CN112613663B - 共享车辆调度方法、计算设备和计算机可读存储介质 - Google Patents

共享车辆调度方法、计算设备和计算机可读存储介质 Download PDF

Info

Publication number
CN112613663B
CN112613663B CN202011559099.0A CN202011559099A CN112613663B CN 112613663 B CN112613663 B CN 112613663B CN 202011559099 A CN202011559099 A CN 202011559099A CN 112613663 B CN112613663 B CN 112613663B
Authority
CN
China
Prior art keywords
pheromone
determining
passenger
passengers
shared vehicle
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
CN202011559099.0A
Other languages
English (en)
Other versions
CN112613663A (zh
Inventor
李勇男
倪峰
李曦
黄忆波
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.)
Shanghai International Automobile City New Energy Vehicle Operation Service Co.,Ltd.
Original Assignee
Global Car Sharing and Rental Co Ltd
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 Global Car Sharing and Rental Co Ltd filed Critical Global Car Sharing and Rental Co Ltd
Priority to CN202011559099.0A priority Critical patent/CN112613663B/zh
Publication of CN112613663A publication Critical patent/CN112613663A/zh
Application granted granted Critical
Publication of CN112613663B publication Critical patent/CN112613663B/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
    • G06Q10/04—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
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种共享车辆调度方法、计算设备和计算机可读存储介质。该方法包括：获取参与静态拼车的乘客的订单信息，该订单信息至少包括每个乘客的行程起点和所需座位数；基于该订单信息确定待访问乘客集合；确定该待访问乘客集合是否为空；如果该待访问乘客集合不为空，从可用共享车辆集合中选择一个共享车辆，并从该待访问乘客集合中选择第一乘客以分配给该共享车辆；基于随时间变化的信息素挥发度、初始信息素挥发度、该可用共享车辆集合中的每个共享车辆的信息素浓度改变量确定概率信息；以及基于该概率信息和该共享车辆的空闲座位数确定该共享车辆的第二乘客。

