CN109508809A - 乘务管理方法及装置 - Google Patents
乘务管理方法及装置 Download PDFInfo
- Publication number
- CN109508809A CN109508809A CN201811119901.7A CN201811119901A CN109508809A CN 109508809 A CN109508809 A CN 109508809A CN 201811119901 A CN201811119901 A CN 201811119901A CN 109508809 A CN109508809 A CN 109508809A
- Authority
- CN
- China
- Prior art keywords
- starting
- work shift
- value
- multiplies
- cross
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000010276 construction Methods 0.000 claims abstract description 12
- 239000012141 concentrate Substances 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000006583 body weight regulation Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000009941 weaving Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 23
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 235000012054 meals Nutrition 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- MJFJKKXQDNNUJF-UHFFFAOYSA-N metixene Chemical compound C1N(C)CCCC1CC1C2=CC=CC=C2SC2=CC=CC=C21 MJFJKKXQDNNUJF-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种乘务管理方法及装置。其中，该方法包括：构造乘务排班的智能体群，其中，智能体群中智能体包括：多个版本的出乘表，出乘表中包括值乘区段；确定智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略；根据局部搜索策略确定智能体群中的局部最优解；基于局部最优解确定智能体群的全局最优解，并将全局最优解对应的出乘表作为排班结果。本发明解决了由于手工编制的乘务排班计划质量不高、耗时较长造成的乘务排班计划运营效率低的技术问题。
Description
技术领域
本发明涉及乘务排班管理领域，具体而言，涉及一种乘务管理方法及装置。
背景技术
乘务排班计划是以列车运行图为基本依据编制的乘务员工作计划。目前，乘务排班计划的编制主要是现场工作人员根据其丰富的工作经验进行手工编制。手工编制的乘务排班计划一般质量不高，耗时较长，且应变能力较差，难以应对突发情况或者列车运行图的调整，从而较大影响城市轨道交通乘务排班计划的运营效率和服务水平。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种乘务管理方法及装置，以至少解决由于手工编制的乘务排班计划质量不高、耗时较长造成的乘务排班计划运营效率低的技术问题。
根据本发明实施例的一个方面，提供了一种乘务管理方法，包括：构造乘务排班的智能体群，其中，智能体群中智能体包括：多个版本的出乘表，出乘表中包括值乘区段；确定智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略；根据局部搜索策略确定智能体群中的局部最优解；基于局部最优解确定智能体群的全局最优解，并将全局最优解对应的出乘表作为排班结果。
可选地，构造乘务排班的智能体群，包括：对预设值乘区段按照时间顺序进行正序排列，得到第一列表；对排列后的预设值乘区段进行倒序排列，得到第二列表，其中，正序排列和倒序排列所依据的排列顺序是相反的；基于预定约束空间中的约束条件，对第一列表和第二列表采用贪婪算法和回溯算法得到多个版本的出乘表，并依据多个版本的出乘表生成智能体群。
可选地，构造乘务排班的智能体群之前，方法还包括：接收目标对象录入的配置参数，其中，配置参数用于反映预设出乘表满足的要求；依据配置参数对预设出乘表进行校验，并在校验成功时，依据预设出乘表构造乘务排班的智能体群。
可选地，确定智能体群中智能体的适应度，包括：根据目标函数和惩罚函数确定适应度，其中，目标函数为依据值乘交路的工作量均衡度、值乘区段中的值乘交路数量和值乘交路的司机工作效率确定的。
可选地，目标函数通过以下方式确定：
其中，MinF为目标函数，f1、f2、f3为子目标函数，c1、c2、c3为权重调整系数；f1指序号为j的值乘交路的工作量均衡度，其值是由序号为j的值乘交路的驾驶时间与所有值乘交路驾驶时间长度平均值的平方差确定的；f2指值乘区段xi所占值乘交路数量，指整个排班计划所包含的值乘交路的数量；f3指序号为j的值乘交路的司机工作效率，其值是由序号为j的值乘交路的驾驶时间与工作时间的商来确定的。
可选地，惩罚函数满足以下至少之一条件：每一个值乘区段有且仅有一个值乘交路与其对应；相邻的两个值乘区段之间存在预设时间间隔，且上位值乘区段的结束厂站与下位值乘区段的开始厂站为同一个厂站；单个值乘交路中，司机休息次数必须小于等于司机休息次数上限，司机工作时间必须小于等于司机工作时间上限；单个值乘交路中，如果司机换乘过程中，换乘地点属于用餐地点，换乘时间在用餐时间段内，需要安排用餐。
