CN111191899B - 一种基于区域划分并行遗传算法的车辆调度方法 - Google Patents

一种基于区域划分并行遗传算法的车辆调度方法 Download PDF

Info

Publication number
CN111191899B
CN111191899B CN201911338350.8A CN201911338350A CN111191899B CN 111191899 B CN111191899 B CN 111191899B CN 201911338350 A CN201911338350 A CN 201911338350A CN 111191899 B CN111191899 B CN 111191899B
Authority
CN
China
Prior art keywords
passengers
vehicle scheduling
sub
passenger
waiting time
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.)
Active
Application number
CN201911338350.8A
Other languages
English (en)
Other versions
CN111191899A (zh
Inventor
龚月姣
王颖
陈伟能
钟竞辉
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201911338350.8A priority Critical patent/CN111191899B/zh
Publication of CN111191899A publication Critical patent/CN111191899A/zh
Application granted granted Critical
Publication of CN111191899B publication Critical patent/CN111191899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开的一种基于区域划分并行遗传算法的车辆调度方法，将获取的城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率等参数信息作为建立乘客和出租车的分配关系的数学模型，量化计算车辆调度方法；采用了分治策略来减少数据的维度，根据出租车和乘客的地理位置，将问题分成若干子问题，对每个子问题使用提出的算法以并行的方式进行解决。考虑了当前广泛应用的贪心算法可能会限制系统提供的服务质量的问题，将乘客的上车率以及平均等待时间作为服务质量标准，采用遗传算法将出租车匹配问题定义为全局优化的问题，解决了现有技术中车辆调度效率较低、全局性较差的问题。

