基于粒子群算法的小區綠化排班系統研究
來源:用戶上傳
作者:
摘 要：居住區綠化管理作為一種新型的管理項目，在居住區設計中起著非常重要的作用。相應的管理內容涉及到環境清潔、日常管理以及綠化環境等。居住區管理具有可持續性以及長久性的特點，對居住區管理者的技術要求非常高。為提高管理效率，本文將引進粒子群算法進行小區綠化管理系統的研究，并以其中的排班管理進行詳細說明，以提高小區綠化管理效率。
關鍵詞：粒子群算法;小區;綠化管理系統;排班管理
中圖分類號：TP273 文獻標識碼：A 文章編號：1671-2064（2019）10-0015-02
居住區綠化設計與管理的目的是為居住者提供良好的居住和活動環境。因此，在綠化設計中應堅持人性化、生態化、設計管理自然化的原則和觀念，結合居住區綠化的實用性和觀賞性，實現對居住區綠化有效的設計及管理。
小區綠化設計與管理應堅持以人為本的統一規劃、協調布局原則，應區分中心綠地、道路綠地和庭院綠地，注重科學系統的規劃管理。此外，在養護管理工作中要盡量保持原有的生態，在保證低投入的同時保持生態。
1 系統概述
在社會經濟的不斷發展下，人們對生活質量的要求也日益提高。綠化管理日益突出的矛盾，使傳統的管理方法在新形勢下得到了改善。數字化管理在小區管理中的應用可以有效提高小區管理者的工作效率，為小區建設規劃和維護管理提供科學依據，促進小區綠化精細化管理。
在小區綠化管理體系設計中，應重視對小區植被設計的管理。小區綠化管理應把握植被的習慣，分層管理。在管理環節上，應注意植被與周圍環境、建筑物的協調。小區綠化管理系統設計還可以重點應用信息化的設計與管理技術等，應用信息技術進行植被監測，有效地收集數據，促進設計管理的發展。
系統涉及到的功能很多，如植物信息功能、氣候信息功能、人工影響功能以及排班管理功能等，本文主要以系統中的一個功能模塊進行詳細說明，即排班管理功能。由于綠化管理工作需要不定期進行，需要對綠化管理的人員排班進行合理安排，因此本文引入粒子群算法，以此對人員排班管理工作進行相應的優化，從而促進小區綠化管理工作的順利進行，提高管理效率。
2 基于粒子群算法的排班管理設計
2.1 粒子群算法
粒子群算法，一般也將其稱為粒子群優化算法，或者是鳥群覓食算法（Particle Swarm Optimization），即PSO。這種算法是由J.Kennedy和R.C.Eberhart等合作設計的，與模擬退火設計的算法差不多，都是屬于進化算法（Evolutionary Algorithm-EA）。粒子群算法開始是使用隨機解，然后利用迭代的方法，獲取最優解。這種方法就是利用使用度，在其使用原理的基礎上對解的品質做一個評價。它能夠遺傳算法，相比較而言，這種算法有著更簡單的規則以及操作程序。其操作主要是利用搜索的當前的最優值，然后綜合以得出最好的算法結果。故，這種算法更具簡單化，以及高精度性、快收斂性等。很多專家學者因為了解粒子算法的這種優越性，運用他們解決了生活中的很多問題。由此，也可以將其看作是一種并行算法。
2.2 排班管理優化
在粒子群算法中，它主要是在本身信息的基礎山，通過個體極值信息以及利用全局極值信息，然后進行迭代，使得在迭代過程中，粒子收斂速度不斷變小。在此過程中，一旦使用的本身信息和個體極值信息過多，就會導致系統顯示出現最優解，而放棄進行搜索。為了避免在實際使用情況中出現這種問題，本文在設計算法中以Pareto占優思想為基礎，利用其多目標優化算法，同時還結合了遺傳算法，使得在排班管理中，能夠對多個目標進行優化，這種就可以在不同方向都有粒子進行搜索，通過變異操作，就不會進行局部最優操作，局部最優的情況也不會發生。
2.2.1 編碼
本文編碼主要是使用自然數，用矢量來說明粒子x。同時sk可以表示為任何一個自然數，并且，表示的自然數并不會存在重復性。在這個程序編碼中，出現的第k個基因sk的含義就是綠化管理人員sk所安排的排班是排班k。
2.2.2 不可行解的處理
在對綠化管理人員進行排班工作時，需要考慮對于同一綠化管理人員來說，其排班表是否符合每一個銜接條件，一旦開展了變異交叉操作，就會出現不可行解。因此，為了使得變異交叉操作更加方便且易于操作，本文在設計中加入近似可行解，然后在可行的條件下，可以存在一些較好的不可行解。然后，在不斷的增加進化代數，近似可行解就會慢慢地與可行域接近，從而，在整個進化過程中，整個解空間會不斷地接近sk最優解。
