CN108416513A - 一种基于混合启发式算法的公共自行车动态调度方法 - Google Patents

一种基于混合启发式算法的公共自行车动态调度方法 Download PDF

Info

Publication number
CN108416513A
CN108416513A CN201810144060.9A CN201810144060A CN108416513A CN 108416513 A CN108416513 A CN 108416513A CN 201810144060 A CN201810144060 A CN 201810144060A CN 108416513 A CN108416513 A CN 108416513A
Authority
CN
China
Prior art keywords
website
transport vehicle
ant
path
bicycle
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.)
Granted
Application number
CN201810144060.9A
Other languages
English (en)
Other versions
CN108416513B (zh
Inventor
徐海涛
马智超
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810144060.9A priority Critical patent/CN108416513B/zh
Publication of CN108416513A publication Critical patent/CN108416513A/zh
Application granted granted Critical
Publication of CN108416513B publication Critical patent/CN108416513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于混合启发式算法的公共自行车动态调度方法。本发明包括如下方法：1.对各个站点进行分区域管理；2.获取各个站点的相关信息，包括站点的坐标和计算出的需求信息，将整个工作区域划分为多个小的子区域，每个子区域内都有一个调度中心，管理和该调度中心属于同一子区域的所有站点；3.事件管理器根据动态调度策略判断是否要重新计算调度方案，如果需要，事件管理器会构建静态调度实例，该静态调度实例包含每个运输车的出发位置、出发时间以及基本需求信息；4.用改进的变邻域蚁群算法求解问题。本发明可以计算出更优的调度方案，求解效率更高。能以更节约成本的调度方案最大程度地提高市民对公共自行车使用的满意度。

