CN108108883B - 一种基于聚类算法的车辆调度网络弹性简化方法 - Google Patents

一种基于聚类算法的车辆调度网络弹性简化方法 Download PDF

Info

Publication number
CN108108883B
CN108108883B CN201711332224.2A CN201711332224A CN108108883B CN 108108883 B CN108108883 B CN 108108883B CN 201711332224 A CN201711332224 A CN 201711332224A CN 108108883 B CN108108883 B CN 108108883B
Authority
CN
China
Prior art keywords
node
information
vehicle
supply
scheduling
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.)
Expired - Fee Related
Application number
CN201711332224.2A
Other languages
English (en)
Other versions
CN108108883A (zh
Inventor
胡飞虎
王玉旭
蒋馨玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201711332224.2A priority Critical patent/CN108108883B/zh
Publication of CN108108883A publication Critical patent/CN108108883A/zh
Application granted granted Critical
Publication of CN108108883B publication Critical patent/CN108108883B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于聚类算法的车辆调度网络弹性简化方法，车辆调度网络弹性简化方法包括：(a)采集车辆调度参数信息；(b)根据车辆调度参数信息，基于聚类算法对车辆调度网络中的供应节点进行聚类，生成复合节点；(c)根据聚类结果以及车辆调度参数信息建立数据模块；(d)根据调度目标信息，生成车辆调度方案。该基于聚类算法的车辆调度网络弹性简化方法克服了现有技术中车辆调度网络复杂的缺陷，在求得相同精度解的情况下减少了计算量，缩短计算时间。

