CN114897285A - 一种基于剩余电量的共享汽车调度方法 - Google Patents
一种基于剩余电量的共享汽车调度方法 Download PDFInfo
- Publication number
- CN114897285A CN114897285A CN202210214525.XA CN202210214525A CN114897285A CN 114897285 A CN114897285 A CN 114897285A CN 202210214525 A CN202210214525 A CN 202210214525A CN 114897285 A CN114897285 A CN 114897285A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- station
- user
- programming model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000002068 genetic effect Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 210000000349 chromosome Anatomy 0.000 claims description 104
- 108090000623 proteins and genes Proteins 0.000 claims description 72
- 230000008569 process Effects 0.000 claims description 36
- 230000035772 mutation Effects 0.000 claims description 14
- 230000017105 transposition Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 230000002028 premature Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000010705 motor oil Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于剩余电量的共享汽车调度方法,该方法包括以下步骤:步骤1:建立混合整数非线性规划模型及其对应的目标函数;步骤2:基于遗传算法求解混合整数非线性规划模型,获取使得利润最大化的调度结果;步骤3:对基于遗传算法获取的调度结果进行解码,进而获得最终的调度方案,与现有技术相比,本发明具有为系统运营商购置不同续航里程的车辆提出更为合理的建议、有效提高系统的收益和提高用户订单的满足率等优点。
Description
技术领域
本发明涉及共享汽车调度技术领域,尤其是涉及一种基于剩余电量的共享汽车调度方法。
背景技术
共享汽车这种全新的用户出行方式,极大的缓解了当前城市交通拥堵问题,降低了私家车的保有量,并且随着新能源汽车在共享汽车中的占比逐渐攀升,汽车尾气排放量也将会逐渐降低。共享汽车调度主要是为了调节站点车辆库存情况和用户需求之间的平衡,并且根据调度人员的不同可细分为:“员工调度”和“用户调度”。基于用户调度的研究,所使用的方法主要就是调节用户的车辆租赁价格,通过价格激励用户自发改变自己原计划的取还车站点,以此完成用户调度。基于员工的调度方式,就是雇佣员工,更加有目的性的对车辆进行调度,虽然调度成本较高,但是可以非常显著的平衡站点间的车辆供需平衡。当前共享汽车调度主要是员工调度,而员工调度的主要目的就是规划车辆的行驶路径,以此提高车辆的利用率,车辆利用率提高也就意味着系统可以获得更多的收益。
在以往的共享汽车调度混合整数非线性规划模型和方法中,基本都对问题进行了简化,为了更有针对性的突出自己的研究重点,研究者普遍会忽略系统中的一些因素干扰,对共享汽车系统中的一些属性进行了简化,但是系统中一些本质属性却是极其重要的,如电量、车辆的维护保养等,尤其是车辆电池的续航里程会直接影响用户的需求是否可以被满足。
新能源汽车与燃油汽车的区别在于,它的行驶里程受车辆电池电量的影响很大,并且当车辆电量不足以满足移动所需时,车辆需要在有充电桩的地方进行充电,并且电池的充电时长也与所剩电量有关。而燃油汽车则简单许多,当车辆燃料不足的时候,只需要将车开到加油站,加满汽油即可,整个过程不会超过5分钟,因此,在研究共享汽车问题的时候,新能源汽车中电池的续航里程和充电时长是不应该被忽略的,否则就脱离了当前共享汽车行业的实际运营情况。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于剩余电量的共享汽车调度方法。
本发明的目的可以通过以下技术方案来实现:
一种基于剩余电量的共享汽车调度方法,该方法包括以下步骤:
步骤1:建立混合整数非线性规划模型;
步骤2:基于遗传算法求解混合整数非线性规划模型,获取使得最优的调度结果;
步骤3:对基于遗传算法获取的调度结果进行解码,进而获得最终的调度方案。
所述的步骤1中,混合整数非线性规划模型的目标函数为:
其中,Y为利润值,PO为在分时租赁系统中,用户在任何一个站点取车,每辆车在运营时间段内每分钟的租赁单价,δij为车辆从站点i到站点j所需的平均行驶时间,K={1,2,…,k,…,K}为分时租赁系统中的站点集合,T={1,2,…,t,…,T}为在运营时间内各时间片段的集合,B={1,2,…,v,…,MaxB}为分时租赁系统中新能源汽车编号的集合,Zi为分时租赁系统中站点i所包含的车位数量,Cmv为在行驶过程中每辆车每分钟的出行成本,为在系统运营时间内,在t时间片段驾驶车辆从站点i出发开往站点j,且在t+δij时间片段到达站点j的有向时间集合,其中,i∈K,j∈K,i≠j,t∈T,δij表示驾驶车辆从站点i到站点j所需的平均行驶时间,为按时归还指示,用以判断是否从站点i取走车辆v,且在t+δij时间片段内将车辆v归还到了站点j,若是,则若否,则其中,Cv为每天每辆车的贬值成本,Zv∈{0,1}为车辆使用指示,判断在共享汽车系统运营时间内,新能源汽车v是否被使用过,若是,则Zv=1,若否,则为Zv=0,其中v∈B,Cr为在对车辆进行员工调度过程中每辆车每分钟的调度费用,即员工用工成本,Cα为惩罚成本,表示分时租赁系统接收到用户出行需求时,且在出行时间时该用户的出发站点没有车辆供用户使用,或是出发站点此时停靠的车辆的续航里程均不能满足用户出行需求时,分时租赁系统则需要拒绝用户的出行需求,每当拒绝一个用户需求时,分时租赁系统就生成一个惩罚成本,Cg为分时租赁系统中车辆在站点充电每分钟的充电成本,为用户在t时间片段从站点i出发并且在t+δij时间片到达站点j的订单数量,为按时调度指示,用以判断员工对车辆v进行调度时,是否在t时间片段内从站点i取走车辆v,并且在t+δij时间片段内将车辆v调度到了站点j,若是,则若否,则为α为新能源共享汽车的充电系数,即充电速率,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率。
所述的混合整数非线性规划模型的第一约束条件为:
