CN115547052A - 改进自适应大领域算法的动态需求响应电动公交调度方法 - Google Patents

Abstract

本发明提供一种改进自适应大领域算法的动态需求响应电动公交调度方法，包括：采集提前预定出行的乘客需求信息和模拟场景的实时需求信息；构建同时使车辆运营成本与乘客出行成本最小化的总目标函数，将提前预定出行的乘客以路程时间最小为目标获得电动公交车的初始路径集合；依据动态需求场景将其分解为多个子问题；根据初始路径集合和充电计划，采用改进自适应大邻域搜索算法产生新路径集合以及充电策略；将场景子问题的结果汇总后，协同优化多个场景的车辆行驶计划和场站充电计划。本发明解决了现有的电动需求响应公交无法根据实时需求灵活调整运营线路与充电计划、以及完全充电策略的不合理导致系统成本增加等问题。

Description

改进自适应大领域算法的动态需求响应电动公交调度方法

技术领域

本发明涉及考虑动态实时需求的电动需求响应公交调度技术领域，具体而言，尤其涉及一种基于改进自适应大领域算法的动态需求响应电动公交调度方法。

背景技术

电动公交具有运营成本低、污染少、部署快捷、维护方便等优点，但其行驶距离受到电池容量的限制，在行驶途中需要去往充电站点补充电量，同时充电站点的选择会影响电动公交的接送路径。

需求响应公交作为一种个性化的灵活公交运营方式，同时由于乘客需求实时增加会导致公交在行驶过程中动态变化，需求响应公交可以使其更好地将充电计划与运营计划相结合，以最大化的发挥需求响应公交车电动化的效益和提高车辆在行驶途中乘客实时需求的服务效率。

但是，现有技术中，这种复杂的考虑动态实时需求的电动需求响应公交调度设计方法中存在以下不足：

1、现有的需求响应型公交系统设计基于传统内燃机汽车，车辆行驶路线不受续航里程的影响，因此传统需求响应公交只需考虑乘客需求，现有方法无法根据乘客需求来灵活调整充电计划。

2、现有的电动需求响应公交系统中，仅考虑了完全充电的充电策略，然而电动公交车所需的充电量是动态变化的，与当前电池剩余电量和车辆后续线路有关，现有方法的充电策略较单一，无法更高效的将机会充电策略与运营计划相结合。

3、现有的考虑乘客出行需求的需求响应公交网络设计只关注于出发前已知的乘客需求，缺乏对于插入实时乘客需求的设计，现有的方法无法根据车辆在行驶途中的乘客实时需求进行线路和充电策略的动态优化调整，可优化空间有局限性。

发明内容

本发明提供了一种基于改进自适应大领域算法的电动需求响应公交调度方法，该方法在满足时间窗、载客量和电池容量约束的前提下，以最小化系统总成本包括车辆运营成本与乘客出行成本为目标，实现同时优化电动需求响应公交的调度任务和充电计划，并结合不同场景的实时需求给出更具鲁棒性的策略，解决现有的电动需求响应公交无法在车辆运行过程中改变路线服务实时需求，无法根据实时需求灵活调整运营线路与充电计划、以及完全充电策略的不合理导致系统成本增加等问题。

本发明采用的技术手段如下：

本发明公开了一种基于改进自适应大领域算法的电动需求响应公交调度方法，包括以下步骤：

步骤1：采集提前预定出行的乘客需求信息和模拟场景的实时需求信息，所述乘客出行需求信息包括需求点上车人数、乘客出发地、目的地及乘车时间窗；

步骤2：构建同时使车辆运营成本与乘客出行成本最小化的总目标函数，初始化电动需求响应公交运营参数、电池参数、耗电系数及充电速率；针对提前预定需求，在满足时间窗、载客量和电池容量约束的条件下以路程时间最小为目标获得电动公交车的初始路径集合；对无法满足电量约束的初始路径在合适的位置加入充电站点，并根据车辆后续线路确定充电时间；针对每个不同的动态需求场景子问题根据增加成本将实时需求插入到初始路径集合；

