CN110084390A - 一种基于改进型果蝇算法的多车协同拼车路径优化方法 - Google Patents

Abstract

本发明公开了一种基于改进型果蝇算法的多车协同拼车路径优化方法，属于智能交通技术领域。本发明的技术方案要点为：通过步长正弦衰减策略，使算法在进化前期能够以较大步长对解空间进行广度探索，在进化后期以较小步长进行深度开发，同时由于步长呈正弦振荡衰减，因而能够使算法的性能在全局和局部寻优中得到较好的兼顾；通过混沌变异策略，改善种群的多样性，进一步提高其跳出局部最优的能力。上述改进措施进一步提高果蝇算法的求解性能。本发明有效改善了市民拼车出行的效率，为乘客节省了开支，为司机增加了收益，更为重要的是减少了汽车尾气的排放，改善了空气质量。

Description

一种基于改进型果蝇算法的多车协同拼车路径优化方法

技术领域

本发明属于智能交通技术领域，具体涉及一种基于改进型果蝇算法的多车协同拼车路径优化方法。

背景技术

随着外来人口的增多以及机动车单双号交替限行措施的出台，打车难问题更加凸显。在出租车保有量饱和的情况下，针对这一困扰民众正常出行的民生难题，拼车出行将成为行之有效的解决途径。在此背景下，对出租车多车协同拼车业务路径优化问题进行研究，其对于节能减排、提高民众出行效率具有很好的促进作用。因而，针对多车协同拼车路径优化问题，寻求一种有效的出租车路径优化方法具有很好的科学意义和社会价值。

截止目前，学者关注较多的仍是单个出租车的路径优化问题，而较少考虑多个出租车同时参与拼车的情况，因而很难满足实际需要。比如：Ma et al.(Path optimizationof taxi carpooling,Plos One,2018)基于遗传算法对拼车路径优化问题进行了探讨，尽管其对多出租车拼车路径优化问题进行了研究，但其前提是所有乘客都上车后再将乘客送往各自的目的地，这种方式将会对优化结果产生不利影响。张等(基于三维时空轨迹的拼车改进算法研究，计算机工程与应用，2018)提出一种改进的Hausdorff距离拼车算法，在匹配准确度及减少时间代价方面有较大提高。本发明对多车协同模式下的拼车路径优化问题进行了认真的分析与研究，并提出了求解该问题的改进型果蝇算法，不仅提高了出租车的运营效率、司机的收入，而且为乘客节省了支出，更重要的是丰富了求解拼车路径优化问题的方法，对于提升出租车行业的运营能力及服务水平具有很好的示范作用。

发明内容

本发明解决的技术问题是提供了一种基于改进型果蝇算法的多车协同拼车路径优化方法，该方法能够有效解决市内交通限行情况下民众出行打车难的问题，并助推城市交通向智能化方向进一步发展，最终使得出租车或私家车能够承载较多的乘客，提高上座率，减少空驶和油耗，有效缓解打的难、交通拥堵的现状。

为解决上述技术问题，本发明的构思为：以出租车有限载客为约束条件，将多车协同拼车模式引入到出租车的路径模型当中，以所有乘客到达目的地出租车所用时间最短为优化目标，把载客有限的多车协同拼车路径优化问题抽象成带约束的组合优化问题。本发明建立了考虑多车模式下的拼车路径优化模型，并基于改进型果蝇算法(Improved FruitFly Optimization Algorithm,IFOA)对该模型进行求解。鉴于传统果蝇算法(Fruit FlyOptimization Algorithm,FOA)在存在易陷入局部最优、求解精度低等缺点，引入步长正弦衰减策略、混沌变异策略，即通过步长正弦衰减策略，使算法在进化前期能够以较大步长对解空间进行广度探索，在进化后期以较小步长进行深度开发，同时由于步长呈正弦振荡衰减，因而能够使算法的性能在全局和局部寻优中得到较好的兼顾；通过混沌变异策略，改善种群的多样性，进一步提高其跳出局部最优的能力。