其中,为车辆状态指示,用以判断车辆v在分时租赁系统运营时间内是否被用户使用过,在运营时间内,在处于站点j从当前时间片段停泊到下一时间片段时,否则为0,以确保车辆v在t=1的初始时间片段内只能有一种状态,Zv∈{0,1}为车辆使用指示,用以判断在共享汽车系统运营时间内,车辆v是否被使用过,若是,则Zv=1,若否,则为Zv=0,B为分时租赁系统中新能源汽车编号的集合,K为分时租赁系统中的站点集合;
混合整数非线性规划模型的第二约束条件用以确保车辆v在每个时间片段内都具有车辆流动性并且表现出唯一的状态,第二约束条件的表达式为:
其中,为在t-1时间片段到t时间片段内车辆v的车辆状态指示,为t-δij时间片段到t时间片段内车辆v的按时调度指示,为t-δij时间片段到t时间片段内车辆v的按时归还指示,K为分时租赁系统中的站点集合,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第三约束条件用以确保从t到t+1时间片段内停泊在站点i的车位数容量,第三约束条件的表达式为:
其中,为在t时间片段到t+1时间片段内车辆v的车辆状态指示,为t时间片段到t+δij时间片段内车辆v的按时调度指示,为t时间片段到t+δij时间片段内车辆v的按时归还指示,Zi为分时租赁系统中站点i所包含的车位数量,K为分时租赁系统中的站点集合,T为在运营时间内各时间片段的集合;
混合整数非线性规划模型的第四约束条件用以确保用户实际在t时间片段内从i站点出发,并在t+δij时间片段内将车辆归还到站点j的车辆数,不超过用户提交给系统计划在t时间片段内从站点i出发,并在t+δij时间片段内将车辆归还到站点j的初始订单计划所需的车辆数,第四约束条件的表达式为:
其中,为t时间片段到t+δij时间片段内车辆v的按时归还指示,为用户在t时间片段从站点i出发并且在t+δij时间片到达站点j的订单数量,A为在系统运营时间内,在t时间片段驾驶车辆从站点i出发开往站点j,且在t+δij时间片段到达站点j的有向时间集合;
混合整数非线性规划模型的第五约束条件用以确保车辆v在每个时刻车辆都处于充电或者消耗状态,第五约束条件的表达式为:
其中,表示编号为v的新能源汽车在时间片段t时的电池电量情况,α为新能源共享汽车的充电系数,即充电速率,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率,Zv为车辆v的车辆使用指示,为在t-1时间片段到t时间片段内车辆v的车辆状态指示,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第六约束条件用以确保如果车辆v在t时间片段内的站点i被用户使用或者员工调度,那么它在t时间片段内必须停放在站点i,并且车辆v的电量续航里程不能低于用户使用或者员工调度所需的里程数,第六约束条件的表达式为:
其中,表示编号为v的新能源汽车在时间片段t的电池电量情况,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率,为t-δij时间片段到t时间片段内车辆v的按时调度指示,为t时间片段到t+δij时间片段内车辆v的按时归还指示,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第七约束条件用以确保车辆的电池电量在1到最大容量之间,第七约束条件的表达式为:
其中,MaxU表示系统中每辆车的最大电池容量。
所述的步骤2中,基于遗传算法求解混合整数非线性规划模型的过程具体包括以下步骤:
步骤201:进行遗传算法的初始化设定,将共享汽车的用户订单作为节点,制定相应的编码规则,构造染色体;
步骤202:获取对应的适应度函数并进行适应度的计算,即将混合整数非线性规划模型中的目标函数作为适应函数进行计算,然后将适应度函数值大的染色体作为父代染色体进行遗传,以使得目标函数值较大的车辆的行驶路径一直存在于求解种群中;
步骤203:选取选择算子、交叉算子和变异算子,对染色体进行迭代优化,达到设定的终止条件时结束迭代,并输出车辆行驶路径、用户订单、调度情况和目标函数值。
所述的步骤201中,进行遗传算法的初始化设定的过程具体包括以下步骤:
步骤201A:进行遗传算法的相关参数设置,将求解种群的大小设置为n,遗传代数设置为m,交叉概率设置为θ,变异概率设置为λ;
步骤201B:进行遗传算法的编码设计,对每天的车辆的行驶路径进行编码,染色体的每个基因位代表的是车辆在对应的时间片段车辆所处的站点位置,因此整个混合整数非线性规划模型的染色体长度为v*T,其中,T为系统运营划分的时间片段数。
所述的步骤201B中,车辆具有三种状态,分别为站点停靠、员工调度和用户使用,站点停靠包括充电状态和闲置状态,通过染色体上每个时间片段的车辆的行驶路径获取车辆在每个时间片段所处的状态:
当染色体中的相邻两个基因位相同时,表示在这两个时间片段之间车辆处于站点停靠状态,并根据两个时间片段中的前一个时间片段结束时车辆的电量是否为满电状态决定具体为充电状态还是闲置状态,若否,则表示车辆在站点停靠过程中是进行充电的,即处于充电状态,若是,则表示车辆在站点停靠过程中是闲置的,即处于闲置状态;
当染色体中的相邻两个基因位不同时,则表示车辆处于移动状态,即从A站点移动到B站点,并查询是否在对应的时间片段有从A站点移动到B站点的用户订单,若是,则表示这次车辆移动是用户完成的,若否,则表示这次移动是员工完成的,即员工对车辆进行了调度。
所述的步骤202中,进行适应度函数的计算的过程具体为:
步骤202A:混合整数非线性规划模型的目标函数的优化目标为使得运营时间内系统利润最大,因此将目标函数值作为个体的适应度函数值,适应度函数的表达式为:
Fψ=Yψ
其中,Fψ为第ψ条染色体的适应度函数;
步骤202B:由于种群中的染色体都是随机生成的,部分染色体的基因位不满足混合整数非线性规划模型的约束条件,因此在计算染色体适应度函数值时,对不满足混合整数非线性规划模型的约束条件的个体赋予惩罚值,由于对染色体施加的惩罚值能够显著降低染色体的适应度函数值,使其适应度相对于其它没有施加惩罚值的染色体低,进而在进化过程中逐渐被淘汰。
所述的步骤202B中,对不满足混合整数非线性规划模型的约束条件的个体赋予惩罚值具体为:
当染色体中连续两个基因位不同时,即表示车辆在前后两个时间片段位于不同站点,车辆在前一时间片段结束时,若所剩的电量不足以满足车辆在这两个站点之间的移动,对应于混合整数非线性规划模型的第六约束条件,若不满足第六约束条件,则赋予该个体的适应度函数值一个惩罚值;
当染色体中在t时间片段的基因位的值均为站点i时,则表示车辆在t时间片段停靠在i站点,累计系统中所有的车辆数,若在t时间片段停靠在i站点的车辆数超过站点i的车位数,对应于混合整数非线性规划模型的第三约束条件,若车辆停靠数量超过了站点的车位数时,则赋予该个体的适应度函数值一个惩罚值。
所述的步骤203中,对染色体进行迭代优化的过程具体包括以下步骤:
步骤203A:选取交叉算子和变异算子,采用单点交叉方式进行交叉操作,具体为在染色体中随机选择一个交叉位置,将两个父代染色体中所对应的基因位上的值进行交换,变异操作具体为对染色体个体中的某些基因位上的值进行改变,即通过引入变异算子以增加遗传算法的局部搜索能力,维持种群的多样性,防止过早收敛的现象出现;
