一种使用改进遗传算法处理医疗废料收集问题的方法与流程

1.本发明涉及计算机、医疗废料收集、机器人路径规划的技术领域，尤其涉及到一种使用改进遗传算法处理医疗废料收集问题的方法。


背景技术：

2.随着人工智能技术的不断发展，越来越多的工作可以由机器人完成。对于大型的医疗机构，每天都会产生大量的感染性医疗废料(infectious health care waste,ihcw)，使用机器人进行医疗废物的收集，既能提高处理能力，又能规避处理人员被感染的风险。在医院内部，设置好机器人工作站后，每个收集点产生的感染性医疗废料量不同，需要寻找一条从工作站到各分散的收集点的行驶路径，并满足一定的约束。问题可以转换为经典的车辆调度问题(vehicle routing problem,vrp)。
3.物流运输调度问题一直以来都是作为物流配送的热点研究问题，它被广泛应用于如交通、工业管理、物流运输等领域。国内外学者分别从路径构造、局部搜索、数学规划等方向对其展开了研究。归纳起来目前求解物流配送路径优化问题较为有效的方法主要有:蚁群算法，禁忌搜索算法，模拟退火算法，遗传算法。蚁群算法本身很复杂，需要较长的搜索时间，且很容易出现停滞现象。禁忌搜索算法是单操作，搜索过程的初始解只能有一个，且对初始解有很强的依赖性。模拟退火算法收敛速度慢，执行时间长，且性能与初始值有很大的关系。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种使用改进遗传算法处理医疗废料收集问题的方法，既提高医疗废料收集的效率、收集过程中的安全性和可用性，又能避免算法落入“极值陷阱”等优点。
5.为实现上述目的，本发明所提供的技术方案为：
6.一种使用改进遗传算法处理医疗废料收集问题的方法，通过多个机器人共同完成医疗废料收集工作，而多个机器人的调度方案通过如下步骤得到：
7.s1、依据医院的平面图，确定图中各收集点和机器人工作站的位置，计算收集点与工作站的距离以及收集点与收集点之间的距离，得到距离矩阵，确定各收集点的医疗废料的量；
8.s2建立用于医疗废料收集的机器人调度模型；
9.s3、通过改进的遗传算法求解步骤s2建立的用于医疗废料收集的机器人调度模型，从而得到多个机器人的调度方案。
10.进一步地，所述步骤s2中，建立的用于医疗废料收集的机器人调度模型为考虑上半软时间窗的机器人调度模型，建立过程如下：
11.s2
‑
1、半软时间窗定义，机器人可到达时间窗口之外，具体包括如下情况：
12.当机器人在指定的时间窗口[a
i
，b
i
]到达收集点时，不会受到惩罚；
[0013]
如果机器人到达时间早于a
i
，不会收到惩罚，从而缩短在垃圾箱中的停留时间，但如果机器人比b
i
晚到，会受到惩罚；
[0014]
设允许到达时间为b
′
i
(b
′
i
＞b
i
)：
[0015]
b
′
i
＝b0‑
t
i0
ꢀꢀ
(1)
[0016]
式(1)中，b0为常数，表示机器人最终返回工作站的时间；t
i0
表示从收集点i到工作站的行程时间；公式约定从收集点i到工作站应预留足够的时间；
[0017]
s2
‑
2、超时惩罚定义，当机器人到达时间间隔[b
i
，b
′
i
]时，即服务开始时间s
i
落在[b
i
，b
′
i
]，它将受到惩罚c
delay
×
(s
i
‑
b
i
)；
[0018]
每个收集点i的惩罚计算如下：
[0019][0020]
式(2)中，s
i
为收集点i开始的服务时间，c
delay
为延迟时间的单位成本；
[0021]
s2
‑
3、定义用于时间限制的每条路线的总行程时间m：
[0022][0023]
其中，为布尔变量，若机器人k在时间轮h中直接从收集点i移动到收集点j，则该值为1，否则，该值为0；t
ij
为从收集点i移动到收集点j的移动时间；
[0024]
s2
‑
4、设定目标函数，使总成本最小化，包括机器人的启动成本、行驶距离成本和延迟时间成本：
[0025][0026]
式(3)中，为布尔变量，若机器人k在时间轮h中直接从工作站0移动到收集点i，则该值为1；否则，该值为0；c
start
表示机器人的启动成本；c
ij
为从收集点i到收集点j的移动距离；为布尔变量，若收集点i在时间轮h中由机器人k服务，则值为1，否则，该值为0；
[0027]
约束条件：
[0028][0029][0030]
[0031][0032][0033][0034][0035][0036][0037]
(t
i
‑
1)m≤s
i
‑
b
i
≤t
i
m
ꢀꢀ
(13)
[0038][0039][0040][0041]
