CN114971328A - 一种基于pso-de的共享汽车区域调度方法 - Google Patents
一种基于pso-de的共享汽车区域调度方法 Download PDFInfo
- Publication number
- CN114971328A CN114971328A CN202210625779.0A CN202210625779A CN114971328A CN 114971328 A CN114971328 A CN 114971328A CN 202210625779 A CN202210625779 A CN 202210625779A CN 114971328 A CN114971328 A CN 114971328A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- area
- pso
- vehicles
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002245 particle Substances 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 230000009191 jumping Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 101100429014 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) xan-1 gene Proteins 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000013016 learning Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000003915 air pollution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000004718 Panda Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000013316 zoning 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
- G06Q10/06—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
- G06N3/004—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]
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (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
本发明提出了一种基于PSO‑DE的共享汽车区域调度方法,首先,使用Kmeans算法对停车点进行区域划分,统计每个区域的停车数目;其次,根据每个区域的停车数目构建状态指示函数,并根据状态指示函数设定异地操作车辆的奖励机制;然后,分析用户异地操作车辆的概率,结合每个区域的停车数目和奖励机制计算用户各项操作的成本;并以用户各项操作的成本建立目标函数;最后,利用粒子群差分进化算法对目标函数进行优化求解,得到最优调度方案。本发明针对区域车辆冗余问题,用车高峰期车辆不足问题,提出了奖励机制方案,停车路径选择方案,解决了现实情况中共享汽车调度的问题;对比实验显示,PSO‑DE算法比单独使用DE算法的优化效果有很明显的提升。
Description
技术领域
本发明涉及共享汽车区域调度技术领域,特别是指一种基于PSO-DE的共享汽车区域调度方法。
背景技术
自2015年以来,共享汽车作为一种全新的出行方式一直吸引着人们的关注。虽然其作为一种能够有效解决交通堵塞、停车难和空气污染问题的有效方法之一受到人们的认可,但是其模式过重、运营成本过高,企业无法盈利的问题一直无法解决,共享汽车的规模一直难以提升。
