一种消防装备调配方法及装置

技术领域

本申请涉及消防技术领域，特别涉及一种消防装备调配方法及装置。

背景技术

随着现代科技发展而来的众多消防救援设备种类广，数量多，在处置这么多灾害事故的行动中，消防应急救援队伍对消防救援装备的消耗量巨大，处置完一次救援行动后，消防保障站点很可能就出现一些装备存储量达不到标准配备要求的情况，此时缺配的消防站点就需要向别的保障站点发出装备的调配信息，从而保证各级站点的救援保障力量充足。

在消防装备保障中，主要考虑的是装备的调配时间，当发生重大灾害事故时候，救援时间是唯一的决策目标，而在救援行动之后，或者日常战备中，出现消防装备的缺配情况，就不能把时间作为唯一决策目标，还需要考虑进行装备调配的运输费用，所以消防装备保障需要综合考虑时间消耗与经济花费两方面的因素，我们总是希望达到装备调配的时间成本低，同时经济成本也低的最优决策方案，但是在实际调配过程中，这两方面目标不一定能同时满足。因此，提供一种兼顾调配时间和调配成本的消防装备调配方法，已成为目前急需解决的技术问题。

发明内容

有鉴于此，本申请的目的在于提供一种消防装备调配方法及装置，与具有局部搜索能力的模拟退火算法相结合，加强算法的局部搜索能力，能够避免算法过早收敛的情况，得到的帕累托解集分布更均匀，解数量更多，且不被另外的解集支配，能够更符合对调配时间和调配成本的兼顾，提高计算的准确性。其具体方案如下：

