CN116757454A - 基于蚁群优化算法的智能巡检配置优化方法及系统 - Google Patents
基于蚁群优化算法的智能巡检配置优化方法及系统 Download PDFInfo
- Publication number
- CN116757454A CN116757454A CN202311047061.9A CN202311047061A CN116757454A CN 116757454 A CN116757454 A CN 116757454A CN 202311047061 A CN202311047061 A CN 202311047061A CN 116757454 A CN116757454 A CN 116757454A
- Authority
- CN
- China
- Prior art keywords
- inspector
- configuration
- optimization
- ant colony
- patrol
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007689 inspection Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 239000003016 pheromone Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 241000257303 Hymenoptera Species 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000007306 turnover Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及巡检配置优化技术领域，特别涉及一种基于蚁群优化算法的智能巡检配置优化方法及系统，先收集车场的运营数据，再建立巡检员配置优化模型，然后采用蚁群优化算法对巡检员配置优化模型进行求解，并评估最优方案的追缴额、收缴率、欠费金额指标，根据评估结果对巡检员数量配置方案进行调整和优化；最后将优化的巡检员配置方案应用到实际的巡检员调度中，实现巡检员的合理分配和调度，可以智能的找出巡检的最优配置，提高巡检效率，优化巡检员整体数量，最大化追缴额。
Description
技术领域
本发明涉及巡检配置优化技术领域，特别涉及一种基于蚁群优化算法的智能巡检配置优化方法及系统。
背景技术
在路内车场管理中，巡检员在不同时段的巡检车场配置对于车场的运营效率和收益至关重要。合理的在不同时间段的巡检员数量配置，可以对车主进行缴费提醒、欠费催缴，进而提高收缴率，减少欠费金额。
然而，传统的手工调度方法往往难以应对复杂的运营情况和变化需求。在车场规模庞大、订单量巨大的情况下，手工调度往往效率低下，易出现人为误差，无法充分考虑到巡检员的工作时间和车场的运营需求。巡检员的巡检路线和数量配置不合理，导致巡检效率低下。这可能导致车场欠费车辆的漏查和延误，影响收缴率和追缴额的最大化。一些路内停车场的平均收缴率在50%左右，欠费金额在千万级别。
因此，需要一种智能化的巡检配置优化方法和系统，能够根据车场的特点和运营需求，通过科学的算法和数据分析，自动化地进行巡检员数量的配置优化，来提高收缴率和对欠费金额的追缴。
发明内容
为了解决上述方法的不足，本发明提供了一种基于蚁群优化算法的智能巡检配置优化方法及系统，先对巡检员配置优化问题进行建模，然后通过蚁群优化算法来实现对巡检配置进行优化，提高收缴率和追缴额，将车场的收缴率、订单数量、欠费金额等指标作为约束条件，以保证巡检员的工作负荷平衡的同时最大化车场的收益。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供了一种基于蚁群优化算法的智能巡检配置优化方法，具体包括以下步骤：
数据收集：收集车场的运营数据，包括车位数量、驶入驶出车辆数、周转率、利用率、欠费笔数、欠费金额、收缴率等信息，以及巡检员的工作态度、巡检员追缴金额等相关数据；
优化模型建立：基于收集到的运营数据，建立巡检员配置优化模型，将巡检员在不同车场的不同时间段的数量配置作为决策变量，将追缴额作为目标函数，同时考虑车场的收缴率、订单数量、欠费金额指标作为约束条件；
优化求解：采用蚁群优化算法对巡检员配置优化模型进行求解，得到巡检员在不同时间段的不同车场的最优数量配置方案；
结果评估与调整：评估最优方案的追缴额、收缴率、欠费金额指标，根据评估结果对巡检员数量配置方案进行调整和优化；
系统应用：将优化的巡检员配置方案应用到实际的巡检员调度中，实现巡检员的合理分配和调度，以达到追缴额最大化的目标。
作为本发明的进一步技术方案，建立的巡检员配置优化模型的目标函数为：
；
约束条件为：
；
；
；
；