可选地，局部搜索策略集，包括：随机搜索策略、值乘交路完全覆盖策略、值乘区段的邻居条件策略、值乘时间约束策略、用餐约束策略。
可选地，基于局部最优解确定智能体群的全局最优解，包括：对基于局部搜索策略得到的各个局部最优解进行迭代处理，并将结束迭代处理后得到的局部最优解作为全局最优解；基于局部搜索策略得到各个局部最优解包括：遍历智能体群中的每一个版本的出乘表，选出至少一个出乘表；从局部搜索策略集中选择局部搜索策略对选出的至少一个出乘表进行优化；将优化后的出乘表重新添加至智能体群中的每一个版本的出乘表中。
可选地，对基于局部搜索策略得到的各个局部最优解进行迭代处理之前，上述方法还包括：对智能体群中的至少一个智能体进行以下至少之一操作，得到各个局部最优解：选择至少两个父代智能体对应的出乘表版本；对至少两个父代智能体对应的出乘表版本进行交叉处理；对交叉处理后得到的智能体对应的出乘表版本进行变异处理。
可选地，对两个父代智能体对应的出乘表版本进行交叉处理包括：删除至少两个父代智能体对应的出乘表版本中重复的出乘表，并将剩余的出乘表进行合并，得到出乘表集合；从出乘表集合中获取至少一个出乘表，并基于获取的至少一个出乘表组成新的出乘表版本，新的出乘表版本对应新的智能体。
可选地，按照以下方式从出乘表集合中获取至少一个出乘表包括：每次获取出乘表时，确定该次获取的出乘表中包含的值乘区段与新的出乘表版本中包含的值乘区段中不相同的值乘区段的数量；对该数量的确定结果进行统计；从统计结果中确定包含不相同的值乘区段的数量最多的值乘表为选定的值乘表。
可选地，对两个父代智能体对应的出乘表版本进行交叉处理之后，上述方法还包括：获取智能体群中任意一个智能体对应的出乘表版本；比较新的出乘表版本与任意一个智能体对应的出乘表版本的适应度，如果新的出乘表版本的适应度大于任意一个智能体对应的出乘表版本的适应度，使用新的出乘表版本替换该智能体对应的出乘表版本；反之，不进行替换。
可选地，对交叉处理后得到的智能体对应的出乘表版本进行变异处理包括：在满足预设变异条件时，进行以下操作：随机选择出乘表版本中至少一个出乘表进行删除操作；将删除的出乘表中包含的值乘区段组合成新的出乘表，并添加到该出乘表版本中。
可选地，预设变异条件包括：每次交叉处理后，选取一个随机数值，比较该随机数值与预设变异概率值，如果随机数值大于或者等于预设变异概率值，进行变异处理；如果随机数值小于预设变异概率值，不进行变异处理。
根据本申请实施例的另一方面，还提供了一种乘务管理装置，包括：构造模块，用于构造乘务排班的智能体群，其中，智能体群中智能体包括：多个版本的出乘表，出乘表中包括值乘区段；第一确定模块，用于确定智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略；第二确定模块，用于根据局部搜索策略确定智能体群中的局部最优解；第三确定模块，用于基于局部最优解确定智能体群的全局最优解，并将全局最优解对应的出乘表作为排班结果。
在本发明实施例中，采用构造乘务排班的智能体群，其中，智能体群中智能体包括：多个版本的出乘表，出乘表中包括值乘区段；确定智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略；根据局部搜索策略确定智能体群中的局部最优解；基于局部最优解确定智能体群的全局最优解，并将全局最优解对应的出乘表作为排班结果的方式，从而实现了有效减少所需要的司机的数量，提高司机的工作效率，提高司机工作量均衡度的技术效果，进而解决了由于手工编制的乘务排班计划质量不高、耗时较长造成的乘务排班计划运营效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种乘务管理方法的流程图；
图2是根据本申请实施例的一种乘务管理方法算法的流程示意图；
图3是根据本申请实施例的一种乘务管理装置的结构图。
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方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种乘务管理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种乘务管理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，构造乘务排班的智能体群，其中，智能体群中智能体包括：多个版本的出乘表，出乘表中包括值乘区段。
根据本申请的一个可选的实施例，构造乘务排班的智能体群之前，上述方法还包括：接收目标对象录入的配置参数，其中，配置参数用于反映预设出乘表满足的要求；依据配置参数对预设出乘表进行校验，并在校验成功时，依据预设出乘表构造乘务排班的智能体群。
在本申请的一些可选的实施例中，通过人工录入以下参数：
(1)列车运行图。
(2)厂站属性：是否为换乘车站、最少换乘时间间隔、是否为用餐地点。
(3)乘务规则参数：司机休息次数上限、司机工作时间上限。
(4)用餐参数：早、午、晚餐用餐时间段、用餐时间。
(5)人工排班计划:该项为非必填项。当该项填写后，才对人工排班计划进行数据校验，否则不对人工排班计划校验。
当人工录入的参数包含人工排班计划时通过以下方法完成上述校验过程：
通过与(1)列车运行图比对，校验人工录入的人工排班计划内的乘务区段信息是否遗漏、重复、错误。通过设定的乘务基地校验人工排班计划内的乘务区段两端厂站是否有误。校验人工排班计划内的值乘区段的时间间隔是否大于(2)设定的相应换乘站的最少换乘时间间隔。校验人工排班计划内的值乘区段间的首尾厂站是否不同。校验人工排班计划内的每个值乘交路是否满足(4)中设置的三餐参数。校验司机休息次数是否超过司机休息次数上限，司机工作时间是否超过司机工作时间上限。如果校验成功，依据输入的人工排班计划构造智能排班计划，如果校验失败，则返回失败报告。通过上述校验流程，可以有效避免人工排班出现漏排、错排等问题。
