CN113516526A

CN113516526A - 一种单目标优化的单位同事合乘对象匹配方法

Info

Publication number: CN113516526A
Application number: CN202011277589.1A
Authority: CN
Inventors: 张凯; 龚文浩; 冯亮亮; 徐中有; 侍忠顺; 葛嘉荣
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing University of Information Science and Technology
Priority date: 2020-11-16
Filing date: 2020-11-16
Publication date: 2021-10-19
Anticipated expiration: 2040-11-16
Also published as: CN113516526B

Abstract

本发明公开了一种单目标优化的单位同事合乘对象匹配方法。属于交通运输领域；具体步骤：提前收集公司成员的信息并进行处理；通过改进遗传算法，计算出各个公司成员的优选组合，并进行多轮计算；通过相同节点出发的不同概率构建人工神经网络及权重的载入；当发起合乘请求时，激活神经网络中该节点的位置，经过请求者的筛选条件后，通过读取的内置权重，匹配到合乘的对象。本发明使得上下班的上路车辆有效减少，也实现了出行路程最短，节约道路资源，节能减排的效果。

Description

一种单目标优化的单位同事合乘对象匹配方法

技术领域

本发明涉及交通运输领域，具体涉及一种单目标优化的单位同事合乘对象匹配方法。

背景技术

在名称为“有一种基于价格收益与社会感知的个性化动态车辆合乘方法及系统”(专利号CN201811300578.3)的专利技术中，该技术重点关注合乘行为中的价格和社会关系因素，但其缺点在于其没有注意到出行的整体效率，不能有效的减少上路车辆；在名称为“有一种基于乘客预约的定制公交合乘车辆动态调度方法”(专利号CN201510503362.7)的专利技术中，该专利采用预约的办法动态调度公家车进行合乘，但是其缺点在小汽车方面不能实现，还有待突破。

发明内容

针对上述问题，本发明提供了一种单目标优化的单位同事合乘对象匹配方法；本发明通过改进的遗传算法融合神经网络，以每一个公司为单位，形成合乘对象的匹配，进行出行规划，减少出行的总路程，同时减少上路车辆，减缓通勤时的交通拥堵状况。

本发明的技术方案是：一种单目标优化的单位同事合乘对象匹配方法，具体步骤包括如下：

步骤(1.1)、提前收集公司成员的信息并进行处理；

步骤(1.2)、通过改进遗传算法，计算出各个公司成员的优选组合，并进行多轮计算；

步骤(1.3)、通过相同节点出发的不同概率构建人工神经网络及权重的载入；

步骤(1.4)、当发起合乘请求时，激活神经网络中该节点的位置，经过请求者的筛选条件后，通过读取的内置权重，匹配到合乘的对象。

在步骤(1.1)中，所述对公司成员的信息进行处理的操作如下：

收集公司成员的姓名、性别、年龄、上车地点、公司名称信息，并将所有信息按照公司名称分类，

将收集到的的每个公司员工信息数据的存储格式设置为 company_i＝(name_i,sex_i,age_i,location_i)，

式中，location包括经、纬度两个位置信息，location_i＝{l_ij,l_iw}，处理完毕后上传数据库。

在步骤(1.2)中，所述改进遗传算法具体包括：编辑基因、生成初始种群、编辑适应度函数、交叉及变异操作。

在步骤(1.3)中，所述人工神经网络的搭建以及权重的载入具体是指：将公司成员的人数作为神经网络输入层神经元、隐层神经元个数，隐层为全连接层，输出层为一对一的匹配结果；不同基因组出现的概率作为中间层神经元的值，通过建立各节点之间对应关系。网络实现输入值为某个节点，输出值为匹配结果。

在步骤(1.4)中，在具体激活的执行步骤中，当发起请求后在人工神经网络中激活该节点，在匹配成功后，关闭节点，避免重复使用。

本发明的有益效果是：本发明所述的一种单目标优化的单位同事合乘对象匹配方法，通过提前采集所有公司成员的地址信息，由系统进行分类处理。处理完毕后，经由遗传算法使用初始化种群、交叉、变异等操作，从节约出行总路程的角度出发，选出每一公司的优选搭配组合；经过多次的算法迭代，将各优选组合出现的概率作为权重载入到人工神经网络中。经过上述的预处理操作，当单位某一员工发起合乘请求，从人工神经网络中读取权重最大的对象，实现快速匹配对象的效果，同时使得上下班的上路车辆有效减少，也实现了出行路程最短，节约道路资源，节能减排的效果。

附图说明

图1是本发明的结构流程图；

图2是本发明中改进遗传算法流程图；

图3是本发明中适应度迭代曲线图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

具体的，一种单目标优化的单位同事合乘对象匹配方法，所述的方法具体包括以下步骤：

步骤(1.1)、提前收集公司成员的信息并进行处理；进行合乘的对象匹配；

首先，需要收集公司成员的个人信息：姓名、性别、年龄、上车地点、公司名称、地址等信息，并将所有信息按照公司名称分类，

每条数据的格式为company_i＝(name_i，sex_i，age_i，location_i)，其中location包括包含经、纬度两个位置信息，location_i＝{l_ij，l_iw}，处理完毕后上传数据库，具体的如图1所述。

如图2所述，步骤(1.2)、通过改进遗传算法，计算出各个公司成员的优选组合，并进行多轮计算；需要说明的是，图二中描述的改进遗传算法包括编辑基因、生成初始种群、编辑适应度函数、交叉及变异操作；

具体的，所述改进遗传算法编辑基因操作具体如下，

染色体并不是一辆车从开始到结束的地点集合，而是同一单位的多辆车的位移集合；每一个车的行驶路径代表一个基因，多个基因组成一个染色体；一个基因由两个实数组成，例如基因1-2代表处于第一个坐标位置驾驶人驾车带着第二个坐标位置的同事前往公司，前面的实数1表示驾驶人l₁所在位置，后者实数2 表示乘坐人l₂所在位置；而染色体由众多基因组成，如染色体1-2|3-4|5-6|7-8 |......，全部需要前往公司的车辆行驶位移组合基因组成了一条染色体；不同的组合情况，构成不同的染色体；

所述的改进遗传算法生成初始种群操作具体如下，

在执行合乘操作时，乘车人的经纬度位置应当位于驾车人位置和单位所在地之间；将同一单位的多辆车的位移集合作为初始集合，再将乘车人的经纬度位置应当位于驾车人位置和单位所在地之间作为先验条件以l_i表示驾车人的位置，以 l_j表示乘车人位置，l_i∈U,l_j∈U且l_i≠l_j,偏移量α、β、η、λ为微小值，当满足先验条件时：

单个l_i-l_j的组合构成基因，多个基因构成染色体，不同的多个染色体加上一轮轮盘赌的方法，可以生成具有优势的第一代种群；

所述的改进遗传算法设置适应度操作具体如下：

每一对基因的路程是指驾车人位置到达乘车人位置的距离H_ij加上驾车人位置到达单位位置H_j0的距离之和；若一条染色体长度为n，则完整的染色体表示的距离和为：

在遗传算法中，个体的适应度越大表示该个体对于环境适应越强，越接近最优解，但就运输问题来说，路程越短代表越优，所以将染色体距离和加1的倒数当做适应度函数，表示为:

如图3所述，所述改进遗传算法交叉操作具体如下：需要说明的是，图3 是某一实例的适应度变化曲线；

首先从种群中随机挑选出两个染色体，如染色体1-2|3-4|5-6|7-8和染色体 8-7|6-5|4-3|2-1；之后随机选取交叉点，但由于单个基因是两个位置点构成的，如1-2、3-4等，因此在选取交叉点时，只可以选取偶数交叉点，以达到不破坏原有基因的效果；假设去第一个偶数交叉点和最后一个偶数交叉点，染色体1 保留的基因为x-x|3-4|5-6|x-x，染色体2保留的基因为x-x|6-5|4-3|x-x；在选取好交叉点后，采用顺序交叉法，对于染色体1，取出保留部分x-x|3-4|5-6|x- x，然后选取染色体2第二个偶数交叉因子后的的部分组成编码2-1|8-7|6-5|4- 3，删除与第一个染色体重复基因因子|3-4|5-6|，将剩下的因子2-1|8-7顺序填入第一个染色体，染色体1变为8-7|3-4|5-6|2-1，同理染色体2变为1-2|6-5 |4-3|7-8；