其中为车场集合，/>为时间段集合，/>为在第t个时间段内第i个车场的巡检员数量，/>为在第t个时间段内第i个车场每个巡检员追缴的笔数，/>为在第t个时间段内第i个车场追缴的每笔金额，/>为在第t个时间段内第i个车场的订单数，/>为在第t个时间段内第i个车场的欠费笔数，/>为在第t个时间段内第i个车场的周转率，/>为在第t个时间段内第i个车场的收缴率，/>为每个巡检员在每个时间段t内的工资。
作为本发明的进一步技术方案，采用蚁群优化算法对巡检员配置优化模型进行求解的具体过程为：
初始化参数：设定蚂蚁数量（代表巡检员）和迭代次数，随机初始化蚂蚁在不同时间段、车场的巡检员数量；
初始化信息素矩阵：创建一个与车场数量和时间段数量相同的信息素矩阵，用于记录蚂蚁在路径上释放的信息素浓度，并初始化信息素矩阵的值；
迭代搜索：在每次迭代中，每只蚂蚁根据信息素和启发式信息选择要去的车场，并根据选择的车场更新信息素矩阵，再计算对应的目标函数值；
更新最优解：在每次迭代中，记录全局最优解对应的目标函数值和巡检员配置方案；
终止条件：达到预设的迭代次数或满足停止条件；
返回最优解：返回全局最优解对应的巡检员配置方案和目标函数值。
第二方面，本发明提供一种基于蚁群优化算法的智能巡检配置优化系统，包括：
数据收集模块，用于收集车场的运营数据；
优化模型建立模块，根据收集到的运营数据，建立巡检员配置优化模型；
优化求解模块，通过蚁群优化算法对巡检员配置优化模型进行求解，得到巡检员在不同时间段的不同车场的最优数量配置方案；
结果评估与调整模块，用于评估最优方案的追缴额、收缴率、欠费的金额指标，并根据评估结果对巡检员数量配置方案进行调整和优化；
系统应用模块，将优化的巡检员配置方案应用到实际的巡检员调度中。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。本发明所采用的蚁群优化算法是一种基于模拟蚁群觅食行为的优化算法，被广泛应用于求解组合优化问题，特别是路径规划和路线优化问题。蚁群优化算法通过模拟蚂蚁在搜索过程中的信息交流和信息素更新，实现全局最优解的搜索。在巡检员配置优化问题中，蚁群优化算法可以应用于确定巡检员在各车场的不同时间段的数量配置方案。通过模拟蚂蚁在解空间中的路径搜索行为，蚁群优化算法可以寻找最优的巡检员数量配置，以达到追缴额最大化的目标。
与现有技术相比，本发明的有益效果是：
本发明提供的基于蚁群优化的算法的智能巡检配置优化方法及系统，对比现有方法，本发明对巡检配置优化问题进行建模并通过蚁群优化算法求解，可以智能的找出巡检的最优配置，提高巡检效率，优化巡检员整体数量，最大化追缴额。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本公开，并不构成对本发明的不当限定。
图1为本发明提供的一种基于蚁群优化算法的智能巡检配置优化方法的流程示意图。
图2为本发明提供的蚁群优化算法求解的流程示意图。
图3为本发明提供的一种基于蚁群优化算法的智能巡检配置优化系统的结构框图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例1：如图1所示，本发明实施例中的基于蚁群优化的算法的智能巡检配置优化方法，包括如下步骤：
S1、数据收集：
收集某地区车场的运营数据，先收集包括车位数量、车场位置、驶入订单、驶出订单、订单表、泊位信息表等信息的原始数据，然后对收集到的原始数据进行清洗和处理，去除无效和异常数据，根据原始数据分析得到周转率、利用率、欠费笔数、欠费金额、收缴率等信息，并收集巡检员的工作态度、巡检员追缴金额等相关数据。
S2、优化模型建立：
基于收集到的运营数据，建立巡检员配置优化模型，将巡检员在不同车场的不同时间段的数量配置作为决策变量，将追缴额作为目标函数，同时考虑车场的收缴率、订单数量、欠费金额指标作为约束条件；建立巡检员配置优化模型旨在优化巡检员在不同时间段不同车场的数量配置，以达到追缴额最大化和巡检员整体数量优化的目标；建立的巡检员配置优化模型参数如表1所示：
表1：模型参数说明
，
基于表1定义的参数，建立的巡检员配置优化模型的目标函数和约束条件如下所示：
目标函数为：
（1）；
约束条件为：
（2）；
（3）；
（4）；
（5）；
目标函数（1）表示该路内车场由巡检员造成的收益，由巡检员追缴的金额减去巡检员的工资得到；公式（2）保证在任意时间段t内所有车场的巡检员之和不大于巡检员的总数；公式（3）表示在第t时间段内第i个车场的巡检员数量与在该时间段内该车场的订单数、欠费笔数、周转率和收缴率有关，可以保证订单数多、欠费笔数多、周转率高以及收缴率低的车场由更多的巡检人员；公式（4）确保在第t时间段内第i个车场的巡检员数量为非负整数；公式（5）保证在第t个时间段内第i个车场追缴的每笔金额和每个巡检员在每个时间段t内的工资为正数。
S3、优化求解：
