CN111091286A - 一种公共自行车调度模型与求解方法 - Google Patents

Abstract

本发明公开了一种公共自行车调度模型与求解方法，包括以下步骤：获取公共自行车本地数据，并进行预处理；根据预处理后的数据预先构建公共自行车调度模型；将公共自行车调度模型转化为伪旅行商模型；采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解；输出最优公共自行车调度模型的目标函数值，调度路径规划结果。优点：本发明有效的消除了常用头脑风暴优化算法产生的不可行解问题；能够合理的分配运输车资源，能够满足城市公共交通机构对运输车资源合理的调度，达到对运输车服务路径的优化。

Description

一种公共自行车调度模型与求解方法

技术领域

本发明涉及一种公共自行车调度模型与求解方法，属于城市智能公共交通系统技术领域。

背景技术

随着城市化进程的不断加快，城市交通问题日益严峻，严重阻碍了城市的发展。公共自行车因其低碳环保、方便灵活的特点以及独特的短距离出行优势,在各大城市快速发展起来。由于公共自行车可与公共交通实现“无缝对接”，所以“公交+公共自行车”的绿色交通出行方式受到了广大市民的青睐。由此，随之带来了“租车难、换车难”的新问题，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，而另外一些自行车站点在一些时间段内没有停车位，导致用户不能归还自行车。解决对公共自行车进行合理调度的问题，能提高公共自行车使用效率，从而提高用户对公共自行车使用的满意度，在促进公民绿色出行、缓解交通拥堵方面具有广泛的应用价值。

目前，主要的调度算法主要有：神经网络算法、蚁群算法、遗传算法等。神经网络法需要大量的训练数据，算法收敛慢，搜索能力不高；蚁群算法具有搜索时间长，容易陷入局部最优的缺点；遗传算法有计算速度慢，容易过早收敛等缺点。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种公共自行车调度模型与求解方法。

为解决上述技术问题，本发明提供一种公共自行车调度模型与求解方法，包括以下步骤：

获取公共自行车本地数据，并进行预处理；

根据预处理后的数据预先构建公共自行车调度模型；

将公共自行车调度模型转化为伪旅行商模型；

采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解；

输出最优公共自行车调度模型的目标函数值，调度路径规划结果。

进一步的，获取公共自行车本地数据，并进行预处理的过程为：

读入公共自行车服务站点数量，服务中心与服务站点之间的距离向量，服务站点与服务站点之间的距离矩阵；读入服务站点的预约时间段和调度量；

读入公共自行车服务中心运输车数量，运输车装载量和运输车服务不同需求的服务站点的时间；

设定运输车以相同速度出发并设定运输车速度，由所得服务中心与服务站点之间的距离向量，服务站点与服务站点之间的距离矩阵，求出服务中心与服务站点之间的距离时间向量，服务站点与服务站点之间的距离时间矩阵。

