CN117151482A - 一种基于多目标优化的应急物资调度和路径规划方法 - Google Patents
一种基于多目标优化的应急物资调度和路径规划方法 Download PDFInfo
- Publication number
- CN117151482A CN117151482A CN202310976370.8A CN202310976370A CN117151482A CN 117151482 A CN117151482 A CN 117151482A CN 202310976370 A CN202310976370 A CN 202310976370A CN 117151482 A CN117151482 A CN 117151482A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- emergency
- model
- time
- objective optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 23
- 230000006872 improvement Effects 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101150092616 mth gene Proteins 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多目标优化的应急物资调度和路径规划方法，本发明首先从灾害应急理论角度出发，根据历史数据基于三角模糊数对物资需求和应急资源调度时间等不确定因素进行量化，其次抽象化电网关键节点形成拓扑结构，构建以物资满意度和时间保障率最优为目标，以节点输入输出物资平衡为约束条件的应急物资调度优化模型；最后采用改进的NSGA‑II算法对优化调度模型进行求解，从而得到最终的应急资源调度和路径规划方案，实现了对决策者应急资源调度的辅助决策和高效响应。
Description
技术领域
本发明属于电力风险评估技术领域，具体涉及一种基于多目标优化的应急物资调度和路径规划方法。
背景技术
社会的飞速发展使得人类生活生产对新型电力系统的智能化水平要求不断提高，而由洪涝等自然灾害带来的大规模、长时间停电事故将会给社会、经济带来严重影响。灾害发生后，及时准确的应急资源调度工作是确保受灾点抢修复电、电力系统快速恢复的重要环节。
目前应急资源调度研究多被转化为目标优化问题，根据目标函数的数量差异以及目标间的相互矛盾属性，可将现有研究分为单目标模型和多目标模型两大类。
单目标模型以某一目标函数最优来实现对资源调度问题的求解。此类模型往往以时间、物资或成本为单一目标构建优化调度模型，但只考虑单一因素，难以满足受灾点在灾害条件下的多方面应急需求。多目标优化模型可有效克服上述局限性，通过对多个目标函数进行优化求解，实现应急资源调度决策。此类模型在应急调度处理中已然取得了较好效果，但这类模型往往依赖于准确量化的影响因素，对不确定因素难以有效利用并实施建模。
综上所述，现有在进行应急资源调度研究时，多从运输时间、物资需求等角度出发，构建各目标下的应急资源优化调度模型，但对资源调度过程中存在的不确定性问题考虑的较少，基于此，可对不确定因素进行合理量化，在此基础上构建以时间和物资满意度为目标的多目标优化模型，利用改进NSGA-II对模型进行求解，可以为本发明所提出的一种基于多目标优化的应急物资调度和路径规划方法提供可靠的研究思路。
发明内容
有鉴于此，本发明针对现有技术的不足，提供的一种基于多目标优化的应急物资调度和路径规划方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于多目标优化的应急物资调度和路径规划方法，包括以下步骤：
S1、应急资源调度不确定因素量化：利用三角模糊数，针对应急资源调度中的时间和物资需求两大不确定进行模糊估计；采用时间保障率和物资调度满意度对三角模糊数表示的时间和物资需求进行去模糊量化；
S2、电力应急资源多目标优化调度模型构建：将应急资源调度过程中的复杂节点网络进行合理简化得到由基本要素构成的赋权拓扑图；以最大化物资调度满意度和运输时间保障率为目标函数，节点间相互调度的输入输出平衡关系来作为约束条件构建电力应急资源多目标优化调度模型；
S3、应急资源优化调度模型求解：结合多个目标函数和模型约束条件，采用引入自适应性参数改进的NSGA-II算法对多目标优化调度模型进行求解，得到最终的电力应急资源调度方案。
进一步地，步骤S1包括：
S11、不确定因素三角模糊数估计：利用三角模糊数中的悲观状态值、最可能状态值和乐观状态值来表征物资调度物资和时间的最小、最可能以及最大需求；
S12、不确定因素去模糊化：利用三角模糊数构建调度时间可能性分布函数，采用时间保障率对调度时间进行量化，同时采用赋权求和的方式对受灾点物资需求进行量化。
进一步地，步骤S2包括：
S21、应急资源调度赋权拓扑图构建：为模型构建及调度决策过程分析，将复杂交通网络、供应点、受灾点和中转点信息进行简化得到由基本要素组成的拓扑模型，在此基础上，考虑道路交通节点间路径多样且耗时不一，利用三角模糊数进行模糊处理构建赋权拓扑图；