为了解决共享汽车存在的问题,进而让共享汽车走入人们的生活减少交通堵塞、减少空气污染,有诸多学者对其进行了相关的研究。其中,Balac Milos等人研究了汽车价格政策对于汽车共享的影响;Jorge和Correia研究了价格与各个站点需求量之间的关系;Zhou提出了动态激励机制,并用维也纳出租车数据验证了该方法能有效将车队维持于均衡状态;Min Xu等以利润最大化为目标同时解决了共享电动汽车站点布局、定价策略与调度问题;Jorge使用混合非线性规划模型,以利润最大化为目标解决车辆定价问题;王喆使用动态价格激励机制,构建了具有滚动周期的优化特征动态随机模型;周鹏飞等人进行了共享汽车智能调度专家系统的研究、电动汽车共享站点选址、分时租赁汽车监管机制研究和充电站布局研究;王宁等人进行了共享汽车站点间车辆人工调度策略的研究;王宁等人进行了动态定价的共享汽车自适应调度策略的研究;王宁等人进行了基于用户激励的共享电动汽车调度成本优化的研究;高俊杰等人进行了基于需求预测的单向共享电动汽车车辆调度方法的研究;唐婕和曹瑾鑫进行了共享汽车联合调度优化方案的研究。
无论是共享汽车分配还是停车区域的选择都是一种优化调度问题,通过优化方法来得到最优解。而解决优化问题的一种较好的方案便是使用PSO-DE优化算法,其已经得到了广泛的应用。包括,发电机约束的经济调度问题,具有安全约束的动态经济调度问题,太阳能分布式发电优化,多周期风优化调度,超市资源调度分配问题等。
发明内容
针对上述背景技术中存在的不足,本发明提出了一种基于PSO-DE的共享汽车区域调度方法,解决了现实情况中停车点数目过多情况下共享汽车调度的问题。
本发明的技术方案是这样实现的:
一种基于PSO-DE的共享汽车区域调度方法,其步骤如下:
步骤一:使用Kmeans算法对停车点进行区域划分,并统计每个区域的停车数目;
步骤二:根据每个区域的停车数目构建状态指示函数,并根据状态指示函数设定异地操作车辆的奖励机制;
步骤三:分析用户异地操作车辆的概率,结合每个区域的停车数目和奖励机制计算用户各项操作的成本;
步骤四:以用户各项操作的成本建立目标函数;
步骤五:利用粒子群差分进化算法对目标函数进行优化求解,实现了每个区域内车辆的最优调度。
优选地,所述使用Kmeans算法对停车点进行区域划分的方法:
S1.1、在所有停车点中随机选取k个停车点作为k个区域的中心点,并将k个中心点作为初始均值向量;
S1.2、计算每个中心点与各个停车点之间的距离,根据距离最近的均值向量确定各个停车点的族;
S1.3、计算新的均值向量,如果新的均值向量与初始均值向量相同则分类完成,获得停车点的区域;否则,新的均值向量作为新的中心点,返回步骤S1.2。
优选地,所述每个区域的停车数目的计算公式为:
Xtn=X(t-1)n+R(t-1)n-D(t-1)n;
其中,Xtn表示t时刻区域n的停车数目,X(t-1)n表示t-1时刻区域n的停车数目,R(t-1)n表示t-1时刻到t时刻区域n的还车数目,D(t-1)n表示t-1时刻到t时刻区域n的借车数目。
优选地,所述状态指示函数为:
其中,stn表示t时刻区域n的状态,p表示停车区域的最大停车数量,sfn表示区域n的上阈值,sbn表示区域n的下阈值;
当目标值stn等于1,表示该停车区域车辆偏多,激活取车奖励机制;当目标值stn等于-1,表示该停车区域车辆偏少,激活还车奖励机制;当目标值stn等于0,表示该停车区域可以正常还车、取车。
优选地,所述用户异地操作车辆的概率的计算公式为:
其中,α表示用户异地操作车辆的概率。
优选地,所述用户异地操作车辆包括异地还车和异地取车;
异地还车的步骤为:
a1)判断待分配车辆Xan是否大于0,若是,进行用户奖励概率计算,跳到步骤b1,否则,完成车辆调度,跳到步骤e1;
b1)判断用户是否异地还车,若是,计算异地还车成本,跳到步骤d1;否则,跳到步骤c1;
c1)判断是否有剩余车位,若是,将汽车存入该车位,并跳到步骤d1;否则,计算人工调度成本,跳到步骤d1;
d1)令Xan=Xan-1,并返回步骤a1;
e1)跳出循环;
异地取车的步骤为:
a2)判断待分配车辆Xan是否大于0,若是,进行用户奖励概率计算并跳到步骤b2,否则,完成车辆调度,跳到步骤e2;
b2)判断用户是否异地取车,若是,计算异地取车成本,跳到步骤d2;否则,跳转到步骤c2;
c2)判断是否有剩余车位,若是,则取走汽车,并跳转到步骤d2;否则,计算客户不满意成本,并跳转到步骤d2;
d2)令Xan=Xan-1,并返回步骤a2;
e2)跳出循环。
优选地,所述目标函数为:
其中,Z表示最终的调度成本,t表示时间节点,T表示最后一个时间节点,e表示异地还车的奖励金额,xtij表示t时刻从i区域到j区域进行异地还车的数目,g表示异地取车的奖励金额,ytij表示t时刻从i区域到j区域进行异地取车的数目,h表示人工调度的成本,qi表示区域i需要人工调度车辆的数目,k表示用户未取到车所产生的成本,wi表示区域i拒绝用户的数目;
约束条件为:
其中,S表示车辆总的数目。
优选地,所述利用粒子群差分进化算法对目标函数进行优化求解的方法为:
S5.1:设置差分进化算法的最大迭代次数,并初始化种群;
