蝙蝠算法结合动态列表在应急救援装备保障规划中的应用研究

摘要：针对联合应急救援环境中装备资源的精确保障和协同规划难题，可以采用改进的蝙蝠算法结合动态列表调度的方法，来进行模型构建，采用动态列表的方式对实施保障任务进行筛选，同时引入自适应学习因子来均衡全局搜索和局部搜索能力，最后利用联合应急救援作为实例进行仿真验证，该方法能够实现装备保障规划流程的有效管理与优化，对提升应急救援保障能力、降低损失有着重要意义。本文在阐述蝙蝠算法及动态列表概念和总结蝙蝠算法发展历史的基础上，以自适应进化二进制蝙蝠算法结合动态列表为例，提出装备保障规划中蝙蝠算法总体框架设计，对未来蝙蝠算法在应急保障领域的有关研究具有重要的指导意义和作用。关键词：蝙蝠算法；动态列表调度；资源保障；任务分配引言在应急救援装备保障协同规划问题中引入蝙蝠算法并结合动态列表进行精确计算，可以为联合救援行动提供数量准确且快速高效的装备保障。在实际的救援灾害现场中，保障任务具有不确定性，同时还存在装备资源占用以及保障任务时序约束等问题，所以全局最优化就成为解决难题所关注的一个焦点。国内外学者的研究表明，蝙蝠算法在最优路径和物资装备调度方面得到了广泛应用，尤其在应急救援任务中具有重要的应用价值。因为合理的装备调配方案直接关系到任务执行效率和成功率，而蝙蝠算法能够在多个因素之间进行权衡和优化，得出最优的装备调配方案，从而提高救援任务的效率和成功率[1]。一、蝙蝠算法及动态列表概述（一）蝙蝠算法及動态列表调度算法定义蝙蝠算法是一种基于仿生学思想的优化算法，它模拟了蝙蝠在捕食过程中发出超声波来确定猎物位置的行为。该算法具有全局搜索能力和收敛速度较快的优点，适用于求解复杂的非线性优化问题。BA算法的基本思路是不断调整蝙蝠的位置和频率，以实现对目标函数的最优化搜索。每只蝙蝠都有自己的位置和频率，并通过发出超声波来与其他蝙蝠进行信息交流。在搜索过程中，蝙蝠会根据当前的位置和频率计算出一个新的位置和频率，并通过超声波通知其他蝙蝠。如果某只蝙蝠发现了更优的位置，它会向其他蝙蝠传递这个信息，其他蝙蝠也会朝着该位置靠近，从而实现全局搜索。DLS（DynamicListScheduling）动态列表调度算法是一种基于贪心策略的在线任务调度算法。它是动态列表调度算法的一种变体，用于在多处理器系统中对任务进行调度[2]。DLS算法将任务按照优先级插入到一个任务列表中，并根据当前空闲处理器数量和任务的优先级动态地调整任务的顺序。具体来说，当有新的任务到达时，DLS算法会检查当前空闲处理器数量，如果有空闲处理器，则将任务分配给其中一个处理器执行。否则，算法会从任务列表中选择一个优先级最低的任务，并将其重新调整位置，以便尽快释放一个处理器。通过这种方式，DLS算法可以最大化任务的完成数量和完成时间。（二）蝙蝠算法及动态列表调度算法的发展蝙蝠算法是一种启发式优化算法，它基于蝙蝠群体的行为模拟。蝙蝠在捕食时会发出超声波感知周围环境和猎物，根据自身位置和速度调整飞行方向和频率，最终实现捕食目标的目的。该算法由Xin-SheYang于2010年提出，其灵感来源于蝙蝠的行为特点。在20世纪80年代早期，遗传算法和模拟退火算法成为该算法的发展先驱。随着自然界动物行为研究和仿生学的兴起，基于自然界现象的启发式算法逐渐被提出并应用于各种优化问题的求解中。在蝙蝠算法的发展过程中，研究者们不断改进和优化算法的各个方面，如蝙蝠的搜索策略、参数设置、适应度函数等，使得蝙蝠算法在解决实际问题中具有较高的效率和鲁棒性。目前，该算法已广泛应用于工程、经济、生物等领域的优化问题中，成为了一种重要的求解工具[3]。（三）蝙蝠算法结合动态列表在装备保障规划中的可行性及必要性蝙蝠算法是一种基于自然界蝙蝠行为模式的优化算法，可用于解决多个因素相互影响的问题。而在装备保障规划中，需要考虑装备要求、数量、质量和费用等多个因素，这些因素之间的关系复杂，需要进行综合考虑和优化。将蝙蝠算法与DLS动态列表相结合，可以提高装备保障规划的效率和准确性。具体来说，蝙蝠算法可用于搜索最佳装备配置方案，而DLS动态列表则可用于存储和更新各种方案成本收益信息，以达到动态规划的目的。因此，将蝙蝠算法与DLS动态列表相结合应用于装备保障规划中，不仅可行而且十分必要，能够提升规划效率和准确性。二、应急救援装备精确协同保障规划描述模型设计（一）基本概念在联合救援行动中，资源保障是贯穿整个救援流程的关键环节。能否及时、正确、有效提供所需资源，对于提高应急救援的能力至关重要。为了实现资源保障的有效规划，我们可以将该规划模型分为任务描述和资源描述两个部分。