CN114861972A - 基于遗传和鲸鱼混合算法的混合车辆路径优化方法和系统 - Google Patents
基于遗传和鲸鱼混合算法的混合车辆路径优化方法和系统 Download PDFInfo
- Publication number
- CN114861972A CN114861972A CN202210290630.1A CN202210290630A CN114861972A CN 114861972 A CN114861972 A CN 114861972A CN 202210290630 A CN202210290630 A CN 202210290630A CN 114861972 A CN114861972 A CN 114861972A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- node
- electric
- whale
- hybrid 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.)
- Pending
Links
- 241000283153 Cetacea Species 0.000 title claims abstract description 89
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 239000000446 fuel Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 7
- 229910052799 carbon Inorganic materials 0.000 abstract description 7
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法、系统、存储介质和电子设备，涉及车辆路径优化领域。根据任务数据，构建混合车辆协同配送模型；采用基于遗传和鲸鱼混合算法求解该混合车辆协同配送模型，获取混合车辆路径优化方案；所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入该距离最近的换电站。在现有设施的基础上配送路径优化环节加入换电环节，提高了电动汽车在配送环境中的使用便利性和对降低碳排放做出的贡献。
Description
技术领域
本发明涉及车辆路径优化技术领域，具体涉及一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法、系统、存储介质和电子设备。
背景技术
近年来能源成本稳步上升，同时通过了越来越多的法律来规范交通运输部门的温室气体排放。这些外部因素以及社会不断上升的环境和社会意识已经在企业中引发了许多绿色倡议。在物流领域，电动商用车现在被认为是传统内燃机商用车的一个重要的替代品。由于电动商用车使用距离的限制，只能对一定范围内的顾客进行货物的配送，且成本较高，因此使用纯电动商用车配送货物仍有较大局限。
目前，将电动商用车与传统内燃机商用车结合起来进行配送能够很好的解决续航与环境污染的问题，并解决一次性替换电动商用车所带来的巨额成本，起到中间过渡的作用，在混合车辆协同配送过程中，如何选择最佳的配送节点与合适的时机进行电动汽车的换电保证充足的电量，优化混合车辆的行驶路线，以此在尽量降低对环境污染的前提下提高混合车辆协同配送效率和成本是一个值得探讨的研究方向。建立合理的优化问题描述模型，并为模型寻找高效求解算法对提高混合车辆协同配送效率具有重要意义。
在现有的方案设计中，只有纯燃油汽车模型优化、纯电动汽车模型优化或无换电站的混合模型优化，但是在现实生活中，远途运输是电动汽车不可避免的一个弊端，导致生成的路径优化方案无法实际应用。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法、系统、存储介质和电子设备，解决了电动汽车远途运输未考虑换电环节，导致生成的路径优化方案无法实际应用的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法，包括：
S1、获取至少包括车辆、换电站、配送中心、客户节点信息的任务数据；
S2、根据所述任务数据，构建混合车辆协同配送模型；
S3、采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；
所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。
优选的，所述S3具体包括：
S31、根据所述任务数据，初始化鲸鱼种群，种群中任一鲸鱼个体解码后均包括插入换电站的电动汽车配送方案；
S32、根据所述混合车辆协同配送模型，计算每一个鲸鱼个体对应的目标函数值，获取局部最优个体，并作为全局最优个体；
S33、引入的遗传算法交叉操作完成鲸鱼个体的更新；
S34、将更新后的鲸鱼种群进行局部搜索后，获取当前局部最优个体，并更新所述全局最优个体；
