混合算法在车辆路径优化问题中的应用

合集下载

混合蚁群算法在车辆路径问题中的应用

、
Ａｐｌａｉｎ０ｂｉｔＣｏｏｙＡｌｏｉｍｐｉｔｏｆＨｙｒｄＡｎｌｎｇｒｔｃｈ
ｉｈｃｅＲｏｔｎｏｌｍｎＶｅｉｌｕｉｇＰｒｂｅ
．
ＺＨＡＮＧａ，ＡＮＧｉｎ－ｉｇＸｉｏＷＪａｇｑｎ
［ｓｒｃ］ＡｎｌｎｇｒｈＡＣｈｓｏｈｒｃｍｉｇｕｈａｓｌｗｃｍｐｔｇｓｅｄａｄｉｉｅｓａｃｌｐｉ１ＢｓｄＡｂｔａｔｔｏｙＡｌｏｉｍ（Ａ）ａｍｅｓｏｔｏｎｓｃｓｔｓｏｕｉｐｅ，ｎａｙｔｆｌｉａｏａｏｔ．ａｅＣｏｔｓ — ｓｉｏｎｔｓｏｌｎｌｍａ
ｓｌｔｎｓｃｎｍｐｏｅｈｌｂｌａｉｉｆｔｅａｇｒｔｍｙｉｏｔｎｕａｉｎｏｅａｏ，ｏｔｚｓｔｅｓａｅｏｔｍａｏｕｉｎｆｒｈｒｂｏｕｉｐａｅａｄｉｒｖｓｔｅｇｏａｂｌｔｏｈｌｏｈｏｙｉｂｍｐｒｉｇｍｔｔｏｐｒｔｒｐｉｅｔｇｐｉｌｓｌｔｕｔｅｙｍｉｈｏ
变异算子增强算法的全局搜索能力，采用２ｐ法优化阶段最优解的子路径。通过对信息素的挥发因子进行动态调整，从而有效控制信息－ｔｏ量的变化速度。实例仿真结果表明，该算法具有较好的求解效率和寻优效果。
关健词：车辆路径问题；混合蚁群算法；变异算子；线路改进；动态规划
（ｃｏｌｆｏｕｅｃｅｃ，ｏｔ—ｅｔｌｎｖｒｉｒｔｎｌｉｓＷｕａ３０４ＣｉａＳｈｏｍｐｔＳｉｎｅＳｕｈｃｎｒｉｅｓｙｆｉａｉｅ，ｈｎ０７，ｈｎ）ｏＣｒａＵｔｏＮａｏｔ４

基于混合遗传算法的车辆路径问题

基于混合遗传算法的车辆路径问题作者：刘超来源：《城市建设理论研究》2013年第32期摘要：遗传算法可以很好的解决路径选择问题，但简单的遗传算法存在过早收敛问题。

在自然界中远亲交配具有更好的遗传优势，本文据此理论改进车辆路径选择问题中的遗传算法，提高求解性能。

关键词：混合遗传算法；车辆路径选择，远亲交叉策略中图分类号：U27文献标识码：A遗传算法简称GA(Genetic Algorithm)是一种模拟自然界中遗传和选择机制的寻找最优解的方法。

他的基本原理源自达尔文的生物进化论和盂德尔的基因学说。

遗传算法模拟自然界的遗传，变异和进化法则，逐步修订解决问题的方案使之接近完美。

遗传算法的优势在于将搜索过程作用在编码后的字符串上．不直接作用在优化问题的具体变量上，这样可以绕过复杂的数学推演而采用最直接的方式在有限的结果集中搜索更优的结果。

遗传算法通过设定一个初始种群，即一个预设的结果。

并对这个初始种群进行基因突变和杂交，留下好的基因，改变不好的基因，使种群不停的进化，最后得到一组最优的或趋进于最优的结果，给人更大的选择余地。

遗传算法有很好的易修改性和可并行性，在处理大规模复杂问题上更有优势。

但普通的遗传算法存在“早熟”问题，即容易收敛于局部最优解，在自然界中远亲交配具有更好的遗传优势，本文据此理论改进车辆路径选择问题中的遗传算法，并以有车载限制单配中心VRP的求解加以说明。

