应急事件T属性特征数据表；
A3：在属性特征数据表基础上，构造属性特征模糊表；
A4：属性特征的权重计算，通过层次分析法和TOPSIS法计算，并将结果进行加权得到各属性特征的权重值；
A5：目标应急事件T与源应急事件集的相近度计算；
A6：找到目标应急事件T相近的源应急事件，并从中与确定相近度最高的源应急事件进行迁移学习，根据相近度确定物资需求比例，计算出目标情况下应急物资的需求量；
A7：随着灾情的不断发展，目标应急事件的属性特征值在不断改变，将改变后的属性特征数据代入A5- A6重新计算出新的目标情况下应急物资的需求量；
A8：收集该应急事件的初期各天的物资需求量作为数据序列；
A9：建立动态数据序列更新预测模型进行预测，预测出目标情况下新一天的应急物资的需求量。
更进一步的，A1具体包括：本发明以地震为例，提取该类应急事件物资需求量相关的属性特征：受受灾区域内人口数量、受伤人数、死亡人数、受灾面积、受灾区域内的大型工厂与重要建筑设施数量、地震发生的等级、时间，形成属性特征表：。
更进一步的，A3具体包括：各属性特征间的测量单位不一，为了解决各属性特征间的不可通约性，采用相对比较法进行处理，得到属性特征模糊表。属性特征模糊表为不同事件下的各属性特征的直观模糊集，表示为：<隶属度，非隶属度>；根据不同属性特征的影响表明，属性特征值越大，造成的事故越严重；以同一属性特征在不同情况下的最大值为基准，计算非隶属度定义表示为：；
其中，为属性特征数据表中的数据，表示事件j的属性特征i的具体数值；
隶属度计算表示为：；
其中，为元素的直观指数，表示元素的犹豫程度，可自行设置。
更进一步的，A5具体包括：目标应急事件T与源应急事件集的相近度通过赋予权重下的豪斯多夫测度表示为：；
其中，表示属性特征i的权重，表示源应急事件的属性特征i的隶属度，表示源应急事件的属性特征i的非隶属度； 表示目标应急事件T的属性特征i的隶属度，表示目标应急事件T的属性特征i的非隶属度。
更进一步的，A6具体包括：设置阈值，若，则为目标应急事件T相近的源应急事件；然后从相近事件中，根据灾害规模大小，根据相近度确定物资需求比例，计算出目标情况下物资的需求量计算公式如下：。
更进一步的，A9具体包括：
设为应急事件初期每日的应急物资需求量序列，其中表示第t日的应急物资需求量；
通过原数列各数值邻近累加求和生成序列表示为：。
其中，为邻近累加系数，为调整序列生成过程中的权重，取值范围(-1,1)；
构建邻近累加预测模型的基本公式表示为：。
对公式（6）中的参数进行最小二乘法估计：
设，；
则；
求得，代入式（5）递推，求得时间响应表达式为：；
累减求预测值，即：。
更进一步的，为了避免数据序列预测模型忽略未来的数据对预测精度的影响，当新的需求量数据产生时，在预测模型的原始序列中，去掉最老旧的数据，加入新的数据，动态更新预测模型的数据序列，具体包括：
将预测模型的数据序列长度设置为一个定值，每次有新的物资量加入时，数据序列也会得到更新：；
表示更新次数，每次更新会得到个拟合值和一个预测值；
根据该动态更新思想，建立数据序列动态预测模型：
先设置数据序列长度；再利用应急事件初期的样本数据构建数据序列预测模型，并利用猎食者优化算法对模型进行改进；最后动态更新训练集数据，当新的需求量数据产生时，在预测模型的原始序列中，去掉最老旧的数据，加入新的数据，动态更新预测模型的数据序列。
S2：基于所预测的物资需求量、受灾人员情况、基础设施的影响因子，构建需求点救援优先级评价体系；
更进一步的，包括以下步骤：
B1：建立需求点的救援优先级评价指标；
B2：利用网络分析法求解救援优先级评价指标权重，再利用TOPSIS法确定救援优先级。
更进一步的，B1具体如表2所示：。
更进一步的，B2包括：
针对救援优先级评价指标之间的影响，利用ANP求解评价指标权重。首先将指标分为两个部分，分别为：控制因素层以及网络层，控制因素层包含有决策目标以及决策要求，网络层则是对所有评价指标之间的内部影响进行构建。模型最终含有细化指标，具体结构如图3所示；
采用1-9标度法对上述指标体系之中的指标进行标记，其中一级指标与下属各元素进行两两相较，判断两者之间的相互影响程度，若无影响作用，则，由此得出对应的归一化矩阵并将其汇总形成判断矩阵，最终的归一化特征向量为表示为：；
同理，基于为主要准则对各元素之间的相互影响采用标度法进行判定，并将进行汇总，形成如下所示的超矩阵：；
超矩阵之中的每个数值未考虑将其他元素之下的各个评价指标互相影响关系，故对下的评价指标继续进行标度，形成最终的加权矩阵：；
结合上述加权矩阵，可以实现对超矩阵的加权，获得加权超矩阵，加权超矩阵之中，每一列都满足列和为1的条件。最终对进行多次演化，形成后续较为稳定的极限超矩阵，此时可以获得关于救援优先级评价指标之间对应的权重。
接下来，利用TOPSIS法确定救援优先级，根据目前所有数据可以得出，评价对象为各需求点，共有个评价指标，，求解方法具体如下：
构造初始决策矩阵：；
矩阵列向量归一化：；
经过归一化处理，得到决策矩阵：；
