新能源汽车电池回收网点竞争选址模型及算法

doi:10.11772/j.issn.1001-9081.2023020182

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (2): 595-603.DOI: 10.11772/j.issn.1001-9081.2023020182

所属专题：前沿与综合应用

新能源汽车电池回收网点竞争选址模型及算法

刘勇(), 杨锟

上海理工大学管理学院，上海 200093

收稿日期:2023-02-27 修回日期:2023-04-22 接受日期:2023-05-05 发布日期:2024-02-22 出版日期:2024-02-10
通讯作者: 刘勇
作者简介:杨锟（1998—），男，湖北宜昌人，硕士研究生，主要研究方向：优化算法、系统工程。
基金资助:
教育部人文社会科学研究青年基金资助项目(21YJC630087);上海市哲学社会科学规划课题(2019BGL014);上海理工大学科技发展资助项目(2020KJFZ040)

Competitive location model and algorithm of new energy vehicle battery recycling outlets

Yong LIU(), Kun YANG

College of Management，University of Shanghai for Science and Technology，Shanghai 200093，China

Received:2023-02-27 Revised:2023-04-22 Accepted:2023-05-05 Online:2024-02-22 Published:2024-02-10
Contact: Yong LIU
About author:YANG Kun， born in 1998， M. S. candidate. His research interests include optimization algorithm， system engineering.
Supported by:
Humanities and Social Sciences Youth Foundation of Ministry of Education of China(21YJC630087);Philosophy and Social Science Planning Project of Shanghai(2019BGL014);Science and Technology Development Funding Project of University of Shanghai for Science and Technology(2020KJFZ040)

摘要/Abstract

摘要：

针对考虑排队论的新能源汽车电池回收网点竞争设施选址问题，提出一种改进的人类学习优化（IHLO）算法。首先，构建包含排队时间约束、容量约束和门槛约束等条件的新能源汽车电池回收网点竞争设施选址模型；然后，考虑到该问题属于NP-hard问题，针对人类学习优化（HLO）算法前期收敛速度较慢、寻优精度不够高、求解稳定性不够高的不足，通过引入精英种群反向学习策略、团队互助学习算子和调和参数自适应策略提出IHLO算法；最后，以上海市和长江三角洲为例进行数值实验，并将IHLO算法和改进二进制灰狼（IBGWO）算法、改进二进制粒子群（IBPSO）算法、HLO算法和融合学习心理学的人类学习优化（LPHLO）算法进行比较。大、中、小三种不同规模的实验结果表明，IHLO算法在15个指标中的14个指标上表现最优，IHLO算法比IBGWO算法求解精度至少提高了0.13%，求解稳定性至少提高了10.05%，求解速度至少提高了17.48%。所提算法具有较高的计算精度和优化速度，可有效解决竞争设施选址问题。

关键词: 竞争设施选址, 人类学习优化算法, 排队论, 团队互助学习算子, 调和参数自适应策略

Abstract:

To solve the competitive facility location problem of new energy vehicle battery recycling outlets considering queuing theory， an Improved Human Learning Optimization （IHLO） algorithm was proposed. First， the competitive facility location model of new energy vehicle battery recycling outlets was constructed， which included queuing time constraints， capacity constraints， threshold constraints and other constraints. Then， considering that this problem belongs to NP-hard problem， in view of the shortcomings of Human Learning Optimization （HLO） algorithm， such as low convergence speed，optimization accuracy and solving stability in the early stage， IHLO algorithm was proposed by adopting elite population reverse learning strategy， group mutual learning operator and adaptive strategy of harmonic parameter. Finally， taking Shanghai and the Yangtze River Delta as examples for numerical experiments， IHLO was compared with Improved Binary Grey Wolf Optimization （IBGWO） algorithm， Improved Binary Particle Swarm Optimization （IBPSO） algorithm， HLO and Human Learning Optimization based on Learning Psychology （LPHLO） algorithm. For large， medium and small scales， the experimental results show that IHLO algorithm has the best performance in 14 of the 15 indicators； compared with IBGWO algorithm， the solution accuracy of IHLO algorithm is improved by at least 0.13%， the solution stability is improved by at least 10.05%， and the solution speed is improved by at least 17.48%. The results show that the proposed algorithm has high computational accuracy and fast optimization speed， which can effectively solve the competitive facility location problem.

