【技术实现步骤摘要】
本专利技术涉及应急救援，尤其涉及一种基于混合蚁群优化的应急救援方法及系统。
技术介绍
1、在突发事件，如自然灾害等发生后，快速且有效的应急救援对伤员的生存率具有至关重要的影响。这类突发事件往往伴随着复杂多变的救援环境，包括伤员分布散乱、道路状况复杂、救援资源有限等多重挑战。
2、传统的应急救援策略主要依赖于人工经验和预设的规则进行救援车辆的调度。然而，这种方法在面对复杂的救援环境时，往往难以迅速做出全局最佳的决策，导致救援效率低下，伤员的生存率难以最大化。
3、为了提升应急救援的效果，研究者们开始探索利用优化算法来辅助或替代传统的调度方法。蚁群算法作为一种基于仿生学的优化算法，因其鲁棒性好、收敛速度快等特点，被广泛应用于解决复杂的组合优化问题。在应急救援领域，蚁群算法可以模拟蚂蚁觅食过程中的信息素传递机制，通过不断迭代更新信息素矩阵，从而找到最优的救援路径。
4、然而，传统的蚁群算法也存在一些不足。首先，算法的参数设置，如蚂蚁的数量、信息素挥发因子等，往往依赖于人工经验，选取难度较大。不恰当的参数设置可能导致算法性能不佳，甚至无法找到最优解。其次，传统蚁群算法的全局寻优能力略差，容易陷入局部最优解，这在应急救援领域是极为不利的，因为错过最佳救援时机可能导致伤员生存率的显著下降。
5、因此，如何结合应急救援领域的实际需求，对传统蚁群算法进行改进和优化，成为了一个亟待解决的问题。
技术实现思路
1、为此，本专利技术实施例提供了一种基于混合
2、为了解决上述问题，本专利技术实施例提供一种基于混合蚁群优化的应急救援方法，该方法包括：
3、步骤s1：采集关键数据，包括伤员位置、伤员生存概率随时间变化的真实数据、救援车辆位置及医院位置，并根据采集的关键数据初始化蚁群，包括设置蚂蚁的数量、初始信息素矩阵、启发因子和挥发因子；
4、步骤s2：基于伤员生存概率随时间变化的真实数据设定伤员生存概率函数，并构建信息素矩阵，其中所述信息素矩阵用于记录路径上的信息素浓度；
5、步骤s3：根据信息素浓度和启发式信息，以一定概率选择下一个救援目标；
6、步骤s4：每只蚂蚁完成路径选择后，计算其所选择路径上所有伤员的总生存概率；
7、步骤s5：根据路径的总生存概率更新信息素矩阵；
8、步骤s6：返回步骤s3，直到达到预设的迭代次数或满足终止条件；
9、步骤s7：在迭代优化完成后，输出具有最高总生存概率的救援路径作为最优救援顺序。
10、优选地，所述启发式信息与伤员之间的距离成反比，表示为：
11、
12、式中，ηij表示伤员i到伤员j之间的启发式信息，dij表示伤员i到伤员j之间的距离。
13、优选地，所述根据信息素浓度和启发式信息，以一定概率选择下一个救援目标，其中选择概率的计算公式为：
14、
15、式中，pij表示在伤员i位置处选择伤员j作为下一个救援目标的概率；α和β分别表示信息素重要性因子和启发信息重要性因子；tij表示从伤员i到伤员j的救援路径的信息素浓度，是信息素矩阵t中矩阵元素；allowed表示当前蚂蚁可选择的救援目标集合，即在当前状态下，蚂蚁可以选择前往的伤员位置的集合；k是一个索引变量。
16、优选地，所述信息素重要性因子α和启发信息重要性因子β由粒子群算法确定，所述粒子群算法的目标函数是伤员总生存率，所述粒子群算法中的粒子的位置按照以下公式进行更新：
17、
18、式中，下标i表示第i个粒子；上标t表示在第t次迭代；x表示粒子的位置，v表示粒子的速度矢量；c1为个体学习因子，它决定了粒子在更新其速度时，对于个体最佳解pbest的重视程度；c2为群体学习因子，它决定了粒子在更新其速度时，对于全局最佳解gbest的重视程度；r1和r2是区间[0-1]的随机数。
19、优选地，所述计算其所选择路径上所有伤员的总生存概率的方法为：
20、
21、式中，s为总生存概率，ti表示伤员i被救援的时间，即第i个伤员从受伤到被救援所经过的时间；p(ti)表示伤员i在时间ti被救援的生存概率；k表示路径上伤员的总数，即路径{n1,n2,...,nk}中伤员的个数；表示对路径上的所有伤员进行求和。
22、优选地，所述根据路径的总生存概率更新信息素矩阵的方法包括：
23、信息素矩阵更新包括挥发和增加两个过程，其中挥发过程按照预设的挥发因子减小信息素浓度：
24、tij′＝(1-ρ)tij；
25、式中，tij′为更新后的信息素浓度，tij为信息素浓度，ρ为挥发因子；
26、增加过程根据路径的总生存概率增加信息素浓度：
27、tij′＝tij+δtij；
28、式中，δtij表示路径上蚂蚁贡献的信息素增量，与路径总生存概率成正比。
