基于动态遗传算法的平衡运输问题解决方法.pdf

《基于动态遗传算法的平衡运输问题解决方法.pdf》由会员分享，可在线阅读，更多相关《基于动态遗传算法的平衡运输问题解决方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910743305.4 (22)申请日 2019.08.13 (71)申请人 浙江工业大学 地址 310014 浙江省杭州市下城区朝晖六 区潮王路18号 (72)发明人 张贵军李远锋孙沪增胡俊 周晓根秦子豪 (74)专利代理机构 杭州斯可睿专利事务所有限 公司 33241 代理人 王利强 (51)Int.Cl. G06N 3/12(2006.01) G06Q 10/04(2012.01) G06Q 10/08(2012.01) (54)发明名称 一种基于动态遗传算法的平衡运。

2、输问题解 决方法 (57)摘要 一种基于动态遗传算法的平衡运输问题解 决方法， 首先， 设置参数； 2)通过ArcMap获得的地 图设置m个产地及n个销售地， 通过智能混合算法 计算费用成本矩阵； 初始化种群； 判断是否大于 迭代次数； 如果迭代次数不大于设定值， 则进入 循环， 否则结束程序； 判断是否大于交叉变异的 迭代次数， 如果大于迭代次数， 则继续执行； 如果 小于迭代次数， 退出循环； 交叉、 变异和选择， 将 结果以蒙特卡洛的方式接受。 本发明结合了 ArcMap， 基于矩阵分解， 提出了一种提升收敛性 和实时性较好的基于动态遗传算法的运输问题 解决方法。 权利要求书2页 说明书。

3、6页 附图3页 CN 110610239 A 2019.12.24 CN 110610239 A 1.一种基于动态遗传算法的平衡运输问题解决方法， 其特征在于： 所述基于动态遗传 算法的运输问题解决方法包括以下步骤： 1)设置参数： 种群规模NP、 迭代次数G、 产地数量m、 销售地数量n和适应度函数调整系数 ； 2)通过ArcMap获得的地图设置m个产地及n个销售地， 通过智能混合算法计算费用成本 矩阵C； 3)种群初始化， 迭代如下过程生成初始种群XX1,X2,.,XNP， 其中 4)设g1， 其中g1,2,.,G； 5)对种群中的个体随机两两配对， 组成NP/2个父本对； 对每对父本执行。

4、步骤6)至8)； 6)交叉操作， 过程如下： 6.1)假设和是两个随机选择的父代个体， 建立两个临时矩阵D (dij)mn和R(rij)mn， 其中mod是求余数； 6.2)将生成的R矩阵分解为和其中 RR1+R2 (3) 6.3)生成交叉个体和 7)对交叉个体和分别执行变异操作， 过程如下： 7.1)随机选择交叉个体的p行和q列， 建立子矩阵Y(yij)mn， 其中2pm， 2qn； 7.2)生成新的子矩阵Y (yij)pq， 该矩阵满足如下公式： 权利要求书 1/2 页 2 CN 110610239 A 2 7.3)将子矩阵Y (yij)pq替换交叉个体构建子矩阵相应位置的元素， 生成子代。

5、个体 和 8)选择操作， 过程如下： 8.1)设计适应度函数： 其中为调整系数； 8 .2 ) 分 别 计 算 父 代 个 体 X 1 、 X 2 和 子 代 个 体和的 适 应 度 f ( X 1 ) 、 8.3)若用替换X1进入种群； 否则按概率替换， 替换概率如下： 8.4)若用替换X2进入种群； 否则按概率替换， 替换概率如下： 9)迭代步骤6)至步骤8)， 直至所有父本对都执行完成； 10)gg+1； 若gG， 转至步骤5)步； 否则， 结束程序， 输出最优解。 权利要求书 2/2 页 3 CN 110610239 A 3 一种基于动态遗传算法的平衡运输问题解决方法 技术领域 000。

6、1 本发明涉及一种地理信息数据处理、 计算机应用领域、 地理学、 图论与网络分析， 尤其涉及一种基于动态遗传算法的运输问题解决方法。 技术背景 0002 一个物体从一个位置到另一个位置的转移就产生了运输。 对于运输问题的研究通 常用来解决运输问题中物资如何运输， 费用如何优化， 计划如何制定， 人员怎么安排等实际 问题。 特别是近年来物流的繁荣发展， 物流问题为解决现实问题提供了理论基础和现实意 义， 更对物流问题的解决提出了更高的要求。 如何科学有效的组织运输， 并且节约成本， 提 高运输质量， 实现效益等各个方面利益最大化， 对我国的国民和经济发展十分重要。 0003 对于运输本身而言， 。

