CN114742329A - 一种改进的城市内涝车辆避险路径遗传规划方法 - Google Patents

一种改进的城市内涝车辆避险路径遗传规划方法 Download PDF

Info

Publication number
CN114742329A
CN114742329A CN202210659134.9A CN202210659134A CN114742329A CN 114742329 A CN114742329 A CN 114742329A CN 202210659134 A CN202210659134 A CN 202210659134A CN 114742329 A CN114742329 A CN 114742329A
Authority
CN
China
Prior art keywords
risk
vehicle
chromosome
disaster
fitness
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
CN202210659134.9A
Other languages
English (en)
Other versions
CN114742329B (zh
Inventor
谭喜成
饶骆文
陈煜民
孟安迪
黄兴怡
黄梦
李覃昊
张彪炳
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210659134.9A priority Critical patent/CN114742329B/zh
Publication of CN114742329A publication Critical patent/CN114742329A/zh
Application granted granted Critical
Publication of CN114742329B publication Critical patent/CN114742329B/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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明提供一种改进的城市内涝车辆避险路径遗传规划方法，包括以下步骤：根据车辆的不确定路径对染色体进行改进二进制编码；进行考虑车辆最优路径、满足受灾人员意愿的种群初始化；进行适用于城市内涝风险的适应度评价值评估操作，进行基于适应度评价值线性变化的改进选择操作，选出最优的染色体进行交叉变异操作；进行适用于改进二进制编码的优化交叉操作，充分扩大改进遗传算法的搜索空间；进行基本位变异操作，保证改进遗传算法具有局部搜索能力；采用特殊机制整体优化改进遗传算法，使改进遗传算法更加完善，本发明提供的改进的城市内涝车辆避险路径遗传规划方法，能够保证受灾车辆整体能最快、最安全的到达避险点。

Description

一种改进的城市内涝车辆避险路径遗传规划方法
技术领域
本发明属于地理信息科学领域，涉及一种改进的城市内涝车辆避险路径遗传规划方法。
背景技术
内涝风险是当前各大城市都面临的问题，在城市出现强降雨问题时，内涝风险随之而来。而在内涝风险出现之际，其中一个亟待解决的问题是如何使面临风险的车辆整体能最安全迅速的进行避险。并且在考虑车辆整体避险时，要综合考虑车辆之间的相互影响，需要统筹道路拥挤、避险点容量等等因素。所以在面临复杂因素参与的车辆整体避险调度问题中，如何合理的进行车辆调度，保证车辆整体避险最快最优，是本发明主要拟解决的技术问题。
现有方法主要是通过智能算法进行计算调度。例如，孙淑军（2014）提出了车路协同的智能车辆调度系统，其基于改进Dijkstra算法的单元目标最优路径规划方法，为运行目标提供最优运行路线，使得车辆的行驶路径长度最短，其在解决交通拥堵问题，提高道路利用率方面取得一定进展，但从现今来看，其算法在智能性方面还存在一定缺陷，无法处理大数据问题；陈湉和林勇（2019）发明了大数据背景下台风灾害应急物流车辆调度优化仿真问题，在考虑应急救援资源有限的条件下，提出了基于离散蜂群的台风灾害应急物流车辆调度优化模型，有效的优化了应急调度策略，降低了车辆整体调度成本，但其算法的针对性较强，在其他背景环境下使用较难；圣玉祥（2020）提出了面向应急调度的车辆路径智能规划方法发明，在满足客户优先级、实时规划、车载容量等约束条件下，以合理的路径访问客户以使配送收益最大化，其方法可以有效的整合既有资源，减少人员和财物损失。其算法最大的优化在于有效缩短了算法计算时间，在调度效果上仍存在一定不足。但从目前的发明现状来看，在解决城市内涝环境下的车辆调度问题方面，还缺乏足够智能的调度算法，其中一个原因在于车辆在避险时具有多条不确定路径可选，在进行车辆整体调度时，需要将尽可能所有的可能性进行考虑，所以在面对车辆不确定路径下的调度问题，智能调度算法尚待进一步完善。
发明内容
根据现有技术的不足，本发明的目的是提供一种改进的城市内涝车辆避险路径遗传规划方法
为了解决上述技术问题，本发明采用的技术方案为：
一种改进的城市内涝车辆避险路径遗传规划方法，包括以下步骤：
步骤S1、根据车辆的不确定路径对染色体进行改进二进制编码；
步骤S2、特殊种群初始化操作，进行考虑车辆最优路径、满足受灾人员意愿的种群初始化；
步骤S3、进行适用于城市内涝风险的适应度评价值评估操作，对车辆最优避险路径适应度评价值、受灾人员意愿适应度评价值、道路拥挤量适应度评价值和避险点容量适应度评价值进行评价；
步骤S4、进行基于适应度评价值线性变化的改进选择操作，选出最优的染色体进行交叉变异操作；
步骤S5、进行适用于改进二进制编码的优化交叉操作，充分扩大改进遗传算法的搜索空间；
步骤S6、进行基本位变异操作，保证改进遗传算法具有局部搜索能力；
步骤S7、采用特殊机制整体优化改进遗传算法，使改进遗传算法更加完善。
进一步地，在步骤S1中，改进遗传算法的编码为，设置染色体种群数，每一条染色体上设置多个基因，每个基因表示一辆受灾车辆，每一条染色体上的多个基因等于该条染色体上受灾车辆的数量，每一条染色体中每个基因设置多个可选项，每个可选项表示受灾车辆的一个避险路径方案，每一避险路径方案经过多个节点，所有染色体上的所有可选项表示当前城市网络中，所有受灾车辆的避险路径方案总和，根据每一受灾车辆的最大避险路径方案数量，确定每一受灾车辆的二进制编码长度，按照二进制编码长度对每一条染色体进行0值填充，得到最终的二进制编码染色体串。
