CN107766994A

CN107766994A - 一种共享自行车调度方法与调度系统

Info

Publication number: CN107766994A
Application number: CN201711259360.3A
Authority: CN
Inventors: 张生; 向冠华
Original assignee: Changsha University of Science and Technology
Current assignee: Changsha University of Science and Technology
Priority date: 2017-12-04
Filing date: 2017-12-04
Publication date: 2018-03-06
Anticipated expiration: 2037-12-04
Also published as: CN107766994B

Abstract

本发明提供一种共享自行车调度方法和调度系统，该调度方法和调度系统针对共享自行车调度问题建立VRPSPD模型，并通过混合变邻域离散粒子群算法求解模型得到最优调度方案；由于本发明建立的VRPSPD模型整合了图论理论和混合整数规划理论，同时结合VRPSPD模型和m‑TSP模型建立，因此更加全面；且采用的混合变邻域离散粒子群算法结合了离散粒子群收敛快、精度高的能力和变邻域搜索算法的局部搜索能力，可以防止离散粒子群在优化过程中陷入局部最优，从而能得到真正的最优调度方案，以解决共享自行车的调度问题，提高共享自行车的运转效率和管理调度水平，有效提高车辆使用率。

Description

一种共享自行车调度方法与调度系统

技术领域

本发明涉及共享自行车调度技术领域，具体涉及一种共享自行车调度方法与调度系统，尤其涉及一种基于共享自行车调度问题的VRPSPD问题及混合变邻域离散粒子群算法的共享自行车调度方法与调度系统。

背景技术

共享自行车(单车)是指企业在校园、地铁站点、公交站点、居民区、商业区、公共服务区等提供自行车(单车)共享服务，是一种分时租赁模式。共享单车是一种新型共享经济。

目前上市面上出现的共享单车品牌很多：以ofo小黄车和摩拜单车为主，其他还有智享单车、永安行、hellobike(哈罗单车)等。截至2016年底，第三方数据研究机构比达咨询发布的《2016中国共享单车市场研究报告》显示，中国共享单车市场整体用户数量已达到1886万，预计2017年，共享单车市场用户规模将继续保持大幅增长，年底将达5000万用户规模。

交通部科研院联合高德地图等发布的《2017年第二季度中国主要城市交通分析报告》显示：一方面，共享单车在一定程度上减缓了地铁周边和城市的拥堵状况；另一方面，共享单车乱停乱放也使地铁周边拥堵加剧。若共享单车增加合理调度，可减少近3成的投放量。以北京市五环区域为例，若投放70万辆共享单车并合理摆放，在不调度的情况下，平均能将75％的出行需求潜力转换为出行量，且单车在工作时段停放集中，占用道路资源严重，夜间停放则相对分散，不易管理。若增加合理调度，可减少27％的单车投放量，即51万辆单车就能将75％的出行需求潜力转换为出行量。

因此，共享单车运营商应充分利用智能化手段，提高单车运转效率和管理调度水平，有效提高车辆使用率。这样不仅能降低车辆投放带来的成本，还能减少单车集中停放给道路环境带来的影响，实现企业与社会及单车使用者多赢的目标。

车辆路径问题VRPSPD(Vehicle Routing Problem with SimultaneousDelivery),VRPSPD问题是车辆路径问题(VRP)的一种扩展，在VRPSPD问题中，客户的需求是双重的，即同时有取货需求和送货需求，不可以将两者分开独立进行服务，也就是说客户只接收依次服务。

VRPSPD问题由Min^[1]于1989年首次提出，解决了车辆数确定和车辆负载能力有限的情况下，一个中心图书馆与22个地方图书馆之间图书发送与回库的问题，使用了先聚类后排序的方法，将每个聚类中的TSP问题作为子问题进行优化。之后的十多年中，这一领域的研究相对较少，直到近年来，一些学者开始关注并继续研究这一问题。Halse^[2]使用先聚类后排序以及3-OPT算法求解了一个仓库下多辆车的VRPSPD问题；Gendreau et al.^[3]研究了只有一辆车的VRPSPD问题，首先解决TSP问题，然后在TSP路径上安排送货和取货的次序；Dethloff^[4]首次从逆向物流的角度来研究这个问题，建立了VRPSPD的数学模型，提出了一种基于插入的启发式算法和基于车辆服务自由度的插入准则，通过保持较高的车辆当前剩余空间，增大车辆访问剩余客户的自由度。Tang&Galvao^[5]提出了两种局部搜索启发式算法，第一种是对路径分割算法的改进，第二种是对sweep算法的应用改进，并建立了VRPSPD的一种可替代的数学模型，利用解决VRPB问题的方法解决了只有一辆车的VRPSPD问题；Tang&Galvao^[6]首次提出了具有车辆最大行程约束的VRPSPD问题的数学模型，并使用禁忌搜索算法以及混合的局部优化算法进行求解；Angelelli and Mansini利用分支定界法和分支价格法的精确算法解决了带时间窗约束的VRPSPD问题。

对于共享自行车的VRPSPD问题，首先，需要针对本发明拟解决的共享自行车的调度问题，建立一个VRPSPD模型，由于现有的共享自行车调度问题涉及多辆调度车，因此建立的VRPSPD模型会涉及到多个数据之间的组合优化，其复杂度较大，传统求解VRPSPD问题模型不可行，因此，若要求解本发明拟解决的共享自行车的问题建立的VRPSPD模型，还需要寻求一种新的只能算法才能求得最优调度方案。

对比文件1：CN 104916124 B公开一种基于马尔可夫模型的公共自行车系统调控方法，其主要采用OD矩阵统计推断实时进行公共自行车系统调度。

发明内容

本发明要解决的技术问题是提供一种共享自行车调度方法和调度系统，该调度方法和调度系统针对共享自行车调度问题建立VRPSPD模型，并通过混合变邻域离散粒子群算法求解模型得到最优调度方案；由于本发明建立的VRPSPD模型整合了图论理论和混合整数规划理论，同时结合VRPSPD模型和m-TSP模型建立，因此更加全面；且采用的混合变邻域离散粒子群算法结合了离散粒子群收敛快、精度高的能力和变邻域算法的局部搜索能力，可以防止离散粒子群在优化过程中陷入局部最优，从而能得到真正的最优调度方案，以解决共享自行车的调度问题，提高共享自行车的运转效率和管理调度水平，有效提高车辆使用率。

为了解决上述技术问题，本发明采用以下技术方案：

提供一种共享自行车调度方法，具体包括如下步骤：

S1、确定共享自行车调度问题：

S101、已知n个自行车站点(1,2,3，...,n)，第i个自行车站点的调度量为q_i：如果q_i＜0，站点i需要从调度车上卸载|q_i|辆；如果q_i＞0，站点i中的q_i辆车需要装入到调度车；破损自行车的数量为p_i；