S35、判断是否达到最大更新迭代次数，若是，转入S36；否则，转入S33；
S36、输出最终的全局最优个体，解码获取所述混合车辆路径优化方案。
优选的，所述S31包括：
S311、根据所述任务数据，采用实数编码方式对鲸鱼个体进行编码，具体包括用数字0表示配送中心；1，...，n表示客户节点；n+1，…，n+m表示换电站的位置；配送中心能够使用的总计最大车辆使用数目K等于最大燃油汽车使用数量maxfv加上电动汽车使用数量maxev，则个体的编码为可以用1，…，n+K-1的实数随机产生，其中实数n+1，…，n+K-1为车辆分割点；
S312、将所述鲸鱼个体进行解码，分别获取燃油汽车、以及插入换电站的电动汽车的车辆配送方案；
S3121、获取燃油汽车的车辆配送方案，
根据燃油汽车最大使用数量maxfv，提取出现第maxfv个车辆分割点以前的编码片段，在该前部分编码片段中利用大于n的数值把选取的片段最多至多分割为maxfv份，每一份分割的片段代表每一辆燃油汽车访问的客户节点；
S3122、获取不插入换电站的电动汽车配送方案，
提取出现第maxfv个车辆分割点以后的编码片段，在该后部分编码片段中利用大于n的数值把选取的片段最多至多分割为maxev份，每一份分割的片段代表每一辆电动汽车访问的客户节点；
S3123、获取插入换电站的电动汽车的车辆配送方案，
计算上述不插入换电站的电动汽车配送方案中任一电动汽车从配送中心出发到达第i个客户节点的距离，根据距离得出当前电动汽车到达第i个客户节点的剩余电量，直到可以返回到配送中心；
当剩余电量小于0％时，返回第i-1个客户节点，根据当前位置寻找距离第i-1个客户节点距离最近的换电站位置，计算第i-1个客户节点到达最近换电站的剩余电量，若剩余电量满足到达换电站位置，则把换电站编号插入到第i-1与第i个客户节点之间；
若不能，继续返回第i-2个客户节点，循环上述寻找操作，直到可以到达换电站的位置，进行换电，换电后计算从该换电站到达未访问客户节点的顺序，根据距离得出到达其余客户节点的剩余电量，继续循环上述操作；
S313、组合燃油汽车的车辆配送方案和插入换电站的电动汽车的车辆配送方案，获取初始鲸鱼种群中任一鲸鱼个体对应的解。
优选的，所述S33具体包括：
定义局部最优个体为X*，其余鲸鱼个体为Xi，则更新公式为：
其中，rand表示生成介于0到1之间的一个随机数；
cross1表示循环交叉方式，包括：
S10、随机选择鲸鱼个体1的位置i1上元素e1，找到个体2相同位置i1的元素e2，再回到个体1中找到元素e2所在的位置i2，重复工作直至达到一个闭环；
S11、按顺序依次替换两个个体上数值的位置，完成当前鲸鱼个体的更新；
cross2表示顺序交叉方式，包括：
S100、随机选择鲸鱼个体1中任意个个体的位置，并记录对应的数值位置顺序，在个体2中选择相同数值，并记录个体2的位置顺序；
S101、将个体1选中的数值位置顺序按照个体2数值位置顺序重新插回个体1中，个体2选择的数值按照个体1选中数值的顺序重新插回个体。
优选的，所述S34具体采用逆转操作和/或插入操作局部搜索方法，包括：
定义一个鲸鱼个体可表示为：
R＝[R(1)，R(2)，...，R(i)，R(i+1)，...，R(j-1)，R(j)，...，R(N+K-2)，R(N+K-1)]；
(1)所述逆转操作局部搜索方法是指逆转鲸鱼个体上两个位置之间所有元素的排序，若选择的逆转位置为i和j，逆转第i个和第j个位置之间所有元素，排序后的解可表示为：
R＝[R(1)，R(2)，…，R(j)，R(j-1)，…，R(i+1)，R(i)，…，R(N+K-2)，R(N+K-1)]；
(2)所述插入操作局部搜索方法是指将第i个位置元素插入第j个位置元素之后，排序后的解表示为：
R＝[R(1)，R(2)，…，R(i+1)，…，R(j-1)，R(j)，R(i)，…，R(N+K-2)，R(N+K-1)]。
优选的，所述S2中混合车辆协同配送模型包括：
考虑最小成本的目标函数：
min z＝fF+fc+fp
其中，fF表示包括固定成本；
K为汽车集合，下标为k；Fev、Fcv分别表示电动汽车和燃油汽车的固定成本；yk为决策变量，如果车辆是电动汽车，则为1，否则为0；
fc表示可变成本，包括电动汽车的充电成本和燃油汽车距离成本；
Cev、Ccv分别表示电动汽车和燃油汽车的可变成本；Sk为决策变量，如果换电站S被选择，则为1，否则为0；V表示所有节点集合，V＝C∪S∪{o}；C为客户节点集合，下标为c；S为换电站集合，下标s；{o}表示配送中心；dgh表示任意两个节点g、h之间的距离；xghk为决策变量，如果车辆从g点经过h点，则为1，否则为0；
fp表示时间惩罚成本；
优选的，所述S2中混合车辆协同配送模型还包括约束条件：
(1)∑g∈V，g≠vxgvk＝∑h∈V，h≠vxvhk，k∈K，
表示进入某节点的车辆必须离开该节点，车辆最终回到配送中心；
(2)
表示一个客户点只能有一辆车进行配送服务且只服务一次；
(3)
表示每辆车服务的总需求不能超过车辆的载重量；uc表示客户节点c的需求；U表示车载容量；
(4)