结合ANP所求解出的权重，建立加权决策矩阵：；
确定正负理想解：；
计算需要进行评价的需求点到正负理想解的距离：；
计算各个评价对象与理想解的贴近程度，将结果从大到小进行排序，其中越接近1，则表示该需求点的救援顺序越前，反之则越差。；
将贴近程度进行归一化处理，得到需求点的救援优先级：；
S3：针对应急事件不同时期的救援任务与工作不同，构建动态环境下的多目标应急物资中心选址模型；
更进一步的，灾情的发展是一个不断变化的过程，应急物资的供应，受灾点对物资的需求、道路的通行状况都处于动态改变中，因此要根据紧急情况发展进程及救援工作进展，构建动态科学合理的数学模型。考虑应急事件不同阶段的救援任务与救援工作是有差别的，设计了动态环境下的多目标应急物资中心选址模型。
更进一步的，结合应急物流的特点，救援阶段初期，为保证配送总响应时间最短，考虑在道路受损情况下，车辆到达各个需求点花费的行驶时间和在各需求点装卸物资花费的时间最短；通过救援优先级和所需要的物资量确定救援覆盖面积最大，依此构建以下模型：
目标函数表示为：；
约束条件表示为：。
建立的救援阶段初期模型中参数说明如表3所示。；
更进一步的，救援阶段后期，为保证救援的成本最小，考虑运输成本、选址固定成本及物资存储成本、运输的车辆到达需求点的时间早于或者晚于需求点所要求的时间窗时会产生惩罚成本；为保证资源调度的公平性，结合需求点的救援优先级、物资需求和物资实际调度量，采用各个需求点物资的配置比例的方差来衡量，方差越小，表示不同需求点之间应急物资分配的差异性越小，越公平。依此构建以下模型：
目标函数表示为：；
约束条件表示为：。
建立的救援阶段后期模型中参数说明如表4所示。。
S4：利用改进的猎食者优化算法对数学模型进行求解，输出多目标应急物资中心选址的最佳方案。
更进一步的，如图4所示，改进的猎食者优化算法，具体包括以下步骤：
C1：通过随机扰动因子，对序列进行扰动完成种群初始化，保证种群多样性，从而提高算法的优化能力及搜索能力，并设置算法相关参数；
C2：计算适应度值和全局最优的位置；
C3：判断是否满足终止条件，迭代终止条件为最大迭代次数；
若满足终止条件，则输出最优解；
若不满足终止条件，则进行步骤C4-C6，并重复步骤C2-C3，直至满足终止条件；
C4：更新探索阶段和开发阶段之间的平衡参数C；
C5：评估自适应参数Z；
C6：判断随机数R5与随机调节参数θ的关系进行位置更新；
若R5<θ，则通过全局最优综合性引导策略改进的猎食者位置更新公式，更新猎食者位置；
若R5>θ，则通过多样本学习策略改进的猎物位置更新公式，更新猎物位置。
更进一步的，传统的猎食者优化算法通过随机初始化的方式进行种群初始化，这样难以保证初始种群的质量，初始种群质量会影响算法的全局寻优能力；本发明引入随机扰动因子对序列进行扰动完成种群初始化；该扰动因子具有随机遍历的特点，并引入基于柯西分布的随机变量，能提升映射的稳定性，具体公式如下：
；
其中，表示第个粒子，表示随机扰动因子，为Sine映射，这是一种单峰映射，为标准柯西分布，为种群规模；取得扰动初始值后代入猎食者优化算法的种群初始化公式中，得到式（46）；为猎食者或猎物的位置，、分别表示变量的最大值和最小值。
更进一步的，传统的猎食者优化算法仅根据成员的平均位置及猎物的位置更新猎食者的位置，这会使得算法容易陷入局部最优。为此本发明通过全局最优位置综合性引导策略改进猎食者位置更新公式，具体指：引入自适应的位置调节变量τ，并将猎物位置和所有成员平均位置用它们自身与全局最优位置的线性组合进行代替，扩大猎食者的搜索空间，提升算法全局搜索能力。其中，位置调节变量对算法性能影响明显，在[0,1]范围内，位置调节变量大会使得算法的全局探索能力增强、丰富种群的多样性，位置调节变量小会使得算法的局部开采能力增强，收敛速度加快。改进后的猎食者位置更新公式为：；
其中，表示猎食者的当前位置，表示猎食者的下一个位
置，表示猎物的位置，表示全局的最优位置，是探索阶段和开发阶段之间的一个平衡参数，表示自适应参数，表示第个变量对应的所有成员位置的平均值；其中，的计算公式如下：。
其中，是当前迭代次数，是最大迭代次数；和为[0,1]范围内的随机向量，R2为随机数，是的索引值，值为0和1，是满足条件（P==0）的向量的索引值；
自适应的位置调节变量求解具体表示为：；
其中，为第次迭代中位置调节变量取值；为最大迭代次数；为种群个体适应度更新率，为种群个体总数，若所求问题是求解最大值，则Nupdate（t）为种群个体在第t次迭代中适应度提高个数，Nmax为种群个体适应度提高的最大个数；若所求问题是求解最小值，则Nupdate（t）为种群个体在第t次迭代中适应度降低个数，Nmax为种群个体适应度降低的最大个数。
更进一步的，利用多样本学习策略改进猎物位置更新公式，包括：例如，当解空间中有3个局部最优位置，和1个全局最优位置，猎食者已经陷入局部最优所处的区域，那么猎物无论是向移动还是向移动都会陷入局部最优解。为了让猎物能开发到全局最优所处的区域，令猎物同时向移动，猎物者以多个猎食者探索者的混合信息为指引，这样便有更大的概率开发到当前优化空间未搜索到的区域，使算法跳出局部最优。改进后的猎物位置更新公式为：；
