CN110782087B - 一种海上应急物资优化调度方法及*** - Google Patents
一种海上应急物资优化调度方法及*** Download PDFInfo
- Publication number
- CN110782087B CN110782087B CN201911019743.2A CN201911019743A CN110782087B CN 110782087 B CN110782087 B CN 110782087B CN 201911019743 A CN201911019743 A CN 201911019743A CN 110782087 B CN110782087 B CN 110782087B
- Authority
- CN
- China
- Prior art keywords
- emergency
- time
- accident
- base
- transport
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000002245 particle Substances 0.000 claims description 74
- 239000013598 vector Substances 0.000 claims description 63
- 230000000739 chaotic effect Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 229910002056 binary alloy Inorganic materials 0.000 claims description 6
- 241000540325 Prays epsilon Species 0.000 claims description 5
- 230000008707 rearrangement Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000011160 research Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 1
- 241000218196 Persea Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (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
本发明涉及一种海上应急物资优化调度方法及***,基于混合启发式算法提出的考虑多需求点的海上重大事故应急物资优化调度方法,根据实际情况,除了考虑到要为各事故点的应急优选船舶进行海上应急物资的运输,并为每艘船每次出航装配合适的物资以实现运输效率的最优;同时还考虑到应急基地库存有限,需要根据海上应急物资的调度情况优化相应的陆上补给物资运输方案,从而实现陆上补给物资的运输时间与***的总成本最小。
Description
技术领域
本发明涉及物资调度技术领域,尤其涉及一种海上应急物资优化调度方法及***。
背景技术
伴随海洋经济的快速发展,海上重大事故的发生频率呈现出上升趋势,海上交通安全问题备受社会各界关注。就安全性而言,海上运输***相比陆上运输***较脆弱,当遭遇风、浪、雾、潮等外部环境因素突变导致海况恶化时,极易引发海上重大事故甚至出现短时间内事故频发的现象。
科学高效的应急物资分配与运输调度方案可以极大程度地减小事故发生所造成的财产损失、人员伤亡以及对海洋环境的破坏,进而为海洋经济的健康发展提供安全保障。由此可见,对多起海上重大事故随机发生情景下的应急物资调度问题展开研究具有相当重要的现实意义。
关于应急物资调度问题,国内外学者多以陆上各类突发事件或灾害为背景展开研究。现有技术中,为提升森林火灾的灭火效率,以调动应急车数量最少和灭火时间最短为优化目标,提出了单出救点多着火点情景下的应急物资调度方法;在考虑不确定的数据和决策者规避风险的态度后,在满足需求的前提下以将运送救灾物资总时间最小为目标提出了一种关于救灾物资实时分发的滚动平面法;提出了一种面向对受灾点-多出救点的应急物资调度优化方法,通过建立满足“应急时间不超过t的真度最大且运输成本最小”的多目标模型,为多受灾点-多出救点的陆上应急物资紧急调度问题提供了解决方案;提出了一种基于改进NSGA-II算法的应急物资模块化调度方法,解决了救援物资调度过程中要同时满足成本最小化和物资未满足程度最小化的多目标优化问题;提出了基于多智能体遗传算法的灾害救援应急资源调度方法,主要解决现有技术应急资源调度费用高及救援时间长的问题,通过对智能体网格进行自学习操作以克服现有技术中的传统方法对解决大规模问题时,容易陷入局部最优解、速度太慢的缺点。
目前,关于海上事故的应急物资调度研究相比陆上相关问题的研究而言,数量较少。现有技术中,根据水上事故及其救援特点提出了满足运力、时间限制及应急物资需求的水陆协同应急物资调度的方法,采用贪婪算法进行求解;针对海上化学品泄漏事故,在考虑海上应急基地的物资储备量、船舶运力以及应急资金预算等限制因素后提出了相应的应急物资调度方法。
现有技术中,大部分的研究是针对陆上应急物资调度问题的,关于海上应急物资调度问题的研究相对较少。现有相关研究仅分析了海上只存在单一事故点的情况,尚未对多事故点环境下的应急物资调度问题进行探讨。当出现多起海上重大事故随机发生的情况时,现有海上应急物资调度方法难以及时有效地提出高效的应急物资调度方案。
发明内容
为克服现有技术存在的上述技术问题,本发明提供了一种海上应急物资优化调度方法及***。
本发明解决上述技术问题的技术方案如下:
根据本发明的一个方面,提供了一种海上应急物资优化调度方法,包括:
根据海上重大事故发生的时间顺序,建立海上事故发生时间轴;
根据所述时间轴,为每个所述海上重大事故建立应急资金预算约束下以应急响应时间满意度总和最大化为目标函数的海上应急物资优化调度模型;
初始化二进制粒子群算法参数;包括:惯性权重、学习因子和、种群规模以及最大迭代次数;
根据种群中任一粒子所含元素信息进行运输船选择决策,确定参与当前海上事故应急的运输船,然后根据贪婪算法计算出该粒子所能实现的适应度值;
将所述适应度值记录为当前粒子的个体极值,将其所对应的位置记录为个体极值位置;筛选出整个种群中的全局极值并将其所对应的位置记录为全局极值位置;
更新所述每个粒子的自身速度和位置,根据所述粒子速度和位置调度海上重大事故的物资调度运输船。
更新每个粒子的自身速度和位置,根据此时粒子所含元素信息计算出相应的适应度值;
