CN116227770A - 基于pd模型的群体智能路径规划优化方法和系统 - Google Patents

Abstract

本发明涉及路径优化技术领域，尤其涉及一种基于PD模型的群体智能路径规划优化方法和系统。本发明提出了一种基于PD模型的群体智能路径规划优化方法，通过站点信息、始发站、乘坐人数进行PD模型的建模，并通过特殊定义的两条自变量编码链表示每个站点访问顺序与各站点接送人数，搭配自变量编码链的解码与评价函数，同时利用PSO粒子群优化算法和SMO蜘蛛猴优化算法对模型进行求解，得出的方案有利于降低通勤服务方案整体耗费以及管理成本。

Description

基于PD模型的群体智能路径规划优化方法和系统

技术领域

本发明涉及路径优化技术领域，尤其涉及一种基于PD模型的群体智能路径规划优化方法和系统。

背景技术

随着社会的飞速发展，许多企业及高校纷纷扩展占地面积以满足生活以及工作的需求，然而由于用地资源的短缺，因此出现较多企业用地距离远的情况，因此如何利用公共交通工具有效地让不同区域的人员多次往返的问题应运而生。

现在技术对多目的地多车型的路线规划普遍存在以下问题：

一、针对线路设计，通常都是人工设计线路，耗时耗力，其次会在路程长短方面不可避免地造成浪费；

二、针对车型选择，多车型多目的地使得人工规划路线的难度加大，往往盲目统一选择最大载客量的车型。

以上情况，若不加以优化处理，车辆过低的载客率、不合理的路径规划、不恰当的车型选择都将会加大管理成本，从需求人群的角度来说，不合理的路径规划反而使得上下班路途耗费的时间增加，无法带来便利性，同时，专一的公共交通工具的使用无法有效减缓城市道路拥挤问题，不良的路线排班方案也会造成资源的浪费与环境的污染。因此，一个优秀的多车型多目的地车辆路径规划方案是解决以上问题的一个重要途径。而接送不同目的地的乘客的班车的路径优化问题，称为校车问题(School Bus Routing Problem，SBRP)，属于一个更大类的车辆路径问题(Vehicle Routing Problem，VRP)，是众所周知的NP(Non-deterministic Polynomial)难题。目前求解SBRP问题的方法主要分为启发式算法和精确算法两大类，其中常规的精确数学模型，如集合覆盖模型等，无法直接应用于较大规模案例的问题。启发式算法则主要包括遗传算法、模拟退火、蚁群算法等，启发式算法常用于求解SBRP问题，但由于其具有编码性，没有较合适的编码、解码方式来表达每个站点接客数与站点访问顺序，缺乏通用性的编码解码方式以解决SBRP问题。

发明内容

本发明旨在解决现有技术再路径规划问题上耗时耗力、车型选择不明确导致资源浪费的技术问题。

为解决上述技术问题，第一方面，本发明实施例提供一种基于PD模型的群体智能路径规划优化方法，所述群体智能路径规划优化方法包括以下步骤：

S1、根据起始站点与目标站点之间的多目的地路径构建PD模型；

S2、获取并初始化位于起始站点与目标站点之间的站点集合和路径集合；

S3、判断所述站点集合是否为空，若否，执行步骤S4；若是，执行步骤S6；

S4、基于预设群体智能算法，对所述PD模型进行求解，得到包含至少一个站点的可行子路径；

S5、将可行子路径加入所述路径集合，并将所述可行子路径所包含的所述站点从所述站点集合中移除，之后，返回步骤S3；

S6、将所述路径集合输出，根据所述路径集合中所有所述可行子路径依序连接，并输出群体路径。

更进一步地，所述PD模型满足：

c^k _ij＝d_ijδ^k；

y_ij≥0，i≠j＝(0，...，n)；

x^k _ij∈{0，1}，i≠j＝(0，...，n)，k＝(1，...，T)；

其中，T表示车型数目，Q_k表示车型k的最大载客量，p_j表示第j个站点的乘客数量，c^k _ij表示第k个车型从站点i行驶至站点j的能耗、且c^k _ij＝c^k _ji，

