CN108737995A - 一种充电车移动受限的充电调度方法 - Google Patents
一种充电车移动受限的充电调度方法 Download PDFInfo
- Publication number
- CN108737995A CN108737995A CN201810502344.0A CN201810502344A CN108737995A CN 108737995 A CN108737995 A CN 108737995A CN 201810502344 A CN201810502344 A CN 201810502344A CN 108737995 A CN108737995 A CN 108737995A
- Authority
- CN
- China
- Prior art keywords
- circuit
- node
- charging vehicle
- charging
- road
- 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
Links
- 238000007600 charging Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000010845 search algorithm Methods 0.000 claims abstract description 6
- 238000003780 insertion Methods 0.000 claims description 22
- 230000037431 insertion Effects 0.000 claims description 22
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 14
- 238000002474 experimental method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种充电车移动受限的充电调度方法,包括获取无线可充电传感器网络的数据信息并模;采用路径扫描算法获得初始化数据;采用遗传算法进行第一次优化;采用局部搜索算法进行第二次优化;进行分解和插入得到最终的调度方案。本发明方法充分考虑了实际情况中道路的有向性,因此本发明方法适用于实际道路情况,能够有效减少充电车的平均移动能耗,为充电车搜寻到移动能耗更少的最优充电路径,而且本发明方法科学可靠。
Description
技术领域
本发明具体涉及一种充电车移动受限的充电调度方法。
背景技术
无线可充电传感器网络(Wireless Rechargeable Sensor Networks)是对于无线传感器网络能量受限问题而提出的一种新型的无线网络。无线可充电传感器网络是由一系列具有能量收集功能的传感器节点构成。通过与能量采集技术、无线充电技术的巧妙结合,无线可充电传感器网络中的传感器节点能够有效的摆脱由电池供能带来的能量限制问题。
无线充电技术是无线可充电传感器网络中最常用的节点能量补充方式之一。如图1所示是现有常见的无线可充电传感器网络的示意图,图中包括有一个服务站,一台充电车,以及若干个传感器节点。充电车从服务站出发,按照一定的次序经过若干个传感器节点并为传感器节点充电,然后最终回到服务站。该技术给节点能量补充的方式是主动的,并且充电车所携带的能量是可靠稳定的,它可以以一定的充电速率给节点进行能量补充,因此整个充电过程是可控的,并且每个节点在每个时刻所收集到的能量是可预测的,从而无线充电技术很好的解决传感器网络中能量短缺的问题。由于无线充电技术的高效性,该项技术受到了国内外研究人员的重视。
目前对于充电车的调度研究中,几乎所有的研究都是使用比较理想化的网络环境,即在任何时候任何地点充电车都可以以直线距离到达任何一个传感器节点处给传感器节点充电。但是,在实际的场景中由于受交通路线的约束,任意两个点之间并不一定存在一条笔直的路径。因此,现有的调度方法,不适用于充电车通过实际存在的道路来给节点充电的情况。
发明内容
本发明的目的在于提供一种适用于实际道路情况,而且算法科学可靠的充电车移动受限的充电调度方法。
本发明提供的这种充电车移动受限的充电调度方法,包括如下步骤:
S1.获取无线可充电传感器网络的数据信息,并建立相应的数学模型;
S2.根据步骤S1建立的数学模型,采用路径扫描算法获得初始化数据;
S3.根据步骤S2得到的初始化数据,采用遗传算法进行第一次优化;
S4.根据步骤S3得到的第一次优化结果,采用局部搜索算法进行第二次优化;
S5.根据步骤S4得到的第二次优化结果进行分解和插入,从而得到最终的调度方案。