第一方面，本申请提供了一种消防装备调配方法，包括：

步骤一：对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件；初始化迭代次数g＝0；

步骤二：根据所述变量空间约束条件生成N个个体的初代种群；

步骤三：对所述初代种群计算得到每个个体的目标函数值，根据快速非支配排序方法得到排序后的初代种群；

步骤四：对所述排序后的初代种群进行选择、交叉、变异操作，得到N个个体的子种群；

步骤五：将所述初代种群和所述子种群合并成2N个个体的第一种群；

步骤六：对所述第一种群进行模拟退火操作，得到第二种群；

步骤七：对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群；

步骤八：使迭代次数g＝g+1，判断迭代次数g是否大于最大迭代次数，若否，则对所述下一次迭代的初始种群进行选择交叉变异操作，生成下一次迭代的子种群；

步骤九：重复步骤五至步骤八，直到迭代次数达到最大迭代次数，则获得所述目标函数的帕累托解集。

第二方面，本申请实施例还提供了一种消防装备调配装置，包括：

构建单元，用于对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件；初始化迭代次数g＝0；

第一确定单元，用于根据所述变量空间约束条件生成N个个体的初代种群；

第二确定单元，用于对所述初代种群计算得到每个个体的目标函数值，根据快速非支配排序方法得到排序后的初代种群；

第三确定单元，用于对所述排序后的初代种群进行选择、交叉、变异操作，得到N个个体的子种群；

合并单元，用于将所述初代种群和所述子种群合并成2N个个体的第一种群；

第四确定单元，用于对所述第一种群进行模拟退火操作，得到第二种群；

第五确定单元，用于对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群；

判断单元，用于使迭代次数g＝g+1，判断迭代次数g是否大于最大迭代次数，若否，则对所述下一次迭代的初始种群进行选择交叉变异操作，生成下一次迭代的子种群；

第六确定单元，用于重复步骤五至步骤八，直到迭代次数达到最大迭代次数，则获得所述目标函数的帕累托解集。

本申请实施例提供了一种消防装备调配方法及装置，步骤一：对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件；初始化迭代次数g＝0；步骤二：根据所述变量空间约束条件生成N个个体的初代种群；步骤三：对所述初代种群计算得到每个个体的目标函数值，根据快速非支配排序方法得到排序后的初代种群；步骤四：对所述排序后的初代种群进行选择、交叉、变异操作，得到N个个体的子种群；步骤五：将所述初代种群和所述子种群合并成2N个个体的第一种群；步骤六：对所述第一种群进行模拟退火操作，得到第二种群；步骤七：对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群；步骤八：使迭代次数g＝g+1，判断迭代次数g是否大于最大迭代次数，若否，则对所述下一次迭代的初始种群进行选择交叉变异操作，生成下一次迭代的子种群；步骤九：重复步骤五至步骤八，直到迭代次数达到最大迭代次数，则获得所述目标函数的帕累托解集。可见，在本申请实施例中，将多目标遗传算法作为消防设备调配的基本求解方法，并与具有局部搜索能力的模拟退火算法相结合，加强算法的局部搜索能力，能够避免算法过早收敛的情况，得到的帕累托解集分布更均匀，解数量更多，且不被另外的解集支配，能够更符合对调配时间和调配成本的兼顾，提高计算的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1示出了本申请实施例提供的一种消防装备调配方法的流程示意图；

图2示出了本申请实施例提供的一种改进的多目标遗传算法的示意图；

图3为本申请实施例提供的一种模拟退火操作的示意图；

图4为本申请实施例提供的一种消防装备调配装置的结构框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

正如背景技术中的描述，在实际调配过程中，调配时间短和调配成本低这两方面目标不一定能同时满足。目前消防装备调配问题是靠人工编排的方式进行，效率低下，在日常救援行动后，消防装备出现缺配情况，需要考虑调配的时间和经济花费，两方面目标往往不能同时达到最优情况，对于装备种类、数量、消防站点众多的情况，人工编排的方式很难给出最优解。在多目标优化问题领域，常采用启发式搜索算法来进行求解，其中多目标遗传算法(Non-Dominated Sorting Genetic Algorithm-Ⅱ，NSGA-Ⅱ)具有全局搜索能力强、并行搜索、普适性高的特点，在求解多目标优化问题上具有广泛的应用，然而消防装备的种类众多，站点多，其数学模型表示会使得种群个体的解空间过大，会存在过早收敛、局部搜索能力弱、易陷入局部最小值的缺陷。

基于以上技术问题，本申请实施例提供了一种消防装备调配方法及装置，步骤一：对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件；初始化迭代次数g＝0；步骤二：根据所述变量空间约束条件生成N个个体的初代种群；步骤三：对所述初代种群计算得到每个个体的目标函数值，根据快速非支配排序方法得到排序后的初代种群；步骤四：对所述排序后的初代种群进行选择、交叉、变异操作，得到N个个体的子种群；步骤五：将所述初代种群和所述子种群合并成2N个个体的第一种群；步骤六：对所述第一种群进行模拟退火操作，得到第二种群；步骤七：对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群；步骤八：使迭代次数g＝g+1，判断迭代次数g是否大于最大迭代次数，若否，则对所述下一次迭代的初始种群进行选择交叉变异操作，生成下一次迭代的子种群；步骤九：重复步骤五至步骤八，直到迭代次数达到最大迭代次数，则获得所述目标函数的帕累托解集。可见，在本申请实施例中，将多目标遗传算法作为消防设备调配的基本求解方法，并与具有局部搜索能力的模拟退火算法相结合，加强算法的局部搜索能力，能够避免算法过早收敛的情况，得到的帕累托解集分布更均匀，解数量更多，且不被另外的解集支配，能够更符合对调配时间和调配成本的兼顾，提高计算的准确性。

为了便于理解，下面结合附图对本申请实施例提供的一种消防装备调配方法及装置进行详细的说明。

参考图1所示，为本申请实施例提供的一种消防装备调配方法的流程示意图，该方法可以包括以下步骤。

S101，对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件；初始化迭代次数g＝0。

在本申请实施例中，多目标遗传算法采取了快速非支配排序方法以及基于拥挤程度的选择，在求解的速度以及非支配解的分布性上，没有采用外部存档方式，仅通过父代种群与选择、交叉、变异操作后的子代进行合并，再进行支配关系的排序，就可以使父种群中携带优秀基因的个体得以保留下来。对于一组最优解集，如果解集中的解互相非支配，称该集合为帕累托解集(Pareto解集)。在多目标问题中，求解的目标就是获得Pareto解集。