这种交叉策略虽然使遗传算法的收敛速度稍有减缓，但使算法具有很好的求解性能。

具体步骤如下：(1)混合遗传算法的编码规则应用遗传算法求解的首要问题是对所求问题解的编码。

一个解的编码称为一个染色体，组成编码的元素称为基因。

混合遗传算法采用路径编码方法。

每个染色体由区间「1,m+n-1」中互不相同的自然数序列构成，其中n为客户数目，m为运输车数量，前面1～n为客户编号，n+1～n+m-1表示配送中心。

例如，若有3辆运输车和12个客户，则一个染色体为{2,1,3,13,5,4,6,10,14,8,7,9,11,12}，其中13，14表示配送中心以区分开3辆车所运输的客户编组。

基于混合集合规划的车辆路径优化

【摘要】使用自然约束语言ＮＬ车辆路径优化问题进行建模。用混合集合规划可以方便地描述问题中的复杂约束与目Ｃ对
标。最后对带有时间窗口的取货送货问题的算例进行了求解。
【关键词】车辆路径优化；然约束语言；自混合集合规划；间窗口；时取货送货
送中心出发，有序地通过它们，后返回配送中心，在满足最并
一
定的约束条件下（：如车辆容量限制、驶里程限制、间限行时制、客需求量、发货时间窗口等）达到一定的目标（顾交，如路大多数车辆路径优化问题都是ＮＰ难解的，即不存在多项
【中国分类￣］２４；４．Ｆ２．Ｆ０３０５３［文献标识码】Ａ【文章编－］０ — ５Ｘ２０）７０７ — ３￣１５１２（０９０ — １１０－０
ＶｅｉｌｕｎｔｚｔｏｓｄｏｉｅｅｏｒｍｍｉｇｈｃｅＲｏｔｇＯｐｍｉａｎＢａｅｎＭｘｄＳｔｉｉｉＰｒｇａｎ
要考虑的因素较多，企业提高服务质量、对降低物流成本、增加经济效益的影响也较大。在现实生产和生活中，邮政投递问
题、公共汽车调度问题、电力调度问题、管道铺设问题、算机计网络拓扑设计问题等都可以抽象为车辆路径优化问题。
车辆路径优化问题的一般描述是：对一系列给定的客户（送货点或取货点）确定适当的配送车辆行驶路线，，使其从配
ｕｇｆＬｔｓｖｕｔｏｊｃｉｅｉｅｍｕｉｒｂｅｗｔｃｍｐｅｎｔｉｓＴｌｓａｅｈｔｄｔａｅｅｅｔａｓｕｒｎＣｌｅｍｌ— ｂｅｔｅｖｈｃｔｇｐｏｌｉｏｌｘｏｓａｔ．ｏｉｕｔｔｅｍｅｏ，ｅｐｐｒｒｓｎｓｌ— ｉｏＮｏｏｉｖｌｎｍｓｈｃｒｎｌｒｔｈｈｐｏ

多车型混载低油耗车辆路径问题的混合算法.doc

多车型混载低油耗车辆路径问题的混合算法蔡芸1,2，程志文1，张利平2（1. 武汉科技大学冶金装备及其控制教育部重点实验室，武汉430081；2. 武汉科技大学机械传动与制造工程湖北省重点实验室，武汉430081）摘要：为了实现低碳运输和扩展多车型车辆路径问题求解方法，针对单车场有固定车辆数的多车型低油耗车辆路径问题，建立了以最小化车辆油耗为目标的优化模型，在模型中考虑了与油耗密切相关的车辆实载量以及混载问题；混合算法将具有整数编码的优势的遗传算法与具有觅食操作的人工鱼群算法相结合，利用觅食操作更好地优化车辆对集货点的访问顺序。

遗传算法负责车辆和集货点配对的全局搜索，而人工鱼群算法负责访问顺序的局部搜索。

算例实验结果表明：利用该模型求得的最低油耗较最短路径对应的油耗节省30%以上；在全局搜索能力上，混合算法依次比自适应遗传算法、人工鱼群算法、蚁群算法强；当问题规模变大时，其性能明显优于人工鱼群算法、蚁群算法；但加入的人工鱼群操作影响了混合算法的时效，算法混合策略还有待改进。