步骤S1所述的获取无线可充电传感器网络的数据信息并建立相应的数学模型,具体为获取无线可充电传感器网络的服务站的位置信息,传感器节点的能量信息和位置信息,充电车的能量信息和位置信息,以及道路信息;建立的数学模型为G(V,E,A),其中V为道路交叉形成的点集,A为只能单向访问的道路集合,E为可以双向访问的道路集合。
步骤S2所述的采用路径扫描算法获得初始化数据,具体为采用如下步骤获得初始化数据:
A.创建一条空回路,剔除插入后使回路总需求量超出充电车最大容量的任务,并在剩余的任务中选择距离回路末尾最近的任务插入到回路末尾。
B.若步骤A中有多个任务同时为当前回路末尾最近的任务时,按照如下的5个原则将任务逐个插入到该回路的末尾,所述的5个原则各自独立使用:
R1.每单位需求的成本最小化原则:式中min()为求最小值函数,cij为节点i到节点j的成本,dij为节点i到节点j的距离;
R2.每单位需求的成本最大化原则:式中max()为求最大值函数,cij为节点i到节点j的成本,dij为节点i到节点j的距离;
R3.节点到服务站的距离最大原则;
R4.节点到服务站的距离最小原则;
R5.若充电车的容量少于充电车全部容量的一半,则采用R3,否则采用R4;
C.若当前回路无法插入任何任务时,则认为当前回路为完整的回路;
D.重复步骤A~C,直至所有的任务均插入到回路中,从而得到初始化数据。
步骤S3所述的采用遗传算法进行第一次优化,具体为采用如下步骤进行优化:
(1)以步骤S2得到的初始化数据作为初始种群;
(2)在步骤(1)得到的初始种群中,随机选择两个回路作为父母体;
(3)随机选择交叉点,对步骤(2)得到的父母体进行交叉产生新的子代;
(4)交叉产生的子代,如果子代的适应性优于父母体的适应性,则遗传算法完成;否则重复步骤(2)~步骤(3),直至的子代的适应性优于父母体的适应性。
步骤S4所述的采用局部搜索算法进行第二次优化,具体为采用如下步骤进行优化:
1)采用如下公式计算步骤S3得到的第一次优化结果的局部搜索阈值:
adth=α*eg
式中为adth局部搜索阈值,α为第一控制变量,β为第二控制变量,x.totalcost为回路x中充电车的移动损耗,其定义为充电车在回路上所行走的总路程,lowerbound为充电车的移动能量损耗下限;
2)随机生成一个0~1之间的阈值T;
3)采用如下规则判定回路x是否需要进行优化:
若回路x的局部搜索阈值小于或等于阈值T,则认定回路x需要进行第二次优化;
若回路x的局部搜索阈值大于阈值T,则认定回路x不需要进行第二次优化;
4)采用如下规则分别对回路x进行优化:
r1.单边插入规则:将回路x中一条配有传感器节点的道路从回路x中的当前位置删除,并随机插入到回路x中的剩余位置中,构成新的回路x’;
r2.双边插入规则:将回路x中两条连续的配置有传感器节点的道路从回路x中的当前位置删除,并随机插入到回路x中的剩余位置中,构成新的回路x’;
r3.2-opt规则:若回路x为单回路,则将回路x中的任意一段道路反向,得到新的回路x’;若回路x为双回路,则将该两条回路划分为两端,然后对划分后的四段道路进行排列组合,从而得到新的回路x1’,x2’,x3’和x4’;
5)根据步骤4)中得到的新的回路,选择充电车移动距离最小的结果作为第二次优化后的结果。
步骤S5所述的对第二次优化结果进行分解和插入,具体为采用如下步骤进行分解和插入:
Ⅰ对步骤S4得到的第二次优化结果,在结果中找到节点能量需求总和最小的路径;
Ⅱ将步骤Ⅰ中找到的路径中,找到所有有传感器节点的道路并直接提取;
Ⅲ将步骤Ⅱ中提取的道路直接插入到剩余的回路中;所述插入为采用如下规则进行插入:
规则1:道路插入后,回路上所有传感器节点的能量需求总和不超过充电车的容量值;
规则2:在所有可能的插入位置插入道路后,获取充电车的移动损耗最小的插入位置作为最终的插入位置。
本发明提供的这种充电车移动受限的充电调度方法,充分考虑了实际情况中道路的有向性,因此本发明方法适用于实际道路情况,能够有效减少充电车的平均移动能耗,为充电车搜寻到移动能耗更少的最优充电路径,而且本发明方法科学可靠。
附图说明
图1为现有技术的无线可充电传感器网络的示意图。
图2为本发明方法的方法流程图。
图3为本发明方法的实施例提供的小型网络实例中平均能量消耗仿真实验图。
图4为本发明方法的实施例提供的中型网络实例中平均能量消耗仿真实验图
图5为本发明方法的小型网络实例中充电可靠性的仿真实验图。
图6为本发明方法的实施例提供的中型网络实例中充电可靠性的仿真实验图。
图7为本发明方法的实施例提供的小型网络实例中最少能量消耗的仿真实验图。
图8为本发明方法的实施例提供的中型网络实例中最少能量消耗的仿真实验图。
具体实施方式