S22、应急资源优化调度模型目标函数构建：综合考虑节点间运输物资量、节点间运输时间、运输路线、恢复优先级等要素，构建以最大化物资调度满意度和调度时间保障率为目标的目标函数；
S23、应急资源优化调度模型约束条件构建：以节点调度运输量非负、供应点运送至各中转点及受灾点的物资总量不超过自身储量、由中转点送往受灾点的物资量不超过接收量、富余物资可转运，但输出的物资量不超过接收的物资量、受灾点最终的接收量不超过其需求量等重要因素构建约束条件。
进一步地，步骤S3包括：
S31、概率参数自适应性改进：交叉概率可将两个父代个体的部分结构重组而生成新个体、变异概率可提高NSGA-II算法的随机搜索能力，对两个概率参数进行自适应性改进，以实现算法在不同阶段下的高效寻优；
S32、改进NSGA-II算法求解优化调度模型：利用NSGA-II算法中的选择、交叉、变异操作实现对多目标优化模型的求解，可得到完整的物资调配和路线选择方案。
本发明的另一个目的，提供一种基于多目标优化的应急物资调度和路径规划系统，包括：存储器、处理器以及存储在所述存储器上并可在所述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如上所述的一种基于多目标优化的应急物资调度和路径规划方法。
本发明的另一个目的，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可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种基于多目标优化的应急物资调度和路径规划方法。
附图说明
图1为本发明一个实施例提供的一种基于多目标优化的应急物资调度和路径规划方法流程图；
图2为本发明一个实施例提供的调度时间可能性分布密度函数；
图3为本发明一个实施例提供的受灾区域交通网络图及简化交通拓扑图；
图4为本发明一个实施例提供的交叉、变异操作示例；
图5为本发明一个实施例提供的改进NSGA-II算法求解流程；
图6为本发明一个实施例提供的应急资源调度交通网络的赋权拓扑图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，一种基于多目标优化的应急物资调度和路径规划方法，包括以下步骤：
S1、应急资源调度不确定因素量化：利用三角模糊数，针对应急资源调度中的时间和物资需求两大不确定进行模糊估计；采用时间保障率和物资调度满意度对三角模糊数表示的时间和物资需求进行去模糊量化；
S2、电力应急资源多目标优化调度模型构建：将应急资源调度过程中的复杂节点网络进行合理简化得到由基本要素构成的赋权拓扑图；以最大化物资调度满意度和运输时间保障率为目标函数，节点间相互调度的输入输出平衡关系来作为约束条件构建电力应急资源多目标优化调度模型；
S3、应急资源优化调度模型求解：结合多个目标函数和模型约束条件，采用引入自适应性参数改进的NSGA-II算法对多目标优化调度模型进行求解，得到最终的电力应急资源调度方案。
在一实例中，首先需要对应急资源调度不确定因素进行量化，S1具体实施步骤包括：
S11、不确定因素三角模糊数估计：
灾害的突发性和破坏性给应急救灾工作的开展带来了很多的不确定因素。因此，需要对应急资源调度过程中的不确定性因素进行量化，以此完成电力应急资源优化调度模型的构建。
电力应急资源调度的不确定因素主要包括资源需求的不确定和应急调度时间的不确定。由于电力系统外部信息的复杂性，对应急资源调度过程中的不确定因素只能做模糊估计。三角模糊数直观且易于理解，在应急调度过程中，能较好地反映决策者对不确定因素悲观、正常和乐观的模糊状态估计。
三角模糊数可以看作是论域Ω中的一个模糊集，对于任意的x∈Ω，都存在一个对应的映射值μ表示隶属度，其中μ的值域为[0,1]。假设为三角模糊变量，则其中0≤al≤am≤ar，相应的隶属度函数/>为
式中，al、am和dr分别为该模糊数的悲观、可能、乐观状态值。
由节点i到节点j的调度时间为/>其中/>分别时间的最小值、最可能值和最大值；同理，第i个受灾点的物资需求量/>为/>
S12、不确定因素去模糊化：
模糊数无法直接同实数比较运算不利于模型构建求解。本发明采用时间保障率对进行去模糊化。设第j个待恢复节点对资源送达的时间限制为t0，将μA(x)看作调度时间可能性分布密度函数，如图2所示。定义t0截取的阴影部分与整个三角形的面积比为t满足t≤t0的可能度，也即运输调度时间保障率F。
此时，由节点i到节点j的运输调度时间保障率函数fj(t0)为
对于三角模糊数表示的物资需求量通过对悲观状态值、最可能状态值及乐观状态值进行赋权求和，实现去模糊化，并定义受灾点实际接收物资量与物资需求量之比为物资调度满意度S。去模糊化后节点i的物资需求量Di为：
式中，w1、w2和w3为对应状态值的权重，其中w1＝w3＝1/6，w2＝2/3，考虑到模糊数的最可能值通常更为重要，因此赋予较高的权重。
在一实例中，S2具体实施步骤包括：
S21、应急资源调度赋权拓扑图构建：
为便于模型构建及调度决策过程分析，将复杂交通网络、供应点和受灾点信息进行简化得到由基本要素组成的拓扑模型。以某受灾区域的部分交通网络为例，得到简化后的交通拓扑图如图3。