步骤3：根据初始路径集合和充电计划，采用改进自适应大邻域搜索算法产生新路径集合以及充电策略，在各个阶段初期通过调整算子权重及在设定机制下选择算子来实现搜索过程的自适应更新，搜索使目标函数值更小的路径，并应用模拟退火算法作为接受准则，直到获得最优的电动需求响应公交的行驶路线；

步骤4：将场景子问题的结果汇总后，协同优化多个场景的车辆行驶计划和场站充电计划，计算近似矩阵、隶属度矩阵以及位置矩阵，分别将场景路径、需求点分配给提前预定需求路径后，根据场景概率获得更具鲁棒性的行驶路线与充电策略。

进一步地，所述总目标函数为：

其中，J为总目标函数，λ₁为电动需求响应公交系统单位运营时间成本，λ₂为需求点i的单位在途绕行时间成本，λ₃为电动需求响应公交固定使用成本，追索权函数

代表了不同场景下插入实时需求的成本，Prs为不同场景s的概率，K为电动需求响应公交车辆的集合，V为行车节点的集合，P为乘客出行需求上车点的集合，S为实时动态需求产生场景的集合，τ_ij为两个行车节点i和j之间的行驶时间，r_i为在需求点i的在途绕行时间，A_k为取值为0 或1的变量，表示电动需求响应公交是否被使用；

为取值为0或1的变量，表示电动需求响应公交k是否经从行车节点i到行车节点j；

针对每个场景追索权函数表示为：

其中，λ₀为电动需求响应公交系统实时需求单位拒绝成本，V′为电动需求响应公交车实时需求节点的集合，P′为乘客出行实时需求上车点的集合，

为场景s下实时需求点i增加的在途绕行时间，

为取值为0或1的变量，表示场景s下电动需求响应公交是否被增加使用，

和

为取值为0或1的变量，表示场景s下电动需求响应公交k是否增加或删除从行车节点i到行车节点 j的路径；a_is为取值为0或1的变量，表示场景s下实时需求点i是否被服务。