若此时粒子i适应度值优于当前个体极值Pbesti,则将该值作为新的个体极值Pbesti,同时将其所对应的位置更新为个体极值位置否则个体极值Pbesti与/>维持不变;
若此时种群中的最优适应度值优于当前全局极值Gbest,则将该值作为新的全局极值Gbest,同时将其所对应的位置更新为否则全局极值GBest与/>维持不变。
进行混沌初始化,将二进制的所述全局极值位置编译为Q个决策变量的实数值矢量;将其映射到[0,1]区间,从而得到此时的混沌初矢量;
将混沌初矢量中的元素依次进行混沌迭代,得到混沌矢量序列;
将混沌矢量序列逆映射回Q个决策变量的实数值矢量;
对实数值矢量进行二进制编码转化成处于原可行域的h个二进制矢量,并求出其所能实现的h个适应度值;若其中最大的适应度值优于当前全局极值GBest,则将该值作为新的全局极值GBest,同时将其对应位置更新为并以/>随机替换当前种群中的一个粒子位置。
所述将二进制的全局极值位置编译为Q个决策变量的实数值矢量根据如下公式将其映射到[0,1]区间,从而得到此时的混沌初矢量
其中,为进行第k次粒子群算法迭代后全局极值位置/>中第q个决策变量的实数值;aq和bq为该决策变量实数值的最小值与最大值。
将混沌初矢量B0中的元素以/>的形式依次代入如下公式进行混沌迭代,得出混沌矢量序列Bt(t=1,2,…h);其中,1≤q≤Q;
λt+1=uλt(1-λt),t=0,1,2,…,h;
其中,u为控制参数;h为混沌迭代最大次数;当u=4且λ0∈[0,1]时,则整个***属于完全混沌状态,所有变量取值均处于[0,1]。
根据如下公式将混沌矢量序列Bt(t=1,2,…h)逆映射回Q个决策变量的实数值矢量其中,t=1,2,…h;
其中,为进行第t次混沌迭代后该决策变量的实数值。
对实数值矢量进行二进制编码转化成处于原可行域的h个二进制矢量/>其中,t=1,2,…h;t=1,2,…h;求出其所能实现的h个适应度值;
若其中最大的适应度值优于当前全局极值GBest,则将该值作为新的全局极值GBest,同时将其对应位置更新为并以/>随机替换当前种群中的一个粒子的位置。
根据所述粒子个体的二进制编码信息确定参与当前海上事故应急物资运输的运输船集合S*,其中 为每个基地中参与该起事故应急的运输船集合;当基地i中未有运输船被选中,则/>同时,初始化相关参数各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态信息;
进行第bτ次调运决策时,从每个集合中筛选出此时能最先到达事故点的运输船并按照需求物资重要度权重ωp(p∈P)大则优先的原则为运输船/>分配应急物资;若此时事故点j尚未满足需求的重要度权重最大的物资在基地i发生库存短缺情况,则向运输船分配次优级别的物资,以此类推,直至运输船/>满载或已满足事故点j其余所有物资需求;
将所有调运安排代入应急响应时间满意度函数式Fjp(p∈P),得到每种安排所能实现的时间满意度值,甄选出其中最优的调运安排,作为第bτ次调运任务安排;对相应基地的库存进行盘查,若名义库存剩余量低于警戒库存量则向陆上供应点发出物资补给运输指令,从而进行陆上补给物资运输;根据补给物资的运输要求,采用层次序列法对陆上补给物资调度问题进行求解;
分别更新更新各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态信息;
判断事故点j所需求的所有物资是否已满足,若未完全满足则bτ←bτ+1,然后返回;若已完全满足则进入下一步;
判断所有调度决策是否均满足应急物资需求时间窗要求,若满足,则计算出该粒子的适应度值;若不满足,则计算出适应度值并根据惩罚函数减去一个正值常数,以此为其适应度值,算法结束并输出计算结果。
在第bτ次海上物资调运决策制订后,将需要补给物资补充库存的基地j所属的陆上供应点集合Ki中的元素按照运输时间tik,由短到长排列为筛选出满足运输时间最小化目标的备选供应点集合/>且该集合满足条件/>其中,yikp(bτ)为此时基地i所属的供应点k关于物资p的库存量,Sip为基地i关于物资p的最大库存量,/>为此时基地i关于物资p的名义库存量,qjps(bτ)为此时运输船s向事故点j运输物资p的量;
将筛选出的备选供应点集合AKi中的元素按照单位运输成本cik由低到高重新排列为得到在满足第一目标基础上的运输成本最小化的陆上补给物资运输方案/>此时的供应点集合为其中,供应点/>向基地i运输的物资量为/>φ*(bτ)为此时的陆上补给物资调度的最优方案。
根据本发明的另一个方面,提供了一种海上应急物资优化调度***,包括:
时间轴建立单元,用于根据海上重大事故发生的时间顺序,建立海上事故发生时间轴;
优化调度模型建立单元,用于根据所述时间轴,为每个所述海上重大事故建立应急资金预算约束下以应急响应时间满意度总和最大化为目标函数的海上应急物资优化调度模型;
初始化单元,用于初始化二进制粒子群算法参数;包括:惯性权重、学习因子和、种群规模以及最大迭代次数;
贪婪算法单元,用于根据种群中任一粒子所含元素信息进行运输船选择决策,确定参与当前海上事故应急的运输船,然后根据贪婪算法计算出该粒子所能实现的适应度值;
极值计算单元,用于将所述适应度值记录为当前粒子的个体极值,将其所对应的位置记录为个体极值位置;筛选出整个种群中的全局极值并将其所对应的位置记录为全局极值位置;
调度优化单元,用于更新所述每个粒子的自身速度和位置,根据所述粒子速度和位置调度海上重大事故的物资调度运输船。
本发明的有益效果是:提供了一种海上应急物资优化调度方法及***。基于混合启发式算法提出的考虑多需求点的海上重大事故应急物资优化调度方法,根据实际情况,除了考虑到要为各事故点的应急优选船舶进行海上应急物资的运输,并为每艘船每次出航装配合适的物资以实现运输效率的最优;同时还考虑到应急基地库存有限,需要根据海上应急物资的调度情况优化相应的陆上补给物资运输方案,从而实现陆上补给物资的运输时间与***的总成本最小。
在此基础上,本发明提出的运输船选调方案与应急物资具体运输方案可应用于海上应急***中,从而提升该***的应急服务水平。当固定海域受外部环境因素影响在短时间内随机发生多起重大海上事故时,海上应急***可根据该方法向各海上基地发出运输船选调与物资装配指令,当海上基地发生库存短缺时向相应的陆上物资供应点发出补给物资运输指令,从而迅速有效地应对海上突发的一系列重大事故。
附图说明
图1为本发明实施例提供的海上应急物资优化调度方法原理流程图。
图2为本发明实施例提供的时间轴示意图。
图3为本发明实施例提供的混合启发式算法流程图。
图4为本发明实施例提供的海上应急物资优化调度***结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