S22、应急资源优化调度模型目标函数构建：
设受灾区域内共有I个电力应急资源供应点，K个运输中转点以及J个受灾点，其中供应点i的物资储量为qi，受灾点j的需求量为dj。从物资和时间两个角度出发，建立以最大化物资调度满意度s和运输调度时间保障率F为目标的多目标优化调度模型，具体的目标函数Z为：
Z＝max[F,S] (4)
式中，xij为节点i运送到节点j的物资量；tij为节点i到节点j的时间；表示节点i和j之间是否存在配送路线，若存在即为1，否则为0；ωj为受灾点j恢复优先级权重；Dj为受灾点j总的物资需求量。
S23、应急资源优化调度模型约束条件构建：
对于该应急资源优化调度模型，存在以下约束：
1)节点调度运输量非负
xij≥0,xik≥0,xkj≥0,i∈I,k∈K,j∈J (7)
2)供应点i运送至各中转点及受灾点的物资总量不超过自身储量qi
3)由中转点送往受灾点的物资量不超过接收量
4)富余物资可转运，但输出的物资量不超过接收的物资量，即
5)受灾点最终的接收量不应超过其需求量，其表示为
在一实例中，S3具体实施步骤包括：
S31、概率参数自适应性改进：
(1)参数编码
NSGA-II通过编码将问题候选解表示成遗传空间个体。在应急资源调度任务中，以各节点间调度物资量的排序序列X为个体，多个个体组成种群。以部分节点为例，假设各节点间的调度物资序列X为(x14,x45,x47)，则表示从节点1运输x14的物资到节点4，再经节点4将x45和x47的物资量分别运送至节点5和7。
(2)遗传操作
遗传包括选择、交叉和变异三个部分。其中选择操作通过选择适应度高的个体直接遗传至下一代，从而提升优化质量；交叉操作是遗传算法的核心，是以交叉概率Pc把两个父代个体的部分结构重组而生成新个体的过程，合适的Pc值可提升算法的搜索能力；变异操作是指个体自身有变异概率Pm发生基因值改变，这为算法提供了随机搜索能力。以二进制参数编码为例，迭代过程中交叉、变异操作的示例如图4。
对于Pc和Pm，通常依据经验设定为固定值，这种方式缺乏动态调整，无法确保不同迭代阶段下个体执行遗传的差异性。本文将两个概率参数与迭代次数和种群多样性进行关联，实现对概率参数的自适应改进。在初始阶段，通过较大的Pc、Pm促进新个体的产生，随着迭代的进行种群逐渐趋于最优，减小交叉和变异的概率；另外，当种群多样性下降时，需要增大交叉和变异的概率，促进新个体的产生。改进后的交叉和变异的概率为
式中，Pc0、Pm0为初始设置的交叉、变异概率参数；gen为当前迭代次数；genmax为最大迭代次数；diff为种群相异度。
种群相异度diff体现了个体的差异性，用于表征种群的多样性，其实现为
式中，N种群个体数；M体的基因序列长度，即参数编码中节点间调度物资序列X长度；znm为第n个体的第m基因，即节点间的调度物资量xij；为所有个体第m因的均值；dm为所有个体第m个基因的标准差。
S32、改进NSGA-II算法求解优化调度模型：
电力应急资源多目标优化调度模型中存在多个目标函数，各目标之间相互矛盾。采用改进NSGA-II进行多目标优化问题求解，其流程如图5。
根据赋权拓扑图构建方法，结合某地区供电公司、检修中心、变电站等场所的实际地理信息数据，得到各类节点的赋权拓扑图，结果如图6。
图6中包含2个电力应急物资供应点和5个汛灾受灾点，其中供应点为1、2号节点，受灾点为6、7、8、9、10号节点，其余节点为中转点。各节点间的连线表示应急调度的模糊时间，采用三角模糊数进行表示。
以各受灾点历史数据为基础，确定物资需求量D，以此得到6至10号受灾点的物资需求量分别为50、45、70、35、60，同时假设供应点1、2的应急资源储量分别为140和100。即可完成电力应急资源多目标调度模型的构建，其中节点间的物资调度量x待求解参数。
在完成多目标调度模型的构建后，结合受灾节点的历史受灾数据，对5个受灾点进行应急响应恢复优先级确定，受灾点的各评估指标数据及优先级评估结果如表1所示。
表1受灾点恢复优先级评估
由表1可知，对应的恢复优先级分别为三级、三级、四级、二级和二级。采用改进NSGA-II对目标函数进行优化求解，其中算法中初始Pc0为0.9，初始Pm0为0.01。为验证改进策略的有效性，将改进前后算法的求解结果进行对比，得到算法改进前后目标函数求解结果的均值，结果如表2所示。
表2算法改进前后各目标函数求解结果均值
由表2可知，在加入概率参数自适应策略后，模型求解得到的目标函数值得到较大的提升，其中物资调度满意度由改进前的0.8661提升到0.9285，运输调度时间保障率由0.8713提升到0.9647，表明交叉和变异概率的自适应能加强算法的搜索能力，提高收敛方向的准确性，避免算法求解过程中陷入局部最优，从而寻找到更符合模型求解需求的解集，验证了概率参数自适应策略的有效性。
以集中的一组解为例，对各受灾点的物资调度情况进行分析。由于供应点的物资储量小于受灾点的总体需求量，必然导致部分受灾点的需求得不到满足。根据求解结果可知，6至10号受灾点最终接收到的电力应急物资分别为45、45、55、35和60，可计算得到单个受灾点的物资调度满意度和运输调度时间保障率，计算结果如表3所示。
表3各个受灾点的应急资源调度情况