7、一般情况下最关心的问题还是如何节约运输成本， 而现实中 的运输问题又不仅仅是最短路径那么简单， 通常费用的大小还和作业时间， 道路优异， 天气 好坏， 人工成本涨跌， 气候变化差异等等一系列相关， 这些都会多多少少影响着单位成本费 用。 而如何将各种复杂的现实场景抽象成数学模型， 并用合适的方法求解模型的最优解， 对 于运输问题是至关重要的。 0004 而运输问题随着维数的增加， 用传统的算法的时间复杂度和空间复杂度都会呈指 数增长， 这给问题的求解带了巨大的困难。 所以对于大规模运输问题， 通常采用智能算法解 决， 例如模拟退火， 蚁群算法， 禁忌搜索， 神经网络等。 发明内容 0005 为。

8、了克服现有运输问题解决方式的收敛性较差、 实时性较差的不足， 本发明对运 输问题做了研究， 用改进后的遗传算法对动态变化的运输费用问题进行求解。 将从ArcMap 平台获取费用矩阵采用遗传算法进行求解。 遗传算法中的变异采用动态变异率， 可以加速 算法收敛性。 对于变异产生的染色体采用蒙特卡洛接收的形式， 使算法避免陷入局部最优。 经过若干次迭代， 求出运输问题的解。 0006 本发明解决其技术问题所采用的技术方案是： 0007 一种基于动态遗传算法的平衡运输问题解决方法， 包括以下步骤： 0008 1)设置参数： 种群规模NP、 迭代次数G、 产地数量m、 销售地数量n和适应度函数调整 系数。

9、； 0009 2)通过ArcMap获得的地图设置m个产地及n个销售地， 通过智能混合算法计算费用 成本矩阵， C； 0010 3)种群初始化， 迭代如下过程生成初始种群XX1,X2,.,XNP， 其中 说明书 1/6 页 4 CN 110610239 A 4 0011 0012 4)设g1， 其中g1,2,.,G； 0013 5)对种群中的个体随机两两配对， 组成NP/2个父本对； 对每对父本执行步骤6)至 8)； 0014 6)交叉操作， 过程如下： 00156.1)假设和是两个随机选择的父代个体， 建立两个临时矩 阵D(dij)mn和R(rij)mn， 其中mod为求余数； 0016 00。

10、17 00186.2)将生成的R矩阵分解为和其中 0019 RR1+R2 (3) 0020 0021 00226.3)生成交叉个体和 0023 0024 00257)对交叉个体和分别执行变异操作， 过程如下： 0026 7.1)随机选择交叉个体的p行和q列， 建立子矩阵Y(yij)mn， 其中2pm， 2q n； 0027 7.2)生成新的子矩阵Y (yij)pq， 该矩阵满足如下公式： 0028 0029 0030 7.3)将子矩阵Y (yij)pq替换交叉个体构建子矩阵相应位置的元素， 生成子代 个体和 0031 8)选择操作， 过程如下： 0032 8.1)设计适应度函数： 说明书 2/。

11、6 页 5 CN 110610239 A 5 0033 0034 其中为调整系数； 00358 .2)分别计算父代个体X1、 X2和子代个体和的适应度f(X1)、 f(X2)、 00368.3)若用替换X1进入种群； 否则按概率替换， 替换概率如下： 0037 00388.4)若用替换X2进入种群； 否则按概率替换， 替换概率如下： 0039 0040 9)迭代步骤6)至步骤8)， 直至所有父本对都执行完成； 0041 10)gg+1； 若gG， 转至步骤5)步； 否则， 结束程序， 输出最优解。 0042 本发明的有益效果主要表现在： 一方面， 用不同于传统的线性规划的解法， 采用遗 传算法。

12、来解决运输问题； 另一方面采用了动态变异加上蒙特卡洛接收策略提升了算法的收 敛性。 附图说明 0043 图1是一种基于动态遗传算法的运输问题流程图。 0044 图2是一种基于动态遗传算法的运输问题解决方法的交叉过程流程图。 0045 图3是一种基于动态遗传算法的运输问题解决方法的变异过程流程图。 具体实施方式 0046 下面结合附图对本发明进一步描述。 0047 参照图1、 图2和图3， 一种基于动态遗传算法的运输问题解决方法， 包括以下步骤： 0048 1)设置参数： 种群规模NP、 迭代次数G、 产地数量m、 销售地数量n和适应度函数调整 系数； 0049 2)通过ArcMap获得的地图设。

