CN113935505A - 基于列生成和蚁群算法融合的共享电动汽车运营优化方法 - Google Patents

基于列生成和蚁群算法融合的共享电动汽车运营优化方法 Download PDF

Info

Publication number
CN113935505A
CN113935505A CN202111205484.XA CN202111205484A CN113935505A CN 113935505 A CN113935505 A CN 113935505A CN 202111205484 A CN202111205484 A CN 202111205484A CN 113935505 A CN113935505 A CN 113935505A
Authority
CN
China
Prior art keywords
order
shared electric
electric vehicle
path
shared
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.)
Pending
Application number
CN202111205484.XA
Other languages
English (en)
Inventor
赵锡园
张思成
张博文
李想
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.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
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 Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202111205484.XA priority Critical patent/CN113935505A/zh
Publication of CN113935505A publication Critical patent/CN113935505A/zh
Pending legal-status Critical Current

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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q30/0645—Rental transactions; Leasing transactions
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

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

Abstract

本发明涉及一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法及系统，其方法包括：S1：获取共享电动汽车预定订单和预测信息；S2：根据共享电动汽车预定订单和预测信息，确定共享电动汽车的车队配置和路径优化的目标和约束条件；S3：根据目标和约束条件，建立混合整数线性规划模型，以使得共享电动汽车系统的总利润最大化；S4：使用D‑W分解对混合整数线性规划模型进行分解重构，得到重构的规划模型；S5：采用列生成和蚁群算法组成的混合算法对重构的规划模型进行求解，计算车队构成和路径规划方案。本发明解决了共享电动汽车系统中的运营优化问题，提高运营企业的盈利能力，决策可靠性高和计算稳定性强。