表示表明车辆行驶过程中前后两节点间电量之间的关系：只有当车辆为电动汽车辆且车辆从g出发访问h，即yk＝xghk＝1，车辆的电池容量才有所下降；r表示电动汽车的电池消耗速率；
(5)
表示客户节点处的电动汽车到达和离开时的电量相等；
(6)
表示电动汽车离开配送中心时满电；D表示电动汽车的满电量；
(7)
表示电动汽车离开换电站时满电；
(8)
表示车辆从配送中心出发时，时刻为0；
(9)tgh＝dgh/speed，g，h∈V，
表示计算行驶时间，speed表示车辆速度；
(10)
且g≠h，
表示车辆到达节点h的时间等于该车辆离开前一节点g的时间加上其从节点g行驶到节点h所需要的时间；
(11)
表示如果车辆到达客户节点g的时间早于客户节点g要求的最早服务时间eg，则车辆需要等待到最早服务时间eg才能开始服务，等待的时间为
否则无需等待，twg为0；
(12)
表示车辆离开客户节点的时间等于到达客户节点的时间加上等待时间和服务时间。
一种基于遗传和鲸鱼混合算法的混合车辆路径优化系统，包括：
数据获取模块，用于获取至少包括车辆、换电站、配送中心、客户节点信息的任务数据；
模型构建模块，用于根据所述任务数据，构建混合车辆协同配送模型；
方案求解模块，用于采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；
所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。
一种存储介质，其存储有用于基于遗传和鲸鱼混合算法的混合车辆路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上所述的混合车辆路径优化方法。
一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的混合车辆路径优化方法。
(三)有益效果
本发明提供了一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
本发明中，获取车辆、换电站、配送中心、客户节点的任务数据；根据所述任务数据，构建混合车辆协同配送模型；采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。在现有设施的基础上配送路径优化环节加入换电环节，进一步提高了电动汽车在配送环境中的使用便利性和对降低碳排放做出的贡献。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法的流程示意图；
图2为本发明实施例提供的一种鲸鱼个体的编码示例；
图3为本发明实施例提供的一种燃油汽车配送方案的解码示例；
图4为本发明实施例提供的一种不插入换电站的电动汽车配送方案的解码示例；
图5为本发明实施例提供的一种插入换电站的电动汽车配送方案的解码示例；
图6为本发明实施例提供的一种鲸鱼个体的解码示例；
图7为本发明实施例提供的一种循环交叉方式示意图；
图8为本发明实施例提供的一种顺序交叉方式示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法、系统、存储介质和电子设备，解决了电动汽车远途运输未考虑换电环节，导致生成的路径优化方案无法实际应用的技术问题。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例提出了一种燃油电动混合的车辆优化模型，在电动汽车技术与配套设施日益发达的今天，电动汽车已经可以替代燃油汽车进行物流配送，但是运用电动汽车配送前期需要投入巨大成本，需要存在过渡阶段，在现如今碳排放这一热门形式下，如何均衡前期巨大投入与绿色出行势在必行，建立基于降低碳排放混合车辆路径优化模型，采用现代新兴的鲸鱼算法结合遗传算法并加入局部搜索的功能在算法的求解下，同时考虑在电动汽车配送方案中插入换电站，很好的解决的了在电动汽车替换燃油汽车这一大形势下尴尬境地。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例：
如图1所示，本发明实施例提供了一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法，包括：
S1、获取至少包括车辆、换电站、配送中心、客户节点信息的任务数据；
S2、根据所述任务数据，构建混合车辆协同配送模型；
S3、采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；
所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。
本发明实施例在现有设施的基础上配送路径优化环节加入换电环节，进一步提高了电动汽车在配送环境中的使用便利性和对降低碳排放做出的贡献。
下面将结合具体内容以及附图详细介绍上述技术方案地各个步骤：
S1、获取至少包括车辆、换电站、配送中心、客户节点信息的任务数据。
定义如下：
集合：
C为客户节点集合，下标为c；
S为换电站位置集合，下标s；
{o}为配送中心；
V为所有节点集合，V＝C∪S∪{o}；
