[发明专利]基于K-Means聚类和遗传算法对运输问题的优化解决方法

说明书

本发明提供了基于K‑Means聚类和遗传算法对运输问题的优化解决方法，该基于K‑Means聚类和遗传算法对运输问题的优化解决方法包括如下步骤:S1:设置参数:聚类中心种群规模N、迭代次数T、生产地数量m、销售地数量n；S2:首先通过ArcGIS Pro平台获得的地图设置m个生产地及n个销售地，利用K‑Means对销售地进行聚类；S3:初始化种群，通过智能混合算法计算费用成本矩阵C；S4:设迭代次数；S5:对种群中的个体随机成双配对，组成N/2个父本对；S6:交叉操作。本发明不同于传统的线性规划的解法，采用了K‑Means算法对数据进行聚类，K‑Means算法能够处理图像和文本特征，具有较高的稳定性和伸缩性，能够处理数值形式的数据集，聚类效果好。

技术领域

本发明涉及涉及计算机数据信息处理、地理信息系统、网络数据分析和图论技术领域，尤其是涉及基于K-Means聚类和遗传算法对运输问题的优化解决方法装置。

背景技术

近年来互联网的快速发展也逐渐带动了物流运输产业的繁荣发展，如何调配运输线路，使得完成运输任务的同时，运输成本达到最低，时间效率达到最高，运输寻优问题是人们在生产生活中不免会遇到的问题。因此，如何优化物流的运输系统和运输模式，使运输过程更加科学高效，求得使运输最优的解决方案，能够使得运输双方达到合作共赢的效果，显然对节约成本、提高效率、实现效益、促进运输业发展，同时对我国的国民和经济发展具有重要的现实意义。

运输问题作为一类特殊的线性规划问题，运用范围也极其广泛，然而传统的运输寻优方法冗杂、繁琐，并且会随着维数的增加，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。例如传统上的表上作业法，求解过程比较繁琐，并且是建立在以产销平衡运输问题为前提的。但是现实生活中运输问题往往会受到诸多因素影响。运输寻优问题不仅仅与成本路线有关，同时和工作生产的时间、天气原因、气候变化、道路好坏等人为客观因素有关。而如何将各种复杂多变的现实运输场景转化为抽象的数学模型，并寻找最优的解决方案，是人们迫切需要解决的问题。

本发明通过分析常见的现实运输问题，运用K-Means算法，并结合改进后的动态遗传算法对运输问题进行两阶段处理。采用聚类、种群初始化、交叉、变异等一系列步骤来寻找运输优化方案。将从ArcGISPro平台获取费用矩阵采用遗传算法进行求解，遗传算法中的变异运用动态变异率，以加速算法收敛性。对于变异产生的染色体采用MC接受的形式，避免使算法陷入局部最优。经过K-Means聚类算法进行若干次迭代，从而计算出运输问题的优化解决方法。

为此，提出基于K-Means聚类和遗传算法对运输问题的优化解决方法。

发明内容

本发明的第一目的在于提供基于K-Means聚类和遗传算法对运输问题的优化解决方法，通过分析常见的现实运输问题，运用K-Means算法，并结合改进后的动态遗传算法对运输问题进行两阶段处理，采用聚类、种群初始化、交叉、变异等一系列步骤来寻找运输优化方案，将从ArcGISPro平台获取费用矩阵采用遗传算法进行求解，遗传算法中的变异运用动态变异率，以加速算法收敛性，对于变异产生的染色体采用MC接受的形式，避免使算法陷入局部最优，经过K-Means聚类算法进行若干次迭代，从而计算出运输问题的优化解决方法，以解决上述背景技术中提出的问题。

本发明提供基于K-Means聚类和遗传算法对运输问题的优化解决方法，该基于K-Means聚类和遗传算法对运输问题的优化解决方法包括如下步骤:

S1:设置参数:聚类中心种群规模N、迭代次数T、生产地数量m、销售地数量n；

S2:首先通过ArcGISPro平台获得的地图设置m个生产地及n个销售地，利用K-Means对销售地进行聚类；

K-Means聚类算法描述如下：

2.1)选择一些类或组，初始化各自的中心点，即随机选择K个聚类中心；