从表3可以看出，7、9和10号物资调度满意度为1，而6和8号受灾点的物资调度满意度相对偏低，调度量无法完全满足其需求量。结合表1的优先级可知，物资调度满意度高的三个节点的应急响应需求紧迫度也高，而需求量未得到充分满足的8号受灾点的恢复优先级最低，这一结果表明，本发明构建的电力应急资源优化调度模型对受灾点的恢复优先级进行了考虑，符合实际调度要求。
从运输调度时间保障率来看，6、7和9号受灾点能在限制时间内完成，由简化后的电力应急资源调度赋权拓扑图可知，这三个节点与供应点间存在直达线路，不需要物资中转，8和10号受灾点需要通过中转点，因此在时间开销上有所增加，导致最终的运输调度时间保障率相对偏低。
最后，结合该组求解值，对应急物流的路径及物资调度量进行决策，形成完整的应急资源调度方案，各受灾点的应急物流路径及物资调度量如表4所示。
表4各个受灾点的应急物流路径及物资调度量
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (6)
1.一种基于多目标优化的应急物资调度和路径规划方法，其特征在于，包括以下步骤：
S1、应急资源调度不确定因素量化：利用三角模糊数，针对应急资源调度中的时间和物资需求两大不确定进行模糊估计；采用时间保障率和物资调度满意度对三角模糊数表示的时间和物资需求进行去模糊量化；
S2、电力应急资源多目标优化调度模型构建：将应急资源调度过程中的复杂节点网络进行合理简化得到由基本要素构成的赋权拓扑图；以最大化物资调度满意度和运输时间保障率为目标函数，节点间相互调度的输入输出平衡关系来作为约束条件构建电力应急资源多目标优化调度模型；
S3、应急资源优化调度模型求解：结合多个目标函数和模型约束条件，采用引入自适应性参数改进的NSGA-II算法对多目标优化调度模型进行求解，得到最终的电力应急资源调度方案。
2.根据权利要求1所述的一种基于多目标优化的应急物资调度和路径规划方法，其特征在于，步骤S1包括：
S11、不确定因素三角模糊数估计：利用三角模糊数中的悲观状态值、最可能状态值和乐观状态值来表征物资调度物资和时间的最小、最可能以及最大需求；
S12、不确定因素去模糊化：利用三角模糊数构建调度时间可能性分布函数，采用时间保障率对调度时间进行量化，同时采用赋权求和的方式对受灾点物资需求进行量化。
3.根据权利要求1所述的一种基于多目标优化的应急物资调度和路径规划方法，其特征在于，步骤S2包括：
S21、应急资源调度赋权拓扑图构建：为模型构建及调度决策过程分析，将复杂交通网络、供应点、受灾点和中转点信息进行简化得到由基本要素组成的拓扑模型，在此基础上，考虑道路交通节点间路径多样且耗时不一，利用三角模糊数进行模糊处理构建赋权拓扑图；
S22、应急资源优化调度模型目标函数构建：综合考虑节点间运输物资量、节点间运输时间、运输路线、恢复优先级等要素，构建以最大化物资调度满意度和调度时间保障率为目标的目标函数；
S23、应急资源优化调度模型约束条件构建：以节点调度运输量非负、供应点运送至各中转点及受灾点的物资总量不超过自身储量、由中转点送往受灾点的物资量不超过接收量、富余物资可转运，但输出的物资量不超过接收的物资量、受灾点最终的接收量不超过其需求量。
4.根据权利要求1所述的一种基于多目标优化的应急物资调度和路径规划方法，其特征在于，步骤S3包括：
S31、概率参数自适应性改进：交叉概率将两个父代个体的部分结构重组而生成新个体、变异概率提高NSGA-II算法的随机搜索能力，对两个概率参数进行自适应性改进，以实现算法在不同阶段下的高效寻优；
S32、改进NSGA-II算法求解优化调度模型：利用NSGA-II算法中的选择、交叉、变异操作实现对多目标优化模型的求解，得到完整的物资调配和路线选择方案。
5.一种基于多目标优化的应急物资调度和路径规划系统，其特征在于，包括：存储器、处理器以及存储在所述存储器上并可在所述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如权利要求1至4任意一项所述的一种基于多目标优化的应急物资调度和路径规划方法。
6.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4中任意一项所述的一种基于多目标优化的应急物资调度和路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310976370.8A CN117151482A (zh) | 2023-08-03 | 2023-08-03 | 一种基于多目标优化的应急物资调度和路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310976370.8A CN117151482A (zh) | 2023-08-03 | 2023-08-03 | 一种基于多目标优化的应急物资调度和路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117151482A true CN117151482A (zh) | 2023-12-01 |
Family