如图2所示为本发明方法的方法流程图:本发明提供的这种充电车移动受限的充电调度方法,适用于一个具有交通道路限制的区域,在该区域中,有些道路为双向通行的道路,有一些道路则为单向通行的道路,其中的传感器节点分布在上述的道路中的若干条道路上,并且每个道路上最多只有一个传感器节点。
在上述的前提下,本发明的方法具体包括如下步骤:
S1.获取无线可充电传感器网络的数据信息,并建立相应的数学模型;具体为获取无线可充电传感器网络的服务站的位置信息,传感器节点的能量信息和位置信息,充电车的能量信息和位置信息,以及道路信息;建立的数学模型为G(V,E,A),其中V为道路交叉形成的点集,A为只能单向访问的道路集合,E为可以双向访问的道路集合;
在具体实施时,为了区别不同的道路,给每个道路分配一个唯一的ID号;同时为了方便起见,每一个单向访问的道路分配一个唯一的ID,对于每一个可以双向访问的道路(i,j)可以拆分成两个单向访问的道路<i,j>和<j,i>,每个方向一个,因此每个双向访问的路径就分配了两个不同的ID;
S2.根据步骤S1建立的数学模型,采用路径扫描算法获得初始化数据;具体为采用如下步骤获得初始化数据:
A.创建一条空回路,剔除插入后使回路总需求量超出充电车最大容量的任务,并在剩余的任务中选择距离回路末尾最近的任务插入到回路末尾;空回路为一个起点为服务站、终点为服务站且不包含任何道路信息的回路,如果以0作为服务站的命名ID,则空回路定义为{0,0};回路的末尾,定义为终点前的一个位置,比如当前回路为{0,1,2,0},则该回路的末尾应为“2”和“0”之间的位置;
B.若步骤A中有多个任务同时为当前回路末尾最近的任务时,按照如下的5个原则将任务逐个插入到该回路的末尾,所述的5个原则各自独立使用:
R1.每单位需求的成本最小化原则:式中min()为求最小值函数,cij为节点i到节点j的成本,dij为节点i到节点j的距离;
R2.每单位需求的成本最大化原则:式中max()为求最大值函数,cij为节点i到节点j的成本,dij为节点i到节点j的距离;
R3.节点到服务站的距离最大原则;
R4.节点到服务站的距离最小原则;
R5.若充电车的容量少于充电车全部容量的一半,则采用R3,否则采用R4;
C.若当前回路无法插入任何任务时,则认为当前回路为完整的回路;
D.重复步骤A~C,直至所有的任务均插入到回路中,从而得到初始化数据;
S3.根据步骤S2得到的初始化数据,采用遗传算法进行第一次优化;具体为采用如下步骤进行优化:
(1)以步骤S2得到的初始化数据作为初始种群;
(2)在步骤(1)得到的初始种群中,随机选择两个回路作为父母体;
(3)随机选择交叉点,对步骤(2)得到的父母体进行交叉产生新的子代;
(4)交叉产生的子代,如果它的适应性比父母体的适应性要好,那么遗传算法完成,否则再利用步骤(2)选择新的父母体,再利用步骤(3)进行交叉产生新的子代,直到找到的子代适应性比父母体的好为止。
S4.根据步骤S3得到的第一次优化结果,采用局部搜索算法进行第二次优化;
进行第二次优化的目的在于,为了防止遗传算法陷入局部最优,为了避免对一些不好的个体进行局部搜索而陷入质量差的局部最优或者很可能会出现相同的局部最优的情况;
具体为采用如下步骤进行第二次优化:
1)采用如下公式计算步骤S3得到的第一次优化结果的局部搜索阈值:
adth=α*eg
式中为adth局部搜索阈值,α为第一控制变量,β为第二控制变量,x.totalcost为回路x中充电车的移动损耗,其定义为充电车在回路上所行走的总路程,lowerbound为充电车的移动能量损耗下限;
2)随机生成一个0~1之间的阈值T;
3)采用如下规则判定回路x是否需要进行优化:
若回路x的局部搜索阈值小于或等于阈值T,则认定回路x需要进行第二次优化;
若回路x的局部搜索阈值大于阈值T,则认定回路x不需要进行第二次优化;
4)采用如下规则分别对回路x进行优化:
r1.单边插入规则:将回路x中一条配有传感器节点的道路从回路x中的当前位置删除,并随机插入到回路x中的剩余位置中,构成新的回路x’;
r2.双边插入规则:将回路x中两条连续的配置有传感器节点的道路从回路x中的当前位置删除,并随机插入到回路x中的剩余位置中,构成新的回路x’;
r3.2-opt规则:若回路x为单回路,则将回路x中的任意一段道路反向,得到新的回路x’;若回路x为双回路,则将该两条回路划分为两端,然后对划分后的四段道路进行排列组合,从而得到新的回路x1’,x2’,x3’和x4’;
以上的三个规则为遗传算法得到的解进行优化,通过每个规则优化后,将三个规则优化得到的三个解进行对比,最终优化后的解为充电车移动损耗最少的解,即充电车在三个解中移动距离最小的解,其中优化的具体过程,可以参见论文:Memetic algorithmwith extended neighborhood search for capacitated arc routing problems;
