基于改进粒子群算法的野战油库选址优化

张卫明，周庆忠，黎　武

(后勤工程学院 军事油料应用与管理工程系，重庆　401311)



基于改进粒子群算法的野战油库选址优化

张卫明，周庆忠，黎武

(后勤工程学院 军事油料应用与管理工程系，重庆401311)

针对标准粒子群算法容易陷入局部最优，提出了改进粒子群算法；对粒子的自适应性和惯性权重进行改进，建立了野战油料选址模型；通过仿真，发现改进粒子群算法克服了标准粒子群算法容易陷入局部最优的问题，且寻优能力强，对部队的野战油库选址具有指导作用。

改进粒子群算法;野战油库;选址优化

本文引用格式：张卫明，周庆忠，黎武.基于改进粒子群算法的野战油库选址优化[J].兵器装备工程学报，2016(8):84-87.

野战油库，通常是指在野战条件下在上级指定地域内临时开设的可以移动的油料仓库[1]。野战油库居于油料供应网的中心环节[2]，对上连接后方油库，对下连接部队油库，地位十分重要。在油料保障过程中如果不开设野战油库，战役、战术后方就无法形成前后左右衔接贯通的有效的油料供应网，也就无法按纵深梯次配置的要求储备好充足的油料和油料装备，从而难以完成战时的油料保障任务。

在现代战争条件下，随着军事技术的发展，使得战争爆发的突然性增大，这就对油料部门开设野战油库的时限提出了更高的要求。如何在较短的时间内确定一个比较合理的野战油库库址？以往油料部门大多是在上级的要求之下，凭经验作出选择。这种做法有其合理性，但缺乏充分的依据。近年来，研究人员引入遗传算法、蚁群算法等优化算法进行研究。还有学者采用粒子群算法对野战油库的选址进行优化,取得了一定的成果，但标准的粒子群算法容易陷入局部最优而无法找出全局最优解。

本文通过引入改进后的粒子群算法对野战油库的选址进行优化,能够使选址科学、合理。

1　建立野战油库选址模型

野战油库库址的选择，必须是在上级要求的地域之内，适应后方的配置，便于组织油料供应和保障油库安全[3]。野战油库一般距前沿阵地两三百公里为宜，距离太远，对部队油库进行油料补给的难度增大，距离太近，由于油库是敌方打击的重点，自身的安全无法保证。由于地理条件的限制，一些地点比如易爆发山洪的地点以及弹药库、居民区等明显的地物是不可以作为野战油库库址的，但是除开这些点，可以将上级要求的保障区域划分为若干个连续的小区域。因此可以认为其决策变量是连续的。连续野战油库选址问题可以这样描述：一些连续的点代表野战油库的选址范围，N个确定的点代表部队油库，从野战油库以一定的运输时间将一定量的油料和油料装备分别运输到各个部队油库，所需要解决的问题是如何选择一个野战油库库址，使得总的运输时间最短。

作以下假设：每个部队油库有且仅有一个野战油库为其供应油料和油料装备[4]。每个部队油库的需求量可以预测[5]。备选的野战油库库址通往每个部队油库的道路路况良好且换算为直线。

则有目标函数：

(1)

式中T为总的运输时间；n为部队油库的个数，n≥0；ci为 部队油库i的运输权重，取值范围为(0，1)；(xi，yi)为部队油库i的座标，i∈int[1,n]；(aj，bj)为待选的野战油库的地址座标，(aj，bj)是目标函数中的变量;vi为运输的平均速度，通常取60 km/h。

总的运输时间越短，说明选址合理程度更高。

2　改进粒子群算法

粒子群算法(Particle Swarm Optimization,PSO)是一种进化计算技术,也称微粒群算法,最早是由Kenney和Eberhant在1995年提出[6-7]。将野战油库选址的全局最优解看成是鸟群所要寻找的食物，野战油库选址的搜索空间看作是鸟群觅食的范围，每只鸟被抽象为一个没有质量没有体积的粒子。每个粒子都有自己的位置、速度及被优化的函数决定的适应值，然后粒子们追随当前的最优粒子在解空间中进行搜索。

粒子根据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是粒子当前的位置向量；pk为粒子历史最优值，gk为全局最优值；c1,c2为群体认知系数，通常取值为2[9]；r1,r2为(0，1)的随机数；w∈[0.1,0.9]为惯性权重。

粒子群算法中的每一个粒子能够记住自己的历史最优适应值和种群最好的适应值，并通过向这两者学习，更新自己的位置，从而不断向全局最优解靠近。但是标准的粒子群算法容易陷入局部最优解，而无法找到全局最优解。

针对这一问题，可以对标准的粒子群算法作改进。因为最优解其实是较优解中的一个，可以在粒子有陷入局部最优的倾向时，对粒子的自适应性按照式(3)进行变异[10-11]，以一定的概率重新初始化粒子，扩大搜索范围，这样较优秀的粒子被选中的可能性会大一些。

ifrand>0.8

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

(3)

end

同时，惯性权重很大程度上体现了粒子对速度的继承，较大的惯性权重利于全局搜索，较小的惯性权重利于局部搜索。为了更好地平衡全局搜索能力和局部搜索能力之间的关系，使用线性递减惯性权重的办法对标准的粒子群算法进行改进。搜索一开始时，惯性权重大一些，使粒子保持很强的全局搜索能力，随着进化代数的增加，逐步减小惯性权重,逐步增强粒子的局部搜索能力。改进粒子的惯性权重按式(4)递减：