ID=88885831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310976370.8A Pending CN117151482A (zh) | 2023-08-03 | 2023-08-03 | 一种基于多目标优化的应急物资调度和路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151482A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892897A (zh) * | 2024-03-15 | 2024-04-16 | 深圳易行机器人有限公司 | 一种用于智能仓储的物流调度管理方法及系统 |
-
2023
- 2023-08-03 CN CN202310976370.8A patent/CN117151482A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892897A (zh) * | 2024-03-15 | 2024-04-16 | 深圳易行机器人有限公司 | 一种用于智能仓储的物流调度管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
| Wang et al. | Joint planning of active distribution networks considering renewable power uncertainty | |
| CN108053037B (zh) | 一种基于两网融合的配电网抢修策略制定方法及装置 | |
| Yeh | An improved NSGA2 to solve a bi-objective optimization problem of multi-state electronic transaction network | |
| Yan et al. | A hybrid metaheuristic algorithm for the multi-objective location-routing problem in the early post-disaster stage. | |
| CN105323166A (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
| CN117151482A (zh) | 一种基于多目标优化的应急物资调度和路径规划方法 | |
| CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
| CN112668129B (zh) | 基于空间负荷聚类的配电网多级网格智能划分方法 | |
| CN109921420A (zh) | 弹性配电网恢复力提升方法、装置及终端设备 | |
| CN105046354A (zh) | 基于多代理的配电网规划场景模拟生成方法及其系统 | |
| CN115310378A (zh) | 一种极端台风灾害下电网韧性评估及差异化规划方法 | |
| CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
| CN117353359B (zh) | 电池联合储能供电方法及系统 | |
| CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
| Liu et al. | A Multiobjective optimization model for continuous allocation of emergency rescue materials | |
| CN107180286A (zh) | 基于改进型花粉算法的制造服务供应链优化方法及系统 | |
| CN103177403A (zh) | 一种综合停电检修计划的控制方法 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
| CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
| CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
| CN113988662A (zh) | 一种应急电源优化配置方法、装置、电子设备及存储介质 | |
| Yan et al. | Research on Emergency Material Dispatching Method Based on Multi-Objective Optimization | |
| CN113222460B (zh) | 一种基于高维多目标进化算法的露天矿卡车多目标调度优化方法 | |
| Li et al. | A Multi-Objective Emergency Resource Scheduling Method Based on MOEA/D |
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 |