关键词：计算机应用；混合算法；车辆路径；车辆调度；低碳中图分类号：F224；TP301.6 文献标识码：A 文章编号：A hybrid algorithm for vehicle routing problem with multi-vehicle mixed-loading and Minimum fuel consumption CAI Yun1,2, CHENG Zhiwen1, ZHANG Liping2(1. Key Laboratory of Metallurgical Equipment and Control Technology, Wuhan University ofScience and Technology, Wuhan 430081, China;2. Hubei Key Laboratory of Mechanical Transmission and Manufacturing Engineering, WuhanUniversity of Science and Technology, Wuhan 430081, China)Abstract: To realize low-carbon transport and explore the optimization method of the multi-type vehicle routing problem, a minimum fuel consumption model is established for heterogeneous fixed fleet routing problem in a single-depot. The hybrid algorithm combined a genetic algorithm，which is good at handling integer coding，with an artificial fish swarm algorithm whose prey operation is helpful to optimize vehicle arrival sequence of collection nodes. Genetic algorithm was responsible for the overall search of matching vehicles with collection notes, while artificial fish swarm algorithm was responsible for local search of vehicle arrival sequence. For a test case, computational experimental results show that: the minimum fuel consumption in the above model is 30% less than that in a model of the shortest path problem. The global searching ability of the hybrid algorithm is stronger than adaptive genetic algorithm, artificial fish swarm algorithm and ant colony algorithm successively. Its performance is superior than artificial fish swarm algorithm and ant colony algorithm when the scale of the problem becomes larger, but the added operation of artificial fish swarm algorithm increases the time consumption of the hybrid algorithm, hybrid strategies of algorithms need to be improved.Key words: computer applications; hybrid algorithm; vehicle routing; vehicle scheduling; low carbon0引言中国政府承诺到2030年，单位国内生产总值的二氧化碳排放量比2005年下降60%～65%。

群智能混合优化算法及其应用研究

群智能混合优化算法及其应用研究一、本文概述随着技术的飞速发展，群智能优化算法作为一种新兴的启发式优化技术，正受到越来越多的关注。

本文旨在深入研究群智能混合优化算法的理论基础、实现方法以及其在各个领域的应用。

文章首先介绍了群智能优化算法的基本概念和发展历程，分析了其相较于传统优化算法的优势和挑战。

随后，文章详细阐述了群智能混合优化算法的设计原理，包括算法的基本框架、关键参数设置以及算法性能评估等方面。

在此基础上，文章进一步探讨了群智能混合优化算法在多个领域中的应用案例，如机器学习、图像处理、路径规划等，以验证其在实际问题中的有效性和可行性。

本文的研究不仅有助于推动群智能优化算法的理论发展，也为解决复杂优化问题提供了新的思路和方法。

二、群智能优化算法理论基础群智能优化算法，作为一种新兴的启发式搜索技术，近年来在优化领域引起了广泛关注。

其核心思想源于自然界中生物群体的行为特性，如蚂蚁的觅食行为、鸟群的迁徙模式、鱼群的游动规律等。

这些生物群体在寻找食物、避免天敌等过程中，展现出了惊人的组织性和智能性，成为了群智能优化算法的理论基础。

个体与群体：每个算法中的个体代表了一个潜在的解，而群体的集合则代表了搜索空间的一个子集。

个体的行为受到群体行为的影响，通过群体间的信息交流和协作，实现解的优化。

局部搜索与全局搜索：群智能优化算法通过个体在搜索空间中的局部搜索行为，结合群体间的信息共享，能够在一定程度上避免陷入局部最优解，从而增强全局搜索能力。

自适应与自组织：群体中的个体能够根据环境变化和搜索经验，自适应地调整搜索策略和行为方式。

这种自组织特性使得算法在面对复杂优化问题时具有更强的鲁棒性。

正反馈与负反馈：在搜索过程中，群智能优化算法通过正反馈机制，将优秀个体的信息传递给其他个体，加速搜索进程；同时，负反馈机制则帮助算法避免重复搜索无效区域，提高搜索效率。

群智能优化算法的代表包括粒子群优化（PSO）、蚁群算法（ACO）、人工鱼群算法（AFSA）等。

物流配送中车辆路径问题的混合算法的研究的开题报告

物流配送中车辆路径问题的混合算法的研究的开题报告一、选题的背景和意义随着电商购物的普及和物流业务的不断扩张，物流配送系统已经成为了现代城市生产和居民生活中最重要的基础设施之一。

