一种警力部署方法和系统的制作方法

文档序号:6584498阅读:660来源:国知局
专利名称:一种警力部署方法和系统的制作方法
技术领域
本发明涉及交通领域,特别是涉及一种用于交通领域的警力部署方法以及一种警 力部署系统。
背景技术
改革开放以来,机动化交通需求迅速增长与交通基础设施建设滞后之间的矛盾, 使人们在享受汽车文明的同时,却带来了交通拥堵、交通事故等一系列交通问题。作为管理 交通的公安交警部门,能够及时掌握各种海量信息,具备处理交通业务及突发事件的能力, 在解决上述交通问题中发挥了重要的作用。因而,发展公共交通,为广大居民提供安全、方 便、舒适、快捷、经济的出行方式,充足的交通警力是不可或缺的。现有的交通警力资源部署主要依靠专家经验来实现,以某一城市的交通警力部署 为例,市公安交警部门一般会根据统计的辖区道路交通状况,定期进行警力部署在交通拥 堵、交通事故多发点等重点路段配置多的交通警力资源,而在其它路段少配置交警警力。显然,这样的警力部署存在以下缺陷一、所述部署是依靠专家经验进行的,具有主观性,会出现有些路段警力过剩,而 有些路段警力不足的现象,导致部署警力大的缺点;二、同样因为部署的主观性,部署的警力往往不能满足突发交通事件等不可控的 实际工作需求,因而存在部署性能低下的问题;三、部署效率低,因为从统计辖区道路交通状况到实施警力部署,需要花费大量时 间。总之,需要本领域技术人员迫切解决的一个技术问题就是如何能够提供一种警 力部署方案,用以提高部署效率,并实现最小部署警力和最大部署性能的优化部署。

发明内容
本发明所要解决的技术问题是提供一种警力部署方法和系统,用以提高部署效 率,并实现最小部署警力和最大部署性能的多目标优化部署。为了解决上述问题,本发明公开了一种警力部署方法,包括建立两个种群,所述两个种群分别对应于交通警察信息和位置信息;根据输入的包含有交通警察信息和位置信息的原始数据,对所述两个种群进行初 始化,确定初始代种群个体和相应的初始代种群代表个体,并置进化代数为1 ;依据当前代的种群个体以及相应的种群代表个体,构造警力部署的当前代解集;对所述当前代解集进行性能评价;判断当前进化代数是否满足预置的进化终止条件,若是,则依据性能评价结果,生 成警力部署的非劣解集;否则,依据性能评价结果,选取种群个体和相应的种群代表个体,并分别对各个种 群的个体进行遗传操作,产生下一代种群,将当前进化代数加1,并返回解集构造步骤。
优选的,所述对当前代解集进行性能评价的步骤包括计算所述当前代解集的适应度函数值;依据所述适应度函数值,采用非支配排序算法和密集度评估算法对所述当前代解 集进行非支配排序。优选的,所述适应度函数为两两交通警察间的最小距离之和;所述两两交通警察间的距离为两个交通警察对应的两个位置间的距离与该两个 位置间的道路权重的乘积。优选的,所述方法还包括将当前代种群合并到下一代种群,以合并后的当前代解集进行解集构造操作。优选的,所述初始化步骤包括根据所述原始数据,通过编码随机生成L个初始代种群个体,并从所述L个初始代 种群个体中随机选择m个作为初始代种群代表个体,其中,L、m为自然数,且m < L。优选的,所述构造当前代解集的步骤包括分别将一种群的所有个体与另一种群的代表个体进行位置匹配,并合并所述位置 匹配结果,获得当前代解集。本发明实施例还公开了一种警力部署系统,包括种群建立模块,用于建立两个种群,所述两个种群分别对应于交通警察信息和位 直fe息;种群初始化模块,用于根据输入的包含有交通警察信息和位置信息的原始数据, 对所述两个种群进行初始化,确定初始代种群个体和相应的初始代种群代表个体,并置进 化代数为1 ;解集构造模块,用于依据当前代的种群个体以及相应的种群代表个体,构造警力 部署的当前代解集;评价模块,用于对所述当前代解集进行性能评价;判断模块,用于判断当前进化代数是否满足预置的进化终止条件,若是,则触发非 劣解集生成模块,否则,触发进化模块;非劣解集生成模块,用于依据性能评价结果,生成警力部署的非劣解集;进化模块,用于依据性能评价结果,选取种群个体和相应的种群代表个体,并分别 对各个种群的个体进行遗传操作,产生下一代种群,将当前进化代数加1,并触发解集构造 模块。优选的,所述评价模块包括计算单元,用于计算所述当前代解集的适应度函数值;排序单元,用于依据所述适应度函数值,采用非支配排序算法和密集度评估算法 对所述当前代解集进行非支配排序。优选的,所述系统还包括合并模块,用于将当前代种群合并到下一代种群,并在合并完成后触发解集构造 模块。优选的,所述种群初始化模块包括个体生成单元,用于根据所述原始数据,通过编码随机生成L个初始代种群个体;