(4)

2.1编码方式

本文中使用实数对粒子进行编码，每个粒子对应一个备选的野战油库地址。每个粒子有两个维度，即横座标和纵座标。N个粒子的设定,可以采取指定的方法产生，也可以采取随机的方法产生。为了让算法更具有普遍适用性，随机产生N个粒子对其进行优化，初始化为

(5)

式(5)中ai1≥0，ai2≥0。

2.2参数设定

c1,c2为群体认知系数，在此取2；r1,r2为(0，1)的随机数；w∈[0.3,0.9]为改进粒子群算法的惯性权重。

2.3改进粒子群算法的步骤

第1步：设置算法的相关参数，采用上述的编码方式对粒子的位置和速度进行初始化，每个粒子的位置矩阵和速度矩阵都对应一个N×2的矩阵；

第2步：设置粒子的线性递减惯性权重；

第3步：更新粒子的速度与位置，并对边界约束进行处理；

第4步：对每个粒子，将其适应度与全局最优集合内数值作比较，如果粒子陷入局部最优，则改变粒子的自适应性；

第5步：继续更新粒子的速度和位置；

第6步：对所有粒子进行评价，若达到最优解输出条件，或满足最大搜索次数，则跳出循环，不满足则返回第2步。

3　基于改进粒子群算法的野战油库选址模型实例

为了保障某次作战，某后方油库拟在作战地域后方建立1 个野战油库。假设这次作战中这个野战油库要为30个部队油库补充油料，这些部队油库位于一个100×100 km2的一个矩形中，如图1所示。

部队油库的座标和运输权重由随机生成，X座标为部队油库的横座标,Y座标为部队油库的横座标，如表1所示。

种群规模通常取20～40，本文取25,假定上级指定的供选择开设野战油库的范围是一个距离部队油库群200～300 km 的一个100×100 km2矩形区域。对粒子进行初始化。假定运输速度为60 km/h。通过标准粒子群算法进行仿真，结果如图2所示，横座标轴代表进化代数，纵座标轴代表适应度。通过改进粒子群算法进行仿真，结果如图3所示。

表1　各部队油库的座标及运输权重

图1　部队油库分布图

图2　标准粒子群算法仿真的结果

图3　改进粒子群算法仿真结果

通过上述两个仿真结果，经过改进的粒子群算法,克服了标准粒子群算法容易陷入局部最优的局限，优于标准粒子群算法。图1所示的标准粒子群算法的仿真结果，全局最佳适应度值111.169 2，全局最佳位置(300，300)，粒子在48代时就陷入了局部最优。图2所示的改进后的粒子群算法的仿真结果，全局最佳适应度值22.8017，迭代到第273代时找到全局最佳位置(394.460 3，399.049 2)。

4　结语

本文对野战油料选址问题进行了建模，分别采取标准粒子群算法和改进的粒子群算法对野战油料选址问题进行仿真。仿真的结果在验证了改进粒子群算法的有效性的同时，还表明改进算法的寻优能力强于标准粒子群算法。改进后的粒子群算法为野战油库的选址提供了一个科学高效的办法。

[1]周庆忠.军队油料勤务学[M].北京：国防工业出版社，2015:319-320.

[2]仰勇,周庆忠,苗强,等.鲍摩-瓦尔夫模型在野战油库选址中的应用[J].后勤工程学院学报,2009,25(4):41-43.

[3]周庆忠.军队油料勤务学[M].北京：国防工业出版社，2015:323-327.

[4]刘奇韬,何奇,穆鑫.油料保障资源调拨运输优化模式分析和模型实现[J].中国储运,2013(4):127-130.

[5]周庆忠,曾慧娥.基于改进微粒群神经网络的油料储备预测[J].计算机仿真，2013,30(9):314-317.

[6]李壮阔,马艳楠,刘亮.平均最优信息粒子群算法在车辆调度中的应用[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]马东青,王蔚.基于改进粒子群算法的物流配送车辆调度[J].计算机工程与应用,2014,50(11):246-250.

[9]闫华，何晓静.基于保障时间窗的油料调拨运输模型[J].后勤工程学院学报,2015，31(4):85-89.

[10]郑冀，杨振东，刘光霆. 基于模糊多目标决策的野战油库选址[J]． 重庆理工大学学报(自然科学)，2012(5)：118-122.

[11]史峰,王小川,郁磊.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社,2010(4):236-242.

[12]陈金辉,陈辰,董飚.基于自适应策略的改进粒子群算法[J].计算机仿真,2015,32(3):298-303.

(责任编辑唐定国)

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

张卫明(1986—)，男，硕士研究生，主要从事油料勤务研究。

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

【后勤保障与装备管理】