进一步地，在步骤S3中，当需要进行适用于城市内涝风险的适应度评价值评估操作时，需要将每一受灾车辆对应的二进制编码长度转化为十进制实数，通过十进制实数去寻找每一受灾车辆选择的避险路径方案和经过的节点，再用于适用于城市内涝风险的适应度评价值评估操作。
进一步地，在步骤S2中，在进行种群初始化的操作时，初始种群中大部分的染色体采用随机生成的方式，同时将考虑车辆最优避险路径和/或考虑满足受灾人员意愿的染色体加入初始种群中。
进一步地，在步骤S3中，每条染色体中，对于车辆最优避险路径，在评价染色体的车辆最优避险路径适应度值时，需要对染色体中的每个基因都进行单独评价，染色体车辆最优避险路径适应度值的计算公式为：
Figure 601101DEST_PATH_IMAGE001
其中，
Figure 659187DEST_PATH_IMAGE002
为每一受灾车辆具体的车辆最优避险路径的距离；
对于受灾人员意愿，进行比较的是避险路径方案的终点，需要判断染色体的受灾车辆避险点选择，与受灾人员的避险点选择是否匹配，如果匹配，则提高适应度值；如果不匹配，则适应度值不变，染色体受灾人员意愿适应度评价值的计算公式为：
Figure 970083DEST_PATH_IMAGE003
其中，
Figure 319287DEST_PATH_IMAGE004
为第
Figure 540183DEST_PATH_IMAGE005
辆车的受灾人员意愿评价，
Figure 628225DEST_PATH_IMAGE006
为受灾人员意愿的避险点，
Figure 551051DEST_PATH_IMAGE007
为 染色体实际选择的避险点，
Figure 953213DEST_PATH_IMAGE008
用于计算受灾人员意愿适应度评价值的经验常数，
Figure 153250DEST_PATH_IMAGE004
表 示当
Figure 35362DEST_PATH_IMAGE006
与
Figure 992954DEST_PATH_IMAGE007
不同时，
Figure 261124DEST_PATH_IMAGE009
的值为1，
Figure 174723DEST_PATH_IMAGE010
的值为
Figure 807829DEST_PATH_IMAGE011
，即受灾人员意愿的避险 点与染色体实际选择的避险点不同时，会增加
Figure 315034DEST_PATH_IMAGE011
值的代价作为惩罚；当
Figure 747415DEST_PATH_IMAGE012
与
Figure 922044DEST_PATH_IMAGE007
相同 时，
Figure 460473DEST_PATH_IMAGE013
的值为0，
Figure 579607DEST_PATH_IMAGE004
的值为0，则无惩罚；
对于避险点容量，通过各个避险点分配的受灾车辆数量与实际的避险点容量对比，判断避险点是否超限，染色体避险点容量适应度评价值的计算公式为：
Figure 861684DEST_PATH_IMAGE014
其中，
Figure 890820DEST_PATH_IMAGE015
为染色体避险点的统计量，
Figure 551215DEST_PATH_IMAGE016
为实际避险点容量，
Figure 705116DEST_PATH_IMAGE017
用于计算染色体避险点容量适应度评价值的经验常数；
对于道路拥挤量，记录染色体中每一受灾车辆经过的节点，通过统计分析，判断每个节点车辆经过的次数，对整体的结果进行数学公式计算，得到合理道路拥挤量适应度评价值：
Figure 853200DEST_PATH_IMAGE018
其中，
Figure 861477DEST_PATH_IMAGE019
是染色体上的道路节点经过统计量；
Figure 7287DEST_PATH_IMAGE020
是用于计算道路拥挤度适应 度评价值的经验常数，
Figure 710801DEST_PATH_IMAGE021
是道路的受灾车辆拥挤度上限值，根据具体道路而定，染色体道路 拥挤量适应度评价值的计算公式含义为，将道路节点中超过道路上限的值作为计算基础， 对适应度函数进行惩罚；
适用于城市内涝风险的适应度评价值评价的计算公式为：
Figure 288675DEST_PATH_IMAGE022
其中，
Figure 964507DEST_PATH_IMAGE023
代表的是城市内涝风险整体的适应度评价值；
Figure 343536DEST_PATH_IMAGE024
代表的实 验中的受灾车辆的数量；
Figure 721296DEST_PATH_IMAGE025
为常系数。
进一步地，在步骤S4中，对染色体适应度评价值进行线性变化，将范围缩放到合理范围，最优的个体的适应度评价值变化为1，最差个体的适应度评价值变化为0，进而通过轮盘赌选择对适应度评价值进行评价选择，对适用于城市内涝风险的适应度评价值评估进行线性变化的计算公式为：
Figure 352129DEST_PATH_IMAGE026
其中，
Figure 679205DEST_PATH_IMAGE027
是线性变化前的适应值，染色体种群中最大的
Figure 914621DEST_PATH_IMAGE027
的值为
Figure 733672DEST_PATH_IMAGE028
， 最小的
Figure 27251DEST_PATH_IMAGE029
的值为
Figure 661363DEST_PATH_IMAGE030
；
Figure 991981DEST_PATH_IMAGE031
是线性变化后的适应值，染色体种群中设置最 大的
Figure 422963DEST_PATH_IMAGE032
的值为
Figure 146330DEST_PATH_IMAGE033
，最小的
Figure 651261DEST_PATH_IMAGE034
的值为
Figure 277414DEST_PATH_IMAGE035
。