为零一系数，1则为第k种车型从站点i行驶至站点j，y_ij表示从站点i到站点j的乘客装载量。

更进一步地，步骤S4中的所述预设群体智能算法包括粒子群优化算法和蜘蛛猴优化算法。

更进一步地，步骤S4包括以下子步骤：

S41、根据所述预设群体智能算法，对所述PD模型进行求解，得到待分配子路径；

S42、基于自变量数组，将所述待分配子路径表示为用于控制站点访问顺序的第一编码链和用于控制每一所述站点的接送人数的第二编码链；

S43、对所述待分配子路径对应的所述第一编码链和所述第二编码链根据不同的所述车型k进行解码，得到k条待评价子路径；

S44、基于预设评价规则，对每一所述待评价子路径计算评价值；

S45、输出所述评价值最小的所述待评价子路径作为所述可行子路径。

更进一步地，步骤S43中，对所述待分配子路径对应的所述第一编码链和所述第二编码链根据不同的所述车型k进行解码的步骤，包括以下子步骤：

S431、按照所述第一编码链进行递增排序，然后将所述第一编码链替换为标号，并对所述第二编码链进行向下取整；

S432、初始化人数记录数组P，当前载客量N＝0，历史载重量N’＝0，当前指针i＝1，路径记录集合L＝{S}；

S433、如果所述当前指针超出所述第一编码链的长度，或者所述当前载客量为0、且历史载重量不为0，则结束步骤S43；

如果所述当前指针所指的所述第一编码链中的所述站点已经在所述路径记录集合L中，则i＝i+1，返回步骤S433；

判断所述当前指针所指的所述第二编码链中所述乘客是否位于所述路径记录集合L中，若是，转步骤S434；若否，转到步骤S435；

S434、判断不等式

是否成立，如果成立，则转到步骤S436；否则，转到步骤S437；

S435、判断不等式

是否成立，如果成立，则将所述当前指针对应的所述乘客加入所述路径记录集合L中，并转到步骤S436；否则，转到步骤S437；

S436、按照所述当前指针对应的所述站点更新所述人数记录数组

同时更新所述当前载客量和所述历史载重量为/>

并转到步骤S433；

S437、定义所述路径记录集合L的最后一个非所述站点且所述乘客的数量非0的元素J，则选择与所述元素J最接近的且不存在于所述路径记录集合L中的所述站点M加入所述路径记录集合L，同时，更新所述人数记录数组和所述当前载客量为

并转到步骤S433。

更进一步地，所述第一编码链中自变量定义域为[0，1]，所述第二编码链中自变量的定义域为[0，p_j+1)。

更进一步地，步骤S44中，所述预设评价规则，具体为：

定义L为所述待评价子路径的总长度，C为当前所述车型k的百公里能耗，Z为所述评价值，其满足：

第二方面，本发明实施例还提供一种基于PD模型的群体智能路径规划优化系统，所述群体智能路径规划优化系统包括：

建模模块，用于根据起始站点与目标站点之间的多目的地路径构建PD模型；

初始化模块，用于获取并初始化位于起始站点与目标站点之间的站点集合和路径集合；

循环控制模块，用于判断所述站点集合是否为空，若否，执行步骤S4；若是，执行步骤S6；

求解模块，用于基于预设群体智能算法，对所述PD模型进行求解，得到包含至少一个站点的可行子路径；

路径整理模块，用于将可行子路径加入所述路径集合，并将所述可行子路径所包含的所述站点从所述站点集合中移除，之后，返回步骤S3；

路径规划模块，用于将所述路径集合输出，根据所述路径集合中所有所述可行子路径依序连接，并输出群体路径。

本发明达到的有益技术效果，在于提出了一种基于PD模型的群体智能路径规划优化方法，通过站点信息、始发站、乘坐人数进行PD(pickup and delivery)模型的建模，并通过特殊定义的两条自变量编码链表示每个站点访问顺序与各站点接送人数，搭配自变量编码链的解码与评价函数，同时利用PSO粒子群算法和SMO蜘蛛猴优化算法对模型进行求解，得出的方案有利于降低通勤服务方案整体耗费以及管理成本。

