一种基于改进遗传算法的大件运输监测点布设系统技术方案

本发明专利技术公开了一种基于改进遗传算法的大件运输监测点布设系统，包括以下模块：构造大件运输路线数据库；根据用户需求定义监测点位的数量和位置；初始化模型参数；对染色体进行编码，生成初始化种群；通过适应度函数计算初始化种群的适应度，并且筛选出最好的个体；利用轮盘赌算法筛选进化的个体；通过交叉互换和变异操作生成新的染色体，计算新染色体的适应度；用适应度值更佳的个体替换被选中的个体；循环执行进化操作，直至达到算法最大迭代次数；解码最终生成的种群中的最佳染色体个体，生成最终的大件运输全覆盖监测布设点位方案。本发明专利技术在实现大件运输全覆盖监测布设的同时，大大降低了模型的时间复杂度和空间复杂度，提高了模型的效率。高了模型的效率。高了模型的效率。

【技术实现步骤摘要】
一种基于改进遗传算法的大件运输监测点布设系统


[0001]本专利技术属于智能路线规划
，具体涉及一种基于改进遗传算法的大件运输监测点布设系统。

技术介绍

[0002]公路大件运输已成为影响公路交通安全的重要因素之一，由于大件运输车辆载重大、负荷重，在通过公路桥梁或者技术状况较差的公路路段时，容易导致路基路面塌陷，造成交通事故。山西、河北等地区已陆续推出了大件运输管理系统，对全省的大件运输车辆安全进行核算检验。当前大件运输管理系统主要对车辆负荷提前进行核验，进而规划出符合安全通行条件的大件运输线路，但系统无法实时监测大件运输车辆是否按照规定路线行驶。若大件运输车辆并未按照实际规划路线通行，高负载的通行会大大缩短在役公路基础设施的服役能力，甚至造成交通隐患。为监测大件运输车辆是否按照规定路线行驶，因此需要一种大件运输监测点布设方法，筛选出大件运输车辆通行频率较高的关键路段，并在关键路段布设监测点，通过有限的监测设备尽可能监测到所有通行的大件运输车辆。
[0003]监测点布设方案规划主要分人工规划和算法规划两种途径。人工规划指用户根据经验从通行频率较高的路段中筛选一定数量的路段，在其布设监测点，但是此种方法效率较低，且要求用户经验丰富，才能做出较为准确的判断。算法规划多采用精确算法或者启发式算法求解最优的布设方案，传统的精确算法主要通过遍历每种方案求解出最佳方案，但是此种暴力求解方法往往会带来巨大的时间复杂度和空间复杂度。启发式算法主要包括粒子群算法和遗传算法等，此类算法计算速度相对较快，能够在一定的迭代次数下获取较好的解，但是当数据量较大时，算法也会陷入计算量大、收敛速度慢等问题。在获取较优解的同时提升模型的计算效率是本专利技术的重点研究内容。