Description

一种基于混合启发式算法的公共自行车动态调度方法
技术领域
本发明属于城市智能公共交通系统技术领域，涉及一种基于混合启发式算法的公共自行车动态调度方法。
背景技术
随着城市的快速发展，城市人口不断增加，机动车的数量也随着大量增长，使得交通拥堵和环境污染问题日益严峻。充分发挥城市公共自行车的作用，能够有效地缓解这些问题。但是目前公共自行车在运营过程中出现了一些问题影响着运营效率，“租车难、换车难”就是在自行车使用过程中用户反馈最强烈的问题，即某些自行车租赁站点在一些时间段内的自行车数量不够多，使得用户不能租到自行车。某些自行车站点的在一些时间段内没有停车位，导致用户不能归还自行车。而解决这一问题的关键就是对公共自行车进行智能调度，合理的自行车调度可以提高用户对公共自行车使用的满意度，并且节约调度成本，提高运营效率，对促进公民绿色出行、缓解交通拥堵具有重大的意义。
所谓对自行车调度就是从调度中心派发运输车去往各个自行车站点装卸自行车，以使得站点的自行车数量满足站点的需求。由于用户行为的变动具有随机性，自行车周转率会随时间发生变化，自行车站点对自行车的需求也在发生着变化，因此需要对公共自行车执行动态调度。本发明主要对公共自行车动态调度算法进行研究，该算法要求面对站点的动态需求可以制定和执行有效的动态调度方案，该调度方案包括运输车的数量、每辆运输车的出发位置、出发时间以及每辆运输车的路线。
目前，国内外在此领域的研究非常少，但是也有一小部分文章提出了相应的动态调度算法，然而他们算法的求解效率不够高效，对问题建模不够合理，对调度策略的设计不够完善，导致调度算法的整体求解效率不佳。
发明内容
本发明的目的是为了提出一种基于混合启发式算法的公共自行车动态调度方法。本发明以最少成本的方式最大程度满足用户对自行车使用的满意度。本发明将蚁群算法和变邻域搜索方法融合在一起，首次提出了回路服务策略改进的蚁群算法，并提出了跳跃探索机制、黑蚂蚁机制的融合策略。对变邻域搜索机制，提出了三种适用于调度的邻域结构。变邻域搜索的引入可以提高算法的运算效率，跳跃探索机制和黑蚂蚁机制的创建可以提高算法的全局搜索能力。
本发明的方法的具体步骤如下：
步骤(1)对各个站点进行分区域管理；
步骤(2)获取各个站点的相关信息，包括站点的坐标和计算出的需求信息，将整个工作区域划分为多个小的子区域，每个子区域内都有一个调度中心，管理和该调度中心属于同一子区域的所有站点；
步骤(3)事件管理器根据动态调度策略判断是否要重新计算调度方案，如果需要，事件管理器会构建静态调度实例，该静态调度实例包含每个运输车的出发位置、出发时间以及基本需求信息；
步骤(4)用改进的变邻域蚁群算法求解问题。
本发明有益效果如下：
本发明将跳跃探索机制和黑蚂蚁机制融入变邻域蚁群算法中，提出了新的邻域结构和应用规则，改善了原算法容易过早收敛的缺点，提高算法的全局搜索能力，并提出了新的动态调度策略。和原算法相比，改进后的算法对公共自行车动态调度问题的目标函数优化效果更好。本发明涉及的方法对是调度方案进行优化，为了提高用户的满意度本文设计了双时间窗策略来构建优化目标，同时考虑了用户对自行车使用的满意度。具体来说实现了以下几个目标：
(1)能够根据各个站点的自行车需求信息，制定合理的动态调度方案，能够应对站点需求的时变性。调度方案包括每辆车的调度路线，运输车的数量，运输车的出发位置，运输车的出发时间和初始载车量。
(2)所提出的方法可以得到更好的调度效果，具体体现在所用计算所用时间更少，调度代价更小，用户的满意度更高。
附图说明
图1区域划分管理模拟图。
图2惩罚函数图。
图3时间片策略预处理阶段说明图。
图4紧急情况处理说明图。
图5可接收时间段说明图。
图6下一个时间片的运输车出发地说明图。
图7事件处理器工作图。
图8蚂蚁视角概念的说明图。
图9区域内站点聚类说明图。
图10基点交换示意图。
图11IACO与IACO-VNS算法每代路径最小代价对比图；
图12对p05样例求解结果模拟图；
图13对p03样例求解结果模拟图；
图14IACO-4对p05测试每代最优值；
具体的实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1-14所示，一种基于混合启发式算法的公共自行车动态调度方法，具体实现步骤如下：
步骤(1)对各个站点进行分区域管理。由于站点的分布不均和数量过多，一个调度中心不符合实际应用，需要多个调度中心对自行车站点进行调度管理，这样就需要进行区域划分，规划好每个调度中心需要管理的站点。整个工作区域被划分为很多个小的子区域，每个子区域内都有一个调度中心，管理和该调度中心属于同一子区域的所有站点。为此本节提出了KMN算法，该算法是根据给定的调度中心的位置进行区域划分的算法。在KMN算法中，N代表着公共自行车站点的数量，M代表着子区域的数量。按照最近邻的原则把距离每个调度中心前K个最近的公共自行车站点划分为一个子区域，这样依次计算。对于最后一个没有计算的调度中心，把还没有进行区域归属的自行车站点划分给最后一个调度中心来负责。K如下所示：
步骤(2)获取各个站点的相关信息，包括站点的坐标和计算出的需求等信息。所谓的需求信息就是各个站点在某些时间段所需调度的自行车数量。给定的需求信息包含两个概念，一个是调度量一个是调度量所对应的最佳时域。定义di为站点si的调度量，如果di≥0,就意味着si需要调入di辆自行车，否则就意味着需要从该站点装走di辆自行车。对站点si的调度时刻必须在时域[ei,fi]内，且其最佳调度时域是 [ai,bi]。如果运输车对站点vj服务的时刻在[ai,bi]外且在[ei,fi]内，系统将给予这种情况一个惩罚，为此定义惩罚函数如下式所示：
