CN116562489B - 基于蚁群算法危险货物港区运输防拥堵调控方法和系统 - Google Patents

基于蚁群算法危险货物港区运输防拥堵调控方法和系统 Download PDF

Info

Publication number
CN116562489B
CN116562489B CN202310840887.4A CN202310840887A CN116562489B CN 116562489 B CN116562489 B CN 116562489B CN 202310840887 A CN202310840887 A CN 202310840887A CN 116562489 B CN116562489 B CN 116562489B
Authority
CN
China
Prior art keywords
information
transportation
chain network
standard
path information
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
Application number
CN202310840887.4A
Other languages
English (en)
Other versions
CN116562489A (zh
Inventor
崔迪
占小跳
李筠
孙国庆
张霞
周亚飞
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.)
China Waterborne Transport Research Institute
Original Assignee
China Waterborne Transport Research Institute
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 China Waterborne Transport Research Institute filed Critical China Waterborne Transport Research Institute
Priority to CN202310840887.4A priority Critical patent/CN116562489B/zh
Publication of CN116562489A publication Critical patent/CN116562489A/zh
Application granted granted Critical
Publication of CN116562489B publication Critical patent/CN116562489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

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

Abstract

本申请涉及一种基于蚁群算法危险货物港区运输防拥堵调控方法和系统，应用于交通科学的技术领域，其包括获取港区交通数据；基于港区交通数据构建危险货物集装箱运输链网络；基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；根据港区交通数据与标准路径信息计算标准运输时间；若标准运输时间位于预设的临界危险时间范围外，控制危险货物按照行驶路径信息进行移动。本申请具有能够高效准确的对危险货物集装箱的港区道路所造成的拥堵系统的拥堵异常进行识别和预测，对保证港区内危险货物的运输系统安全健康平稳的运转和提高危险货物集装箱运输系统的安全可靠性具有重要意义。

