本发明属于物联网领域，具体涉及一种基于前景理论框架的救护车路径规划方法。
背景技术：
1、20世纪50年代，期望效用理论框架被提出，在多属性决策问题当中大多数学者选择采用期望效用理论来进行决策模拟，该理论内涵为：在不确定环境下决策者是通过事件发展可能出现的情况和发生概率来进行加权计算得到期望结果然后由此评判对象的价值，但是该理论有一个重大缺陷即理论中假定决策者都是理性的，所以随着期望效用理论的不断应用和传播，出现了各种违背该理论的现象，直到后来tversky等人提出了前景理论。
2、tversky等人通过将心理学知识引入到前景理论可以更为真实地描述决策者在不确定环境下的行为机制，前景理论的特征有以下几点：1)在决策过程中决策者会在内心设置一个参考点，从参考点出发来判断各个选择带来的结果是损失还是收益；2)决策者在面对损失时，为了挽回已经造成的损失决策者在之后的选择会转为风险偏好，而当目前处于收益状态时决策者选择会更加保守即变现为风险规避；3)决策者对于损失要更加敏感，面对等值的收益和损失，损失要对决策者造成更大影响；4)决策者会低估大概率事件影响同时高估小概率事件影响，所以在决策过程中直接以概率值进行计算会导致结果出现偏差，因而选择权重函数代替期望效用理论中的概率函数可以更贴合实际决策过程。
技术实现思路
1、通过将前景理论融入到救护车路径规划模型中从而建立了一个基于前景理论框架的救护车路径规划模型，对于现实世界中人们在决策过程中产生的盈利时的风险回避心理和产生损失时的风险喜好心理，本发明选择使用tversky和prelec函数来进行仿真，通过将此函数模型融入到原目标函数从而得到了本章的新的目标函数。为了解决该问题本章提出了基于小生境遗传策略的量子粒子群优化算法，针对量子粒子群算法后期搜索能力下降的缺点，选择引入小生境遗传算法的寻优策略，最终通过实验证明nbqpso算法对于解决该模型问题有着出色表现。
2、现有的关于救护车路径规划问题的研究中人们都是将决策者放到绝对理性的位置来对目标函数进行最优求解，但实际生活中人们的决策行为受到自身主观意识的影响使得实验结果会偏离实际结果。在本发明中通过将前景理论模型融合到救护车调度模型中来尽可能贴近实际情况，针对此问题本发明提出了基于小生境遗传策略的量子粒子群优化算法，该算法在量子粒子群算法的基础上与基于小生境的遗传算法进行融合，小生境遗传算法在可行解较为接近的情况下可以保证后代解的多样性，通过将小生境遗传算法融合进量子粒子群算法可以提高算法后期的搜索能力，最后通过实验证明了决策者心理因素对系统模型的影响和本发明提出算法在解决此类问题上的有效性。
3、本发明的基于前景理论框架的救护车路径规划方法，主要包括如下关键步骤：
4、第1、系统架构模型的构建：
5、第1.1、建立目标函数；
6、第1.2、建立约束模型；
7、第1.3、建立前景理论模型；
8、第2、救护车路径规划的算法设计：
9、第2.1、基于小生境的遗传变异算法；
10、第2.2、量子粒子群优化算法；
11、第2.3、基于小生境遗传策略的量子粒子群算法。
12、进一步的，步骤第1.1中建立了目标函数，目标函数如下：
13、fitness＝wr·er+wg·eg+wm·em (1)
14、(1)为加权后救治全部病人总时间，wr与wg代表救治重伤病人与救治一般病人的权重，wm代表轻伤患者的权重，权重值在救援前设为定值，er与eg代表所有重伤病人完成救治的时间与所有一般病人完成救治的时间，em代表所有轻伤病人完成救治的时间。
15、步骤第1.2中建立约束模型的方法如下：
16、∑l∈p∪h(xhl)∈{0,1} h∈h (2)
17、(2)为约束条件，p代表伤者集合，h代表医院集合，当约束条件(2)值为1时，救护车从医院驶向节点l或表示救援任务开始前每辆救护车都处于空闲状态，当约束条件的值为0时，表示救护车正在救援过程中，无法响应救护中心的救援任务；