5)根据步骤4)中得到的新的回路,选择充电车移动距离最小的结果作为第二次优化后的结果;
S5.根据步骤S4得到的第二次优化结果进行分解和插入,从而得到最终的调度方案;具体为采用如下步骤进行分解和插入:
Ⅰ对步骤S4得到的第二次优化结果,在结果中找到节点能量需求总和最小的路径;
Ⅱ将步骤Ⅰ中找到的路径中,找到所有有传感器节点的道路并直接提取;具体实施时,只提取具有传感器节点的道路的编号即可;
Ⅲ将步骤Ⅱ中提取的道路直接插入到剩余的回路中;所述插入为采用如下规则进行插入:
规则1:道路插入后,回路上所有传感器节点的能量需求总和不超过充电车的容量值;
规则2:在所有可能的插入位置插入道路后,获取充电车的移动损耗最小的插入位置作为最终的插入位置,从而得到最终的调度方案。
下面将对本发明提供的充电调度方法(MCCS)和现有技术的扩展邻域搜索模因算法(MANES)在egl数据集的八个实例中进行30次独立实验,通过平均能量消耗、充电稳定性和最少移动能耗的性能对比验证。如下表1所示为egl数据集的八个实例基本配置情况。
表1 egl数据集的八个实例基本配置情况示意表
实例 | E1-C | E2-C | E3-C | E4-C | S1-C | S2-C | S3-C | S4-C |
总路径 | 98 | 98 | 98 | 98 | 190 | 190 | 190 | 190 |
顶点数 | 77 | 77 | 77 | 77 | 140 | 140 | 140 | 140 |
任务边数 | 51 | 72 | 87 | 98 | 75 | 147 | 159 | 190 |
车辆容量 | 160 | 140 | 135 | 130 | 103 | 120 | 120 | 120 |
具体地,图3和图4中所述的平均能量消耗,是指每个案例在30次运行过程中车辆由于移动所消耗总能量的平均值,如果平均能量消耗越小那么对应的充电调度方法性能就越好。
图3的小型网络实例E1-C,E2-C,E3-C,E4-C中MCCS下的平均能量消耗都低于MAENS下的平均能量消耗,这四个实例中MCCS在实例E4-C中比MAENS少消耗27。在图4中,中型网络实例S1-C,S2-C,S3-C,S4-C中MCCS下的平均能量消耗都低于在MAENS算法下的平均能量消耗,这四个实例中MCCS在实例S4-C中比MAENS少消耗94。从而可得本发明提出的算法可以有效的减少车的移动损耗。
具体地,图5和图6中所述的充电可靠性是衡量充电机制运行过程中是否稳定的一个指标,它可以展示一个充电机制在多次运行过程中所得出的最少车辆移动损耗量之间的差距。在这里,充电可靠性是通过充电机制运行30次后所得结果的标准差来反应,当网络实例所对应的充电机制运行30次后的标准差越小,那么该充电机制的可靠性就越高。
在图5中,小型网络实例中的充电可靠性中除了在实例E3-C中MCCS对应的充电可靠性低于MAENS对应的可靠性外,其他三个实例中MCCS的可靠性都高于MAENS的可靠性。在图6中,大型网络实例中的充电可靠性比较,除了实例S1-C中MCCS对应的充电可靠性低于MAENS对应的可靠性外,其他三个实例中MCCS的可靠性都高于MAENS的可靠性。
从以上实例的实验图来看,MCCS的充电稳定性要比MAENS高,这是因为在MCCS中,个体在进行局部搜索时都会通过自适应局部搜索阈值对其进行一定的筛选,因此一些适应性比较差的个体就直接丢弃掉,不对其进行局部搜索,因而得到的解的质量就比较高,每个解之间的间距也就比较小,因此MCCS的稳定性也就越高。
图7和图8中,所述的最少移动消耗是充电机制探索最优充电路径能力的一种体现,其可以很直观的反应充电机制在多次探索充电路径过程中所能达到的最好水平。在这里,最少移动消耗是指充电机制在30次运行过程中所得到的车辆移动能量消耗的最小值,若得到最小能量值越小就说明充电机制对充电路径的探索能力越强。
参见图7和图8可见,同样通过利用小型网络实例和中型网络实例来分别比较这两种充电机制在各实例下的最少移动消耗,分别如图7和图8所示,其中实例E2-C和实例S1-C在MCCS下找到了了比MAENS能量消耗更少的解,这是因为路由分离算子对局部搜索后得到的解经过进一步优化得到的。而在其他实例中MCCS和MAENS得到的结果相同,这是因为这些实例中MAENS搜寻到的值基本已经达到最优。
因此,通过理论分析和仿真实验,可以表明,MCCS能够有效的减少平均能量消耗,且充电可靠性高,相对于MAENS,它能找到更优的充电路径。
Claims (6)