代表个体选择单元,用于从所述L个初始代种群个体中随机选择m个作为初始代 种群代表个体,其中,L、m为自然数,且m < L。与现有技术相比,本发明具有以下优点警力部署需要满足优化目标有两个,第一是希望在满足部署性能的前提下,所需 要部署的交通警察数目越少越好;第二是部署性能越大越好,本发明借鉴协同进化算法,将 所述多目标优化问题映射为两个种群组成的生态系统,由于生态系统中各种群相互作用, 共同进化,能够使得整个系统不断演进,以生态系统的进化来达到优化的目的,因而本发明 能够进行交通警察和单个交通警察一一对应的位置的自动部署,从而实现了基于非劣解集 的最小交通警察数目和最大部署性能的多目标优化目的;其次,本发明将反映部署性能的两两交通警察间的最小距离之和作为评价当前代 解集的依据,能够根据交通拥堵、交通事故等实际的道路交通状况,对任意两个交通警察对 应的两个位置间的道路赋予不同权重,因而能够衡量不同道路对交通警察需求的重要程 度,从而有利于最小交通警察数目和最大部署性能的多目标优化;再者,本发明继承了进化算法的生物特性,具有自组织、自学习的能力,实际使用 过程中执行效率高,适用于交通领域的警力部署。


图1是本发明一种警力部署方法实施例1的流程图;图2是本发明一种警力部署方法实施例2的流程图;图3是本发明一种警力部署方法实施例3的流程图;图4是本发明一种警力部署系统实施例的结构图。
具体实施例方式为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实 施方式对本发明作进一步详细的说明。对于交通警察的警力部署问题,其优化目标有两个,第一是需要部署的交通警察 数目,希望在满足部署性能的前提下,所需要部署的交通警察数目越少越好;第二是部署性 能,主要反映交通警察到达事故现场的时间。因此,交通警察的警力部署问题为一个典型的多目标优化问题,最终满足最小交 通警察数目与部署性能较好折中的部署方案不应该是一个解,而应是一组非劣解集。本发明的核心构思之一在于,借鉴自然界中的协同进化机制,进行交通警察和单 个交通警察一一对应的位置的自动部署,用以实现基于非劣解集的最小交通警察数目和最 大部署性能的多目标优化目的。参照图1,示出了本发明一种警力部署方法实施例1的流程图,具体可以包括步骤101、建立两个种群,分别对应于交通警察信息和位置信息;在协同进化算法中,分解的种群越少,则协同进化算法的计算越简单,搜索空间和 时间越少。因此,本实施例将警力部署问题分解为两类种群,例如,种群1用来确定某区域 内需要部署的交通警察信息;种群2用来确定该区域内的位置信息。步骤102、根据输入的包括有交通警察信息和位置信息的原始数据,对所述两个种6群进行初始化,确定初始代种群个体和相应的初始代种群代表个体,并置进化代数为1 ;在具体实现中,所述初始化步骤可以为根据所述原始数据,通过编码随机生成L 个初始代种群个体,并从所述L个初始代种群个体中随机选择m个作为初始代种群代表个 体,其中,L、m为自然数,且m<L。在实际中,种群的编码信息可以包括编码方式、编码长度和基因位信息。例如,种 群1与种群2可以采用不同编码方式。其中,种群1的编码方式可以为二进制编码;编码长 度为可用的最大交通警察数目;二进制编码中每个基因位表示其对应的交通警察的状态, 并可根据基因位的取值确定某区域内需要部署的交通警察数目。具体而言,在基因位取值 为0时,表示该交通警察的状态为未选中,交通警察数目不增加;在基因位取值为1时,表示 该交通警察的状态为选中,交通警察数目加1。