进一步地，步骤2中电动公交车的初始路径的获取包括以下步骤：

步骤2.1：考虑车辆服务乘客需求点的访问顺序和充电站选择，以确定需求响应公交的访问顺序；

步骤2.2：考虑乘客时间窗的约束和车辆行驶时间的约束，以确定需求响应公交的访问时间；

步骤2.3：考虑车辆容量的约束，以保证需求响应公交的访问路线；

步骤2.4：考虑乘客时间窗的约束和车辆电量的约束，以插入充电站点在车辆路径在合适的位置。

进一步地，考虑乘客时间窗的约束和车辆电量的约束，以插入充电站点在车辆路径在合适的位置，包括以下步骤：

步骤2.4.1：删除当前解路径中所有的充电站点，判断当前路径电量是否可行并将不可行路径送入下一阶段；

步骤2.4.2：采用枚举算法决策车辆从该点出发依靠剩余电量能够到达的充电站点的总增加成本最小的充电站，所述总增加成本包括充电时间成本和空驶成本；

步骤2.4.3：更新各个点的可达性参数，判断路径的可行性，直到全部路径都可行后，生成初始行驶路线和充电计划。

进一步地，步骤3中根据初始路径集合和充电计划，采用改进自适应大邻域搜索算法搜索使目标函数值更小的路径，包括以下步骤：

步骤3.1：将初始路径集合和充电计划作为初始解，随机选择一对删除和插入算子，从初始解中删除N个点，然后依次将删除的点重新插入，得到一个新的邻域解；

步骤3.2：为每个删除和插入算子分配一个权重，通过每个删除和插入算子在搜索期间使用的频率，动态调整各个删除和插入算子的权重，以便获得更好的解；

步骤3.3：如果邻域解优于当前解，则保留邻域解，否则邻域解将一定概率被保留，当迭代次数达到给定的最大次数时，整个搜索过程结束。

进一步地，步骤3.2中包括设计多组删除和插入算子扩大解空间搜索范围，对当前解进行改进，包括以下步骤：

步骤3.2.1：初始阶段所有算子均具有相同的权重和分值，删除算子包括随机删除、最差删除和相似删除，插入算子包括随机插入、贪婪插入和后悔值插入；

步骤3.2.2：通过轮盘赌机制挑选删除或插入算子，设定阶段j内算子i的权重为ω_ij，该算子被选中的概率p_ij＝ω_ij/∑_h∈Hω_hj，其中H是i算子所属的集合；

步骤3.2.3：更新算子权重，算子权重受到该算子在此前各阶段运算结果的影响，如果算子i在阶段j内被采用，则它在下一阶段的权重为ω_i(j+1)＝ (1-θ)ω_ij+θω_ij/ε_ij，否则权重不变；

步骤3.2.4：更新算子得分，得分π_ij初始值为0，如果在完成一次删除插入后得到新的全局最优解，相应算子增加50分；如果得到的解优于当前解，相应算子增加20分；如果仅仅得到一个可行解，增加10分；

步骤3.2.5：当迭代次数达到给定的最大次数时，整个搜索过程结束，最终选择使目标函数最小的车辆路径和充电计划的组合。

进一步地，步骤4中协同优化多个场景获得最优的电动需求响应公交的行驶路线和充电计划，包括以下步骤：

步骤4.1：将场景子问题求解后的结果汇总；

步骤4.2：计算相似矩阵，比较不同场景下的路径与确定性需求路径的位置相同顺序相同的节点数，依据相似度矩阵的大小，将

分配到确定性需求路径；

步骤4.3：计算隶属度指标矩阵，依据相似矩阵计算每个点与确定性需求路径的隶属度，通过不同场景的概率与分配情况的乘积获得矩阵；

步骤4.4：计算位置矩阵，依据隶属度指标矩阵和场景概率与不同场景下的位置确定每个点在路径中的顺序；

步骤4.5：输出具有鲁棒性的电动需求响应公交的行驶路线和充电计划。

较现有技术相比，本发明具有以下优点：

1、本发明融合需求响应公交调度计划与充电计划两个优化层级，在完成车辆行驶路线优化的基础上考虑运营计划与充电计划的相互影响，形成了一种电动公交路线设计和充电计划反馈融合的新优化机制。

2、本发明完成基于改进自适应大领域算法的电动需求响应公交的调度，在需求响应公交调度中考虑车辆在行驶过程中出现的实时乘客需求，在满足车容量、乘客时间窗和车辆电量的前提下，能够动态调整行驶路线与充电计划以提高车辆在行驶途中乘客实时需求的服务效率，建立了一种同时考虑提前预定需求和实时乘客需求的新型调度方法。

3、本发明在改进自适应大领域算法框架下融入了模拟退火算法，在有限的内存和时间资源内能准确找到近似最优解，通过小规模算例实验仿真获得算法求解时间在66秒左右，具有较高的求解效率，近似解与基于Cplex求解的精确解的误差在6％左右；对硬件配置要求低且具有较高求解效率，在测试不同规模的乘客需求后发现，算法在不同场景下都能保持收敛，同时在需求点增加后对求解效率没有较大影响。

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做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于改进自适应大领域算法的电动需求响应公交调度方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

如图1所示为本发明公开的一种基于改进自适应大领域算法的电动需求响应公交调度方法，包括以下步骤：

步骤1：采集提前预定出行的乘客需求信息和模拟场景的实时需求信息，所述乘客出行需求信息包括需求点上车人数、乘客出发地、目的地及乘车时间窗，以及电动公交车队的相关信息。