Description

基于蚁群算法危险货物港区运输防拥堵调控方法和系统
技术领域
本申请涉及交通科学、危险货物运输物流学与网络科学交叉的技术领域，尤其是涉及一种基于蚁群算法危险货物港区运输防拥堵调控方法和系统。
背景技术
“智慧港口”以现代基础设施和设备为基础，以港口运输业务为核心。随着港口运输组织服务创新的不断深入，以及云计算、大数据、物联网、移动互联网、智能控制等新一代信息技术的深度融合，以完善的体制机制、法律法规、标准规范和发展政策为保障。是生产智能化、管理智慧化、服务灵活性、保障性强的现代港口运输新业态，能够在更高层次上实现港口资源的优化配置，可以满足在高层次上的多层次、敏捷、优质的港口运输服务的要求。
而在港口运输的货物中，存在部分危险货物，针对危险货物的运输，现有的解决方式通常通过设置危险货物运输道路运输管理系统对运输中的危险货物进行监控以及危险的提前排查。
针对上述的相关技术，发明人认为在运输过程中，危险货物集装箱无论是在码头作业平台滞留拥堵，还是在港区道路行驶拥堵时，由于运输调控导致危险货物集装箱在码头或者港区内滞留，会带来无穷的安全隐患。
发明内容
为了改善现有的危险货物集装箱在码头或者港区内滞留，而带来无穷的安全隐患的问题，本申请提供一种基于蚁群算法危险货物港区运输防拥堵调控方法和系统。
根据本发明的第一方面，提供了一种基于蚁群算法危险货物港区运输防拥堵调控方法，此方法包括以下步骤：
获取港区交通数据；
基于港区交通数据构建危险货物集装箱运输链网络；
基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；
根据港区交通数据与标准路径信息计算标准运输时间；
若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；
否则，基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
在一个具体的可实施方案中，所述获取港区交通数据包括：
基于港区交通数据构建危险货物集装箱运输链网络；
基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；
根据港区交通数据与标准路径信息计算标准运输时间；
若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；
否则，基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
在一个具体的可实施方案中，所述基于蚁群算法提取运输链网络中的特征信息包括：
获取运输链网络中的特征信息；
根据公式计算运输链网络之间的选择概率，公式如下：
；
；
其中，为运输链网络的起点，/>为运输链网络的终点，/>是运输链网络起点与终点之间的距离，/>为运输链网络起点与终点之间的距离的倒数，/>为运输链网络起点与终点的信息素浓度，所述信息素浓度为基于蚁群算法的参数信息；/>为尚未访问的运输链网络相邻接触节点的集合，/>为信息因子，/>为启发函数因子。
在一个具体的可实施方案中，在所述根据公式计算运输链网络之间的选择概率还包括：
根据所述特征信息代入预设公式更新所述信息素；
所述公式如下：
，0＜/>＜1；
=/>；
其中，t为最大迭代次数，为第t次循环时运输链网络起点与终点上的信息素含量，/>为新增的信息素含量，/>为m只蚂蚁在运输链网络起点与终点路径上留下的信息素总和，/>为第k只蚂蚁在路径上留下的信息素含量。
在一个具体的可实施方案中，所述基于蚁群算法重新规划行驶路径信息包括：
标准运输时间位于预设的临界危险时间范围外的标准路径信息；
基于蚁群算法提取运输链网络中的特征信息并进行筛选获取优化运输路线；
所述优化运输时间位于预设的临界危险时间范围内，所述优化运输时间为根据港区交通数据与优化路径信息计算得到。
在一个具体的可实施方案中，所述方法还包括：
对信息因子和启发函数因子进行更新操作，具体的更新操作可以被执行为：
获取信息因子对应的信息因子最大值Amax和信息因子最小值Amin；
计算信息因子最大值Amax和信息因子最小值Amin对应的平均值Avg1；
通过Avg1计算得到Avg1标准路径信息；
重复计算最新的平均值Avgn（n=1，2，3...）；
通过Avgn（n=1，2，3...）计算得到Avgn（n=1，2，3...）标准路径信息；
直至计算得出Avgk（k=1，2，3...）使得对应的Avgk（k=1，2，3...）标准路径信息小于Avgn（n=1，2，3...）标准路径信息。