29、优选地，所述方法还包括：在迭代优化过程中，引入3-opt算法以避免陷入局部最优解，其中所述3-opt算法通过选择路径中的三条边进行重新连接，尝试形成新的路径，并计算新路径的伤员总生存率；如果新路径的伤员总生存概率更高，则接受这个新路径作为当前最优路径。
30、本专利技术实施例还提供了一种基于混合蚁群优化的应急救援系统，该系统用于实现上述所述的基于混合蚁群优化的应急救援方法，具体包括：
31、初始化模块，用于采集关键数据，包括伤员位置、伤员生存概率随时间变化的真实数据、救援车辆位置及医院位置，并根据采集的关键数据初始化蚁群，包括设置蚂蚁的数量、初始信息素矩阵、启发因子和挥发因子；
32、模型构建模块，用于基于伤员生存概率随时间变化的真实数据设定伤员生存概率函数，并构建信息素矩阵，其中所述信息素矩阵用于记录路径上的信息素浓度；
33、路径选择模块，用于根据信息素浓度和启发式信息，以一定概率选择下一个救援目标；
34、路径评价模块，用于每只蚂蚁完成路径选择后，计算其所选择路径上所有伤员的总生存概率；
35、信息素更新模块，用于根据路径的总生存概率更新信息素矩阵；
36、迭代优化模块，用于返回路径选择模块，直到达到预设的迭代次数或满足终止条件；
37、最优路径输出模块，用于在迭代优化完成后，输出具有最高总生存概率的救援路径作为最优救援顺序。
38、本专利技术实施例还提供了一种电子设备，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的基于混合蚁群优化的应急救援方法。
39、本专利技术实本文档来自技高网...
【技术保护点】
1.一种基于混合蚁群优化的应急救援方法，其特征在于，包括：
2.根据权利要求1所述的基于混合蚁群优化的应急救援方法，其特征在于，所述启发式信息与伤员之间的距离成反比，表示为：
3.根据权利要求1所述的基于混合蚁群优化的应急救援方法，其特征在于，所述根据信息素浓度和启发式信息，以一定概率选择下一个救援目标，其中选择概率的计算公式为：
4.根据权利要求3所述的基于混合蚁群优化的应急救援方法，其特征在于，所述信息素重要性因子α和启发信息重要性因子β由粒子群算法确定，所述粒子群算法的目标函数是伤员总生存率，所述粒子群算法中的粒子的位置按照以下公式进行更新：
5.根据权利要求3所述的基于混合蚁群优化的应急救援方法，其特征在于，所述计算其所选择路径上所有伤员的总生存概率的方法为：
6.根据权利要求1所述的基于混合蚁群优化的应急救援方法，其特征在于，所述根据路径的总生存概率更新信息素矩阵的方法包括：
7.根据权利要求1所述的基于混合蚁群优化的应急救援方法，其特征在于，所述方法还包括：在迭代优化过程中，引入3-Opt算法以避
8.一种基于混合蚁群优化的应急救援系统，其特征在于，所述系统用于实现权利要求1至7任意一项所述的基于混合蚁群优化的应急救援方法，具体包括：
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至7任意一项所述的基于混合蚁群优化的应急救援方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括若干指令，用以使得一台计算机设备执行权利要求1至7任意一项所述的基于混合蚁群优化的应急救援方法。
...【技术特征摘要】
1.一种基于混合蚁群优化的应急救援方法，其特征在于，包括：
2.根据权利要求1所述的基于混合蚁群优化的应急救援方法，其特征在于，所述启发式信息与伤员之间的距离成反比，表示为：
3.根据权利要求1所述的基于混合蚁群优化的应急救援方法，其特征在于，所述根据信息素浓度和启发式信息，以一定概率选择下一个救援目标，其中选择概率的计算公式为：
4.根据权利要求3所述的基于混合蚁群优化的应急救援方法，其特征在于，所述信息素重要性因子α和启发信息重要性因子β由粒子群算法确定，所述粒子群算法的目标函数是伤员总生存率，所述粒子群算法中的粒子的位置按照以下公式进行更新：
5.根据权利要求3所述的基于混合蚁群优化的应急救援方法，其特征在于，所述计算其所选择路径上所有伤员的总生存概率的方法为：
6.根据权利要求1所述的基于混合蚁群优化的应急救援方法，其特征在于，所述根据路径的总生存概率更新信息素矩阵的方法包括：
7.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员：陈重，王昊，秋渊根，陈青云，张虎，廉琦，伯婉，
申请(专利权)人：苏州江南航天机电工业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。