通过多辆调度车的同时运行，来服务完所有站点，每个站点i(i＝1,2,...,n)都有调度量p_i和破损量q_i，每辆调度车的容量为Q，且对于每个站点：q_i≤Q，p_i≤Q；

S102、利用有向带权图G描述调度车对自行车站点自行车进行调度和对破损自行车辆的收集，设G＝(V,A,C)，其中：

V代表自行车站点集合，V＝{i|i＝0,1,...,n}(0代表调配中心，其他为站点序号)；A代表连接各个自行车站点之间的弧集合，A＝{(i,j)|i,j∈V}；C代表各个连接弧的权重值，C＝{c_ij|(i,j)∈A}，c_ij表示从站点i到站点j之间的费用(比如：距离、时间等)；

S103、确定自行车调度模型的解果由符合以下约束条件的m条路径组成：

(1)每辆调度车都是从仓库出发，最后回到仓库，即起点和终点一致；

(2)每个自行车站点只能被一辆调度车访问一次；

(3)任意一条路径弧后的调度车的总装载量不能超过调度车的容量Q，当调度车不能够满足站点的调度需求、回收需求或无法满足车辆负载约束的时候，就返回仓库；

(4)最小化每条路径的调度车辆的空载量。

(5)最小化总路径费用；

S2、建立自行车调度VRPSPD数学模型：

S201、首先建立目标函数：

min∑_i∈V∑_j∈V∑_k∈Kc_ijx_ijk；

目标函数是使调度车运行最小；

S202、然后设定约束条件：

设定约束条件(1)：

约束条件(1)从点的角度进行约束，确保除自调度车的停靠点外的其他自行车站点只能被访问一次，也保证每个点都被访问到；

约束条件(2)：

约束条件(3)：

约束条件(4)：

约束条件(3)、(4)能确保有m辆调度车从停靠点出发最终回到停靠点；

约束条件(5)：

约束条件(6)：

约束条件(6)是第k辆调度车的初始载重量；

约束条件(7)：∑_k∈KL_0k≥max{0，-Q_tot}；

约束条件(7)能确保每辆调度车的载重量为正值；同时满足通过该站点后的调度车辆剩余要能满足下一个站点的需求。

约束条件(8)：

约束条件(8)能确保第k辆调度车的最终载重量；

约束条件(9)：

约束条件(9)能计算出整个自行车系统的总破损自行车数量；

约束条件(10)：

约束条件(10)计算从第一个站点出发时的调度车调度量；

约束条件(11)：

约束条件(11)能计算出调度通过自行车站点j后的装载量；

约束条件(12)：

约束条件(13)：L_kj≤Q,j∈V₀，k∈K；

约束条件(12)(13)限制调度车辆的载重最大量；

约束条件(14)：

约束条件(14)为图论理论中的Hamilton圈最小圈计算公式；

上述各符号的定义如下：

V：站点集；

A：弧集；

N：自行车车站点个数；

p_i：表示站点i上的破损单车的数量，p_i≥0

k：第k辆调度车,K是调度车辆的集合，k＝1,2…,m

m：调度车的个数；

Q：调度车的容量；

q_i：站点i的需求，对于每一个i∈V，已知需求q_i,同时单车仓库q₀＝0.需求可正可负；

如果q_i＜0，站点i需要从调度车上卸载|q_i|辆，如果q_i＞0，站点i中的q_i辆车需要装入到调度车；

c_ij：弧(i，j)上的成本；

L_0k：第k辆调度车离开depot点0之后装载数量，j∈V；

L_k0：第k辆调度车回到depot点0时的装载数量，j∈V；

L_kj：第k辆调度车通过点j之后装载数量，j∈V₀；

f_ij：给出了弧(i,j)上的流量,即通过弧(i,j)上的调度车的装载量，对于任意(i，j)∈A；

g_ij：为通过弧(i,j)的调度车的剩余空间,对于任意

S3、采用混合变领域离散粒子群算法求解步骤S2中建立的自行车调度数学模型，获得最终调度方案。

本发明提供的上述自行车调度问题数学模型整合了图论理论和混合整数规划理论，同时也是结合VRPSPD模型和m-TSP模型来建立的。

进一步地，

上述步骤S3中采用的混合变邻域离散粒子群算法是结合离散粒子群算法和变邻域搜索算法的一种混合算法，其求解步骤S2中建立的自行车调度数学模型的具体求解过程具体包括如下步骤：

S301、初始化离散粒子群

根据随机排列x_i,j∈[1,51]，i∈[1,popsize],j∈[1,length]整数，获得原始粒子X_i＝{x_i,j|x_i,j∈[1,51]，i∈[1,popsize],j∈[1,length]}，设定求解粒子规模为100，再根据约束条件对原始粒子分段，获得粒子编码结果(粒子含义示意图)；

S302、适应度计算

根据如下计算公式，计算出适应度：

适应度函数是筛选粒子的一个标准，作为优化的目标，选择用目标函数的倒数作为适应度函数；

上述适应度计算公式中：X(i)表示在初始粒子中的路径数据编号；

c_i,j表示为从i地到j地的车辆费用(路程)；

fitness为粒子的适应度值。

S303、粒子历史最优值和全局最优值选取

所述粒子历史最优值为粒子历史最好的适应度；

所述粒子全局最优值为全部粒子搜索到的全局最优解，即所有的粒子历史最优值里面的最优值；具体选取方法如下：

S304、运用变邻域搜索算法对更新后的粒子历史最优和全局最优进行变邻域操作，操作结果如下：

上述与为邻域结构变换后得到的结果；

S305、更新粒子速度和粒子位置以更新粒子群获得最优调度方案：

根据如下公式(1)更新粒子的飞行速度：

公式(1)中：

ω：为惯性权值；

r₁r₂：为分布于[0-1]之间的随机数；

c₁c₂：分别为粒子的学习因子和社会因子；

为个体的最优粒子位置；

为粒子群的全局最优粒子位置；

n：为当前的迭代次数；

Vⁿ⁺¹：为粒子的更新速度；

Vⁿ：为粒子的当前的速度；

Xⁿ：为粒子当前的位置；

根据如下公式(2)更新粒子的位置：

公式(2)中：

Xⁿ：为粒子的当前位置；

Xⁿ⁺¹：为粒子的更新位置；

Vⁿ⁺¹：为粒子的更新速度；

依次进行迭代；当满足如下收敛条件时，终止；否则继续进行迭代，直至找到最优调度方案；

fitness(n+1)＝fitness(n)或迭代次数≥iteration；

即收敛条件为：第n+1次迭代计算时的fitness值与第n次的fitness值一样的时候，就跳出循环；或者当达到最大的迭代次数iteration时，也跳出循环。

进一步地，

步骤S304中的所述变邻域搜索算法为：开始输入一个初始解s₀，然后依据所提供的邻域结构获得一个新的解s'，进行局部搜索，如果新解满足接受条件，就将当前解替换为s'，否则当前解仍为s₀。按照上述的步骤进行反复的寻找，获得改进后的解s”。

