一種多目標優化的軍事運輸過程的優化調度方法

2023-09-20 21:33:45 1

一種多目標優化的軍事運輸過程的優化調度方法
【專利摘要】本發明涉及一種多目標優化的軍事運輸過程的優化調度方法，屬於車輛調度智能優化調度【技術領域】。本發明通過確定多目標優化的軍事運輸過程的調度模型和優化目標，並使用基於量子種群增量學習算法的優化調度方法對優化目標進行優化。本發明提出了多目標優化的軍事車輛優化調度過程的調度模型和優化目標，結構清晰準確；採用根據算法步驟得到當前種群的「最優個體」並將「最優個體」信息反饋到量子位觀測模型用於更新下一代種群，能夠有效的引導算法進行全局搜索；對種群「最優個體」、執行「Ejection Pool」和「Operate Assemble」操作使得算法的局部開發能力得到顯著提高，進一步提升解的質量。
【專利說明】-種多目標優化的軍事運輸過程的優化調度方法

【技術領域】
[0001] 本發明設及一種多目標優化的軍事運輸過程的優化調度方法，屬於車輛調度智能 優化調度【技術領域】。

【背景技術】
[0002] 所謂"兵馬未動，糧草先行"，自古至今軍事運輸在戰爭中都起著至關重要的作用。 依靠現代化運輸設備，將大量作戰人員、物資和裝備通過陸運、水運、空運等運輸手段向作 戰地集結，快速形成戰鬥力。軍事運輸能力是大國國力的象徵，也是震懾周邊不安因素的絕 對力量。在現代化戰爭環境中，如何利用現有條件最大化實現軍力調動是戰爭取勝的關鍵。 自20世紀90年代起，歐美各國已開始研究現代化戰時軍事運輸問題，如何提高軍事運輸各 個環節的效率，是提高軍隊現代化建設和提高軍隊戰鬥力的關鍵。
[0003] 在整個軍事運輸過程中，如何利用有限條件實現最大化配送，並滿足不同部隊的 各自需求，在指定的時間內將物資送到。具體來說，即有一個後勤中屯、，需要通過多輛車輛 向分布在不同陣地的一線部隊配送戰備物資，為保持一線部隊的戰鬥力，配送車輛必須在 一定的時間窗內配送到指定地點，否則該部隊由於物資匿乏，將實行戰略轉移即配送任務 失敗。軍事運輸過程屬於一類複雜的車輛路徑優化調度過程，由於每輛車都的最大載重相 同，每個部隊都有一定的卸貨時間，學術界定義該類車輛路徑優化問題為帶硬時間窗的車 輛優化調度問題（VRPHTW)，也已經證明VRPHTW屬於NP難範疇，即無法在多項式時間內求得 其精確解。對該問題進行合理的調度，可明顯提高軍事運輸的效率。
[0004] 由於多目標優化的軍事運輸過程調度問題屬於NP難，傳統的數學規劃方法只能 求解小規模問題，而啟發式構造性方法優化質量較差。因此，本發明設計一種基於量子種群 增量學習算法的優化調度方法，可在較短時間內獲得多目標優化的軍事運輸過程的優化調 度問題的優異解（近似最優解）。


【發明內容】

[0005] 本發明所要解決的技術問題是在較短時間內獲得多目標優化的軍事運輸過程優 化調度問題的優異解的問題，提供了一種多目標優化的軍事運輸過程的優化調度方法。
[0006] 本發明的技術方案是；一種多目標優化的軍事運輸過程的優化調度方法，通過確 定多目標優化的軍事運輸過程的調度模型和優化目標，並使用基於量子種群增量學習算法 的優化調度方法對優化目標進行優化；其中調度模型根據每輛車對其任務內配送目的地的 行駛裡程及時間窗約束而建立，同時第一優化目標為最小化配送車輛數

