本發(fā)明涉及智能優(yōu)化算法，具體涉及一種基于鼠疫傳染病模型的多目標(biāo)輸送路徑組合優(yōu)化方法。
背景技術(shù)：
：考慮多目標(biāo)輸送路徑組合優(yōu)化模型的一般形式如下：min{O1f1(X),O2f2(X),...,OMfM(X)}s.t.gia(X)≥0,ia∈Ihib(X)=0,ib∈EX∈H⋐Rn---(1)]]>式中：(1)Rn是n維歐氏空間，n為該優(yōu)化模型所包含的變量總數(shù)；(2)X＝(x1，x2，…，xm，xm+1，…，xn)是一個(gè)n維決策向量，其中，前m個(gè)變量x1，x2，…，xm是連續(xù)實(shí)數(shù)型變量，用來表示模型中涉及到的流量型參數(shù)；后n-m個(gè)變量xm+1，…，xn是0、1整數(shù)型變量，用來表示n個(gè)站點(diǎn)中的哪些站點(diǎn)可要成為一條最優(yōu)輸送路徑中一些結(jié)點(diǎn)，即對(duì)于任意xj∈{xm+1，…，xn}，若xj＝1，則表示第j個(gè)站點(diǎn)被選中為該最優(yōu)輸送路徑中的一個(gè)結(jié)點(diǎn)，若xj＝0，則表示第j個(gè)站點(diǎn)未被選中；(3)f1(X)，f2(X)，…，fM(X)為M個(gè)目標(biāo)函數(shù)，用來表示輸送路徑選擇時(shí)的M個(gè)控制目標(biāo)要求；(4)O1，O2，…，OM為M個(gè)目標(biāo)函數(shù)的優(yōu)先級(jí)，優(yōu)先級(jí)次序要求滿足O1>O2>…>OM，即目標(biāo)函數(shù)f1(X)首先要求達(dá)到最小，其次是f2(X)，再其次是f3(X)，依次類推，最后要求達(dá)到最小的是目標(biāo)函數(shù)fM(X)；(5)表示站點(diǎn)選擇時(shí)所需滿足的第ia個(gè)不等式約束條件；I為不等式約束條件編號(hào)的集合；(6)表示站點(diǎn)選擇時(shí)所需滿足的第ib個(gè)等式約束條件；E為等式約束條件編號(hào)的集合；(7){fi(X)，i＝1，2，…，M}、{ia∈I}、{ib∈E}的數(shù)學(xué)表達(dá)式?jīng)]有限制條件；(8)H為搜索空間，又稱解空間；(9)計(jì)算時(shí)，決策向量X也稱為試探解；若試探解X不滿足約束條件，則令f(X)＝+∞。多目標(biāo)輸送路徑組合優(yōu)化模型式(1)常用來求解井下礦塵輸送路徑優(yōu)化問題、物資配送路徑優(yōu)化問題、人員疏散路徑優(yōu)化問題、網(wǎng)絡(luò)路由規(guī)劃問題，等等。多目標(biāo)輸送路徑組合優(yōu)化模型式(1)中的fi(X)、的數(shù)學(xué)表達(dá)式?jīng)]有限制條件，傳統(tǒng)的基于函數(shù)連續(xù)性和可導(dǎo)性的數(shù)學(xué)優(yōu)化方法無(wú)法解決該問題。目前，求解多目標(biāo)輸送路徑組合優(yōu)化模型式(1)的常用方法是智能優(yōu)化算法。已有的智能優(yōu)化算法有：(1)遺傳算法：該算法1975年由美國(guó)芝加哥大學(xué)Holland的專著《AdaptationinNaturalandArtificialSystems》提出，所采用的技術(shù)方案是利用遺傳學(xué)理論構(gòu)造個(gè)體進(jìn)化方法，從而對(duì)優(yōu)化問題進(jìn)行求解。李成博、王小明、柳強(qiáng)在文獻(xiàn)《基于遺傳算法的WMSNs多路徑多目標(biāo)優(yōu)化路由算法，計(jì)算機(jī)應(yīng)用研究，2012年，第29卷，第6期，第2277-2282頁(yè)》中，針對(duì)WMSNs路由算法設(shè)計(jì)的需求，依據(jù)遺傳算法的基本原理和Pareto多目標(biāo)優(yōu)化方法，提出WMSNs多路徑多目標(biāo)優(yōu)化路由算法MMOR-GA；將MMOR-GA進(jìn)行模擬仿真實(shí)驗(yàn)，結(jié)果表明MMOR-GA算法能均衡有效地提高WMSNs路由的多QoS參數(shù)。李軍亮、李季穎、戢治洪在文獻(xiàn)《基于遺傳算法的軍事物流運(yùn)輸計(jì)劃，海軍航空工程學(xué)院學(xué)報(bào)，2015年，第30卷，第3期，第291-295頁(yè)》中，針對(duì)軍事物流運(yùn)輸中車輛裝載和車輛路徑的組合問題進(jìn)行研究，建立車輛裝載和車輛路徑組合問題的目標(biāo)優(yōu)化模型；通過改進(jìn)遺傳算法對(duì)模型求解，得到了較為滿意的結(jié)果，可以在滿足多車型多品種貨物配送約束的條件下，實(shí)現(xiàn)運(yùn)輸車輛最少、車輛滿載率高、車輛運(yùn)輸路徑最短的目標(biāo)。徐賀燦、朱樹人在文獻(xiàn)《Pareto遺傳算法求解多目標(biāo)帶時(shí)間窗車輛路徑問題，物流技術(shù)，2015年，第34卷，8月刊，第166-170頁(yè)》中認(rèn)為物流配送必須同時(shí)滿足幾個(gè)相互沖突的目標(biāo)，對(duì)于此多目標(biāo)優(yōu)化問題，引入Pareto最優(yōu)解概念，建立了描述該問題的數(shù)學(xué)模型NSGAII，并提出解決VRPTW的Pareto遺傳算法；算法通過NSGAII構(gòu)造非支配解，求出滿足車輛數(shù)目最小和總路程最短的相對(duì)較優(yōu)解。孟永昌、楊賽霓、史培軍在文獻(xiàn)《基于改進(jìn)遺傳算法的路網(wǎng)應(yīng)急疏散多目標(biāo)優(yōu)化，武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2014年，第39卷，第2期，第201-205頁(yè)》中，基于路網(wǎng)應(yīng)急疏散問題的實(shí)際需求，提出以路徑流量為決策變量，以疏散流量最大、疏散路線最短和可靠性最高為目標(biāo)的多目標(biāo)優(yōu)化模型，綜合考慮了應(yīng)急疏散的時(shí)效性、經(jīng)濟(jì)性和安全性，并設(shè)計(jì)自適應(yīng)小生境Pareto遺傳算法對(duì)模型進(jìn)行求解。談曉勇、林鷹在文獻(xiàn)《基于改進(jìn)遺傳蟻群算法的災(zāi)后救援路徑規(guī)劃，計(jì)算機(jī)工程與設(shè)計(jì)，2014年，第35卷，第7期，第2526-2530頁(yè)》中，以地震為例，針對(duì)災(zāi)后車輛路徑優(yōu)化問題的特征和需求，研究了救援通行時(shí)間、道路風(fēng)險(xiǎn)和道路付出成本等多目標(biāo)的評(píng)估方法，以此為基礎(chǔ)建立了震后車輛路徑優(yōu)化問題的多目標(biāo)優(yōu)化模型；設(shè)計(jì)了一種改進(jìn)的遺傳蟻群系統(tǒng)混合算法；通過引入遺傳算法的變異算子增強(qiáng)算法的全局搜索能力，采用最大最小蟻群算法的實(shí)現(xiàn)機(jī)制來優(yōu)化階段最優(yōu)解的子路徑；實(shí)例仿真結(jié)果表明，該模型和算法是可行的。(2)蟻群算法：該算法由ColorniA和DorigoM等人在文獻(xiàn)《Distributedoptimizationbyantcolonies，Proceedingsofthe1stEuropeConferenceonArtificialLife，1991年，第134-142頁(yè)》中提出，所采用的技術(shù)方案是模擬螞蟻群體覓食行為來進(jìn)行優(yōu)化問題的求解。李琳、劉士新、唐加福在文獻(xiàn)《B2C環(huán)境下帶預(yù)約時(shí)間的車輛路徑問題及多目標(biāo)優(yōu)化蟻群算法，控制理論與應(yīng)用，2011年，第28卷，第1期，第87-93頁(yè)》中，根據(jù)B2C(商家對(duì)客戶)電子商務(wù)環(huán)境下物流配送的特點(diǎn)建立了帶預(yù)約時(shí)間的車輛路徑問題(VRP)數(shù)學(xué)模型，設(shè)計(jì)了求解多目標(biāo)優(yōu)化的蟻群算法，各個(gè)目標(biāo)具有相同的重要性；在蟻群的狀態(tài)轉(zhuǎn)移概率中引入預(yù)約時(shí)間窗寬度及車輛等待時(shí)間因素，記錄優(yōu)化過程中產(chǎn)生的Pareto最優(yōu)解，用Pareto最優(yōu)解集來指導(dǎo)蟻群的信息素更新策略；采用改造的Solomon數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，用Solomon最優(yōu)解與本文的結(jié)果進(jìn)行比較，實(shí)驗(yàn)結(jié)果驗(yàn)證了模型的合理性及算法的有效性。吳兆福、董文永在文獻(xiàn)《求解動(dòng)態(tài)車輛路徑問題的演化蟻群算法，武漢大學(xué)學(xué)報(bào)(理學(xué)版)，2007，第53卷第5期，第571-575頁(yè)》中，在Evo-Ant算法的基礎(chǔ)上提出了多目標(biāo)的算法，即利用Evo-Ant算法來產(chǎn)生新的解，并利用一個(gè)額外的存儲(chǔ)空間來存放Pareto候選解，用新產(chǎn)生的解來更新Pareto候選解，消除被支配的解，依次循環(huán)，從而得到近似的Pareto解；為了驗(yàn)證演化蟻群算法，采用2種測(cè)試手段：一種是Solomon的測(cè)試數(shù)據(jù)，另一種是在仿真環(huán)境下的測(cè)試；實(shí)驗(yàn)結(jié)果表明該算法很具有競(jìng)爭(zhēng)能力。