一种基于改进蚁群算法的土石方调配优化方法

摘要

本发明公开了一种基于改进蚁群算法的土石方调配优化方法，涉及建筑技术领域。该基于改进蚁群算法的土石方调配优化方法，采用动态优先集策略改进基本蚁群算法，根据约束条件和地点信息确定地点的访问优先级，以减少算法生成的不可行解。并且针对传统调配表存在的可读性较差的缺点，将调配解决方案绘制成一个详细的矢量指导图，可视化表达调配方案。本发明建立的综合考虑施工次序、方向以及调配量的土石方调配模型能更好地描述土石方调配的过程，为技术管理人员、现场施工人员提供经济合理、简单易懂的土石方调配方案，达到土石方调配结果趋近于经济上最优、技术上可行的目的。

说明书

技术领域

本发明涉及建筑技术领域，具体为一种基于改进蚁群算法的土石方调配优化方法。

背景技术

土石方工程是一项复杂的系统工程其自然条件和技术条件复杂所受的约束和干扰因素也较为复杂特别是在土石方调配和施工过程中还会受到一些不确定性因素和随机因素的影响致使施工组织设计与管理十分困难。

在实际施工过程中常常出现料源不足、运输能力不足、施工强度不能满足进度要求从而出现工期延误或者增加了一些不必要的运输任务使成本增加等现象。所以设计出安全可靠、经济合理、易于生产组织与管理的土石方调配和施工方案具有重要意义。传统的土石方调配模型大多是线性规划模型，不仅需要将调配过程中的非线性关系简化为线性关系，而且未考虑调配过程中设备的施工次序，建立经济可行的调配方案的能力有限；鉴于此，我们提出了一种基于改进蚁群算法的土石方调配优化方法。

发明内容

针对现有技术的不足，本发明提供了一种基于改进蚁群算法的土石方调配优化方法，解决了传统的土石方调配模型大多是线性规划模型，不仅需要将调配过程中的非线性关系简化为线性关系，而且未考虑调配过程中设备的施工次序，建立经济可行的调配方案的能力有限的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于改进蚁群算法的土石方调配优化方法，所述优化方法包括以下步骤：

S1、获取土石方调配施工计划，收集各种施工场地信息，各种单位调配费用数据和道路建设信息，对实际施工区域进行交通调查，全面了解交通路网信息，收集道路建设信息；

S2、确定调配原则、调配步骤；根据S1中获取的，分析工程施工特点及土石方调配过程，根据坝体开挖、填筑要求，供、受料源之间的物料运输关系，确定土石方调配原则，建立土石方调配匹配矩阵，最终明确土石方调配步骤；

S3、建立土石方调配优化模型；输入S1中获取的数据，建立土石方调配优化模型，从宏观的角度来确定最为经济的土石方调配优化方案；

S4、根据S3中建立的模型输出各期土石方流向，在土石方调配系统中开挖项目、料场以及中转场为供料源填筑项目、中转场以及弃渣场为受料源；可以看出，中转场既为供料源又是受料源；

S5、基于蚁群算法的模型求最优解，在路径搜索过程中，依照概率选择访问的下一地点；

S6、基于改进蚁群算法的模型求解输出的土石方调配的成本最优值和调配方案；

S7：可视化表达最优解；根据S6中基于改进蚁群算法的模型求解输出的土石方调配的成本最优值和调配方案，将调配解决方案绘制成一个详细的矢量指导图，可视化表达调配方案。

可选的，所述土石方调配优化建模步骤如下：

为了构建土石方调配优化模型，进行定义设置：假设有N个调配相关结点，是挖方区、填方区、借料区和弃料区构成的集合，定义为L＝{1,2,...,N}调配成本由成本矩阵C来表达：

所述c

可选的，所述S1还包括：对施工次序进行表达，假设完成土石方调配任务需要S步，这个S数是不能事前得知的，S是一个上限阈值，若施工只需要m步，那么之后S-m步的运输起始结点与第m步相同，但是运输量为0；每一步t(t∈{1,2,...,S})运输的土方量为E