在对保障任务核心要素进行分析的基础上，该模型主要包括每个保障任务所需的资源种类和数量、保障点的坐标位置以及任务持续时间等要素[4]。保障任务描述为：M项任务保障集为T={T1，T2……TM}，Ti∈T，其主要包括：任务开始时间STi、任务持续时间CTi、任务坐标位置LTi。保障资源描述为：N项任务保障集为R={R1，R2……RN}，Rj∈R，其主要包括：保障资源的平均移动速度VRj资源能力向量CRj以及初始位置LRj。（二）优先权系数在任务资源保障问题的求解过程中，存在两个难点。第一个难点是单个任务可调度资源最优时，并不一定能够得到全局最优方案。第二个难点是在大规模资源保障问题中，由于需要进行多次迭代，算力浪费占用时间较长。为了解决这些问题，我们可以将总任务完成时间作为目标函数，并采用优先权系数对产生编组争用等问题进行排序，以消除冲突。具体公式如下：根据保障任务集关系图和任务优先权定义式，即可计算每一个任务优先权系数。（三）约束条件可以假设任务能够得到保障，但是为了确保任务能够顺利完成，需要满足以下条件：该任务的前置任务必须全部完成；协同任务需要被统一处理为时序约束任务；该任务所需的全部资源必须被分配并部署到任务执行地点；所有任务资源的保障能力都不能低于任何一个任务资源的保障能力。通过对这些约束条件的归纳和分析，我们可以将其总结为任务资源分配约束、任务开始时间约束、任务完成时间约束以及任务资源需求约束。只有在滿足这些条件的前提下，任务才能够被保障，并且能够高效、顺利完成。资源分配约束指必须等待保障资源完成一个任务后，才能将其分配给下一个保障任务。而任务开始时间的约束则是，后续任务的开始时间不能早于前面任务的开始时间加上它所需的保障时间[5]。其计算公式为：式中Xijm表示资源m在完成一个保障任务Ti后是否被分配给下一个任务Tj。任务完成时间约束是指，如任务分配则为1否则为0，Y′为完成所有保障任务的最大值。任务完成时间约束是指总完成任务时间不小于任意任务完成时间即该描述问题的目标函数为：Ymin。而资源需求约束则要求资源能力向量中各类型资源的总能力不小于任务所需对应资源能力数量，即三、算法（DLS-AMBB）设计（一）二次蝙蝠算法资源分配流程针对所选保障任务，其最优保障资源分配方案是以任务获得保障为前提，能满足实施时间最短与所占保障编组最小两大目标。通过寻优求解步骤更新全局最优解，第一步对各项初始化参数进行更新，包括任务选定、资源更新、编组采用状态更新以及上图所示内容。第二步元素值代表意义对应保障向量是否被采用，0为未选择，1为被采用，初始化在随机数值0-1之中产生一个数值，当产生数值小于0.5，那么位置为0反之为1，初始解蝙蝠位置由上图离散化操作公式求得。第三步如初始解存在不可行解，则需要进行筛选重构，两个指标判断初始解是否为不可行解，即选择的装备物资无法满足物资保障需求，还有就是资源冲突也为初始解不可行解。第四步通过更新位置速度计算公式增加惯性权重和自适应性因子得到新的更新公式进行计算求解，自适应性惯性权重采取递减算法，最终判断新解是否为可行解，否则需要重新更新位置速度并离散化。第五步从局部最优解中，排列蝙蝠适应度值，找到全局最优解[6]。（二）算法框架针对精确协同保障问题，可采取动态列表调度配合二次蝙蝠算法联合求解，先通过动态列表选出所需要当前执行的保障任务，然后通过二次蝙蝠算法对当前所有资源中选出执行任务保障最优方案，具体流程图如图1所示。（三）仿真算例本文以联合应急救援保障为例，列出保障任务及保障资源属性表。一般情况，为了验证二次蝙蝠算法的有效性，需要与其他基本算法做对比计算，仿真环境通过Matlab软件实现，进行算法参数设置，设置参数主要有：算法迭代次数、种群个数、频率响度、脉冲发生率、最小脉冲频率、最大脉冲频率、惯性权重最小值最大值。还可通过算法生成最优保障任务甘特图可视化进行对比，以二次蝙蝠算法结合动态（DLSAMBBA）算法甘特图为例，如图2所示，横坐标为保障时间，纵坐标为资源（1为D1）。在生成甘特图之后，二次蝙蝠算法结合列表调度与基本算法比较6次计算结果，比较数值分别为最优解、最差解、平均值、标准差，通过对比数据看算法是否具有较强全局寻优和收敛性能并可以提高算法求解速度，最终画出收敛迭代图[7]。结语二次蝙蝠算法是一种改进的蝙蝠算法，相比于基本蝙蝠算法，具有更高的搜索性能和更高的收敛速度，将二次蝙蝠算法结合动态列表调度应用于应急救援装备保障规划中主要有以下三点意义：首先，根据当前的装备需求和资源供给情况，自动寻找最优的装备调度方案，从而提高调度效率和装备利用率。其次，在突发事件发生时，需要迅速调度和分配救援装备，以满足不同