CN116629586A - 一种基于alns机场保障车辆调度方法及系统 - Google Patents
一种基于alns机场保障车辆调度方法及系统 Download PDFInfo
- Publication number
- CN116629586A CN116629586A CN202310906064.7A CN202310906064A CN116629586A CN 116629586 A CN116629586 A CN 116629586A CN 202310906064 A CN202310906064 A CN 202310906064A CN 116629586 A CN116629586 A CN 116629586A
- Authority
- CN
- China
- Prior art keywords
- solution
- guarantee
- algorithm
- vehicle
- neighborhood
- 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
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 132
- 238000003780 insertion Methods 0.000 claims abstract description 77
- 230000037431 insertion Effects 0.000 claims abstract description 77
- 238000012217 deletion Methods 0.000 claims abstract description 50
- 230000037430 deletion Effects 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000010187 selection method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000010485 coping Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241001417527 Pempheridae Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/08—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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于机场运输与物流数据处理技术领域，公开了一种基于ALNS机场保障车辆调度方法及系统。该方法采用贪心算法生成机场保障车辆完成保障任务的初始解；利用删除和插入获取每一个车辆从起点开始经过所有的保障任务，最终到达终点组成的运动轨迹的邻域解；利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域解；根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，获取最优解。本发明通过ALNS算法，能够不断适应和调整搜索策略，能够在搜索过程中快速找到最优解。
Description
技术领域
本发明属于机场运输与物流数据处理技术领域，尤其涉及一种基于ALNS机场保障车辆调度方法及系统。
背景技术
随着全球航空业的快速发展，机场成为了连接世界各地的重要枢纽，机场保障车辆调度也变得越来越复杂。机场保障车辆包括但不限于清扫车、加油车、行李输送车、登机桥车等，它们是机场日常运营的重要组成部分，必须按时按量地执行任务。然而，机场保障车辆的调度问题是一个复杂的组合优化问题，涉及到许多因素，如车辆类型、任务优先级、任务耗时、车辆容量等，同时还要考虑到机场环境的动态变化，如航班延误、天气影响等，这使得保障车辆的调度变得非常困难。
优化算法是一种常用的数学方法，在工程、科学和社会领域中广泛应用。其核心目标是找到问题的最优解或较好的近似解。目前，已经有一些研究针对机场保障车辆调度问题提出了各种算法，如遗传算法、禁忌搜索算法、模拟退火算法等。其中，遗传算法作为一种著名的优化算法之一，通过模拟自然界的进化过程来搜索最优解。在实际应用中，经常需要面临复杂多样的问题以及搜索空间庞大、约束条件复杂的困难情况。在这些情况下，遗传算法可能存在一些不足之处，例如收敛速度慢、易陷入局部最优解等问题。
再者这些算法往往只能针对特定类型的车辆进行调度，而不能很好地处理不同类型车辆的调度。另外，由于机场环境的变化和任务需求的不断变化，传统算法可能无法适应机场保障车辆调度问题的复杂性和动态性，因此需要一种新的算法来解决这个问题。