在一个具体的可实施方案中，所述方法还包括：
根据信息因子的更新方式更新启发函数因子；
进行计时操作并生成更新持续时间；
若更新持续时间位于预设的临界更新时间范围内，则控制启发函数因子的更新条件满足更新公式：
；
其中，为信息因子，/>为启发函数因子，Amax为信息因子最大值，Amin为信息因子最小值，Bmax为启发函数因子最大值，Bmin为启发函数因子最小值。
根据本申请的第二方面，还提供了一种基于蚁群算法危险货物港区运输防拥堵调控系统，包括：
港区交通数据获取模块，用于获取港区交通数据；
运输链网络构建模块，用于基于港区交通数据构建危险货物集装箱运输链网络；
标准路径信息计算模块，用于基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；
标准运输时间计算模块，用于根据港区交通数据与标准路径信息计算标准运输时间；
货物标准运输模块，用于若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；
货物优化运输模块，用于若标准运输时间位于预设的临界危险时间范围外，则基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
根据本申请的第三方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行第一方面的方法的计算机程序。
根据本申请的第四方面，还提供了一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面的方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.能够高效准确的对危险货物集装箱的港区道路所造成的拥堵系统的拥堵异常进行识别和预测，对保证港区内危险货物的运输系统安全健康平稳的运转和提高危险货物集装箱运输系统的安全可靠性具有重要意义；
2.本发明所述方法科学，工艺性好，具有广阔推广应用价值。
附图说明
图1是本申请实施例中基于蚁群算法危险货物港区运输防拥堵调控方法的流程图。
图2是本申请实施例中基于蚁群算法危险货物港区运输防拥堵调控系统的结构示意图。
附图标记说明：201、港区交通数据获取模块；202、运输链网络构建模块；203、标准路径信息计算模块；204、标准运输时间计算模块；205、货物标准运输模块；206、货物优化运输模块。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本实施例提供一种基于蚁群算法危险货物港区运输防拥堵调控方法。该方法基于蚁群算法，应用于港区交通管理系统，通过预设在港区的传感器来获取港区交通数据，港区交通数据至少包括相应的节点、边(即为节点与节点之间的交联关系)、位置坐标、容量、权重等，建立真实物理空间下交通路网到虚拟时空域下复杂路网网络模型的准确映射，还包括预设的危险货物的物种、化学特性、应急救援的方法、消防器材的种类，周边的村居、港区道路两旁的村庄、居民人数、个人风险、社会风险等。
如图1所示，本实施例的基于蚁群算法危险货物港区运输防拥堵调控的方法具体可以包括如下步骤
步骤100，获取港区交通数据。
其中，所述港区交通数据至少包括相应的节点、边(即为节点与节点之间的交联关系)、位置坐标、容量、权重等，建立真实物理空间下交通路网到虚拟时空域下复杂路网网络模型的准确映射，还包括预设的危险货物的物种、化学特性、应急救援的方法、消防器材的种类，周边的村居、港区道路两旁的村庄、居民人数、个人风险、社会风险等。
步骤101，基于港区交通数据构建危险货物集装箱运输链网络。
其中，危险货物集装箱运输链网络尽可能的避免与正常货物的主要运送区域发生过多的重叠，在发生重叠的区域，需要在预设的安全流量的基础上进一步增加滞留时间监控，当达到滞留时间后，需要优先对滞留在重叠节点的危险获取进行输送操作，同时减少当前运输路线与滞留节点的交集。
步骤102，基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息。
其中，蚁群算法的原理为通过在行走的路线上留下信息素，通过信息素影响其他货物的运行路线，预设货物优先选择最短路径的线路进行移动，使得最短线路上不断增加信息素并使得所有货物都选择当前的最短路线。
步骤103，根据港区交通数据与标准路径信息计算标准运输时间。
其中，若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；若标准运输时间位于预设的临界危险时间范围外，基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