蚁群优化算法是一种启发式优化算法，可以应用于求解巡检员配置优化模型。该算法模拟了蚁群在寻找食物时的行为，通过蚂蚁在解空间中的搜索和信息素的交流来寻找最优解，本实施例采用蚁群优化算法来寻找最优的巡检员数量配置方案，以达到追缴额最大化和巡检员整体数量优化的目标，优化求解的过程如图2所示，先我们初始化蚂蚁在不同时间段、车场的巡检员数量，然后初始化信息素矩阵，接着每只蚂蚁根据信息素矩阵和启发式信息选择要去的车场，并更新信息素矩阵，对这个过程进行迭代，得到最优解，即为巡检员配置方案，这样得到在不同时间段不同车场的巡检员最优配置方案，具体如下：
初始化参数：设定蚂蚁数量（代表巡检员）和迭代次数，随机初始化蚂蚁在不同时间段、车场的巡检员数量；
初始化信息素矩阵：创建一个与车场数量和时间段数量相同的信息素矩阵，用于记录蚂蚁在路径上释放的信息素浓度，并初始化信息素矩阵的值；
迭代搜索：在每次迭代中，每只蚂蚁根据信息素和启发式信息选择要去的车场，并根据选择的车场更新信息素矩阵，再计算对应的目标函数值；
更新最优解：在每次迭代中，记录全局最优解对应的目标函数值和巡检员配置方案；
终止条件：达到预设的迭代次数或满足停止条件；
返回最优解：返回全局最优解对应的巡检员配置方案和目标函数值。
S4、结果评估与调整：
评估寻找到的最优巡检员配置方案的追缴额、收缴率、欠费金额等指标，再根据评估结果对巡检员数量配置方案进行进一步的调整和优化。
S5、系统应用：
将得到的最终优化的巡检员配置方案应用到实际的巡检员调度中，实现巡检员的合理分配和调度，以达到追缴额最大化的目标。
实施例2：
如图3所示，本实施例提供一种基于蚁群优化算法的智能巡检配置优化系统，包括：
数据收集模块，用于收集车场的运营数据；
优化模型建立模块，根据收集到的运营数据，建立巡检员配置优化模型；
优化求解模块，通过蚁群优化算法对巡检员配置优化模型进行求解，得到巡检员在不同时间段的不同车场的最优数量配置方案；
结果评估与调整模块，用于评估最优方案的追缴额、收缴率、欠费的金额指标，并根据评估结果对巡检员数量配置方案进行调整和优化；
系统应用模块，将优化的巡检员配置方案应用到实际的巡检员调度中。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法，为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成，软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种基于蚁群优化算法的智能巡检配置优化方法，其特征在于，具体包括以下步骤：
数据收集：收集车场的运营数据，包括车位数量、驶入驶出车辆数、周转率、利用率、欠费笔数、欠费金额、收缴率信息，以及巡检员的工作态度、巡检员追缴金额数据；
优化模型建立：基于收集到的运营数据，建立巡检员配置优化模型，将巡检员在不同车场的不同时间段的数量配置作为决策变量，将追缴额作为目标函数，同时考虑车场的收缴率、订单数量、欠费金额指标作为约束条件；
优化求解：采用蚁群优化算法对巡检员配置优化模型进行求解，得到巡检员在不同时间段的不同车场的最优数量配置方案；
结果评估与调整：评估最优方案的追缴额、收缴率、欠费金额指标，根据评估结果对巡检员数量配置方案进行调整和优化；
系统应用：将优化的巡检员配置方案应用到实际的巡检员调度中，实现巡检员的合理分配和调度，以达到追缴额最大化的目标。
2.根据权利要求1所述基于蚁群优化算法的智能巡检配置优化方法，其特征在于，建立的巡检员配置优化模型的目标函数为：
；
约束条件为：
；
；
；
；
其中为车场集合，/>为时间段集合，/>为在第t个时间段内第i个车场的巡检员数量，为在第t个时间段内第i个车场每个巡检员追缴的笔数，/>为在第t个时间段内第i个车场追缴的每笔金额，/>为在第t个时间段内第i个车场的订单数，/>为在第t个时间段内第i个车场的欠费笔数，/>为在第t个时间段内第i个车场的周转率，/>为在第t个时间段内第i个车场的收缴率，/>为每个巡检员在每个时间段t内的工资。
3.根据权利要求2所述基于蚁群优化算法的智能巡检配置优化方法，其特征在于，采用蚁群优化算法对巡检员配置优化模型进行求解的具体过程为：
初始化参数：设定蚂蚁数量和迭代次数，随机初始化蚂蚁在不同时间段、车场的巡检员数量，其中蚂蚁数量代表巡检员；
初始化信息素矩阵：创建一个与车场数量和时间段数量相同的信息素矩阵，用于记录蚂蚁在路径上释放的信息素浓度，并初始化信息素矩阵的值；
迭代搜索：在每次迭代中，每只蚂蚁根据信息素和启发式信息选择要去的车场，并根据选择的车场更新信息素矩阵，再计算对应的目标函数值；
更新最优解：在每次迭代中，记录全局最优解对应的目标函数值和巡检员配置方案；
终止条件：达到预设的迭代次数或满足停止条件；
返回最优解：返回全局最优解对应的巡检员配置方案和目标函数值。