通过上述分析，现有技术存在的问题及缺陷为：现有技术不能适应不同机场环境场景变化进行准确快速获取不同类型车辆的调度信息，对机场的物流运营效率造成一定影响。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种基于ALNS机场保障车辆调度方法及系统，主要解决机场保障车辆调度问题。机场保障车辆调度是在机场保障车辆系统中对各种类型的保障车辆进行合理调度，以保证机场的日常运营和服务质量。
所述技术方案如下：一种基于ALNS机场保障车辆调度方法，包括以下步骤：
S1，采用贪心算法生成机场保障车辆完成保障任务的初始解，所述初始解为每一个车辆从起点开始经过所有的保障任务，最终到达终点组成的运动轨迹；
S2，利用删除算法和插入算法获取邻域解：通过删除算法删除其中的几个保障任务，再通过插入算法将删除的保障任务重新插入解中，获取符合约束的邻域解；
S3，在已有的多种插入删除算法中，利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域解；
S4，对于每种插入删除算法，根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，获得更大的权重，在之后的迭代过程中更提高被选择的概率；在达到预设的终止条件时，停止搜索并输出最优解。
在步骤S1中，采用贪心算法生成机场保障车辆完成保障任务的初始解包括：
在邻域选择阶段，使用ALNS算法对当前解进行扰动，通过删除算法删除保障任务，再通过插入算法将删除的保障任务重新插入解中，产生新的解；
在选择接受准则阶段，根据接受准则决定是否接受扰动后的解，接受准则包括Metropolis准则、Boltzmann准则、Roulette-wheel准则；使用Metropolis准则，如果接受新解，下一次迭代中选择新解为初始解继续迭代；如果不接受，依然使用当前解；
其中，每机场保障车辆从起点到终点的运动轨迹为一个解，通过描述所有机场保障车辆的运动轨迹，即所有解；设/>表示车辆/>从/>走到/>的解，值为1表示是，值为0表示否。
在步骤S2中，所述邻域解为相邻区域的解；删除的过程中每次删除个保障任务，在插入中修复删除的保障任务，生成新的可行解。
进一步，所述删除保障任务中的采用的删除算法包括：
基于相似度的删除算法：对于两个保障任务，相似度计算公式如下：
；
其中，表示相似度，/>均表示权重，/>表示两个任务之间的距离，/>表示当前解中车辆到达保障任务的时间，/>表示另一任务解中车辆到达保障任务的时间，/>表示两个保障任务是否同一辆车保障；
在一个可行解中，计算每两个保障任务的相似度；随机选择一个保障任务，其他保障任务按照和当前保障任务的相似度进行排序，最终选择相似度大的保障任务，直到删除个数到达；
随机删除：在所有的保障任务中随机选取个删除；
基于目标函数的删除：对于一个解，目标函数是车辆运行总距离和车辆任务均衡性的加权平均；删除任何一个保障任务后，需经过的保障任务减少，目标函数降低，选取删除当前保障任务后，目标函数减少最多的个进行删除。
进一步，在插入中修复删除的保障任务中，插入的方法包括：
（i）贪心插入：插入到使目标函数增加最小的位置；针对最短距离和均衡度的多目标优化，计算出当前保障任务插入到每个车辆路径中的最优位置，具体方式包括：目标函数是车辆运行总距离和车辆任务均衡性的加权平均；对于插入前的解计算目标函数得分，通过模拟所有可行车辆插入之前删除的位置，计算插入后的目标得分，得到将这个保障任务模拟插入到每个车辆的目标得分，减去插入前的目标得分得到目标函数的减少量，在所有插入位置中选择目标函数增加最小的车辆来插入，重新构成可行解；
（ii）遗憾启发式插入：对于贪心插入，每次都选择最好的位置进行插入，最好的位置为选取一个最优车辆位置和次优车辆路径相差最大的车辆位置。
进一步，通过删除算法删除保障任务中，选取删除算法中三种删除方式的任意一种与插入算法中两种插入方式的任意一种自由组合生成邻域解。
在步骤S3中，生成新的邻域解具体包括：插入算法一个插入的选取：对插入算法的贪心插入、遗憾启发式插入初始化相同的权重，权重和为1，模拟在圆形轮盘中每种方式占一部分位置，生成一个0-1之间的随机数，模拟轮盘转动选择的过程，最终选择一个方式；生成新的邻域解为把当前解进行修改，生成一个新的解。
进一步，所述删除算法的一种删除方式选取与插入算法一个插入的选取过程相同。
在步骤S4中，根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，包括：
第一种，生成的新解为当前最优解；
第二种，生成的新解优于当前解，且之前未出现过；
第三种，生成的新解劣于当前解，但被Metropolis准则接受，且之前未出现过，Metropolis准则的接受方式，生成公式为：
；