近似可行解就是指在進行不可解時，定閾值是大于其不可行度的。
在上面公式中，進化代數是T，然后，將種群規模設置為N，閾值作為一個變量，是在不斷變小的，并受不斷增加的進化代數的影響，其近似可行解就會不斷變化，最后，慢慢地轉變為可行解。
2.2.3 優勝關系
對于向量x，y，如果，即≤肯定會出現一個，表示x支配y，記為。
假設x，y兩者之間是不存在支配關系的，那么，也就說明這兩者之間是互補相關的，將其看作是。
如果，或者是x與y不相關，將其表示為。
2.2.4 用快速排序算法構造全局極值
在進行算法時，都會利用一個粒子，將其看作是比較個體x（通常會將第一個粒子作為選擇的比較個體），然后遵從關系進行比較判斷，進行排序之后，對于種群中的個體，就以x為界限，就可以將其分成兩部分，因此，我們就將比x“小”的部分，看作是被支配個體，然后下一輪排序時，這部分就可以被忽略掉;在第二部分中，主要是不比x“小”的個體，它們可能比“x”大，也可能與“x”的關系是不相關。如果這些個體不能夠支配“x”，那么就可以將“x”看作是種群的非支配個體，這個x 就放進非支配集中。當個體比x大時，x就是被支配個體。然后在后面進行排序是時，就會只有這個個體。 2.2.5 個體極值的更新
在傳統粒子群算法中，當對個體極值進行更新時，對粒子的適應度進行觀察，一旦其比最初的個體極值好，就將其看作是當前的個體極值。但是，在多目標粒子群算法中，是以Pareto為基礎，是無法比較兩個沒有關系的粒子的。在個體極值中，一旦全局最優解中的近親個體存在過多，就會不斷加快進化過程，使得局部收斂狀態會過早的到來。在本次設計中，對于不相關的粒子進行比較，主要是采用全局極值，通過其濃度來進行判斷。
當出現的濃度越大，他們之間的相似度就會越高。在個體極值中，還存在一些個體，其具有很小的不可行度、很小的濃度，同時目標最優，如果粒子x與個體極值pbestk符合下述中任一條件，就會使得更新個體極值滿足pbestk=x。
2.3 優化結果分析
為了對算法最終的結果進行驗證，測試其結果是否科學合理，將在使用排班模型的基礎上，然后設計多目標粒子群算法，對湖南地區小區綠化管理中人員排班問題進行處理。這里對某小區2018年8月1日至2018年9月1日的綠化管理排班進行優化排班，該小區綠化管理人員有50人。
在對算法進行驗證時，為了測試其先進性，對該小區綠化管理人員進行排班設計，在周進度表的基礎上，自動排班，然后收集使用了基本粒子群算法的排班情況，以及收集以Pareto最優為基礎的多目標粒子群算法的排班情況，然后，將兩種數據進行比較，分析結果如表1所示。
由于改進的多目標粒子群算法，能夠將每一個人目標進行優化，粒子開展搜索時會比較全面，在很大程度上減少了太早出現局部最優的情況，這樣就可以保證得到較好的解。在基本算法中，因為其具有很好的收斂性，就會出現局部最優的情況，導致搜索終止，優化粒子群算法在排班管理優化中取得了較好的效果，該算法具有一定的合理性及有效性。
3 結語
數字化小區綠化管理系統的建設在小區管理中所起的作用舉足輕重，特別是在信息社會飛速發展的今天，數字化管理促進了小區綠化的科學化以及規范化。數字化以其操作簡單、查詢方便以及功能完善等優點，在小區綠化建設中得到了廣泛的應用，有效提高了小區經濟效益以及社會效益。本文主要是對其中的排班管理功能進行了設計說明，引用粒子群算法進行排班管理優化，從而有效提高綠化管理的工作效率，進而促進小區綠化建設的全面發展。
參考文獻
[1] 唐振宇，姚月英.城市園林綠化數字化管理體系的構建與實現[J].建筑工程技術與設計，2017（14）：5427-5427，5423.
[2] 儲曉雷，李丹，李宏力.基于SuperMap的城市園林綠化管理系統設計[J].交通科技與經濟，2017，19（4）：68-72.
[3] 賈琳.基于SQL語言的園林植物管理系統的設計與研究[J].電子設計工程，2017，25（10）：38-40.
[4] 張增勇，毛保華，杜鵬，等.基于懲罰費用的城市軌道交通乘務排班優化模型與算法[J].交通運輸系統工程與信息，2014，14（2）：113-120.
[5] 劉昕，白存儒，劉慧穎.帶時間窗的飛機排班問題優化[J].航空工程進展，2012，3（4）：517-521.
轉載注明來源:http://www.hailuomaifang.com/8/view-14877181.htm