进一步的，所述公共自行车调度模型包括以下限制条件：

在整个区域内公共自行车服务中心只有1个，运输车从服务中心出发，沿着某条路线逐个服务站点，最终回到服务中心，形成一个封闭的行驶路径；

每个站点接受服务的时长与站点的调度量有关，调度量越大，装载时间约长，每辆运输车装载自行车数量固定；

每个站点仅由一辆运输车服务，且一次完成对该站点的服务；

每个站点的调度量不能超过运输车最多可装载的自行车数量，且在调度过程中，运输车上的自行车数量不能超过其载运能力；

运输车服务站点的时间必须满足对应的时间窗要求，不允许站点在时间窗上限之后访问对象，在时间窗下限之前访问对象会产生等待成本，在时间窗之内访问对象不产生等待成本；

根据以上限制条件，建立公共自行车调度模型：

公式(1)表示运输车路程成本、服务时间、等待时间、站点服务数量、运输车使用数的加权总和取得最小值；

表示路程成本、

表示服务时间的惩罚、

表示等待时间惩罚、w₃N₁表示未服务站点惩罚，w₄(K-K₁)表示服务站点的运输车车辆数惩罚，运输车车辆数越多，成本越高；式(1)需要满足以下几个约束条件：

公式(2)表示第k辆运输车是否从第i个服务站点到第j个服务站进行服务，i，j都为0时，代表服务中心；k＝1,2…K，i,j＝1,2…N_c；

公式(3)表示第k辆运输车是否为第i个服务站点进行服务；

公式(4)表示每一个站点至多由一辆运输车进行服务，且一次完成对该站点的服务；

0≤Qk≤Q,k＝1,2,…K (5)

公式(5)表示第i辆运输车的车载量不得超过最多可装载的自行车数量Q；

|q_i|≤Q，i＝1,2,…,N_c (6)

公式(6)表示第i个站点的调度量不得超过运输车最多可装载的自行车数量Q；

公式(7)表示运输车必须在站点要求的预约时间段上限之前到达预约地点；其中：

K₁：未服务的运输车车辆数；

N₁：未被服务站点的数量；

d_ij：第i个站点与第j个站点之间的距离矩阵；

wait_i：第i辆运输车等待时间；

[a_i,b_i]：站点预约接受服务的时间；

N₁：未被服务站点的数量；

K₁：未服务的运输车车辆数；

d_ij：第i个站点与第j个站点之间的距离矩阵；

T_ki：第i个站点接受第k辆运输车服务所需的服务时长；

wait_k：第k个运输车的等待成本；

[a_i,b_i]：第i个站点接受服务的预约时间段；

Q_k：第k辆运输车实际服务的装载量；

q_i：第i个服务站点调度量，q_i>0表示第i个服务站点从运输车调入q_i辆自行车；q_i＜0，表示运输车从第i个服务站点带走|q_i|辆自行车；

表示第k辆运输车到达第i个服务站点的时间。

w_δ,δ＝1,2,3,4：目标函数各部分的加权系数。

进一步的，所述采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，包括以下步骤：

步骤1、设置概率参数p₁、p₂、p₃、p₄、p₅、p₆，随机生成N_BSO个个体，每个个体有N_c个结点，对应N_c个服务站点，聚类数为m；

步骤2、根据老人和护工信息数据，计算所有个体的目标函数值，并采用基于目标空间聚类的策略，将N_BSO个个体聚为m个类；

步骤3、对每个类中的个体按照目标函数值的大小进行排序，并从中选出目标函数值最小的个体作为该类的聚类中心；

步骤4、在0和1之间随机生成一个值r₁，如果r₁小于概率参数p₁，则随机选择一个聚类中心；否则，随机产生一个个体代替该聚类中心；

步骤5、采用同一类中个体向类中随机个体学习的方法产生新个体；计算新产生个体的目标函数值，与当前个体相比，目标函数值小的个体作为下次迭代的新的个体；

步骤6、如果产生N_BSO个新的个体，转至步骤7，否则转至步骤5；

步骤7、如果达到最大的迭代次数，则结束，否则跳至步骤2。

进一步的，所述步骤2和步骤5中均通过基于伪旅行商问题模型的启发式译码装置对目标函数进行计算，其译码方法包括以下步骤：

5a)置各辆运输车的初始时刻均为t_init，选择一辆运输车，置当前服务运输车号为k＝1，置当前选中结点号i＝1；

5b)设当前运输车的初始时间点为t_m，且t_m＝t_init，依次顺序选择对应未处理结点；置初始化车载量范围[lower,higher]为[0,Q]，即lower＝0,higher＝Q，设第k运输车的等待时间wait_k＝0，临时等待时间t_temp＝0；