Description

一种基于聚类算法的车辆调度网络弹性简化方法
技术领域
本发明属于车辆调度技术领域，特别涉及一种基于聚类算法的车辆调度网络弹性简化方法。
背景技术
随着社会经济的发展，车辆调度越来越成为现代物流系统中一个重要的环节，车辆调度问题同时面临越来越多的新要求：时效性、快速性、规模性、动态性,对于该类问题的解法要求也越来越严苛。而车辆调度网络不仅具有一般网络具有的节点数量庞大、节点属性庞杂以及连接复杂的特性，而且因为车辆调度网络中节点数量、特征及状态不确定的原因，导致车辆调度网络模型结构过于庞大，而车辆调度问题是一个NP难题(未被证明能否在多项式时间内求解的一类问题)，节点数量越多，则求解规模呈指数增长，难以分析、计算和控制。因此，对复杂调度网络进行简化可以解决因节点数量众多而导致调度网络结构过于庞大的问题，从而大幅简化网络的控制、计算难度。
现有的车辆调度网络简化方法较少，而且局限性很大、适用范围很小，而如何根据不同的实际情况，结合多样的简化需求，设计出能够适应多场景、多需求的车辆调度网络简化方法，是目前简化车辆调度问题中亟待解决的问题。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于聚类算法的车辆调度网络弹性简化方法，通过聚类算法对供应节点进行聚类，从而简化车辆调度网络模型，在求得相同精度解的情况下减少了计算量，缩短计算时间。
为了实现上述目的，本发明采用的技术方案是：
一种基于聚类算法的车辆调度网络弹性简化方法，包括如下步骤：
a.采集车辆调度参数信息，车辆调度参数信息包含需求节点信息、供应节点信息、车辆信息、需求节点与供应节点间的连接信息、资源信息、需求节点资源信息以及供应节点资源信息；
b.计算供应节点之间的距离，根据供应节点之间的距离，采用聚类算法对所述供应节点进行聚类，生成复合节点，复合节点具有的资源数量是其包含的所有供应节点的资源数量之和；
c.根据聚类结果以及车辆调度参数信息建立数据模块，数据模块中的参数信息包含需求节点信息、复合节点信息、车辆信息、需求节点与复合节点间的连接信息、资源信息、需求节点资源信息、复合节点资源信息以及调度目标信息；对数据模块中的参数信息进行编码，如下：
需求节点信息：N＝{n1,n2,n3,...,ni,...,nP}，ni为第i个需求节点，P为需求节点数量，P为正整数；
复合节点信息：M＝{m1,m2,m3,...,mj,...,mQ}，mj为第j个复合节点，Q为复合节点数量，Q为正整数；
需求节点与复合节点的连接信息：C＝{{n1,m1},{n1,m2},{n1,m3}…{n1,mQ},……,{ni,mj},……,{nP,m1},{nP,m2},{nP,m3},…{nP,mQ}}；
其中，{ni,mj}为需求节点ni与复合节点mj之间的连接信息，i＝1,2,…,P,j＝1,2,…,Q，i、j为正整数；
车辆信息：V＝{v1,v2,v3,…,vk,…,vA}，vk为第k个车辆，A为车辆数量，A为正整数；
资源信息：G＝{g1,g2,g3,…,gf,…,gD}，gf为第f个资源类型，D为资源类型数量，D为正整数；
需求节点ni对应的资源信息：gni＝{{g1,x1},{g2,x2},{g3,x3},…,{gii,xii},…,{gD,xD}}，其中xii为资源数量，ii＝1,2,…,D，ii为正整数；
复合节点mj对应的资源信息:gmj＝{{g1,y1},{g2,y2},{g3,y3},…,{gjj,yjj},…,{gD,yD}}，其中yjj为资源数量，jj＝1,2,…D，jj为正整数。
d.根据所述调度目标信息，生成车辆调度方案。
所述聚类算法采用密度峰值算法，包括以下步骤：
a.根据供应节点之间的距离信息，计算任意两个供应节点间的距离lrj，r、j＝1,2,…,B，r、j为正整数且r与j不相等；
b.根据计算所得的供应节点间距离lrj，计算供应节点msj的局部密度ρjj＝1,2,…,B，j为正整数，在比该供应节点局部密度ρj大的供应节点中，选取与该供应节点距离最近的供应节点，令该最近距离为δj，并计算δj的值，若供应节点的局部密度ρj最大，则其δj取所有供应节点间距离的最大值；
c.计算每个供应节点对应的ρj*δj值，设置阈值T，若ρj*δj值大于T，则将该供应节点设置为中心点；若ρj*δj值大于T，则将该供应节点设置为待分配供应节点；
d.所述待分配供应节点所属的聚类是局部密度比其大、且最邻近的中心点的聚类；
e.设置截断距离dc，将离中心点的距离大于dc的供应节点定义为边界点，所述边界点不属于任意中心点的聚类，所述边界点直接对应所述复合节点。
所述密度峰值算法中局部密度ρj的计算方式为：
Figure BDA0001506857980000031
其中，lc为供应节点间距离的平均值，
Figure BDA0001506857980000032
所述密度峰值算法，在不同的车辆调度参数下设置不同的阈值T以及不同的截断距离dc的值。
所述车辆调度方案采用遗传算法生成，包括以下步骤：
a.生成初始种群，该种群包含Z条染色体，每条染色体按照以下方法生成：逐一对每个车辆生成其调度序列，该车辆调度序列称为一个基因，所有车辆的车辆调度序列作为一条染色体，一条染色体即是一个车辆调度方案；
b.开始迭代，反复执行以下步骤：
(i)依交叉概率对种群中的染色体进行交叉操作，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群；
(ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度；
(iii)生成下一代种群；
(iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的车辆调度方案，结束；如否，则返回步骤(i)。
调度方案中所述的调度目标信息为车辆调度方案完成时间最短。
调度方案中所述的迭代终止条件为迭代次数到达设定上限或经过若干次迭代后适应度最高染色体的适应度不变。
与现有技术相比，本发明的有益效果是：通过对供应节点进行聚类，大大简化了车辆调度网络模型，在求得相同精度解的情况下减少了计算量，缩短了计算时间。
附图说明
图1为本发明基于聚类算法的车辆调度网络弹性简化方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面结合附图对本发明做进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实例，而不是全部的实施例。基于本发明中的实施例，都应当属于本发明保护的范围。
图1为本发明实施例提供的一种基于聚类算法的物资车辆调度网络弹性简化方法流程示意图，由图1可知，基于聚类算法的物资车辆调度网络弹性简化方法包括：
a.采集车辆调度参数信息，车辆调度参数信息包含需求节点信息、供应节点信息、车辆信息、需求节点与供应节点间的连接信息、供应节点之间的距离信息、需求节点资源数量以及供应节点资源数量；
在本实施例中，使用空间二维坐标，用二维空间中的供应节点与需求节点表示供应点及需求点，其中，需求节点信息形如：N＝{n1，n2，n3，...，ni，...，nP}，ni为第i个需求节点的空间二维坐标，形如
Figure BDA0001506857980000051
P为需求节点数量，P为正整数；
供应节点信息形如：MS＝{ms1，ms2，ms3，...，msj，...，msB}，msj为第j个供应节点的空间二维坐标，形如
Figure BDA0001506857980000052
B为供应节点数量，B为正整数；
车辆信息形如：V＝{v1，v2，v3，...，vk，...，vA}，vk为第k个车辆，A为车辆数量，A为正整数；
需求节点与供应节点间的连接信息形如：CS＝{{n1，ms1}，{n1，ms2}，{n1，ms3}...{n1，msB}，
......，{ni，msj}，......，
{nP，ms1}，{nP，ms2}，{nP，ms3}，...{nP，msQ}}；
其中，{ni，msj}表示需求节点ni与供应节点msj之间的连接关系，i＝1，2，...，P，j＝1，2，...，B，i、j为正整数；
资源信息：G＝{g1，g2，g3，...，gf，...，gD}，gf为第f个资源类型，T为资源类型数量，T为正整数；
需求节点ni对应的资源信息形如：gni＝{{g1，x1}，{g2，x2}，{g3，x3}，...，{gii，xii}，...，{gDT，xT}}，其中xii为资源数量，ii＝1，2，...，T，ii为正整数；
供应节点msj对应的资源信息形如：
gmsj＝{{g1，y1}，{g2，y2}，{g3，y3}，...，{gjj，yjj}，...，{gT，yT}}，其中yjj为资源数量，jj＝1，2，...T，jj为正整数；
b.计算供应节点之间的距离，根据供应节点之间的距离，采用聚类算法对所述供应节点进行聚类，生成复合节点，复合节点具有的资源数量是其包含的所有供应节点的资源数量之和；
在该步骤中，采用欧式距离来度量供应节点之间的距离，计算方法为
Figure BDA0001506857980000061
r、j＝1,2,…,B，r、j为正整数且r与j不相等；
根据计算所得的供应节点间距离lrj，计算供应节点msj的局部密度ρj(j＝1,2,…,B，j为正整数)，局部密度ρj的计算方式为：
Figure BDA0001506857980000062
其中，lc可以取供应节点间距离lrj的平均值，
Figure BDA0001506857980000063
在比该供应节点局部密度ρj大的供应节点中，选取与该供应节点msj距离最小的供应节点，并将该最近距离的值记为δj。若供应节点的局部密度ρj最大，则其δj取所有供应节点间距离即lrj的最大值；
计算每个供应节点对应的ρj*δj值，设置阈值T，若ρj*δj值大于T，则将该供应节点设置为中心点；若ρj*δj值大于T，则将该供应节点设置为待分配供应节点，所述待分配供应节点所属的聚类是局部密度比其大、且最邻近的中心点的聚类；其中，阈值T的大小具有弹性由车辆调度实际规模大小以及不同的调度需求决定；
设置截断距离dc，dc的取值由需要的复合节点个数以及供应节点个数决定。将与中心点距离大于dc的供应节点定义为边界点，所述边界点不属于任意中心点的聚类并直接对应生成复合节点。其中，生成的复合节点数量为Q个，Q为正整数，且复合节点中的资源数量为该复合节点包含的所有供应节点的资源数量之和。
c.根据聚类结果以及车辆调度参数信息建立数据模块，数据模块中的参数信息包含需求节点信息、复合节点信息、车辆信息、需求节点与复合节点间的连接信息、资源信息、需求节点资源信息、复合节点资源信息以及调度目标信息；对数据模块中的参数信息进行编码，形如：
需求节点信息：N＝{n1，n2，n3，...，ni，...，nP}，ni为第i个需求节点的空间二维坐标，形如
Figure BDA0001506857980000071
P为需求节点数量，P为正整数；
复合节点信息：M＝{m1，m2，m3，...，mj，...，mQ}，mj为第j个复合节点的空间二维坐标，形如
Figure BDA0001506857980000072
Q为复合节点数量，Q为正整数；
需求节点与复合节点的连接信息：C＝{{n1，m1}，{n1，m2}，{n1，m3}...{n1，mQ}，
......，{ni，mj}，......，
{nP，m1}，{nP，m2}，{nP，m3}，...{nP，mQ}}；
其中，{ni，mj}为需求节点ni与复合节点mj之间的连接信息，i＝1，2，...，P，j＝1，2，...，Q，i、j为正整数；
车辆信息：V＝{v1，v2，v3，...，vk，...，vA}，vk为第k个车辆，A为车辆数量，A为正整数；
资源信息：G＝{g1，g2，g3，...，gf，...，gD}，gf为第f个资源类型，T为资源类型数量，T为正整数；
需求节点ni对应的资源信息：gni＝{{g1，x1}，{g2，x2}，{g3，x3}，...，{gii，xii}，...，{gD，xD}}，其中xi为资源数量，i＝1，2，...，D，ii为正整数；
复合节点mj对应的资源信息∶gmj＝{{g1，y1}，{g2，y2}，{g3，y3}，...，{gj，yj}，...，{gD，yD}}，其中yj为资源数量，j＝1，2，...D，j为正整数；
d.根据调度目标信息，生成车辆调度方案。
其中，调度目标信息指的是车辆调度方案完成时间最短，车辆调度方案采用遗传算法生成，具体步骤如下：
生成初始种群，该种群包含Z条染色体，每条染色体按照以下方法生成：按照等长长度逐一对每个车辆生成其车辆调度序列，该车辆调度序列称为一个基因，所有车辆的车辆调度序列作为一条染色体，一条染色体即是一个车辆调度方案；其中，车辆调度序列形如：(m2g1n3)(m1g2n2)(m3g3n1)...，该车辆调度序列表示该运输工具从复合节点m2出发，装载资源g1，运送到需求节点n3，再返回复合节点m1装载资源g2，运送到需求节点n2，再返回复合节点m3，装载资源g3，运送到需求节点n1，然后返回下一个复合节点继续进行物资调度。
开始迭代，反复执行以下步骤：
(i)依交叉概率对种群中的染色体进行交叉操作，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群。其中，在等长长度的遗传算法中，从一个基因中选择某一长度的基因片段，与另一个基因的相同位置的该长度的基因片段进行交换，交叉操作的示意如下：
①交叉操作前的基因：Gene1∶(m2g2n2)(m1g1n1)(m1g3n1)(m3g2n3)(m2g2n4)(m3g3n3)
Gene2∶(m1g1n3)(m2g3n4)(m3g2n2)(m2g1n1)(m1g2n2)(m3g2n3)；
②选择进行交叉操作的基因片段(两个“/”内为进行交叉操作的基因片段)：
Gene1∶(m2g2n2)(m1g1n1)/(m1g3n1)(m3g2n3)/(m2g2n4)(m3g3n3)
Gene2∶(m1g1n3)(m2g3n4)/(m3g2n2)(m2g1n1)/(m1g2n2)(m3g2n3)；
③进行交叉操作，形成交叉后的新的基因：
Genel*∶(m2g2n2)(m1g1n1)(m3g2n2)(m2g1n1)(m2g2n4)(m3g3n3)
Gene2*∶(m1g1n3)(m2g3n4)(m1g3n1)(m3g2n3)(m1g2n2)(m3g2n3)；
(ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度。在该步骤中，适应度作为评价染色体优劣的指标，可以通过多种计算方法获得。
(iii)生成下一代种群。在该步骤中，下一代种群中的染色体可以是从待评价种群中选择产生，也可以有一部分染色体是从待评价种群中选择产生，另一部分染色体是新生成的染色体。
(iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的车辆调度方案，结束；如否，则返回步骤(i)。在该步骤中，迭代终止条件的设定可以有多种方式，如设定迭代次数的上限作为迭代终止条件，设定经过若干次迭代后适应度最高的染色体的适应度不再变化作为终止条件等。

Claims (7)

1.一种基于聚类算法的车辆调度网络弹性简化方法，包括如下步骤：
a.采集车辆调度参数信息，车辆调度参数信息包含需求节点信息、供应节点信息、车辆信息、需求节点与供应节点间的连接信息、资源信息、需求节点资源信息以及供应节点资源信息；
b.计算供应节点之间的距离，根据供应节点之间的距离，采用聚类算法对所述供应节点进行聚类，生成复合节点，复合节点具有的资源数量是其包含的所有供应节点的资源数量之和；
c.根据聚类结果以及车辆调度参数信息建立数据模块，数据模块中的参数信息包含需求节点信息、复合节点信息、车辆信息、需求节点与复合节点间的连接信息、资源信息、需求节点资源信息、复合节点资源信息以及调度目标信息；
d.根据所述调度目标信息，生成车辆调度方案；
其特征在于，对数据模块中的参数信息进行编码，如下：
需求节点信息：N＝{n1，n2，n3，...，ni，...，nP}，ni为第i个需求节点，P为需求节点数量，P为正整数；
复合节点信息：M＝{m1，m2，m3，...，mj，...，mQ}，mj为第j个复合节点，Q为复合节点数量，Q为正整数；
需求节点与复合节点的连接信息：C＝{{n1，m1}，{n1，m2}，{n1，m3}…{n1，mQ}，……，{ni，mj}，……，{nP，m1}，{nP，m2}，{nP，m3}，…{nP，mQ}}；
其中，{ni，mj}为需求节点ni与复合节点mj之间的连接信息，i＝1，2，...，P，j＝1，2，...，Q，i、j为正整数；
车辆信息：V＝{v1，v2，v3，...，vk，...，vA}，vk为第k个车辆，A为车辆数量，A为正整数；
资源信息：G＝{g1，g2，g3，...，gf，...，gD}，gf为第f个资源类型，D为资源类型数量，D为正整数；
需求节点ni对应的资源信息：gni＝{{g1，x1}，{g2，x2}，{g3，x3}，...，{gii，xii}，...，{gD，xD}}，其中xii为资源数量，ii＝1，2，…，D，ii为正整数；
复合节点mj对应的资源信息：gmj＝{{g1，y1}，{g2，y2}，{g3，y3}，...，{gjj，yjj}，...，{gD，yD}}，其中yjj为资源数量，jj＝1，2，...D，jj为正整数。
2.根据权利要求1所述基于聚类算法的车辆调度网络弹性简化方法，其特征在于，所述聚类算法采用密度峰值算法，包括以下步骤：
a.根据供应节点之间的距离信息，计算任意两个供应节点间的距离lrj，r、j＝1，2，...，B，r、j为正整数且r与j不相等；
b.根据计算所得的供应节点间距离lrj，计算供应节点msj的局部密度ρj，j＝1，2，...，B，j为正整数，在比该供应节点局部密度ρj大的供应节点中，选取与该供应节点距离最近的供应节点，令该最近距离为δj，并计算δj的值，若供应节点的局部密度ρj最大，则其δj取所有供应节点间距离的最大值；
c.计算每个供应节点对应的ρj*δj值，设置阈值T，若ρj*δj值大于T，则将该供应节点设置为中心点；若ρj*δj值小于T，则将该供应节点设置为待分配供应节点；
d.所述待分配供应节点所属的聚类是局部密度比其大、且最邻近的中心点的聚类；
e.设置截断距离dc，将离中心点的距离大于dc的供应节点定义为边界点，所述边界点不属于任意中心点的聚类，所述边界点直接对应所述复合节点。
3.根据权利要求2所述基于聚类算法的车辆调度网络弹性简化方法，其特征在于，所述密度峰值算法中局部密度ρj的计算方式为：
Figure FDA0002485402930000031
其中，lc为供应节点间距离的平均值，
Figure FDA0002485402930000032
4.根据权利要求2所述基于聚类算法的车辆调度网络弹性简化方法，其特征在于，所述密度峰值算法，在不同的车辆调度参数下设置不同的阈值T以及不同的截断距离dc的值。
5.根据权利要求1所述基于聚类算法的车辆调度网络弹性简化方法，其特征在于，所述车辆调度方案采用遗传算法生成，包括以下步骤：
a.生成初始种群，该种群包含Z条染色体，每条染色体按照以下方法生成：逐一对每个车辆生成其调度序列，该车辆调度序列称为一个基因，所有车辆的车辆调度序列作为一条染色体，一条染色体即是一个车辆调度方案；
b.开始迭代，反复执行以下步骤：
(i)依交叉概率对种群中的染色体进行交叉操作，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群；
(ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度；
(iii)生成下一代种群；
(iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的车辆调度方案，结束；如否，则返回步骤(i)。
6.根据权利要求5所述基于聚类算法的车辆调度网络弹性简化方法，其特征在于，调度方案中所述的调度目标信息为车辆调度方案完成时间最短。
7.根据权利要求5所述基于聚类算法的车辆调度网络弹性简化方法，其特征在于，调度方案中所述的迭代终止条件为迭代次数到达设定上限或经过若干次迭代后适应度最高染色体的适应度不变。
CN201711332224.2A 2017-12-13 2017-12-13 一种基于聚类算法的车辆调度网络弹性简化方法 Expired - Fee Related CN108108883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711332224.2A CN108108883B (zh) 2017-12-13 2017-12-13 一种基于聚类算法的车辆调度网络弹性简化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711332224.2A CN108108883B (zh) 2017-12-13 2017-12-13 一种基于聚类算法的车辆调度网络弹性简化方法

Publications (2)

Publication Number Publication Date
CN108108883A CN108108883A (zh) 2018-06-01
CN108108883B true CN108108883B (zh) 2020-07-28

Family

ID=62216792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711332224.2A Expired - Fee Related CN108108883B (zh) 2017-12-13 2017-12-13 一种基于聚类算法的车辆调度网络弹性简化方法

Country Status (1)

Country Link
CN (1) CN108108883B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830496A (zh) * 2018-06-22 2018-11-16 郑州云海信息技术有限公司 一种车辆调度方法、装置及计算机可读存储介质
CN109345166B (zh) * 2018-09-20 2022-04-22 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN111950910B (zh) * 2020-08-13 2021-11-16 青岛民航凯亚系统集成有限公司 基于dbscan-ga的机场保障车辆任务调度方法
CN114446075B (zh) * 2022-04-07 2022-07-01 北京阿帕科蓝科技有限公司 一种召回车辆的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
CN103383756A (zh) * 2013-07-22 2013-11-06 浙江省烟草公司绍兴市公司 一种烟草物流配送路径规划方法
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
CN105389975A (zh) * 2015-12-11 2016-03-09 北京航空航天大学 专车调度方法和装置
CN105894358A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 通勤订单识别方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170337560A1 (en) * 2016-05-17 2017-11-23 Microsoft Technology Licensing, Llc System for providing and employing recommended resolution paths
US10216186B2 (en) * 2016-05-23 2019-02-26 Sikorsky Aircraft Corporation Task allocation and variable autonomy levels

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136104A (zh) * 2011-03-22 2011-07-27 西安电子科技大学 基于负载均衡和lk算法的车辆路径规划方法
CN103383756A (zh) * 2013-07-22 2013-11-06 浙江省烟草公司绍兴市公司 一种烟草物流配送路径规划方法
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
CN105389975A (zh) * 2015-12-11 2016-03-09 北京航空航天大学 专车调度方法和装置
CN105894358A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 通勤订单识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"一种运输车辆调度聚类分析模型及仿真研究";郭兰英等;《西安公路交通大学学报》;19980131;第92-96页 *
"改进的DBSCAN 聚类算法在云任务调度中的应用";王李彧等;《北京邮电大学学报》;20170630;第68-71页 *

Also Published As

Publication number Publication date
CN108108883A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108108883B (zh) 一种基于聚类算法的车辆调度网络弹性简化方法
AU2018407695B2 (en) Constrained stable matching strategy-based flexible job-shop scheduling method
CN111612252B (zh) 大规模应急设施的自动选址方法、装置及可读存储介质
CN115600774B (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
CN106527381B (zh) 一种面向并行批处理机动态调度的快速评估方法
CN107305577B (zh) 基于K-means的妥投地址数据处理方法和系统
CN109991591B (zh) 基于深度学习的定位方法、装置、计算机设备及存储介质
CN109858798B (zh) 关联改造措施与电压指标的电网投资决策建模方法及装置
Chen et al. Genetic algorithm-based design and simulation of manufacturing flow shop scheduling
CN104899101B (zh) 基于多目标差异演化算法的软件测试资源动态分配方法
WO2023115760A1 (zh) 基于局部代理模型的电机多目标鲁棒性优化方法
CN106776316A (zh) 一种电力信息软件缺陷预防方法
CN109840353B (zh) 锂离子电池双因素不一致性预测方法及装置
CN104281917A (zh) 基于自适应遗传和克隆选择算法的模糊作业车间调度方法
Zaman et al. Scenario-based solution approach for uncertain resource constrained scheduling problems
CN110705650A (zh) 一种基于深度学习的钣金布局方法
CN105643944A (zh) 一种3d打印机稳定控制方法及控制系统
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
Cuihua et al. Active shop scheduling of production process based on RFID technology
CN103745312A (zh) 生产质量控制方法
TW201421275A (zh) 一種應用基因演算法來自動分群並篩選自變數以同步進行迴歸模型參數校估之方法
CN111091242B (zh) 一种电力负荷的最优非参数区间预测方法
CN112560947A (zh) 基于能源供需结构分析的聚类方法及装置
CN108009565B (zh) 一种变异环境下河网区设计洪水位计算方法
CN109543930B (zh) 基于机台多级别稳态生产速率的派工方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200728