肖樂、吳相林、甄彤在文獻(xiàn)《自適應(yīng)混沌蟻群算法的糧食應(yīng)急路徑優(yōu)化研究，計(jì)算機(jī)工程與應(yīng)用，2012年，第48卷，第24期，第28-31頁(yè)》中，針對(duì)風(fēng)險(xiǎn)管理下的糧食應(yīng)急路徑優(yōu)化問題，將“運(yùn)輸風(fēng)險(xiǎn)最小”和“運(yùn)輸時(shí)間最小”作為目標(biāo)，建立相應(yīng)的優(yōu)化模型；利用“最大最小螞蟻系統(tǒng)”進(jìn)行求解，為避免過早陷入局部最優(yōu)，提出自適應(yīng)混沌蟻群優(yōu)化算法；該算法利用有效解相似度來判斷蟻群當(dāng)前狀態(tài)，根據(jù)情況對(duì)信息素進(jìn)行全局更新和混沌擾動(dòng)，可以有效地提高最優(yōu)解的精度。張維存、鄭丕諤、吳曉丹在文獻(xiàn)《基于蟻群粒子群算法求解多目標(biāo)柔性調(diào)度問題，計(jì)算機(jī)應(yīng)用，2007年，第27卷，第4期，第936-939頁(yè)》中，通過分析多目標(biāo)柔性作業(yè)車間調(diào)度問題中各目標(biāo)的相互關(guān)系，提出一種主、從遞階結(jié)構(gòu)的蟻群粒子群求解算法；算法中，主級(jí)為蟻群算法，在選擇工件加工路徑過程中實(shí)現(xiàn)設(shè)備總負(fù)荷和關(guān)鍵設(shè)備負(fù)荷最小化的目標(biāo)；從級(jí)為粒子群算法，在主級(jí)工藝路徑約束下的設(shè)備排產(chǎn)中實(shí)現(xiàn)工件流通時(shí)間最小化的目標(biāo)；然后，以設(shè)備負(fù)荷和工序加工時(shí)間為啟發(fā)式信息設(shè)計(jì)螞蟻在工序可用設(shè)備間轉(zhuǎn)移概率；基于粒子向量?jī)?yōu)先權(quán)值的大小關(guān)系設(shè)計(jì)解碼方法實(shí)現(xiàn)設(shè)備上的工序排產(chǎn)。最后，通過仿真和比較實(shí)驗(yàn)，驗(yàn)證了該算法的有效性。(3)粒子群算法：該算法由EberhartR和KennedyJ在文獻(xiàn)《Newoptimizerusingparticleswarmtheory，MHS’95ProceedingsoftheSixthInternationalSymposiumonMicroMachineandHumanScience，IEEE，Piscataway，NJ，USA，1995年，第38-43頁(yè)》中提出，所采用的技術(shù)方案是利用模仿鳥類的群體行為來進(jìn)行優(yōu)化問題的求解。高曉巍在文獻(xiàn)《基于改進(jìn)QPSO算法的物流運(yùn)輸路徑問題研究，計(jì)算機(jī)仿真，2013年，第30卷，第8期，第169-172頁(yè)》中，提出以物流運(yùn)輸成本最小化與顧客滿意程度最大化為目標(biāo)，借助權(quán)重系數(shù)變換法將多目標(biāo)優(yōu)化模型轉(zhuǎn)換成單目標(biāo)優(yōu)化模型，并構(gòu)造改進(jìn)的QPSO算法進(jìn)行求解。曹軍、唐倫、陳前斌、李云在文獻(xiàn)《基于粒子群算法的移動(dòng)路由選擇方案，廣東通信技術(shù)，2009年，第1期，第25-31頁(yè)》中給出了一種移動(dòng)路由模型，為滿足移動(dòng)路由的網(wǎng)絡(luò)環(huán)境，設(shè)計(jì)了使QoS參數(shù)時(shí)刻變化的函數(shù)實(shí)現(xiàn)；然后將粒子群算法應(yīng)用到該模型中實(shí)現(xiàn)路徑的尋優(yōu)；仿真結(jié)果表明，將粒子群算法用于該移動(dòng)路由模型中能夠得到很好的收斂速度和尋優(yōu)結(jié)果。邱長(zhǎng)伍、王龍梅、黃彥文在文獻(xiàn)《基于積式?jīng)Q策的全方位移動(dòng)雙臂機(jī)器人連續(xù)軌跡任務(wù)多目標(biāo)規(guī)劃，機(jī)器人，2013年，第35卷，第2期，第178-185頁(yè)》中，分析了受約束OMDAR(全方位移動(dòng)雙臂機(jī)器人)系統(tǒng)的多目標(biāo)運(yùn)動(dòng)規(guī)劃任務(wù)的數(shù)學(xué)建模與求解方法；在積式?jīng)Q策多目標(biāo)優(yōu)化算法框架下，將OMDAR系統(tǒng)連續(xù)軌跡運(yùn)動(dòng)規(guī)劃需求與相關(guān)約束建模為乘積形式單一優(yōu)化目標(biāo)函數(shù)，采用高斯巡游粒子群優(yōu)化算法(GR-PSO)，可靠有效地實(shí)現(xiàn)了問題的求解。(4)魚群算法：該算法由李曉磊、邵之江和錢積新等人在文獻(xiàn)《一種基于動(dòng)物自治體的尋優(yōu)棋式：魚群算法，系統(tǒng)工程理論與實(shí)踐，2002年，第22卷，第11期，第32-38頁(yè)》中提出，所采用的技術(shù)方案是利用魚在水中的覓食、追尾、群聚等行為對(duì)優(yōu)化問題解空間進(jìn)行搜索，從而獲取優(yōu)化問題的全局最優(yōu)解。劉勝、李高云、江娜在文獻(xiàn)《SVM性能的免疫魚群多目標(biāo)優(yōu)化研究，智能系統(tǒng)學(xué)報(bào)，2010年，第5卷，第2期，第144-149頁(yè)》中認(rèn)為：SVM算法的訓(xùn)練精度和訓(xùn)練速度是衡量其性能的2個(gè)重要指標(biāo)，以這2個(gè)指標(biāo)為目標(biāo)變量建立SVM性能多目標(biāo)優(yōu)化問題的數(shù)學(xué)模型，采用直接對(duì)多個(gè)目標(biāo)同時(shí)進(jìn)行優(yōu)化的方法求得問題的Pareto近似解集；在求解Pareto近似解集時(shí),將免疫原理中的濃度機(jī)制引入基本魚群算法中，形成一種改進(jìn)的免疫魚群算法；以非線性動(dòng)態(tài)系統(tǒng)仿真數(shù)據(jù)為樣本數(shù)據(jù)，并采用改進(jìn)的免疫魚群算法求解SVM性能多目標(biāo)優(yōu)化問題的Pareto近似解集；仿真結(jié)果表明，在解決多目標(biāo)優(yōu)化問題時(shí)，免疫魚群算法相對(duì)于基本魚群算法和遺傳算法具有更好的優(yōu)越性。趙美玲、周根寶在文獻(xiàn)《人工魚群算法及其在多目標(biāo)投資組合問題中的應(yīng)用，內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014年，第35卷，第1期，第152-154頁(yè)》中認(rèn)為：在資金投資過程中經(jīng)常涉及到多目標(biāo)投資組合問題，但運(yùn)用傳統(tǒng)的算法求解這類問題比較復(fù)雜，為此提出利用人工魚群算法進(jìn)行優(yōu)化求解，并進(jìn)行編程實(shí)現(xiàn)，仿真實(shí)驗(yàn)結(jié)果表明了該算法求解此類問題的有效、可行性。尹立敏、李想、孟濤、尹杭在文獻(xiàn)《基于改進(jìn)人工魚群算法的輸電網(wǎng)絡(luò)擴(kuò)展規(guī)劃，電氣自動(dòng)化，2016年，第38卷，第2期，第48-51頁(yè)》中，研究了大規(guī)模輸電網(wǎng)絡(luò)擴(kuò)展規(guī)劃問題，建立了考慮投資運(yùn)行費(fèi)用、網(wǎng)損費(fèi)用及過負(fù)荷費(fèi)用的多目標(biāo)優(yōu)化數(shù)學(xué)模型；針對(duì)傳統(tǒng)魚群算法初始化復(fù)雜、收斂速度慢和收斂精度較低的問題，在其覓食、追尾過程中引入自適應(yīng)變步長(zhǎng)策略以提高算法的尋優(yōu)性能，并將改進(jìn)的人工魚群算法用于求解輸電網(wǎng)絡(luò)擴(kuò)展規(guī)劃模型。對(duì)Garver-6節(jié)點(diǎn)和18節(jié)點(diǎn)測(cè)試系統(tǒng)進(jìn)行仿真計(jì)算，驗(yàn)證所提模型和算法的高效可行性。(5)人工免疫算法：該算法是李茂軍、羅安、童調(diào)生在文獻(xiàn)《人工免疫算法及其應(yīng)用研究，控制理論與應(yīng)用，2004年，第21卷，第2期，第153-158頁(yè)》中提出，該算法是借鑒生命科學(xué)中免疫的概念與理論發(fā)展起來的，該算法的核心在于免疫算子的構(gòu)造，而免疫算子是通過接種疫苗和選擇免疫兩個(gè)步驟來完成的；免疫算法的大部分成果是基于Burnet提出的克隆選擇學(xué)說?