根据以上发明构思，本发明采用如下技术方案：一种基于改进型果蝇算法的多车协同拼车路径优化方法，其特征在于包括以下步骤：

(1)对多出租车协同拼车存在的约束及要优化的目标进行分析，并抽象为带约束的数学模型；

(2)初始化参数：总体最大进化代数G_max、进化代数计数器t、果蝇规模M、果蝇个数计数器n、步长step、初始化种群个体；

(3)用目标函数的倒数对所有果蝇个体处的食物浓度进行评价，记录最优个体Posbest及其对应的目标函数值Objbest；

(4)全局搜索，t＝t+1；

(5)局部搜索，n＝n+1；

(6)果蝇个体通过最优个体及正弦振荡自适应步长更新自己；

(7)如果n<M，则返回步骤(5)；

(8)用目标函数的倒数对更新后的所有果蝇个体处的食物浓度进行评价，并更新最优个体Posbest及其对应的目标函数值Objbest；

(9)基于启发式混沌变异策略对靠近最优果蝇的10％的种群个体进行变异，若变异后得到改善，则对其进行更新，否则，保持不变；

(10)如果t<G_max，则返回步骤(4)，否则，输出最优解。

更进一步地，步骤(1)中所建立的多车协同拼车路径优化模型是基于以下考虑建立的：本着司机收益最大化及节能降耗的目的，对多车协同拼车行为进行路径优化，则待优化的目标为完成所有乘客订单行驶距离最短，多车协同拼车路径优化数学模型表示如下：

其中，d_ij为出租车在完成乘客订单的过程中连续经过两个地点所需行驶的距离，C为参与完成乘客订单的出租车集合，R为完成乘客订单出租车所行驶的路径集合，D为拼车行为开始前出租车所在地及乘客订单关联的出发地及目的地的集合，N为出租车的核载数量，H_ijr为出租车在子路径r下是否连续经过地点i和地点j的标记，S_ir表示地点i是否属于子路径r，S_jr表示地点j是否属于子路径r，O_rc表示子路径r是否属于出租车c；

其中，式(1)为目标函数；式(2)至式(6)为各种约束条件，具体为：式(2)表示第i个乘客仅有一个出租车送达目的地；式(3)表示在出租车的行驶路径中，第i个乘客与第j个乘客不能形成回路；式(4)限定出租车所承载的乘客数量不能超过自身核载数量；式(5)和式(6)为决策变量的二进制值域约束。

更进一步地，步骤(6)的具体过程为：

6a)为克服果蝇算法寻优过程中的盲目性，提高果蝇的觅食效率或寻优效率，在果蝇的嗅觉行为中引入步长自适应调整机制，即步长正弦衰减振荡自适应策略，尽管步长在寻优过程中出现振荡，但在总体上仍呈逐步减小的趋势，同时其也保证了果蝇飞行方向的改变，从而使求解精度与效率达到一种较好的平衡，第i个果蝇的具体步长表示如下：

Step_i＝a·e^(-bt)·sin(2πt)·rand() (7)

其中，t为进化代数计数器，a、b为步长变化控制参数，且为常数；

6b)在嗅觉行为中引入自适应步长后，第i个果蝇表示为：

X_{i_next}＝X_i+Step_i (8)

其中，X_i和X_{i_next}分别表示第i个果蝇及其飞过Step_i个单位步长后的第i个果蝇。

更进一步地，步骤(9)的具体过程为：

9a)首先按照果蝇所处位置食物浓度对果蝇个体进行降序排列，为不打乱种群整体的收敛趋势，仅取出前10％的果蝇个体参与变异，并且当前最优果蝇个体不参与变异；

9b)对要参与变异的果蝇个体实施变异，具体变异措施为：首先，变异概率由高斯概率分布函数确定，这有效保证了越靠近最优解的果蝇个体其变异概率越大；其次，鉴于混沌运动具有遍历性，能够较好的遍历解空间，将待变异的果蝇个体与最优果蝇个体的每个基因位进行对比，对在相同位置处与最优果蝇个体相同的基因位进行混沌变异，即对要变异的基因位进行Sinusoidal映射，即：