技术实现思路

[0004]本专利技术目的是提供一种基于改进遗传算法的大件运输全覆盖监测布设点位优化系统，基于大件运输行驶路线数据，构建监测点自动规划算法模型，根据用户需求，推荐合理的大件运输监测点位置；同时降低模型的复杂度，提高模型计算效率。
[0005]本专利技术的技术方案是：
[0006]一种基于改进遗传算法的大件运输监测点布设系统，包括以下模块：
[0007]构建大件运输路线数据库；
[0008]根据用户需求确定所需布设的监测点数量和部分监测点位置或不指定监测点位置
[0009]将路段数据编码，初始化第一代种群；
[0010]根据适应度函数计算种群中每个个体的适应度；
[0011]随机从种群中筛选出个体，不断迭代生成最佳监测点布设方案，
[0012]所述的不断迭代生成最佳监测点布设方案，包括：
[0013]判断是否达到迭代次数，若达到迭代次数，则对最终生成的编码结果进行解码，算法迭代结束，解码生成最终的监测点布设方案，否则算法继续迭代；
[0014]使用轮盘赌算法从当前代所有个体中随机选取两个个体；
[0015]以一定的概率对筛选出的个体进行交叉互换操作；
[0016]继续使用轮盘赌算法从当前代所有个体中随机选取两个个体；
[0017]以一定的概率对筛选出的个体进行变异操作；
[0018]计算新生成的个体的适应度，用适应度值好的个体替换种群中适应度值差的个体。
[0019]进一步地，所述的构建大件运输路线数据库模块收集所有历史大件运输路线数据，对收集的数据进行数据预处理，和将处理后的数据存入关系型数据库，所述历史大件运输路线数据包括：大件运输事件的开始时间、结束时间、路线起点、路线终点、途经路段、车型、车辆载重信息。
[0020]进一步地，所述将路段数据编码，初始化第一代种群模块操作之前，定义种群规模、染色体长度、编码方式、迭代次数、交叉概率、变异概率。
[0021]进一步地，所述根据适应度函数计算种群中每个个体的适应度模块根据每个个体的编码结果统计该方案能够监测的大件运输路线数量；根据适应度函数计算个体适应度，适应度函数计算公式为：
[0022][0023]其中，i表示某个大件运输路线，n表示所有大件运输路线总数。x
i
为0/1变量，表示第i个大件运输路线是否被监测到，若被监测到则x
i
为1，否则x
i
为0。
[0024]进一步地，所述的以一定的概率对筛选出的个体进行交叉互换操作模块随机生成两个交叉点，交叉点位置应在染色体长度范围内；将两个染色体对应的两个交叉点之间的基因进行交叉互换，判断交叉互换后的染色体是否满足约束条件，若不满足，重新生成交叉点位置后重复上述交叉互换相关步骤。
[0025]进一步地，所述的以一定的概率对筛选出的个体进行变异操作模块随机生成两个变异点，变异点位置应该在染色体长度范围内；将两个染色体对应的两个变异点的基因进行变异操作，判断变异后的染色体是否满足约束条件，若不满足，重新生成变异点位置后重复上述变异相关步骤。
[0026]进一步地，所述判断新生成的个体是否满足约束条件操作，包含以下步骤：
[0027]解码个体，生成对应的路段；
[0028]统计所有路段中布设监测点的路段数量，若总数量等于用户确定的监测点数量，则满足约束条件，否则不满足约束条件。
[0029]本专利技术的有益效果是：
[0030]本专利技术构建了大件运输路线数据库，可以对大件运输路线从不同维度进行管理统计；基于改进遗传算法确定了大件运输监测点位布设方案，可以为用户提供合理的大件运输监测点布设方案，避免了传统算法暴力求解的时间复杂度和空间复杂度问题，降低了计算资源消耗，大大提升了模型计算效率。
附图说明
[0031]图1为基于改进遗传算法的大件运输监测布设点位优化方法流程图；
[0032]图2为大件运输路线数据库；
[0033]图3为交叉互换操作示意图；
[0034]图4为变异操作示意图；
[0035]图5为改进遗传算法适应度曲线图；
[0036]图6为传统遗传算法适应度曲线图；
[0037]图7是基于改进遗传算法的大件运输监测布设点位优化系统的操作流程图。
具体实施方式
[0038]本专利技术提供了一种基于改进遗传算法的大件运输监测点布设系统，可应用于大件运输车辆的行驶路线监控等领域。系统主要包括以下模块：构造大件运输路线数据库；根据用户需求定义监测点位的数量和位置；初始化模型参数，主要包括定义种群规模、染色体长度、编码方式、迭代次数、交叉概率、变异概率；对染色体进行编码，生成初始化种群；通过适应度函数计算初始化种群的适应度，并且筛选出最好的个体；利用轮盘赌算法筛选进化的个体；通过交叉互换和变异操作不断生成新的染色体，计算新的染色体的适应度；通过精英保留策略，用适应度值更佳的个体替换被选中的个体，更新种群中的个体和种群中的最佳个体；循环执行进化操作，直至达到算法最大迭代次数；解码最终生成的种群中的最佳染色体个体，生成最终的大件运输全覆盖监测布设点位方案。本专利技术在实现大件运输全覆盖监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进遗传算法的大件运输监测点布设系统，其特征在于，包括以下模块：构建大件运输路线数据库；根据用户需求确定所需布设的监测点数量和部分监测点位置或不指定监测点位置将路段数据编码，初始化第一代种群；根据适应度函数计算种群中每个个体的适应度；随机从种群中筛选出个体，不断迭代生成最佳监测点布设方案，所述的不断迭代生成最佳监测点布设方案，包括：判断是否达到迭代次数，若达到迭代次数，则对最终生成的编码结果进行解码，算法迭代结束，解码生成最终的监测点布设方案，否则算法继续迭代；使用轮盘赌算法从当前代所有个体中随机选取两个个体；以一定的概率对筛选出的个体进行交叉互换操作；继续使用轮盘赌算法从当前代所有个体中随机选取两个个体；以一定的概率对筛选出的个体进行变异操作；计算新生成的个体的适应度，用适应度值好的个体替换种群中适应度值差的个体。2.根据权利要求1所述的基于改进遗传算法的大件运输监测点布设系统，其特征在于，所述的构建大件运输路线数据库模块收集所有历史大件运输路线数据，对收集的数据进行数据预处理，和将处理后的数据存入关系型数据库，所述历史大件运输路线数据包括：大件运输事件的开始时间、结束时间、路线起点、路线终点、途经路段、车型、车辆载重信息。3.根据权利要求1所述的基于改进遗传算法的大件运输监测点布设系统，其特征在于，所述将路段数据编码，初始化第一代种群模块操作之前，定义种群规模、染色体长度、编码方式、迭代次数、交叉概率、变异概率。4.根据权利要求1所述的基于改进遗传算法的大件运输监测点布设系统，其特征在于，所...

【专利技术属性】
技术研发人员：郝艳军，谢立安，姚广，杨喜英，孟利强，吕永萍，付玉强，杨睿之，高浩，孙恒，何鑫，贺炜，吴森，
申请(专利权)人：山西省智慧交通研究院有限公司，
类型：发明
国别省市：