5c)如果k＞K，转至步骤5k)；

5d)如果当前结点对应服务站点的调度量大于0，则置lower＝lower+q_i；否则，置higher＝higher+q_i；

5e)如果lower＞high，即置k＝k+1，转至步骤5b)；

5f)根据运输车初始时间点t_m和路程时间，计算运输车到达当前结点对应服务站点的时间点t_n，如果该时间点在站点预约时间上限以上，置k＝k+1，转至步骤5b)；

5g)如果该时间点在站点预约时间下限以下，计算临时等待时间t_temp；

5h)更新运输车等待时间wait_k＝wait_k+t_temp；

5i)由运输车到达当前结点对应服务站点的时间点t_n，等待时间，服务时间，求得运输车离开当前结点对应服务站点的时间点t_m，并将该服务站点序号添加到运输车的服务列表；

5j)i＝i+1，判断结点号i是否小于N_c；若是，转至步骤5d)；

5k)计算目标函数，包括路程成本，等待成本，未服务站点的惩罚成本和提供服务的运输车车辆数的惩罚成本；

5l)输出目标函数值，调度路径规划结果，即各运输车服务站点的次序，所用运输车车辆数和各运输车初始所带公共自行车车辆数。

进一步的，步骤2中采用基于目标空间聚类的策略将个体聚类的步骤为：

6a)根据个体的目标函数值，对N_BSO个个体目标函数值进行升序排列，得到排序后的个体目标函数值；

6b)由后一个个体目标函数值减去前一个个体的目标函数值，求得N_BSO-1个相邻个体目标函数值的差值；

6c)找出m-1个最大的相邻个体目标函数值的差值，并记录各差值对应的序号；

6d)根据求得的m-1个序号进行切分，把已排序后个体中序号小于等于该序号的个体划分为一类，大于该序号的个体划分到另一类。

进一步的，步骤5中采用同一类中个体向类中随机个体学习的方法产生新个体，步骤为：

7a)在0和1之间随机生成一个值r₂；

7b)如果r₂小于概率参数p₂：

⑥在m个聚类中随机选择一个类，并在0和1之间随机生成一个值r₃；

⑦如果r₃比概率参数p₃小，选择该类聚类中心加上随机扰动产生一个新个体；

⑧否则，随机产生一个0到1间的数值r₄；

⑨如果r₄小于概率参数p₄，从该聚类中随机选择一个个体，加上随机扰动产生一个新个体；

⑩否则，从该聚类中随机选择2个个体，互相融合加上随机扰动产生两个新个体；

7c)否则，在m个类中随机地挑选两个聚类产生新个体

⑥在0和1之间随机生成一个值r₅：

⑦如果r₅小于概率参数p₅，将两个类的聚类中心互相融合加上随机扰动产生两个新个体；

⑧否则，随机产生一个0到1间的数值r₆：

⑨如果r₆小于概率参数p₆，将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生两个新个体；

⑩否则，分别从两个类中选择一个个体互相融合加上随机扰动产生两个新个体；

其中，步骤7b)步骤7c)中2个个体的相互融合采用交叉操作实现；个体施加随机扰动采用变异操作实现。

本发明所达到的有益效果：

本发明通过把公共自行车调度模型转化为伪旅行商问题，有效的消除了常用头脑风暴优化算法产生的不可行解问题；

本发明通过基于启发式的译码规则，合理的分配运输车资源，能够满足城市公共交通机构对运输车资源合理的调度，达到对运输车服务路径的优化。

附图说明

图1改进离散头脑风暴优化算法的流程图；

图2公共自行车预约调度与路径规划模型的启发式译码算法流程图；

图3公共自行车预约调度与路径规划模型转化为伪旅行商问题模型示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一种公共自行车调度模型与求解方法，包括步骤：