其中，表示猎物的当前位置，表示猎物的下一个位置，
为全局最优位置，是解空间的维度，是探索和开发之间的平衡参数，根据公式（48）进行计算，是由公式（49）计算的自适应参数；函数为余弦函数，R4是[-1,1]范围内的随机数，因此是之间的随机数，可以使下一个猎物位置处于全局最优的不同径向和角度；
接下来，通过随机调节参数进行猎食者和猎物的选择表示为：；
其中，为 [0,1]范围内的随机数，是一个随机调节参数。
应说明的是，应急管理过程中，应急物资需求量的预测是十分重要的环节，它为应急中心选址、车辆路径优化等环节提供了了基础性、前瞻性的支持。应急物资的预测要尽力做到快速、准确，以救援更多的人员、减少更多的损失。目前，需求量预测的方法正逐渐趋于成熟，常用的有案例推理法、灰色理论研究、时间序列研究等。但是目前大多研究都是静态的研究，而事实上应急事件的发展是不断变化的过程，为了更加贴合实际情况，本发明着重考虑动态环境下的应急物资需求量的预测。
实施例2
参照表5，为本发明的一个实施例，提供了基于改进猎食者优化算法的多目标应急物资中心选址方法，为了验证其有益效果，提供了两种方案的对比结果。
表5 对比表
| 本方法 | 传统方法 | |
| 求解精确率 | 92.1% | 88.5% |
| 收敛速度 | 收敛速度快 | 收敛速度慢 |
| 全局开发能力 | 全局开发能力强 | 全局开发能力弱 |
从表5可以看出，我方对于多目标应急物资中心选址方法的处理较为细致，通过构建需求点救援优先级评价体系和动态环境下的多目标应急物资中心选址模型，利用改进的猎食者优化算法对数学模型进行求解，输出多目标应急物资中心选址的最佳方案，有效提高了求解精确率，有效降低算法陷入局部最优的问题，提升算法的收敛性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于，包括以下步骤：
根据应急事件不同时期的特点不同，分为初期和后期，对需求点应急物资需求量进行动态预测；
基于所预测的物资需求量、受灾人员情况、基础设施影响因子，构建需求点救援优先级评价体系；
针对应急事件不同时期的救援任务与工作不同，构建动态环境下的多目标应急物资中心选址模型；
利用改进的猎食者优化算法对数学模型进行求解，输出多目标应急物资中心选址的最佳方案；
所述对需求点应急物资需求量进行动态预测，包括以下步骤：
A1：针对某类应急事件物资需求量相关属性特征F＝{f1，f2，f3，...，fi...，fn}，i＝1，2，...，n进行提取；
A2：同类型应急事件相关属性特征的数据收集，形成源应急事件Y＝{y1，y2，y3，...，yj...，ym}，j＝1，2，...，m和目标应急事件T属性特征数据表；
A3：在属性特征数据表基础上，构造属性特征模糊表；
A4：属性特征的权重计算，通过层次分析法和TOPSIS法计算，并将结果进行加权得到各属性特征的权重值ω；
A5：目标应急事件T与源应急事件集Y＝{y1，y2，y3，...，yj...，ym}，j＝1，2，...，m的相近度计算；
A6：找到目标应急事件T相近的源应急事件，并从中与确定相近度最高的源应急事件进行迁移学习，根据相近度确定物资需求比例，计算出目标情况下应急物资的需求量Q；
A7：随着灾情的不断发展，目标应急事件的属性特征值在不断改变，将改变后的属性特征数据代入A5-A6重新计算出新的目标情况下应急物资的需求量Q；
A8：收集该应急事件的初期各天的物资需求量作为数据序列；
A9：建立动态数据序列更新预测模型进行预测，预测出目标情况下新一天的应急物资的需求量；
所述改进的猎食者优化算法，具体包括以下步骤：
C1：通过随机扰动因子，对序列进行扰动完成种群初始化，保证种群多样性，从而提高算法的优化能力及搜索能力，并设置算法相关参数；
C2：计算适应度值和全局最优的位置；
C3：判断是否满足终止条件，迭代终止条件为最大迭代次数；
若满足终止条件，则输出最优解；
若不满足终止条件，则进行步骤C4-C6，并重复步骤C2-C3，直至满足终止条件；
C4：更新探索阶段和开发阶段之间的平衡参数C；
C5：评估自适应参数Z；
C6：判断随机数R5与随机调节参数θ的关系进行位置更新；
若R5＜θ，则通过全局最优综合性引导策略改进的猎食者位置更新公式，更新猎食者位置；
若R5＞θ，则通过多样本学习策略改进的猎物位置更新公式，更新猎物位置。
2.如权利要求1所述的基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于：所述属性特征模糊表，为不同事件下的各属性特征的直观模糊集，表示为：<隶属度α(xij)，非隶属度β(xij)>；根据不同属性特征的影响表明，属性特征值越大，造成的事故越严重；以同一属性特征在不同情况下的最大值为基准，计算非隶属度定义表示为：
其中，xij为属性特征数据表中的数据；
隶属度计算表示为：
α(xij)＝1-β(xij)-ε(xij) (2)