式中，为接受的概率，/>为当前温度，/>为解/>的目标函数值，/>为解/>的新目标函数值，/>为解/>的旧目标函数值，/>表示一个可行解；计算出接受的概率/>之后，生成一个0-1之间的随机数和/>比较，确定当前解是否被接受；
以上三种情况，得分由高到低；当经历一系列迭代后，根据统计结果计算每种方法的得分，对于每种方法的得分进行归一化得到每种方法被选择的概率，作为每种方法新的权重，参与下一次迭代；在下一次迭代中，表现好的方法有更大权重，有更大几率被选择；
所述最优解为让目标函数最小的解，目标函数/>为车辆运行总距离和车辆任务均衡性的加权平均函数。
本发明的另一目的在于提供一种基于ALNS机场保障车辆调度系统，实施所述基于ALNS机场保障车辆调度方法，该系统包括：
初始解获取模块，用于采用贪心算法生成机场保障车辆完成保障任务的初始解；
邻域解获取模块，用于利用删除算法和插入算法获取邻域解：通过删除算法删除其中的几个保障任务，再通过插入算法将删除的保障任务重新插入解中，获取符合约束的邻域解；
新的邻域生成模块，用于在已有的多种插入删除算法中，利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域解；
最优解获取模块，用于根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，获得更大的权重，在之后的迭代过程中更提高被选择的概率；在达到预设的终止条件时，停止搜索并输出最优解。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提出了一种基于自适应大邻域搜索（Adaptive Large Neighborhood Search,ALNS）的机场保障车辆调度方法，以解决机场保障车辆调度问题。ALNS算法是一种启发式算法，能够在解决复杂问题时获得很好的结果。本发明将ALNS算法与机场保障车辆调度相结合，提出了一种高效的车辆调度方法，能够支持不同类型车辆的调度、适应变化的机场环境并具有高效的求解速度。可节约车辆运行距离，节约时间。
本发明应用场景包括机场保障车辆调度，即机场有很多保障车辆，也有很多保障任务需要保障，在满足全部任务被保障的前提下，优化车辆运行的距离，和车辆保障的均衡。本发明比人工分配的效果更好，车辆运行距离短，均衡性好，而且运行耗时相比人工分配时间更短。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的基于ALNS机场保障车辆调度方法图；
图2是本发明实施例提供的基于ALNS机场保障车辆调度方法原理图；
图3是本发明实施例提供的基于ALNS机场保障车辆调度系统示意图；
图中：1、初始解获取模块；2、邻域解获取模块；3、新的邻域生成模块；
4、最优解获取模块。
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，下面结合附图对本发明的具体实施方式做详细的说明。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。但是本发明能够以很多不同于在此描述的其他方式来实施，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改进，因此本发明不受下面公开的具体实施的限制。
在本发明中，自适应大邻域搜索（ALNS）算法是一种基于启发式搜索的优化算法，其主要思想是在搜索过程中针对不同的问题特点动态调整搜索策略。与遗传算法相比，相比种群类算法，ALNS算法被求解VRPTW和PDPTW中有更好的效果，优势如下：ALNS属于邻域搜索算法，相比种群算法具有较快的求解速度，能够在较短时间内得到较优解。ALNS算法具有较好的鲁棒性和通用性，能够适应不同的机场保障车辆调度问题。ALNS算法通过加入自适应权重调整方法，自动优化求解流程，具有较好的可解释性和可调节性。对于本发明要解决的保障车辆调度问题，基于VRPTW又要满足机场运行中的各种规则，相比之下更为复杂。因此，本发明提出了一种基于ALNS算法的机场保障车辆调度方法，为了满足机场保障中的规则约束，把算法流程进行适应性调整，使算法在保障车辆调度问题有更好的求解效果。
实施例1，针对安全性、效率性、可持续性等多方面的因素。传统的优化方法难以很好地应对这种复杂的环境和约束条件。当今机场保障车辆调度问题面临着复杂的现实环境和约束条件，例如：机场保障车辆数量有限，车辆的调度路径需要满足一定的时间窗口约束，同时还需要考虑安全性、效率性、可持续性等多方面的因素。传统的优化方法难以很好地应对这种复杂的环境和约束条件。
本发明提出的基于ALNS算法的机场保障车辆调度方法，在车辆调度中，每辆车都要从起点出发，完成航班保障所需的保障任务，在大规模机场中，每次分配的车辆数和任务数较大，所有可行的分配组合随任务数指数级上涨，属于大规模组合优化问题。通过ALNS算法，能够不断适应和调整搜索策略，能够在搜索过程中快速找到最优解。