针对陆上应急物资调度问题的研究,通常假设物资需求点的数量和位置是决策制定前就已知的,仅对既定需求点的物资需求量进行探讨。而在考虑运力受限(不能一次性完成所有物资的运输)时往往以间断多周期的形式或以运力集合的形式分批次完成物资运输。鉴于海陆环境下的突发事故应急特征存在较大差异,以上研究的理论成果并不能直接应用到海上事故的应急实践中。在一定时间内当海上发生多起重大事故待救助时,物资需求不确定的主要影响因素不再是具体数量的不确定,而是事故点本身(发生时间、发生地点)的不确定,该不确定性使整个调度过程具有时变特征。同时,在考虑运力限制因素时需要结合海上环境探讨风浪对不同类型船舶的运输影响并确保运输船能持续向事故点运输物资直至满足需求,故不能再单纯从间断周期或分批运输的角度制定物资调度方案。
本发明提供一种考虑多需求点的海上重大事故应急物资优化调度方法,该方法针对固定海域内多起重大事故随机发生情景下的应急物资优化调度问题,结合混合启发式算法,为及时应对海上事故制定出高效的海上应急物资调度方案。
在短时间内固定海域连续随机发生多起海上重大事故时,通过本实施例的优化调度方法,能够准确把握整个海上应急***中物资运输状况与物资库存情况,并同时以海上应急响应时间满意度和最大化以及以陆上补给物资运输时间与运输成本最小化为优化目标制定相应的物资调度方案,从而实现为各事故点高效地运输各类应急物资,为海上救助工作的顺利开展提供保障。
如图1所示,为本发明实施例提供的海上应急物资优化调度方法原理流程图,具体如下:
步骤11,根据海上重大事故发生的时间顺序,建立海上事故发生时间轴;
步骤12,根据所述时间轴,为每个所述海上重大事故建立应急资金预算约束下以应急响应时间满意度总和最大化为目标函数的海上应急物资优化调度模型;
步骤13,初始化二进制粒子群算法参数;包括:惯性权重、学习因子和、种群规模以及最大迭代次数;
步骤14,根据种群中任一粒子所含元素信息进行运输船选择决策,确定参与当前海上事故应急的运输船,然后根据贪婪算法计算出该粒子所能实现的适应度值;
步骤15,将所述适应度值记录为当前粒子的个体极值,将其所对应的位置记录为个体极值位置;筛选出整个种群中的全局极值并将其所对应的位置记录为全局极值位置;
步骤16,更新所述每个粒子的自身速度和位置,根据所述粒子速度和位置调度海上重大事故的物资调度运输船。
在一定时间内出现海上重大事故频发情况时,海上应急***不仅需要针对当前海上险情迅速制定有效的应急物资调度方案,同时还要在不影响既定方案应急效率的基础上根据随机新增事故的情况及时、高效地调配运输船与应急物资以最大程度高质量地满足动态应急需求,从而保障整个应急***的效率水平。此时海上应急物资调度是根据各事故点的具体应急需求,将多种应急物资从岸基各应急基地在有限的运输条件下运往各事故点的过程,其间还必须满足各事故点对应急物资在时间和数量上的需求。鉴于应急基地的应急物资库存量有限,在突发海上重大事故时应急物资需求量会激增,仅凭应急基地既有储备物资将无法满足各事故点的应急需求,则需要调用陆上补给物资以补充应急基地库存,确保应急基地能持续为海上事故提供应急服务。
由此可见,此时的海上应急物资调度是一个动态规划问题,既要协调事故点与应急基地、应急基地与物资供应点间的物资调度,又要满足整个应急***中的动态应急服务需求。本发明为解决该复杂情境下的应急物资优化调度问题,提出一种考虑多需求点的海上重大事故应急物资优化调度方法,以期能得出应急物资调度的最优方案,既实现海上应急物资运输的应急响应时间满意度和最大化,同时使陆上补给物资的运输时间与***的总成本最小化。
本申请实施例中,更新每个粒子的自身速度和位置,根据此时粒子所含元素信息计算出相应的适应度值;
若此时粒子i适应度值优于当前个体极值Pbesti,则将该值作为新的个体极值Pbesti,同时将其所对应的位置更新为个体极值位置否则个体极值Pbesti与/>维持不变;
若此时种群中的最优适应度值优于当前全局极值Gbest,则将该值作为新的全局极值Gbest,同时将其所对应的位置更新为否则全局极值GBest与/>维持不变。
进行混沌初始化,将二进制的所述全局极值位置编译为Q个决策变量的实数值矢量;将其映射到[0,1]区间,从而得到此时的混沌初矢量;
将混沌初矢量中的元素依次进行混沌迭代,得到混沌矢量序列;
将混沌矢量序列逆映射回Q个决策变量的实数值矢量;
对实数值矢量进行二进制编码转化成处于原可行域的h个二进制矢量,并求出其所能实现的h个适应度值;若其中最大的适应度值优于当前全局极值GBest,则将该值作为新的全局极值GBest,同时将其对应位置更新为并以/>随机替换当前种群中的一个粒子位置。
所述将二进制的全局极值位置编译为Q个决策变量的实数值矢量根据如下公式将其映射到[0,1]区间,从而得到此时的混沌初矢量
其中,为进行第k次粒子群算法迭代后全局极值位置/>中第q个决策变量的实数值;aq和bq为该决策变量实数值的最小值与最大值。
将混沌初矢量B0中的元素以/>的形式依次代入如下公式进行混沌迭代,得出混沌矢量序列Bt(t=1,2,…h);其中,1≤q≤Q;
λt+1=uλt(1-λt),t=0,1,2,…,h;
其中,u为控制参数;h为混沌迭代最大次数;当u=4且λ0∈[0,1]时,则整个***属于完全混沌状态,所有变量取值均处于[0,1]。
根据如下公式将混沌矢量序列Bt(t=1,2,…h)逆映射回Q个决策变量的实数值矢量其中,t=1,2,…h;
其中,为进行第t次混沌迭代后该决策变量的实数值。
对实数值矢量进行二进制编码转化成处于原可行域的h个二进制矢量/>其中,t=1,2,…h;t=1,2,…h;求出其所能实现的h个适应度值;
若其中最大的适应度值优于当前全局极值GBest,则将该值作为新的全局极值GBest,同时将其对应位置更新为并以/>随机替换当前种群中的一个粒子的位置。
在本申请的一个实施例中,提供了一个完整的方案流程,具体如下:
步骤1:为简化复杂的动态调度问题的分析过程,特引入时间轴概念将其转化为相对静止的多时段问题再做探讨。假设固定海域在一段时间内所发生的事故点集合为J(j∈J),从第一个事故发生时刻起到满足最后一个事故所有应急物资需求止,整个调度过程中所有行为所经历的时间均包含于同一条时间轴上。其中事故点j发生时刻为tj,则动态海上应急物资调度过程可通过图1中的时间轴进行分段式表示,时间段集合为T(τ∈T),时段τ的起始时刻tτ=tj(τ=j),在时段τ内应急物资调度***都处于一个相对稳定的状态,不会出现由事故点新增而引起需求突变的情况。为完成针对事故点j的物资运输,所制定的物资调度方案共包含nτ(τ=j)次船舶调运任务,每次的调运任务序号由bτ(bτ=1,2,…,nτ)进行标注。