Key words: competitive facility location, Human Learning Optimization (HLO) algorithm, queuing theory, group mutual learning operator, adaptive strategy of harmonic parameter

中图分类号:

TP18

刘勇, 杨锟. 新能源汽车电池回收网点竞争选址模型及算法[J]. 计算机应用, 2024, 44(2): 595-603.

Yong LIU, Kun YANG. Competitive location model and algorithm of new energy vehicle battery recycling outlets[J]. Journal of Computer Applications, 2024, 44(2): 595-603.

图/表 6

参考文献 22

1	DREZNER T， DREZNER Z， SUZUKI A. A cover based competitive facility location model with continuous demand［J］. Naval Research Logistics， 2019， 66（7）： 565-581. 10.1002/nav.21868
2	ESMAEILI M， HAMEDANI S G. A competitive facility location problem using distributor Stackelberg game approach in multiple three-level supply chains［J］. International Journal of Applied Management Science， 2022， 14（3）： 205-220. 10.1504/ijams.2022.10050104
3	YU W. Robust competitive facility location model with uncertain demand types［J］. PLoS ONE， 2022， 17（8）： No.e0273123. 10.1371/journal.pone.0273123
4	MAI T， LODI A. A multicut outer-approximation approach for competitive facility location under random utilities［J］. European Journal of Operational Research， 2020， 284（3）：874-881. 10.1016/j.ejor.2020.01.020
5	LIN Y H， TIAN Q. Exact approaches for competitive facility location with discrete attractiveness［J］. Optimization Letters， 2021， 15（2）： 377-389. 10.1007/s11590-020-01596-x
6	刘伟伟，王明征，胡祥培. 考虑碳排放的多产品竞争设施选址问题研究［J］. 系统工程学报， 2022， 37（2）：275-288.
	LIU W W， WANG M Z， HU X P. Research on multi-commodity competitive facility location problem with carbon emission［J］. Journal of Systems Engineering， 2022， 37（2）： 275-288.
7	FERNÁNDEZ P， LANČINSKAS A， PELEGRÍN B， et al. A discrete competitive facility location model with minimal market share constraints and equity-based ties breaking rule［J］. Informatica， 2020， 31（2）： 205-224. 10.15388/20-INFOR410
8	SHAN W， YAN Q， CHEN C， et al. Optimization of competitive facility location for chain stores［J］. Annals of Operations Research， 2019， 273（1/2）： 187-205. 10.1007/s10479-017-2579-z
9	ZARRINPOOR N. An exploration of evolutionary algorithms for a bi-objective competitive facility location problem in congested systems［J］. International Journal of Supply and Operations Management， 2018， 5（3）： 266-282. 10.22034/2018.3.6:
10	何怀文，傅瑜，杨毅红，等. 基于M/M/n/n+r排队模型的云计算中心服务性能分析［J］. 计算机应用， 2014， 34（7）：1843-1847. 10.11772/j.issn.1001-9081.2014.07.1843
	HE H W， FU Y， YANG Y H， et al. Service performance analysis of cloud computing center based on M/M/n/n+r queuing model［J］. Journal of Computer Applications， 2014， 34（7）： 1843-1847. 10.11772/j.issn.1001-9081.2014.07.1843
11	李磊，张曙阳，李彤. 基于嵌套Logit模型的竞争性选址问题研究［J］.系统工程学报， 2021， 36（4）：524-538.
	LI L， ZHANG S Y， LI T. A new competitive facility location model based on nested Logit model［J］. Journal of Systems Engineering， 2021， 36（4）： 524-538.
12	朱华桂. 基于持续运营机会约束的竞争设施点选址研究——一种有效的实数编码遗传求解算法［J］. 中国管理科学， 2016， 24（12）：158-165. 10.16381/j.cnki.issn1003-207x.2016.12.018
	ZHU H G. Research on competitive facility location under the operation-sustainable chance constraint — an efficient real coded genetic algorithm［J］. Chinese Journal of Management Science， 2016， 24（12）： 158-165. 10.16381/j.cnki.issn1003-207x.2016.12.018
13	WANG L， NI H， YANG R， et al. A simple human learning optimization algorithm［C］// Proceedings of the 2014 International Conference on Intelligent Computing for Sustainable Energy and Environment/ International Conference on Life System Modeling and Simulation， CCIS 462. Berlin： Springer， 2014： 56-65.
14	RAJPUROHIT J. A modified jellyfish search optimizer with opposition based learning and biased passive swarm motion［J］. Ingénierie des Systèmes d’Information， 2021， 26（6）： 577-584. 10.18280/isi.260608
15	孟晗，马良，刘勇. 融合学习心理学的人类学习优化算法［J］. 计算机应用， 2022， 42（5）：1367-1374. 10.11772/j.issn.1001-9081.2021030505
	MENG H， MA L， LIU Y. Human learning optimization algorithm based on learning psychology［J］. Journal of Computer Applications， 2022， 42（5）： 1367-1374. 10.11772/j.issn.1001-9081.2021030505
16	WANG L， PEI J， WEN Y， et al. An improved adaptive human learning algorithm for engineering optimization［J］. Applied Soft Computing Journal， 2018， 71： 894-904. 10.1016/j.asoc.2018.07.051
17	WANG L， AN L， PI J， et al. A diverse human learning optimization algorithm［J］. Journal of Global Optimization， 2017， 67（1/2）： 283-323. 10.1007/s10898-016-0444-2
18	徐航，张达敏，王依柔，等. 基于改进二进制灰狼算法的频谱分配［J］. 计算机工程与设计， 2021， 42（5）：1353-1359. 10.16208/j.issn1000-7024.2021.05.022
	XU H， ZHANG D M， WANG Y R， et al. Spectrum allocation based on improved binary grey wolf optimizer［J］. Computer Engineering and Design， 2021， 42（5）： 1353-1359. 10.16208/j.issn1000-7024.2021.05.022
19	张丽，刘青雷，张宏伟. 基于改进二进制粒子群算法的家庭负荷优化调度策略［J］. 中国电力， 2023， 56（5）：118-128.
	ZHANG L， LIU Q L， ZHANG H W. Home load optimization scheduling strategy based on improved binary particle swarm optimization algorithm［J］. Electric Power， 2023， 56（5）：118-128.
20	WEI Q， ZHANG M， ZHANG Y， et al. Research on the location of waste battery recycling center for new energy vehicles based on a heuristic algorithm of greedy take-off［J］. Journal of Physics： Conference Series， 2020， 1570： No.012019. 10.1088/1742-6596/1570/1/012019
21	MAJLESINASAB N， MALEKI M， NIKBAKHSH E. Performance evaluation of an EMS system using queuing theory and location analysis： a case study［J］. The American Journal of Emergency Medicine， 2022， 51： 32-45. 10.1016/j.ajem.2021.10.004
22	WANG L， NI H， YANG R， et al. An adaptive simplified human learning optimization algorithm［J］. Information Sciences， 2015， 320： 126-139. 10.1016/j.ins.2015.05.022