如图1所示，本发明基于ALNS机场保障车辆调度方法包括以下步骤：
S1，采用贪心算法生成机场保障车辆完成保障任务的初始解，所述初始解为每一个车辆从起点开始经过所有的保障任务，最终到达终点组成的运动轨迹；
其中，每机场保障车辆从起点到终点的运动轨迹为一个解，通过描述所有机场保障车辆的运动轨迹，即所有解；设/>表示车辆/>从/>走到/>的解，值为1表示是，值为0表示否。
S2，利用删除算法和插入算法获取邻域解：通过删除算法删除其中的几个保障任务，再通过插入算法将删除的保障任务重新插入解中，获取符合约束的邻域解；
其中，所述邻域解为相邻区域的解；
S3，在已有的多种插入删除算法中，利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域解；
S4，对于每种插入删除算法，根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，获得更大的权重，在之后的迭代过程中更提高被选择的概率；在达到预设的终止条件时，停止搜索并输出最优解。
在本发明实施例步骤S1中，由于贪心算法仅考虑当前最优的决策，因此难以得到全局最优解。但初始解的质量直接影响到后续算法的搜索空间，因此生成一个合理的初始解仍然非常重要。
在邻域选择阶段，使用ALNS算法对当前解进行扰动，通过删除算法删除其中的几个保障任务，再通过插入算法将删除的保障任务重新插入解中，产生新的解；ALNS算法通过改变决策变量的值，产生不同的解，从而扩大搜索空间，具体结果根据下面描述的插入和删除得到。
在选择接受准则阶段，根据接受准则决定是否接受扰动后的解；接受准则包括Metropolis准则、Boltzmann准则、Roulette-wheel准则。本算法使用Metropolis准则，如果接受新解，下一次迭代中选择新解为初始解继续迭代。如果不接受，依然使用当前解。
在本发明实施例步骤S2中，利用删除和插入获取每一个车辆从起点开始经过所有的保障任务，最终到达终点组成的运动轨迹的邻域解，获取邻域解的过程分为删除和插入两个过程。在一个可行解中，每一个车辆从起点开始经过所有的保障任务，最终到达终点，从起点开始连接每个任务点到达终点，组成的路径就是这个车辆的运动轨迹。删除的过程就是将保障任务从车辆路径中删除，而删除过后，当前保障任务会缺少执行车辆，所以在插入过程中，需要选择一辆车来完成这个任务，在保证插入车辆的时间窗满足要求的情况下，就从一个可行解转换成新的可行解。
在生成一个解的过程中，本发明每次删除n个保障任务，在插入中修复删除的保障任务生成新解。在删除中有以下几种方式来选择删除的保障任务。
其中，（1）基于相似度的删除算法包括：
对于两个保障任务，相似度计算公式如下：
；
其中，表示相似度，/>均表示权重，/>表示两个任务之间的距离，/>表示当前解中车辆到达保障任务的时间，/>表示另一任务解中车辆到达保障任务的时间，/>表示两个保障任务是否同一辆车保障；
在一个可行解中，通过上述公式，计算每两个保障任务的相似度。因此本发明可以随机选择一个保障任务，其他保障任务按照和当前保障任务的相似度进行排序，最终选择相似度大的保障任务，直到删除个数到达n。
（2）随机删除：在所有的保障任务中随机选取n个删除；
（3）基于目标函数的删除：对于一个解，有一个目标函数值，在本问题中，目标函数是车辆运行总距离和车辆任务均衡性的加权平均。而删除任何一个保障任务后，需要经过的保障任务减少，会导致目标函数降低。而优化目标是最小化目标函数。所以本发明可以选取删除当前保障任务后，目标函数减少最多的n个进行删除，达到最小化目标函数的效果。
以上三种方式是删除保障任务的方法，对于删除的每个保障任务，都要插入回当前解，包括：
（i）贪心插入：即插入到使目标函数增加最小的位置。对于车辆调度问题，本发明考虑做最短距离和均衡度的多目标优化。计算出当前保障任务插入到每个车辆路径中的最优位置，具体方式包括：
目标函数是车辆运行总距离和车辆任务均衡性的加权平均；对于插入前的解计算目标函数得分，通过模拟所有可行车辆插入之前删除的位置，计算插入后的目标得分，得到将这个保障任务模拟插入到每个车辆的目标得分，减去插入前的目标得分得到目标函数的减少量，在所有插入位置中选择目标函数增加最小的车辆来插入，重新构成可行解。
（ii）遗憾启发式插入：对于贪心插入，每次都选择最好的位置进行插入，在迭代后面的步骤中，可以插入的位置越来越少，可能会导致最后的插入会大幅度增加目标函数值，导致最终的解质量下降。
为了解决上述问题，本发明不是选取目标函数值最小的位置，而是选取一个最优车辆位置和次优车辆路径相差最大的车辆，因为这个车辆会比其他车辆提升最大。
实际上遗憾启发式插入可以扩展到多种方法，本发明不止可以选取最优的两个位置进行比较，还可以选取更多位置，即选取最优位置和其他所有位置差距最大的车辆来完成这个保障任务。