作为本发明较佳的实施方式，初始化的参数具体包括：电动需求响应公交运营参数，如每辆电动公交车的最大行程时间、载客量；电池参数，如电池容量，电池容量上限、电池容量下限；充电速率，即快充的充电功率；耗电系数，即与行驶时间有关的耗电系数。

步骤2：构建同时使车辆运营成本与乘客出行成本最小化的总目标函数，初始化电动需求响应公交运营参数、电池参数、耗电系数及充电速率。针对提前预定需求，在满足时间窗、载客量和电池容量约束的条件下以路程时间最小为目标获得电动公交车的初始路径集合；对无法满足电量约束的初始路径在合适的位置加入充电站点，并根据车辆后续线路确定充电时间；针对每个不同的动态需求场景子问题根据增加成本将实时需求插入到初始路径集合。

本实施例中，总目标函数具体为：

式中，J为总目标函数，λ₁为电动需求响应公交系统单位运营时间成本，λ₂为需求点i的单位在途绕行时间成本，λ₃为电动需求响应公交固定使用成本，追索权函数

代表了不同场景下插入实时需求的成本，Pr_s为不同场景s的概率，K为电动需求响应公交车辆的集合，V为行车节点的集合，P为乘客出行需求上车点的集合，S为实时动态需求产生场景的集合，τ_ij为两个行车节点i和j之间的行驶时间，r_i为在需求点i的在途绕行时间，A_k为取值为0 或1的变量，表示电动需求响应公交是否被使用；

为取值为0或1的变量，表示电动需求响应公交k是否经从行车节点i到行车节点j；其中针对每个场景追索权函数表示

λ₀为电动需求响应公交系统实时需求单位拒绝成本，V’为电动需求响应公交车实时需求节点的集合，P′为乘客出行实时需求上车点的集合，

为场景s下实时需求点i增加的在途绕行时间，

为取值为0或1的变量，表示场景s下电动需求响应公交是否被增加使用；

和

为取值为0或1的变量，表示场景s下电动需求响应公交k是否增加或删除从行车节点i到行车节点j的路径；a_is为取值为0或1的变量，表示场景 s下实时需求点i是否被服务。

总目标函数中包括四项，第一项为电动需求响应公交的运营时间成本；第二项为电动需求响应公交的乘客绕行时间成本；第三项电动需求响应公交固定使用成本；第四项为所有场景按固定概率的惩罚成本。

作为本发明较佳的实施方式，每辆电动公交车的初始行驶路线的获取，包括步骤：

步骤2.1：在进行电动需求响应公交路径设计的过程中，需考虑车辆服务乘客需求点的访问顺序和充电站选择，以确定需求响应公交的访问顺序。

具体来说，式(2)到(5)所有电动需求相应公交车必须从场站出发，并回到场站。

式中，O为由公交场站节点集合，C为由公交充电站点集合，D为乘客出行需求下车点的集合，D′为乘客出行实时需求下车点的集合，

为取值为0 或1的变量，表示电动需求响应公交k是否经从场站o到需求点j；

为取值为 0或1的变量，表示电动需求响应公交k是否经从需求点j到场站o；

为取值为0或1的变量，表示场景s下电动需求响应公交k是否经从场站o到需求点 j；

为取值为0或1的变量，表示场景s下电动需求响应公交k是否经从需求点j到场站o。

式(6)和(7)保证车辆的进出平衡。

式中，N为提前预定乘客需求点的集合，N′为实时乘客需求点的集合；

为取值为0或1的变量，表示场景s下电动需求响应公交k是否经从行车节点i 到行车节点j。

式(8)到(12)保证每个乘客出行需求点都必须被服务，但乘客出行实时需求点都不一定被服务，且乘客上车点和下车点都由同一辆车提供服务。

步骤2.2：在进行电动需求响应公交路径设计的过程中，需要考虑乘客时间窗的约束和车辆行驶时间的约束，以确定需求响应公交的访问时间.

式(13)到(16)计算电动需求响应公交到达行车节点的时间：

式中，f为公交服务乘客固定时间，

和

为电动需求响应公交k到达行车节点i，j的时间，f_s为场景s下公交服务乘客固定时间，

和

为场景s下电动需求响应公交k到达行车节点i，j的时间，M_ij和M_ijs为表示时间的上界的辅助变量。

式(17)到(20)保证满足乘客需求点时间窗和乘客最大路程时间：

式中，arr_i和dep_i为乘客出行需求点i的期望时间窗，u_i为乘客出行需求点 i的最大路程时间；arr_is和dep_is为场景s下乘客实时需求点i的期望时间窗，u_is为场景s下乘客实时需求点i的最大路程时间。

步骤2.3：在进行电动需求响应公交路径设计的过程中，需要考虑车辆容量的约束，以保证需求响应公交的访问路线.

式(21)到(24)计算电动需求响应公交到达行车节点的车载人数：

式中，L_j为行车节点j的乘客变化数，

和

为电动需求响应公交k到达行车节点i，j的车载人数，式中，L_js为场景s下行车节点j的乘客变化数，

和

为场景s下电动需求响应公交k到达行车节点i，j的车载人数，G_i和G_is是表示车容量上界的辅助变量。

式(25)和(26)保证电动需求响应公交不超过最大车容量：

式中，

为车容量的上界，W_max为电动需求响应公交最大车容量，L_i为行车节点i的乘客变化数，

为场景s下车容量的上界，L_is为场景s下行车节点i的乘客变化数；

步骤2.4：在进行电动需求响应公交充电规划的过程中，需要考虑乘客时间窗的约束和车辆电量的约束，以插入充电站点在车辆路径在合适的位置。

具体包括：

步骤2.4.1：删除当前解路径中所有的充电站点，判断当前路径电量是否可行并将不可行路径送入下一阶段。

步骤2.4.2：采用枚举算法决策车辆从该点出发依靠剩余电量能够到达的充电站点的总增加成本(充电时间成本+空驶成本)最小的充电站。

步骤2.4.3：更新各个点的可达性参数，判断路径的可行性，直到全部路径都可行后，生成初始行驶路线和充电计划。

式(27)到(30)保证电动需求响应公交电量在范围内：

式中，Q_max为电动需求响应公交最大电量，Q_min为电动需求响应公交最小电量，θ为固定充电速率，

为电动需求响应公交k在充电站c的充电时间，

为电动需求响应公交k到达充电站c时的电量，

为电动需求响应公交k到达乘客出行需求点i时的电量，

为场景s下电动需求响应公交k在充电站c的充电时间，

为场景s下电动需求响应公交k到达充电站c时的电量，

为场景s下电动需求响应公交k到达乘客出行需求点i时的电量。

步骤3：根据初始路径集合和充电计划，采用改进自适应大邻域搜索算法产生新路径集合以及充电策略，在各个阶段初期通过调整算子权重及在设定机制下选择算子来实现搜索过程的自适应更新，搜索使目标函数值更小的路径，并应用模拟退火算法作为接受准则，直到获得最优的电动需求响应公交的行驶路线。

作为本发明较佳的实施方式，采用改进自适应大邻域搜索算法搜索使目标函数值更小的路径包括以下步骤：

步骤3.1：将初始路径集合和充电计划作为初始解，随机选择一对删除和插入算子，从初始解中删除N个点，然后依次将删除的点重新插入，得到一个新的邻域解。

步骤3.2：为每个删除和插入算子分配一个权重，通过每个删除和插入算子在搜索期间使用的频率，动态调整各个删除和插入算子的权重，以便获得更好的解。具体包括：

步骤3.2.1：初始阶段所有算子均具有相同的权重和分值，删除算子包括随机删除、最差删除和相似删除，插入算子包括随机插入、贪婪插入和后悔值插入。

步骤3.2.2：通过轮盘赌机制挑选删除或插入算子，设定阶段j内算子i的权重为ω_ij，该算子被选中的概率p_ij＝ω_ij/∑_h∈Hω_hj，其中H是i算子所属的集合。

