买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京邮电大学申请的专利一种基于鲸鱼优化算法的应急物资选址与路径优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119990957B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510070345.2，技术领域涉及：G06Q10/0835；该发明授权一种基于鲸鱼优化算法的应急物资选址与路径优化方法是由董姝含;李炜卓;周伊欣;孙哲;高辉设计研发完成，并于2025-01-16向国家知识产权局提交的专利申请。

本一种基于鲸鱼优化算法的应急物资选址与路径优化方法在说明书摘要公布了：本发明公开了一种基于鲸鱼优化算法的应急物资选址与路径优化方法，具体如下，首先，基于紧迫度和客户满意度建立应急物资选址模型，选出最优的配送点作为配送中心；其次，基于运输成本与时间情况建立应急物资配送模型，对受灾点配送路径进行规划；最后，基于鲸鱼算法的参数进行调整，并对每次迭代生成的路径进行存储，获得受灾点路径规划路线与全局路径长度。本发明实现了应急物资配送的路径优化，确保及时性的同时实现了降低成本的目标，为应急物资的运输提供了有效保障。

本发明授权一种基于鲸鱼优化算法的应急物资选址与路径优化方法在权利要求书中公布了：1.一种基于鲸鱼优化算法的应急物资选址与路径优化方法，其特征在于，包括以下步骤： 步骤1：基于紧迫度和客户满意度建立应急物资选址模型，选出最优的配送点作为配送中心； 步骤2：基于运输成本与时间情况建立应急物资配送模型，对受灾点配送路径进行规划； 步骤3：基于鲸鱼算法的参数进行调整，并对每次迭代生成的路径进行存储； 步骤4：获得受灾点路径规划路线与全局路径长度； 步骤2中，建立应急物资配送模型的具体实现过程如下： 步骤2-1：建立基于风险管理的运输成本模型；运输成本体现在运输过程中与运输数量、时间、距离相关的直接运输成本，以及与风险管理相关的间接运输成本；随着运输时间、运输距离的增加，货物在运输过程中面临的风险就越高；货物重量越大，运输过程中可能发生的意外事件的潜在损失也越大，风险管理成本也会相应增加；因此建立基于风险管理的运输成本模型： 其中，C1代表运输成本，diq表示第i点到第q点运输的距离；U表示第i点到第q点的单位距离成本；G表示运输物品的数量或者质量或者体积；Rr是风险区域，Rlow是低风险分界点，Rmid是中风险分界点；Clow是低风险区间的固定成本；mmid和bmid是中风险区间的斜率和截距；mhigh和bhigh是高风险区间的斜率和截距； 步骤2-2：建立车辆行驶时间模型；时间成本用于描述道路拥堵而导致的车辆分配时间超过预期时间所造成的惩罚；车辆在畅通道路的情况下行驶的最短时间作为预期时间；基于此，建立了车辆行驶时间模型函数： 其中，C2代表时间成本，diq为i到q点的距离；viq为速度；α为时间延误的成本系数；为了定量描述拥堵路况下车辆的驾驶情况，将R定为“道路交通流评价系数”，将道路交通状况分为五个等级：0.00R0.30表示畅通状态；0.30R0.60表示轻微拥堵状态；0.60R0.75表示有点拥堵状态；0.75R0.90表示较拥堵状态；0.90R1.00表示拥堵状态；R＝1.00表示严重拥堵； 步骤2-3：建立碳值成本模型；碳排放成本与运输过程中多个变量紧密相关，包括运输的车辆载重量、运输的距离以及燃油量； 其中，C3代表碳值成本，P*为单位里程消耗的燃油量；P0为车辆没有装载货物时，车辆行驶单位里程消耗的燃油量；Q*为车辆最大载重量；Qiq为当前车辆载重量； 步骤2-4：建立政府补贴模型；在应急物资配送的过程中，政府会根据紧迫情况给予相应的补贴；在公式中引入中点偏移参数μ，能调整补贴金额开始显著增加时物资紧迫度的具体值； 其中，SP代表政府补贴成本，用C4来表示，P是物资紧迫度，0≤P≤1；k是补贴的放大因子，用于调整补贴金额的总体水平；β是斜率参数，控制补贴金额随P变化的速率；β越大，变化越快；β越小，变化越平缓；μ是中点偏移参数，用于调整逻辑斯蒂克函数中心点的位置；当μ＝0.5时，函数关于P＝0.5对称；当μ偏离0.5时，函数会向左或向右偏移；b是补贴的基础值或最小值； 步骤2-5：根据运输成本、车辆行驶时间成本、碳值成本和政府补贴得到一个总成本模型，计算公式如下所示： Ccost＝C1+C2+C3-C4 其中，Ccost为总成本；C1为运输成本；C2为车辆行驶时间成本；C3为碳值成本；C4为政府补贴成本； 步骤3中，引入一种改进的鲸鱼优化算法的具体实现过程如下： 步骤3-1：改进原本鲸鱼WOA算法的参数a，添加非线性收敛因子，放缓算法随着迭代次数增加陷入局部最优；同时，随着迭代次数逐渐上升，收敛速度得到有效加快；改变后的算法参数a如下： a＝astart-aend+1-ttmax1-μ1*ttmax 其中，astart和aend分别为a的初始值和终止值；μ1为调节系数,取μ1＝25，tmax为最大迭代次数，t为当前迭代次数； 步骤3-2：引入自适应搜索控制系数，根据迭代次数来动态调整C的大小；在算法初期，C值较小，鲸鱼的移动幅度增加，有助于提高全局搜索能力；随着算法的迭代，鲸鱼在搜索空间中的移动幅度减小，有助于提高局部搜索能力；表达式如下： 其中，C为自适应搜索控制系数，r为系数，能控制C的衰减速率，tmax为最大迭代次数，t为当前迭代次数； 步骤3-3：引入记忆库列表策略；添加一个记忆库列表，记录每次迭代时遇到的最优解；达到最大迭代次数后，将最后一次迭代得到的最优解与记忆库中的解进行比较，选取较优解作为最终结果；避免记忆库容量过大，限制记忆库列表长度，当达到最大容量时，移除最差解；表达式如下： S＝removeminS 其中，S矩阵存放的每个元素均为迭代过程中遇到的当前最优解，当记忆库到达最大值，通过remove移除库中的最小值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。