X_ij＝h*X_ij ²*sin(π*X_ij) (9)

其中，X_ij表示第i个果蝇的第j个基因位，h为控制参数，且为常数，从而有效提高了种群的多样性，使小部分个体变异后能在解空间中进行大范围的搜索，进一步降低了算法早熟发生的概率。

本发明与现有技术相比具有以下优点：其一，不同于单车的拼车路径优化，本发明针对批量乘客进行多车拼车协同，从而从宏观上进一步降低了出租车的座位空闲率，最重要的是提高了出租车行业的运营效率；其二，正弦衰减振荡自适应步长策略，使算法在寻优前期及后期能够在全局搜索和局部搜索间达到一种较好的平衡；最后，启发式混沌变异算子，能够保证靠近最优解的果蝇个体以较大概率在整个解空间中进行变异，从而有效改善了种群的多样性，增强了算法从局部最优逃逸的能力。

附图说明

图1是本发明提出的基于改进型果蝇算法的多车协同拼车路径优化方法流程图；

图2是本发明针对一个拼车实例各算法求解效果对比图；

图3是本发明针对是否考虑拼车模式的情况，出租车行驶距离对比图。

具体实施方式

下面结合附图和优选的实施例，对本发明做进一步的详细阐述。

实施例1

参见图1，本发明提出的求解多车协同拼车路径优化问题的方法，其具体步骤如下：

1.确立目标，建立优化模型

该实例求解多车协同拼车路径优化问题所用的符号说明如下：

C：出租车集合；

N：出租车的核载人数；

R：出租车完成拼车订单的路径集合；

D：出租车所在地及乘客订单关联的出发地及目的地的集合；

S_ir：二进制决策变量，表示第i个乘客是否在子路径r中，i∈D,r∈R；

H_ijr：二进制决策变量，表示出租车在第r条子路径中是否对乘客i和乘客j进行连续运送，i,j∈D,r∈R；

d_ij：出租车所在地与乘客或乘客与乘客之间的距离，i,j∈D；

定义1：如果出租车在第r条子路径中，对乘客i和乘客j进行连续运送，则H_ijr＝1，否则H_ijr＝0；

定义2：由于出租车核载的限制，批量乘客拼车则需要R辆出租车共同完成。如果第i个乘客在由第r(r∈R)辆出租车送达目的地，则S_ir＝1，否则S_ir＝0；

该多车协同拼车路径优化问题的优化目标为完成所有乘客拼车订单，所有出租车行驶的距离最短，其数学模型包括目标函数和约束，定义如下：

2.厘清约束条件，确立约束关系

其中，式(1)为目标函数；式(2)至式(6)为各种约束条件，具体为：式(2)表示第i个乘客仅有一个出租车送达目的地；式(3)表示在出租车的行驶路径中，第i个乘客与第j个乘客不能形成回路；式(4)限定出租车所承载的乘客数量不能超过自身核载数量；式(5)和式(6)为决策变量的二进制值域约束。

3.选用本实施例的优化方法求解多车协同拼车路径优化问题，其方法就是通过改进型果蝇优化方法在决策变量的可行域内进行进化计算，从而求出最优解或次优解，优化方法的具体步骤为：