K为汽车集合，下标为k。
参数：
U-车载容量
uc-客户节点c的需求
dgh-g与h两点之间的距离，g，h∈V
D-电动汽车的满电量
r-电动汽车的电池消耗速率
Fev/Fcv-电动汽车和燃油汽车的固定成本
Cev/Ccv-电动汽车和燃油汽车的可变成本
twg在客户点g处的等待时间
tfg在客户点g处的服务时间
eg客户要求的最早服务时间
lg客户要求的最迟服务时间
tgh汽车从g点到h点的时间
epu/lpu早到/晚到惩罚成本
决策变量：
xghk如果车辆从g点经过h点，则为1，否则为0，g，h∈V，g≠h
yk如果车辆是电动汽车，则为1，否则为0，
Sk如果换电站S被选择，则为1，否则为0，
S2、根据所述任务数据，构建混合车辆协同配送模型；
所述混合车辆协同配送模型包括：
考虑最小成本的目标函数：
min z＝fF+fc+fp
其中，fF表示包括固定成本；
K为汽车集合，下标为k；Fev、Fcv分别表示电动汽车和燃油汽车的固定成本；yk为决策变量，如果车辆是电动汽车，则为1，否则为0；
fc表示可变成本，包括电动汽车的充电成本和燃油汽车距离成本；
Cev、Ccv分别表示电动汽车和燃油汽车的可变成本；Sk为决策变量，如果换电站S被选择，则为1，否则为0；V表示所有节点集合，V＝C∪S∪{o}；C为客户节点集合，下标为c；S为换电站集合，下标s；{o}表示配送中心；dgh表示任意两个节点g、h之间的距离；xghk为决策变量，如果车辆从g点经过h点，则为1，否则为0；
fp表示时间惩罚成本；
所述混合车辆协同配送模型还包括约束条件：
(1)∑g∈V，g≠vxgvk＝∑h∈V，h≠vxvhk，k∈K，
表示进入某节点的车辆必须离开该节点，车辆最终回到配送中心；
(2)
表示一个客户点只能有一辆车进行配送服务且只服务一次；
(3)
表示每辆车服务的总需求不能超过车辆的载重量；uc表示客户节点c的需求；U表示车载容量；
(4)
表示表明车辆行驶过程中前后两节点间电量之间的关系：只有当车辆为电动汽车辆且车辆从g出发访问h，即yk＝xghk＝1，车辆的电池容量才有所下降；r表示电动汽车的电池消耗速率；
(5)
表示客户节点处的电动汽车到达和离开时的电量相等；
(6)
表示电动汽车离开配送中心时满电；D表示电动汽车的满电量；
(7)
表示电动汽车离开换电站时满电；
(8)
表示车辆从配送中心出发时，时刻为0；
(9)tgh＝dgh/speed，g，h∈V，
表示计算行驶时间，speed表示车辆速度；
(10)
且g≠h，
表示车辆到达节点h的时间等于该车辆离开前一节点g的时间加上其从节点g行驶到节点h所需要的时间；
(11)
表示如果车辆到达客户节点g的时间早于客户节点g要求的最早服务时间eg，则车辆需要等待到最早服务时间eg才能开始服务，等待的时间为
否则无需等待，twg为0；
(12)
表示车辆离开客户节点的时间等于到达客户节点的时间加上等待时间和服务时间。
S3、采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；
需要再次强调的是，在现有基本的混合车辆模型中，是假设电动汽车行驶里程满足配送里程的，不包含换电站的位置，但是在现实生活中，远途运输是电动汽车不可避免的一个弊端，在现有设施的基础上配送路径优化环节加入换电环节，进一步提高了电动汽车在配送环境中的使用便利性和对降低碳排放做出的贡献。
为了克服上述缺陷，本步骤中基于遗传和鲸鱼混合算法获取的所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。
鲸鱼算法是模仿自然界中鲸鱼捕食行为新型群体智能优化算法，鲸鱼捕食可以划分为三种行为①包围猎物；②发泡网攻击；③搜索捕食。鲸鱼捕食行为是通过发射的声纳来获取猎物的位置，当一群鲸鱼捕猎时，一定会存在某一只鲸鱼首先发现猎物的大概的位置，通过群体交流朝猎物方向靠近形成包围并组织进攻，最后达到捕食的目的。此算法在保留了鲸鱼算法参数简单的同时，结合车辆路径问题(Vehicle Routing Problem，VRP)问题特性，将遗传算法中的交叉步骤引入到了鲸鱼算法鲸鱼位置的更新中，混合了遗传算法强大的搜索能力，并加入局部搜索来提高解的质量。
具体的，所述S3包括：
S31、根据所述任务数据，初始化鲸鱼种群，种群中任一鲸鱼个体解码后均包括插入换电站的电动汽车配送方案；包括：
S311、根据所述任务数据，采用实数编码方式对鲸鱼个体进行编码，具体包括用数字0表示配送中心；1，...，n表示客户节点；n+1，…，n+m表示换电站的位置；配送中心能够使用的总计最大车辆使用数目K等于最大燃油汽车使用数量maxfv加上电动汽车使用数量maxev，则个体的编码为可以用1，…，n+K-1的实数随机产生，其中实数n+1，…，n+K-1为车辆分割点；
如图2所示，假设0代表配送中心，1—14为客户节点，燃油汽车最大3辆，电动汽车最大3辆，则分割点的个数为3+3-1＝5个，其中15—19为车辆分割点，即大于14的点为车辆分割点。
S312、将所述鲸鱼个体进行解码，分别获取燃油汽车、以及插入换电站的电动汽车的车辆配送方案；