如图1所示,为时间轴示意图,其中示出了陆上供应点、应急基地、事故点和运输船的位置,并示意了具体的路径。
步骤2:当事故j在tj(τ=j)时刻发生时,在已知临近的应急基地集合为I(i∈I),应急救援所需物资种类集合为P(p∈P),各种物资的重要度权重为ωp,事故点j对应急物资p的需求量为xjp,事故点j关于物资p的时间满意度与应急基地响应事故点物资p需求的时间的函数关系(即应急响应时间满意度函数Fjp),应急基地i关于应急物资p的初始库存量为yip(bτ=1),运输船舶集合为S(s∈S),应急基地i所配备的船舶集合为Si(S=∪i∈ISi),利用运输船s每海里运输单位物资的运输成本为vcs,启用运输船s为当前事故提供应急服务的固定成本(包括设备养护成本、人员劳务费、折旧成本等)为fcs,运输船s的载重量为gs,由于风浪作用运输船s(s∈Si)在事故点j与应急基地i间往返速度会不同,去程速度为vs(ij),返程速度为vs(ji),事故点j与应急基地i的距离为dij的情况下,建立应急资金预算约束下以应急响应时间满意度总和最大化为目标函数的海上应急物资优化调度模型。
步骤3:初始化二进制粒子群算法参数,包括惯性权重ω、学习因子c1和c2、种群规模N以及最大迭代次数K等。在满足应急资金预算约束基础上随机生成N个粒子的初矢量及其速度初矢量/> 位置初始量所有元素均为0-1,。此时粒子i的个体极值位置/>等于/>本身。粒子i的维度Q等于决策变量数量(即可参与当前海上重大事故应急的基地数量),每个决策变量由二进制编码表示,其编码后的长度(等于相应基地所拥有的运输船数量,若基地m中第n艘运输船被选中,则粒子中第m个决策变量的第n个编码位取值为1,否则为0)分别为li1,li2,…,liQ,则搜索空间的维度D为:
步骤4:根据种群中任一粒子所含元素信息进行运输船选择决策,确定参与当前海上事故应急的运输船,然后根据贪婪算法计算出该粒子所能实现的适应度值(即应急响应时间满意度总和)。
本发明所设计的贪婪算法的中心思想是以运输船为主体,遵循应急响应相对时间满意度值最大的原则组织应急物资调运,在调度过程中越迅速地将越重要的应急物资越充分地运达当前事故点,则该次物资运输所实现的应急响应时间满意度值越大。在求解过程中,每做出一次调度决策后需要立即更新各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态等信息,以供下次调度决策制定。具体求解步骤如下:
步骤4.1:根据粒子个体的二进制编码信息确定参与当前海上事故应急物资运输的运输船集合S*,其中 为每个基地中参与该起事故应急的运输船集合,当基地i中未有运输船被选中,则/>同时,初始化相关参数各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态等信息。
步骤4.2:进行第bτ次调运决策时,从每个集合中筛选出此时能最先到达事故点的运输船/>并按照需求物资重要度权重ωp(p∈P)大则优先的原则为运输船/>分配应急物资。若此时事故点j尚未满足需求的重要度权重最大的物资在基地i发生库存短缺情况,则向运输船/>分配次优级别的物资,以此类推直至运输船/>满载或已满足事故点j其余所有物资需求。
步骤4.3:将步骤4.2中所制定的所有调运安排带入应急响应时间满意度函数式Fjp(p∈P),求出每种安排所能实现的时间满意度值并甄选出其中最优的调运安排作为第bτ次调运任务安排。随即对相应基地的库存进行盘查,若名义库存剩余量(等于实际库存量加上预计将从供应点得到补给的物资量)低于警戒库存量则向陆上供应点发出物资补给运输指令,从而进行陆上补给物资运输。由于应急物流具有时间紧迫性与弱经济性的特征,此时的运输优化目标为在最短时间内将所有补给应急物资运达沿岸基地的前提下实现运输成本最小化,故将运输时间最小化作为第一优化目标,运输成本最小化作为第二优化目标。根据上述补给物资的运输要求,决定采用层次序列法对陆上补给物资调度问题进行求解。具体求解步骤如下:
步骤4.3.1:在第bτ次海上物资调运决策制订后,将需要补给物资补充库存的基地j所属的陆上供应点集合Ki中的元素按照运输时间tik由短到长排列为筛选出满足运输时间最小化目标的备选供应点集合且该集合满足条件其中,yikp(bτ)为此时基地i所属的供应点k关于物资p的库存量,Sip为基地i关于物资p的最大库存量,/>为此时基地i关于物资p的名义库存量,qjps(bτ)为此时运输船s向事故点j运输物资p的量。
步骤4.3.2:将由步骤4.3.1筛选出的备选供应点集合AKi中的元素按照单位运输成本cik由低到高重新排列为求得在满足第一目标基础上的运输成本最小化的陆上补给物资运输方案/>此时的供应点集合为/>其中,供应点/>向基地i运输的物资量为/>φ*(bτ)为此时的陆上补给物资调度的最优方案。
最后分别更新更新各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态等信息。
步骤4.4:判断事故点j所需求的所有物资是否已满足,若未完全满足则bτ←bτ+1,然后返回步骤4.2;若已完全满足则进入步骤4.5。
步骤4.5:判断所有调度决策是否均满足应急物资需求时间窗要求,若满足,则计算出该粒子的适应度值;若不满足,则按照上述方法求出适应度值并根据惩罚函数减去一个正值常数,以此为其适应度值,算法结束并输出计算结果。
步骤5:将经过步骤4计算出的适应度值记录为当前该粒子的个体极值Pbesti,将其所对应的位置记录为个体极值位置同时,筛选出整个种群中的全局极值Gbest并将其所对应的位置记录为全局极值位置/>
步骤6:更新每个粒子的自身速度和位置,根据此时粒子所含元素信息计算出相应的适应度值,若此时粒子i适应度值优于当前Pbesti,则将该值作为新的Pbesti,同时将其所对应的位置更新为个体极值位置否则Pbesti与/>维持不变。若此时种群中的最优适应度值优于当前Gbest,则将该值作为新的Gbest,同时将其所对应的位置更新为/>否则GBest与/>维持不变。
步骤7:进行混沌初始化,将二进制的全局极值位置编译为Q个决策变量的实数值矢量/>随即根据如下公式将其映射到[0,1]区间,从而得到此时的混沌初矢量/>
式中,为进行第k次粒子群算法迭代后全局极值位置/>中第q个决策变量的实数值;aq和bq为该决策变量实数值的最小值与最大值。
步骤8:将混沌初矢量B0中的元素以/>的形式依次代入如下公式进行混沌迭代,得出混沌矢量序列Bt(t=1,2,…h)。
λt+1=uλt(1-λt),t=0,1,2,…,h;
式中,u为控制参数;h为混沌迭代最大次数。当u=4且λ0∈[0,1]时,则整个***属于完全混沌状态,所有变量取值均处于[0,1]。