步骤203B:选取选择算子进行运算,通过采用遗传算法的选择算子结合单亲遗传算法的选择算子提高基于遗传算法的混合整数非线性规划模型的性能,对种群进行交叉和变异后,将染色体的适应度函数值按从大到小进行排序,保留前n条染色体,再采用单亲遗传算法的局部精英选择策略将n条染色体按照每4个一组进行选择操作,在4条染色体中选择出适应度函数值最大的个体直接保留到下一代中;
步骤203C:对该个体进行单亲遗传算法的基因移位、基因换位和基因倒位操作,且产生出的三条新的染色体与该个体一起进入下一代种群中;
步骤203D:当遗传算法达到预先设定的遗传代数或在设定的遗传代数下种群中适应度最高的染色体的适应度函数值不再发生变化,即停止迭代。
所述的步骤203C中,基因换位具体为将染色体中的两个基因位进行调换;
基因移位具体为将两个基因位以及之间的基因位整体向后移动移位;
基因倒位具体为将两个基因位以及之间的基因位颠倒位置。
与现有技术相比,本发明具有以下优点:
本发明提出了一种考虑车辆电池续航里程的单程式汽车调度混合整数非线性规划模型,将共享电动汽车调度问题转化为一个混合整数非线性规划问题,并针对混合整数非线性规划模型对遗传算法进行设计,用以混合整数非线性规划模型求解,并通过对比不同最大容量电池的实际运营情况结合用户的车辆使用情况,能够为系统运营商购置不同续航里程的车辆给出更为合理的建议,还能够有效的提高系统的收益和提高用户订单的满足率。
附图说明
图1为本发明的交叉操作示意图。
图2为本发明的变异操作示意图。
图3为本发明的单亲遗传操作示意图。
图4为本发明的站点分布示意图。
图5为本发明的车辆使用状态示意图。
图6为本发明的电量敏感度分析示意图。
图7为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
从新能源汽车的角度出发,在考虑车辆续航里程和充电时长的基础上,本发明提出一种面向新能源共享汽车的混合整数非线性规划的车辆调度混合整数非线性规划模型,并采用启发式算法对混合整数非线性规划模型进行求解,本发明还将上海市EVCard在嘉定区的站点案例进行仿真应用,对车辆的电池进行敏感性分析,并且通过对比不同最大容量电池的实际运营情况,结合用户的车辆使用情况,为系统运营商购置不同续航里程的车辆给出建议,以此提高车辆的利用率。
如图7所示,本发明通过建立混合整数非线性规划(MINP)模型解决新能源汽车的调度问题,提出了一种基于剩余电量的共享汽车调度方法,该方法包括以下步骤:
步骤1:建立混合整数非线性规划模型及其对应的目标函数;
步骤2:基于遗传算法求解混合整数非线性规划模型,获取使得利润最大化的调度结果;
步骤3:对基于遗传算法获取的调度结果进行解码,进而获得最终的调度方案。
混合整数非线性规划模型的优化目标为使得利润最大化,而利润最大化则通过较少的调度服务最多的用户订单实现的,因此在进行算法设计的时候决定对车辆的安排和调度的决策变量进行编码,混合整数非线性规划模型的求解算法为遗传算法,设计思路具体为:
以车辆的行驶路径构造染色体,染色体的每个基因位为运营时间内的一个时间片段,通过车辆在每个时间片段所处的位置获取车辆的行驶路径,由于车辆具有三种状态,分别为站点停靠(包括充电和闲置)、员工调度和用户使用,因此能够通过染色体上每个时间片段的车辆的行驶路径获取车辆在每个时间片段所处的状态,比如,当染色体中的相邻两个基因位相同时,表示在这两个时间片段之间车辆处于站点停靠状态,并根据两个时间片段中的前一个时间片段结束时车辆的电量是否为满电状态决定具体为充电状态还是闲置状态,若否,则表示车辆在站点停靠过程中是进行充电的,即处于充电状态,若是,则表示车辆在站点停靠过程中是闲置的,即处于闲置状态,而当染色体中的相邻两个基因位不同时,则表示车辆处于移动状态,即从站点1移动到站点2,并查询是否在对应的时间片段有从站点1移动到站点2的用户订单,若是,则表示这次车辆移动是用户完成的,若否,则表示这次移动是员工完成的,即员工对车辆进行了调度,且将混合整数非线性规划模型中的目标函数作为适应函数进行计算,然后将适应度函数值大的染色体作为父代染色体进行遗传,以使得目标函数值较大的车辆行驶路径一直存在于求解种群中,最后当遗传算法满足终止条件后,求解结束,并输出车辆行驶路径、用户订单、调度情况和目标函数值。
在步骤1中,混合整数非线性规划模型的目标函数为:
其中,Y为利润值,PO为在分时租赁系统中,用户在任何一个站点取车,每辆车在运营时间段内每分钟的租赁单价,δij为车辆从站点i到站点j所需的平均行驶时间,K={1,2,…,k,…,K}为分时租赁系统中的站点集合,T={1,2,…,t,…,T}为在运营时间内各时间片段的集合,B={1,2,…,v,…,MaxB}为分时租赁系统中新能源汽车编号的集合,Zi为分时租赁系统中站点i所包含的车位数量,Cmv为在行驶过程中每辆车每分钟的出行成本,如电量和机油等,为在系统运营时间内,在t时间片段驾驶车辆从站点i出发开往站点j,且在t+δij时间片段到达站点j的有向时间集合,其中,i∈K,j∈K,i≠j,t∈T,δij表示驾驶车辆从站点i到站点j所需的平均行驶时间,为按时归还指示,用以判断是否从站点i取走车辆v,且在t+δij时间片段内将车辆v归还到了站点j,若是,则若否,则其中,Cv为每天每辆车的贬值成本,Zv∈{0,1}为车辆使用指示,判断在共享汽车系统运营时间内,新能源汽车v是否被使用过,若是,则Zv=1,若否,则为Zv=0,其中v∈B,Cr为在对车辆进行员工调度过程中每辆车每分钟的调度费用,即员工用工成本,Cα为惩罚成本,表示分时租赁系统接收到用户出行需求时,且在出行时间时该用户的出发站点没有车辆供用户使用,或是出发站点此时停靠的车辆的续航里程均不能满足用户出行需求时,分时租赁系统则需要拒绝用户的出行需求,每当拒绝一个用户需求时,分时租赁系统就生成一个惩罚成本,Cg为分时租赁系统中车辆在站点充电每分钟的充电成本,为用户在t时间片段从站点i出发并且在t+δij时间片到达站点j的订单数量,为按时调度指示,用以判断员工对车辆v进行调度时,是否在t时间片段内从站点i取走车辆v,并且在t+δij时间片段内将车辆v调度到了站点j,若是,则若否,则为α为新能源共享汽车的充电系数,即充电速率,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率。
混合整数非线性规划模型的目标函数表示在单程式新能源共享汽车系统中,分时租赁系统每日运营结束后,能够获得的最大利润值,在最大利润值中考虑用户在使用车辆时所支付的费用、车辆被用户使用时的车辆使用成本、系统中每个站点的每个停车位每天的租赁成本、系统中每辆新能源汽车每天的车辆贬值成本、员工在进行车辆调度时,系统所需支付的员工调度成本、用户向系统发送用车请求时,但是由于用户出发站点此时的库存车辆为零或是此时车辆电量不足以满足用户需求时,系统拒绝用户需求的惩罚成本。
混合整数非线性规划模型的第一约束条件为:
其中,为车辆状态指示,用以判断车辆v在分时租赁系统运营时间内是否被用户使用过,在运营时间内,在处于站点j从当前时间片段停泊到下一时间片段时,否则为0,以确保车辆v在t=1的初始时间片段内只能有一种状态(站点停靠,被用户使用,被员工调度),Zv∈{0,1}为车辆使用指示,用以判断在共享汽车系统运营时间内,车辆v是否被使用过,若是,则Zv=1,若否,则为Zv=0,B为分时租赁系统中新能源汽车编号的集合,K为分时租赁系统中的站点集合;
混合整数非线性规划模型的第二约束条件用以确保车辆v在每个时间片段内都具有车辆流动性并且表现出唯一的状态(站点停泊,被用户使用,被用工调度),第二约束条件的表达式为:
其中,为在t-1时间片段到t时间片段内车辆v的车辆状态指示,为t-δij时间片段到t时间片段内车辆v的按时调度指示,为t-δij时间片段到t时间片段内车辆v的按时归还指示,K为分时租赁系统中的站点集合,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第三约束条件用以确保从t到t+1时间片段内停泊在站点i的车位数容量,第三约束条件的表达式为:
其中,为在t时间片段到t+1时间片段内车辆v的车辆状态指示,为t时间片段到t+δij时间片段内车辆v的按时调度指示,为t时间片段到t+δij时间片段内车辆v的按时归还指示,Zi为分时租赁系统中站点i所包含的车位数量,K为分时租赁系统中的站点集合,T为在运营时间内各时间片段的集合;
混合整数非线性规划模型的第四约束条件用以确保用户实际在t时间片段内从i站点出发,并在t+δij时间片段内将车辆归还到站点j的车辆数,不超过用户提交给系统计划在t时间片段内从i站点出发,并在t+δij时间片段内将车辆归还到站点j的初始订单计划所需的车辆数,第四约束条件的表达式为:
其中,为t时间片段到t+δij时间片段内车辆v的按时归还指示,为用户在t时间片段从站点i出发并且在t+δij时间片到达站点j的订单数量,A为在系统运营时间内,在t时间片段驾驶车辆从站点i出发开往站点j,且在t+δij时间片段到达站点j的有向时间集合;
混合整数非线性规划模型的第五约束条件用以确保车辆v在每个时刻车辆都处于充电(闲置)或者消耗状态,第五约束条件的表达式为:
其中,表示编号为v的新能源汽车在时间片段t时的电池电量情况,α为新能源共享汽车的充电系数,即充电速率,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率,Zv为车辆v的车辆使用指示,为在t-1时间片段到t时间片段内车辆v的车辆状态指示,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第六约束条件用以确保如果车辆v在t时间片段内的站点i被用户使用或者员工调度,那么它在t时间片段内必须停放在站点i,并且车辆v的电量续航里程不能低于用户使用或者员工调度所需的里程数,第六约束条件的表达式为:
其中,表示编号为v的新能源汽车在时间片段t的电池电量情况,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率,为t-δij时间片段到t时间片段内车辆v的按时调度指示,为t时间片段到t+δij时间片段内车辆v的按时归还指示,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第七约束条件用以确保车辆的电池电量在1到最大容量之间,第七约束条件的表达式为:
其中,MaxU表示系统中每辆车的最大电池容量。
在步骤2中,基于遗传算法求解混合整数非线性规划模型的过程具体包括以下步骤:
步骤201:进行遗传算法的初始化设定,将共享汽车的用户订单作为节点,制定相应的编码规则,构造染色体;
步骤202:获取对应的适应度函数并进行适应度的计算,即将混合整数非线性规划模型中的目标函数作为适应函数进行计算,然后将适应度函数值大的染色体作为父代染色体进行遗传,以使得目标函数值较大的车辆的行驶路径一直存在于求解种群中;
步骤203:选取选择算子、交叉算子和变异算子,对染色体进行迭代优化,达到设定的终止条件时结束迭代,并输出车辆行驶路径、用户订单、调度情况和目标函数值。
在步骤201中,进行遗传算法的初始化设定的过程具体包括以下步骤:
步骤201A:进行遗传算法的相关参数设置,将求解种群的大小设置为n,遗传代数设置为m,交叉概率设置为θ,变异概率设置为λ;
步骤201B:进行遗传算法的编码设计,根据混合整数非线性规划模型的特点,对每天的车辆的行驶路径进行编码,染色体的每个基因位代表的是车辆在对应的时间片段车辆所处的站点,因此整个混合整数非线性规划模型的染色体长度为v*T,其中,T为系统运营划分的时间片段数,假设染色体中的所有基因位的数据集为(1,2,3,4,5),表示候选站点为k1~k5,例如染色体的基因段为2-3-1-1-5-4,第一个基因位表示车辆在t1时间片段处于站点k2,第二个基因位表示车辆在t2时间片段处于站点k3,也就是说车辆在t1~t2时间片段从站点k2移动到了站点k3,而在t3~t4时间片段,车辆一直停靠在站点k1进行充电或者闲置;
在步骤202中,进行适应度函数的计算的过程具体为:
由于混合整数非线性规划模型的目标函数的优化目标为运营时间内系统利润最大,所以将目标函数值作为个体的适应度函数值,适应度函数的表达式为:
Fψ=Yψ
其中,Fψ为第ψ条染色体的适应度函数;
由于种群中的染色体都是随机生成的,所以有的染色体的基因位不满足混合整数非线性规划模型的约束条件,因此在计算染色体适应度函数值时,将不满足混合整数非线性规划模型的约束条件的个体赋予一个惩罚值,具体为:
当染色体中连续两个基因位不同时,即表示车辆在前后两个时间片段位于不同站点,车辆在前一时间片段结束时,若所剩的电量不足以满足车辆在这两个站点之间的移动,对应于混合整数非线性规划模型的第六约束条件,若不满足第六约束条件,则赋予该个体的适应度函数值一个惩罚值;
当染色体中在t时间片段的基因位的值均为站点i时,则表示车辆在t时间片段停靠在i站点,累计系统中所有的车辆数,若在t时间片段停靠在i站点的车辆数超过站点i的车位数,对应于混合整数非线性规划模型的第三约束条件,若车辆停靠数量超过了站点的车位数时,则赋予该个体的适应度函数值一个惩罚值。
由于对染色体施加的惩罚值能够显著降低染色体的适应度函数值,使其适应度相对于其它没有施加惩罚值的染色体低,进而在进化过程中逐渐被淘汰。
在步骤203中,对染色体进行迭代优化的过程具体包括以下步骤:
步骤203A:选取交叉算子和变异算子,在本发明中,交叉操作采用的是单点交叉方式,即在染色体中随机选择一个交叉位置,然后将两个父代染色体中所对应基因位上的值进行交换,如图1所示,有两个父代染色体A和B,它们分别包含车辆6个时间片段的路径轨迹,选择将它们的第四个基因位进行交换,从而获得两条子代染色体A′和B′,引入变异算子以增加遗传算法的局部搜索能力,基本操作就是通过对染色体个体中的某些基因位上的值进行改变,从而维持种群的多样性,防止过早收敛的现象出现,如图2所示,有一条包含车辆在6个时间片段的路径轨迹的染色体A,随机选择其中一个时间片段的基因位,选定后便在基因位的数据集中随机选择一个值替换基因位上的原来的值,从而获得变异后的染色体A′;