Description

基于列生成和蚁群算法融合的共享电动汽车运营优化方法
技术领域
本发明涉及城市共享交通领域，具体涉及一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法及系统。
背景技术
随着互联网、云计算和人工智能等新技术的发展，人们的日常出行方式正在发生深刻变化。私家车使用便捷，但持有成本高和停车位不足的问题十分突出；公交、地铁等公共交通工具又面临停车频繁、换乘不便、运力不足的问题。随着移动互联网的发展，越来越多的人开始使用智能化、个性化的共享交通方式。共享交通是一种介于私家车和公共交通之间的新型交通方式，是汽车租赁市场的一个细分，即分时租赁。这种出行方式的本质是将同一辆汽车安排给出行时间不重叠的多名顾客使用，很好的弥补了传统交通体系中的不足之处。
共享汽车公司以电动汽车为主要产品，一方面响应国家新能源的政策，可以实现绿色出行；另一方面电动汽车便于管理且运营成本较低。电动汽车由于操作简单，易于联网，使公司可以更加方便的调度和监控电池等运行数据。虽然电动汽车相较于相似的燃油车购置成本较高，但纯电动汽车在购置时可以享受免征购置税等补贴政策，另外，长期来看，电动汽车的运营成本更低。为了满足市民多样化的出行需求和提升共享服务的竞争力，共享电动汽车公司已经开始支持异地还车。然而，支持异地还车的共享模式在经过一段时间的运营之后，会出现车辆分布情况与顾客的需求无法匹配的情况。相较于传统的燃油车，电动汽车的主要问题是行驶里程短和充电时间长，对于提供共享汽车服务的公司来说，要提供更加满意的共享电动汽车租赁服务，必须在安排共享任务时考虑车辆的再平衡和充电操作，保证车辆能够完成将要执行的共享任务。另外，随着共享行业的发展和新型电动汽车的推广普及，共享电动汽车公司的电动汽车车队逐渐从单一型号向多型号转变，小型车辆成本低但电池容量小，需要频繁的进行能源补给；行驶里程长的车可以完成长距离订单且有能力连续执行多个订单，但购置成本也显著增加。多车型这一现实问题的存在，在共享电动汽车公司的运营过程中进一步增加了共享电动汽车车队管理和路径规划的复杂性。
目前共享电动汽车公司的共享系统在运营过程中大多根据经验对车队进行管理，随机选用共享电动汽车执行订单任务缺乏系统性的管理和全局协调，严重影响共享电动汽车的使用率和共享电动汽车系统的盈利能力，不利于共享电动汽车企业长期健康发展。
发明内容
为了解决上述技术问题，本发明提供一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法及系统。
本发明技术解决方案为：一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法，包括：
步骤S1：收集共享电动汽车系统的用户终端上传的共享电动汽车预定信息，对其进行预处理，得到共享电动汽车预定订单和预测信息；其中，所述预处理包括：基于经验数据预测所述用户的实际行驶距离、租车费用以及惩罚费用；添加虚拟起始和终止任务；
步骤S2：根据所述共享电动汽车预定订单和所述预测信息，确定所述共享电动汽车的车队配置和路径优化的目标和约束条件，其中，所述目标为使所述共享电动汽车系统的总利润最大化，约束条件包括：所述用户不能被重复访问、共享电动汽车在行驶里程以及时间和空间上的限制；
步骤S3：根据所述目标和约束条件，建立混合整数线性规划模型；其中，所述混合整数线性规划模型包括：目标函数及其约束条件；
步骤S4：使用D-W分解对所述混合整数线性规划模型进行分解重构，引入新的变量，得到重构的规划模型，包括：主问题模型和对应的子问题模型；
步骤S5：采用列生成和蚁群算法组成的混合算法对所述重构的规划模型进行求解，得到所述共享电动汽车的车队充电方案和共享电动汽车的路径规划结果，计算所述车队构成和路径规划方案。
本发明与现有技术相比，具有以下优点：
1、本发明公开了一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法，基于目前共享电动汽车系统运营企业中多类型电动汽车的实际情况，以往针对单一车型的共享电动汽车车队管理和路径规划的研究不再适用。本发明将多类型电动汽车的情况引入到模型中，允许共享电动汽车部分充电和有选择地为顾客提供服务，将车队组成、订单指派、路径规划、再平衡和充电综合考虑，具有实际使用价值。
2、本发明公开的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，以最大化系统总利润为目标，综合考虑租车收入、再平衡成本、车队固定成本以及拒绝订单的惩罚，将当前的车队管理和路径优化问题视为传统路径规划问题的进一步拓展，能够为共享电动汽车系统提供决策支持与系统规划，提高共享电动汽车企业的总利润。
3、本发明公开的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，在对模型进行求解时将精确算法中的D-W分解技术，列生成技术与启发式算法中的蚁群优化算法进行结合，能够在保证解决方案精确度的基础上提升计算速度。通过随机案例比较发现：在小规模实例中，本发明的融合算法与CPLEX找到的精确解之间的平均差距小于5％。对于订单量超过100个的大型实例，其规划结果优于CPLEX在1小时内所寻到的最优解，也明显优于相近时间内纯蚁群优化算法获得的解。本发明方法对各规模实例均具有适用性且在求解质量和求解速度方面取得了平衡，在效率和可靠性方面具有明显优势。
附图说明
图1为本发明实施例中一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法的流程图；
图2为本发明实施例中列生成蚁群算法融合流程示意图；
图3为本发明实施例中路径规划结果的时空网络图示意图；
图4为本发明实施例中一种基于列生成和蚁群算法融合的共享电动汽车运营优化系统的结构框图。
具体实施方式
本发明提供了一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法，采用精确与智能启发式算法融合的方式解决共享电动汽车系统中的运营优化问题，提高共享电动汽车运营企业的盈利能力，具有决策可靠性高和计算稳定性强的优点。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法，包括下述步骤：
步骤S1：收集共享电动汽车系统的用户终端上传的共享电动汽车预定信息，对其进行预处理，得到共享电动汽车预定订单和预测信息；其中，预处理包括：基于经验数据预测用户的实际行驶距离、租车费用以及惩罚费用；添加虚拟起始和终止任务；
步骤S2：根据共享电动汽车预定订单和预测信息，确定共享电动汽车的车队配置和路径优化的目标和约束条件；其中，目标为使所述共享电动汽车系统的总利润最大化，约束条件包括：用户不能被重复访问、共享电动汽车在行驶里程以及时间和空间上的限制；
步骤S3：根据目标和约束条件，建立混合整数线性规划模型；其中，混合整数线性规划模型包括：目标函数及其约束条件；
步骤S4：使用D-W分解对混合整数线性规划模型进行分解重构，引入新的变量，得到重构的规划模型，包括：主问题模型和对应的子问题模型；
步骤S5：采用列生成和蚁群算法组成的混合算法对重构的规划模型进行求解，得到共享电动汽车的车队充电方案和共享电动汽车的路径规划结果，计算车队构成和路径规划方案。
在一个实施例中，上述步骤S1：收集共享电动汽车系统的用户终端上传的共享电动汽车预定信息，对其进行预处理，得到共享电动汽车预定订单和预测信息；其中，预处理包括：基于经验数据预测用户的实际行驶距离、租车费用以及惩罚费用；添加虚拟起始和终止任务，具体包括：
从共享电动汽车系统的用户终端上传的预定信息包含取车和还车的时间与位置，如表1所示，为了便于模型输入，将确切的时间转换为整数，本发明实施例中运营时间为8：00-10：00，将8：00作为0时刻，每分钟视为一个时间节点，用车时间可以转化为[0,120]区间内的整数，本发明实施例转化结果在表2中第4、第5列进行展示；根据北京市市内交通状况和共享汽车收费标准假设共享电动汽车行驶速度为30km/小时，电动汽车收费标准分为使用时间和实际行驶里程两部分2元/km+0.2元/分钟，从而预测每个预定订单的实际行驶里程和用车收费，被放弃后为运营商带来的损失(惩罚)为收入的1/2；添加虚拟投放位置4和5，从任意位置移动到位置4和5既不耗费时间也不耗费电量，其他站点间的距离用矢量距离表示；虚拟的起始订单(订单0)和结束订单(订单8)分别在位置4和位置5停放，取/还车时间分别为最小的0时刻和最大的120时刻，不会耗费实际用车费用，为了保证他们一定被服务，将惩罚值设为一个极大值，本案例中取值为1000000。处理后的预定信息如表2所示；
表1用户终端上传的预定信息
Figure BDA0003306671960000051
表2处理后的预定订单信息
Figure BDA0003306671960000052
在一个实施例中，上述步骤S2：根据共享电动汽车预定订单和预测信息，确定共享电动汽车的车队配置和路径优化的目标和约束条件，其中，目标为使所述共享电动汽车系统的总利润最大化，约束条件包括：用户不能被重复访问、共享电动汽车在行驶里程以及时间和空间上的限制，具体包括：
确定异构车队配置和路径优化模型的目标函数和约束条件，在以为最大化共享电动汽车系统的总利润为目标的混合整数线性规划模型中，目标函数中收入为共享电动汽车执行订单获得的服务费，支出为共享电动汽车再平衡的成本、未执行订单后的负面影响给公司带来的损失以及车队的固定成本；共享电动汽车在运营过程中还需满足以下约束：(1)每个订单最多被服务一次，也有可能不被服务；(2)任务链中后续订单的开始时间总是晚于前一订单的结束时间；(3)两个任务间隙有充足的时间进行共享电动汽车位置的调整；(4)共享电动汽车的可用行驶里程总是多于下一任务(再平衡或服务订单)(5)决策变量的数据类型符合需求。
在一个实施例中，上述步骤S3：根据目标和约束条件，建立混合整数线性规划模型；其中，混合整数线性规划模型包括：目标函数及其约束条件，具体包括：
目标函数如下述公式(1)所示：
Figure BDA0003306671960000061
其中，公式(1)中第一部分表示共享电动汽车执行订单获得的总收入，第二部分表示共享电动汽车再平衡过程的总成本，第三部分表示未执行订单后的负面影响给公司带来的损失，第四部分表示车队的固定成本；
约束条件如下述公式(2)～(13)所示：
Figure BDA0003306671960000062
Figure BDA0003306671960000063
Figure BDA0003306671960000064
Figure BDA0003306671960000065
Figure BDA0003306671960000066
Figure BDA0003306671960000067
Figure BDA0003306671960000068
Figure BDA0003306671960000069
Figure BDA00033066719600000610
Figure BDA00033066719600000611
Figure BDA00033066719600000612
Figure BDA00033066719600000613
其中，公式(1)～公式(13)所用数学符号的含义如下：
H为所有共享电动汽车的集合，h∈H；
A为所有订单的集合，a,b∈A；
A0为所有订单和虚拟起始任务的集合，存在A0＝A∪a0；
An+1为所有订单和虚拟终止任务的集合，存在An+1＝A∪an+1；
Figure BDA00033066719600000614
为共享电动汽车h的最大行驶里程；
Figure BDA0003306671960000071
为共享电动汽车h的安全行驶里程；
FCh为共享电动汽车h的固定成本；
ECh为共享电动汽车h的充电率；
STa为订单a的取车时间；
ETa为订单a的还车时间；
La为订单a的实际行驶里程；
Ga为服务订单a后获得的收入；
Pa为失去订单a的惩罚；
Figure BDA0003306671960000072
为共享电动汽车h服务完订单a后剩余的行驶里程；
Figure BDA0003306671960000073
为将共享电动汽车h从订单a的还车位置移动到订单b的取车位置的成本；
Tab为从订单a的还车位置移动到订单b的取车位置的行驶时间；
Dab为订单a的还车位置到订单b的取车位置之间的距离；
Figure BDA0003306671960000074
为决策变量，表示如果共享电动汽车h为订单a提供服务取1，否则取0；
Figure BDA0003306671960000075
为决策变量，表示如果共享电动汽车h服务完订单a后再服务订单b取1，否则取0；
Figure BDA0003306671960000076
为决策变量，表示共享电动汽车h在订单a的取车位置的充电时长；
Figure BDA0003306671960000077
为决策变量，表示共享电动汽车h在订单a还车位置的充电时长；
Figure BDA0003306671960000078
为中间变量，表示共享电动汽车h在订单a的取车和还车位置充电后增加的行驶里程，此时
Figure BDA0003306671960000079
其中，约束条件(2)表示每个订单最多被访问一次，允许不被访问；
约束条件(3)表示两个决策变量
Figure BDA00033066719600000710
和
Figure BDA00033066719600000711
之间的联系，若一个订单被执行他一定是某个其他订单的前序任务；
约束条件(4)是网络中的流平衡约束，表示每个被服务的订单既有前序任务又有后续任务；
约束条件(5)是时间约束，能够限制共享电动汽车在下一个订单开始时间之前将共享电动汽车移动到订单的取车位置；
约束条件(6)～(11)是关于行驶里程的约束：约束条件(6)表示共享电动汽车在再平衡前保有充足的可用行驶里程进行再平衡操作；
约束条件(7)和约束条件(8)表示每次充电后共享电动汽车的可用行驶里程都不超过其最大行驶里程；
约束条件(9)表示完成每个订单之后共享电动汽车剩余的行驶里程都不少于安全行驶里程；
约束条件(10)和约束条件(11)是关于行驶里程的状态转移方程，他们共同表示共享电动汽车在任务的取车位置充电后的行驶里程和在开始任务前的行驶里程是相同的；
约束条件(12)和(13)定义了决策变量的数据类型。
在一个实施例中，上述步骤S4：使用D-W分解对混合整数线性规划模型进行分解重构，引入新的变量，得到重构的规划模型，包括：主问题模型和对应的子问题模型，具体包括：
步骤S41：引入新的集合Ωh为共享电动汽车h的所有可行路径的集合,r∈Ωh；新的变量
Figure BDA0003306671960000081
为0-1变量，如果路径r中包含订单a取1，否则取0；
Figure BDA0003306671960000082
为决策变量，如果共享电动汽车h的行驶路径为r取1，否则取0；
步骤S42：将混合整数线性规划模型等价转化为如下的主问题模型:
主问题目标函数为：
Figure BDA0003306671960000083
主问题约束条件为：
Figure BDA0003306671960000084
Figure BDA0003306671960000085
Figure BDA0003306671960000086
其中，
Figure BDA0003306671960000087
为0-1变量，如果路径r中包含订单a取1，否则取0；
Figure BDA0003306671960000088
为决策变量，如果共享电动汽车h的行驶路径为r取1，否则取0；
Pa为失去订单a的惩罚；
FCh为共享电动汽车h的固定成本；
Figure BDA0003306671960000089
为服务完路径r中所有订单的获得的总收入,存在
Figure BDA00033066719600000810
Figure BDA00033066719600000811
为路径r中再平衡操作的总支出，存在
Figure BDA00033066719600000812
其中，
Figure BDA00033066719600000813
为0-1变量，如果路径r中订单a与订单b连续取1，否则取0；
步骤S43：将混合整数线性规划模型分解后得到子问题模型:
子问题目标函数如下述公式(18)所示：
Figure BDA0003306671960000091
子问题约束条件为：公式(3)～(13)
其中：πa,π0分别表示限制主问题第一和第二个约束的对偶变量；
Figure BDA0003306671960000092
为0-1变量，如果路径r中包含订单a取1，否则取0。
在一个实施例中，上述步骤S5：采用列生成和蚁群算法组成的混合算法对重构的规划模型进行求解，得到共享电动汽车的车队充电方案和共享电动汽车的路径规划结果，计算车队构成和共享电动汽车的再平衡方案，具体包括：
在本步骤中，以将处理好的预定订单信息(表2所示)，三个投放站点位置(表3所示)以及3种电动汽车参数(表4所示)为输入，对步骤S4使用列生成蚁群融合方法对重构后得模型进行求解。首先仅保存主问题的部分列，得限制主问题；然后使用列生成方法将限制主问题和定价子问题结合到一起，使用蚁群算法对定价子问题进行求解，获得符合约束得合法路径即列生成方法中的一个列，并判断是否向限制主问题添加列，直到不能找到可添加的列，对当前限制主问题进行求解。此时获得的解也是原混合整数线性规划模型的最优解，得到车队的配置和路径规划方案。列生成和蚁群融合方法流程图如图2所示。
表3共享电动汽车可投放位置信息
投放站点编号 经度 纬度
1 13 6
2 15 11
3 14 18
表4共享电动汽车关键参数信息
Figure BDA0003306671960000093
具体步骤如下：
步骤S51：用包含共享电动汽车h的部分可行路径的集合Ω'h替代集合Ωh得到限制主问题；其中初始的Ω'h只包含一条从虚拟的起点出发直接到达虚拟的终点路径；
本步骤中，采用首先用只包含共享电动汽车h从虚拟投放位置4移动到虚拟投放位置5的一条路径的集合Ω'h替代集合Ωh得到限制主问题。
步骤S52：调用求解器CPLEX对限制主问题进行求解并计算决策变量的对偶变量，使用对偶变量对子问题目标函数进行更新；其中，子问题的目标函数对应的值称之为检验数；
步骤S53：使用蚁群算法对定价子问题进行求解，得到检验数和包含再平衡方案和充电方案的合法路径，该路径为列生成方法中一个潜在的列，具体包括：
步骤S531：数据初始化：将所有订单数据，共享电动汽车可投放位置数据，共享电动汽车参数输入到算法中并设置蚁群算法参数，其中：
共享电动汽车可投放位置数据包含：可投放位置的经度和纬度，如表3所示；
订单数据包含：取车时间、取车位置、还车时间、还车位置、预计实际行驶距离、订单费用和不被服务时的惩罚值，如表2所示；
共享电动汽车参数包含：电动汽车的最大行驶里程、充电率、每移动1千米的成本和每天固定成本，如表4所示；
本发明实施例中蚁群算法涉及的参数如下：
K为蚂蚁的数量，取值与订单数相同即7；
I为返回相同目标值的最大次数，取值20；
ρ为信息素的挥发率，取值0.2；
τab表示群体智慧，即订单a与订单b之间的信息素浓度，初始值为10；
ηab表示个体智慧，即蚂蚁个体执行完订单a之后选择订单b的倾向取值1≤ηab≤10；
α为群体智慧启发因子，取值1；
β为个体智慧启发因子，取值1；
Q是常数，取值1；
步骤S532：构造路径，共享电动汽车总是从虚拟起始订单0开始，逐一访问预定订单直到访问到虚拟的结束订单8后形成一条完整的任务链即表示一条共享电动汽车路径的可行解以蚂蚁走的路径表示共享电动汽车路径的可行解；蚂蚁k将根据个体偏好及群体智慧决定其前进方向即下一个访问的订单，以该订单能带来的目标值增量为每个可访问订单进行打分，其中蚂蚁k为订单b打的分数可记为
Figure BDA0003306671960000101
第n轮迭代中蚂蚁k访问完当前订单a后将订单b作为下一服务对象的概率计算公式(19)如下所示：
Figure BDA0003306671960000111
其中：集合Nk表示蚂蚁k可以访问的订单集合，ηab(n)表示第n轮迭代中蚂蚁个体选择的偏好，取值为
Figure BDA0003306671960000112
在迭代过程中订单的得分越高被选择的概率越高；
在本步骤中，共享电动汽车总是从虚拟起始订单0开始，逐一访问预定订单直到访问到虚拟的结束订单8后形成一条完整的任务链即表示一条共享电动汽车路径的可行解。蚂蚁k服务完当前任务后，首先根据约束(5)-(13)选出可以作为下一个服务对象的订单的集合Nk。以该订单能带来的目标值增量为每个可访问订单进行打分蚂蚁k为集合Nk中的订单打分，订单b打的分数记为
Figure BDA0003306671960000113
根据个体偏好及群体智慧决定其前进方向即下一访问订单，第n轮迭代中蚂蚁k访问完当前订单a后将集合Nk中的订单b作为下一服务对象的概率通过公式(19)计算所得；
其中，分数
Figure BDA0003306671960000114
计算公式(20)如下所示：
Figure BDA0003306671960000115
其中：
Figure BDA0003306671960000116
为蚂蚁k的下一个服务对象为订单b的得分；
Figure BDA0003306671960000117
为蚂蚁k的下一个服务对象为订单b的定价子问题对应的目标值；
Figure BDA0003306671960000118
为蚂蚁k在所有的下一点可访问订单中对应定价子问题的最大目标值；
Figure BDA0003306671960000119
为蚂蚁k在所有的下一点可访问订单中对应定价子问题的最小目标值；
步骤S533：使用轮盘赌的方法根据步骤S532中所计算的概率从所有的可访问订单中选出下一服务对象；
步骤S534：判断是否所有蚂蚁都已到达终点，若全部到达终点则转至步骤S535；否则返回步骤S532；
步骤S535：从所有蚂蚁寻得的路径中根据目标值选择出本轮寻得的最佳路径，将本轮最佳路径与蚁群到此时的历史最佳路径作比较，更新当前历史最佳路径，记录该路径规划结果以及对应的再平衡和充电方案即列生成中的列；
步骤S536：判断是否满足终止条件，若所寻路径最优目标值连续不变的次数达到预设值，则得到最优解，输出蚁群寻得的包含再平衡和充电方案的路径规划结果；否则将所有蚂蚁定位到虚拟的起点，可访问点的分数为依据更新信息素浓度后返回步骤S532开始新一轮迭代，对检验数贡献越大的连续订单对应的信息素浓度增加越大；
其中，信息素浓度的更新计算公式(21)～(22)如下所示：
Figure BDA0003306671960000121
Figure BDA0003306671960000122
其中：Δ(n)为第n轮迭代中的增长系数；
RCmax(n)为第n轮迭代中获得的最佳路径对应的检验数；
RCmax为前n轮迭代中寻得的历史上的最佳路径；
τab(n)为第n轮迭代之后订单a与订单b之间信息素的浓度；
Q是常数。
步骤S54：基于定价子问题的解，判断检验数是否符合列生成的检验标准：若符合标准则向限制主问题中添加列，即将获得的合法路径作为一个元素添加到集合Ω'h中，并返回步骤S52；若不符合标准，则表明已经不存在有价值的列，则对当前限制主问题进行求解，得到的解即为原主问题的最优解，输出包含充电方案和再平衡方案的路径规划结果并据此结果推出车队组成和初始时刻的投放位置。
按照上述步骤对异构车队确定和路径规划模型进行求解，得到共享系统的车队规模以及对订单的响应情况和路径规划方案如图3所示，其中两辆1类型车被使用，且中间都没有进行充电，两辆车的投放位置分别为3号投放位置和1号投放位置；任务链分别为0-1-3-6-8和0-5-7-8；放弃了接受订单2和订单4的任务。共享电动汽车每个时刻的具体位置和剩余行驶里程在图3中标出。
本发明公开了一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法，基于目前共享电动汽车系统运营企业中多类型电动汽车的实际情况，以往针对单一车型的共享电动汽车车队管理和路径规划的研究不再适用。本发明将多类型电动汽车的情况引入到模型中，允许共享电动汽车部分充电和有选择地为顾客提供服务，将车队组成、订单指派、路径规划、再平衡和充电综合考虑，具有实际使用价值。
本发明公开的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，以最大化系统总利润为目标，综合考虑租车收入、再平衡成本、车队固定成本以及拒绝订单的惩罚，将当前的车队管理和路径优化问题视为传统路径规划问题的进一步拓展，能够为共享电动汽车系统提供决策支持于系统规划，提高共享电动汽车企业的总利润。
本发明公开的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，在对模型进行求解时将精确算法中的D-W分解技术，列生成技术与启发式算法中的蚁群优化算法进行结合，能够在保证解决方案精确度的基础上提升计算速度。通过随机案例比较发现：在小规模实例中，本发明的融合算法与CPLEX找到的精确解之间的平均差距小于5％。对于订单量超过100个的大型实例，其规划结果优于CPLEX在1小时内所寻到的最优解，也明显优于相近时间内纯蚁群优化算法获得的解。本发明方法对各规模实例均具有适用性且在求解质量和求解速度方面取得了平衡，在效率和可靠性方面具有明显优势。
实施例二
如图4所示，本发明实施例提供了一种基于列生成和蚁群算法融合的共享电动汽车运营优化系统，包括下述模块：
预处理模块61，用于收集共享电动汽车系统的用户终端上传的共享电动汽车预定信息，对其进行预处理，得到共享电动汽车预定订单和预测信息；其中，预处理包括：基于经验数据预测用户的实际行驶距离、租车费用以及惩罚费用；添加虚拟起始和终止任务；
确定目标和约束条件模块62，用于根据共享电动汽车预定订单和预测信息，确定共享电动汽车的车队配置和路径优化的目标和约束条件，其中，目标为使所述共享电动汽车系统的总利润最大化，约束条件包括：用户不能被重复访问、共享电动汽车在行驶里程以及时间和空间上的限制；
建立混合整数线性规划模型模块63，用于根据目标和约束条件，建立混合整数线性规划模型；其中，混合整数线性规划模型包括：目标函数及其约束条件；
重构规划模型模块64，用于使用D-W分解对混合整数线性规划模型进行分解重构，引入新的变量，得到重构的规划模型，包括：主问题模型和对应的子问题模型；
求解重构后的规划模型模块65，用于采用列生成和蚁群算法组成的混合算法对重构的规划模型进行求解，得到共享电动汽车的车队充电方案和共享电动汽车的路径规划结果，计算车队构成和路径规划方案。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种基于列生成和蚁群算法融合的共享电动汽车运营优化方法，其特征在于，包括：
步骤S1：收集共享电动汽车系统的用户终端上传的共享电动汽车预定信息，对其进行预处理，得到共享电动汽车预定订单和预测信息；其中，所述预处理包括：基于经验数据预测所述用户的实际行驶距离、租车费用以及惩罚费用；添加虚拟起始和终止任务；
步骤S2：根据所述共享电动汽车预定订单和所述预测信息，确定所述共享电动汽车的车队配置和路径优化的目标和约束条件；其中，所述目标为使所述共享电动汽车系统的总利润最大化，约束条件包括：所述用户不能被重复访问、共享电动汽车在行驶里程以及时间和空间上的限制；
步骤S3：根据所述目标和约束条件，建立混合整数线性规划模型；其中，所述混合整数线性规划模型包括：目标函数及其约束条件；
步骤S4：使用D-W分解对所述混合整数线性规划模型进行分解重构，引入新的变量，得到重构的规划模型，包括：主问题模型和对应的子问题模型；
步骤S5：采用列生成和蚁群算法组成的混合算法对所述重构的规划模型进行求解，得到所述共享电动汽车的车队充电方案和共享电动汽车的路径规划结果，计算所述车队构成和路径规划方案。
2.根据权利要求1所述的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，其特征在于，所述步骤S3：根据所述目标和约束条件，建立混合整数线性规划模型，以使得所述共享电动汽车系统的总利润最大化；其中，所述混合整数线性规划模型包括：目标函数及其约束条件，具体包括：
所述目标函数如下述公式(1)所示：
Figure FDA0003306671950000011
其中，公式(1)中第一部分表示共享电动汽车执行订单获得的总收入，第二部分表示共享电动汽车再平衡过程的总成本，第三部分表示未执行订单后的负面影响给公司带来的损失，第四部分表示车队的固定成本；
所述约束条件如下述公式(2)～(13)所示：
Figure FDA0003306671950000012
Figure FDA0003306671950000021
Figure FDA0003306671950000022
Figure FDA0003306671950000023
Figure FDA0003306671950000024
Figure FDA0003306671950000025
Figure FDA0003306671950000026
Figure FDA0003306671950000027
Figure FDA0003306671950000028
Figure FDA0003306671950000029
Figure FDA00033066719500000210
Figure FDA00033066719500000211
其中，公式(1)～公式(13)所用数学符号的含义如下：
H为所有共享电动汽车的集合，h∈H；
A为所有订单的集合，a,b∈A；
A0为所有订单和虚拟起始任务的集合，存在A0＝A∪a0；
An+1为所有订单和虚拟终止任务的集合，存在An+1＝A∪an+1；
Figure FDA00033066719500000212
为共享电动汽车h的最大行驶里程；
Figure FDA00033066719500000213
为共享电动汽车h的安全行驶里程；
FCh为共享电动汽车h的固定成本；
ECh为共享电动汽车h的充电率；
STa为订单a的取车时间；
ETa为订单a的还车时间；
La为订单a的实际行驶里程；
Ga为服务订单a后获得的收入；
Pa为失去订单a的惩罚；
Figure FDA00033066719500000214
为共享电动汽车h服务完订单a后剩余的行驶里程；
Figure FDA0003306671950000031
为将共享电动汽车h从订单a的还车位置移动到订单b的取车位置的成本；
Tab为从订单a的还车位置移动到订单b的取车位置的行驶时间；
Dab为订单a的还车位置到订单b的取车位置之间的距离；
Figure FDA0003306671950000032
为决策变量，表示如果共享电动汽车h为订单a提供服务取1，否则取0；
Figure FDA0003306671950000033
为决策变量，表示如果共享电动汽车h服务完订单a后再服务订单b取1，否则取0；
Figure FDA0003306671950000034
为决策变量，表示共享电动汽车h在订单a的取车位置的充电时长；
Figure FDA0003306671950000035
为决策变量，表示共享电动汽车h在订单a还车位置的充电时长；
Figure FDA0003306671950000036
为中间变量，表示共享电动汽车h在订单a的取车和还车位置充电后增加的行驶里程，此时
Figure FDA0003306671950000037
其中，约束条件(2)表示每个订单最多被访问一次，允许不被访问；
约束条件(3)表示两个决策变量
Figure FDA0003306671950000038
和
Figure FDA0003306671950000039
之间的联系，若一个订单被执行他一定是某个其他订单的前序任务；
约束条件(4)是网络中的流平衡约束，表示每个被服务的订单既有前序任务又有后续任务；
约束条件(5)是时间约束，能够限制共享电动汽车在下一个订单开始时间之前将共享电动汽车移动到订单的取车位置；
约束条件(6)～(11)是关于行驶里程的约束：约束条件(6)表示共享电动汽车在再平衡前保有充足的可用行驶里程进行再平衡操作；
约束条件(7)和约束条件(8)表示每次充电后共享电动汽车的可用行驶里程都不超过其最大行驶里程；
约束条件(9)表示完成每个订单之后共享电动汽车剩余的行驶里程都不少于安全行驶里程；
约束条件(10)和约束条件(11)是关于行驶里程的状态转移方程，他们共同表示共享电动汽车在任务的取车位置充电后的行驶里程和在开始任务前的行驶里程是相同的；
约束条件(12)和(13)定义了决策变量的数据类型。
3.根据权利要求1所述的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，其特征在于，所述步骤S4：使用D-W分解对所述混合整数线性规划模型进行分解重构，引入新的变量，得到重构的规划模型，包括：主问题模型和对应的子问题模型，具体包括：
步骤S41：引入新的集合Ωh为共享电动汽车h的所有可行路径的集合,r∈Ωh；新的变量
Figure FDA0003306671950000041
为0-1变量，如果路径r中包含订单a取1，否则取0；
Figure FDA0003306671950000042
为决策变量，如果共享电动汽车h的行驶路径为r取1，否则取0；
步骤S42：将所述混合整数线性规划模型等价转化为如下的主问题模型:
主问题目标函数为：
Figure FDA0003306671950000043
主问题约束条件为：
Figure FDA0003306671950000044
Figure FDA0003306671950000045
Figure FDA0003306671950000046
其中，
Figure FDA0003306671950000047
为0-1变量，如果路径r中包含订单a取1，否则取0；
Figure FDA0003306671950000048
为决策变量，如果共享电动汽车h的行驶路径为r取1，否则取0；
Pa为失去订单a的惩罚；
FCh为共享电动汽车h的固定成本；
Figure FDA0003306671950000049
为服务完路径r中所有订单的获得的总收入,存在
Figure FDA00033066719500000410
Figure FDA00033066719500000411
为路径r中再平衡操作的总支出，存在
Figure FDA00033066719500000412
其中，
Figure FDA00033066719500000413
为0-1变量，如果路径r中订单a与订单b连续取1，否则取0；
步骤S43：将所述混合整数线性规划模型分解后得到子问题模型：
子问题目标函数如下述公式(18)所示：
Figure FDA00033066719500000414
子问题约束条件为：公式(3)～(13)
其中：πa,π0分别表示限制主问题第一和第二个约束的对偶变量；
Figure FDA00033066719500000415
为0-1变量，如果路径r中包含订单a取1，否则取0。
4.根据权利要求1所述的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，其特征在于，所述步骤S5：采用列生成和蚁群算法组成的混合算法对所述重构的规划模型进行求解，得到所述共享电动汽车的车队充电方案和共享电动汽车的路径规划结果，计算所述车队构成和路径规划方案具体包括：
步骤S51：用包含共享电动汽车h的部分可行路径的集合Ω'h替代集合Ωh得到限制主问题；其中初始的Ω'h只包含一条从虚拟的起点出发直接到达虚拟的终点路径；
步骤S52：调用求解器CPLEX对所述限制主问题进行求解并计算决策变量的对偶变量，使用对偶变量对子问题目标函数进行更新；其中，所述子问题的目标函数对应的值称之为检验数；
步骤S53：使用蚁群算法对所述定价子问题进行求解，得到所述检验数和包含再平衡方案和充电方案的合法路径，该路径为列生成方法中一个潜在的列；
步骤S54：基于所述定价子问题的解，判断检验数是否符合列生成的检验标准：若符合标准则向所述限制主问题中添加列，即将获得的合法路径作为一个元素添加到集合Ω'h中，并返回步骤S52；若不符合标准，则表明已经不存在有价值的列，则对当前所述限制主问题进行求解，得到的解即为原主问题的最优解，输出包含充电方案和再平衡方案的路径规划结果并据此结果推出车队组成和初始时刻的投放位置。
5.根据权利要求4所述的基于列生成和蚁群算法融合的共享电动汽车运营优化方法，其特征在于，所述步骤S53：使用蚁群算法对所述定价子问题进行求解，得到所述检验数和包含再平衡方案和充电方案的合法路径，该路径为列生成方法中一个潜在的列，具体包括：
步骤S531：数据初始化：将所有订单数据，共享电动汽车可投放位置数据，共享电动汽车参数输入到算法中并设置蚁群算法参数，其中：
共享电动汽车可投放位置数据包含：可投放位置的经度和纬度；
订单数据包含：取车时间、取车位置、还车时间、还车位置、预计实际行驶里程、订单费用和不被服务时的惩罚值；
共享电动汽车参数包含：电动汽车的最大行驶里程、充电率、每移动1千米的成本和每天固定成本；
蚁群算法涉及的参数如下：
K为蚂蚁的数量；
I为返回相同目标值的最大次数；
ρ为信息素的挥发率；
τab表示群体智慧，即订单a与订单b之间的信息素浓度；
ηab表示个体智慧，即蚂蚁个体执行完任务a之后选择订单b的倾向；
α为群体智慧启发因子；
β为个体智慧启发因子；
步骤S532：构造路径，以蚂蚁走的路径表示共享电动汽车路径的可行解；蚂蚁k将根据个体偏好及群体智慧决定其前进方向即下一个访问的订单，以该订单能带来的目标值增量为每个可访问订单进行打分，其中蚂蚁k为订单b打的分数可记为
Figure FDA0003306671950000061
第n轮迭代中蚂蚁k访问完当前订单a后将订单b作为下一服务对象的概率计算公式(19)如下所示：
Figure FDA0003306671950000062
其中：集合Nk表示蚂蚁k可以访问的订单集合，ηab(n)表示第n轮迭代中蚂蚁个体选择的偏好，取值为
Figure FDA0003306671950000063
在迭代过程中订单的得分越高被选择的概率越高；
分数
Figure FDA0003306671950000064
计算公式(20)如下所示：
Figure FDA0003306671950000065
其中：
Figure FDA0003306671950000066
为蚂蚁k的下一个服务对象为订单b的得分；
Figure FDA0003306671950000067
为蚂蚁k的下一个服务对象为订单b的定价子问题对应的目标值；
Figure FDA0003306671950000068
为蚂蚁k在所有的下一点可访问订单中对应定价子问题的最大目标值；
Figure FDA0003306671950000069
为蚂蚁k在所有的下一点可访问订单中对应定价子问题的最小目标值；
步骤S533：使用轮盘赌的方法根据步骤S532中所计算的概率从所有的可访问订单中选出下一服务对象；
步骤S534：判断是否所有蚂蚁都已到达终点，若全部到达终点则转至步骤S535；否则返回步骤S532；
步骤S535：从所有蚂蚁寻得的路径中根据目标值选择出本轮寻得的最佳路径，将本轮最佳路径与蚁群到此时的历史最佳路径作比较，更新当前历史最佳路径，记录该路径规划结果以及对应的再平衡和充电方案即列生成中的列；
步骤S536：判断是否满足终止条件，若所寻路径最优目标值连续不变的次数达到预设值，则得到最优解，输出蚁群寻得的包含再平衡和充电方案的路径规划结果；否则将所有蚂蚁定位到虚拟的起点，可访问点的分数为依据更新信息素浓度后返回步骤S532开始新一轮迭代，对所述检验数贡献越大的连续订单对应的所述信息素浓度增加越大；
其中，所述信息素浓度的更新计算公式(21)～(22)如下所示：
Figure FDA0003306671950000071
Figure FDA0003306671950000072
其中：Δ(n)为第n轮迭代中的增长系数；
RCmax(n)为第n轮迭代中获得的最佳路径对应的检验数；
RCmax为前n轮迭代中寻得的历史上的最佳路径；
τab(n)为第n轮迭代之后订单a与订单b之间信息素的浓度；
Q是常数。
6.一种基于列生成和蚁群算法融合的共享电动汽车运营优化系统，其特征在于，包括下述模块：
预处理模块，用于收集共享电动汽车系统的用户终端上传的共享电动汽车预定信息，对其进行预处理，得到共享电动汽车预定订单和预测信息；其中，所述预处理包括：基于经验数据预测所述用户的实际行驶距离、租车费用以及惩罚费用；添加虚拟起始和终止任务；
确定目标和约束条件模块，用于根据所述共享电动汽车预定订单和所述预测信息，确定所述共享电动汽车的车队配置和路径优化的目标和约束条件，其中，所述目标为使所述共享电动汽车系统的总利润最大化，约束条件包括：所述用户不能被重复访问、共享电动汽车在行驶里程以及时间和空间上的限制；
建立混合整数线性规划模型模块，用于根据所述目标和约束条件，建立混合整数线性规划模型；其中，所述混合整数线性规划模型包括：目标函数及其约束条件；
重构规划模型模块，用于使用D-W分解对所述混合整数线性规划模型进行分解重构，引入新的变量，得到重构的规划模型，包括：主问题模型和对应的子问题模型；
求解重构后的规划模型模块，用于采用列生成和蚁群算法组成的混合算法对所述重构的规划模型进行求解，得到所述共享电动汽车的车队充电方案和共享电动汽车的路径规划结果，计算所述车队构成和路径规划方案。
CN202111205484.XA 2021-10-15 2021-10-15 基于列生成和蚁群算法融合的共享电动汽车运营优化方法 Pending CN113935505A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111205484.XA CN113935505A (zh) 2021-10-15 2021-10-15 基于列生成和蚁群算法融合的共享电动汽车运营优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111205484.XA CN113935505A (zh) 2021-10-15 2021-10-15 基于列生成和蚁群算法融合的共享电动汽车运营优化方法

Publications (1)

Publication Number Publication Date
CN113935505A true CN113935505A (zh) 2022-01-14

Family

ID=79279674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111205484.XA Pending CN113935505A (zh) 2021-10-15 2021-10-15 基于列生成和蚁群算法融合的共享电动汽车运营优化方法

Country Status (1)

Country Link
CN (1) CN113935505A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953104A (zh) * 2023-03-10 2023-04-11 南京邮电大学 一种基于蜣螂优化算法的混合车队调度方法
CN115985083A (zh) * 2023-03-21 2023-04-18 浙江之科智慧科技有限公司 基于智慧城市的共享电动车管理系统与方法
CN117522088A (zh) * 2024-01-05 2024-02-06 南京信息工程大学 一种融合充电约束和容量约束的多电动物流车调度方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953104A (zh) * 2023-03-10 2023-04-11 南京邮电大学 一种基于蜣螂优化算法的混合车队调度方法
CN115953104B (zh) * 2023-03-10 2023-08-15 南京邮电大学 一种基于蜣螂优化算法的混合车队调度方法
CN115985083A (zh) * 2023-03-21 2023-04-18 浙江之科智慧科技有限公司 基于智慧城市的共享电动车管理系统与方法
CN115985083B (zh) * 2023-03-21 2023-06-09 浙江之科智慧科技有限公司 基于智慧城市的共享电动车管理系统与方法
CN117522088A (zh) * 2024-01-05 2024-02-06 南京信息工程大学 一种融合充电约束和容量约束的多电动物流车调度方法
CN117522088B (zh) * 2024-01-05 2024-03-29 南京信息工程大学 一种融合充电约束和容量约束的多电动物流车调度方法

Similar Documents

Publication Publication Date Title
Bischoff et al. City-wide shared taxis: A simulation study in Berlin
US10639995B2 (en) Methods, circuits, devices, systems and associated computer executable code for driver decision support
Dandl et al. Comparing future autonomous electric taxis with an existing free-floating carsharing system
CN113935505A (zh) 基于列生成和蚁群算法融合的共享电动汽车运营优化方法
Faridimehr et al. A stochastic programming approach for electric vehicle charging network design
Pevec et al. A data‐driven statistical approach for extending electric vehicle charging infrastructure
CN110555990A (zh) 一种基于lstm神经网络的有效停车时空资源预测方法
US20220410750A1 (en) System and method for smart charging management of electric vehicle fleets
Sheppard et al. Joint optimization scheme for the planning and operations of shared autonomous electric vehicle fleets serving mobility on demand
CN112749842B (zh) 一种押运路径的规划方法及装置
Yao et al. Service operations of electric vehicle carsharing systems from the perspectives of supply and demand: A literature review
Xu et al. Dynamic bicycle scheduling problem based on short-term demand prediction
Chang et al. A cooperative strategy for optimizing vehicle relocations and staff movements in cities where several carsharing companies operate simultaneously
CN111861086A (zh) 一种资源配置方法和系统
CN112580945A (zh) 基于多相关系数的派单方法及车辆调度优化系统
Yang et al. Who is more likely to get a ride and where is easier to be picked up in ride-sharing mode?
Wang et al. Towards accessible shared autonomous electric mobility with dynamic deadlines
Khan et al. Electric kickboard demand prediction in spatiotemporal dimension using clustering-aided bagging regressor
CN111383055B (zh) 租车中心仓选品方法、装置、设备及计算机可读存储介质
Sellmair et al. Analysis of the effect of charging infrastructure design on electric taxi driving profiles: A case study approach on the example of Singapore
CN114971328A (zh) 一种基于pso-de的共享汽车区域调度方法
Kuehnel et al. Shifts in perspective: Operational aspects in (non-) autonomous ride-pooling simulations
Alekszejenkó et al. Auction based parking lot assignment and empty cruising limitation of privately owned autonomous vehicles in a simple city model
Li et al. Using non-cooperative game theory for taxi-sharing recommendation systems
Hilpisch Construction of a user-level probabilistic forecast of electric vehicle usage

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