Step1：初始化参数：总体最大进化代数G_max、进化代数计数器t、果蝇规模M、果蝇个数计数器n、步长step、初始化种群个体；

Step2：用目标函数的倒数对所有果蝇个体处的食物浓度进行评价，记录最优个体Posbest及其对应的目标函数值Objbest；

Step3：全局搜索，t＝t+1；

Step4：局部搜索，n＝n+1；

Step5：果蝇个体通过最优个体及正弦振荡自适应步长更新自己；

Step6：如果n<M，则返回步骤Step4；

Step7：用目标函数的倒数对更新后的所有果蝇个体处的食物浓度进行评价，并更新最优个体Posbest及其对应的目标函数值Objbest；

Step8：基于启发式混沌变异策略对靠近最优果蝇的10％的种群个体进行变异，若变异后得到改善，则对其进行更新，否则，保持不变；

Step9：如果t<G_max，则返回步骤Step3，否则，输出最优解。

实施例2

本实施例结合某出租车公司多车协同拼车路径优化问题，利用本发明求出满足约束条件的最优解或次优解。

1.问题概况

按照上述技术方案以某出租车公司为应用背景进行示例说明。随机产生27个乘客订单进行测试。出租车所在地与乘客始发地以及乘客始发地、目的地与其他乘客始发地、目的地之间的距离在[5km,20km]上服从均匀分布。出租车的核载N为4。实验在Win10系统平台，3.7GHz主频的Intel处理器，4GB内存及Matlab R2014b开发环境下进行。

2.与其它进化算法的比较

为验证本发明提出IFOA算法的性能，与标准遗传算法(Genetic Algorithm,GA)、标准粒子群算法(Particle Swarm Optimization,PSO)、标准果蝇算法(Fruit FlyOptimization Algorithm,FOA)进行了比较。各算法种群规模均为50，进化代数均为600。其中，GA的交叉概率及变异概率分别为0.85和0.1。对于PSO，惯性权重w为1.5、学习因子c₁和c₂均为2.5。对于IFOA，a＝h＝50，b＝2。根据1中的问题概况，针对本发明上述测试算例，图2为各算法求出的最优解随进化代数的变化趋势。同时，针对IFOA是否考虑拼车的路径优化问题，图2也进行了对比。

表1不同规模的拼车订单各算法求解情况对比

不失一般性，为进一步验证IFOA算法的泛化能力，对不同规模的多车协同拼车路径优化问题进行了测试，并对参与比较的算法各运行30次，表1给出了30次的最优解和标准差。

通过图2可以直观的看出，本发明提出的IFOA算法在收敛速度以及求解质量上相对其他三种算法有明显的优势。表1针对不同乘客规模，将IFOA与GA、PSO及FOA的求解性能作了进一步的对比。表1的结果充分说明了尽管解空间随乘客规模呈指数增长，IFOA相对其他三种算法仍具有较强的鲁棒性，因而能得到较满意的解。IFOA之所以呈现这些优点，主要得益于本发明提出的步长正弦衰减振荡自适应策略及启发式混沌变异策略。这些改进不仅使算法在全局搜索和局部搜索间达到一种较好的平衡改善，而且改善了种群的多样性，从而增强了IFOA的寻优性能。图3对是否考虑拼车模式的乘车行为进行了对比，揭示了拼车模式可以有效减少出租车的行驶里程，特别是乘客规模大的情况下更为明显，因而，拼车模式能的确实现节能减排，同时也间接增加了司机的收益，减少了乘客的开支，具有良好的经济效益和社会效益。

以上显示和描述了本发明的基本原理，主要特征和优点，在不脱离本发明精神和范围的前提下，本发明还有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围。

Claims (4)

