基于蚁群算法的灾后救援优化研究外文翻译资料

 2022-11-21 16:25:34

英语原文共 13 页,剩余内容已隐藏,支付完成后下载完整资料


基于蚁群算法的灾后救援优化研究

徐逸水

摘要:本文介绍了利用蚁群优化解决灾后物流问题的元启发式救援活动相关研究。突发事件下,物流规划涉及将商品运送到受影响地区的配送中心以及将受伤人员及时撤离至医疗中心进行救治两个方面。本文提出将应急物流问题划分为决策的两个阶段,即车辆路线建设和多个商品派遣,以子问题迭代的方式解决。第一阶段在引导下建立车辆的随机信息素路径,而基于网络流的解算器在第二阶段分配不同类型的车流和商品。文章的最后,通过对随机生成的数量进行测试,表明蚁群算法在解决质量和运行时间方面表现良好。

关键词:应急物流;蚁群算法;多商品网络流量问题

  1. 引言

后勤物资支援和人员疏散是灾后两大重要的救援活动。通常,疏散活动在初始反应阶段发生,而救援物资输送则往往持续更长时间,原因在于必须不断满足灾区幸存者的基本生活需求。能否及时提供救援物资如食物和药物医药,有效运送伤员等因素都将影响受灾区域的生存率。

这里描述的车辆路径问题涉及将商品从主要供应的协调中心运输至受影响地区的配送中心,并将伤员从这些地区运回至紧急医疗中心。目标是在使用不同类型车辆的前提下,尽量减少物资的延误、确保受伤人员和幸存者获得及时的医疗救助服务。

通常来说,应急物流比一般车辆调度问题要复杂得多——应急物流的供应量是确定的,而需求量则是不确定的,在分配救灾物资及车辆调度时需要对整个受灾地区统一协调部署。同时基于灾害的突发性及破坏性特征,物资供给在灾害发生后的初始阶段往往是有限的,还可能发生道路损毁和通信等基础设施严重破坏,导致交通不畅,影响救援工作的顺利展开。在物资配送过程中,延误的情况也常有发生。与商业物流中指定供应点服务指定客户的情形不同,灾后物资的供给点数量巨大。供应节点可能代表仓库,但大多数情况下,如果它们位于受影响地区,它们仅仅是在那些地点分发食物和其他材料的帐篷棚。如果位于未受影响的区域,则可能代表地区收集中心、避难所和医院。

下面的车辆路由和可用性条件的优势:(1)在第一反应期间和在持续的救援行动中,一旦完成当前的任务,车辆不需要立即返回补给节点(仓库)。它可以等待最后一个目的地的下一条指令,或者在换班的时候,如果司机需要换班的话,可以在换班的时候向一个仓库移动。车辆结束行程的仓库不需要是它开始的地方。由于后者的原因以及供应节点数量众多且分散在需求节点的周围,车辆行程没有特定限制的访问节点,直到规划周期的结束。(2)由于假定车辆容量足以承载“客户的”需求是不合逻辑的,因此必须多次访问相同的节点。这意味着可进行分批运输。(3)受灾节点可能同时有救援物资需求和伤员等待被疏散,同时商品供应节点也可能成为医疗设施。在需求节点,商品被运送,受伤的人被送往医院(大多数医院位于供应节点)。在供应节点中,如果医院存在供应节点,伤员就会被输送至此,同时运出物资。因此,混合订单服务的同时分割选择服务定义了服务策略。此外,从供应节点中获取一些物资的车辆不一定要将其运送至最后目的地。这些物资可以被放在中间位置,然后被另一辆车接到最后一个目的地。因此,车辆之间存在合作的可能性。

时间在管理特定紧急情况方面起着至关重要的作用。处理时变需求和供应的后勤计划涉及到由给定数量的时间段组成的时间范围。它定期更新包括需求,供应和车辆可用性在内的新信息,以及以前实施的计划所产生的物流系统的状况。因此,该系统被设计为具有时间依赖性结构。

从上述分析可以看出,一般的动态路由问题可以处理各种实际的复杂性。它集成了许多常规离散优化问题的特征,例如车辆路线问题和整数多商品流动问题。异质车辆的存在增加了问题的复杂性。此外,在真正的紧急情况下,需要进行重新规划及时处理频繁更新的信息。因此,关于有效解决方案的研究在应急物流管理中至关重要。本文介绍了一个蚁群算法元启发式,并为此问题提出了几条跟踪更新策略。本文的组织结构如下:第二节对相关的文献工作进行了回顾;第三节构建了模型的数学公式;第四节描述了蚁群算法元启发式,计算结果见第五节;第六节总结了该模型。

