CN107239858A

CN107239858A - 服务路径规划方法、装置与电子设备

Info

Publication number: CN107239858A
Application number: CN201710402705.XA
Authority: CN
Inventors: 李隆帜; 于德权; 赵志强; 黄寅
Original assignee: Dalian Good Technology Co Ltd
Current assignee: Dalian Good Technology Co Ltd
Priority date: 2017-06-01
Filing date: 2017-06-01
Publication date: 2017-10-10

Abstract

本公开提供一种服务路径规划方法与装置。服务路径规划方法包括：步骤S102：根据服务车辆数量n、各服务车辆载容量m_n以及每条服务路径的服务耗费构建i个染色体种群，每个染色体种群包括n个染色体，每个染色体的信息为一辆服务车辆的服务路径集合；步骤S104：使各染色体种群分别以染色体适应度大于第一预设值为条件进行E1次遗传算法进化；步骤S106：比较各进化后的染色体种群的种群适应度，根据种群生存规则选择存活种群；步骤S108：重复E2次步骤S104‑步骤S106；步骤S110：对适应度最大的染色体种群解码，输出每辆服务车辆的行驶路径。本公开提供的服务路径规划方法可以提高除雪车的工作效率，节省成本。

Description

服务路径规划方法、装置与电子设备

技术领域

本公开涉及路径规划技术领域，具体而言，涉及一种服务路径规划方法与装置。

背景技术

在冬季，北方城市会有不同程度的降雪，如果不及时清理会影响交通系统的正常运行，造成经济损失和人身伤害。不同城市对除雪通常有不同程度的要求，例如要求在雪停4-6小时内完成主干道的除雪工作，8-12小时内完成次级道路的除雪工作。目前，多数城市已配有专业的除雪车、撒布机、雪铲或滚刷等除雪工具，通过在除雪过程中撒布融雪剂或直接铲除积雪来对城市道路进行除雪作业。

在除雪车运行过程中，往往需要详细规划运行线路，以尽可能节省时间和材料(融雪剂、水、汽油/柴油)。现有技术中，针对除雪车的路径规划通常侧重于节省单辆除雪车的行驶里程，但是在实际应用过程中，往往需要多种车型的多辆除雪车共同进行除雪作业，且多辆除雪车往往分属于多个车场。对于允许使用融雪剂的城市，现有的除雪车路径规划方案无法做到避免融雪剂的重复撒布，因而也无法避免氯盐造成的环境污染以及资源浪费。

因此，需要一种高效节约的除雪车服务路径规划方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种服务路径规划方法与系统，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或多个问题。

根据本公开实施例的第一方面，提供一种服务路径规划方法，包括：一种服务路径规划方法，其特征在于，包括：

步骤S102：根据服务车辆数量n、各服务车辆载容量m_n以及每条服务路径的服务耗费构建i个染色体种群，每个所述染色体种群包括n个染色体，每个所述染色体的信息为一辆服务车辆的服务路径集合；

步骤S104：使各所述染色体种群分别以染色体适应度大于第一预设值为条件进行E1次遗传算法进化；

步骤S106：比较各进化后的所述染色体种群的种群适应度，根据种群生存规则选择存活种群；

步骤S108：重复E2次所述步骤S104-步骤S106；

步骤S110：对适应度最大的染色体种群解码，输出每辆所述服务车辆的行驶路径。

在本公开的一种示例性实施例中，还包括：

获取服务信息，所述服务信息包括城市道路与路口信息、所述服务车辆数量n、所述各服务车辆载容量m_n、服务路径、所述每条服务路径的服务耗费以及车场位置与数量。

在本公开的一种示例性实施例中，所述构建i个染色体种群包括：

步骤S202：根据所述城市道路与路口信息对道路与路口编号，根据所述车场位置与数量将车场作为长度为0的道路编号，生成路径有向弧集合；

步骤S204：将所述路径有向弧集合中的路径有向弧划分为n个子集合C1至Cn，使每个子集合与一辆服务车辆对应；

步骤S206：调整各子集合中的路径有向弧，使每个子集合中的所述服务路径的服务耗费总量不大于该子集合对应的服务车辆的载容量；

步骤S208：将调整后的n个子集合记录为n个染色体，将所述n个染色体记录为一个所述染色体种群；

步骤S210：对所述路径有向弧集合内的路径有向弧进行随机排序，重复步骤S204、S206、S208；

步骤S212：重复步骤S210直至生成所述i个染色体种群。

在本公开的一种示例性实施方式中，还包括：获取作业药剂补充点的位置，将所述作业药剂补充点作为道路编号加入路径有向弧集合，并根据所述各子集合中的作业药剂补充点数量与位置调整所述各子集合对应的所述服务车辆的载容量。