进一步地，

上述变邻域搜索算法的邻域结构包括：插入邻域结构、交换邻域结构、2-opt邻域结构。

以下简单介绍一下变邻域搜索算法常见的几种邻域结构：

变邻域搜索算法是一种局部优化算法，它能够防止其他算法在优化过程中陷入局部最优的境地，已实现全局最优。基础的变领域搜索算法由改进与扰动两步组成，为了提高解的质量，一般会在改进和扰动两步中设置一些邻域结构；不同的邻域结构对提高解质量的作用不一样，因此我们需要选择不同的邻域结构对原始解进行扰动，以最大概率获得优化解。

(1)插入邻域结构：随机产生一个位置δ_i与待交换的站点序号V_i。将解中S的某个客户i从当前位置N₁移到S的另一个位置N₂(N₁与N₂可属于同一路径，也可属于不同路径)，产生新解S_new。

例如，解X＝[1,3,6,5,0,8,11,2,4,0,7,10,9]。将客户3从当前的2号位置移到4号或6号位置，产生新解X＝[1,6,5,3，0,8,11,2,4,0,7,10,9]或X＝[1,6,5,0,3，8,11,2,4,0,7,10,9]。以同一路径的插入变换为例，路径图如附图2所示。

(2)交换邻域结构：将解S中的自行车站点i和j的位置互换(i和j可属于同一路径,也可属于不同路径),产生新解S_new。

例如，解X＝[1,3,6,5,0,8,11,2,4,],交换同一路径上的客户3与5,产生新解X＝[1,5,6,3,0,8,11,2,4,]；路径图如附图3和所示。

解X＝[1,3,6,5,0,8,11,2,4,0,7,10,9],交换不同路径上的自行车站点3与2,产生新解X＝[1,2,6,5,0,8,11,3,4,]，路径图如附图4和所示。

(3)2-opt邻域结构：解S中同一路径上的两个客户i和j，在解S中的位置分别为N_i与N_j(N_i＜N_j)。2-opt是指将N_i+1位置上的客户与j交换,并将N_i+1和客户j(不包括N_i+1位置上的客户和客户节点j)之间的客货节点按逆序访问。公式如下：

例如：解X＝[1,5,6,3,0,8,11,2,4,0,7,10,9],对于客户5和客户3以及客户8和4对两条路径分别通过2-opt后,得到新解X＝[1,5,3,6,0,8,4,2,11,0,7,10,9]。路径图如图5所示。

进一步地，

上述自行车调度VRPSPD数学模型中站点i的需求量q_i根据如下方法进行统计：

将历史每天最大需求量设为H，从历史统计数据中，依据周日至周六分别提取H数据，根据所有周日的H数据，建立周日H序列，采用同样的办法建立周一至周六序列；

对建立的周日序列进行预测计算，具体方法如下：

A1、导入周日序列数据，并检验平稳性；

A2、若上述步骤A1中的数据为非平稳性时序数据；采用差分运算获得平稳序列；

A3、模型定阶:采用R程序中的forecast函数和zoo库中的auto.arima函数对模型进行定阶；

A4、模型拟合和预测：采用R程序中的arima函数与forecast函数进行拟合与预测，预测得到周日这一天每个站点的最大需求量q_i；

通过同样的方法预测得到周一至周六的每个站点的最大需求量q_i。

进一步地，

上述自行车调度VRPSPD数学模型中站点i上的自行车破损量p_i根据如下模型进行统计：

由于非人为、不可抗拒的因素，致使自行车用户无法正常使用的自行车，定义为破损自行车。

破损自行车有如下几个特征：在一定时间内无被用户使用的数据记录；破损的自行车必定停留在最后归还的站点，这能为调度为过程中回收破损自行车提供信息；可以通过用户进行保修。

将每天该站点破损的自行车数量占一天中最后停留于该站点的自行车比率定义为站点自行车破损率。

但是下雨或者其他的恶劣天气等自然因素都会影响自行车站点的使用频率。比如，当下雨或者其他恶劣天气的自然因素持续周期大于我们定义的破损自行车特征周期，这样就会导致出现在这种自然因素的时间段内，大都数自行车无法被使用，而被误认为破损自行车的现象。

基于自然因素对系统的影响机制和作用范围，自然因素无论是对破损自行车还是能正常使用自行车的影响程度是均等的。就比如下雨影响的是整个自行车系统的自行车使用，而不会只是仅仅单一类型(破损或者正常使用)自行车的使用。因此我们考虑忽视掉这雨天(或者下雨时刻)的数据，因为即使能在雨天有使用记录的都应该是可使用自行车，对破损自行车没有影响。在剔除所有的自然因素影响周期内的数据后，再利用剩余的数据对破损自行车进行统计识别。

基于上述考虑，建立自行车破损率统计模型，为：T周期-t移动-d延迟时间算子自行车破损量统计模型，模型具体如下：

B1、模型参数标定：标定周期时间算子T，即标定单位周期提取自行车系统的运行数据；标定移动时间算子t，即标定提取数据的周期的移动速度；标定延迟时间算子d，即标定破损自行车的特征周期；

B2、破损自行车识别：依据单位周期T中的数据条，对第一批投放的自行车ID信息进行排查；如果前一天存有被使用的信息，但是在后面的延迟时间算子d内(即连续d天)没有该自行车的使用信息，即认定该辆自行车为破损车辆；

B3、破损自行车所属站点识别：对于延迟时间算子d内未被使用的自行车进行延迟时间算子的前向到达站点查询；即寻找最后一次出现的站点序号，该站点就为破损自行车最后所属的站点；