Description

共享车辆调度方法、计算设备和计算机可读存储介质
技术领域
本公开概括而言涉及车辆管理技术领域，更具体地，涉及一种共享车辆调度方法、计算设备和计算机可读存储介质。
背景技术
为了尽可能利用闲置资源，越来越多的个人用户或者机构用户(如出租车运营机构)参与到拼车服务中。此外，随着无人驾驶技术的成熟，无人驾驶车辆也可以用来提供这样的拼车服务。提供拼车服务的车辆在本文中称为共享车辆。拼车服务是指通过路径匹配方式对相同或者相似行程的乘客进行匹配使其能够尽可能共用同一车辆，从而提高车辆的利用率、降低乘客出行成本、缓解交通拥堵、实现绿色的共享出行。为此，需要一个平台或服务器来整合所有共享车辆的信息和乘客的订单信息，以对共享车辆进行调度。
在拼车服务，尤其是在无人驾驶车辆的拼车服务中，乘客拼车合乘的自由度大，合乘的环节更加复杂，当前的拼车方法存在着匹配的成功率低，迟滞性强，优化效率低，计算量复杂，无法实现全局最优化的问题。
按照拼车行程期间是否可以继续进行车辆与乘客的新的匹配可以将拼车服务分为静态拼车和动态拼车两类。静态拼车是指在乘客开始拼车行程之前已经完成了所有乘客和路程约束条件的匹配。动态拼车则是乘客开始行程之后，仍可以在满足乘客和路程约束的条件下，为新的乘客进行动态的匹配。静态拼车是动态拼车的一种特殊形式。
目前用于解决静态拼车问题的方法主要包括空间搜索和启发式搜索两个大类。空间搜索是通过将路网分成区块或者网格，根据第一个乘客的路线进行空间搜索，通过设置路网区块和网格作为约束，可以有效限制车辆的搜索范围，并从相对小的范围里选出较为合适的车辆进行拼车。启发式搜索则是贪心算法、演化算法等，通过设定一些规则和目标，对全局进行启发式搜索从而得到一个表现较好的拼车调度方案。其中，演化算法如粒子群算法、蚁群算法、遗传算法也可以通过一系列的转换应用于解决拼车问题，但是目前这些算法在交通领域内偏向实现局部最优，实现不了全局最优，而且拼车方案的搜索效率不够高，优化的结果也并不十分理想。
发明内容
针对上述问题中的至少一个，本公开提供了一种共享车辆调度方案，其中通过基于交通流量、车辆容量和每个乘客所需座位数的约束来对蚁群算法进行改进，从而为参与拼车服务的乘客提供更加优化的车辆调度方案。
根据本公开的一个方面，提供了一种共享车辆调度方法。该方法包括：获取参与静态拼车的乘客的订单信息，该订单信息至少包括每个乘客的行程起点和所需座位数；基于该订单信息确定待访问乘客集合；确定该待访问乘客集合是否为空；如果该待访问乘客集合不为空，从可用共享车辆集合中选择一个共享车辆，并从该待访问乘客集合中选择第一乘客以分配给该共享车辆；基于随时间变化的信息素挥发度、初始信息素挥发度、该可用共享车辆集合中的每个共享车辆的信息素浓度改变量确定概率信息，该概率信息指示该可用共享车辆集合中的每个共享车辆从该待访问乘客集合中的一个乘客转移到另一个乘客的概率；以及基于该概率信息和该共享车辆的空闲座位数确定该共享车辆的第二乘客。
根据本公开的另一个方面，提供了一种计算设备。该计算设备包括：至少一个处理器；以及至少一个存储器，该至少一个存储器被耦合到该至少一个处理器并且存储用于由该至少一个处理器执行的指令，该指令当由该至少一个处理器执行时，使得该计算设备执行根据上述方法的步骤。
根据本公开的再一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序代码，该计算机程序代码在被运行时执行如上所述的方法。
在一种实施例中，该方法还包括：更新该待访问乘客集合，并确定更新后的待访问乘客集合是否为空。
在一种实施例中，该方法还包括：如果该待访问乘客集合为空，确定该可用共享车辆集合的调度结果，其中该可用共享车辆集合的调度结果包括每个共享车辆的、按照行程起点排列的乘客列表。
在一种实施例中，从可用共享车辆集合中选择一个共享车辆包括：确定该可用共享车辆集合中的可用共享车辆的数量，其中该可用共享车辆是具有空闲座位的共享车辆；确定该可用共享车辆的数量是否为零；如果该可用共享车辆的数量为零，增加调度一个共享车辆，并更新该可用共享车辆集合；以及如果该可用共享车辆的数量大于零，从该可用共享车辆集合中选择该共享车辆。
在一种实施例中，确定概率信息包括：基于随时间变化的信息素挥发度和初始信息素挥发度确定信息素衰减函数；基于该初始信息素挥发度和该信息素衰减函数确定信息素挥发函数；基于该信息素挥发函数和该可用共享车辆集合中的每个可用共享车辆的信息素浓度改变量确定信息素浓度函数；以及基于该信息素浓度函数、启发函数、信息素重要程度因子和启发函数因子确定该概率信息。
在一种实施例中，随时间变化的信息素挥发度包括由高峰时段的信息素挥发度和非高峰时段的信息素挥发度构成的分段函数，并且该高峰时段的信息素挥发度小于该非高峰时段的信息素挥发度，其中确定信息素衰减函数包括：基于该高峰时段的信息素挥发度或该非高峰时段的信息素挥发度、从初始时刻经过的时间段长度和该初始信息素挥发度，确定该信息素衰减函数。
在一种实施例中，该信息素挥发函数随着该信息素衰减函数从该初始信息素挥发度指数衰减。
在一种实施例中，确定信息素挥发函数包括：为该信息素衰减函数设置时间偏移量，其中该信息素挥发函数随着以该时间偏移量偏移的信息素衰减函数从该初始信息素挥发度指数衰减。
在一种实施例中，确定信息素浓度函数包括：基于该信息素挥发函数确定信息素浓度函数的衰减分量；基于该可用共享车辆集合中的每个可用共享车辆的信息素浓度改变量确定该信息素浓度函数的增加分量；以及基于该衰减分量和该增加分量迭代确定该信息素浓度函数。
在一种实施例中，确定该信息素浓度函数的增加分量包括：基于信息素常数和每个可用共享车辆经过的总路径确定该信息素浓度改变量。
在一种实施例中，基于该概率信息和该共享车辆的空闲座位数确定该共享车辆的第二乘客包括：基于该共享车辆的空闲座位数和每个乘客的所需座位数确定该共享车辆的可服务乘客集合；确定该可服务乘客集合是否为空；如果该可服务乘客集合不为空，基于该概率信息确定该共享车辆从该第一乘客到该可服务乘客集合中的其他乘客的概率向量；以及从该概率向量中选择概率值最大的乘客作为该第二乘客。
在一种实施例中，基于该概率信息和该共享车辆的空闲座位数确定该共享车辆的第二乘客还包括：如果该可服务乘客集合为空，确定该共享车辆的调度结果。
附图说明
