本發(fā)明屬于計(jì)算機(jī)應(yīng)用
技術(shù)領(lǐng)域：
，涉及一種災(zāi)害救援救護(hù)車路徑規(guī)劃，具體是基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法。可用于設(shè)計(jì)災(zāi)害救援過程中救護(hù)車的路徑方案，以便更大限度的保存人民生命安全。
背景技術(shù)：
：近年來，隨著工業(yè)化加劇，各種突發(fā)事件包括自然災(zāi)害等越來越頻繁地發(fā)生，影響到人們的生活，甚至?xí){到人們的生命。突發(fā)公共事件發(fā)生的誘因越來越多，預(yù)測(cè)難度不斷增強(qiáng)，而應(yīng)對(duì)突發(fā)事件變得越來越困難。應(yīng)急救援作為一門新興學(xué)科，要求應(yīng)急主體必須在信息高度缺失的情況下做出及時(shí)的、迅捷的反映，盡可能的采取合理、有效的措施，協(xié)調(diào)各種資源來達(dá)到有效處理突發(fā)事件，減少損失的目的。國(guó)務(wù)院通過了《中華人民共和國(guó)突發(fā)事件應(yīng)對(duì)法》，用來控制、減少突發(fā)事件造成的社會(huì)危害，消除突發(fā)事件引發(fā)的負(fù)面影響，同時(shí)該法案還可以規(guī)范人們的救援行動(dòng)，達(dá)到保護(hù)人民生命財(cái)產(chǎn)安全，維護(hù)國(guó)家安全和社會(huì)秩序等的目的。雖然災(zāi)難本身便會(huì)造成人員的傷亡，但是更大一部分受害者通常是由于缺乏有效的援助而造成的。在事故發(fā)生的第一時(shí)間科學(xué)有效的救援操作將會(huì)在很大程度上減小事故發(fā)生地的次生災(zāi)害程度。但是，災(zāi)后救援是在條件極為有限的情況下進(jìn)行的，因此迅速的響應(yīng)，及時(shí)的物流輸送和好的救援計(jì)劃將會(huì)事半功倍。災(zāi)害救援中的救護(hù)車的路徑規(guī)劃問題，被看作一個(gè)災(zāi)難后的動(dòng)態(tài)的、實(shí)時(shí)的車輛路徑問題。在突發(fā)災(zāi)難后會(huì)有很多請(qǐng)求在短時(shí)間內(nèi)發(fā)生，當(dāng)災(zāi)難發(fā)生時(shí)，原有的路徑可能中斷，一旦出現(xiàn)很多位于不同位置的不同的傷員同時(shí)需要救援，現(xiàn)有的各種手機(jī)地圖軟件，如高德等，無法對(duì)其進(jìn)行規(guī)劃。而且一些道路信息、醫(yī)院容量或者其他信息也在不斷變化，傷員到達(dá)的醫(yī)院未必就能立即得到相應(yīng)的治療。但是在災(zāi)難救援中時(shí)間就是生命，如何盡快救援到更多的傷員是十分重要的。事先的救護(hù)車的路徑規(guī)劃方法可以對(duì)救護(hù)車進(jìn)行統(tǒng)一的指揮，合理規(guī)劃醫(yī)療資源，避免造成資源的浪費(fèi)。大規(guī)模突發(fā)事故救援中的救護(hù)車的路徑規(guī)劃問題，被看作一個(gè)事故發(fā)生后的動(dòng)態(tài)的、實(shí)時(shí)的車輛路徑問題。關(guān)于災(zāi)害救援救護(hù)車的路徑規(guī)劃，早期，研究人員經(jīng)常將該問題與位置覆蓋問題相結(jié)合來解決，andersson使救護(hù)車就近進(jìn)行呼叫請(qǐng)求的回應(yīng)，但是并沒有考慮道路狀況或者醫(yī)院十分還有容量。wex針對(duì)該問題給定需要救助的災(zāi)害地點(diǎn)，對(duì)總的救援時(shí)間進(jìn)行優(yōu)化，并使用啟發(fā)式算法解決這個(gè)問題。但是wex將所有病人送往醫(yī)院，一些輕傷病人實(shí)際上只要進(jìn)行一些急救，并不需要到達(dá)醫(yī)院，如果所有的病人都送往醫(yī)院則會(huì)浪費(fèi)一些醫(yī)療資源，降低其他傷員獲救的幾率。luca等人在ambulanceroutingfordisasterresponsewithpatientgroups中提出一種救護(hù)車的路徑規(guī)劃方法，將病人區(qū)分為紅綠標(biāo)記病人，只有紅色標(biāo)記病人需要送往醫(yī)院，并采用啟發(fā)式算法解決這個(gè)問題，存在容易陷入局部最優(yōu)的缺點(diǎn)。國(guó)內(nèi)外對(duì)救護(hù)車的路徑規(guī)劃問題提出許多可行的算法，主要有蟻群算法、遺傳算法、禁忌搜索算法等。其中，遺傳算法作為一種隨機(jī)搜索算法，是根據(jù)達(dá)爾文的自然選擇和孟德爾的基因遺傳學(xué)原理來設(shè)計(jì)的群智能體優(yōu)化算法。遺傳算法通過迭代對(duì)種群不斷進(jìn)行搜索，可以搜索到全局最優(yōu)解卻不需要任何初始化信息，但是其也存在著在運(yùn)算速度慢、容易陷入局部最優(yōu)的缺點(diǎn)。在災(zāi)害救援中，時(shí)間就是生命，如何更好更快的幫助更多人員是十分有意義的。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，提出了一種收斂更快的基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法。