1.一种充电车移动受限的充电调度方法,包括如下步骤:
S1.获取无线可充电传感器网络的数据信息,并建立相应的数学模型;
S2.根据步骤S1建立的数学模型,采用路径扫描算法获得初始化数据;
S3.根据步骤S2得到的初始化数据,采用遗传算法进行第一次优化;
S4.根据步骤S3得到的第一次优化结果,采用局部搜索算法进行第二次优化;
S5.根据步骤S4得到的第二次优化结果进行分解和插入,从而得到最终的调度方案。
2.根据权利要求1所述的充电车移动受限的充电调度方法,其特征在于步骤S1所述的获取无线可充电传感器网络的数据信息并建立相应的数学模型,具体为获取无线可充电传感器网络的服务站的位置信息,传感器节点的能量信息和位置信息,充电车的能量信息和位置信息,以及道路信息;建立的数学模型为G(V,E,A),其中V为道路交叉形成的点集,A为只能单向访问的道路集合,E为可以双向访问的道路集合。
3.根据权利要求2所述的充电车移动受限的充电调度方法,其特征在于步骤S2所述的采用路径扫描算法获得初始化数据,具体为采用如下步骤获得初始化数据:
A.创建一条空回路,剔除插入后使回路总需求量超出充电车最大容量的任务,并在剩余的任务中选择距离回路末尾最近的任务插入到回路末尾;
B.若步骤A中有多个任务同时为当前回路末尾最近的任务时,按照如下的5个原则将任务逐个插入到该回路的末尾,所述的5个原则各自独立使用:
R1.每单位需求的成本最小化原则:式中min()为求最小值函数,cij为节点i到节点j的成本,dij为节点i到节点j的距离;
R2.每单位需求的成本最大化原则:式中max()为求最大值函数,cij为节点i到节点j的成本,dij为节点i到节点j的距离;
R3.节点到服务站的距离最大原则;
R4.节点到服务站的距离最小原则;
R5.若充电车的容量少于充电车全部容量的一半,则采用R3,否则采用R4;
C.若当前回路无法插入任何任务时,则认为当前回路为完整的回路;
D.重复步骤A~C,直至所有的任务均插入到回路中,从而得到初始化数据。
4.根据权利要求3所述的充电车移动受限的充电调度方法,其特征在于步骤S3所述的采用遗传算法进行第一次优化,具体为采用如下步骤进行优化:
(1)以步骤S2得到的初始化数据作为初始种群;
(2)在步骤(1)得到的初始种群中,随机选择两个回路作为父母体;
(3)随机选择交叉点,对步骤(2)得到的父母体进行交叉产生新的子代;
(4)交叉产生的子代,如果子代的适应性优于父母体的适应性,则遗传算法完成;否则重复步骤(2)~步骤(3),直至的子代的适应性优于父母体的适应性。
5.根据权利要求4所述的充电车移动受限的充电调度方法,其特征在于步骤S4所述的采用局部搜索算法进行第二次优化,具体为采用如下步骤进行优化:
1)采用如下公式计算步骤S3得到的第一次优化结果的局部搜索阈值:
adth=α*eg
式中为adth局部搜索阈值,α为第一控制变量,β为第二控制变量,x.totalcost为回路x中充电车的移动损耗,其定义为充电车在回路上所行走的总路程,lowerbound为充电车的移动能量损耗下限;
2)随机生成一个0~1之间的阈值T;
3)采用如下规则判定回路x是否需要进行优化:
若回路x的局部搜索阈值小于或等于阈值T,则认定回路x需要进行第二次优化;
若回路x的局部搜索阈值大于阈值T,则认定回路x不需要进行第二次优化;
4)采用如下规则分别对回路x进行优化:
r1.单边插入规则:将回路x中一条配有传感器节点的道路从回路x中的当前位置删除,并随机插入到回路x中的剩余位置中,构成新的回路x’;
r2.双边插入规则:将回路x中两条连续的配置有传感器节点的道路从回路x中的当前位置删除,并随机插入到回路x中的剩余位置中,构成新的回路x’;
r3.2-opt规则:若回路x为单回路,则将回路x中的任意一段道路反向,得到新的回路x’;若回路x为双回路,则将该两条回路划分为两端,然后对划分后的四段道路进行排列组合,从而得到新的回路x1’,x2’,x3’和x4’;
5)根据步骤4)中得到的新的回路,选择充电车移动距离最小的结果作为第二次优化后的结果。
6.根据权利要求5所述的充电车移动受限的充电调度方法,其特征在于步骤S5所述的对第二次优化结果进行分解和插入,具体为采用如下步骤进行分解和插入:
Ⅰ对步骤S4得到的第二次优化结果,在结果中找到节点能量需求总和最小的路径;
Ⅱ将步骤Ⅰ中找到的路径中,找到所有有传感器节点的道路并直接提取;
Ⅲ将步骤Ⅱ中提取的道路直接插入到剩余的回路中;所述插入为采用如下规则进行插入:
规则1:道路插入后,回路上所有传感器节点的能量需求总和不超过充电车的容量值;