；诳寺∵x擇原理，CASTROD在文獻(xiàn)《Learningandoptimizationusingthecloneselectionprinciple，IEEETransactionsonEvolutionaryComputation，2002年，第6卷，第3期，第239-251頁(yè)》提出了一種克隆選擇算法，其核心是采用了比例復(fù)制算子和比例變異算子，該算法容易產(chǎn)生多樣性差、算法實(shí)現(xiàn)過程困難的缺點(diǎn)。JIAOLicheng、DUHaifeng在文獻(xiàn)《Developmentandprospectoftheartificialimmunesystem，ActaElectronicaSinica，2003年，第31卷、第10期，第1540-1548頁(yè)》在對(duì)免疫選擇機(jī)理深入研究的基礎(chǔ)上，提出了自適應(yīng)多克隆規(guī)劃算法、自適應(yīng)動(dòng)態(tài)克隆算法、免疫優(yōu)勢(shì)克隆算法等多種高級(jí)免疫克隆選擇算法。曹先彬、王本年、王煦法在文獻(xiàn)《一種病毒進(jìn)化型遺傳算法，小型微型計(jì)算機(jī)系統(tǒng)，2001年，第21卷、第1期，第59-62頁(yè)》提出的VEGA算法是以遺傳算法為基礎(chǔ)，從生物病毒機(jī)制中抽取出適合改進(jìn)遺傳算法的一些特征，將個(gè)體分為病毒個(gè)體和宿主個(gè)體，兩種個(gè)體各自有不同的行為，兩者之間又通過感染操作而具有一種自然的協(xié)同聯(lián)系，從而大大提高了個(gè)體的多樣性。翟雨生、程志紅、陳光柱、李柳在文獻(xiàn)《基于Pareto的多目標(biāo)優(yōu)化免疫算法，計(jì)算機(jī)工程與應(yīng)用，2006年，第24期，第27-29頁(yè)》中建立了一種新型的基于Pareto的多目標(biāo)優(yōu)化免疫算法(MOIA)；算法中，將優(yōu)化問題的可行解對(duì)應(yīng)抗體，優(yōu)化問題的目標(biāo)函數(shù)對(duì)應(yīng)抗原，Pareto最優(yōu)解被保存在記憶細(xì)胞集中，并利用有別于聚類的鄰近排擠算法對(duì)其進(jìn)行不斷更新，進(jìn)而獲得分布均勻的Pareto最優(yōu)解。李凌晶、陳云芳在文獻(xiàn)《基于知識(shí)域的多目標(biāo)優(yōu)化免疫算法，計(jì)算機(jī)工程，2010年，第36卷，第20期，第161-163頁(yè)》中，針對(duì)傳統(tǒng)免疫算法存在早熟收斂以及多樣性不足的問題，提出一種基于知識(shí)域的多目標(biāo)優(yōu)化免疫算法；通過初始化知識(shí)域選擇精英解，利用該精英解集自適應(yīng)更新知識(shí)域的邊界，從而維持算法收斂性與多樣性的平衡；測(cè)試結(jié)果表明，相比NSGAII、SPEAII算法，該算法在運(yùn)行時(shí)間、多樣性以及覆蓋性方面具有較大優(yōu)勢(shì)。唐俊、趙曉娟在《基于免疫算法的網(wǎng)絡(luò)基站規(guī)劃優(yōu)化，計(jì)算機(jī)工程，2010年，第36卷，第16期，第169-170頁(yè)》中，針對(duì)傳統(tǒng)網(wǎng)絡(luò)基站規(guī)劃方法的不足，提出一種基于免疫算法的優(yōu)化方法；使用多目標(biāo)優(yōu)化方法對(duì)基站規(guī)劃問題進(jìn)行數(shù)學(xué)建模，免疫優(yōu)化算法采用濃度調(diào)節(jié)選擇概率機(jī)制、鄰近排擠算法、循環(huán)交叉和改進(jìn)的變異操作，能保證解的多樣性以及Pareto最優(yōu)解集均勻分布在前沿面上；仿真結(jié)果表明，該算法能夠有效獲得最優(yōu)的基站分布方案，覆蓋率達(dá)到97.6％。李春華、毛宗源在文獻(xiàn)《基于人工免疫算法的多目標(biāo)函數(shù)優(yōu)化，計(jì)算機(jī)測(cè)量與控制，2005年，第13卷，第3期，第278-280頁(yè)》中，提出了一種新型的人工免疫算法用來解決多目標(biāo)函數(shù)優(yōu)化問題；基于自然免疫系統(tǒng)固有的優(yōu)良特性對(duì)算法進(jìn)行了設(shè)計(jì)和分析；最后，算法對(duì)3個(gè)較復(fù)雜的多目標(biāo)問題進(jìn)行了優(yōu)化，優(yōu)化結(jié)果能很好地覆蓋問題的Pareto最優(yōu)面。龍文、黃漢明、李小勇、覃邦余在文獻(xiàn)《多目標(biāo)城市應(yīng)急系統(tǒng)選址問題的免疫算法，廣西物理，2008年，第29卷，第2期，第26-29頁(yè)》中，考慮應(yīng)急設(shè)施選址時(shí)的成本和應(yīng)急時(shí)間因素，給出一種多目標(biāo)城市應(yīng)急設(shè)施選址問題的數(shù)學(xué)模型；鑒于一般方法求解該模型的困難，提出一種多目標(biāo)免疫算法作為模型求解方法，通過實(shí)例計(jì)算，說明該算法是有效的。陶媛、吳耿鋒、胡珉在文獻(xiàn)《基于Pareto的多目標(biāo)進(jìn)化免疫算法，計(jì)算機(jī)應(yīng)用研究，2009年，第26卷，第5期，第1687-1690頁(yè)》中，提出一種新的基于Pareto多目標(biāo)進(jìn)化免疫算法(PMEIA)；算法在每一代進(jìn)化群體中選取最優(yōu)非支配抗體保存到記憶細(xì)胞文檔中；同時(shí)引入Parzen窗估計(jì)法計(jì)算記憶細(xì)胞的熵值，根據(jù)熵值對(duì)記憶細(xì)胞文檔進(jìn)行動(dòng)態(tài)更新，使算法向著理想Pareto最優(yōu)邊界搜索；此外，算法基于點(diǎn)在目標(biāo)空間分布情況進(jìn)行克隆選擇，有利于得到分布較廣的Pareto最優(yōu)邊界，且加快了收斂速度；與已有算法相比，PMEIA在收斂性、多樣性、以及解的分布性方面都得到很好的提高。葉菁在文獻(xiàn)《基于免疫-蟻群算法的TSP問題研究，計(jì)算機(jī)工程，2010年，第36卷，第24期，第156-157頁(yè)》中，針對(duì)蟻群算法加速收斂和早熟停滯現(xiàn)象的矛盾，借鑒免疫系統(tǒng)的自我調(diào)節(jié)機(jī)制來保持種群的多樣性的能力，提出免疫-蟻群算法；該算法根據(jù)解的微觀多樣性、宏觀多樣性和弧的濃度指標(biāo)動(dòng)態(tài)調(diào)整路徑選擇概率和信息量更新策略；以數(shù)種對(duì)稱和不對(duì)稱TSP問題為例進(jìn)行仿真實(shí)驗(yàn)；結(jié)果表明，該算法比一般蟻群算法具有更好的局部求精能力、收斂性和多樣性。李昌兵、杜茂康在文獻(xiàn)《基于混沌免疫進(jìn)化算法的物流配送中心選址方案，商場(chǎng)現(xiàn)代化，2008年，1月(下旬刊)，第109-110頁(yè)》中，將混沌免疫進(jìn)化算法用于解決電子商務(wù)環(huán)境下的物流配送中心選址問題；混沌免疫進(jìn)化算法具有較好的全局搜索能力和收斂性，能夠較好的解決該類復(fù)雜系統(tǒng)的優(yōu)化問題。石悅、郭少勇、邱雪松在文獻(xiàn)《基于免疫算法的電力通信網(wǎng)線路規(guī)劃方法，北京郵電大學(xué)學(xué)報(bào)，2014年，第37卷，第2期，第14-17頁(yè)》中，提出了一種基于免疫算法的電力通信網(wǎng)線路規(guī)劃方法，綜合考慮了網(wǎng)絡(luò)的經(jīng)濟(jì)性、可靠性和業(yè)務(wù)分布因素；基于站點(diǎn)成環(huán)率構(gòu)造出網(wǎng)絡(luò)可靠性函數(shù)，結(jié)合業(yè)務(wù)分布情況設(shè)計(jì)了電力通信網(wǎng)線路規(guī)劃的問題模型，并利用免疫算法進(jìn)行求解；該方法采用多目標(biāo)優(yōu)化模型，能在一定程度上提高規(guī)劃方案的靈活性和全面性；仿真結(jié)果表明，在面對(duì)不同站點(diǎn)成環(huán)率約束的情況下，該方法均能提供有效的線路規(guī)劃方案。然而，在人工免疫算法中涉及的個(gè)體是基因，免疫算子是通過對(duì)基因進(jìn)行疫苗選擇和疫苗接種兩種操作來構(gòu)造，該算法至今還未形成統(tǒng)一的計(jì)算框架，大多數(shù)AIA算法基本上是對(duì)其他智能算法特別是進(jìn)化算法的改進(jìn)。此外，AIA算法中免疫算子很少，要想擴(kuò)展出其他算子需要涉及生命科學(xué)中非常專業(yè)和深?yuàn)W的免疫理論知識(shí)，因而對(duì)非生命科學(xué)領(lǐng)域的研究人員來說是非常困難的。更關(guān)鍵的是，AIA算法無(wú)法考慮個(gè)體易感、暴露、免疫、已病與治愈之間的狀態(tài)轉(zhuǎn)換。此外，現(xiàn)有技術(shù)只能解決維數(shù)不高的多目標(biāo)輸送路徑非組合優(yōu)化問題，對(duì)維數(shù)很高的大規(guī)模多目標(biāo)輸送路徑組合優(yōu)化問題的求解存在困難。