CN109978227A - 一种基于遗传蚁群融合算法的共享单车优化调度方法 - Google Patents

一种基于遗传蚁群融合算法的共享单车优化调度方法 Download PDF

Info

Publication number
CN109978227A
CN109978227A CN201910091568.1A CN201910091568A CN109978227A CN 109978227 A CN109978227 A CN 109978227A CN 201910091568 A CN201910091568 A CN 201910091568A CN 109978227 A CN109978227 A CN 109978227A
Authority
CN
China
Prior art keywords
cluster
bicycle
indicate
website
clustered node
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.)
Withdrawn
Application number
CN201910091568.1A
Other languages
English (en)
Inventor
梁岩
李林玉
王靓
徐小本
何魏莉
杨富强
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN201910091568.1A priority Critical patent/CN109978227A/zh
Publication of CN109978227A publication Critical patent/CN109978227A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Physiology (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遗传蚁群融合算法的共享单车优化调度方法，采用K‑means聚类算法把单车数据点聚集起来，考虑单车存量并进行集群修复,然后,先用遗传算法获得连接各节点的初始解，再用蚁群算法计算得到调度车辆通过集群节点的顺序，并对每个节点做出了装卸载单车数量的确定,最后，用蚁群算法获得连接每个集群内站点的最短路径，并均分集群的不平衡单车数，完成集群内部小范围的调度策略。本发明有效解决解决针对大规模的无站式共享单车分布不平衡的问题，且优化调度车辆路线的总旅行距离和最小化调度完成时间。