根据本申请的一个可选的实施例，步骤S102中构造乘务排班的智能体群包括以下步骤：对预设值乘区段按照时间顺序进行正序排列，得到第一列表；对排列后的预设值乘区段进行倒序排列，得到第二列表，其中，正序排列和倒序排列所依据的排列顺序是相反的；基于预定约束空间中的约束条件，对第一列表和第二列表采用贪婪算法和回溯算法得到多个版本的出乘表，并依据多个版本的出乘表生成智能体群。
贪婪算法是指在对问题求解时，总是做出在当前看起来最好的选择，也就是说不从整体最优上加以考虑，它所做出的是在某种意义上的局部最优解。贪婪算法的基本思路是从问题的某一个初始解出发一步一步地前进，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化条件，若下一个数据和部分最优解连在一起不再是可行解时，就不把数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止。
回溯算法实际上一个类似枚举的搜索尝试过程，主要是在搜索尝试过程中寻找问题的解，当发现已不满足求解条件时，就“回溯”返回，尝试别的路径。回溯法是一种选优搜索法，按选优条件向前搜索，以达到目标。但当探索到某一步时，发现原先选择并不优或达不到目标，就退回一步重新选择，这种走不通就退回再走的技术为回溯法，而满足回溯条件的某个状态的点称为“回溯点”。回溯算法的基本思想是：从一条路往前走，能进则进，不能进则退回来，换一条路再试。
按照时间顺序排列全部值乘区段，采用正序、倒序策略，通过变换正序倒序不同的交汇点和放宽值乘时间约束条件，在约束条件所组成的约束空间L的约束下，利用贪婪算法、回溯算法生成初始智能体群。
在本申请的一些可选的实施例中，上述约束条件包括：
1.值乘交路的完全覆盖。每一个值乘区段有且仅有一个值乘交路与其对应，可表述为：其中，Sj为序号为j的值乘交路所包含的所有值乘区段的集合，V指列车运行图所包含的所有值乘区段的集合。
2.值乘区段的邻居条件。相邻的两个值乘区段，必须满足一定的时间间隔，且上位值乘区段的结束厂站与下位值乘区段的开始厂站为同一个厂站，可表述为：其中，为值乘交路中第i个值乘区段的开始时间，为第i个值乘区段的结束时间，为第i个值乘区段的开始厂站，为第i个值乘区段的结束厂站，f6(d)指厂站d所对应的最少换乘时间；
3.值乘时间约束。单个值乘交路中，司机休息次数必须小于等于司机休息次数上限，司机工作时间必须小于等于司机工作时间上限，可表述为：f7(j)＜Trestf5(j)＜Twork，其中，f7(j)指序号为i的值乘交路所对应的司机休息次数，Trest指司机休息的上限次数，Twork指司机工作的上限时间；
4.用餐约束。单个值乘交路中，如果司机换乘过程中，换乘地点属于用餐地点，换乘时间在用餐时间段内，需要安排用餐，可表述为： 其中，Tmeal_min指最早就餐时间，Tmeal_max指最晚就餐时间，f8(d)表示厂站d是否为就餐地点，1表示是，0表示否。
利用上述方法生成的智能体群与随机生成的初始群体相比，有如下优势：适应度函数值更优，属于局部最优解；完全满足约束空间；生成智能体群的算法，是人工排班常用的方法，所排结果自身就具有很大的实用性。
步骤S104，确定智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略。
根据本申请的一个可选的实施例，确定智能体群中智能体的适应度，包括：根据目标函数和惩罚函数确定适应度，其中，目标函数为依据值乘交路的工作量均衡度、值乘区段中的值乘交路数量和值乘交路的司机工作效率确定的。
根据本申请的一个可选的实施例，目标函数通过以下方式确定：其中，MinF为目标函数，f1、f2、f3为子目标函数，c1、c2、c3为权重调整系数；f1指序号为j的值乘交路的工作量均衡度，其值是由序号为j的值乘交路的驾驶时间与所有值乘交路驾驶时间长度平均值的平方差确定的；f2指值乘区段xi所占值乘交路数量，指整个排班计划所包含的值乘交路的数量；f3指序号为j的值乘交路的司机工作效率，其值是由序号为j的值乘交路的驾驶时间与工作时间的商来确定的。其中，其中，f4(j)表示序号为j的值乘交路的驾驶时间，f5(j)表示序号为j的值乘交路的工作时间。
在本申请的一些可选的实施例中，惩罚函数满足以下至少之一条件：每一个值乘区段有且仅有一个值乘交路与其对应，；相邻的两个值乘区段之间存在预设时间间隔，且上位值乘区段的结束厂站与下位值乘区段的开始厂站为同一个厂站；单个值乘交路中，司机休息次数必须小于等于司机休息次数上限，司机工作时间必须小于等于司机工作时间上限；单个值乘交路中，如果司机换乘过程中，换乘地点属于用餐地点，换乘时间在用餐时间段内，需要安排用餐。
其中，每一个值乘区段有且仅有一个值乘交路与其对应，可表述为以下惩罚函数：其中，Sj为序号为j的值乘交路所包含的所有值乘区段的集合，V指列车运行图所包含的所有值乘区段的集合。
其中，相邻的两个值乘区段，必须满足一定的时间间隔，且上位值乘区段的结束厂站与下位值乘区段的开始厂站为同一个厂站，可表述为以下惩罚函数： 其中，为值乘交路中，第i个值乘区段的开始时间，为第i个值乘区段的结束时间，为第i个值乘区段的开始厂站，为第i个值乘区段的结束厂站，f6(d)指厂站d所对应的最少换乘时间；
其中，单个值乘交路中，司机休息次数必须小于等于司机休息次数上限，司机工作时间必须小于等于司机工作时间上限，可表述为以下惩罚函数：f7(j)＜Trest，f5(j)＜Twork，其中，f7(j)指序号为i的值乘交路所对应的司机休息次数，Trest指司机休息的上限次数，Twork指司机工作的上限时间；
其中，单个值乘交路中，如果司机换乘过程中，换乘地点属于用餐地点，换乘时间在用餐时间段内，需要安排用餐，可表述为以下惩罚函数： 其中，Tmeal_min指最早就餐时间，Tmeal_max指最晚就餐时间，f8(d)表示厂站d是否为就餐地点，1表示是，0表示否。
在本申请的一些可选的实施例中，在确定智能体群中智能体的适应度之前，先对列车运行图包含的值乘区段进行编码，在本申请实施例中，采用符号编码方式，基于换乘厂站，将列车运行图分割为值乘区段集合Q，根据值乘区段首尾厂站不同，将Q分为若干个子集合(例如：A、B),每个子集内的值乘区段，按照开始时间，降序排列，然后综合集合名称和序号标识每一个值乘区段,如下列公式所示：
