一键编制计量装接计划的算法的制作方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及计量编制领域，尤其涉及一种一键编制计量装接计划的算法。背景技术：2.排班是许多企业的一项日常管理工作内容，一套公平、合理的排班软件不仅能调用员工积极性，也能提高工作效率，对企业具有非常重要意义。专用变压器的使用是有一定使用期限的，在使用期限临近时需要安排业务人员对辖区内的专用变压器进行表计轮换，这个工作量是很巨大的，对于路径的规划选择、小组分配、小组的任务量和工作时间等都是需要进行合理、科学的安排，若是安排的不合理会降低业务人员的工作效率，甚至会导致内部矛盾。但是如何提高业务人员工作效率，摒弃繁琐的人工排班，一直是个目前无法解决的问题。3.例如，一种在中国专利文献上公开的“一种物流路径规划方法、装置及司机排班调度方法、装置”，其公开号cn108921483a，公开日2018-11-30，公开了一种物流路径规划方法，设置目标物流路径的现实约束条件；采用节约算法得到所述目标物流的初始规划路径信息；采用遗传算法获取所述初始规划路径的最优解；根据所述物流路径的最优解，进行物流路径规划，还公开了一种司机排班调度方法，应用所述的一种物流路径规划方法，包括以下步骤：获取预设司机约束条件，结合所得最优物流路径，根据遗传算法进行司机排班规划；生成司机排班调度信息，还包括一种物流路径规划装置和司机排班调度装置。该方案采用了遗传算法虽然其具有全局搜索的能力，但是不能很好的利用反馈信息，能容易造成冗余迭代，使得求解效率低下。技术实现要素：4.本发明主要解决替换在辖区内专用变压器时对于员工排班任务分布不合理问题；提供一键编制计量装接计划的算法。5.本发明的上述技术问题主要是通过下述技术方案得以解决的：6.本发明具体内容包括：7.stepl：获取指定范围内专用变压器的数据信息，构造数学模型；8.step2：采用扇形扫描分组算法对采集的专用变压器数据进行分组，输出分组结果；9.step3：对分组结果应用具有交叉和变异特征的蚁群算法进行组内排程；10.step4：一键输出结果。11.采用本方案通过扇形扫描分组算法提高路径分组的效率，通过应用具有交叉和变异特征的蚁群算法对分组后的每个小组路线进行求解，最终得到各条线路的最终配送顺序。12.作为优选，所述stepl中获取的数据为：指定范围内专用变压器的数量、专用变压器的地理坐标信息、到达专用变压器标记位置的时间、专用变压器的计量方式为高供低计或是高供高计。13.采用本方案是为了采集数学模型所需要的数据，为之后的算法步骤做准备。14.作为优选，所述stepl的数学模型为：15.假设出发点编为0，装有专用变压器的点编为1,2,…,n，并定义以下变量：16.k为分组数，c为每天安排的小组数，n为专用变压器数量，为小组k从专用变压器点i到j的花费的时间(i,j＝1,2,…,n)(k＝1,2,…,k)，[0017][0018][0019][0020]依据假设条件和问题的具体情况建立vrp的数学模型如下：为目标函数，求解最短天数内完成工作，[0021][0022]采用本方案是为了建立数学模型，并在模型中输入本函数的约束条件。[0023]作为优选，所述step2的扇形扫描分组算法具体内容为：[0024]step2-1：对标记有专用变压器点的坐标进行预处理，以出发点为原点，找到距离出发点最远的标记有专用变压器的点，把它的坐标作为下一个点的搜索中心；[0025]step2-2：以最远点的坐标为搜索中心，寻找下一个距离此搜索中心最近的未进行表计轮换的专用变压器点，如果把该专用变压器点加入线路后线路的总花费时间还未达到最大时间限制，则把此点归入线路组中，同时按照下式重新调整搜索中心(xi,yi)，得到新的搜索中心[0026][0027]step2-3：每搜索到一个符合条件的专用变压器点，按照上式调整后的搜索中心进行下一个专用变压器点的搜索，然后再调整搜索中心，重复进行类似的操作，直到线路的总花费时间高于180min且低于240min，完成本组路线搜索；[0028]step2-4：将完成路线搜索上的专用变压器点放入禁忌表中，开始进行新的一组路线搜索，重复step2-1、step2-2和step2-3，直到所有专用变压器点都有小组工作过，输出所有分组和所有小组数k。[0029]采用本方案找到最远点后以贪婪算法的思想寻找下一个距离最近的客户点，这时以最后一个归入线路中的客户点的坐标作为搜索中心，这样在搜索区间内形成的客户分组会出现不合理的想象，同时也弥补了也是贪婪算法只以局部最优作为搜索的策略存在的缺陷。