基于粒子群算法的小区绿化排班系统研究

来源:用户上传      作者:

　　摘 要：居住区绿化管理作为一种新型的管理项目，在居住区设计中起着非常重要的作用。相应的管理内容涉及到环境清洁、日常管理以及绿化环境等。居住区管理具有可持续性以及长久性的特点，对居住区管理者的技术要求非常高。为提高管理效率，本文将引进粒子群算法进行小区绿化管理系统的研究，并以其中的排班管理进行详细说明，以提高小区绿化管理效率。
　　关键词：粒子群算法;小区;绿化管理系统;排班管理
　　中图分类号：TP273 文献标识码：A 文章编号：1671-2064（2019）10-0015-02
　　居住区绿化设计与管理的目的是为居住者提供良好的居住和活动环境。因此，在绿化设计中应坚持人性化、生态化、设计管理自然化的原则和观念，结合居住区绿化的实用性和观赏性，实现对居住区绿化有效的设计及管理。
　　小区绿化设计与管理应坚持以人为本的统一规划、协调布局原则，应区分中心绿地、道路绿地和庭院绿地，注重科学系统的规划管理。此外，在养护管理工作中要尽量保持原有的生态，在保证低投入的同时保持生态。
　　1 系统概述
　　在社会经济的不断发展下，人们对生活质量的要求也日益提高。绿化管理日益突出的矛盾，使传统的管理方法在新形势下得到了改善。数字化管理在小区管理中的应用可以有效提高小区管理者的工作效率，为小区建设规划和维护管理提供科学依据，促进小区绿化精细化管理。
　　在小区绿化管理体系设计中，应重视对小区植被设计的管理。小区绿化管理应把握植被的习惯，分层管理。在管理环节上，应注意植被与周围环境、建筑物的协调。小区绿化管理系统设计还可以重点应用信息化的设计与管理技術等，应用信息技术进行植被监测，有效地收集数据，促进设计管理的发展。
　　系统涉及到的功能很多，如植物信息功能、气候信息功能、人工影响功能以及排班管理功能等，本文主要以系统中的一个功能模块进行详细说明，即排班管理功能。由于绿化管理工作需要不定期进行，需要对绿化管理的人员排班进行合理安排，因此本文引入粒子群算法，以此对人员排班管理工作进行相应的优化，从而促进小区绿化管理工作的顺利进行，提高管理效率。
　　2 基于粒子群算法的排班管理设计
　　2.1 粒子群算法
　　粒子群算法，一般也将其称为粒子群优化算法，或者是鸟群觅食算法（Particle Swarm Optimization），即PSO。这种算法是由J.Kennedy和R.C.Eberhart等合作设计的，与模拟退火设计的算法差不多，都是属于进化算法（Evolutionary Algorithm-EA）。粒子群算法开始是使用随机解，然后利用迭代的方法，获取最优解。这种方法就是利用使用度，在其使用原理的基础上对解的品质做一个评价。它能够遗传算法，相比较而言，这种算法有着更简单的规则以及操作程序。其操作主要是利用搜索的当前的最优值，然后综合以得出最好的算法结果。故，这种算法更具简单化，以及高精度性、快收敛性等。很多专家学者因为了解粒子算法的这种优越性，运用他们解决了生活中的很多问题。由此，也可以将其看作是一种并行算法。
　　2.2 排班管理优化
　　在粒子群算法中，它主要是在本身信息的基础山，通过个体极值信息以及利用全局极值信息，然后进行迭代，使得在迭代过程中，粒子收敛速度不断变小。在此过程中，一旦使用的本身信息和个体极值信息过多，就会导致系统显示出现最优解，而放弃进行搜索。为了避免在实际使用情况中出现这种问题，本文在设计算法中以Pareto占优思想为基础，利用其多目标优化算法，同时还结合了遗传算法，使得在排班管理中，能够对多个目标进行优化，这种就可以在不同方向都有粒子进行搜索，通过变异操作，就不会进行局部最优操作，局部最优的情况也不会发生。
　　2.2.1 编码
　　本文编码主要是使用自然数，用矢量来说明粒子x。同时sk可以表示为任何一个自然数，并且，表示的自然数并不会存在重复性。在这个程序编码中，出现的第k个基因sk的含义就是绿化管理人员sk所安排的排班是排班k。
　　2.2.2 不可行解的处理
　　在对绿化管理人员进行排班工作时，需要考虑对于同一绿化管理人员来说，其排班表是否符合每一个衔接条件，一旦开展了变异交叉操作，就会出现不可行解。因此，为了使得变异交叉操作更加方便且易于操作，本文在设计中加入近似可行解，然后在可行的条件下，可以存在一些较好的不可行解。然后，在不断的增加进化代数，近似可行解就会慢慢地与可行域接近，从而，在整个进化过程中，整个解空间会不断地接近sk最优解。