A＝(a0，a1，a2，…}，B＝(b0，b1，b2，…}
出乘计划编码的具体格式如以下公式所示，由符号标识的值乘区段按照约束规则排列起来，构成了完整的染色体，其中m1为第一个出乘表，m2为第二个出乘表。
{(m1|a0，bz，a4，b6)，(mz|az，b4，a6，b8)，…}
根据目标函数和惩罚函数构建适应度函数：f＝MinF+S，其中，MinF为目标函数。S为上述惩罚函数。
在本申请的一些可选的实施例中，局部搜索策略集中包括：随机搜索策略、值乘交路完全覆盖策略、值乘区段的邻居条件策略、值乘时间约束策略、用餐约束策略。
步骤S106，根据局部搜索策略确定智能体群中的局部最优解。
步骤S108，基于局部最优解确定智能体群的全局最优解，并将全局最优解对应的出乘表作为排班结果。
在本申请的一些可选的实施例中，步骤S108中基于局部搜索策略得到的各个局部最优解进行迭代处理，通过以下方法实现：对基于局部搜索策略得到的各个局部最优解进行迭代处理，并将结束迭代处理后得到的局部最优解作为全局最优解；基于局部搜索策略得到各个局部最优解包括：遍历智能体群中的每一个版本的出乘表，选出至少一个出乘表；从局部搜索策略集中选择局部搜索策略对选出的至少一个出乘表进行优化；将优化后的出乘表重新添加至智能体群中的每一个版本的出乘表中。
每次交叉操作进行的次数为n的整数倍时，进行局部优化：遍历种群中的每一版出乘表N，采用轮盘赌的方式选出若干个出乘表(适应度越差的出乘表被选中的概率越大)，然后从局部搜索策略集中选择局部搜索策略对选出的若干个出乘表进行优化。将优化后的出乘表重新添加进入出乘表版本N中，从而完成对N的局部优化操作。
假设初始种群为n个个体，交叉操作进行了n次，则即为遗传算法迭代了1次，交叉操作进行了2n次，则迭代了2次。
根据本申请的一个可选的实施例，判断是否满足迭代停止的条件有两个，一个是迭代次数达到上限，比如，可以预设一个迭代次数，如图3所示，设置判断条件k等于5，当k等于0时进行第一次判断，直到k等于5时满足预设的判断条件，返回最优解，一共进行了6次迭代处理；二是连续迭代m代，最优适应度未发生变化，m达到了上限，比如预设m的值为3，即如果连续迭代了3代，最优使用度仍然没有发生变化，说明当前局部最优解为全局最优解。
根据本申请的一个可选的实施例，对基于局部搜索策略得到的各个局部最优解进行迭代处理之前，上述方法还包括：对智能体群中的至少一个智能体进行以下至少之一操作，得到各个局部最优解：选择至少两个父代智能体对应的出乘表版本；对至少两个父代智能体对应的出乘表版本进行交叉处理；对交叉处理后得到的智能体对应的出乘表版本进行变异处理。
在本申请的一些可选的实施例中，对两个父代智能体对应的出乘表版本进行交叉处理包括：删除至少两个父代智能体对应的出乘表版本中重复的出乘表，并将剩余的出乘表进行合并，得到出乘表集合；从出乘表集合中获取至少一个出乘表，并基于获取的至少一个出乘表组成新的出乘表版本，新的出乘表版本对应新的智能体。
根据本申请的一个可选的实施例，按照以下方式从出乘表集合中获取至少一个出乘表包括：每次获取出乘表时，确定该次获取的出乘表中包含的值乘区段与新的出乘表版本中包含的值乘区段中不相同的值乘区段的数量；对数量的确定结果进行统计；从统计结果中确定包含不相同的值乘区段的数量最多的值乘表为选定的值乘表。
在本申请的一些可选的实施例中，对两个父代智能体对应的出乘表版本进行交叉处理之后，上述方法还包括：获取智能体群中任意一个智能体对应的出乘表版本；比较新的出乘表版本与任意一个智能体对应的出乘表版本的适应度，如果新的出乘表版本的适应度大于任意一个智能体对应的出乘表版本的适应度，使用新的出乘表版本替换该智能体对应的出乘表版本；反之，不进行替换。
从初始智能体群中获取两个父代出乘表版本对象，其中适应度越好的个体被选中的概率越大。在遗传算法中常用的交叉方式是单点交叉、双点交叉、多点交叉。本方案采用的是多点交叉，具体过程描述如下：在获取到两个父代出乘表版本对象之后，将两个父代内所有出乘表去除重复的出乘表后，合并为一个大出乘表集合R，然后从集合R里面取出出乘表组成一个新的出乘表版本V。其中，从集合R中挑选出乘表的策略是：每次取出的出乘表需要给V带来最多的不重复值乘区段，出乘表版本V就是交叉获取的新的个体，然后再种群中随机选择一个选择一个出乘表版本W与V的适应度进行比对，如果V更优秀，就进行替换操作，反之不进行替换。
在本申请的一些可选的实施例中，对交叉处理后得到的智能体对应的出乘表版本进行变异处理包括：在满足预设变异条件时，进行以下操作：随机选择出乘表版本中至少一个出乘表进行删除操作；将删除的出乘表中包含的值乘区段组合成新的出乘表，并添加到该出乘表版本中。
根据本申请的一个可选的实施例，上述预设变异条件包括：每次交叉处理后，选取一个随机数值，比较该随机数值与预设变异概率值，如果随机数值大于或者等于预设变异概率值，进行变异处理；如果随机数值小于预设变异概率值，不进行变异处理。
预先设定一个变异概率，每次交叉操作后，选取随机数，如果满足随机概率条件，则进行下列随机变异操作：随机选择一版出乘表，然后随机选择该版本出乘表中若干个出乘表进行删除操作，最后再将缺失的值乘区段组合成新的出乘表添加进入该版本出乘表。
图2是根据本申请实施例的一种乘务管理方法算法的流程示意图，如图2所示，该算法包括以下步骤：
步骤S202，构造初始智能体群。
步骤S204，判断结果是否满足算法结束条件，如果满足，则算法结束，返回最优解；如果不满足，则进行步骤S206。
步骤S206，迭代全局搜索，尝试获取全局最优解，通过轮盘赌的方式获取父代，然后进行交叉、随机变异，进行迭代全局搜索，尝试获取全局最优解。
步骤S208，根据随机搜索策略选中的智能群体的适应度情况，从局部搜索策略集中选择合适的局部搜索策略，通过局部搜索策略获取当前智能群体的局部最优智能体群。
需要说明的是，图2所示实施例的优选实施方式可以参见图1所示实施例的描述，此处不再赘述。