[0030]作为优选，所述step2-1中对标记有专用变压器点的坐标进行预处理的具体内容为：以出发点为坐标原点，利用角度计算公式[0031][0032]计算出每个标记有专用变压器的点相对于出发点0所形成的角度γ，以从出发点出发搜索到的最远标记有专用变压器点与出发点所成的夹角γ为基准角，确定搜索的区域为在[γ-angle,γ+angle]度区间内的扇形区域，其中angle为搜索的半径角。[0033]采用本方案以动态的方式进行区域划分，这就克服了定性区域划中划分不合理的现象，同时又继承了定性区域划分法能够缩小搜索空间的优点，极大的提高搜索的效率。[0034]作为优选，所述step3蚁群算法具体内容为：[0035]step3-1：根据最大最小蚂蚁系统对初始信息的设置法则τij(0)＝τmax，τij表示任意两个专用变压器的点i，j路径上开始时刻的信息素轨迹量，τmax表示最大最小蚂蚁系统设定的信息素轨迹量最大值；[0036]step3-2：在最大最小蚂蚁系统中，每一只蚂蚁下面公式来进行下一个专用变压器的点s的选择[0037][0038]allowedk∈{1,2，…，n-1}[0039]蚁群算法的转移概率公式为：[0040][0041]式中，q是在[0，1]区间均匀分布的随机数，q0是一个参数(0≤q0≤1)，s为表示的转移概率公式；[0042]step3-3：对最大最小蚂蚁系统的解采用顺序插入交叉算法，选取最优路径；[0043]step3-4：对顺序插入交叉算法的路径基因中随机选取两个点，对两点之间的基因位进行逆转排序；[0044]step3-5：在蚂蚁完成每次循环后，找出最优和最差的蚂蚁，对其走过的路径的信息素进行除挥发外的更新操作，同时对其它的路径段的信息素进行挥发操作，最优蚂蚁的信息素更新规则如下式所示：[0045]τij(t+1)＝ρτij(t)+δτij(t+1)[0046]其中，f(sbest))表示迭代最优解或是全局最优解的,f(savg)表示全部蚂蚁路径的平均值，ρ为一个参数0《ρ《1，[0047]最差蚂蚁的信息素更新规则如下式所示：[0048][0049]其中，ε为该算法引入的一个参数，来控制最差路径信息素减小的程度，lworst表示当前循环中最差蚂蚁的路径长度，lbest表示当前循环中最优蚂蚁的路径长度，τij(t+1)表示点i和点j之间的信息素轨迹量，[0050]其它路径段的信息素更新规则：[0051]τij(t+1)＝ρτij(t)[0052]在每一次信息素更新完毕后都要对信息素进行如下的修正：如果某段路径的信息素轨迹量τij(t)大于设定的最大信息素轨迹阀值τmax，则有τij(t)＝τmax；如果某段路径的信息素轨迹量τij(t)小于设定的最小信息素轨迹阀值τmin，则有τij(t)＝τmin；若τij(t)在区间[τmin，τmax]时，信息素轨迹量保持不变；[0053]step3-6：输出每组路径的最优解。[0054]本方案既利用了蚁群算法能够利用系统中信息素反馈机制，使得算法具有全局搜索能力，不易陷入局部最优之中，又利用了遗传算法搜索速度快，解的优良基因能够以很大的机率保存下来的特点。[0055]作为优选，所述step3-3中的顺序插入交叉算法的具体内容为：[0056]step3-3-1：假设生成两条路径染色体为：a:(a1,a2,…,an,a1),b:(b1,b2,…,bn,b1)，以染色体a:(a1,a2,…,an,a1)为基本染色体，染色体b:(b1,b2,…,bn,b1))为参照染色体，在b中随机选取一个点的基因bj(j∈n)作为参考点；[0057]step3-3-2：在染色体a中找到与bj、bj+1(j∈n-1)相对应的点的基因ai(i∈n)，am(m∈n)，然后利用三角距离差函数计算值d(ai，bj+1，ai+1)、d(am-1，am，am+1)，判断d(ai，bj+1，ai+1)与d(am-1，am，am+1)的大小，并按下面的规则进行操作：[0058]if d(ai，bj+1，ai+1)《d(am-1，am，am+1) then[0059]把bj+1插入染色体a中的点ai与ai+1之间，把a中原来与点bj+1相同的点从染色体a中删除；[0060]else[0061]保留染色体a中原来的城市编码[0062]完成这步操作后生成新的染色体a′；[0063]step3-3-3：在染色体b依次选取参考点bj+1,…,bn,b1,…,bj-1，重复step3-3-2操作，直到生成最终的子代染色体a1为止；[0064]step3-3-4：再以染色体b为基本染色体，染色体a为参照染色体，依照step3-3-l、step3-3-2、step3-3-3操作重复进行，直到生成最终的子代染色体bl为止。