物流配送过程中，车辆的路径规划问题一直是研究的热点之一。

如何在保证配送时间、减少运输成本等多方面考虑的前提下，合理地制定车辆配送路线，优化物流配送系统，成为了当前的研究重点。

因此，开展物流配送中车辆路径问题的混合算法的研究，对于提高物流配送系统的效率和成本控制意义重大。

二、研究的内容和目标本课题旨在研究针对物流配送中的车辆路径规划问题，采用混合算法来求解最优解的方法，主要研究内容包括：1.研究基于优化算法的物流配送中车辆路径规划方法，包括遗传算法、模拟退火算法、蚁群算法等优化方法。

2.针对物流配送系统的实际情况，考虑时间窗口约束、容量约束等多种约束条件，构建适合的数学模型。

3.将不同的优化算法进行优劣比较，找到最优解，并在实际的物流配送系统中进行验证。

本课题的研究目标是，通过混合算法的研究，能够实现物流配送中车辆路径规划问题的优化，提高物流配送效率，减少配送成本，提高物流配送系统的整体竞争力。

三、可行性分析目前，国内外对于物流配送中车辆路径规划问题的解决方案研究已经比较成熟，优化算法在该领域的应用已经得到了广泛的验证，因此本课题的可行性较高。

此外，在现代城市的发展中，物流配送系统的建立已经成为重点工作之一，具有较大的实际应用价值。

因此本课题的研究不仅能够提高物流配送系统自身的效率和竞争力，同时也具有较大的社会、经济价值。

四、研究方法本研究将采用混合算法的方法进行物流配送中的车辆路径问题求解，主要分为以下几步：1.收集物流配送系统的数据，包括货物数量、车辆数量、配送站点以及约束条件等参数，建立数学模型。

2.基于优化算法，如遗传算法、模拟退火算法、蚁群算法等进行模型求解。

3.将不同的优化算法进行优劣比较，并选取最优解。

4.在实际物流配送系统中验证并改进算法。

混合遗传算法在运输路径问题中的应用

海洋里。
许多教师和学生并不具备在网上良好书写日志
的习惯．因而短时间内很难形成一个颇具规模的教育博客群，难形成良好的学术氛围。很
５结束语
Ｂｏ作为一种新技术．的交流方式．的网络文ｌｇ新新化．管还不很成熟．在教育中已得到越来越多的关尽但注和认可而ＭＳ无论是作为一门学科还是作为一种Ｉ
中图分类号：２４Ｕｌ６２Ｐ２：１．
文献标识码：Ａ
文章编号：０６４ｌ（０７０一１１０１０ — ３１２０）４Ｏｌ— ３
生在网上的学习活动与学习行为．如何高绩效学习等
ＣＢｏ上所说的．中国还不是一个善于书写的国度Ｎｌｇ “
维普资讯
ＶａｅＥｇｎｅｉｇＮ．，０ｌｎｉｅｒｏ２７ｕｎ４０
价值工程２００７年第４期
混合遗传算法在运输路径问题中的应用
ＴｈｓａｃｆＨｙｒｄＧｅｅｉｇｒｔｍｅＲｅｅｒｈｏｂｉｎｔｃＡｌｏｉｈ
摘要：建立物流运输优化的数学模型，构造求解该问题的遗传算法。通过分析和比较几种混合遗传算法，高运输车辆来提
路径优化问题的求解效率并可优化解的质量。

