一种灾害应急决策系统路径优化的方法技术方案

本发明专利技术涉及人工智能算法技术领域，提供了一种灾害应急决策系统路径优化的方法，包括：步骤S11，定义目标函数和适应度函数；步骤S12，进行染色体编码；步骤S13，根据适应度函数选择算子；步骤S14，交叉算子；步骤S15，根据适应度函数和信息素更新指导变异规则变异算子；步骤S16，生成若干组优化解，并通过适应度函数输出最好解。本发明专利技术通过蚁群算法的信息素指导变异规则，有效提高了求解的质量和效率；利用蚁群算法的正反馈机制和并行性，避免遗传算法大量无益的冗余迭代，进一步提高了遗传算法求解速度；基于物资连续损耗的单出救点多受灾点的决策模型，更加符合应急现状，具有实际意义。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及人工智能算法
，提供了，包括：步骤S11，定义目标函数和适应度函数；步骤S12，进行染色体编码；步骤S13，根据适应度函数选择算子；步骤S14，交叉算子；步骤S15，根据适应度函数和信息素更新指导变异规则变异算子；步骤S16，生成若干组优化解，并通过适应度函数输出最好解。本专利技术通过蚁群算法的信息素指导变异规则，有效提高了求解的质量和效率；利用蚁群算法的正反馈机制和并行性，避免遗传算法大量无益的冗余迭代，进一步提高了遗传算法求解速度；基于物资连续损耗的单出救点多受灾点的决策模型，更加符合应急现状，具有实际意义。【专利说明】【
】本专利技术涉及人工智能算法
，特别是涉及。【
技术介绍
】千百年来，自然灾害、人为事故无不对人类生命财产构成巨大的威胁，因此研究如何提高紧急物资调度效率以减少伤亡和经济损失非常重要。随着科技发展迅速，近年来，人们对灾害应急系统路径优化问题的研究越来越多且越来越深入，不确定性因素也出现在应急决策模型考虑范围，但是目前大多数研究为不确定性的多出救点单受灾点决策模型，而不确定性的单出救点多受灾点和不确定性的多出救点多资源决策模型，甚至具有时间限制的物资连续消耗的研究比较少。前者相对简单，但是过于理想化、简单化，难以落到实处；后两者相对复杂，但是更符合实际。目前，对灾害应急决策系统路径优化的算法主要有遗传算法、蚁群算法、粒子群算法、模拟退火算法、控制算法、免疫算法等，各种算法各有优劣，因而改进各种算法的研究层出不穷。其中，有模拟退火的遗传算法、遗传蚁群算法、蚁群遗传算法等，通过改进的算法对最优解精益求精。遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。首先初始化种群，接着计算各个个体的适应度，根据适应度选择算子，对选择算子进行交叉计算，得到交叉算子，根据适应度函数值进行变异算子，比较前后算子的适应度，递归迭代，最后得到若干组的优化解，进而从中选择最优解。`蚁群算法(Ant Colony Optimization, AC0),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型算法。各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种挥发性分泌物信息素来实现(该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。有些蚂蚁会另辟蹊径，如果另开辟的道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。目前，遗传算法或蚁群算法被广泛应用到灾害应急系统路径优化当中。通过遗传算法的五大操作，能够比较有效地解决单出救点多入救点决策模型和多出救点多入救点多目标的优化调度方案问题，如求解最少应急时间、最小耗费、最少出救点等目标值。遗传算法具有较强的快速随机的全局搜索能力，但由于缺乏反馈信息，往往在迭代过程中存在大量无为的冗余迭代，影响求解的精确效率。蚁群算法主要求解最短路径，能够解决目标、出救点、入救点、资源等的单层或是多层的不同组合问题。蚁群算法通过信息素的积累和更新收敛于最有效路径上，虽具有分布式并行全局搜索能力，但是起初信息素匮乏，求解速度很慢。遗传蚁群算法或遗传算法和蚁群算法的融合优化了上述决策模型。这些改进的算法各取所长，进而提高了优化效率。经过改进的算法成为解决组合爆炸问题更加强有力的工具，但是由于改进算法的刚兴起，改进途径和方法仍然在摸索阶段，其优化空间仍可进一步提升，也可以在改进的基础上进行改进，更加增强优化的效果。鉴于此，克服上述现有技术所存在的缺陷是本