步骤9:根据如下公式将混沌矢量序列Bt(t=1,2,…h)逆映射回Q个决策变量的实数值矢量
式中,为进行第t次混沌迭代后该决策变量的实数值。
步骤10:对实数值矢量进行二进制编码转化成处于原可行域的h个二进制矢量/>并求出其所能实现的h个适应度值。若其中最大的适应度值优于当前GBest,则将该值作为新的GBest,同时将其对应位置更新为/>并以/>随机替换当前种群中的一个粒子的位置。
步骤11:判断改进的是否已经迭代K次,若未达到最大迭代次数K,则k←k+1,并返回步骤6;若达到最大迭代次数K,则算法结束并输出计算结果。
如图3所示,示出了本申请提出的混合启发式算法的基本流程,其中包括从海上重大事故发生到物资调度计算完成,包括了整个计算流程。利用分段时间轴以简化动态调度,在一定时间内出现海上重大事故频发情况时,海上应急***不仅需要针对当前海上险情迅速制定有效的应急物资调度方案,同时还要在不影响既定方案应急效率的基础上根据随机新增事故的情况及时、高效地调配运输船与应急物资以最大程度高质量地满足动态应急需求从而保障整个应急***的应急效率。此时海上应急物资调度问题属于动态规划问题。特引入时间轴概念,以不同事故发生时刻为节点对时间轴进行划分,将动态规划问题转化为相对静止的多时段规划问题再做探讨,在每个时段内应急物资调度***都处于一个相对稳定的状态,不会出现由事故点新增而引起需求突变的情况。该方法能有效简化动态规划问题的复杂程度,提升本发明的可操作性与准确度。
基于改进的二进制粒子群算法的运输船选调决策制定。在海上重大事故发生时,海上应急***中存在多个应急基地可为事故点提供应急服务,同时每个基地又配备多艘运输船可供选调。如何在应急资金预算约束下优选运输船参与应急活动,从而保障应急效率能实现最优是整个应急过程中的关键性问题。考虑到粒子群算法具有收敛速度快、鲁棒性强的特点,能够避免类似遗传算法的复杂遗传操作、易于实现且运输船选调问题属离散空间中的目标优化问题,因此采用二进制粒子群算法对运输船选调决策制定问题进行求解。在实践过程中发现二进制粒子群算法在求解过程后期中收敛速度减慢,容易陷入局部最优解,本发明又根据混沌***所具有的随机性以及全局遍历性特点,通过引入混沌映射来改进二进制粒子群算法的搜索能力,以提升算法的搜索能力,让算法更容易逃脱局部最优解的限制,从而使算法具有更好的收敛性,使求解结果的精确度也更高。
基于贪婪算法的具体物资运输方案制定。从所有可供选调的运输船中选出实际参与应急工作的运输船后,具体的运输物资分配与通过所选运输船进行物资调度的安排主要是通过贪婪算法进行制定。该算法的中心思想是以运输船为主体,遵循应急响应相对时间满意度值最大的原则组织应急物资调运。在求解过程中海上应急物资运输过程与应急物资补给运输过程是相互关联的,每做出一次调度决策后需要立即更新各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态等信息,以供下次调度决策制定。
如图3所示,本发明实施例提供了一种海上应急物资优化调度***,具体如下:
时间轴建立单元21,用于根据海上重大事故发生的时间顺序,建立海上事故发生时间轴;
优化调度模型建立单元22,用于根据所述时间轴,为每个所述海上重大事故建立应急资金预算约束下以应急响应时间满意度总和最大化为目标函数的海上应急物资优化调度模型;
初始化单元23,用于初始化二进制粒子群算法参数;包括:惯性权重、学习因子和、种群规模以及最大迭代次数;
贪婪算法单元24,用于根据种群中任一粒子所含元素信息进行运输船选择决策,确定参与当前海上事故应急的运输船,然后根据贪婪算法计算出该粒子所能实现的适应度值;
极值计算单元25,用于将所述适应度值记录为当前粒子的个体极值,将其所对应的位置记录为个体极值位置;筛选出整个种群中的全局极值并将其所对应的位置记录为全局极值位置;
调度优化单元26,用于更新所述每个粒子的自身速度和位置,根据所述粒子速度和位置调度海上重大事故的物资调度运输船。
本发明实施例基于混合启发式算法提出的考虑多需求点的海上重大事故应急物资优化调度方法,根据实际情况,除了考虑到要为各事故点的应急优选船舶进行海上应急物资的运输,并为每艘船每次出航装配合适的物资以实现运输效率的最优;同时还考虑到应急基地库存有限,需要根据海上应急物资的调度情况优化相应的陆上补给物资运输方案,从而实现陆上补给物资的运输时间与***的总成本最小。
在此基础上,本发明提出的运输船选调方案与应急物资具体运输方案可应用于海上应急***中,从而提升该***的应急服务水平。当固定海域受外部环境因素影响在短时间内随机发生多起重大海上事故时,海上应急***可根据该方法向各海上基地发出运输船选调与物资装配指令,当海上基地发生库存短缺时向相应的陆上物资供应点发出补给物资运输指令,从而迅速有效地应对海上突发的一系列重大事故。
在本发明的描述中,需要说明的是,术语“顶”、“底””、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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。
Claims (8)
1.一种海上应急物资优化调度方法,其特征在于,包括:
根据海上重大事故发生的时间顺序,建立海上事故发生时间轴;
根据所述时间轴,为每个所述海上重大事故建立应急资金预算约束下以应急响应时间满意度总和最大化为目标函数的海上应急物资优化调度模型;
初始化二进制粒子群算法参数;包括:惯性权重、学习因子和种群规模以及最大迭代次数;
根据种群中任一粒子所含元素信息进行运输船选择决策,确定参与当前海上事故应急的运输船,然后根据贪婪算法计算出该粒子所能实现的适应度值,具体包括以下步骤:
根据所述粒子个体的二进制编码信息确定参与当前海上事故应急物资运输的运输船集合S*,其中 为每个基地中参与该起事故应急的运输船集合;当基地i中未有运输船被选中,则/>同时,初始化相关参数各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态信息;
进行第bτ次调运决策时,从每个集合中筛选出此时能最先到达事故点的运输船/>并按照需求物资重要度权重ωp(p∈P)大则优先的原则为运输船/>分配应急物资;若此时事故点j尚未满足需求的重要度权重最大的物资在基地i发生库存短缺情况,则向运输船/>分配次优级别的物资,以此类推,直至运输船/>满载或已满足事故点j其余所有物资需求;