步骤3.2.3：更新算子权重，算子权重受到该算子在此前各阶段(尤其是前一阶段)运算结果的影响，如果算子i在阶段j内被采用，则它在下一阶段的权重为ω_i(j+1)＝(1-θ)ω_ij+θω_ij/ε_ij，否则权重不变。

步骤3.2.4：更新算子得分，得分π_ij初始值为0，如果在完成一次删除插入后得到新的全局最优解，相应算子增加50分；如果得到的解优于当前解，相应算子增加20分；如果仅仅得到一个可行解，增加10分。

步骤3.2.5：当迭代次数达到给定的最大次数时，整个搜索过程结束，最终选择使目标函数最小的车辆路径和充电计划的组合。

步骤3.3：如果邻域解优于当前解，则保留邻域解，否则邻域解将一定概率被保留，当迭代次数达到给定的最大次数时，整个搜索过程结束。

步骤4：将场景子问题的结果汇总后，协同优化多个场景的车辆行驶计划和场站充电计划，计算近似矩阵、隶属度矩阵以及位置矩阵，分别将场景路径、需求点分配给提前预定需求路径后，根据场景概率获得更具鲁棒性的行驶路线与充电策略。

作为本发明较佳的实施方式，协同优化多个场景获得最优的电动需求响应公交的行驶路线和充电计划包括以下步骤：

步骤4.1：将场景子问题通过上述步骤求解后的结果汇总；

步骤4.2：计算相似矩阵，比较不同场景下的路径与确定性需求路径的位置相同顺序相同的节点数，依据相似度矩阵的大小，将

分配到确定性需求路径；

步骤4.3：计算隶属度指标矩阵，依据相似矩阵计算每个点与确定性需求路径的隶属度，通过不同场景的概率与分配情况的乘积获得矩阵；

步骤4.4：计算位置矩阵，依据隶属度指标矩阵和场景概率与不同场景下的位置确定每个点在路径中的顺序；

步骤4.5：输出具有鲁棒性的电动需求响应公交的行驶路线和充电计划。

本发明实施例公开的涉及考虑动态需求的电动需求响应公交调度方法基于改进自适应大领域算法进行求解，具体包括：

第一阶段：基于乘客出行信息，在满足时间窗、载客量和电池容量约束的条件下，将提前预定出行的乘客以运营成本最小为目标获得初始路径集合，对无法满足电量约束的路径在合适的位置加入充电站点，并根据车辆后续线路确定充电计划；

第二阶段：基于改进自适应大领域算法，通过动态调整各个删除和插入算子的权重选择算子，生成新的电动需求响应公交的行驶路线和与此线路相对应的充电计划，并判断此新生成的行驶路线与充电计划是否满足约束条件，若不满足则放弃新生成的行驶路线与充电计划；

第三阶段：基于模拟退火算法，判断是否接受新生成的行驶路线与充电计划，若此时获得更小的目标函数值，则接受此新解，否则，则基于设定的概率值来接受此新解；

第四阶段：判断此时是否达到停止条件，若达到则获得最优的电动需求响应公交的行驶路线，否则，则降低当前温度，重新通过改进自适应大领域算法生成新的行驶路线与充电计划。

在本实施例中，乘客需求点为离散随机分布状态，每日开始运营前已知预定出行的乘客需求信息，车辆行驶路径起终点固定为唯一的公交场站。其中，车辆行驶过程中实时增加乘客需求，需求响应公交动态更新其行驶路线并根据后续线路更新车辆充电计划。