通过参考下列附图所给出的本公开的具体实施方式的描述，将更好地理解本公开，并且本公开的其他目的、细节、特点和优点将变得更加显而易见。
图1示出了用于实现根据本公开的实施例的共享车辆调度方法的系统的示意图。
图2示出了根据本公开的实施例的共享车辆调度方法的流程图。
图3示出了根据本发明实施例的选择共享车辆的步骤的流程图。
图4示出了根据本发明实施例的确定概率信息的步骤的流程图。
图5示出了根据本发明的确定信息素浓度函数的子步骤的一种实施例的流程图。
图6示出了根据本发明实施例的确定第二乘客的步骤的流程图。
图7示出了适合实现本公开的实施例的计算设备的结构方框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一些实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
图1示出了用于实现根据本公开的实施例的共享车辆调度方法的系统1的示意图。如图1中所示，系统1包括多个用户终端10-1、10-2、……10-N(以下有时也统称为用户终端10，其中N为正整数)、多个车辆20-1、20-2、……20-K(以下有时也统称为车辆20，其中K为正整数)以及与多个用户终端10和多个车辆20通信的服务器30。这里，用户终端10可以是乘客的移动或固定终端，如手机、笔记本电脑、台式电脑等。用户终端10可以通过各种通信方式，如移动互联网等，与服务器30通信，以向服务器30发送信息和/或从服务器30接收信息。车辆20上可以安装有车机模块，其用于与服务器30通信，以向服务器30发送信息和/或从服务器30接收信息。车机模块可以是车辆20上安装的单独的电子模块，或者是车辆20的电子控制单元(ECU)。在车辆20是无人驾驶的共享车辆的情况下，车辆20可以通过车机模块与服务器30进行通信，而在车辆20是有人驾驶的共享车辆的情况下，车辆20的通信功能除了由如上所述的车机模块实现之外，还可以由驾驶员持有的移动终端来实现。服务器30可以是提供无人或有人驾驶拼车服务的企业的服务器，其可以对自主登记的或者自己企业所属的有人驾驶或无人驾驶共享车辆进行调度。服务器30分别可以包括至少一个处理器和与该至少一个处理器耦合的至少一个存储器，该存储器中存储有可由该至少一个处理器执行的指令，该指令在被该至少一个处理器执行时执行如下所述的方法100。服务器30的具体结构例如可以如下结合图7所述。
图2示出了根据本公开的实施例的共享车辆调度方法100的流程图。方法100例如可以由图1中所示的系统1中的服务器30或者与服务器30相连的单独的计算设备来执行。
在静态拼车的情况下，方法100可以是周期性执行的，即，每隔给定周期执行一次。例如，考虑到用户体验以及处理和调度所需时间，该给定周期可以是30秒至2分钟。此外，方法100可以是针对特定区域执行的。例如，服务器30可以根据经验或者根据订单数量，将大的范围(如一个城市)划分成多个区域，并且针对其中的热点区域(即订单数量较大的区域)执行方法100，而对非热点区域执行按需调度而非方法100的调度方案。
如图2中所示，方法100包括步骤110，其中服务器30获取参与静态拼车的乘客的订单信息，该订单信息至少包括每个乘客的行程起点和所需座位数。这里，服务器30可以从每个乘客的用户终端10接收该订单信息，以下也可以使用用户终端的标号10来指代相应的乘客。在拼车服务中，每个乘客的订单可能要求一个座位也可能要求多个座位，因此一个乘客的订单信息还应当包括该乘客所需要的座位数。一个乘客的所需座位数通常可以是1至4的范围内的整数(在无人驾驶的共享车辆的情况下，其比有人驾驶的情况的范围更大)。乘客的行程起点是指乘客的位置信息，其用于确定由哪个共享车辆来为该乘客服务以及各个共享车辆所服务的乘客的集合。该位置信息可以是利用乘客的用户终端10获取的绝对地理位置(如GPS位置坐标)，也可以是利用其他地图软件获取的相对位置(如该地图软件自定义的位置坐标系中的坐标)。
当然，本领域技术人员可以理解，乘客的订单信息还可以包括其他信息，如该乘客的标识符、行程终点、联系方式等。
接下来，在步骤120，服务器30基于步骤110获得的订单信息确定待访问乘客集合allowk。待访问乘客集合allowk的初始值是步骤110中获取到订单信息的那些乘客的集合。这里假设步骤110中从用户终端10-1、10-2、……10-N都接收到了订单信息，因此待访问乘客集合allowk的初始值可以表示为{乘客10-1，乘客10-2，……，乘客10-N}。
接下来，在步骤130，服务器30确定待访问乘客集合allowk是否为空。
如果待访问乘客集合allowk不为空，则在步骤140，服务器30从可用共享车辆集合V中选择一个共享车辆k，并从待访问乘客集合allowk中选择一个第一乘客以分配给该共享车辆k。这里，可用共享车辆是指具有空闲座位的共享车辆。服务器30可以维护一个登记为共享车辆的车辆列表，并且基本上实时地获取各个车辆当前的状态(是否是可用共享车辆，即是否有空闲座位)。从而对于所有可用共享车辆，可以确定一个可用共享车辆集合V，其中包括当前的每个可用共享车辆的位置信息和空闲座位数等。这里，假设图1所示的车辆20-1、20-2、……20-K都是可用共享车辆，因此可用共享车辆集合V可以表示为{车辆20-1，车辆20-2，……车辆20-K}。
这里，可以根据轮盘赌算法(也称为随机选择法)来选择该第一乘客。具体地，可以计算待访问乘客集合allowk中的各个乘客之前被选择的累积概率p[i](i＝1,2,……N)并将p[i]依次排列在[0,1]区间上。从[0,1]之间选择一个随机数r，确定r落入哪个p[i]对应的范围，从而确定相应的乘客i作为该第一乘客。通过以这种方式选择车辆k的第一乘客，能够降低遍历时间，保证高信息素路径上的乘客被快速遍历到。当然，本发明并不局限于此，第一乘客的选择也可以通过其他方式进行，例如从待访问乘客集合allowk中随机选择该第一乘客或者按照预定顺序选择该第一乘客。在方法100迭代执行以确定最佳调度路径的情况下，第一乘客的选择方法仅仅影响方法100的收敛速度，而不明显影响其调度效果。
图3示出了根据本发明实施例的选择共享车辆的步骤140的流程图。
如图3中所示，步骤140可以包括子步骤142，其中服务器30确定可用共享车辆集合V中的可用共享车辆的数量K。