将所有调运安排代入应急响应时间满意度函数式Fjp(p∈P),得到每种安排所能实现的时间满意度值,甄选出其中最优的调运安排,作为第bτ次调运任务安排;对相应基地的库存进行盘查,若名义库存剩余量低于警戒库存量则向陆上供应点发出物资补给运输指令,从而进行陆上补给物资运输;根据补给物资的运输要求,采用层次序列法对陆上补给物资调度问题进行求解,具体求解步骤如下:
在第bτ次海上物资调运决策制订后,将需要补给物资补充库存的基地j所属的陆上供应点集合Ki中的元素按照运输时间tik,由短到长排列为筛选出满足运输时间最小化目标的备选供应点集合/>且该集合满足条件/>其中,yikp(bτ)为此时基地i所属的供应点k关于物资p的库存量,Sip为基地i关于物资p的最大库存量,/>为此时基地i关于物资p的名义库存量,qjps(bτ)为此时运输船s向事故点j运输物资p的量;
将筛选出的备选供应点集合AKi中的元素按照单位运输成本cik由低到高重新排列为得到在满足第一目标基础上的运输成本最小化的陆上补给物资运输方案此时的供应点集合为其中,供应点/>向基地i运输的物资量为/>φ*(bτ)为此时的陆上补给物资调度的最优方案;
分别更新各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态信息;
判断事故点j所需求的所有物资是否已满足,若未完全满足则bτ←bτ+1,然后返回;若已完全满足则进入下一步;
判断所有调度决策是否均满足应急物资需求时间窗要求,若满足,则计算出该粒子的适应度值;若不满足,则计算出适应度值并根据惩罚函数减去一个正值常数,以此为其适应度值,算法结束并输出计算结果;
将所述适应度值记录为当前粒子的个体极值,将其所对应的位置记录为个体极值位置;筛选出整个种群中的全局极值并将其所对应的位置记录为全局极值位置;
更新所述每个粒子的自身速度和位置,根据所述粒子速度和位置调度海上重大事故的物资调度运输船。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
更新每个粒子的自身速度和位置,根据此时粒子所含元素信息计算出相应的适应度值;
若此时粒子i适应度值优于当前个体极值Pbesti,则将该值作为新的个体极值Pbesti,同时将其所对应的位置更新为个体极值位置否则个体极值Pbesti与个体极值位置/>维持不变;
若此时种群中的最优适应度值优于当前全局极值Gbest,则将该值作为新的全局极值Gbest,同时将其所对应的位置更新为全局极值位置否则全局极值GBest与全局极值位置/>维持不变。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
进行混沌初始化,将二进制的所述全局极值位置编译为Q个决策变量的实数值矢量;将其映射到[0,1]区间,从而得到此时的混沌初矢量;
将混沌初矢量中的元素依次进行混沌迭代,得到混沌矢量序列;
将混沌矢量序列逆映射回Q个决策变量的实数值矢量;
对实数值矢量进行二进制编码转化成处于原可行域的h个二进制矢量,并求出其所能实现的h个适应度值;若其中最大的适应度值优于当前全局极值GBest,则将该值作为新的全局极值GBest,同时将其对应位置更新为全局极值位置并以全局极值位置/>随机替换当前种群中的一个粒子位置。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
所述将二进制的全局极值位置编译为Q个决策变量的实数值矢量根据如下公式将其映射到[0,1]区间,从而得到此时的混沌初矢量
其中,为进行第k次粒子群算法迭代后全局极值位置/>中第q个决策变量的实数值;aq和bq为该决策变量实数值的最小值与最大值。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
将混沌初矢量B0中的元素以/>的形式依次代入如下公式进行混沌迭代,得出混沌矢量序列Bt(t=1,2,…h);其中,1≤q≤Q;
λt+1=uλt(1-λt),t=0,1,2,…,h;
其中,u为控制参数;h为混沌迭代最大次数;当u=4且λ0∈[0,1]时,则整个***属于完全混沌状态,所有变量取值均处于[0,1]。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
根据如下公式将混沌矢量序列Bt(t=1,2,…h)逆映射回Q个决策变量的实数值矢量其中,t=1,2,…h;
其中,为进行第t次混沌迭代后该决策变量的实数值。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
对实数值矢量进行二进制编码转化成处于原可行域的h个二进制矢量/>其中,t=1,2,…h;t=1,2,...h;求出其所能实现的h个适应度值。
8.一种海上应急物资优化调度***,其特征在于,包括:
时间轴建立单元,用于根据海上重大事故发生的时间顺序,建立海上事故发生时间轴;
优化调度模型建立单元,用于根据所述时间轴,为每个所述海上重大事故建立应急资金预算约束下以应急响应时间满意度总和最大化为目标函数的海上应急物资优化调度模型;
初始化单元,用于初始化二进制粒子群算法参数;包括:惯性权重、学习因子和、种群规模以及最大迭代次数;
贪婪算法单元,用于根据种群中任一粒子所含元素信息进行运输船选择决策,确定参与当前海上事故应急的运输船,然后根据贪婪算法计算出该粒子所能实现的适应度值,具体包括以下步骤:
根据所述粒子个体的二进制编码信息确定参与当前海上事故应急物资运输的运输船集合S*,其中 为每个基地中参与该起事故应急的运输船集合;当基地i中未有运输船被选中,则/>同时,初始化相关参数各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态信息;
进行第bτ次调运决策时,从每个集合中筛选出此时能最先到达事故点的运输船/>并按照需求物资重要度权重ωp(p∈P)大则优先的原则为运输船/>分配应急物资;若此时事故点j尚未满足需求的重要度权重最大的物资在基地i发生库存短缺情况,则向运输船/>分配次优级别的物资,以此类推,直至运输船/>满载或已满足事故点j其余所有物资需求;
将所有调运安排代入应急响应时间满意度函数式pjp(p∈P),得到每种安排所能实现的时间满意度值,甄选出其中最优的调运安排,作为第bτ次调运任务安排;对相应基地的库存进行盘查,若名义库存剩余量低于警戒库存量则向陆上供应点发出物资补给运输指令,从而进行陆上补给物资运输;根据补给物资的运输要求,采用层次序列法对陆上补给物资调度问题进行求解,具体求解步骤如下:
在第bτ次海上物资调运决策制订后,将需要补给物资补充库存的基地j所属的陆上供应点集合Ki中的元素按照运输时间tik,由短到长排列为筛选出满足运输时间最小化目标的备选供应点集合/>且该集合满足条件/>其中,yikp(bτ)为此时基地i所属的供应点k关于物资p的库存量,Sip为基地i关于物资p的最大库存量,/>为此时基地i关于物资p的名义库存量,qjps(bτ)为此时运输船s向事故点j运输物资p的量;
将筛选出的备选供应点集合AKi中的元素按照单位运输成本cik由低到高重新排列为得到在满足第一目标基础上的运输成本最小化的陆上补给物资运输方案此时的供应点集合为其中,供应点/>向基地i运输的物资量为/>φ*(bτ)为此时的陆上补给物资调度的最优方案;
分别更新各基地库存状态、各运输船的运载状态、各陆上供应点库存状态以及陆上补给物资在途运输状态信息;
判断事故点j所需求的所有物资是否已满足,若未完全满足则bτ←bτ+1,然后返回;若已完全满足则进入下一步;
判断所有调度决策是否均满足应急物资需求时间窗要求,若满足,则计算出该粒子的适应度值;若不满足,则计算出适应度值并根据惩罚函数减去一个正值常数,以此为其适应度值,算法结束并输出计算结果;
极值计算单元,用于将所述适应度值记录为当前粒子的个体极值,将其所对应的位置记录为个体极值位置;筛选出整个种群中的全局极值并将其所对应的位置记录为全局极值位置;
调度优化单元,用于更新所述每个粒子的自身速度和位置,根据所述粒子速度和位置调度海上重大事故的物资调度运输船。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019743.2A CN110782087B (zh) | 2019-10-24 | 2019-10-24 | 一种海上应急物资优化调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019743.2A CN110782087B (zh) | 2019-10-24 | 2019-10-24 | 一种海上应急物资优化调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782087A CN110782087A (zh) | 2020-02-11 |
CN110782087B true CN110782087B (zh) | 2023-08-25 |
Family
ID=69386397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911019743.2A Active CN110782087B (zh) | 2019-10-24 | 2019-10-24 | 一种海上应急物资优化调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782087B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932001B (zh) * | 2020-07-28 | 2022-06-21 | 深圳市数字城市工程研究中心 | 一种基于多目标优化的应急医疗资源分配方法 |
CN112883498B (zh) * | 2021-03-25 | 2022-04-19 | 中国人民解放军国防科技大学 | 在轨需求牵引的空间站后勤补给规划方法 |
CN113139695A (zh) * | 2021-05-11 | 2021-07-20 | 中海石油(中国)有限公司 | 海上热采与增产期甲板分配方法、计算机装置及存储介质 |
CN113344356A (zh) * | 2021-05-31 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种多目标资源分配决策方法和装置 |
CN113723637B (zh) * | 2021-09-10 | 2023-09-22 | 大连海事大学 | 一种面向船舶维修体系的经济性修理级别分析方法及*** |
CN114048913B (zh) * | 2021-11-19 | 2024-05-28 | 江苏科技大学 | 一种基于粒子群算法和遗传算法混合的救援规划方法 |
CN115130787A (zh) * | 2022-08-29 | 2022-09-30 | 深圳市城市公共安全技术研究院有限公司 | 应急资源调度方案的配置方法、***、终端设备及介质 |
CN116523270B (zh) * | 2023-07-03 | 2023-09-12 | 南京联畅云科技有限公司 | 一种物流运输任务自动调度方法、设备、服务器及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542395A (zh) * | 2010-12-31 | 2012-07-04 | 北京师范大学 | 一种应急物资调度***及计算方法 |
CN106711966A (zh) * | 2016-12-12 | 2017-05-24 | 云南电网有限责任公司玉溪供电局 | 配电网保护定值整定方法及*** |
CN106773704A (zh) * | 2017-01-04 | 2017-05-31 | 中国科学院过程工程研究所 | 多***联合优化调度方法及装置 |
CN107679650A (zh) * | 2017-09-14 | 2018-02-09 | 河海大学 | 一种面向多受灾点‑多出救点的应急物资调度优化方法 |
CN110188960A (zh) * | 2019-06-03 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种海上溢油事故应急处置***的多目标组合优化配置方法 |
-
2019
- 2019-10-24 CN CN201911019743.2A patent/CN110782087B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542395A (zh) * | 2010-12-31 | 2012-07-04 | 北京师范大学 | 一种应急物资调度***及计算方法 |
CN106711966A (zh) * | 2016-12-12 | 2017-05-24 | 云南电网有限责任公司玉溪供电局 | 配电网保护定值整定方法及*** |
CN106773704A (zh) * | 2017-01-04 | 2017-05-31 | 中国科学院过程工程研究所 | 多***联合优化调度方法及装置 |
CN107679650A (zh) * | 2017-09-14 | 2018-02-09 | 河海大学 | 一种面向多受灾点‑多出救点的应急物资调度优化方法 |