在本发明中，选取以上3中删除算法和2中插入算法来生成邻域解。这些方法是相互独立的，因此本发明可以选择任意一种删除算法和任意一种插入算法来构造邻域解。
在本发明实施例步骤S3中，示例性的，利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域：在邻域选择中，本发明选取轮盘赌的方式，即为每个方法设置初始权重来表示其被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法。生成新的邻域。具体方式如下：
分开插入和删除，选择的方法完全相同。以插入为例，对多种方法，为每种方法，初始化相同的权重，权重和为1，来模拟在圆形轮盘中每种方式占一部分位置。生成一个0-1之间的随机数，来模拟轮盘转动选择的过程，最终选择一个方式。
在本发明实施例步骤S4中，示例性的，根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，获取最优解；在达到预设的终止条件时，停止搜索并输出最优解，分为三种情况：
第一种，生成的新解为当前最优解。
第二种，生成的新解优于当前解，且之前未出现过。
第三种，生成的新解劣于当前解，但被Metropolis准则接受，且之前未出现过，Metropolis准则的接受方式，生成公式为：
；
式中，为接受的概率，/>为当前温度，/>为解/>的目标函数值，/>为解/>的新目标函数值，/>为解/>的旧目标函数值，/>表示一个可行解；计算出接受的概率/>之后，生成一个0-1之间的随机数和/>比较，确定当前解是否被接受。
以上三种情况，得分由高到低；当经历一系列迭代后，根据统计结果计算每种方法的得分，对于每种方法的得分进行归一化得到每种方法被选择的概率，作为每种方法新的权重，参与下一次迭代；在下一次迭代中，表现好的方法有更大权重，有更大几率被选择，这样可以在搜索过程中不断调整算法的搜索策略，从而更快地找到最优解。
其中，所述最优解为让目标函数最小的解，目标函数/>为车辆运行总距离和车辆任务均衡性的加权平均函数。
图2是本发明实施例提供的基于ALNS机场保障车辆调度方法原理，本发明通过以上步骤，本发明的方法可以在快速解决机场保障车辆调度问题的同时，保证解的质量和可行性。
实施例2，如图3所示，本发明的另一目的在于提供一种基于ALNS机场保障车辆调度系统，包括：
初始解获取模块1，用于采用贪心算法生成机场保障车辆完成保障任务的初始解；
邻域解获取模块2，用于利用删除算法和插入算法获取邻域解：通过删除算法删除其中的几个保障任务，再通过插入算法将删除的保障任务重新插入解中，获取符合约束的邻域解；
新的邻域生成模块3，用于在已有的多种插入删除算法中，利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域解；
最优解获取模块4，用于根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，获得更大的权重，在之后的迭代过程中更提高被选择的概率；在达到预设的终止条件时，停止搜索并输出最优解。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案，进一步的可提出以下应用例。
根据本申请的实施例，本发明还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于ALNS机场保障车辆调度方法，其特征在于，该方法包括以下步骤：
S1，采用贪心算法生成机场保障车辆完成保障任务的初始解，所述初始解为每一个车辆从起点开始经过所有的保障任务，最终到达终点组成的运动轨迹；
S2，利用删除算法和插入算法获取邻域解：通过删除算法删除其中的几个保障任务，再通过插入算法将删除的保障任务重新插入解中，获取符合约束的邻域解；
S3，在已有的多种插入删除算法中，利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域解；
S4，对于每种插入删除算法，根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，获得更大的权重，在之后的迭代过程中更提高被选择的概率；在达到预设的终止条件时，停止搜索并输出最优解。
2.根据权利要求1所述的基于ALNS机场保障车辆调度方法，其特征在于，在步骤S1中，采用贪心算法生成机场保障车辆完成保障任务的初始解包括：
在邻域选择阶段，使用ALNS算法对当前解进行扰动，通过删除算法删除保障任务，再通过插入算法将删除的保障任务重新插入解中，产生新的解；
在选择接受准则阶段，根据接受准则决定是否接受扰动后的解，接受准则包括Metropolis准则、Boltzmann准则、Roulette-wheel准则；使用Metropolis准则，如果接受新解，下一次迭代中选择新解为初始解继续迭代；如果不接受，依然使用当前解；