接下来，在子步骤144，服务器30确定可用共享车辆集合V中的可用共享车辆的数量K是否为零。
如果可用共享车辆的数量K为零，则在子步骤146，服务器30增加调度一个共享车辆，并更新可用共享车辆集合V。例如，服务器30可以从其他区域调度一个有人驾驶或无人驾驶的共享车辆，并且向可用共享车辆集合V(此时为空)中增加该新调度的共享车辆的位置信息、空闲座位数等。
另一方面，如果可用共享车辆集合V中的可用共享车辆的数量K大于零，则在子步骤148，服务器30从该可用共享车辆集合V中选择一个共享车辆k(其中1≤k≤K)。这里，作为一种全局策略，该共享车辆k可以是从可用共享车辆集合V中随机选择的，并且在此后为所选择的共享车辆k执行乘客调度。当然，共享车辆k也可以是以其他方式选择的，例如如上所述的用来选择第一乘客的轮盘赌算法或者其他预定顺序等。
继续图2，在方法100的步骤150，服务器30基于随时间变化的信息素挥发度、初始信息素挥发度以及可用共享车辆集合V中的每个共享车辆的信息素浓度改变量确定概率信息。该概率信息指示可用共享车辆集合V中的每个共享车辆从待访问乘客集合allowk中的一个乘客转移到另一个乘客的概率。
在本发明中，可以通过改进蚁群算法来确定上述概率信息。蚁群算法(Ant ClonyOptimization，ACO)是一种群智能算法，它是由一群无智能或有轻微智能的个体(Agent)通过相互协作而表现出智能行为，从而为求解复杂问题提供了一个新的可能性。蚁群算法最早是由意大利学者Colorni A.,Dorigo M.等于1991年提出。他们在研究蚂蚁觅食的过程中，发现单个蚂蚁的行为比较简单，但是蚁群整体却可以体现一些智能的行为。例如蚁群可以在不同的环境下，寻找最短到达食物源的路径。这是因为蚁群内的蚂蚁可以通过某种信息机制实现信息的传递。后又经进一步研究发现，蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质，蚁群内的蚂蚁对“信息素”具有感知能力，它们会沿着“信息素”浓度较高的路径行走，而每只路过的蚂蚁都会在路上留下“信息素”，这就形成一种类似正反馈的机制，这样经过一段时间后，整个蚁群就会沿着最短路径到达食物源了。
在蚁群算法中，确定信息素浓度至关重要。信息素浓度一方面随着蚂蚁走过该路径而不断增加，另一方面又随着时间而挥发。然而，在传统的蚁群算法中，信息素挥发度ρ是一个常数，从而信息素浓度随着信息素挥发度ρ线性变化。然而，在本发明所针对的用于拼车服务的共享车辆调度中，不同时间段的用车需求并不是线性的，因此固定的信息素挥发度ρ不能满足不同时间段的用车需求。为此，在本发明中，构造随时间变化的信息素挥发函数ρ(t)来对标准蚁群算法进行改进来确定该概率信息。
图4示出了根据本发明实施例的确定概率信息的步骤150的流程图。
如图4中所示，步骤150可以包括子步骤152，其中服务器30基于随时间变化的信息素挥发度ρfin(t)和初始信息素挥发度ρ0确定信息素衰减函数α(t)。
在一种实施例中，可以基于如下公式(1)确定信息素衰减函数α(t)：
Figure BDA0002859769820000091
其中ρ0表示初始信息素挥发度。当ρ0取值过大时，容易影响随机性和全局最优性；当ρ0取值过小时，收敛速度太低，因此可以将其取值范围设定在[0.2,0.5]之间。
Δt表示从初始时刻到时刻t所经过的时间段长度(如果将初始时刻记为时刻0的话，Δt＝t)；ρfin(t)表示时刻t时的信息素挥发度，其是一个随时间变化的函数。
在一些实施例中，可以根据各个时间段内的不同历史订单量统计确定随时间变化的信息素挥发度ρfin(t)。例如，随时间变化的信息素挥发度ρfin(t)可以包括由高峰时段的信息素挥发度ρp fin和非高峰时段的信息素挥发度ρf fin构成的分段函数，此时ρfin(t)可以表示为：
Figure BDA0002859769820000101
其中，ρp fin和ρf fin分别是高峰时段和非高峰时段期间的信息素挥发度，并且ρp fin＜ρf fin。高峰时段是出行高发、订单高发期，此时，乘客需求量大，因此两个乘客之间的信息素挥发度衰减程度低，可以视为在这一段时间内两个乘客之间需要车辆利用蚁群算法按照积累的信息素水平规划最优路径。在实际中，高峰时段例如可以设置为工作日的7:00-10:00和17:00-20:00。
非高峰时段是乘客出行的低发期，此时，如果继续按照出行高峰期乘客之间信息素的衰减程度，则在两个乘客的两个位置之间没有大量订单支撑，车辆运营可以切换为随机搜索模式。因此在非高峰时段，两个乘客之间的信息素衰减快，路径最优化的变动速率快。
可以理解，随时间变化的信息素挥发度ρfin(t)可以有其他设置方式，例如将其设置为更多段的分段函数。此外，可以针对如上所述的不同区域(如热点区域)设置不同的随时间变化的信息素挥发度ρfin(t)。
接下来，在子步骤154，服务器30可以基于初始信息素挥发度ρ0和子步骤152确定的信息素衰减函数α(t)来确定信息素挥发函数ρ(t)。
在一种实施例中，信息素挥发函数ρ(t)可以随着信息素衰减函数α(t)从初始信息素挥发度ρ0指数衰减。在这种情况下，信息素挥发函数ρ(t)可以表示为：
ρ(t)＝ρ0*e-α(t) (2)
在另一种实施例中，可以首先为信息素衰减函数α(t)设置时间偏移量(例如时间偏移量为l)，在这种情况下，将信息素挥发函数ρ(t)设置为随着以时间偏移量l偏移的信息素衰减函数α(t)(即α(t+l))从初始信息素挥发度ρ0指数衰减。在这种情况下，信息素挥发函数ρ(t)可以表示为：
ρ(t)＝ρ0*e-α(t+l) (3)
可以看出，信息素衰减函数α(t)以指数量级影响信息素挥发函数ρ(t)，若α(t)过大，则信息素衰减过快，蚁群容易陷入随机搜索。因此，可以根据用户的需求量适当地设置初始信息素挥发度ρ0和信息素挥发度ρfin(t)来控制衰减速度。
此外，在上述设置时间偏移量l的实施例中，通过设置l，使得信息素挥发函数ρ(t)可以不必从初始信息素挥发度ρ0开始衰减，从而可以进一步控制衰减速度。
然后，在子步骤156，服务器30可以基于信息素挥发函数ρ(t)和可用共享车辆集合V中的每个可用共享车辆的信息素浓度改变量确定信息素浓度函数。信息素浓度函数用于指示任意两个乘客之间的路径上的随时间t变化的信息素浓度。例如，从乘客i到乘客j(其中i,j＝1，2，……，N)的路径(也可以称为路径i->j)上的信息素浓度可以表示为Cij(t)，其随着每个车辆经过该路径而增大，并且随着时间而挥发从而减小。更具体到车辆k，其对路径i->j上的信息素浓度的贡献可以表示为