S5.2:设置粒子群算法的最大迭代次数、种群个数、目标函数的自变量个数和粒子的最大速度,并初始化粒子位置和速度;
S5.3:通过适应度函数计算各个粒子的适应度,找到各个粒子的个体极值作为个体最优解,并从个体最优解中找到一个全局最优解,并与历史全局最优解比较,更新种群的全局最优解;
S5.4:判断迭代次数是否达到粒子群算法的最大迭代次数,若是,将种群的全局最优解作为最优值输出,执行步骤S5.5,否则,更新各个粒子的速度和位置,返回步骤S5.3;其中,各个粒子的速度和位置的更新公式为:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid);
其中,ω称为惯性因子,C1为每个粒子的个体学习因子,C2为每个粒子的社会学习因子,random(0,1)表示区间[0,1]上的随机数,Pid表示第i个变量的个体极值的第d维,Pgd表示全局最优解的第d维,Vid表示第i个粒子的速度,Xid表示第i个粒子的位置;
S5.5:判断迭代次数是否达到差分进化算法的最大迭代次数,若是,将最优解输出,否者,执行步骤S5.6;
S5.6:对个体依次进行变异、交叉和选择操作,获得新个体;
S5.7:迭代次数增加1,返回步骤S5.2。
优选地,所述初始化种群的方法为:
其中,i′=1,2,…,NP;j=1,2,…,D,Xi′(0)是第i′个个体,j表示维度;
优选地,所述对个体依次进行变异、交叉和选择操作,获得新个体的方法为:
变异操作:随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成:
Vi′(g+1)=Xr1(g)+F(Xr2(g)-Xr3(g));
其中,r1,r2和r3是三个随机数,区间为[1,NP],F称为缩放因子,g表示第g代,Vi′(g+1)表示变异后的种群,Xr1(g),Xr2(g),Xr3(g)表示第g代种群中第i个个体;
交叉操作:随机选择个体:
其中,CR称为交叉概率,Ui′,j(g+1)表示交叉后的种群,Vi′,j(g+1)表示变异中间体,xi′,j(g+1)表示选择交叉的基因;
选择操作:采用贪婪选择策略选择较优的个体作为新的个体:
其中,Xi′(g+1)表示下一代种群个体,Ui′(g+1)表示交叉个体,Xi′(g)表示当前种群个体。
与现有技术相比,本发明产生的有益效果为:本发明使用Kmeans算法对停车点进行区域划分,并基于差分进化算法(DE)理论,建立区域调度模型,然后根据历史使用情况对车辆停放设置合理的奖惩机制,最后使用粒子群-差分进化(PSO-DE)混合优化算法对模型进行优化;使用PSO-DE算法比单独使用DE算法的优化效果得到了明显的提升。
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为本发明的区域模型构建流程图。
图2为本发明的Kmeans算法流程图。
图3为当区域待分配车辆大于停车区域的上阈值时异地还车的流程图。
图4为当区域待分配车辆小于停车区域的下阈值时异地取车的流程图。
图5为本发明的车辆调度流程图。
图6为共享汽车停车区域分布图。
图7为共享汽车在地图上的实际分布图。
图8为去除离散点的共享汽车停车区域分布图。
图9为停车点分区结果。
图10为PSO-DE算法流程图。
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,显然,所描述的实施例仅仅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付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。
如图1所示,一种基于PSO-DE的共享汽车区域调度方法,其步骤如下:
步骤一:使用Kmeans算法对停车点进行区域划分,并统计每个区域的停车数目;由于Kmeans算法是一种无监督学习的聚类算法,它的原理比较简单,实现也是很容易,具有收敛速度快,聚类效果较好的优点。其算法流程图如图2所示,运算步骤如下:
S1.1、在所有停车点中随机选取k个停车点作为k个区域的中心点,并将k个中心点作为初始均值向量;
S1.2、计算每个中心点与各个停车点之间的距离,根据距离最近的均值向量确定各个停车点的族;
S1.3、计算新的均值向量,如果新的均值向量与初始均值向量相同则分类完成,获得停车点的区域;否则,新的均值向量作为新的中心点,返回步骤S1.2。
每个区域的停车数目的计算公式为:
Xtn=X(t-1)n+R(t-1)n-D(t-1)n;
其中,Xtn表示t时刻区域n的停车数目,X(t-1)n表示t-1时刻区域n的停车数目,R(t-1)n表示t-1时刻到t时刻区域n的还车数目,D(t-1)n表示t-1时刻到t时刻区域n的借车数目。