B4、站点自行车破损率的计算：依据步骤B3求得的破损自行车所属站点的序号，对站点破损率进行求解；

B5、已知每个站点的最大容量，通过该站点的最大容量乘以站点破损率即可得该站点的破损量p_i。

进一步地，

上述步骤B1中的模型参数标定方法包括：

B11、首先，定义模型参数的标定指标

B111、定义自行车系统的数据年平均日使用量：一年中自行车系统记录在案的数据数目与年日数的比值，计算公式如下：

B112、定义自行车系统数据月平均使用量：一年中自行车系统记录在案的数据数目与一年12个月数目的比值，计算公式如下：

B113、定义自行车系统数据周平均使用量：一年中自行车系统记录在案的数据数目与一年每周周日数目的比值，计算公式如下：

B114、定义自行车系统月变系数：自行车系统的年平均日使用量与自行车的年平均月使用量比值，计算公式如下：

B115、定义自行车系统周变系数：自行车系统的年平均日使用量与自行车的年平均周使用量比值，计算公式如下：

B116、定义自行车分担率：自行车出行人数占总出行人数的比率，计算公式如下：

B117、定义自行车系统的周转使用率：一年中自行车系统记录在案的数据数目与一年中投放的自行车总量的比值，计算公式如下：

上述公式中各符号的定义如下：

YDataNum为一年中自行车系统记录在案的数据数目。

AADU：自行车系统数据年平均日使用量；

AAWU：自行车系统数据年平均月使用量；

AAMU：自行车系统数据年平均周使用量；

M：自行车系统的月变系数；

W：自行车系统的周变系数；

α：自行车分担率；

β：自行车系统的周转使用率；

B：自行车出行人数；

Pap：总出行人数；

BikeNum：自行车系统年投放自行车总量；

B21、然后确定周期时间算子T、移动时间算子t及延迟时间算子d的标定方法：

B211、确定周期时间算子T的标定方法

单位周期时间T的合理标定影响着对破损自行车的时效性。单位周期时间T直接影响着数据条中数据数目，如果太大，会使得数据增多，致使处理数据的时间加长，这样不利于后期的调度方案的制定；如果太小，会使得数据偏少，从而对不能包含所有投放至自行车系统中的自行车使用信息。因此合理的单位周期时间T是破损自行车的统计模型的前提。

由于每天的自行车使用数据是不一样，进而引入自行车系统年平均日使用量对自行车系统的日均使用进行衡量，因此对单位周期时间T的标定方法为：

一年中晴天天气下，自行车系统日使用量的极差值与自行车系统的年平均日使用量的比值，乘以晴天的天数与自行车周转率的比值。

其中：

range(PerDayDataNum)＝max(PerDayDataNum)-min(PerDayDataNum)

式中：

range(PerDayDataNum)：一年中晴天天气下，自行车日使用量的极差值；

AADU:自行车系统的数据年平均日使用量；

SunnyDayNum：一年中晴天的数目；

α：自行车的分担率；

β：自行车系统的周转使用率；

B212、确定移动时间算子t的标定方法，具体如下：

B213、确定延迟时间算子d的标定方法，具体如下：

延迟时间算子d是进行破损自行车统计的核心参数，一个合理的延迟时间算子是准确统计自行车系统中破损自行车的前提。破损自行车统计模型的核心思想就是依据长时间未被使用这一特性对破损自行车进行统计。自行车系统中的自行车的周转率从某个方面反应自行车系统的“活跃”程度，而自行车系统的月变系数和自行车系的周边系数反映了自行车系统的月份和周日的变化情况，结合自行车周转率、自行车系统的月变系数、自行车周变系数，对模型的延迟时间算子进行标定。

因此对延迟时间算子d采用如下的标定方法：

进一步地，

自行车系统里的数据还包括：调度范围内所有自行车站点的地理位置坐标x、y以及各站点间的费用矩阵(是以站点之间的距离为费用进行计算的)。

本发明还提供能实现上述共享自行车调度方法的共享自行车调度系统，具体包括：

设置在自行车站点的终端服务器和设置在自行车调度中心的后台管理服务器，所述终端服务器与后台管理服务器之间通过网络连接；

所述终端服务器包括数据采集模块和第一网络模块，所述数据采集模块用于采集对应自行车站点的数据信息；

所述后台管理服务器包括数据处理模块和第二网络模块，所述数据处理模块包括建模单元和求解单元；

所述终端服务器的第一网络模块与后台管理服务器的第二网络模块之间建立网络连接；

所述建模单元用于对接收的数据信息建立数学模型，所述求解单元用于对建立的数据模型进行求解并生成最优调度方案；

所述数学模型为针对自行车调度问题的数学模型，该模型整合图论理论和混合整数规划理论并同时结合VRPSPD模型和m-TSP模型建立。

进一步地，

所述求解单元求解上述数学模型的算法为混合变邻域离散粒子群算法，所述混合变邻域离散粒子群算法是离散粒子群算法和变邻域搜索算法的结合。

进一步地，

所述变邻域搜索算法的邻域结构包括：插入邻域结构、交换邻域结构、2-opt邻域结构。

进一步地，

所述数据采集模块采集的数据信息包括：自行车站点的地理位置坐标、自行车站点之间的费用矩阵以及各个站点的破损量和需求量。

进一步地，

所述数据处理模块接收的数据信息包括：自行车站点的地理位置坐标、自行车站点之间的费用矩阵以及各个站点的破损量和需求量；

还包括自行车站点的个数，调度车的个数，调度车的容量。

通过上述调度方法及调度系统获得最优调度方案的过程及原理：

本发明建立的VRPSPD模型整合图论理论和混合整数规划理论，同时结合VRPSPD模型和m-TSP模型建立，因此更加全面。

在求解上述VRPSPD模型的过程中，传统求解VRPSPD模型的完全方法主要是分支定界法、割平面法、整数规划法、动态规划法。对于传统的完全方法而言，在小规模的问题中起到了巨大作用，当需要优化的模型中，包含的规模太大，就会使得求解时间呈现指数式的增长，出现时间和储存爆炸现象，而在求解像本发明提供的大规模的VRPSPD问题时，传统的完全方法是不可行的。

粒子群算法是一种群智能搜索算法，算法中的粒子基于物质世界中物理移动，并以此作为一种空间搜索方式，已达到全局搜索优化目的。在粒子群算法中，对于每一个特定的优化问题，设定L个粒子作为搜索粒子群体来对解空间进行搜索；同时根据优化问题，设定一个m维度的粒子位置(粒子位置的维度一般根据优化问题来设定)，一个粒子位置代表要优化问题的一个解。除此以外，粒子群算法能够实现解空间方向性的搜索取决于粒子的速度，粒子的速度是粒子进行位置改变的动力。不同类型的粒子群算法对于速度的编码设定也不一样，在离散粒子群算法中，把速度定义为两个粒子位置交换的有序列表，通俗来讲，就是以一个为参照粒子，通过粒子位置中的序列交换来获得另外一个粒子，在这当中的位置交换序列就是速度。在后续迭代中，粒子的位置就是依据速度从一个地方移动到另外一个地方，并依据优化问题的目标函数对移动前后位置进行计算，以获得最优化的粒子位置——优化的问题解。

为了使得粒子群算法适用于一个特定的问题，就必须对问题解和粒子位置进行合理的定义。在自行车调度模型中，粒子的位置就是合理路径。

在一般的粒子群算法中，都是采用粒子作为最小的搜索智能体，对解空间进行优化。一个粒子代表着共享单车调度问题VRPSPD模型的一个解，每个粒子都是一维的向量，每个粒子的长度(记为L)不一定相同，粒子长度不相同的原因是不同的自行车站点调度方式，就会有不同的车辆路径数量。每个粒子里面的数字表示一个站点，不同的有序数字排列组成一条完整的解。离散粒子算法粒子含义如附图6所示。

