CN113505931A - 一种基于遗传算法的充电机器人动态调度优化方法 - Google Patents

一种基于遗传算法的充电机器人动态调度优化方法 Download PDF

Info

Publication number
CN113505931A
CN113505931A CN202110811641.5A CN202110811641A CN113505931A CN 113505931 A CN113505931 A CN 113505931A CN 202110811641 A CN202110811641 A CN 202110811641A CN 113505931 A CN113505931 A CN 113505931A
Authority
CN
China
Prior art keywords
time
robot
charging
genetic algorithm
scheduling
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.)
Granted
Application number
CN202110811641.5A
Other languages
English (en)
Other versions
CN113505931B (zh
Inventor
李纪锋
周斯加
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN202110811641.5A priority Critical patent/CN113505931B/zh
Publication of CN113505931A publication Critical patent/CN113505931A/zh
Application granted granted Critical
Publication of CN113505931B publication Critical patent/CN113505931B/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
    • G06N3/12—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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于遗传算法的充电机器人动态调度优化方法，包括以下步骤：当电动汽车停入停车场时，用户先通过app向服务器发送充电请求，服务器收到请求后会对充电机器人进行调度；将地下停车场网格化，停车位依次标记序号；采用遗传算法进行调度。上述技术方案，遗传算法的鲁棒性强，通过搜索能有效地得到最优路径，较可靠地解决机器人调度优化问题；局部搜索使用了大领域搜索算法的破坏和修复的思想，能够很好地处理动态调度，更符合调度的实际情况；遗传算法发不需要遍历所有情况再比较它们的优劣而得出最优解，这降低了计算复杂度，也大大地减少了计算时间，提高计算效率。