现阶段，相关的排班技术主要分为两类：第一类是最优化方法，例如列生成算法、分支界定算法。第二类是启发式方法，例如遗传算法、粒子群算法、贪婪算法、免疫遗传算法等。其中，最优化方法的优点是可以求出最优解，获得最满意的排班计划，但缺点也很明显，在针对规模稍大的乘务排班问题时，需要庞大的时间开销。启发式方法获得最终解所花费的时间明显减少，一定程度上弥补了最优化方法的不足，但由于乘务排班计划自身“邻域”范围极大，且不连续的特点，极易造成传统启发式算法的不收敛或早熟等现象，所得结果往往属于局部最优解，与全局最优解的偏差很大。
为避免由于乘务排班自身“邻域”范围极大、不连续的特点，所造成传统启发式算法的不收敛或早熟的现象，本实施例引入例如上述文化基因算法。通过上述文化基因算法生成的排班结果，可有效减少司机数量，提高了司机的工作效率，并且提高了司机工作量均衡度。
下面以一个具体例子对采用上述文化基因算法进行乘务排班的效果进行说明：
以天津地铁1号线为例，录入参数如下：
(1)列车运行图：选择列车运行图。
(2)厂站属性：设置财经大学、刘园为换乘车站，最少换乘时间分别为17min、10min。
(3)乘务规则参数：司机休息次数上限为5次，司机工作时间上限为600min。
(4)用餐参数：无早餐；午餐时间段为11：00-13：30，用餐时长45min；晚餐时间段为17：00-19：30，用餐时长45min；
(5)人工排班计划：针对(1)中选择的列车运行图的人工排班计划。
采用本实施例提供的文化基因算法利用上述参数进行乘务排班生成的排班计划与人工排班的排班计划对比如下，如表1和表2所示：
表1：值乘交路内值乘区段数量对比表
| 值乘区段数量 | 系统排班值乘交路数量 | 人工排班值乘交路数量 |
| 值乘区段为6 | 36个 | 29个 |
| 值乘区段为5 | 0个 | 2个 |
| 值乘区段为4 | 4个 | 9个 |
| 值乘区段为3 | 0个 | 2个 |
| 值乘区段为2 | 17个 | 20个 |
表2：值乘交路数量对比表
| 班次 | 系统排班值乘交路数量 | 人工排班值乘交路数量 |
| 早 | 17 | 18 |
| 白 | 23 | 22 |
| 晚 | 17 | 22 |
由上述表1可知，系统排班结果与人工排班结果对比，单个班次的值乘区段数量均衡度得到了很大的提升，这就直接导致了表2所示的结果的出现：系统排班57个值乘交路，人工排班63个值乘交路。只需要57个乘务员就能完成以前63个乘务员的工作,有效降低了人力成本。
图3是根据本申请实施例的一种乘务管理装置的结构图，如图3所示，该装置包括：
构造模块30，用于构造乘务排班的智能体群，其中，智能体群中智能体包括：多个版本的出乘表，出乘表中包括值乘区段。
第一确定模块32，用于确定智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略。
第二确定模块34，用于根据局部搜索策略确定智能体群中的局部最优。
第三确定模块36，用于基于局部最优解确定智能体群的全局最优解，并将全局最优解对应的出乘表作为排班结果。
需要说明的是图3所示实施例的优选实施例的实施方式可以参见图1所示实施例的描述方式，此处不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种乘务管理方法，其特征在于，包括：
构造乘务排班的智能体群，其中，所述智能体群中的智能体包括：多个版本的出乘表，所述出乘表中包括值乘区段；
确定所述智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略；
根据所述局部搜索策略确定所述智能体群中的局部最优解；
基于所述局部最优解确定所述智能体群的全局最优解，并将所述全局最优解对应的出乘表作为排班结果。
2.根据权利要求1所述的方法，其特征在于，构造乘务排班的智能体群，包括：
对预设值乘区段按照时间顺序进行正序排列，得到第一列表；
对排列后的预设值乘区段进行倒序排列，得到第二列表，其中，所述正序排列和倒序排列所依据的排列顺序是相反的；
基于预定约束空间中的约束条件，对所述第一列表和第二列表采用贪婪算法和回溯算法得到多个版本的出乘表，并依据所述多个版本的出乘表生成所述智能体群。
3.根据权利要求1所述的方法，其特征在于，构造乘务排班的智能体群之前，所述方法还包括：
接收目标对象录入的配置参数，其中，所述配置参数用于反映预设出乘表满足的要求；
依据所述配置参数对预设出乘表进行校验，并在校验成功时，依据所述预设出乘表构造乘务排班的智能体群。
4.根据权利要求1所述的方法，其特征在于，确定所述智能体群中智能体的适应度，包括：
根据目标函数和惩罚函数确定所述适应度，其中，所述目标函数为依据值乘交路的工作量均衡度、值乘区段中的值乘交路数量和值乘交路的司机工作效率确定的。
5.根据权利要求4所述的方法，其特征在于，所述目标函数通过以下方式确定：
其中，MinF为所述目标函数，f1、f2、f3为子目标函数，c1、c2、c3为权重调整系数；
f1指序号为j的所述值乘交路的工作量均衡度，其值是由序号为j的所述值乘交路的驾驶时间与所有值乘交路驾驶时间长度平均值的平方差确定的；
f2指值乘区段xi所占值乘交路数量，指整个排班计划所包含的值乘交路的数量；
f3指序号为j的值乘交路的司机工作效率，其值是由序号为j的值乘交路的驾驶时间与工作时间的商来确定的。
6.根据权利要求4所述的方法，其特征在于，所述惩罚函数满足以下至少之一条件：
每一个所述值乘区段有且仅有一个所述值乘交路与其对应；
相邻的两个所述值乘区段之间存在预设时间间隔，且上位值乘区段的结束厂站与下位值乘区段的开始厂站为同一个厂站；
单个所述值乘交路中，司机休息次数必须小于等于司机休息次数上限，司机工作时间必须小于等于司机工作时间上限；
单个所述值乘交路中，如果司机换乘过程中，换乘地点属于用餐地点，换乘时间在用餐时间段内，需要安排用餐。
7.根据权利要求1所述的方法，其特征在于，所述局部搜索策略集中包括：随机搜索策略、值乘交路完全覆盖策略、值乘区段的邻居条件策略、值乘时间约束策略、用餐约束策略。
8.根据权利要求1至7中任意一项所述的方法，其特征在于，基于所述局部最优解确定所述智能体群的全局最优解，包括：