Description

一种基于遗传蚁群融合算法的共享单车优化调度方法
技术领域
本发明涉及城市共享交通技术领域，尤其涉及一种基于遗传蚁群融合算法的共享单车优化调度方法。
背景技术
随着共享经济的迅速发展，无站式共享单车逐渐在国内普及推广开来，它以其便捷、环保、低价等优势，迅速赢得广大消费者的青睐。与传统的站点式共享单车相比，无站式共享自行车节省了启动成本，避免了昂贵的停靠站的建设，提高了共享单车的使用率。但是用户随机的使用行为导致了自行车空间分布不平衡。
在过去的十年里，自行车共享系统迅速流行起来，先是在西欧和东亚，最近又在北美地区流行起来。有关自行车共享系统的研究越来越受欢迎。共享自行车的文献主要有四个研究方向：战略设计、需求分析、服务水平分析和调度操作。本发明探讨的方向是调度操作。
Chemla等人提出了一种针对单一车辆问题的数学启发式算法，假设每个站点都可以访问不止一次。Erdogan等人开发了一种精确的方法来计算静态自行车调度问题的最佳路径。在计算时间的2小时内，可以将多达60个站点的实例解决为最优。Di Gaspero等人结合了一个带有蚁群优化的约束规划模型，以解决类似的问题，将与目标自行车拥有量水平的偏离值和总工作时间的加权和最小化。
但是实践发现，之前的成果存在以下局限：
(1)路线必须在装卸站之间来回切换，可能导致一个站点的多次访问现象。
(2)最多只可解决50个站点，不符合大规模共享自行车系统的需求。
(3)蚁群算法太过单一，具有局限性。。
发明内容
本发明的目的是提供一种基于遗传蚁群融合算法的共享单车优化调度方法，有效解决解决针对大规模的无站式共享单车分布不平衡的问题，且优化调度车辆路线的总旅行距离和最小化调度完成时间。
本发明采用的技术方案为：
一种基于遗传蚁群融合算法的共享单车优化调度方法，包括以下步骤：
A、采集待测区域内共享单车数据点；
B、采用K-means聚类算法将共享单车数据点划分为N个集群，每个集群包括M个站点，定义距离集群Tk中心最近的站点为集群节点Θk，1≤k≤M；
C、根据每个集群内的单车数量，对每个集群进行集群修复；集群Tk修复具体过程为：
c1：获取每个集群中的单车需求数量 为正数，则表示集群内需补充单车数量为 为负数，则表示集群节点需运走单车数量为
c2：判断计算结果是否大于1，若大于1，则进入步骤c3，否则直接进入步骤D；V表示调度车容量；
c3：判断集群内站点数量是否等于1，若是，则进入步骤c6，否则进入步骤c4；
c4：再次聚类：采用K-means聚类方法将集群Tk再次聚类划分为n个集群Tki，n为大于的最小整数，i＝1,2，…，n；
c5：判断是否大于1，若大于1，则返回步骤c3，反之，则进入步骤D；Ψki表示集群Tki的单车需求数量；
c6：分割节点：将站点分成个位置相同的虚拟站点，每个虚拟站点均分所在集群的单车需求数量，使调度车辆能够访问该集群次数为次；为大于的最小整数；
D、通过遗传算法获取各个集群节点之间连接关系的初始解；
E、通过蚁群算法获取调度车辆通过各个集群节点的顺序，完成集群之间的优化调度；
F、通过蚁群算法获取每个集群内各个站点之间的最短路径，完成集群内部的优化调度。
进一步地,所述步骤B中K-means聚类算法的具体过程如下：
b1：从数据集X中随机选择K个对象作为初始聚类中心c1，c2，c3，…，cK；
b2：逐个将数据集中的对象xi按照欧式距离分配给最近的一个聚类中心cj，1≤j≤K；
对象xi对应聚类中心cj的隶属度函数为:
公式(1)中，||xi-cj||表示第i个样本xi对应第j类聚类中心cj的隶属度函数，m表示数据属性的个数，表示xi到cj的距离；
b3：重新计算每个集群中新的聚类中心cj,j＝1，2，…，K；计算公式如下：
公式(2)中，Nj表示第j个集群Tj中对象的个数；
b4：重复步骤b1至b3，直至K个聚类中心不再变化后，准则函数收敛。