本發(fā)明是一種基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法，其特征在于，涉及到救護(hù)車、輕重程度不同的病人、醫(yī)院、救護(hù)車的救援時(shí)間、救護(hù)車路徑的規(guī)劃與選定，包括有如下步驟：(1)針對(duì)救護(hù)車路徑規(guī)劃進(jìn)行設(shè)定：(1a)標(biāo)記設(shè)定：采用紅色標(biāo)記標(biāo)記重傷病人，采用綠色標(biāo)記標(biāo)記輕傷病人；(1b)救護(hù)車救援時(shí)間的設(shè)定：到達(dá)時(shí)間是指救護(hù)車從醫(yī)院到達(dá)災(zāi)害地點(diǎn)的時(shí)間；服務(wù)時(shí)間是救護(hù)車從醫(yī)院出發(fā)接到病人，并將病人送達(dá)目的地的時(shí)間；最遲服務(wù)時(shí)間為從醫(yī)院出發(fā)對(duì)所有病人救護(hù)完成的時(shí)間，起點(diǎn)為醫(yī)院，終點(diǎn)完成所有病人的救助；(1c)用多智能體遺傳算法進(jìn)行救護(hù)車路徑規(guī)劃參數(shù)設(shè)定：包括有多智能體遺傳算法參數(shù)設(shè)置：具體包括智能體網(wǎng)格，迭代次數(shù)g，交叉概率pc和變異概率pm；救護(hù)車參數(shù)設(shè)置：救護(hù)車數(shù)目在大中小規(guī)模中分別為6、6、3；救護(hù)車在醫(yī)院放下病人的時(shí)間；救護(hù)車對(duì)病人的急救時(shí)間；病人參數(shù)設(shè)置，病人總數(shù)為n，在大中小規(guī)模中分別為50、25、10，病人地點(diǎn)；其他參數(shù)設(shè)置：醫(yī)院地點(diǎn)、醫(yī)院總數(shù)、紅綠標(biāo)記病人的權(quán)重系數(shù)；(2)采用多智能體遺傳算法產(chǎn)生初始的救護(hù)車路徑規(guī)劃方案：(2a)通過編碼初始化救護(hù)車的路徑：編碼產(chǎn)生初始的救護(hù)車路徑，救護(hù)車規(guī)劃方案的智能體中包含有一種初始路徑方案序列、初始路徑方案目標(biāo)函數(shù)值和智能體在智能體網(wǎng)格中的位置信息；一種初始路徑方案序列包含有多條救護(hù)車路徑，所有的初始路徑方案序列隨機(jī)生成，不需要任何的額外的約束；(2b)計(jì)算救護(hù)車路徑的目標(biāo)函數(shù)值：對(duì)每種初始路徑方案序列，采用適應(yīng)度函數(shù)公式得到初始路徑方案序列的目標(biāo)函數(shù)值，根據(jù)目標(biāo)函數(shù)值選取花費(fèi)時(shí)間最短的救護(hù)車路徑規(guī)劃方案，得到初始的全局最優(yōu)的路徑方案；(3)采用遺傳算子在原來輸入的基礎(chǔ)上產(chǎn)生新的路徑規(guī)劃方案：(3a)交叉算子：隨機(jī)生成0和1之間的隨機(jī)數(shù)，如果該數(shù)小于交叉概率pc，對(duì)智能體網(wǎng)格中一種救護(hù)車路徑執(zhí)行交叉算子；采用一點(diǎn)交叉，選取個(gè)體鄰域中最優(yōu)秀的智能體，也就是該智能體的鄰域中最優(yōu)秀的路徑和該路徑進(jìn)行一點(diǎn)交叉，盡可能保留優(yōu)秀的基因信息，并采用適應(yīng)度函數(shù)計(jì)算其適應(yīng)度值；(3b)變異算子：隨機(jī)生成0和1之間的隨機(jī)數(shù)，如果該數(shù)小于變異概率pm，對(duì)智能體網(wǎng)格中救護(hù)車路徑執(zhí)行變異算子；采用基于中心位置的變異的方法：在一種救護(hù)車路徑方案序列上隨機(jī)選擇兩個(gè)等位基因點(diǎn)也就是標(biāo)記點(diǎn)或者救護(hù)車的起始地點(diǎn)，交換兩個(gè)基因值形成新的染色體，兩個(gè)等位基因點(diǎn)的位置和為染色體的長(zhǎng)度，并采用適應(yīng)度函數(shù)計(jì)算其適應(yīng)度值；(4)通過迭代在智能體網(wǎng)格中尋找當(dāng)代最優(yōu)的路徑方案和全局最優(yōu)的路徑方案：采用適應(yīng)度函數(shù)計(jì)算每個(gè)路徑方案的加權(quán)和，選取當(dāng)代最優(yōu)路徑方案；采用局部搜索算子繼續(xù)優(yōu)化當(dāng)代最優(yōu)路徑方案；與當(dāng)代最優(yōu)路徑方案進(jìn)行對(duì)比尋找全局最優(yōu)路徑方案；如果滿足終止條件，則執(zhí)行步驟(5)，否則執(zhí)行步驟(3)進(jìn)行新一輪的迭代優(yōu)化；(5)輸出本次尋找到的全局的最優(yōu)的災(zāi)害救援救護(hù)車的路徑規(guī)劃方法。本發(fā)明在ambulanceroutingfordisasterresponsewithpatientgroups的基礎(chǔ)上進(jìn)行改進(jìn)，也將將病人分為紅綠標(biāo)記病人，只有紅色標(biāo)記病人需要送往醫(yī)院，綠色標(biāo)記病人可以就地進(jìn)行治療。本發(fā)明中出現(xiàn)多輛救護(hù)車，可以將救護(hù)車路徑序列分為多條路徑，便于更好的救助更多的病人。在本發(fā)明中，最遲服務(wù)時(shí)間，也就是救助完所有病人的最晚的時(shí)間，被分為紅色標(biāo)記病人的最遲服務(wù)時(shí)間和綠色服務(wù)病人的最遲服務(wù)時(shí)間。本發(fā)明目的是求紅綠標(biāo)記病人最遲服務(wù)時(shí)間的加權(quán)和的最小值，也就是全局最優(yōu)路徑方案。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：第一，本發(fā)明針對(duì)救護(hù)車的路徑規(guī)劃問題設(shè)計(jì)的過程中，設(shè)計(jì)了相應(yīng)的實(shí)數(shù)編碼方式提高了解空間的搜索效率，使得收斂和運(yùn)行速度都有相應(yīng)的提高；采用了改進(jìn)的多智能體遺傳算法設(shè)計(jì)災(zāi)難救援過程中的救護(hù)車的救護(hù)路徑，使得算法收斂迅速，運(yùn)算收斂的結(jié)果也有所提高。第二，本發(fā)明在進(jìn)行救護(hù)車的路徑規(guī)劃設(shè)計(jì)的過程中，根據(jù)問題特性對(duì)多智能體遺傳算法進(jìn)行了改進(jìn)，并引入了一種局部搜索方法，以提高算法的全局搜索能力。從而有效避免過早收斂，提高了算法性能。并通過不同規(guī)模的具體實(shí)例驗(yàn)證了算法的有效性。附圖說明圖1是本發(fā)明的流程圖；圖2是本發(fā)明用局部搜索算子搜索當(dāng)代最優(yōu)路徑的流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明作詳細(xì)的描述。實(shí)施例1隨著經(jīng)濟(jì)發(fā)展，各種突發(fā)災(zāi)害，包括自然災(zāi)害頻繁發(fā)生不斷侵襲我們的生活，威脅人們的生命。災(zāi)害中大規(guī)模的病人同時(shí)出現(xiàn)，均需要醫(yī)療救助，合理的救護(hù)車路徑規(guī)劃方法可以更快的救助更多的病人，這在災(zāi)害救援中是十分有意義的。多智能體遺傳算法作為一種基于智能體的對(duì)環(huán)境感知與反作用的能力提出的優(yōu)化算法，用智能體網(wǎng)格替代種群形式進(jìn)化，每個(gè)個(gè)體只能感知到它的局部環(huán)境，只可以和鄰域相互作用。多智能體遺傳算法的主要優(yōu)點(diǎn)是種群規(guī)模小、算法的穩(wěn)定性高，但是也存在著容易陷入局部最優(yōu)的缺點(diǎn)。針對(duì)上述容易陷入局部最優(yōu)的問題，本發(fā)明提出一種基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法(ambulanceroutingfordisasterresponsebasedonmulti-agentgeneticalgorithm，簡(jiǎn)稱maga_am)，本發(fā)明在運(yùn)行過程中涉及到救護(hù)車、輕重程度不同的病人、醫(yī)院、救護(hù)車的救援時(shí)間、救護(hù)車路徑的規(guī)劃與選定等，參見圖1，包括有如下步驟：(1)針對(duì)救護(hù)車路徑規(guī)劃進(jìn)行設(shè)定：(1a)標(biāo)記設(shè)定：采用紅色標(biāo)記標(biāo)記重傷病人，將病人按照輕重程度分為紅色標(biāo)記病人和綠色標(biāo)記病人，紅色標(biāo)記的重傷病人必須馬上帶往醫(yī)院進(jìn)行治療。采用綠色標(biāo)記標(biāo)記輕傷病人，救護(hù)車可以直接在原地進(jìn)行急救后直接前往下一個(gè)標(biāo)記點(diǎn)，不用返回醫(yī)院。(1b)救護(hù)車救援時(shí)間的設(shè)定：到達(dá)時(shí)間是指救護(hù)車從醫(yī)院到達(dá)災(zāi)害地點(diǎn)的時(shí)間；具體是指不僅到達(dá)災(zāi)害地點(diǎn)還到達(dá)病人所在地點(diǎn)的時(shí)間。服務(wù)時(shí)間是救護(hù)車從醫(yī)院出發(fā)接到病人，并將病人送達(dá)目的地的時(shí)間；即救護(hù)車離開某病人的時(shí)間，綠色標(biāo)記病人的目的地仍是原地，但是要在服務(wù)時(shí)間的基礎(chǔ)上加上對(duì)其進(jìn)行急救的時(shí)間，故綠色標(biāo)記病人的服務(wù)時(shí)間是救護(hù)車到達(dá)某標(biāo)記病人并對(duì)其進(jìn)行急救的時(shí)間，紅色標(biāo)記病人的目的地是醫(yī)院，紅色標(biāo)記病人的服務(wù)時(shí)間是救護(hù)車到達(dá)該病人并對(duì)其進(jìn)行急救后，再將其送往醫(yī)院病并放到醫(yī)院的時(shí)間。最遲服務(wù)時(shí)間為從醫(yī)院出發(fā)對(duì)所有病人救護(hù)完成的時(shí)間，起點(diǎn)為醫(yī)院，終點(diǎn)完成所有病人的救助。本發(fā)明中將最遲服務(wù)時(shí)間區(qū)分為紅色標(biāo)記病人的最遲服務(wù)時(shí)間和綠色病人的最遲服務(wù)時(shí)間，紅色標(biāo)記病人的最遲服務(wù)時(shí)間是所有紅色標(biāo)記病人都送達(dá)醫(yī)院的時(shí)間，綠色病人的最遲服務(wù)時(shí)間是所有綠色標(biāo)記病人都完成急救的時(shí)間，每個(gè)路徑方案中僅有一個(gè)紅色標(biāo)記病人的最遲服務(wù)時(shí)間和綠色標(biāo)記病人的最遲服務(wù)時(shí)間。(1c)用多智能體遺傳算法進(jìn)行救護(hù)車路徑規(guī)劃參數(shù)設(shè)定：包括有多智能體遺傳算法參數(shù)設(shè)置：具體包括智能體網(wǎng)格大小lsize為5，迭代次數(shù)g為100，交叉概率pc和變異概率pm均為0.1；救護(hù)車參數(shù)設(shè)置：救護(hù)車數(shù)目在大中小規(guī)模中分別為6、6、3；救護(hù)車在醫(yī)院放下病人的時(shí)間和救護(hù)車對(duì)病人的急救時(shí)間詳見說明書表1；病人參數(shù)設(shè)置，病人總數(shù)為n，在大中小規(guī)模中分別為50、25、10，病人地點(diǎn)；其他參數(shù)設(shè)置：醫(yī)院地點(diǎn)、醫(yī)院總數(shù)、紅綠標(biāo)記病人的權(quán)重系數(shù)詳見說明書表2。(2)采用多智能體遺傳算法產(chǎn)生初始的救護(hù)車路徑規(guī)劃方案，也就是初始化智能體網(wǎng)格信息：(2a)通過編碼初始化救護(hù)車的路徑：給救護(hù)車和紅綠標(biāo)記病人賦數(shù)字，以實(shí)數(shù)編碼，通過實(shí)數(shù)編碼將實(shí)際問題轉(zhuǎn)為數(shù)學(xué)問題。編碼產(chǎn)生初始的救護(hù)車路徑，救護(hù)車規(guī)劃方案的智能體中包含有一種初始路徑方案序列、初始路徑方案目標(biāo)函數(shù)值和智能體在智能體網(wǎng)格中的位置信息，或者說一種初始路徑方案和其目標(biāo)函數(shù)值包含在一個(gè)智能體中。一種初始路徑方案序列包含有多條救護(hù)車路徑，所有的初始路徑方案序列隨機(jī)生成，不需要任何的額外的約束。群智能算法最重要的就是編碼方法，一種優(yōu)秀的編碼方法可以事半功倍；本發(fā)明的編碼用來解決救護(hù)車的路徑規(guī)劃問題可以提高搜索效率。(2b)計(jì)算救護(hù)車路徑的目標(biāo)函數(shù)值，也就是紅綠標(biāo)記病人的最遲服務(wù)時(shí)間的加權(quán)和：對(duì)每種初始路徑方案序列，采用適應(yīng)度函數(shù)得到初始路徑方案序列的目標(biāo)函數(shù)值，根據(jù)目標(biāo)函數(shù)值選取花費(fèi)時(shí)間最短的救護(hù)車路徑規(guī)劃方案，得到初始的全局最優(yōu)的路徑方案。(3)采用遺傳算子在原來輸入的基礎(chǔ)上產(chǎn)生新的路徑規(guī)劃方案：(3a)交叉算子：隨機(jī)生成0和1之間的隨機(jī)數(shù)，如果該數(shù)小于交叉概率pc，對(duì)智能體網(wǎng)格中一種救護(hù)車路徑則執(zhí)行交叉算子；采用一點(diǎn)交叉，選取個(gè)體鄰域中最優(yōu)秀的智能體，也就是該智能體的鄰域中最優(yōu)秀的路徑和該路徑進(jìn)行一點(diǎn)交叉，盡可能保留優(yōu)秀的基因信息，并采用適應(yīng)度函數(shù)計(jì)算其適應(yīng)度值；(3b)變異算子：隨機(jī)生成0和1之間的隨機(jī)數(shù)，如果該數(shù)小于變異概率pm，對(duì)智能體網(wǎng)格中救護(hù)車路徑序列執(zhí)行變異算子；采用基于中心位置的變異的方法：在一種救護(hù)車運(yùn)行方法上隨機(jī)選擇兩個(gè)等位基因點(diǎn)也就是標(biāo)記點(diǎn)或者救護(hù)車的起始地點(diǎn)，交換兩個(gè)基因值形成新的染色體，兩個(gè)等位基因點(diǎn)的位置和為染色體的長(zhǎng)度，并采用適應(yīng)度函數(shù)計(jì)算其適應(yīng)度值；新的染色體和留的染色體長(zhǎng)度相等的，染色體的長(zhǎng)度始終是不變的。(4)通過迭代在智能體網(wǎng)格中尋找當(dāng)代最優(yōu)的路徑方案和全局最優(yōu)的路徑方案：采用適應(yīng)度函數(shù)計(jì)算每個(gè)路徑方案的紅綠標(biāo)記病人的最遲服務(wù)時(shí)間的加權(quán)和，根據(jù)加權(quán)和來選取當(dāng)代最優(yōu)路徑方案。采用局部搜索算子繼續(xù)優(yōu)化當(dāng)代最優(yōu)路徑方案；與當(dāng)代最優(yōu)路徑方案進(jìn)行對(duì)比尋找全局最優(yōu)路徑方案；如果滿足終止條件，則執(zhí)行步驟(5)，否則執(zhí)行步驟(3)進(jìn)行新一輪的迭代優(yōu)化。(5)輸出本次尋找到的全局的最優(yōu)的災(zāi)害救援救護(hù)車的路徑規(guī)劃方法。本發(fā)明采用了多智能體遺傳算法解決災(zāi)難救援過程中的救護(hù)車的救護(hù)路徑規(guī)劃，針對(duì)救護(hù)車的路徑規(guī)劃問題設(shè)計(jì)設(shè)計(jì)的編碼方式提高了解空間的搜索效率，使得算法收斂迅速，收斂到的結(jié)果也十分優(yōu)秀。實(shí)施例2基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法同實(shí)施例1，步驟(2a)中通過編碼初始化救護(hù)車的路徑，包括有如下步驟：(2a-1)智能體的基礎(chǔ)規(guī)定：救護(hù)車初始規(guī)劃方案的智能體網(wǎng)格l的種群規(guī)模為lsize×lsize，智能體網(wǎng)格中的每個(gè)格點(diǎn)代表一個(gè)智能體，智能體不能進(jìn)行移動(dòng)，且只可以感知其鄰域的信息，也就是說其只可以與其相鄰的智能體發(fā)生相互作用。一個(gè)智能體包含有一種路徑方案序列，智能體網(wǎng)格中的每個(gè)路徑方案序列各是一條染色體，但是染色體不等于智能體，僅是一種救護(hù)車的路徑方案序列，一種救護(hù)車的路徑方案序列種包含多條救護(hù)車路徑。(2a-2)初始化智能體中的染色體信息：用0到m–1表示救護(hù)車，m為救護(hù)車總數(shù)，用m到m+r–1表示紅色標(biāo)記病人，r是紅色標(biāo)記病人總數(shù)，用m+r到m+r+g-1表示綠色標(biāo)記病人，g為綠色標(biāo)記病人總數(shù)。每條染色體是一組從0到m+n–1的互不重合的序列，即救護(hù)車的路徑方案序列；救護(hù)車的路徑方案序列中救護(hù)車的標(biāo)記信息是從0到m–1，每一輛救護(hù)車的標(biāo)記點(diǎn)在染色體中的位置表示該救護(hù)車的起始位置，就是說針對(duì)第一輛救護(hù)車從自己的標(biāo)記點(diǎn)位置開始，到緊相鄰的下一輛救護(hù)車的標(biāo)記位置之間表示第一輛救護(hù)車的路徑，以此類推，第m輛救護(hù)車的路徑是從其標(biāo)記點(diǎn)開始到染色體結(jié)尾之間的路徑，這樣救護(hù)車的路徑信息形成一個(gè)序列來表示，即救護(hù)車的路徑方案序列。每條救護(hù)車路徑中包含許多紅綠標(biāo)記病人，這些標(biāo)記病人出現(xiàn)的順序就是這些標(biāo)記病人得到救助的順序，也就是救護(hù)車救護(hù)病人的路徑。染色體的第一位基因的值小于m，即所有救護(hù)車路徑必須以救護(hù)車的地點(diǎn)為起點(diǎn)。紅色標(biāo)記病人的位置信息：從m到m+r–1代表是紅色標(biāo)記病人，紅色標(biāo)記病人在該地得到救護(hù)車救助；具體的說，上一個(gè)點(diǎn)標(biāo)記點(diǎn)是救護(hù)車的標(biāo)記點(diǎn)，則表示救護(hù)車出發(fā)后第一個(gè)到達(dá)該標(biāo)記點(diǎn)，上一個(gè)點(diǎn)是紅色標(biāo)記點(diǎn)則救護(hù)車運(yùn)輸上一個(gè)紅色標(biāo)記病人返回醫(yī)院后又從醫(yī)院出發(fā)到達(dá)該標(biāo)記點(diǎn)，上一個(gè)標(biāo)記點(diǎn)是綠色標(biāo)記點(diǎn)則表示從綠色標(biāo)記病人出發(fā)直接到達(dá)該標(biāo)記點(diǎn)；碰到紅色標(biāo)記病人需要返回醫(yī)院，然后從醫(yī)院出發(fā)趕往下一個(gè)標(biāo)記點(diǎn)。綠色標(biāo)記病人的位置信息：從m+r到m+r+g–1代表綠色標(biāo)記病人，綠色標(biāo)記病人在該點(diǎn)得到救助；碰到綠色標(biāo)記病人可以直接在原地對(duì)綠色標(biāo)記病人進(jìn)行急救后趕往下一個(gè)標(biāo)記點(diǎn)。本發(fā)明的這種編碼方式可以有效減少運(yùn)算代價(jià)，同時(shí)不需要進(jìn)行解碼，大大提高了搜索效率同時(shí)減少運(yùn)行時(shí)間，加速收斂速度。實(shí)施例3基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法同實(shí)施例1，步驟(4)中的通過迭代在智能體網(wǎng)格中尋找當(dāng)代最優(yōu)的路徑方案和全局最優(yōu)的路徑方案，具體包括有：(4a)采用適應(yīng)度函數(shù)公式，計(jì)算每個(gè)路徑方案序列的紅綠標(biāo)記病人的最遲服務(wù)時(shí)間的加權(quán)和；選取這一代尋找到的最優(yōu)秀的路徑方案；(4b)執(zhí)行局部搜索算子優(yōu)化當(dāng)代最優(yōu)路徑；本發(fā)明的局部搜索算子也可以稱作自學(xué)習(xí)算子，包括有2-opt算子、2-swap算子和1-insertion算子3個(gè)算子；局部搜索算子通過自身的優(yōu)化學(xué)習(xí)，盡可能的搜索到更多的優(yōu)秀的路徑方案；如果新生成的方案優(yōu)于當(dāng)代最優(yōu)的路徑方案，則新生個(gè)體成為新的當(dāng)代最優(yōu)的路徑方案。局部搜索算子只對(duì)當(dāng)代最優(yōu)方案進(jìn)行搜索，減少了計(jì)算代價(jià)，節(jié)省了計(jì)算時(shí)間，與全部智能體都進(jìn)行局部搜索相比在中小規(guī)模實(shí)驗(yàn)中結(jié)果并不遜色，在大規(guī)模中雖然結(jié)果略差，但是大大節(jié)省了計(jì)算時(shí)間和計(jì)算成本，但是也提高了工程應(yīng)用的價(jià)值。(4c)將當(dāng)代最優(yōu)路徑方案的目標(biāo)函數(shù)值與全局最優(yōu)最優(yōu)方案的目標(biāo)函數(shù)值進(jìn)行對(duì)比，如果當(dāng)代最優(yōu)路徑方案獲勝，則當(dāng)代最優(yōu)方案成為新的全局最優(yōu)的路徑方案。(4d)判斷當(dāng)前迭代次數(shù)是否滿足最大迭代次數(shù)g為100，若滿足，執(zhí)行步驟(5)，輸出災(zāi)害救援救護(hù)車全局最優(yōu)路徑規(guī)劃，否則，執(zhí)行步驟(3)開始新一輪的迭代優(yōu)化。實(shí)施例4基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法同實(shí)施例1-3，本發(fā)明步驟(4b)從生成的新一代智能體網(wǎng)格中找出當(dāng)代最優(yōu)解；本發(fā)明的局部搜索算子分別包括是：2-opt算子是指隨意生成兩個(gè)基因座a和b(a<b)，將a點(diǎn)后的救護(hù)車路徑交換到b點(diǎn)后，同時(shí)將b點(diǎn)后路徑換到a點(diǎn)后，直到原來指向a后的指針移動(dòng)到b，或者原來指向b的指針移動(dòng)到染色體的結(jié)尾。2-swap算子是指隨意生成兩個(gè)基因點(diǎn)a和b，將a點(diǎn)的標(biāo)記點(diǎn)或者救護(hù)車起點(diǎn)與b點(diǎn)的標(biāo)記點(diǎn)或者救護(hù)車起點(diǎn)進(jìn)行交換。1-insertion算子是指隨機(jī)生成基因座a和基因b，將標(biāo)記點(diǎn)或者救護(hù)車起點(diǎn)b放于位置a，染色體上原來路徑順序移動(dòng)；如果新生成的救護(hù)車路徑方案由于優(yōu)于輸入的當(dāng)代最優(yōu)方案，則新生個(gè)體成為當(dāng)代最優(yōu)解。本發(fā)明的局部搜索算子使得算法收斂非常迅速，算法運(yùn)行10000代的結(jié)果與100代結(jié)果相同，證明其在100代就已經(jīng)完全收斂，且收斂結(jié)果與遺傳算法相比也十分優(yōu)秀；實(shí)施例5基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法同實(shí)施例1-4，步驟(2)、(3)、(4)所述的適應(yīng)度函數(shù)的公式表述如下：f(a)＝wr×er+wg×ega∈senergy(a)＝-f(a)其中，a為智能體個(gè)體，f(a)為目標(biāo)函數(shù)，為紅綠標(biāo)記病人的最遲服務(wù)時(shí)間的加權(quán)和的值，s為搜索空間代表所有的救護(hù)車路徑規(guī)劃方案序列；energy(a)表示智能體的能量，也稱為適應(yīng)度函數(shù)，其值為目標(biāo)函數(shù)的負(fù)值。本發(fā)明的目的是通過盡可能地增大的智能體能量來尋找最優(yōu)秀的救護(hù)車路徑方案。下面給出一個(gè)更加詳盡的例子，對(duì)本發(fā)明進(jìn)一步說明實(shí)施例6基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法同實(shí)施例1-5，參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：步驟1，針對(duì)救護(hù)車路徑規(guī)劃進(jìn)行設(shè)定：(1a)標(biāo)記設(shè)定：采用紅色標(biāo)記標(biāo)記重傷病人，將病人按照輕重程度分為紅色標(biāo)記病人和綠色標(biāo)記病人，紅色標(biāo)記的重傷病人必須馬上帶往醫(yī)院進(jìn)行治療。采用綠色標(biāo)記標(biāo)記輕傷病人，救護(hù)車可以直接在原地進(jìn)行急救后直接前往下一個(gè)標(biāo)記點(diǎn)，不用返回醫(yī)院。(1b)救護(hù)車救援時(shí)間的設(shè)定：到達(dá)時(shí)間是指救護(hù)車從醫(yī)院到達(dá)災(zāi)害地點(diǎn)的時(shí)間；具體是指不僅到達(dá)災(zāi)害地點(diǎn)還到達(dá)病人所在地點(diǎn)的時(shí)間。服務(wù)時(shí)間是救護(hù)車從醫(yī)院出發(fā)接到病人，并將病人送達(dá)目的地的時(shí)間；即救護(hù)車離開某病人的時(shí)間，綠色標(biāo)記病人的目的地仍是原地，但是要在服務(wù)時(shí)間的基礎(chǔ)上加上對(duì)其進(jìn)行急救的時(shí)間，故綠色標(biāo)記病人的服務(wù)時(shí)間是救護(hù)車到達(dá)某標(biāo)記病人并對(duì)其進(jìn)行急救的時(shí)間，紅色標(biāo)記病人的目的地是醫(yī)院，紅色標(biāo)記病人的服務(wù)時(shí)間是救護(hù)車到達(dá)該病人并對(duì)其進(jìn)行急救后，再將其送往醫(yī)院病并放到醫(yī)院的時(shí)間。最遲服務(wù)時(shí)間為從醫(yī)院出發(fā)對(duì)所有病人救護(hù)完成的時(shí)間，起點(diǎn)為醫(yī)院，終點(diǎn)完成所有病人的救助。本發(fā)明中將最遲服務(wù)時(shí)間區(qū)分為紅色標(biāo)記病人的最遲服務(wù)時(shí)間和綠色病人的最遲服務(wù)時(shí)間，紅色標(biāo)記病人的最遲服務(wù)時(shí)間是所有紅色標(biāo)記病人都送達(dá)醫(yī)院的時(shí)間，綠色病人的最遲服務(wù)時(shí)間是所有綠色標(biāo)記病人都完成急救的時(shí)間，每個(gè)路徑方案中僅有一個(gè)紅色標(biāo)記病人的最遲服務(wù)時(shí)間和綠色標(biāo)記病人的最遲服務(wù)時(shí)間。(1c)用多智能體遺傳算法進(jìn)行救護(hù)車路徑規(guī)劃參數(shù)設(shè)定，包括有：多智能體遺傳算法參數(shù)設(shè)置：具體包括智能體網(wǎng)格大小lsize為5，迭代次數(shù)g為100，交叉概率pc和變異概率pm均為0.1。智能體網(wǎng)格大小、迭代次數(shù)g等的設(shè)定和經(jīng)驗(yàn)有關(guān)，和救援規(guī)模有關(guān)，具體和救護(hù)車輛、病人數(shù)有關(guān)，一般取5，大致在5到10之間取值；交叉概率pc大致在0.1到0.9之間取值，和變異概率pm的大致在0.01到0.1之間取值。救護(hù)車參數(shù)設(shè)置：救護(hù)車數(shù)目在大中小規(guī)模中分別為6、6、3；救護(hù)車在醫(yī)院放下病人的時(shí)間和救護(hù)車對(duì)病人的急救時(shí)間根據(jù)路徑長(zhǎng)度和車輛速度等因素確定，實(shí)驗(yàn)數(shù)據(jù)詳見說明書表2。病人參數(shù)設(shè)置，病人總數(shù)為n，在大中小規(guī)模中分別為50、25、10，病人地點(diǎn)。其他參數(shù)設(shè)置：醫(yī)院地點(diǎn)、醫(yī)院總數(shù)根據(jù)實(shí)際情況輸入、紅綠標(biāo)記病人的權(quán)重系數(shù)根據(jù)實(shí)際需求設(shè)定，實(shí)驗(yàn)數(shù)據(jù)詳見說明書表2。步驟2，采用多智能體遺傳算法產(chǎn)生初始的救護(hù)車路徑規(guī)劃方案，也就是初始化智能體網(wǎng)格信息；讀入步驟1中設(shè)定的各個(gè)參數(shù)，通過編碼初始化救護(hù)車的路徑：智能體網(wǎng)格中的每個(gè)路徑方案序列是一條染色體，但是染色體不能等于智能體，僅是一種救護(hù)車的路徑方案序列；染色體中的路徑信息：每條染色體是一組從0到m+n–1的互不重合的序列，即救護(hù)車的路徑方案序列；救護(hù)車的路徑方案序列中救護(hù)車的位置信息是從0到m–1，代表救護(hù)車的起始位置，到下一輛救護(hù)車的標(biāo)記點(diǎn)或者染色體結(jié)束為止就是該救護(hù)車的路徑；染色體的第一位基因的值小于m，m為救護(hù)車數(shù)目，即所有救護(hù)車路徑必須以救護(hù)車的地點(diǎn)為起點(diǎn)；紅色標(biāo)記病人的位置信息：從m到m+r–1代表是紅色標(biāo)記病人，碰到紅色標(biāo)記病人需要返回醫(yī)院，然后從醫(yī)院出發(fā)趕往下一個(gè)標(biāo)記點(diǎn)；綠色標(biāo)記病人的位置信息：從m+r到m+r+g–1代表綠色標(biāo)記病人，碰到綠色標(biāo)記病人可以直接在原地對(duì)其進(jìn)行急救后趕往下一個(gè)標(biāo)記點(diǎn)。采用適應(yīng)度函數(shù)公式，計(jì)算種群中每個(gè)方案的適應(yīng)度值，也就是每種路徑方案序列的目標(biāo)函數(shù)值。適應(yīng)度函數(shù)公式具體如下：minwr×er+wg×eg(1)s.t.eg≥bi+di(8)式中的符號(hào)在表1中，式(1)為目標(biāo)函數(shù)，也稱為適應(yīng)度函數(shù)，求紅色標(biāo)記病人的服務(wù)時(shí)間和綠色標(biāo)記病人的服務(wù)時(shí)間的加權(quán)和的最小值。式(2)確保從每家醫(yī)院出發(fā)的救護(hù)車總數(shù)小于該醫(yī)院的停留救護(hù)車數(shù)目；式(3)確保每位病人都被服務(wù)到，且每人只有一次機(jī)會(huì)；式(4)和式(5)確保每位紅色標(biāo)記的病人都被送往醫(yī)院，且送往的醫(yī)院有空位；式(6)和式(7)保證了在某個(gè)病人后面病人的到達(dá)時(shí)間不小于某個(gè)病人到其下個(gè)病人的旅行時(shí)間；式(8)決定了某個(gè)綠色標(biāo)記病人的最遲服務(wù)時(shí)間大于等于所有綠色標(biāo)記病人的服務(wù)時(shí)間和到達(dá)時(shí)間之和；式(9)決定了紅色標(biāo)記病人的最晚服務(wù)時(shí)間大于等于所有紅色標(biāo)記病人的所有紅色標(biāo)記病人的服務(wù)時(shí)間和到達(dá)時(shí)間及其到達(dá)醫(yī)院的時(shí)間和在醫(yī)院停留的時(shí)間的和；式(10)保證了每個(gè)點(diǎn)的服務(wù)時(shí)間不小于0；式(11)定義了這些二進(jìn)制變量。本發(fā)明采用適應(yīng)度函數(shù)公式，計(jì)算每個(gè)路徑方案序列的適應(yīng)度值，也就是紅綠標(biāo)記病人最遲服務(wù)時(shí)間加權(quán)和的負(fù)值；選取初始的全局最優(yōu)路徑方案，也就是花費(fèi)時(shí)間最短的救護(hù)車路徑規(guī)劃方案。表1如下：表1各符號(hào)含義步驟3，采用遺傳算子在原來輸入的基礎(chǔ)上產(chǎn)生新的路徑規(guī)劃方案，在算法第一次進(jìn)入到步驟3時(shí)輸入的是初始的救護(hù)車路徑方案，以后輸入的均為步驟5中優(yōu)化的救護(hù)車路徑方案：(3a)交叉算子：隨機(jī)生成0和1之間的隨機(jī)數(shù)，如果該數(shù)小于交叉概率pc，對(duì)智能體網(wǎng)格中一種救護(hù)車路徑方案執(zhí)行交叉算子；采用一點(diǎn)交叉，選取該智能體鄰域中最優(yōu)秀的智能體maxi,j，也就是該智能體的鄰域中最優(yōu)秀的路徑和該路徑li,j作為父代進(jìn)行一點(diǎn)交叉，選取智能體的鄰域中最優(yōu)秀的路徑進(jìn)行交叉可以盡可能保留優(yōu)秀的基因信息以促進(jìn)結(jié)果的優(yōu)化；隨機(jī)生成交叉點(diǎn)cross_point(1到n+m-2)，子代1在cross_point點(diǎn)之前路徑和li,j的路徑一樣，之后從maxi,j的路徑中順序查找子代1中未出現(xiàn)的標(biāo)記點(diǎn)和救護(hù)車起始點(diǎn)。子代2在cross_point點(diǎn)之前的路徑和maxi,j的路徑一樣，之后從li,j的路徑順序查找子代2中未出現(xiàn)的標(biāo)記點(diǎn)和救護(hù)車起始點(diǎn)，并采用適應(yīng)度函數(shù)計(jì)算兩個(gè)子代的適應(yīng)度值和能量。如果兩個(gè)子代的能量大于li,j的能量，能量大的子代取代原來的li,j成為新的li,j。在交叉算子中的交叉點(diǎn)不是第一個(gè)救護(hù)車的起點(diǎn)，在生成子代2時(shí)子代2的第一個(gè)必須確保找到的是救護(hù)車的標(biāo)記點(diǎn)。(3b)變異算子：隨機(jī)生成0和1之間的隨機(jī)數(shù)，如果該數(shù)小于變異概率pm，對(duì)智能體網(wǎng)格中救護(hù)車路徑執(zhí)行變異算子；采用基于中心位置的變異的方法：在救護(hù)車路徑序列上隨機(jī)選擇兩個(gè)等位基因點(diǎn)也就是標(biāo)記點(diǎn)或者救護(hù)車的起始地點(diǎn)，交換兩個(gè)基因值形成新的染色體，兩個(gè)等位基因點(diǎn)的位置和為染色體的長(zhǎng)度，并采用適應(yīng)度函數(shù)計(jì)算其適應(yīng)度值；新的染色體和留的染色體長(zhǎng)度相等的，染色體的長(zhǎng)度始終是不變的。步驟4，通過迭代在智能體網(wǎng)格中尋找當(dāng)代最優(yōu)的路徑方案和全局最優(yōu)的路徑方案：采用適應(yīng)度函數(shù)計(jì)算每個(gè)路徑方案的紅綠標(biāo)記病人的最遲服務(wù)時(shí)間的加權(quán)和，選取當(dāng)代最優(yōu)路徑方案；對(duì)當(dāng)代的最優(yōu)路徑方案執(zhí)行局部搜索算子：本文的局部搜索算子分別由2-opt算子、2-swap算子和1-insertion算子3個(gè)算子組成，這3個(gè)算子分別為：(4a)2-opt算子是指隨意生成兩個(gè)基因座a和b(a<b)，將a點(diǎn)后的救護(hù)車路徑交換到b點(diǎn)后，同時(shí)將b點(diǎn)后路徑換到a點(diǎn)后，直到原來指向a后的指針移動(dòng)到b，或者原來指向b的指針移動(dòng)到染色體的結(jié)尾；(4b)2-swap算子是指隨意生成兩個(gè)基因點(diǎn)a和b，將a點(diǎn)的標(biāo)記點(diǎn)或者救護(hù)車起點(diǎn)與b點(diǎn)的標(biāo)記點(diǎn)或者救護(hù)車起點(diǎn)進(jìn)行交換；(4c)1-insertion算子是指隨機(jī)生成基因座a和基因b，將標(biāo)記點(diǎn)或者救護(hù)車起點(diǎn)b放于位置a，染色體上原來路徑順序移動(dòng)；由上述3個(gè)算子生成3個(gè)新的救護(hù)車路徑方案序列，采用適應(yīng)度函數(shù)分別計(jì)算3個(gè)新的救護(hù)車路徑方案序列的適應(yīng)度值，并進(jìn)行對(duì)比尋找其中的最優(yōu)救護(hù)車路徑方案序列，將與當(dāng)代最優(yōu)路徑方案進(jìn)行對(duì)比，如果最優(yōu)救護(hù)車路徑序列獲勝則成為新的當(dāng)代最優(yōu)路徑方案；將當(dāng)代最優(yōu)路徑方案與全局最優(yōu)路徑方案進(jìn)行對(duì)比，如果獲勝，則當(dāng)代最優(yōu)路徑方案成為新的全局最優(yōu)路徑方案。步驟5，判斷當(dāng)前迭代次數(shù)是否滿足最大迭代次數(shù)，如滿足迭代次數(shù)，得到最優(yōu)的救護(hù)車路徑方案并輸出此次運(yùn)算的最優(yōu)路徑方案序列和其目標(biāo)函數(shù)值，否則，迭代還未完成，執(zhí)行步驟3進(jìn)行新一輪的迭代優(yōu)化。終止條件為迭代次數(shù)g，本實(shí)施例中最大迭代次數(shù)取為100。本發(fā)明的效果可以通過以下仿真實(shí)驗(yàn)作進(jìn)一步說明。實(shí)施例7基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法同實(shí)施例1-6，仿真實(shí)驗(yàn)運(yùn)行環(huán)境：本發(fā)明的仿真實(shí)驗(yàn)選擇的處理器為intel(r)core(tm)i3-2350mcpu@2.30ghz2.30ghz，內(nèi)存為8g，硬盤為500g，操作系統(tǒng)為microsoftwindows7，編程環(huán)境為visualstudio2013。實(shí)驗(yàn)條件設(shè)置：本發(fā)明的仿真實(shí)驗(yàn)中測(cè)試了三個(gè)不同規(guī)模實(shí)驗(yàn)，小規(guī)模各地點(diǎn)位置坐標(biāo)：1家停留了2輛救護(hù)車醫(yī)院位置坐標(biāo)(78,65)，1家停留了1輛救護(hù)車醫(yī)院位置坐標(biāo)(61,94)；3個(gè)紅色標(biāo)記病人位置坐標(biāo)(65,70)(84,68)(47,95)；7個(gè)綠色標(biāo)記病人位置坐標(biāo)(56,37)(113,92)(55,139)(184,186)(85,18)(11,45)(23,65)；中等規(guī)模各地點(diǎn)位置坐標(biāo)：1家停留了6輛救護(hù)車醫(yī)院地址(97,147)；18個(gè)紅色標(biāo)記病人位置坐標(biāo)(174,19)(40,53)(59,172)(74,30)(115,85)(193,145)(129,78)(46,146)(10,111)(32,8)(113,103)(155,169)(20,68)(179,111)(63,123)(129,145)(95,154)(29，125)；7個(gè)綠色標(biāo)記病人位置坐標(biāo)(65,76)(68,28)(188,189)(116,143)(85,158)(62,81)(98,188)；大規(guī)模各地點(diǎn)位置坐標(biāo)：1家停留了6輛救護(hù)車醫(yī)院地址(139,93)；12個(gè)紅色標(biāo)記病人位置坐標(biāo)(54,98)(85,189)(76,38)(109,152)(144,167)(103，66)(178,168)(124,82)(155,43)(33,147)(162,96)(83,165)；38個(gè)綠色標(biāo)記病人位置坐標(biāo)(93,30)(194,29)(83,41)(99,154)(192,165)(83,153)(112,10)(144,172)(135,33)(170,46)(137,173)(106,74)(5,21)(154,181)(175,25)(22,145)(23,99)(9,27)(164,185)(27,116)(64,65)(186,128)(179,181)(177,132)(11,184)(96,165)(137,77)(5,118)(34,24)(119,4)(4,171)(87,33)(96,158)(120,11)(14,83)(67,18)(172,194)(161,199)小規(guī)模中有3輛救護(hù)車，10個(gè)病人，分別為3個(gè)紅色標(biāo)記的病人，7個(gè)綠色標(biāo)記的病人。中等規(guī)模為6輛救護(hù)車，25個(gè)標(biāo)記病人，分別為18個(gè)紅色標(biāo)記病人，7個(gè)綠色標(biāo)記病人。大型規(guī)模為6輛救護(hù)車，50個(gè)病人，12個(gè)紅色標(biāo)記病人，38個(gè)綠色標(biāo)記病人。其它各實(shí)驗(yàn)參數(shù)設(shè)置詳見表2。表2：大中小規(guī)模實(shí)驗(yàn)參數(shù)設(shè)置表小規(guī)模中等規(guī)模大規(guī)模救護(hù)車在醫(yī)院放下病人的時(shí)間000紅色標(biāo)記病人的急救時(shí)間30135綠色標(biāo)記病人的急救時(shí)間101733紅色標(biāo)記病人的總數(shù)31812綠色標(biāo)記病人的總數(shù)7718病人總數(shù)102550醫(yī)院總數(shù)211救護(hù)車總數(shù)366權(quán)重系數(shù)1,11,11,1搜索空間上界123055搜索空間下界000實(shí)驗(yàn)內(nèi)容和結(jié)果分析：本發(fā)明的仿真實(shí)驗(yàn)采用多智能體遺傳算法進(jìn)行實(shí)驗(yàn)，考慮到算法的隨機(jī)性，重復(fù)運(yùn)行10次求目標(biāo)函數(shù)平均值和最優(yōu)值，其測(cè)試結(jié)果如表3所示。表3：實(shí)驗(yàn)測(cè)試結(jié)果表中的最優(yōu)值是運(yùn)行10次取得的最優(yōu)值，最優(yōu)值越大適應(yīng)度越差，結(jié)果越差，最優(yōu)值越小適應(yīng)度越好，所需的紅綠標(biāo)記病人的最遲服務(wù)越短，結(jié)果越好；平均值是運(yùn)行10次取得的平均值，和最優(yōu)值效果等同。從表3的實(shí)驗(yàn)結(jié)果可以看出，本發(fā)明提出的基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法是很有效的，無論是小規(guī)模、中等規(guī)模還是大規(guī)模的，本發(fā)明設(shè)計(jì)的方法都能得出較好的救護(hù)車路徑方案，而且更加快速和高效。本發(fā)明是一種有效的救護(hù)車路徑規(guī)劃方案，如實(shí)驗(yàn)結(jié)果所示，本發(fā)明的基于多智能體遺傳算法的災(zāi)害救援救護(hù)車路徑規(guī)劃方法是穩(wěn)定的，高效的。本發(fā)明運(yùn)用多智能體遺傳算法，設(shè)計(jì)出合適的編碼、交叉、變異和局部搜索算子，來更新種群，這是一個(gè)創(chuàng)新點(diǎn)。綜上所述，本發(fā)明公開的一種基于多智能體遺傳算法的救護(hù)車路徑規(guī)劃方法。解決了災(zāi)害救援過程中救護(hù)車路徑規(guī)劃容易陷入局部最優(yōu)的問題，其實(shí)現(xiàn)步驟為：(1)針對(duì)救護(hù)車路徑規(guī)劃進(jìn)行設(shè)定；(2)采用多智能體遺傳算法產(chǎn)生初始的救護(hù)車路徑規(guī)劃方案；(3)采用遺傳算子在原來輸入的方案的基礎(chǔ)上產(chǎn)生新的路徑規(guī)劃方案；(4)通過迭代在智能體網(wǎng)格中尋找當(dāng)代最優(yōu)的路徑方案和全局最優(yōu)的路徑方案；(5)判斷是否滿足終止條件，滿足則執(zhí)行步驟(5)，否則執(zhí)行步驟(3)進(jìn)行新一輪的迭代優(yōu)化；(6)輸出本次尋找到的全局最優(yōu)的災(zāi)害救援救護(hù)車的路徑規(guī)劃。本發(fā)明在設(shè)計(jì)救護(hù)車的路徑規(guī)劃是，將最遲服務(wù)時(shí)間作為個(gè)體的評(píng)價(jià)標(biāo)準(zhǔn)，設(shè)計(jì)了有效的編碼方式和局部搜索算子等操作，采用了多智能體遺傳算法的框架，能夠設(shè)計(jì)出具有高效率的救護(hù)車路徑規(guī)劃方案。提高了救護(hù)車路徑規(guī)劃的效率，用于災(zāi)難救援中的救護(hù)車的車輛路徑規(guī)劃。當(dāng)前第1頁12