规则2:在所有可能的插入位置插入道路后,获取充电车的移动损耗最小的插入位置作为最终的插入位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810502344.0A CN108737995B (zh) | 2018-05-23 | 2018-05-23 | 一种充电车移动受限的充电调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810502344.0A CN108737995B (zh) | 2018-05-23 | 2018-05-23 | 一种充电车移动受限的充电调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108737995A true CN108737995A (zh) | 2018-11-02 |
CN108737995B CN108737995B (zh) | 2020-08-25 |
Family
ID=63935146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810502344.0A Expired - Fee Related CN108737995B (zh) | 2018-05-23 | 2018-05-23 | 一种充电车移动受限的充电调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108737995B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329153A (zh) * | 2020-11-25 | 2021-02-05 | 浙江欣奕华智能科技有限公司 | 一种车辆之间约束关系的优化方法及优化装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005823A (zh) * | 2015-06-26 | 2015-10-28 | 天津大学 | 一种基于遗传算法的船舶分支管路路径规划方法 |
CN106251009A (zh) * | 2016-07-27 | 2016-12-21 | 清华大学 | 一种求解有时间窗的车辆路径问题的优化算法 |
CN106887887A (zh) * | 2017-03-14 | 2017-06-23 | 南京邮电大学 | 一种无线可充电传感网中移动充电车调度方法 |
CN107316100A (zh) * | 2017-06-01 | 2017-11-03 | 四川大学 | 智慧城市中电动汽车的充电调度策略 |
-
2018
- 2018-05-23 CN CN201810502344.0A patent/CN108737995B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005823A (zh) * | 2015-06-26 | 2015-10-28 | 天津大学 | 一种基于遗传算法的船舶分支管路路径规划方法 |
CN106251009A (zh) * | 2016-07-27 | 2016-12-21 | 清华大学 | 一种求解有时间窗的车辆路径问题的优化算法 |
CN106887887A (zh) * | 2017-03-14 | 2017-06-23 | 南京邮电大学 | 一种无线可充电传感网中移动充电车调度方法 |
CN107316100A (zh) * | 2017-06-01 | 2017-11-03 | 四川大学 | 智慧城市中电动汽车的充电调度策略 |
Non-Patent Citations (2)
Title |
---|
PING ZHONG: "Markov Fluid Queue Model for Rechargeable Sensor Nodes with Abnormal Death", 《IEEE》 * |
曲立军: "无线传感器网络中的充电调度算法", 《计算机与数字工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329153A (zh) * | 2020-11-25 | 2021-02-05 | 浙江欣奕华智能科技有限公司 | 一种车辆之间约束关系的优化方法及优化装置 |
CN112329153B (zh) * | 2020-11-25 | 2024-04-09 | 浙江欣奕华智能科技有限公司 | 一种车辆之间约束关系的优化方法及优化装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108737995B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Wireless rechargeable sensor networks | |
