CN104331743B - 一种基于多目标优化的电动车辆出行规划方法 - Google Patents
一种基于多目标优化的电动车辆出行规划方法 Download PDFInfo
- Publication number
- CN104331743B CN104331743B CN201410534280.4A CN201410534280A CN104331743B CN 104331743 B CN104331743 B CN 104331743B CN 201410534280 A CN201410534280 A CN 201410534280A CN 104331743 B CN104331743 B CN 104331743B
- Authority
- CN
- China
- Prior art keywords
- ant
- trip
- rightarrow
- node
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明公开一种基于多目标优化的电动车辆出行规划方法,总体分为:1)建立出行规划问题模型,2)驾驶员提供出行信息,3)基于赋时多目标蚁群优化算法求解最优方案。问题模型包括路网模型、车辆模型、出行目标与出行约束定义。出行信息分为未提供任何信息、提供约束信息、提供优化目标与约束信息。蚁群优化算法包括信息素初始化、计算路线转移概率、搜索出行方案、确定空调的使用、出行方案排序、信息素更新、循环优化的步骤。本发明利用动态随机路网模型描述交通环境并规划电动车辆的出行,能够反映不同出行方案所对应的各目标特性;利用蚁群优化算法保证随着迭代次数的增加,产生多目标多约束下的电动车辆优化出行方案。
Description
技术领域
本发明涉及车辆的自动出行规划技术,特别是一种基于多目标优化的电动车辆出行规划方法。
背景技术
近年来,为应对城市环境污染的加剧恶化,以及化石燃料储备的日益匮乏等问题,清洁环保的纯电动车辆正日益受到各个汽车厂商与驾驶员的认可。然而,由于电动车辆存在动力电池比能量低、行驶里程不足、电池循环寿命有限等问题,导致驾驶员对电动车辆能否到达目的地缺乏信心,并且对如何制定合理的出行方案存在困扰。同时充电站等配套设施尚不普及,也使得电动车辆的出行变得困难。因此制定一种合理的出行方案,优化出行路线,满足驾驶员的驾驶需求,对于电动车辆出行有很大的帮助,将有利于电动车辆在社会中的广泛使用。
发明内容
针对现有技术状况,本发明的目的是提出一种基于多目标优化的电动车辆出行规划方法,以解决充电站的匮乏以及电池能量有限,驾驶员担心达不到目的地的问题。
为实现上述目的,本发明采取以下技术方案:
一种基于多目标优化的电动车辆出行规划方法,分为如下步骤进行:
1)建立出行规划问题模型,
2)驾驶员提供出行信息,
3)基于赋时多目标蚁群优化算法求解最优出行方案;
其中,出行规划问题模型的建立,包括(1)含充电站信息的路网模型建立、(2)车辆模型建立、(3)出行目标与出行约束定义:
(1)含充电站信息的路网模型是根据城市内道路拓扑结构进行简化而建立,建立方法是:定义动态随机路网模型为G=(V,γ,P,T,φ),V={a,b,...,n}为路网中节点集合,共有|V|个节点,为路网中的有向边集,代表路段的长度,代表路段的坡度;设路网模型中|V|个节点中存在P个节点建设有充电站,设每个充电站有Cw个充电等级;T是时间区间{(t0+hδ,t0+(h+1)δ)}的集合,其中t0是初始时刻,h=1,2,3,...,H,δ为单位时间间隔;φ代表路网中平均通行速度的概率集合,包括各路段平均通行速度处于各种可能状态的概率分布,当车辆到达路网中某路段的 时刻处于同一时段内时,则视为通过该路段的平均通行速度均服从此时段对应的速度概率分布特性;
根据地理信息系统获知城市内路网中的各交叉路口、各路段的位置坐标,以及各交叉路口和各路段间的连接关系,定义交叉路口为节点,每条通行路段为边;根据交通管理中心统计多天中的各路段在各时段中的平均通行速度,计算各路段在各个时段内的平均通行速度值的均值与方差,用以描述各路段平均通行速度处于各种可能状态的概率分布;
(2)车辆模型包括了车辆当前剩余能量、车辆消耗能量、车辆充电能量计算,所述能量指电能量;
(3)出行目标与出行约束定义包括了出行目标制定和出行约束条件制定;
其中,驾驶员提供的出行信息,分为(1)驾驶员未提供任何信息,此时定义出行目标数目L为1,仅考虑交通环境约束,进行单约束下的单目标优化,(2)驾驶员只提供约束信息,此时L为1,考虑多种约束条件,进行多约束下的单目标优化,(3)驾驶员提供优化目标与约束条件相结合的信息,此时L为驾驶员所提出的目标的个数,考虑多约束条件,进行多约束下的多目标优化;
其中,基于赋时多目标蚁群优化算法求解最优出行方案,包括(1)信息素初始化、(2)计算路线转移概率、(3)搜索出行方案、(4)确定空调是否使用、(5)出行方案排序、(6)信息素更新几个基本步骤,以及循环(2)~(6)的步骤,直至推荐出优化的出行路径及路径上的通行速度、空调的使用状态,具体求解过程如下:
(1)信息素初始化:
在进行首次搜索前,需要为路网模型初始化信息素值,定义从当前节点向下一状态转移的初始化信息素值如下:
其中:
p∈V,q∈Rp,m=1,2,...,Cw,l=1,2,...,L
th∈T,h=1,2,...,H
代表任一节点p在时段th内,目标l所对应的向下一状态转移的信息素值,|Rp|代表节点p的邻接节点的数目,Cw为每个充电站的充电等级;
定义行驶过程中的推荐通行速度的初始化信息素值如下:
其中:
s=1,2,...,VK
th∈T,h=1,2,...,H
(2)计算路线转移概率:
定义一个由s个称为蚂蚁的搜索者组成的群体,设第k只蚂蚁在搜索过程中,在当前节点p转移到下一状态时,选择概率的大小是根据在时段th内的各个目标的路段上及充电站上的信息素值来定义的:
同样,在确定状态转移是移动到邻接节点的情况下,推荐该路段的出行速度选择概率是根据时段th的路段上各目标的推荐速度信息素值定义的:
其中,L代表待优化的目标数目,这一数目与驾驶员所提供的输入信息有关,当驾驶员没有提供任何优化目标信息,L为1;
当驾驶员提供了优化的目标信息,就利用所提供的目标信息进行多目标优化,代表了在时段th从节点p到q+m状态的目标l所对应的信息素,ηp(q+m)(th)代表了在时段th从节点p到q+m状态的所对应的启发信息,代表了在时段th通过路段时,目标l对应的推荐速度为Vs时的信息素值,α代表在搜索过程中,蚁群对于信息素的权重大小,β代表搜索过程中,蚁群对于启发信息的权重大小;代表了第k只蚂蚁对于第l个目标的搜索偏好,Xant代表粒度,自定义,这个量与人们想要以多大的精度来区分各个蚂蚁的搜索偏好有关,搜索偏好满足以下 条件:
(3)搜索出行方案:
设第k只蚂蚁从起点i在时刻t0出发进行搜索,到达目的地j,设任一节点p的邻接节点集为Rp,则存在两种情况:
如果节点p为非充电站节点,在时段th内任意时刻,从节点p处向邻居节点q移动的转移概率
如果节点p为充电站节点,在时段th内任意时刻,从节点p处向其他状态转移,包括两种情况:一是在此点p进行充电,包括Cw个充电等级,每个级别m对应一个充电功率Pm,m∈N;二是在从点p向邻居节点q进行转移,因此其转移概率为
根据转移概率的大小,利用轮盘赌的方式选择下一步转移状态,
当采用轮盘赌的方式选择从当前点p向下一节点q进行转移时,为该路段推荐出行速度,仍采用转移概率的方法,定义从点p到点q的各个推荐速度值的概率为 推荐速度从最小速度到最大速度共设定VK个级别,
再采用轮盘赌的方式决定路段的推荐出行速度值
到达节点q后,按上述方法重复在节点p的状态转移和推荐速度,如此反复,直到找到目的地,则该蚂蚁的出行方案包括出行路径route(antk)和推荐速度velocity(antk);
其中:
q∈V
代表路段选择为是车辆进行该路段选择的时刻,以此类推,出行方案的每条路段依次连接;当出行方案选择在节点q处进行充电时,则定义车辆停留在该节点,所示,车辆在节点q停留充电,做出此选择的时刻是设路网中的节点i与节点j共有K条路径,设第k只蚂蚁搜索到的路径共有个组成部分,各个组成部分由来表示,代表通行该路径的第z步动作,这一步动作可表达两种含义,既可表示车辆通过某路段,也可表示这一步是车辆在某节点处进行停留充电,
其中:
q∈V
代表在路段上的推荐通行速度值为当出行方案选择在节点处进行充电时,则定义出行速度值为零;
在每个节点向下一状态进行转移的时候,包括两种情况:当从一个节点向下一个节点进行转移时,两状态的时间间隔为行驶时间:
当在当前节点p进行充电,不向其他节点转移时,两状态的时间间隔为在该节点的等待时间与充电时间之和,其中节点p对应于第a个充电站:
为该充电站的等待时间,为该充电站的充电时间;
重复以上步骤得到了所有蚂蚁的出行方案,包括了出行路径集与推荐速度集;
(4)确定空调是否使用:
在空调运行的每个循环周期ε中,需要判断R(n)取值,R(n)取值为0或1,以决定空调是否工作,决策算法也是采用赋时多目标蚁群优化方法:
设第k只蚂蚁从时刻t0开始进行搜索,每个循环周期ε的转移概率定义为和和分别代表了第k只蚂蚁在第n个循环周期Rk(n)选择为1或0的概率;
初始化概率和各占50%,n=1,2,...,N;利用轮盘赌的方式决定各个周期的Rk(n)取值;
(5)出行方案排序:
如果驾驶员没有提供目标信息,则分别利用出行时间最短和行驶距离最短作为目标;如果驾驶员提供了优化目标信息,根据所选目标集作为优化目标,然后评价任意两个蚂蚁所对应的出行方案,具体情况分为3种:
(5.1)蚂蚁k对应的出行方案是可行解,蚂蚁q对应的出行方案是不可行解,在这种情况下,蚂蚁k的出行方案优于蚂蚁q的出行方案,
(5.2)蚂蚁k与蚂蚁q对应的出行方案都是可行解,具体分为两种情况:
情况1):当蚂蚁k对应的各目标都不差于蚂蚁q所对应的各目标,说明蚂蚁k优于蚂蚁q;
情况2):当蚂蚁k对应的各目标并未全部优于蚂蚁q对应的各目标,且蚂蚁q对应的各目标也并未全部优于蚂蚁k对应的各目标,说明蚂蚁k与蚂蚁q属于同一级别;
(5.3)蚂蚁k与蚂蚁q对应的出行方案都是不可行解,此情况下,比较蚂蚁k与蚂蚁q的超过约束限制的值的大小,分为两种情况:
情况1):当蚂蚁k对应出行方案的超限值都不大于蚂蚁q对应出行方案的超限值,并且至少存在一个约束,是蚂蚁k的超限值绝对小于蚂蚁q的超限值,在这种情况下,说明蚂蚁k对应的出行方案能够更少的违反约束限制,说明蚂蚁k优于蚂蚁q;
情况2):蚂蚁k对应出行方案的各超限值没有都小于蚂蚁q对应出行方案的各超限值,同时,蚂蚁q对应出行方案的各超限值没有都小于蚂蚁k对应出行方案的各超限值,在这种情况下,说明蚂蚁k对应的出行方案与蚂蚁q对应的出行方案彼此不能分辨优劣,说明这两个蚂蚁的出行方案属于同一类别;
对所有蚂蚁进行上述评价,计算每个蚂蚁优于其他蚂蚁的数目,记为η(k),将所有η(k),k∈s值相同的蚂蚁分为一类,共分为e组,根据组值对各个组进行降序排序;
(6)信息素更新:
首先定义各个蚂蚁对应的信息素更新值,然后为各出行方案的沿途的信息素进行更新,信息素更新包括两步,信息素加强与信息素蒸发;
1)定义各个蚂蚁对应的信息素更新值
对于出行方案中排序靠前的解,让该出行方案沿途的信息素值增强幅度大,对于排序靠后的解,让该出行方案沿途的信息素值增强幅度小,
设定出行路径信息素更新权重大小为τ,空调使用信息素更新权重为τ0,出行路径的每组的权重更新大小为I(i),空调使用的每组的权重更新大小为I0(i),i=1,2,...,e:
对于同组别的解,还要根据各个解之间的距离来对该组别的信息素权重进行加权:
对于同组别中的各蚂蚁来说,如果该组别中只有一个蚂蚁k,则这个蚂蚁k的路径选择信息素更新权重Δ(k)即为该组别i的路径选择更新权重I(i),空调使用信息素更新权重Δ0(k)即为该组别的空调使用更新权重I0(i);如果该组别中有多个蚂蚁,则每个蚂蚁的信息素的更新权重需要根据该蚂蚁的解与同组内的其他解的距离大小来评价;
利用如下公式计算同组别内各个蚂蚁p和q之间的距离大小,其中代表蚂蚁p的第l个目标的目标值,代表蚂蚁q的第l个目标的目标值,代表本代搜索中第l个目标的最大值,代表本代搜索中第l个目标的最小值:
设定聚集距离参数σshare与比例系数ω值,σshare取值在0-1,ω取值在1-1.5,利用如下公式计算各组别s(i)的每个解p与同组别的其他解q在第l个目标的相对距离值,并进行加和,得到同组内聚集在每个解p的第l个目标上与周围的其他解的聚集程度
由此,可以计算每个解的信息素的更新权重大小Δ(k)和Δ0(k)下定义:
2)信息素加强
对各出行方案沿途的出行路径与推荐速度信息素和空调使用的信息素进行加强,
对于第k只蚂蚁的出行路径的信息素更新过程,如下:
其中
l=1,2,...,L
h1,h2,...,hd,...,hr∈N+
m∈N+,m≤CK
代表车辆在时到达路段算法推荐车辆在路段行驶的平均通行速度,对于第k只蚂蚁的推荐通行速度的信息素更新过程,如下:
其中
l=1,2,...,L
h1,h2,...,hd,...,hr∈N+
m∈N+,m≤CK
对于第k只蚂蚁的空调使用的信息素更新过程,如下:
其中
l=1,2,...,L
n∈N+,n≤N
对所有蚂蚁重复以上步骤,将所有蚂蚁对应的出行方案都用于信息素更新,使得本轮搜索到的解指导下一轮的搜索过程;
3)信息素蒸发
在每轮搜索结束后,需要对地图的信息素进行减弱,以避免算法过早收敛到次优解,信息素蒸发的表达式如下:
其中:
m=1,2,...,Cw
l=1,2,...,L
h=1,2,...,H
0<ρ<1
对于推荐通行速度的信息素蒸发,公式如下:
其中:
l=1,2,...,L
h=1,2,...,H
s=1,2,...,VK
0<ρ<1
对于空调使用的信息素蒸发,公式如下:
其中,
所述车辆当前剩余能量计算、车辆消耗能量计算以及车辆充电能量计算,按如下进行:
定义车辆当前剩余能量定义为EB,车辆消耗能量定义为车辆在各充电站的充电能量之和定义为
(2.1)车辆消耗能量计算,包括行驶能量消耗计算与电附件能量消耗计算两部分;
(2.1.1)车辆行驶能量消耗计算
设路网中的节点i与节点j共有K条路径,设第k条路径共有个组成部分,各个组成部分由来表示,代表通行该路径的第z步动作,这一步动作可表达两种含义,既可表示车辆通过某路段,也可表示这一步是车辆在某节点处进行停留充电,
当电动车辆通过第k条路径时,其行驶能量消耗与行驶时间消耗按如下公式计算:
其中,当代表通过某路段时,定义如下:
其中,代表路段的长度,代表车辆在时到达路段算法推荐车辆在路段行驶的平均通行速度,其中,
当车辆在某一步仅仅是停留充电时,
(2.1.2)车辆电附件能量消耗计算
车辆的电附件能量消耗定义为是指车辆的空调能耗,定义车室内舒适温度TC与空调循环工作周期为ε,每个循环周期开始时,根据R(n)的取值来判断空调是否开启,R(n)是一判定值,取值为0或1,根据出行决策时是否开启空调的愿望而定,当R(n)为1时,表示空调在本周期正常工作,工作功率为PA;当R(n)为0时,表示空调在本周期不工作;
车室内的温度建模后,则通过路径的电附件能量消耗定义如下:
R(n)∈{0,1},表示第n个周期,n=1,2,...,N
电附件时间消耗符合如下定义:
根据以上定义,即得到了电动车辆通过路径的总能量消耗
(2.2)车辆充电能量计算
当车辆到达某建有充电站的节点p时,可停车对电池进行充电,设节点p对应于第a个充电站,则在该节点p的总充电时间和总充电能量分别定义为和
由上述定义易知车辆经过某一路径后的总能量Eres为:
P为充电站个数
所述出行目标制定,包括了行驶路径最短、行驶时间最短、能量消耗最少、电池寿命最长、车室温度舒适;所述出行约束条件制定,包括了目的地时间窗约束、是否允许充电约束、目的地SOC约束、交通环境约束;
所述交通环境约束,是指在出行规划中,需要保证推荐速度小于等于实际道路交通速度值,推荐速度来源于决策算法求解的出行方案中,需要循环验证;
定义验证循环次数Nc,期望置信水平ρc(驾驶员预先设定),以及判断函数g(x),
其中n=1,2,...,Nc
其中,是指车辆在时刻到达路段所推荐的出行速度, 是指路段上在时刻的平均通行速度的第n次抽样结果;
通过Nc次对比结果,得到推荐出行速度方案的置信水平针对出行规划方案中各路段的推荐通行速度值,验证其是否满足预设的期望置信水平ρc,即只有当其小于期望置信水平时,才认为推荐速度合理。
本发明由于采取以上技术方案,其具有以下优点:1、本发明利用动态随机路网模型描述交通环境,并规划电动车辆未来的出行过程,从而预测电动车辆在未来出行过 程经历的路程、时间、能量消耗、电池寿命以及车室内温度等多个目标的变化特性,因此本发明能够反映不同出行方案所对应的各目标特性2、本发明利用赋时多目标蚁群优化算法迭代生成最优出行方案解集,该算法既保证随着迭代次数的增加,最优解集逐步收敛到理想最优解集,也保证解集中各个解彼此分散,扩大最优解集在可行域中搜索范围,因此本发明能够优化产生多目标多约束条件下的电动车辆出行方案解集。
附图说明
图1是本发明的基于多目标优化的电动车辆出行规划方法的流程图。
图2是本发明的交通路网模型示意图。
图3是本发明的某路段的平均通行速度的概率密度函数随时间变化的示意图。
图4是本发明的连接路网中两点的不同路径的示意图。
具体实施方式
下面结合附图所示的流程对本发明进行详细的描述。
如图1所示,本发明的基于多目标优化的电动车辆出行规划方法分为三个核心部分,包括出行规划问题模型的建立、驾驶员出行信息的提供以及赋时多目标蚁群优化算法求解最优出行路线三部分,下面分别进行介绍。
1、出行规划问题模型的建立
建立出行规划问题模型是基础工作,建立问题模型的目的是为出行规划优化算法提供依据。模型中考虑到了路网交通状况、车辆状况和人为的需求,因此出行规划问题模型的建立,包括了带有充电站信息的路网模型建立,车辆模型建立以及出行目标与出行约束定义。
(1)带有充电站信息的路网模型建立