在本申请实施例中，消防保障站点的规模不同，所存储的消防装备数量就各不一样。可以根据每个消防站点的设备存储情况，以及各个站点的装备最低配置标准，将消防站点分为两类：一类是装备存储充足的站点，称之为资源站点；另一类是当前装备存储发生某一种或多种装备低于最低配置标准的站点，需要通过别的保障站点调配装备的，称之为需求站点。

具体地，可以采用自然序数给各个站点编号，以V＝{V

具体地，可以对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件，这样消防装备的调配问题可以描述为，从k个资源站点向j个需求站点调配消防装备，第m个资源站点中存储的装备C

具体地，目标函数f

其中，所述m表示资源站点，所述n表示需求站点，所述c表示装备种类，所述k表示资源站点的最大取值，所述j表示需求站点的最大取值，所述g表示装备种类的最大取值，所述f

其中，所述a

在本申请实施例中，所述约束条件可以为：

其中，所述m表示资源站点，所述n表示需求站点，所述c表示装备种类，所述k表示资源站点的最大取值，所述j表示需求站点的最大取值，所述X

具体地，可以确定进化种群中个体数量N，设定迭代进化的终止次数也就是最大迭代次数G，种群的交叉操作概率P

S102，根据所述变量空间约束条件生成N个个体的初代种群。

在本申请实施例中，可以根据所述变量空间约束条件，生成N个个体的初代种群，可以记为P

S103，对所述初代种群计算得到每个个体的目标函数值，根据快速非支配排序方法得到排序后的初代种群。

在本申请实施例中，可以对初始种群P

S104，对所述排序后的初代种群进行选择、交叉、变异操作，得到N个个体的子种群。

在本申请实施例中，可以对排序后的初代种群进行选择、交叉、变异操作后形成一个子种群Q，子种群Q中个体的数量为N个。

S105，将所述初代种群和所述子种群合并成2N个个体的第一种群。

在本申请实施例中，可以将初始种群P

在本申请实施例中，S105可以包括，随机生成多个新个体的第三种群；将所述初代种群、所述子种群和所述第三种群合并成第一种群。

具体地，可以随机生成新个体，新个体数量可以为N

具体地，在遗传算法中，种群的初始规模如果设置足够大，那么种群个体在解空间中的分散程度就会很好，种群可能搜索到的范围也就越大，但是这种单纯扩大种群数量的操作会使得NSGA-Ⅱ的运行时间过长，所以种群的规模要控制在合理的范围内。

在本申请中可以在迭代进化过程中引入全新的种群个体，新的种群个体基因型和父代种群中的个体不相似，而这种不相似性能够让种群的个体在解空间尽可能的随机分布，并且没有过分的扩大种群数量，这样，对于消防装备调配问题，迭代引入新个体的方式可以加大种群搜索范围，扩大个体分布范围，如果这些新个体中存在较为优良特性的个体，就能够被精英保留策略保存下来，在之后的迭代中，种群个体的交叉操作就可以在更广阔的有效搜索空间中搜索，从而可以大大加强种群的全局搜索能力，优化多目标遗传算法的交叉操作。

而且，引入新的种群个体并不是取代模拟二进制交叉操作，而是对交叉操作的一种补充，模拟二进制操作仍然具有继承父代种群优良性状的优势，加入新个体可以扩展个体在解空间的搜索范围。

S106，对所述第一种群进行模拟退火操作，得到第二种群。

在本申请实施例中，可以对所述第一种群进行模拟退火操作，得到第二种群R’，将多目标遗传算法作为消防设备调配的基本求解方法，并与具有局部搜索能力的模拟退火算法相结合，可以加强算法的局部搜索能力，能够避免算法过早收敛的情况，得到的帕累托解集分布更均匀，解数量更多，且不被另外的解集支配，能够更符合对调配时间和调配成本的兼顾，提高计算的准确性。