1)获取公共自行车本地数据，并进行预处理；

2)根据预处理后的数据预先构建公共自行车调度模型；

3)将公共自行车调度模型转化为伪旅行商模型；

4)采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解；

5)输出最优公共自行车调度模型的目标函数值，调度路径规划结果。

所述步骤1)数据预处理的具体过程为：

1a)读入公共自行车服务站点数量N_c，服务中心与服务站点之间的距离向量，服务站点与服务站点之间的距离矩阵；读入服务站点的预约时间段和调度量；

1b)读入公共自行车服务中心运输车数量K，运输车装载量Q和运输车服务不同需求的服务站点的时间；

1c)设定运输车以相同速度出发并设定运输车速度，由1a)所得服务中心与服务站点之间的距离向量，服务站点与服务站点之间的距离矩阵，求出服务中心与服务站点之间的距离时间向量，服务站点与服务站点之间的距离时间矩阵。

所述步骤2)根据预处理后的数据预先构建公共自行车调度模型，其建立过程包括步骤：

在整个区域内公共自行车服务中心只有1个，运输车从服务中心出发，沿着某条路线逐个服务站点，最终回到服务中心，形成一个封闭的行驶路径；

每个站点接受服务的时长与站点的调度量有关，调度量越大，装载时间约长，每辆运输车装载自行车数量固定；

每个站点仅由一辆运输车服务，且一次完成对该站点的服务；

每个站点的调度量不能超过运输车最多可装载的自行车数量，且在调度过程中，运输车上的自行车数量不能超过其载运能力；

运输车服务站点的时间必须满足对应的时间窗要求，不允许站点在时间窗上限之后访问对象，在时间窗下限之前访问对象会产生等待成本，在时间窗之内访问对象不产生等待成本；

根据以上限制条件，建立公共自行车调度模型：

公式(1)表示运输车路程成本、服务时间、等待时间、站点服务数量、运输车使用数的加权总和取得最小值；

表示路程成本、

表示服务时间的惩罚、

表示等待时间惩罚、w₃N₁表示未服务站点惩罚，w₄(K-K₁)表示服务站点的运输车车辆数惩罚，运输车车辆数越多，成本越高；式(1)需要满足以下几个约束条件：

公式(2)表示第k辆运输车是否从第i个服务站点到第j个服务站进行服务，i，j都为0时，代表服务中心；k＝1,2…K，i,j＝1,2…N_c；

公式(3)表示第k辆运输车是否为第i个服务站点进行服务；

公式(4)表示每一个站点至多由一辆运输车进行服务，且一次完成对该站点的服务；

0≤Q_k≤Q,k＝1,2,…K (5)

公式(5)表示第i辆运输车的车载量不得超过最多可装载的自行车数量Q；

|q_i|≤Q，i＝1,2,…,N_c (6)

公式(6)表示第i个站点的调度量不得超过运输车最多可装载的自行车数量Q；

公式(7)表示运输车必须在站点要求的预约时间段上限之前到达预约地点；其中：

K₁：未服务的运输车车辆数；

N₁：未被服务站点的数量；

d_ij：第i个站点与第j个站点之间的距离矩阵；

wait_i：第i辆运输车等待时间；

[a_i,b_i]：站点预约接受服务的时间；

N₁：未被服务站点的数量；

K₁：未服务的运输车车辆数；

d_ij：第i个站点与第j个站点之间的距离矩阵；

T_ki：第i个站点接受第k辆运输车服务所需的服务时长；

wait_k：第k个运输车的等待成本；

[a_i,b_i]：第i个站点接受服务的预约时间段；

Q_k：第k辆运输车实际服务的装载量；

q_i：第i个服务站点调度量，q_i>0表示第i个服务站点从运输车调入q_i辆自行车；q_i＜0，表示运输车从第i个服务站点带走|q_i|辆自行车；

表示第k辆运输车到达第i个服务站点的时间。

w_δ,δ＝1,2,3,4：目标函数各部分的加权系数。

所述步骤3)将公共自行车调度模型转化为伪旅行商模型，具体过程为：将站点视为城市点，运输车视为旅行商人。问题的实质是寻找一条拜访每个城市的回路，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是这条回路的目标函数值最小；