CN110188960A (zh) * | 2019-06-03 | 2019-08-30 | 中国人民解放军国防科技大学 | 一种海上溢油事故应急处置***的多目标组合优化配置方法 |
Non-Patent Citations (1)
Title |
---|
The optimization model for the location of maritime emergency supplies reserve bases and the configuration of salvage vessels;AI, Yun fei 等;《Transportation Research Part E: Logistics and Transportation Review》;第83卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110782087A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782087B (zh) | 一种海上应急物资优化调度方法及*** | |
Zhen et al. | A vehicle routing problem arising in unmanned aerial monitoring | |
Magnanti et al. | Accelerating Benders decomposition: Algorithmic enhancement and model selection criteria | |
Poudel et al. | Task assignment algorithms for unmanned aerial vehicle networks: A comprehensive survey | |
CN110288118A (zh) | 一种基于无人机的空中救援响应方法 | |
CN104143170A (zh) | 低空救援空中交通调度指挥***及其调度指挥方法 | |
Han et al. | Optimization-based decision support software for a team-in-the-loop experiment: Multilevel asset allocation | |
Labib et al. | A multilayer low-altitude airspace model for UAV traffic management | |
Radzki et al. | Modelling robust delivery scenarios for a fleet of unmanned aerial vehicles in disaster relief missions | |
MahmoudZadeh et al. | A cooperative fault-tolerant mission planner system for unmanned surface vehicles in ocean sensor network monitoring and inspection | |
Jin et al. | Optimization model and algorithm to locate rescue bases and allocate rescue vessels in remote oceans | |
Zhu et al. | Idle-vehicle rebalancing coverage control for ride-sourcing systems | |
Hein | Emission-aware and data-driven many-objective voyage and energy management optimization of solar-integrated all-electric ship | |
Li et al. | Enhanced time-expanded graph for space information network modeling | |
Zhu et al. | Maritime patrol tasks assignment optimization of multiple USVs under endurance constraint | |
Radzki et al. | Periodic planning of UAVs' fleet mission with the uncertainty of travel parameters | |
Zhang et al. | Deployment and optimization of multi-UAV-assisted maritime Internet of Things for waterway data collection | |
CN115619016A (zh) | 一种海上溢油应急物资优化调度方法 | |
CN116625376A (zh) | 基于禁忌蜂群算法的无人机海上搜救路径规划方法 | |
CN114115342B (zh) | 一种基于冲突处理的无人集群多域协同***及方法 | |
Mishra et al. | Dynamic resource management and information integration for proactive decision support and planning | |
Liu et al. | Review of improved cooperative control of unmanned surface vehicle based on multi-agent system | |
Li et al. | Deployment Method for Aircraft-Based Maritime Emergency Communication Resource Reserve Bases | |
Adsanver et al. | A predictive multistage postdisaster damage assessment framework for drone routing | |
A Silva et al. | Sizing a fleet of containerships for a given market |
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 |