4.一种基于蚁群优化算法的智能巡检配置优化系统，其特征在于，能完成如权利要求1 所述的方法，包括：
数据收集模块，用于收集车场的运营数据；
优化模型建立模块，根据收集到的运营数据，建立巡检员配置优化模型；
优化求解模块，通过蚁群优化算法对巡检员配置优化模型进行求解，得到巡检员在不同时间段的不同车场的最优数量配置方案；
结果评估与调整模块，用于评估最优方案的追缴额、收缴率、欠费的金额指标，并根据评估结果对巡检员数量配置方案进行调整和优化；
系统应用模块，将优化的巡检员配置方案应用到实际的巡检员调度中。
5.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求 1 所述的方法。
6. 一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求 1 所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311047061.9A CN116757454B (zh) | 2023-08-21 | 2023-08-21 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311047061.9A CN116757454B (zh) | 2023-08-21 | 2023-08-21 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757454A true CN116757454A (zh) | 2023-09-15 |
| CN116757454B CN116757454B (zh) | 2023-11-17 |
Family
ID=87948240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311047061.9A Active CN116757454B (zh) | 2023-08-21 | 2023-08-21 | 基于蚁群优化算法的智能巡检配置优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757454B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1166363A (ja) * | 1997-08-26 | 1999-03-09 | Inter Lock:Kk | 駐車場管理方法及び駐車場管理装置 |
| KR20060077550A (ko) * | 2004-12-30 | 2006-07-05 | 주식회사 위쥬테크 | 공영 주차장 통합 관리 시스템 및 그 방법 |
| CN108986006A (zh) * | 2018-06-04 | 2018-12-11 | 松立控股集团股份有限公司 | 一种城市级静态交通综合管理平台 |
| CN109903029A (zh) * | 2019-01-24 | 2019-06-18 | 广州有位智能科技有限公司 | 智能追缴系统及方法 |
| CN110610304A (zh) * | 2019-08-28 | 2019-12-24 | 广西电网有限责任公司电力科学研究院 | 基于混合遗传-蚁群算法的巡检机器人跨区域调度方法 |
| CN110826818A (zh) * | 2019-11-21 | 2020-02-21 | 中冶华天工程技术有限公司 | 多个巡检员对多个站点进行巡检任务规划和路径设计方法 |
| CN110992507A (zh) * | 2019-11-21 | 2020-04-10 | 中冶华天工程技术有限公司 | 一种多人多站点巡检任务规划和路径设计方法 |
| KR20200144004A (ko) * | 2019-06-17 | 2020-12-28 | 김효진 | 하이브리드 주차장 관리 및 예약 시스템, 그리고 하이브리드 주차장 관리 및 예약 방법 |
| CN113393113A (zh) * | 2021-06-10 | 2021-09-14 | 东南大学 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| CN113487759A (zh) * | 2021-07-16 | 2021-10-08 | 杭州海康汽车软件有限公司 | 一种停车巡检方法、装置、移动巡逻设备及巡检系统 |
| CN113625712A (zh) * | 2021-08-04 | 2021-11-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于回归分析算法的巡检机器人工作调整方法 |