其中，每机场保障车辆从起点到终点的运动轨迹为一个解，通过描述所有机场保障车辆的运动轨迹，即所有解；设/>表示车辆/>从/>走到/>的解，值为1表示是，值为0表示否。
3.根据权利要求1所述的基于ALNS机场保障车辆调度方法，其特征在于，在步骤S2中，所述邻域解为相邻区域的解；删除的过程中每次删除个保障任务，在插入中修复删除的保障任务，生成新的可行解。
4.根据权利要求2所述的基于ALNS机场保障车辆调度方法，其特征在于，所述删除保障任务中的采用的删除算法包括：
基于相似度的删除算法：对于两个保障任务，相似度计算公式如下：
；
其中，表示相似度，/>均表示权重，/>表示两个任务之间的距离，/>表示当前解中车辆到达保障任务的时间，/>表示另一任务解中车辆到达保障任务的时间，/>表示两个保障任务是否同一辆车保障；
在一个可行解中，计算每两个保障任务的相似度；随机选择一个保障任务，其他保障任务按照和当前保障任务的相似度进行排序，最终选择相似度大的保障任务，直到删除个数到达；
随机删除：在所有的保障任务中随机选取个删除；
基于目标函数的删除：对于一个解，目标函数是车辆运行总距离和车辆任务均衡性的加权平均；删除任何一个保障任务后，需经过的保障任务减少，目标函数降低，选取删除当前保障任务后，目标函数减少最多的个进行删除。
5.根据权利要求3所述的基于ALNS机场保障车辆调度方法，其特征在于，在插入中修复删除的保障任务中，插入的方法包括：
（i）贪心插入：插入到使目标函数增加最小的位置；针对最短距离和均衡度的多目标优化，计算出当前保障任务插入到每个车辆路径中的最优位置，具体方式包括：目标函数是车辆运行总距离和车辆任务均衡性的加权平均；对于插入前的解计算目标函数得分，通过模拟所有可行车辆插入之前删除的位置，计算插入后的目标得分，得到将这个保障任务模拟插入到每个车辆的目标得分，减去插入前的目标得分得到目标函数的减少量，在所有插入位置中选择目标函数增加最小的车辆来插入，重新构成可行解；
（ii）遗憾启发式插入：对于贪心插入，每次都选择最好的位置进行插入，最好的位置为选取一个最优车辆位置和次优车辆路径相差最大的车辆位置。
6.根据权利要求2所述的基于ALNS机场保障车辆调度方法，其特征在于，通过删除算法删除保障任务中，选取删除算法中三种删除方式的任意一种与插入算法中两种插入方式的任意一种自由组合生成邻域解。
7.根据权利要求1所述的基于ALNS机场保障车辆调度方法，其特征在于，在步骤S3中，生成新的邻域解具体包括：插入算法一个插入的选取：对插入算法的贪心插入、遗憾启发式插入初始化相同的权重，权重和为1，模拟在圆形轮盘中每种方式占一部分位置，生成一个0-1之间的随机数，模拟轮盘转动选择的过程，最终选择一个方式；生成新的邻域解为把当前解进行修改，生成一个新的解。
8.根据权利要求6所述的基于ALNS机场保障车辆调度方法，其特征在于，所述删除算法的一种删除方式选取与插入算法一个插入的选取过程相同。
9.根据权利要求1所述的基于ALNS机场保障车辆调度方法，其特征在于，在步骤S4中，根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，包括：
第一种，生成的新解为当前最优解；
第二种，生成的新解优于当前解，且之前未出现过；
第三种，生成的新解劣于当前解，但被Metropolis准则接受，且之前未出现过，Metropolis准则的接受方式，生成公式为：
；
式中，为接受的概率，/>为当前温度，/>为解/>的目标函数值，/>为解/>的新目标函数值，/>为解/>的旧目标函数值，/>表示一个可行解；计算出接受的概率/>之后，生成一个0-1之间的随机数和/>比较，确定当前解是否被接受；
以上三种情况，得分由高到低；当经历一系列迭代后，根据统计结果计算每种方法的得分，对于每种方法的得分进行归一化得到每种方法被选择的概率，作为每种方法新的权重，参与下一次迭代；在下一次迭代中，表现好的方法有更大权重，有更大几率被选择；
所述最优解为让目标函数最小的解，目标函数/>为车辆运行总距离和车辆任务均衡性的加权平均函数。
10.一种基于ALNS机场保障车辆调度系统，其特征在于，实施权利要求1-8任意一项所述基于ALNS机场保障车辆调度方法，该系统包括：
初始解获取模块（1），用于采用贪心算法生成机场保障车辆完成保障任务的初始解；
邻域解获取模块（2），用于利用删除算法和插入算法获取邻域解：通过删除算法删除其中的几个保障任务，再通过插入算法将删除的保障任务重新插入解中，获取符合约束的邻域解；
新的邻域生成模块（3），用于在已有的多种插入删除算法中，利用轮盘赌的方式进行不同邻域选择方法筛选，为每个邻域选择方法设置保障任务的初始权重表示被选择的概率，在每次邻域选择中，选取一种删除算法和一种插入算法，生成新的邻域解；