在本公开的一种示例性实施例中，所述构建i个染色体种群还包括设置约束条件，所述约束条件包括：

每条所述服务路径至少被一辆服务车辆通过；

每条所述服务路径只能被一辆车服务且只能被服务一次；

每条所述服务路径都要被服务。

在本公开的一种示例性实施例中，还包括：

如果限制在有限时间内完成除雪任务，还需满足约束条件：

其中，T_k为车辆k的行驶时间；x_nk表示路径n是否被车辆k通过，x_nk＝1表示路径n被车辆k通过，x_nk＝0表示路径n未被车辆k通过；y_nk表示路径n是否被车辆k服务，y_nk＝1表示路径n被车辆k服务，y_nk＝0表示路径n未被车辆k服务；l_n表示路径n的长度；R表示所述路径集合；v₁、v₂分别是车辆的正常行驶速度和工作行驶速度。

在本公开的一种示例性实施例中，所述染色体适应度通过以下公式计算：

f(C_ij)＝1/Z_ij

其中Cij为所述染色体种群Gi中的第j条染色体，lm,ij为染色体中的基因。

在本公开的一种示例性实施例中，所述种群适应度通过以下公式计算：

其中

在本公开的一种示例性实施例中，所述种群生存规则包括：

保留种群适应度大于第二预设值的染色体种群；

经过一个进化周期后，选择当前适应度最差的种群，以及适应度无变化的种群，使之消亡，并生成对应数目的新种群；

新种群在第二个进化周期后参与筛选比较；

如果一个染色体种群是最优种群，经过一个进化周期后依然是最优种群，即使适应度不变，依然保留该染色体种群。

在本公开的一种示例性实施例中，所述对适应度最大的染色体种群解码包括：

设置路径矩阵，所述路径矩阵记录任意两条路径之间需经过的路径；

根据所述染色体种群中每条染色体的信息获取每辆服务车辆的服务路径；

根据所述路径矩阵与所述服务路径生成所述每辆服务车辆的行驶路径。

在本公开的一种示例性实施例中，还包括同类型的每辆服务车辆的工作时间相差不大于预设值。

在本公开的一种示例性实施例中，还包括根据所述每辆所述服务车辆的行驶路径为所述服务车辆提供导航。

在本公开的一种示例性实施例中，还包括：

获取服务路径的优先级，将服务路径按优先级分为至少一个路径组；

按优先级由高至低的顺序分批对所述路径组内的服务路径进行服务路径规划。

在本公开的一种示例性实施方式中，还包括：获取所述服务路径的优先级，调度所述服务车辆对所述服务路径按所述优先级由高至低的顺序分批作业。

根据本公开的第二方面，提供一种路径规划装置，包括：

种群构建模块，用于根据服务车辆数量n、各服务车辆载容量m_n以及每条服务路径的服务耗费构建i个染色体种群，每个所述染色体种群包括n个染色体，每个所述染色体的信息为一辆服务车辆的服务路径集合；

一级进化模块，用于使各所述染色体种群分别以染色体适应度大于第一预设值为条件进行E1次遗传算法进化；

二级进化模块，用于比较各进化后的所述染色体种群的种群适应度，根据种群生存规则选择存活种群；

方案输出模块，用于在所述一级进化模块与所述二级进化模块联合运行E2次后对适应度最大的染色体种群解码，并输出每辆所述服务车辆的行驶路径。

根据本公开的第三方面，提供一种电子设备，其特征在于，包括：处理器；存储器，存储用于所述处理器控制上述任一项所述的操作的指令。

本公开提供的服务路径规划方法，通过将服务路径与车场设置为有向弧，并通过构建多个染色体种群，使用遗传算法进行两级进化从而得出最优种群解码，输出路径规划方案，可以结合城市实际道路情况，为涉及到多车场的多种车型的多辆除雪车提供高效的路径规划与导航，并能有效避免融雪剂重复撒布，提高了除雪车的工作效率，节省了作业成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本公开示例性实施例中服务路径规划方法的流程图。