由于共享自行车调度问题的VRPSPD模型的解是不连续的整数组成，因此不能用一般的粒子群算法来求解，所以离散粒子群算法才最适合这类问题，这是由于离散粒子群算法采用的是离散整数或者二进制数来进行优化的基础，本发明提供的共享自行车调度问题的VRPSPD模型符合这种条件，另外离散粒子群算法就是为了处理不连续问题的组合优化问题而设计出来的。

粒子的速度是两个粒子之间的差异，也是粒子运动的动力。离散粒子速度产生机理如附图7所示。粒子速度的基本单位为数字对，数字对的有序排列组成一个速度；数字对代表着粒子位置也就是粒子里面数字的交换对。

当粒子速度的数字对里面，相邻两个数字对所包含的数字一样，这样的数字对可以合并为一个数字。也就是相邻两个数字对中的数字相同，位置的不同代表同一个速度，因此可以合并为其中任意一个。当同一个数字对的数字是同一个数字，那么取消该数字对，再对剩余的数字对进行顺序排列。

粒子位置的表示是对调度优化问题最终解的呈现，对于离散粒子群算法效率有着重要的影响。一般包含俩部分，第一部分为站点的显示，第二部分为车辆路径的显示。站点分布及之间的路段分布如附图8所示。站点的地理位置采用x-y值来进行衡量，每个站点对应于描述图上的一个点，同时自行车仓库(调度车辆的停放点)位置也在里面定义，线条为车辆路径。

本发明中粒子有效路径的编码方式采用整数编码方式，每个粒子表示通过m辆车历经所有的城市都回到停车场，自然数i表示自行车站点i(0表示调度过程中的调度车仓库)；对于N个自行车站点、m辆车的VRPSPD问题的解，可以设计为在N个随机排列数据中插入m-1个0，这就可以把自行车站点序列分成m段，每段都是一辆调度车的行走路径。因此每个粒子为N+m-1维的向量。如附图9所示。例如，在一个VRPSPD问题中的自行车站点数为11，车辆数为3，问题的可行解的编码可以为X＝[1,3,6,5,0,8,11,2,4,0,7,10,9]。代表的含义为：第一辆调度车的路径为：0-1-3-6-5-0，第二辆调度车的路径为：0-8-11-2-4-0，第三辆调度车的路径为：0-7-10-9-0。其中0代表在自行车的仓库或者调度车的停放处。

对于本发明提供的共享自行车VRPSPD模型，其解空间为整数点平面，这是一个离散的解空间而非连续空间；离散数学中，可以把描述的随机变量绘制在空间中，这种空间称之为离散空间，这种空间是特别简单的一种拓扑空间，其中的点都是孤点。离散空间的解必定是离散数字组成，因此离散粒子群算法适用于该种优化问题。除此之外离散粒子群算法有着简单、易于实现并且不需要太多参数的优势；相比遗传算法，少了遗传算法中的变异率和交叉率参数；相比于模拟退火法，少了温度下降的一个繁琐过程；相较于蚁群算法而言，少了多种复杂的判断步骤和参数设置步骤；因此离散粒子群算法适合于求解VRPSPD模型。除此以外，离散粒子群算法具有较强的全局搜索能力，能够在解空间里面，寻找解空间的最靠近全局最优值的优化值。离散粒子群算法的速度和位置更新公式中，所有粒子更新后的速度都是往粒子的全局最优值方向移动(这是由粒子更新速度可以得出的结果)，当速度往全局最优值方向移动，所有更新的粒子也是往全局最优值区域移动。这是离散粒子群算法求解全局最优值的原理。

粒子数量的有限性和解空间的离散性，这是离散粒子群算法适用于组合优化问题的原因，因此发明的VRPSPD模型以离散粒子群算法为基本框架，然后在其基础上结合变邻域算法，来消除离散粒子群算法的不足。

本发明提供的共享自行车调度问题的VRPSPD模型，采用混合变邻域离散粒子群算法，混合变邻域离散粒子群算法结合了离散粒子群收敛快、精度高的能力和变邻域算法的局部搜索能力，可以防止离散粒子群在优化过程中陷入局部最优，因此可以获得真正的共享自行车最优调度方案。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例共享自行车调度系统的结构示意图；

图2为插入邻域结构变化后的路径图；

图3为交换相同路径邻域结构后的路径图；

图4为交换不同路径邻域结构后的路径图；

图5为2-opt邻域结构后的路径图；

图6为离散粒子算法粒子含义示意图；

图7为离散粒子速度产生机理示意图；

图8为自行车站点分布及之间的路段示意图；

图9为调度车辆路径示意图。

具体实施方式

下面结合附图及实施例对本发明进一步说明，但不用来限制本发明的范围。

实施例1

如图1所示，本实施例提供一种共享自行车调度系统，具体包括：

设置在自行车站点的终端服务器2和设置在自行车调度中心的后台管理服务器1，终端服务器2与后台管理服务器1之间通过网络系统3连接；

终端服务器2包括数据采集模块22和第一网络模块21，数据采集模块22用于采集对应自行车站点的数据信息；

后台管理服务器1包括数据处理模块12和第二网络模块11，数据处理模块12包括建模单元121和求解单元122；

终端服务器2的第一网络模块21与后台管理服务器1的第二网络模块11之间建立网络连接；

建模单元121用于对接收的数据信息建立数学模型，求解单元122用于对建立的数学模型进行求解并生成最优调度方案；

求解单元求122解上述数学模型的算法为混合变邻域离散粒子群算法。

数据采集模块22采集的数据信息包括：自行车站点的地理位置坐标、自行车站点之间的费用矩阵以及各个站点的破损量和需求量。

数据处理模块12接收的数据信息包括：自行车站点的地理位置坐标、自行车站点之间的费用矩阵以及各个站点的破损量和需求量；

还包括自行车站点的个数，调度车的个数，调度车的容量。

本实施例以泽西城2015.9-2017.3的数据进行计算，数据集里包括站点的地理位置坐标(x和y)、站点间的费用矩阵，站点的破损量和需求量；采用上述自行车调度系统求解最佳调度方案，本自行车调度系统调度范围内包括51个站点，具体如下：

S1、确定共享自行车调度问题：

S101、已知n个自行车站点(1,2,3，...,n)，n＝51，第i个自行车站点的调度量为q_i：如果q_i＜0，站点i需要从调度车上卸载|q_i|辆；如果q_i＞0，站点i中的q_i辆车需要装入到调度车；破损自行车的数量为p_i；

