综合管廊选线规划方法与流程

本发明涉及城市市政设施规划技术领域，尤其涉及一种综合管廊选线规划方法。

背景技术：

城市地下综合管廊(以下简称为综合管廊)又称“共同沟”，是敷设于地面下的一种构筑物，它可容纳电信、电力、供水、热力等多种公共管线，并拥有完备的排水、照明、通讯、监控等设施。管廊是为确保道路功能充分发挥，有效利用城市地下空间，改善城市环境，增强城市防震抗灾能力，确保城市安全运转而产生的市政基础设施。

我国综合管廊的选线规划还处于初步尝试阶段，管廊选线规划定量模型相对较少，国内外铁路、公路等线性基础设施的选线规划定量模型研究较多，这为管廊的选线模型研究提供了借鉴。但是，现有的线性基础设施的选线规划研究多借助单一层次决策规划模型，而综合管廊的选线规划涉及多方面的影响因素，是一个多层次决策问题。采用单一层次决策规划模型可能会使综合管廊的选线规划出现布局混乱，资金能源浪费，服务范围小等诸多问题。

技术实现要素：

本发明提供的综合管廊选线规划方法，能够有效改善综合管廊选线布局的合理性，降低建设成本，提高服务能力。

第一方面，本发明提供一种综合管廊选线规划方法，所述方法包括：

获取多层次上的综合管廊选线规划的目标和影响因素；

根据综合管廊选线规划的目标和各层影响因素构建双层规划模型；

利用遗传算法求解出所述双层规划模型的最优选线布局方案。

可选地，所述根据综合管廊选线规划的目标和各层影响因素构建双层规划模型包括：

确定上层规划模型的目标和影响因素，以及确定下层规划模型的目标和影响因素；

建立以上层影响因素为约束条件的上层目标函数，以及建立以下层影响因素为约束条件的下层目标函数。

可选地，所述建立以上层影响因素为约束条件的上层目标函数包括：

建立以建设成本最小化为目标函数的上层规划模型，上层目标函数的约束条件包括管廊建设费用、自来水运输能耗费用、污水运输能耗费用和电运输能耗费用；

所述建立以下层影响因素为约束条件的下层目标函数包括：

建立以服务能力最大化为目标函数的下层规划模型，下层目标函数的约束条件包括：自来水运输能耗费用、污水运输能耗费用和电运输能耗费用。

可选地，所述上层规划模型的目标函数为：

约束条件为：

其中，h表示敷设单位长度管廊所需的成本；la表示路段a的长度；为上层规划模型的决策变量，表示是否在路段a敷设管廊，当表示敷设，当表示不敷设；

和分别表示运输自来水、污水和电时单位时间内所消耗的能源；

和分别表示综合管廊内自来水、污水及电的流量；

和分别表示综合管廊内运输自来水、污水及电的时间；

b为敷设管廊的总体预算；

pmax表示允许消耗的最大耗能。

可选地，所述下层规划模型的目标函数为：

约束条件为：

其中，所述为上层规划模型的决策变量，和分别表示综合管廊内自来水、污水及电的流量，和各路段敷设管廊后的服务权重。

可选地，所述利用遗传算法求解出所述双层规划模型的最优选线布局方案包括：

将所述上层规划模型的决策变量作为染色体的基因，确定染色体编码方式并生成初始种群，所述初始种群中每条染色体对应一种综合管廊选线布局方案；

根据上层规划模型的约束条件求解初始种群的可行解，得到可行的综合管廊选线布局方案；

根据所述下层目标函数比较每种可行的选线布局方案的服务范围，得到服务范围最大时各能源的流量；

根据得到的各能源的流量计算上层目标函数，得到每条染色体的适应度；

根据每条染色体的适应度选择相应的遗传算子对可行种群进行迭代优化，所述遗传算子包括：选择算子、交叉算子和变异算子；

当达到最大迭代次数时，输出适应度最高的染色体，得到最优的综合管廊选线布局方案。

本发明实施例提供的综合管廊选线规划方法，通过多层次分析归纳出综合管廊选线的目标和影响因素，将综合管廊的建设成本最小化作为上层决策的目标函数，将综合管廊的服务能力最大化作为下层决策的目标函数，将道路环境、服务区域的经济条件、政府财政承受能力等影响因素作为各层的约束条件，构建双层规划模型，再利用遗传算法求解出最优解，得到综合管廊的最优选线布局方案。与现有技术相比，本发明通过构建双层规划模型，能够有效改善综合管廊选线布局的合理性，降低建设成本，提高服务能力。

附图说明

图1为本发明一实施例综合管廊选线规划方法的流程图；

图2为本发明一实施例利用遗传算法求解双层规划模型的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种综合管廊选线规划方法，如图1所示，所述方法包括：

s11、获取多层次上的综合管廊选线规划的目标和影响因素；

综合管廊的选线规划涉及道路环境、服务区域的经济条件、政府财政承受能力等各种各样的影响因素，关系着部门、单位和个人具体利益，是一个多层次决策问题。本发明采用多层次分析方法归纳出不同层面的影响因素，运用实地调研、专家访谈和案例分析的方法归纳出不同层面综合管廊选线的目标和关键因素，能够有效改善采用传统的单一层次决策解决基础设施线路规划造成的选线布局不合理的问题。

s12、根据综合管廊选线规划的目标和各层影响因素构建双层规划模型；

可选地，确定上层规划模型的目标和影响因素，以及确定下层规划模型的目标和影响因素；

建立以上层影响因素为约束条件的上层目标函数，以及建立以下层影响因素为约束条件的下层目标函数。

本发明采用双层规划模型将综合管廊选线问题分解为上层决策问题和下层决策问题，上层决策问题和下层决策问题都归纳出各自的目标和影响因素，以各层影响因素为约束条件分别建立上层目标函数和下层目标函数。

上层决策问题的目标函数和约束条件不仅与上层决策变量有关，而且还依赖于下层决策问题的最优求解，而下层问题的最优解又受上层决策变量的影响，从而使综合管廊选线规划问题成为了具有双层递阶结构的系统优化问题。

本实施例将综合管廊的建设成本归纳为上层决策问题，将综合管廊的服务能力归纳为下层决策问题。可选地，所述建立以上层影响因素为约束条件的上层目标函数包括：

建立以建设成本最小化为目标函数的上层规划模型，上层目标函数的约束条件包括管廊建设费用、自来水运输能耗费用、污水运输能耗费用和电运输能耗费用。

上层规划模型具体描述了从系统角度如何确定管廊选线布局的最优集合，从而达到整个管廊线路网系统的成本最低。本实施例从能源与建设费用方面选取了相应指标，包括管廊建设费用、自来水运输能耗费用、污水运输能耗费用、电运输能耗费用组成目标函数来表征管廊线路网系统运行的广义费用，并给出资金、能源消耗方面的约束条件，建立上层规划模型：

上层规划模型的约束条件为：

其中，h表示敷设单位长度管廊所需的成本；la表示路段a的长度；为上层规划模型的决策变量，表示是否在路段a敷设管廊，当表示敷设，当表示不敷设；

和分别表示运输自来水、污水和电时单位时间内所消耗的能源；

和分别表示综合管廊内自来水、污水及电的流量；

和分别表示综合管廊内运输自来水、污水及电的时间；

b为敷设管廊的总体预算；

pmax表示允许消耗的最大耗能。

可选地，所述建立以下层影响因素为约束条件的下层目标函数包括：

建立以服务能力最大化为目标函数的下层规划模型，下层目标函数的约束条件包括：自来水运输能耗费用、污水运输能耗费用和电运输能耗费用。

下层规划模型是管廊使用者在确定管廊线路网的条件下，进行线路选择来达到服务范围最广。考虑到管廊线路网中自来水厂、污水厂及供电厂的位置分散，导致管廊使用者(管线单位)路径选择的规律和原理有所不同，本实施例综合考虑各管线单位的线路选择，以达到综合管廊服务范围最广，服务人群最多为目标，建立下层规划模型：

下层规划模型的约束条件为：

其中，所述为上层规划模型的决策变量，和分别表示综合管廊内自来水、污水及电的流量，和各路段敷设管廊后的服务权重。

s13、利用遗传算法求解出所述双层规划模型的最优选线布局方案。

可选地，利用遗传算法求解双层规划模型的具体步骤如下：

步骤1、将所述上层规划模型的决策变量作为染色体的基因，确定染色体编码方式并生成初始种群，所述初始种群中每条染色体对应一种综合管廊选线布局方案；

具体地，步骤1包括以下子步骤：

步骤1.1：确定染色体编码方案，染色体上每个基因对应每个路段的决策变量第i(i≥0且i∈n)个染色体si采用二进制编码方式，生成一组决策变量的向量组合，其长度为|a|，每条染色体代表一种综合管廊选线布局方案。

步骤1.2：设定遗传算法的相关参数，主要包括种群规模ρsize、交叉概率pc、变异概率pm、最大迭代次数gmax。

步骤1.3：生成初始种群，随机生成ρsize个|a|维的0-1向量。

步骤2、根据上层规划模型的约束条件求解初始种群的可行解，得到可行的综合管廊选线布局方案；

具体地，步骤2包括以下子步骤：

步骤2.1：令i＝0。

步骤2.2：令i＝i+1。

步骤2.3：检验第条i染色体是否满足约束条件公式(1)-(4)(即上层目标函数的约束条件)，如果满足则进行步骤2.5；否则进行步骤2.4。

步骤2.4：随机选择染色体中值为1的基因位，将其值变为0，并返回步骤2.3。

步骤2.5：若i＝ρsize，算法结束，得到可行的种群；否则，返回步骤2.2。

步骤3、根据所述下层目标函数比较每种可行的选线布局方案的服务范围，得到服务范围最大时各能源的流量，包括自来水、污水及电的流量；

步骤4、根据得到的各能源的流量计算上层目标函数，得到每条染色体的适应度，所述每条染色体的适应度ffit(si)＝1/fit(si)；

步骤5、根据每条染色体的适应度选择相应的遗传算子对可行种群进行迭代优化，所述遗传算子包括：选择算子、交叉算子和变异算子；

具体地，根据得到的每条染色体的适应度，判断满足哪种遗传操作的作用条件，选择相应的遗传算子作用于当前种群。通过遗传算子的作用，得到优化的种群。下面对各遗传操作(选择操作、交叉操作和变异操作)的作用条件进行具体说明，遗传算法求解最优选线布局方案的流程如图2所示。

a)、选择操作。采用轮盘赌选择：①计算所有种群的适应度总和②计算每个被选择的概率③生成一个随机数rrand∈[0，1]，如果则选择si执行以下操作。

b)、交叉操作。采用单点交叉：①将选择得到的染色体进行配对得到ns个配对，②令i＝0；i＝i+1；③生成一个随机数rrand∈[0，1]，若r≤pc，则生成一个随机位置参数ppos∈(0，|a|)，并在此位置执行单点交叉；④若i＝ns，则交叉操作结束，否则返回②。

c)、变异操作。采用均匀变异：①令i＝0；②令i＝i+1；③生成一个随机数rrand∈[0，1]，若r≤pm，则相应的基因发生变异，即把第i个基因的值由1变为0(或由0变为1)，否则返回②；④重复操作，直到i＝|a|psize。

步骤5：当达到最大迭代次数时，输出适应度最高的染色体，得到最优的综合管廊选线布局方案。

具体地，判断是否到达最大迭代次数。若达到了最大迭代次数，则算法结束，输出种群中适应度最高的染色体为最优解，得到最优的选线布局方案；否则返回步骤2。

本发明实施例提供的综合管廊选线规划方法，通过多层次分析归纳出综合管廊选线的目标和影响因素，将综合管廊的建设成本最小化作为上层决策的目标函数，将综合管廊的服务能力最大化作为下层决策的目标函数，将道路环境、服务区域的经济条件、政府财政承受能力等影响因素作为各层的约束条件，构建双层规划模型，再利用遗传算法求解出最优解，得到综合管廊的最优选线布局方案。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。