如图2所示,路网模型是根据城市内道路拓扑结构进行简化而建立。方法是,通过地理信息系统(GIS)获知城市内路网中的各交叉路口以及各路段的位置坐标,以及各交叉路口和各路段间的连接关系;定义交叉路口为节点,而每条通行路段为边,即每条边的首尾均与一个节点相连接,由此即将城市道路拓扑结果简化为一个由点和边组成的结构图。对于各条路段的平均通行速度,考虑到城市内交通环境存在时变与随机特性,需要选择合理模型,对其进行建模。交通管理中心统计多天中的各路段在各时段中的平均通行速度,利用这一历史交通数据,计算各路段在各个时段内的平均通行速度值的均值与方差,用以描述交通环境中道路通行情况。
为此定义动态随机路网模型为G=(V,γ,P,T,φ)。设V={a,b,...,n}为路网中节点集合, 共有|V|个节点,如图2中所示,该路网含有400个节点。为路网中的有向边集;代表路段的长度;代表路段的坡度(模型中节点坐标是已知的,所以坡度可求)。路网模型中存在P个节点建设有充电站(P<|V|),每个充电站有Cw个充电等级,充电等级指快充、慢充等概念,其中每个等级对应一个充电功率值Pm。如图2中所示,充电站节点利用菱形表示,该路网中共有6个充电站。T是时间区间{(t0+hδ,t0+(h+1)δ)}的集合,其中t0是初始时刻,h=1,2,3,...,H,δ为单位时间间隔,th∈T表示th是T的元素,表示从时刻t0+hδ到时刻t0+(h+1)δ的一个时间段。φ代表了路网中平均通行速度的概率集合,包括了各路段平均通行速度处于各种可能状态的概率分布。如图3所示,表示了同一路段上的平均通行速度随时间的变化规律:在同一时间段内,该路段的平均通行速度服从该时间段对应的概率分布;随着时间的推移,不同的时间段对应的平均通行速度的概率分布也产生了变化。
其中代表路段在时段th内的平均通行速度所服从的概率密度函数分布。
因此,路网模型的建立实质包括了:设定路网中的节点,通过各个节点间构建了不同的方向性路段,用于描述路网中的速度变化的单位时间段,以及不同时段内通过各路段的平均通行速度所服从的概率分布。
(2)车辆模型的建立
车辆模型的建立包括3个部分,包括车辆当前剩余能量计算,车辆的消耗能量计算以及车辆充电能量计算。
(2.1)车辆当前剩余能量
利用如下公式计算车辆当前剩余能量:
其中,EB为电池当前剩余能量,Q为电池的额定容量,U为电池电压,SOC1与SOC2分别为放电开始和结束的荷电状态,SOC2为预先设定的最低放电荷电状态。
(2.2)车辆的能量消耗计算
电动车辆的能量消耗,包括行驶能量消耗与电附件能量消耗两部分。
(2.2.1)车辆行驶能量消耗
定义路网中节点i与节点j,设连接这两点的路径共有K条,表示第k条连接路径,即不同路径用k来区别。设路径共有个组成部分,各组成部分由表示,代表通行该路径的第z步动作,可表达两种含义,既可表示车辆通过某路段(此时也可表示车辆在某节点处进行停留充电(此时),
如图4所示,列举了连接节点i与节点j的三条路径,由上到下分别为其中经过11条路段,即为11,且每一步均代表车辆在路网中通行;经过10条路段,即为10,且每一步均代表了车辆在路网中通行;经过了18条路段,在行走完7条路段后,在充电站进行充电,充电时间为1个周期,所以为19步。
当电动车辆通过连接节点i与节点j的第k条路径时,定义为通过各个路段的能量消耗之和,为通过各个路段时间消耗之和。
由于电动车辆的制动能量回收特性,使得当车辆下坡或减速时,电能能够通过电机回馈到电池中。定义能量效率函数η(x)如下:
ηd为主减速器的效率,ηm为电机输出效率,ηin为电机输入效率(均为已知参数)。定义通过路径各个路段的能量消耗与时间消耗如下:
当时(此步车辆属于通过路段时),
其中,f是车辆滚动阻力系数,m是车辆质量,G是车辆重力,A是整车迎风面积,CD为空气阻力系数,当时,代表路段的长度,是路段 的坡度。通过该路径的平均速度大小为
其中,
代表车辆在时到达路段算法推荐车辆在路段行驶的平均通行速度大小。
当时(此步车辆属于停留充电时),
因为停留,说明此时既无行驶能量消耗,也无行驶时间消耗。
(2.2.2)电附件能量消耗
电附件能量消耗主要指车辆的电动空调能耗,因为空调耗能相对较大,其他用电相比之下可以忽略不计。首先需要对车室内的温度进行建模。
QT=QB+QI+QP+QA+ΔQf
QT=1000ma·Δh=1000ρ·Vv·cp·ΔT
QB=Q1+Q2+Q3+Q4
Qx=KxFx(To-Ti),x=1,2,3,4
QI=1000(kIFI+K1F1ρsI)
QP=QC+116(n-1)n'
QA=1000G0ρcP(To-Ti),G0=20n/3600
其中,QT是总热量增量,QB是车体接收热量,QI是太阳辐射热量,QP是车室内人体辐射热量,QA是空气进入车室内带入的热量,ΔQf是空调带入的热量;ma为车室内空气质量,Δh为车室内空气的焓变,ρ为标准大气压下的空气密度,Vv为车室内体积,cP为空气比热容,ΔT车室内的温度变化。K1,K2,K3K4分别为车顶、车体侧面围护、车底和窗户的传热系数。F1,F2,F3,F4分别为车顶、车体侧面围护、车底和窗户的传热面积。To为车室外温度,Ti为车体内温度,k为太阳辐射到玻璃的透入系数,I 为车外太阳辐射强度,FI为太阳辐射方向上的有效面积,ρs为车辆表面结构太阳辐射吸收系数,QC为驾驶员热量辐射,n为车室内人员数目,n'为集聚系数,116为成人的典型辐射功率,G0进入车室内的新鲜空气体积。以上这些都为可知参数。
定义车室内舒适温度TC与循环周期ε。每个循环周期ε开始时,需要根据R(n)的取值来判断空调是否开启,当R(n)为1时,空调在本周期ε正常工作,工作功率为PA(已知);当R(n)为0时,空调在本周期ε不工作。R(n)的取值是利用轮盘赌的方式决定各个周期的R(n)的值,在后文的决策算法中具体介绍。
车室内的温度建模后,则通过路径的电附件能量消耗定义如下:
R(n)∈{0,1},表示第n个周期,n=1,2,...,N
电附件时间消耗符合如下定义:
定义总能量消耗为行驶能量耗能和空调耗能之和。
(2.3)车辆充电能量计算
当车辆到达某建有充电站的节点p时,可停车对电池进行充电(即)。设每个充电等级对应bm个充电周期,每个周期的充电时间为δc,该充电站共有Cw个充电等级,则该充电等级对应的充电时间为bmδc。其中节点p对应于第a个充电站,则在该节点p的总充电时间为各充电等级充电时间bmδc的和,总充电能量为各充电等级充入能量bmδcPm的和。
易知当车辆通过路径到达目的地时,车辆剩余能量Eres为电池剩余能量EB与充电能量的和,再减去行驶过程中耗能
(3)出行目标与出行约束定义
出行方案的制定,要考虑到多种出行目标与出行约束的限制。下面分别进行说明。
(3.1)出行目标制定
电动车辆出行过程中存在多种出行目标,将其分为两类:第一类是基础目标,包括行驶路径最短目标和出行时间最短目标,这一类目标是为满足电动车辆快捷到达目 的地;第二类是附加目标,包括能量消耗最少目标,电池寿命最长目标以及车室温度舒适目标,这一类目标代表了驾驶员对于电动车辆的出行过程的个性化需求。
(3.1.1)行驶路径最短
计算出行过程中的行驶路径长度和,该目标为使行驶距离最短。
(3.1.2)行驶时间最短
定义总行驶时间各充电站p的总充电时间各充电站p内等待时间的和为该出行方案的总时间。该目标为使该出行方案的总时间最短。
(3.1.3)能量消耗最少
定义出行过程中的行驶能量与附件能量消耗的和作为总能量消耗,该目标为使该出行方案的总能耗最小。
(3.1.4)电池寿命最长
利用出行过程中的电池内部SEI膜增长的厚度来评价电池寿命。电池内部的SEI膜增长是电池寿命衰减的重要影响因素,其大小可由每秒钟的SEI膜增长速率的值随时间积分得到,每秒钟的SEI膜增长速率的值可通过电流与SOC查表得知。
(3.1.5)车室温度舒适
定义车室内的温度舒适度为出行目标,利用车室内实际温度的平均值与舒适温度(自定义)的偏差来评价车室内温度舒适性,偏差越大,说明温度舒适性越差。
(3.2)出行约束条件
电动车辆出行过程中将面临各种约束条件,会对出行规划方案产生影响。约束条件根据来源,分为驾驶员制定约束条件与交通系统约束两类。驾驶员制定约束条件包括目的地时间窗约束、是否允许充电约束和目的地SOC约束,这些约束需由驾驶员提供。交通系统约束是指推荐车辆通行速度能否满足交通环境要求。
(3.2.1)目的地时间窗约束
电动车辆到达目的地节点j,需要对实际到达时刻进行约束。设定节点j的期望到达时刻(驾驶员预先设定),时间窗约束为到达目的地时刻早于该期望到达时刻。
(3.2.2)是否允许充电约束
考虑到车辆的充电需求,驾驶员要决定是否允许车辆在出行过程中停车充电,该选择会影响出行方案的制定。允许充电的情况下为正数,否则p=1,2,...P。
(3.2.3)目的地SOC约束
在到达目的地时,对电动车辆到达该节点的预期SOC值进行约束。约束条件为到达目的地节点j的SOC值要大于预期到达节点j的SOC值(驾驶员预先设定预期值)。
(3.2.4)交通环境约束
在出行规划中,需要为驾驶员推荐出行速度值(决策算法中计算出的推荐速度),考虑到实际道路交通情况,需要保证推荐速度能够在交通系统中实现,即需要保证推荐速度低于或等于实际道路交通速度值。