　　近似可行解就是指在进行不可解时，定阈值是大于其不可行度的。
　　在上面公式中，进化代数是T，然后，将种群规模设置为N，阈值作为一个变量，是在不断变小的，并受不断增加的进化代数的影响，其近似可行解就会不断变化，最后，慢慢地转变为可行解。
　　2.2.3 优胜关系
　　对于向量x，y，如果，即≤肯定会出现一个，表示x支配y，记为。
　　假设x，y两者之间是不存在支配关系的，那么，也就说明这两者之间是互补相关的，将其看作是。
　　如果，或者是x与y不相关，将其表示为。
　　2.2.4 用快速排序算法构造全局极值
　　在进行算法时，都会利用一个粒子，将其看作是比较个体x（通常会将第一个粒子作为选择的比较个体），然后遵从关系进行比较判断，进行排序之后，对于种群中的个体，就以x为界限，就可以将其分成两部分，因此，我们就将比x“小”的部分，看作是被支配个体，然后下一轮排序时，这部分就可以被忽略掉;在第二部分中，主要是不比x“小”的个体，它们可能比“x”大，也可能与“x”的关系是不相关。如果这些个体不能够支配“x”，那么就可以将“x”看作是种群的非支配个体，这个x 就放进非支配集中。当个体比x大时，x就是被支配个体。然后在后面进行排序是时，就会只有这个个体。 　　2.2.5 个体极值的更新
　　在传统粒子群算法中，当对个体极值进行更新时，对粒子的适应度进行观察，一旦其比最初的个体极值好，就将其看作是当前的个体极值。但是，在多目标粒子群算法中，是以Pareto为基础，是无法比较两个没有关系的粒子的。在个体极值中，一旦全局最优解中的近亲个体存在过多，就会不断加快进化过程，使得局部收敛状态会过早的到来。在本次设计中，对于不相关的粒子进行比较，主要是采用全局极值，通过其浓度来进行判断。
　　当出现的浓度越大，他们之间的相似度就会越高。在个体极值中，还存在一些个体，其具有很小的不可行度、很小的浓度，同时目标最优，如果粒子x与个体极值pbestk符合下述中任一条件，就会使得更新个体极值满足pbestk=x。
　　2.3 优化结果分析
　　为了对算法最终的结果进行验证，测试其结果是否科学合理，将在使用排班模型的基础上，然后设计多目标粒子群算法，对湖南地区小区绿化管理中人员排班问题进行处理。这里对某小区2018年8月1日至2018年9月1日的绿化管理排班进行优化排班，该小区绿化管理人员有50人。
　　在对算法进行验证时，为了测试其先进性，对该小区绿化管理人员进行排班设计，在周进度表的基础上，自动排班，然后收集使用了基本粒子群算法的排班情况，以及收集以Pareto最优为基础的多目标粒子群算法的排班情况，然后，将两种数据进行比较，分析结果如表1所示。
　　由于改進的多目标粒子群算法，能够将每一个人目标进行优化，粒子开展搜索时会比较全面，在很大程度上减少了太早出现局部最优的情况，这样就可以保证得到较好的解。在基本算法中，因为其具有很好的收敛性，就会出现局部最优的情况，导致搜索终止，优化粒子群算法在排班管理优化中取得了较好的效果，该算法具有一定的合理性及有效性。
　　3 结语
　　数字化小区绿化管理系统的建设在小区管理中所起的作用举足轻重，特别是在信息社会飞速发展的今天，数字化管理促进了小区绿化的科学化以及规范化。数字化以其操作简单、查询方便以及功能完善等优点，在小区绿化建设中得到了广泛的应用，有效提高了小区经济效益以及社会效益。本文主要是对其中的排班管理功能进行了设计说明，引用粒子群算法进行排班管理优化，从而有效提高绿化管理的工作效率，进而促进小区绿化建设的全面发展。
　　参考文献
　　[1] 唐振宇，姚月英.城市园林绿化数字化管理体系的构建与实现[J].建筑工程技术与设计，2017（14）：5427-5427，5423.
　　[2] 储晓雷，李丹，李宏力.基于SuperMap的城市园林绿化管理系统设计[J].交通科技与经济，2017，19（4）：68-72.
　　[3] 贾琳.基于SQL语言的园林植物管理系统的设计与研究[J].电子设计工程，2017，25（10）：38-40.
　　[4] 张增勇，毛保华，杜鹏，等.基于惩罚费用的城市轨道交通乘务排班优化模型与算法[J].交通运输系统工程与信息，2014，14（2）：113-120.
　　[5] 刘昕，白存儒，刘慧颖.带时间窗的飞机排班问题优化[J].航空工程进展，2012，3（4）：517-521.
转载注明来源:https://www.xzbu.com/8/view-14877181.htm