基于改進粒子群算法的野戰油庫選址優化

張衛明，周慶忠，黎　武

(后勤工程學院 軍事油料應用與管理工程系，重慶　401311)

?

基于改進粒子群算法的野戰油庫選址優化

張衛明，周慶忠，黎武

(后勤工程學院 軍事油料應用與管理工程系，重慶401311)

針對標準粒子群算法容易陷入局部最優，提出了改進粒子群算法；對粒子的自適應性和慣性權重進行改進，建立了野戰油料選址模型；通過仿真，發現改進粒子群算法克服了標準粒子群算法容易陷入局部最優的問題，且尋優能力強，對部隊的野戰油庫選址具有指導作用。

改進粒子群算法;野戰油庫;選址優化

本文引用格式：張衛明，周慶忠，黎武.基于改進粒子群算法的野戰油庫選址優化[J].兵器裝備工程學報，2016(8):84-87.

野戰油庫，通常是指在野戰條件下在上級指定地域內臨時開設的可以移動的油料倉庫[1]。野戰油庫居于油料供應網的中心環節[2]，對上連接后方油庫，對下連接部隊油庫，地位十分重要。在油料保障過程中如果不開設野戰油庫，戰役、戰術后方就無法形成前后左右銜接貫通的有效的油料供應網，也就無法按縱深梯次配置的要求儲備好充足的油料和油料裝備，從而難以完成戰時的油料保障任務。

在現代戰爭條件下，隨著軍事技術的發展，使得戰爭爆發的突然性增大，這就對油料部門開設野戰油庫的時限提出了更高的要求。如何在較短的時間內確定一個比較合理的野戰油庫庫址？以往油料部門大多是在上級的要求之下，憑經驗作出選擇。這種做法有其合理性，但缺乏充分的依據。近年來，研究人員引入遺傳算法、蟻群算法等優化算法進行研究。還有學者采用粒子群算法對野戰油庫的選址進行優化,取得了一定的成果，但標準的粒子群算法容易陷入局部最優而無法找出全局最優解。

本文通過引入改進后的粒子群算法對野戰油庫的選址進行優化,能夠使選址科學、合理。

1　建立野戰油庫選址模型

野戰油庫庫址的選擇，必須是在上級要求的地域之內，適應后方的配置，便于組織油料供應和保障油庫安全[3]。野戰油庫一般距前沿陣地兩三百公里為宜，距離太遠，對部隊油庫進行油料補給的難度增大，距離太近，由于油庫是敵方打擊的重點，自身的安全無法保證。由于地理條件的限制，一些地點比如易爆發山洪的地點以及彈藥庫、居民區等明顯的地物是不可以作為野戰油庫庫址的，但是除開這些點，可以將上級要求的保障區域劃分為若干個連續的小區域。因此可以認為其決策變量是連續的。連續野戰油庫選址問題可以這樣描述：一些連續的點代表野戰油庫的選址范圍，N個確定的點代表部隊油庫，從野戰油庫以一定的運輸時間將一定量的油料和油料裝備分別運輸到各個部隊油庫，所需要解決的問題是如何選擇一個野戰油庫庫址，使得總的運輸時間最短。

作以下假設：每個部隊油庫有且僅有一個野戰油庫為其供應油料和油料裝備[4]。每個部隊油庫的需求量可以預測[5]。備選的野戰油庫庫址通往每個部隊油庫的道路路況良好且換算為直線。

則有目標函數：

(1)

式中T為總的運輸時間；n為部隊油庫的個數，n≥0；ci為 部隊油庫i的運輸權重，取值范圍為(0，1)；(xi，yi)為部隊油庫i的座標，i∈int[1,n]；(aj，bj)為待選的野戰油庫的地址座標，(aj，bj)是目標函數中的變量;vi為運輸的平均速度，通常取60 km/h。