Description

一种基于区域划分并行遗传算法的车辆调度方法
技术领域
本发明实施例涉及出租车与乘客匹配技术领域，具体涉及一种基于区域划分并行遗传算法的车辆调度方法。
背景技术
与公共交通相比，出租车可以根据乘客的需求提供更高质量的服务，但是传统的出租车系统缺乏有效的调度策略，司机更经常在繁忙的区域漫游，这样可能会带来交通拥堵的问题。同时，在一些地区，多辆出租车会为同一名乘客竞争而在另外一些地区，乘客等待多时却没有出租车出现。因此，从全局的角度对出租车进行调度是有益的，近年来大量使用的出租车预定软件程序可以用来对出租车进行调度，为了提高利润以及用户体验，需要一种有效的出租车调度方案。
当前很多实际的调度中心，为了管理的便捷性，通常采用贪婪算法进行调度。出租车的调度有三种调度策略：1)为每位乘客分配距离最近的空车；2)为每辆出租车选择利润最高的乘客；3)采用先到先得的策略(FCFS)。这些算法是典型的本地搜索方法，在对问题求解时，重视采用当前看来最好的方案进行选择，最终得到局部最优解。对于出租车调度问题来说，解决方案的质量可能并不尽如人意。为了提高出租车系统的性能，现在广泛研究开发的新的有效的出租车调度算法。
遗传算法是一种功能强大的全局优化算法，已经成功运用于许多现实世界中的组合优化问题，例如旅游商问题(TSP)以及调度问题等。遗传算法通过模拟达尔文的生物进化论，将问题转换成自然界中的种群进化过程，每个种群由带基因型的个体组成，通过对基因型进行交叉变异，选择等操作，选取种群中适应度最高的个体作为问题的解。遗传算法从全局出发进行搜索，寻找全局最优解，对于出租车调度来说，可以更好的从全局的角度找到最佳的分配方案。
对于城市规模的滑行乘客匹配问题(TPM)来说，问题的空间相当大，为了避免数据维度过高，产生可用数据过于稀疏的问题，需要对城市规模问题采用区域划分的策略，使用分而治之的方法将城市整体划分为不同区域，减少问题的尺寸，保证算法的效率和全局有效性。
发明内容
为此，本发明实施例提供一种基于区域划分并行遗传算法的车辆调度方法，以解决现有技术中由于城市规模的滑行乘客匹配问题空间相当大、数据维度过高而导致的车辆调度效率较低、全局性较差的问题。
为了实现上述目的，本发明实施例基于区域划分并行遗传算法的车辆调度方法，该方法采用基于区域划分策略的并行遗传算法求解出租车与乘客之间的匹配问题，首先考虑乘客的上车率和平均等车时间，将出租车与乘客的匹配表述成为一个全局优化的问题，针对该问题提出新的运算操作，包括初始化、交叉和变异；此外，提出分制的策略来减小问题的尺寸，根据乘客和出租车的地理位置将该问题分成多个子问题，并通过并行的方式解决每个子问题。其提供的具体技术方案如下：
根据本发明实施例提供一种基于区域划分并行遗传算法的车辆调度方法，包括步骤：
S1：获取整个城市中的乘客和出租车的参数信息；所述参数信息包括：城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率；
S2：根据所述参数信息为所述乘客和出租车的分配关系建立数学模型；以出租车单次只能分配至一个乘客和出租车需在乘客能接受的最短时间内到达作为约束条件；以包括乘客上车前的平均等待时间和所有乘客的总上车率的服务质量为评估指标建立目标函数，以所述等待时间最小、所有乘客的总上车率最大作为优化目标；
S3：根据所述城市道路之间的路径集和乘客与出租车的数量对城市的全局区域进行划分，得到多个子区域，将乘客从所述全局区域分配到划分出的所述子区域；
S4：采用遗传算法分别并行的对各所述子区域内的所述乘客与出租车匹配方案进行服务质量评估，并以既能满足所述优化目标又能满足所述约束条件的匹配方案作为所述子区域最终的局部车辆调度方案；
S5：以各子区域最终的局部车辆调度方案为全局区域的当前车辆调度方案，通过重新分配临界区域的乘客计算全局区域匹配方案的服务质量，得到全局区域的车辆调度方案。
进一步地，步骤S3还包括步骤：
S31：在相邻子区域之间以预设概率划分出临界区域；
S32：将各所述子区域内的乘客保留在原先所述子区域内，将处于临界区域内的乘客预设概率分配到所述子区域的相邻子区域内。
进一步地，步骤S4包括步骤：
S41：以所述子区域内的所有所述乘客与出租车匹配方案为种群，一个匹配方案为染色体，对所述种群进行初始化；并对初始化后的染色体进行编码；
S42：对编码后的染色体进行交叉和变异，得到重组染色体；
S43：对种群中每个染色体和重组染色体进行服务质量评估，采用轮盘赌的方法进行选择，以满足所述优化目标的染色体作为当前最佳个体；
S44：将所述当前最佳个体加入种群，循环操作步骤S42-S43，直到当前最佳个体收敛为定值时，将所述当前最佳个体作为最终的车辆调度方案。
进一步地，步骤S42还包括：
检查已经交叉重组的配对染色体；
若重组的染色体有基因在交叉之前和交叉之后的基因型相同，则将所述基因与这对染色体中的另一条染色体中位于同一位置上的基因进行交换；
检查已经变异重组的配对染色体；
若变异的基因已经存在于这条染色体中，则将变异前的基因与重复基因进行位置交换。
进一步地，所述平均等待时间为所有乘客在分配到出租车的情况下乘客的等待时间的总和与所有乘客的等待时间的总和；其中计算公式为：
Figure GDA0003513368390000041
Figure GDA0003513368390000042
wj＝E(j,i)，如果出租车i计划去接乘客j
其中yj表示乘客j是否被分配到一辆出租车，ωj表示乘客j的等待时间，Np表示乘客的人数。
进一步地，所述总上车率由当前上车率和预测上车率两部分组成；其中，当前上车率是分配到出租车的乘客数量与区域内所有乘客的人数的比值，其计算公式为：
Figure GDA0003513368390000043
将一个调度周期分成若干个时隙，每个时隙表示一个匹配时间窗口，当前匹配期间内没有得到服务的乘客，仍有机会在下一个时间窗口得到服务，根据接送其余乘客的可能性来定义预测上车率，其计算公式为：
Figure GDA0003513368390000051
Tt(j)＝Tr(j)·D(j)
Figure GDA0003513368390000052
表示yj的翻转，Tt(j)表示乘客j可容忍的等待时间，max(Tt(j))表示乘客j最高容忍等待时间，第t时间窗口由Wt表示，Pr,c为当前上车率，Pr,p为预测上车率。
进一步地，构建的所述目标函数的表达式为：
fQoS(Tw,Pr,c,Pr,p)＝w1·Tw+w2·Pr,c+w3·Pr,p
w1+w2+w3＝1
其中，所述fQoS为服务质量，w1、w2、w3分别为加权值。
进一步地，为平衡平均等待时间和总上车率，在步骤S5之前，步骤S4之后，对所述平均等待时间进行归一化处理。
进一步地，对采用单调递减函数对所述平均等待时间进行归一化处理。
进一步地，步骤S5具体包括：
S51：获取各子区域最终的局部车辆调度方案，以各子区域最终的局部车辆调度方案为全局区域当前车辆调度方案；
S52：对所述当前车辆调度方案进行评估并记录评估值；
S53：重新分配临界区域的乘客，得到新的车辆调度方案，比较当前车辆调度方案和新的车辆调度方案服务质量的评估值大小，以评估值大者作为当前车辆调度方案；
S54：重复步骤S52和S53，直到服务质量评估值收敛为定值时的车辆调度方案为全局区域的最终车辆调度方案。
本发明实施例具有如下优点：
本发明实施例1公开的一种基于区域划分并行遗传算法的车辆调度方法，将获取的城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率等参数信息作为建立乘客和出租车的分配关系的数学模型，量化计算车辆调度方法；采用了分治策略来减少数据的维度，根据出租车和乘客的地理位置，将问题分成若干子问题，对每个子问题使用提出的算法以并行的方式进行解决。考虑了当前广泛应用的贪心算法可能会限制系统提供的服务质量的问题，将乘客的上车率以及平均等待时间作为服务质量标准，采用遗传算法将出租车匹配问题定义为全局优化的问题，解决了现有技术中车辆调度效率较低、全局性较差的问题。
进一步地，本发明提出的一种基于区域划分并行遗传算法的车辆调度方法没有以不相交的方式处理所有分割的子区域，而是以概率的方式定义边界关键区域来共享来自不同领域子区域的出租车。该发明保证了全局有效性，有效地提高了算法的效率。
进一步地，本发明公开的基于区域划分策略的并行遗传算法使用并行的遗传算法来优化出租车的分配方案。针对于传统的遗传算法，提出了新的操作，包括初始化、变异和交叉。相比传统的贪心算法可能得到局部最优解的结果，本发明使用的遗传算法基于全局进行优化，最终得到全局最优解，可以大大提高出租车系统的服务质量。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例1提供的一种基于区域划分并行遗传算法的车辆调度方法的流程框图；
图2为本发明实施例1采用主从并行计算策略的主从机工作流程图；
图3为本发明实施例1提供的等距双曲函数曲线图在第一象限的曲线图；
图4为本发明实施例1提供的城市全局区域划分为子区域的优选划分示意图；
图5(a)为本发明实施例提供的基因交换示意图；
图5(b)给出了一个内部变异的示例；
图5(c)给出了一个外部变异的示例。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
参见图1本发明实施例1提供的一种基于区域划分并行遗传算法的车辆调度方法的流程框图，包括步骤：
S1：获取整个城市中的乘客和出租车的参数信息；所述参数信息包括：城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率；
S2：根据所述参数信息为所述乘客和出租车的分配关系建立数学模型；以出租车单次只能分配至一个乘客和出租车需在乘客能接受的最短时间内到达作为约束条件；以包括乘客上车前的平均等待时间和所有乘客的总上车率的服务质量为评估指标建立目标函数，以所述等待时间最小、所有乘客的总上车率最大作为优化目标；
S3：根据所述城市道路之间的路径集和乘客与出租车的数量对城市的全局区域进行划分，得到多个子区域，将乘客从所述全局区域分配到划分出的所述子区域；
S4：采用遗传算法分别并行的对各所述子区域内的所述乘客与出租车匹配方案进行服务质量评估，并以既能满足所述优化目标又能满足所述约束条件的匹配方案作为所述子区域最终的局部车辆调度方案；
S5：以各子区域最终的局部车辆调度方案为全局区域的当前车辆调度方案，通过重新分配临界区域的乘客计算全局区域匹配方案的服务质量，得到全局区域的车辆调度方案。
本发明实施例1提供的一种基于区域划分并行遗传算法的车辆调度方法运行于服务器、PC或者终端设备上。参见图2，为本发明实施例1采用主从并行计算策略的主从机工作流程图。采用主从并行计算的策略，将城市的全局区域划分为多个子区域，每一个子区域为一个子问题，分别分配一个核来处理子问题，主机负责一些预处理工作，包括读取数据，将乘客分配到子区域，传递以及接收从服务器的数据等。服务器从主机接收必要的信息，执行本发明所提出的遗传算法，包括对种群的初始化(gen＝1)，然后对初始种群中的个体进行选择、交叉和变异操作，得到新的个体加入种群，对加入新个体后的种群的每个染色体个体的适应度进行计算，即对染色体个体的目标函数进行计算，得到每个染色体的适应度，然后采用精英策略对染色体进行筛选到下一代的遗传计算，直到收敛终止条件，找到适应度最强的那个染色体作为子区域的局部结果，也即局部区域的乘客和出租车调度方案。找到自己的局部最优匹配序列，并将本地区域的结果返回给主机。主机计算全局的服务质量评估函数并确定全局最佳方案。与此同时，主机重新分配临界区域的乘客，以加强相邻子区域之间的交流，通过遗传算法协同解决各个子区域的问题。通过以上区域并行的遗传算法，在用于解决出租车系统的服务问题上，具有较高的执行速度、解决质量和可扩展性。
本发明实施例1本发明的目的是解决出租车-乘客的匹配问题，该问题可以表示为模型TPM。TPM是一种优化组合问题，可以定义为(PS,F,Ω)，PS是该问题的所有解，F是目标函数，Ω是约束条件。目标是找到一个合适的解，使得满足约束条件的同时最优化F。为了实现上述目的，本发明实施例通过获取的乘客和出租车的参数信息，对所述乘客和出租车的分配关系建立数学模型，来量化乘客和出租车的分配关系，使得计算过程更加方便，匹配结果更加快速、高效。
上述参数信息包括乘客与出租车之间的无向图、城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率。本发明使用一个无向图G＝(V,E)来表示出租车-乘客网络。顶点集V＝{v1,v2,…,vM}表示乘客上下出租车的位置，其中M表示潜在位置的数量。边缘设置E是常用的城市道路位置之间的设置。给定一个区域里有Np乘客和Nt出租车，问题描述为在以下两个条件下将出租车分配给乘客：a)出租车一次只能满足一个乘客的需求；b)出租车能够在乘客可以接受的等待时间内到达，才将该出租车分配给该乘客。本发明考虑的分配目的是服务质量的最大化。此外，本发明假设所有的出租车都以相同的平均速度运行，因此距离和时间遵循一个线性关系，本发明使用距离代替时间来计算平均等待时间。
本发明基于两个指标来定义服务质量：乘客上车前的等待时间和所有乘客的总上车率：
平均等待时间计算公式如下：
Figure GDA0003513368390000101
其中yj表示乘客j是否被分配到一辆出租车，wj表示乘客j的等待时间，Np表示乘客的人数。
Figure GDA0003513368390000102
wj＝E(j,i)，如果出租车i计划去接乘客j
Tw表示可以在短时间内为乘客提供服务，提高了系统的服务质量。上车率：为了量化上车率，本发明将一个调度周期分成若干个时隙，每个时隙表示一个匹配时间窗口(第t时间窗口由Wt表示)。上车率由当前上车率Pr,c和预测上车率Pr,p两部分组成。
RP＝Pr,c+Pr,p
当前上车率是乘客在运输期间获得的服务百分比，计算方法为：
Figure GDA0003513368390000103
对于在匹配期间Wt没有得到服务的乘客，仍有机会在下一个时间窗口得到服务。根据今后接送其余乘客的可能性来定义预测上车率：
Figure GDA0003513368390000104
Tt(j)＝Tr(j)·D(j)
Figure GDA0003513368390000111
表示yi的翻转，Tt(j)表示乘客j可容忍的等待时间，max(Tt(j))表示乘客j最高容忍等待时间，Tr(j)表示乘客j可忍受等待时间/订单距离得到的比率，D(j)表示乘客j发送的订单距离。乘客可以忍受的等待时间和乘客与出租车之间的距离成正比。随机生成的容忍率和乘客挂钩，表示其紧急程度。
考虑服务质量由平均等待时间和上车率组成，TPM的目标函数可以表示如下：
fQoS(Tw,Pr,c,Pr,p)＝w1·Tw+w2·Pr,c+w3·Pr,p
w1+w2+w3＝1
TPM的任务是从出租车T集合和乘客P集合中找到序列匹配从而最大程度的优化服务质量fQoS，w1、w2、w3分别为加权值。
需要说明的是，为平衡平均等待时间和总上车率，Tw,Pr,c,Pr,p在计算前已经归一化进行了归一化处理。此外，如图3所示，图3为本发明实施例1提供的等距双曲函数曲线图在第一象限的曲线图；在Tw上使用等距双曲函数，原因如下，首先目标是最小化平均等待函数和最大化上车率，需要使用单调递减函数来处理Tw；其次，Tw的数值很小(约为0～0.5)，为了增加Tw的分辨率，使用等距双曲函数来放大这个值。
Figure GDA0003513368390000112
构建好乘客和出租车的分配关系建立数学模型，以出租车单次只能分配至一个乘客和出租车需在乘客能接受的最短时间内到达作为约束条件；以包括乘客上车前的平均等待时间和所有乘客的总上车率的服务质量为评估指标建立目标函数，以所述等待时间最小、所有乘客的总上车率最大作为优化目标。便可以对采用遗传算法分别并行的对各所述子区域内的所述乘客与出租车匹配方案进行服务质量评估，并以既能满足所述优化目标又能满足所述约束条件的匹配方案作为所述子区域最终的局部车辆调度方案。但为了减小全局区域内采用遗传算法计算的计算成本，本发明中采用区域划分的方法将城市分割成不同的区域。参见图4，为本发明实施例1提供的城市全局区域划分为子区域的优选划分示意图。图中，A、B、C、D为全局区域的4个子区域，考虑到在部分区域的乘客，其所属区域不易区分，本发明在相邻的任意两个区域之间设置一个临界区域。临界区占总面积的比例为K，K的范围在0-1之间。位于临界区以外的乘客只属于他们所在的子区域，位于临界区内的乘客可以以概率的方式分配到相邻的子区域之一。例如在图3中，乘客i被分配到B区和D区的概率分别为pB和pD。根据这一策略，出租车不仅可以在各自的子区域为乘客服务，也可以在邻近的子区域边界搭载附近的乘客。
基于划分的子区域，本发明在经典的遗传算法的基础上，根据目标问题的特点，对其进行了简单有效的自适应处理，包括初始化、选择、交叉和变异等的修正。此外，在解决大规模TPM问题时，采用分治策略降维。
TPM涉及两个约束，传统的遗传算法是无效的，会在优化过程中产生大量无效解，因此需要设计能够检测和修正无效解的操作，具体的生成有效TPM解决方案的遗传算法步骤如下：
S41：以所述子区域内的所有所述乘客与出租车匹配方案为种群，一个匹配方案为染色体，对所述种群进行初始化；并对初始化后的染色体进行编码；
S42：对编码后的染色体进行交叉和变异，得到重组染色体；
S43：对种群中每个染色体和重组染色体进行服务质量评估，采用轮盘赌的方法进行选择，以满足所述优化目标的染色体作为当前最佳个体；
S44：将所述当前最佳个体加入种群，循环操作步骤S42-S43，直到当前最佳个体收敛为定值时，将所述当前最佳个体作为最终的车辆调度方案。
具体来说，包括如下步骤：
1)染色体结构：
本发明中，每个染色体x编码为一个n维向量x(x1,x2,…,xn)，其中n表示分配给乘客i的出租车个数。对于乘客i没有分配到出租车的情况，xi的值设为-1。根据约束，对于两个不同的乘客，例如p和q，如果他们被分配了出租车，则分配给他们的出租车编号是不同的，也就是xp≠xq。
2)种群初始化：
本发明提出的算法可以保证染色体在每个步骤中的有效性。通常，染色体是随机初始化的。本发明使用一个随机序列初始化每个染色体，混乱序列的染色体元素集合为{1,2,…,Nt}。为了引入精英策略，使用贪心算法初始化其中一个染色体，即使用距离每个乘客最近的出租车的编号来初始化染色体。由于乘客的数量大于出租车的数量，可能存在设置为-1的未被服务的乘客。
3)交叉和变异：
本发明使用带有重复检测机制的单点交叉操作应用于遗传算法。为了检查已经重组的配对染色体，本发明实施例还包括，检查已经交叉重组的配对染色体；
若重组的染色体有基因在交叉之前和交叉之后的基因型相同，则将所述基因与这对染色体中的另一条染色体中位于同一位置上的基因进行交换。如图5(a)所示，图5(a)为本发明实施例提供的基因交换示意图。举例来说，若有两段基因，分别为314258和2491076，在两段基因的第三个位置进行分成两部分，前部分的两段基因进行交叉，分别得到249258和3141076，由于交叉后的基因249258存在重合的部分，则将重合的那个基因因子对应位置的另一段基因上的因子进行交换，得到349258和2141076.
为了检查已经变异的配对染色体，本发明实施例还包括，检查已经变异重组的配对染色体；若变异的基因已经存在于这条染色体中，则将变异前的基因与重复基因进行位置交换。可以理解为在变异过程中也采用了重复检测机制，它与交叉机制略有不同，假设x基因变异为y基因，但是y基因已经存在于这条染色体中。在重复检测机制中，交换这两个基因的位置，称为内部突变。如果没有可用的基因，染色体上的变异通常是内部变异。如果染色体变异后没有重复基因，这种变异称为外部变异。图5(b)给出了一个内部变异的示例，图5(c)给出了一个外部变异的示例。
4)选择和精英策略：
本发明采用轮盘赌的方法对下一代个体进行选择，使用服务质量指标对每条染色体进行适应度评价。为了使PGA快速收敛，采用精英策略，将拥有最佳性能的个体记录为当前最佳个体。通过比较下一代个体和当前最佳个体，若下一代个体的适应度优于当前最佳个体，则将更好的个体更新为当前最佳个体，否则仍保持当前最佳个体。通过这种方式找到既能满足所述优化目标又能满足所述约束条件的匹配方案作为所述子区域最终的局部车辆调度方案，使种群保持向最优方向进化。
当采用分治策略的并行遗传算法计算出子区域最终的局部车辆调度方案后，计算全局分配方案的服务质量函数。通过重新分配临界区域的乘客计算全局区域匹配方案的服务质量，得到全局区域的车辆调度方案。如步骤S5所述，其具体的操作步骤如下：
S51：获取各子区域最终的局部车辆调度方案，以各子区域最终的局部车辆调度方案为全局区域当前车辆调度方案；
S52：对所述当前车辆调度方案进行评估并记录评估值；
S53：重新分配临界区域的乘客，得到新的车辆调度方案，比较当前车辆调度方案和新的车辆调度方案服务质量的评估值大小，以评估值大者作为当前车辆调度方案；
S54：重复步骤S52和S53，直到服务质量评估值收敛为定值时的车辆调度方案为全局区域的最终车辆调度方案。
本发明实施例具有如下优点：
本发明实施例1公开的一种基于区域划分并行遗传算法的车辆调度方法，将获取的城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率等参数信息作为建立乘客和出租车的分配关系的数学模型，量化计算车辆调度方法；采用了分治策略来减少数据的维度，根据出租车和乘客的地理位置，将问题分成若干子问题，对每个子问题使用提出的算法以并行的方式进行解决。考虑了当前广泛应用的贪心算法可能会限制系统提供的服务质量的问题，将乘客的上车率以及平均等待时间作为服务质量标准，，采用遗传算法将出租车匹配问题定义为全局优化的问题，解决了现有技术中车辆调度效率较低、全局性较差的问题。
进一步地，本发明提出的一种基于区域划分并行遗传算法的车辆调度方法没有以不相交的方式处理所有分割的子区域，而是以概率的方式定义边界关键区域来共享来自不同领域子区域的出租车。该发明保证了全局有效性，有效地提高了算法的效率。
进一步地，本发明公开的基于区域划分策略的并行遗传算法使用并行的遗传算法来优化出租车的分配方案。针对于传统的遗传算法，提出了新的操作，包括初始化、变异和交叉。相比传统的贪心算法可能得到局部最优解的结果，本发明使用的遗传算法基于全局进行优化，最终得到全局最优解，可以大大提高出租车系统的服务质量。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (6)

1.一种基于区域划分并行遗传算法的车辆调度方法，其特征在于，包括步骤：
S1：获取整个城市中的乘客和出租车的参数信息；所述参数信息包括：城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率；
S2：根据所述参数信息为所述乘客和出租车的分配关系建立数学模型；以出租车单次只能分配至一个乘客和出租车需在乘客能接受的最短时间内到达作为约束条件；以包括乘客上车前的平均等待时间和所有乘客的总上车率的服务质量为评估指标建立目标函数，以所述平均等待时间最小、所有乘客的总上车率最大作为优化目标；
S3：根据所述城市道路之间的路径集和乘客与出租车的数量对城市的全局区域进行划分，得到多个子区域，将乘客从所述全局区域分配到划分出的所述子区域；
步骤S3还包括步骤：
S31：在相邻子区域之间以预设概率划分出临界区域；
S32：将各所述子区域内的乘客保留在原先所述子区域内，将处于临界区域内的乘客预设概率分配到所述子区域的相邻子区域内；
S4：采用遗传算法分别并行的对各所述子区域内的所述乘客与出租车匹配方案进行服务质量评估，并以既能满足所述优化目标又能满足所述约束条件的匹配方案作为所述子区域最终的局部车辆调度方案；
S5：以各子区域最终的局部车辆调度方案为全局区域的当前车辆调度方案，通过重新分配临界区域的乘客计算全局区域匹配方案的服务质量，得到全局区域的车辆调度方案；
步骤S5具体包括：
S51：获取各子区域最终的局部车辆调度方案，以各子区域最终的局部车辆调度方案为全局区域当前车辆调度方案；
S52：对所述当前车辆调度方案进行评估并记录评估值；
S53：重新分配临界区域的乘客，得到新的车辆调度方案，比较当前车辆调度方案和新的车辆调度方案服务质量的评估值大小，以评估值大者作为当前车辆调度方案；
S54：重复步骤S52和S53，直到服务质量评估值收敛为定值时的车辆调度方案为全局区域的最终车辆调度方案；
所述平均等待时间为所有乘客在分配到出租车的情况下乘客的等待时间的总和与所有乘客的等待时间的总和的比值；其数学表达公式为：
Figure FDA0003513368380000021
Figure FDA0003513368380000022
wj＝E(j,i)，如果出租车i计划去接乘客j
其中yj表示乘客j是否被分配到一辆出租车，ωj表示乘客j的等待时间，Np表示乘客的人数；
所述总上车率由当前上车率和预测上车率两部分组成；其中，当前上车率是分配到出租车的乘客数量与区域内所有乘客的人数的比值，其计算公式为：
Figure FDA0003513368380000023
将一个调度周期分成若干个时隙，每个时隙表示一个匹配时间窗口，当前匹配期间内没有得到服务的乘客，仍有机会在下一个时间窗口得到服务，根据接送其余乘客的可能性来定义预测上车率，其计算公式为：
Figure FDA0003513368380000024
Tt(j)＝Tr(j)·D(j)
Figure FDA0003513368380000031
表示yj的翻转，Tt(j)表示乘客j可容忍的等待时间，max(Tt(j))表示乘客j最高容忍等待时间，Tr(j)表示乘客j可忍受等待时间/订单距离得到的比率，D(j)表示乘客j发送的订单距离，第t时间窗口由Wt表示；Pr,c为当前上车率，Pr,p为预测上车率。
2.根据权利要求1所述的方法，其特征在于，步骤S4包括步骤：
S41：以所述子区域内的所有所述乘客与出租车匹配方案为种群，一个匹配方案为染色体，对所述种群进行初始化；并对初始化后的染色体进行编码；
S42：对编码后的染色体进行交叉和变异，得到重组染色体；
S43：对种群中每个染色体和重组染色体进行服务质量评估，采用轮盘赌的方法进行选择，以满足所述优化目标的染色体作为当前最佳个体；
S44：将所述当前最佳个体加入种群，循环操作步骤S42-S43，直到当前最佳个体收敛为定值时，将所述当前最佳个体作为所述子区域最终的局部车辆调度方案。
3.根据权利要求2所述的方法，其特征在于，步骤S42还包括：
检查已经交叉重组的配对染色体；
若重组的染色体有基因在交叉之前和交叉之后的基因型相同，则将所述基因与这对染色体中的另一条染色体中位于同一位置上的基因进行交换；
检查已经变异重组的配对染色体；
若变异的基因已经存在于这条染色体中，则将变异前的基因与重复基因进行位置交换。
4.根据权利要求1所述的方法，其特征在于，构建的所述目标函数的表达式为：
fQoS(Tw，Pr，c，Pr，p)＝w1·Tw+w2·Pr，c+w3·Pr，p
w1+w2+w3＝1
其中，所述fQoS为服务质量，w1、w2、w3分别为加权值。
5.根据权利要求1所述的方法，其特征在于，为平衡平均等待时间和总上车率，在步骤S5之前，步骤S4之后，对所述平均等待时间进行归一化处理。
6.根据权利要求5所述的方法，其特征在于，采用单调递减函数对所述平均等待时间进行归一化处理。
CN201911338350.8A 2019-12-23 2019-12-23 一种基于区域划分并行遗传算法的车辆调度方法 Active CN111191899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911338350.8A CN111191899B (zh) 2019-12-23 2019-12-23 一种基于区域划分并行遗传算法的车辆调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911338350.8A CN111191899B (zh) 2019-12-23 2019-12-23 一种基于区域划分并行遗传算法的车辆调度方法

Publications (2)

Publication Number Publication Date
CN111191899A CN111191899A (zh) 2020-05-22
CN111191899B true CN111191899B (zh) 2022-04-12

Family

ID=70707483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911338350.8A Active CN111191899B (zh) 2019-12-23 2019-12-23 一种基于区域划分并行遗传算法的车辆调度方法

Country Status (1)

Country Link
CN (1) CN111191899B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
SG10202010876RA (en) * 2020-11-02 2021-03-30 Grabtaxi Holdings Pte Ltd Processing apparatus and method for determining a measure of supply-demand balance for transport-related services
CN113642752A (zh) * 2021-08-24 2021-11-12 长沙理工大学 一种城市出租车同时运营数目确定方法和装置
CN115099569A (zh) * 2022-05-20 2022-09-23 华南理工大学 基于模糊逻辑控制器的乘客与出租车匹配方法
CN116824861B (zh) * 2023-08-24 2023-12-05 北京亦庄智能城市研究院集团有限公司 基于城市大脑平台多维数据的共享单车调度方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464005A (zh) * 2017-08-21 2017-12-12 中国人民解放军国防科技大学 一种用于车辆预约的拓展型路径规划方法
CN109657820A (zh) * 2018-10-23 2019-04-19 厦门大学 一种可预约的出租车匹配方法
CN110033177A (zh) * 2019-03-27 2019-07-19 温州大学 基于gps大数据的出租车高效益智能集体调度算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9702714B2 (en) * 2015-12-03 2017-07-11 International Business Machines Corporation Routing of vehicle for hire to dynamic pickup location
US20190026671A1 (en) * 2017-07-20 2019-01-24 DTA International FZCO Device, System, and Method for Optimizing Taxi Dispatch Requests

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464005A (zh) * 2017-08-21 2017-12-12 中国人民解放军国防科技大学 一种用于车辆预约的拓展型路径规划方法
CN109657820A (zh) * 2018-10-23 2019-04-19 厦门大学 一种可预约的出租车匹配方法
CN110033177A (zh) * 2019-03-27 2019-07-19 温州大学 基于gps大数据的出租车高效益智能集体调度算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
云自适应遗传算法有能力约束的车辆调度优化;蹇洁;《重庆大学学报》;20130831;第36卷(第8期);40-46 *
基于GPS数据的城市出租车出行需求研究;王芮;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170115(第01期);C034-397 *
基于网约车资源调度的可视化分析;赵继新等;《西部交通科技》;20190331(第3期);162-205 *

Also Published As

Publication number Publication date
CN111191899A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111191899B (zh) 一种基于区域划分并行遗传算法的车辆调度方法
Kılıç et al. A demand based route generation algorithm for public transit network design
CN105389975B (zh) 专车调度方法和装置
CN111340318B (zh) 一种车辆动态调度方法、装置及终端设备
CN110992123B (zh) 一种订单派发方法及装置
CN113347267B (zh) 一种移动边缘云计算网络中的mec服务器部署方法
CN117255368B (zh) 车载边缘服务器协同固定边缘服务器的边缘动态集成方法
CN110889738B (zh) 一种订单派发方法及装置
CN114742340B (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
Zheng et al. Supply-demand-aware deep reinforcement learning for dynamic fleet management
CN112949987B (zh) 基于预测的出租车调度和匹配方法、系统、设备及介质
CN108647910A (zh) 城市公交站点的设置方法、装置、终端及计算机存储介质
CN109978241A (zh) 一种电动汽车充电负荷的确定方法及装置
CN107833152A (zh) 一种配电网应急抢修资源多目标选址方法
CN112163754A (zh) 人员调度规划的方法、装置和计算机存储介质
Yang et al. Multi-objective memetic algorithm based on request prediction for dynamic pickup-and-delivery problems
CN116704783A (zh) 一种基于cim的公交站点与快速路出口优化布局方法和装置
CN115796414A (zh) 公交车辆配置与路径设计方法、装置及电子设备
CN112910693B (zh) 基于vnf并置影响分析的sfc部署方法
CN116321189A (zh) 一种面向边缘计算中基于深度强化学习的服务器部署方法
CN111581580B (zh) 一种基于可变邻域下降混合算法的轮渡服务网络优化方法
CN111222692B (zh) 有限信息情景下考虑到返程的可靠性离散选址方法
CN115767569A (zh) 业务预测方法和装置、电子设备及可读存储介质
Hu et al. An ant colony optimization based approach to adjust public transportation network

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