18、
19、约束条件(3)表示救护车在某处救援地点服务完成之后成功离开该地点，如果此处伤患病人为轻伤伤患则将该病人救治完成后前往下一个待救治地点，如果此处患者为一般伤患则送往流动救护站点进行救治，重伤伤患则会由救护车送往最近的医院进行救治；
20、
21、∑i∈r uih≤ch h∈h (5)
22、约束条件(4)值为1时，表示救护车运载的患者到达医院且剩余床位能够容纳这位伤者，若为0则表示医院容量已经达到极限不可容纳该伤患，救护车需要将其转送至其他医院，uih为决策变量，其值为0或1，约束条件(5)中的ch表示医院的最大容量；
23、er≥bi+dr+uih(tih+dh) i∈r,h∈h (6)
24、约束条件(6)表示救治完所有重伤患者的时间大于等于任意一名重伤患者的救治时间，bi表示救护车到达第i个待救援地点的时间，dr表示重伤的伤患现场救治及搬运至救护车的时间之和，tih表示该救援地点到最近医院的所需时间，dh表示伤患从救护车搬运至医院所需的时间，r表示重伤患者的集合；
25、eg≥bi+dg+uih(tih+dh) i∈g,h∈h (7)
26、约束条件(7)表示救治完所有一般患者的时间大于等于任意一名一般患者的救治时间，dg表示受伤程度一般的现场救治及搬运至救护车的时间之和，g表示一般患者的集合；
27、em≥bi+dm i∈m (8)
28、约束条件(8)的表示救治完所有轻伤患者的时间大于等于任意一名轻伤患者的救治时间，dm表示受伤程度较轻的伤患现场救治所花费的时间，m表示轻伤患者的集合；
29、
30、约束条件(9)表示救护车到达待救援地点的时间不可小于0；
31、
32、
33、
34、约束条件(10)、(11)、(12)分别代表重伤患者、一般患者、轻伤患者的现场救治时间；
35、
36、约束条件(13)为1时，表示由i点驶向j点的路线弧段，a表示所有节点弧段集合；
37、wr+wg+wm＝1 r∪g∪m＝p (14)
38、约束条件(14)中wr、wg、wm分别表示重伤患者、一般患者、轻伤患者的权重，p为所有病人的集合，r为重伤者集合，g为一般患者集合，m为轻伤患者集合；
39、∑il∈p∪h eil＝∑il∈p∪h(til*v*l)≤emax (15)
40、约束条件(15)中eil表示救护车或流动救护站点由节点i驶向节点该行程中的耗油量，til代表行程耗费时间，v代表行驶速度，l代表每公里的耗油量，emax代表最大油量。
41、步骤第1.3中建立了前景理论模型，具体模型用价值函数和概率比重函数表示，
42、价值函数选择使用tversk函数：
43、
44、f为理论适应度函数，在f>0时表示病人救治成功，变量γ与β是边际效用递减系数，分别用来衡量价值函数在收益和损失的灵敏衰减程度，其中0<γ，β<1，γ＝β，变量λ是风险惩罚系数，值越大则表示决策者对与损失越敏感；
45、概率比重函数选择使用prelec函数：
46、
47、其中α为可能性扭曲参数，该值越小，对可能性的影响越大，即越偏离理性，pi为病人转运成功的概率，pi∈[0,1]，如果对于该病人救治失败则产生额外惩罚d；
48、单个病人救援成功是指对于不同伤情的病人给予其相应的救护资源，救治失败是指病人并没有获得相对应自己等级的救护资源，救援成功和失败的表达模型具体如下：
49、esuccess＝etransoprt+etreatment (18)
50、
