基于随机策略与多目标优化算法的施工场地平面布置方法与流程

本发明涉及，尤其涉及一种基于随机策略与多目标优化算法的施工场地平面布置方法。

背景技术：

目前，智能化的施工场地平面布置方法主要是通过建立场地布置所要达到的目标模型，借助现有的智能算法的智能寻优特性，比如遗传算法、蚁群算法、粒子群算法等，最终得到满足目标的最优场地布置方案；这类方法在进行算法运用之前，需要先确定场地内设施的布置模式，然后算法依据该布置模式对待布置设施进行智能规划。现有的场地内设施的布置模式主要是采用自动换行的布置策略，即首先对待布置设施进行编号，然后通过随机打乱编号顺序的方式将各个设施按照逐行排列；若同一行内的设施长度之和与该行中设施之间的实际间距之和的总和超过了最大横向空间长度限制，则本行的最后一个设施自动进入下一行。

上述布置策略在采用智能算法进行优化布置的过程中容易出现优解丢失问题，原因在于所有设施按照自动换行模式布置完毕后，对布置区域的剩余布置空间进行设施布置的可能性将为0，导致在剩余布置空间上进行布置的布局方案所得到的可能更优目标值将间接丢失，也就是说，初始种群的多样性在算法初始阶段就已被削弱，智能算法在多样性存在缺陷的初始种群中进行智能寻优，得到的最终解可能只是局部最优解而非全局最优解。因此，利用上述布置策略进行场地布置虽然在一定程度上能够对场地布置方案进行优化，但并未完全发挥算法的全局寻优特点以及场地布置方案的最佳优化目标。

技术实现要素：

针对现有布置策略易丢解、全局最优性弱的缺陷，本发明提供了一种基于随机策略与多目标优化算法的施工场地平面布置方法。

本发明提供一种基于随机策略与多目标优化算法的施工场地平面布置方法，包括采用随机策略进行场地布置的初始阶段：

101、将整个施工场地的平面区域进行网格化，形成若干个面积大小相同方形区域，并基于所述方形区域建立施工场地的二维坐标系；

102、将待布置设施根据各自的实际尺寸大小模型化为规则矩形，并以矩形的任一顶点的位置坐标为随机策略的决策变量，在步骤101建立的二维坐标系的基础上，随机生成满足施工场地空间限制的设施位置坐标；

103、对于任一待布置设施，判断随机生成的位置坐标是否满足防重叠约束，若满足，则保留所述位置坐标作为所述待布置设施的布置方案，若不满足，则舍弃所述位置坐标并再次随机生成新的位置坐标，直到满足防重叠约束为止；

104、对所有待布置设施执行步骤103、步骤104，得到一个场地布置方案，所述场地布置方案作为多目标优化算法的初始种群中的一个样本；

105、根据初始种群的样本数量，重复执行步骤102-104，生成多目标优化算法的初始种群。

进一步地，还包括采用多目标优化算法进行改进的优化阶段：

201、给定交叉概率，并以多点交叉的方式确定两个染色体之间待交叉的基因座区间；

202、逐个进行基因座上基因的交叉操作并判断交叉后是否满足防重叠约束，若满足，则保留所述基因交叉操作，否则，撤销所述基因交叉操作；直到种群中的所有染色体均完成交叉操作；

203、给定变异概率，并以均匀变异的方式确定两个染色体之间待变异的基因座区间；

204、将施工场地中的布置区域分成若干区域，并确定不同区域之间的空间坐标范围；

205、根据步骤204划分的区域，确定待变异染色体对应的场地布置方案中各个设施所在的区域；

206、根据待变异的基因座区间，依次将所述基因座上的基因向除所述基因所在区域外的其余区域进行随机变异，并判断变异后的基因是否满足防重叠约束，若满足，则保留所述基因变异操作，否则，撤销所述基因变异操作；

207、重复步骤203至步骤206，直到完成种群中所有染色体的变异操作；然后进行非支配排序、拥挤度计算得到新的子代；

208、将得到的新的子代作为父代重复步骤201-207，经过有限次迭代后，得到的子代在三个目标上均趋于平稳，最终得到的子代所对应的染色体即为最优的施工场地的平面布置方案集合。

进一步地，所述防重叠约束的判断过程为：将待布置设施依次与场地内已确定位置坐标的设施进行是否重叠的判断，当所述待布置设施与所述场地内已确定位置坐标的设施均不重叠，则判定所述待布置设施满足防重叠约束，否则，判定所述待布置设施不满足防重叠约束。

进一步地，判断是否重叠的具体过程为：根据设施位置坐标以及实际尺寸，分别得到进行判断的待布置设施的矩心坐标为(x1，y1)，长度为l1，宽度为w1，已确定位置坐标的设施的矩心坐标为(x2，y2)，长度为l2，宽度为w2；当|x1-x2|≥(l1+l2)/2且|y1-y2|≥(w1+w2)/2时，判定所述待布置设施与所述已确定位置坐标的设施不重叠，否则，判定所述待布置设施与所述已确定位置坐标的设施重叠。