图2示意性示出本公开示例性实施例中构建i个染色体种群的流程图。

图3示意性示出本公开示例性实施例中道路信息提取方式之一的示意图。

图4示意性示出本公开示例性实施例中道路信息提取方式之二的示意图。

图5示意性示出本公开示例性实施例中道路信息提取方式之三的示意图。

图6示意性示出本公开示例性实施例中道路信息提取方式之四的示意图。

图7示意性示出本公开示例性实施例中某市某区的除雪道路示意图。

图8示意性示出本公开示例性实施例中演示车辆行驶路径的示意图。

图9示意性示出本公开示例性实施例中同时演示多辆服务车辆行驶路径的示意图。

图10示意性示出本公开示例性实施例中路径规划装置的方框图。

图11示意性示出本公开示例性实施例中另一种路径规划装置的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

下面结合附图对本公开示例实施方式进行详细说明。

图1示意性示出本公开示例性实施例中服务路径规划方法的流程图。参考图1，服务路径规划方法100可以包括：

步骤S102：根据服务车辆数量n、各服务车辆载容量m_n以及每条服务路径的服务耗费构建i个染色体种群，每个染色体种群包括n个染色体，每个染色体的信息为一辆服务车辆的服务路径集合。

步骤S104：使各染色体种群分别以染色体适应度大于第一预设值为条件进行E1次遗传算法进化。

步骤S106：比较各进化后的染色体种群的种群适应度，根据种群生存规则选择存活种群。

步骤S108：重复E2次步骤S104-步骤S106。

步骤S110：对适应度最大的染色体种群解码，输出每辆服务车辆的行驶路径。

本公开提供的服务路径规划方法通过使用遗传算法对路径进行规划，实现了结合城市实际道路情况，为除雪车辆优化作业路线，方便调度人员进行除雪安排，并为服务车辆提供导航服务。本发明提供的路线规划方案满足以下约束条件：车辆总作业里程尽量短；各车作业时间尽量平均；避免多辆车服务路径重复；避免车辆在撒完融雪剂后才开始返回车库，尽量在融雪剂用光的同时返回车库；如果有多个融雪剂补充点的话，选择合适的补充点；不同优先级的道路按照要求进行分批作业；较宽的道路需要多次作业时，车辆经过时会提示作业车道。

下面，对服务路径规划方法100的各个步骤进行详细说明。

值得说明的是，在本公开的一种示例性实施例中，服务路径规划方法100还可以包括预先获取服务信息，服务信息包括城市道路与路口信息、服务车辆数量n、各服务车辆载容量m_n、服务路径、每条服务路径的服务耗费以及车场位置与数量。

图2示意性示出本公开示例性实施例中构建i个染色体种群的流程图。参考图2，在获取到服务车辆数量n、各服务车辆载容量m_n以及每条服务路径的服务耗费等信息后，构建i个染色体种群包括：

步骤S202：根据城市道路与路口信息对道路与路口编号，根据车场位置与数量将车场作为长度为0的道路编号，生成路径有向弧集合。

步骤S204：将路径有向弧集合中的路径有向弧划分为n个子集合C₁至C_n，使每个子集合与一辆服务车辆对应。

步骤S206：调整各子集合中的路径有向弧，使每个子集合中的服务路径的服务耗费总量不大于该子集合对应的服务车辆的载容量。

步骤S208：将调整后的n个子集合记录为n个染色体，将n个染色体记录为一个染色体种群。

步骤S210：对路径有向弧集合内的路径有向弧进行随机排序，重复步骤S204、S206、S208。

步骤S212：重复步骤S210直至生成i个染色体种群。

在本公开的一种示例性实施方式中，还可以包括：获取作业药剂补充点的位置，将作业药剂补充点作为道路编号加入路径有向弧集合，并根据各子集合中的作业药剂补充点数量与位置调整各子集合对应的服务车辆的载容量。