Figure BDA0002859769820000111
也就是说，信息素浓度函数Cij(t)的改变量可以包括一个增加分量和一个衰减分量，因此可以通过分别确定该增加分量和衰减分量来确定信息素浓度函数Cij(t)。
图5示出了根据本发明的确定信息素浓度函数Cij(t)的子步骤156的一种实施例的流程图。
如图5中所示，子步骤156包括子步骤1562，其中服务器30可以基于子步骤154确定的信息素挥发函数ρ(t)确定信息素浓度函数Cij(t)的衰减分量。具体地，在一种实施例中，信息素浓度函数Cij(t)的衰减分量可以表示为：
(1-ρ(t-1))*Cij(t-1)， (4)
其表示时刻t的信息素浓度函数Cij(t)相对于前一时刻t-1的信息素浓度函数Cij(t-1)的衰减比例是(1-ρ(t-1))。通常，假设初始时刻，每个车辆随机位于整个区域内，且各个乘客之间的连接路径上的信息素浓度Cij(0)相同。
子步骤156还包括子步骤1564，其中服务器30可以基于可用共享车辆集合V中的每个可用共享车辆的信息素浓度改变量确定信息素浓度函数Cij(t)的增加分量。具体地，在一种实施例中，假设可用共享车辆集合V中的车辆k(k＝1、2、……、K)的信息素浓度改变量为ΔCij k，则信息素浓度函数Cij(t)的增加分量可以表示为可用共享车辆集合V中的所有K个车辆的信息素浓度改变量ΔCij k之和，即：
ΔCij＝∑ΔCij k。 (5)
其中，ΔCij k表示车辆k对乘客i到乘客j的路径上释放信息素而增加的信息素浓度改变量，ΔCij表示所有K个车辆对乘客i到乘客j的路径上释放信息素而增加的信息素浓度改变量。在一种实施例中，可以基于信息素常数Q和每个可用共享车辆经过的总路径确定信息素浓度改变量。例如，车辆k对乘客i到乘客j的路径上释放信息素而增加的信息素浓度改变量ΔCij k可以表示为：
Figure BDA0002859769820000121
其中，Q为信息素常数，Lk为车辆k经过的总路径。这里，车辆k经过的总路径Lk可以通过其所服务的所有乘客的路程之和来求得。两个相邻乘客之间的路程可以通过这两个乘客的订单信息中的行程起点以及车辆行驶路径或规划行驶路径确定。
接下来，在子步骤1566，基于上述衰减分量和增加分量迭代确定信息素浓度函数。例如，从乘客i到乘客j的路径i->j上的信息素浓度函数Cij(t)可以表示为：
Cij(t)＝(1-ρ(t-1))*Cij(t-1)+ΔCij。 (6)
继续图4，接下来，在子步骤158，服务器30可以基于信息素浓度函数Cij(t)、启发函数nij(t)、信息素重要程度因子a和启发函数因子b确定概率信息。该概率信息指示一个共享车辆从一个乘客到另一个乘客的概率。例如，该概率信息可以表示为概率矩阵P的形式，概率矩阵P的元素
Figure BDA0002859769820000131
指示时刻t，共享车辆k从乘客i到乘客j的概率。
在一种实施例中，
Figure BDA0002859769820000132
可以表示为：
Figure BDA0002859769820000133
其中，
Figure BDA0002859769820000134
表示车辆k从乘客i到乘客j的路径上的信息素浓度函数；
Figure BDA0002859769820000135
表示从乘客i到乘客j的启发函数，其指示车辆k从乘客i转移到乘客j的期望；allowk为上述待访问乘客集合，如前所述，allowk的初始值可以包括N个乘客，随着时间推移，allowk中的元素越来越少，直至为空；a为信息素重要程度因子，指的是车辆在搜索最短路径过程中的相对重要程度；b为启发函数因子，指导车辆路径搜索中的相对重要程度；sum运算表示遍历所有乘客i和j，对
Figure BDA0002859769820000136
求和。
其中，信息素重要程度因子a的值过大，车辆选择下一个乘客的随机概率减小；a值过小，会过早的陷入局部最优。因此在运营仿真过程中，a的取值范围通常在[1,4]之间。启发函数因子b的值设置过大，收敛速度加快，易陷入局部最优；设置值过小，这些车辆易陷入纯粹的随机搜索，很难找到最优解。因此在运营仿真过程中，b的取值范围通常在[3,4]之间。
继续图2，在步骤160，服务器30基于步骤150确定的概率信息和步骤140确定的共享车辆k的空闲座位数确定共享车辆k的第二乘客。即，确定共享车辆k从第一乘客出发的下一个乘客。
图6示出了根据本发明实施例的确定第二乘客的步骤160的流程图。
如图6中所示，步骤160包括子步骤162，其中服务器30基于共享车辆k的空闲座位数和每个乘客的所需座位数确定共享车辆k的可服务乘客集合visitk。如前所述，服务器30中可以维护可用共享车辆的集合，该集合中可以包括每个可用共享车辆的空闲座位数。这里，将共享车辆k的空闲座位数表示为Ak，将每个乘客i的所需座位数表示为Ri(i＝1，2，……，N)。
在子步骤162中，将共享车辆k的空闲座位数Ak与每个乘客i的所需座位数Ri分别进行比较，并将满足Ak≥Ri的乘客i放入共享车辆k的可服务乘客集合visitk中。
接下来，在子步骤164，服务器30确定可服务乘客集合visitk是否为空。
如果确定可服务乘客集合visitk不为空，则在子步骤166，服务器30基于步骤150的概率信息确定共享车辆k从第一乘客到可服务乘客集合visitk中的其他乘客的概率向量。
如前所述，在根据本发明的改进的蚁群算法中，可以确定一个概率矩阵P，其每个元素指示一个共享车辆从一个乘客到另一个乘客的概率。假设步骤140选择的第一乘客为乘客i，则可以根据概率矩阵P确定乘客i到车辆k的可服务乘客集合visitk中的每个乘客的概率，这些概率构成共享车辆k从第一乘客i到可服务乘客集合visitk中的其他乘客的概率向量Pi。
接下来，在子步骤168，服务器30从概率向量Pi中选择概率值最大的乘客作为第二乘客。这里，假设第二乘客为乘客j。
另一方面，如果在子步骤164确定可服务乘客集合visitk为空，则在子步骤165，服务器30可以确定共享车辆k的调度结果。也就是说，共享车辆k的所有可服务乘客都已得到了服务或者共享车辆k的空闲座位数小于任何乘客的所需座位数，在这种情况下，对共享车辆k的调度完成。