亟待解决的问题。【
技术实现思路
】本专利技术要解决的技术问题是提供一种提高求解的质量和效率，且符合应急现状的灾害应急决策系统路径优化的方法。本专利技术采用如下技术方案:，包括以下步骤:步骤Sll:定义目标函数和适应度函数，其中目标函数fK=min S，目标函数为基于物资连续供应的情况下求解应急时间S最小化，适应度函数【权利要求】1.，其特征在于，包括以下步骤: 步骤Sll:定义目标函数和适应度函数，其中目标函数fK=min S，目标函数为基于物资连续供应的情况下求解应急时间S最小化，适应度函数二 ~ JR 步骤S12:在目标问题实际表示与遗传算法的染色体位串结构之间建立联系，确定编码和解码运算，进行染色体编码； 步骤S13:根据适应度函数Fk选择算子，计算每个个体的适应度、选择概率和累计概率，通过多次进行选择选出交叉的个体； 步骤S14:交叉算子，采取实值重组的离散重组，计算重组后的适应度值，比较交叉前后的适应度值，决定选择交叉后的算子还是保留原来的算子； 步骤S15:根据适应度函数Fk和信息素更新指导变异规则变异算子； 步骤S16:生成若干组优化解，并通过适应度函数Fk输出最好解。2.根据权利要求1所述的灾害应急决策系统路径优化的方法，其特征在于，所述方法还包括: 初始化种群，包括初始化当前出救点为某一受灾点提供物资的数量初始值、当前出救点的当前物资的剩余储备数量初始值、初始种群规模、种群规模和终止进化代数。3.根据权利要求1所 述的灾害应急决策系统路径优化的方法，其特征在于，在步骤S15之后还包括: 步骤S15 ’:比较当前的种群适应度和之前的种群适应度，若无明显提高且到达迭代参数时，停止执行，否则，返回执行步骤S12。4.根据权利要求1所述的灾害应急决策系统路径优化的方法，其特征在于，在所述步骤S12中，编码方式为实数编码、二进制编码、乱序编码、自适应编码或树编码序列编码中的一种。5.根据权利要求2所述的灾害应急决策系统路径优化的方法，其特征在于，初始化种群的具体实现步骤包括: 步骤Al:判断是否存在受灾点i的实际物资分配没有满足其所需，若是，从中随机选取受灾点i，执行步骤A2，否则，执行步骤A4 ； 步骤A2:判断步骤Al中选取的受灾点i中是否存在实际物资分配数量没有满足其所需，若是，从中随机选取物资j，执行步骤A3，否则，返回执行步骤Al ； 步骤A3:判断当前出救点的物资j的剩余储备数量是否大于O，若是，产生O~min(preStoi j, Qi j-preRi j)之间的随机数random,作为本出救点为受灾点i配送物资j的数量，preRi j=preRi j+random, preStoi j=preStoij-random,返回执行步骤 A2,否则，构造失败，退出； 步骤A4:Rij=preRij,构造成功，生成初始种群； 其中，preRi j为当前出救点为受灾点i提供物资j的数量，其初始值为0，preStoj为当前出救点的物资j的剩余储备数量，初始值为Stoj,Qij为受灾点i所需的物资j，Rij为受灾点i需要j种应急资源的数量。6.根据权利要求1所述的灾害应急决策系统路径优化的方法，其特征在于，在所述步骤S13中，计算每个个体的选择概率时，采取按比例的适应度分配，设种群大小为L，个体为R，则选择概2 Pr =; 根据轮盘赌选择法和最优解直接保留法相结合来选择算本文档来自技高网...

【技术保护点】
一种灾害应急决策系统路径优化的方法，其特征在于，包括以下步骤：步骤S11：定义目标函数和适应度函数，其中目标函数fR=min?S，目标函数为基于物资连续供应的情况下求解应急时间S最小化，适应度函数步骤S12：在目标问题实际表示与遗传算法的染色体位串结构之间建立联系，确定编码和解码运算，进行染色体编码；步骤S13：根据适应度函数FR选择算子，计算每个个体的适应度、选择概率和累计概率，通过多次进行选择选出交叉的个体；步骤S14：交叉算子，采取实值重组的离散重组，计算重组后的适应度值，比较交叉前后的适应度值，决定选择交叉后的算子还是保留原来的算子；步骤S15：根据适应度函数FR和信息素更新指导变异规则变异算子；步骤S16：生成若干组优化解，并通过适应度函数FR输出最好解。FDA0000383237480000011.jpg

【技术特征摘要】

【专利技术属性】
技术研发人员：朱青松，罗建娣，王磊，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：