| CN114625137A (zh) * | 2022-03-12 | 2022-06-14 | 唐山通宝停车设备有限公司 | 一种基于agv的智能停车路径规划方法及系统 |
| CN114721402A (zh) * | 2022-05-24 | 2022-07-08 | 西安建筑科技大学 | 一种基于改进蚁群算法的泊车路径规划方法及系统 |
| CN115077552A (zh) * | 2022-06-13 | 2022-09-20 | 山东大学 | 一种基于最短路径的监管环境安全巡检规划方法及系统 |
| CN115983423A (zh) * | 2022-11-15 | 2023-04-18 | 中国地质大学（武汉） | 一种考虑双资源约束的上下料场景调度优化方法 |
-
2023
- 2023-08-21 CN CN202311047061.9A patent/CN116757454B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1166363A (ja) * | 1997-08-26 | 1999-03-09 | Inter Lock:Kk | 駐車場管理方法及び駐車場管理装置 |
| KR20060077550A (ko) * | 2004-12-30 | 2006-07-05 | 주식회사 위쥬테크 | 공영 주차장 통합 관리 시스템 및 그 방법 |
| CN108986006A (zh) * | 2018-06-04 | 2018-12-11 | 松立控股集团股份有限公司 | 一种城市级静态交通综合管理平台 |
| CN109903029A (zh) * | 2019-01-24 | 2019-06-18 | 广州有位智能科技有限公司 | 智能追缴系统及方法 |
| KR20200144004A (ko) * | 2019-06-17 | 2020-12-28 | 김효진 | 하이브리드 주차장 관리 및 예약 시스템, 그리고 하이브리드 주차장 관리 및 예약 방법 |
| CN110610304A (zh) * | 2019-08-28 | 2019-12-24 | 广西电网有限责任公司电力科学研究院 | 基于混合遗传-蚁群算法的巡检机器人跨区域调度方法 |
| CN110826818A (zh) * | 2019-11-21 | 2020-02-21 | 中冶华天工程技术有限公司 | 多个巡检员对多个站点进行巡检任务规划和路径设计方法 |
| CN110992507A (zh) * | 2019-11-21 | 2020-04-10 | 中冶华天工程技术有限公司 | 一种多人多站点巡检任务规划和路径设计方法 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| CN113393113A (zh) * | 2021-06-10 | 2021-09-14 | 东南大学 | 复杂网络理论信用评价的路内停车欠逃费追缴方法及系统 |
| CN113487759A (zh) * | 2021-07-16 | 2021-10-08 | 杭州海康汽车软件有限公司 | 一种停车巡检方法、装置、移动巡逻设备及巡检系统 |
| CN113625712A (zh) * | 2021-08-04 | 2021-11-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于回归分析算法的巡检机器人工作调整方法 |
| CN114625137A (zh) * | 2022-03-12 | 2022-06-14 | 唐山通宝停车设备有限公司 | 一种基于agv的智能停车路径规划方法及系统 |
| CN114721402A (zh) * | 2022-05-24 | 2022-07-08 | 西安建筑科技大学 | 一种基于改进蚁群算法的泊车路径规划方法及系统 |
| CN115077552A (zh) * | 2022-06-13 | 2022-09-20 | 山东大学 | 一种基于最短路径的监管环境安全巡检规划方法及系统 |
| CN115983423A (zh) * | 2022-11-15 | 2023-04-18 | 中国地质大学（武汉） | 一种考虑双资源约束的上下料场景调度优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张鸣;郑紫微;: "基于改进蚁群算法的移动巡检路线规划", 无线通信技术, no. 04 * |
| 杜茂康等: ""基于多车场的车载无人机协同配送路径优化"", 《系统工程》 * |
| 陈美军;张志胜;史金飞;: "多约束下多车场车辆路径问题的蚁群算法研究", 中国机械工程, no. 16 * |