对基于所述局部搜索策略得到的各个局部最优解进行迭代处理，并将结束迭代处理后得到的局部最优解作为所述全局最优解；
基于所述局部搜索策略得到各个局部最优解包括：遍历所述智能体群中的每一个版本的出乘表，选出至少一个所述出乘表；从所述局部搜索策略集中选择局部搜索策略对选出的至少一个所述出乘表进行优化；将优化后的出乘表重新添加至所述智能体群中的每一个版本的出乘表中。
9.根据权利要求8所述的方法，其特征在于，对基于所述局部搜索策略得到的各个局部最优解进行迭代处理之前，所述方法还包括：
对所述智能体群中的至少一个智能体进行以下至少之一操作，得到所述各个局部最优解：
选择至少两个父代智能体对应的出乘表版本；
对所述至少两个父代智能体对应的出乘表版本进行交叉处理；
对交叉处理后得到的智能体对应的出乘表版本进行变异处理。
10.根据权利要求9所述的方法，其特征在于，对所述两个父代智能体对应的出乘表版本进行交叉处理包括：
删除所述至少两个父代智能体对应的出乘表版本中重复的出乘表，并将剩余的出乘表进行合并，得到出乘表集合；从所述出乘表集合中获取至少一个出乘表，并基于获取的至少一个出乘表组成新的出乘表版本，所述新的出乘表版本对应新的智能体。
11.根据权利要求10所述的方法，其特征在于，按照以下方式从所述出乘表集合中获取至少一个出乘表包括：
每次获取出乘表时，确定该次获取的出乘表中包含的值乘区段与所述新的出乘表版本中包含的值乘区段中不相同的值乘区段的数量；
对所述数量的确定结果进行统计；
从统计结果中确定包含不相同的值乘区段的数量最多的值乘表为选定的值乘表。
12.根据权利要求10所述的方法，其特征在于，对所述两个父代智能体对应的出乘表版本进行交叉处理之后，所述方法还包括：
获取所述智能体群中任意一个智能体对应的出乘表版本；
比较所述新的出乘表版本与所述任意一个智能体对应的出乘表版本的适应度，如果所述新的出乘表版本的适应度大于所述任意一个智能体对应的出乘表版本的适应度，使用所述新的出乘表版本替换该智能体对应的出乘表版本；反之，不进行替换。
13.根据权利要求9所述的方法，其特征在于，对交叉处理后得到的智能体对应的出乘表版本进行变异处理包括：
在满足预设变异条件时，进行以下操作：随机选择所述出乘表版本中至少一个出乘表进行删除操作；将删除的出乘表中包含的值乘区段组合成新的出乘表，并添加到该出乘表版本中。
14.根据权利要求13所述的方法，其特征在于，所述预设变异条件包括：
每次交叉处理后，选取一个随机数值，比较该随机数值与预设变异概率值，如果所述随机数值大于或者等于所述预设变异概率值，进行变异处理；如果所述随机数值小于所述预设变异概率值，不进行变异处理。
15.一种乘务管理装置，其特征在于，包括：
构造模块，用于构造乘务排班的智能体群，其中，所述智能体群中智能体包括：多个版本的出乘表，所述出乘表中包括值乘区段；
第一确定模块，用于确定所述智能体群中智能体的适应度，以及从局部搜索策略集中选择局部搜索策略；
第二确定模块，用于根据所述局部搜索策略确定所述智能体群中的局部最优解；
第三确定模块，用于基于所述局部最优解确定所述智能体群的全局最优解，并将所述全局最优解对应的出乘表作为排班结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811119901.7A CN109508809B (zh) | 2018-09-25 | 2018-09-25 | 乘务管理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811119901.7A CN109508809B (zh) | 2018-09-25 | 2018-09-25 | 乘务管理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109508809A true CN109508809A (zh) | 2019-03-22 |
| CN109508809B CN109508809B (zh) | 2020-11-03 |
Family
ID=65746211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811119901.7A Active CN109508809B (zh) | 2018-09-25 | 2018-09-25 | 乘务管理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508809B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189041A (zh) * | 2019-06-04 | 2019-08-30 | 湖南智慧畅行交通科技有限公司 | 一种基于变领域搜索的公交车司乘人员排班方法 |
| CN110490440A (zh) * | 2019-08-05 | 2019-11-22 | 北京交通大学 | 乘务交路计划与值乘计划一体化编制的优化方法及装置 |
| CN110598998A (zh) * | 2019-08-20 | 2019-12-20 | 广东工业大学 | 一种智慧车站乘务人员自动排班方法 |
| CN111160686A (zh) * | 2019-10-12 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种行车计划生成方法及装置 |
| CN111547113A (zh) * | 2020-05-22 | 2020-08-18 | 卡斯柯信号(成都)有限公司 | 一种地铁司机正线多点值乘的自动排班方法 |
| CN113256032A (zh) * | 2021-06-28 | 2021-08-13 | 北京交通大学 | 典型场景下高速铁路乘务排班计划调整的优化方法和装置 |
| CN114912797A (zh) * | 2022-05-13 | 2022-08-16 | 珠海优特电力科技股份有限公司 | 乘务排班交路表生成方法、装置、设备及存储介质 |