所述步骤4)采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，其具体做法包括如下步骤：

步骤1、设置概率参数p₁、p₂、p₃、p₄、p₅、p₆，随机生成N_BSO个个体，每个个体有N_c个结点，对应N_c个服务站点，聚类数为m；

步骤2、根据老人和护工信息数据，计算所有个体的目标函数值，并采用基于目标空间聚类的策略，将N_BSO个个体聚为m个类；

步骤3、对每个类中的个体按照目标函数值的大小进行排序，并从中选出目标函数值最小的个体作为该类的聚类中心；

步骤4、在0和1之间随机生成一个值r₁，如果r₁小于概率参数p₁，则随机选择一个聚类中心；否则，随机产生一个个体代替该聚类中心；

步骤5、采用同一类中个体向类中随机个体学习的方法产生新个体；计算新产生个体的目标函数值，与当前个体相比，目标函数值小的个体作为下次迭代的新的个体；

步骤6、如果产生N_BSO个新的个体，转至步骤7，否则转至步骤5；

步骤7、如果达到最大的迭代次数，则结束，否则跳至步骤2。

如图2所示，所述步骤4)采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，其特征在于，所述步骤2和步骤5中均通过基于伪旅行商问题模型的启发式译码装置对目标函数进行计算，其译码方法包括以下步骤：

a1)置各辆运输车的初始时刻均为t_init，选择一辆运输车，置当前服务运输车序号为k＝1，置当前选中结点号i＝1；

b1)设当前运输车的初始时间点为t_m，且t_m＝t_init，依次顺序选择对应未处理结点；置初始化车载量范围[lower,higher]为[0,Q]，即lower＝0,higher＝Q，设第k辆运输车的等待时间wait_k＝0，临时等待时间t_temp＝0；

c1)如果k＞K，转至步骤k1)；

d1)如果当前结点对应服务站点的调度量大于0，则置lower＝lower+q_i；否则，置higher＝higher+q_i；

e1)如果lower＞high，即置k＝k+1，转至步骤b1)；

f1)根据运输车初始时间点t_m和路程时间，计算运输车到达当前结点对应服务站点的时间点t_n，如果该时间点在站点预约时间上限以上，置k＝k+1，转至步骤b1)；

g1)如果该时间点在站点预约时间下限以下，计算临时等待时间t_temp；

h1)更新运输车等待时间wait_k＝wait_k+t_temp；

i1)由运输车到达当前结点对应服务站点的时间点t_n，等待时间，服务时间，求得运输车离开当前结点对应服务站点的时间点t_m，并将该服务站点序号添加到运输车的服务列表；

j1)i＝i+1，判断结点号i是否小于N_c；若是，转至步骤5d)；

k1)计算目标函数，包括路程成本，等待成本，未服务站点的惩罚成本和提供服务的运输车车辆数的惩罚成本；

l1)输出目标函数值，调度路径规划结果，即各运输车服务站点的次序，所用运输车车辆数和各运输车初始所带公共自行车车辆数。

如图3所示，设一个个体共有10个结点，1～10是结点编号，其中，箭头代表运输车在服务完前一结点对应需服务站点后可接着服务下一结点的对应需服务站点，虚线代表在服务完前一结点对应需服务站点后不可接着服务下一结点的对应需服务站点，需要更换运输车。根据如上译码方式，可确定本个体10个结点对应需服务站点需要3个运输车进行服务，并得到各运输车的服务列表。其中第一个运输车的服务结点列表为[2,3,4],服务结点号为2,3,4对应的站点；第二个运输车的服务结点列表[5,7]，依次服务结点号为5,7对应的站点；第三个运输车的服务结点列表为[8,9,1,6,10]，依次服务结点号为8,9,1,6,10对应的站点。