步骤203B:选取选择算子进行运算,为了提高基于遗传算法的混合整数非线性规划模型的性能,在采用遗传算法的选择算子后采用单亲遗传算法的选择算子,在遗传算法中,在对种群进行交叉和变异后,将染色体的适应度函数值按从大到小进行排序,保留前n(n为种群的数量)条染色体,而单亲遗传算法的选择算子则是采用局部精英选择策略,在染色体种群采用传统遗传算法的选择算子选择出n条染色体后,将n条染色体按照每4个一组进行单亲遗传操作,在4条染色体中选择出适应度函数值最大的个体直接保留到下一代中;
步骤203C:对该个体进行单亲遗传算法的基因移位、基因换位和基因倒位操作,且产生出的三条新的染色体与该个体一起进入下一代种群中,以染色体A为例进行操作,基因换位、移位和倒位操作后的结果如图3所示,基因换位指的是将染色体中的两个基因位进行调换,例如:1号基因位的值“1”和3号基因位的值“2”进行交换,基因移位指的是将两个基因位以及之间的基因位整体向后移动移位,例如,2号基因位至5号基因位的所有基因全部向后移动一位;基因倒位指的是将两个基因位以及之间的基因位颠倒位置,例如,2号基因位至6号基因位颠倒位置;
步骤203D:当算法达到预先设定的遗传代数或种群中适应度最高的染色体的适应度函数值在一定的遗传代数均不再发生变化,即停止迭代。
进行仿真应用:
首先挑选了上海市EVCard的所有站点数据,然后根据分析的不同需求对站点进行K-Means聚类,将相隔很近的站点聚为一个簇群,再从簇群中挑选出一个站点作为簇群的代表站点,在本发明的案例研究中,选取上海市嘉定区的15个共享汽车站点为例进行仿真验证,站点的分布如图4所示。
采用来自于上海市开放数据创新创业大赛(SODA)的出租车订单数据集,并通过相应的上海市出租车订单数据进行仿真,从15个站点中出发时间和到达时间均在运营时间8:00~20:00内的订单中,用户的取车和还车操作都必须是在运营时间内进行,在时间划分上按照以30分钟为一个时间片段对运营时间进行划分,得到24个时间片段,设定运营车辆的电池容量为L,并将其等分划为150份,且设定在车辆行驶和充电过程中,电池的放电和充电都是呈线性状态的,系统中的所有车辆在行驶过程中电池的消耗率都是恒定并且相同的,因此在一次用户出行过程中,电池的消耗量能够根据用户的出行里程数进行计算,同样,车辆进行充电时,每分钟电池的充电量也是恒定的,通过运营商安装在停车位上的规定充电桩进行充电。
遗传算法各参数的设定如表1所示:
表1参数设置
参数名称 | 参数值 |
遗传代数 | 5000 |
种群数量 | 1000 |
交叉概率 | 0.8 |
变异概率 | 0.03 |
在遗传算法的实际运行过程中,考虑计算时间的消耗,因此设定当连续50代种群的个体最大的适应度函数值不再发生变化时则表示种群已经达到最优。
在调度混合整数非线性规划模型中,还涉及部分系统运营成本和用户租赁费用的计算,系统的运营成本包括车辆的贬值成本、车辆的调度成本、站点车位的租赁成本、车辆的出行成本(电量消耗和机油等以及需求拒绝的惩罚成本,租户的车辆租赁单价主要根据EVCard的车辆租赁单价进行设定,当前EVCard在上海市推广的车型包括荣威ERX5、别克VELITE6和荣威Ei5,其中,荣威ERX5和别克VELITE6这两种车型是当前投放比例较高的两种车型,它们的单价均为1.3元/分钟,荣威Ei5的单价为1元/分钟,因此本实施例设定的车辆租赁单价为1.3元/分钟,调度混合整数非线性规划模型的系统运营参数设定如表2所示:
表2系统运营参数
参数名称 | 参数值 |
每辆车每天贬值成本C<sub>y</sub>(元/天) | 30 |
每辆车调度费用C<sub>r</sub>(元/分钟) | 1.5 |
每辆车租赁价格P0(元/分钟) | 13 |
每辆车的出行成本C<sub>mv</sub>(元/分钟) | 0.1 |
每个停车位租赁价格(元/天) | 5 |
每辆车满电续航里程Max<sub>U</sub>(km) | 150 |
车辆的充电费用(元/分钟) | 0.1 |
车辆充电速率(km/分钟) | 0.75 |
车辆耗电速率(km/分钟) | 0.5 |
订单拒绝惩罚成本(元/个) | 10 |
车辆平均行驶速度(km/h) | 30 |
根据遗传算法求得系统每日获得的最大利润为3688元,其中,车辆的购入数量为23辆,通过混合整数非线性规划模型的结果可知,系统中的23辆车,每天能够服务的用户订单的数量为267个,而系统每日的订单总数为424个,因此系统中23辆车所能完成的订单满足率为63%,且由于系统的盈利是由车辆的流动状态所决定的,因此只要车辆被用户使用的频率越高,则系统获取的利润值越大,将在系统运营时间段08:00~20:00之间所有车辆各状态总量之间进行对比,如图5所示。
如图5所示,统计所有时间片段之间系统中所有车辆所处各个状态的次数,在系统的运营期间内,系统中的所有车辆有超过64.46%的时间段处于用户租赁和车辆调度状态,车辆的租赁频率为50.47%,调度频率为13.99%,而车辆闲置和充电频率分别为17.58%和17.96%。
由于电动汽车的电池容量是保证车辆服务更多用户的一个重要参数,并且电池容量也决定了每辆共享汽车的续航里程,续航里程越长,则表示车辆单次充满电所需要的时间越久,例如在服务相同数量的用户订单时,若多个订单在时间上是具有连续性的(服务完一个订单后,车辆可以在站点继续服务下一个订单,或者是通过调度后继续服务下一个订单,即订单之间在时间上是没有重叠的),通过对比各车辆的续航里程,可知续航里程越长的车辆可服务的订单数会越多,平均用户使用时长也会越长,而续航里程短的车辆若想要达到与前者相同的用户订单服务率,则需要额外增加车辆,而每增加一辆车,则会增加系统各方面的成本。
本实施例中将共享汽车的电池容量分别设置为100、150和200,车辆电池容量的不同影响每辆车的采购价格,电池容量越大,采购价格越高,但是由于计算系统每日收益时,只计算车辆每天的贬值成本,因此不同电池容量的车每日的贬值成本相差不大,便以计算,将每辆车每日的贬值成本设置为30元/天,通过将电池容量分别设定为100、150和200,得到在不同续航里程的车辆共享汽车系统中,系统获得最大利润值所需要的车辆数、车辆的服务订单数和车辆充电次数等信息,具体如表3所示:
表3电量敏感度分析
结果对比 | 场景1(B=100) | 场景2(B=150) | 场景3(B=200) |
系统最大利润值 | 3562 | 3688 | 3749 |
最大车辆数 | 24 | 23 | 22 |
服务订单数 | 263 | 267 | 262 |
调度次数 | 70 | 74 | 79 |
充电次数 | 108 | 95 | 79 |
随着车辆续航里程的增加,车辆的充电次数相应减少,即车辆因为电量不足而拒绝用户订单或无法调度的概率更低。
为了进一步说明不同续航里程车辆之间的差异性,上述三个场景中,在场景3(电量为200)的情况下,当车辆数为22时,获得系统的最大利润值,因此,将场景1和场景2的最大车辆数均设定为22,并计算在22辆车的情况下获得的最大利润值和服务订单数等信息。
如图6所示,当车辆数均为22辆时,系统获得的最大利润值、每辆车的平均服务时长和平均调度时长均会随着车辆续航里程数的增加而增加,表示车辆的续航里程越长,能够连续服务的用户订单数更多,将车辆的充电时间更多地选择设置在无订单的空闲时间段,减少因为电量不足而拒绝用户的订单的情况。
