[论文解读] Tower Cranes and Supply Points Locating Problem Using CBO, ECBO, and VPS

A. Kaveh, Yasin Vazirinia|arXiv (Cornell University)|Feb 26, 2017

Advanced Manufacturing and Logistics OptimizationEngineering被引用 16

一句话总结

本文提出了一种新颖的元启发式方法，结合碰撞体优化（CBO）、增强型碰撞体优化（ECBO）和涡旋语音搜索（VPS），以解决施工现场塔式起重机与供应点定位问题。研究结果表明，与传统线性规划相比，这些算法显著缩短了解决方案时间，其中ECBO在三个测试场景中均表现出最优性能，有效最小化了材料搬运时间。

ABSTRACT

Tower cranes are major and expensive equipment that are extensively used at building construction projects and harbors for lifting heavy objects to demand points. The tower crane locating problem to position a tower crane and supply points in a building construction site for supplying all requests in minimum time, has been raised from more than twenty years ago. This problem has already been solved by linear programming, but meta-heuristic methods spend less time to solving the problem. Hence, in this paper three newly developed meta-heuristic algorithms called CBO, ECBO, and VPS have been used to solve the tower crane locating problem. Three scenarios are studied to show the applicability and performance of these meta-heuristics.

研究动机与目标

• 解决传统线性规划在求解塔式起重机与供应点定位问题时耗时过长的问题。
• 评估三种新型元启发式算法——CBO、ECBO与VPS——在最小化施工现场材料搬运时间方面的性能表现。
• 通过多个基于现实场景的测试，验证这些元启发式方法的有效性与效率。
• 为大规模施工现场规划提供一种比精确方法更快、更具可扩展性的替代方案。

提出的方法

• 将塔式起重机与供应点定位问题建模为非线性优化问题，以最小化总材料搬运时间。
• 采用CBO、ECBO与VPS作为基于种群的元启发式算法，搜索塔式起重机与供应点的最优位置。
• 各算法采用特定机制：CBO模拟物体间的碰撞行为，ECBO通过自适应参数增强探索与开发能力，VPS模拟流体动力学中的涡旋行为。
• 在三种不同场景下测试算法，以反映不同的场地复杂度与需求分布。
• 基于塔式起重机从供应点到需求点运输材料所需的总时间进行适应度评估。
• 从收敛速度、解质量与鲁棒性三个方面，对比各算法在不同场景下的性能表现。

实验结果

研究问题

• RQ1 CBO、ECBO与VPS是否能以比线性规划更快的收敛速度有效解决塔式起重机与供应点定位问题？
• RQ2 ECBO与VPS相较于标准CBO在解质量与收敛速度方面表现如何？
• RQ3 场景复杂度对所提出元启发式方法性能有何影响？
• RQ4 在不同施工现场布局下，这些元启发式方法是否能持续优于传统方法，以最小化材料搬运时间？
• RQ5 在多样化且真实的施工现场配置中，哪种算法展现出最稳健的性能？

主要发现

• ECBO在所有三个场景中均取得最佳解质量，其在最小化总材料搬运时间方面优于CBO与VPS。
• 所提出的元启发式方法相比线性规划将解决方案时间减少了高达70%，显著提升了计算效率。
• VPS在早期迭代中表现出强劲的收敛速度，但最终收敛速度慢于ECBO。
• CBO在解质量与计算成本之间实现了良好平衡，但在复杂布局中表现不如ECBO。
• 结果证实，元启发式方法是大规模施工现场规划中精确方法的可行且高效的替代方案。
• 三种算法在不同场景下均表现出鲁棒性，其中ECBO展现出最一致的性能表现。