进一步地，所述步骤101中，所述方形区域的面积大小为1×1m。

进一步地，所述步骤102中，以矩形的左上顶点为决策变量。

进一步地，所述步骤105中，所述初始种群由若干条染色体组成，染色体数量即为初始种群的样本数量，其中，一条染色体代表步骤104中得到的一个场地布置方案；对于所述场地布置方案中每一个待布置设施，以实数编码的方式对决策变量进行编码，形成染色体上的基因。

进一步地，所述交叉操作为：将待交叉的第一染色体上的基因座{x1，…，xn}中的n个基因逐个与待交叉的第二染色体上的基因座{x1，…，xn}中的n个基因进行交叉，交叉后，所述第一染色体与所述染色体上交叉基因对应的设施布置位置发生交换。

进一步地，所述三个目标分别为流动距离、风险交互值、以及亲密度。

本发明提供的技术方案带来的有益效果是：

(1)本发明提出的随机布置策略解决了现有施工场地布置策略存在的易丢解和局部最优解弊端，充分发挥了智能算法的全局寻优特点，得出的场地布置方案更加贴近目标需求；

(2)本发明提出将多目标优化算法作为随机布置策略智能规划的载体，从多个工程实际需求出发，使得最终的场地布置方案不再单一满足某一方面的需求而是同时满足多个方面的需求，从整体上提高了场地布置方案的各项功能需求；

(3)本发明提出的基于网格化的随机布置策略能够针对不规则设施做进一步的布置策略开发，可扩展性强，并使得优化结果更进一步地贴近工程实际，使得场地布置方案更加具有施工上的可操作性。

附图说明

图1是本发明实施例提供的基于随机策略与多目标优化算法的施工场地平面布置方法的流程图；

图2是本发明实施例提供的随机生成施工场地布置方案的示意图；

图3是本发明实施例提供的流动距离的示意图；

图4是本发明实施例提供的多目标优化算法的流程示意图；

图5是本发明实施例提供的多目标优化算法的pareto解集示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图1，本发明的实施例提供了一种基于随机策略与多目标优化算法的施工场地平面布置方法，包括采用随机策略进行场地布置的初始阶段以及采用多目标优化算法进行改进的优化阶段，其中：

所述初始阶段的具体过程为：

101、将整个施工场地的平面区域进行网格化，形成若干个面积大小相同方形区域，并基于所述方形区域建立施工场地的二维坐标系；优选地，本实施例中所述方形区域的大小为1×1m。

102、将待布置设施根据各自的实际尺寸大小模型化为规则矩形{f1，…，fn}，f1，…，fn表示待布置设施的编号，n表示待布置设施的数量；以矩形的任一顶点的位置坐标为随机策略的决策变量，在步骤101建立的二维坐标系的基础上，随机生成满足施工场地空间限制的设施位置坐标；

103、对于任一待布置设施fi，判断随机生成的位置坐标是否满足防重叠约束，若满足，则保留所述位置坐标作为所述待布置设施的布置方案，若不满足，则舍弃所述位置坐标并再次随机生成新的位置坐标，直到满足防重叠约束为止。

所述步骤103的具体过程为：

将待布置设施fi依次与前i-1个已确定位置坐标的设施{f1，…，fi-1}进行是否重叠的判断，当所述待布置设施fi与所述前i-1个设施{f1，…，fi-1}均不重叠，则判定所述待布置设施fi满足防重叠约束，否则，判定所述待布置设施fi不满足防重叠约束；其中，所述判断过程包括：根据设施位置坐标以及实际尺寸，分别得到设施fi的矩心坐标为(x1，y1)，长度为l1，宽度为w1，以及已确定位置坐标的设施的矩心坐标为(x2，y2)，长度为l2，宽度为w2；当|x1-x2|≥(l1+l2)/2且|y1-y2|≥(w1+w2)/2时，判定所述设施fi与所述已确定位置坐标的设施不重叠，否则，判定所述设施fi与所述已确定位置坐标的设施重叠。

具体地，请参考图2，本实施例统一以矩形的左上顶点为决策变量，首先随机生成横纵坐标a1(1，3)，得到矩形a，a1(1，3)作为待布置设施f1的设施位置坐标；然后随机生成横纵坐标b1(2，4)，得到矩形b，由于矩形b与矩形a重叠，因此再次随机生成横纵坐标c1(5，6)，得到矩形c，矩形c与矩形a满足防重叠约束，因此将c1(5，6)作为待布置设施f2的设施位置坐标。

104、对所有待布置设施执行步骤103、步骤104，得到一个场地布置方案，所述场地布置方案作为多目标优化算法的初始种群中的一个样本。

105、根据初始种群的样本数量，重复执行步骤102-104，生成多目标优化算法的初始种群。具体地，所述初始种群由若干条染色体组成，染色体数量即为初始种群的样本数量，其中，一条染色体代表步骤104中得到的一个场地布置方案；对于所述场地布置方案中每一个待布置设施，以实数编码的方式对决策变量(也就是矩形左上角的顶点坐标)进行编码，形成染色体上的基因。