| CN115062908A (zh) * | 2022-05-13 | 2022-09-16 | 珠海优特电力科技股份有限公司 | 乘务排班方案优化方法、装置、设备及存储介质 |
| CN115438898A (zh) * | 2022-05-25 | 2022-12-06 | 珠海优特电力科技股份有限公司 | 第一对象的分配方法、装置、存储介质及电子装置 |
| GB2622294A (en) * | 2022-05-25 | 2024-03-13 | Zhuhai Unitech Power Tech Co | First object allocation method and apparatus, storage medium and electronic apparatus |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2461313A (en) * | 2008-06-27 | 2009-12-30 | Symbian Software Ltd | Managing services in a computer system to limit overall system cost |
| CN103177292A (zh) * | 2011-12-21 | 2013-06-26 | 重庆金美通信有限责任公司 | 一种基于混合遗传算法的地铁乘务排班算法 |
| CN106611379A (zh) * | 2016-02-22 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进文化基因算法求解多目标柔性作业车间调度问题 |
| CN108334973A (zh) * | 2017-12-18 | 2018-07-27 | 浙江大学 | 混合整数非线性规划问题的群智能与线性规划协同方法 |
| CN110009125A (zh) * | 2019-01-23 | 2019-07-12 | 华南理工大学 | 基于emd-vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
-
2018
- 2018-09-25 CN CN201811119901.7A patent/CN109508809B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2461313A (en) * | 2008-06-27 | 2009-12-30 | Symbian Software Ltd | Managing services in a computer system to limit overall system cost |
| CN103177292A (zh) * | 2011-12-21 | 2013-06-26 | 重庆金美通信有限责任公司 | 一种基于混合遗传算法的地铁乘务排班算法 |
| CN106611379A (zh) * | 2016-02-22 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进文化基因算法求解多目标柔性作业车间调度问题 |
| CN108334973A (zh) * | 2017-12-18 | 2018-07-27 | 浙江大学 | 混合整数非线性规划问题的群智能与线性规划协同方法 |
| CN110009125A (zh) * | 2019-01-23 | 2019-07-12 | 华南理工大学 | 基于emd-vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘中举: "地铁司乘管理信息系统的设计与实现", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189041A (zh) * | 2019-06-04 | 2019-08-30 | 湖南智慧畅行交通科技有限公司 | 一种基于变领域搜索的公交车司乘人员排班方法 |
| CN110490440B (zh) * | 2019-08-05 | 2022-06-17 | 北京交通大学 | 乘务交路计划与值乘计划一体化编制的优化方法及装置 |
| CN110490440A (zh) * | 2019-08-05 | 2019-11-22 | 北京交通大学 | 乘务交路计划与值乘计划一体化编制的优化方法及装置 |
| CN110598998A (zh) * | 2019-08-20 | 2019-12-20 | 广东工业大学 | 一种智慧车站乘务人员自动排班方法 |
| CN111160686A (zh) * | 2019-10-12 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种行车计划生成方法及装置 |
| CN111160686B (zh) * | 2019-10-12 | 2021-04-16 | 南京行者易智能交通科技有限公司 | 一种行车计划生成模型的设计方法及装置 |
| CN111547113A (zh) * | 2020-05-22 | 2020-08-18 | 卡斯柯信号(成都)有限公司 | 一种地铁司机正线多点值乘的自动排班方法 |
| CN111547113B (zh) * | 2020-05-22 | 2022-04-19 | 卡斯柯信号(成都)有限公司 | 一种地铁司机正线多点值乘的自动排班方法 |
| CN113256032A (zh) * | 2021-06-28 | 2021-08-13 | 北京交通大学 | 典型场景下高速铁路乘务排班计划调整的优化方法和装置 |
| US11694134B2 (en) | 2021-06-28 | 2023-07-04 | Beijing Jiaotong University | Optimization method and device of crew replanning for high-speed railway in typical scenarios |