本实施例中提供的方法能够高效解决NP-hard问题，以电动需求响应公交系统总成本最小为设计目标，考虑乘客需求实时增加会导致公交在行驶过程中动态变化，灵活决策更优的行驶路线和充电计划来尽可能的满足新增需求，实现运营计划与充电计划的高效融合，从而利用最小的车队数来最大化的发挥需求响应公交车电动化的效益和提高车辆在行驶途中乘客实时需求的服务效率。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (7)

1.一种基于改进自适应大领域算法的电动需求响应公交调度方法，其特征在于，包括以下步骤：

步骤1：采集提前预定出行的乘客需求信息和模拟场景的实时需求信息，所述乘客出行需求信息包括需求点上车人数、乘客出发地、目的地及乘车时间窗；

步骤2：构建同时使车辆运营成本与乘客出行成本最小化的总目标函数，初始化电动需求响应公交运营参数、电池参数、耗电系数及充电速率；针对提前预定需求，在满足时间窗、载客量和电池容量约束的条件下以路程时间最小为目标获得电动公交车的初始路径集合；对无法满足电量约束的初始路径在合适的位置加入充电站点，并根据车辆后续线路确定充电时间；针对每个不同的动态需求场景子问题根据增加成本将实时需求插入到初始路径集合；

步骤3：根据初始路径集合和充电计划，采用改进自适应大邻域搜索算法产生新路径集合以及充电策略，在各个阶段初期通过调整算子权重及在设定机制下选择算子来实现搜索过程的自适应更新，搜索使目标函数值更小的路径，并应用模拟退火算法作为接受准则，直到获得最优的电动需求响应公交的行驶路线；

步骤4：将场景子问题的结果汇总后，协同优化多个场景的车辆行驶计划和场站充电计划，计算近似矩阵、隶属度矩阵以及位置矩阵，分别将场景路径、需求点分配给提前预定需求路径后，根据场景概率获得更具鲁棒性的行驶路线与充电策略。

2.根据权利要求1所述的一种基于改进自适应大领域算法的电动需求响应公交调度方法，其特征在于，所述总目标函数为：

其中，J为总目标函数，λ₁为电动需求响应公交系统单位运营时间成本，λ₂为需求点i的单位在途绕行时间成本，λ₃为电动需求响应公交固定使用成本，追索权函数

代表了不同场景下插入实时需求的成本，Pr_s为不同场景s的概率，K为电动需求响应公交车辆的集合，V为行车节点的集合，P为乘客出行需求上车点的集合，S为实时动态需求产生场景的集合，τ_ij为两个行车节点i和j之间的行驶时间，r_i为在需求点i的在途绕行时间，A_k为取值为0或1的变量，表示电动需求响应公交是否被使用；

为取值为0或1的变量，表示电动需求响应公交k是否经从行车节点i到行车节点j；

针对每个场景追索权函数表示为：

其中，λ₀为电动需求响应公交系统实时需求单位拒绝成本，V′为电动需求响应公交车实时需求节点的集合，P′为乘客出行实时需求上车点的集合，

为场景s下实时需求点i增加的在途绕行时间，

为取值为0或1的变量，表示场景s下电动需求响应公交是否被增加使用，

和

为取值为0或1的变量，表示场景s下电动需求响应公交k是否增加或删除从行车节点i到行车节点j的路径；a_is为取值为0或1的变量，表示场景s下实时需求点i是否被服务。

3.根据权利要求1所述的一种基于改进自适应大领域算法的电动需求响应公交调度方法，其特征在于，步骤2中电动公交车的初始路径的获取包括以下步骤：

步骤2.1：考虑车辆服务乘客需求点的访问顺序和充电站选择，以确定需求响应公交的访问顺序；

步骤2.2：考虑乘客时间窗的约束和车辆行驶时间的约束，以确定需求响应公交的访问时间；

步骤2.3：考虑车辆容量的约束，以保证需求响应公交的访问路线；

步骤2.4：考虑乘客时间窗的约束和车辆电量的约束，以插入充电站点在车辆路径在合适的位置。

4.根据权利要求3所述的一种基于改进自适应大领域算法的电动需求响应公交调度方法，其特征在于，考虑乘客时间窗的约束和车辆电量的约束，以插入充电站点在车辆路径在合适的位置，包括以下步骤：