进一步地,所述步骤B中集群划分为站点的过程为：根据空间位置将每个集群中的数据点按照100x100网格进行划分，每个网格为一个站点。
进一步地,所述步骤D中，先删除的集群，然后再进行各集群节点连接关系初始解的计算。
进一步地,所述步骤E中集群之间的优化调度具体过程如下：
e1：将两节点之间的直线距离作为距离指标；距离指标表达公式如下：
公式(3)中，Rf表示由蚁群算法得到的访问节点顺序，Lθ(Rf)表示按照Rf顺序进行访问的调度路线总距离，li,j表示站点Ni到站点Nj的最短距离；
e2：在集群级别上做出路由决策；路由决策如下：
公式(4)中，Ek表示集群节点Θk的单车目标数量，表示集群节点Θk在调度前的单车数量，Dk表示集群节点Θk的装卸单车的数量；
e3：对每个节点执行单车装卸载决策；单车装卸载决策如下：
公式(5)中，Ck表示调度车在访问集群节点Θk前的单车数量，Dk表示集群节点Θk的装卸单车的数量，V表示调度车容量，Rf(n)表示按照Rf访问顺序进行访问的第n个集群节点。
进一步地,所述步骤e3中执行单车装卸载决策的条件为：
公式(6)中，Ck表示调度车在访问集群节点Θk前的单车数量，Dk表示集群节点Θk的装卸单车的数量，Ek表示集群节点Θk的单车目标数量，表示集群节点Θk在调度前的单车数量。
进一步地,所述步骤F中集群内部的优化调度具体为：采用蚁群算法获取集群Tk内连接所有站点的最短路径并按照这个顺序依次访问每个站点。
进一步地,所述集群Tk内连接所有站点的最短路径根据集群内装卸决策di获取，集群内装卸决策di的表达公式如下：
公式(7)中，Sk表示调度后集群节点Θk内的单车数量，Ek表示集群节点Θk的单车目标数量，Kk表示集群Tk的最终规模，k∈[1,2，…，n，εi表示第i个站点的单车目标数量，表示调度前第i个站点的单车数量。
本发明具有以下有益效果：
通过建立共享单车服务调度问题的数学模型，混合遗传-蚁群算法进行共享单车的调度优化，不仅实现了处理大规模的共享单车系统，符合现阶段国内大城市共享单车调度的需要，且最大化满足用户使用的预期需求数量，同时，最小化调度车辆的总旅行距离和最小化完成时间，包括集群内部的调度。
附图说明
图1为本发明的流程图；
图2为具体实施方式中再次聚类的流程示意图；
图3为具体实施方式中节点分割的流程示意图。
具体实施方式
如图1所示，本发明包括以下步骤：
A、采集待测区域内共享单车数据点；
B、采用K-means聚类算法将共享单车数据点划分为N个集群，每个集群包括M个站点，定义距离集群Tk中心最近的站点为集群节点Θk，1≤k≤M；
C、根据每个集群内的单车数量，对每个集群进行集群修复；集群Tk修复具体过程为：
c1：获取每个集群中的单车需求数量 为正数，则表示集群内需补充单车数量为 为负数，则表示集群节点需运走单车数量为
c2：判断计算结果是否大于1，若大于1，则进入步骤c3，否则直接进入步骤D；V表示调度车容量；
c3：判断集群内站点数量是否等于1，若是，则进入步骤c6，否则进入步骤c4；
c4：再次聚类：采用K-means聚类方法将集群Tk再次聚类划分为n个集群Tki，n为大于的最小整数，i＝1,2，…，n；
c5：判断是否大于1，若大于1，则返回步骤c3，反之，则进入步骤D；Ψki表示集群Tki的单车需求数量；
c6：分割节点：将站点分成个位置相同的虚拟站点，每个虚拟站点均分所在集群的单车需求数量，使调度车辆能够访问该集群次数为次；为大于的最小整数；
D、通过遗传算法获取各个集群节点之间连接关系的初始解；
E、通过蚁群算法获取调度车辆通过各个集群节点的顺序，完成集群之间的优化调度；
F、通过蚁群算法获取每个集群内各个站点之间的最短路径，完成集群内部的优化调度
为了更好地理解本发明，下面结合附图对本发明的技术方案做进一步说明。
本发明一种基于遗传蚁群融合算法的共享单车优化调度方法，如图1所示，包括以下步骤：
A、采集待测区域内共享单车数据点。