所述步骤4)采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，其特征在于，步骤2中采用基于目标空间聚类的策略将个体聚类的步骤为：

a2)根据个体的目标函数值，对N_BSO个个体目标函数值进行升序排列，得到排序后的个体目标函数值；

b2)由后一个个体目标函数值减去前一个个体的目标函数值，求得N_BSO-1个相邻个体目标函数值的差值；

c2)找出m-1个最大的相邻个体目标函数值的差值，并记录各差值对应的序号；

d2)根据求得的m-1个序号进行切分，把已排序后个体中序号小于等于该序号的个体划分为一类，大于该序号的个体划分到另一类。

所述步骤4)采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，其特征在于：步骤5中采用同一类中个体向类中随机个体学习的方法产生新个体，步骤为：

a3)在0和1之间随机生成一个值r₂；

b3)如果r₂小于概率参数p₂：

①在m个聚类中随机选择一个类，并在0和1之间随机生成一个值r₃；

②如果r₃比概率参数p₃小，选择该类聚类中心加上随机扰动产生一个新个体；

③否则，随机产生一个0到1间的数值r₄；

④如果r₄小于概率参数p₄，从该聚类中随机选择一个个体，加上随机扰动产生一个新个体；

⑤否则，从该聚类中随机选择2个个体，互相融合加上随机扰动产生两个新个体；

c3)否则，在m个类中随机地挑选两个聚类产生新个体

①在0和1之间随机生成一个值r₅：

②如果r₅小于概率参数p₅，将两个类的聚类中心互相融合加上随机扰动产生两个新个体；

③否则，随机产生一个0到1间的数值r₆：

④如果r₆小于概率参数p₆，将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生两个新个体；

⑤否则，分别从两个类中选择一个个体互相融合加上随机扰动产生两个新个体；

其中，步骤b3)、步骤c3)中2个个体的相互融合采用交叉操作实现；个体施加随机扰动采用变异操作实现。

其中对于交叉操作，本发明中采用部分匹配交叉操作，具体步骤为：

产生两个[1,10]区间内的随机整数r₁和r₂，确定两个位置，对两个位置的中间数据进行交叉，如r₁＝4,r₂＝7

交叉为：

交叉后，同一个个体中有重复的编号，不重复的数字保留，有冲突的数字(带*位置)采用部分映射的方法消除冲突，即利用中间段的对应关系进行映射。结果为：

其中变异操作，本发明中采用序列倒置，具体操作如下：

产生两个[1,10]区间内的随机整数r₁和r₂，确定两个位置，将其对换位置，如r₁＝4,r₂＝7

10 4 2|3 7 8|6 9 5 1

序列倒置后为：

10 4 2|8 7 3|6 9 5 1

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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种公共自行车调度模型与求解方法，其特征在于，包括以下步骤：

获取公共自行车本地数据，并进行预处理；

根据预处理后的数据预先构建公共自行车调度模型；

将公共自行车调度模型转化为伪旅行商模型；

采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解；

输出最优公共自行车调度模型的目标函数值，调度路径规划结果。

2.根据权利要求1所述的公共自行车调度模型与求解方法，其特征在于，获取公共自行车本地数据，并进行预处理的过程为：

读入公共自行车服务站点数量，服务中心与服务站点之间的距离向量，服务站点与服务站点之间的距离矩阵；读入服务站点的预约时间段和调度量；

读入公共自行车服务中心运输车数量，运输车装载量和运输车服务不同需求的服务站点的时间；

设定运输车以相同速度出发并设定运输车速度，由所得服务中心与服务站点之间的距离向量，服务站点与服务站点之间的距离矩阵，求出服务中心与服务站点之间的距离时间向量，服务站点与服务站点之间的距离时间矩阵。

