[发明专利]一种用于城市能源应急站点新增的强化多目标烟花算法

说明书

本发明公开了一种用于城市能源应急站点新增位置确立的强化多目标烟花算法，该方法首先根据实际需求定义问题表示，以便协调提升到场及时率和减少未覆盖区域这两个目标。接着采用强化学习中Qlearning方法为多目标烟花自适应地选择下一步搜索策略，其中Q表的状态根据个体支配程度排名量化，行为分为爆炸、变异和交叉这三类行为。采用快速非支配排序作为多目标评价方法，加速收敛的同时得到均匀分布的最优解集。最后迭代至最大迭代次数，并将新增站点的位置、提升后的到场及时率与减少后的未覆盖区域输出。

技术领域

本发明涉及一种用于城市能源应急抢修站点新增的进化优化方法，尤其涉及一种基于强化多目标烟花算法的城市能源应急抢修新增站点最佳位置确立的方法。

背景技术

能源行业是我国经济建设和产业结构调整与升级的重点，其中燃气抢修站点的新增与燃气事故抢修任务的跨区域调度是城市公共基础设施应急抢修的重要组成部分，燃气供应的安全性和可靠性与城市人民的生活和社会稳定息息相关。与此同时，随着计算机硬件性能的飞速提升及其相关技术的迅猛发展，为智慧燃气的信息化建设提供了稳定、成熟、可靠、强大的技术支持，智慧化城市利用大数据、计算机硬件和优化算法大大提升城市的安全性。

演化算法的产生借鉴了大自然中生物的进化操作，一般包括了基因编码、种群初始化、交叉变异算子、保留机制等基本操作。与传统的基于微积分的方法和穷举方法等优化算法相比，进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，具有自组织、自适应、自学习的特性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题。因此，演化优化算法非常适用于求解现实生活中的城市能源应急抢修新增站点最佳位置这样的复杂优化问题。

发明内容

本发明旨在提供一种基于强化多目标烟花算法的城市能源应急抢修新增站点最佳位置确立的方法，从而为城市的能源公司的事故预警及事故处理提供重要依据。通过强化学习来为多目标烟花算法自适应地选择合适的策略，并根据经验积累不断优化该强化学习模型，结合贪心与随机策略提升算法选择迭代策略的效率，通过调整半径和子代数来平衡局部搜索与全局搜索，从而快速收敛到分布均匀的最优解集。

所述一种用于城市能源应急站点新增位置确立的强化多目标烟花算法，其特征在于，为了解决兼顾提升到场及时率和减少未覆盖区域的多目标站点新增位置确立问题，其数据处理及问题表示的步骤如下。

步骤1：（数据提取）首先提取事故数据中有效的数据字段, 包括事故数据中的事故ID、事故发生日期、事故发生时间、事故类型、事故地址、到达时间限制，接着提取抢修数据中有效的数据字段，包括事故ID、抢修派单日期、抢修派单时间、发车时间、到达时间。

步骤2：（数据合并）根据事故数据和抢修数据的公共属性事故ID合并事故数据与抢修数据。

步骤3：（数据转换）首先根据到达时间减去发车时间得到到场时间，对比事故类型对应的到场时间限制，计算抢修是否及时到场;接着根据合并后数据中的事故具体地址，调用百度地图API根据事故的具体地址计算出事故地点的经纬度。

步骤4：（问题表示）为了同时兼顾提升到场及时率与减少为覆盖区域这两个互相矛盾的目标，找到一组分布均匀的折中解集，将问题表示如下。

所述为该多目标站点设立问题的数学表示方法，其中f1为到场及时率，A1为新增站点后及时到场事故总数，A2为未及时到场事故总数，B1为新增站点后未覆盖区域栅格数，B2为覆盖区域栅格数，所述栅格定义如下。

所述为栅格表示方法，为了简便计算，引入栅格这一概念，其计算方法为将经纬度转化为平面坐标后，除以256后得到栅格在X和Y两个方向上的编号。

所述一种用于城市能源应急站点新增位置确立的强化多目标烟花算法，其特征在于，为了快速得到一组收敛且分布均匀的最优解集，该方法通过强化学习来为动态多目标烟花算法自适应地调整参数，其进化优化的步骤如下。