最优解获取模块（4），用于根据生成新的邻域进行质量打分，基于分值进行自适应更新权重，生成优秀邻域解的插入删除算法，获得更大的权重，在之后的迭代过程中更提高被选择的概率；在达到预设的终止条件时，停止搜索并输出最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906064.7A CN116629586A (zh) | 2023-07-24 | 2023-07-24 | 一种基于alns机场保障车辆调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906064.7A CN116629586A (zh) | 2023-07-24 | 2023-07-24 | 一种基于alns机场保障车辆调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629586A true CN116629586A (zh) | 2023-08-22 |
Family
ID=87592442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310906064.7A Pending CN116629586A (zh) | 2023-07-24 | 2023-07-24 | 一种基于alns机场保障车辆调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629586A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025363A (zh) * | 2017-05-08 | 2017-08-08 | 中国人民解放军国防科学技术大学 | 一种面向敏捷卫星调度的自适应大邻域搜索方法 |
| CN109978274A (zh) * | 2019-04-02 | 2019-07-05 | 海南阿凡题科技有限公司 | 调度路径的规划方法 |
| CN112257999A (zh) * | 2020-10-10 | 2021-01-22 | 东南大学 | 一种面向大规模纯电动公交车辆调度问题的自适应大型邻域搜索方法 |
| CN113627642A (zh) * | 2021-06-25 | 2021-11-09 | 广东烟草惠州市有限责任公司 | 基于自适应大规模邻域搜索算法的堆垛机路径优化方法 |
| CN114139392A (zh) * | 2021-12-03 | 2022-03-04 | 上海发网供应链管理有限公司 | 基于自适应大规模领域搜索算法的车辆路径问题方法及系统 |
| CN114444843A (zh) * | 2021-11-30 | 2022-05-06 | 上海海洋大学 | 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统 |
| CN114611806A (zh) * | 2022-03-16 | 2022-06-10 | 重庆大学 | 一种解决多配送中心两级城市协同配送的大邻域搜索方法 |
| CN114707693A (zh) * | 2022-02-21 | 2022-07-05 | 山东科技大学 | 一种车辆配送路径规划方法及系统 |
| CN115547052A (zh) * | 2022-10-14 | 2022-12-30 | 大连海事大学 | 改进自适应大领域算法的动态需求响应电动公交调度方法 |
-
2023
- 2023-07-24 CN CN202310906064.7A patent/CN116629586A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025363A (zh) * | 2017-05-08 | 2017-08-08 | 中国人民解放军国防科学技术大学 | 一种面向敏捷卫星调度的自适应大邻域搜索方法 |
| CN109978274A (zh) * | 2019-04-02 | 2019-07-05 | 海南阿凡题科技有限公司 | 调度路径的规划方法 |
| CN112257999A (zh) * | 2020-10-10 | 2021-01-22 | 东南大学 | 一种面向大规模纯电动公交车辆调度问题的自适应大型邻域搜索方法 |
| CN113627642A (zh) * | 2021-06-25 | 2021-11-09 | 广东烟草惠州市有限责任公司 | 基于自适应大规模邻域搜索算法的堆垛机路径优化方法 |
| CN114444843A (zh) * | 2021-11-30 | 2022-05-06 | 上海海洋大学 | 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统 |