51、对于救援失败的病人，会对单体适应度函数给予惩罚，其中d代表惩罚值，etransport代表救护车由上一个救治点到达该救治点的耗时，efalse代表在该救援失败病人处所消耗的总代价，etreatment代表该病人现场救治时间和送往医院或救护站耗时之和，elocal_treatment代表一般伤患现场救治的耗时，对于一般病患若是救援失败则采用就地治疗的方案，estation_treatment代表重伤伤患采取救护站救护方式的耗时，对于重伤患者若是救援失败则采用流动救护站的医疗方案，dr表示重伤患者搬运至救护车耗时，etransport_station表示重伤患者运送至救护站的耗时；
52、前景理论包括前期编辑和后期估值两个阶段，编辑价值公式和概率比重公式后决策者会对期望进行估值来选择，期望的全部价值可以用两个主观度量决策权重π和v来表达：
53、v(x1,p1；x2,p2)＝π(p1)v(x1)+π(p2)v(x2) (20)
54、通过上述的公式(16)(17)，可以得出前景值的数学表达式，具体如下所示：
55、v＝π(pi)v(esuccess)+π(1-pi)v(efalse) (21)
56、最后可以得到目标优化函数如下：
57、
58、
59、进一步的，步骤第2.1中选择使用基于小生境的遗传变异算法，小生境指在特定环境中的某种生存环境，通过使用基于共享机制的小生境技术调整小生境中个体适应度从而保证种群的多样性，个体适应度则是通过反映个体相似度的共享函数来获得；
60、共享函数可以表示个体间的相似程度，共享函数记为s(dij)，dij用以表示个体i与个体j之间的距，其中个体与其他个体对应的适应度计算公式如下：
61、
62、如上述公式所示，s(dij)代表个体i与个体j之间的共享函数值，σshare代表小生境半径，用以判别个体是否属于小生境范围，共享函数值同个体间的相似程度成正比；
63、通过上述公式得知每个个体同其他个体的共享函数值后进一步计算出共享度si：
64、
65、如上述公式si为个体i与其他所有个体的共享函数值和，其中m代表个体总数；
66、在得出个体的共享度之后，需要调整个体适应度，调整公式如下：
67、
68、f'i(x)代表调整后的个体适应度，fi(x)代表原个体适应度，个体共享度si与个体间相似程度成正比，调整后的f'i(x)与个体间相似程度成反比，借助上述调整公式减少了多数个体数量，增加了少数个体的数量，从而达到了维持种群多样性的目的；
69、基于小生境的遗传变异算法nbga具体步骤如下：
70、步骤一：初始化，设置遗传参数，生成初始群体；
71、步骤二：计算种群中所有个体的适应度；
72、步骤三：执行遗传操作，即选择算法、交叉选择、变异运算；
73、步骤四：完成个体共享度的计算；
74、步骤五：根据个体共享度重新计算每个个体的适应度；
75、步骤六：对子代和父代的适应度大小进行比较；
76、步骤七：用高适应度子代替换低适应度父代个体，形成新的种群；
77、步骤八：满足终止条件则输出计算结果，否则返回步骤三。
78、步骤第2.2中选择使用量子粒子群优化算法，粒子群算法作用原理为初始化一个个粒子，设定一个初始速度后朝着某个方向进行移动，每个粒子在移动过程中搜索到的适应度值最低的解即个体最优解，记为pbest，所有粒子的最优解则被称为全局最优解，记为gbest；
79、在基本粒子群算法中，粒子通过给定的公式按照一定速度朝着目前的最优解的大致方向进行移动，随着迭代次数的增加全局粒子很容易朝着同一个方向进行移动从而陷入局部最优，为克服算法容易陷入局部最优的缺陷，提出了量子粒子群优化算法qpso，量子粒子群优化算法中每个粒子都具有量子行为，并以量子力学中的delta势阱理论为基础，基础粒子群算法中每个粒子的速度总是受到限制，搜索空间难以覆盖整个可行解空间，而增加了量子特性的粒子可以在整个可行解空间进行探索，qpso算法通过波函数来描述粒子状态并求解薛定谔方程进而获得粒子在空间中某一点出现的概率密度函数，最后通过蒙特卡罗特随机模拟的方式得到粒子的位置方程，位置更新方程如公式(26)所示：