种群2的编码方式可以为实数编码;编码长 度可根据最大交通警察数目确定,例如,已知最大交通警察数目为n,其中,η为自然数,则 种群2的编码长度为2η ;实数编码中每个基因位表示其区域内某个部署点的位置信息,例 如,2η中的前η位表示该部署点的经度信息,后η位表示部署点的纬度信息,则第k位和第 n+k位的结合表示该区域内某部署点的位置信息,其中,1彡k彡η。由于本发明只在一个部署点配置一个交通警察,因此,种群2的位置信息与种群1 的交通警察信息一一对应,例如,种群1的第k基因位与种群2的第k基因位和第n+k基因 位的结合一一对应。所以,种群2的编码信息依据种群1变化。例如,在种群1的第k基因 位取值为0时,种群2的第k基因位和第n+k基因位也相应无效。在实际中,可首先根据可用的最大交通警察数目n,确定出某区域内最密集的η个 部署点的位置信息,然后在种群1对应的交通警察数目减小时,通过无效种群2的相应基因 位,来减少部署点的个数,并使当前部署点的位置信息稀疏化。例如,为某路段部署警力时, 初始时,可根据可用的最大交通警察数目10计算出最密集的10个部署点的位置信息,而在 当前交通警察数目减小为5时,相应的5个部署点的间隔则变为原来的2倍。作为一种示例,为种群1随机生成L个初始代种群个体的操作可以为,随机产生
区间的整数逐个填充L个个体的所有基因位连接的基因链,由于产生的随机数服从 均勻分布,因此,初始代种群遍历整个解空间,能充分反映优化问题解的性态。步骤103、依据当前进化代数的种群个体以及相应的种群代表个体,构造警力部署 的当前代解集;在协同进化算法中,单个种群无法表示待优化问题的完整解,需要经过各种群个 体的相互协作,方可生成待优化问题的完整解。在本发明实施例中,可通过统计每个种群1 个体中的取值为“ 1,,的基因位数量,得到需要部署的当前交通警察数目,从而根据所述当前 交通警察数目确定种群2所有基因位的信息。例如,某基因位取值为“1”,且在种群1个体 的相对位置为k,则通过种群2个体的第k位和第n+k位的结合,获取某部署点的具体位置 信息。因此,综合种群1和种群2的个体,即可合作生成所需要部署的交通警察及每个交通 警察的具体部署位置,并以二者的结合作为当前代解集的一组完整解。为减轻计算量,在本发明的一种优选实施例中,采用位置匹配法,获取当前代解 集。具体而言,可以分别将一种群的所有个体与另一种群的代表个体进行位置匹配,并合并 所述位置匹配结果,获得当前代解集。例如,对于L个种群个体、m个种群代表个体的情形,将种群1的L个个体与种群2的m个代表个体进行位置匹配,可得到L*m个完整解;同理,将种群2的L个个体与种群1 的m个代表个体合作,得到L*m个完整解。因此,当前代解集中完整解的数目为2*L*m。当然,上述采用位置匹配法构造当前代解集的过程只是作为示例,本领域技术人 员可以根据实际情况采用其它构造方法,例如遍历组合法等,本发明对具体的构造方法不 加以限制。步骤104、对所述当前代解集进行性能评价;
本步骤是评价协同优化算法得到的当前代解集的性能优劣。步骤105、判断当前进化代数是否满足预置的进化终止条件,若是,则执行步骤 106;否则,执行步骤107;若进化终止条件满足,则进化过程结束,输出进化结果;否则,返回对各个种群重 新进行进化。所述预置的进化终止条件可取为进化过程达到一定的代数,例如,预置进化代 数为100,进化100次即终止进化。步骤106、依据性能评价结果,生成警力部署的非劣解集;相对于单目标优化问题,多目标优化的结果不是一个最优解,而是符合最优概念 的一组解集。因此,本发明最终生成的警力部署的非劣解集可以包括多个非劣解,其中,每 个非劣解对应一种交通警察数目及对应的单个警察的部署位置的警力部署方案。在实际工 作中,专家可根据需要,选择一种解的方案。由于步骤102对包括有交通警察信息和位置信 息的原始数据进行了编码操作,在得到非劣解集后,还需要将所述非劣解集解码为作为警 力部署方案的目标数据。例如,最终非劣解集包含了 25个警察、27个警察和30个警察三个部署方案,而当 前可供调度的警察为35人,如果专家发现有6个人情绪低落,则可以选择27个警察的方案。