所述的改进遗传算法变异操作具体是：将一条染色体中的两个基因位进行互换。

步骤(1.3)、通过相同节点出发的不同概率构建人工神经网络及权重的载入方便调用；

具体的，将优势组合出现的概率作为权重载入到神经网络；神经网络将单位人数n作为神经网络输入层X神经元个数，同时将n作为神经网络隐层Y神经元个数，隐层为全连接层，输出层为一对一的匹配结果；通过建立各节点之间对应关系；网络实现输入值为某个节点，输出值为匹配结果；使用前面多组遗传算法运行后产生染色体，将整条染色体切割成一对一的形如1-2、3-4的基因组，将满足约束条件二中规定绕行距离C的基因组以首位和尾位分别归类统计，首位为驾驶位，代表选择驾车出行的节点，尾位为乘坐位，代表选择乘车出行的节点。两种模式网络相同，区别在于载入的网络权重；以前者为例，筛选出首位相同，但尾位不同的不同基因组出现的概率作为中间层神经元Y_i(_1≤i≤n)的值，如节点数为6 染色体中首位1的基因组1-2、1-5出现的概率分别为0.2、0.8，其他为0；则Y_i(_1≤i≤6) 为0、0.2、0、0、0.8、0；当有用户发起请求时，通过激活网络节点，迅速的找到匹配对象；

其中，神经元数值Y_i(_1≤i≤n)应满足下列约束条件：

将两层神经元之间的连接权重设置为两者对应节点为因参与合乘产生的绕行距离由于绕行距离与结果负相关，所以修正权重w_ij＝C-r_ij，权重w应当满足条件：w_ij≥0；中间层的输出为：

考虑到无论是驾驶人或者乘车人的出行体验是很重要的因素，因此中间层和输出层的权重h_ij采用前期其他乘客对该驾驶人驾驶行为的评价，由于w_ij和Y_i均小于1，所以h_ij不宜过大，应保证h_ij∈(0,0.5),输出层的输入公式为：

进入输出层神经元后，神经元做筛选操作，取出最大的值输出，输出值为Y_i的下标i，表示合乘匹配对象是第i个节点的同事。

步骤(1.4)、当驾驶人员或乘客发起合乘请求时，激活神经网络中该节点的位置，经过请求者的筛选条件后，通过内置的权重，匹配到合乘的对象；具体的是，当发起请求后在人工神经网络中激活该节点，在匹配成功后，关闭节点，避免重复使用。

最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。

Claims

1.一种单目标优化的单位同事合乘对象匹配方法，其特征在于，具体步骤包括如下：

步骤(1.1)、提前收集公司成员的信息并进行处理；

2.根据权利要求1所述的一种单目标优化的单位同事合乘对象匹配方法，其特征在于，在步骤(1.1)中，所述对公司成员的信息进行处理的操作如下：

将收集到的的每个公司员工信息数据的存储格式设置为company_i＝(name_i,sex_i,age_i,location_i)，

3.根据权利要求1所述的一种单目标优化的单位同事合乘对象匹配方法，其特征在于，在步骤(1.2)中，所述改进遗传算法具体包括：编辑基因、生成初始种群、编辑适应度函数、交叉及变异操作。

4.根据权利要求1所述的一种单目标优化的单位同事合乘对象匹配方法，其特征在于，在步骤(1.3)中，所述人工神经网络的搭建以及权重的载入具体是指：将公司成员的人数作为神经网络输入层神经元、隐层神经元个数，隐层为全连接层，输出层为一对一的匹配结果；不同基因组出现的概率作为中间层神经元的值，通过建立各节点之间对应关系。网络实现输入值为某个节点，输出值为匹配结果。

5.根据权利要求1所述的一种单目标优化的单位同事合乘对象匹配方法，其特征在于，在步骤(1.4)中，在具体激活的执行步骤中，当发起请求后在人工神经网络中激活该节点，在匹配成功后，关闭节点，避免重复使用。