[发明专利]一种灾害应急决策系统路径优化的方法

说明书

【技术领域】

本发明涉及人工智能算法技术领域，特别是涉及一种灾害应急决策系统路径优化的方法。

【背景技术】

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，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。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技术领域亟待解决的问题。

【发明内容】

本发明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。

本发明采用如下技术方案：

一种灾害应急决策系统路径优化的方法，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f_R=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F_R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F_R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F_R输出最好解。

进一步地，所述方法还包括：