基于混合遗传算法的车辆路径问题

禁忌搜索算法嵌入到遗传算法中的变异操作与最优解判定之间，以有效地避免遗传可算法易出现 “ 熟” 敛的问题．然后，别用混合遗传算法和遗传算法对同一实例进早收分
ቤተ መጻሕፍቲ ባይዱ
行求解，并对求解结果进行对比分析．结果表明该混合遗传算法的求解结果比遗传算
ｗｔｅｅｉｇｒｈｄｔｅｈｂｉｅｅｉａｇｒｍ，ａｄｃｍａｅｈｉｓｌｔｎ．ｈｅｕｔｄｃｔｔａｔｅｉｇｎｔａｏｔｍａｙｒｇｎｔｌｏｔｈｃｌｉｎｈｄｃｉｈｎｏｐｒｓｔｅｏｕｉｓＴｅｒｓｌｉｉａｅｈｔｈｒｏｓｎｈｂｄｇｎｔｇｒｍａｅｅｏｖｒｅｃａ，ａｄｉｏｕｉｎｉｍｕｈｃｏｅｐｉｌｏｔｎ．ｙｒｅｅｉａｏｔｈｓｂＲｒｃｎｅｇｎｅｒｔｎｔｓｌｔｃｌｓｒｔｏｔｌｉｉｃｌｉｈｅｓｏｓｏｍａｓｕｏＫｅｒｓｖｈｃｅｒｕｉｇｐｏｌｍ；ｐｅｔｒ；ｈｂｉｅｅｉａｇｒｍ；ｃｎｅｇｎｅｙｗｏｄ：ｅｉｌｏｔｒｂｅｎｒｍａｕｅｙｒｇｎｔｏｔｄｃｌｉｈｏｖｒｅｃＣｕｅ：ＬＣｎｍｂｒＵ７２
ｓｌｅｖｈｃｅｒｕｉｇｐｏｌｍ，ｗｉｈｃｎｉｓｏｅｅｉａｇｒｍａｄｔｂｅｒｈａｇｒｍ．Ｔｅｋｙｏｅｈｂｄｏｖｅｉｌｔｒｂｅｏｎｈｃｏｓｓｆｎｔｌｏｔｎｕｓａｃｏｔｔｇｃｉｈａｌｉｈｈｅｆｙｒｈｔｉｇｎｔｌｏｉｍｎｅｉｇｔｂｅｒｈａｇｒｈｔｔｔｎｏｅａｏｎｈｔｎｄｔｉａｉｎｏｅｅｉ — ｅｅｃａｇｒｉｈｔｉｉｓｒｎｕｓａｃｏｔｍｉｏｍｕｉｐｒｔｎａｄｓｉｅｅｎｔｆｎｔａｓｔａｌｉｎａｏｉｂｏｍｒｏｇｃｌ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＫＥＷＯＲ：ｅｉｅｒｕｉｒｂｍ（Ｒ）Ａｔｏｏｙａｏｉｍ；ｐｉｚｔｎＹＤＳＶｈｃｏｔｇｐｏｌＶＰ；ｎｃｌｎｌｒｈＯｔａｏｌｎｅｇｔｍｉｉ
中图分类号：Ｐ８Ｔ１３文献标识码：Ｂ
ＡｐｐｉａｉｎｏｂｒｄＡｌｏｉｈｎＶｅｉｌｕｔｎｇＰｒｂｅｌｃｔｏｆＨｙｉｇｒｔｍｉｈｃｅＲｏｉｏｌｍ
ＣＨＥＮｎ，ｎ－ｍｅＹｉＸＵＨｏｇｉ
摘要：研究车辆路径优化问题，物流配送不仅要求配送及时，而且要求运输成本低，且路径最优。车辆路径优化是解决物流
配送效率的关键，传统优化方法寻优效率低，耗时长，以得到车辆路径最优解，难导致物流配送成本过高。为了提高车辆路
径寻优效率，降低物流配送成本，提出一种混合算法的车辆路径优化方法。首先建立车辆路径优化数学模型，然后用遗传算法快速找到问题可行解，再将可行解转换成蚁群算法的初始信息素，最后采用蚁群算法从可行解中找到最优车辆路径。仿真结果表明，混合方法提高车辆路径寻优效率，有效地降低物流配送成本。关键词：车辆路径问题；蚁群算法；优化