S3121、获取燃油汽车的车辆配送方案，
如图3所示，根据燃油汽车最大使用数量maxfv，提取出现第maxfv个车辆分割点以前的编码片段，在该前部分编码片段中利用大于n的数值把选取的片段最多至多分割为maxfv份，每一份分割的片段代表每一辆燃油汽车访问的客户节点；
S3122、获取不插入换电站的电动汽车配送方案，
如图4所示，提取出现第maxfv个车辆分割点以后的编码片段，在该后部分编码片段中利用大于n的数值把选取的片段最多至多分割为maxev份，每一份分割的片段代表每一辆电动汽车访问的客户节点；
S3123、获取插入换电站的电动汽车的车辆配送方案，
如图5所示，计算上述不插入换电站的电动汽车配送方案中任一电动汽车从配送中心出发到达第i个客户节点的距离，根据距离得出当前电动汽车到达第i个客户节点的剩余电量，直到可以返回到配送中心；
当剩余电量小于0％时，返回第i-1个客户节点，根据当前位置寻找距离第i-1个客户节点距离最近的换电站位置，计算第i-1个客户节点到达最近换电站的剩余电量，若剩余电量满足到达换电站位置，则把换电站编号插入到第i-1与第i个客户节点之间；
若不能，继续返回第i-2个客户节点，循环上述寻找操作，直到可以到达换电站的位置，进行换电，换电后计算从该换电站到达未访问客户节点的顺序，根据距离得出到达其余客户节点的剩余电量，继续循环上述操作；
S313、如图6所示，组合燃油汽车的车辆配送方案和插入换电站的电动汽车的车辆配送方案，获取初始鲸鱼种群中任一鲸鱼个体对应的解。
S32、根据所述混合车辆协同配送模型，计算每一个鲸鱼个体对应的目标函数值，获取局部最优个体，并作为全局最优个体；
特别的，该步骤中还可以将车辆载重约束转换成惩罚成本，如若违反则给予无穷大的惩罚，用于计算鲸鱼个体距离猎物的距离(目标值越小距离猎物的距离越近)。
S33、引入的遗传算法交叉操作完成鲸鱼个体的更新；包括：
定义局部最优个体为X*，其余鲸鱼个体为Xi，则更新公式为：
其中，rand表示生成介于0到1之间的一个随机数；
cross1表示循环交叉方式，如图7所示，包括：
S10、随机选择鲸鱼个体1的位置i1上元素e1，找到个体2相同位置i1的元素e2，再回到个体1中找到元素e2所在的位置i2，重复工作直至达到一个闭环；
S11、按顺序依次替换两个个体上数值的位置，完成当前鲸鱼个体的更新；
cross2表示顺序交叉方式，如图8所示，包括：
S100、随机选择鲸鱼个体1中任意个个体的位置，并记录对应的数值位置顺序，在个体2中选择相同数值，并记录个体2的位置顺序；
S101、将个体1选中的数值位置顺序按照个体2数值位置顺序重新插回个体1中，个体2选择的数值按照个体1选中数值的顺序重新插回个体。
S34、将更新后的鲸鱼种群进行局部搜索后，获取当前局部最优个体，并更新所述全局最优个体；
本步骤中具体采用逆转操作和/或插入操作局部搜索方法，包括：
定义一个鲸鱼个体可表示为：
R＝[R(1)，R(2)，...，R(i)，R(i+1)，...，R(j-1)，R(j)，...，R(N+K-2)，R(N+K-1)]；
(1)所述逆转操作局部搜索方法是指逆转鲸鱼个体上两个位置之间所有元素的排序，若选择的逆转位置为i和j，逆转第i个和第j个位置之间所有元素，排序后的解可表示为：
R＝[R(1)，R(2)，...，R(j)，R(j-1)，…，R(i+1)，R(i)，...，R(N+K-2)，R(N+K-1)]；
(2)所述插入操作局部搜索方法是指将第i个位置元素插入第j个位置元素之后，排序后的解表示为：
R＝[R(1)，R(2)，…，R(i+1)，…，R(j-1)，R(j)，R(i)，…，R(N+K-2)，R(N+K-1)]。
具体而言，如果当前局部最优个体对应的目标值大于全局最优个体的目标值，则将全局最优个体替换为该当前局部最优个体，否则保留上一循环过程中确定的全局最优个体。
S35、判断是否达到最大更新迭代次数，若是，转入S36；否则，转入S33；
S36、输出最终的全局最优个体，解码获取所述混合车辆路径优化方案。
本发明实施例提供了一种基于遗传和鲸鱼混合算法的混合车辆路径优化系统，包括：
数据获取模块，用于获取至少包括车辆、换电站、配送中心、客户节点信息的任务数据；
模型构建模块，用于根据所述任务数据，构建混合车辆协同配送模型；
方案求解模块，用于采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；
所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。
本发明实施例提供了一种存储介质，其存储有用于基于遗传和鲸鱼混合算法的混合车辆路径优化的计算机程序，其中，所述计算机程序使得计算机执行如上所述的混合车辆路径优化方法。
本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的混合车辆路径优化方法。
可理解的是，本发明实施例提供的基于遗传和鲸鱼混合算法的混合车辆路径优化系统、存储介质和电子设备与本发明实施例提供的基于遗传和鲸鱼混合算法的混合车辆路径优化方法相对应，其有关内容的解释、举例和有益效果等部分可以参考混合车辆路径优化方法中的相应部分，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
本发明实施例中，获取车辆、换电站、配送中心、客户节点的任务数据；根据所述任务数据，构建混合车辆协同配送模型；采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。在现有设施的基础上配送路径优化环节加入换电环节，进一步提高了电动汽车在配送环境中的使用便利性和对降低碳排放做出的贡献。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于遗传和鲸鱼混合算法的混合车辆路径优化方法，其特征在于，包括：
S1、获取至少包括车辆、换电站、配送中心、客户节点信息的任务数据；
S2、根据所述任务数据，构建混合车辆协同配送模型；
S3、采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；
所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。
2.如权利要求1所述的混合车辆路径优化方法，其特征在于，所述S3具体包括：
S31、根据所述任务数据，初始化鲸鱼种群，种群中任一鲸鱼个体解码后均包括插入换电站的电动汽车配送方案；
S32、根据所述混合车辆协同配送模型，计算每一个鲸鱼个体对应的目标函数值，获取局部最优个体，并作为全局最优个体；
S33、引入的遗传算法交叉操作完成鲸鱼个体的更新；
S34、将更新后的鲸鱼种群进行局部搜索后，获取当前局部最优个体，并更新所述全局最优个体；
S35、判断是否达到最大更新迭代次数，若是，转入S36；否则，转入S33；
S36、输出最终的全局最优个体，解码获取所述混合车辆路径优化方案。
3.如权利要求2所述的混合车辆路径优化方法，其特征在于，所述S31包括：
S311、根据所述任务数据，采用实数编码方式对鲸鱼个体进行编码，具体包括用数字0表示配送中心；1,…,n表示客户节点；n+1，…，n+m表示换电站的位置；配送中心能够使用的总计最大车辆使用数目K等于最大燃油汽车使用数量maxfv加上电动汽车使用数量maxev，则个体的编码为可以用1，…，n+K-1的实数随机产生，其中实数n+1，…，n+K-1为车辆分割点；
S312、将所述鲸鱼个体进行解码，分别获取燃油汽车、以及插入换电站的电动汽车的车辆配送方案；
S3121、获取燃油汽车的车辆配送方案，
根据燃油汽车最大使用数量maxfv，提取出现第maxfv个车辆分割点以前的编码片段，在该前部分编码片段中利用大于n的数值把选取的片段最多至多分割为maxfv份，每一份分割的片段代表每一辆燃油汽车访问的客户节点；
S3122、获取不插入换电站的电动汽车配送方案，
提取出现第maxfv个车辆分割点以后的编码片段，在该后部分编码片段中利用大于n的数值把选取的片段最多至多分割为maxev份，每一份分割的片段代表每一辆电动汽车访问的客户节点；
S3123、获取插入换电站的电动汽车的车辆配送方案，
计算上述不插入换电站的电动汽车配送方案中任一电动汽车从配送中心出发到达第i个客户节点的距离，根据距离得出当前电动汽车到达第i个客户节点的剩余电量，直到可以返回到配送中心；
当剩余电量小于0％时，返回第i-1个客户节点，根据当前位置寻找距离第i-1个客户节点距离最近的换电站位置，计算第i-1个客户节点到达最近换电站的剩余电量，若剩余电量满足到达换电站位置，则把换电站编号插入到第i-1与第i个客户节点之间；
若不能，继续返回第i-2个客户节点，循环上述寻找操作，直到可以到达换电站的位置，进行换电，换电后计算从该换电站到达未访问客户节点的顺序，根据距离得出到达其余客户节点的剩余电量，继续循环上述操作；
S313、组合燃油汽车的车辆配送方案和插入换电站的电动汽车的车辆配送方案，获取初始鲸鱼种群中任一鲸鱼个体对应的解。
4.如权利要求2所述的混合车辆路径优化方法，其特征在于，所述S33具体包括：
定义局部最优个体为X*，其余鲸鱼个体为Xi，则更新公式为：
其中，rand表示生成介于0到1之间的一个随机数；
cross1表示循环交叉方式，包括：
S10、随机选择鲸鱼个体1的位置i1上元素e1，找到个体2相同位置i1的元素e2，再回到个体1中找到元素e2所在的位置i2，重复工作直至达到一个闭环；
S11、按顺序依次替换两个个体上数值的位置，完成当前鲸鱼个体的更新；
cross2表示顺序交叉方式，包括：
S100、随机选择鲸鱼个体1中任意个个体的位置，并记录对应的数值位置顺序，在个体2中选择相同数值，并记录个体2的位置顺序；
S101、将个体1选中的数值位置顺序按照个体2数值位置顺序重新插回个体1中，个体2选择的数值按照个体1选中数值的顺序重新插回个体。
5.如权利要求2所述的混合车辆路径优化方法，其特征在于，所述S34具体采用逆转操作和/或插入操作局部搜索方法，包括：
定义一个鲸鱼个体可表示为：