S102、调度利用有向带权图G描述调度车对自行车站点自行车进行调度和对破损自行车辆的收集，设G＝(V,A,C)，其中：

S103、确定自行车调度收集模型的解果由符合以下约束条件组成：

(2)每个自行车站点只能被一辆调度车访问一次；

(4)最小化每条路径的调度车辆的空载量。

(5)最小化总路径费用；

S2、建立自行车调度VRPSPD数学模型：

S201、首先建立目标函数：

minΣ_i∈VΣ_j∈VΣ_k∈Kc_ijx_ijk；

目标函数是使调度车运行最小；

S202、然后设定约束条件：

设定约束条件(1)：

约束条件(2)：

约束条件(3)：

约束条件(4)：

约束条件(5)：

约束条件(6)：

约束条件(6)是第k辆调度车的初始载重量；

约束条件(7)：∑_k∈KL_0k≥max{0，-Q_tot}；

约束条件(8)：

约束条件(8)能确保第k辆调度车的最终载重量；

约束条件(9)：

约束条件(9)能计算出整个自行车系统的总破损自行车数量；

约束条件(10)：

约束条件(10)计算从第一个站点出发时的调度车调度量；

约束条件(11)：

约束条件(11)能计算出调度通过自行车站点j后的装载量；

约束条件(12)：

约束条件(13)：L_kj≤Q,j∈V₀，k∈K；

约束条件(12)(13)限制调度车辆的载重最大量；

约束条件(14)：

约束条件(14)为图论理论中的Hamilton圈最小圈数量计算公式；

上述各符号的定义如下：

V：站点集；

A：弧集；

N：自行车车站点个数；

p_i：表示站点i上的破损单车的数量，p_i≥0

k：第k辆调度车,K是调度车辆的集合，k＝1,2…,m

m：调度车的个数；

Q：调度车的容量；

ci_j：弧(i，j)上的成本；

L_0k：第k辆调度车离开depot点0之后装载数量，j∈V；

L_k0：第k辆调度车回到depot点0时的装载数量，j∈V；

L_kj：第k辆调度车通过点j之后装载数量，j∈V₀；

g_ij：为通过弧(i,j)的调度车的剩余空间,对于任意

本实施例步骤S3中采用的混合变邻域离散粒子群算法是结合离散粒子群算法和变邻域搜索算法的一种混合算法，其求解步骤S2中建立的自行车调度数学模型的具体求解过程具体包括如下步骤：

(1)输入上述约束条件(1)-(14)(即：调度车辆的有效路径约束)、粒子群参数、自行车系统数据，开始；

(2)产生初始粒子群，对粒子进行编码，以此获得调度车初始有效路径；

根据随机排列x_i,j∈[1,51]，i∈[1,popsize],j∈[1,length]整数，获得原始粒子X_i＝{x_i,j|x_i,j∈[1,51]，i∈[1,popsize],j∈[1,length]}，设定求解粒子规模为100，再根据上述约束条件(1)-(14)对原始粒子分段，获得粒子编码结果：

(3)计算适应度

根据如下适应度计算公式，计算出适应度：

上述适应度计算公式中：

X(i)表示在初始粒子中的路径数据编号；

c_i,j表示为从i地到j地的车辆费用(路程)；

fitness为粒子的适应度值。

(4)选取粒子历史最优值和全局最优值，选取方法如下：

(5)运用变邻域搜索算法对更新后的粒子历史最优和全局最优进行变邻域操作，具体操作如下：

输入一个初始解s₀，然后依据所提供的邻域结构获得一个新的解s'，进行局部搜索，如果新解满足接受条件，就将当前解替换为s'，否则当前解仍为s₀。按照上述的步骤进行反复的寻找，获得改进后的解s”。

邻域结构可以根据实际需要选择：插入邻域结构、交换邻域结构或2-opt邻域结构。

变邻域搜索算法，具体计算过程如下：

操作结果如下：

上述与为邻域结构变换后得到的结果；

(6)更新粒子速度和粒子位置以更新粒子群获得最优调度方案根据如下公式(1)更新粒子的飞行速度：

公式(1)中：

ω：为惯性权值；

r₁r₂：为分布于[0-1]之间的随机数；

c₁c₂：分别为粒子的学习因子和社会因子；

为个体的最优粒子位置；

为粒子群的全局最优粒子位置；

n：为当前的迭代次数；

Vⁿ⁺¹：为粒子的更新速度；

Vⁿ：为粒子的当前的速度；

Xⁿ：为粒子当前的位置；

根据如下公式(2)更新粒子的位置：

公式(2)中：

Xⁿ：为粒子的当前位置；

Xⁿ⁺¹：为粒子的更新位置；

Vⁿ⁺¹：为粒子的更新速度；

依次进行迭代；当满足如下收敛条件时，终止；

fitness(n+1)＝fitness(n)或迭代次数≥iteration；

上述收敛条件中：fitness(n+1)为第n+1次迭代计算时的fitness值；fitness(n)为第n次的fitness值；iteration为最大的迭代次数；

即：第n+1次迭代计算时的fitness值与第n次的fitness值一样的时候，就跳出循环；或者当达到最大的迭代次数iteration时，也跳出循环。

否则继续进行迭代，直至找到最优调度方案。

为了需求量统计的准确，实现更好的调度效率，提高自行车的利用率，本实施例中自行车调度VRPSPD数学模型中站点i的需求量q_i根据如下方法进行统计：

对建立的周日序列进行预测计算，具体方法如下：

A1、导入周日序列数据，并检验平稳性；

周日到周六某个站点(站点3186)的预测最大需求量如下：

日期	周日	周一	周二	周三	周四	周五	周六
								预测值	-22	-59	-55	-74	-88	-57	-30

每天自行车都会有一定数量的破损，会影响需求，也会影响调度。由于站点的最后停留自行车中存在破损车辆，因此实际的需求量高于能提供的自行车数量，致使无法提供足够的自行车，而影响服务水平。同时调度车是有一定容量限制的，调度车在补充站点的需求外，还要收集破损的自行车，因此会占用拖车的容量。

为了更加准确地统计每个站点的自行车破损量，本实施例的自行车调度VRPSPD数学模型中站点i上的自行车破损量p_i根据如下自行车破损率统计模型进行统计，所述自行车破损率统计模型为：T周期-t移动-d延迟时间算子自行车破损量统计模型，具体如下：

上述步骤B1中的模型参数标定方法包括：

B11、首先，定义模型参数的标定指标

上述公式中各符号的定义如下：

YDataNum为一年中自行车系统记录在案的数据数目。

AADU：自行车系统数据年平均日使用量；

AAWU：自行车系统数据年平均月使用量；

AAMU：自行车系统数据年平均周使用量；

M：自行车系统的月变系数；

W：自行车系统的周变系数；

α：自行车分担率；

β：自行车系统的周转使用率；

B：自行车出行人数；

Pap：总出行人数；

BikeNum：自行车系统年投放自行车总量；

B211、确定周期时间算子T的标定方法，公式如下：

其中：

range(PerDayDataNum)＝max(PerDayDataNum)-min(PerDayDataNum)

式中：

AADU:自行车系统的数据年平均日使用量；

SunnyDayNum：一年中晴天的数目；

α：自行车的分担率；

β：自行车系统的周转使用率；

B212、确定移动时间算子t的标定方法，公式如下：

B213、确定延迟时间算子d的标定方法，公式如下：

本实施例的算法参数表如下表1所示：

表1算法参数表

计算所得模型结果分析和显示如下表2所示：

表1调度优化路径表

表2中，采用装载量为50的调度车进行调度的结果，第一辆调度车的路径费用为8km；第二辆调度车的路径费用为15km；第三辆调度车的路径费用为10km；第四辆调度车的路径费用为9.25km；第五辆调度车的路径费用为12km；第六辆调度车的路径费用为7.25km；总的调度费用为64.5km。

由于本发明针对共享自行车调度问题建立的VRPSPD模型整合了图论理论和混合整数规划理论，同时结合VRPSPD模型和m-TSP模型建立，因此更加全面；且采用的混合变邻域离散粒子群算法结合了离散粒子群收敛快、精度高的能力和变邻域算法的局部搜索能力，可以防止离散粒子群在优化过程中陷入局部最优，从而能得到真正的最优调度方案，提高共享自行车的运转效率和管理调度水平，有效提高车辆使用率。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims

1.一种共享自行车调度方法，其特征在于，具体包括如下步骤：

S1、确定共享自行车调度问题：

S101、已知n个自行车站点(1，2，3，...，n)，第i个自行车站点的调度量为q_i：如果q_i＜0，站点i需要从调度车上卸载|q_i|辆；如果q_i＞0，站点i中的q_i辆车需要装入到调度车；破损自行车的数量为p_i；

通过多辆调度车的同时运行，来服务完所有站点，每个站点i(i＝1，2，...，n)都有调度量q_i和破损量p_i，每辆调度车的容量为Q，且对于每个站点：q_i≤Q，p_i≤Q；

S102、利用有向带权图G描述调度车对自行车站点自行车进行调度和对破损自行车辆的收集，设G＝(V，A，C)，其中：

V代表自行车站点集合，V＝{i|i＝0，1，...，n}(0代表调配中心，其他为站点序号)；A代表连接各个自行车站点之间的弧集合，A＝{(i，j)|i，j∈V}；C代表各个连接弧的权重值，C＝{c_ij|(i，j)∈A}，c_ij表示从站点i到站点j之间的费用(比如：距离、时间等)；

S103、确定自行车调度收集模型的结果，由符合以下约束条件的m条路径组成：

(2)每个自行车站点只能被一辆调度车访问一次；

(4)最小化每条路径的调度车辆的空载量；

(5)最小化总路径费用；

S2、建立自行车调度VRPSPD数学模型：

S201、首先建立目标函数：

min∑_i∈V∑_j∈V∑_k∈Kc_ijx_ijk；

S202、然后设定约束条件：

设定约束条件(1)：

<mrow> <msub> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>&Element;</mo> <mi>V</mi> </mrow> </msub> <msub> <mi>&Sigma;</mi> <mrow> <mi>k</mi> <mo>&Element;</mo> <mi>K</mi> </mrow> </msub> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&ForAll;</mo> <mi>j</mi> <mo>&Element;</mo> <msub> <mi>V</mi> <mn>0</mn> </msub> <mo>;</mo> </mrow>

约束条件(2)：

约束条件(3)：

约束条件(4)：

约束条件(5)：

约束条件(6)：

约束条件(6)是第k辆调度车的初始载重量；

约束条件(7)：∑_k∈KL_0k≥max{0，-Q_tot}；

约束条件(8)：

约束条件(9)：

约束条件(10)：

约束条件(11)：

约束条件(12)：

约束条件(13)：L_kj≤Q，j∈V₀，k∈K；

约束条件(14)：

上述约束条件(1)-(14)中各符号的定义如下：

V：站点集；

A：弧集；

N：自行车车站点个数；

p_i：表示站点i上的破损自行车的数量，p_i≥0

k：第k辆调度车，K是调度车辆的集合，k＝1，2...，m

m：调度车的个数；

Q：调度车的容量；

q_i：站点i的需求，对于每一个i∈_V，已知需求q_i，同时单车仓库q₀＝0.需求可正可负；

c_ij：弧(i，j)上的成本；

L_0k：第k辆调度车离开depot点0之后装载数量，j∈V；

L_k0：第k辆调度车回到depot点0时的装载数量，j∈V；

L_kj：第k辆调度车通过点j之后装载数量，j∈V₀；

f_ij：给出了弧(i，j)上的流量，即通过弧(i，j)上的调度车的装载量，对于任意(ij)∈A；

<mrow> <msub> <mi>Q</mi> <mi>tot</mi> </msub> <mo>=</mo> <msub> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>&Element;</mo> <msub> <mi>V</mi> <mn>0</mn> </msub> </mrow> </msub> <msub> <mi>q</mi> <mi>j</mi> </msub> <mo>,</mo> </mrow>

g_ij：为通过弧(i，j)的调度车的剩余空间，对于任意

2.根据权利要求1所述的一种共享自行车调度方法，其特征在于，

S301、初始化离散粒子群

根据随机排列x_i，j∈[1，51]，i∈[1，popsize]，j∈[1，length]整数，获得原始粒子X_i＝{x_i，j|x_i，j∈[1，51]，i∈[1，popsize]，j∈[1，length]}，再根据上述约束条件对原始粒子分段，获得粒子编码结果；

S302、计算适应度

根据如下适应度计算公式，计算出适应度：

<mrow> <mi>f</mi> <mi>i</mi> <mi>t</mi> <mi>n</mi> <mi>e</mi> <mi>s</mi> <mi>s</mi> <mo>=</mo> <msub> <mi>c</mi> <mrow> <mn>0</mn> <mo>,</mo> <mi>X</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </msub> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>c</mi> <mrow> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>X</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msub> <mo>+</mo> <msub> <mi>c</mi> <mrow> <mi>X</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mrow>

上述适应度计算公式中：

X(i)表示在初始粒子中的路径数据编号；

c_i，j表示为从i地到j地的车辆费用(路程)；

fitness为粒子的适应度；

S303、选取粒子历史最优值和全局最优值；

S304、运用变邻域搜索算法对更新后的粒子历史最优和全局最优进行变邻域操作；

S305、更新粒子速度和粒子位置以更新粒子群获得最优调度方案

根据如下公式(1)更新粒子的飞行速度：

<mrow> <msup> <mi>V</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>=</mo> <msup> <mi>&omega;V</mi> <mi>n</mi> </msup> <mo>&CirclePlus;</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <msub> <mi>r</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mi>n</mi> </msubsup> <mo>-</mo> <msup> <mi>X</mi> <mi>n</mi> </msup> <mo>)</mo> </mrow> <mo>&CirclePlus;</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <msub> <mi>r</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msubsup> <mi>G</mi> <mrow> <mi>g</mi> <mi>d</mi> </mrow> <mi>n</mi> </msubsup> <mo>-</mo> <msup> <mi>X</mi> <mi>n</mi> </msup> <mo>)</mo> </mrow> </mrow>