1.一种基于改进型果蝇算法的多车协同拼车路径优化方法，其特征在于包括以下步骤：

(1)对多出租车协同拼车存在的约束及要优化的目标进行分析，并抽象为带约束的数学模型；

(2)初始化参数：总体最大进化代数G_max、进化代数计数器t、果蝇规模M、果蝇个数计数器n、步长step、初始化种群个体；

(3)用目标函数的倒数对所有果蝇个体处的食物浓度进行评价，记录最优个体Posbest及其对应的目标函数值Objbest；

(4)全局搜索，t＝t+1；

(5)局部搜索，n＝n+1；

(6)果蝇个体通过最优个体及正弦振荡自适应步长更新自己；

(7)如果n<M，则返回步骤(5)；

(8)用目标函数的倒数对更新后的所有果蝇个体处的食物浓度进行评价，并更新最优个体Posbest及其对应的目标函数值Objbest；

(9)基于启发式混沌变异策略对靠近最优果蝇的10％的种群个体进行变异，若变异后得到改善，则对其进行更新，否则，保持不变；

(10)如果t<G_max，则返回步骤(4)，否则，输出最优解。

2.根据权利要求1所述的基于改进型果蝇算法的多车协同拼车路径优化方法，其特征在于：步骤(1)中所建立的多车协同拼车路径优化模型是基于以下考虑建立的：本着司机收益最大化及节能降耗的目的，对多车协同拼车行为进行路径优化，则待优化的目标为完成所有乘客订单行驶距离最短，多车协同拼车路径优化数学模型表示如下：

其中，d_ij为出租车在完成乘客订单的过程中连续经过两个地点所需行驶的距离，C为参与完成乘客订单的出租车集合，R为完成乘客订单出租车所行驶的路径集合，D为拼车行为开始前出租车所在地及乘客订单关联的出发地及目的地的集合，N为出租车的核载数量，H_ijr为出租车在子路径r下是否连续经过地点i和地点j的标记，S_ir表示地点i是否属于子路径r，S_jr表示地点j是否属于子路径r，O_rc表示子路径r是否属于出租车c；

其中，式(1)为目标函数；式(2)至式(6)为各种约束条件，具体为：式(2)表示第i个乘客仅有一个出租车送达目的地；式(3)表示在出租车的行驶路径中，第i个乘客与第j个乘客不能形成回路；式(4)限定出租车所承载的乘客数量不能超过自身核载数量；式(5)和式(6)为决策变量的二进制值域约束。

3.根据权利要求1所述的基于改进型果蝇算法的多车协同拼车路径优化方法，其特征在于：步骤(6)的具体过程为：

6a)为克服果蝇算法寻优过程中的盲目性，提高果蝇的觅食效率或寻优效率，在果蝇的嗅觉行为中引入步长自适应调整机制，即步长正弦衰减振荡自适应策略，尽管步长在寻优过程中出现振荡，但在总体上仍呈逐步减小的趋势，同时其也保证了果蝇飞行方向的改变，从而使求解精度与效率达到一种较好的平衡，第i个果蝇的具体步长表示如下：

Step_i＝a·e^(-bt)·sin(2πt)·rand() (7)

其中，t为进化代数计数器，a、b为步长变化控制参数，且为常数；

6b)在嗅觉行为中引入自适应步长后，第i个果蝇表示为：

X_{i_next}＝X_i+Step_i (8)

其中，X_i和X_{i_next}分别表示第i个果蝇及其飞过Step_i个单位步长后的第i个果蝇。

4.根据权利要求1所述的基于改进型果蝇算法的多车协同拼车路径优化方法，其特征在于：步骤(9)的具体过程为：

9a)首先按照果蝇所处位置食物浓度对果蝇个体进行降序排列，为不打乱种群整体的收敛趋势，仅取出前10％的果蝇个体参与变异，并且当前最优果蝇个体不参与变异；

9b)对要参与变异的果蝇个体实施变异，具体变异措施为：首先，变异概率由高斯概率分布函数确定，这有效保证了越靠近最优解的果蝇个体其变异概率越大；其次，鉴于混沌运动具有遍历性，能够较好的遍历解空间，将待变异的果蝇个体与最优果蝇个体的每个基因位进行对比，对在相同位置处与最优果蝇个体相同的基因位进行混沌变异，即对要变异的基因位进行Sinusoidal映射，即：

X_ij＝h*X_ij ²*sin(π*X_ij) (9)

其中，X_ij表示第i个果蝇的第j个基因位，h为控制参数，且为常数，从而有效提高了种群的多样性，使小部分个体变异后能在解空间中进行大范围的搜索，进一步降低了算法早熟发生的概率。