  1. 文献综述

与本文提及的路由问题最相似的是同时传送问题,指将一些货物从单个仓库中提出交付给客户后又将客户处需重新包装的物品运回仓库,同时每个客户仅允许被访问一次(Min, 1989; Gendreau et al., 1999a; Nagy and Salhi, 2005)。 Min首先于1989年提出了TSP(旅行商问题)解决方案,用于解决该类问题,Gendreau等人在此基础上添加了订购交付等条件,进一步丰富了理论研究。

与同时提货问题紧密相连的是混合提货问题(Goldenet al., 1985; Kontoravdis and Bard, 1995; Salhi and Nagy, 1999)。类似于同时提取问题,保持车辆容量的可行性是该问题的难点,也是关键所在。Nagy和Salhi于2005年提出了解决方案,Ropke和Pisinger于2006年将所有的回程问题转化为通用形式,并提出一种基于领域搜索的具有不同性质及概率移动的启发式算法。

同时提取问题的一个特殊情况是客户首先必须在行程中交付(线路)或收集(回程)节点(Deifand Bodin, 1984; Yano et al., 1987; Goetschalckx and Jacobs-Blecha, 1989; Toth and Vigo, 1997; Osmanand Wassan, 2002),提出的解决方法包括保存路径,设置覆盖,聚类路由以及禁忌搜索。对这个模型和技术的调查可以在Savelsbergh等人的研究中找到。最近,Lu等人提出了基于算法求解多车辆路径问题的分支思路。Bent等人则以最小化路线数量为目标提出了模拟退火法,然后再使用领域搜索法来最小化总路程费用。

类似于无限供应量的标准假设,这些假设通常是车辆能力足以满足个别客户的需求或供应数量,车辆可用性丰富。然而,这些假设在紧急情况下难以满足,需要尽可能多的车辆立即作出反应。因此,限制关于车辆数量和供应量对于应急物流有效性的问题被提出。Dror等人于1989年提出了可分割的VRP问题,他们指出分散运输货物可以有效减少行驶总路程及使用车辆。Frizzell等人在可分割的VRP问题基础上提出了时间窗的概念,考虑了多时间窗设置与路程长短的关系。此外,Haugland等人提出了禁忌算法求解可分割和带时间窗的问题,在该方法中用于分割传递的时间窗口问题选项不是强制的,而是由解决过程中维护的一组解决方案决定。

尽管之前的文章中已研究了一些应急物流的具体特征,但对于综合问题研究的关注度还有所欠缺。在Haghani的文章中可以找到关于应急物资运输的有关数学模型,Ozdamar还提出了用于求解的拉格朗日松弛算法,并用一些实例进行了验证。Yi等人将简单的物资配送模型拓展成综合了伤员评估和医疗中心选址定位的整数模型,并具体指出该场景存在于突发地震灾害下。下文中给出的模型同样在Yi and Odamar (2007)文章中提过,但不再考虑设施选址问题。

三、数学模型

3.1问题假设:

  1. 救援活动中车辆在完成当前配送任务后无须立即返回车库,可以在原地待命等待下一轮指示。
  2. 节点需求量可能会超过车容量,允许不同车辆同一节点进行多次配送服务,考虑到突发环境时间下信息不畅,车辆未必可以一次将物资或伤员送达最终目的地,允许其他车辆完成剩余任务。
  3. 需求包括救援物资的需求和伤员转移的需求。
  4. 物资的集结点设立了临时医疗点,救护车和满载救援物资的卡车从供应点出发,救护车将重伤伤员直接运回医疗点,卡车在卸载后可携带轻伤伤员前往医疗点。

因此,突发事件下的应急物流问题可以看成是混合车辆路由问题。

3.2符号说明:

:总时长,表示某一具体时点

:物资种类集合,a表示某一具体的物资类型

H :伤员集合(包括轻伤及重伤),h表示某一具体伤员类型

V :不同车辆集合,v表示某一具体车辆类型

C :节点,o表示某一具体节点

CD :有物资需求的节点的集合CDC

CS :有物资供给的节点的集合

CH :可接收伤员的医院集合

:经过弧(o,p)所需的时间

:t时刻节点o对物资类型a的总需求

:t时刻节点o上受伤类型为h的伤员总数

:t时刻节点o对物资类型a的总供给

:节点o上v类型车辆增加的流量

:医院为每个h类型的伤员所花费的服务时间

:v类型车辆的载重

:a类型物资的单位重量

:h类伤员的平均重量

:一个极大的数

:为满足a类物资需求的优先性

:为满足h类伤员的优先性

:二进制参数矩阵

决策变量:

:t时刻弧(o,p)上v类车辆装载的a类型物资总量

:t时刻弧(o,p)上v类车辆装载的h类型伤员总人数

:t时刻节点o上a类物资未满足需求量

:t时刻未被救援的h类伤员总数

:t时刻弧(o,p)上v类车辆的总数

:t时刻o节点上已被救援的h类伤员总数

3.3模型的建立:

式(0)为目标函数,优化的目标最大限度的减少节点对需求无法得到满足的不满意度(包 括所有节点上等候商品总数和被治疗伤员总数)。

式(1)表示保证每个时间节点内节点需求物资流平衡,确认需求未获得满足的情况。式(2)表示在所有节点上实行物质流平衡,并根据反馈回供应中心的需求信息,确认下一时段配送路线。

式(3)表示车辆行程限制约束。式(4)表示路线上运行车辆的最大荷载约束。

式(5)表示网络上超过累积工作时间限制车辆的数量约束,以平衡节点的车流量。式(6)和(7)表示平衡所有节点上的伤员流量约束。式(8)确定到时间t为止,未被服务的伤员数量。

式(9)表示各个参数为正。

  1. 蚁群算法

相比之下,应急物流规划中体现的路由子问题较常规路由模型具有较高的自由度。荷载能力可行性成为一个重要问题,因为不仅整个行程受车辆容量波动的影响,而且问题中涉及分配多种类型具有不同荷载能力的可用车辆。因此,随着局部邻域搜索中的替代数量的增加,可行空间变得更加宽松,使得问题比一般整数多商品流问题更难解决。

鉴于问题的混合特征,将模型分解为两个组件是一种自然的方式:车辆路线建设和多商品派送。在第一阶段构建车辆路线的同时,依次解决,然后根据所得到的车辆流量来解决多商品问题。一般来说,单程过程可能不能产生好的解决办法;必须开发一个迭代框架以保证车辆路径建设和多种商品调度效率及顺利进行两阶段的沟通,不断提高解决方案质量。本文提出蚁群算法,作为启发式算法的延伸。蚁群算法(ant colony optimization, ACO),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。它由Marco Dorigo于1992年在他的博士论文中提出,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质。

蚁群算法中符号定义:

:一个具体的车辆标签

:一段以o为尾,以t为头的弧

:t时刻v类车辆经过的节点o的一系列邻点

:l类车辆在节点o的到达时间

:在弧(t,o,i)上的v型车辆累积信息素的数量

:v类车辆可能选择的下一个节点

DEM:由原始商品(或受伤)需求类型和它出现的时间周期所定义的需求类型集合

:l类车辆在弧上所达到的效用

:最佳路径的集合

在蚁群算法中使用的人工蚂蚁可以利用信息素路径产生的概率,利用信息素路径生成的概率来迭代地增加每段弧的部分行程,从而动态地反映蚂蚁过去的搜索经验。为了便于信息共享,使同一类型的车辆之间具有合作行为,我们在算法中使用了多种类型的蚂蚁,并基于各个类型进行了信息素跟踪。

具体流程:

  1. 根据DEM中各种需求类型,计算单位重量的效用;
  2. 将DEM根据和进行递减排序;
  3. 对于每个需求的:
  4. 将现存的流量分配给最后的,更新车辆荷载及效用;
  5. 建立一个临时网络,识别与兼容的车辆,提取他们的路径,计算周期容量等等;
  6. 将最大流量算法应用于临时网络,在a中更新供给;
  7. 如果 (剩余服务速率),那么不满足的需求就会通过设置来消失;如果,则通过设置 来转移下一个时期的未满足需求。

五、仿真实验

为测试蚁群算法的性能,本文在具有整数行程时间的网格网络上测试了28个随机生成的数据。网络中的所有节点首先通过构建最小生成树进行连接,然后通过成对节点连接随机增加节点度数。节点数范围在20到80之间,其中约30%的节点分配给供应和医院节点(假设所有医院与供应节点重叠)。网络生成在12*12网格上,其中每个单元被随机地分配给节点。车辆总数在20-65之间,共有三种类型的车辆,第一类和最后一类具有携带商品的功能,第二类车辆可以携带伤员。需求和供应量以及服务人员和受伤人员的数量按照统一的方式随机分配给每个相应的节点,同时确保总供应充足。对于每个测试问题,车辆的数量在给定的时间间隔内。然后,计算出商品和人员的整体车辆紧张度总运输量超过总兼容能力。大于1.0的值意味着很小运输能力,反之亦然。问题特征的细节在表1中提供,其中第二和第三列提供了节点号和实

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[26785],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。