具体而言，对步骤S206，如果一个子集合中的路径有向弧中包括至少一个作业药剂补充点，则使该子集合中车场与作业药剂补充点之间和/或作业药剂补充点之间的服务路径的服务耗费总量不大于该子集合对应的服务车辆的载容量。

详细地说，本示例性实施例通过构建数学模型实现路径规划，可以首先可以定义相关变量：

V＝{v₀,v₁,...,v_n},道路交叉点的集合；

R＝{r_ij}＝{r_n},路段有向弧集合,v_i和v_j为弧端点，n为弧编号，r_ij和r_ji为端点相同但是方向相反的有向弧，对于同向多车道路段，把不同车道标记为不同的有向弧；

需要服务的有向弧集合；

L＝{l_n}，有向弧长度集合；

W＝{w_n}表示有向弧服务耗费系数，wn＝0，弧rn不被服务，wn>0,rn被服务；

D＝{d_mn}表示有向弧m到n的距离，定义为弧m起点到弧n起点的距离；

K＝{1,2,...,M}，表示已编号的工作车辆，各车载容量分别c_m；

X＝{x_nk},x_nk＝1弧n被车辆k通过，x_nk＝0,不通过；

Y＝{y_nk},y_nk＝1,弧n被车辆k服务，y_nk＝0,不服务；

N＝{N_k},N_k为车辆k行驶路线中服务的需求弧数量。

在本实施例中，进行路径规划的目的在于节省资源和时间，为实现这个目的可选取车辆总的行驶里程(Z)作为特征量，从而构建目标函数为：

在本实施例中，构建i个染色体种群还包括设置约束条件，约束条件可以包括每条服务路径至少被一辆服务车辆通过；每条服务路径只能被一辆车服务且只能被服务一次；每条服务路径都要被服务。

实际操作中，约束条件还可以包括更多内容，例如可以通过式(2)至式(6)表示约束条件：

n(N)＝n(S)＝M (6)

其中式(2)表示单个需求弧至少被一辆车通过，通过次数无限制，式(3)表示单个需求弧只能被一辆车服务且只能服务一次，式(4)表示所有需求弧都要保证被服务，式(5)表示所有每辆车在行驶路径中的服务耗费不能超过其载容量，式(6)表示需要足够的车辆以服务所有需求弧。除了上述约束条件，如果限制在有限时间内完成除雪任务，还需满足下面的约束条件：

其中T_k为车辆k的行驶时间，v₁和v₂分别是车辆正常行驶速度和工作行驶速度。

路径规划问题属于N-P问题，因此很难求得准确解，一般取所能得到的满足约束条件的最优解。在本实施例中使用结合隔离技术的改进遗传算法进行最优解的求解。遗传算法的基本思想源于达尔文的进化论和门德尔的遗传学说，核心思想是适者生存，优胜劣汰。遗传算法通常用串(染色体)表示问题的一个解，多条染色体组成一个种群，对种群内各个染色体的基因片段进行不断重复(选择-交叉-变异)过程，丢弃效果较差的解，最终得到满足精度的最优解。遗传算法中解的好坏由适应度函数加以判断，适应度函数需满足解越精确函数值越大，对于本实施例中的问题，适应度函数可以定义为：

f(Z)＝1/Z (8)

可知目标函数中车辆行驶里程越短，适应度函数值越大。在模型中,用弧编号对染色体编码，在只考虑一个车场的情况下，染色体格式如下：

C＝(0,r_1,1,r_2,1,…,r_m,1,0,r_1,2,r_2,2,…,r_n,2,0…,r_1,j,r_2,j,…,r_u,j,0) (9)

其中0表示车场，每一辆车从车场出发最终返回车场，r_i,k表示车辆k通过的有向弧r_i对于包含多车车场的情况，式(9)中0可由其它代表车场的编号表示，表示车辆从车场i出发返回车场j，具体情况可定义相应的约束条件。因为城市道路路况复杂，数学模型中路段有向弧的数目非常大，因此式(9)中染色体构造方法在进行遗传算法迭代时收敛速度很慢。针对这种情况，借鉴自然界的原理，将传统遗传算法中单个种群划分为多个种群G_i。这里各个种群的构造方式也与传统情况有所不同，采用单个种群来表示问题的一个解，其所扮演的角色与传统单种群中的染色体类似。