B、采用K-means聚类算法将共享单车数据点划分为N个集群，每个集群包括M个站点，定义距离集群Tk中心最近的站点为集群节点Θk，1≤k≤M。
由于在无站式共享单车系统中没有固定的停靠站，为了方便对数据的处理，根据空间位置将每个集群中的数据点按照100x100网格进行划分，每个网格为一个站点。
数据集聚类分析的目的是将离散的单车个体组成数量较少的同类组。一个好的聚类解决方案是能够把与聚类中心的隶属度最小的站点聚集在同一个集群内，每个站点的隶属度之和尽可能小。
K-means聚类需要先确定样本数据和聚类中心初始个数k，其中k是k-means聚类分析中最重要的待定参数，k影响聚类的好坏以及后续的调度操作，可根据实际情况选定。本实施例通过共享单车的数据点个数A和初始确定的集群平均规模来确定k，具体公式为
K-means聚类算法的具体过程如下：
b1：从数据集X中随机选择K个对象作为初始聚类中心c1，c2，c3，…，cK；
b2：逐个将数据集中的对象xi按照欧式距离分配给最近的一个聚类中心cj，1≤j≤K；
公式(1)中，||xi-cj||表示第i个样本xi对应第j类聚类中心cj的隶属度函数，m表示数据属性的个数，表示xi到cj的距离，相当于即公式(1)表示若第i个样本xi到第j类聚类中心cj的距离近，则将第i个样本xi赋予到第j类聚类中心对应的集群中；
b3：重新计算每个集群中新的聚类中心cj,j＝1，2，…，K；计算公式如下：
公式(2)中，Nj表示第j个集群Tj中对象的个数；
b4：重复步骤b1至b3，直至K个聚类中心不再变化后，准则函数收敛。
C、根据每个集群内的单车数量，对每个集群进行集群修复。
一个集群盈余的单车数量超过调度车辆的总容量时，调度车辆无法一次性将全部单车运走，同理，当一个集群缺少的单车数量超过调度车辆的总容量时，调度车辆不能一次性补充全部的单车缺额。
因此，对此类的集群，需先再次聚类进行集群修复，如果修复至集群内部只剩一个站点后需求量仍大于调度车容量，则使用分割节点的方法进行修复。
集群Tk修复具体过程为：
c1：获取每个集群中的单车需求数量 为正数，则表示集群内需补充单车数量为 为负数，则表示集群节点需运走单车数量为
c2：判断计算结果是否大于1，若大于1，则进入步骤c3，否则直接进入步骤D；V表示调度车容量；
c3：判断集群内站点数量是否等于1，若是，则进入步骤c6，否则进入步骤c4；
c4：再次聚类：采用K-means聚类方法将集群Tk再次聚类划分为n个集群Tki，n为大于的最小整数，i＝1,2，…，n；
c5：判断是否大于1，若大于1，则返回步骤c3，反之，则进入步骤D；Ψki表示集群Tki的单车需求数量；
如图2所示，一个集群包含7个站点，每个站点的非平衡数量累计+70。假设调度车辆的容量为40，则故需要将该集群重新分成2个集群。按照图2方式进行分割后的两个集群，非平衡数量累计分别为35和25，均满足即可以通过调度车的一次访问达到平衡。
c6：分割节点：经过分割后存在某个集群只包含一个站点，但是该站点不平衡的数量还是大于调度车的容量的情况，由于本发明的调度模型建立在“每个节点只允许被访问一次”的基础上，故此时需分割节点。
通过将站点分成个位置相同的虚拟站点，每个虚拟站点均分所在集群的单车需求数量，使调度车辆能够访问该集群次数为次，以满足分割后的站点需求量守恒；为大于的最小整数。分割节点后，必成立，所以不需检查是否需要再次修复。
如图3所示，假如调度车辆的容量为40，1号站点的需求量+60大于调度车辆的容量。这时把该站点分为两个站点11，12，这两个站点都会被分别访问一次，从而达到原1号站点被访问两次的目的。通过两次访问分别满足1_1和1_2站点的不平衡，最终满足1号站点所有的需求量。
D、通过遗传算法获取各个集群节点之间连接关系的初始解；先删除的集群，然后再进行各集群节点连接关系初始解的计算。
E、通过蚁群算法获取调度车辆通过各个集群节点的顺序，完成集群之间的优化调度。