總的運輸時間越短，說明選址合理程度更高。

2　改進粒子群算法

粒子群算法(Particle Swarm Optimization,PSO)是一種進化計算技術,也稱微粒群算法,最早是由Kenney和Eberhant在1995年提出[6-7]。將野戰油庫選址的全局最優解看成是鳥群所要尋找的食物，野戰油庫選址的搜索空間看作是鳥群覓食的范圍，每只鳥被抽象為一個沒有質量沒有體積的粒子。每個粒子都有自己的位置、速度及被優化的函數決定的適應值，然后粒子們追隨當前的最優粒子在解空間中進行搜索。

粒子根據下式更新自己的速度和位置[8]：

(2)

式中：vk是粒子的速度向量；ak是粒子當前的位置向量；pk為粒子歷史最優值，gk為全局最優值；c1,c2為群體認知系數，通常取值為2[9]；r1,r2為(0，1)的隨機數；w∈[0.1,0.9]為慣性權重。

粒子群算法中的每一個粒子能夠記住自己的歷史最優適應值和種群最好的適應值，并通過向這兩者學習，更新自己的位置，從而不斷向全局最優解靠近。但是標準的粒子群算法容易陷入局部最優解，而無法找到全局最優解。

針對這一問題，可以對標準的粒子群算法作改進。因為最優解其實是較優解中的一個，可以在粒子有陷入局部最優的傾向時，對粒子的自適應性按照式(3)進行變異[10-11]，以一定的概率重新初始化粒子，擴大搜索范圍，這樣較優秀的粒子被選中的可能性會大一些。

ifrand>0.8

pop(j,:)=rands(1,2)

(3)

end

同時，慣性權重很大程度上體現了粒子對速度的繼承，較大的慣性權重利于全局搜索，較小的慣性權重利于局部搜索。為了更好地平衡全局搜索能力和局部搜索能力之間的關系，使用線性遞減慣性權重的辦法對標準的粒子群算法進行改進。搜索一開始時，慣性權重大一些，使粒子保持很強的全局搜索能力，隨著進化代數的增加，逐步減小慣性權重,逐步增強粒子的局部搜索能力。改進粒子的慣性權重按式(4)遞減：

(4)

2.1編碼方式

本文中使用實數對粒子進行編碼，每個粒子對應一個備選的野戰油庫地址。每個粒子有兩個維度，即橫座標和縱座標。N個粒子的設定,可以采取指定的方法產生，也可以采取隨機的方法產生。為了讓算法更具有普遍適用性，隨機產生N個粒子對其進行優化，初始化為

(5)

式(5)中ai1≥0，ai2≥0。

2.2參數設定

c1,c2為群體認知系數，在此取2；r1,r2為(0，1)的隨機數；w∈[0.3,0.9]為改進粒子群算法的慣性權重。

2.3改進粒子群算法的步驟

第1步：設置算法的相關參數，采用上述的編碼方式對粒子的位置和速度進行初始化，每個粒子的位置矩陣和速度矩陣都對應一個N×2的矩陣；

第2步：設置粒子的線性遞減慣性權重；

第3步：更新粒子的速度與位置，并對邊界約束進行處理；

第4步：對每個粒子，將其適應度與全局最優集合內數值作比較，如果粒子陷入局部最優，則改變粒子的自適應性；

第5步：繼續更新粒子的速度和位置；

第6步：對所有粒子進行評價，若達到最優解輸出條件，或滿足最大搜索次數，則跳出循環，不滿足則返回第2步。

3　基于改進粒子群算法的野戰油庫選址模型實例

為了保障某次作戰，某后方油庫擬在作戰地域后方建立1 個野戰油庫。假設這次作戰中這個野戰油庫要為30個部隊油庫補充油料，這些部隊油庫位于一個100×100 km2的一個矩形中，如圖1所示。

部隊油庫的座標和運輸權重由隨機生成，X座標為部隊油庫的橫座標,Y座標為部隊油庫的橫座標，如表1所示。

種群規模通常取20～40，本文取25,假定上級指定的供選擇開設野戰油庫的范圍是一個距離部隊油庫群200～300 km 的一個100×100 km2矩形區域。對粒子進行初始化。假定運輸速度為60 km/h。通過標準粒子群算法進行仿真，結果如圖2所示，橫座標軸代表進化代數，縱座標軸代表適應度。通過改進粒子群算法進行仿真，結果如圖3所示。