对于电动共享汽车系统来说,选择续航里程更大的车辆作为运营车辆,能够在同等车辆数的情况下有效提高系统的收益和提高用户订单的满足率,但这并不表明完全选择续航里程更大的车辆就越好,因为车辆的购置价格也随着续航里程数的增加而增加,应根据用户的用车规律和习惯以及车辆的性能和价格进行综合考虑分析,例如对于某些区域,用户的车辆使用频率较为密集,考虑多购置续航里程更大的车辆,以保证用户订单持续被满足,车辆在无订单的时间片段进行电量补充即可,降低因电量不足而拒绝用户订单的概率;对于用户订单在整个运营期间都较为分散的区域,每次用户使用完车辆后,停在站点补充电量的概率大,则考虑选择续航里程较短的车辆,车辆在服务几个订单后停留在站点进行充电,等待服务下一个订单。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于剩余电量的共享汽车调度方法,其特征在于,该方法包括以下步骤:
步骤1:建立混合整数非线性规划模型;
步骤2:基于遗传算法求解混合整数非线性规划模型,获取使得最优的调度结果;
步骤3:对基于遗传算法获取的调度结果进行解码,进而获得最终的调度方案。
2.根据权利要求1所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤1中,混合整数非线性规划模型的目标函数为:
其中,Y为利润值,PO为在分时租赁系统中,用户在任何一个站点取车,每辆车在运营时间段内每分钟的租赁单价,δij为车辆从站点i到站点j所需的平均行驶时间,K={1,2,…,k,…,K}为分时租赁系统中的站点集合,T={1,2,…,t,…,T}为在运营时间内各时间片段的集合,B={1,2,…,v,…,MaxB}为分时租赁系统中新能源汽车编号的集合,Zi为分时租赁系统中站点i所包含的车位数量,Cmv为在行驶过程中每辆车每分钟的出行成本,为在系统运营时间内,在t时间片段驾驶车辆从站点i出发开往站点j,且在t+δij时间片段到达站点j的有向时间集合,其中,i∈K,j∈K,i≠j,t∈T,δij表示驾驶车辆从站点i到站点j所需的平均行驶时间,为按时归还指示,用以判断是否从站点i取走车辆v,且在t+δij时间片段内将车辆v归还到了站点j,若是,则若否,则其中,Cv为每天每辆车的贬值成本,Zv∈{0,1}为车辆使用指示,判断在共享汽车系统运营时间内,新能源汽车v是否被使用过,若是,则Zv=1,若否,则为Zv=0,其中v∈B,Cr为在对车辆进行员工调度过程中每辆车每分钟的调度费用,即员工用工成本,Cα为惩罚成本,表示分时租赁系统接收到用户出行需求时,且在出行时间时该用户的出发站点没有车辆供用户使用,或是出发站点此时停靠的车辆的续航里程均不能满足用户出行需求时,分时租赁系统则需要拒绝用户的出行需求,每当拒绝一个用户需求时,分时租赁系统就生成一个惩罚成本,Cg为分时租赁系统中车辆在站点充电每分钟的充电成本,为用户在t时间片段从站点i出发并且在t+δij时间片到达站点j的订单数量,为按时调度指示,用以判断员工对车辆v进行调度时,是否在t时间片段内从站点i取走车辆v,并且在t+δij时间片段内将车辆v调度到了站点j,若是,则若否,则为α为新能源共享汽车的充电系数,即充电速率,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率。
3.根据权利要求2所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的混合整数非线性规划模型的第一约束条件为:
其中,为车辆状态指示,用以判断车辆v在分时租赁系统运营时间内是否被用户使用过,在运营时间内,在处于站点j从当前时间片段停泊到下一时间片段时,否则为0,以确保车辆v在t=1的初始时间片段内只能有一种状态,Zv∈{0,1}为车辆使用指示,用以判断在共享汽车系统运营时间内,车辆v是否被使用过,若是,则Zv=1,若否,则为Zv=0,B为分时租赁系统中新能源汽车编号的集合,K为分时租赁系统中的站点集合;
混合整数非线性规划模型的第二约束条件用以确保车辆v在每个时间片段内都具有车辆流动性并且表现出唯一的状态,第二约束条件的表达式为:
其中,为在t-1时间片段到t时间片段内车辆v的车辆状态指示,为t-δij时间片段到t时间片段内车辆v的按时调度指示,为t-δij时间片段到t时间片段内车辆v的按时归还指示,K为分时租赁系统中的站点集合,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第三约束条件用以确保从t到t+1时间片段内停泊在站点i的车位数容量,第三约束条件的表达式为:
其中,为在t时间片段到t+1时间片段内车辆v的车辆状态指示,为t时间片段到t+δij时间片段内车辆v的按时调度指示,为t时间片段到t+δij时间片段内车辆v的按时归还指示,Zi为分时租赁系统中站点i所包含的车位数量,K为分时租赁系统中的站点集合,T为在运营时间内各时间片段的集合;
混合整数非线性规划模型的第四约束条件用以确保用户实际在t时间片段内从i站点出发,并在t+δij时间片段内将车辆归还到站点j的车辆数,不超过用户提交给系统计划在t时间片段内从站点i出发,并在t+δij时间片段内将车辆归还到站点j的初始订单计划所需的车辆数,第四约束条件的表达式为:
其中,为t时间片段到t+δij时间片段内车辆v的按时归还指示,为用户在t时间片段从站点i出发并且在t+δij时间片到达站点j的订单数量,A为在系统运营时间内,在t时间片段驾驶车辆从站点i出发开往站点j,且在t+δij时间片段到达站点j的有向时间集合;
混合整数非线性规划模型的第五约束条件用以确保车辆v在每个时刻车辆都处于充电或者消耗状态,第五约束条件的表达式为:
其中,表示编号为v的新能源汽车在时间片段t时的电池电量情况,α为新能源共享汽车的充电系数,即充电速率,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率,Zv为车辆v的车辆使用指示,为在t-1时间片段到t时间片段内车辆v的车辆状态指示,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第六约束条件用以确保如果车辆v在t时间片段内的站点i被用户使用或者员工调度,那么它在t时间片段内必须停放在站点i,并且车辆v的电量续航里程不能低于用户使用或者员工调度所需的里程数,第六约束条件的表达式为:
其中,表示编号为v的新能源汽车在时间片段t的电池电量情况,β为新能源共享汽车在行驶过程中的电池消耗系数,即耗电速率,为t-δij时间片段到t时间片段内车辆v的按时调度指示,为t时间片段到t+δij时间片段内车辆v的按时归还指示,T为在运营时间内各时间片段的集合,B为分时租赁系统中新能源汽车编号的集合;
混合整数非线性规划模型的第七约束条件用以确保车辆的电池电量在1到最大容量之间,第七约束条件的表达式为:
其中,MaxU表示系统中每辆车的最大电池容量。
4.根据权利要求1所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤2中,基于遗传算法求解混合整数非线性规划模型的过程具体包括以下步骤:
步骤201:进行遗传算法的初始化设定,将共享汽车的用户订单作为节点,制定相应的编码规则,构造染色体;
步骤202:获取对应的适应度函数并进行适应度的计算,即将混合整数非线性规划模型中的目标函数作为适应函数进行计算,然后将适应度函数值大的染色体作为父代染色体进行遗传,以使得目标函数值较大的车辆的行驶路径一直存在于求解种群中;
步骤203:选取选择算子、交叉算子和变异算子,对染色体进行迭代优化,达到设定的终止条件时结束迭代,并输出车辆行驶路径、用户订单、调度情况和目标函数值。
5.根据权利要求4所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤201中,进行遗传算法的初始化设定的过程具体包括以下步骤:
步骤201A:进行遗传算法的相关参数设置,将求解种群的大小设置为n,遗传代数设置为m,交叉概率设置为θ,变异概率设置为λ;
步骤201B:进行遗传算法的编码设计,对每天的车辆的行驶路径进行编码,染色体的每个基因位代表的是车辆在对应的时间片段车辆所处的站点位置,因此整个混合整数非线性规划模型的染色体长度为v*T,其中,T为系统运营划分的时间片段数。
6.根据权利要求5所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤201B中,车辆具有三种状态,分别为站点停靠、员工调度和用户使用,站点停靠包括充电状态和闲置状态,通过染色体上每个时间片段的车辆的行驶路径获取车辆在每个时间片段所处的状态:
当染色体中的相邻两个基因位相同时,表示在这两个时间片段之间车辆处于站点停靠状态,并根据两个时间片段中的前一个时间片段结束时车辆的电量是否为满电状态决定具体为充电状态还是闲置状态,若否,则表示车辆在站点停靠过程中是进行充电的,即处于充电状态,若是,则表示车辆在站点停靠过程中是闲置的,即处于闲置状态;
当染色体中的相邻两个基因位不同时,则表示车辆处于移动状态,即从A站点移动到B站点,并查询是否在对应的时间片段有从A站点移动到B站点的用户订单,若是,则表示这次车辆移动是用户完成的,若否,则表示这次移动是员工完成的,即员工对车辆进行了调度。
7.根据权利要求4所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤202中,进行适应度函数的计算的过程具体为:
步骤202A:混合整数非线性规划模型的目标函数的优化目标为使得运营时间内系统利润最大,因此将目标函数值作为个体的适应度函数值,适应度函数的表达式为:
Fψ=Yψ
其中,Fψ为第ψ条染色体的适应度函数;
步骤202B:由于种群中的染色体都是随机生成的,部分染色体的基因位不满足混合整数非线性规划模型的约束条件,因此在计算染色体适应度函数值时,对不满足混合整数非线性规划模型的约束条件的个体赋予惩罚值,由于对染色体施加的惩罚值能够显著降低染色体的适应度函数值,使其适应度相对于其它没有施加惩罚值的染色体低,进而在进化过程中逐渐被淘汰。
8.根据权利要求7所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤202B中,对不满足混合整数非线性规划模型的约束条件的个体赋予惩罚值具体为:
当染色体中连续两个基因位不同时,即表示车辆在前后两个时间片段位于不同站点,车辆在前一时间片段结束时,若所剩的电量不足以满足车辆在这两个站点之间的移动,对应于混合整数非线性规划模型的第六约束条件,若不满足第六约束条件,则赋予该个体的适应度函数值一个惩罚值;
当染色体中在t时间片段的基因位的值均为站点i时,则表示车辆在t时间片段停靠在i站点,累计系统中所有的车辆数,若在t时间片段停靠在i站点的车辆数超过站点i的车位数,对应于混合整数非线性规划模型的第三约束条件,若车辆停靠数量超过了站点的车位数时,则赋予该个体的适应度函数值一个惩罚值。
9.根据权利要求4所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤203中,对染色体进行迭代优化的过程具体包括以下步骤:
步骤203A:选取交叉算子和变异算子,采用单点交叉方式进行交叉操作,具体为在染色体中随机选择一个交叉位置,将两个父代染色体中所对应的基因位上的值进行交换,变异操作具体为对染色体个体中的某些基因位上的值进行改变,即通过引入变异算子以增加遗传算法的局部搜索能力,维持种群的多样性,防止过早收敛的现象出现;
步骤203B:选取选择算子进行运算,通过采用遗传算法的选择算子结合单亲遗传算法的选择算子提高基于遗传算法的混合整数非线性规划模型的性能,对种群进行交叉和变异后,将染色体的适应度函数值按从大到小进行排序,保留前n条染色体,再采用单亲遗传算法的局部精英选择策略将n条染色体按照每4个一组进行选择操作,在4条染色体中选择出适应度函数值最大的个体直接保留到下一代中;
步骤203C:对该个体进行单亲遗传算法的基因移位、基因换位和基因倒位操作,且产生出的三条新的染色体与该个体一起进入下一代种群中;
步骤203D:当遗传算法达到预先设定的遗传代数或在设定的遗传代数下种群中适应度最高的染色体的适应度函数值不再发生变化,即停止迭代。
10.根据权利要求9所述的一种基于剩余电量的共享汽车调度方法,其特征在于,所述的步骤203C中,基因换位具体为将染色体中的两个基因位进行调换;
基因移位具体为将两个基因位以及之间的基因位整体向后移动移位;
基因倒位具体为将两个基因位以及之间的基因位颠倒位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214525.XA CN114897285B (zh) | 2022-03-07 | 2022-03-07 | 一种基于剩余电量的共享汽车调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214525.XA CN114897285B (zh) | 2022-03-07 | 2022-03-07 | 一种基于剩余电量的共享汽车调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897285A true CN114897285A (zh) | 2022-08-12 |
CN114897285B CN114897285B (zh) | 2024-07-19 |
Family
ID=82715295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210214525.XA Active CN114897285B (zh) | 2022-03-07 | 2022-03-07 | 一种基于剩余电量的共享汽车调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897285B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983568A (zh) * | 2022-12-16 | 2023-04-18 | 吉林大学 | 一种考虑电池健康状态差异的电动公交线路车辆调度方法 |