公式(4)和(5)为度约束，约束(4)保证每个采集点只能访问一次；约束(5)保证进入弧的数量等于节点离开弧的数量；约束(6)确保每个采集点只能分配给一个机器人；约束(7)表示距离应为非负变量；约束(8)保证每条路线上的总体积不超过机器人的容量，其中第i个医疗废料收集点的医疗废料数量，q表示机器人储存医疗废料的容量；约束(9)计算路由中每个采集点的服务开始时间；约束(10)将服务开始时间限制在其最早到达时间和最晚到达时间之间；约束(11)使服务开始时间小于每条路线的总时间；约束(12)表示服务时间应为非负变量；约束(13)确定采集点的服务开始时间是否在其相应的惩罚间隔内，即(b
i
，b
′
i
]；约束(14)
‑
(16)为完整性约束。
[0042]
进一步地，所述步骤s3的具体过程如下：
[0043]
s3
‑
1、输入参数：医疗垃圾收集需求、行程距离、行程时间、时间窗口；
[0044]
s3
‑
2、依据机器人的数量以及医疗垃圾收集点初始化解决方案，生成多条路径，设置迭代次数，k＝0；
[0045]
s3
‑
3、计算每条当前路径的适应度；
[0046]
s3
‑
4、依据适应度选出适应度高的初始路径；
[0047]
s3
‑
5、将步骤s3
‑
4得到的初始路径分成两组节点，第一组放在前面，且该第一组的起始点和终点都为0；
[0048]
s3
‑
6、第二组节点为第一组未经访问的节点，将该组的节点顺序排列；
[0049]
s3
‑
7、通过多次插入0，将第二组节点随机分成1到n
‑
1条路径，计算各路径的目标函数；
[0050]
s3
‑
8、对路径按目标函数从小到大进行排序，形成一个列表；
[0051]
s3
‑
9、选择总成本最低即目标函数最小的路线，判断其是否可行，不可行直接删
除；可行的路径附加到第一组路径的后面，形成一个全新的路径，得到候选的解决方案；(步骤s3
‑
5至s3
‑
9可参照图3给的示例)
[0052]
s3
‑
10、变异算子将位翻转到互补位；
[0053]
s3
‑
11、判断目前的候选方案是否可行，若可行，则计算其目标函数，否则返回步骤s3
‑
10；
[0054]
s3
‑
12、选择总成本最低即目标函数最小的候选解决方案；
[0055]
s3
‑
13、判断k是否大于设定的迭代次数，若是，则步骤s3
‑
12得到的候选解决方案为最终最佳的解决方案，否则，返回步骤s3
‑
3。
[0056]
进一步地，所述步骤s3
‑
3中，计算的适应度用于评估当前的解决方案，计算公式如下：
[0057][0058]
式(17)中，f为适应度值，z为总成本。
[0059]
与现有技术相比，本方案原理及优点如下：
[0060]
1、将医疗机构的医疗废料收集模型用改进的带半软时间窗的车辆调度问题表示，对处理医疗废料需要注意的问题进行建模上的约束，提高了在收集过程中的安全性和可用性。
[0061]
2、使用改进的遗传算法求解机器人调度模型，采用“顺序交叉”结合“交叉突变”策略对算法进一步优化，有效增大了算法的种群多样性，避免了算法落入“极值陷阱”。
[0062]
3、采用多个机器人共同完成工作的方式提高医疗废料收集的效率。
附图说明
[0063]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0064]
图1为本发明一种使用改进遗传算法处理医疗废料收集问题的方法中问题求解的原理流程图；
[0065]
图2为本发明实施例中的医疗废料收集环境示意图；
[0066]
图3为遗传算法顺序交叉及可行性检测原理示意图；
[0067]
图4为本发明实施例中涉及到的距离矩阵示意图；
[0068]
图5为本发明实施例中不同收集点的医疗废料分布统计图；
[0069]
图6为本发明实施例中改进遗传算法的输出结果图；
[0070]
图7为本发明实施例中改进遗传算法的优化效果图。
具体实施方式
[0071]
下面结合具体实施例对本发明作进一步说明：
[0072]
本实施例所述的一种使用改进遗传算法处理医疗废料收集问题的方法，通过多个机器人共同完成医疗废料收集工作，而多个机器人的调度方案通过如下步骤得到：
[0073]
s1、依据如图2所示的医院的平面图，确定图中各收集点和机器人工作站的位置，计算收集点与工作站的距离以及收集点与收集点之间的距离，得到如图4所示的距离矩阵，确定如图5所示的各收集点的医疗废料的量；
[0074]
s2、建立的用于医疗废料收集的机器人调度模型为考虑上半软时间窗的机器人调度模型，建立过程如下：
[0075]
s2
‑
1、半软时间窗定义，机器人可到达时间窗口之外，具体包括如下情况：
[0076]
当机器人在指定的时间窗口[a
i
，b
i
]到达收集点时，不会受到惩罚；
[0077]
如果机器人到达时间早于a
i
，不会收到惩罚，从而缩短在垃圾箱中的停留时间，但如果机器人比b
i
晚到，会受到惩罚；
[0078]
设允许到达时间为b
′
i
(b
′
i
＞b
i
)：
[0079]
b
′
i
＝b0‑
t
i0
ꢀꢀꢀꢀ
(1)
[0080]
式(1)中，b0为常数，表示机器人最终返回工作站的时间；t
i0
表示从收集点i到工作站的行程时间；公式约定从收集点i到工作站应预留足够的时间；
