[發(fā)明專利]基于先驗知識的自適應(yīng)差分進(jìn)化算法的多式聯(lián)運能耗優(yōu)化方法

在審

• 申請?zhí)枺?/td>: 201710532092.1
• 申請日: 2017-07-03
• 公開（公告）號: CN107403236A
• 公開（公告）日: 2017-11-28
• 發(fā)明（設(shè)計）人: 范勤勤;顧邦平;楊斌;張依戀
• 申請（專利權(quán)）人: 上海海事大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于先驗知識的自適應(yīng)差分進(jìn)化算法的多式聯(lián)運能耗優(yōu)化方法包括以下步驟：

(1)、基于先驗知識的自適應(yīng)差分進(jìn)化算法的設(shè)計；

(2)、利用基于先驗知識的自適應(yīng)差分進(jìn)化算法來對各載運工具的能耗模型參數(shù)進(jìn)行辨識；并使用相關(guān)系數(shù)來評判各個模型的精度；最后，根據(jù)各載運工具能耗模型，建立多式聯(lián)運能耗模型；

(3)、利用基于先驗知識的自適應(yīng)差分進(jìn)化算法來求解多式聯(lián)運能耗優(yōu)化問題。

2.如權(quán)利要求1所述的基于先驗知識的自適應(yīng)差分進(jìn)化算法的多式聯(lián)運能耗優(yōu)化方法，其特征在于：基于先驗知識的自適應(yīng)差分進(jìn)化算法的操作步驟如下：

(2.1)初始化：確定種群規(guī)模NP和最大的迭代代數(shù)G_max；在可行域P₀內(nèi)隨機(jī)生成一個初始種群P₁⁰；并且設(shè)定當(dāng)前的代數(shù)G＝0。

(2.2)變異操作：對于每個個體利用以下變異策略來對其進(jìn)行變異操作：

viG=xiG+Fi×(xpbestG-xiG)+Fi×(xr1G-xr2G),i=1,2,...NP---(1)]]>

式(1)中，表示從當(dāng)前的種群中隨機(jī)選擇最好的100p％個個體，p在(0,1]的區(qū)間內(nèi)。F_i表示變異控制參數(shù)，其范圍在[0,1]之間。r₁和r₂表示兩個隨機(jī)整數(shù)，其范圍在[1，NP]內(nèi)，并且r₁≠r₂。

(2.3)交叉操作：對于每個個體利用以下交叉策略來對其進(jìn)行交叉操作：

式(2)中，D表示優(yōu)化問題的維數(shù)；R_j和j_rand分別表示一個在[0，1]范圍內(nèi)的隨機(jī)數(shù)和一個在[1，D]內(nèi)的整數(shù)隨機(jī)數(shù)。CR為差分進(jìn)化算法的交叉率。

(2.4)控制參數(shù)的自適應(yīng)：控制參數(shù)F和CR的產(chǎn)生分為兩個階段：

如果G≤0.6*G_max，變異控制參數(shù)由柯西分布函數(shù)C(μ_F,0.1)產(chǎn)生，交叉控制參數(shù)則由正態(tài)分布函數(shù)N(μ_CR,0.1)產(chǎn)生。而μ_F和μ_CR更新如下：

μ_F＝(1-c)×μ_F+c×mean_L(S_F)(3)

μ_CR＝(1-c)×μ_CR+c×mean_A(S_CR)(4)

在式(3)和式(4)中，c＝0.1控制參數(shù)自適應(yīng)的速率；SF和SCR分別表示每一代中所有成功的F和CR的集合。mean_A和mean_L分別表示算術(shù)平均值和勒默平均值。

如果G>0.6*G_max，F(xiàn)和CR更新如下：

FiG+1=C(0.6-0.5×G-0.6×Gmax0.4×Gmax,0.6),---(5)]]>

CRiG+1=N(1-0.5×(1-G-0.6×Gmax0.4×Gmax),0.6),---(6)]]>

(2.5)選擇操作：試驗向量和目標(biāo)向量進(jìn)行比較，好的個體將會被選到下一代：

xiG+1=uiG,f(uiG)≤f(xiG)xiG,f(uiG)>f(xiG)---(7)]]>

(2.6)重復(fù)第(2.2)～(2.5)步，直到算法達(dá)到設(shè)定的停止條件為止。