13、置m个产地及n个销售地， 通过智能混合算法计算费用 成本矩阵C； 0050 3)种群初始化， 迭代如下过程生成初始种群XX1,X2,.,XNP， 其中 0051 0052 4)设g1， 其中g1,2,.,G； 0053 5)对种群中的个体随机两两配对， 组成NP/2个父本对； 对每对父本执行步骤6)至 8)； 说明书 3/6 页 6 CN 110610239 A 6 0054 6)交叉操作， 过程如下： 00556.1)假设和是两个随机选择的父代个体， 建立两个临时矩 阵D(dij)mn和R(rij)mn， 其中mod是求余数 0056 0057 00586.2)将生成的R矩阵分解为和其中 0。

14、059 RR1+R2 (3) 0060 0061 00626.3)生成交叉个体和 0063 0064 00657)对交叉个体和分别执行变异操作， 过程如下： 0066 7.1)随机选择交叉个体的p行和q列， 建立子矩阵Y(yij)mn， 其中2pm， 2q n； 0067 7.2)生成新的子矩阵Y (yij)pq， 该矩阵满足如下公式： 0068 0069 0070 7.3)将子矩阵Y (yij)pq替换交叉个体构建子矩阵相应位置的元素， 生成子代 个体和 0071 8)选择操作， 过程如下： 0072 8.1)设计适应度函数： 0073 0074 其中为调整系数； 00758 .2)分别计算。

15、父代个体X1、 X2和子代个体和的适应度f(X1)、 f(X2)、 00768.3)若用替换X1进入种群； 否则按概率替换， 替换概率如下： 0077 说明书 4/6 页 7 CN 110610239 A 7 00788.4)若用替换X2进入种群； 否则按概率替换， 替换概率如下： 0079 0080 9)迭代步骤6)至步骤8)， 直至所有父本对都执行完成； 0081 10)gg+1； 若gG， 转至步骤5)步； 否则， 结束程序， 输出最优解。 0082 以浙江某地区为例， 一种基于动态遗传算法的运输问题解决方法步骤如下： 0083 1)设置参数： 种群规模NP20、 迭代次数G5000、 。

16、产地数量m5、 销售地数量n 8、 适应度函数调整系数144； 0084 2)通过ArcMap获得的地图设置5个产地及8个销售地， 通过智能混合算法计算费用 成本矩阵C； 0085 3)种群初始化， 迭代如下过程生成初始种群XX1,X2,.,X20， 其中 0086 0087 4)设g1， 其中g1,2,.,5000； 0088 5)对种群中的个体随机两两配对， 组成10个父本对； 对每对父本执行步骤6)至8)； 0089 6)交叉操作， 过程如下： 00906.1)假设和是两个随机选择的父代个体， 建立两个临时矩 阵D(dij)58和R(rij)58， 其中mod是求余数 0091 0092。

17、 00936.2)将生成的R矩阵分解为和其中 0094 RR1+R2 (3) 0095 0096 00976.3)生成交叉个体和 0098 0099 01007)对交叉个体和分别执行变异操作， 过程如下： 0101 7.1)随机选择交叉个体的p行和q列， 建立子矩阵Y(yij)pq， 其中2p5， 2q 8； 说明书 5/6 页 8 CN 110610239 A 8 0102 7.2)生成新的子矩阵Y (yij)pq， 该矩阵满足如下公式： 0103 0104 0105 7.3)将子矩阵Y (yij)pq替换交叉个体构建子矩阵相应位置的元素， 生成子代 个体和 0106 8)选择操作， 过程如。

18、下： 0107 8.1)设计适应度函数： 0108 0109 其中144为调整系数； 01108 .2)分别计算父代个体X1、 X2和子代个体和的适应度f(X1)、 f(X2)、 01118.3)若用替换X1进入种群； 否则按概率替换， 替换概率如下： 0112 01138.4)若用替换X2进入种群； 否则按概率替换， 替换概率如下： 0114 0115 9)迭代步骤6)至步骤8)， 直至所有父本对都执行完成； 0116 10)gg+1； 若g5000， 转至步骤5)步； 否则， 结束程序， 输出最优解。 0117 以上阐述的是本发明给出的一个实施例表现出来的优良效果， 显然本发明不仅适 合上述实施例， 在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可 对其做种种变化加以实施。 说明书 6/6 页 9 CN 110610239 A 9 图1 说明书附图 1/3 页 10 CN 110610239 A 10 图2 说明书附图 2/3 页 11 CN 110610239 A 11 图3 说明书附图 3/3 页 12 CN 110610239 A 12 。