其中,是指车辆在时刻到达路段所推荐的出行速度, 是指模型中建立的路段上在时刻的平均道路通行速度。由于交通环境中各条路段的平均通行速度具有时变和随机特性,意味着各路段的推荐通行速度是否能够满足要求,也是一个随机事件。因此,对于一个出行规划方案,可利用推荐速度满足交通约束的期望水平,来评价推荐方案的优劣。定义验证循环次数Nc,期望置信水平ρc(置信水平是驾驶员预先设定的),以及判断函数g(x)。
其中n=1,2,...,Nc
验证出行规划方案中各路段的推荐通行速度值是否满足预设的期望置信水平ρc,即验证是否满足通过Nc次对比结果,得到推荐出行速度方案的置信水平 仅当其小于期望置信水平时,才认为推荐速度合理。其中,是在路段上在时刻的平均通行速度的第n次抽样结果,其中n=1,2,...,Nc。
至此,通过对路网模型、车辆模型以及出行目标及出行约束的定义,完成了对于电动车辆出行过程的模型建立。
2、驾驶员提供出行信息
驾驶员提供的出行信息,包括驾驶员选择的出行目标与约束条件,加入到模型中,用以指导优化算法规划出行路径。根据驾驶员所提供的信息的不同,分成3种情况。
(1)驾驶员未提供任何信息
驾驶员没有提供出行的相关信息,在这种情况下,采用出行距离最短和出行时间最短两个基本出行目标,对于约束只考虑交通环境约束,在这一条件下优化出行方案。
(2)驾驶员提供约束信息
除了交通约束条件外,驾驶员还提供了约束条件信息,明确到达路网中目的地的时间窗,到达目的地的SOC值,以及是否允许在出行路径中进行充电。
(3)驾驶员提供优化目标信息与约束条件信息
在提供约束条件信息的基础上,驾驶员还依据自己的出行习惯,选择了出行目标。则在优化出行方案的过程中,直接依据驾驶员所选择的出行目标进行规划。
3、多目标蚁群优化算法求解最优出行路线
考虑到驾驶员提供信息的多种情况,利用多目标蚁群算法,对出行方案进行规划。出行方案规划,包括两个方面,一方面是出行路径的推荐以及路径上通行速度的推荐(主要优化项目),另一方面是车载空调的每周期工作状态的推荐(辅助优化项目)。
(1)信息素初始化
在进行首次搜索前,需要为路网模型初始化信息素值。在各时段th,各目标l对应的各节点p向其他状态转移的信息素初始化值定义为从当前节点p到所有可能状态的总数|Rp|+Cw的倒数。需要注意的是,由于th代表一个时段,即任意时刻t只要满足t0+hδ≤t≤t0+(h+1)δ,就服从相同的信息素值。
在各时段th,各目标l对应的各路径的推荐通行速度的信息素初始化值定义为该路段允许推荐速度数目VK的倒数。同样,对于同一时段th,任意时刻t只要满足t0+hδ≤t≤t0+(h+1)δ,就服从相同的信息素值。
(2)计算转移概率
蚂蚁在每一节点向下一状态转移,以及在路径上选择推荐行驶速度时,都需要定义转移概率,以表征向不同状态转移的概率大小。
第k只蚂蚁在搜索过程中,在当前节点p转移到下一状态(到达下一节点或在本 节点充电)时,选择概率的大小是根据在时段th内的各个目标的路段上及充电站上的信息素值来定义的。
同样,在已确定状态转移是移动到下一节点时,推荐该路段的出行速度时,选择概率是根据时段th内路段上各个目标的(速度对应的)信息素值来定义的。
其中,L代表待优化的目标数目,这一数目与驾驶员所提供的输入信息有关。当驾驶员没有提供任何优化目标信息,优化算法认为L为1,这时的优化目标分别为通行时间和行驶距离目标,即分别进行两次单目标优化,得到通行时间最短和行驶距离最短的出行方案。当驾驶员提供了优化的目标信息,利用所提供的目标信息进行多目标优化。代表在时段th从节点p到q+m状态的目标l所对应的信息素,ηp(q+m)(th)代表在时段th从节点p到q+m状态的所对应的启发信息。代表在时段th通过路段时,目标l对应的推荐速度为Vs时的信息素值。α与β分别代表在搜索过程中,蚁群对于信息素和启发信息的权重大小。对于从当前节点到下一状态转移的情况,若是向下一节点转移,启发信息是下一节点与目的地节点的欧氏距离;若是在当前节点充电,启发信息是当前节点与目的地节点的欧式距离。这一做法,旨在加速算法的搜索过程向到达目的地收敛。
为了扩展搜索方向,每个蚂蚁都带有各自的搜索偏好,以保证搜索范围尽可能广。代表了第k只蚂蚁对于第l个目标的搜索偏好,Xant代表粒度(这个量与人们想要以多大的精度来区分各个蚂蚁的搜索偏好有关)。需保证对于同一个蚂蚁k,不同目标对应的加和为1;不同的蚂蚁对应的偏好互不相同;并且每个从以下集合中取值。
每一个蚂蚁对应了一组搜索偏好向量以保证这个蚂蚁群体能够尽可能的扩展搜索范围。
(3)搜索出行方案
利用蚁群算法搜索出行方案。定义一个由s个搜索者(称为蚂蚁)组成的群体,第k只蚂蚁从起点i在时刻t0出发进行搜索,到达目的地j。
在时段th内任意时刻t,任意存在充电站节点p处向其他状态转移包括两种情况:一是在此点p进行充电;二是在从点p向邻居节点q的路段进行转移,因此,在时段th内,定义从节点p向邻接节点转移的概率为在节点p进行充电的概率为
为简化符号,定义在节点p向其他状态(在该节点充电或向下一节点移动)进行转移的概率统一定义为容易得知,当m为零时,即表示该节点p为非充电站节点,只可能向下一节点进行转移;当m大于零时,即表示该节点p为充电站节点,可能在当前节点p进行充电,也可能向邻接节点进行移动。根据转移概率的大小,利用轮盘赌的方式选择下一状态。
当轮盘赌选择从当前点p向下一节点q进行转移时,即需要为该路段推荐出行速度。设该路段是连接起点i和终点j的第k条路径上的路段,有设推荐速度的最大值Vmax与最小值Vmin,其中分为VK个级别,易知最小值Vmin对应级别1,最大值Vmax对应级别VK。即推荐速度大小为:
为确定速度推荐值,仍采用转移概率方法。采用轮盘赌方法决定路段的推荐出行速度值也即当到达节点q后,重复上述在节点p处状态转移过程,寻找节点q下一个状态。根据沿途各点的状态转移概率,按照轮盘赌方法选择下一状态(到达下一节点或在本节点充电);根据沿途各路径上推荐速度的状态转移概率,按照轮盘赌方法选择该路段的推荐出行速度。如此反复,直到找到目的地,则该蚂蚁搜索结束。则该蚂蚁的出行方案包括了出行路径route(antk)如下:
其中:
p∈V
route(antk)代表蚂蚁k的出行路径,代表路段选择为是车辆进行该路段选择的时刻,以此类推,出行方案的每条路段依次连接。当出行方案选择在节点p处进行充电时,则定义车辆停留在该节点,如所示,车辆在节点p停留充电,做出此选择的时刻是代表蚂蚁k搜索的连接起点i与终点j的出行路径的第z次选择,即向下一节点移动还是在当前点进行充电。
类似的,出行方案中的推荐通行速度velocity(antk)如下:
其中:
p∈V
velocity(antk)代表蚂蚁的推荐速度,代表在路段上的推荐通行速度值为是车辆选择该推荐速度的时刻。当出行方案选择在节点处进行充电时,则定义出行速度值为零,即代表车辆停留原地。特别的,进行路径搜索时,尽管是先选择下一转移状态,再选择推荐速度值,但是这两者对应相同的时刻,即和中对应相同的时刻
进行状态转移时,包括两种情况。当从此节点向下一节点移动时,两状态的时间间隔为行驶时间;当在此节点停留充电,两状态的时间间隔为等待与充电时间之和。
重复以上步骤到所有的搜索蚂蚁,直到所有的蚂蚁都完成搜索,则一轮搜索结束。至此,每个蚂蚁都对应了各自的出行方案。
(4)空调的使用
在选择了出行路径并推荐每条路径的通行速度后,需要制定出行过程中的空调使用情况。在空调运行的每个循环周期ε中,需要判断R(n)取值,以决定空调是否工作。 决策算法采用赋时多目标蚁群优化方法,搜索选择在每个循环周期ε的R(n)取值。
设定由s个搜索者(称为蚂蚁)组成的群体,第k只蚂蚁从时刻t0开始进行搜索。每个循环周期ε的转移概率定义为和与分别代表了第k只蚂蚁在第n个循环周期Rk(n)选择1或0的概率,两者加和为1。初始化和均为0.5,n=1,2,...,N。利用轮盘赌的方式决定各个周期的Rk(n)取值,直到取到Rk(N)为止,则该蚂蚁的搜索过程结束。特别的,优化空调使用的各蚂蚁与搜索出行计划的各蚂蚁是一一对应的,即由空调使用和出行计划两部分共同组成各蚂蚁的出行方案。
转移概率的定义如下:
L代表待优化的目标数目,这一数目与驾驶员所提供的输入信息有关。当驾驶员未提供任何优化目标信息,优化算法认为L为1,这时的优化目标分别选用通行时间和行驶距离目标,即分别进行两次单目标优化,得到通行时间最短和行驶距离最短的出行方案。当驾驶员提供优化的目标信息,就利用所提供的目标信息进行多目标优化。 与分别代表在循环周期n中状态选择为0或1的目标l所对应的信息素。
为了扩展搜索方向,每个蚂蚁都带有各自的搜索偏好,保证搜索范围尽可能广。代表第k只蚂蚁对于第l个目标的搜索偏好,与搜索出行路径时的搜索偏好值相对应。
在得到了每个蚂蚁的空调使用方案与出行路径及推荐速度方案后,即得到了每个蚂蚁所对应的出行方案。需要根据各个出行方案的优劣,对各个方案进行排序。
(5)出行方案排序
在计算得到了各个蚂蚁对应的出行方案后,需要依据各个出行方案的优劣,对各个方案进行排序,以保证筛选出好的解,用以指导下一轮的蚁群搜索。