步骤(3)事件管理器会根据动态调度策略判断是否要重新计算调度方案，如果需要，事件管理器会构建静态调度实例，该实例包含每个运输车的出发位置和出发时间以及基本需求信息，动态调度策略的原理如下所述：
在运输车执行调度的过程中可能会有动态事件的发生，对此，本节提出了基于混合驱动时间片的动态调度策略。每个工作日被划分成 nts个时间片，使得每一个时间片的时长为T/nts。系统在工作日截止时间Tco之前会一直检查自行车站点的状态和道路的拥挤度，如果有新的调度需求出现，系统将会记录这些信息，并进行相应的处理：如果遇到紧急情况，系统将会立刻对动态事件做相应处理；如果没有紧急情况发生，这些动态事件将会在当前时间片的末尾被处理，处理后得到的调度被发送到各个运输车。
在每个时间片末尾有个预处理阶段，在这个时间段内算法会计算解决方案并把计算结果发送给相应的运输车，这个阶段的时间要被考虑进去。系统通过调整时间片的长度来控制在每个时间片内需求点的数量，以此来推算出预处理阶段最多需要多长时间，假设其为Tp秒，则默认的预处理阶段所需时间为Tp秒。预处理阶段的原理如图3所示，图中沿着时间轴方向的阴影部分代表Tp秒。在经过预处理阶段后，立刻开启下一个时间片，在新的时间片内，运输车执行得到的调度方案。
当紧急情况发生时，系统将会立刻进入预处理阶段，结束当前时间片。紧急情况包含两种情况，其一是出现新需求的自行车租赁站点的数量达到预设值，其二是有意外情况发生，这两种现象属于紧急情况，需要重新安排调度方案。紧急情况处理过程如图4的第二个时间片所示，当新出现调度需求站点的数量达到指定值，系统则立刻进入预处理阶段。这就是可变动的时间片策略。
此外，为了说明时间片策略，此处定义两个概念，第一个概念是截止时刻Tco：在进入截止时刻之后，系统就会忽略自行车站点的调度需求，完成最后一轮调度后所有运输车会回到调度中心。第二个概念是可接收时间段Tac：一个运输车只能接收到未来Tac秒内自行车站点的动态需求信息和其他动态事件。如图5所示，自行车站点沿着时间轴的阴影部分就是可接收时间段。在每次预处理阶段，系统的事件管理器会收集现有的动态信息来构造静态调度实例。这些信息包括每个运输车的出发位置、每个运输车出发时的载运量、每个运输车出发的时间、所有站点的位置、每条路段的拥挤度以及各个站点的需求信息等内容。运输车出发的时间就是按照前面提到的时间片来规划的，而对于运输车出发的位置可以根据如下规则设定：
(1)运输车在某个站点刚完成调度服务或正在某个站点进行服务，这样的站点是就可以看成下一个时间片开始时对应运输车的出发地。其情况如图6中编号为2和3的运输车。
(2)运输车正在前往某个站点进行服务，它前往的那个自行车站点就会被看成下一个时间片开始时的该运输车的出发地。其情况如图 6中编号为1的运输车。
(3)如果通过计算，在调度中心外的运输车车不能完成对所有站点的调度服务，就需要从调度中心派发车辆，调度中心也可以看成下一个时间片开始时刻运输车的出发地。
这样运输车的出发时间和出发地点以及初始载运量就都知道了。动态调度策略是由事件管理器来完成的，事件管理器是一个系统，它会检查随机的动态事件，并根据公共自行车的动态调度策略，进而构造出公共自行车静态调度问题实例。事件处理器工作图如图7所示。在步骤(3)确认需要重新计算调度方案后进入步骤(4)。
步骤(4)用改进的变邻域蚁群算法求解该问题。
4-1.初始化变邻域蚁群算法的相关参数，通过事件管理器确认调度需求、出发地点、出发时间等信息，设置iter1＝1；
4-2.如果算法迭代次数没有达到Nc就转向4-3，否则直接输出目前得到的最优解，退出程序。
4-3.将一大部分蚂蚁(包括黑蚂蚁)均匀地放在调度中心外边运输车的出发位置上，还有一部分蚂蚁放在调度中心以备所需；
4-4.每只蚂蚁根据初始路径构造法构造路径，直到所有蚂蚁都已经构造出路径蚂蚁的初始路径。
初始路径构造法的规则如下：系统首先对那些不在调度中心的运输车计算调度路线，计算完后，如果还有站点未被调度服务，则再从调度中心派发运输车完成对剩余自行车站点的调度服务。遵循这个计算逻辑，构造路径时按如下回路服务策略构造：
4-4-1按照服务站点选择的规则选择需要调度服务的站点。
如果蚂蚁是黑蚂蚁则按照黑蚂蚁机制的方法去选择服务站点，如果蚂蚁是普通则蚂蚁选择路径需要参照代表着在第t次迭代蚂蚁k从自行车站点vi到vj的概率，本文提出了三个改进的用于服务站点选择的措施，一个叫做跳跃探索机制，一个叫做节约算子，还有一个叫做路径权重。在跳跃探索机制中，为了提高蚂蚁对全局最优解的寻优能力，蚂蚁被赋予了特殊的视角，使其视野的以扩宽，让其具有跳跃探索的能力，为此创建并引入视角算子θj(t)(j∈{1,2,…,N})，θj(t)意味着在第t次迭代访问自行车站点vj的视觉值，假设图8中的小圆点代表着自行车站点，最大的圆圈代表着蚂蚁的视觉范围，则图8 中的阴影部分代表引入视角算子后蚂蚁在面向某个方向所能看到的范围，这样蚂蚁就可以跳跃到某些远的地方探索路径。
我们对每个调度中心所管辖的区域聚类成两个类，类1和类2，如图9所示。图9中左侧的站点被划分成两个类分别表示，其结果如图9右侧所示。假设蚂蚁在上一次选择的是A类中的自行车站点，则面对接下来要选择的站点，如果其是属于A类的站点vj，给θj(t)设置一个较小的值，如果属于另一个类的站点vj，给θj(t)设置一个较大的值。通过这样设置，蚂蚁每次选择会以更大的概率去选择属于另一个类站点vj，让蚂蚁向远处跳跃探索。
此外，在概率矩阵中还引入了节约算子uib和路径权重，节约算子其公式如下式所示：