为了控制成本，选用所需时间来描述本发明在操作过程中的花费。对于单车调度而言，所需时间为调度车辆装卸载单车以及在节点之间行驶的时间。其中行驶时间占绝大部分，所以优先考虑行驶时间的成本。
步骤E中集群之间的优化调度具体过程如下：
e1：将两节点之间的直线距离作为距离指标；两节点之间的直线距离作为距离指标，能够减小问题的复杂度，即在得到访问节点的顺序时，只考虑了距离指标的影响，没有考虑其他因素；距离指标表达公式如下：
公式(3)中，Rf表示由蚁群算法得到的访问节点顺序，Lθ(Rf)表示按照Rf顺序进行访问的调度路线总距离，li,j表示站点Ni到站点Nj的最短距离；
e2：在集群级别上做出路由决策；路由决策如下：
公式(4)中，Ek表示集群节点Θk的单车目标数量，表示集群节点Θk在调度前的单车数量，Dk表示集群节点Θk的装卸单车的数量；
e3：对每个节点执行单车装卸载决策；单车装卸载决策如下：
公式(5)中，Ck表示调度车在访问集群节点Θk前的单车数量，Dk表示集群节点Θk的装卸单车的数量，V表示调度车容量，Rf(n)表示按照Rf访问顺序进行访问的第n个集群节点。
当Dk>0时，操作状态为在集群节点θk卸载单车，当Dk<0时，操作状态为在集群节点θk装载单车。
根据实际情况，卸载的单车数量不能大于调度车内已有的单车数，装载的单车数量与调度车内已有的单车数量的总和不能超过调度车的容量。本发明中步骤e3中执行单车装卸载决策的原则为：
公式(6)中，Ck表示调度车在访问集群节点Θk前的单车数量，Dk表示集群节点Θk的装卸单车的数量，Ek表示集群节点Θk的单车目标数量，表示集群节点Θk在调度前的单车数量。
公式(6)表达的意义为，如果集群需要单车，就将调度车内的单车卸下，以满足该集群需求。如果需求量超过调度车内的单车，就把调度车内所有单车卸下。如果集群内有多余的单车，就将多余单车装入调度车辆，直到装满为止。在做出装载或卸载决策的时候，并不考虑后续节点的需求情况。
某些集群中有的站点有单车的正需求，也有的站点有单车的负需求。如果这些站点可以在集群内部通过调度来平衡，那么某个集群的单车需求量ψk＝0。故先删除ψk＝0的集群，不将其加入后续的调度路线规划中。该种方式能够利用聚类的优势，减少集群之间的调度工作。
F、通过蚁群算法获取每个集群内各个站点之间的最短路径，完成集群内部的优化调度。具体为：采用蚁群算法获取集群Tk内连接所有站点的最短路径并按照这个顺序依次访问每个站点。
集群内部调度最重要的一个功能是在集群内部平衡单车数，即当集群内部有的站点多余单车，但有的站点缺少单车。若调运后，集群内部可以自身实现单车数量完全平衡，则不需要再进行集群之间的调度。
与集群之间优化调度的装卸载决策不同，集群Tk内部的站点单车装卸载决策dI,k需要考虑所有集群内站点Ni的需求量 集群内部调度的目的是将Ψk平分到每个站点Ni上。因此，本发明中集群Tk内连接所有站点的最短路径根据集群内装卸决策di获取，集群内装卸决策di的表达公式如下：
公式(7)中，Sk表示调度后集群节点Θk内的单车数量，Ek表示集群节点Θk的单车目标数量，Kk表示集群Tk的最终规模，k∈[1,2，…，n]，εi表示第i个站点的单车目标数量，表示调度前第i个站点的单车数量。
经过步骤E和F的调度，集群内部与集群之间的平衡即可最大限度得到满足，完成调度的优化工作。
本发明提供了一种基于遗传蚁群融合算法的共享交通工具的调度优化问题，采用K-means聚类算法把单车数据点聚集起来，考虑单车存量并进行集群修复。其次，先用遗传算法获得连接各节点的初始解，后用蚁群算法计算得到调度车辆通过集群节点的顺序，并对每个节点做出了装卸载单车数量的确定。然后，直接用蚁群算法获得连接每个集群内站点的最短路径，并均分集群的不平衡单车数，完成集群内部小范围的调度策略。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (8)