[0065]采用本方案能够有效利用局部的路径信息，运用了贪婪策略来重新组织路径，能够有效的保留父代的优良基因，从而加快算法向最优解收敛的速度。[0066]本发明的有益效果是：[0067]1.采用了扇形扫描分组算法解决了在搜索区间内形成的客户分组会出现不合理的想象，提高了分组效率，同时也弥补了也是贪婪算法只以局部最优作为搜索的策略存在的缺陷；[0068]2.。采用了具有交叉和变异特征的蚁群算法进行组内排程，既利用了蚁群算法能够利用系统中信息素反馈机制，使得算法具有全局搜索能力，不易陷入局部最优之中，又利用了遗传算法搜索速度快，解的优良基因能够以很大的机率保存下来的特点。附图说明[0069]图1是本发明的流程图。具体实施方式[0070]下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。[0071]实施例：[0072]本实施例的一键编制计量装接计划的算法，如图1所示，具体步骤包括：[0073]stepl：在指定的辖区内通过使用rpa机器人在pms3.0上抓取本辖区所有专用变压器的的地理坐标信息进行标记，同时抓取专用变压器为高供低计还是高供高计，将专用变压器地理坐标信息放入导航软件中排列组合查找所有线路花费的时间，记录指定范围内专用变压器的数量，构造数学模型，并将上述信息输入到模型中：[0074]假设出发点编为0，将标记有专用变压器的点编为1,2,…,n，并定义以下变量：[0075]k为分组数，c为每天安排的小组数，n为专用变压器数量，为小组k从专用变压器点i到j的花费的时间(i,j＝1,2,…,n)(k＝1,2,…,k)，[0076][0077][0078][0079]依据假设条件和问题的具体情况建立vrp的数学模型如下：为目标函数，求解最短天数内完成将辖区内所有的专用变压器都进行表计轮换，本实施例是每天只安排三个小组进行工作，所以c＝3，[0080][0081]上述约束公式中，第一约束公式表示某一小组在路上花费的时间加上工作时间的总花费时间不得低于180分钟不能高于210分钟，同时也限制了任意小组间总花费时间相差不超过30min；第二约束公式保证了一个专用变压器点只能在一条线路上；第三约束公式保证了进入一个专用变压器点时的小组数与离开该专用变压器点时的小组相同；第四约束公式保证了最多由k个小组来完成配送服务；第五、六、七约束公式保证了每个专用变压器点仅能由一个小组完成表计轮换；第八约束公式消除了不是从出发点出发的子环路现象；第九、十约束公式为决策变量的属性。[0082]step2：采用扇形扫描分组算法对采集的专用变压器数据进行分组，输出分组结果；扇形扫描分组算法具体内容为：[0083]step2-1：对标记有专用变压器点的坐标进行预处理，以出发点为原点，找到距离出发点最远的标记有专用变压器的点，把它的坐标作为下一个点的搜索中心，预处理的具体内容为：以出发点为坐标原点，利用角度计算公式[0084][0085]计算出每个标记有专用变压器的点相对于出发点0所形成的角度γ，以从出发点出发搜索到的最远标记有专用变压器点与出发点所成的夹角γ为基准角，确定搜索的区域为在[γ-angle,γ+angle]度区间内的扇形区域，其中angle为搜索的半径角；[0086]step2-2：以最远点的坐标为搜索中心，寻找下一个距离此搜索中心最近的未进行表计轮换的专用变压器点，如果把该专用变压器点加入线路后线路的总花费时间还未达到最大时间限制，则把此点归入线路组中，同时按照下式重新调整搜索中心(xi,yi)，得到新的搜索中心[0087][0088]step2-3：每搜索到一个符合条件的专用变压器点，按照上式调整后的搜索中心进行下一个专用变压器点的搜索，然后再调整搜索中心，重复进行类似的操作，直到线路的总花费时间高于180min且低于240min，完成本组路线搜索；[0089]step2-4：将完成路线搜索上的专用变压器点放入禁忌表中，进行下一组路线搜索，重复step2-1、step2-2和step2-3，直到所有专用变压器点都有小组工作过，输出所有分组和所有小组数k。