uib＝dio+d0b-dib(0∈depot.i，b∈{1，2，...，N}
它表示蚂蚁直接从站点vi到vj比先到调度中心再到自行车站点vj节约的路费。路径权重的作用是将道路拥挤度作为选择路径的影响因素之一，不同的拥挤度对应不同的路径权重。拥挤度越大路径权重反而越小Lib。最后改进后的概率矩阵如式(1)所示。其中的τib(t)是路径vi到vb的信息素，σib(t)代表路径的可视度，σib(t)＝1/dib。服务站点的选择规则如下：
如果q≤k(t)(k(t)∈[2/N,1],q＝random()),其中random()是产生0和1之间随机值的函数，系统根据公式(2)来选择站点,否则系统会根据计算可服务的站点集合，随机从集合中选择下一个要服务的自行车站点。
b＝argmax([τib(t)]α[σib(t)]β[θib(t)]γ[uib(t)]ε)(2)
如果蚂蚁是黑蚂蚁则通过黑蚂蚁信息素矩阵来选择要服务的站点，优先选择大的自行车站点来服务，其定义如下所示：
其中Tablek是可以服务的自行车站点的禁忌表，其中τij b(t)是黑蚂蚁在第t次迭代从站点vi到vj的黑蚂蚁信息素，其定义如下式所示。
4-4-2系统首先判断如果对该站点进行服务是否满足约束条件，包括时间窗约束和车容量约束，其公式分别如式(3)和式(4)所示。此处为了对这两个约束条件进行说明，需要定义如下符号：
假设只有一个调度崭新({0})，N代表公共自行车站点集合， N＝{s1,s2,…,sN}。假设执行调度总共需要K辆运输车，每个运输车最多可装载Q辆自行车；运输车到达站点si的时刻为ti；从站点si到站点sj所需要的时间为tij秒，路程为dij千米。wij代表着运输车从si到sj运行过程中装载的自行车数量，wi是运输车在站点si的停留时间。定义Cw为每秒给工作人员的薪资，Cb代表单位里程的油钱，Cw和Cb的单位都是人民币。
0≤dj+wijk≤Q,(i,j∈N∪M.k∈{1,2,…,K})(4)
如果不满足约束条件则直接返回调度中心。如果满足约束条件，在运输车返回的过程中，根据Dijkstra算法[52]计算最短路线。在运输车按照最短路线回调度中心的过程中，如果遇到需要服务的自行车站点，检查对其调度是否满足约束条件，如果满足，则执行完调度后继续往回走，依据这样的策略执行调度直到返回调度中心。这就是回路服务策略。
4-5.计算每个解决方案的代价值。
为了对代价值进行说明，需要定义一些符号。假设有H个运输车已经在调度中心外边，这些运输车的出发站点被看作是虚拟调度中心，其编号所在集合为departure(departure∈{1,2,…,N})。每个运输车有不同的初始自行车携带量被定义为bmk(m＝1,…,M.k＝1,…,H)，这些可以根据调度策略得到。我们假设Ns代表着初始阶段需要调度服务但还未被服务站点的数量与新出现的需要调度服务的自行车站点的数量之和。 Tm是重优化阶段新的从调度中心派出的运输车数量，那么总共的运输车数量就是H+Tm。此外定义调度中心编号为0，定义所有有调度服务需求的自行车站点的集合为demand。定义如下两个决策变量：
则代价函数如公式(7)所示，其所表示的是所有运输车的调度代价值，这些运输车包括初始时已经离开调度中心的运输车和从调度中心新派发出来的运输车。代价值包含油费工作人员的费用和降低用户满意度得到的惩罚代价费用。
4-6.如果迭代次数达到N1则执行4-8，否则转向4-7
4-7.更新蚁群的信息素矩阵，iter1＝iter1+1，执行完转向4-2；
每次迭代所有蚂蚁构造完最优的路径后，算法会根据这次迭代所得的最优路径对信息素矩阵进行更新，同时对信息素进行检查，让信息素不能太大或太小。如果某条路径的信息素太大，则算法会过早陷入停滞。如果某条路径上的信息素太小，蚂蚁就可能不会再走那条路径。这将会降低算法的寻优能力。本节引入精英策略的信息素矩阵的更新法，为了说明信息素更新公式的含义，我们首先定义一些符号，如表1所示，其展示了信息素更新公式中所用到的符号。
表1信息素更新公式符号说明
信息素更新公式如下式:
如果arc(i,j)∈BPE(i,j),
如果arc(i,j)∈WPE(i,j),
否则,
每条路径上的信息素都要被控制在某一范围内：τ∈[τmin,τmax]。如果τ≥τmax，τ＝τmax。如果τ≤τmin，τ＝τmin。其中τmax、τmin如下所示：
如果蚂蚁是黑蚂蚁则按照如下规则更新信息素矩阵：
如果连续n次迭代所得的最优解没有变化则开始探索新的路径，信息素更新方式如公式(8)所示，否则信息素的更新方式如公式(9) 所示。
4-8.调整信息素矩阵。
4-8-1用蚁群算法目前的全局最优解来作为邻域搜索的初始解s，设置最优路径最优解sb＝s，iter＝1
4-8-2设置i＝1。
4-8-3从路径sb中随机选择两辆车的路线：r1和r2，根据r1和r2从邻域结构Ni(s)中随机生成解r＇1和r′2。
此处本文设计了三种邻域结构N1(s)，N2(s)，N3(s)，分别由三种变换方法得到：子路径间交换，自行车站点重置，k-opt。为了说明这三种邻域结构的变换方法，我们先定义两个概念：站点适应度、邻接站点适应度。式(10)表示站点的适应度ri，其中ri,1为距离偏移度，ri,2和 ri,3分别是惩罚度。
ri,1＝[d(imin,i)+d(i,isubmin)]-[d(ipre,i)+d(i,inext)](10)
ri,2＝Cw*max(0,tpre+wpre+tpre,i-bi)(11)
ri,3＝Cw*max(0,ai-(tpre+wpre+tpre,i))(12)
ri＝ri,3+ri,2+ri,3(13)