步骤107、依据性能评价结果,选取种群个体和相应的种群代表个体;例如,所述种群个体的选取过程可以为,依据性能评价结果,从2*L*m个完整解中 选取L个,并将所述L个完整解分解为两个种群的个体。步骤108、分别对各个种群的个体进行遗传操作,产生下一代种群,将当前进化代 数加1,并返回步骤103。本步骤是在当前代种群的基础上,对种群1与种群2分别单独进行种群的遗传操 作,产生下一代种群。遗传算法中主要包括以下三种遗传操作选择、交叉和变异。为保证 群体多样性和算法的有效性,其中交叉和变异操作均包括几种具体的实现方法,在实际的 操作过程中,可由算法随机选择这几种具体的实现方法。1)选择操作在实际中,可以采用轮盘赌法进行个体的选择操作。为防止最优个体在选择操作 时被忽略,同时采用最优个体保存法,即将步骤106的性能评价最高的个体不经过交叉和 变异操作,而直接复制到下一代。2)交叉操作假设H; =[、_··, WH;=[……,[]为第r代进行交叉的两个种群个体,1为个体长度,在具体实现中,可以随机采用如下三种交叉操作离散交叉随机选择个体位置δ e [1,1],则第r+l代的对应个体为
Hrs+1 =[ ..., 力+1,…Hr,+l算术交叉λ e
为均勻分布的随机数,则第r+Ι代的对应个体为Hrs+X = AHrs + (1 - λ)Η;Η[+χ = λΗ; +(I- λ)Η[启发式交叉λ e
为均勻分布的随机数,则第r+Ι代的对应个体为Hr;x = Hrs + λ{Η - Hrt )H;+] = Hrt + λ(Η" - Hrs )其中i/广e[//_,//_],//广丨 e [Hmin,Hmax]3)变异操作假设···, ]为第r代进行变异的个体,1为个体长度,可以随机采用如下两 种变异操作单点变异随机选择个体位置δ e [1,1]和随机数& £
,其中,·^min和 为个体δ位置的最大和最小数,则第r+1代的对应个体为T/;+1 =[ ·..,&’·.· ]多点变异随机选择多个个体位置Sk e [l,l]ke [1,1]和多个随机数 \ € [<in,<ax],其中,和Cx为个体所对应多个δ k位置的最大和最小数,第r+Ι代的对应 个体为Hr;1 =(>”···,&,.-·,、… ]本发明借鉴协同进化算法,将所述多目标优化问题映射为两个种群组成的生态系 统,由于生态系统中各种群相互作用,共同进化,能够使得整个系统不断演进,以生态系统 的进化来达到优化的目的,因而本发明能够进行交通警察和对应的位置的自动部署,从而 实现最小交通警察数目和最大部署性能的多目标优化目的。参照图2,示出了本发明一种警力部署方法实施例2的流程图,具体可以包括步骤201、建立两个种群,分别对应于交通警察信息和位置信息;步骤202、根据输入的包括有交通警察信息和位置信息的原始数据,对所述两个种 群进行初始化,确定初始代种群个体和相应的初始代种群代表个体,并置进化代数为1 ;步骤203、依据当前进化代数的种群个体以及相应的种群代表个体,构造警力部署 的当前代解集;步骤204、计算所述当前代解集的适应度函数值;相对于单目标优化问题,多目标优化的结果不是一个最优解,而是符合最优概念 的一组解集。由于进化过程采用不同的进化策略,使得算法的性能评价非常困难,至今缺少 系统的量化的评价方法。本实施例从需要满足的部署性能的角度出发,根据部署性能定义评估当前代解集 的适应度函数,并依据所述适应度函数值,采用非支配排序算法和密集度评估算法对所述 当前代解集进行非支配排序。在实际中,由于部署性能主要反映为交通警察到达事故现场的时间,因此,部署性 能可以通过一个交通警察与最近的另外一个交通警察之间的距离来度量。