【權利要求】
1. 一種多目標優化的軍事運輸過程的優化調度方法，其特徵在於：通過確定多目標優 化的軍事運輸過程的調度模型和優化目標，並使用基於量子種群增量學習算法的優化調度 方法對優化目標進行優化；其中調度模型根據每輛車對其任務內配送目的地的行駛裡程及
式中：K= {1，2, --?，》}為配送車輛集合；N= {1，2, --?，]!}為配送目的地集合；V= {〇，N}為後勤中心和所有配送目的地的集合，V=O表示後勤中心，V辛O表示配送目的地； Vk為車輛k訪問包含後勤中心和配送目的地的集合；du為各配送目的地點間的距離，d 0, (Iii =O0，i,jGV;Capacity為車輛最大載重限制；qi,iGV為各配送目的地的需求量； ?4表示車輛k服務目的地i以後是否服務目的地j，# = 1為服務，# = 0為不服務；_>，f表 示目的地i是否被車輛k服務，= 1:為被服務，= 0為不被服務；[li(l，Iil]為配送目的 地的時間窗限制，Iitl為配送目的地i允許的最早開始服務時刻，In為配送目的地i的最遲 開始服務時刻，SiS目的地i的開始服務時刻。
2. 根據權利要求1所述的多目標優化的軍事運輸過程的優化調度方法，其特徵在於： 基於量子種群增量學習的優化調度方法的具體步驟如下： Stepl、編碼方式：採取基於量子位觀測模型實現標準二維01觀測矩陣，通過01觀測矩 陣解碼得到十進位編碼的目的地配送關係排序； St印2、種群生成：生成初始量子位觀測模型e\取/?(坪m> =l) =V^/2 (I<i，j<N)，通過公式（11)選擇轉移到目的地j，直至初始解的數量達到種群規模的要 求，其中種群規模為P;
式中，r為在[0，1]上服從均勻分布的隨機變量，r(l為控制選擇目的地j方式的參數且O彡r。彡I;TIj=l/((sj-l_time) (bj-l_time))為時間窗相關緊度，Sj=Max(a_time,Ij0) 為目的地j開始服務時刻，l_time為離開目的地i的時刻，h為目的地j的時間窗關閉時 亥lj，a_time為車輛到達目的地j的時刻，1#為目的地j的時間窗開啟時刻；表示 中第i(1彡i彡n)列選擇目的地j(1彡j彡n)的概率，0 為種群中第gene代的2維 量子位觀測模型0 1(nXn);為車輛k從目的地i出發可以訪問的所有目的地j，其中j 為未配送的目的地且不為後勤中心，同時車輛k服務j不違反式（4)和式（8)的約束條件 的集合； Step3、選擇當代種群中最優個體進行局部搜索：選擇所有個體中最小的一個個體作 為當代種群最優個體若存在多個相同的個體，則選擇這些個體中f2最小的一個 個體為; Step4、基於"EjectionPool"進行配送車輛優化：基於"EjectionPool"隨機選擇解 中第k'輛車的服務目的地送入EP，並刪除第k'輛車內的服務目的地得到 ，然後將EP內的目的地依次插入解1中的各個車輛中，若EP中的目的地 在不違反式（4)和式（8)約束條件的前提下，全部成功插入可行路徑，則f1=f\-l並更新 C-=〇_'，反之心和Cw保持不變； Step5、基於"OperateAssemble" 進行配送裡程優化'OperateAssemble" 的優 化操作方式包含3種路徑內操作" 2-opt"、" 2-swap"、"inherent-insert"和3種路徑 間操作"2-叩#"、"〇1-叩丨"、"&(^ 〇%"；每次迭代分別隨機選取路徑內和路徑間的一種 操作方式進行裡程優化，直至配送裡程不再減小，得到f2'和^若f2>f2'，則^opto，= '，反之則不變； Step6、量子位觀測模型更新：採用量子門旋轉操作更新量子位觀測模型，量子門的初 始角為〇. 05 ，將每次迭代產生種群信息反饋到量子位觀測模型上，直接影響下一代種群 的產生； Step7、終止條件：設定終止條件的最大迭代數為200,如果滿足，則輸出"最優個體";否 則轉至步驟St印2,反覆迭代，直到滿足終止條件。
3.根據權利要求1或2所述的多目標優化的軍事運輸過程的優化調度方法，其特徵在 於：所述種群規模P為20。
【文檔編號】G06Q50/30GK104504453SQ201410668324
【公開日】2015年4月8日 申請日期:2014年11月20日 優先權日:2014年11月20日
【發明者】胡蓉, 曹高立, 錢斌 申請人:昆明理工大學