式中：E

c

优化模型需要遵守各种约束条件，首先要保证每一步施工仅有一个起始结点，则有：

每一次土石方调配都是对当前地形地势的改造，因此，每一步施工都要更新各结点的剩余土方量Q

可选的，由于模型中每个结点的访问不止一次，Q的大小与结点在前t步的土方吞吐量相关：

Q

式中：S

O

I

得：O

可选的，所述填方结点的剩余土方量增加，挖方结点的剩余土方量减少，最终经过S步的施工后，各结点的土石方剩余量要达到设计的最终土方剩余量：

Q

由于调配结点分成填、挖两类，因此需要对第t步的运输量E

0≤E

完成以上土石方动态调配建模的基本S后就可以建立起相应的数学优化模型。

可选的，所述S5进一步的包括：设蚂蚁k由地点i进行搜索，则它转移到地点j的概率为：

式中：τ(i,j)为蚂蚁在i,j间释放的信息素；η(i,j)为ij上的启发信息；W为蚂蚁k未访问地点的集合；α，β为τ(i,j)，η(i,j)的相对权重系数。在本模型中，启发信息选取每一步施工成本的倒数：

每迭代mt次，蚁群都会不断更新经由路径上的信息素，定义Δτ

可选的，所述F

τ

采用动态优先集策略改进基本蚁群算法，根据约束条件和地点信息确定地点的访问优先级。

可选的，所述S6包括以下步骤：

S61、初始化蚁群参数和土石方结点的属性信息。设置最大迭代次数MaxDT、启发因子和信息素蒸发系数等参数，令迭代次数mt＝1，输入结点i的地理位置信息和起始土石方量S

S62、将m只蚂蚁随机放在n个城市里。每只蚂蚁完成的一次路径搜索都是土石方调配问题的一个解决方案，逐步确定土石方调配成本和施工次序，这n个城市是挖方结点的子集，n∈{L

S63、进入迭代，蚂蚁的索引号k＝1；

S64、循环执行下列步骤：

S641、确定蚂蚁下一步访问的候选集，设当前执行的施工次序(步骤)为t，如果当前结点i是挖方结点，则下一步访问填方结点的优先级要高于挖方结点，如果是填方结点，则挖方结点的优先级高于填方结点；

S642、根据状态转移公式确定访问的下一点；确定i到上一步侯选集合中各个结点的土方运输量，以计算转移概率，随机选择具有较大概率的结点作为访问的下一结点j；

S643、更新相关结点i,j的土石方剩余量；

S644、若各个结点的土方剩余量均达到设计的土方量，则完成该蚂蚁个体的路径搜寻，执行第S645；否则以结点j为出发点重复S641-S643步；

S645、如果k＜m，即仍有蚂蚁没有完成路径搜寻，则k＝k+1，跳转至第S644步；否则执行下一步；

S646、记录本次迭代的最佳路线，更新信息素。

S67、如果迭代次数超过MaxDT，则跳出迭代输出调配成本最优值和调配方案，包含施工次序，否则跳转至第S643步。

本发明提供了一种基于改进蚁群算法的土石方调配优化方法。具备以下

有益效果：

该基于改进蚁群算法的土石方调配优化方法，采用动态优先集策略改进基本蚁群算法，根据约束条件和地点信息确定地点的访问优先级，以减少算法生成的不可行解。并且针对传统调配表存在的可读性较差的缺点，将调配解决方案绘制成一个详细的矢量指导图，可视化表达调配方案。本发明建立的综合考虑施工次序、方向以及调配量的土石方调配模型能更好地描述土石方调配的过程，为技术管理人员、现场施工人员提供经济合理、简单易懂的土石方调配方案，达到土石方调配结果趋近于经济上最优、技术上可行的目的。

附图说明

图1为本发明的流程结构示意图。

具体实施方式

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。

请参阅图1，本发明提供一种技术方案：一种基于改进蚁群算法的土石方调配优化方法，优化方法包括以下步骤：

S1、获取土石方调配施工计划，收集各种施工场地信息，各种单位调配费用数据和道路建设信息，对实际施工区域进行交通调查，全面了解交通路网信息，收集道路建设信息；

土石方调配优化建模步骤如下：

为了构建土石方调配优化模型，进行定义设置：假设有N个调配相关结点，是挖方区、填方区、借料区和弃料区构成的集合，定义为L＝{1,2,...,N}调配成本由成本矩阵C来表达：

c

对施工次序进行表达，假设完成土石方调配任务需要S步，这个S数是不能事前得知的，S是一个上限阈值，若施工只需要m步，那么之后S-m步的运输起始结点与第m步相同，但是运输量为0；每一步t(t∈{1,2,...,S})运输的土方量为E