在本申请实施例中，S106可以包括以下步骤十至步骤十六，参考图3所示，为本申请实施例提供的一种模拟退火操作的示意图。

步骤十：初始化内循环迭代次数K＝0。

步骤十一：对所述第一种群中的第一个体进行局部搜索，随机产生第一新个体。

具体地，按顺序对所述第一种群中的第一个体X

步骤十二：根据所述第一个体的目标函数值和所述第一新个体的目标函数值，判断所述第一新个体是否支配第一个体。

具体地，计算第一个体X

步骤十三：若是，则接受第一新个体；若否，则根据Metropolis准则判断是否接受所述第一新个体。

具体地，如果第一新个体X

步骤十四：在根据所述Metropolis准则判定不接受所述第一新个体时，则使K＝K+1，重复步骤十一至步骤十三，直到内循环迭代次数K达到阈值。

步骤十五：在所述第一新个体被接受或所述内循环迭代次数达到阈值时，则使内循环迭代次数K＝0，选择所述第一种群中下一个个体重复步骤十至步骤十四，直到将所述第一种群中的全部个体搜索完毕。

步骤十六：对所述第一种群进行温度下降操作，得到第二种群。

具体地，进行温度下降操作，Tg变为Tg+1，结束当代模拟退火操作。

S107，对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群。

在本申请实施例中，可以对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群。

在本申请实施例中，S107可以包括，对所述第二种群进行快速非支配排序得到多个非支配层，并对处于同一支配层的个体计算拥挤度距离；根据所述多个非支配层和所述拥挤度距离，利用精英保留的选择策略从所述第二种群中选择N个个体作为下一次迭代的初始种群。

具体地，可以对模拟退火操作后的第二种群R’进行快速非支配排序，得到多个非支配层，并计算个体的拥挤度距离，用精英保留的选择策略从第二种群R’中选取N个优良个体作为下一轮进化迭代的初始种群。可以理解的是，在从第二种群R’中选取N个优良个体时，优先选择位于第一非支配层的个体，在多个个体位于同一非支配层时，优先选择拥挤度大的个体。

这样，相对于现有技术中，NSGA-Ⅱ在进化后期，可能会陷入局部最小值而跳不出来，并且其基于拥挤度的选择算子会把拥挤度大的个体淘汰，使得淘汰的个体附近可能存在的最优解很难被搜寻到。本申请中，利用模拟退火算法对于问题解空间的局部搜索能力进行优化，并且保留拥挤度大的个体可以使帕累托解集分布更均匀。

S108，使迭代次数g＝g+1，判断迭代次数g是否大于最大迭代次数，若否，则对所述下一次迭代的初始种群进行选择交叉变异操作，生成下一次迭代的子种群。

S109，重复步骤五至步骤八，直到迭代次数达到最大迭代次数，则获得所述目标函数的帕累托解集。

在本申请实施例中，可以获得所述目标函数的帕累托解集，利用Pareto解集分布情况可以进行效果评估，利用本申请方法获得的帕累托解集，解集分布更均匀，解数量更多，且不被另外的解集支配。

在本申请实施例中，将NSGA-Ⅱ算法与模拟退火算法相结合，可以加强算法的局部搜索能力，建立改进的NSGA-Ⅱ算法模型，这将更好地求解消防装备调配在花费时间和经济成本两方面都较好的方案。

具体地，传统的多目标遗传算法NSGA-Ⅱ在求解消防装备调配复杂问题上，可能会由于解空间过大，而受个体数量限制的种群无法在广泛的解空间内进行搜索，存在过早收敛的可能，而且，在进化后期，其基于拥挤度的选择算子会把拥挤度大的个体淘汰，使得淘汰的个体附近可能存在的最优解很难被搜寻到，所以局部搜索能力较弱，需要提升搜索最优解的能力。

在本申请实施例中，在每轮迭代时引入新个体，可以让种群可以在更多变量维度上进行有效搜寻，防止算法还未对解空间进行足够探索就收敛停止，而且，利用模拟退火算法可以加强个体局部的搜寻能力，避免陷入局部最优，可以同时优化算法的全局搜索能力和局部搜索能力，这样使得新算法能够在搜索空间内进行更加广泛和细致的搜索，能够更好地求解消防装备调配在调配时间和经济成本两个目标上的最优解。