公式(1)中：

ω：为惯性权值；

r₁ r₂：为分布于[0-1]之间的随机数；

c₁ c₂：分别为粒子的学习因子和社会因子；

为个体的最优粒子位置；

为粒子群的全局最优粒子位置；

n：为当前的迭代次数；

Vⁿ⁺¹：为粒子的更新速度；

Vⁿ：为粒子的当前的速度；

Xⁿ：为粒子当前的位置；

根据如下公式(2)更新粒子的位置：

<mrow> <msup> <mi>X</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>=</mo> <msup> <mi>X</mi> <mi>n</mi> </msup> <mo>&CirclePlus;</mo> <msup> <mi>V</mi> <mrow> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> </mrow>

公式(2)中：

Xⁿ：为粒子的当前位置；

Xⁿ⁺¹：为粒子的更新位置；

Vⁿ⁺¹：为粒子的更新速度；

依次进行迭代；当满足如下收敛条件时，终止；

fitness(n+1)＝fitness(n)或迭代次数≥iteration；

否则继续进行迭代，直至找到最优调度方案。

3.根据权利要求2所述的一种共享自行车调度方法，其特征在于，

步骤S304中的所述变邻域搜索算法为：开始输入一个初始解s₀，然后依据所提供的邻域结构获得一个新的解s′，进行局部搜索，如果新解满足接受条件，就将当前解替换为s′，否则当前解仍为s₀。按照上述的步骤进行反复的寻找，获得改进后的解s′。

4.根据权利要求2或3所述的一种共享自行车调度方法，其特征在于，

5.根据权利要求1-3任意一项所述的一种共享自行车调度方法，其特征在于，

对建立的周日序列进行预测计算，具体方法如下：

A1、导入周日序列数据，并检验平稳性；

A3、模型定阶：采用R程序中的forecast函数和zoo库中的auto.arima函数对模型进行定阶；

6.根据权利要求1-3任意一项所述的一种共享自行车调度方法，其特征在于，

上述自行车调度VRPSPD数学模型中站点i上的自行车破损量p_i根据如下自行车破损率统计模型进行统计，所述自行车破损率统计模型为：T周期-t移动-d延迟时间算子自行车破损量统计模型，模型具体如下：

7.根据权利要求6所述的一种共享自行车调度方法，其特征在于，

上述步骤B1中的模型参数标定方法包括：

B11、首先，定义模型参数的标定指标

<mrow> <mi>&alpha;</mi> <mo>=</mo> <mfrac> <mi>B</mi> <mrow> <mi>P</mi> <mi>a</mi> <mi>p</mi> </mrow> </mfrac> </mrow>

上述公式中各符号的定义如下：

YDataNum为一年中自行车系统记录在案的数据数目。

AADU：自行车系统数据年平均日使用量；

AAWU：自行车系统数据年平均月使用量；

AAMU：自行车系统数据年平均周使用量；

M：自行车系统的月变系数；

W：自行车系统的周变系数；

α：自行车分担率；

β：自行车系统的周转使用率；

B：自行车出行人数；

Pap：总出行人数；

BikeNum：自行车系统年投放自行车总量；

B211、确定周期时间算子T的标定方法，公式如下：

<mrow> <mi>T</mi> <mo>=</mo> <mfrac> <mrow> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>g</mi> <mi>e</mi> <mrow> <mo>(</mo> <mrow> <mi>P</mi> <mi>e</mi> <mi>r</mi> <mi>D</mi> <mi>a</mi> <mi>y</mi> <mi>D</mi> <mi>a</mi> <mi>t</mi> <mi>a</mi> <mi>N</mi> <mi>u</mi> <mi>m</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mrow> <mi>A</mi> <mi>A</mi> <mi>D</mi> <mi>U</mi> </mrow> </mfrac> <mo>&times;</mo> <mfrac> <mrow> <mi>S</mi> <mi>u</mi> <mi>n</mi> <mi>n</mi> <mi>y</mi> <mi>D</mi> <mi>a</mi> <mi>y</mi> <mi>N</mi> <mi>u</mi> <mi>m</mi> </mrow> <mi>&beta;</mi> </mfrac> <mo>&times;</mo> <mi>&alpha;</mi> </mrow>

其中：

range(PerDayDataNum)＝max(PerDayDataNum)-min(PerDayDataNum)

式中：

AADU：自行车系统的数据年平均日使用量；

SunnyDayNum：一年中晴天的数目；

α：自行车的分担率；

β：自行车系统的周转使用率；

B212、确定移动时间算子t的标定方法，公式如下：

<mrow> <mi>t</mi> <mo>=</mo> <mfrac> <mi>T</mi> <mover> <mi>W</mi> <mo>&OverBar;</mo> </mover> </mfrac> <mo>;</mo> <mn>0</mn> <mo><</mo> <mi>t</mi> <mo>&le;</mo> <mi>T</mi> <mo>;</mo> </mrow>

B213、确定延迟时间算子d的标定方法，公式如下：

<mrow> <mi>d</mi> <mo>=</mo> <mfrac> <mrow> <mi>W</mi> <mo>&times;</mo> <mi>M</mi> </mrow> <mi>&alpha;</mi> </mfrac> <mo>&times;</mo> <mi>&beta;</mi> <mo>.</mo> </mrow>

8.一种采用权利要求1-3任意一项所述共享自行车调度方法的共享自行车调度系统，具体包括：

设置在自行车站点的终端服务器和设置在自行车调度中心的后台管理服务器，所述终端服务器与后台管理服务器之间通过网络系统连接；

所述建模单元用于对接收的数据信息建立数学模型，所述求解单元用于对建立的数学模型进行求解并生成最优调度方案。

9.根据权利要求8所述的一种共享自行车调度系统，其特征在于，

所述求解单元求解上述数学模型的算法为混合变邻域离散粒子群算法。

10.根据权利要求8所述的一种共享自行车调度系统，其特征在于，

所述数据采集模块采集的数据信息包括：自行车站点的地理位置坐标、自行车站点之间的费用矩阵以及各个站点的破损量和需求量；

所述数据处理模块接收的数据信息包括：自行车站点的地理位置坐标、自行车站点之间的费用矩阵以及各个站点的破损量和需求量；还包括自行车站点的个数，调度车的个数，调度车的容量。