1.一种基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：包括以下步骤：
A、采集待测区域内共享单车数据点；
B、采用K-means聚类算法将共享单车数据点划分为N个集群，每个集群包括M个站点，定义距离集群Tk中心最近的站点为集群节点Θk，1≤k≤M；
C、根据每个集群内的单车数量，对每个集群进行集群修复；集群Tk修复具体过程为：
c1：获取每个集群中的单车需求数量 为正数，则表示集群内需补充单车数量为 为负数，则表示集群节点需运走单车数量为
c2：判断计算结果是否大于1，若大于1，则进入步骤c3，否则直接进入步骤D；V表示调度车容量；
c3：判断集群内站点数量是否等于1，若是，则进入步骤c6，否则进入步骤c4；
c4：再次聚类：采用K-means聚类方法将集群Tk再次聚类划分为n个集群Tki，n为大于的最小整数，i＝1,2，…，n；
c5：判断是否大于1，若大于1，则返回步骤c3，反之，则进入步骤D；Ψki表示集群Tki的单车需求数量；
c6：分割节点：将站点分成个位置相同的虚拟站点，每个虚拟站点均分所在集群的单车需求数量，使调度车辆能够访问该集群次数为次；为大于的最小整数；
D、通过遗传算法获取各个集群节点之间连接关系的初始解；
E、通过蚁群算法获取调度车辆通过各个集群节点的顺序，完成集群之间的优化调度；
F、通过蚁群算法获取每个集群内各个站点之间的最短路径，完成集群内部的优化调度。
2.根据权利要求1所述的基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：所述步骤B中K-means聚类算法的具体过程如下：
b1：从数据集X中随机选择K个对象作为初始聚类中心c1，c2，c3，…，cK；
b2：逐个将数据集中的对象xi按照欧式距离分配给最近的一个聚类中心cj，1≤j≤K；
对象xi对应聚类中心cj的隶属度函数为:
公式(1)中，||xi-cj||表示第i个样本xi对应第j类聚类中心cj的隶属度函数，m表示数据属性的个数，表示xi到cj的距离；
b3：重新计算每个集群中新的聚类中心cj,j＝1，2，…，K；计算公式如下：
公式(2)中，Nj表示第j个集群Tj中对象的个数；
b4：重复步骤b1至b3，直至K个聚类中心不再变化后，准则函数收敛。
3.根据权利要求1所述的基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：所述步骤B中集群划分为站点的过程为：根据空间位置将每个集群中的数据点按照100x100网格进行划分，每个网格为一个站点。
4.根据权利要求1所述的基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：所述步骤D中，先删除的集群，然后再进行各集群节点连接关系初始解的计算。
5.根据权利要求1所述的基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：所述步骤E中集群之间的优化调度具体过程如下：
e1：将两节点之间的直线距离作为距离指标；距离指标表达公式如下：
公式(3)中，Rf表示由蚁群算法得到的访问节点顺序，Lθ(Rf)表示按照Rf顺序进行访问的调度路线总距离，li,j表示站点Ni到站点Nj的最短距离；
e2：在集群级别上做出路由决策；路由决策如下：
公式(4)中，Ek表示集群节点Θk的单车目标数量，表示集群节点Θk在调度前的单车数量，Dk表示集群节点Θk的装卸单车的数量；
e3：对每个节点执行单车装卸载决策；单车装卸载决策如下：
公式(5)中，Ck表示调度车在访问集群节点Θk前的单车数量，Dk表示集群节点Θk的装卸单车的数量，V表示调度车容量，Rf(n)表示按照Rf访问顺序进行访问的第n个集群节点。
6.根据权利要求5所述的基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：所述步骤e3中执行单车装卸载决策的条件为：
公式(6)中，Ck表示调度车在访问集群节点Θk前的单车数量，Dk表示集群节点Θk的装卸单车的数量，Ek表示集群节点Θk的单车目标数量，表示集群节点Θk在调度前的单车数量。
7.根据权利要求1所述的基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：所述步骤F中集群内部的优化调度具体为：采用蚁群算法获取集群Τk内连接所有站点的最短路径并按照这个顺序依次访问每个站点。
8.根据权利要求7所述的基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：所述集群Τk内连接所有站点的最短路径根据集群内装卸决策di获取，集群内装卸决策di的表达公式如下：
公式(7)中，Sk表示调度后集群节点Θk内的单车数量，Ek表示集群节点Θk的单车目标数量，Kk表示集群Τk的最终规模，k∈[1,2，…，n]，εi表示第i个站点的单车目标数量，表示调度前第i个站点的单车数量。
CN201910091568.1A 2019-01-30 2019-01-30 一种基于遗传蚁群融合算法的共享单车优化调度方法 Withdrawn CN109978227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910091568.1A CN109978227A (zh) 2019-01-30 2019-01-30 一种基于遗传蚁群融合算法的共享单车优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910091568.1A CN109978227A (zh) 2019-01-30 2019-01-30 一种基于遗传蚁群融合算法的共享单车优化调度方法

