欢迎来到天天文库
浏览记录
ID:31777152
大小:61.38 KB
页数:11页
时间:2019-01-18
《基于nsga―ⅱ算法电力企业应急物资储备中心选址探究》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库。
1、基于NSGA-II算法电力企业应急物资储备中心选址探究【摘要】首先阐述了电力企业应急物流的基本现状,结合省级电网企业应急物资储备中心选址的目标和原则,进行了应急物资储备中心选址问题研究,并建立了省级电网企业应急物资储备中心选址模型。采用NSGA-II算法来进行模型求解,最后以NX省电网应急物资储备中心选址为实例进行了分析。【关键词】电力企业应急物资;设施选址;NSGA-II算法引言由于对电网企业应急物资储备中心规划与设计的研究较少,目前各省级电网企业应急物资储备体系大多还处于较为原始的状态,普遍存在应急物资储备中心选址不合
2、理的问题。为最大程度减少突发事件对电网安全运行造成的影响,保障供电安全,迫切需要对省级电网企业应急物资储备中心的选址问题进行研究。为节约省级应急物资储备中心的选址成本,本文从现有地市级仓库中选择合适的地点作为省级应急物资储备中心。即假设现有地市级物资仓库的所在地既是应急物资的需求地,又是省级应急物资储备中心的候选地。选址的目标是在应急物资储备中心的数目最少、成本最低且不能超过投资预算的前提下,实现应急物资储备中心到各需求点的总时间最小。1.国内外研究现状由于电力企业应急物资储备库选址题问研究的起步较晚,研究成果相对较少。但
3、对于一般设施的选址问题,国内外学者已经做了大量的研究,取得了比较成熟的研究成果。从总体上看,研究成果可分成静态确定性选址问题和多阶段动态选址问题。静态确定性选址问题主要包括:(1)P—中心问题,是选择P个设施的区位,使所有需求点得到服务,并且每个需求点到其最近设施的最大距离最小[1]。(2)P—中值问题,是考虑P个设施点到需求点之间的加权距离最小化。通常是假定目标成本最小,使得费用最低,时间最少,距离最短,所以,又可称之为最小和问题[2]。(3)覆盖问题,在满足所有需求点的前提下,设施点的建设费用最小的问题,主要用于应急服
4、务设施的选址[3]。多阶段动态选址问题主要包括:(1)动态选址模型。最早由Ballou提出,它研究如何确定一个仓库的位置,使其在规划期内实现利润最大化,该模型的思想是求解出较优位置的集合,再用动态规划求解在决策期内的最优位置[4]。Gebennini和Rodriguez[5]等人对模型进行了拓展。国内,朱鸿等人研究了非确定性需求环境下的配送中心选址问题,运用随机机会约束规划为基本建模工具,建立了配送中心动态选址模型[6]。(2)随机模型。Berman等人详细总结和评述了需求为随机变量的设施选址问题[7]。XuJiuping
5、等人研究了在运行时间、服务时间、供应与需求等都随机变化的条件下的P-中值问题[8]。Pasandideh等人提出了随机性集合覆盖模型[9]。国内,毕娅等人构建了供应链总成本最低和配送中心覆盖率最大的多目标离散随机选址模型[10]。2•模型构建本文的选址问题可描述为:给定需求点集合和候选点集合,且候选点集合等于需求点集合,已知需求点的数目、需求点之间的运行时间,各个候选点建立应急物资储备中心的投资成本及各需求点要求服务时间的限制,求解一个能实现应急物资储备库数目最少,投资成本最低,所需时间最少的选址结果。在个需求点中选(一般
6、)个应急物资储备库,优化的目标就是如何以最低的成本建立一些应急物资储备中心,使得自然灾害和生产事故发生时,实现应急物资储备中心到需求点的时间最短。设表示应急物资储备库中心候选点组成的集合,表示需求点组成的集合,表示设施点到需求点的运行时间,为建立应急物资储备中心的投资成本,是候选应急物资储备中心到达需求点的最短时间,,是需求点所需的服务时间限制,如果则表示应急物资储备中心到需求点的最短时间满足需求点所要求的服务时间限制,否则应从可行解中剔除。则多目标应急物资储备中心选址问题的数学模型为:(2-1)(2-2)(2-3)式中:
7、N—应急物资储备中心数量;T—应急物资储备中心到达需求点的最短时间之和;C一按照选址方案进行建设的总成本;TC—预算总投资。3•模型求解3.1NSGA-II算法概述1995年,Srinivas和Deb提出了非支配排序遗传算法(Non-dominatedSortingGeneticAlgorithms,NSGA)o这是一种基于帕累托最优概念的遗传算法,它与简单的遗传算法的主要区别在于:该算法在选择算子执行之前根据个体之间的支配关系进行了分层。2000年,Deb又提出NSGA的改进算法一带精英策略的非支配排序遗传算法(NSGA
8、-II)。主要体现在三个方面:(1)提出了快速非支配排序法,降低了算法的复杂度。时间由原来的0(mN3)降到0(mN2),其中m为目标函数个数,N为种群大小。(2)提出了拥挤度和拥挤度比较算子代替适应度共享策略,保持了种群的多样性。(3)引入精英策略,扩大采样空间。在产生下一代种群时,让父代种群与子代种
此文档下载收益归作者所有