问题规模	算法	最优值/10⁴元	平均值/10⁴元	最差值/10⁴元	标准差/10⁴元	运行时间/min
小规模	IBGWO算法	182.991 05	182.656 06	182.242 01	0.217 93	0.7
	IBPSO算法	172.351 31	170.241 49	168.909 13	0.767 33	0.8
	HLO算法	182.190 43	181.307 36	180.650 86	0.476 00	0.5
	LPHLO	182.944 25	182.549 20	182.086 80	0.255 77	0.5
	IHLO算法	183.020 54	182.892 95	182.413 56	0.196 02	0.4
中规模	IBGWO算法	537.143 96	535.753 28	534.478 30	0.579 69	2.8
	IBPSO算法	514.367 29	511.249 21	508.608 24	1.288 95	3.1
	HLO算法	538.462 29	536.982 37	535.850 96	0.634 66	2.4
	LPHLO	539.604 99	538.980 38	538.192 38	0.352 29	2.5
	IHLO算法	540.043 44	539.858 86	539.353 10	0.139 79	2.1
大规模	IBGWO算法	624.891 63	621.876 28	620.378 19	0.854 29	10.3
	IBPSO算法	593.346 12	588.879 50	586.483 32	1.608 63	11.5
	HLO算法	632.715 57	631.205 13	630.482 52	0.491 59	9.3
	LPHLO	634.012 14	633.659 46	632.920 53	0.248 68	9.7
	IHLO算法	634.488 28	634.156 05	632.961 68	0.324 68	8.5