若驾驶员没有提供目标信息,则分别利用出行时间最短和行驶距离最短作为目标;如果驾驶员提供了优化目标信息,根据所选目标集作为优化目标。定义蚂蚁k所找到的出行方案对应目标值为其中L代表目标数目,取值范围为L={12345}。同时,对于约束条件,当驾驶员没有提供约束条件信息时,只采用第一 部分的(3.2)中交通约束信息作为约束条件;当驾驶员提供了约束条件信息时,则采用第一部分的(3.2)中公式计算出行方案是否超过了约束条件限制。定义蚂蚁所找到的出行方案对应违反约束的值为其中V代表所选择的约束条件数目,取值范围可以是V={1,2,3,4}。
评价任意两个蚂蚁所对应的出行方案之间的比较方法,具体情况分为了3种。
(5.1)蚂蚁k对应的出行方案是可行解,蚂蚁q对应的出行方案是不可行解
在这种情况下,蚂蚁k的出行方案优于蚂蚁q的出行方案。
(5.2)蚂蚁k与蚂蚁q对应的出行方案都是可行解
具体分为了2种情况:
情况(1):当蚂蚁k对应的所有目标都不差于蚂蚁q所对应的所有目标,并且蚂蚁k对应的目标中至少存在一个目标优于蚂蚁q对应的目标,在这种情况下,说明蚂蚁k优于蚂蚁q,同时反之亦然。
情况(2):当蚂蚁k对应的所有目标并未全部优于蚂蚁q对应的所有目标,同时蚂蚁q对应的所有目标也并未全部优于蚂蚁k对应的所有目标。在这种情况下,说明蚂蚁k与蚂蚁q彼此属于同一级别。
(5.3)蚂蚁k与蚂蚁q对应的出行方案都是不可行解
在这种情况下,比较蚂蚁k与蚂蚁q的超过约束限制的值的大小,分为2种情况。
情况(1):当蚂蚁k对应出行方案的超限值都不大于蚂蚁q对应出行方案的超限值,并且,至少有一个约束,是蚂蚁k的超限值小于蚂蚁q的超限值。这说明蚂蚁k对应的出行方案能够更少的违反约束限制,说明蚂蚁k优于蚂蚁q。反之亦然。
情况(2):蚂蚁k对应出行方案的超限值没有都小于蚂蚁q对应出行方案的超限值,且蚂蚁q对应出行方案的超限值没有都小于蚂蚁k对应出行方案的超限值。说明两只蚂蚁对应的出行方案彼此不能分辨优劣,说明两个出行方案属于同一类别。
通过对所有蚂蚁进行上述分析,计算每个蚂蚁在所有蚂蚁中(不包括自己)优于其他蚂蚁的数目,记为η(k)。对所有蚂蚁完成上述计算后,将所有η(k),k∈s值相同的蚂蚁分为一类,共分为e组,根据组值对各个组进行降序排序,每一组别用s(i),i=1,2,...e来表示,每组内蚂蚁个数表示为ni,i=1,2,...,e,每组组值用Γ(i),i=1,2,...,e表示。显然小序号对应的组值大于大序号对应的组值。
(6)信息素更新
当对于本轮蚁群搜索的结果进行排序后,需要根据解的优劣来更新信息素值:对于排序靠前的解,该出行方案沿途的信息素值增强幅度大;对于排序靠后的解,该出行方案沿途的信息素值增强幅度小,以此来保证算法逐步收敛。其中,信息素更新包括两个部分,即出行路径(路径搜索与速度推荐)的信息素以及空调使用的信息素。
设定出行路径信息素更新权重大小为τ,空调使用信息素更新权重为τ0,出行路径的每组的权重更新大小I(i),空调使用的每组的权重更新大小为I0(i),i=1,2,...,e:
上式即保证小组别(优于其他蚂蚁数目多)的更新权重大于大组别(优于其他蚂蚁数目少)的更新权重。
对于同一组别来说,为了扩展解集的搜索范围,避免不同的解过分聚集,还要根据各个解之间的距离来对该组别的信息素权重进行加权。对于同一组别中的各个蚂蚁来说,若该组别中只有一个蚂蚁k,则该蚂蚁k的路径选择信息素的更新权重Δ(k)即为该组别i的路径选择的更新权重I(i),空调使用信息素更新权重Δ0(k)即为该组别的空调使用更新权重I0(i);如果这一组别中有多个蚂蚁,则每个蚂蚁的信息素的更新权重需要根据该蚂蚁的解与同组内的其他解的距离大小来评价。首先找到在本轮优化计算中,所有蚂蚁的对应出行方案的各目标中最大值Ol_max与最小值Ol_min。随后利用如下公式计算同组别内各个蚂蚁p和q之间的距离大小:
设定σshare与ω值,利用如下公式计算各组别s(i)的每个解p的值,并进行加和,得到同组内聚集在每个解的目标l周围的其他解的数目。
则每个解的信息素的更新权重大小Δ(k)和Δ0(k)由所属的组别i的更新权重I(i)和I0(i)分别除以该解的值即可。
定义了各个蚂蚁对应的信息素更新值后,即可为各出行方案的沿途的信息素进行更新。信息素更新包括两步,信息素加强与信息素蒸发。
(6.1)信息素加强
本轮蚁群算法优化得到出行方案,对各出行方案中沿途的出行路径与速度推荐的信息素和空调使用的信息素进行加强,即将本轮搜索的信息反映到信息素当中,指导下一次搜索并保证算法收敛。对第k只蚂蚁的出行路径的信息素更新过程,即将出行方案沿途各目标对应的相应时段的状态转移信息素加上该蚂蚁对应的更新权重Δl(k),即得到新的状态转移信息素,如
在进行信息素加强时,要同时考虑到出行路径沿途路段以及出行路径选择时的时间段。特别的,如当在时段选择在当前点p进行充电时,充电等级为m,对应的信息素表示为即表示由节点p状态跳转到充电等级m进行充电;当充电结束后,蚂蚁继续搜索,由节点p跳转到下一邻接节点q,信息素由表示。
同样,第k只蚂蚁的通行速度推荐的信息素更新,即对该出行方案沿途的各目标对应的相应时段的速度推荐信息素加上该蚂蚁对应的更新权重Δl(k),即得到新的速度推荐信息素,
由公式可以看出,在更新涉及推荐出行速度的信息素时,也与决策时间有关。另外,由于在某一节点充电时车辆不移动,即不考虑这一状态转移的速度更新。
对于第k只蚂蚁的空调使用的信息素更新过程,即对该出行方案沿途的各目标对应的相应时段的控制调制信息素加上该蚂蚁对应的更新权重Δ(k),即得到新的空调控制信息素,即n∈N+,n≤N。
由公式可以看出,在更新涉及空调使用的信息素时,也与循环周期有关。
对所有蚂蚁重复以上步骤,将所有蚂蚁对应的出行方案都用于信息素更新,使得本轮搜索到的解指导下一轮的搜索过程。
(6.2)信息素蒸发
在每轮搜索结束后,需要对地图的信息素进行减弱,以避免算法过早收敛到次优解。对于节点的状态转移的信息素蒸发,是将所有时段、所有目标的所有节点间的转移状态以及各充电站的充电等级所对应的信息素值乘以系数ρ,该ρ值在0到1之间;对于路段间速度推荐的信息素蒸发,是将所有时段、所有目标的所有路段的推荐速度的信息素值乘以系数ρ;对于涉及空调控制的信息素蒸发,是将各个循环周期,各个目标的R(n)值对应的开启与关闭的信息素值乘以系数ρ。
经过信息素蒸发操作,将保证随着算法的循环进行,信息素值不会持续增长,以至于最终影响算法收敛。
反复重复步骤(2)计算转移概率到步骤(6)信息素更新,直到预期的迭代次数后(自己定)终止算法。将搜索得到的所有出行方案进行优劣比较,分成精英解集与非精英解集两类。在精英解集中的所有解彼此不分优劣,即属于同一级别;任取非精英解集中的一个解,在精英解集中都至少存在一个解优于这个解。则精英解集即是算法的最好解集,最终由驾驶员自由进行选择一个出行方案。
Claims (3)
1.一种基于多目标优化的电动车辆出行规划方法,分为如下步骤进行:
第一步,建立出行规划问题模型,其中包括(1)含充电站信息的路网模型建立、(2)车辆模型的建立、(3)出行目标与出行约束定义,
(1)含充电站信息的路网模型建立方法是:定义动态随机路网模型为G=(V,γ,P,T,φ),V={a,b,...,n}为路网中节点集合,共有|V|个节点,为路网中的有向边集,代表路段的长度,代表路段的坡度;设路网模型中|V|个节点中存在P个节点建设有充电站,设每个充电站有Cw个充电等级;T是时间区间{(t0+hδ,t0+(h+1)δ)}的集合,其中t0是初始时刻,h=1,2,3,...,H,δ为单位时间间隔;φ代表路网中平均通行速度的概率集合,包括各路段平均通行速度处于各种可能状态的概率分布,当车辆到达路网中某路段的时刻处于同一时段内时,则视为通过该路段的平均通行速度均服从此时段对应的速度概率分布特性;
根据地理信息系统获知城市内路网中的各交叉路口、各路段的位置坐标,以及各交叉路口和各路段间的连接关系,定义交叉路口为节点,每条通行路段为边;根据交通管理中心统计多天中的各路段在各时段中的平均通行速度,计算各路段在各个时段内的平均通行速度值的均值与方差,用以描述各路段平均通行速度处于各种可能状态的概率分布;
(2)车辆模型包括了车辆当前剩余能量、车辆消耗能量、车辆充电能量的内容,所述能量指电能量;
(3)出行目标与出行约束定义包括了出行目标制定和出行约束条件制定;
第二步,由驾驶员提供出行信息,
其中,分为以下几种情况:(1)驾驶员未提供任何信息,此时定义出行目标数目L为1,仅考虑交通环境约束,进行单约束下的单目标优化,(2)驾驶员只提供约束信息,此时L为1,考虑多种约束条件,进行多约束下的单目标优化,(3)驾驶员提供优化目标与约束条件相结合的信息,此时L为驾驶员所提出的目标的个数,考虑多约束条件,进行多约束下的多目标优化;
第三步,基于赋时多目标蚁群优化算法求解最优出行方案,
其中,包括(1)信息素初始化、(2)计算路线转移概率、(3)搜索出行方案、(4)确定空调是否使用、(5)出行方案排序、(6)信息素更新几个基本步骤,以及循环(2)~(6)的步骤,直至推荐出优化的出行路径及路径上的通行速度、空调的使用状态,具体求解过程如下:
(1)信息素初始化:
在进行首次搜索前,需要为路网模型初始化信息素值,定义从当前节点向下一状态转移的初始化信息素值如下:
其中:
p∈V,q∈Rp,m=1,2,...,Cw,l=1,2,...,L
th∈T,h=1,2,...,H
代表任一节点p在时段th内,目标l所对应的向下一状态转移的信息素值,Rp代表节点p的邻接节点集,|Rp|代表节点p的邻接节点的数目,Cw为每个充电站的充电等级;
定义行驶过程中的推荐通行速度的初始化信息素值如下:
其中:
s=1,2,...,VK
th∈T,h=1,2,...,H
(2)计算路线转移概率:
定义一个由s个称为蚂蚁的搜索者组成的群体,设第k只蚂蚁在搜索过程中,在当前节点p转移到下一状态时,选择概率的大小是根据在时段th内的各个目标的路段上及充电站上的信息素值来定义的:
Np=|Rp|+Cw,同样,在确定状态转移是移动到邻接节点的情况下,推荐该路段的出行速度选择概率是根据时段th的路段上各目标的推荐速度信息素值定义的:
其中,L代表待优化的目标数目,这一数目与驾驶员所提供的输入信息有关,当驾驶员没有提供任何优化目标信息,L为1;
当驾驶员提供了优化的目标信息,就利用所提供的目标信息进行多目标优化,代表了在时段th从节点p到q+m状态的目标l所对应的信息素,ηp(q+m)(th)代表了在时段th从节点p到q+m状态的所对应的启发信息,代表了在时段th通过路段时,目标l对应的推荐速度为Vs时的信息素值,α代表在搜索过程中,蚁群对于信息素的权重大小,β代表搜索过程中,蚁群对于启发信息的权重大小;代表了第k只蚂蚁对于第l个目标的搜索偏好,Xant代表粒度,自定义,这个量与人们想要以多大的精度来区分各个蚂蚁的搜索偏好有关,搜索偏好满足以下条件:
(3)搜索出行方案:
设第k只蚂蚁从起点i在时刻t0出发进行搜索,到达目的地j,设任一节点p的邻接节点集为Rp,则存在两种情况:
如果节点p为非充电站节点,在时段th内任意时刻,从节点p处向邻居节点q移动的转移概率
如果节点p为充电站节点,在时段th内任p意时刻,从节点p处向其他状态转移,包括两种情况:一是在此点p进行充电,包括Cw个充电等级,每个级别m对应一个充电功率Pm,m∈N+;二是在从点p向邻居节点q进行转移,因此其转移概率为
根据转移概率的大小,利用轮盘赌的方式选择下一步转移状态,
当采用轮盘赌的方式选择从当前点p向下一节点q进行转移时,为该路段推荐出行速度,仍采用转移概率的方法,定义从点p到点q的各个推荐速度值的概率为推荐速度从最小速度到最大速度共设定VK个级别,
再采用轮盘赌的方式决定路段的推荐出行速度值
到达节点q后,按上述方法重复在节点p的状态转移和推荐速度,如此反复,直到找到目的地,则该蚂蚁的出行方案包括出行路径route(antk)和推荐速度velocity(antk);
其中:
q∈V
代表路段选择为 是车辆进行该路段选择的时刻,以此类推,出行方案的每条路段依次连接;当出行方案选择在节点q处进行充电时,则定义车辆停留在该节点,所示,车辆在节点q停留充电,做出此选择的时刻是设路网中的节点i与节点j共有K条路径,设第k只蚂蚁搜索到的路径共有个组成部分,各个组成部分由来表示,代表通行该路径的第z步动作,这一步动作可表达两种含义,既可表示车辆通过某路段,也可表示这一步是车辆在某节点处进行停留充电,
其中:
q∈V
代表在路段上的推荐通行速度值为当出行方案选择在节点处进行充电时,则定义出行速度值为零;
在每个节点向下一状态进行转移的时候,包括两种情况:当从一个节点向下一个节点进行转移时,两状态的时间间隔为行驶时间:
当在当前节点p进行充电,不向其他节点转移时,两状态的时间间隔为在该节点的等待时间与充电时间之和,其中节点p对应于第a个充电站:
为该充电站的等待时间,为该充电站的充电时间;
重复以上步骤得到了所有蚂蚁的出行方案,包括了出行路径集与推荐速度集;
(4)确定空调是否使用:
在空调运行的每个循环周期ε中,需要判断R(n)取值,R(n)取值为0或1,以决定空调是否工作,决策算法也是采用赋时多目标蚁群优化方法:
设第k只蚂蚁从时刻t0开始进行搜索,每个循环周期ε的转移概率定义为和 和分别代表了第k只蚂蚁在第n个循环周期Rk(n)选择为1或0的概率;
初始化概率和各占50%,n=1,2,...,N;利用轮盘赌的方式决定各个周期的Rk(n)取值;
(5)出行方案排序:
如果驾驶员没有提供目标信息,则分别利用出行时间最短和行驶距离最短作为目标;如果驾驶员提供了优化目标信息,根据所选目标集作为优化目标,然后评价任意两个蚂蚁所对应的出行方案,具体情况分为3种:
(5.1)蚂蚁k对应的出行方案是可行解,蚂蚁q对应的出行方案是不可行解,在这种情况下,蚂蚁k的出行方案优于蚂蚁q的出行方案,
(5.2)蚂蚁k与蚂蚁q对应的出行方案都是可行解,具体分为两种情况:
情况1):当蚂蚁k对应的各目标都不差于蚂蚁q所对应的各目标,说明蚂蚁k优于蚂蚁q;
情况2):当蚂蚁k对应的各目标并未全部优于蚂蚁q对应的各目标,且蚂蚁q对应的各目标也并未全部优于蚂蚁k对应的各目标,说明蚂蚁k与蚂蚁q属于同一级别;
(5.3)蚂蚁k与蚂蚁q对应的出行方案都是不可行解,此情况下,比较蚂蚁k与蚂蚁q的超过约束限制的值的大小,分为两种情况:
情况1):当蚂蚁k对应出行方案的超限值都不大于蚂蚁q对应出行方案的超限值,并且至少存在一个约束,是蚂蚁k的超限值绝对小于蚂蚁q的超限值,在这种情况下,说明蚂蚁k对应的出行方案能够更少的违反约束限制,说明蚂蚁k优于蚂蚁q;
情况2):蚂蚁k对应出行方案的各超限值没有都小于蚂蚁q对应出行方案的各超限值,同时,蚂蚁q对应出行方案的各超限值没有都小于蚂蚁k对应出行方案的各超限值,在这种情况下,说明蚂蚁k对应的出行方案与蚂蚁q对应的出行方案彼此不能分辨优劣,说明这两个蚂蚁的出行方案属于同一类别;
对所有蚂蚁进行上述评价,计算每个蚂蚁优于其他蚂蚁的数目,记为η(k),将所有η(k),k∈s值相同的蚂蚁分为一类,共分为e组,根据组值对各个组进行降序排序;
(6)信息素更新:
首先定义各个蚂蚁对应的信息素更新值,然后为各出行方案的沿途的信息素进行更新,信息素更新包括两步,信息素加强与信息素蒸发;
1)定义各个蚂蚁对应的信息素更新值
对于出行方案中排序靠前的解,让该出行方案沿途的信息素值增强幅度大,对于排序靠后的解,让该出行方案沿途的信息素值增强幅度小,
设定出行路径信息素更新权重大小为τ,空调使用信息素更新权重为τ0,出行路径的每组的权重更新大小为I(i),空调使用的每组的权重更新大小为I0(i),i=1,2,...,e:
对于同组别的解,还要根据各个解之间的距离来对该组别的信息素权重进行加权:
对于同组别中的各蚂蚁来说,如果该组别中只有一个蚂蚁k,则这个蚂蚁k的路径选择信息素更新权重Δ(k)即为该组别i的路径选择更新权重I(i),空调使用信息素更新权重Δ0(k)即为该组别的空调使用更新权重I0(i);如果该组别中有多个蚂蚁,则每个蚂蚁的信息素的更新权重需要根据该蚂蚁的解与同组内的其他解的距离大小来评价;
利用如下公式计算同组别内各个蚂蚁p和q之间的距离大小,其中代表蚂蚁p的第l个目标的目标值,代表蚂蚁q的第l个目标的目标值,代表本代搜索中第l个目标的最大值,代表本代搜索中第l个目标的最小值:
设定聚集距离参数σshare与比例系数ω值,σshare取值在0-1,ω取值在1-1.5,利用如下公式计算各组别s(i)的每个解p与同组别的其他解q在第l个目标的相对距离值,并进行加和,得到同组内聚集在每个解p的第l个目标上与周围的其他解的聚集程度
由此,可以计算每个解的信息素的更新权重大小Δ(k)和Δ0(k)如下定义:
2)信息素加强
对各出行方案沿途的出行路径与推荐速度信息素和空调使用的信息素进行加强,
对于第k只蚂蚁的出行路径的信息素更新过程,如下:
其中
l=1,2,...,L
h1,h2,...,hd,...,hr∈N+
m∈N+,m≤Cw
设代表车辆在时到达路段算法推荐车辆在路段行驶的平均通行速度,Vmin代表推荐速度的最小值,Vmax代表推荐速度的最大值,对于第k只蚂蚁的推荐通行速度的信息素更新过程,如下:
其中,
对于第k只蚂蚁的空调使用的信息素更新过程,如下:
其中
l=1,2,...,L
n∈N+,n≤N
对所有蚂蚁重复以上步骤,将所有蚂蚁对应的出行方案都用于信息素更新,使得本轮搜索到的解指导下一轮的搜索过程;
3)信息素蒸发
在每轮搜索结束后,需要对地图的信息素进行减弱,以避免算法过早收敛到次优解,信息素蒸发的表达式如下:
其中:
m=1,2,...,Cw
l=1,2,...,L
h=1,2,...,H
0<ρ<1
对于推荐通行速度的信息素蒸发,公式如下:
其中:
l=1,2,...,L
h=1,2,...,H
s=1,2,...,VK
0<ρ<1
对于空调使用的信息素蒸发,公式如下:
其中
l=1,2,...,L
n∈N+,n≤N。
2.根据权利要求1所述的出行规划方法,其特征在于:所述车辆当前剩余能量、车辆消耗能量以及车辆充电能量,按如下方法计算:
定义车辆当前剩余能量定义为EB,车辆消耗能量定义为车辆在各充电站的充电能量之和定义为
(2.1)车辆消耗能量计算,包括行驶能量消耗计算与电附件能量消耗计算两部分;
(2.1.1)车辆行驶能量消耗计算
设路网中的节点i与节点j共有K条路径,设第k条路径共有个组成部分,各个组成部分由来表示,代表通行该路径的第z步动作,这一步动作可表达两种含义,既可表示车辆通过某路段,也可表示这一步是车辆在某节点处进行停留充电,
当电动车辆通过第k条路径时,其行驶能量消耗与行驶时间消耗按如下公式计算:
其中,当代表通过某路段时,定义如下:
其中,代表路段的长度,代表车辆在时到达路段算法推荐车辆在路段行驶的平均通行速度,其中,
当车辆在某一步仅仅是停留充电时,
(2.1.2)车辆电附件能量消耗计算
车辆的电附件能量消耗定义为是指车辆的空调能耗,定义车室内舒适温度TC与空调循环工作周期为ε,每个循环周期开始时,根据R(n)的取值来判断空调是否开启,R(n)是一判定值,取值为0或1,根据出行决策时是否开启空调的愿望而定,当R(n)为1时,表示空调在本周期正常工作,工作功率为PA;当R(n)为0时,表示空调在本周期不工作;
车室内的温度建模后,则通过路径的电附件能量消耗定义如下:
R(n)∈{0,1},表示第n个周期,n=1,2,...,N
电附件时间消耗符合如下定义:
根据以上定义,即得到了电动车辆通过路径的总能量消耗
(2.2)车辆充电能量计算
当车辆到达某建有充电站的节点p时,可停车对电池进行充电,设节点p对应于第a个充电站,则在该节点p的总充电时间和总充电能量分别定义为和
由上述定义易知车辆经过某一路径后的总能量Eres为:
P为充电站个数。
3.根据权利要求1所述的出行规划方法,其特征在于:所述出行目标制定,包括了行驶路径最短、行驶时间最短、能量消耗最少、电池寿命最长、车室温度舒适;所述出行约束条件制定,包括了目的地时间窗约束、是否允许充电约束、目的地电池荷电状态约束、交通环境约束;
所述交通环境约束,是指在出行规划中,需要保证推荐速度小于等于实际道路交通速度值,推荐速度来源于决策算法求解的出行方案中,需要循环验证;
定义验证循环次数Nc,驾驶员预先设定的期望置信水平ρc,以及判断函数g(x),
其中n=1,2,...,Nc
其中,是指车辆在时刻到达路段所推荐的出行速度,是指路段上在时刻的平均通行速度的第n次抽样结果;
通过Nc次对比结果,得到推荐出行速度方案的置信水平针对出行规划方案中各路段的推荐通行速度值,验证其是否满足预设的期望置信水平ρc,即只有当其小于期望置信水平时,才认为推荐速度合理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410534280.4A CN104331743B (zh) | 2014-10-11 | 2014-10-11 | 一种基于多目标优化的电动车辆出行规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410534280.4A CN104331743B (zh) | 2014-10-11 | 2014-10-11 | 一种基于多目标优化的电动车辆出行规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331743A CN104331743A (zh) | 2015-02-04 |
CN104331743B true CN104331743B (zh) | 2017-05-17 |
Family
ID=52406464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410534280.4A Active CN104331743B (zh) | 2014-10-11 | 2014-10-11 | 一种基于多目标优化的电动车辆出行规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331743B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766484B (zh) * | 2015-03-23 | 2017-11-14 | 南京邮电大学 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
CN104933473A (zh) * | 2015-05-22 | 2015-09-23 | 南京邮电大学 | 基于变邻域搜索蚁群算法的城市智能交通调度方法 |
CN106289287B (zh) * | 2015-05-22 | 2023-04-07 | 吉林大学 | 一种基于选线经验的车载端多目标最短路径计算方法 |
CN105844362B (zh) * | 2016-03-30 | 2021-01-19 | 西南交通大学 | 一种城市交通综合出行决策装置 |
CN106940829B (zh) * | 2017-04-28 | 2021-06-18 | 兰州交通大学 | 一种车联网环境下的个性化路径推荐方法 |
CN107103169B (zh) * | 2017-06-26 | 2020-03-24 | 上海交通大学 | 一种用于满足出行续航要求的交通网络均衡计算方法 |
CN107145991B (zh) * | 2017-07-14 | 2020-06-19 | 北京航空航天大学 | 一种考虑路段相关性的时变随机网络动态路径搜索方法 |
CN107832891A (zh) * | 2017-11-15 | 2018-03-23 | 云南电网有限责任公司 | 一种城市快速路口的充电站规划方法 |
CN107958302B (zh) * | 2017-11-17 | 2020-09-08 | 中南大学 | 基于虚拟拓扑交通网络的经验路径规划方法 |
CN108204821A (zh) * | 2017-12-22 | 2018-06-26 | 浙江网仓科技有限公司 | 一种路径规划方法及装置 |
CN108489491A (zh) * | 2018-02-09 | 2018-09-04 | 上海交通大学 | 一种水下自主航行器的三维航迹智能规划方法 |
CN108931243B (zh) * | 2018-04-17 | 2020-12-22 | 哈尔滨工程大学 | 一种复杂海洋环境影响下基于能耗和采样量多目标优化的uuv路径规划方法 |
CN108764777B (zh) * | 2018-04-26 | 2021-03-30 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN108875270B (zh) * | 2018-07-09 | 2022-06-28 | 上汽大众汽车有限公司 | 新能源汽车基础参数的计算方法 |
US20220146272A1 (en) * | 2018-11-13 | 2022-05-12 | Magna International Inc. | System and method for vehicle routing using big-data |
CN109840624B (zh) * | 2019-01-08 | 2020-10-30 | 浙江工业大学 | 一种基于狄克斯特拉算法的电动汽车充电调度优化方法 |
CN109784558B (zh) * | 2019-01-11 | 2021-05-18 | 浙江工业大学 | 一种基于蚁群算法的电动汽车充电调度优化方法 |
CN111722596B (zh) * | 2019-03-20 | 2023-03-10 | 北京京东振世信息技术有限公司 | 一种多级调度方法和装置 |
CN109823181A (zh) * | 2019-03-22 | 2019-05-31 | 福建工程学院 | 一种基于车桩互联系统的充电提醒方法及装置 |
CN110211405B (zh) * | 2019-05-22 | 2021-11-09 | 南京理工大学 | 一种基于交通信息素模型的出行路径规划方法 |
CN110155073B (zh) * | 2019-05-24 | 2020-06-09 | 合肥工业大学 | 基于驾驶人偏好的驾驶行为模式识别方法与系统 |
CN110222907B (zh) * | 2019-06-18 | 2021-10-08 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
CN112460754A (zh) * | 2019-09-06 | 2021-03-09 | 中移物联网有限公司 | 空调设备控制方法、装置、电子设备及车载终端 |
CN110887501B (zh) * | 2019-11-15 | 2020-10-02 | 桂林电子科技大学 | 一种面向可变目的地的交通导航方法及装置 |