技術(shù)實(shí)現(xiàn)要素：為了求解目標(biāo)函數(shù)和約束條件不需要特殊的限制條件的多目標(biāo)輸送路徑組合優(yōu)化問題，特別是維數(shù)很高的大規(guī)模多目標(biāo)輸送路徑組合優(yōu)化問題；本發(fā)明提供一種基于鼠疫傳染病模型的多目標(biāo)輸送路徑組合優(yōu)化方法，簡(jiǎn)稱TPO_SEIR方法；在TPO_SEIR方法中，采用與現(xiàn)有群智能算法完全不同的設(shè)計(jì)思路，提出了將脈沖預(yù)防接種的時(shí)滯鼠疫傳染病模型轉(zhuǎn)化為能求解多目標(biāo)輸送路徑組合優(yōu)化問題的一般方法；構(gòu)造出的算子可以充分反映脈沖預(yù)防接種的時(shí)滯鼠疫傳染病模型的相互作用關(guān)系，從而體現(xiàn)出鼠疫傳染病動(dòng)力學(xué)理論的基本思想；TPO_SEIR方法具有全局收斂性。為了達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：一種基于鼠疫傳染病模型的多目標(biāo)輸送路徑組合優(yōu)化方法，簡(jiǎn)稱TPO_SEIR方法，其特征在于：設(shè)要解決的多目標(biāo)輸送路徑組合優(yōu)化模型的一般形式如下：min{O1f1(X),O2f2(X),...,OMfM(X)}s.t.gia(X)≥0,ia∈Ihib(X)=0,ib∈EX∈H⋐Rn---(1)]]>式中：(1)Rn是n維歐氏空間，n為該優(yōu)化模型所包含的變量總數(shù)；(2)X＝(x1，x2，…，xm，xm+1，…，xn)是一個(gè)n維決策向量，其中，前m個(gè)變量x1，x2，…，xm是連續(xù)實(shí)數(shù)型變量，用來表示模型中涉及到的流量型參數(shù)；后n-m個(gè)變量xm+1，…，xn是0、1整數(shù)型變量，用來表示n個(gè)站點(diǎn)中的哪些站點(diǎn)可要成為一條最優(yōu)輸送路徑中一些結(jié)點(diǎn)，即對(duì)于任意xj∈{xm+1，…，xn}，若xj＝1，則表示第j個(gè)站點(diǎn)被選中為該最優(yōu)輸送路徑中的一個(gè)結(jié)點(diǎn)，若xj＝0，則表示第j個(gè)站點(diǎn)未被選中；(3)f1(X)，f2(X)，…，fM(X)為M個(gè)目標(biāo)函數(shù)，用來表示輸送路徑選擇時(shí)的M個(gè)控制目標(biāo)要求；(4)O1，O2，…，OM為M個(gè)目標(biāo)函數(shù)的優(yōu)先級(jí)，優(yōu)先級(jí)次序要求滿足O1>O2>…>OM，即目標(biāo)函數(shù)f1(X)首先要求達(dá)到最小，其次是f2(X)，再其次是f3(X)，依次類推，最后要求達(dá)到最小的是目標(biāo)函數(shù)fM(X)；(5)表示站點(diǎn)選擇時(shí)所需滿足的第ia個(gè)不等式約束條件；I為不等式約束條件編號(hào)的集合；(6)表示站點(diǎn)選擇時(shí)所需滿足的第ib個(gè)等式約束條件；E為等式約束條件編號(hào)的集合；(7){fi(X)，i＝1，2，…，M}、{ia∈I}、{ib∈E}的數(shù)學(xué)表達(dá)式?jīng)]有限制條件；(8)H為搜索空間，又稱解空間；(9)計(jì)算時(shí)，決策向量X也稱為試探解；若試探解X不滿足約束條件，則令f(X)＝+∞；將多目標(biāo)輸送路徑組合優(yōu)化模型式(1)轉(zhuǎn)換成如下單目標(biāo)輸送路徑組合優(yōu)化模型：min{F(X)=Σk=1MOkfk(X)}s.t.gia(X)≥0,ia∈Ihib(X)=0,ib∈EX∈H⋐Rn---(2)]]>式中，Ok＝10M-k；k為目標(biāo)函數(shù)的編號(hào)；所述TPO_SEIR方法，采用具有脈沖預(yù)防接種的時(shí)滯鼠疫傳染病動(dòng)力學(xué)理論，采用具有脈沖預(yù)防接種的時(shí)滯鼠疫傳染病動(dòng)力學(xué)理論，假設(shè)在某個(gè)生態(tài)系統(tǒng)存在由若干個(gè)人組成的人群，每個(gè)人均由若干個(gè)特征來表征，一個(gè)特征相當(dāng)于人體的一個(gè)器官；該生態(tài)系統(tǒng)存在一種稱為鼠疫的傳染病，人通過與帶病毒的老鼠進(jìn)行有效接觸，如被其叮咬、誤食其肉或誤食被其排泄物污染的食物，會(huì)傳染上該病，這種傳染病會(huì)在人群之中廣泛傳播；該傳染病攻擊的是人體的部分特征；該生態(tài)系統(tǒng)中未感染上該傳染病的人群稱為易感者；易感者感染上該傳染病后，不會(huì)馬上發(fā)病，其體內(nèi)的病毒進(jìn)入潛伏期；體內(nèi)病毒處于潛伏期的人群稱為暴露者；暴露者會(huì)將病毒傳給其它與其有效接觸的人；潛伏期過后的暴露者會(huì)發(fā)病，此類人稱為發(fā)病者；發(fā)病者會(huì)將其體內(nèi)的病毒傳給其它與其有效接觸的人；暴露者和發(fā)病者可以通過醫(yī)學(xué)治療而治愈；暴露者和發(fā)病者被治愈后稱為治愈者；為了防止該傳染病對(duì)人群的危害，人群每隔一段時(shí)間接種一次疫苗，接種過疫苗的人不會(huì)100％成功獲得免疫；成功接種疫苗的人群在一段時(shí)間內(nèi)自身不會(huì)染病，更不會(huì)將病毒傳播給其它人；沒有成功接種疫苗的人群依然是易感者；成功接種疫苗的人所獲得的免疫能力在一段時(shí)間后會(huì)自動(dòng)失效而喪生免疫能力；沒有進(jìn)行免疫或喪生免疫能力的人會(huì)再次染上該傳染病。在該生態(tài)系統(tǒng)中的傳染病作用之下，每個(gè)人的生長(zhǎng)狀態(tài)將在易感、暴露、發(fā)病、治愈這四個(gè)狀態(tài)之間隨機(jī)轉(zhuǎn)換。這種隨機(jī)轉(zhuǎn)換映射到優(yōu)化問題的搜索空間，意味著每個(gè)試探解在搜索空間從一個(gè)位置轉(zhuǎn)移到另外一個(gè)位置，從而實(shí)現(xiàn)了對(duì)搜索空間的隨機(jī)搜索。個(gè)人的體質(zhì)強(qiáng)弱是由該人的特征決定的，體質(zhì)強(qiáng)壯的人能繼續(xù)生長(zhǎng)，而體質(zhì)虛弱的人則停止生長(zhǎng)。本優(yōu)化方法具有搜索能力強(qiáng)和全局收斂性的特點(diǎn)，為多目標(biāo)輸送路徑組合優(yōu)化問題的求解提供了一種解決方案。具有脈沖預(yù)防接種的時(shí)滯鼠疫傳染病模型把由人組成的一個(gè)生態(tài)系統(tǒng)中的人群分成四類：S類：易感者(susceptible)類，即在生態(tài)系統(tǒng)內(nèi)所有未染病者的全體，這一類人若與帶鼠疫病毒者作有效接觸，就容易受傳染而得病。E類：暴露者(exposed)類，即在生態(tài)系統(tǒng)內(nèi)已與帶鼠疫病毒者作了有效接觸但還未發(fā)病的人群的全體，這一類人群是潛在發(fā)病者。I類：發(fā)病者(infective)類，即在生態(tài)系統(tǒng)內(nèi)已染上鼠疫而且仍在發(fā)病期的人群，這一類人群若與易感者類的人群作有效接觸，就容易把鼠疫病毒傳染給易感者。R類：治愈者(recovered)類，即表示已染病后的治愈者，這些人暫時(shí)不會(huì)得病，但經(jīng)過一定時(shí)間之后若與帶鼠疫病毒者作有效接觸還會(huì)重現(xiàn)染病?？紤]具有脈沖預(yù)防接種的時(shí)滯鼠疫傳染病動(dòng)力學(xué)模型：dS(t)dt=μ-βI(t)(1+vI(t))S(t)-μS(t)-qμI(t)dI(t)dt=-βe-μτI(t-τ)(1+vI(t-τ)S(t-τ))+qμe-μτI(t-τ)-(r+μ)I(t)dR(t)dt=rI(t)-μR(t)E(t)=1-S(t)-I(t)-R(t)t≠kTS(t+)=S(t)-bμ(S(t)+E(t)+R(t))-bpμI(t)E(t+)=E(t)I(t+)=I(t)R(t+)=R(t)+bμ(S(t)+E(t)+R(t))+bpμI(t)t=kT---(3)]]>式中：t表示時(shí)期；S(t)、E(t)、I(t)、R(t)分別表示時(shí)期t屬于S類、E類、I類、R類人群的比例，S(t)≥0，E(t)≥0，I(t)≥0，R(t)≥0，S(t)+E(t)+I(t)+R(t)＝1；μ表示出生率；β表示線性傳染率，β>0；ν表示非線性傳染率，ν≥0；q表示垂直傳染率，q>0；p表示水平傳染率，p>0；r表示治愈率，r>0；b表示免疫成功比例，b>0；τ表示潛伏期長(zhǎng)度，τ>0；V表示免疫有效持續(xù)時(shí)間長(zhǎng)度，V>0；T表示接種周期；k為正整數(shù)，k＝1，2，…。在時(shí)期t，一個(gè)人只能處于S類、E類、I類、R類中的某一個(gè)類；因S(t)、E(t)、I(t)、R(t)分別表示時(shí)期t屬于S類、E類、I類、R類人群的比例，故S(t)、E(t)、I(t)、R(t)可以看成一個(gè)人屬于S類、E類、I類和R類的概率；當(dāng)一個(gè)人屬于S類、E類、I類或R類時(shí)，就表示一個(gè)人處于S狀態(tài)、E狀態(tài)、I狀態(tài)或R狀態(tài)；所述S狀態(tài)是指?jìng)€(gè)體未染病的狀態(tài)，簡(jiǎn)稱易感狀態(tài)；所述E狀態(tài)是指?jìng)€(gè)體已感染上鼠疫傳染病但還未發(fā)病的狀態(tài)，簡(jiǎn)稱潛伏狀態(tài)、所述I狀態(tài)是指?jìng)€(gè)體已感染上鼠疫傳染病后并處于已發(fā)病狀態(tài)，簡(jiǎn)稱發(fā)病狀態(tài)、所述R狀態(tài)是指?jìng)€(gè)體患病后已治愈的狀態(tài)，簡(jiǎn)稱治愈狀態(tài)。S狀態(tài)、E狀態(tài)、I狀態(tài)和R狀態(tài)分別簡(jiǎn)記為S、E、I和R。因此，可以將式(3)應(yīng)用于人群的任何一個(gè)人，即dSi(t)dt=μ-βIi(t)(1+vIi(t))Si(t)-μSi(t)-qμIi(t)dIi(t)dt=-βe-μτiIi(t-τ)(1+vIi(t-τ)Si(t-τ))+qμe-μτiIi(t-τ)-(r+μ)Ii(t)dRi(t)dt=rIi(t)-μRi(t)Ei(t)=1-Si(t)-Ii(t)-Ri(t)t≠kTSi(t+)=Si(t)-bμ(Si(t)+Ei(t)+Ri(t))-bpμIi(t)Ei(t+)=Ei(t)Ii(t+)=Ii(t)Ri(t+)=Ri(t)+bμ(Si(t)+Ei(t)+Ri(t))+bpμIi(t)t=kT,i=1,2,...,N---(4)]]>式(4)用于計(jì)算時(shí)期t人群中的每個(gè)人處于處于S狀態(tài)、E狀態(tài)、I狀態(tài)和R狀態(tài)的概率。記時(shí)期t參數(shù)μ，β，ν，q，p，r，m的取值分別為μt，βt，νt，qt，pt，rt，mt；為方便計(jì)算，將式(4)改為離散遞推形式，即{Si(t+1)=Si(t)+μt-βtIi(t)(1+vtIi(t))Si(t)-μtSi(t)-qtμtIi(t)Ii(t+1)=Ii(t)+-β-μtτiIi(t-τi)(1+vtIi(t-τi)Si(t-τi))+dtμte-μtτiIi(t-τi)-(rt+μt)Ii(t)Ri(t+1)=Ri(t)+rtIi(t)-μtRi(t)Ei(t+1)=1-Si(t+1)-Ii(t+1)-Ri(t+1),i=1,2,...,N;t≠kT---(5)]]>{Si(t+1)=Si(t)-btμt(St(t)+Ei(t)+Ri(t))-btptμtIi(t)Ei(t+1)=Ei(t)Ii(t+1)=Ii(t)Ri(t+1)=Ri(t)+btμt(Si(t)+Ei(t)+Ri(t))+btptμtIi(t),i=1,2,...,N;t=kT---(6)]]>式(5)、式(6)中，Si(t)、Ei(t)、Ii(t)、Ri(t)分別表示時(shí)期t個(gè)體i屬于S類、E類、I類、R類人群的概率，Si(t)≥0，Ei(t)≥0，Ii(t)≥0，Ri(t)≥0，Si(t)+Ei(t)+Ii(t)+Ri(t)＝1；參數(shù)μt，βt，νt，qt，pt，rt，mt，τi的取值方法為μt＝Rand(μ0，μ1)，μ0和μ1表示μt取值的下限和上限，且滿足μ0≥0，μ1≥0，μ0≤μ1；βt＝Rand(β0，β1)，β0和β1表示βt取值的下限和上限，且滿足β0≥0，β1≥0，β0≤β1；νt＝Rand(ν0，ν1)，v0和v1表示vt取值的下限和上限，且滿足ν0≥0，ν1≥0，ν0≤ν1；qt＝Rand(q0，q1)，q0和q1表示qt取值的下限和上限，且滿足q0≥0，q1≥0，q0≤q1；pt＝Rand(p0，p1)，p0和p1表示pt取值的下限和上限，且滿足p0≥0，p1≥0，p0≤p1；rt＝Rand(r0，r1)，r0和r1表示rt取值的下限和上限，且滿足r0≥0，r1≥0，r0≤r1；bt＝Rand(b0，b1)，b0和b1表示bt取值的下限和上限，且滿足b0≥0，b1≥0，b0≤b1；τi＝INT(Rand(τ0，τ1))，τ0，τ1表示τi取值的下限和上限，且滿足τ0≥0，τ1≥0，τ0≤τ1；Vi＝INT(Rand(V0，V1))，V0，V1表示Vi取值的下限和上限，且滿足V0≥0，V1≥0，V0≤V1；Rand(A，B)表示在[A，B]區(qū)間產(chǎn)生一個(gè)均勻分布隨機(jī)數(shù)，A和B為給定的常數(shù)，要求A≤B；INT(w)表示將實(shí)數(shù)w按四舍五入取整。實(shí)現(xiàn)方法場(chǎng)景設(shè)計(jì)鼠疫，又名核瘟，是鼠疫耶爾森菌借鼠蚤傳播的烈性傳染病，致死率極高，人類歷史上曾三次大流行，為廣泛流行于野生嚙齒動(dòng)物間的一種自然疫源性疾病。在人間流行前，一般先在鼠間流行。鼠間鼠疫傳染源(儲(chǔ)存宿主)有野鼠、地鼠、狐、狼、貓、豹等，其中黃鼠屬和旱獺屬最重要。家鼠中的黃胸鼠、褐家鼠和黑家鼠是人間鼠疫重要傳染源。假設(shè)在一個(gè)生態(tài)系統(tǒng)Z存在由N個(gè)人組成的人群。人群中每個(gè)人用編號(hào)表示就是1，2，…，N；一個(gè)人又稱為一個(gè)個(gè)體；每個(gè)個(gè)體均由n個(gè)特征來表征，一個(gè)特征相當(dāng)于人體的一個(gè)器官，即對(duì)個(gè)體i來說，其表征特征為(xi,1，xi,2，…，xi,n)，i＝1，2，…，N；該生態(tài)系統(tǒng)存在一種鼠疫傳染病，人通過與帶病毒的老鼠進(jìn)行有效接觸，如被其叮咬、誤食其肉或誤食被其排泄物污染的食物，會(huì)傳染上該病，這種傳染病會(huì)在人群之中廣泛傳播；該傳染病攻擊的是人體的部分特征；該生態(tài)系統(tǒng)中未感染上該傳染病的人群稱為易感者；易感者感染上該傳染病后，不會(huì)馬上發(fā)病，其體內(nèi)的鼠疫病毒進(jìn)入潛伏期；體內(nèi)病毒處于潛伏期的人群稱為暴露者；暴露者會(huì)將鼠疫病毒傳給其它與其有效接觸的人；潛伏期過后的暴露者會(huì)發(fā)病，此類人稱為發(fā)病者；發(fā)病者會(huì)將其體內(nèi)的鼠疫病毒傳給其它與其有效接觸的人；暴露者和發(fā)病者可以通過醫(yī)學(xué)治療而治愈；暴露者和發(fā)病者被治愈后稱為治愈者；為了防止該傳染病對(duì)人群的危害，人群每隔一段時(shí)間接種一次疫苗，接種過疫苗的人不會(huì)100％成功獲得免疫；成功接種疫苗的人群在一段時(shí)間內(nèi)自身不會(huì)染病，更不會(huì)將鼠疫病毒傳播給其它人；沒有成功接種疫苗的人群依然是易感者；成功接種疫苗的人所獲得的免疫能力在一段時(shí)間后會(huì)自動(dòng)失效而喪生免疫能力；沒有進(jìn)行免疫或喪生免疫能力的人會(huì)再次染上該傳染病。在該生態(tài)系統(tǒng)中的鼠疫傳染病作用之下，該生態(tài)系統(tǒng)Z中的每個(gè)人的生長(zhǎng)狀態(tài)將在易感、暴露、發(fā)病、治愈這四個(gè)狀態(tài)之間隨機(jī)轉(zhuǎn)換。這種隨機(jī)轉(zhuǎn)換映射到優(yōu)化問題的搜索空間，意味著每個(gè)試探解在搜索空間從一個(gè)位置轉(zhuǎn)移到另外一個(gè)位置，從而實(shí)現(xiàn)了對(duì)搜索空間的隨機(jī)搜索。個(gè)人的體質(zhì)強(qiáng)弱是由該人的特征決定的，體質(zhì)強(qiáng)壯的人能繼續(xù)生長(zhǎng)，而體質(zhì)虛弱的人則停止生長(zhǎng)。將上述場(chǎng)景映射到對(duì)多目標(biāo)輸送路徑組合優(yōu)化問題式(2)全局最優(yōu)解的搜索過程中，其含義如下所述。多目標(biāo)輸送路徑組合優(yōu)化問題式(2)的搜索空間H與生態(tài)系統(tǒng)Z相對(duì)應(yīng)，該生態(tài)系統(tǒng)中一個(gè)個(gè)體對(duì)應(yīng)于多目標(biāo)輸送路徑組合優(yōu)化問題式(2)的一個(gè)試探解，N個(gè)個(gè)體所對(duì)應(yīng)的試探解集就是X＝{X1，X2，…，XN}，Xi＝(xi,1，xi,2，…，xi,n)，i＝1，2，…，N。個(gè)體i的一個(gè)特征對(duì)應(yīng)于優(yōu)化問題試探解Xi(Xi∈X)的一個(gè)變量，即個(gè)體i的特征j與試探解Xi的變量xi,j相對(duì)應(yīng)，所以個(gè)體i的特征數(shù)與試探解Xi的變量數(shù)相同，都為n。因此，個(gè)體i與試探解Xi是等價(jià)概念。個(gè)體的體質(zhì)強(qiáng)弱用人群健康指數(shù)HHI(HumanHealthIndex，HHI)來表示，HHI指數(shù)對(duì)應(yīng)于優(yōu)化問題式(2)的目標(biāo)函數(shù)值。好的試探解對(duì)應(yīng)具有較高HHI指數(shù)的個(gè)體，即體質(zhì)強(qiáng)壯的個(gè)體，差的試探解對(duì)應(yīng)具有較低HHI指數(shù)的個(gè)體，即體質(zhì)虛弱的個(gè)體。對(duì)于優(yōu)化問題式(2)，個(gè)體i的HHI指數(shù)計(jì)算方法為：在時(shí)期t，自動(dòng)隨機(jī)產(chǎn)生人群的μt，βt，νt，qt，pt，rt，bt，τi，采用鼠疫傳染病模型分別計(jì)算個(gè)體i的易感率Si(t)、暴露率Ei(t)、染病率Ii(t)和治愈率Ri(t)。個(gè)體i在時(shí)期t處于S狀態(tài)、E狀態(tài)、I狀態(tài)和R狀態(tài)四個(gè)狀態(tài)中的哪個(gè)狀態(tài)，由Si(t)、Ei(t)、Ii(t)和Ri(t)所形成的概率分布決定，即Si(t)、Ei(t)、Ii(t)和Ri(t)中的哪個(gè)值越大，其所對(duì)應(yīng)的狀態(tài)被選中的概率也越大。