在一个实施例中，考虑到可以应用经典的LTM交通流模型模拟港区的交通路网，具体应用过程可以被执行为：
基于港区交通数据构建危险货物集装箱运输链网络；基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息，所述标准路径信息为最短路径的合集，即危险货物集装箱运输链网络中的最优运行路线；所述港区交通数据包括货物运行速度，根据货物运行速度与标准路径信息之间的比值计算出标准运输时间；将标准运输时间与预设的临界危险时间范围进行比对；若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；若标准运输时间位于预设的临界危险时间范围外，基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
在一个实施例中，需要对蚁群算法进行具体的公开应用，所述蚁群算法可以被执行为：
初始化各个参数，所述参数包括为信息因子，为启发函数因子，蚂蚁数量m，信息素常数Q，最大迭代次数t、信息素挥发因子；构建解空间，将蚂蚁随机放在不同的出发点，对每个蚂蚁k（k=1，2，3...m）计算下一个待访问的运输链网络节点，直至所有蚂蚁访问完所有的运输链网络节点；跟新信息素，计算每个蚂蚁经过的路径长度L，记录当前迭代次数中的最优解，即最短距离；同时对运输链网络节点上的信息素进行更新；控制蚁群持续进行迭代直至迭代次数达到预设迭代次数。获取运输链网络中的特征信息；
根据公式计算运输链网络之间的选择概率，公式如下：
；
；
其中，为运输链网络的起点，/>为运输链网络的终点，/>是运输链网络起点与终点之间的距离，/>为运输链网络起点与终点之间的距离的倒数，/>为运输链网络起点与终点的信息素浓度，所述信息素浓度为基于蚁群算法的参数信息；/>为尚未访问的运输链网络相邻接触节点的集合，/>为信息因子，/>为启发函数因子。
值得一提的是，根据所述特征信息代入预设公式更新所述信息素；
所述公式如下：
，0＜/>＜1；
=/>；
其中，t为最大迭代次数，为第t次循环时运输链网络起点与终点上的信息素含量，/>为新增的信息素含量，/>为m只蚂蚁在运输链网络起点与终点路径上留下的信息素总和，/>为第k只蚂蚁在路径上留下的信息素含量。
在一个实施例中，考虑到危险货物在运输过程中存在拥堵滞留的可能，为了保证危险货物的运输安全，需要对运输货物的运输路线进行优化，具体的优化操作可以被执行为：
标准运输时间位于预设的临界危险时间范围外的标准路径信息；基于蚁群算法提取运输链网络中的特征信息并进行筛选获取优化运输路线；所述优化运输时间位于预设的临界危险时间范围内，所述优化运输时间为根据港区交通数据与优化路径信息计算得到。通过选择其他路径来保证危险货物的优化运输时间位于临界危险时间范围内，进一步提升了危险货物运输的安全性。
在一个实施例中，考虑到不同的信息因子和不同的启发函数因子会对标准路径信息的选择起到干扰，因此需要对信息因子和启发函数因子进行更新操作，具体的更新操作可以被执行为：
获取信息因子对应的信息因子最大值Amax和信息因子最小值Amin；计算信息因子最大值Amax和信息因子最小值Amin对应的平均值Avg1；通过Avg1计算得到Avg1标准路径信息；重复计算最新的平均值Avgn（n=1，2，3...）；通过Avgn（n=1，2，3...）计算得到Avgn（n=1，2，3...）标准路径信息；直至计算得出Avgk（k=1，2，3...）使得对应的Avgk（k=1，2，3...）标准路径信息小于Avgn（n=1，2，3...）标准路径信息。
值得一提的是，考虑到信息因子和启发函数因子的更新具有一定的规律，为了提升更新效率，需要对启发函数因子的选择进行进一步的优化，具体的优化操作可以被执行为：根据信息因子的更新方式更新启发函数因子；进行计时操作并生成更新持续时间；若更新持续时间位于预设的临界更新时间范围内，则控制启发函数因子的更新条件满足更新公式：
；
其中，为信息因子，/>为启发函数因子，Amax为信息因子最大值，Amin为信息因子最小值，Bmax为启发函数因子最大值，Bmin为启发函数因子最小值。
基于上述方法，本申请实施例还公开一种基于蚁群算法危险货物港区运输防拥堵调控系统。
如图2所示该系统包括以下模块：
港区交通数据获取模块201，用于获取港区交通数据；
运输链网络构建模块202，用于基于港区交通数据构建危险货物集装箱运输链网络；
