《实时智能车船调度方法.pdf》由会员分享，可在线阅读，更多相关《实时智能车船调度方法.pdf（10页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102254082 A (43)申请公布日 2011.11.23 CN 102254082 A *CN102254082A* (21)申请号 201110102179.8 (22)申请日 2011.04.22 G06F 19/00(2006.01) G06N 3/00(2006.01) (71)申请人 中科怡海高新技术发展江苏股份公 司 地址 214024 江苏省无锡市南长区南湖大道 501 号创智园 A 栋 (72)发明人 陆波 (74)专利代理机构 无锡华源专利事务所 32228 代理人 聂汉钦 (54) 发明名称 实时智能车船调度方法 (57) 摘要 本发明提供。
2、一种实时智能车船调度方法， 基 于粒子群优化综合考虑车船资源、 藻水分离站余 量、 工作人员等信息， 将各种约束条件传入信息系 统后， 系统对信息进行综合判断， 当实时监控系统 监测到蓝藻发生， 触发调度事件， 将调度命令发送 到终端中， 从而实现实时智能调度。可以省时、 省 力、 高效的进行调度各种资源。本发明可以缩短 指令下发、 接收、 执行时间， 提高工作效率 ； 合理 利用目前有限的各种资源， 充分调动各方面人力、 物力资源， 避免工作不平衡 ； 合理调度车船、 分离 站、 资源利用化基地的工作。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利。
3、要求书 1 页 说明书 6 页 附图 2 页 CN 102254088 A1/1 页 2 1. 一种实时智能车船调度方法， 其特征在于包括如下步骤 ： （1） 得到目的地及各车船所在位置的坐标数据参数 ； （2） 根据目的地及各车船所在位置的坐标数据参数， 计算各车船所在位置到目的地的 最短距离 ； （3） 根据报警级别、 藻情爆发指数、 区域级别划分、 车船类型这四个约束条件得出初始 的调度方案 ； 将其中超出车船资源的调度方案删除 ： （4） 重复步骤 （3） ， 重新随机初始化一些调度方案 ； （5） 计算得到每个调度方案的适应度 ； （6） 比较每个调度方案的适应度， 选出当前适应度最。
4、优的调度方案 ； （7） 调整当前调度方案以使其更加接近于最优方案 ； （8） 重复步骤 （2） 到步骤 （7） 的运算， 找到最优调度方案， 将调度命令发送至车船中进 行调度。 2. 根据权利要求 1 所述实时智能车船调度方法， 其特征在于 ： 对于所述步骤 （2） ， 计算 各车船的到目的地的距离的方法为 ： 通过 GPS 设备对车船进行定位并且取得其经纬度值 （a,b） 供使用， 将各船只的实际位置量化成经纬度坐标， 代入如下目标函数计算出它们相距 目的地的最短路径 ： 。 3. 根据权利要求 1 所述实时智能车船调度方法， 其特征在于 ： 对于所述步骤 （3） ， 约束 条件包括 ： 。
5、W ： 报警级别 ； 根据不同的季度月份进行划分 ； 12 月为冬季安全期， 无车船调度， 34、 1112 月为绿色预警， 56、 910 月为橙色预警， 78 月为红色预警 ； S ： 藻情爆发指数 ； 一级， 绿色预警， 爆发指数 40% ； 二级， 橙色预警， 爆发指数 60% ； 三级， 红色预警， 爆发指数 80% ； A ： 区域级别划分 ； 由于不同的区域会产生地理环境差异， 蓝藻爆发程度也不同， 所以 打捞的临界状态也不同 ； 包括重点区域、 正常区域、 轻度区域 ； Y ： 车船类型 ； 整个系统中需要调度的资源， 包括打捞船、 运输船、 运输车。 4. 根据权利要求 1 。