根据以上的数学模型，在本实施例中，染色体种群G_i的构造方法具体可如下所示：

(1)对车场进行编号S_i，S_i表示弧长为0的有向弧，把车场加入需服务的有向弧集合S，以及R。

(2)结合现实路况中不同路段的连通性和路口转弯情况，假定集合R的元素个数为N，建立一个矩阵MD(N,N)存储不同弧之间的距离，然后利用Floyd算法求出不同弧之间的最短距离，并将结果存储在MD中，建立矩阵MR(N,N)存储弧r_i到r_j通过的中间弧的编号。

(3)对集合S进行随机排序，考虑服务车辆的载容量，将每辆车等同为一个空染色体，依次将集合S中的弧元素放入空染色体中，并且保证总的服务耗费不超过服务车辆的载容量，以此产生多条染色体构成的种群G_i。实际情况下服务车辆数目有限，类型也可能不同，因此种群中染色体数目按服务车辆的类型以相同比例分配，保证各型车辆的工作量分配均衡，最后再添加一条空染色体，同样按相同比例分配原则确定车辆类型，空染色体的作用是通过遗传算法中的交叉操作，实现染色体数目的动态变化，提高每一步进化操作的有效性。

(4)对集合S进行多次随机排序，重复(3)的操作即可产生所需多个种群G_i。

对于单个种群G_i的进化，可以采用传统的进化方案，但由于此时整个种群是问题的一个解，种群进化的目标函数可重新表示为其中C_ij为种群G_i中的第j条染色体，l_m,ij为染色体中的基因，对应于实际问题中的有向弧长度。染色体的适应度函数为：

f(C_ij)＝1/Z_ij (10)

其中C_ij为染色体种群G_i中的第j条染色体，l_m,ij为染色体中的基因。

种群总的适应度函数为：

其中

由此定义可以看出染色体的适应度越大，种群总的适应度也越大。在进化过程中，通过重复经典的遗传算法操作(父代染色体选择父代染色体交叉子代染色体变异子代染色体局部搜索染色体自然选择)，设定种群的进化代数E1，即可得到经过一代优化后的解。

进化后的多个染色体种群为问题的多个解，其中最优解为：

MinZ＝Min{Z₁,Z₂,…,Z_n} (12)

在进化过程中，模拟不同种群的竞争关系，通过种群的优胜劣汰筛选出适应度最高的种群。具体进化机制为：先产生n个种群G，各种群分别独自进化E1代数，比较各个种群的适应度，制定种群生存规则，丢弃表现较差的种群，产生相应数目的新群，通过E2个进化周期的进化，得到最终结果，比较各种群适应度，选择表现最好的种群作为问题的最优解。

为了提高种群的活跃度，加快收敛速度，在本示例实施例中种群生存规则可以包括：

(I)劣种不活：经过一个进化周期后，选择当前适应度最差的种群，以及适应度无变化的种群，使之消亡，并生成对应数目的新种群。

(II)幼种保护：新种群产生后，在进化初期可能无法与其他种群竞争，因此可以设定一个进化周期的保护期，例如在第二个进化周期后再使新种群参与劣种不活的筛选比较。

(III)优种保留：如果一个种群是最优种群，经过一个进化周期后依然是最优种群，即使适应度不变，依然保留该种群。

步骤S108：重复E2次步骤S104-步骤S106。

(1)单染色体由有向弧编号构成，由有向弧编号可得到弧的起点和端点，相邻有向弧之间所需经过的弧编号已存储与矩阵MR中，把这些弧的端点按顺序链接起来，即可得到车辆作业路线(包括车场)的直观表示。

(2)按方法(1)依次对所有染色体进行解码。

在上文的计算机程序计算时只得到了同一类型车辆的作业次数及各个作业路线，而每条作业路线耗费的工作时间不同，有些情况下不同路线耗时差别较大。实际应用中，可例如，为了在最短的时间内完成作业任务，需要对不同作业路线合理分配，对于同类型的每台服务车辆工作时间尽可能均匀分配。这种路线分配同样是一个N-P问题，在本实施例中，依然利用遗传算法以寻找其在有限迭代次数内的最优解。此时元素数目相对少很多，利用传统的遗传算法即可求解。