公式(10)中imin和isubmin分别代表着距离站点vi最近的站点和第二近的站点，ipre和inext分别代表着vi所在线路中前一个服务的站点和下一个服务的站点，d(i,j)代表着站点vi和vj之间的距离。公式(11)
和(12)中的pre代表运输车vi所在线路的前一个站点。线路中访问的站点中ri最大的站点vi应该优先被选为变异点，变异点的邻接适应度如式(14)、式(15)所示。如果i≠j，则的值如公式(14)所示；否则会赋予一个很大的数Lg。站点的邻接适应度包含了与变异点的距离和违背时间窗约束的时间惩罚度。
基于以上两个概念，子线路交换的操作原理如下：根据站点适应度从大到小排序，从r1中选择一个除头尾之外的站点适应度大的站点vi，从r2中选择与vi邻接适应度大的站点vj，将路线r1中vi之后的站点和路线r2中vj之后的站点交换。其过程如图10中标号(2)的图所示。图 10中标号(1)的图代表着从解中随机选择的两条路径r1和r2。自行车站点重置原理如下：根据站点适应度值，从线路r1中选择变异站点vi，根据邻接适应度选择另一线路上的邻接站点vj，将站点vi从线路r1中删除。插入到线路r2的vj和vpre之间。其过程如图10中标号为(3)的图所示。图10中标号为(4)的图是3-opt方法。
4-8-4i＝i+1，如果新解更优，即cost(r′1,r′2)≤cost(r1,r2)，则保存新解r′1和r′2，得到解s＇b，令sb＝s＇b。
4-8-5如果i>3则转4-6-2，否则转4-6-8。
4-8-6iter＝iter+1。
4-8-7如果iter>N2，且sb更新后更优，则首先根据公式(16) 和(17)调整信息素，然后检查s′b路径上的信息素τ是否不是在规定的范围内。如果τ≥τmax，则τ＝τmax；如果τ≤τmin，则τ＝τmin。调整后如果iter≤iterMax，则转4-6-2，否则算法结束。
实施例：
本节设计了20个数据样本来用来进行实验，实验数据的格式如表 2所示。实验要求数据给出调度中心位置、多个公共自行车站点的坐标、各个站点的调度量、调度相应的时间窗与总车位等信息。
表2实验数据格式说明
对于模型和算法的重要参数做如下设置：Tco＝21:00， cp＝0.6(RMB/KM)，tij＝150*dij，ei＝ai-120，fi＝bi+120， Tac＝20(minute)，cw＝0.3。时间片的长度设置为15分钟，运输车的容量设为可以装载30辆自行车。根据时间限定规则：fi≤Tac+now，动态需求信息会依次给出。
算法通过对20个样例测试所得的结果如表3所示，进行测试的模拟时长为25分钟。表3中“样本”一栏对应的是不同的样本编号，“数量”一栏数代表着公共自行车租赁点个数，“最优值”代表着该算法求解方案的代价最小值，“时间”代表算法求到最优值所用的最少时间。表3中，IACO-2是基于本文提出的回路服务策略和节约算法子改进的蚁群优化算法，IACO-1是传统的蚁群算法优化算法，IGA是适用于求解本文所提出数学模型的遗传算法，IACO-VNS是本章所提出的改进的变邻域蚁群算法。
表3p01-p20测试样例结果
表3首先展示了IACO-2比IACO-1求解效果更优，从数据中可以看到，虽然IACO-2求解所用时间相对多一点，但是和IACO-1相比，其求解的调度方案更优，即执行调度方案所修安排的代价值更低，这个代价值是根据问题建模中的目标方程而确立的，该代价既包含路费成本和固有成本，也包含工作人员的薪资成本。这说明回路服务策略和节约算子对蚁群算法的改进起到了一定作用。从表3中可以看到IACO-VNS的求解效果比其他算法都要好，当然该算法求解所用时间也稍微多些，这是因为对算法进行混合后增加了算法要执行的步骤，进而增加了算法运行时间。但是IACO-VNS所求得的调度方案的代价值比其他算法都小。IACO-VNS算法的效果可以通过图11更清晰地看到，通过200次迭代发现融合算法可以跳出局部最优解，进一步向全局最优解靠近。图12和图13模拟仿真了p05和p03样例的求解结果，图中不同形状的点代表着一次动态重调度优化的调度方案，图中所有线的交点是调度中心。对p05样例求解的调度方案中总共需要运输车 12辆，其包含了不同时间片下的总的计算结果，下面展示了每辆运输车的路线。
第一辆车：1->24->40->42->39->41->1
第二辆车：1->18->3->45->47->33->31->21->25->49->50->1
第三辆车：1->16->13->22->20->35->36->37->1
第四辆车：1->9->38->10->12->1
第五辆车：1->27->29->34->28->8->1
第六辆车：1->32->26->48->6->1
第七辆车：1->27->29->34->28->8->1
第八辆车：1->7->30->1
第九辆车：1->19->23->46->44->4->1
第十辆车：1->11->1
第十一辆车：1->2->14->5->43->17->1
第十二辆车：1->15->1
表4展示了跳跃探索机制和黑蚂蚁机制改进策略的作用，其中 IACO-4是基于跳跃探索机制改进的蚁群算法，IACO-3是基于黑蚂蚁机制改进的蚁群算法。从表4.4中，我们可以看到IACO-4的求解效果要比IACO-3和IACO-1要好，这说明跳跃探索机制对提高蚁群算法的求解效率有极大的作用。在引入视觉概念基础上，让蚂蚁跳可以看到更远处的地方，可以看到以前没有看到过的路径，以此能力实现跳跃探索，跳越到指定的区域，提高了向全局最优解靠近的可能性。进一步地，我们从图14中可以看到跳跃探索机制的作用。
表4p01-p20测试样例结果