| 陈美军;张志胜;陈春咏;史金飞;: "多车场车辆路径问题的新型聚类蚁群算法", 中国制造业信息化, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757454B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shou et al. | Optimal passenger-seeking policies on E-hailing platforms using Markov decision process and imitation learning | |
| CN110020862B (zh) | 一种业务风险评估方法、装置和计算机可读存储介质 | |
| CN105956985A (zh) | 一种财政信息共享平台、系统和方法 | |
| CN110853347A (zh) | 一种短时交通路况预测方法、装置及终端设备 | |
| CN113838303B (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
| CN116757454B (zh) | 基于蚁群优化算法的智能巡检配置优化方法及系统 | |
| CN115909727A (zh) | 一种收费站效能监测方法、装置 | |
| Zheng et al. | How Many Are Too Many? Analyzing Dockless Bike-Sharing Systems with a Parsimonious Model | |
| Thakuriah et al. | Analysis of variations in vehicle ownership expenditures | |
| CN112711585A (zh) | 一种基于大数据技术的高速公路绿通车信用管理系统 | |
| CN116862106A (zh) | 一种城市建设用地更新潜力分析方法、装置、终端及介质 | |
| CN115640756A (zh) | 一种基于多源数据的停车需求预测模型、方法及其应用 | |
| WO2022203597A1 (en) | Method and system for taxi demand prediction using a neural network model | |
| CN111260927B (zh) | 一种公路路网流量预测方法 | |
| CN114048886A (zh) | 基于神经网络的有效泊位组合预测方法、终端及存储介质 | |
| Dai et al. | A two-dimensional propensity score matching approach to estimating the treatment effect of urban rail transit lines on vehicle travel | |
| Mokonyama et al. | Forecasting household car ownership in South Africa: alternative models and future trends | |
| CN113298309A (zh) | 用于交通拥堵状态预测的方法、装置及终端 | |
| CN109615187A (zh) | 一种od矩阵的评估方法、公交负载模拟方法及装置 | |
| CN110516932A (zh) | 交通行为信息处理方法、装置、计算机设备和存储介质 | |
| Bherwani et al. | Valuation of Environmental Externalities: A Tool for Sustainability | |
| Amorim et al. | Tolling motorways in the time of economic downturn: the case of Portugal | |
| Jakob et al. | A dynamic macroscopic parking pricing model | |
| Azari et al. | A fuzzy interval dynamic optimization model for surface and groundwater resources allocation under water shortage conditions, the case of West Azerbaijan Province, Iran | |
| Marszałek | DETERMINANTS OF R&D ACTIVITY-ANALYSIS OF THE POLISH LOGISTICS SECTOR. |
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 |