至此，方法100完成了一次共享车辆的调度，该调度结果包括共享车辆k的第一乘客i和第二乘客j。然而，该调度仅仅是局部的，因此为了实现全局最优调度，方法100还可以对上述过程进行迭代更新。这个迭代更新可以包括对乘客k的可服务乘客集合visitk的迭代更新和对系统1的所有待访问乘客集合allowk的迭代更新。
对于前者，可以在确定第二乘客j之后根据第二乘客j的所需座位数更新共享车辆k的空闲座位数，并且再次执行图6所示的过程以确定共享车辆k可以服务的其他乘客。
对于后者，如图2中所示，方法100还可以包括步骤170，其中服务器30更新待访问乘客集合allowk。这里，对于静态拼车来说，更新待访问乘客集合allowk即表示从待访问乘客集合allowk中去除步骤160所确定的第二乘客j。
然后，方法100再次进行到步骤130以确定更新后的待访问乘客集合allowk是否为空。
另一方面，如果步骤130中确定待访问乘客集合allowk为空，则在步骤180，服务器30可以确定可用共享车辆集合V的调度结果，其中可用共享车辆集合V的调度结果包括每个共享车辆的、按照行程起点排列的乘客列表。
如前所述，在步骤160中的一次调度结果包括共享车辆k的第一乘客i和第二乘客j，重复步骤160可以得到共享车辆k的完整调度结果，当上述过程重复直至待访问乘客集合allowk为空时，表示步骤110所获得的所有乘客都已得到服务，因此服务器30可以得到此时的各个车辆20的调度结果。
此外，上述方法100可以重复执行，直至收敛至最优路径。
在拼车服务中，假设车辆速度与交通流量相关，因此在遍历乘客过程中，以最短距离作为全局优化，可以有效的降低成本。
图7示出了适合实现本公开的实施例的计算设备700的结构方框图。计算设备700例如可以是如上所述的服务器30。
如图7中所示，计算设备700可以包括一个或多个中央处理单元(CPU)710(图中仅示意性地示出了一个)，其可以根据存储在只读存储器(ROM)720中的计算机程序指令或者从存储单元780加载到随机访问存储器(RAM)730中的计算机程序指令，来执行各种适当的动作和处理。在RAM 730中，还可存储计算设备700操作所需的各种程序和数据。CPU 710、ROM 720以及RAM 730通过总线740彼此相连。输入/输出(I/O)接口750也连接至总线740。
计算设备700中的多个部件连接至I/O接口750，包括：输入单元760，例如键盘、鼠标等；输出单元770，例如各种类型的显示器、扬声器等；存储单元780，例如磁盘、光盘等；以及通信单元790，例如网卡、调制解调器、无线通信收发机等。通信单元790允许计算设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的方法100例如可由计算设备700(如服务器30)的CPU 710执行。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包括于机器可读介质，例如存储单元780。在一些实施例中，计算机程序的部分或者全部可以经由ROM 720和/或通信单元790而被载入和/或安装到计算设备700上。当计算机程序被加载到RAM 730并由CPU710执行时，可以执行上文描述的方法100的一个或多个操作。此外，通信单元790可以支持有线或无线通信功能。
本领域技术人员可以理解，图7所示的计算设备700仅是示意性的。在一些实施例中，服务器30可以包含比计算设备700更多或更少的部件。
利用本公开的方案，通过基于交通流量、车辆容量(空闲座位数)和每个乘客所需座位数的约束来对蚁群算法进行改进，从而得到约束条件下的能够实现全局最优的静态拼车路径的演化方法。
进一步地，本发明在蚁群算法基础上，通过派遣多个车辆，模拟一只蚂蚁的遍历方法，同时设置车辆容量约束，提高了车辆的综合利用率，通过全局优化，寻找全局化的最优路径，降低整体用户的等待时长。同时能够保证蚂蚁搜索对更有用信息的机动性探索，从而创造了开辟新的更有利路径的机会，从每一代蚂蚁成功搜索的路径中选择较好的若干条进行全局信息素更新，从而相对加快了蚂蚁搜索的收敛速度。
进一步地，本发明针对蚁群算法中信息素的更新提出了适应交通周期性变化的方法，防止高峰期出行所积累的信息素影响后续低谷期，而在高峰期与低谷期内，信息素的挥发方法同样符合在周期内出行的乘客的特征。
以上结合附图对根据本公开的共享车辆调度方法100以及可用作服务器30的计算设备700进行了描述。然而本领域技术人员可以理解，方法100的步骤的执行并不局限于图中所示和以上所述的顺序，而是可以以任何其他合理的顺序来执行。此外，计算设备700也不必须包括图7中所示的所有组件，其可以仅仅包括执行本公开中所述的功能所必须的其中一些组件，并且这些组件的连接方式也不局限于图中所示的形式。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
在一个或多个示例性设计中，可以用硬件、软件、固件或它们的任意组合来实现本公开所述的功能。例如，如果用软件来实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上，或者作为计算机可读介质上的一个或多个指令或代码来传输。
本文公开的装置的各个单元可以使用分立硬件组件来实现，也可以集成地实现在一个硬件组件，如处理器上。例如，可以用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或者晶体管逻辑、分立硬件组件或用于执行本文所述的功能的任意组合来实现或执行结合本公开所描述的各种示例性的逻辑块、模块和电路。
本领域普通技术人员还应当理解，结合本公开的实施例描述的各种示例性的逻辑块、模块、电路和算法步骤可以实现成电子硬件、计算机软件或二者的组合。
本公开的以上描述用于使本领域的任何普通技术人员能够实现或使用本公开。对于本领域普通技术人员来说，本公开的各种修改都是显而易见的，并且本文定义的一般性原理也可以在不脱离本公开的精神和保护范围的情况下应用于其它变形。因此，本公开并不限于本文所述的实例和设计，而是与本文公开的原理和新颖性特性的最广范围相一致。