在本发明实施例中,优选的是,采用两两交通警察间的最小距离之和来衡量部署 性能,也即,所述适应度函数的定义可以为两两交通警察间的最小距离之和;所述两两交通 警察间的距离的定义可以为两个交通警察对应的两个位置间的距离与该两个位置间的道 路权重的乘积。例如,定义第i个交通警察和第j个交通警察的距离为d (i,j),其中,d (i,j)可以 通过GIS (地理信息系统,Geographic Information System)计算得到的该两个交通警察 被部署到的两个位置间的距离与两个位置间的道路权重的乘积,那么对于第i个警察,其 对应的最短距离dmin(i)为:dfflin(i) =min(d(i, j)),因此,适应度函数的计算公式可以为D = ZJmJO,其中N为当前代解集所部署的交通警察数目。 /=1步骤205、依据所述适应度函数值,采用非支配排序算法和密集度评估算法对所述 当前代解集进行非支配排序;在算法运行过程中,总是期望可以选择较好的解。比如同样有两个方案,均采用了 25个警察,第一种方案的部署性能为30,而第二种方案的部署性能为40,那么希望在算法 运行过程中,将第一种部署方案排在前面。本步骤采用非支配排序算法和密集度评估算法 对所述当前代解集进行非支配排序的意义,也就在于将更好的完整解排在前面,以所述排 序结果作为后续步骤对当前代解集进行选择的基础,也即按照从前到后的顺序对当前代解 集进行选择。非支配排序算法是一种根据非支配水平对整个种群P进行排序的算法,通过这种 排序过程将种群P划分为多个集合Fi,每个Fi中的个体具有相同的非支配水平。具体算法 如下输入整个种群P ;输出非支配水平相同的个体集合Fi1)对于每个种群个体\ e P计算两个参数nj^nsp,其中np表示支配\的个体 数,Sp表示由\支配的个体组成的集合;2)将所有np = 0的个体组成第一非支配水平的个体集合F1,设定i = 1 ;3)访问Fi中的每一个体\支配的个体组成的集合&,对于任一个体&,将其 η,减1,若η,被减为0,则将对应的、划入另一集合Q ;4)令i = i+l,Fi = 0,若Fi不为空集,则返回3),否则,终止运算。密集度评估算法是保持种群多样性上采取的措施,通过计算指定个体的相邻两个 个体间适应度函数的密集距离来估计指定个体处种群的密集度。具体算法如下输入快速非支配排序算法的输出Fi A中的个体数L ;适应度函数的个数N输出=Fi中每一个体的密集度评估值X(Ldistan。e1)对于每一个体、e Fi,设定其 X(Ldistance = 0 ;2)预设适应度函数指针m = 1 ;3)对于Fi中所有个体,按第m个适应度函数值排序;4)为了确保处于边界的个体始终被选中,设定X1 distan。e = xL_distance ;5)预设Fi中个体数指针q = 2 ;6)X(Ldistance = xq distance+(xq+1 ^xq-! m),其中 Χ +1 1表示个体 Χ +1 的第 m 个适应度函数 值;
7)q = q+l,gq < L,则返回 6),否则,执行 8);8)m = m+1,若m彡N,则返回3),否则,终止运算。步骤206、判断当前进化代数是否满足预置的进化终止条件,若是,则执行步骤 207 ;否则,执行步骤208 ;步骤207、依据非支配排序结果,生成警力部署的非劣解集;例如,在其第一非支配水平的集合F1中选择S个,对应S种交通警察数目及对应 的单个警察的部署位置的警力部署方案,其中,S为自然数。步骤208、依据非支配排序结果,选取种群个体和相应的种群代表个体;例如,所述种群个体的选取过程可以为,依据非支配排序结果,从2*L*m个完整解 中选取排在前面的L个,并将所述L个完整解分解为两个种群的个体;所述种群代表个体的 选取过程可以为,根据所选取的前L个当前代解集的适应度函数值,在其第一非支配水平 的集合F1中随机选择m个完整解,将所述m个完整解对应的分解后的个体作为各自种群的 代表个体。步骤209、分别对各个种群的个体进行遗传操作,产生下一代种群,将当前进化代 数加1,并返回步骤203。本实施例与实施例1的区别在于,将反映部署性能的两两交通警察间的最小距离 之和作为评价当前代解集的依据,能够根据交通拥堵、交通事故等实际的道路交通状况,对 任意两个交通警察对应的两个位置间的道路赋予不同权重,因而能够衡量不同道路对交通 警察需求的重要程度,从而有利于最小交通警察数目和最大部署性能的多目标优化。