标准路径信息计算模块203，用于基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；
标准运输时间计算模块204，用于根据港区交通数据与标准路径信息计算标准运输时间；
货物标准运输模块205，用于若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；
货物优化运输模块206，用于若标准运输时间位于预设的临界危险时间范围外，则基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
在一个实施例中，港区交通数据获取模块201，还用于基于港区交通数据构建危险货物集装箱运输链网络；基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；根据港区交通数据与标准路径信息计算标准运输时间；若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；否则，基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
在一个实施例中，标准路径信息计算模块203，还用于获取运输链网络中的特征信息；根据公式计算运输链网络之间的选择概率，公式如下：
；
；
其中，为运输链网络的起点，/>为运输链网络的终点，/>是运输链网络起点与终点之间的距离，/>为运输链网络起点与终点之间的距离的倒数，/>为运输链网络起点与终点的信息素浓度，所述信息素浓度为基于蚁群算法的参数信息；/>为尚未访问的运输链网络相邻接触节点的集合，/>为信息因子，/>为启发函数因子。
在一个实施例中，标准路径信息计算模块203，还用于根据所述特征信息代入预设公式更新所述信息素；所述公式如下：
，0＜/>＜1；
=/>；
其中，t为最大迭代次数，为第t次循环时运输链网络起点与终点上的信息素含量，/>为新增的信息素含量，/>为m只蚂蚁在运输链网络起点与终点路径上留下的信息素总和，/>为第k只蚂蚁在路径上留下的信息素含量。
在一个实施例中，货物优化运输模块206，还用于标准运输时间位于预设的临界危险时间范围外的标准路径信息；基于蚁群算法提取运输链网络中的特征信息并进行筛选获取优化运输路线；所述优化运输时间位于预设的临界危险时间范围内，所述优化运输时间为根据港区交通数据与优化路径信息计算得到。
在一个实施例中，标准路径信息计算模块203，还用于对信息因子和启发函数因子进行更新操作，具体的更新操作可以被执行为：获取信息因子对应的信息因子最大值Amax和信息因子最小值Amin；计算信息因子最大值Amax和信息因子最小值Amin对应的平均值Avg1；通过Avg1计算得到Avg1标准路径信息；重复计算最新的平均值Avgn（n=1，2，3...）；通过Avgn（n=1，2，3...）计算得到Avgn（n=1，2，3...）标准路径信息；直至计算得出Avgk（k=1，2，3...）使得对应的Avgk（k=1，2，3...）标准路径信息小于Avgn（n=1，2，3...）标准路径信息。
在一个实施例中，标准路径信息计算模块203，还用于根据信息因子的更新方式更新启发函数因子；进行计时操作并生成更新持续时间；若更新持续时间位于预设的临界更新时间范围内，则控制启发函数因子的更新条件满足更新公式：
；
其中，为信息因子，/>为启发函数因子，Amax为信息因子最大值，Amin为信息因子最小值，Bmax为启发函数因子最大值，Bmin为启发函数因子最小值。
本申请实施例还公开一种计算机设备。
具体来说，该计算机设备包括存储器和处理器，存储器上存储有能够被处理器加载并执行上述基于蚁群算法危险货物港区运输防拥堵调控方法的计算机程序。
本实施例提供一种计算机可读存储介质，存储有可执行指令，该可执行指令被处理器执行时，执行如上述方法实施例中的基于蚁群算法危险货物港区运输防拥堵调控的方法。
上述各实施例主要重点描述与其他实施例的不同之处，但本领域技术人员应当清楚的是，上述各实施例可以根据需要单独使用或者相互结合使用。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分相互参见即可，每个实施例重点说明的都是与其他实施例的不同之处，但本领域技术人员应当清楚的是，上述各实施例可以根据需要单独使用或者相互结合使用。另外，对于装置实施例而言，由于其是与方法实施例相对应，所以描述得比较简单，相关之处参见方法实施例的对应部分的说明即可。以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (6)