| CN114912797A (zh) * | 2022-05-13 | 2022-08-16 | 珠海优特电力科技股份有限公司 | 乘务排班交路表生成方法、装置、设备及存储介质 |
| CN115062908A (zh) * | 2022-05-13 | 2022-09-16 | 珠海优特电力科技股份有限公司 | 乘务排班方案优化方法、装置、设备及存储介质 |
| CN114912797B (zh) * | 2022-05-13 | 2023-05-23 | 珠海优特电力科技股份有限公司 | 乘务排班交路表生成方法、装置、设备及存储介质 |
| CN115438898A (zh) * | 2022-05-25 | 2022-12-06 | 珠海优特电力科技股份有限公司 | 第一对象的分配方法、装置、存储介质及电子装置 |
| WO2023226324A1 (zh) * | 2022-05-25 | 2023-11-30 | 珠海优特电力科技股份有限公司 | 第一对象的分配方法、装置、存储介质及电子装置 |
| GB2622294A (en) * | 2022-05-25 | 2024-03-13 | Zhuhai Unitech Power Tech Co | First object allocation method and apparatus, storage medium and electronic apparatus |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109508809B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508809A (zh) | 乘务管理方法及装置 | |
| Park et al. | The school bus routing problem: A review | |
| Cheng et al. | Solving a vehicle routing problem with time windows by a decomposition technique and a genetic algorithm | |
| CN103413209B (zh) | 多客户多仓库物流配送路径选择方法 | |
| CN107194513A (zh) | 一种解决全渠道物流配送问题的优化方法 | |
| CN104036324B (zh) | 一种基于遗传算法的通信网络容量可靠性最优设计方法 | |
| CN106897351A (zh) | 有向无环图型区块链的生成方法及系统 | |
| CN107220731A (zh) | 一种物流配送路径规划方法 | |
| CN103324982A (zh) | 一种基于遗传算法的路径规划方法 | |
| Yao et al. | Improved ant colony optimization for seafood product delivery routing problem | |
| CN101777990A (zh) | 多目标免疫优化组播路由路径选择方法 | |
| Liu et al. | Research on the optimized route of cold chain logistics transportation of fresh products in context of energy-saving and emission reduction | |
| CN110598998A (zh) | 一种智慧车站乘务人员自动排班方法 | |
| CN106228265A (zh) | 基于改进粒子群优化的总拖期运输计划调度算法 | |
| CN104933473A (zh) | 基于变邻域搜索蚁群算法的城市智能交通调度方法 | |
| CN104077634A (zh) | 基于多目标优化的主动-反应式动态项目调度方法 | |
| Bakas et al. | A flexible transportation service for the optimization of a fixed-route public transport network | |
| Jiang et al. | Transit network design: A hybrid enhanced artificial bee colony approach and a case study | |
| Teodorović et al. | Schedule synchronization in public transit using the fuzzy ant system | |
| CN109800911A (zh) | 一种为多名快递员派件路径统一导航的方法 | |
| CN109840625A (zh) | 一种快递员群路径导航的方法 | |
| CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
| Sobczak et al. | Logistics management of the rail connections using graph theory: the case of a public transportation company on the example of Koleje Dolnośląskie SA | |
| Shen et al. | A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty | |
| CN109840620A (zh) | 多属性时序交通网络中k个最近邻节点对的查询方法 |
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 |