对车辆的时间负载进行均衡处理后，可得到每台服务车辆的作业路线集合，理论上作业次序部分先后。但是在实际工作时，总希望未被服务的路段被多次通过时在首次被服务或尽早被服务。这里可以用不同作业路线中首个需求弧与车场的最短距离来判断，按距离由近到远来安排作业次序。

在本公开的一种示例性实施例中，还包括根据每辆服务车辆的行驶路径为服务车辆提供导航。可以基于第三方地图程序为服务车辆提供导航，本公开对此不作特殊限定。

在本公开的一种示例性实施例中，还包括：获取服务路径的优先级，将服务路径按优先级分为至少一个路径组；按优先级由高至低的顺序分批对路径组内的服务路径进行服务路径规划。

获取服务路径的优先级的方式例如可以为接收用户通过客户端界面输入的优先级设置，也可以为系统根据城市道路具体情况例如道路宽度等分析而进行的道路优先级设置，本公开对此不作特殊限制。

具体而言，对于有多个优先级的多条服务路径，可以根据其优先级不同对其进行分批规划。例如，可以首先对优先级最高的服务路径进行服务路径规划并导航，然后对优先级次高的服务路径进行服务路径规划并导航，以此类推，直到对所有服务路径完成服务路径规划。

在本公开的一种示例性实施方式中，还可以包括：获取服务路径的优先级，调度服务车辆对服务路径按优先级由高至低的顺序分批作业。

下面通过具体实施例来对上述方法100进行详细说明。

图3至图6是获取城市道路与路口信息过程的示意图。参考图3至图6，城市道路与路口信息例如可以包括道路地理坐标、道路起点和终点、路口坐标以及道路交通规则。具体而言，上述信息可通过如下方式获取：

1.明确服务需求，例如车库位置、服务路径、服务车辆数量n、各服务车辆载容量m_n等，并获取城市路网信息地图。

道路信息提取方式如图2所示：

1.确认要扫的道路①～⑥，道路为紧邻两个点之间的实际道路；

2.确认道路的起点终点，如①的起点为路口1，终点为路口4；

3.选择①的下一个可行路口，如①可直行至②，即路口8，或右转至⑤，即路口3；

4.为道路标记作业与否及作业优先级次序；

注1：如果①要去往④，行进路线为①②③④，路口顺序为1-4-8-9-10，如果①要去往⑧，行进路线为①②③⑦⑧，路口顺序为1-4-8-9-5-2；

注2：每两个路口之间均有一个路段，如4-8，8-9，9-5，5-4；

注3：每条路均为矢量，即不存在8-4的路线，如果要从8到4，行进路线为8-9-5-4；

注4：如果路口4为禁左路口，即①不能前往④(②不能前往③)，则在描述道路②时，起点4，终点8，下一个可行路口11，而没有9。

2.使用地图取点工具为服务路径的每个路口编号并记录其经纬度、道路名称以及道路属性(参考图3)。在本实施例中，地图取点工具可以为基于开放地图应用程序开发的工具。点击路口，编辑序号、提取坐标、记录地址、修改属性并存储。

3.使用地图取线工具为连接相邻两点的道路编号并记录其起点和终点的序号(参考图4)。在本实施例中，地图取点工具可以为基于开放地图应用程序开发的工具。如图左侧，手动输入起点、终点后，自动读取道路长度，并存储。这里起点终点应选择最近的两个点，即两点之间没有其他点(每条路都是最小组成单位，不会包含其他道路了)。

4.使用地图取线工具记录道路经纬度、道路的长度、下一个可行路口及转向(参考图5)。下一个可行路口的选择可以通过在地图上设置临时起点终点来确认可行方向。选择下一个可行路口时，可在现有地图的基础上，选择临时起点和终点，并可进行移动这些点，以此来判断下一个可行路口。如果本应左转的道路却给出绕行道路，则为禁左，那么下一个可行路口就不包含左转的路口。

5.获取道路的服务优先级以及是否存在服务耗费。参考图6，如果扫雪勾选“扫”，如果不在扫雪任务内，不需勾选，并将优先级改为0。如果道路有优先级，则在“优”的列表下填写对应级数。勾选是否扫雪，为道路优先级填写序号，不扫的道路优先级为0。第一级优先道路优先级为1，第二级为2，以此类推。