1.一种基于蚁群算法危险货物港区运输防拥堵调控方法，其特征在于，所述方法包括：
获取港区交通数据；
基于港区交通数据构建危险货物集装箱运输链网络；
基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；
获取运输链网络中的特征信息；
根据公式计算运输链网络之间的选择概率，公式如下：
；
；
其中，为运输链网络的起点，/>为运输链网络的终点，/>是运输链网络起点与终点之间的距离，/>为运输链网络起点与终点之间的距离的倒数，/>为运输链网络起点与终点的信息素浓度，/>为运输链网络起点与终点的启发式信息，所述信息素浓度为基于蚁群算法的参数信息；/>为尚未访问的运输链网络相邻接触节点的集合，/>为信息因子，/>为启发函数因子；
根据所述特征信息代入预设公式更新所述信息素；
所述公式如下：
，0＜/>＜1；
=/>；
其中，t为最大迭代次数，为第t次循环时运输链网络起点与终点上的信息素含量，/>为新增的信息素含量，/>为m只蚂蚁在运输链网络起点与终点路径上留下的信息素总和，/>为第k只蚂蚁在路径上留下的信息素含量；
根据港区交通数据与标准路径信息计算标准运输时间；
若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；
否则，基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动；
对信息因子和启发函数因子进行更新操作，具体的更新操作可以被执行为：
获取信息因子对应的信息因子最大值Amax和信息因子最小值Amin；
计算信息因子最大值Amax和信息因子最小值Amin对应的平均值Avg1；
通过Avg1计算得到Avg1标准路径信息；
重复计算最新的平均值Avgn，n可以取正整数；
通过Avgn计算得到Avgn标准路径信息，n可以取正整数；
直至计算得出Avgk，使得对应的Avgk标准路径信息小于Avgn标准路径信息，其中，n和k可以取正整数；
根据信息因子的更新方式更新启发函数因子；
进行计时操作并生成更新持续时间；
若更新持续时间位于预设的临界更新时间范围内，则控制启发函数因子的更新条件满足更新公式：
；
其中，为信息因子，/>为启发函数因子，Amax为信息因子最大值，Amin为信息因子最小值，Bmax为启发函数因子最大值，Bmin为启发函数因子最小值。
2.根据权利要求1所述的基于蚁群算法危险货物港区运输防拥堵调控方法，其特征在于，所述获取港区交通数据包括；
基于港区交通数据构建危险货物集装箱运输链网络；
基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；
根据港区交通数据与标准路径信息计算标准运输时间；
若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；
否则，基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动。
3.根据权利要求1所述的基于蚁群算法危险货物港区运输防拥堵调控方法，其特征在于，所述基于蚁群算法重新规划行驶路径信息包括：
标准运输时间位于预设的临界危险时间范围外的标准路径信息；
基于蚁群算法提取运输链网络中的特征信息并进行筛选获取优化运输路线；
优化运输时间位于预设的临界危险时间范围内，所述优化运输时间为根据港区交通数据与优化路径信息计算得到。
4.一种基于蚁群算法危险货物港区运输防拥堵调控系统，其特征在于，所述系统包括：
港区交通数据获取模块(201)，用于获取港区交通数据；
运输链网络构建模块(202)，用于基于港区交通数据构建危险货物集装箱运输链网络；
标准路径信息计算模块(203)，用于基于蚁群算法提取运输链网络中的特征信息并进行筛选获取标准路径信息；
获取运输链网络中的特征信息；
根据公式计算运输链网络之间的选择概率，公式如下：
；
；
其中，为运输链网络的起点，/>为运输链网络的终点，/>是运输链网络起点与终点之间的距离，/>为运输链网络起点与终点之间的距离的倒数，/>为运输链网络起点与终点的信息素浓度，/>为运输链网络起点与终点的启发式信息，所述信息素浓度为基于蚁群算法的参数信息；/>为尚未访问的运输链网络相邻接触节点的集合，/>为信息因子，/>为启发函数因子；
根据所述特征信息代入预设公式更新所述信息素；
所述公式如下：
，0＜/>＜1；
=/>；
其中，t为最大迭代次数，为第t次循环时运输链网络起点与终点上的信息素含量，/>为新增的信息素含量，/>为m只蚂蚁在运输链网络起点与终点路径上留下的信息素总和，/>为第k只蚂蚁在路径上留下的信息素含量；
标准运输时间计算模块(204)，用于根据港区交通数据与标准路径信息计算标准运输时间；
货物标准运输模块(205)，用于若标准运输时间位于预设的临界危险时间范围内，则控制危险货物按照标准路径信息移动；
货物优化运输模块(206)，用于若标准运输时间位于预设的临界危险时间范围外，则基于蚁群算法重新规划行驶路径信息并控制危险货物按照行驶路径信息进行移动；
对信息因子和启发函数因子进行更新操作，具体的更新操作可以被执行为：
获取信息因子对应的信息因子最大值Amax和信息因子最小值Amin；
计算信息因子最大值Amax和信息因子最小值Amin对应的平均值Avg1；
通过Avg1计算得到Avg1标准路径信息；
重复计算最新的平均值Avgn，n可以取正整数；
通过Avgn计算得到Avgn标准路径信息，n可以取正整数；
直至计算得出Avgk，使得对应的Avgk标准路径信息小于Avgn标准路径信息，其中，n和k可以取正整数；
根据信息因子的更新方式更新启发函数因子；
进行计时操作并生成更新持续时间；
若更新持续时间位于预设的临界更新时间范围内，则控制启发函数因子的更新条件满足更新公式：
；
其中，为信息因子，/>为启发函数因子，Amax为信息因子最大值，Amin为信息因子最小值，Bmax为启发函数因子最大值，Bmin为启发函数因子最小值。
5.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至3中任一种所述方法的计算机程序。
6.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至3中任一种所述方法的计算机程序。
CN202310840887.4A 2023-07-11 2023-07-11 基于蚁群算法危险货物港区运输防拥堵调控方法和系统 Active CN116562489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310840887.4A CN116562489B (zh) 2023-07-11 2023-07-11 基于蚁群算法危险货物港区运输防拥堵调控方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310840887.4A CN116562489B (zh) 2023-07-11 2023-07-11 基于蚁群算法危险货物港区运输防拥堵调控方法和系统