需要说明的是，经过初始阶段生成的若干个场地布置方案并不能满足实际施工要求，因此本实施例采用多目标优化算法进行改进。本实施例中，优化目标包括流动距离、风险交互值、以及亲密度；其中：

所述流动距离考虑设施之间的流动次数，用于评价场地布置方案的实际使用成本。对于任一场地布置方案，根据各设施的布置位置，可以得到设施之间的距离大小，请参考图3，所述距离大小为矩心之间的横向距离与纵向距离之和，图3中，fij表示设施i与设施j之间的距离大小，dij表示通过统计手段得到的一天中工人、管理人员以及施工材料构件在设施i与设施j之间的流动次数，同样地，可以得到设施i与设施k、设施j与设施k之间的距离大小和流动次数，由此确定设施i、设施j、设施k之间的流动距离为f3＝fijdij+fikdik+fkjdkj。当所述流动距离过大时，会增加不必要的物料运输成本，人员行走距离过大也会间接消耗管理成本，因此本实施例的多目标优化算法通过比较不同场地布置方案的流动距离来进行优胜劣汰。

所述风险交互值用于评价场地布置方案的安全程度，所述风险交互值考虑两类待布置设施，一类为风险源设施，是指自身具有危险性的临时设施，此类设施在施工现场往往会发生物体打击、机械伤害、起重伤害、火灾等事故，比如钢筋加工场、构件堆场等；另一类为脆弱性设施，是指自身防御外部风险的能力较弱且往往受到风险源设施影响的临时设施，比如办公室、员工宿舍等；将风险源设施自身存在的危害向场内脆弱性设施传递时，脆弱性设施反馈自身受危害程度的大小的过程视为风险交互作用过程，所述风险交互值对所述交互作用过程进行评价，所述风险交互值越小，说明场地布置方案越安全。

所述亲密度用于评价场地布置方案的效率，在工程建设中，场地布置除了遵照功能分区的原则外，还需要将具有相似施工工艺以及人员频繁流动的临时设施就近布置，使得工人和管理者的工作交流更为便利、施工活动更为高效流畅；所述亲密度通过对不同设施之间在物料、人员上的流通量大小进行定量分析，对管理、监督方面的便利性进行定性分析来确定，具体来说，需要事先对部分设施布置进行规定，比如钢筋笼加工区与钢筋堆放区原则上应该布置在一起，便于钢筋加工与堆放；在对场地布置方案进行优化时，若出现本应布置在一起的设施并未靠近布置时，则该场地布置方案的亲密度较低。

所述优化阶段通过考虑流动距离、风险交互值、以及亲密度三个优化目标，对随机生成的场地布置方案进行改进，所述优化阶段的具体过程为：

201、给定交叉概率，并以多点交叉的方式确定两个染色体之间待交叉的基因座区间。

202、逐个进行基因座上基因的交叉操作并判断交叉后是否满足防重叠约束，若满足，则保留所述基因交叉操作，否则，撤销所述基因交叉操作；直到种群中的所有染色体均完成交叉操作。具体地，请参考图1，将染色体1上的基因座{x1，…，xn}中的n个基因逐个与染色体2上的基因座{x1，…，xn}中的n个基因进行交叉，交叉后，染色体1与染色体2上该基因对应的设施布置位置将会发生交换，然后判断交叉后的设施布置位置是否满足防重叠约束。

203、给定变异概率，并以均匀变异的方式确定两个染色体之间待变异的基因座区间。

204、将施工场地中的布置区域分成若干区域，并确定不同区域之间的空间坐标范围。

205、根据步骤204划分的区域，确定待变异染色体对应的场地布置方案中各个设施所在的区域。

206、根据待变异的基因座区间，依次将所述基因座上的基因向除所述基因所在区域外的其余区域进行随机变异，并判断变异后的基因是否满足防重叠约束，若满足，则保留所述基因变异操作，否则，撤销所述基因变异操作。

207、重复步骤203至步骤206，直到完成种群中所有染色体的变异操作；然后进行非支配排序、拥挤度计算得到新的子代。

208、请参考图4，将得到的新的子代作为父代重复步骤201-207，经过有限次迭代后，完成多目标优化算法，得到的子代所对应的染色体即为最优的施工场地的平面布置方案集合。请参考图5，其为本实施例最终得到的多目标优化算法的pareto解集，图中一个圆点代表一个施工场地布置方案，也就是种群中的一条染色体，三维坐标系所对应的三个轴分别表示三个优化目标，即流动距离、风险交互值、以及亲密度，图中箭头所示的多个圆点表示多目标优化算法的pareto解集中的非支配解，所述非支配解集合即为最优的场地布置方案集合。

在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。