其中，选择点、确定道路的起点终点、下一个可行路口、确定优先级、是否扫雪、是否撒融雪剂为手动操作。为点和道路编号、读取经纬度、读取道路长度、将数据存入数据库均为自动完成，否则操作过程太多难以完成城市道路建模(参考图7)。

6.验证道路联通性，保证需要服务的道路均是联通的，并且都可以被服务到。在本实施例中，可通过使起点到终点和终点到下一个可行路口互为充分必要条件来实现上述目的，即设置“终点-下一个可行路口”属于并等于“起点-终点”。

图8示意性示出本公开示例性实施例中演示车辆行驶路径的示意图。参考图8，可以在地图上指示车辆按照规划路线行进，其中标识为红色时表示该路段需要撒布融雪剂，标识为蓝色时表示该路段不需要撒布融雪剂。

图9示意性示出本公开示例性实施例中同时演示多辆服务车辆行驶路径的示意图。参考图9，根据上述实施例，服务车辆的数辆可手动调整。在图9中，道路颜色可以为随机选择。

对应于上述方法实施例，本公开还提供一种路径规划装置，可以用于执行上述方法实施例。

图10示意性示出本公开示例性实施例中路径规划装置的方框图。参考图10，路径规划装置1000可以包括：

种群构建模块1002，用于根据服务车辆数量n、各服务车辆载容量m_n以及每条服务路径的服务耗费构建i个染色体种群，每个染色体种群包括n个染色体，每个染色体的信息为一辆服务车辆的服务路径集合；

一级进化模块1004，用于使各染色体种群分别以染色体适应度大于第一预设值为条件进行E1次遗传算法进化；

二级进化模块1006，用于比较各进化后的染色体种群的种群适应度，根据种群生存规则选择存活种群；

方案输出模块1008，用于在一级进化模块与二级进化模块联合运行E2次后对适应度最大的染色体种群解码，并输出每辆服务车辆的行驶路径。

由于装置1000的各功能已在其对应的方法实施例中予以详细说明，本公开于此不再赘述。

此外，本公开还提供一种电子设备，包括：处理器；存储器，存储用于处理器控制上述任一项的操作的指令。

图11示意性示出本公开示例性实施例中另一种路径规划装置的方框图。参考图11，装置1100可以是智能手机、平板电脑等移动终端，其可以包括以下一个或多个组件：处理组件1102，存储器1104，电源组件1106，多媒体组件1108，音频组件1110，传感器组件1114以及通信组件1116。

处理组件1102通常控制装置1100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件1102可以包括一个或多个处理器1118来执行指令，以完成上述的截图方法的全部或部分步骤。此外，处理组件1102可以包括一个或多个模块，便于处理组件1102和其他组件之间的交互。例如，处理组件1102可以包括多媒体模块，以方便多媒体组件1108和处理组件1102之间的交互。

存储器1104被配置为存储各种类型的数据以支持在装置1100的操作。这些数据的示例包括用于在装置1100上操作的任何应用程序或方法的指令。存储器1104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储器1104中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器1118执行，以完成上述任一所示方法中的全部或者部分步骤。

电源组件1106为装置1100的各种组件提供电力。电源组件1106可以包括电源管理系统，一个或多个电源，及其他与为装置1100生成、管理和分配电力相关联的组件。

多媒体组件1108包括在所述装置1100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

音频组件1110被配置为输出和/或输入音频信号。例如，音频组件1110包括一个麦克风(MIC)，当装置1100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1104或经由通信组件1116发送。在一些实施例中，音频组件1110还包括一个扬声器，用于输出音频信号。

传感器组件1114包括一个或多个传感器，用于为装置1100提供各个方面的状态评估。例如，传感器组件1114可以检测到装置1100的打开/关闭状态，组件的相对定位，传感器组件1114还可以检测装置1100或装置1100一个组件的位置改变以及装置1100的温度变化。在一些实施例中，该传感器组件1114还可以包括磁传感器，压力传感器或温度传感器。

通信组件1116被配置为便于装置1100和其他设备之间有线或无线方式的通信。装置1100可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1116经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1116还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在本公开的一种示例性实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项所述的屏幕截图实现方法。该计算机可读存储介质例如可以为包括指令的临时性和非临时性计算机可读存储介质。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims

1.一种服务路径规划方法，其特征在于，包括：

步骤S108：重复E2次所述步骤S104至所述步骤S106；

2.根据权利要求1所述的服务路径规划方法，其特征在于，还包括：

3.根据权利要求2所述的服务路径规划方法，其特征在于，所述构建i个染色体种群包括：

步骤S204：将所述路径有向弧集合中的路径有向弧划分为n个子集合C₁至C_n，使每个子集合与一辆服务车辆对应；

步骤S210：对所述路径有向弧集合内的路径有向弧进行随机排序，依次重复步骤S204、S206、S208；

步骤S212：重复步骤S210直至生成所述i个染色体种群。

4.根据权利要求3所述的服务路径规划方法，其特征在于，所述步骤S206还包括：

获取作业药剂补充点的位置，将所述作业药剂补充点作为道路编号加入所述路径有向弧集合；

根据所述各子集合中的作业药剂补充点数量与位置调整所述各子集合对应的所述服务车辆的载容量。

5.根据权利要求1所述的服务路径规划方法，其特征在于，所述构建i个染色体种群还包括设置约束条件，所述约束条件包括：

每条所述服务路径至少被一辆服务车辆通过；

每条所述服务路径只能被一辆车服务且只能被服务一次；

每条所述服务路径都要被服务。

6.根据权利要求5所述的服务路径规划方法，其特征在于，还包括：如果限制在有限时间内完成除雪任务，还需满足约束条件：

<mrow> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>&Element;</mo> <mi>R</mi> </mrow> </munder> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mi>k</mi> </mrow> </msub> <mo>*</mo> <msub> <mi>l</mi> <mi>n</mi> </msub> <mo>/</mo> <msub> <mi>v</mi> <mn>1</mn> </msub> <mo>+</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>&Element;</mo> <mi>R</mi> </mrow> </munder> <msub> <mi>y</mi> <mrow> <mi>n</mi> <mi>k</mi> </mrow> </msub> <mo>*</mo> <msub> <mi>l</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>/</mo> <msub> <mi>v</mi> <mn>2</mn> </msub> <mo>-</mo> <mn>1</mn> <mo>/</mo> <msub> <mi>v</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow>

7.根据权利要求1所述的服务路径规划方法，其特征在于，所述染色体适应度通过以下公式计算：

f(C_ij)＝1/Z_ij

其中C_ij为所述染色体种群G_i中的第j条染色体，l_m,ij为染色体中的基因。

8.根据权利要求7所述的服务路径规划方法，其特征在于，所述种群适应度通过以下公式计算：

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>Z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>/</mo> <mrow> <mo>(</mo> <munder> <mo>&Sigma;</mo> <mi>j</mi> </munder> <mn>1</mn> <mo>/</mo> <mo>(</mo> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>C</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>

其中

9.根据权利要求7所述的服务路径规划方法，其特征在于，所述种群生存规则包括：

保留种群适应度大于第二预设值的染色体种群；

新种群在第二个进化周期后参与筛选比较；

10.根据权利要求1所述的服务路径规划方法，其特征在于，所述对适应度最大的染色体种群解码包括：

11.根据权利要求1所述的服务路径规划方法，其特征在于，还包括同类型的每辆服务车辆的工作时间相差不大于预设值。

12.根据权利要求1所述的服务路径规划方法，其特征在于，还包括根据所述每辆所述服务车辆的行驶路径为所述服务车辆提供导航。

13.根据权利要求1所述的服务路径规划方法，其特征在于，还包括：

获取服务路径的优先级，将所述服务路径按所述优先级分为至少一个路径组；

按所述优先级由高至低的顺序分批对所述路径组内的服务路径进行服务路径规划。

14.根据权利要求1所述的服务路径规划方法，其特征在于，还包括：

获取所述服务路径的优先级，调度所述服务车辆对所述服务路径按所述优先级由高至低的顺序分批作业。

15.一种路径规划装置，其特征在于，包括：

16.一种电子设备，其特征在于，包括：处理器；存储器，存储用于所述处理器控制如权利要求1-14任一项所述的服务路径规划方法的操作指令。