进一步地，在步骤S5中，对染色体种群进行改进交叉操作，改进交叉算子将染色体按不同车辆的编码范围进行划分，在不同划分区域的内部都进行单点交叉操作。
进一步地，在步骤S6中，变异算子选择二进制变异算子。
进一步地，在步骤S7中，跳转步骤S2，进行适用于城市内涝风险的适应度评价值评估操作之前，对染色体进行完整性检测，对染色体每一受灾车辆的改进二进制编码长度进行检查，判断其是否为0或超出避险路径方案的数量。如果出现异常，则在相应范围重新随机生成符合要求的改进二进制编码，以替代不可行的改进二进制编码。
进一步地，比较进化过程中当前代的适用于城市内涝风险的适应度评价值与上一代的适用于城市内涝风险的适应度评价值，如果当前代的种群最优解不如上一代的种群最优解，则会将上一代的种群最优解加入到本代中。
与现有技术相比，本发明具有以下优点和有益效果：
本发明提出的一种改进的城市内涝车辆避险路径遗传规划方法，通过对受灾车辆的不确定路径进行改进二进制编码，更加全面的对受灾车辆整体的避险调度问题进行考虑。同时算法通过适用于城市内涝风险的适应度评价值评估操作、考虑车辆最优路径和满足受灾人员意愿的种群初始化操作、基于适应度评价值线性变化的改进选择操作和适用于改进二进制编码的优化交叉操作多方面的改进，使算法在面对城市内涝环境中的本问题具有更优的解决效果，能够保证车辆整体能最快、最安全的到达避险点，并且能尽可能满足受灾人员需求、降低道路拥挤量、保证避险点容量不超限。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一种改进的城市内涝车辆避险路径遗传规划方法流程图；
图2是改进的染色体整数编码示意图；
图3是改进的染色体二进制编码示意图；
图4是染色体基因代表路径示意图；
图5是受灾人员意愿示意图；
图6是染色体避难点容量示意图；
图7是染色体节点数量统计示意图；
图8是种群适应值线性变化示意图；
图9是染色体改进交叉算子示意图；
图10是染色体变异算子示意图；
图11是染色体交叉变异漏洞示意图；
图12是染色体完整性检测示意图；
图13是最优染色体保留示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提出一种改进的城市内涝车辆避险路径遗传规划方法，如图1所示，包括以下步骤：
步骤S1、根据车辆的不确定路径对染色体进行改进二进制编码；
步骤S2、特殊种群初始化操作，进行考虑车辆最优路径、满足受灾人员意愿的种群初始化；
步骤S3、进行适用于城市内涝风险的适应度评价值评估操作，对车辆最优避险路径适应度评价值、受灾人员意愿适应度评价值、道路拥挤量适应度评价值和避险点容量适应度评价值进行评价；
步骤S4、进行基于适应度评价值线性变化的改进选择操作，选出最优的染色体进行交叉变异操作；
步骤S5、进行适用于改进二进制编码的优化交叉操作，充分扩大改进遗传算法的搜索空间；
步骤S6、进行基本位变异操作，保证改进遗传算法具有局部搜索能力；
步骤S7、采用特殊机制整体优化改进遗传算法，使改进遗传算法更加完善。
本发明提出的一种改进的城市内涝车辆避险路径遗传规划方法，通过对受灾车辆的不确定路径进行改进二进制编码，更加全面的对受灾车辆整体的避险调度问题进行考虑。同时算法通过适用于城市内涝风险的适应度评价值评估操作、考虑车辆最优路径和满足受灾人员意愿的种群初始化操作、基于适应度评价值线性变化的改进选择操作和适用于改进二进制编码的优化交叉操作多方面的改进，使算法在面对城市内涝环境中的本问题具有更优的解决效果，能够保证车辆整体能最快、最安全的到达避险点，并且能尽可能满足受灾人员需求、降低道路拥挤量、保证避险点容量不超限。
本发明中，改进二进制编码可以与改进的交叉算子相辅相成，同时促进染色体的进化进程，从而有效的提高最终染色体的适用于城市内涝风险的适应度评价值评。
在本发明的一个实施例中，如图2所示，受灾车辆A为一条染色体上的一个基因，对于受灾车辆A来说，受灾车辆A有多个可去的避险点，且经过车辆避险的路径搜索，它前往各个避险点的路径选择总和共有不确定的20种方案。而对于受灾车辆A来说，在此染色体情况下，受灾车辆A选择了避险路径方案1，同理受灾车辆B选择避险路径方案2，受灾车辆C选择避险路径方案4。这里可选的避险路径方案仅用一个数字标号代替，在进行适用于城市内涝风险的适应度评价值评估操作时，会将根据数字标号找到具体的避险路径方案再进一步计算。
这种染色体编码属于实数编码，但实数编码方式对于本发明来说并不理想，一方面是在之后的染色体的交叉变异时操作复杂，另一方面是实数编码进化效率不高。所以为了提高本发明中的遗产算法进化效率，如图3所示，本发明对染色体的编码方式进行了进一步改进，即根据车辆的不确定路径对染色体进行改进二进制编码。
如图3所示，在步骤S1中，改进遗传算法的编码为，设置染色体种群数，每一条染色体上设置多个基因，每个基因表示一辆受灾车辆，每一条染色体上的多个基因等于该条染色体上受灾车辆的数量，每一条染色体中每个基因设置多个可选项，每个可选项表示受灾车辆的一个避险路径方案，每一避险路径方案经过多个节点，所有染色体上的所有可选项表示当前城市网络中，所有受灾车辆的避险路径方案总和，根据每一受灾车辆的最大避险路径方案数量，确定每一受灾车辆的二进制编码长度，按照二进制编码长度对每一条染色体进行0值填充，得到最终的二进制编码染色体串。
本发明一个实施例中，染色体种群的数量设置为50，也就是设有50条染色体。
对于解码过程，在步骤S3中，当需进行适用于城市内涝风险的适应度评价值评估操作时，需要将每一受灾车辆对应的二进制编码长度转化为十进制实数，通过十进制实数去寻找每一受灾车辆选择的避险路径方案和经过的节点，再用于适用于城市内涝风险的适应度评价值评估操作。
这种编码方式最大的好处在可以与改进的交叉算子相辅相成，同时促进染色体的进化进程，从而有效的提高最终染色体的适应度评价值。
步骤S2、在进行种群初始化的操作时，初始种群中大部分的染色体采用随机生成的方式，同时将考虑车辆最优避险路径和/或考虑满足受灾人员意愿的染色体加入初始种群中。
除了以上随机生成的染色体，同时也将考虑车辆最优避险路径和/或考虑满足受灾人员意愿的染色体加入初始种群中，以提高初始种群的质量，便于后续进化。
