面向抢险应急调度的最短路径寻优规划算法

李云锋， 郑勇平， 刘 洋

(1 武警警官学院, 成都 610213； 2 海军工程大学， 武汉 430033)

0 引 言

随着抢险应急管理能力的发展，对抢险应急调度的路径规划受到人们的关注，采用人工智能学习和自适应控制算法，进行抢险应急调度和规划设计，建立人工智能学习方法，进行抢险应急调度的路径规划设计，采用智能学习技术，结合人工智能的学习方法，提高抢险应急调度最短路径的自适应规划的人工智能控制能力[1]，相关的抢险应急调度最短路径寻优规划算法在抢险应急调度和管理中具有重要意义。对抢险应急调度最短路径寻优设计是建立在路径空间规划和信息融合基础上，结合抢险应急调度最短路径寻优规划设计，提高抢险应急能力[2]。本文提出基于粒子群算法的抢险应急调度最短路径寻优规划算法。采用粒子群寻优方法进行抢险应急调度区域的环境信息采样采用最短路径规划法进行抢险应急调度特征分析，分析车辆的运动惯性势能，采用粒子群算法进行抢险应急调度最短路径寻优规划过程中的自适应寻优，实现抢险应急调度最短路径寻优规划。最后进行仿真测试分析，得出有效性结论，展示了本文方法在提高抢险应急调度的最短路径寻优规划能力方面的优越性能。

1 抢险应急调度最短路径寻优规划的三维信息采样和寻优控制

1.1 抢险应急调度最短路径寻优规划的三维信息采样

为了实现基于粒子群算法的抢险应急调度最短路径寻优规划，进行抢险应急调度最短路径寻优规划的寻优控制，建立抢险应急调度的路网模型[3]，采用一个5元组表示抢险应急调度最短路径寻优规划的路网，即有向图中的一条边，如公式所示：

Edge={StartID,EndID,ca,xa,ta},

(1)

其中，ca表示抢险应急调度最短路径寻优规划的道路特性；xa表示抢险应急调度最短路径寻优规划过程中的车辆运行动态特性；Edge表示一条抢险应急调度的有向边；StartID表示抢险应急调度最短路径寻优规划的道路动态分布的ID；EndID表示有向边的终止结点的ID。根据抢险应急调度最短路径寻优规划的路网模型，进行道路环境信息采样，根据抢险应急调度的传感节点通信范围和相对距离关系完成抢险应急调度的信息聚簇处理，抢险应急调度最短路径的分布集中，用N表示抢险应急调度的节点个数，边的集合为：

E={e1,e2,e3，...，eM}，

(2)

根据节点在路段内不同调度通道，建立抢险应急调度最短路径寻优规划模型，空间规划函数为：

(3)

其中，J为调度通道的负载；t0a为修正自适应系数；ca为抢险应急调度的拥挤系数。采用二乘规划方法进行抢险应急调度和路径寻优，提高抢险应急调度最短路径寻优规划能力[4]。

1.2 抢险应急调度的寻优算法

建立抢险应急调度区域的路径空间区域自适应规划模型，采用模糊状态寻优控制方法进行抢险应急调度最短路径寻优规划和自适应调度，进行抢险应急调度最短路径寻优规划的信息融合[5]，抢险应急调度最短路径寻优规划的负载为：

(4)

式中，F(x)表示抢险应急调度最短路径寻优规划的模糊度函数，vi(x)为抢险应急调度最短路径空间分布函数，采用相似度信息寻优方法，进行抢险应急调度最短路径寻优规划，提高抢险应急调度最短路径寻优规划能力[6]，得到抢险应急调度最短路径寻优规划的物理信息融合参数为：

2JT(x)J(x)+2S(x)，

(5)

采用模糊信息聚类方法，进行抢险应急调度最短路径寻优规划，得到路径控制模型为：

l(vv)=l(av)+l(cv)+l(bv)，

(6)

统计第i个方案的调度指令，对抢险应急调度交通网络布局方案进行综合评价，得到节点va，vb和vc中的调度评价函数表示为：

l(va)=l(ba)+l(ca)，

(7)

l(vb)=l(ab)+l(cb)，

(8)

l(vc)=l(ac)+l(bc).

(9)

在许多不确定因素的影响下，采用模糊状态寻优控制方法进行抢险应急调度最短路径寻优规划，提高自适应调度能力。

2 抢险应急调度最短路径寻优规划

2.1 抢险应急调度最短路径规划的粒子群算法

采用模糊状态寻优控制方法进行抢险应急调度最短路径寻优规划过程中的并行调度，提取抢险应急调度最短路径寻优规划的信息素特征量，抢险应急调度最短路径规划的粒子群状态参数为T06，在路径分布坐标系下抢险应急调度最短路径规划的Hama寻优分布为Xi(t)=(xi1(t),xi2(t),…,xiD(t))，在并行寻优控制算法下，得到最短分布距离T0,U0,V0，在交通道路最短路径规划下进行抢险应急调度最短路径的输出避障控制，建立抢险应急调度最短路径的并行控制模型，得到蚁群的个体信息素为T16，模糊融合参数为p1=(p1x,p1y,p1z)T，以最短路径为寻优目标函数，进而得到抢险应急调度的模糊度信息量为T1,U1,V1，得到抢险应急调度最短路径的智能规划模糊参数为：

(10)

选择不同的指标权重，得到粒子群寻优参数xi,yi,zi,Ti,Ui,Vi(i=1,2,…,6)。根据模糊控制方法，进行粒子群寻优，得到粒子群控制方程：

(11)

式中,s表示抢险应急调度最短路径寻优的定位误差;c表示抢险应急调度最短路径规划的寻优参数;P0,P1,P2,…,Pn为粒子群变异系数；06T0,06T1,…,06Tn为应急调度的空间变化矩阵，得到优化的并行蚁群寻优函数为：

06T=01T12T23T34T45T56T.

(12)

求出抢险应急调度最短路径规划的寻优参数，结合模糊度寻优方法，进行抢险应急调度最短路径的智能规划设计[7]。

2.2 抢险应急调度最短路径寻优规划

采用粒子群算法进行抢险应急调度最短路径寻优规划，给定抢险应急调度最短路径的空间规划矩阵，得到路径规划的误差测量参数为：

(13)

采用自适应寻优方法，进行抢险应急调度最短路径寻优规划，得到n个决策变量构成的抢险应急调度最短路径寻优规划的模糊控制模型，表示为：

minF(x)=(f1(x),f2(x),...,fm(x))T,

s.t.gi≤0,i=1,2,...,q,

hj=0,j=1,2,...,p,

(14)

采用二乘规划方法进行抢险应急调度最短路径寻优，得到抢险应急调度最短路径规划相似度信息为：

(15)

构建抢险应急调度最短路径规划的测量模型，得到测量方程为：

(16)

建立抢险应急调度最短路径的最短寻优函数，表示为：

(17)

式中，τ为抢险应急调度最短路径寻优规划过过程中的位置信息；f为抢险应急调度最短路径分布的频率特征量；t为时间参数。综上分析，采用粒子群算法进行抢险应急调度最短路径寻优规划过程中的自适应寻优，实现抢险应急调度最短路径寻优规划优化设计[8]。

3 仿真实验与结果分析

为了测试本文方法在实现抢险应急调度最短路径寻优规划中的应用性能，进行仿真实验，实验建立在Matlab仿真平台基础上，抢险应急调度的空间分布节点数为80，最短响应时间14 s，指标权重为λ=(0.135, 0.132 2, 0.135 6, 0.154 6, 0.156 7, 0.143 4,0.156 4, 0.134 5)。抢险区域地图大小1 200×1 200像素，抢险应急调度的工作环境坐标如图1所示。

图1 抢险应急调度的工作环境坐标

Fig. 1 Working environment coordinates of emergency dispatch

在图1所示的环境中，进行抢险应急调度，得到寻优路径如图2所示。

图2 抢险应急调度寻优路径

根据图2所示的抢险应急调度寻优路径，进行抢险应急调度的寻优规划，得到优化规划模型如图3所示。

图3 抢险应急调度的优化规划结果

分析上述仿真结果得知，采用该方法进行抢险应急调度最短路径规划的寻优能力较好，提高了抢险应急调度响应能力。测试应急调度的响应时间，得到对比结果如图4所示，分析图4得知，本文方法进行应急调度的路径规划，有效缩短了响应时间。

图4 抢险应急调度的响应时间对比

4 结束语

本文提出基于粒子群算法的抢险应急调度最短路径寻优规划算法。采用粒子群寻优方法进行抢险应急调度区域的环境信息采样，对采集的抢险应急调度区域数据进行自适应寻优控制，建立抢险应急调度区域的路径空间区域自适应规划模型，采用模糊状态寻优控制方法进行抢险应急调度最短路径寻优规划和自适应调度，提取抢险应急调度最短路径寻优规划的信息素特征量，采用最短路径规划法进行抢险应急调度特征分析，分析车辆的运动惯性势能，采用粒子群算法进行抢险应急调度最短路径寻优规划过程中的自适应寻优，实现抢险应急调度最短路径寻优规划。分析得知，采用本文方法进行抢险应急调度最短路径规划的寻优能力较好，提高了抢险应急调度响应能力，执行时间开销较小。