其中，ε(xij)为元素xij的直观指数，表示元素xij的犹豫程度。
3.如权利要求2所述的基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于：所述A5，目标应急事件T与源应急事件集的相近度通过赋予权重下的豪斯道夫测度表示为：
其中，ωi表示属性特征i的权重，表示源应急事件yj的属性特征i的隶属度，表示源应急事件yj的属性特征i的非隶属度；αT(fi)表示目标应急事件T的属性特征i的隶属度，βT(fi)表示目标应急事件T的属性特征i的非隶属度。
4.如权利要求3所述的基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于：所述A6，设置阈值θ，若Sim(Yj,T)≥θ，则为目标应急事件T相近的源应急事件；然后从相近事件中，根据灾害规模大小，根据相近度确定物资需求比例，计算出目标情况下物资的需求量计算公式如下：
5.如权利要求4所述的基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于：所述构建需求点救援优先级评价体系，包括以下步骤：
B1：建立需求点的救援优先级评价指标；
B2：利用网络分析法求解救援优先级评价指标权重，再利用TOPSIS法确定救援优先级。
6.如权利要求5所述的基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于：所述改进的猎食者优化算法，引入随机扰动因子对序列进行扰动完成种群初始化，并引入基于柯西分布的随机变量，能提升映射的稳定性，具体公式如下：
xi＝yi×(ub-lb)+lb (46)
其中，yi表示第i个粒子，ρ表示随机扰动因子，sin(πyi)为Sine映射，这是一种单峰映射，Cauchy(0，1)为标准柯西分布，N为种群规模；取得扰动初始值后代入猎食者优化算法的种群初始化公式中，得到式(46)；xi为猎食者或猎物的位置，ub、lb分别表示变量的最大值和最小值。
7.如权利要求6所述的基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于：所述改进的猎食者优化算法，通过全局最优位置综合性引导策略改进猎食者位置更新公式，引入自适应的位置调节变量τ，并将猎物位置和所有成员平均位置用它们自身与全局最优位置的线性组合进行代替，扩大猎食者的搜索空间，提升算法全局搜索能力；改进后的猎食者位置更新公式为：
其中，xα，β(t)表示猎食者的当前位置，xα，β(t+1)表示猎食者的下一个位置，Ppos表示猎物的位置，Tpos表示全局的最优位置，C是探索阶段和开发阶段之间的一个平衡参数，Z表示自适应参数，μβ表示第β个变量对应的所有成员位置的平均值；其中，C、Z、μβ的计算公式如下：
其中，σ是当前迭代次数，σmax是最大迭代次数；和为[0,1]范围内的随机向量，R2为随机数，P是的索引值，值为0和1，U是满足(P＝＝0)时的向量的索引值；
自适应的位置调节变量τ求解表示为：
其中，τ(t)为第t次迭代中位置调节变量取值；σmax为最大迭代次数；γ(t)为种群个体适应度更新率，N为种群个体总数，若所求问题是求解最大值，则Nupdate(t)为种群个体在第t次迭代中适应度提高个数，Nmax为种群个体适应度提高的最大个数；若所求问题是求解最小值，则Nupdate(t)为种群个体在第t次迭代中适应度降低个数，Nmax为种群个体适应度降低的最大个数。
8.如权利要求7所述的基于改进猎食者优化算法的多目标应急物资中心选址方法，其特征在于：所述利用多样本学习策略改进猎物位置更新公式，改进后的猎物位置更新公式为：
其中，xα，β(t)表示猎物的当前位置，xα，β(t+1)表示猎物的下一个位置，Tpos为全局最优位置，为局部最优位置，D是解空间的维度，C是探索和开发之间的平衡参数，根据公式(48)进行计算，Z是由公式(49)计算的自适应参数；COS函数为余弦函数，R4是[-1,1]范围内的随机数，因此2πR4是[-2π,2π]之间的随机数，cos(2πR4)可以使下一个猎物位置处于全局最优的不同径向和角度；
通过随机调节参数θ进行猎食者和猎物的选择表示为：
其中，R5为[0,1]范围内的随机数，θ是一个调节参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310167780.8A CN115907238B (zh) | 2023-02-27 | 2023-02-27 | 基于改进猎食者优化算法的多目标应急物资中心选址方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310167780.8A CN115907238B (zh) | 2023-02-27 | 2023-02-27 | 基于改进猎食者优化算法的多目标应急物资中心选址方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115907238A CN115907238A (zh) | 2023-04-04 |