其中考虑车辆最优避险路径的染色体指，该染色体的每个基因位置的车辆的路径选择都直接选择空间距离上的最优避险路径。其虽然无法保证道路拥挤量、避险点容量等因素满足条件，但在车辆避险距离上存在优势，相比随机生成的染色体一般具有更好的适应度评价值。
考虑满足受灾人员意愿的染色体指，考虑满足受灾人员意愿的染色体上的每个基因位置的车辆选择的路径终点的避险点都符合受灾人员的期望，该方式与实际较为符合，其在受灾人员意愿满足率上可以获得较高的适应度评价值，比随机生成的染色体具有优势，蕴含更多进化到更优染色体的可能性。
在步骤S3中、每条染色体中，在进行适用于城市内涝风险的适应度评价值评估操作时，获取车辆最优避险路径适应度评价值、受灾人员意愿适应度评价值、道路拥挤量适应度评价值和避险点容量适应度评价值。
其中，车辆最优避险路径包括受灾车辆的避险路径方案应尽可能不经过渍水风险区、受灾车辆的避险路径方案应尽可能不经过降雨风险区、受灾车辆的避险路径方案应尽可能的短；道路拥挤量指的是道路整体受灾车辆影像的拥挤度应尽可能的小；避险点容量指的是避险点的容量不超过最大可容纳值；受灾人员意愿指的是受灾人员去向的避险点在一定程度上考虑受灾人员意愿。
对于车辆最优避险路径，在评价染色体的车辆最优避险路径适应度值时，需要对染色体中的每个基因都进行单独评价，染色体车辆最优避险路径适应度值的计算公式为：
Figure 117063DEST_PATH_IMAGE001
其中，
Figure 893389DEST_PATH_IMAGE002
为每一受灾车辆具体的车辆最优避险路径的距离；
在本发明一个实施例中，如图4，在一条染色体中，受灾车辆A的路径选择了避险路径方案1，经过节点p1、节点p3、节点p5和节点p6，到达避险点h1，并且在车辆避险路径搜索中，计算出避险路径方案1的距离为S1，这里的S1代表的是考虑了渍水、降雨风险和空间路径的综合距离。同理可得知受灾车辆B经过的路径，受灾车辆B的路径选择了避险路径方案2，经过节点p2、节点p3和节点p7，到达避险点h2，并且在车辆避险路径搜索中，计算出避险路径方案2的距离为S2，根据，计算该条染色体的染色体车辆最优避险路径适应度值。
对于受灾人员意愿，进行比较的是避险路径方案的终点，需要判断染色体的受灾车辆避险点选择，与受灾人员的避险点选择是否匹配，如果匹配，则提高适应度值；如果不匹配，则适应度值不变，染色体受灾人员意愿适应度评价值的计算公式为：
Figure 49564DEST_PATH_IMAGE003
其中，
Figure 797684DEST_PATH_IMAGE004
为第
Figure 813045DEST_PATH_IMAGE005
辆车的受灾人员意愿评价，
Figure 252116DEST_PATH_IMAGE036
为受灾人员意愿的避险点，
Figure 715327DEST_PATH_IMAGE007
为 染色体实际选择的避险点，
Figure 89808DEST_PATH_IMAGE037
用于计算受灾人员意愿适应度评价值的经验常数，
Figure 451519DEST_PATH_IMAGE004
表 示当
Figure 117118DEST_PATH_IMAGE036
与
Figure 388831DEST_PATH_IMAGE007
不同时，
Figure 793267DEST_PATH_IMAGE009
的值为1，
Figure 829225DEST_PATH_IMAGE010
的值为
Figure 219886DEST_PATH_IMAGE011
，即受灾人员意愿的避险 点与染色体实际选择的避险点不同时，会增加
Figure 156225DEST_PATH_IMAGE011
值的代价作为惩罚；当
Figure 403667DEST_PATH_IMAGE038
与
Figure 5549DEST_PATH_IMAGE007
相同 时，
Figure 449169DEST_PATH_IMAGE013
的值为0，
Figure 492211DEST_PATH_IMAGE004
的值为0，则无惩罚。
在本发明的中，额外考虑了受灾人员意愿，在实际场景当中，存在这样的情况，离受灾车辆最近的避险点并不是其想去的地点，而其他较远的某个避险点，可能对于受灾人员有更高的优先级。所以，额外考虑受灾人员意愿可以使调度更加灵活，也使发明能更满足实际需求。
这里需要注意的是，如图5所示，在计算受灾人员意愿适应度评价值时，进行比较的是避险路径方案的终点，即避险点，而不是避险路径方案。虽然受灾车辆有许多避险路径方案可选，当其中相当一部分的避险点是相同的，只是避险路径方案不同。
对于避险点容量，在考虑受灾车辆的避险路径方案的同时，鉴于实际情况，发明还限制了避险点的容量，即每个避险点都有一定的容量上限，如果规划的结果使某一部分避险点的避险车辆数量超过了限制，那么将会对适应度进行惩罚。
并且与车辆最优避险路径、受灾人员意愿不同，避险点容量是整体评价结果，而不是对每一受灾车辆的适应度评价值计算，所以在算法实际发明中，需要对染色体的整体进行评估。
在本发明的一个实施例中，如图6所示，染色体统计出了各个避险点分配的受灾车辆数量，与实际的避险点容量进行比对，就可以清楚了解避险点是否超限的情况。
染色体避险点容量适应度评价值的计算公式为：
Figure 504030DEST_PATH_IMAGE014
其中，
Figure 688149DEST_PATH_IMAGE015
为染色体避险点的统计量，
Figure 482929DEST_PATH_IMAGE016
为实际避险点容量，
Figure 629746DEST_PATH_IMAGE017
用于计算染色体避险点容量适应度评价值的经验常数。
通过获取染色体在避险点容量方面的适应度评价值，对将避险点中超限部分的受灾车辆数作为基础，并进行合适的指数计算，作为适应度的惩罚。
对于道路拥挤量。道路拥挤量是城市内涝风险适应度评价值评估中最重要的因素之一，正是因为要从整体上考虑受灾车辆在每一避险路径方案的拥挤量，该问题才演化为普通精确算法较难解决的NP-hard问题。
在具体的道路拥挤量适应度评价值评价过程中，本发明主要关注受灾车辆经过的节点，以节点的重复程度来表征整体的受灾车辆拥挤程度。该方法的优点在于，如果完全按照道路进行评价，一方面是计算量大，另一方面是如果出现十字交叉路口的情况，虽然在线性道路上没有重合，但是事实上交叉路口也会有较高的拥挤量，所以考虑以上因素，按节点进行道路拥挤量有一定优越性。
具体的计算方法为，如图7，记录染色体中每一受灾车辆经过的节点，通过统计分析，判断每个节点车辆经过的次数，对整体的结果进行数学公式计算，得到合理道路拥挤量适应度评价值。
染色体道路拥挤量适应度评价值的计算公式为：
Figure 546886DEST_PATH_IMAGE018
其中，
Figure 998727DEST_PATH_IMAGE039
是染色体上的道路节点经过统计量；
Figure 345001DEST_PATH_IMAGE040
是用于计算道路拥挤度适应 度评价值的经验常数，
Figure 159374DEST_PATH_IMAGE021
是道路的受灾车辆拥挤度上限值，根据具体道路而定，染色体道路 拥挤量适应度评价值的计算公式含义为，将道路节点中超过道路上限的值作为计算基础， 对适应度函数进行惩罚。
在改进的城市内涝车辆避险路径遗传规划方法中，适应度函数考虑了车辆最优避险路径适应度评价值、用户意愿适应度评价值、道路拥挤量适应度评价值和避难所容量适应度评价值四个因素，在之前的部分也已经给出了各个方面适应度的计算方法与公式。但要总体对城市内涝风险进行评价，只能有一个适应度函数进行代表，所以发明将以上四方面的适应度评价值进行综合计算，得出最后的适用于城市内涝风险的适应度评价值评价方法，适用于城市内涝风险的适应度评价值评估的计算公式为：
Figure 653940DEST_PATH_IMAGE022
其中，
Figure 373503DEST_PATH_IMAGE023
代表的是城市内涝风险整体的适应度评价值；
Figure 103562DEST_PATH_IMAGE024
代表的实 验中的受灾车辆的数量；
Figure 444544DEST_PATH_IMAGE025
为常系数。
通过适用于城市内涝风险的适应度评价值评估的计算公式，在本发明改进遗传算 法后续步骤中，需要做的就是不断优化染色体，提高
Figure 860745DEST_PATH_IMAGE023
的值，让车辆调度方案最优。
步骤S4、通过对染色体的适应度评价值评估操作，对不同染色体之间的优劣程度已经有一定的定量统计下，接下需要做的是对染色体进行选择操作，尽可能把适应度高的染色体留下，以利用之后的交叉变异产生更好的后代。
在本发明中，染色体的选择算子选取了轮盘赌的方法，并进行了部分改进以适用于本发明。
常规的轮盘赌选择直接对适应度评价值进行评价选择，此种方式虽然简单，但会受到染色体适应度评价值本身的分布规律影响。而在本发明中，适用于城市内涝风险的适应度评价值的计算较为复杂，如果直接使用轮盘赌选择，得到的结果较难控制，不利于后续的交叉变异进化。
所以，在本发明中，于轮盘赌选择之前，将对染适用于城市内涝风险的适应度评价值评估进行线性变化，将范围缩放到合理范围。如图8，常用缩放范围是0到1，最优的个体的适应度评价值变化为1，最差个体的适应度评价值变化为0，此操作可有效增大各染色体之间的适应度评价值差异，使适应度评价值高的染色体更易被轮盘赌选中。
具体地，对适用于城市内涝风险的适应度评价值评估进行线性变化的计算公式为：
Figure 880653DEST_PATH_IMAGE041
其中，
Figure 820927DEST_PATH_IMAGE027
是线性变化前的适应值，染色体种群中最大的
Figure 105DEST_PATH_IMAGE027
的值为
Figure 695528DEST_PATH_IMAGE028
， 最小的
Figure 78099DEST_PATH_IMAGE029
的值为
Figure 593305DEST_PATH_IMAGE030
；
Figure 502355DEST_PATH_IMAGE031
是线性变化后的适应值，染色体种群中设置最 大的
Figure 244046DEST_PATH_IMAGE032
的值为
Figure 504126DEST_PATH_IMAGE033
，最小的
Figure 35470DEST_PATH_IMAGE034
的值为
Figure 674393DEST_PATH_IMAGE035
。
步骤S5、通过染色体的选择操作，已经从初始种群中选出一批较优的新种群，接下来进行的操作则是对种群进行交叉变异，以获得更好的染色体。
其中的交叉操作，针对于改进二进制编码的染色体来说，一般常用单点交叉或多点交叉等等。在本发明中，染色体代表的是各受灾车辆的避险路径方案总和，染色体长度较长，如果仅用单点交叉，那么交叉后染色体的变化效果将会不太明显；如果使用多点交叉，交叉点的数量、交叉点的数量也是要考虑的问题。
本发明在交叉过程中，使用了适用于本发明的改进交叉算子，交叉概率推荐设置为0.7。在改进的交叉操作中，将染色体按不同车辆的编码范围进行划分，在不同划分区域的内部都进行单点交叉操作；
对于改进交叉算子，其对于单辆车的编码范围来说，体现为单点交叉。而对于整条染色体来说，其体现为有规律的多点交叉，这种交叉方式充分保障了染色体进化的多样性。
如图9，使用改进交叉算子，染色体中每一受灾车辆对应的基因都发生了交叉，在车辆最优避险路径适应度评价值搜索空间来看，此交叉算子拓宽了车辆最优避险路径适应度评价值的搜索空间，起到了良好的全局搜索的能力。
步骤S6、在对染色体种群进行交叉操作之后，接下来则需要进行变异操作。变异操作的目的是增强染色体的局部搜索能力，让已经接近最优解的染色体能有移动到最优解的机会。在此发明中，变异算子选择了常用的二进制变异算子，在操作上相对简单，效果良好。
如图10，在改进二进制编码染色体的变异算子中，算法设置变异概率为0.01，选择相应数量的基因进行变异，在二进制编码中，即0变为1，1变为0。
步骤S7、本发明采用特殊机制整体优化遗传算法，使改进遗传算法更加完善；
方法一是对染色体完整性检测。此优化是针对于本发明的改进二进制编码进行改进的，在经过对改进遗传算法的多次试验后，发现了这样一个问题：染色体上的包含的信息是每一受灾车辆选择的避险路径方案，每一受灾车辆对应的改进二进制编码长度也是由其避险路径方案的数量决定的。如图11，当染色体在交叉变异之后，可能会出现结果为0或者超出改进二进制编码长度的值。而对于本发明来说，改进二进制编码对应的是受灾车辆选择的避险路径方案编号，如果编号为0或超出改进二进制编码长度范围，则无法正常找到对应的避险路径方案。
所以算法为了保证在计算过程中的正确与完整性，在染色体进行适应度评价之前，需要对染色体进行完整性检测，目的是为了除去改进二进制编码中的不可行解。而完整性检验的方法也较为简单，对染色体每一受灾车辆的改进二进制编码长度进行检查，判断其是否为0或超出避险路径方案的数量。如果出现异常，则在相应范围重新随机生成符合要求的改进二进制编码，以替代不可行的改进二进制编码，如图12。
方法一是对最优染色体保留。在本发明中，由于染色体的改进二进制编码一般较长，交叉的影响较大，适用于城市内涝风险的适应度评价值在经过一代的进化之后，可能会出现较大幅度的改变。当进化情况良好时，新的种群出现更加优秀的个体；当进化情况较差时，种群可能无法获得更优的个体解，而更糟糕的情况是，交叉和变异破坏了之前较优的个体，导致进化结果反而变差。所以，为了使遗传算法的进化尽可能朝向更优的方向进行，在此提出了最优染色体保留的方法。
如图13，算法会比较进化过程中当前代的适用于城市内涝风险的适应度评价值与上一代的适用于城市内涝风险的适应度评价值，如果当前代的种群最优解不如上一代的种群最优解，则会将上一代的种群最优解加入到本代中。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种改进的城市内涝车辆避险路径遗传规划方法，其特征在于，包括以下步骤：
步骤S1、根据车辆的不确定路径对染色体进行改进二进制编码；
步骤S2、特殊种群初始化操作，进行考虑车辆最优路径、满足受灾人员意愿的种群初始化；
步骤S3、进行适用于城市内涝风险的适应度评价值评估操作，对车辆最优避险路径适应度评价值、受灾人员意愿适应度评价值、道路拥挤量适应度评价值和避险点容量适应度评价值进行评价；
步骤S4、进行基于适应度评价值线性变化的改进选择操作，选出最优的染色体进行交叉变异操作；
步骤S5、进行适用于改进二进制编码的优化交叉操作，充分扩大改进遗传算法的搜索空间；
步骤S6、进行基本位变异操作，保证改进遗传算法具有局部搜索能力；
步骤S7、采用特殊机制整体优化改进遗传算法，使改进遗传算法更加完善。
2.根据权利要求1所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S1中，改进遗传算法的编码为，设置染色体种群数，每一条染色体上设置多个基因，每个基因表示一辆受灾车辆，每一条染色体上的多个基因等于该条染色体上受灾车辆的数量，每一条染色体中每个基因设置多个可选项，每个可选项表示受灾车辆的一个避险路径方案，每一避险路径方案经过多个节点，所有染色体上的所有可选项表示当前城市网络中，所有受灾车辆的避险路径方案总和，根据每一受灾车辆的最大避险路径方案数量，确定每一受灾车辆的二进制编码长度，按照二进制编码长度对每一条染色体进行0值填充，得到最终的二进制编码染色体串。
3.根据权利要求2所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S3中，当需要进行适用于城市内涝风险的适应度评价值评估操作时，需要将每一受灾车辆对应的二进制编码长度转化为十进制实数，通过十进制实数去寻找每一受灾车辆选择的避险路径方案和经过的节点，再用于适用于城市内涝风险的适应度评价值评估操作。
4.根据权利要求1所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S2中，在进行种群初始化的操作时，初始种群中大部分的染色体采用随机生成的方式，同时将考虑车辆最优避险路径和/或考虑满足受灾人员意愿的染色体加入初始种群中。
5.根据权利要求1所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S3中，每条染色体中，对于车辆最优避险路径，在评价染色体的车辆最优避险路径适应度值时，需要对染色体中的每个基因都进行单独评价，染色体车辆最优避险路径适应度值的计算公式为：
Figure 608683DEST_PATH_IMAGE001
其中，
Figure 778896DEST_PATH_IMAGE002
为每一受灾车辆具体的车辆最优避险路径的距离；
对于受灾人员意愿，进行比较的是避险路径方案的终点，需要判断染色体的受灾车辆避险点选择，与受灾人员的避险点选择是否匹配，如果匹配，则提高适应度值；如果不匹配，则适应度值不变，染色体受灾人员意愿适应度评价值的计算公式为：
Figure 192560DEST_PATH_IMAGE003
其中，
Figure 685989DEST_PATH_IMAGE004
为第
Figure 81067DEST_PATH_IMAGE005
辆车的受灾人员意愿评价，
Figure 50160DEST_PATH_IMAGE006
为受灾人员意愿的避险点，
Figure 611723DEST_PATH_IMAGE007
为染色 体实际选择的避险点，
Figure 35357DEST_PATH_IMAGE008
用于计算受灾人员意愿适应度评价值的经验常数，
Figure 148807DEST_PATH_IMAGE009
表示当
Figure 480562DEST_PATH_IMAGE010
与
Figure 236029DEST_PATH_IMAGE007
不同时，
Figure 218897DEST_PATH_IMAGE011
的值为1，
Figure 706510DEST_PATH_IMAGE004
的值为
Figure 384616DEST_PATH_IMAGE012
，即受灾人员意愿的避险点与 染色体实际选择的避险点不同时，会增加
Figure 304293DEST_PATH_IMAGE012
值的代价作为惩罚；当
Figure 17034DEST_PATH_IMAGE006
与
Figure 675548DEST_PATH_IMAGE007
相同时，
Figure 965584DEST_PATH_IMAGE013
的值为0，
Figure 62853DEST_PATH_IMAGE009
的值为0，则无惩罚；
对于避险点容量，通过各个避险点分配的受灾车辆数量与实际的避险点容量对比，判断避险点是否超限，染色体避险点容量适应度评价值的计算公式为：
Figure 302205DEST_PATH_IMAGE014
其中，
Figure 82686DEST_PATH_IMAGE015
为染色体避险点的统计量，
Figure 735384DEST_PATH_IMAGE016
为实际避险点容量，
Figure 246131DEST_PATH_IMAGE017
用于 计算染色体避险点容量适应度评价值的经验常数；
对于道路拥挤量，记录染色体中每一受灾车辆经过的节点，通过统计分析，判断每个节点车辆经过的次数，对整体的结果进行数学公式计算，得到合理道路拥挤量适应度评价值：
Figure 854835DEST_PATH_IMAGE018
其中，
Figure 917469DEST_PATH_IMAGE019
是染色体上的道路节点经过统计量；
Figure 729568DEST_PATH_IMAGE020
是用于计算道路拥挤度适应度评 价值的经验常数，
Figure 60317DEST_PATH_IMAGE021
是道路的受灾车辆拥挤度上限值，根据具体道路而定，染色体道路拥挤 量适应度评价值的计算公式含义为，将道路节点中超过道路上限的值作为计算基础，对适 应度函数进行惩罚；
适用于城市内涝风险的适应度评价值评价的计算公式为：
Figure 336578DEST_PATH_IMAGE022
其中，
Figure 507796DEST_PATH_IMAGE023
代表的是城市内涝风险整体的适应度评价值；
Figure 259720DEST_PATH_IMAGE024
代表的实验中 的受灾车辆的数量；
Figure 971324DEST_PATH_IMAGE025
为常系数。
6.根据权利要求1所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S4中，对染色体适应度评价值进行线性变化，将范围缩放到合理范围，最优的个体的适应度评价值变化为1，最差个体的适应度评价值变化为0，进而通过轮盘赌选择对适应度评价值进行评价选择，对适用于城市内涝风险的适应度评价值评估进行线性变化的计算公式为：
Figure 305354DEST_PATH_IMAGE026
其中，
Figure 332959DEST_PATH_IMAGE027
是线性变化前的适应值，染色体种群中最大的
Figure 119649DEST_PATH_IMAGE027
的值为
Figure 900524DEST_PATH_IMAGE028
，最小 的
Figure 276010DEST_PATH_IMAGE029
的值为
Figure 789031DEST_PATH_IMAGE030
；
Figure 390914DEST_PATH_IMAGE031
是线性变化后的适应值，染色体种群中设置最大的
Figure 335998DEST_PATH_IMAGE032
的值为
Figure 706937DEST_PATH_IMAGE033
，最小的
Figure 390859DEST_PATH_IMAGE031
的值为
Figure 73513DEST_PATH_IMAGE034
。
7.根据权利要求1所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S5中，对染色体种群进行改进交叉操作，改进交叉算子将染色体按不同车辆的编码范围进行划分，在不同划分区域的内部都进行单点交叉操作。
8.根据权利要求1所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S6中，变异算子选择二进制变异算子。
9.根据权利要求1所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：在步骤S7中，跳转步骤S2，进行适用于城市内涝风险的适应度评价值评估操作之前，对染色体进行完整性检测，对染色体每一受灾车辆的改进二进制编码长度进行检查，判断其是否为0或超出避险路径方案的数量，如果出现异常，则在相应范围重新随机生成符合要求的改进二进制编码，以替代不可行的改进二进制编码。
10.根据权利要求9所述的改进的城市内涝车辆避险路径遗传规划方法，其特征在于：比较进化过程中当前代的适用于城市内涝风险的适应度评价值与上一代的适用于城市内涝风险的适应度评价值，如果当前代的种群最优解不如上一代的种群最优解，则会将上一代的种群最优解加入到本代中。
CN202210659134.9A 2022-06-13 2022-06-13 一种改进的城市内涝车辆避险路径遗传规划方法 Active CN114742329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210659134.9A CN114742329B (zh) 2022-06-13 2022-06-13 一种改进的城市内涝车辆避险路径遗传规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210659134.9A CN114742329B (zh) 2022-06-13 2022-06-13 一种改进的城市内涝车辆避险路径遗传规划方法

Publications (2)

Publication Number Publication Date
CN114742329A true CN114742329A (zh) 2022-07-12
CN114742329B CN114742329B (zh) 2022-09-02

Family

ID=82287518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210659134.9A Active CN114742329B (zh) 2022-06-13 2022-06-13 一种改进的城市内涝车辆避险路径遗传规划方法

Country Status (1)

Country Link
CN (1) CN114742329B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080046134A1 (en) * 2005-04-25 2008-02-21 The Boeing Company Evacuation route planning tool
CN103489042A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 一种灾害应急决策系统路径优化的方法
CN105160889A (zh) * 2015-09-29 2015-12-16 中山大学 一种城市内涝情景下路网交通流的多源点协同疏导方法
CN107292450A (zh) * 2017-07-18 2017-10-24 西安电子科技大学 基于多智能体遗传算法的灾害救援救护车路径规划方法
CN107609720A (zh) * 2017-11-01 2018-01-19 中北大学 一种基于遗传算法和爬山算法的混凝土配送车辆调度方法
CN108280575A (zh) * 2018-01-22 2018-07-13 哈尔滨工业大学 一种应急疏散车辆多批次调度决策方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080046134A1 (en) * 2005-04-25 2008-02-21 The Boeing Company Evacuation route planning tool
CN103489042A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 一种灾害应急决策系统路径优化的方法
CN105160889A (zh) * 2015-09-29 2015-12-16 中山大学 一种城市内涝情景下路网交通流的多源点协同疏导方法
CN107292450A (zh) * 2017-07-18 2017-10-24 西安电子科技大学 基于多智能体遗传算法的灾害救援救护车路径规划方法
CN107609720A (zh) * 2017-11-01 2018-01-19 中北大学 一种基于遗传算法和爬山算法的混凝土配送车辆调度方法
CN108280575A (zh) * 2018-01-22 2018-07-13 哈尔滨工业大学 一种应急疏散车辆多批次调度决策方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置

Also Published As

Publication number Publication date
CN114742329B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN108764555B (zh) 一种基于Hadoop的共享单车停放点选址方法
Shanmugasundaram et al. Genetic algorithm-based road network design for optimising the vehicle travel distance
Oyola et al. The stochastic vehicle routing problem, a literature review, part II: solution methods
Lee et al. Real-time optimization for adaptive traffic signal control using genetic algorithms
CN105513400B (zh) 动态规划出行路径的方法
CN111582552B (zh) 一种基于多目标遗传算法的共享单车停放点分配方法
CN112378415B (zh) 一种工器具的调度规划方法、装置及设备
CN105160889B (zh) 一种城市内涝情景下路网交通流的多源点协同疏导方法
CN114742329B (zh) 一种改进的城市内涝车辆避险路径遗传规划方法
CN112037539B (zh) 一种用于饱和城市交通网络的信控方案推荐方法及系统
CN114399095A (zh) 基于云边端协同的动态车辆配送路径优化方法及装置
Duran et al. Transit network design with pollution minimization
Zhang et al. Battery maintenance of pedelec sharing system: Big data based usage prediction and replenishment scheduling
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
CN102456109A (zh) 一种用于木马事件预测的最小二乘支持向量机的训练方法及预测方法
CN109359740B (zh) 基于多生境遗传算法的机动路径优选方法及存储介质
CN114519463A (zh) 一种众包通勤公交调度问题的嵌入式降维组合优化方法
CN116824861B (zh) 基于城市大脑平台多维数据的共享单车调度方法和系统
Zhao et al. Large-scale scheduling model based on improved ant colony algorithm
CN109631923B (zh) 一种基于模因算法的风景驾驶路线规划方法
CN116882883A (zh) 一种利用大数据的电网物资配送路径规划方法
CN111932871B (zh) 一种区域级实时交通控制策略推荐系统及方法
Yuan et al. A novel learning approach for citywide crowd flow prediction
Li Multiparty coordinated logistics distribution route optimization based on data analysis and intelligent algorithm
Yan et al. Short-term forecast model of taxi demand based on time and space heterogeneity

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