步骤二:根据每个区域的停车数目构建状态指示函数,并根据状态指示函数设定异地操作车辆的奖励机制;
通过一个状态指示函数,对每个停车区域的状态进行定性的描述。当目标值等于1,表示该停车区域车辆偏多,激活取车奖励机制(异地区域用户到此区域取车);当目标值等于-1,表示该停车区域车辆偏少,激活还车奖励机制(异地区域用户到此区域还车);当目标值等于0,表示该停车区域可以正常还、取车。
所述状态指示函数为:
其中,stn表示t时刻区域n的状态,p表示停车区域的最大停车数量,sfn表示区域n的上阈值,sbn表示区域n的下阈值。
步骤三:分析用户异地操作车辆的概率,结合每个区域的停车数目和奖励机制计算用户各项操作的成本;
通过状态指示函数得出每个停车点的状态,当状态车辆为偏多、偏少,会通过用户奖励机制引导用户去其他停车区域还、取车,会有一定比例的用户同意前往其他状态良好的停车区域进行还、取车操作。所述用户异地操作车辆的概率的计算公式为:
其中,α表示用户异地操作车辆的概率。
当区域待分配车辆大于停车区域的上阈值,鼓励异地还车,如图3所示,异地还车的步骤为:
a1)判断待分配车辆Xan是否大于0,若是,进行用户奖励概率计算,跳到步骤b1,否则,完成车辆调度,跳到步骤e1;
b1)判断用户是否异地还车,若是,计算异地还车成本,跳到步骤d1;否则,跳到步骤c1;
c1)判断是否有剩余车位,若是,将汽车存入该车位,并跳到步骤d1;否则,计算人工调度成本,跳到步骤d1;
d1)令Xan=Xan-1,并返回步骤a1;
e1)跳出循环。
当区域待分配车辆小于停车区域的下阈值,鼓励异地取车,如图4所示,异地取车的步骤为:
a2)判断待分配车辆Xan是否大于0,若是,进行用户奖励概率计算并跳到步骤b2,否则,完成车辆调度,跳到步骤e2;
b2)判断用户是否异地取车,若是,计算异地取车成本,跳到步骤d2;否则,跳转到步骤c2;
c2)判断是否有剩余车位,若是,则取走汽车,并跳转到步骤d2;否则,计算客户不满意成本,并跳转到步骤d2;
d2)令Xan=Xan-1,并返回步骤a2;
e2)跳出循环。
若用户拒绝去其他停车区域停车,则该车辆产生的人工调度成本记在企业成本里。在车辆分配过程中,首先满足每个区域下阈值的车辆停放为基准将车辆进行分配,若还有车辆剩余的情况下,以满足每个区域上阈值的车辆停放基准将车辆进行分配。由于分配均以上阈值最大分配量将车辆进行分配,因此不会有剩余车辆,所有的待分配车辆在循环完成时必然能分配出去。流程图如图5所示。
步骤四:以用户各项操作的成本建立目标函数;所述目标函数为:
其中,Z表示最终的调度成本,t表示时间节点,T表示最后一个时间节点,e表示异地还车的奖励金额,xtij表示t时刻从i区域到j区域进行异地还车的数目,g表示异地取车的奖励金额,ytij表示t时刻从i区域到j区域进行异地取车的数目,h表示人工调度的成本,qi表示区域i需要人工调度车辆的数目,k表示用户未取到车所产生的成本,wi表示区域i拒绝用户的数目。
约束条件为:
其中,S表示车辆总的数目。
步骤五:利用粒子群差分进化算法对目标函数进行优化求解,实现了每个区域内车辆的最优调度。
如图10所示,利用粒子群差分进化算法对目标函数进行优化求解的方法为:
S5.1:设置差分进化算法的最大迭代次数,并初始化种群;
其中,i′=1,2,…,NP;j=1,2,…,D,Xi′(0)是第i′个个体,j表示维度;
S5.2:设置粒子群算法的最大迭代次数、种群个数、目标函数的自变量个数为2和粒子的最大速度C1=C2=0.5,并初始化粒子位置和速度;
S5.3:通过适应度函数计算各个粒子的适应度,找到各个粒子的个体极值作为个体最优解,并从个体最优解中找到一个全局最优解,并与历史全局最优解比较,更新种群的全局最优解;
S5.4:判断迭代次数是否达到粒子群算法的最大迭代次数,若是,将种群的全局最优解作为最优值输出,执行步骤S5.5,否则,更新各个粒子的速度和位置,返回步骤S5.3;其中,各个粒子的速度和位置的更新公式为:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid);
其中,ω称为惯性因子,其值为非负;较大时,全局寻优能力强,局部寻优能力强,较小时,全局寻优能力弱。C1和C2称为加速常数,C1为每个粒子的个体学习因子,C2为每个粒子的社会学习因子,Suganthan的实验表明,C1和C2为常数时可以得到较好的解,通常设置C1=C2=∈[0,4]。random(0,1)表示区间[0,1]上的随机数,Pid表示第i个变量的个体极值的第d维,Pgd表示全局最优解的第d维,Vid表示第i个粒子的速度,Xid表示第i个粒子的位置。