[0081]
s2
‑
2、超时惩罚定义，当机器人到达时间间隔[b
i
，b
′
i
]时，即服务开始时间s
i
落在[b
i
，b
′
i
]，它将受到惩罚c
delay
×
(s
i
‑
b
i
)；
[0082]
每个收集点i的惩罚计算如下：
[0083][0084]
式(2)中，s
i
为收集点i开始的服务时间，c
delay
为延迟时间的单位成本；
[0085]
s2
‑
3、定义用于时间限制的每条路线的总行程时间m：
[0086][0087]
其中，为布尔变量，若机器人k在时间轮h中直接从收集点i移动到收集点j，则该值为1，否则，该值为0；t
ij
为从收集点i移动到收集点j的移动时间；
[0088]
s2
‑
4、设定目标函数，使总成本最小化，包括机器人的启动成本、行驶距离成本和延迟时间成本：
[0089][0090]
式(3)中，为布尔变量，若机器人k在时间轮h中直接从工作站0移动到收集点i，则该值为1；否则，该值为0；c
start
表示机器人的启动成本；c
ij
为从收集点i到收集点j的移动距离；为布尔变量，若收集点i在时间轮h中由机器人k服务，则值为1，否则，该值为0；
[0091]
约束条件：
[0092][0093][0094][0095][0096][0097][0098][0099][0100][0101]
(t
i
‑
1)m≤s
i
‑
b
i
≤t
i
m
ꢀꢀ
(13)
[0102][0103][0104][0105]
公式(4)和(5)为度约束，约束(4)保证每个采集点只能访问一次；约束(5)保证进入弧的数量等于节点离开弧的数量；约束(6)确保每个采集点只能分配给一个机器人；约束(7)表示距离应为非负变量；约束(8)保证每条路线上的总体积不超过机器人的容量，其中第i个医疗废料收集点的医疗废料数量，q表示机器人储存医疗废料的容量；约束(9)计算路由中每个采集点的服务开始时间；约束(10)将服务开始时间限制在其最早到达时间和最晚到达时间之间；约束(11)使服务开始时间小于每条路线的总时间；约束(12)表示服务时间应为非负变量；约束(13)确定采集点的服务开始时间是否在其相应的惩罚间隔内，即(b
i
，b
i
]；约束(14)
‑
(16)为完整性约束。
[0106]
s3、通过改进的遗传算法求解步骤s2建立的用于医疗废料收集的机器人调度模型，从而得到多个机器人的调度方案。
[0107]
如图1所示，具体过程如下：
[0108]
s3
‑
1、输入参数：医疗垃圾收集需求、行程距离、行程时间、时间窗口；
[0109]
s3
‑
2、依据机器人的数量以及医疗垃圾收集点初始化解决方案，生成多条路径，设
置迭代次数，k＝0；
[0110]
s3
‑
3、计算每条当前路径的适应度；
[0111]
计算的适应度用于评估当前的解决方案，计算公式如下：
[0112][0113]
式(17)中，f为适应度值，z为总成本。
[0114]
s3
‑
4、依据适应度选出适应度高的初始路径；
[0115]
s3
‑
5、将步骤s3
‑
4得到的初始路径分成两组节点，第一组放在前面，且该第一组的起始点和终点都为0；
[0116]
s3
‑
6、第二组节点为第一组未经访问的节点，将该组的节点顺序排列；
[0117]
s3
‑
7、通过多次插入0，将第二组节点随机分成1到n
‑
1条路径，计算各路径的目标函数；
[0118]
s3
‑
8、对路径按目标函数从小到大进行排序，形成一个列表；
[0119]
s3
‑
9、选择总成本最低即目标函数最小的路线，判断其是否可行，不可行直接删除；可行的路径附加到第一组路径的后面，形成一个全新的路径，得到候选的解决方案；
[0120]
s3
‑
10、变异算子将位翻转到互补位；
[0121]
s3
‑
11、判断目前的候选方案是否可行，若可行，则计算其目标函数，否则返回步骤s3
‑
10；
[0122]
s3
‑
12、选择总成本最低即目标函数最小的候选解决方案；
[0123]
s3
‑
13、判断k是否大于设定的迭代次数，若是，则步骤s3
‑
12得到的候选解决方案为最终最佳的解决方案，否则，返回步骤s3
‑
3。
[0124]
如图6所示，最后输出的结果如下：
[0125]
机器人1的路线：0
‑2‑6‑1‑
11
‑
19
‑
22
‑
25
‑
21
‑
27
‑
0；
[0126]
机器人2的路线：0
‑7‑
10
‑
13
‑9‑
15
‑5‑
0；
[0127]
机器人3的路线：0
‑
26
‑
23
‑
24
‑
14
‑8‑
20
‑
17
‑
0；
[0128]
机器人4的路线：0
‑
12
‑3‑4‑
28
‑
18
‑
16
‑
0。
[0129]
优化效果如图7所示。
[0130]
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。