CN111044067A (zh) * | 2019-12-05 | 2020-04-21 | 国网北京市电力公司 | 路径确定方法及装置 |
CN110733982B (zh) * | 2019-12-20 | 2020-05-19 | 广东博智林机器人有限公司 | 一种多塔吊转运调度方法及系统 |
CN113139669B (zh) * | 2020-01-17 | 2024-01-16 | 北京京邦达贸易有限公司 | 多目标路线规划的方法、装置、电子设备和存储介质 |
CN111311158B (zh) * | 2020-03-04 | 2023-08-18 | 西华大学 | 一种有限充电设施条件下的电动物流车路径规划方法 |
CN111429743A (zh) * | 2020-03-13 | 2020-07-17 | 南京邮电大学 | 一种面向智慧移动出行平台的车辆行驶诱导方法 |
CN111609867B (zh) * | 2020-06-19 | 2022-02-22 | 北京交通大学 | 一种电动汽车路径规划方法 |
CN111708369B (zh) * | 2020-07-17 | 2021-07-23 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN111967673A (zh) * | 2020-08-18 | 2020-11-20 | 武汉轻工大学 | 一种基于膜系统的多目标车辆路径优化方法及装置 |
CN112161638B (zh) * | 2020-09-24 | 2021-08-27 | 清华大学 | 一种多目标优化的个性化路径选择方法 |
CN112488358B (zh) * | 2020-10-31 | 2023-04-07 | 海南电网有限责任公司 | 一种电动汽车充电路径规划方法和存储介质 |
CN112330057B (zh) * | 2020-11-24 | 2021-11-09 | 江苏凯华冷能技术有限公司 | 基于大数据的冷链物流冷藏产品运输质量优化管理系统 |
CN112882466B (zh) * | 2021-01-12 | 2023-03-31 | 上海电力大学 | 一种融合分层规划和a*算法的共享电动汽车路径规划方法 |
CN113050631B (zh) * | 2021-03-11 | 2022-07-19 | 湖南大学 | 一种电动汽车三维路径规划方法 |
CN113379289B (zh) * | 2021-06-25 | 2022-10-25 | 吉林大学 | 一种基于机会约束规划的电动公交车辆空调使用规划方法 |
CN115808922B (zh) * | 2022-01-07 | 2023-10-27 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10332404A (ja) * | 1997-06-05 | 1998-12-18 | Aisin Aw Co Ltd | ナビゲーション装置 |
CN103473612A (zh) * | 2013-09-06 | 2013-12-25 | 周伟华 | 面向超大规模物流配送的选址与运输优化方法 |
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
-
2014
- 2014-10-11 CN CN201410534280.4A patent/CN104331743B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10332404A (ja) * | 1997-06-05 | 1998-12-18 | Aisin Aw Co Ltd | ナビゲーション装置 |
CN103473612A (zh) * | 2013-09-06 | 2013-12-25 | 周伟华 | 面向超大规模物流配送的选址与运输优化方法 |
CN103971530A (zh) * | 2014-05-27 | 2014-08-06 | 四川汇源吉迅数码科技有限公司 | 一种实时路径规划方法 |
Non-Patent Citations (1)
Title |
---|
"蚊群算法求电动汽车最优行驶路径与充电方案";冯智泉 等;《机电一体化》;20130830;43-48 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034465A (zh) * | 2018-07-16 | 2018-12-18 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
CN109034465B (zh) * | 2018-07-16 | 2020-02-21 | 河海大学 | 考虑充电站选址与出行路径耦合的充电站两层规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104331743A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331743B (zh) | 一种基于多目标优化的电动车辆出行规划方法 | |
CN109034465B (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN108510128B (zh) | 一种区域电动汽车充电负荷时空分布预测方法 | |
CN102959358B (zh) | 车辆的电力消耗量计算装置、信息提供装置及信息提供方法 | |
CN107490386A (zh) | 一种电动汽车最优路径和驾驶方式的规划方法及系统 | |
CN104766484B (zh) | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 | |
CN107168305A (zh) | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 | |
CN113393690B (zh) | 考虑自动驾驶专用车道的混合交通均衡分配方法 | |
CN104637328B (zh) | 一种车辆自组织网络中基于rsu的分布式实时导航方法 | |
CN106225800A (zh) | 基于实时路况信息的环境友好型车辆导航路径构建方法 | |
CN114550482B (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
CN105989737A (zh) | 一种停车诱导方法 | |
CN107134137A (zh) | 一种考虑实时信息的动态路径选择方法 | |
Mao et al. | A comparison of deep reinforcement learning models for isolated traffic signal control | |
CN110388932A (zh) | 一种电动汽车充电导航方法 | |
CN110501020A (zh) | 一种多目标三维路径规划方法 | |
Qiao et al. | Vehicle powertrain connected route optimization for conventional, hybrid and plug-in electric vehicles | |
CN115222156A (zh) | 基于分时对偶路网考虑用户需求响应的汽车充电调度方法 | |
CN116993031A (zh) | 一种电动车的充电决策优化方法、装置、设备及介质 | |
Zhang et al. | Multi-objective route search for electric vehicles using ant colony optimization | |
Xiao et al. | A collaborative reservation mechanism of multiple parking lots based on dynamic vehicle path planning | |
Zhang et al. | Integrated velocity optimization and energy management strategy for hybrid electric vehicle platoon: A multi-agent reinforcement learning approach | |
CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
CN108199895A (zh) | 一种智能卡口优化布置方法及装置 | |
CN110084522A (zh) | 基于随机粒子群算法的ev充电站位置生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |