CN111967672B - 一种基于狮群进化算法的面向空间众包平台的路径规划方法 - Google Patents

Abstract

本发明公开一种基于改进狮群进化算法的面向空间众包平台的路径规划方法，包括如下步骤：1)获取空间众包平台接送任务的起止时间和起止位置信息以及工人的工作起止时间和起止位置信息；2)构建面向空间众包平台的路径规划模型；3)改进狮群进化算法的实现，并得到最佳路径规划方案。本发明能减少顾客的等待时间，提高工人工作效率，从而能实现空间众包平台和工人的双赢。

Description

一种基于狮群进化算法的面向空间众包平台的路径规划方法

技术领域

本发明涉及空间众包领域，具体的说是一种基于狮群进化算法的面向空间众包平台的路径规划方法。

背景技术

随着移动设备的普及和O2O商业模式的快速发展，传统的众包模式起始向空间众包模式转变，越来越多的空间众包平台起始融入日常生活中，例如滴滴出行、百度外卖、Uber等。其中，空间众包路径规划问题是空间众包的一项重要的研究内容，在诸如拼车和送餐等实际应用程序中，空间众包平台在进行任务分配时其实就是在给工人进行路径规划。面向空间众包工人进行路径规划时，需要考虑减少工人的无效行驶路程和时间成本，从而达到最小化服务成本的目的，实现空间众包平台和工人的双赢。

目前，空间众包路径规划问题，现存研究通常采用任务规划模型对应用场景进行建模，旨在一段时间内为每位空间众包工人分配多项众包任务并规划出执行这些任务的详细顺序与路径，其典型应用场景为物流派送类服务，如美团外卖、滴滴出行等。现有的研究大多以单目标优化为主，设置的目标多为降低工人差旅成本或提高任务分配的总效用等，进行多目标优化的研究相对较少，另外多工人多任务问题的研究相对较少，大多数研究提出了基于贪婪策略的求解方法以提高求解效率，但是几乎所有基于贪婪策略的解决方案都没有理论保证其有效性。

现有的求解空间众包工人路径规划问题的方法主要分为三大类，首先，有学者基于贪婪算法将满意度最高的工人与任务匹配，效率较高但是最优解难以找到；其次，精确算法也可用于求解工人路径规划问题，例如基于分支定界算法来求解，并设计一些修剪策略提高运算效率，但求解较困难，求解效率慢；另外，智能优化算法利用自然界中的事物与优化过程中所具有的某些相似性而进行搜索，相对于传统的优化算法，在求解速度等方向更具优势，但同时也存在容易陷入局部最优等缺点。

目前用于求解空间众包工人路径规划问题的智能优化算法有禁忌搜索算法、粒子群算法、蚁群算法、遗传算法等。禁忌搜索算法可以利用禁忌表中的信息不再或有选择地搜索这些点，以跳出局部最优，但对于初始解具有较强的依懒性；粒子群算法求解效率较高，需要调整的参数少，结构简单，但容易陷入局部最优；蚁群算法具有很强的发现较好解的能力，但同样容易陷入局部最优，遗传算法直接以设定的目标函数为依据进行搜索，但容易早熟；狮群进化算法作为智能优化算法的一种，同样存在容易陷入局部最优的缺点。

发明内容

本发明为克服现有技术中的不足之处，提供一种基于狮群进化算法的面向空间众包平台的路径规划方法，以期能减少顾客的等待时间，提高工人工作效率，从而能实现空间众包平台和工人的双赢。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于狮群进化算法的面向空间众包平台的路径规划方法，其特点是应用于由1个空间众包平台将a个接送任务派单给b个工人的网络环境中，并按如下步骤进行：

步骤1、所述空间众包平台按照接送任务和工人的达到顺序依次将a个接送任务和b个工人进行编号，记为任务编号集合A＝{1,2,...,i,...a}和工人编号集合B＝{1,2,...,j,...b}；

所述空间众包平台获取a个接送任务的任务接取位置集合和任务完成位置集合，分别记为{Ms₁,Ms₂,...,Ms_i,...,Ms_a}，{Md₁,Md₂,...,Md_i,...,Md_a}，其中，Ms_i表示第i个接送任务的任务接取位置，Md_i表示第i个接送任务的任务完成位置，i∈A；

所述空间众包平台获取a个接送任务的接送任务起始时间集合和终止时间集合，分别记为{Me₁,Me₂,...,Me_i,...,Me_a}，{Mn₁,Mn₂,...,Mn_i,...,Mn_a}，其中，Me_i表示第i个接送任务的起始时间，Mn_i表示第i个接送任务的终止时间；

所述空间众包平台获取b个工人的工作起始位置集合和工作终止位置集合，分别记为{Ls₁,Ls₂,...,Ls_j,...,Ls_b}，{Ld₁,Ld₂,...,Ld_j,...,Ld_b}，其中，Ls_j表示第j个工人的工作起始位置，Ld_j表示第j个工人的工作终止位置，j∈B；

所述空间众包平台获取b个工人的工作起始时间集合和终止时间集合，分别记为{Le₁,Le₂,...,Le_j,...,Le_b}，{Ln₁,Ln₂,...,Ln_j,...,Ln_b}，Le_j表示第j个工人的工作起始时间，Ln_j表示第j个工人的工作终止时间，j∈B；

步骤2、构建面向空间众包平台的路径规划模型：

利用式(1)建立面向空间众包平台的路径规划模型：

式(1)表示差旅成本和时间成本最小的目标函数；

式(1)中，D表示工人行驶单位距离的成本；Ts_ji表示第j个工人从其工作起始位置Ls_j到第i个接送任务的接取位置Ms_i的距离；Tm_jik表示第j个工人从当前第i个接送任务完成位置Md_i或第i个接送任务接取位置Ms_i到第k个接送任务接取位置Ms_k的距离；k∈A,k≠i；Te_ji表示第j个工人从其最后第i个接送任务完成位置Md_i到第j个工人的工作终止位置Ld_j的距离；hs_i表示工人到达第i个接送任务接取位置的时间；he_j表示第j个工人到达工作终止位置的时间；x_ji表示第j个工人是否最先接取到第i个接送任务，当x_ji＝1时，表示第j个工人最先接取到第i个接送任务，当x_ji＝0时，表示第j个工人未最先接取到第i个接送任务；y_jik表示第j个工人是否在接取到或完成第i个接送任务后前往第k个接送任务接取位置，当y_jik＝1时，表示第j个工人在接取到或完成第i个接送任务后前往第k个接送任务接取位置，当y_jik＝0时，表示第j个工人未在接取到或完成第i个接送任务后前往第k个接送任务接取位置；z_ji表示第j个工人是否最后接取到第i个接送任务，当z_ji＝1时，表示第j个工人最后接取到第i个接送任务，当z_ji＝0时，表示第j个工人未最后接取到第i个接送任务；pt_i(hs_i)表示工人到达第i个接送任务接取位置时产生的时间惩罚成本，并通过式(2)得到；pw_j(he_j)表示第j个工人到达工作终止位置时产生的时间惩罚成本，并通过式(3)得到；

式(2)表示工人到达任务接取点时的时间惩罚成本；

式(3)表示工人到达工作终止点时的时间惩罚成本；

式(2)和式(3)中，Tc表示客户的忍耐时间；pt表示在客户的忍耐时间内，施加的时间惩罚量；pc表示超过了客户的忍耐时间，增加的额外时间惩罚；

利用式(4)-式(8)建立所述路径规划模型的约束条件：

x_ji,y_jik,z_ji∈{0,1}i,k∈A,j∈B,k≠i (4)

式(4)表示决策变量x_ji,y_jik,z_ji为0-1变量；

式(5)表示一项接送任务只需要一位工人来完成，但一位工人能接取并完成多项接送任务；

式(6)表示有任务容量的限制，工人接取的任务量不能超过额定容量；

式(7)表示工人到达第k个接送任务接取点的时间的计算公式；

式(8)表示第j个工人到达工作终止点的时间的计算公式；

式(4)-式(8)中，r_i表示第i个接送任务的需求量；R表示工人的额定接送任务容量；Tt_ii表示工作者从第i个任务接取位置Ms_i到第i个任务完成位置Md_i的距离；Q表示工人接取的任务集合；H表示是接取还是完成第i个接送任务后去往第k个接送任务接取位置，当H＝1时，表示接取第i个接送任务后去往第k个接送任务接取位置，当H＝0时，表示完成第i个接送任务后去往第k个接送任务接取位置；s表示工人在工作过程中的行驶速度；

步骤3、基于狮群进化算法求解面向空间众包平台的路径规划模型：

步骤3.1、狮群进化算法的参数初始化：

步骤3.1.1、设置狮群进化算法的种群迭代的最大次数为V、设置狮群进化算法的时间惩罚成本为timeCost、设置狮群进化算法的路程惩罚成本为distCost、设置狮群进化算法的目标适应度值为

步骤3.1.2、初始化领地狮群和流浪狮群：

定义当前迭代次数为t，并初始化t＝0；

设置由雄狮群和雌狮群构成的领地狮群规模为U，并且领地狮群由F个群落组成，每个群落有自己的领地，设置雄狮的比例为μ，设置驱逐率为η，则每个群落中的雄狮个数为

其余为雌狮；设置流浪雄狮群中的流浪雄狮个数为λ；

步骤3.1.3、当迭代次数t≥1，更新领地狮群：

将幼狮群加入领地狮群中，将领地狮群中的狮群个体按照适应度从大到小的顺序对领地狮群中的狮群个体进行排序，保留前U个狮群个体构成领地狮群，并且领地狮群由F个群落组成，每个群落有自己的领地，每个群落中的雄狮个数为

其余为雌狮；

步骤3.2、狮群进化算法的狮群个体的染色体编码：

定义工人的工作起始位置、工作终止位置、接取任务的任务接取位置和任务完成位置分别对应染色体上的各个基因；完成一项接送任务后，依次经过接送任务的任务接取位置与任务完成位置并作为连续的两位基因；一位工人的一次工作周期是从工作起始位置出发，并依次经过接送任务的任务接取位置与任务完成位置后，最后到达工作终止位置从而终止本次工作周期，将工人的一次工作周期依次经过的各个位置作为一段基因片段，所有工人的各个基因片段构成一种路径规划方案；

设置狮群个体集合为P＝{P₁,P₂,...,P_f,...P_U}，P_f表示任意第f个狮群个体，并且作为第f种路径规划方案；

通过自然数编码方式对狮群个体P_f所对应的染色体进行编码；

将工人的工作起始位置和工作终止位置所对应在染色体上的基因映射为“0”，将接送任务的任务接取位置和任务完成位置依次映射为连续的两个正整数，且正整数中前奇后偶；

步骤3.3、狮群进化算法的狮王竞争行为：

根据式(1)计算第t次迭代中F个群落中所有狮群个体的适应度fit^t，并按照适应度fit^t从大到小的顺序对第t次迭代中F个群落中狮群个体分别进行排序，选取前μ的狮群个体作为第t次迭代中每个群落中的狮王，狮王的个数为

步骤3.4、狮群进化算法的狮群繁衍行为：

步骤3.4.1、选取进行繁衍的雄狮和雌狮：

当t＝0时，选取所有群落的狮王构成繁衍雄狮群，选取所有群落的雌狮构成繁衍雄狮群；

当t≥1时，选取第t次迭代中所有群落的狮王构成繁衍雄狮群，将第t次迭代中幼狮群和雌狮群组合在一起构成第t次迭代中待选雌狮群，将第t次迭代中待选雌狮群中的狮群个体按照第t次迭代的差异度从大到小的顺序排序，优先选取与狮王差异度高的狮群个体加入第t次迭代中繁衍雌狮群，各群落选取前

个狮群个体后，再从第t次迭代中待选雌狮群中随机选取

个狮群个体加入第t次迭代中繁衍雌狮群；

步骤3.4.2、交叉操作：

各群落从第t次迭代中繁衍雄狮群和第t次迭代中繁衍雌狮群中随机选取一对狮群个体，二者进行交叉操作产生第t次迭代中幼狮群；

步骤3.4.3、第t次迭代中幼狮群进行变异操作；

步骤3.5、狮群进化算法的驱逐行为：

根据式(1)计算第t次迭代中幼狮群中所有狮群个体的适应度fit^t，并按照适应度fit^t从大到小的顺序对第t次迭代中群落幼狮群中的狮群个体进行排序，将前ηλ个狮群个体作为第t次迭代中成熟的雄狮驱逐出群落，并加入第t次迭代中的流浪狮群；

步骤3.6、狮群进化算法的领土争夺和领土接管行为：

设置触发领土争夺行为的概率为Pr，从所述第t次迭代中雄狮群中随机选取

个狮群个体，并设置一个随机数为Ps，且取值范围为0到1；

步骤3.6.1、若Pr＞Ps，则触发领地争夺行为，从第t次迭代中的流浪雄狮群和被选取的

个狮群个体中分别随机选取一个狮群个体，比较二者的适应度的大小的，如果第t次迭代中所选取的流浪雄狮适应度大于被选取的领地雄狮，则领土争夺成功，由相应的流浪雄狮替换相应的领地雄狮并加入到第t次迭代中雄狮群中，如果适应度小于的话，则不做改变；

步骤3.6.2、若Pr≤Ps，则触发领地接管行为，将第t次迭代中幼狮群个体按适应度fit^t的大小从大到小排序，并从第t次迭代中幼狮群中选取适应度最大的狮群个体，再从被选取的

个狮群个体中随机选取一个狮群个体，比较二者的适应度的大小，如果第t次迭代中所选取的幼狮适应度大于或等于所选取的领地雄狮，则领土接管成功，并由相应幼狮替换相应的领地雄狮，如果适应度小于的话，则不做改变；

步骤3.7将t+1赋值给t后，若t<V，则返回至步骤3.1.3；若t≥V，选取第t次迭代的种群中适应度最高的个体作为面向工人的空间众包路径规划的最佳路径规划方案。

本发明所述的基于狮群进化算法的面向空间众包平台的路径规划方法的特点也在于，所述步骤3.4中的差异度计算是按如下过程进行：

假设染色体集合为G＝{G1,G2,...,Gu,...Gw}，其中，Gu表示第u个染色体；

利用式(9)得到第u个染色体Gu与第w个染色体Gw的差异度为δ(Gu,Gw)：

式(9)中，Gu_i表示第u个染色体Gu的第i个基因位上的值；Gw_i表示第w个染色体Gw的第i个基因位上的值；||Gu_i-Gw_i||表示Gu和Gw两个染色体的第i个基因位上的差异度，并有：

所述步骤3.4.2中的交叉操作是按如下过程进行：

各群落从第t次迭代中繁衍雄狮群和第t次迭代中繁衍雌狮群中随机选取一对狮群个体，将所述一对狮群个体的染色体作为两条父代染色体，先在一条父代染色体上随机选取一位工人的一次工作周期所对应一段基因片段，将相应的基因片段的起始点和终止点作为基因交叉点；根据所述基因交叉点将相应父代染色体中所选取的工人的一次工作周期所对应一段基因片段直接遗传到子代染色体中；

将另一条父代染色体中除遗传给子代染色体中的基因片段以外的剩余基因依次填充至子代染色体的空余基因位中，从而形成一条子代染色体；

同理获得另一条子代染色体；两条子代染色体对应产生的两个幼狮个体，即为两种新的路径规划方案。

所述步骤3.4.3中的变异操作是按如下过程进行：

从第t次迭代中幼狮群中随机选取一个狮群个体，将相应的狮群个体的染色体记为原染色体，将变异后的狮群个体的染色体记为新染色体；

先在原染色体中随机选取一位工人完成一项接送任务所对应的两位连续非零基因，再随机选取另一位工人完成一项接送任务所对应的两位连续非零基因，并交换二者的位置，原染色体中的剩余基因保持不变，从而形成一条新染色体，新染色体对应变异后的狮群个体，即一种新的路径规划方案。

与已有技术相比，本发明的有益效果体现在：

1、本发明首次将狮群进化算法应用于空间众路径规划问题中，面向空间众包平台考虑现实中工人和任务的匹配标准，根据工人与任务的时空信息，构建面向空间众包平台的路径规划模型，寻找使得工人的差旅成本和时间成本最小的全局路径规划方案，从而提高了工人的工作效率，减少了顾客的等待时间。

2、本发明为了求解构建的空间众包路径规划模型，创新性地设计了相应的染色体编码机制、交叉操作、变异操作，使算法能够应用于求解多工人与多任务的路径规划问题，更符合现实世界中的应用场景。

3、本发明对狮群进化算法中的种群智能行为进行改进，引入了差异度计算公式，加入驱逐行为，流浪狮群的个体从其他狮群中抽取，更符合自然界中流浪狮群的来源方式，有利于避免算法陷入局部最优，从而提高了算法的运行效率和求解精度，进而提高了算法的可用性和有效性。

附图说明

图1为本发明狮群进化算法的流程图；

图2为本发明狮群进化算法中染色体编码方式的示意图；

图3为本发明狮群进化算法交叉操作示意图；

图4为本发明狮群进化算法变异操作示意图。

具体实施方式

本实施例中，一种基于狮群进化算法的面向空间众包平台的路径规划方法是面向空间众包平台，结合现实生活中的应用场景，考虑到工人和接送任务的起止时间和起止位置信息，寻找使得工人的差旅成本和时间成本最小的全局最优路径规划方案。具体的说，是应用于由1个空间众包平台将a个接送任务派单给b个工人的网络环境中，并按如下步骤进行：

步骤1、空间众包平台按照接送任务和工人的达到顺序依次将a个接送任务和b个工人进行编号，记为任务编号集合A＝{1,2,...,i,...a}和工人编号集合B＝{1,2,...,j,...b}；

空间众包平台获取a个接送任务的任务接取位置集合和任务完成位置集合，分别记为{Ms₁,Ms₂,...,Ms_i,...,Ms_a}，{Md₁,Md₂,...,Md_i,...,Md_a}，其中，Ms_i表示第i个接送任务的任务接取位置，Md_i表示第i个接送任务的任务完成位置，i∈A；

空间众包平台获取a个接送任务的接送任务起始时间集合和终止时间集合，分别记为{Me₁,Me₂,...,Me_i,...,Me_a}，{Mn₁,Mn₂,...,Mn_i,...,Mn_a}，其中，Me_i表示第i个接送任务的起始时间，Mn_i表示第i个接送任务的终止时间；

空间众包平台获取b个工人的工作起始位置集合和工作终止位置集合，分别记为{Ls₁,Ls₂,...,Ls_j,...,Ls_b}，{Ld₁,Ld₂,...,Ld_j,...,Ld_b}，其中，Ls_j表示第j个工人的工作起始位置，Ld_j表示第j个工人的工作终止位置，j∈B；

空间众包平台获取b个工人的工作起始时间集合和终止时间集合，分别记为{Le₁,Le₂,...,Le_j,...,Le_b}，{Ln₁,Ln₂,...,Ln_j,...,Ln_b}，Le_j表示第j个工人的工作起始时间，Ln_j表示第j个工人的工作终止时间，j∈B；

步骤2、利用式(1)建立面向空间众包平台的路径规划模型：

式(1)表示差旅成本和时间成本最小的目标函数；

式(1)中，D表示工人行驶单位距离的成本；Ts_ji表示第j个工人从其工作起始位置Ls_j到第i个接送任务的接取位置Ms_i的距离；Tm_jik表示第j个工人从当前第i个接送任务完成位置Md_i或第i个接送任务接取位置Ms_i到第k个接送任务接取位置Ms_k的距离；k∈A,k≠i；Te_ji表示第j个工人从其最后第i个接送任务完成位置Md_i到第j个工人的工作终止位置Ld_j的距离；hs_i表示工人到达第i个接送任务接取位置的时间；he_j表示第j个工人到达工作终止位置的时间；x_ji表示第j个工人是否最先接取到第i个接送任务，当x_ji＝1时，表示第j个工人最先接取到第i个接送任务，当x_ji＝0时，表示第j个工人未最先接取到第i个接送任务；y_jik表示第j个工人是否在接取到或完成第i个接送任务后前往第k个接送任务接取位置，当y_jik＝1时，表示第j个工人在接取到或完成第i个接送任务后前往第k个接送任务接取位置，当y_jik＝0时，表示第j个工人未在接取到或完成第i个接送任务后前往第k个接送任务接取位置；z_ji表示第j个工人是否最后接取到第i个接送任务，当z_ji＝1时，表示第j个工人最后接取到第i个接送任务，当z_ji＝0时，表示第j个工人未最后接取到第i个接送任务；pt_i(hs_i)表示工人到达第i个接送任务接取位置时产生的时间惩罚成本，并通过式(2)得到；pw_j(he_j)表示第j个工人到达工作终止位置时产生的时间惩罚成本，并通过式(3)得到；

式(2)表示工人到达任务接取点时的时间惩罚成本；

式(3)表示工人到达工作终止点时的时间惩罚成本；

式(2)和式(3)中，Tc表示客户的忍耐时间；pt表示在客户的忍耐时间内，施加的时间惩罚量；pc表示超过了客户的忍耐时间，增加的额外时间惩罚；

利用式(4)-式(8)建立路径规划模型的约束条件：

x_ji,y_jik,z_ji∈{0,1}i,k∈A,j∈B,k≠i (4)

式(4)表示决策变量x_ji,y_jik,z_ji为0-1变量；

式(5)表示一项接送任务只需要一位工人来完成，但一位工人能接取并完成多项接送任务；

式(6)表示有任务容量的限制，工人接取的任务量不能超过额定容量；

式(7)表示工人到达第k个接送任务接取点的时间的计算公式；

式(8)表示第j个工人到达工作终止点的时间的计算公式；

式(4)-式(8)中，r_i表示第i个接送任务的需求量；R表示工人的额定接送任务容量；Tt_ii表示工作者从第i个任务接取位置Ms_i到第i个任务完成位置Md_i的距离；Q表示工人接取的任务集合；H表示是接取还是完成第i个接送任务后去往第k个接送任务接取位置，当H＝1时，表示接取第i个接送任务后去往第k个接送任务接取位置，当H＝0时，表示完成第i个接送任务后去往第k个接送任务接取位置；s表示工人在工作过程中的行驶速度；

步骤3、基于狮群进化算法求解面向空间众包平台的路径规划模型，狮群进化算法是一种智能优化算法，本发明主要对狮群进化算法进行局部搜索优化，改善其容易陷入局部最优的问题，从而使得狮群进化算法能够更好地求解面向空间众包平台的路径规划问题，如图1所示，狮群进化算法将按如下步骤进行：

步骤3.1、狮群进化算法的参数初始化：

步骤3.1.1、设置狮群进化算法的种群迭代的最大次数为V、设置狮群进化算法的时间惩罚成本为timeCost、设置狮群进化算法的路程惩罚成本为distCost、设置狮群进化算法的目标适应度值为

步骤3.1.2、初始化领地狮群和流浪狮群：

定义当前迭代次数为t，并初始化t＝0；

设置由雄狮群和雌狮群构成的领地狮群规模为U，并且领地狮群由F个群落组成，每个群落有自己的领地，设置雄狮的比例为μ，设置驱逐率为η，则每个群落中的雄狮个数为

其余为雌狮；设置流浪雄狮群中的流浪雄狮个数为λ；

步骤3.1.3、当迭代次数t≥1，更新领地狮群：

将幼狮群加入领地狮群中，将领地狮群中的狮群个体按照适应度从大到小的顺序对领地狮群中的狮群个体进行排序，保留前U个狮群个体构成领地狮群，并且领地狮群由F个群落组成，每个群落有自己的领地，每个群落中的雄狮个数为

其余为雌狮；

步骤3.2、狮群进化算法的狮群个体的染色体编码：

定义工人的工作起始位置、工作终止位置、接取任务的任务接取位置和任务完成位置分别对应染色体上的各个基因；完成一项接送任务后，依次经过接送任务的任务接取位置与任务完成位置并作为连续的两位基因；一位工人的一次工作周期是从工作起始位置出发，并依次经过接送任务的任务接取位置与任务完成位置后，最后到达工作终止位置从而终止本次工作周期，将工人的一次工作周期依次经过的各个位置作为一段基因片段，所有工人的各个基因片段构成一种路径规划方案；

设置狮群个体集合为P＝{P₁,P₂,...,P_f,...P_U}，P_f表示任意第f个狮群个体，并且作为第f种路径规划方案；

面向空间众包平台的路径规划问题可规约到基于次序的组合优化问题，通过自然数编码方式对狮群个体P_f所对应的染色体进行编码；

对于面向空间众包平台的路径规划问题，考虑到工人完成一项接送任务，需要依次经过接送任务的任务接取位置和任务完成位置，则工人接送任务的过程可以分解为两步，①经过任务接取位置Ms_i，②经过任务完成位置Md_i，将工人的工作起始位置和工作终止位置所对应在染色体上的基因映射为“0”，将接送任务的任务接取位置和任务完成位置依次映射为连续的两个正整数，且正整数中前奇后偶；

假定在一次路径规划中，A＝{1,2,...,i,...a}为空间众包平台获取的任务编号集合，B＝{1,2,...,j,...b}为获取的工人编号集合，则生成的染色体共有2a+2b个基因位。若一条染色体为[0,1,2,5,6,0,0,3,4,0,0,7,8,0]，则代表1、3号接送任务分配给1号工人，2号接送任务分配给2号工人，4号接送任务分配给3号工人，染色体编码方式的示意图如图2所示；

步骤3.3、狮群进化算法的狮王竞争行为：

根据式(1)计算第t次迭代中F个群落中所有狮群个体的适应度fit^t，并按照适应度fit^t从大到小的顺序对第t次迭代中F个群落中狮群个体分别进行排序，选取前μ的狮群个体作为第t次迭代中每个群落中的狮王，狮王的个数为

步骤3.4、狮群进化算法的狮群繁衍行为：

步骤3.4.1、选取进行繁衍的雄狮和雌狮：

当t＝0时，选取所有群落的狮王构成繁衍雄狮群，选取所有群落的雌狮构成繁衍雄狮群；

当t≥1时，选取第t次迭代中所有群落的狮王构成繁衍雄狮群，将第t次迭代中幼狮群和雌狮群组合在一起构成第t次迭代中待选雌狮群，将第t次迭代中待选雌狮群中的狮群个体按照第t次迭代的差异度从大到小的顺序排序，优先选取与狮王差异度高的狮群个体加入第t次迭代中繁衍雌狮群，各群落选取前

个狮群个体后，再从第t次迭代中待选雌狮群中随机选取

个狮群个体加入第t次迭代中繁衍雌狮群；

步骤3.4.2、交叉操作：

各群落从第t次迭代中繁衍雄狮群和第t次迭代中繁衍雌狮群中随机选取一对狮群个体，二者进行交叉操作产生第t次迭代中幼狮群；

各群落从第t次迭代中繁衍雄狮群和第t次迭代中繁衍雌狮群中随机选取一对狮群个体，将一对狮群个体的染色体作为两条父代染色体，先在一条父代染色体上随机选取一位工人的一次工作周期所对应一段基因片段，将相应的基因片段的起始点和终止点作为基因交叉点；根据基因交叉点将相应父代染色体中所选取的工人的一次工作周期所对应一段基因片段直接遗传到子代染色体中；

将另一条父代染色体中除遗传给子代染色体中的基因片段以外的剩余基因依次填充至子代染色体的空余基因位中，从而形成一条子代染色体；

同理获得另一条子代染色体；两条子代染色体对应产生的两个幼狮个体，即为两种新的路径规划方案。

以染色体[0,7,8,1,2,0,0,3,4,0,0,5,6,0]与染色体[0,3,4,0,0,1,2,5,6,0,0,7,8,0]为例，通过交叉操作产生两条子代染色体的过程如图3所示；

步骤3.4.3、第t次迭代中幼狮群进行变异操作；

从第t次迭代中幼狮群中随机选取一个狮群个体，将相应的狮群个体的染色体记为原染色体，将变异后的狮群个体的染色体记为新染色体；

先在原染色体中随机选取一位工人完成一项接送任务所对应的两位连续非零基因，再随机选取另一位工人完成一项接送任务所对应的两位连续非零基因，并交换二者的位置，原染色体中的剩余基因保持不变，从而形成一条新染色体，新染色体对应变异后的狮群个体，即一种新的路径规划方案。

以染色体[0,7,8,1,2,0,0,3,4,0,0,5,6,0]为例，通过变异操作产生一条新染色体的过程如图4所示。

具体实施中，步骤3.4中的差异度计算是按如下过程进行：

由于在狮群进化算法中，子代会更多地遗传狮王的基因，所以容易产生同质化的狮群个体，为此，引入了差异度计算公式，对繁衍雌狮进行筛选，可以更好地维持种群的多样性。假设染色体集合为G＝{G1,G2,...,Gu,...Gw}，其中，Gu表示第u个染色体；

利用式(9)得到第u个染色体Gu与第w个染色体Gw的差异度为δ(Gu,Gw)：

式(9)中，Gu_i表示第u个染色体Gu的第i个基因位上的值；Gw_i表示第w个染色体G_w的第i个基因位上的值；||Gu_i-Gw_i||表示Gu和Gw两个染色体的第i个基因位上的差异度，并有：

步骤3.5、狮群进化算法的驱逐行为：

根据式(1)计算第t次迭代中幼狮群中所有狮群个体的适应度fit^t，并按照适应度fit^t从大到小的顺序对第t次迭代中群落幼狮群中的狮群个体进行排序，将前ηλ个狮群个体作为第t次迭代中成熟的雄狮驱逐出群落，并加入第t次迭代中的流浪狮群；

步骤3.6、狮群进化算法的领土争夺和领土接管行为：

设置触发领土争夺行为的概率为Pr，从第t次迭代中雄狮群中随机选取

个狮群个体，并设置一个随机数为Ps，且取值范围为0到1；

步骤3.6.1、若Pr＞Ps，则触发领地争夺行为，从第t次迭代中的流浪雄狮群和被选取的

个狮群个体中分别随机选取一个狮群个体，比较二者的适应度的大小的，如果第t次迭代中所选取的流浪雄狮适应度大于被选取的领地雄狮，则领土争夺成功，由相应的流浪雄狮替换相应的领地雄狮并加入到第t次迭代中雄狮群中，如果适应度小于的话，则不做改变；

步骤3.6.2、若Pr≤Ps，则触发领地接管行为，将第t次迭代中幼狮群个体按适应度fit^t的大小从大到小排序，并从第t次迭代中幼狮群中选取适应度最大的狮群个体，再从被选取的

个狮群个体中随机选取一个狮群个体，比较二者的适应度的大小，如果第t次迭代中所选取的幼狮适应度大于或等于所选取的领地雄狮，则领土接管成功，并由相应幼狮替换相应的领地雄狮，如果适应度小于的话，则不做改变；

步骤3.7将t+1赋值给t后，若t<V，则返回至步骤3.1.3；若t≥V，选取第t次迭代的种群中适应度最高的个体作为面向工人的空间众包路径规划的最佳路径规划方案。

Claims (4)

1.一种基于狮群进化算法的面向空间众包平台的路径规划方法，其特征是应用于由1个空间众包平台将a个接送任务派单给b个工人的网络环境中，并按如下步骤进行：

步骤1、所述空间众包平台按照接送任务和工人的达到顺序依次将a个接送任务和b个工人进行编号，记为任务编号集合A＝{1,2,...,i,...a}和工人编号集合B＝{1,2,...,j,...b}；

所述空间众包平台获取a个接送任务的任务接取位置集合和任务完成位置集合，分别记为{Ms₁,Ms₂,...,Ms_i,...,Ms_a}，{Md₁,Md₂,...,Md_i,...,Md_a}，其中，Ms_i表示第i个接送任务的任务接取位置，Md_i表示第i个接送任务的任务完成位置，i∈A；

所述空间众包平台获取a个接送任务的接送任务起始时间集合和终止时间集合，分别记为{Me₁,Me₂,...,Me_i,...,Me_a}，{Mn₁,Mn₂,...,Mn_i,...,Mn_a}，其中，Me_i表示第i个接送任务的起始时间，Mn_i表示第i个接送任务的终止时间；

所述空间众包平台获取b个工人的工作起始位置集合和工作终止位置集合，分别记为{Ls₁,Ls₂,...,Ls_j,...,Ls_b}，{Ld₁,Ld₂,...,Ld_j,...,Ld_b}，其中，Ls_j表示第j个工人的工作起始位置，Ld_j表示第j个工人的工作终止位置，j∈B；

所述空间众包平台获取b个工人的工作起始时间集合和终止时间集合，分别记为{Le₁,Le₂,...,Le_j,...,Le_b}，{Ln₁,Ln₂,...,Ln_j,...,Ln_b}，Le_j表示第j个工人的工作起始时间，Ln_j表示第j个工人的工作终止时间，j∈B；

步骤2、构建面向空间众包平台的路径规划模型：

利用式(1)建立面向空间众包平台的路径规划模型：

式(1)表示差旅成本和时间成本最小的目标函数；

式(1)中，D表示工人行驶单位距离的成本；Ts_ji表示第j个工人从其工作起始位置Ls_j到第i个接送任务的接取位置Ms_i的距离；Tm_jik表示第j个工人从当前第i个接送任务完成位置Md_i或第i个接送任务接取位置Ms_i到第k个接送任务接取位置Ms_k的距离；k∈A,k≠i；Te_ji表示第j个工人从其最后第i个接送任务完成位置Md_i到第j个工人的工作终止位置Ld_j的距离；hs_i表示工人到达第i个接送任务接取位置的时间；he_j表示第j个工人到达工作终止位置的时间；x_ji表示第j个工人是否最先接取到第i个接送任务，当x_ji＝1时，表示第j个工人最先接取到第i个接送任务，当x_ji＝0时，表示第j个工人未最先接取到第i个接送任务；y_jik表示第j个工人是否在接取到或完成第i个接送任务后前往第k个接送任务接取位置，当y_jik＝1时，表示第j个工人在接取到或完成第i个接送任务后前往第k个接送任务接取位置，当y_jik＝0时，表示第j个工人未在接取到或完成第i个接送任务后前往第k个接送任务接取位置；z_ji表示第j个工人是否最后接取到第i个接送任务，当z_ji＝1时，表示第j个工人最后接取到第i个接送任务，当z_ji＝0时，表示第j个工人未最后接取到第i个接送任务；pt_i(hs_i)表示工人到达第i个接送任务接取位置时产生的时间惩罚成本，并通过式(2)得到；pw_j(he_j)表示第j个工人到达工作终止位置时产生的时间惩罚成本，并通过式(3)得到；

式(2)表示工人到达任务接取点时的时间惩罚成本；

式(3)表示工人到达工作终止点时的时间惩罚成本；

式(2)和式(3)中，Tc表示客户的忍耐时间；pt表示在客户的忍耐时间内，施加的时间惩罚量；pc表示超过了客户的忍耐时间，增加的额外时间惩罚；

利用式(4)-式(8)建立所述路径规划模型的约束条件：

x_ji,y_jik,z_ji∈{0,1}i,k∈A,j∈B,k≠i (4)

式(4)表示决策变量x_ji,y_jik,z_ji为0-1变量；

式(5)表示一项接送任务只需要一位工人来完成，但一位工人能接取并完成多项接送任务；

式(6)表示有任务容量的限制，工人接取的任务量不能超过额定容量；

式(7)表示工人到达第k个接送任务接取点的时间的计算公式；

式(8)表示第j个工人到达工作终止点的时间的计算公式；

式(4)-式(8)中，r_i表示第i个接送任务的需求量；R表示工人的额定接送任务容量；Tt_ii表示工作者从第i个任务接取位置Ms_i到第i个任务完成位置Md_i的距离；Q表示工人接取的任务集合；H表示是接取还是完成第i个接送任务后去往第k个接送任务接取位置，当H＝1时，表示接取第i个接送任务后去往第k个接送任务接取位置，当H＝0时，表示完成第i个接送任务后去往第k个接送任务接取位置；s表示工人在工作过程中的行驶速度；

步骤3、基于狮群进化算法求解面向空间众包平台的路径规划模型：

步骤3.1、狮群进化算法的参数初始化：

步骤3.1.1、设置狮群进化算法的种群迭代的最大次数为V、设置狮群进化算法的时间惩罚成本为timeCost、设置狮群进化算法的路程惩罚成本为distCost、设置狮群进化算法的目标适应度值为

步骤3.1.2、初始化领地狮群和流浪狮群：

定义当前迭代次数为t，并初始化t＝0；

设置由雄狮群和雌狮群构成的领地狮群规模为U，并且领地狮群由F个群落组成，每个群落有自己的领地，设置雄狮的比例为μ，设置驱逐率为η，则每个群落中的雄狮个数为

其余为雌狮；设置流浪雄狮群中的流浪雄狮个数为λ；

步骤3.1.3、当迭代次数t≥1，更新领地狮群：

将幼狮群加入领地狮群中，将领地狮群中的狮群个体按照适应度从大到小的顺序对领地狮群中的狮群个体进行排序，保留前U个狮群个体构成领地狮群，并且领地狮群由F个群落组成，每个群落有自己的领地，每个群落中的雄狮个数为

其余为雌狮；

步骤3.2、狮群进化算法的狮群个体的染色体编码：

定义工人的工作起始位置、工作终止位置、接取任务的任务接取位置和任务完成位置分别对应染色体上的各个基因；完成一项接送任务后，依次经过接送任务的任务接取位置与任务完成位置并作为连续的两位基因；一位工人的一次工作周期是从工作起始位置出发，并依次经过接送任务的任务接取位置与任务完成位置后，最后到达工作终止位置从而终止本次工作周期，将工人的一次工作周期依次经过的各个位置作为一段基因片段，所有工人的各个基因片段构成一种路径规划方案；

设置狮群个体集合为P＝{P₁,P₂,...,P_f,...P_U}，P_f表示任意第f个狮群个体，并且作为第f种路径规划方案；

通过自然数编码方式对狮群个体P_f所对应的染色体进行编码；

将工人的工作起始位置和工作终止位置所对应在染色体上的基因映射为“0”，将接送任务的任务接取位置和任务完成位置依次映射为连续的两个正整数，且正整数中前奇后偶；

步骤3.3、狮群进化算法的狮王竞争行为：

根据式(1)计算第t次迭代中F个群落中所有狮群个体的适应度fit^t，并按照适应度fit^t从大到小的顺序对第t次迭代中F个群落中狮群个体分别进行排序，选取前μ的狮群个体作为第t次迭代中每个群落中的狮王，狮王的个数为

步骤3.4、狮群进化算法的狮群繁衍行为：

步骤3.4.1、选取进行繁衍的雄狮和雌狮：

当t＝0时，选取所有群落的狮王构成繁衍雄狮群，选取所有群落的雌狮构成繁衍雄狮群；

当t≥1时，选取第t次迭代中所有群落的狮王构成繁衍雄狮群，将第t次迭代中幼狮群和雌狮群组合在一起构成第t次迭代中待选雌狮群，将第t次迭代中待选雌狮群中的狮群个体按照第t次迭代的差异度从大到小的顺序排序，优先选取与狮王差异度高的狮群个体加入第t次迭代中繁衍雌狮群，各群落选取前

个狮群个体后，再从第t次迭代中待选雌狮群中随机选取

个狮群个体加入第t次迭代中繁衍雌狮群；

步骤3.4.2、交叉操作：

各群落从第t次迭代中繁衍雄狮群和第t次迭代中繁衍雌狮群中随机选取一对狮群个体，二者进行交叉操作产生第t次迭代中幼狮群；

步骤3.4.3、第t次迭代中幼狮群进行变异操作；

步骤3.5、狮群进化算法的驱逐行为：

根据式(1)计算第t次迭代中幼狮群中所有狮群个体的适应度fit^t，并按照适应度fit^t从大到小的顺序对第t次迭代中群落幼狮群中的狮群个体进行排序，将前ηλ个狮群个体作为第t次迭代中成熟的雄狮驱逐出群落，并加入第t次迭代中的流浪狮群；

步骤3.6、狮群进化算法的领土争夺和领土接管行为：

设置触发领土争夺行为的概率为Pr，从所述第t次迭代中雄狮群中随机选取

个狮群个体，并设置一个随机数为Ps，且取值范围为0到1；

步骤3.6.1、若Pr＞Ps，则触发领地争夺行为，从第t次迭代中的流浪雄狮群和被选取的

个狮群个体中分别随机选取一个狮群个体，比较二者的适应度的大小的，如果第t次迭代中所选取的流浪雄狮适应度大于被选取的领地雄狮，则领土争夺成功，由相应的流浪雄狮替换相应的领地雄狮并加入到第t次迭代中雄狮群中，如果适应度小于的话，则不做改变；

步骤3.6.2、若Pr≤Ps，则触发领地接管行为，将第t次迭代中幼狮群个体按适应度fit^t的大小从大到小排序，并从第t次迭代中幼狮群中选取适应度最大的狮群个体，再从被选取的

个狮群个体中随机选取一个狮群个体，比较二者的适应度的大小，如果第t次迭代中所选取的幼狮适应度大于或等于所选取的领地雄狮，则领土接管成功，并由相应幼狮替换相应的领地雄狮，如果适应度小于的话，则不做改变；

步骤3.7将t+1赋值给t后，若t<V，则返回至步骤3.1.3；若t≥V，选取第t次迭代的种群中适应度最高的个体作为面向工人的空间众包路径规划的最佳路径规划方案。

2.根据权利要求1所述的基于狮群进化算法的面向空间众包平台的路径规划方法，其特征是，所述步骤3.4中的差异度计算是按如下过程进行：

假设染色体集合为G＝{G1,G2,...,Gu,...Gw}，其中，Gu表示第u个染色体；

利用式(9)得到第u个染色体Gu与第w个染色体Gw的差异度为δ(Gu,Gw)：

式(9)中，Gu_i表示第u个染色体Gu的第i个基因位上的值；Gw_i表示第w个染色体Gw的第i个基因位上的值；||Gu_i-Gw_i||表示Gu和Gw两个染色体的第i个基因位上的差异度，并有：

3.根据权利要求1所述的基于狮群进化算法的面向空间众包平台的路径规划方法，其特征是，所述步骤3.4.2中的交叉操作是按如下过程进行：

各群落从第t次迭代中繁衍雄狮群和第t次迭代中繁衍雌狮群中随机选取一对狮群个体，将所述一对狮群个体的染色体作为两条父代染色体，先在一条父代染色体上随机选取一位工人的一次工作周期所对应一段基因片段，将相应的基因片段的起始点和终止点作为基因交叉点；根据所述基因交叉点将相应父代染色体中所选取的工人的一次工作周期所对应一段基因片段直接遗传到子代染色体中；

将另一条父代染色体中除遗传给子代染色体中的基因片段以外的剩余基因依次填充至子代染色体的空余基因位中，从而形成一条子代染色体；

同理获得另一条子代染色体；两条子代染色体对应产生的两个幼狮个体，即为两种新的路径规划方案。

4.根据权利要求1所述的基于狮群进化算法的面向空间众包平台的路径规划方法，其特征是，所述步骤3.4.3中的变异操作是按如下过程进行：

从第t次迭代中幼狮群中随机选取一个狮群个体，将相应的狮群个体的染色体记为原染色体，将变异后的狮群个体的染色体记为新染色体；

先在原染色体中随机选取一位工人完成一项接送任务所对应的两位连续非零基因，再随机选取另一位工人完成一项接送任务所对应的两位连续非零基因，并交换二者的位置，原染色体中的剩余基因保持不变，从而形成一条新染色体，新染色体对应变异后的狮群个体，即一种新的路径规划方案。

Images