问题规模	算法	最优值/10⁴元	平均值/10⁴元	最差值/10⁴元	标准差/10⁴元	运行时间/min
小规模	IBGWO算法	182.991 05	182.656 06	182.242 01	0.217 93	0.7
	IBPSO算法	172.351 31	170.241 49	168.909 13	0.767 33	0.8
	HLO算法	182.190 43	181.307 36	180.650 86	0.476 00	0.5
	LPHLO	182.944 25	182.549 20	182.086 80	0.255 77	0.5
	IHLO算法	183.020 54	182.892 95	182.413 56	0.196 02	0.4
中规模	IBGWO算法	537.143 96	535.753 28	534.478 30	0.579 69	2.8
	IBPSO算法	514.367 29	511.249 21	508.608 24	1.288 95	3.1
	HLO算法	538.462 29	536.982 37	535.850 96	0.634 66	2.4
	LPHLO	539.604 99	538.980 38	538.192 38	0.352 29	2.5
	IHLO算法	540.043 44	539.858 86	539.353 10	0.139 79	2.1
大规模	IBGWO算法	624.891 63	621.876 28	620.378 19	0.854 29	10.3
	IBPSO算法	593.346 12	588.879 50	586.483 32	1.608 63	11.5
	HLO算法	632.715 57	631.205 13	630.482 52	0.491 59	9.3
	LPHLO	634.012 14	633.659 46	632.920 53	0.248 68	9.7
	IHLO算法	634.488 28	634.156 05	632.961 68	0.324 68	8.5

算法	最优值	平均值	最差值	标准差
HLO算法	182.190 43	181.307 36	180.650 86	0.476 00
HLO-1	181.785 33	179.698 44	178.394 66	0.712 31
HLO-2	182.641 42	181.618 49	180.302 94	0.505 52
HLO-3	180.947 64	180.394 59	180.069 96	0.307 99
HLO-4	182.612 91	181.752 70	180.804 66	0.445 98
HLO-5	181.439 78	181.001 86	180.366 00	0.339 54
HLO-6	183.020 54	182.671 97	181.905 96	0.318 67
IHLO算法	183.020 54	182.892 95	182.413 56	0.196 02

算法	最优值	平均值	最差值	标准差
HLO算法	182.190 43	181.307 36	180.650 86	0.476 00
HLO-1	181.785 33	179.698 44	178.394 66	0.712 31
HLO-2	182.641 42	181.618 49	180.302 94	0.505 52
HLO-3	180.947 64	180.394 59	180.069 96	0.307 99
HLO-4	182.612 91	181.752 70	180.804 66	0.445 98
HLO-5	181.439 78	181.001 86	180.366 00	0.339 54
HLO-6	183.020 54	182.671 97	181.905 96	0.318 67
IHLO算法	183.020 54	182.892 95	182.413 56	0.196 02

[1]	孟晗, 马良, 刘勇. 融合学习心理学的人类学习优化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1367-1374.
[2]	许瀚, 罗亮, 孙鹏, 孟飒. 基于马尔可夫模型的云系统安全性与性能建模[J]. 计算机应用, 2019, 39(11): 3304-3309.
[3]	夏冰, 李琳琳, 郑燕山. 流星余迹通信中混合自动请求重传机制的网络时延性能分析[J]. 计算机应用, 2016, 36(11): 3039-3043.
[4]	杨镜吴磊武德安王晓敏刘念伯. 云平台下动态任务调度人工免疫算法[J]. 计算机应用, 2014, 34(2): 351-356.
[5]	刘必雄杨泽明吴焕许榕生. 基于集群的多源日志综合审计系统[J]. 计算机应用, 2008, 28(2): 541-544.

新能源汽车电池回收网点竞争选址模型及算法

Competitive location model and algorithm of new energy vehicle battery recycling outlets

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 22

相关文章 5

编辑推荐

Metrics