CN117350827A (zh) * | 2023-12-06 | 2024-01-05 | 新亿成科技(江苏)有限公司 | 一种基于动态需求匹配的流动叉车租赁管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2345857A1 (en) * | 2001-05-01 | 2002-11-01 | Eric Meunier | System and method for automating a vehicle rental process |
CN109800920A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种考虑充电时间的共享电动汽车的站点选址方法 |
CN112115385A (zh) * | 2020-08-25 | 2020-12-22 | 北京交通大学 | 一种考虑充电时间的单向共享汽车系统选址优化方法 |
CN114036749A (zh) * | 2021-11-09 | 2022-02-11 | 上海交通大学 | 一种考虑续航里程的新能源共享汽车的调度方法 |
-
2022
- 2022-03-07 CN CN202210214525.XA patent/CN114897285B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2345857A1 (en) * | 2001-05-01 | 2002-11-01 | Eric Meunier | System and method for automating a vehicle rental process |
CN109800920A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种考虑充电时间的共享电动汽车的站点选址方法 |
CN112115385A (zh) * | 2020-08-25 | 2020-12-22 | 北京交通大学 | 一种考虑充电时间的单向共享汽车系统选址优化方法 |
CN114036749A (zh) * | 2021-11-09 | 2022-02-11 | 上海交通大学 | 一种考虑续航里程的新能源共享汽车的调度方法 |
Non-Patent Citations (1)
Title |
---|
姚恩建;何媛媛;金方磊;卢天伟;潘龙;: "面向自组织平衡的共享电动汽车调度优化方法", 交通运输系统工程与信息, no. 05, 15 October 2020 (2020-10-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983568A (zh) * | 2022-12-16 | 2023-04-18 | 吉林大学 | 一种考虑电池健康状态差异的电动公交线路车辆调度方法 |
CN117350827A (zh) * | 2023-12-06 | 2024-01-05 | 新亿成科技(江苏)有限公司 | 一种基于动态需求匹配的流动叉车租赁管理方法及系统 |
CN117350827B (zh) * | 2023-12-06 | 2024-03-08 | 新亿成科技(江苏)有限公司 | 一种基于动态需求匹配的流动叉车租赁管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114897285B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472785B (zh) | 一种基于负荷分类的电动汽车群调度方法 | |
Asamer et al. | Optimizing charging station locations for urban taxi providers | |
CN114897285B (zh) | 一种基于剩余电量的共享汽车调度方法 | |
CN112193116B (zh) | 一种考虑奖励机制的电动汽车充电优化引导策略 | |
CN106991492B (zh) | 一种北方气候快充纯电动公交车运营调度优化方法 | |
CN109934391B (zh) | 一种纯电动公交车辆的智能调度方法 | |
Liu et al. | A planning strategy considering multiple factors for electric vehicle charging stations along German motorways | |
CN108269008B (zh) | 考虑用户满意度和配网可靠性的充电设施优化规划方法 | |
CN112507506B (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
CN113592419B (zh) | 考虑客流和节能的轨道交通快慢车时刻表优化方法 | |
CN111401786A (zh) | 一种基于路况信息考虑双边利益权衡的电动汽车充电调度方法 | |
CN114122466A (zh) | 燃料电池车电池优化管理方法、系统、设备及介质 | |
CN106228243B (zh) | 地铁车辆段回库股道安排方法 | |
CN117172861A (zh) | 基于用户负荷差异与空间约束的移动充电动态定价方法 | |
CN117035357A (zh) | 一种电动出租车队在能源-交通中的充放电调度方法 | |
He et al. | The charging station and swapping station site selection with many-objective evolutionary algorithm | |
CN116470549A (zh) | 考虑电动汽车随机转移特性的充储电站群调度方法 | |
CN115848196A (zh) | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 | |
CN115204433A (zh) | 一种面向自动驾驶汽车的共享泊位预约匹配方法 | |
CN114372606A (zh) | 考虑道路交通模型的ev聚合商短时调度和响应激励方法 | |
Sai et al. | Joint optimization of infrastructure deployment and fleet operations for an electric carsharing system by considering multi-type vehicles | |
CN117114367B (zh) | 一种电动汽车的充放电控制方法及装置 | |
CN111369741A (zh) | 一种电力市场下多停车场共享车位与电动汽车撮合系统 | |
CN117553816B (zh) | 考虑车主偏好与需求的电动汽车路径规划与充放电策略联合优化方法 | |
CN117996754B (zh) | 一种基于改进dbo算法的电动汽车有序充放电控制方法 |
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 |