Description

一种基于遗传算法的充电机器人动态调度优化方法
技术领域
本发明涉及电动汽车移动充电技术领域，具体涉及一种基于遗传算法的充电机器人动态调度优化方法。
背景技术
近年来，人们在绿色出行领域中不断探索，大力发展绿色交通，电动汽车就是其中的主要代表。市面上的电动汽车保有量增加相当迅速，配套的充电设施却相当不足，充电问题是亟待解决的重难点。
针对充电问题，目前最可行的方案就是各大汽车厂提出的移动式充电机器人，如爱驰、大众的充电机器人，但目前还缺少对该领域下的充电调度方法。
随着新能源汽车逐渐取代传统能源汽车，未来停车场将出现只有电动汽车的情景。如果在停车时间段使用充电机器人为用户提供充电，将大大方便车辆用户，同时也缓解了我国充电基站数量严重不足的问题。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于遗传算法的充电机器人动态调度优化方法，该方法提高电动汽车的充电效率，给用户提供智能的充电方案，使用方便且实用性好。
为实现上述目的，本发明提供了如下技术方案：一种基于遗传算法的充电机器人动态调度优化方法，包括以下步骤：
(1)当电动汽车停入停车场时，用户先通过app向服务器发送充电请求，服务器收到请求后会对充电机器人进行调度；
(2)将地下停车场网格化，停车位依次标记序号；
(3)采用遗传算法进行调度。
作为优选的，步骤(2)具体包括以下子步骤：
(2.1)每个车辆所需充电时间和充电时间窗由顾客通过aap下单告知，视为已知；
(2.2)机器人行驶到任务点有2min充电的准备时间然后工作，同理工作完毕后有1min的准备时长，然后返回到任务中心或到下一个任务点；
(2.3)充电电量、放电电量与充放电时间为正比关系；全部转化为时间，机器人可以工作3h，充电1h充满。
作为优选的，步骤(3)包括以下子步骤：
(3.1)编码方案设计：
在车辆调度问题上，遗传算法采用双层自然数编码分别形成行车路线和充电需求；在选择、交叉、变异操作时，之前先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照时间约束把配送中心加上，避免产生很多不符合约束的个体；
(3.2)初始种群设计：
采用随机生成法来生成初始种群，即随机生成一个有R个染色体的初始种群，对染色体进行解码，就可以得到R个机器人调度方案；
(3.3)适应度函数设计：
在全局路径规划过程中需选取合适的适应度函数，即将目标函数作为评价群体中路径优劣的标准和依据，适应度函数越大，证明个体越优秀，而优化目标则是越小越好，故而目标函数取倒数，与适应度函数保持一致；
(3.4)选择操作：轮盘赌法
适应度比例方法是遗传算法中应用较为广泛的一种选择策略，其基本思想为染色体的选择概率与其适应度函数值成正比，个体被选中的概率由适应度函数值决定；为保证最优的个体能够遗传给后代，将适应度最大的前两个个体直接保留传给下一代，这样既保留了最优的个体，也保证了个体的多样性；在实际进行选择、交叉、变异操作时，先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照载重约束把配送中心加上，避免产生很多不符合约束的个体；
(3.5)交叉操作：单点交叉映射法
采用单点交叉映射法进行交叉，首先根据交叉概率Pm随机产生一个交叉点，对两个父代染色体执行单点交叉，这样就得到两个新染色体，然后查找交叉点前面的重复基因，根据交叉点后面的位置映射关系，对出现的重复基因全部进行替换，最后判断经过单点交叉映射法后的两个子代染色体是否满足本发明的电量约束和载重量约束；单点交叉映射法是改进的部分匹配交叉法，对比传统的交叉方法，单点交叉映射法可以很好的满足本发明所研究问题的约束条件；
(3.6)变异操作：插入变异法采用插入变异法进行变异，首先从父代染色体串中随机选择一个基因，然后根据变异概率随机产生一个插入点，将这个基因放在插入点中间，最后判断经过插入变异后的子代染色体是否满足本发明的电量约束和时间约束；
(3.7)判断经过上述步骤所产生的新种群是否满足迭代要求，不满足则回到步骤(3.3)开始新一轮的计算；否则，则退出循环，输出最新一代种群，若无动态要求，则输出最优解，若有，则进行下一步骤。
(3.8)动态调度策略：大邻域搜索算法设计
初始车辆运行任务会通过第一阶段的优化调度而得到最优静态调度方案，但是在随后的运行过程中新需求的不断产生会使得原有的静态方案并不能够满足实际需求，不能够使得配送任务得以完成，所以要在前者的基础上将动态优化过程进行加入；选择运用局部搜索算法对新产生的动态任务需求进行满足，通过插入操作，从而生成新的动态调度方案；局部搜索使用了大领域搜索算法(LNS)的破坏和修复的思想。
(3.9)步骤(3.8)中生成的种群回到步骤(3.3)中。
(3.10)充电机器人将按照调度方案对电动汽车充电。
本发明的优点是：与现有技术相比，本发明有益效果主要表现在:
1、遗传算法的鲁棒性强，通过搜索能有效地得到最优路径，较可靠地解决机器人调度优化问题；
2、本发明的局部搜索使用了大领域搜索算法(LNS)的破坏和修复的思想，能够很好地处理动态调度，更符合调度的实际情况；
3、遗传算法发不需要遍历所有情况再比较它们的优劣而得出最优解，这降低了计算复杂度，也大大地减少了计算时间，提高计算效率。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实施例经典遗传算法的流程图；
图2为本发明实施例基于遗传算法的动态调度优化算法流程图。
具体实施方式
在本实施例的描述中，需要说明的是，如出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”、“前”、“后”等，其所指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此，不能理解为对本发明的限制。此外，如出现术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
参见图1和图2，本发明公开的一种基于遗传算法的充电机器人动态调度优化方法，包括以下步骤：
(1)当电动汽车停入停车场时，用户先通过app向服务器发送充电请求，服务器收到请求后会对充电机器人进行调度；
(2)将地下停车场网格化，停车位依次标记序号；
(3)采用遗传算法进行调度。
作为优选的，步骤(2)具体包括以下子步骤：
(2.1)每个车辆所需充电时间和充电时间窗由顾客通过aap下单告知，视为已知；
(2.2)机器人行驶到任务点有2min充电的准备时间然后工作，同理工作完毕后有1min的准备时长，然后返回到任务中心或到下一个任务点；
(2.3)充电电量、放电电量与充放电时间为正比关系；全部转化为时间，机器人可以工作3h，充电1h充满。车辆需求区间为0.5-1.5h
电动汽车充电机器人调度问题可以描述成如下的优化问题：
地下停车场A的配送中心(充电中心)内有W辆电动汽车，在某个配送任务中需要m(m≤W)个充电机器人向n个车辆(配送点)提供充电服务，配送中心和配送点的位置已知，配送中心和配送点任意两个节点之间的最短距离和路径已知，配送点的需求量(为动态0.5-1.5h，至少满足下限值)和配送点的充电时间窗已知，电动汽车从配送中心出发时已充满电，充电完成后回到配送中心快速充电，在已知上述信息、设置的充电情景和满足配送点充电时间窗和移动充电机器人电量约束等约束条件的情况下，科学合理的安排行车路线和出行时间，实现车辆等待时间最少和累计给汽车充电量收益最大的多目标优化。
建立多目标函数，多目标函数的各参数定义如下：
Figure BDA0003168498780000061
为所有车辆累计等待机器人时长；
Figure BDA0003168498780000062
为机器人累计工作时长；
C为不同时间窗的单位充电时间价格；
a，b为权重，a＝0.3，b＝0.7；
Q为机器人的最大储存电量，这里量化为时间，单位是小时；
ESi和LSi分别为任务i允许的最早开始时间和允许的最迟结束时间。
多目标函数：
Figure BDA0003168498780000063
其中，C＝1/(ESi-LSi)，描述的是不同时间窗的单位充电时间价格函数，
Figure BDA0003168498780000064
描述的是机器人的累计工作时长不能超过其上限Q；
ESi≤Ti≤LSi，表示充电的时间窗约束
处理约束条件的方法，采用增广目标函数：
Figure BDA0003168498780000065
其中，ψ(x)为惩罚因子，可根据不同文献采用不同的惩罚函数，使得违背约束条件的染色体对应方案的等待时间会变得极大，在迭代进化中很容易被淘汰。
作为优选的，步骤(3)包括以下子步骤：
(3.1)编码方案设计：
在车辆调度问题上，遗传算法采用双层自然数编码分别形成行车路线和充电需求；在选择、交叉、变异操作时，之前先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照时间约束把配送中心加上，避免产生很多不符合约束的个体；
具体为：假设A公司需要服务的配送点n为9，随机生成的自然数排列为376582149|0.5 0.5 1 1 1 1 1 1 0.5，那么该排列就表示一个合法的染色体，竖线前表示行走路线，竖线后表示车辆充电需求时间。对于解码操作，上述染色体的解码过程为：将配送点3作为充电机器人1的第一个服务对象，判断是否满足问题的时间约束和电量约束，若满足，再将配送点7作为充电机器人1的第二个服务对象，再次判断是否满足问题的时间约束和电量约束，若满足，再将配送点6作为充电机器人1的第三个服务对象，再次判断是否满足问题的时间约束和电量约束，若仍能满足，再将配送点5作为充电机器人1的第四个服务对象，再次判断是否满足问题的时间约束和电量约束，若不满足，这时可以得出充电机器人1的行车路线为0-3-7-6-0，重复上述操作，得出充电机器人2的行车路线为0-5-8-2-0，充电机器人3的行车路线为0-1-4-9-0，这样就得出该染色体的充电机器人数目为3。最终生成了个体0-3-7-6-0-5-8-2-0-1-4-9-0|0.5 0.5 1 1 1 1 1 1 0.5。已知每辆充电机器人的行车路线，就可以得出每辆充电机器人的出车时间、到达配送点时间、离开配送点时间和返回时间，根据充电机器人的返回时间以及出车时间计算目标函数所需参数，其中子路径内部顺序的改变会影响适应度值的变化，子路径之间顺序互换不会改变适应度值。在选择、交叉、变异操作时，先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照时间约束把配送中心加上，这样就可避免产生很多不符合约束的个体。
(3.2)初始种群设计：
采用随机生成法来生成初始种群，即随机生成一个有R个染色体的初始种群，对染色体进行解码，就可以得到R个机器人调度方案；
(3.3)适应度函数设计：
在全局路径规划过程中需选取合适的适应度函数，即将目标函数作为评价群体中路径优劣的标准和依据，适应度函数越大，证明个体越优秀，而优化目标则是越小越好，故而目标函数取倒数，与适应度函数保持一致；
(3.4)选择操作：轮盘赌法
适应度比例方法是遗传算法中应用较为广泛的一种选择策略，其基本思想为染色体的选择概率与其适应度函数值成正比，个体被选中的概率由适应度函数值决定；为保证最优的个体能够遗传给后代，将适应度最大的前两个个体直接保留传给下一代，这样既保留了最优的个体，也保证了个体的多样性；在实际进行选择、交叉、变异操作时，先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照载重约束把配送中心加上，避免产生很多不符合约束的个体；
具体为：包括以下步骤：
步骤1：计算每个染色体的适应度值fk；
步骤2：计算种群中n个染色体的适应度值之和
Figure BDA0003168498780000081
步骤3：计算每个染色体的选择概率PK＝fk/F，K＝1,2,3,,,n；
步骤4：计算每个染色体的累计概率
Figure BDA0003168498780000082
K＝1,2,3,,,n；
步骤5：随机生成n个0到1之间的随机数rk，并将n个rk进行排序，比较r和qk的值，若rk≤q1，则保留第一个染色体，以此类推对个体进行选择。
为保证最优的个体能够遗传给后代，将适应度最大的前两个个体直接保留传给下一代，这样既保留了最优的个体，也保证了个体的多样性。在实际进行选择、交叉、变异操作时，先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照载重约束把配送中心加上，这样就可避免产生很多不符合约束的个体。
(3.5)交叉操作：单点交叉映射法
采用单点交叉映射法进行交叉，首先根据交叉概率Pm随机产生一个交叉点，对两个父代染色体执行单点交叉，这样就得到两个新染色体，然后查找交叉点前面的重复基因，根据交叉点后面的位置映射关系，对出现的重复基因全部进行替换，最后判断经过单点交叉映射法后的两个子代染色体是否满足本发明的电量约束和载重量约束；单点交叉映射法是改进的部分匹配交叉法，对比传统的交叉方法，单点交叉映射法可以很好的满足本发明所研究问题的约束条件；
具体为：假设两个父代染色体为376582149、431679258，交叉点的位置为376582|149、431679|258，经过单点交叉映射法交叉后的两个子代染色体为376491258、532678149，假设这两个子代染色体满足本发明的电量约束和载重量约束，那么表示交叉操作完成。单点交叉映射法是改进的部分匹配交叉法，对比传统的交叉方法，单点交叉映射法可以很好的满足本发明所研究问题的约束条件。
(3.6)变异操作：插入变异法采用插入变异法进行变异，首先从父代染色体串中随机选择一个基因，然后根据变异概率随机产生一个插入点，将这个基因放在插入点中间，最后判断经过插入变异后的子代染色体是否满足本发明的电量约束和时间约束；
具体为：假设某个父代染色体为376582149，随机选择的基因为第7位，产生的插入点为第3位之后，经过插入变异后的子代染色体为376158249，假设这个子代染色体满足本发明的电量约束和载重量约束，那么表示变异操作完成。
(3.7)判断经过上述步骤所产生的新种群是否满足迭代要求，不满足则回到步骤(3.3)开始新一轮的计算；否则，则退出循环，输出最新一代种群，若无动态要求，则输出最优解，若有，则进行下一步骤(步骤3.8)。
(3.8)动态调度策略：大邻域搜索算法设计
初始车辆运行任务会通过第一阶段的优化调度而得到最优静态调度方案，但是在随后的运行过程中新需求的不断产生会使得原有的静态方案并不能够满足实际需求，不能够使得配送任务得以完成，所以要在前者的基础上将动态优化过程进行加入；选择运用局部搜索算法对新产生的动态任务需求进行满足，通过插入操作，从而生成新的动态调度方案；局部搜索使用了大领域搜索算法(LNS)的破坏和修复的思想。
在满足约束的情况下，将新任务随机插入原计划中生成新解，然后使用破坏算子从当前解中移除若干个任务，然后再使用修复算子将被移除的任务重新插回到破坏的解中。在满足约束的前提下，将移除的任务插回到使机器人行驶时间成本增加最少的插入位置。
在满足约束条件的情况下：
第一步，将5插入1-2-3-4任意位置生成新解1-2-3-4-5；
第二步，对这个新解使用破坏的方法，把任务5从新解中拿掉，剩下的任务按照初始顺序依次排列，变成1-2-3-4；
第三步，使用修复方法对破坏后的解进行修复，即对1-2-3-4这个解进行修复，也就是将5这个任务重新安排进1-2-3-4当中，产生4种可能：5-1-2-3-4、1-5-2-3-4、1-2-5-3-4、1-2-3-5-4，于是有了5个解：5-1-2-3-4、1-5-2-3-4、1-2-5-3-4、1-2-3-5-4、1-2-3-4-5，从5个解中选择一个最好的，比如1-2-5-3-4；
第四步，如果初始解还有6-7-8-9，将任务5加入，重复前三步，产生一个局部最优解6-7-5-8-9，比较1-2-5-3-4和6-7-5-8-9取最优解，例如6-7-5-8-9，形成新的解集(1-2-3-4，6-7-5-8-9)。
第五步，假如还有新任务10，将任务10加入(1-2-3-4，6-7-5-8-9)，重复前四步，直至生成最优子代。
(3.9)步骤(3.8)中生成的种群回到步骤(3.3)中。
(3.10)充电机器人将按照调度方案对电动汽车充电。
本发明有益效果主要表现在:
1、遗传算法的鲁棒性强，通过搜索能有效地得到最优路径，较可靠地解决机器人调度优化问题；
2、本发明的局部搜索使用了大领域搜索算法(LNS)的破坏和修复的思想，能够很好地处理动态调度，更符合调度的实际情况；
3、遗传算法发不需要遍历所有情况再比较它们的优劣而得出最优解，这降低了计算复杂度，也大大地减少了计算时间，提高计算效率。
上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。

Claims (5)

1.一种基于遗传算法的充电机器人动态调度优化方法，其特征在于：包括以下步骤：
(1)当电动汽车停入停车场时，用户先通过app向服务器发送充电请求，服务器收到请求后会对充电机器人进行调度；
(2)将地下停车场网格化，停车位依次标记序号；
(3)采用遗传算法进行调度。
2.根据权利要求1所述的一种基于遗传算法的充电机器人动态调度优化方法，其特征在于：步骤(2)具体包括以下子步骤：
(2.1)每个车辆所需充电时间和充电时间窗由顾客通过aap下单告知，视为已知；
(2.2)机器人行驶到任务点有2min充电的准备时间然后工作，同理工作完毕后有1min的准备时长，然后返回到任务中心或到下一个任务点；
(2.3)充电电量、放电电量与充放电时间为正比关系；全部转化为时间，机器人可以工作3h，充电1h充满。
3.根据权利要求1所述的一种基于遗传算法的充电机器人动态调度优化方法，其特征在于：实现车辆等待时间最少和累计给汽车充电量收益最大的多目标优化，多目标函数：
Figure FDA0003168498770000011
其中，
Figure FDA0003168498770000012
为所有车辆累计等待机器人时长；
Figure FDA0003168498770000013
为机器人累计工作时长；
C为不同时间窗的单位充电时间价格；
a＝0.3，b＝0.7；
Q为机器人的最大储存电量，量化为时间，单位是小时；
ESi和LSi分别为任务i允许的最早开始时间和允许的最迟结束时间。
4.根据权利要求1所述的一种基于遗传算法的充电机器人动态调度优化方法，其特征在于：步骤(3)包括以下子步骤：
(3.1)编码方案设计：
在车辆调度问题上，遗传算法采用双层自然数编码分别形成行车路线和充电需求；在选择、交叉、变异操作之前，先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照时间约束把配送中心加上，避免产生很多不符合约束的个体；
(3.2)初始种群设计：
采用随机生成法来生成初始种群，即随机生成一个有R个染色体的初始种群，对染色体进行解码，就可以得到R个机器人调度方案；
(3.3)适应度函数设计：
在全局路径规划过程中需选取合适的适应度函数，即将目标函数作为评价群体中路径优劣的标准和依据，适应度函数越大，证明个体越优秀，而优化目标则是越小越好，故而目标函数取倒数，与适应度函数保持一致；
(3.4)选择操作：轮盘赌法
适应度比例方法是遗传算法中应用较为广泛的一种选择策略，其基本思想为染色体的选择概率与其适应度函数值成正比，个体被选中的概率由适应度函数值决定；为保证最优的个体能够遗传给后代，将适应度最大的前两个个体直接保留传给下一代，这样既保留了最优的个体，也保证了个体的多样性；在实际进行选择、交叉、变异操作时，先把配送中心0去掉，再进行操作，更新种群后再次计算适应度值时再按照载重约束把配送中心加上，避免产生很多不符合约束的个体；
(3.5)交叉操作：单点交叉映射法
采用单点交叉映射法进行交叉，首先根据交叉概率Pm随机产生一个交叉点，对两个父代染色体执行单点交叉，这样就得到两个新染色体，然后查找交叉点前面的重复基因，根据交叉点后面的位置映射关系，对出现的重复基因全部进行替换，最后判断经过单点交叉映射法后的两个子代染色体是否满足电量约束和载重量约束；
(3.6)变异操作：插入变异法采用插入变异法进行变异，首先从父代染色体串中随机选择一个基因，然后根据变异概率随机产生一个插入点，将这个基因放在插入点中间，最后判断经过插入变异后的子代染色体是否满足电量约束和时间约束；
(3.7)判断经过上述步骤所产生的新种群是否满足迭代要求，不满足则回到步骤(3.3)开始新一轮的计算；否则，则退出循环，输出最新一代种群，若无动态要求，则输出最优解，若有，则进行下一步骤；
(3.8)动态调度策略：大邻域搜索算法设计
初始车辆运行任务会通过第一阶段的优化调度而得到最优静态调度方案，但是在随后的运行过程中新需求的不断产生会使得原有的静态方案并不能够满足实际需求，不能够使得配送任务得以完成，所以要在前者的基础上将动态优化过程进行加入；选择运用局部搜索算法对新产生的动态任务需求进行满足，通过插入操作，从而生成新的动态调度方案；局部搜索使用了大领域搜索算法(LNS)的破坏和修复的思想；
(3.9)步骤(3.8)中生成的种群回到步骤(3.3)中；
(3.10)充电机器人将按照调度方案对电动汽车充电。
5.根据权利要求1所述的一种基于遗传算法的充电机器人动态调度优化方法，其特征在于：步骤(3.4)包括以下步骤：
步骤1：计算每个染色体的适应度值fk；
步骤2：计算种群中n个染色体的适应度值之和
Figure FDA0003168498770000041
步骤3：计算每个染色体的选择概率PK＝fk/F，K＝1,2,3,，,n；
步骤4：计算每个染色体的累计概率
Figure FDA0003168498770000042
K＝1,2,3,，,n；
步骤5：随机生成n个0到1之间的随机数rk，并将n个rk进行排序，比较r和qk的值，若rk≤q1，则保留第一个染色体，以此类推对个体进行选择。
CN202110811641.5A 2021-07-19 2021-07-19 一种基于遗传算法的充电机器人动态调度优化方法 Active CN113505931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110811641.5A CN113505931B (zh) 2021-07-19 2021-07-19 一种基于遗传算法的充电机器人动态调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110811641.5A CN113505931B (zh) 2021-07-19 2021-07-19 一种基于遗传算法的充电机器人动态调度优化方法

Publications (2)

Publication Number Publication Date
CN113505931A true CN113505931A (zh) 2021-10-15
CN113505931B CN113505931B (zh) 2024-02-27

Family

ID=78013756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110811641.5A Active CN113505931B (zh) 2021-07-19 2021-07-19 一种基于遗传算法的充电机器人动态调度优化方法

Country Status (1)

Country Link
CN (1) CN113505931B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461370A (zh) * 2022-04-13 2022-05-10 暨南大学 一种面向物联网的安全关键任务调度方法及系统
CN114997644A (zh) * 2022-05-31 2022-09-02 中国能源建设集团广东省电力设计研究院有限公司 海上风电场运维调度方法、系统、计算机设备和存储介质
CN117132010A (zh) * 2023-09-13 2023-11-28 东北农业大学 一种基于遗传算法的车辆配送路径优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376928A (zh) * 2018-10-24 2019-02-22 天津市市政工程设计研究院 考虑双边匹配的定制公交合乘优化方法
CN109583709A (zh) * 2018-11-09 2019-04-05 同济大学 一种自动泊车机器人群体任务调度方法
CN110299769A (zh) * 2019-04-28 2019-10-01 三峡大学 一种激光供能无人机集群化充电调度方法
US20200111175A1 (en) * 2018-10-04 2020-04-09 Honda Motor Co., Ltd. System and method for providing oem control to maximize profits
CN112073522A (zh) * 2020-09-11 2020-12-11 江苏小白兔智造科技有限公司 一种基于手机功能的电动汽车充电的实现方法
CN112884409A (zh) * 2021-02-26 2021-06-01 上海东普信息科技有限公司 配送路线推荐方法、装置、设备及存储介质
CN112886670A (zh) * 2021-03-04 2021-06-01 武汉联一合立技术有限公司 机器人的充电控制方法、装置、机器人及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200111175A1 (en) * 2018-10-04 2020-04-09 Honda Motor Co., Ltd. System and method for providing oem control to maximize profits
CN109376928A (zh) * 2018-10-24 2019-02-22 天津市市政工程设计研究院 考虑双边匹配的定制公交合乘优化方法
CN109583709A (zh) * 2018-11-09 2019-04-05 同济大学 一种自动泊车机器人群体任务调度方法
CN110299769A (zh) * 2019-04-28 2019-10-01 三峡大学 一种激光供能无人机集群化充电调度方法
CN112073522A (zh) * 2020-09-11 2020-12-11 江苏小白兔智造科技有限公司 一种基于手机功能的电动汽车充电的实现方法
CN112884409A (zh) * 2021-02-26 2021-06-01 上海东普信息科技有限公司 配送路线推荐方法、装置、设备及存储介质
CN112886670A (zh) * 2021-03-04 2021-06-01 武汉联一合立技术有限公司 机器人的充电控制方法、装置、机器人及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
姜英杰;吕学勤;段利伟;: "栅格遗传算法的变电站巡检机器人路径规划", 科技与创新, no. 06 *
李建;达庆利;孙浩;: "逆向需求动态出现的混合集散货物路线问题", 计算机集成制造系统, no. 07 *
陈晶晶;陈虹微;卢振良;黄锦鹏;许珂?;: "预估模型的遗传算法在WRSN中的充电调度研究", 龙岩学院学报, no. 05, pages 42 - 48 *
陈晶晶;陈虹微;卢振良;黄锦鹏;许珂珺;: "预估模型的遗传算法在 WRSN中的充电调度研究", 龙岩学院学报, vol. 38, no. 5, pages 42 - 48 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114461370A (zh) * 2022-04-13 2022-05-10 暨南大学 一种面向物联网的安全关键任务调度方法及系统
CN114461370B (zh) * 2022-04-13 2022-07-01 暨南大学 一种面向物联网的安全关键任务调度方法及系统
CN114997644A (zh) * 2022-05-31 2022-09-02 中国能源建设集团广东省电力设计研究院有限公司 海上风电场运维调度方法、系统、计算机设备和存储介质
CN114997644B (zh) * 2022-05-31 2023-05-26 中国能源建设集团广东省电力设计研究院有限公司 海上风电场运维调度方法、系统、计算机设备和存储介质
CN117132010A (zh) * 2023-09-13 2023-11-28 东北农业大学 一种基于遗传算法的车辆配送路径优化方法

Also Published As

Publication number Publication date
CN113505931B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN113505931A (zh) 一种基于遗传算法的充电机器人动态调度优化方法
CN108981736B (zh) 一种基于用户出行规律的电动汽车充电路径优化方法
CN109034465B (zh) 考虑充电站选址与出行路径耦合的充电站两层规划方法
CN108921472B (zh) 一种多车型的两阶段车货匹配方法
CN108199100B (zh) 智能交通中电动汽车长途运行充电规划方法
CN112200367B (zh) 一种支持充放电策略的电动汽车配送路径优化方法
CN111532166A (zh) 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质
CN112378415B (zh) 一种工器具的调度规划方法、装置及设备
JP2011197932A (ja) エネルギーナビゲーション制御装置、エネルギーナビゲーションシステム、およびエネルギーナビゲータ
CN107909228B (zh) 基于模因计算的动态车辆收发货路径规划方法及装置
Zeng et al. Optimization of future charging infrastructure for commercial electric vehicles using a multi-objective genetic algorithm and real travel data
CN111626492B (zh) 一种电动汽车充电网络模糊多目标机会约束规划方法
CN110084520A (zh) 基于公交线路与网格化ap算法的充电站选址方法及装置
CN115344653A (zh) 一种基于用户行为的电动汽车充电站选址方法
Krallmann et al. Multi-objective optimization of charging infrastructure to improve suitability of commercial drivers for electric vehicles using real travel data
CN114707693A (zh) 一种车辆配送路径规划方法及系统
CN110046745A (zh) 社区配送路径优化方法和装置
Shen et al. Integrated optimization of electric vehicles charging location and allocation for valet charging service
CN113672857A (zh) 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法
CN110956325B (zh) 一种带时间窗的电动汽车路径规划方法
CN109800920B (zh) 一种考虑充电时间的共享电动汽车的站点选址方法
CN110674988A (zh) 一种基于电动汽车出行大数据的城区充电站规划方法
CN114329783A (zh) 一种多目标电动汽车充电网络规划方法
CN114742329B (zh) 一种改进的城市内涝车辆避险路径遗传规划方法
CN111626493B (zh) 一种考虑充电服务能力和运行效率的充电网络规划方法

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