R＝[R(1),R(2),...,R(i),R(i+1),...,R(j-1),R(j),...,R(N+K-2),R(N+K-1)]；
(1)所述逆转操作局部搜索方法是指逆转鲸鱼个体上两个位置之间所有元素的排序，若选择的逆转位置为i和j，逆转第i个和第j个位置之间所有元素，排序后的解可表示为：
R＝[R(1),R(2),...,R(j),R(j-1),...,R(i+1),R(i),...,R(N+K-2),R(N+K-1)]；
(2)所述插入操作局部搜索方法是指将第i个位置元素插入第j个位置元素之后，排序后的解表示为：
R＝[R(1),R(2),...,R(i+1),...,R(j-1),R(j),R(i),...,R(N+K-2),R(N+K-1)]。
6.如权利要求1～5任一项所述的混合车辆路径优化方法，其特征在于，所述S2中混合车辆协同配送模型包括：
考虑最小成本的目标函数：
min z＝fF+fc+fp
其中，fF表示包括固定成本；
K为汽车集合，下标为k；Fev、Fcv分别表示电动汽车和燃油汽车的固定成本；yk为决策变量，如果车辆是电动汽车，则为1，否则为0；
fc表示可变成本，包括电动汽车的充电成本和燃油汽车的距离成本；
Cev、Ccv分别表示电动汽车和燃油汽车的可变成本；Sk为决策变量，如果换电站S被选择，则为1，否则为0；V表示所有节点集合，V＝C∪S∪{o}；C为客户节点集合，下标为c；S为换电站集合，下标s；{o}表示配送中心；dgh表示任意两个节点g、h之间的距离；xghk为决策变量，如果车辆从g点经过h点，则为1，否则为0；
fp表示时间惩罚成本；
7.如权利要求6所述的混合车辆路径优化方法，其特征在于，所述S2中混合车辆协同配送模型还包括约束条件：
(1)∑g∈V,g≠vxgvk＝∑h∈V,h≠vxvhk,k∈K，
表示进入某节点的车辆必须离开该节点，车辆最终回到配送中心；
(2)W∑g∈V,g≠c,∑k∈Kxgck＝1,
表示一个客户点只能有一辆车进行配送服务且只服务一次；
(3)∑c∈Cuc·∑v∈Vxvck≤U,
表示每辆车服务的总需求不能超过车辆的载重量；uc表示客户节点c的需求；U表示车载容量；
(4)
表示表明车辆行驶过程中前后两节点间电量之间的关系：只有当车辆为电动汽车辆且车辆从g出发访问h，即yk＝xghk＝1，车辆的电池容量才有所下降；r表示电动汽车的电池消耗速率；
(5)
表示客户节点处的电动汽车到达和离开时的电量相等；
(6)
表示电动汽车离开配送中心时满电；D表示电动汽车的满电量；
(7)
表示电动汽车离开换电站时满电；
(8)to＝0,
表示车辆从配送中心出发时，时刻为0；
(9)tgh＝dgh/speed，g,h∈V，
表示计算行驶时间，speed表示车辆速度；
(10)
且g≠h，
表示车辆到达节点h的时间等于该车辆离开前一节点g的时间加上其从节点g行驶到节点h所需要的时间；
(11)
表示如果车辆到达客户节点g的时间早于客户节点g要求的最早服务时间eg，则车辆需要等待到最早服务时间eg才能开始服务，等待的时间为
否则无需等待，twg为0；
(12)
表示车辆离开客户节点的时间等于到达客户节点的时间加上等待时间和服务时间。
8.一种基于遗传和鲸鱼混合算法的混合车辆路径优化系统，其特征在于，包括：
数据获取模块，用于获取至少包括车辆、换电站、配送中心、客户节点信息的任务数据；
模型构建模块，用于根据所述任务数据，构建混合车辆协同配送模型；
方案求解模块，用于采用基于遗传和鲸鱼混合算法求解所述混合车辆协同配送模型，获取混合车辆路径优化方案；
所述混合车辆路径优化方案包括插入换电站的电动汽车配送方案：计算优化方案中任一电动汽车到每一个节点所需的电量，若当前电动汽车到达某一节点的电量小于等于零，且在该节点的上一节点的剩余电量满足到达距离最近的换电站，则在该节点和其上一节点之间插入所述距离最近的换电站。
9.一种存储介质，其特征在于，其存储有用于基于遗传和鲸鱼混合算法的混合车辆路径优化的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一项所述的混合车辆路径优化方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～7任一项所述的混合车辆路径优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210290630.1A CN114861972A (zh) | 2022-03-23 | 2022-03-23 | 基于遗传和鲸鱼混合算法的混合车辆路径优化方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210290630.1A CN114861972A (zh) | 2022-03-23 | 2022-03-23 | 基于遗传和鲸鱼混合算法的混合车辆路径优化方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114861972A true CN114861972A (zh) | 2022-08-05 |