| CN115907238B true CN115907238B (zh) | 2023-07-28 |
Family
ID=86492589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310167780.8A Active CN115907238B (zh) | 2023-02-27 | 2023-02-27 | 基于改进猎食者优化算法的多目标应急物资中心选址方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907238B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745042B (zh) * | 2024-02-20 | 2024-05-24 | 广东省科技基础条件平台中心 | 一种多受灾点的应急物资调度方法、装置、介质及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862416A (zh) * | 2017-11-29 | 2018-03-30 | 辽宁工程技术大学 | 一种基于盒子不确定集的应急物资储备库选址优化方法 |
| CN113464197A (zh) * | 2020-03-30 | 2021-10-01 | 中国矿业大学(北京) | 一种矿井水害应急管理方法和系统 |
| CN115687908A (zh) * | 2021-07-29 | 2023-02-03 | 顺丰科技有限公司 | 评测网点选址方案的方法、装置、设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120215373A1 (en) * | 2011-02-17 | 2012-08-23 | Cisco Technology, Inc. | Performance optimization in computer component rack |
| CN105787595B (zh) * | 2016-02-29 | 2021-04-16 | 泰华智慧产业集团股份有限公司 | 一种基于改进蚁群算法的应急物流中转站选址方法 |
| CN107679650A (zh) * | 2017-09-14 | 2018-02-09 | 河海大学 | 一种面向多受灾点‑多出救点的应急物资调度优化方法 |
| CN108258724A (zh) * | 2018-01-22 | 2018-07-06 | 佛山科学技术学院 | 一种风电场机组布局多目标优化方法 |
| CN115330288A (zh) * | 2022-05-27 | 2022-11-11 | 浙大城市学院 | 考虑时效性与公平性的多供应点应急物资选址优化方法 |
| CN115334631B (zh) * | 2022-08-11 | 2024-09-03 | 南京信息工程大学 | 一种基于猎人猎物优化的d2d通信功率控制方法 |
-
2023
- 2023-02-27 CN CN202310167780.8A patent/CN115907238B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862416A (zh) * | 2017-11-29 | 2018-03-30 | 辽宁工程技术大学 | 一种基于盒子不确定集的应急物资储备库选址优化方法 |
| CN113464197A (zh) * | 2020-03-30 | 2021-10-01 | 中国矿业大学(北京) | 一种矿井水害应急管理方法和系统 |
| CN115687908A (zh) * | 2021-07-29 | 2023-02-03 | 顺丰科技有限公司 | 评测网点选址方案的方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| "考虑双方感知满意度的应急资源再配置方法";李怀明 等;《运筹与管理》;第28卷(第12期);50-58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115907238A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | A heuristic whale optimization algorithm with niching strategy for global multi-dimensional engineering optimization | |
| Li et al. | Forecasting building energy consumption with hybrid genetic algorithm-hierarchical adaptive network-based fuzzy inference system | |