Claims (10)

1.一种基于混合启发式算法的公共自行车动态调度方法，其特征在于包括如下步骤：
步骤(1)对各个站点进行分区域管理；
步骤(2)获取各个站点的相关信息，包括站点的坐标和计算出的需求信息，将整个工作区域划分为多个小的子区域，每个子区域内都有一个调度中心，管理和该调度中心属于同一子区域的所有站点；
步骤(3)事件管理器根据动态调度策略判断是否要重新计算调度方案，如果需要，事件管理器会构建静态调度实例，该静态调度实例包含每个运输车的出发位置、出发时间以及基本需求信息；
步骤(4)用改进的变邻域蚁群算法求解问题。
2.根据权利要求1所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于步骤(1)具体实现如下：
根据给定的调度中心的位置进行区域划分，在KMN算法中，N代表着公共自行车站点的数量，M代表着子区域的数量；按照最近邻的原则把距离每个调度中心前K个最近的公共自行车站点划分为一个子区域，对于最后一个没有计算的调度中心，把还没有进行区域归属的自行车站点划分给最后一个调度中心来负责；K如下所示：
3.根据权利要求2所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于步骤(2)具体实现如下：
需求信息就是各个站点在某些时间段所需调度的自行车数量；给定的需求信息包含两个概念：调度量和调度量所对应的最佳时域；
定义di为站点si的调度量，如果di≥0,就意味着si需要调入di辆自行车，否则就意味着需要从该站点装走di辆自行车；对站点si的调度时刻必须在时域[ei,fi]内，且其最佳调度时域是[ai,bi]；如果运输车对站点vj服务的时刻在[ai,bi]外且在[ei,fi]内，系统将给予这种情况一个惩罚，为此定义惩罚函数p(t)如下式所示：
4.根据权利要求3所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于步骤(3)所述的动态调度策略如下所述：
每个工作日被划分成nts个时间片，使得每一个时间片的时长为T/nts；系统在工作日截止时间Tco之前会一直检查自行车站点的状态和道路的拥挤度，如果有新的调度需求出现，系统将会记录这些新的调度需求，即动态事件，并进行相应的处理：如果遇到紧急情况，系统将会立刻对动态事件做相应处理；如果没有紧急情况发生，这些动态事件将会在当前时间片的末尾被处理，处理后得到的调度被发送到各个运输车；
在每个时间片末尾有个预处理阶段，在这个时间段内会计算解决方案并把方案发送给相应的运输车，因此要被考虑预处理阶段的时间；系统通过调整时间片的长度来控制在每个时间片内需求点的数量，以此来推算出预处理阶段最多需要多长时间，假设其为Tp秒，则默认的预处理阶段所需时间为Tp秒；在经过预处理阶段后，立刻开启下一个时间片，在新的时间片内，运输车执行得到的调度方案；
当紧急情况发生时，系统将会立刻进入预处理阶段，结束当前时间片；紧急情况包含两种情况，其一是出现新需求的自行车租赁站点的数量达到预设值，其二是有意外情况发生，这两种现象属于紧急情况，需要重新安排调度方案；紧急情况处理过程如图4的第二个时间片所示，当新出现调度需求站点的数量达到指定值，系统则立刻进入预处理阶段；这就是可变动的时间片策略；
设截止时刻Tco：在进入截止时刻之后，系统就会忽略自行车站点的调度需求，完成最后一轮调度后所有运输车会回到调度中心；
设接收时间段Tac：一个运输车只能接收到未来Tac秒内自行车站点的动态需求信息和其他动态事件；在每次预处理阶段，系统的事件管理器会收集现有的动态信息来构造静态调度实例；动态信息包括每个运输车的出发位置、每个运输车出发时的载运量、每个运输车出发的时间、所有站点的位置、每条路段的拥挤度以及各个站点的需求信息。
5.根据权利要求4所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于运输车出发的时间是按照时间片来规划的，而对于运输车出发的位置根据如下规则设定：
(1)运输车在某个站点刚完成调度服务或正在某个站点进行服务，这样的站点看成下一个时间片开始时对应运输车的出发地；
(2)运输车正在前往某个站点进行服务，它前往的那个自行车站点就会被看成下一个时间片开始时的该运输车的出发地；
(3)在调度中心外的运输车车不能完成对所有站点的调度服务，就需要从调度中心派发车辆，调度中心也能够看成下一个时间片开始时刻运输车的出发地。
6.根据权利要求5所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于步骤(4)具体实现如下：
4-1.初始化变邻域蚁群算法的相关参数，通过事件管理器确认调度需求、出发地点、出发时间，设置iter1＝1；
4-2.如果算法迭代次数没有达到Nc就跳转到步骤4-3，否则直接输出目前得到的最优解，结束；所述Nc为最外层迭代次数；
4-3.将混有黑蚂蚁的所有蚂蚁分为两部分，一部分蚂蚁均匀地放在调度中心外边运输车的出发位置上，还有一部分蚂蚁放在调度中心以备所需；
4-4.每只蚂蚁根据初始路径构造法构造路径，直到所有蚂蚁都已经构造出路径蚂蚁的初始路径；
4-5.计算每个解决方案的代价值；
4-6.如果迭代次数达到N1则执行步骤4-8，否则跳转到步骤4-7；N1小于等于Nc，为预先设定值；
4-7.更新蚁群的信息素矩阵，iter1＝iter1+1，执行完转向步骤4-2；
4-8.调整信息素矩阵。
7.根据权利要求6所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于初始路径构造法的规则如下：
首先对不在调度中心的运输车计算调度路线，计算完后如果还有站点未被调度服务，则再从调度中心派发运输车完成对剩余自行车站点的调度服务；遵循这个计算逻辑，构造路径时按如下回路服务策略构造：
4-4-1.按照服务站点选择的规则选择需要调度服务的站点；
如果蚂蚁是黑蚂蚁则按照黑蚂蚁机制的方法去选择服务站点，如果蚂蚁是普通则蚂蚁选择路径需要参照 代表着在第t次迭代蚂蚁k从自行车站点vi到vj的概率，提出三个改进的用于服务站点选择的措施：跳跃探索机制、节约算子和路径权重；
在跳跃探索机制中，为了提高蚂蚁对全局最优解的寻优能力，蚂蚁被赋予了特殊的视角，使其视野的以扩宽，让其具有跳跃探索的能力，为此创建并引入视角算子θj(t)(j∈{1,2,…,N})，θj(t)意味着在第t次迭代访问自行车站点vj的视觉值；
对每个调度中心所管辖的区域聚类成两个类，类Ⅰ和类Ⅱ；假设蚂蚁在上一次选择的是类Ⅰ中的自行车站点，则面对接下来要选择的站点，如果其是属类Ⅰ的站点vj，给θj(t)设置一个较小的值，如果属于类Ⅱ的站点vj，给θj(t)设置一个较大的值；通过这样设置，蚂蚁每次选择会以更大的概率去选择属于另一个类站点vj，让蚂蚁向远处跳跃探索；
此外，在概率矩阵中还引入了节约算子uib和路径权重，节约算子其公式如下式所示：
uib＝di0+d0b-dib(0∈depot.i,b∈{1,2,…,N}
节约算子uib表示蚂蚁直接从站点vi到vj比先到调度中心再到自行车站点vj节约的路费；路径权重的作用是将道路拥挤度作为选择路径的影响因素之一，不同的拥挤度对应不同的路径权重；拥挤度越大路径权重反而越小Lib；最后改进后的概率矩阵如式(1)所示；其中的τib(t)是路径vi到vb的信息素，σib(t)代表路径的可视度，σib(t)＝1/dib；服务站点的选择规则如下：
如果q≤k(t)(k(t)∈[2/N,1],q＝random()),其中random()是产生0和1之间随机值的函数，系统根据公式(2)来选择站点,否则系统会根据计算可服务的站点集合，随机从集合中选择下一个要服务的自行车站点；