6、所述实时智能车船调度方法， 其特征在于 ： 对于所述步骤 （2） ， 同时 保存当前每条船的空闲状态。 权 利 要 求 书 CN 102254082 A CN 102254088 A1/6 页 3 实时智能车船调度方法 技术领域 0001 本发明涉及一种实时智能车船调度方法， 适用于形成对打捞船、 运输船、 运输车的 整套打捞调度方案。 背景技术 0002 粒子群优化算法 （Particle Swarm optimization， PSO） 又翻译为粒子群算法、 微 粒群算法或微粒群优化算法， 是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的 随机搜索算法。通常认为它是群集智能 （Swar。
7、m intelligence， SI） 的一种， 可以被纳入多 主体优化系统 （Multi-agent Optimization System， MAOS） 。 这种优化方法可以用于寻找最 短路径。PSO 算法如下 ： 每个粒子拥有以下属性 ： 粒子的当前位置 Xi =（Xi1, Xi2,Xid） ； 粒子的当前速度 Vi =（Vi1, Vi2,.,Vid） ； 粒子的最佳适应值 Pi =（Pi1, Pi2,.,Pid） ， 即 Pbest ； 粒子群的最佳适应值 Pg =（Pg1,Pg2,.,Pgd） ， 即 gbest ； PSO 算法中粒子的进化公式 ： （1） （2） 其中 w 是惯性。
8、权重， c1和 c2是加速常数， r1和 r2是 （0,1） 之间的随机数。对于 Pbest 可以认为是粒子的自身 “认知” 部分， 即是微粒的自身经验 ； 而 gbest 是 “社会” 部分， 可以 认为是社会经验。 0003 目前的人工调度方式还是通过分组的方式进行。将打捞力量分散到各街道、 各单 位， 由各街道、 各单位负责自己的打捞区域。水利局蓝藻办进行工作督察， 存在很多不利因 素。 整个区域打捞资源比较分散， 人工去控制调度车船比较繁琐， 而且难以达到实时且高效 的调度。 当现实情况中作业线太长、 难以有效监督时， 通过智能调度现有资源就显得十分必 要。 发明内容 0004 针对上。
9、述问题， 申请人进行了改进研究， 提供一种实时智能车船调度方法， 可以实 现根据蓝藻的爆发区域情况， 寻找当前的车船资源， 再通过粒子群算法计算出附近车船的 最短路径， 综合判断得到最优的调度方案。 0005 本发明的技术方案如下 ： 一种实时智能车船调度方法， 包括如下步骤 ： （1） 得到目的地及各车船所在位置的坐标数据参数 ； （2） 根据目的地及各车船所在位置的坐标数据参数， 计算各车船所在位置到目的地的 说 明 书 CN 102254082 A CN 102254088 A2/6 页 4 最短距离 ； （3） 根据报警级别、 藻情爆发指数、 区域级别划分、 车船类型这四个约束条件得出。
10、初始 的调度方案 ； 将其中超出车船资源的调度方案删除 ： （4） 重复步骤 （3） ， 重新随机初始化一些调度方案 ； （5） 计算得到每个调度方案的适应度 ； （6） 比较每个调度方案的适应度， 选出当前适应度最优的调度方案 ； （7） 调整当前调度方案以使其更加接近于最优方案 ； （8） 重复步骤 （2） 到步骤 （7） 的运算， 找到最优调度方案， 将调度命令发送至车船中进 行调度。 0006 其进一步的技术方案为 ： 对于所述步骤 （2） ， 计算各车船的到目的地的距离的方 法为 ： 通过 GPS 设备对车船进行定位并且取得其经纬度值 （a,b） 供使用， 将各船只的实际位 置量化成。
11、经纬度坐标， 代入如下目标函数计算出它们相距目的地的最短路径 ： 其进一步的技术方案为 ： 对于所述步骤 （3） ， 约束条件包括 ： W ： 报警级别 ； 根据不同的季度月份进行划分 ； 12 月为冬季安全期， 无车船调度， 34、 1112 月为绿色预警， 56、 910 月为橙色预警， 78 月为红色预警 ； S ： 藻情爆发指数 ； 一级， 绿色预警， 爆发指数 40% ； 二级， 橙色预警， 爆发指数 60% ； 三级， 红色预警， 爆发指数 80% ； A ： 区域级别划分 ； 由于不同的区域会产生地理环境差异， 蓝藻爆发程度也不同， 所以 打捞的临界状态也不同 ； 包括重点区域、。