Claims (12)

1.一种共享车辆调度方法，包括：
获取参与静态拼车的乘客的订单信息，所述订单信息至少包括每个乘客的行程起点和所需座位数；
基于所述订单信息确定待访问乘客集合；
确定所述待访问乘客集合是否为空；
如果所述待访问乘客集合不为空，从可用共享车辆集合中选择一个共享车辆，并从所述待访问乘客集合中选择第一乘客以分配给所述共享车辆；
基于随时间变化的信息素挥发度、初始信息素挥发度、所述可用共享车辆集合中的每个共享车辆的信息素浓度改变量，通过改进蚁群算法来确定概率信息，所述概率信息指示所述可用共享车辆集合中的每个共享车辆从所述待访问乘客集合中的一个乘客转移到另一个乘客的概率；以及
基于所述概率信息和所述共享车辆的空闲座位数确定所述共享车辆的第二乘客，
其中确定概率信息包括：基于随时间变化的信息素挥发度和初始信息素挥发度确定信息素衰减函数；基于所述初始信息素挥发度和所述信息素衰减函数确定信息素挥发函数；基于所述信息素挥发函数和所述可用共享车辆集合中的每个可用共享车辆的信息素浓度改变量确定信息素浓度函数；以及基于所述信息素浓度函数、启发函数、信息素重要程度因子和启发函数因子确定所述概率信息，
并且其中随时间变化的信息素挥发度包括由高峰时段的信息素挥发度和非高峰时段的信息素挥发度构成的分段函数，并且所述高峰时段的信息素挥发度小于所述非高峰时段的信息素挥发度，其中确定信息素衰减函数包括：基于所述高峰时段的信息素挥发度或所述非高峰时段的信息素挥发度、从初始时刻经过的时间段长度和所述初始信息素挥发度，确定所述信息素衰减函数。
2.如权利要求1所述的方法，还包括：
更新所述待访问乘客集合，并确定更新后的待访问乘客集合是否为空。
3.如权利要求1所述的方法，还包括：
如果所述待访问乘客集合为空，确定所述可用共享车辆集合的调度结果，其中所述可用共享车辆集合的调度结果包括每个共享车辆的、按照行程起点排列的乘客列表。
4.如权利要求1所述的方法，其中从可用共享车辆集合中选择一个共享车辆包括：
确定所述可用共享车辆集合中的可用共享车辆的数量，其中所述可用共享车辆是具有空闲座位的共享车辆；
确定所述可用共享车辆的数量是否为零；
如果所述可用共享车辆的数量为零，增加调度一个共享车辆，并更新所述可用共享车辆集合；以及
如果所述可用共享车辆的数量大于零，从所述可用共享车辆集合中选择所述共享车辆。
5.如权利要求1所述的方法，其中所述信息素挥发函数随着所述信息素衰减函数从所述初始信息素挥发度指数衰减。
6.如权利要求1所述的方法，其中确定信息素挥发函数包括：
为所述信息素衰减函数设置时间偏移量，
其中所述信息素挥发函数随着以所述时间偏移量偏移的信息素衰减函数从所述初始信息素挥发度指数衰减。
7.如权利要求1所述的方法，其中确定信息素浓度函数包括：
基于所述信息素挥发函数确定信息素浓度函数的衰减分量；
基于所述可用共享车辆集合中的每个可用共享车辆的信息素浓度改变量确定所述信息素浓度函数的增加分量；以及
基于所述衰减分量和所述增加分量迭代确定所述信息素浓度函数。
8.如权利要求7所述的方法，其中确定所述信息素浓度函数的增加分量包括：
基于信息素常数和每个可用共享车辆经过的总路径确定所述信息素浓度改变量。
9.如权利要求1所述的方法，其中基于所述概率信息和所述共享车辆的空闲座位数确定所述共享车辆的第二乘客包括：
基于所述共享车辆的空闲座位数和每个乘客的所需座位数确定所述共享车辆的可服务乘客集合；
确定所述可服务乘客集合是否为空；
如果所述可服务乘客集合不为空，基于所述概率信息确定所述共享车辆从所述第一乘客到所述可服务乘客集合中的其他乘客的概率向量；以及
从所述概率向量中选择概率值最大的乘客作为所述第二乘客。
10.如权利要求9所述的方法，其中基于所述概率信息和所述共享车辆的空闲座位数确定所述共享车辆的第二乘客还包括：
如果所述可服务乘客集合为空，确定所述共享车辆的调度结果。
11.一种计算设备，包括：
至少一个处理器；以及
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理器并且存储用于由所述至少一个处理器执行的指令，所述指令当由所述至少一个处理器执行时，使得所述计算设备执行根据权利要求1至10中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序代码，所述计算机程序代码在被处理器运行时执行如权利要求1至10中任一项所述的方法。
CN202011559099.0A 2020-12-25 2020-12-25 共享车辆调度方法、计算设备和计算机可读存储介质 Active CN112613663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011559099.0A CN112613663B (zh) 2020-12-25 2020-12-25 共享车辆调度方法、计算设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011559099.0A CN112613663B (zh) 2020-12-25 2020-12-25 共享车辆调度方法、计算设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112613663A CN112613663A (zh) 2021-04-06
CN112613663B true CN112613663B (zh) 2022-10-28