参照图3,示出了本发明一种警力部署方法实施例3的流程图,具体可以包括步骤301、建立两个种群,分别对应于交通警察信息和位置信息;步骤302、根据输入的包括有交通警察信息和位置信息的原始数据,对所述两个种 群进行初始化,确定初始代种群个体和相应的初始代种群代表个体,并置进化代数为1 ;步骤303、依据当前进化代数的种群个体以及相应的种群代表个体,构造警力部署 的当前代解集;步骤304、对所述当前代解集进行性能评价;步骤305、判断当前进化代数是否满足预置的进化终止条件,若是,则执行步骤 306 ;否则,执行步骤307 ;步骤306、依据性能评价结果,生成警力部署的非劣解集;步骤307、依据性能评价结果,选取种群个体和相应的种群代表个体;步骤308、分别对各个种群的个体进行遗传操作,产生下一代种群;步骤309、将当前代种群合并到下一代种群,并将当前进化代数加1,返回步骤 303。例如,对于L个种群个体、m个种群代表个体的情形,本步骤可以在下一代种群中 加入了父代的L个个体,以组合后的种群进行进化。为防止父代中的优良个体或者片段随进化过程消失,造成浪费,本实施例在进化 过程中采用了精英保留策略,将父代中的优良个体保留到下一代种群,能够有利于种群更 稳步地进化。参考图4,示出了本发明一种警力部署系统实施例的结构图,具体可以包括
种群建立模块401,用于建立两个种群,所述两个种群分别对应于交通警察信息和 位置信息;种群初始化模块402,用于根据输入的包含有交通警察信息和位置信息的原始数 据,对所述两个种群进行初始化,确定初始代种群个体和相应的初始代种群代表个体,并置 进化代数为1 ;在具体实现中,所述种群初始化模块可以包括以下单元个体生成单元421,用于根据所述原始数据,通过编码随机生成L个初始代种群个 体;代表个体选择单元422,用于从所述L个初始代种群个体中随机选择m个作为初始 代种群代表个体,其中,L、m为自然数,且m < L。在实际中,所述两个种群可以采用不同编码方式。例如,对应于交通警察信息的种 群采用二进制编码;对应于位置信息的种群采用实数编码。解集构造模块403,用于依据当前代的种群个体以及相应的种群代表个体,构造警 力部署的当前代解集;评价模块404,用于对所述当前代解集进行性能评价;在本发明的一种优选实施例中,所述评价模块可以包括以下单元计算单元441,用于计算所述当前代解集的适应度函数值;排序单元442,用于依据所述适应度函数值,采用非支配排序算法和密集度评估算 法对所述当前代解集进行非支配排序。判断模块405,用于判断当前进化代数是否满足预置的进化终止条件,若是,则触 发非劣解集生成模块,否则,触发进化模块;非劣解集生成模块406,用于依据性能评价结果,生成警力部署的非劣解集;进化模块407,用于依据性能评价结果,选取种群个体和相应的种群代表个体,并 分别对各个种群的个体进行遗传操作,产生下一代种群,将当前进化代数加1,并触发解集 构造模块。为防止父代中的优良个体或者片段随进化过程消失,造成浪费,在本发明的另一 种优选实施例中,所述系统还可以包括合并模块408,用于将当前代种群合并到下一代种群,并在合并后触发解集构造模 块。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与 其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例 而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部 分说明即可。以上对本发明所提供的一种警力部署方法以及一种警力部署系统,进行了详细介 绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只 是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发 明的思想,在具体实施方式
及应用范围上均会有改变之处,综上所述,本说明书内容不应理 解为对本发明的限制。
权利要求