b＝argmax([τib(t)]α[σib(t)]β[θib(t)]γ[uib(t)]ε) (2)
如果蚂蚁是黑蚂蚁则通过黑蚂蚁信息素矩阵来选择要服务的站点，优先选择大的自行车站点来服务，其定义如下所示：
其中Tablek是可以服务的自行车站点的禁忌表，其中τij b(t)是黑蚂蚁在第t次迭代从站点vi到vj的黑蚂蚁信息素，其定义如下式所示；
4-4-2.首先判断如果对该站点进行服务，是否满足约束条件，包括时间窗约束和车容量约束，其公式分别如式(3)和式(4)所示：
假设只有一个调度崭新({0})，N代表公共自行车站点集合，N＝{s1,s2,…,sN}；假设执行调度总共需要K辆运输车，每个运输车最多可装载Q辆自行车；运输车到达站点si的时刻为ti；从站点si到站点sj所需要的时间为tij秒，路程为dij千米；wij代表着运输车从si到sj运行过程中装载的自行车数量，wi是运输车在站点si的停留时间；定义Cw为每秒给工作人员的薪资，Cb代表单位里程的油钱，Cw和Cb的单位都是人民币；
0≤dj+wijk≤Q,(i,j∈N∪M.k∈{1,2,…,K}) (4)
如果不满足约束条件则直接返回调度中心；如果满足约束条件，在运输车返回的过程中，根据Dijkstra算法计算最短路线；在运输车按照最短路线回调度中心的过程中，如果遇到需要服务的自行车站点，检查对其调度是否满足约束条件，如果满足，则执行完调度后继续往回走，依据这样的策略执行调度直到返回调度中心；这就是回路服务策略。
8.根据权利要求7所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于步骤4-5所述的计算每个解决方案的代价值，具体实现如下：
假设有H个运输车已经在调度中心外边，这些运输车的出发站点被看作是虚拟调度中心，其编号所在集合为departure(departure∈1,2,…,N；每个运输车有不同的初始自行车携带量被定义为bmkm＝1,…,M.k＝1,…,H，这些可以根据调度策略得到。假设Ns代表着初始阶段需要调度服务但还未被服务站点的数量与新出现的需要调度服务的自行车站点的数量之和；Tm是重优化阶段新的从调度中心派出的运输车数量，那么总共的运输车数量就是H+Tm；此外定义调度中心编号为0，定义所有有调度服务需求的自行车站点的集合为demand；定义如下两个决策变量：
则代价函数如公式(7)所示，其所表示的是所有运输车的调度代价值，这些运输车包括初始时已经离开调度中心的运输车和从调度中心新派发出来的运输车；代价值包含油费工作人员的费用和降低用户满意度得到的惩罚代价费用；
9.根据权利要求8所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于步骤4-7具体实现如下：
每次迭代所有蚂蚁构造完最优的路径后，根据这次迭代所得的最优路径对信息素矩阵进行更新，同时对信息素进行检查；首先定义信息素更新公式中所用到的符号：
arc(i,j)代表着从自行车站点vi到vj的路径；τij(t)代表着第t次迭代路径arc(i,j)的信息素浓度；BPE(i,j)代表着每次迭代最优路径所经过的arc(i,j)的集合；WPE(i,j)代表着每次迭代最差路径所经过的arc(i,j)的集合；Cbest,Cworst分别代表着每次迭代最优路径及最差路径的代价值；ρ代表着信息素保留系数；
信息素更新公式如下式:
如果arc(i,j)∈BPE(i,j),
如果arc(i,j)∈WPE(i,j),
否则,
每条路径上的信息素都要被控制在某一范围内：τ∈[τmin,τmax]；如果τ≥τmax，τ＝τmax；如果τ≤τmin，τ＝τmin；其中τmax、τmin如下所示：
如果蚂蚁是黑蚂蚁则按照如下规则更新信息素矩阵：
如果连续n次迭代所得的最优解没有变化则开始探索新的路径，信息素更新方式如公式(8)所示，否则信息素的更新方式如公式(9)所示；
10.根据权利要求9所述的一种基于混合启发式算法的公共自行车动态调度方法，其特征在于步骤4-8具体实现如下：
4-8-1用蚁群算法目前的全局最优解来作为邻域搜索的初始解s，设置最优路径最优解sb＝s，iter＝1；
4-8-2设置i＝1；
4-8-3从路径sb中随机选择两辆车的路线：r1和r2，根据r1和r2从邻域结构Ni(s)中随机生成解r1′和r2＇；
设三种邻域结构N1(s)，N2(s)，N3(s)，分别由三种变换方法得到：子路径间交换、自行车站点重置和k-opt；式(10)表示站点适应度ri，其中ri,1为距离偏移度，ri,2和ri,3分别是惩罚度；
ri,1＝[d(imin,i)+d(i,isubmin)]-[d(ipre,i)+d(i,inext)] (10)
ri,2＝Cw*max(0,tpre+wpre+tpre,i-bi) (11)
ri,3＝Cw*max(0,ai-(tpre+wpre+tpre,i)) (12)
ri＝ri,3+ri,2+ri,3 (13)
公式(10)，中imin和isubmin分别代表着距离站点vi最近的站点和第二近的站点，ipre和inext分别代表着vi所在线路中前一个服务的站点和下一个服务的站点，d(i,j)代表着站点vi和vj之间的距离；公式(11)和(12)中的pre代表运输车vi所在线路的前一个站点；线路中访问的站点中ri最大的站点vi应该优先被选为变异点，变异点的邻接适应度如式(14)、式(15)所示；如果i≠j，则的值如公式(14)所示；否则会赋予一个很大的数Lg；站点的邻接适应度包含了与变异点的距离和违背时间窗约束的时间惩罚度；
基于站点适应度和邻接站点适应度，子线路交换的操作原理如下：根据站点适应度从大到小排序，从r1中选择一个除头尾之外的站点适应度大的站点vi，从r2中选择与vi邻接适应度大的站点vj，将路线r1中vi之后的站点和路线r2中vj之后的站点交换；自行车站点重置原理如下：根据站点适应度从线路r1中选择变异站点vi，根据邻接适应度选择另一线路上的邻接站点vj，将站点vi从线路r1中删除；插入到线路r2的vj和vpre之间；
4-8-4i＝i+1，如果新解更优，即cost(r1′,r2′)≤cost(r1,r2)，则保存新解r1′和r2′，得到解s′b，令sb＝s′b；
4-8-5如果i>3则转4-6-2，否则转4-6-8；
4-8-6iter＝iter+1；
4-8-7如果iter>N2，且sb更新后更优，则首先根据公式(16)和(17)调整信息素，N2为设定的迭代次数；检查s′b路径上的信息素τ是否不是在规定的范围内；如果τ≥τmax，则τ＝τmax；如果τ≤τmin，则τ＝τmin；调整后如果iter≤iterMax，则转步骤4-6-2，否则算法结束；
CN201810144060.9A 2018-02-12 2018-02-12 一种基于混合启发式算法的公共自行车动态调度方法 Active CN108416513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810144060.9A CN108416513B (zh) 2018-02-12 2018-02-12 一种基于混合启发式算法的公共自行车动态调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810144060.9A CN108416513B (zh) 2018-02-12 2018-02-12 一种基于混合启发式算法的公共自行车动态调度方法