Cheng et al. | Energy-efficient broadcast and multicast routing in ad hoc wireless networks | |
CN107529201A (zh) | 一种基于leach协议的无线传感器网络数据传输方法 | |
Li et al. | Direct vehicle-to-vehicle charging strategy in vehicular ad-hoc networks | |
Verma et al. | Integrated routing protocol for opportunistic networks | |
Prabhu et al. | Capacity based clustering model for dense wireless sensor networks | |
CN105848241B (zh) | 移动自组织网的分簇方法及系统 | |
Konstantinidis et al. | Energy-aware topology control for wireless sensor networks using memetic algorithms | |
CN112564767B (zh) | 无人机网络中基于自组织优化协作的连续覆盖方法 | |
CN107295619A (zh) | 一种边缘缓存网络中基于用户连接矩阵的基站休眠方法 | |
Kodali et al. | Energy efficient routing protocols for WSN's | |
CN108541039B (zh) | 一种低功耗无线传感器网络静态节点路由方法 | |
Inam et al. | A novel protocol for vehicle cluster formation and vehicle head selection in vehicular ad-hoc networks | |
CN108737995A (zh) | 一种充电车移动受限的充电调度方法 | |
CN105635269A (zh) | 一种基于中心控制的机会网络内容分发方案 | |
CN103974219A (zh) | 一种组计费标识的分配及下发方法、组计费标识处理实体 | |
Wang et al. | An optimal model and solution of deployment of airships for high altitude platforms | |
CN110248330B (zh) | 一种基于中继充电模型最大化充电小车休息时间调度方法 | |
Leu et al. | Adaptive power-aware clustering and multicasting protocol for mobile ad hoc networks | |
Yoon et al. | Time-dependent ad-hoc routing structure for delivering delay-sensitive data using UAVs | |
Tian et al. | Random walk routing in WSNs with regular topologies | |
Srinidhi et al. | Hybrid energy-efficient and QoS-aware algorithm for intelligent transportation system in IoT | |
Tang et al. | EGF-tree: An energy efficient index tree for facilitating multi-region query aggregation in the Internet of things | |
Soni et al. | An investigation on energy efficient routing protocol for wireless sensor network | |
Zhong et al. | An optimization deployment scheme for static charging piles based on dynamic of shared e-bikes |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200825 |