1.一种警力部署方法,其特征在于,包括建立两个种群,所述两个种群分别对应于交通警察信息和位置信息; 根据输入的包含有交通警察信息和位置信息的原始数据,对所述两个种群进行初始 化,确定初始代种群个体和相应的初始代种群代表个体,并置进化代数为1 ;依据当前代的种群个体以及相应的种群代表个体,构造警力部署的当前代解集; 对所述当前代解集进行性能评价;判断当前进化代数是否满足预置的进化终止条件,若是,则依据性能评价结果,生成警 力部署的非劣解集;否则,依据性能评价结果,选取种群个体和相应的种群代表个体,并分别对各个种群的 个体进行遗传操作,产生下一代种群,将当前进化代数加1,并返回解集构造步骤。
2.如权利要求1所述的方法,其特征在于,所述对当前代解集进行性能评价的步骤包括计算所述当前代解集的适应度函数值;依据所述适应度函数值,采用非支配排序算法和密集度评估算法对所述当前代解集进 行非支配排序。
3.如权利要求2所述的方法,其特征在于,所述适应度函数为两两交通警察间的最小 距离之和;所述两两交通警察间的距离为两个交通警察对应的两个位置间的距离与该两个位置 间的道路权重的乘积。
4.如权利要求1所述的方法,其特征在于,还包括将当前代种群合并到下一代种群,以合并后的当前代解集进行解集构造操作。
5.如权利要求1所述的方法,其特征在于,所述初始化步骤包括根据所述原始数据,通过编码随机生成L个初始代种群个体,并从所述L个初始代种群 个体中随机选择m个作为初始代种群代表个体,其中,L、m为自然数,且m < L。
6.如权利要求1所述的方法,其特征在于,所述构造当前代解集的步骤包括分别将一种群的所有个体与另一种群的代表个体进行位置匹配,并合并所述位置匹配 结果,获得当前代解集。
7.一种警力部署系统,其特征在于,包括种群建立模块,用于建立两个种群,所述两个种群分别对应于交通警察信息和位置信息;种群初始化模块,用于根据输入的包含有交通警察信息和位置信息的原始数据,对所 述两个种群进行初始化,确定初始代种群个体和相应的初始代种群代表个体,并置进化代 数为1;解集构造模块,用于依据当前代的种群个体以及相应的种群代表个体,构造警力部署 的当前代解集;评价模块,用于对所述当前代解集进行性能评价;判断模块,用于判断当前进化代数是否满足预置的进化终止条件,若是,则触发非劣解 集生成模块,否则,触发进化模块;非劣解集生成模块,用于依据性能评价结果,生成警力部署的非劣解集;进化模块,用于依据性能评价结果,选取种群个体和相应的种群代表个体,并分别对各 个种群的个体进行遗传操作,产生下一代种群,将当前进化代数加1,并触发解集构造模块。
8.如权利要求7所述的系统,其特征在于,所述评价模块包括 计算单元,用于计算所述当前代解集的适应度函数值;排序单元,用于依据所述适应度函数值,采用非支配排序算法和密集度评估算法对所 述当前代解集进行非支配排序。
9.如权利要求7所述的系统,其特征在于,还包括合并模块,用于将当前代种群合并到下一代种群,并在合并完成后触发解集构造模块。
10.如权利要求7所述的系统,其特征在于,所述种群初始化模块包括个体生成单元,用于根据所述原始数据,通过编码随机生成L个初始代种群个体; 代表个体选择单元,用于从所述L个初始代种群个体中随机选择m个作为初始代种群 代表个体,其中,L、m为自然数,且m < L。
全文摘要
本发明提供了一种警力部署方法和系统,其中的方法具体包括分别对应于交通警察信息和位置信息,建立两个种群;根据输入的原始数据,对两个种群进行初始化,确定初始代种群个体和相应的初始代种群代表个体,并置进化代数为1;依据当前代的种群个体以及相应的种群代表个体,构造警力部署的当前代解集;对所述当前代解集进行性能评价;判断当前进化代数是否满足预置的进化终止条件,若是,则依据性能评价结果,生成警力部署的非劣解集;否则,依据性能评价结果,选取种群个体和相应的种群代表个体,并对种群个体进行遗传操作,产生下一代种群,将当前进化代数加1,并返回解集构造步骤。本发明能够用以提高部署效率,并实现多目标优化部署。
文档编号G06Q50/00GK102054211SQ20091023639
公开日2011年5月11日 申请日期2009年10月28日 优先权日2009年10月28日
发明者张新媛, 李晨曦, 秦勇, 董宏辉, 裴贺蕊, 贾利民, 邢宗义 申请人:北京交通大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1