Family

ID=75245052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011559099.0A Active CN112613663B (zh) 2020-12-25 2020-12-25 共享车辆调度方法、计算设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112613663B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252318B (zh) * 2023-09-26 2024-04-09 武汉理工大学 一种智能网联汽车群机协同拼车调度方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700251A (zh) * 2015-03-16 2015-06-10 华南师范大学 一种车辆调度问题的改进最大-最小蚁群优化方法及系统
CN111709560A (zh) * 2020-05-29 2020-09-25 杭州电子科技大学 一种基于改进蚁群算法的解决车辆路径问题方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251024A (zh) * 2016-08-11 2016-12-21 淮阴工学院 一种基于数据挖掘的城市上下班拼车线路优化拟合方法
WO2018140505A1 (en) * 2017-01-25 2018-08-02 Daniel Ramot Systems and methods for vehicle ridesharing
CN111178724B (zh) * 2019-12-23 2022-03-04 华南理工大学 一种基于演化算法的拼车调度方法
CN112116241B (zh) * 2020-09-16 2021-06-25 山东炎黄工业设计有限公司 一种公共交通智能调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700251A (zh) * 2015-03-16 2015-06-10 华南师范大学 一种车辆调度问题的改进最大-最小蚁群优化方法及系统
CN111709560A (zh) * 2020-05-29 2020-09-25 杭州电子科技大学 一种基于改进蚁群算法的解决车辆路径问题方法

Also Published As

Publication number Publication date
CN112613663A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
Al-Abbasi et al. Deeppool: Distributed model-free algorithm for ride-sharing using deep reinforcement learning
CN111862579B (zh) 一种基于深度强化学习的出租车调度方法及系统
CN109756378B (zh) 一种车载网络下的智能计算卸载方法
US10192448B2 (en) Method to control vehicle fleets to deliver on-demand transportation services
Yuan et al. p^ 2charging: Proactive partial charging for electric taxi systems
US11948220B2 (en) Systems and methods for dynamically selecting transportation options based on transportation network conditions
US11706283B2 (en) Using predictive analytics to determine expected use patterns of vehicles to recapture under-utilized computational resources of vehicles
US11654916B2 (en) Information processing apparatus and information processing method
CN110998568A (zh) 寻觅乘客的可搭载车辆的导航确定系统和方法
US9074904B1 (en) Method for solving carpool matching problem and carpool server using the same
Zhang et al. Autonomous vehicle intelligent system: Joint ride-sharing and parcel delivery strategy
CN113393020A (zh) 物流智能调度方法、装置、设备及存储介质
CN111861620A (zh) 一种订单处理方法和系统
CN112613663B (zh) 共享车辆调度方法、计算设备和计算机可读存储介质
CN116597687A (zh) 一种云控系统下基于停车占用率预测的动态停车分配方法
US20220188711A1 (en) Systems and methods for managing dynamic transportation networks using simulated future scenarios
Belakaria et al. Fog-based multi-class dispatching and charging for autonomous electric mobility on-demand
Oda et al. Distributed fleet control with maximum entropy deep reinforcement learning
Hu et al. Autonomous valet parking optimization with two-step reservation and pricing strategy
Castagna et al. Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility
CN113990093B (zh) 一种无人驾驶电动出租车动态合乘调度系统及方法
US20210082076A1 (en) Systems and methods for matching provider devices to multiple requestor devices
Yang et al. A novel demand dispatching model for autonomous on-demand services
Shen et al. Dynamic and Pareto-improving swapping of vehicles to enhance integrated and modular mobility services
CN117151444B (zh) 汽车充电调度方法、系统、设备及存储介质

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
TR01 Transfer of patent right

Effective date of registration: 20240827

Address after: Room 1302, No. 888 Moyu South Road, Anting Town, Jiading District, Shanghai, May 2018

Patentee after: Shanghai International Automobile City New Energy Vehicle Operation Service Co.,Ltd.

Country or region after: China

Address before: Room 1702, 888 Moyu South Road, Anting Town, Jiading District, Shanghai, 201805

Patentee before: GLOBAL CAR SHARING & RENTAL CO.,LTD.

Country or region before: China

TR01 Transfer of patent right