表1給出了鼠疫傳染病在人群中傳播情形。表1鼠疫傳染病模型的合法狀態(tài)轉(zhuǎn)換每個(gè)個(gè)體可能的S、E、I、R狀態(tài)轉(zhuǎn)換有4×4＝16種，但合法狀態(tài)轉(zhuǎn)換只有9種，如表1所示。除了表1中的9種是合法的狀態(tài)轉(zhuǎn)換外，其他類型的狀態(tài)轉(zhuǎn)換均不合法。9種合法的狀態(tài)轉(zhuǎn)換可用9個(gè)算子描述，即S-S、S-E、E-E、E-I、E-R、I-I、I-R、R-R、R-S。由于在任何時(shí)期，生態(tài)系統(tǒng)中人群的μt，βt，νt，qt，pt，rt，bt，τt都是隨機(jī)的，因此個(gè)體i的生長(zhǎng)狀態(tài)將在S、E、I、R四個(gè)狀態(tài)之間隨機(jī)轉(zhuǎn)換。這種隨機(jī)轉(zhuǎn)換映射到優(yōu)化問題的搜索空間，意味著每個(gè)試探解在搜索空間從一個(gè)位置轉(zhuǎn)移到另外一個(gè)位置，從而實(shí)現(xiàn)了對(duì)搜索空間的隨機(jī)搜索。隨機(jī)搜索過程中，若時(shí)期t個(gè)體i的HHI指數(shù)高于其時(shí)期t-1的HHI指數(shù)，則個(gè)體i將繼續(xù)生長(zhǎng)，此意味著個(gè)體i離全局最優(yōu)解越來越近；反之，若時(shí)期t個(gè)體i的HHI指數(shù)低于或等于其時(shí)期t-1的HHI指數(shù)，則個(gè)體i將停止生長(zhǎng)，此意味著個(gè)體i留在時(shí)期t-1所在的位置不動(dòng)。這種步步不差的隨機(jī)搜索策略使得該算法具有全局收斂性。特征人群集合生成方法時(shí)期t，特征人群集合生成方法如下：(1)產(chǎn)生優(yōu)勢(shì)人群集合PSu：從處于狀態(tài)u的人群中隨機(jī)挑選出L個(gè)個(gè)體，這些人的HHI指數(shù)比當(dāng)前個(gè)體i的HHI指數(shù)高，形成優(yōu)勢(shì)人群集合PSu，u∈{S，E，I，R}；L又稱為向其它個(gè)體施加影響的個(gè)體數(shù)；(2)產(chǎn)生類別人群集合CSu：從處于狀態(tài)u的人群中隨機(jī)挑選出L個(gè)個(gè)體，形成類別人群集合CSu，u∈{S，E，I，R}；演化算子(1)S-S算子。該算子描述的是已處于易感狀態(tài)的個(gè)體，仍未染上傳染病的情形。將集合PSS中所有人的一個(gè)隨機(jī)選擇的特征j及其狀態(tài)值加權(quán)和傳給當(dāng)前個(gè)體i的對(duì)應(yīng)特征j，使個(gè)體i也受到集合PSS中人群的影響，即對(duì)于處于狀態(tài)S的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈PSSαsxs,j(t)|PSS|>0xi,j(t)|PSS|=0---(8)]]>若j>m，則vi,j(t+1)=most(PSS,j)|PSS|>0xi,j(t)|PSS|=0---(9)]]>式中：vi,j(t+1)為時(shí)期t+1個(gè)體i的特征j的狀態(tài)值；xs,j(t)為時(shí)期t個(gè)體s的特征j的狀態(tài)值；αs為影響常數(shù)，αs＝Rand(0.4，0.6)；most(PSS，j)的含義是：當(dāng)集合PSS中的第j個(gè)特征的狀態(tài)值為1的人數(shù)大于第j個(gè)特征的狀態(tài)值為0的人數(shù)時(shí)，most(PSS，j)＝1；當(dāng)集合PSS中的第j個(gè)特征的狀態(tài)值為1的人數(shù)小于第j個(gè)特征的狀態(tài)值為0的人數(shù)時(shí)，most(PSS，j)＝0；當(dāng)集合PSS中的第j個(gè)特征的狀態(tài)值為1的人數(shù)等于第j個(gè)特征的狀態(tài)值為0的人數(shù)時(shí)，most(PSS，j)的值在0或1兩者之中隨機(jī)選取。(2)S-E算子。該算子描述的是已處于易感狀態(tài)的個(gè)體，通過與已暴露或已染病的人群接觸后染上傳染病的情形。因該傳染病可在人與人之間傳播，故讓L個(gè)已暴露或已染病的人的特征j及其狀態(tài)值加權(quán)和傳染給未染病的易感個(gè)體i的對(duì)應(yīng)特征j，使其暴露。即對(duì)于處于狀態(tài)S的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈CSE∪CSIαsxs,j(t)|CSE∪CSI|>0xi,j(t)|CSE∪CSI|=0---(10)]]>若j>m，則vi,j(t+1)=most(CSE∪CSI,j)|CSE∪CSI|>0xi,j(t)|CSE∪CSI|=0---(11)]]>(3)E-E算子。該算子描述的是已處于暴露狀態(tài)的個(gè)體，因潛伏期未到仍處在潛伏期的情形。讓L個(gè)已暴露但其HHI指數(shù)高于當(dāng)前個(gè)體i的人的特征j及其狀態(tài)值加權(quán)和傳給已暴露的個(gè)體i的對(duì)應(yīng)特征j，使其體質(zhì)增強(qiáng)，即對(duì)于處于狀態(tài)E的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈PSEαsxs,j(t)|PSE|>0xi,j(t)|PSE|=0---(12)]]>若j>m，則vi,j(t+1)=most(PSE,j)|PSE|>0xi,j(t)|PSE|=0---(13)]]>(4)E-I算子。該算子描述的是已處于暴露狀態(tài)的個(gè)體因潛伏期已到開始發(fā)病的情形。讓L個(gè)已發(fā)病的個(gè)體的特征j及其狀態(tài)值加權(quán)和傳給已暴露的個(gè)體i的對(duì)應(yīng)特征j，使其發(fā)病。即對(duì)于處于狀態(tài)E的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈CSIαsxs,j(t)|CSI|>0xi,j(t)|CSI|=0---(14)]]>若j>m，則vi,j(t+1)=most(CSI,j)|CSI|>0xi,j(t)|CSI|=0---(15)]]>(5)E-R算子。該算子描述的是已處于暴露狀態(tài)的個(gè)體，通過接種疫苗使其病愈的情形。讓L個(gè)已治愈的個(gè)體的特征j及其狀態(tài)值加權(quán)和傳給已處于暴露狀態(tài)的個(gè)體i的對(duì)應(yīng)特征j，使其治愈，即對(duì)于處于狀態(tài)E的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈CSRαsxs,j(t)|CSR|>0xi,j(t)|CSR|=0---(16)]]>若j>m，則vi,j(t+1)=most(CSR,j)|CSR|>0xi,j(t)|CSR|=0---(17)]]>(6)I-I算子。該算子描述的是已處于發(fā)病狀態(tài)的個(gè)體，目前仍處于發(fā)病狀態(tài)的情形。讓L個(gè)讓已發(fā)病但其HHI指數(shù)高于當(dāng)前個(gè)體i的人的特征j及其狀態(tài)值加權(quán)和傳給已發(fā)病的個(gè)體i的對(duì)應(yīng)特征j，使其體質(zhì)增強(qiáng)。即對(duì)于處于狀態(tài)I的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈PSIαsxs,j(t)|PSI|>0xi,j(t)|PSI|=0---(18)]]>若j>m，則vi,j(t+1)=most(PSI,j)|PSI|>0xi,j(t)|PSI|=0---(19)]]>(7)I-R算子。該算子描述的是已處于發(fā)病狀態(tài)的個(gè)體，通過治療或接種疫苗使其病愈的情形。讓L個(gè)已治愈個(gè)體的特征j及其狀態(tài)值加權(quán)和傳給當(dāng)前個(gè)體i的對(duì)應(yīng)特征j，使其治愈。即對(duì)于處于狀態(tài)I的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈CSRαsxs,j(t)|CSR|>0xi,j(t)|CSR|=0---(20)]]>若j>m，則vi,j(t+1)=most(CSR,j)|CSR|>0xi,j(t)|CSR|=0---(21)]]>(8)R-R算子。該算子描述的是已處于治愈狀態(tài)的個(gè)體，目前仍處于治愈狀態(tài)的情形。讓L個(gè)已治愈但其HHI指數(shù)高于當(dāng)前個(gè)體i的人的特征j及其狀態(tài)值加權(quán)和傳給已治愈的個(gè)體i的對(duì)應(yīng)特征j，使其體質(zhì)增強(qiáng)。即對(duì)于狀態(tài)R的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈PSRαsxs,j(t)|PSR|>0xi,j(t)|PSR|=0---(22)]]>若j>m，則vi,j(t+1)=most(PSR,j)|PSR|>0xi,j(t)|PSR|=0---(23)]]>(9)R-S算子。