S5.5:判断迭代次数是否达到差分进化算法的最大迭代次数,若是,将最优解输出,否者,执行步骤S5.6;
S5.6:对个体依次进行变异、交叉和选择操作,获得新个体;
变异操作:DE算法通过差分策略实现个体变异,常见的差分策略是随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成:
Vi′(g+1)=Xr1(g)+F(Xr2(g)-Xr3(g));
其中,r1,r2和r3是三个随机数,区间为[1,NP],F称为缩放因子,g表示第g代,Vi′(g+1)表示变异后的种群,Xr1(g),Xr2(g),Xr3(g)表示第g代种群中第i个个体;
交叉操作:交叉操作的目的是随机选择个体,因为差分进化也是一种随机算法,交叉操作的方法是:
其中,CR称为交叉概率,Ui′,j(g+1)表示交叉后的种群,Vi′,j(g+1)表示变异中间体,xi′,j(g+1)表示选择交叉的基因;
选择操作:在DE中采用贪婪选择策略选择较优的个体作为新的个体:
其中,Xi′(g+1)表示下一代种群个体,Ui′(g+1)表示交叉个体,Xi′(g)表示当前种群个体。
S5.7:迭代次数增加1,返回步骤S5.2。
实例分析
本实例均以以色列的特拉维夫·雅法这个城市在2018-12-11 15:48:53.592141UTC至2019-01-10 12:58:50.134717 UTC时间内的数据为研究内容,数据共1048575条,采样频率为约两分钟采样一次。
根据数据统计得,车辆经过的停车点的数目共27604个。以经度为横坐标、纬度为纵坐标,画出该城市可停车的离散区域。如图6所示。
将各车位点在地图上进行标记,如图7所示。通过标记可以发现,共享汽车停车区域大概沿城区分配,且完全覆盖主要城区。
其中有几个离散停车区域因为距离太远且远离市区主要停车点,数不具有代表性,固划分停车区域时忽略不计。最终停车区域如图8所示。
对共享汽车可停车区域依照地理位置关系进行进一步分区,通过Kmeans算法将可停车区域分为10个区域。如图9所示。
通过对数据中车辆编号进行统计,可以发现车辆总数为260,即S=260。设定当用户拒绝异地还车、取车,企业所产生的人工调度成本(车辆从某一站点转移至另一站点的花费金额)为50元。当客户想从某一站点取车,但是此站点没车拒绝该用户从该站点取车成本为100元。当某站点此时车辆大于上阈值时,产生的激励金额为当某站点此时车辆小于阈值时,鼓励用户异地取车产生的激励金额为25元,用户异地取车的概率β设为0.5。在实际操作过程中,公司可以根据实际情况进行参数设定。
在python(3.7.0)、sko(0.5.9)、geatpy(2.6.0)、pandas(1.0.1)、skalearn(0.0)、numpy(1.18.1)环境下实现了DE、PSO-DE算法的设计。
差分算法(DE)是与遗传算法进化流程相似的演化算法,其主要的应用范围是实数的优化问题。分别选取初始种群个数、迭代次数为(10,20),(20,20),(50,50),(50,100),(100,100)。令变异概率F=0.5,交叉概率为0.7。得到的结果如下表1所示。
表1计算结果
根据表1结果得出,差分进化算法的运行效果普遍与时间有关。即运行时间越长,得到的最优值越好,但也存在运行时间长,效果不好的可能。
考虑到差分进化算法的参数选择可能对结果有较大影响,同时差分进化算法具有很强的可扩展性,容易与其它算法相结合的特点,所以本发明考虑使用粒子群算法(PSO)对差分进化算法进行优化,并将其命名为PSO-GA。其中粒子群-差分进化混合算法(PSO-DE)算法流程图如图10所示。
设置PSO算法粒子的最大速度C1=C2=0.5。同时,分别选取PSO算法的种群个数,PSO算法的迭代的最大次数,DE算法的种群个数,DE算法的迭代次数为(2,2,5,5),(5,5,5,5),(5,5,10,10),(3,5,20,20),得到的结果如下表2所示。
表2计算结果
根据表2结果得出,在评价次数较少的情况下,PSO-DE算法的运行结果没有明显的效果;但随着评价次数的增加,PSO-DE算法取得了较好的效果。
对表1、表2进行对比分析,可以明显看到:在评价次数较小的情况下,单独使用DE算法的最优值更小,即优化效果更好;随着评价次数的上升,PSO-DE算法逐渐取得了较好的效果。DE算法评价次数达到10000次时所取得的优化效果没有PSO-DE算法评价次数6000次时的优化效果好。从而容易得出:当问题较复杂时,使用PSO-DE算法效果更好,这种方法对DE算法较依赖参数选择的问题有了一定的改进效果。