80、
81、u＝random(0,1)
82、ω＝random(0,1)
83、xi(t+1)表示粒子经过公式更新后的位置，β代表扩张系数，pop表示种群规模，即粒子的总数量，mbest表示粒子种群的平均适应度值；
84、使用适应度方差来衡量粒子的聚集状态，具体的方差计算公式如下：
85、
86、fi代表路径对应的适应度函数值，m代表个体总数，favg表示平均适应度，f为归一化因子，设定方差收敛阈值c，方差小于c时则通过小生境遗传策略来进行下一步搜索。
87、步骤第2.3中使用基于小生境遗传策略的量子粒子群优化算法，具体步骤如下：
88、步骤一：参数初始化，使用均匀概率分布函数初始化问题空间中随机位置的粒子群；
89、步骤二：通过目标函数计算粒子适应度；
90、步骤三：将每个粒子的当前适应度值与个体历史最优pbest进行比较，若是当前粒子的适应度值优于粒子历史最优解则更新pbest；
91、步骤四：将本次迭代粒子种群的全局最优解与粒子种群的历史全局最优解gbest进行比较，若本代种群的适应度值优于历史全局最优解gbest则更新；
92、步骤五：根据公式(26)更新粒子位置；
93、步骤六：查看是否达到目标迭代次数，若未达到则返回步骤二；
94、步骤七：通过公式(27)衡量粒子的聚集状态，若方差值小于给定的阈值则通过小生境遗传策略来进行下一步搜索，重复执行步骤八到步骤十若干次；
95、步骤八：执行遗传操作，即选择算法、交叉选择、变异运算；
96、步骤九：完成个体共享度的计算，根据个体共享度重新计算每个个体的适应度；
97、步骤十：用高适应度子代替换低适应度父代个体，形成新的种群。
98、本发明的优点和积极效果：
99、本发明主要设计了一种基于前景理论框架的救护车路径规划方法，通过将前景理论融入到救护车路径规划模型中从而建立了一个基于前景理论框架的救护车路径规划模型，对于现实世界中人们在决策过程中产生的盈利时的风险回避心理和产生损失时的风险喜好心理，本发明选择使用tversky和prelec函数来进行仿真，通过将此函数模型融入到原目标函数从而得到了本章的新的目标函数。为了解决该问题本章提出了基于小生境遗传策略的量子粒子群优化算法，针对量子粒子群算法后期搜索能力下降的缺点，引入小生境遗传算法的寻优策略，最终通过实验证明nbqpso算法对解决该模型问题有着出色表现。
1.一种基于前景理论框架的救护车路径规划方法，其特征在于该方法主要包括如下步骤：
2.如权利要求1所述的基于前景理论框架的救护车路径规划方法，其特征在于，步骤第1.1中建立了目标函数，目标函数如下：
3.如权利要求1所述的基于前景理论框架的救护车路径规划方法，其特征在于，步骤第1.2中建立约束模型的方法如下：
4.如权利要求1所述的基于前景理论框架的救护车路径规划方法，其特征在于，步骤第1.3中建立了前景理论模型，具体模型用价值函数和概率比重函数表示，
5.如权利要求1所述的基于前景理论框架的救护车路径规划方法，其特征在于，步骤第2.1中选择使用基于小生境的遗传变异算法，小生境指在特定环境中的某种生存环境，通过使用基于共享机制的小生境技术调整小生境中个体适应度从而保证种群的多样性，个体适应度则是通过反映个体相似度的共享函数来获得；
6.如权利要求1所述的基于前景理论框架的救护车路径规划方法，其特征在于，步骤第2.2中选择使用量子粒子群优化算法，粒子群算法作用原理为初始化一个个粒子，设定一个初始速度后朝着某个方向进行移动，每个粒子在移动过程中搜索到的适应度值最低的解即个体最优解，记为pbest，所有粒子的最优解则被称为全局最优解，记为gbest；
7.如权利要求1所述的基于前景理论框架的救护车路径规划方法，其特征在于，步骤第2.3中使用基于小生境遗传策略的量子粒子群优化算法，具体步骤如下：