該算子描述的是已處于治愈狀態(tài)的個(gè)體，因免疫能力喪失而轉(zhuǎn)為易感狀態(tài)的情形。讓L個(gè)處于易感狀態(tài)的個(gè)體的特征j及其狀態(tài)值加權(quán)和傳給當(dāng)前個(gè)體i的對(duì)應(yīng)特征j，使其轉(zhuǎn)為易感狀態(tài)。即對(duì)于處于狀態(tài)R的個(gè)體i，有若j≤m，則vi,j(t+1)=Σs∈CSSαsxs,j(t)|CSS|>0xi,j(t)|CSS|=0---(24)]]>若j>m，則vi,j(t+1)={most(CSS,)|CSS|>0xi,j(t)|CSS|=0---(25)]]>(10)生長(zhǎng)算子。該算子描述的是人群的生長(zhǎng)，即式中：Xi(t)＝(xi，1(t)，xi，2(t)，…，xi，n(t))；Vi(t+1)＝(vi，1(t+1)，vi，2(t+1)，…，vi，n(t+1))；式中，HHI(Vi(t+1))、HHI(Xi(t))按式(7)計(jì)算；TPO_SEIR方法的構(gòu)造所述TPO_SEIR方法包括括如下步驟：(S1)初始化：a)令時(shí)期t＝0；按表2初始化本優(yōu)化方法中涉及到的所有參數(shù)；b)在搜索空間H隨機(jī)選擇N個(gè)個(gè)體所對(duì)應(yīng)的試探解{X1(0),X2(0),…,XN(0)}；c)令V(i)＝0，i＝1，2，…，N；V(i)>0表示個(gè)體i接種疫苗成功，V(i)＝0表示個(gè)體i接種疫苗未成功或未接種；表2參數(shù)的取值方法(S2)計(jì)算：計(jì)算Ri(0)＝1-Si(0)-Ei(0)-Ii(0)，i＝1，2，…，N；式中，Si(0)，Ei(0)，Ii(0)，Ri(0)分別表示時(shí)期0個(gè)體i處于S狀態(tài)、E狀態(tài)、I狀態(tài)和R狀態(tài)的概率；Rand(A，B)表示在[A，B]區(qū)間產(chǎn)生一個(gè)均勻分布隨機(jī)數(shù)，A和B為給定的常數(shù)，要求A≤B；為隨機(jī)生成的常數(shù)；(S3)計(jì)算個(gè)體i的SEIR狀態(tài)，SEIRi(0)＝SEIR(Si(0),Ei(0),Ii(0),Ri(0))，i＝1，2，…，N；其中SEIRi(0)表示時(shí)期0個(gè)體i所處的狀態(tài)；函數(shù)SEIRi(0)＝SEIR(Si(0),Ei(0),Ii(0),Ri(0))，用于確定個(gè)體i將處于何種狀態(tài)。(S4)令時(shí)期t從0到G，循環(huán)執(zhí)行步驟(S5)～步驟(S22)，其中G為演化時(shí)期數(shù)；(S5)計(jì)算：μt＝Rand(μ0，μ1)，βt＝Rand(β0，β1)，νt＝Rand(ν0，ν1)，qt＝Rand(q0，q1)，pt＝Rand(p0，p1)，rt＝Rand(r0，r1)，bt＝Rand(b0，b1)；(S6)對(duì)于所有u∈{S，E，I，R}，生成特征人群集合PSu、CSu；(S7)令i從1到N，循環(huán)執(zhí)行下述步驟(S8)～步驟(S19)；(S8)計(jì)算τi＝INT(Rand(τ0，τ1))，Vi＝INT(Rand(V0，V1))；若t不能被T整除，則按式(5)計(jì)算Si(t+1)、Ei(t+1)、Ii(t+1)和Ri(t+1)；否則，若t能被T整除，則令q0＝Rand(0,1)，若q0≤Q0，則按式(6)計(jì)算Si(t+1)、Ei(t+1)、Ii(t+1)和Ri(t+1)，并令V(i)＝t+1；否則按式(5)計(jì)算Si(t+1)、Ei(t+1)、Ii(t+1)和Ri(t+1)；其中Q0為人群接種疫苗成功獲得免疫能力的最大概率；(S9)令j從1到n，循環(huán)執(zhí)行下述步驟(S10)～步驟(S17)；(S10)計(jì)算：p0＝Rand(0,1)，其中p0為個(gè)體i的特征被傳染病攻擊而受到影響的實(shí)際概率；(S11)若p0≤E0，則執(zhí)行步驟(S12)～(S15)，其中E0為人群因傳染病傳播而受到影響的最大概率；否則，轉(zhuǎn)步驟(S16)；(S12)若SEIRi(t)＝S，則若SEIRi(t+1)＝S，則當(dāng)j≤m時(shí)按式(8)執(zhí)行S-S算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(9)執(zhí)行S-S算子，得到vi,j(t+1)；若SEIRi(t+1)＝E，且V(i)＝0，則令LP(i)＝t+1，當(dāng)j≤m時(shí)按式(10)執(zhí)行S-E算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(11)執(zhí)行S-E算子，得到vi,j(t+1)；否則，令vi,j(t+1)＝xi,j(t)，SEIRi(t+1)＝SEIRi(t)；(S13)若SEIRi(t)＝E，則若SEIRi(t+1)＝E，則當(dāng)j≤m時(shí)按式(12)執(zhí)行E-E算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(13)執(zhí)行E-E算子，得到vi,j(t+1)；若SEIRi(t+1)＝I，且(t+1-LP(i))>τi，則當(dāng)j≤m時(shí)按式(14)執(zhí)行E-I算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(15)執(zhí)行E-I算子，得到vi,j(t+1)；若SEIRi(t+1)＝R，則當(dāng)j≤m時(shí)按式(16)執(zhí)行E-R算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(17)執(zhí)行E-R算子，得到vi,j(t+1)；否則，令vi,j(t+1)＝xi,j(t)，SEIRi(t+1)＝SEIRi(t)；(S14)若SEIRi(t)＝I，則若SEIRi(t+1)＝I，則當(dāng)j≤m時(shí)按式(18)執(zhí)行I-I算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(19)執(zhí)行I-I算子，得到vi,j(t+1)；若SEIRi(t+1)＝R，則當(dāng)j≤m時(shí)按式(20)執(zhí)行I-R算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(21)執(zhí)行I-R算子，得到vi,j(t+1)；否則，令vi,j(t+1)＝xi,j(t)，SEIRi(t+1)＝SEIRi(t)；(S15)若SEIRi(t)＝R，則若SEIRi(t+1)＝R，則當(dāng)j≤m時(shí)按式(22)執(zhí)行R-R算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(23)執(zhí)行R-R算子，得到vi,j(t+1)；若SEIRi(t+1)＝S，且(t+1-V(i))>Vi，則令V(i)＝0，且當(dāng)j≤m時(shí)按式(24)執(zhí)行R-S算子，得到vi,j(t+1)；當(dāng)j>m時(shí)按式(25)執(zhí)行R-S算子，得到vi,j(t+1)；否則，令vi,j(t+1)＝xi,j(t)，SEIRi(t+1)＝SEIRi(t)；(S16)若p>E0，則令vi,j(t+1)＝xi,j(t)，SEIRi(t+1)＝SEIRi(t)；(S17)令j＝j(luò)+1，若j≤n，則轉(zhuǎn)步驟(S10)，否則轉(zhuǎn)步驟(S18)；(S18)按式(26)執(zhí)行生長(zhǎng)算子，得到Xi(t+1)；(S19)令i＝i+1，若i≤N，則轉(zhuǎn)步驟(S8)，否則轉(zhuǎn)步驟(S20)；(S20)若新得到的全局最優(yōu)解X*t+1與最近一次獲得的全局最優(yōu)解之間的誤差滿足最低要求ε，則轉(zhuǎn)步驟(S23)，否則轉(zhuǎn)步驟(S21)；(S21)保存新得到的全局最優(yōu)解X*t+1；(S22)令t＝t+1，若t≤G，則轉(zhuǎn)步驟(S5)，否則轉(zhuǎn)步驟(S23)；(S23)結(jié)束。函數(shù)SEIR(pS，pE，pI，pR)的定義如下：SEIR(pS，pE，pI，pR)//pS，pE，pI，pR分別為狀態(tài)S，E，I，R出現(xiàn)的概率計(jì)算：w＝Rand(0,1)；若w≤pS，則返回狀態(tài)S；若pS<w≤pS+pE，則返回狀態(tài)E；若pS+pE<w≤pS+pE+pI，則返回狀態(tài)I；若pS+pE+pI<w≤pS+pE+pI+pR，則返回狀態(tài)R；有益效果本發(fā)明和現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)：1、本發(fā)明公開的是一種具有脈沖預(yù)防接種的時(shí)滯鼠疫傳染病模型的輸送路徑優(yōu)化方法，即TPO_SEIR方法。