本发明针对现实情况中停车点数目过多情况下共享汽车调度的问题,提出了一种基于PSO-DE的共享汽车区域调度方法。通过Kmeans对诸多停车点进行分区,对每个区域的车辆进行调度,从而减少人工调度的成本以及模型的复杂度;然后通过对比PSO-DE算法与DE算法在该优化问题下的寻优结果,证明PSO-DE算法的优越性与不足之处。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于PSO-DE的共享汽车区域调度方法,其特征在于,其步骤如下:
步骤一:使用Kmeans算法对停车点进行区域划分,并统计每个区域的停车数目;
步骤二:根据每个区域的停车数目构建状态指示函数,并根据状态指示函数设定异地操作车辆的奖励机制;
步骤三:分析用户异地操作车辆的概率,结合每个区域的停车数目和奖励机制计算用户各项操作的成本;
步骤四:以用户各项操作的成本建立目标函数;
步骤五:利用粒子群差分进化算法对目标函数进行优化求解,实现了每个区域内车辆的最优调度。
2.根据权利要求1所述的基于PSO-DE的共享汽车区域调度方法,其特征在于,所述使用Kmeans算法对停车点进行区域划分的方法:
S1.1、在所有停车点中随机选取k个停车点作为k个区域的中心点,并将k个中心点作为初始均值向量;
S1.2、计算每个中心点与各个停车点之间的距离,根据距离最近的均值向量确定各个停车点的族;
S1.3、计算新的均值向量,如果新的均值向量与初始均值向量相同则分类完成,获得停车点的区域;否则,新的均值向量作为新的中心点,返回步骤S1.2。
3.根据权利要求1所述的基于PSO-DE的共享汽车区域调度方法,其特征在于,所述每个区域的停车数目的计算公式为:
Xtn=X(t-1)n+R(t-1)n-D(t-1)n;
其中,Xtn表示t时刻区域n的停车数目,X(t-1)n表示t-1时刻区域n的停车数目,R(t-1)n表示t-1时刻到t时刻区域n的还车数目,D(t-1)n表示t-1时刻到t时刻区域n的借车数目。
6.根据权利要求1所述的基于PSO-DE的共享汽车区域调度方法,其特征在于,所述用户异地操作车辆包括异地还车和异地取车;
异地还车的步骤为:
a1)判断待分配车辆Xan是否大于0,若是,进行用户奖励概率计算,跳到步骤b1,否则,完成车辆调度,跳到步骤e1;
b1)判断用户是否异地还车,若是,计算异地还车成本,跳到步骤d1;否则,跳到步骤c1;
c1)判断是否有剩余车位,若是,将汽车存入该车位,并跳到步骤d1;否则,计算人工调度成本,跳到步骤d1;
d1)令Xan=Xan-1,并返回步骤a1;
e1)跳出循环;
异地取车的步骤为:
a2)判断待分配车辆Xan是否大于0,若是,进行用户奖励概率计算并跳到步骤b2,否则,完成车辆调度,跳到步骤e2;
b2)判断用户是否异地取车,若是,计算异地取车成本,跳到步骤d2;否则,跳转到步骤c2;
c2)判断是否有剩余车位,若是,则取走汽车,并跳转到步骤d2;否则,计算客户不满意成本,并跳转到步骤d2;
d2)令Xan=Xan-1,并返回步骤a2;
e2)跳出循环。
8.根据权利要求1所述的基于PSO-DE的共享汽车区域调度方法,其特征在于,所述利用粒子群差分进化算法对目标函数进行优化求解的方法为:
S5.1:设置差分进化算法的最大迭代次数,并初始化种群;
S5.2:设置粒子群算法的最大迭代次数、种群个数、目标函数的自变量个数和粒子的最大速度,并初始化粒子位置和速度;
S5.3:通过适应度函数计算各个粒子的适应度,找到各个粒子的个体极值作为个体最优解,并从个体最优解中找到一个全局最优解,并与历史全局最优解比较,更新种群的全局最优解;
S5.4:判断迭代次数是否达到粒子群算法的最大迭代次数,若是,将种群的全局最优解作为最优值输出,执行步骤S5.5,否则,更新各个粒子的速度和位置,返回步骤S5.3;其中,各个粒子的速度和位置的更新公式为:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid);
其中,ω称为惯性因子,C1为每个粒子的个体学习因子,C2为每个粒子的社会学习因子,random(0,1)表示区间[0,1]上的随机数,Pid表示第i个变量的个体极值的第d维,Pgd表示全局最优解的第d维,Vid表示第i个粒子的速度,Xid表示第i个粒子的位置;
S5.5:判断迭代次数是否达到差分进化算法的最大迭代次数,若是,将最优解输出,否者,执行步骤S5.6;
S5.6:对个体依次进行变异、交叉和选择操作,获得新个体;
S5.7:迭代次数增加1,返回步骤S5.2。
10.根据权利要求9所述的基于PSO-DE的共享汽车区域调度方法,其特征在于,所述对个体依次进行变异、交叉和选择操作,获得新个体的方法为:
变异操作:随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成:
Vi′(g+1)=Xr1(g)+F(Xr2(g)-Xr3(g));
其中,r1,r2和r3是三个随机数,区间为[1,NP],F称为缩放因子,g表示第g代,Vi′(g+1)表示变异后的种群,Xr1(g),Xr2(g),Xr3(g)表示第g代种群中第i个个体;
交叉操作:随机选择个体:
其中,CR称为交叉概率,Ui′,j(g+1)表示交叉后的种群,Vi′,j(g+1)表示变异中间体,xi′,j(g+1)表示选择交叉的基因;
选择操作:采用贪婪选择策略选择较优的个体作为新的个体:
其中,Xi′(g+1)表示下一代种群个体,Ui′(g+1)表示交叉个体,Xi′(g)表示当前种群个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210625779.0A CN114971328A (zh) | 2022-06-02 | 2022-06-02 | 一种基于pso-de的共享汽车区域调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210625779.0A CN114971328A (zh) | 2022-06-02 | 2022-06-02 | 一种基于pso-de的共享汽车区域调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971328A true CN114971328A (zh) | 2022-08-30 |
Family
ID=82959011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210625779.0A Pending CN114971328A (zh) | 2022-06-02 | 2022-06-02 | 一种基于pso-de的共享汽车区域调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971328A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860189A (zh) * | 2022-11-14 | 2023-03-28 | 河南理工大学 | 一种低碳目标下土地利用空间格局优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006077638A1 (ja) * | 2005-01-20 | 2006-07-27 | Hitachi, Ltd. | 車両シェア管理サーバ装置、ユーザ端末装置、車載端末装置および車両シェア管理方法 |
JP2014071873A (ja) * | 2012-10-02 | 2014-04-21 | Hitachi Automotive Systems Ltd | 車両管理装置および車両管理方法 |
CN108764555A (zh) * | 2018-05-22 | 2018-11-06 | 浙江大学城市学院 | 一种基于Hadoop的共享单车停放点选址方法 |
-
2022
- 2022-06-02 CN CN202210625779.0A patent/CN114971328A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006077638A1 (ja) * | 2005-01-20 | 2006-07-27 | Hitachi, Ltd. | 車両シェア管理サーバ装置、ユーザ端末装置、車載端末装置および車両シェア管理方法 |
JP2014071873A (ja) * | 2012-10-02 | 2014-04-21 | Hitachi Automotive Systems Ltd | 車両管理装置および車両管理方法 |
CN108764555A (zh) * | 2018-05-22 | 2018-11-06 | 浙江大学城市学院 | 一种基于Hadoop的共享单车停放点选址方法 |
Non-Patent Citations (1)
Title |
---|