步骤2.4.1：删除当前解路径中所有的充电站点，判断当前路径电量是否可行并将不可行路径送入下一阶段q；

步骤2.4.2：采用枚举算法决策车辆从该点出发依靠剩余电量能够到达的充电站点的总增加成本最小的充电站，所述总增加成本包括充电时间成本和空驶成本；

步骤2.4.3：更新各个点的可达性参数，判断路径的可行性，直到全部路径都可行后，生成初始行驶路线和充电计划。

5.根据权利要求1所述的一种基于改进自适应大领域算法的电动需求响应公交调度方法，其特征在于，步骤3中根据初始路径集合和充电计划，采用改进自适应大邻域搜索算法搜索使目标函数值更小的路径，包括以下步骤：

步骤3.1：将初始路径集合和充电计划作为初始解，随机选择一对删除和插入算子，从初始解中删除N个点，然后依次将删除的点重新插入，得到一个新的邻域解；

步骤3.2：为每个删除和插入算子分配一个权重，通过每个删除和插入算子在搜索期间使用的频率，动态调整各个删除和插入算子的权重，以便获得更好的解；

步骤3.3：如果邻域解优于当前解，则保留邻域解，否则邻域解将一定概率被保留，当迭代次数达到给定的最大次数时，整个搜索过程结束。

6.根据权利要求5所述的一种基于改进自适应大领域算法的电动需求响应公交调度方法，其特征在于，步骤3.2中包括设计多组删除和插入算子扩大解空间搜索范围，对当前解进行改进，包括以下步骤：

步骤3.2.1：初始阶段所有算子均具有相同的权重和分值，删除算子包括随机删除、最差删除和相似删除，插入算子包括随机插入、贪婪插入和后悔值插入；

步骤3.2.2：通过轮盘赌机制挑选删除或插入算子，设定阶段j内算子i的权重为ω_ij，该算子被选中的概率p_ij＝ω_ij/∑_h∈Hω_hj,其中H是i算子所属的集合；

步骤3.2.3：更新算子权重，算子权重受到该算子在此前各阶段运算结果的影响，如果算子i在阶段j内被采用，则它在下一阶段的权重为ω_i()＝(1-θ)ω_ij+θω_ij/ε_ij，否则权重不变；

步骤3.2.4：更新算子得分，得分π_ij初始值为0，如果在完成一次删除插入后得到新的全局最优解，相应算子增加50分；如果得到的解优于当前解，相应算子增加20分；如果仅仅得到一个可行解，增加10分；

步骤3.2.5：当迭代次数达到给定的最大次数时，整个搜索过程结束，最终选择使目标函数最小的车辆路径和充电计划的组合。

7.根据权利要求1所述的一种基于改进自适应大领域算法的电动需求响应公交调度方法，其特征在于，步骤4中协同优化多个场景获得最优的电动需求响应公交的行驶路线和充电计划，包括以下步骤：

步骤4.1：将场景子问题求解后的结果汇总；

步骤4.2：计算相似矩阵，比较不同场景下的路径与确定性需求路径的位置相同顺序相同的节点数，依据相似度矩阵的大小，将

分配到确定性需求路径；

步骤4.3：计算隶属度指标矩阵，依据相似矩阵计算每个点与确定性需求路径的隶属度，通过不同场景的概率与分配情况的乘积获得矩阵；

步骤4.4：计算位置矩阵，依据隶属度指标矩阵和场景概率与不同场景下的位置确定每个点在路径中的顺序；

步骤4.5：输出具有鲁棒性的电动需求响应公交的行驶路线和充电计划。

Images