Publications (2)

Publication Number Publication Date
CN108416513A true CN108416513A (zh) 2018-08-17
CN108416513B CN108416513B (zh) 2021-02-19

Family

ID=63128363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810144060.9A Active CN108416513B (zh) 2018-02-12 2018-02-12 一种基于混合启发式算法的公共自行车动态调度方法

Country Status (1)

Country Link
CN (1) CN108416513B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059986A (zh) * 2019-05-08 2019-07-26 武汉大学 一种共享单车动态投放方法及系统
CN110516938A (zh) * 2019-08-14 2019-11-29 天津市市政工程设计研究院 一种基于启发式算法的区域禁货道路划定方法
CN111325424A (zh) * 2018-12-14 2020-06-23 中国移动通信集团山东有限公司 基于改进型蚁群算法的智能调度方法和系统
CN111833595A (zh) * 2019-06-21 2020-10-27 北京嘀嘀无限科技发展有限公司 共享汽车辅助车辆配置方法、电子设备及存储介质
CN111915236A (zh) * 2019-05-08 2020-11-10 北京京东振世信息技术有限公司 用于运输工具协同配送的方法及装置、设备和可读介质
WO2021238231A1 (zh) * 2020-05-26 2021-12-02 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法
CN117522088A (zh) * 2024-01-05 2024-02-06 南京信息工程大学 一种融合充电约束和容量约束的多电动物流车调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070282618A1 (en) * 2006-05-31 2007-12-06 International Business Machines Corporation Method and system for scheduling delivery of at least one of goods and services
CN104166895A (zh) * 2014-07-28 2014-11-26 浙江工业大学 公共自行车调度区域划分方法
CN105426997A (zh) * 2015-11-18 2016-03-23 西南交通大学 城市公共自行车智能调度与运用管理系统及其实现方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070282618A1 (en) * 2006-05-31 2007-12-06 International Business Machines Corporation Method and system for scheduling delivery of at least one of goods and services
CN104166895A (zh) * 2014-07-28 2014-11-26 浙江工业大学 公共自行车调度区域划分方法
CN105426997A (zh) * 2015-11-18 2016-03-23 西南交通大学 城市公共自行车智能调度与运用管理系统及其实现方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
潘璠: "《基于变邻域蚁群算法的应急物资公平配送路径优化》", 《中国优秀硕士学位论文全文数据库》 *
王超: "《城市公共自行车分区调度模型研究》", 《中国优秀硕士学位论文全文数据库》 *
韦晓: "《基于改进蚁群算法的应急物流车辆路径问题研究》", 《中国优秀硕士学位论文全文数据库》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325424A (zh) * 2018-12-14 2020-06-23 中国移动通信集团山东有限公司 基于改进型蚁群算法的智能调度方法和系统
CN111325424B (zh) * 2018-12-14 2023-08-18 中国移动通信集团山东有限公司 基于改进型蚁群算法的智能调度方法和系统
CN110059986A (zh) * 2019-05-08 2019-07-26 武汉大学 一种共享单车动态投放方法及系统
CN111915236A (zh) * 2019-05-08 2020-11-10 北京京东振世信息技术有限公司 用于运输工具协同配送的方法及装置、设备和可读介质
CN110059986B (zh) * 2019-05-08 2021-02-19 武汉大学 一种共享单车动态投放方法及系统
CN111833595A (zh) * 2019-06-21 2020-10-27 北京嘀嘀无限科技发展有限公司 共享汽车辅助车辆配置方法、电子设备及存储介质
CN110516938A (zh) * 2019-08-14 2019-11-29 天津市市政工程设计研究院 一种基于启发式算法的区域禁货道路划定方法
CN110516938B (zh) * 2019-08-14 2023-09-05 天津市政工程设计研究总院有限公司 一种基于启发式算法的区域禁货道路划定方法
WO2021238231A1 (zh) * 2020-05-26 2021-12-02 山东交通学院 共享单车流动系统、基于子区划分的自动调度系统及方法
CN117522088A (zh) * 2024-01-05 2024-02-06 南京信息工程大学 一种融合充电约束和容量约束的多电动物流车调度方法
CN117522088B (zh) * 2024-01-05 2024-03-29 南京信息工程大学 一种融合充电约束和容量约束的多电动物流车调度方法

Also Published As

Publication number Publication date
CN108416513B (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN108416513A (zh) 一种基于混合启发式算法的公共自行车动态调度方法
Daganzo et al. A general model of demand-responsive transportation services: From taxi to ridesharing to dial-a-ride
CN103413209B (zh) 多客户多仓库物流配送路径选择方法
CN107330559A (zh) 一种多起终点多车型混载的定制公交线路规划方法
CN110197311A (zh) 一种基于智能优化的物流配送路径规划方法
Ahmad et al. Applications of evolutionary game theory in urban road transport network: A state of the art review
Asghari et al. Environmental and social implications of incorporating carpooling service on a customized bus system
Farokhi et al. A study of truck platooning incentives using a congestion game
Wei et al. Optimal integrated model for feeder transit route design and frequency‐setting problem with stop selection
CN116543552A (zh) 基于车路协同的城市主干道缓堵策略仿真评估方法及系统
Liu et al. Improving bicycle sharing operations: A multi-criteria decision-making approach
CN115423168A (zh) 一种考虑服务稳定性的定制公交路网优化方法及系统
Guo et al. A scientometric review of mobility-on-demand car-sharing systems
Li et al. Simulation analysis of robotic mobile fulfilment system based on cellular automata
CN113781768B (zh) 一种基于储备通行能力的热点片区交通组织控制协同方法
Lesch et al. A comparison of mechanisms for compensating negative impacts of system integration
Guo et al. Vehicle/Employee rebalancing and charging scheduling in one-way car sharing systems
Lokhandwala et al. Understanding the impact of heterogeneous rider preferences on a shared autonomous vehicle system
Liu et al. Real-time traffic impedance and priority based cooperative path planning mechanism for SOC-ITS: Efficiency and equilibrium
Sebe et al. Pfara: a platoon forming and routing algorithm for same-day deliveries
Kaddoura et al. An agent-based simulation approach to investigate the shift of Switzerland’s inland freight transport from road to rail
CN114240180A (zh) 一种基于混合蚁群算法的多企业共享单车联合调度方法
Nakanishi et al. Parking lot allocation and dynamic parking fee system based on a mechanism design approach
Zhang et al. A set-based differential evolution algorithm for QoS-oriented and cost-effective ridesharing
Yu Analysis and Study on Intelligent Tourism Route Planning Scheme Based on Weighted Mining Algorithm

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180817

Assignee: Hangzhou radium Platinum Technology Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2021330000456

Denomination of invention: A dynamic scheduling method of public bicycles based on hybrid heuristic algorithm

Granted publication date: 20210219

License type: Common License

Record date: 20211026

EE01 Entry into force of recordation of patent licensing contract