12、 正常区域、 轻度区域 ； Y ： 车船类型 ； 整个系统中需要调度的资源， 包括打捞船、 运输船、 运输车。 0007 其进一步的技术方案为 ： 对于所述步骤 （2） ， 同时保存当前每条船的空闲状态。 0008 本发明的有益技术效果是 ： 本发明基于粒子群优化的实时智能调度算法是综合考虑车船资源、 藻水分离站余量、 工作人员等信息来进行实时智能指挥调度方案， 从而可以省时、 省力、 高效的进行调度各种 资源。当使用实时智能车船调度方案后， 可以充分提高工作效率， 缩短指令下发、 接收、 执 行时间 ； 合理利用目前有限的各种资源， 充分调动各方面人力、 物力资源， 避免工作不平衡 ； 合理。
13、调度车船、 分离站、 资源利用化基地的工作。 附图说明 0009 图 1 是本发明调度方案的流程图。 0010 图 2 是本发明调度方案一个具体实施例的示意图。 具体实施方式 说 明 书 CN 102254082 A CN 102254088 A3/6 页 5 0011 下面结合附图对本发明的具体实施方式做进一步说明。 0012 目前的车船上都安装有 GPS 终端设备， 所以可以通过 GPS 来对车船进行定位并且 取得其经纬度值 （a,b） 供使用， 将各船只的实际位置量化成经纬度坐标 （a,b） ， 代入到如下 目标函数 ： （1） 通过公式 （1） ， 计算出各船只相距目的地的最短路径 d。
14、i,j。 0013 然后综合以下制约条件， 经过 N 次迭代得出调度决策方案， 其中的制约条件包括 ： W ： 报警级别 ； 根据不同的季度月份进行划分。其中， 12 月为冬季安全期， 无车船调 度） 。见表 1 ： 表 1 S ： 藻情爆发指数 ； 一般根据情况进行划分， 可以分成一级、 二级、 三级不同级别， 每个 级别将影响最终调度方案的形成。见表 2 ： 表 2 A ： 区域级别划分 ； 由于不同的区域会产生地理环境差异， 蓝藻爆发程度也不同， 所以 打捞的临界状态也不同。包括重点区域、 正常区域、 轻度区域， 数字表示分别为 ： 1、 2、 3。见 表 3 ： 表 3 Y ： 车船类。
15、型 ； 整个系统中需要调度的资源， 包括打捞船 （Yd） 、 运输船 （Yy） 、 运输车 （Yc） ， 出动调度各种资源要通过不同的类型进行判断。 0014 本实施例中， 根据上述约束条件， 所调度的打捞船、 运输车、 运输船数量的约束条 件如下表 46 ： 表 4 说 明 书 CN 102254082 A CN 102254088 A4/6 页 6 表 5 表 6 将上述 4 种约束条件传入信息系统后， 系统会对这些信息进行综合判断， 当实时监控 系统监测到蓝藻发生， 就会触发调度事件， 将调度命令发送到 GPS 终端中， 从而实现实时智 能调度。 0015 如图 1 所示， 具体的算法步。
16、骤包括以下几步 ： 第一步 ： 得到相关具体参数， 如车船数量、 区域分布、 GPS 坐标数据等。其中粒子 ，分别表示此方案中打捞船、 运输车、 运输船的个数及 打捞点目的地。 0016 第二步 ： 根据上步得到的相关参数， 代入公式 （1） ， 将每条车船的位置到目的地的 距离计算出来， 并保存当前每条船的空闲状态等参数 （车船在工作 ： 参数为 1 ； 空闲 ： 参数为 0） 。 0017 第三步 ： 初始化算法的参数。 该粒子群算法的种群规模代表初始的调度方案个数， 算法的迭代次数代表在众多方案中搜索优化的次数， 主要跟车船的数量有关。 0018 对其他各个参数进行编码， 分别用 W/S。
17、/A/Y 等符号代表相关制约条件， 代入到算 法中进行计算。 0019 将其中超出车船资源的调度方案删除。 0020 第四步 ： 重新随机初始化一些调度方案 ； 进行第三步的计算。 0021 第五步 ： 根据算法进行迭代计算， 得到每个粒子的适应度， 此时适应度定义为成本 的倒数。 0022 第六步 ： 比较每个粒子的适应度， 保存所有粒子中适应度最高的粒子 （当前迭代中 说 明 书 CN 102254082 A CN 102254088 A5/6 页 7 调度方案最优的那个） ， 并且每个粒子也保存相对最优的适应度 （方案） 。 0023 第七步 ： 根据公式 （2） 来调整每个粒子的适应度。