Publications (1)

Publication Number Publication Date
CN109978227A true CN109978227A (zh) 2019-07-05

Family

ID=67076785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910091568.1A Withdrawn CN109978227A (zh) 2019-01-30 2019-01-30 一种基于遗传蚁群融合算法的共享单车优化调度方法

Country Status (1)

Country Link
CN (1) CN109978227A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807921A (zh) * 2019-10-24 2020-02-18 上海钧正网络科技有限公司 车辆调度方法、装置、设备和存储介质
CN111861217A (zh) * 2020-07-22 2020-10-30 上海汽车集团股份有限公司 一种车辆调配方法、装置及计算机可读存储介质
CN112163788A (zh) * 2020-10-21 2021-01-01 深圳市规划国土发展研究中心 一种基于实时数据的互联网无桩单车的调度方法
CN113096426A (zh) * 2021-03-29 2021-07-09 紫清智行科技(北京)有限公司 一种共享型自动驾驶车辆的派车调度方法
CN113095670A (zh) * 2021-04-08 2021-07-09 上海市城市建设设计研究总院（集团）有限公司 共享单车调蓄点规划选址方法
CN113850426A (zh) * 2021-09-23 2021-12-28 南方科技大学 一种消防站选址方法、装置、终端设备及存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807921A (zh) * 2019-10-24 2020-02-18 上海钧正网络科技有限公司 车辆调度方法、装置、设备和存储介质
CN111861217A (zh) * 2020-07-22 2020-10-30 上海汽车集团股份有限公司 一种车辆调配方法、装置及计算机可读存储介质
CN111861217B (zh) * 2020-07-22 2024-06-18 上海汽车集团股份有限公司 一种车辆调配方法、装置及计算机可读存储介质
CN112163788A (zh) * 2020-10-21 2021-01-01 深圳市规划国土发展研究中心 一种基于实时数据的互联网无桩单车的调度方法
CN112163788B (zh) * 2020-10-21 2024-05-31 深圳市规划国土发展研究中心 一种基于实时数据的互联网无桩单车的调度方法
CN113096426A (zh) * 2021-03-29 2021-07-09 紫清智行科技(北京)有限公司 一种共享型自动驾驶车辆的派车调度方法
CN113096426B (zh) * 2021-03-29 2021-11-05 紫清智行科技(北京)有限公司 一种共享型自动驾驶车辆的派车调度方法
CN113095670A (zh) * 2021-04-08 2021-07-09 上海市城市建设设计研究总院（集团）有限公司 共享单车调蓄点规划选址方法
CN113850426A (zh) * 2021-09-23 2021-12-28 南方科技大学 一种消防站选址方法、装置、终端设备及存储介质
CN113850426B (zh) * 2021-09-23 2024-09-17 南方科技大学 一种消防站选址方法、装置、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN109978227A (zh) 一种基于遗传蚁群融合算法的共享单车优化调度方法
CN102542395B (zh) 一种应急物资调度系统及计算方法
CN107038496B (zh) 一种无人机快递自动投送路径规划方法及系统
CN103677958B (zh) 一种虚拟化集群的资源调度方法及装置
CN108921472A (zh) 一种多车型的两阶段车货匹配方法
Zhou et al. Multi-objective optimization of electric vehicle routing problem with battery swap and mixed time windows
CN103793800A (zh) 一种用于车货在线配载的智能配对技术
CN110163544A (zh) 一种基于优化的遗传算法进行货物配送的方法
CN112306658B (zh) 一种多能源系统数字孪生应用管理调度方法
CN110705741B (zh) 一种基于改进蚁群算法的多配送中心车辆路径优化方法
Chen et al. Heuristic swarm intelligent optimization algorithm for path planning of agricultural product logistics distribution
CN113592248B (zh) 航空货运网络的规划方法、系统、电子设备及存储介质
CN109685251A (zh) 一种电动设施充电站选址优化方法、装置及存储介质
CN110516871A (zh) 一种基于模糊滚动时域控制策略的动态车辆路径优化方法
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
Hou et al. A metaheuristic algorithm for routing school buses with mixed load
Yu Scenarios of increasing the economic efficiency of the Kaliningrad regional transport system
CN114707707A (zh) 一种基于改进的遗传算法对agv任务调度的方法及系统
CN114529241A (zh) 一种基于运筹学理论的公路零担货运物流路径规划算法
CN117113608B (zh) 一种冷链物流网络节点布局方法和设备
CN108665115A (zh) 调度优化方法和装置
CN116187889A (zh) 全链条铁水联运方案系统及评价方法
CN113988570A (zh) 一种基于多目标进化算法的旅游大巴车调度优化方法
CN110322183A (zh) 一种基于gis的物流管控中心
CN112633548B (zh) 一种物流配送路径规划方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190705

WW01 Invention patent application withdrawn after publication