3.根据权利要求1所述的公共自行车调度模型与求解方法，其特征在于，所述公共自行车调度模型包括以下限制条件：

在整个区域内公共自行车服务中心只有1个，运输车从服务中心出发，沿着某条路线逐个服务站点，最终回到服务中心，形成一个封闭的行驶路径；

每个站点接受服务的时长与站点的调度量有关，调度量越大，装载时间约长，每辆运输车装载自行车数量固定；

每个站点仅由一辆运输车服务，且一次完成对该站点的服务；

每个站点的调度量不能超过运输车最多可装载的自行车数量，且在调度过程中，运输车上的自行车数量不能超过其载运能力；

运输车服务站点的时间必须满足对应的时间窗要求，不允许站点在时间窗上限之后访问对象，在时间窗下限之前访问对象会产生等待成本，在时间窗之内访问对象不产生等待成本；

根据以上限制条件，建立公共自行车调度模型：

公式(1)表示运输车路程成本、服务时间、等待时间、站点服务数量、运输车使用数的加权总和取得最小值；

表示路程成本、

表示服务时间的惩罚、

表示等待时间惩罚、w₃N₁表示未服务站点惩罚，w₄(K-K₁)表示服务站点的运输车车辆数惩罚，运输车车辆数越多，成本越高；式(1)需要满足以下几个约束条件：

公式(2)表示第k辆运输车是否从第i个服务站点到第j个服务站进行服务，i，j都为0时，代表服务中心；k＝1,2…K，i,j＝1,2…N_c；

公式(3)表示第k辆运输车是否为第i个服务站点进行服务；

公式(4)表示每一个站点至多由一辆运输车进行服务，且一次完成对该站点的服务；

0≤Q_k≤Q,k＝1,2,…K (5)

公式(5)表示第i辆运输车的车载量不得超过最多可装载的自行车数量Q；

|q_i|≤Q，i＝1,2,…,N_c (6)

公式(6)表示第i个站点的调度量不得超过运输车最多可装载的自行车数量Q；

公式(7)表示运输车必须在站点要求的预约时间段上限之前到达预约地点；其中：

K₁：未服务的运输车车辆数；

N₁：未被服务站点的数量；

d_ij：第i个站点与第j个站点之间的距离矩阵；

wait_i：第i辆运输车等待时间；

[a_i,b_i]：站点预约接受服务的时间；

N₁：未被服务站点的数量；

K₁：未服务的运输车车辆数；

d_ij：第i个站点与第j个站点之间的距离矩阵；

T_ki：第i个站点接受第k辆运输车服务所需的服务时长；

wait_k：第k个运输车的等待成本；

[a_i,b_i]：第i个站点接受服务的预约时间段；

Q_k：第k辆运输车实际服务的装载量；

q_i：第i个服务站点调度量，q_i>0表示第i个服务站点从运输车调入q_i辆自行车；q_i＜0，表示运输车从第i个服务站点带走|q_i|辆自行车；

表示第k辆运输车到达第i个服务站点的时间。

w_δ,δ＝1,2,3,4：目标函数各部分的加权系数。

4.根据权利要求1所述的公共自行车调度模型与求解方法，其特征在于，所述采用改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，包括以下步骤：

步骤1、设置概率参数p₁、p₂、p₃、p₄、p₅、p₆，随机生成N_BSO个个体，每个个体有N_c个结点，对应N_c个服务站点，聚类数为m；

步骤2、根据老人和护工信息数据，计算所有个体的目标函数值，并采用基于目标空间聚类的策略，将N_BSO个个体聚为m个类；

步骤3、对每个类中的个体按照目标函数值的大小进行排序，并从中选出目标函数值最小的个体作为该类的聚类中心；

步骤4、在0和1之间随机生成一个值r₁，如果r₁小于概率参数p₁，则随机选择一个聚类中心；否则，随机产生一个个体代替该聚类中心；

步骤5、采用同一类中个体向类中随机个体学习的方法产生新个体；计算新产生个体的目标函数值，与当前个体相比，目标函数值小的个体作为下次迭代的新的个体；

步骤6、如果产生N_BSO个新的个体，转至步骤7，否则转至步骤5；

步骤7、如果达到最大的迭代次数，则结束，否则跳至步骤2。

5.根据权利要求4所述的改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，其特征在于，所述步骤2和步骤5中均通过基于伪旅行商问题模型的启发式译码装置对目标函数进行计算，其译码方法包括以下步骤：