本申请实施例提供了一种消防装备调配方法，步骤一：对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件；初始化迭代次数g＝0；步骤二：根据所述变量空间约束条件生成N个个体的初代种群；步骤三：对所述初代种群计算得到每个个体的目标函数值，根据快速非支配排序方法得到排序后的初代种群；步骤四：对所述排序后的初代种群进行选择、交叉、变异操作，得到N个个体的子种群；步骤五：将所述初代种群和所述子种群合并成2N个个体的第一种群；步骤六：对所述第一种群进行模拟退火操作，得到第二种群；步骤七：对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群；步骤八：使迭代次数g＝g+1，判断迭代次数g是否大于最大迭代次数，若否，则对所述下一次迭代的初始种群进行选择交叉变异操作，生成下一次迭代的子种群；步骤九：重复步骤五至步骤八，直到迭代次数达到最大迭代次数，则获得所述目标函数的帕累托解集。可见，在本申请实施例中，将多目标遗传算法作为消防设备调配的基本求解方法，并与具有局部搜索能力的模拟退火算法相结合，加强算法的局部搜索能力，能够避免算法过早收敛的情况，得到的帕累托解集分布更均匀，解数量更多，且不被另外的解集支配，能够更符合对调配时间和调配成本的兼顾，提高计算的准确性。

基于以上消防装备调配方法，本申请实施例还提供了一种消防装备调配装置，参考图4所示，为本申请实施例提供的一种消防装备调配装置的结构框图，该装置可以包括：

构建单元100，用于对资源站点和需求站点之间的消防装备分配过程建立数学模型，构建目标函数与变量空间约束条件；初始化迭代次数g＝0；

第一确定单元200，用于根据所述变量空间约束条件生成N个个体的初代种群；

第二确定单元300，用于对所述初代种群计算得到每个个体的目标函数值，根据快速非支配排序方法得到排序后的初代种群；

第三确定单元400，用于对所述排序后的初代种群进行选择、交叉、变异操作，得到N个个体的子种群；

合并单元500，用于将所述初代种群和所述子种群合并成2N个个体的第一种群；

第四确定单元600，用于对所述第一种群进行模拟退火操作，得到第二种群；

第五确定单元700，用于对所述第二种群进行快速非支配排序，并从中选择N个个体作为下一次迭代的初始种群；

判断单元800，用于使迭代次数g＝g+1，判断迭代次数g是否大于最大迭代次数，若否，则对所述下一次迭代的初始种群进行选择交叉变异操作，生成下一次迭代的子种群；

第六确定单元900，用于重复步骤五至步骤八，直到迭代次数达到最大迭代次数，则获得所述目标函数的帕累托解集。

具体地，所述第四确定单元，用于进行

步骤十：初始化内循环迭代次数K＝0；

步骤十一：对所述第一种群中的第一个体进行局部搜索，随机产生第一新个体；

步骤十二：根据所述第一个体的目标函数值和所述第一新个体的目标函数值，判断所述第一新个体是否支配第一个体；

步骤十三：若是，则接受第一新个体；若否，则根据Metropolis准则判断是否接受所述第一新个体；

步骤十四：在根据所述Metropolis准则判定不接受所述第一新个体时，则使K＝K+1，重复步骤十一至步骤十三，直到内循环迭代次数K达到阈值；

步骤十五：在所述第一新个体被接受或所述内循环迭代次数达到阈值时，则使内循环迭代次数K＝0，选择所述第一种群中下一个个体重复步骤十至步骤十四，直到将所述第一种群中的全部个体搜索完毕；

步骤十六：对所述第一种群进行温度下降操作，得到第二种群。

具体地，所述第五确定单元，用于：

对所述第二种群进行快速非支配排序得到多个非支配层，并对处于同一支配层的个体计算拥挤度距离；

根据所述多个非支配层和所述拥挤度距离，利用精英保留的选择策略从所述第二种群中选择N个个体作为下一次迭代的初始种群。

具体地，所述合并单元，用于：

随机生成多个新个体的第三种群；

将所述初代种群、所述子种群和所述第三种群合并成第一种群。

具体地，数学模型表示为：

其中，所述m表示资源站点，所述n表示需求站点，所述c表示装备种类，所述k表示资源站点的最大取值，所述j表示需求站点的最大取值，所述g表示装备种类的最大取值，所述f

具体地，所述约束条件为：

其中，所述m表示资源站点，所述n表示需求站点，所述c表示装备种类，所述k表示资源站点的最大取值，所述j表示需求站点的最大取值，所述X

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅是本申请的优选实施方式，虽然本申请已以较佳实施例披露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。