| CN110473592B (zh) | 一种多视角人类协同致死基因预测方法 | |
| Sanz-García et al. | GA-PARSIMONY: A GA-SVR approach with feature selection and parameter optimization to obtain parsimonious solutions for predicting temperature settings in a continuous annealing furnace | |
| Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
| Roy et al. | An empirical-based rainfall-runoff modelling using optimization technique | |
| CN115907238B (zh) | 基于改进猎食者优化算法的多目标应急物资中心选址方法 | |
| Zheng et al. | Early prediction of cooling load in energy-efficient buildings through novel optimizer of shuffled complex evolution | |
| Wu et al. | A hybrid-forecasting model reducing Gaussian noise based on the Gaussian support vector regression machine and chaotic particle swarm optimization | |
| CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
| CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
| CN116110234B (zh) | 基于人工智能的车流量预测方法、装置及其应用 | |
| CN115906399A (zh) | 一种改进的小样本数据下产品关键工艺质量预测方法 | |
| CN112381334A (zh) | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 | |
| CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
| Poczeta et al. | Application of fuzzy cognitive maps with evolutionary learning algorithm to model decision support systems based on real-life and historical data | |
| CN117455551A (zh) | 一种基于行业关系复杂网络的行业用电量预测方法 | |
| Donyaii et al. | Using composite ranking to select the most appropriate Multi-Criteria Decision Making (MCDM) method in the optimal operation of the Dam reservoir | |
| CN112183820A (zh) | 基于线性规划的有向网络链路预测方法 | |
| CN115273645B (zh) | 一种室内面要素自动聚类的地图制图方法 | |
| Ma et al. | Integrating logistic regression with ant colony optimization for smart urban growth modelling | |
| Liu et al. | Swarm intelligence for classification of remote sensing data | |
| Kumar et al. | Shadowed type 2 fuzzy-based Markov model to predict shortest path with optimized waiting time | |
| CN115115119A (zh) | 一种基于灰色关联的oa-gru的短期电力负荷预测方法 | |
| Girsang et al. | Multi-objective particle swarm optimization for repairing inconsistent comparison matrices |
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 |