Family
ID=82628430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210290630.1A Pending CN114861972A (zh) | 2022-03-23 | 2022-03-23 | 基于遗传和鲸鱼混合算法的混合车辆路径优化方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861972A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117356546A (zh) * | 2023-12-01 | 2024-01-09 | 南京禄口国际机场空港科技有限公司 | 一种机场草坪用的喷雾车的控制方法、系统及存储介质 |
-
2022
- 2022-03-23 CN CN202210290630.1A patent/CN114861972A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117356546A (zh) * | 2023-12-01 | 2024-01-09 | 南京禄口国际机场空港科技有限公司 | 一种机场草坪用的喷雾车的控制方法、系统及存储介质 |
| CN117356546B (zh) * | 2023-12-01 | 2024-02-13 | 南京禄口国际机场空港科技有限公司 | 一种机场草坪用的喷雾车的控制方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325409B (zh) | 一种换电站选址与混合车队路径规划方法及系统 | |
| Shi et al. | Operating electric vehicle fleet for ride-hailing services with reinforcement learning | |
| CN110222907B (zh) | 电动汽车充电站规划方法及终端设备 | |
| Goeke et al. | Routing a mixed fleet of electric and conventional vehicles | |
| CN111311158B (zh) | 一种有限充电设施条件下的电动物流车路径规划方法 | |
| CN110059934A (zh) | 燃油车和新能源车协同配送调度的方法 | |
| CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
| CN111144568A (zh) | 一种多目标城市物流配送路径规划方法 | |
| CN109886468B (zh) | 基于改进的自适应遗传算法的充电站规划方法 | |
| Shi et al. | Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization | |
| CN113052537B (zh) | 一种基于启发式粒子群算法的物流车辆低碳路线规划方法 | |
| CN112257999B (zh) | 一种面向大规模纯电动公交车辆调度问题的自适应大型邻域搜索方法 | |
| CN115576343B (zh) | 一种结合无人机配送的多目标车辆路径优化方法 | |
| CN113570112B (zh) | 求解考虑合作的带时间窗的车辆路径问题的优化算法 | |
| CN114861972A (zh) | 基于遗传和鲸鱼混合算法的混合车辆路径优化方法和系统 | |
| CN114048924A (zh) | 基于混合遗传算法的多配送中心选址-配送路径规划方法 | |
| Wang et al. | Heterogeneous fleets for green vehicle routing problem with traffic restrictions | |
| CN115330267A (zh) | 基于需求行为的充换电设施布局方法、装置、设备及介质 | |
| CN114861971A (zh) | 最小化成本为目标的混合车辆路径优化方法和系统 | |
| CN114418213A (zh) | 一种基于深度强化学习的城市电动车辆调度方法和系统 | |
| CN114117910A (zh) | 一种基于分层深度强化学习的电动汽车充电引导策略方法 | |
| CN112488358B (zh) | 一种电动汽车充电路径规划方法和存储介质 | |
| CN116358593B (zh) | 考虑非线性能耗的电动车辆路径规划方法、装置和设备 | |
| CN116502989A (zh) | 一种基于混合平衡优化算法的冷链物流车辆路径优化方法 | |
| Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. |
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 |