| CN114139392A (zh) * | 2021-12-03 | 2022-03-04 | 上海发网供应链管理有限公司 | 基于自适应大规模领域搜索算法的车辆路径问题方法及系统 |
| CN114707693A (zh) * | 2022-02-21 | 2022-07-05 | 山东科技大学 | 一种车辆配送路径规划方法及系统 |
| CN114611806A (zh) * | 2022-03-16 | 2022-06-10 | 重庆大学 | 一种解决多配送中心两级城市协同配送的大邻域搜索方法 |
| CN115547052A (zh) * | 2022-10-14 | 2022-12-30 | 大连海事大学 | 改进自适应大领域算法的动态需求响应电动公交调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108053119B (zh) | 一种求解零等待流水车间调度问题的改进粒子群优化方法 | |
| CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
| CN112859912B (zh) | 中继充电模式下无人机路径规划的自适应优化方法与系统 | |
| CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
| Li et al. | A firefly algorithm with self-adaptive population size for global path planning of mobile robot | |
| CN113760553B (zh) | 一种基于蒙特卡洛树搜索的混部集群任务调度方法 | |
| CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
| CN114638234B (zh) | 应用于线上业务办理的大数据挖掘方法及系统 | |
| CN113204417A (zh) | 一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法 | |
| JP2000155681A (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
| CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和系统 | |
| CN111159406A (zh) | 基于并行改进的K-means算法的大数据文本聚类方法及系统 | |
| CN113313360A (zh) | 一种基于模拟退火-撒点混合算法的协同任务分配方法 | |
| CN114399161A (zh) | 基于离散映射差分进化算法的多无人机协同任务分配方法 | |
| CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
| CN116702945A (zh) | 基于改进的多模态多目标粒子群优化算法的选址优化方法 | |
| CN115146866A (zh) | 一种考虑实际多约束的多条等效最优路径规划方法 | |
| CN115034557A (zh) | 一种敏捷卫星应急任务规划方法 | |
| CN110705606A (zh) | 一种基于Spark分布式内存计算的空间K均值聚类方法 | |
| CN113743566A (zh) | 产品拆卸序列优化方法、装置、计算机设备和存储介质 | |
| CN116629586A (zh) | 一种基于alns机场保障车辆调度方法及系统 | |
| CN111782904B (zh) | 一种基于改进smote算法的非平衡数据集处理方法及系统 | |
| CN114781508A (zh) | 基于聚类的卫星测控调度方法及系统 | |
| Zheng et al. | A fuzzy receding horizon control strategy for dynamic vehicle routing problem | |
| Qiu et al. | An Adaptive Reference Vector Adjustment Strategy and Improved Angle‐Penalized Value Method for RVEA |
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: 20230822 |
|
| RJ01 | Rejection of invention patent application after publication |