（ｉｈａｏａｏａ＆ＴｃｎｃｌｏｌｅＳｉｉｇＳｃｕｎ６９０，ｈａＳｃｕｎＶｃｔｎｌｉｅｈｉｌｇ，ｕｎｉａ２００Ｃｉ）ａＣｅｎｈｎ
ＡＢＳＴＲＡＣＴ：ｅｅｒｈｖｈｃｅｒｕｉｇｐｏｌｍ．ＬｇｓｃｉｔｂｔｏｅｕｒｓｔｅｔｌｅｉｅｙａｄｌｗｔｎｐｒａＲｓａｃｅｉｌｏｔｒｂｅｎｏｉｔｓｄｓｒｕｉｎｒｑｉｈｍｅｙｄｌｒｎｒｓｏｔ — ｉｉｅｉｖｏａｔｎｃｓ，ａｄｔｅｖｈｃｅｒｕｉｇｉｔｅｋｙｔｏｖｈｏｉｉｓｄｓｒｕｉｎｐｏｌｍ．Ｔｅｔａｉｏａｏｔｚｔｎｉｏｔｎｈｅｉｌｏｔｓｈｅｏｓｌｅｔｅｌｇｓｃｉｔｂｔｒｂｅｏｎｔｉｏｈｒｄｔｎｌｐｉａｉｉｍｉｏｍｅｈｄｈｓｔｅｄｆｃｓｏｗｅｒｈｎｆｃｅｃ，ｔ — ｏｓｍｉｇａｄｈｇｏｔｏｉｒｖｈｅｉｌｏｔｐｉｔｏａ・ｅｅｔｆｌｓａｃｉｇｅｆｉｎｙｉｈｏｉｍｅｃｎｕｎｎｉｈｃｓ．Ｔｍｐｏｅｔｅｖｈｃｅｒｕｅｏｔ－ｍｉａｉｎｅｆｉｎｙａｄｒｄｃｏｉｔｓｃｓ，ｔｉｐｐｒｐｏｏｅｙｒｌｏｔｍｏｅｉｌｏｔｇｏｔｚｔｎｚｔｆｃｅｃｎｅｕｅｌｇｓｉｏｔｈｓａｅｒｐｓｄａｈｂｄａｇｒｈｆｒｖｈｃｅｒｕｉｐｉａｉｏｉｃｉｉｎｍｉｏｍｅｈｄｔｏ．Ｆｒｔｉｌｓｙ，ｖｈｃｅｒｕｉｇｍａｈｍａｉａｄｌｗｓｅｔｂｉｈｄ，ａｄｔｅｅｅｉｌｏｔｍｓｕｅｏｆｄａｅｉｌｏｔｔｅｔｌｍｏｅａｓａｌｅｎｃｓｎｈｎｇｎｔａｇｒｈｗａｓｄｔｎｃｉｉｆａｉｌｏｕｉｎｑｉｋｙｈｎｔｅｓｌｔｎｗｓｃｎｅｔｄｉｔｅｉｉａｈｒｍｏｅｏｎｏｏｙａｇｒｈｅｓｂｅｓｌｔｕｃｌ．Ｔｅｈｏｕｉａｏｖｒｎｏｔｎｔｌｅｏｎｆｔｃｌｎｏｔｍ．Ｆｎｌｏｏｅｈｉｐａｌｉｉａｙ，ｌａｔｃｌｎｌｏｔｍｓｕｅｏｆｄｔｅｏｔｌｓｌｔｎｆｍｈｅｓｂｅｐｔ．Ｔｅｓｍｕａｉｎｒｓｌｈｗｈｔｎｏｏｙａｇｒｈｗａｓｄｔｎｈｐｉｏｕｉｒｉｉｍａｏｏｔｅｆａｉｌａｈｈｉｌｔｅｕｔｓｏｔａ，ｏｓｃｍｐｒｄｗｔｔｅｐｉｚｔｎｍｅｈｄ，ｔｅｐｏｏｅｔｏａｍｐｏｅｖｈｃｅｒｕｉｇｏｔｚｔｎａｄｒｄｃｏａｅｉｏｈｒｏｔｈｍｉａｉｔｏｓｈｒｐｓｄｍｅｈｄｃｎｉｒｖｅｉｌｏｔｐｉａｉｎｅｕｅｏｎｍｉｏｔｅｃｓｏｏｉｉｓｄｓｂｔｎｅｆｃｉｅｙｈｏｔｆｇｓｃｉｔｕｉｆｔｌ．ｌｔｉｒｏｅｖ
第２卷第５９期
文章编号：０６９４（０２０ — ３６０１０ — ３８２１）５０５ — ４
计
算
机
仿
真
２２月０车辆路径优化问题中的应用
陈印，红梅徐
（Ｉ四Ｊ职业技术学院，ｉ四川遂宁６９０２００）