表1　各部隊油庫的座標及運輸權重

圖1　部隊油庫分布圖

圖2　標準粒子群算法仿真的結果

圖3　改進粒子群算法仿真結果

通過上述兩個仿真結果，經過改進的粒子群算法,克服了標準粒子群算法容易陷入局部最優的局限，優于標準粒子群算法。圖1所示的標準粒子群算法的仿真結果，全局最佳適應度值111.169 2，全局最佳位置(300，300)，粒子在48代時就陷入了局部最優。圖2所示的改進后的粒子群算法的仿真結果，全局最佳適應度值22.8017，迭代到第273代時找到全局最佳位置(394.460 3，399.049 2)。

4　結語

本文對野戰油料選址問題進行了建模，分別采取標準粒子群算法和改進的粒子群算法對野戰油料選址問題進行仿真。仿真的結果在驗證了改進粒子群算法的有效性的同時，還表明改進算法的尋優能力強于標準粒子群算法。改進后的粒子群算法為野戰油庫的選址提供了一個科學高效的辦法。

[1]周慶忠.軍隊油料勤務學[M].北京：國防工業出版社，2015:319-320.

[2]仰勇,周慶忠,苗強,等.鮑摩-瓦爾夫模型在野戰油庫選址中的應用[J].后勤工程學院學報,2009,25(4):41-43.

[3]周慶忠.軍隊油料勤務學[M].北京：國防工業出版社，2015:323-327.

[4]劉奇韜,何奇,穆鑫.油料保障資源調撥運輸優化模式分析和模型實現[J].中國儲運,2013(4):127-130.

[5]周慶忠,曾慧娥.基于改進微粒群神經網絡的油料儲備預測[J].計算機仿真，2013,30(9):314-317.

[6]李壯闊,馬艷楠,劉亮.平均最優信息粒子群算法在車輛調度中的應用[J].物流科技,2013,36(7):50-54.

[7]NERI F,EMESTO M,IACCA G.Compact particle swarm optimization[J].Information Sciences,2013,239:96-121.

[8]馬東青,王蔚.基于改進粒子群算法的物流配送車輛調度[J].計算機工程與應用,2014,50(11):246-250.

[9]閆華，何曉靜.基于保障時間窗的油料調撥運輸模型[J].后勤工程學院學報,2015，31(4):85-89.

[10]鄭冀，楊振東，劉光霆. 基于模糊多目標決策的野戰油庫選址[J]． 重慶理工大學學報(自然科學)，2012(5)：118-122.

[11]史峰,王小川,郁磊.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社,2010(4):236-242.

[12]陳金輝,陳辰,董飚.基于自適應策略的改進粒子群算法[J].計算機仿真,2015,32(3):298-303.

(責任編輯唐定國)

Improved Particle Swarm Optimization Based on Field Oil Depot Site

ZHANG Wei-ming, ZHOU Qing-zhong, LI Wu

(Department of Military Oil Application & Management Engineering，Logistic Engineering University, Chongqing 401311, China)

For that standard particle swarm algorithm is easy to fall into local optimal, the improved particle swarm optimization (PSO) algorithm was proposed. The adaptability and inertia weight of particles were improved, and field oil location model were established. Through simulation, we found that the improved particle swarm algorithm overcomes that the standard particle swarm algorithm is easy to fall into local optimum, and its optimization ability is strong, and the force field is of important guiding significance for oil storage location.

improved particle swarm optimization; field depot; location optimization

2016-02-16；

2016-03-15

張衛明(1986—)，男，碩士研究生，主要從事油料勤務研究。

10.11809/scbgxb2016.08.019

format:ZHANG Wei-ming, ZHOU Qing-zhong, LI Wu.Improved Particle Swarm Optimization Based on Field Oil Depot Site[J].Journal of Ordnance Equipment Engineering,2016(8):84-87.

E233

A

2096-2304(2016)08-0084-04

【后勤保障與裝備管理】