米雪: "基于运营数据的共享汽车用户综合评价及车辆调度研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 03, 15 March 2022 (2022-03-15), pages 034 - 1494 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860189A (zh) * | 2022-11-14 | 2023-03-28 | 河南理工大学 | 一种低碳目标下土地利用空间格局优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN102884401A (zh) | 用于将电池操作的运输装置引导至重整站的方法和引导单元 | |
CN109117993A (zh) | 一种车辆路径优化的处理方法 | |
Yao et al. | Hybrid operations of human driving vehicles and automated vehicles with data-driven agent-based simulation | |
CN108805335B (zh) | 一种公共自行车调度方法 | |
CN115146946A (zh) | 基于多源数据的汽车充电设施选择及规划方法 | |
CN112613731A (zh) | 基于复杂网络理论的电动汽车充电站能效评估系统和方法 | |
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 | |
Huang et al. | An improved charging navigation strategy of electric vehicles via optimal time-of-use pricing | |
CN115660501A (zh) | 电动汽车充电负荷可调裕度评估方法 | |
CN114971328A (zh) | 一种基于pso-de的共享汽车区域调度方法 | |
Fescioglu-Unver et al. | Electric vehicle charging service operations: A review of machine learning applications for infrastructure planning, control, pricing and routing | |
Miao et al. | Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas | |
CN114897285A (zh) | 一种基于剩余电量的共享汽车调度方法 | |
Xu et al. | Research on parking service optimization based on permit reservation and allocation | |
Li et al. | A bibliometric analysis and review on reinforcement learning for transportation applications | |
CN106682759B (zh) | 针对电动出租车的电池供应系统及网络优化方法 | |
Bischoff | Mobility as a Service and the transition to driverless systems | |
Yan et al. | Reinforcement learning based scheduling for cooperative EV-to-EV dynamic wireless charging | |
Yao et al. | Battery electric vehicles in China: ownership and usage | |
CN114118515A (zh) | 一种融合交通路网的电动汽车充电站的确定方法及系统 | |
He et al. | Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics | |
CN113361789A (zh) | 一种基于层次化博弈的充电站服务定价方法 | |
Hadded et al. | Platoon Route Optimization for Picking up Automated Vehicles in an Urban Network | |
Mei et al. | Optimizing the configuration of electric vehicle charging piles in public parking lots based on a multi-agent model |
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 |