Publications (2)

Publication Number Publication Date
CN116562489A CN116562489A (zh) 2023-08-08
CN116562489B true CN116562489B (zh) 2023-09-12

Family

ID=87491932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310840887.4A Active CN116562489B (zh) 2023-07-11 2023-07-11 基于蚁群算法危险货物港区运输防拥堵调控方法和系统

Country Status (1)

Country Link
CN (1) CN116562489B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169831A (zh) * 2021-12-13 2022-03-11 哈尔滨辰启科技有限公司 一种基于网络超市系统的物流配送方法
CN115994725A (zh) * 2022-11-25 2023-04-21 上海东普信息科技有限公司 物流零担货运方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109191359B (zh) * 2018-09-11 2020-11-03 上海淼空网络科技有限公司 智能一体的国际货运服务平台

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169831A (zh) * 2021-12-13 2022-03-11 哈尔滨辰启科技有限公司 一种基于网络超市系统的物流配送方法
CN115994725A (zh) * 2022-11-25 2023-04-21 上海东普信息科技有限公司 物流零担货运方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116562489A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
US20230154327A1 (en) Route planning method, apparatus, device and computer storage medium
US20200249039A1 (en) Planning vehicle computational unit migration based on mobility prediction
US11410046B2 (en) Learning-based service migration in mobile edge computing
US20200387158A1 (en) Trajectory generation using temporal logic and tree search
US20180260750A1 (en) Association-based product design
US11276012B2 (en) Route prediction based on adaptive hybrid model
Nannicini et al. Bidirectional A* search on time‐dependent road networks
Drake et al. Generation of vns components with grammatical evolution for vehicle routing
US10837791B2 (en) Generating and recommending customized traversal routes
Dong et al. A novel chaotic particle swarm optimization algorithm for parking space guidance
US20230289618A1 (en) Performing knowledge graph embedding using a prediction model
US20210239480A1 (en) Method and apparatus for building route time consumption estimation model, and method and apparatus for estimating route time consumption
Mishra et al. IoT cloud‐based cyber‐physical system for efficient solid waste management in smart cities: a novel cost function based route optimisation technique for waste collection vehicles using dustbin sensors and real‐time road traffic informatics
CN114357105A (zh) 地理预训练模型的预训练方法及模型微调方法
CN116562489B (zh) 基于蚁群算法危险货物港区运输防拥堵调控方法和系统
US11295203B2 (en) Optimizing neuron placement in a neuromorphic system
Karim et al. Robust routing based on urban traffic congestion patterns
Veneti et al. An evolutionary approach to multi-objective ship weather routing
US20170177755A1 (en) System and method for dynamically adjusting an emergency coordination simulation system
US11526791B2 (en) Methods and systems for diverse instance generation in artificial intelligence planning
CN113137972B (zh) 路径规划的方法和装置
Idoudi et al. Smart dynamic evacuation planning and online management using vehicular communication system
US10430739B2 (en) Automatic solution to a scheduling problem
Chen et al. A fast algorithm for finding K shortest paths using generalized spur path reuse technique
US20200245141A1 (en) Privacy protection of entities in a transportation system

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