[0090]step3：对分组结果应用具有交叉和变异特征的蚁群算法进行组内排程，蚁群算法具体内容为：[0091]step3-1：根据最大最小蚂蚁系统对初始信息的设置法则τij(0)＝τmax，τij表示任意两个专用变压器的点i，j路径上开始时刻的信息素轨迹量，τmax表示最大最小蚂蚁系统设定的信息素轨迹量最大值；[0092]step3-2：在最大最小蚂蚁系统中，每一只蚂蚁下面公式来进行下一个专用变压器的点s的选择[0093][0094]allowedk∈{1,2，…，n-1}[0095]蚁群算法的转移概率公式为：[0096][0097]式中，q是在[0，1]区间均匀分布的随机数，q0是一个参数(0≤q0≤1)，s为表示的转移概率公式；[0098]step3-3：对最大最小蚂蚁系统的解采用顺序插入交叉算法，选取最优路径，顺序插入交叉算法的具体内容为：[0099]step3-3-1：a,b,c为n个专用变压器点中的任意三个，义三角距离差函数d(a，b，c)为[0100]d(a，b，c)＝d(a，b)+d(b，c)-d(a,c)[0101]在函数中，d(x,y)表示点x到点y的距离[0102]假设生成两条路径染色体为：a:(a1,a2,…,an,a1),b:(b1,b2,…,bn,b1)，以染色体a:(a1,a2,…,an,a1)为基本染色体，染色体b:(b1,b2,…,bn,b1))为参照染色体，染色体b:(b0,b1,…,bn,b0))为参照染色体，在b中随机选取一个点的基因bj(j∈n)作为参考点；[0103]step3-3-2：在染色体a中找到与bj、bj+1(j∈n-1)相对应的城市基ai(i∈n)，am(m∈n)，然后利用三角距离差函数计算值d(ai，bj+1，ai+1)、d(am-1，am，am+1)，判断d(ai，bj+1，ai+1)与d(am-1，am，am+1)的大小，并按下面的规则进行操作：[0104]if d(ai，bj+1，ai+1)《d(am-1，am，am+1) then[0105]把bj+1插入染色体a中的点ai与ai+1之间，把a中原来与点bj+1相同的点从染色体a中删除；[0106]else[0107]保留染色体a中原来的城市编码[0108]完成这步操作后生成新的染色体a′；[0109]step3-3-3：在染色体b依次选取参考点bj+1,…,bn,b1,…,bj-1，重复step3-3-2操作，直到生成最终的子代染色体a1为止；[0110]step3-3-4：再以染色体b为基本染色体，染色体a为参照染色体，依照step3-3-l、step3-3-2、step3-3-3操作重复进行，直到生成最终的子代染色体bl为止。[0111]step3-4：对顺序插入交叉算法的路径基因中随机选取两个点，对两点之间的基因位进行逆转排序；[0112]step3-5：在蚂蚁完成每次循环后，找出最优和最差的蚂蚁，对其走过的路径的信息素进行除挥发外的更新操作，同时对其它的路径段的信息素进行挥发操作，最优蚂蚁的信息素更新规则如下式所示：[0113]τij(t+1)＝ρτij(t)+δτij(t+1)[0114]其中，f(sbest))表示迭代最优解或是全局最优解的,f(savg)表示全部蚂蚁路径的平均值，ρ为一个参数0《ρ《1，[0115]最差蚂蚁的信息素更新规则如下式所示：[0116][0117]其中，ε为该算法引入的一个参数，来控制最差路径信息素减小的程度，lworst表示当前循环中最差蚂蚁的路径长度，lbest表示当前循环中最优蚂蚁的路径长度，τij(t+1)表示点i和点j之间的信息素轨迹量，[0118]其它路径段的信息素更新规则：[0119]τij(t+1)＝ρτij(t)[0120]在每一次信息素更新完毕后都要对信息素进行如下的修正：如果某段路径的信息素轨迹量τij(t)大于设定的最大信息素轨迹阀值τmax，则有τij(t)＝τmax；如果某段路径的信息素轨迹量τij(t)小于设定的最小信息素轨迹阀值τmin，则有τij(t)＝τmin；若τij(t)在区间[τmin，τmax]时，信息素轨迹量保持不变；[0121]step3-6：输出每组路径的最优解。[0122]step4：最后一键输出排班结果，每天安排三个小组对辖区内的专用变压器进行表计轮换，要求在最短天数内完成任务，天数不满一天也按照一天算，若最后一天只有一个小组也要进行安排。[0123]本实施例采用了扇形扫描分组算法解决了在搜索区间内形成的客户分组会出现不合理的想象，提高了分组效率，同时也弥补了也是贪婪算法只以局部最优作为搜索的策略存在的缺陷；采用了具有交叉和变异特征的蚁群算法进行组内排程，既利用了蚁群算法能够利用系统中信息素反馈机制，使得算法具有全局搜索能力，不易陷入局部最优之中，又利用了遗传算法搜索速度快，解的优良基因能够以很大的机率保存下来的特点。[0124]应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!