5a)置各辆运输车的初始时刻均为t_init，选择一辆运输车，置当前服务运输车号为k＝1，置当前选中结点号i＝1；

5b)设当前运输车的初始时间点为t_m，且t_m＝t_init，依次顺序选择对应未处理结点；置初始化车载量范围[lower,higher]为[0,Q]，即lower＝0,higher＝Q，设第k运输车的等待时间wait_k＝0，临时等待时间t_temp＝0；

5c)如果k＞K，转至步骤5k)；

5d)如果当前结点对应服务站点的调度量大于0，则置lower＝lower+q_i；否则，置higher＝higher+q_i；

5e)如果lower＞high，即置k＝k+1，转至步骤5b)；

5f)根据运输车初始时间点t_m和路程时间，计算运输车到达当前结点对应服务站点的时间点t_n，如果该时间点在站点预约时间上限以上，置k＝k+1，转至步骤5b)；

5g)如果该时间点在站点预约时间下限以下，计算临时等待时间t_temp；

5h)更新运输车等待时间wait_k＝wait_k+t_temp；

5i)由运输车到达当前结点对应服务站点的时间点t_n，等待时间，服务时间，求得运输车离开当前结点对应服务站点的时间点t_m，并将该服务站点序号添加到运输车的服务列表；

5j)i＝i+1，判断结点号i是否小于N_c；若是，转至步骤5d)；

5k)计算目标函数，包括路程成本，等待成本，未服务站点的惩罚成本和提供服务的运输车车辆数的惩罚成本；

5l)输出目标函数值，调度路径规划结果，即各运输车服务站点的次序，所用运输车车辆数和各运输车初始所带公共自行车车辆数。

6.根据权利要求4所述的改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，其特征在于，步骤2中采用基于目标空间聚类的策略将个体聚类的步骤为：

6a)根据个体的目标函数值，对N_BSO个个体目标函数值进行升序排列，得到排序后的个体目标函数值；

6b)由后一个个体目标函数值减去前一个个体的目标函数值，求得N_BSO-1个相邻个体目标函数值的差值；

6c)找出m-1个最大的相邻个体目标函数值的差值，并记录各差值对应的序号；

6d)根据求得的m-1个序号进行切分，把已排序后个体中序号小于等于该序号的个体划分为一类，大于该序号的个体划分到另一类。

7.根据权利要求4所述的改进离散头脑风暴优化算法对所得伪旅行商模型进行求解，其特征在于，步骤5中采用同一类中个体向类中随机个体学习的方法产生新个体，步骤为：

7a)在0和1之间随机生成一个值r₂；

7b)如果r₂小于概率参数p₂：

①在m个聚类中随机选择一个类，并在0和1之间随机生成一个值r₃；

②如果r₃比概率参数p₃小，选择该类聚类中心加上随机扰动产生一个新个体；

③否则，随机产生一个0到1间的数值r₄；

④如果r₄小于概率参数p₄，从该聚类中随机选择一个个体，加上随机扰动产生一个新个体；

⑤否则，从该聚类中随机选择2个个体，互相融合加上随机扰动产生两个新个体；

7c)否则，在m个类中随机地挑选两个聚类产生新个体

①在0和1之间随机生成一个值r₅：

②如果r₅小于概率参数p₅，将两个类的聚类中心互相融合加上随机扰动产生两个新个体；

③否则，随机产生一个0到1间的数值r₆：

④如果r₆小于概率参数p₆，将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生两个新个体；

⑤否则，分别从两个类中选择一个个体互相融合加上随机扰动产生两个新个体；

其中，步骤7b)步骤7c)中2个个体的相互融合采用交叉操作实现；个体施加随机扰动采用变异操作实现。

Images