18、， 也就是相当于调整当前调度方 案以使其更加接近于最优方案。 0024 （2） 第八步 ： 重复第二步到第七步的运算， 直到算法结束， 找到最优调度方案。 0025 蓝藻打捞自动调度是通过分析当前监测点的蓝藻爆发指数， 通过判断预先设定的 值， 当值超过一定的范围后， 自动整合当前可利用的资源， 如打捞船、 运输船、 藻水分离站等 信息进行综合判断， 计算出最合适的方式将蓝藻打捞命令发送到各终端上。安装有终端的 车船操作人员通过终端上的信息来进行打捞作业。 通过资源的合理调配， 实现高效率、 高质 量的蓝藻打捞处理。 0026 下面通过一个具体的例子来进行说明。 0027 如图 2 所示， 当。
19、 6、 7 两个监测点出现蓝藻报警， 两个点的级别都是绿色报警， 系统 首先计算各个船车的集结点位置， 发现集结点 1 的船只距事发点的距离最短， 判断当前空 闲船只量 ； 综合判断后得出从点 1 分别调一艘打捞船到 6、 7 点。当打捞结束后， 用运输船将 藻水运输到最近的藻水分离站 C ； 最后将处理的藻泥运送到最近的资源化利用基地。 0028 上述综合判断的计算过程如下 ： 6 点坐标 ：（a6,b6） =(120.207939, 31.529824) 7 点坐标 ： (a7,b7)=( 120.188713, 31.535384) 1 点坐标 ：（a1,b1） =(120.163651。
20、,31.527483) 0 点 （其他车船点） 坐标 ：（ao,bo） =(120.230942,31.503629) Wi=2， 代表橙色警报 Si=1， 代表绿色报警 Ai=2， 代表正常区域 约束条件计算过程伪代码如下 ： 因为 6， 7 为湖中打捞点 故无运输车参与打捞， 即 Xi2=0 当前季度 Wi=2 则所调船只 （0Xi1=3） (0Xi3=2) 若 （Si=1） 则 （0Xi12） (0Xi3=1) 若 （Ai=2） 则 （0Xi1,Xi32） 将坐标代入公式 （1） 得出各点距离 （单位 ： 公里） ： d1,6=24.4do,6=29.5 ； d1,7=18.6do,7=。
21、22.7 ； 通过图 1 的计算过程可得调度方案 ： 先初始化一些调度方案供搜索迭代使用 Xi =（2,1,4,6） 说 明 书 CN 102254082 A CN 102254088 A6/6 页 8 Xi+1 =（4,2,1,7） 计算出下一代的粒子情况 （方案） Xi+1 =（1,1,3,6） Xi+2 =（2,1,1,7） 上述初始化方案是针对全部方案来说的， 也就是说无论哪些方案都是以这些方案来进 行搜索、 进化、 选取得来的， 进化的过程才加入约束条件。 0029 粒子适应度 ： Pxi=1/(xi1+xi2+xi3) 计算 Px1=1/(x11+x22+x33)=1/(2+1+4。
22、)=1/7， 以此类推。 0030 得出 Px1=1/7Px1+1=1/5， 故 Xi+1 比 Xi 方案优秀。 0031 故留取方案 Xi+1， 进行下一次迭代。 0032 同理， 比较、 选取、 迭代其他粒子。 0033 最后， 根据粒子适应度选取当前迭代中的最优粒子， 该最优粒子即为调度方案。 0034 本实施例的最优调度方案为 ： X6=(1,0,1,6) ： 表示调度 1 条打捞船、 0 条运输车、 1 条运输船到目的地 6 ； X7=(1,0,1,7) ： 表示调度 1 条打捞船、 0 条运输车、 1 条运输船到目的地 7。 0035 以上所述的仅是本发明的优选实施方式， 本发明不限于以上实施例。 可以理解， 本 领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变 化， 均应认为包含在本发明的保护范围之内。 说 明 书 CN 102254082 A CN 102254088 A1/2 页 9 图 1 说 明 书 附 图 CN 102254082 A CN 102254088 A2/2 页 10 图 2 说 明 书 附 图 CN 102254082 A 。