在該方法中，采用具有脈沖預(yù)防接種的時(shí)滯鼠疫傳染病動(dòng)力學(xué)理論，假設(shè)在某個(gè)生態(tài)系統(tǒng)存在由若干個(gè)人組成的人群，每個(gè)人均由若干個(gè)特征來表征，一個(gè)特征相當(dāng)于人體的一個(gè)器官；該生態(tài)系統(tǒng)存在一種鼠疫傳染病，人通過與帶病毒的老鼠進(jìn)行有效接觸，如被其叮咬、誤食其肉或誤食被其排泄物污染的食物，會(huì)傳染上該病，這種傳染病會(huì)在人群之中廣泛傳播；該傳染病攻擊的是人體的部分特征；該生態(tài)系統(tǒng)中未感染上該傳染病的人群稱為易感者；易感者感染上該傳染病后，不會(huì)馬上發(fā)病，其體內(nèi)的鼠疫病毒進(jìn)入潛伏期；體內(nèi)鼠疫病毒處于潛伏期的人群稱為暴露者；暴露者會(huì)將鼠疫病毒傳給其它與其有效接觸的人；潛伏期過后的暴露者會(huì)發(fā)病，此類人稱為發(fā)病者；發(fā)病者會(huì)將其體內(nèi)的鼠疫病毒傳給其它與其有效接觸的人；暴露者和發(fā)病者可以通過醫(yī)學(xué)治療而治愈；暴露者和發(fā)病者被治愈后稱為治愈者；為了防止該傳染病對(duì)人群的危害，人群每隔一段時(shí)間接種一次疫苗，接種過疫苗的人不會(huì)100％成功獲得免疫；成功接種疫苗的人群在一段時(shí)間內(nèi)自身不會(huì)染病，更不會(huì)將鼠疫病毒傳播給其它人；沒有成功接種疫苗的人群依然是易感者；成功接種疫苗的人所獲得的免疫能力在一段時(shí)間后會(huì)自動(dòng)失效而喪生免疫能力；沒有進(jìn)行免疫或喪生免疫能力的人會(huì)再次染上該傳染病。在該生態(tài)系統(tǒng)中的傳染病作用之下，每個(gè)人的生長(zhǎng)狀態(tài)將在易感、暴露、發(fā)病、治愈這四個(gè)狀態(tài)之間隨機(jī)轉(zhuǎn)換。這種隨機(jī)轉(zhuǎn)換映射到優(yōu)化問題的搜索空間，意味著每個(gè)試探解在搜索空間從一個(gè)位置轉(zhuǎn)移到另外一個(gè)位置，從而實(shí)現(xiàn)了對(duì)搜索空間的隨機(jī)搜索。個(gè)人的體質(zhì)強(qiáng)弱是由該人的特征決定的，體質(zhì)強(qiáng)壯的人能繼續(xù)生長(zhǎng)，而體質(zhì)虛弱的人則停止生長(zhǎng)。本優(yōu)化方法具有搜索能力強(qiáng)和全局收斂性的特點(diǎn)，為多目標(biāo)輸送路徑組合優(yōu)化問題的求解提供了一種解決方案。2、TPO_SEIR方法的搜索能力很強(qiáng)。TPO_SEIR方法包括有S-S算子、S-E算子、E-E算子、E-I算子、E-R算子、I-I算子、I-R算子、R-R算子、R-S算子，這些算子大幅增加了其搜索能力。3、模型參數(shù)取值簡(jiǎn)單。采用隨機(jī)方法確定TPO_SEIR方法中的具有脈沖預(yù)防接種的時(shí)滯鼠疫傳染病動(dòng)力學(xué)模型中的參數(shù)和S-S算子、S-E算子、E-E算子、E-I算子、E-R算子、I-I算子、I-R算子、R-R算子、R-S算子中的相關(guān)參數(shù)，既大幅減少了參數(shù)輸入個(gè)數(shù)，又使模型更能表達(dá)實(shí)際情況。4、TPO_SEIR方法中的S-S算子、S-E算子、E-E算子、E-I算子、E-R算子、I-I算子、I-R算子、R-R算子、R-S算子是通過利用鼠疫傳染病動(dòng)力學(xué)模型來進(jìn)行構(gòu)造的，完全不需要與要求解的實(shí)際優(yōu)化問題相關(guān)，因此TPO_SEIR方法具有普適性。5、在TPO_SEIR方法中，S-S算子、E-E算子、I-I算子、R-R算子能使HHI指數(shù)高的個(gè)體向HHI指數(shù)低的個(gè)體傳遞強(qiáng)壯特征信息，使得HHI指數(shù)低的個(gè)體能向好的方向發(fā)展；S-E算子、E-I算子、E-R算子、I-R算子、R-S算子既能使處于不同狀態(tài)的個(gè)體之間交換信息，又能使個(gè)體獲得其他個(gè)體的加權(quán)特征信息，從而降低了個(gè)體陷入局部最優(yōu)的概率；脈沖預(yù)防接種具有使個(gè)體跳出局部最優(yōu)解陷阱的特性。因此，TPO_SEIR方法能從多種角度充分實(shí)現(xiàn)個(gè)體之間的信息交換，這對(duì)擴(kuò)大搜索范圍意義重大。6、因鼠疫病毒每次攻擊的是人群的很少部分特征，當(dāng)處于不同狀態(tài)的個(gè)體交換特征信息時(shí)，只涉及到很少一部分特征參與運(yùn)算，個(gè)體的絕大部分特征不參與運(yùn)算；盡管如此，但其HHI指數(shù)仍能得到很好改善。由于被處理的特征數(shù)大幅減少，所以當(dāng)求解復(fù)雜優(yōu)化問題，特別是高維優(yōu)化問題時(shí)，收斂速度可得到大幅提升。7、TPO_SEIR方法所涉及的演化過程體現(xiàn)了處于不同狀態(tài)的人群的出生率、線性傳染率、非線性傳染率、垂直傳染率、水平傳染率、治愈率、疫成功比例、潛伏期長(zhǎng)度和免疫有效持續(xù)時(shí)間長(zhǎng)度等參數(shù)的復(fù)雜變化情況。8、演化過程具有Markov特性。從S-S算子、S-E算子、E-E算子、E-I算子、E-R算子、I-I算子、I-R算子、R-R算子、R-S算子的定義知，任何一新試探解的生成只與該試探解的當(dāng)前狀態(tài)有關(guān)，而與該試探解以前是如何演變到當(dāng)前狀態(tài)的歷程無(wú)關(guān)。9、演化過程具有“步步不差”特性。從生長(zhǎng)算子的定義便知。10、適于求解高維多目標(biāo)輸送路徑組合優(yōu)化問題。在進(jìn)行迭代計(jì)算時(shí)，每次只處理種群特征數(shù)的1/1000～1/100，從而使計(jì)算時(shí)間復(fù)雜度大幅降低，本方法適于求解高維多目標(biāo)輸送路徑組合優(yōu)化問題。11、本發(fā)明TPO_SEIR方法的特點(diǎn)如下：1)時(shí)間復(fù)雜度較低。TPO_SEIR方法的時(shí)間復(fù)雜度計(jì)算過程如表3所示，其時(shí)間復(fù)雜度與演化時(shí)期數(shù)G、人群規(guī)模N、變量總數(shù)n以及各算子的時(shí)間復(fù)雜度以及其他輔助操作相關(guān)。表3TPO_SEIR方法的時(shí)間復(fù)雜度計(jì)算表2)TPO_SEIR方法具有全局收斂性。從S-S算子、S-E算子、E-E算子、E-I算子、E-R算子、I-I算子、I-R算子、R-R算子、R-S算子的定義知，任何一新試探解的生成只與該試探解的當(dāng)前狀態(tài)有關(guān)，而與該試探解以前是如何演變到當(dāng)前狀態(tài)的歷程無(wú)關(guān)，表明TPO_SEIR方法的演化過程具有Markov特性；從生長(zhǎng)算子的定義知，TPO_SEIR方法的演化過程具有“步步不差”特性；此兩點(diǎn)可TPO_SEIR方法具有全局收斂性，其相關(guān)證明與文獻(xiàn)《SISepidemicmodel-basedoptimization，JournalofComputationalScience，2014，第5卷，第32-50頁(yè)》類似，本發(fā)明不再贅述。具體實(shí)施方式以下結(jié)合具體實(shí)例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。(1)確定要求解的實(shí)際優(yōu)化問題，將該問題轉(zhuǎn)化成優(yōu)化模型式(1)所描述的標(biāo)準(zhǔn)形式。然后，通過目標(biāo)函數(shù)加權(quán)的方法，將優(yōu)化模型式(1)轉(zhuǎn)化成單目標(biāo)輸送路徑組合優(yōu)化模型(2)所描述的標(biāo)準(zhǔn)形式。(2)按表2所描述的方法確定TPO_SEIR方法的參數(shù)。(3)運(yùn)行TPO_SEIR方法進(jìn)行求解。(4)對(duì)于下列實(shí)際優(yōu)化問題，求n＝100，200，400，600，800，1000，1200時(shí)的全局最優(yōu)解。min{f1(X),f2(X)}s.t.-10≤xi≤10,i＝1,2,…,n-3；xn-2+xn-1+xn≥1；xn-2，xn-1，xn＝0或1f1(X)=Σi=1n-3(xi2-10cos(2πxi)+10)+(100xn-2+50xn-1+xn)]]>f1(X)=Σi=1n-3(xi2-10cos(2πxi)+10)+(100xn-2+50xn-1+xn)]]>a)通過目標(biāo)函數(shù)加權(quán)的方法，將該優(yōu)化問題轉(zhuǎn)化成單目標(biāo)優(yōu)化問題的標(biāo)準(zhǔn)形式，即優(yōu)化模型式(2)的形式：minf(X)＝10f1(X)+f2(X)s.t.-10≤xi≤10,i＝1,2,…,n-3；xn-2+xn-1+xn≥1；xn-2，xn-1，xn＝0或1b)按表2所描述的方法確定算法的參數(shù)，如表4所示。表4TPO_SEIR方法相關(guān)參數(shù)的取值方法(5)采用TPO_SEIR方法算法進(jìn)行求解，所得結(jié)果如表5所示。表5計(jì)算結(jié)果(6)求得的最優(yōu)解在xi在[1.113471E-8，4.025455E-8]之內(nèi)，i＝1，2，…，n-3；xn-2＝0，xn-1＝0，xn＝1。當(dāng)前第1頁(yè)1 2 3