式中：E

c

优化模型需要遵守各种约束条件，首先要保证每一步施工仅有一个起始结点，则有：

每一次土石方调配都是对当前地形地势的改造，因此，每一步施工都要更新各结点的剩余土方量Q

S2、确定调配原则、调配步骤；根据S1中获取的，分析工程施工特点及土石方调配过程，根据坝体开挖、填筑要求，供、受料源之间的物料运输关系，确定土石方调配原则，建立土石方调配匹配矩阵，最终明确土石方调配步骤；

S3、建立土石方调配优化模型；输入S1中获取的数据，建立土石方调配优化模型，从宏观的角度来确定最为经济的土石方调配优化方案；

由于模型中每个结点的访问不止一次，Q的大小与结点在前t步的土方吞吐量相关：

Q

式中：S

O

I

得：O

填方结点的剩余土方量增加，挖方结点的剩余土方量减少，最终经过S步的施工后，各结点的土石方剩余量要达到设计的最终土方剩余量：

Q

由于调配结点分成填、挖两类，因此需要对第t步的运输量E

0≤E

完成以上土石方动态调配建模的基本S后就可以建立起相应的数学优化模型；

S4、根据S3中建立的模型输出各期土石方流向，在土石方调配系统中开挖项目、料场以及中转场为供料源填筑项目、中转场以及弃渣场为受料源；可以看出，中转场既为供料源又是受料源。

S5、基于蚁群算法的模型求最优解，在路径搜索过程中，依照概率选择访问的下一地点；

S5进一步的包括：设蚂蚁k由地点i进行搜索，则它转移到地点j的概率为：

式中：τ(i,j)为蚂蚁在i,j间释放的信息素；η(i,j)为ij上的启发信息；W为蚂蚁k未访问地点的集合；α，β为τ(i,j)，η(i,j)的相对权重系数。在本模型中，启发信息选取每一步施工成本的倒数：

每迭代mt次，蚁群都会不断更新经由路径上的信息素，定义Δτ

F

τ

采用动态优先集策略改进基本蚁群算法，根据约束条件和地点信息确定地点的访问优先级；

S6、基于改进蚁群算法的模型求解输出的土石方调配的成本最优值和调配方案，包括以下步骤：

S61、初始化蚁群参数和土石方结点的属性信息。设置最大迭代次数MaxDT、启发因子和信息素蒸发系数等参数，令迭代次数mt＝1，输入结点i的地理位置信息和起始土石方量S

S62、将m只蚂蚁随机放在n个城市里，每只蚂蚁完成的一次路径搜索都是土石方调配问题的一个解决方案，逐步确定土石方调配成本和施工次序，这n个城市是挖方结点的子集，n∈{L

S63、进入迭代，蚂蚁的索引号k＝1；

S64、循环执行下列步骤：

S641、确定蚂蚁下一步访问的候选集，设当前执行的施工次序(步骤)为t，如果当前结点i是挖方结点，则下一步访问填方结点的优先级要高于挖方结点，如果是填方结点，则挖方结点的优先级高于填方结点；

S642、根据状态转移公式确定访问的下一点；确定i到上一步侯选集合中各个结点的土方运输量，以计算转移概率，随机选择具有较大概率的结点作为访问的下一结点j；

S643、更新相关结点i,j的土石方剩余量；

S644、若各个结点的土方剩余量均达到设计的土方量，则完成该蚂蚁个体的路径搜寻，执行第S645；否则以结点j为出发点重复S641-S643步；

S645、如果k＜m，即仍有蚂蚁没有完成路径搜寻，则k＝k+1，跳转至第S644步；否则执行下一步；

S646、记录本次迭代的最佳路线，更新信息素；

S67、如果迭代次数超过MaxDT，则跳出迭代输出调配成本最优值和调配方案，包含施工次序，否则跳转至第S643步；

S7：可视化表达最优解；根据S6中基于改进蚁群算法的模型求解输出的土石方调配的成本最优值和调配方案，将调配解决方案绘制成一个详细的矢量指导图，可视化表达调配方案。

综合考虑施工次序、方向和调配量的土石方调配优化模型，并将土石方调配问题与旅行商问题类比，利用改进的蚁群算法对模型进行求解。与线性规划法相比，本发明方法可行，且基于ArcGIS绘制的调配矢量指导图表达更直观。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。