附图说明

图1是本发明实施例提供的基于PD模型的群体智能路径规划优化方法的步骤流程示意图；

图2是本发明实施例提供的基于S-N链的解表示方法的示意图；

图3是本发明实施例提供的基于S-N链的求解过程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参照图1，图1是本发明实施例提供的基于PD模型的群体智能路径规划优化方法的步骤流程示意图，所述群体智能路径规划优化方法包括以下步骤：

S1、根据起始站点与目标站点之间的多目的地路径构建PD模型。

具体的，本发明实施例中的PD模型用于求解起始站点与目标站点之间的多目的地路径的最优解问题，使得乘车数尽可能少、总里程尽可能短。

更进一步地，所述PD模型满足：

c^k _ij＝d_ijδ^k (6)；

y_ij≥0，i≠j＝(0，...，n) (7)；

x^k _ij∈{0，1}，i≠j＝(0，...，n)，k＝(1，...，T) (8)；

其中，T表示车型数目，Q_k表示车型k的最大载客量，p_j表示第j个站点的乘客数量，c^k _ij表示第k个车型从站点i行驶至站点j的能耗、且c^k _ij＝c^k _ji，

为零一系数，1则为第k种车型从站点i行驶至站点j，y_ij表示从站点i到站点j的乘客装载量。

目标函数(1)表示最小化总能耗；约束(2)和(3)保证车辆到达目的地后乘客的下车；约束(4)表示乘客的移动，确保每个乘客都能被送往目的地；约束(5)确保车辆在行驶过程中搭载的乘客数量不超过其最大载客量；约束(6)表示如果没有车辆从站点i行驶至站点j，则从站点i到站点j就没有人员流动。

S2、获取并初始化位于起始站点与目标站点之间的站点集合和路径集合。

本发明实施例的基于PD模型的群体智能路径规划优化方法的思路，首先读取数据，对剩余站点与路径集合初始化，判断剩余站点集合是否为空集，否则调用智能群体算法结合基于数组的编码链的解表示方法、解码过程和评价规则进行求解，得到可行子路径，将其加入路径集合，重新判断剩余站点集合是否为空集，是则结束循环，输出路径集合，否则重复上述操作。具体的，循环过程如下：

S3、判断所述站点集合是否为空，若否，执行步骤S4；若是，执行步骤S6。

S4、基于预设群体智能算法，对所述PD模型进行求解，得到包含至少一个站点的可行子路径。

更进一步地，步骤S4中的所述预设群体智能算法包括粒子群优化算法和蜘蛛猴优化算法。

粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle SwarmOptimization)缩写为PSO，粒子群优化算法是一种进化计算技术(evolutionarycomputation)。而蜘蛛猴优化算法(SMO)是一种元启发式技术，灵感来自于蜘蛛猴的智能觅食行为。蜘蛛猴的觅食行为是基于分裂融合的社会结构。该算法的特点依赖于一个群体的社会组织，在这个群体中，女性领导者决定是分裂还是合并。整个团队的领导者在这里被命名为全局领导者，而小组织的领导者被称为局部领导者。

更进一步地，步骤S4包括以下子步骤：

S41、根据所述预设群体智能算法，对所述PD模型进行求解，得到待分配子路径。

S42、基于自变量数组，将所述待分配子路径表示为用于控制站点访问顺序的第一编码链和用于控制每一所述站点的接送人数的第二编码链。

更进一步地，所述第一编码链中自变量定义域为[0，1]，所述第二编码链中自变量的定义域为[0，p_j+1)。

S43、对所述待分配子路径对应的所述第一编码链和所述第二编码链根据不同的所述车型k进行解码，得到k条待评价子路径。

本发明实施例使用一定维度数的自变量数组来表示PD模型的解。

更进一步地，步骤S43中，对所述待分配子路径对应的所述第一编码链和所述第二编码链根据不同的所述车型k进行解码的步骤，包括以下子步骤：

S431、按照所述第一编码链进行递增排序，然后将所述第一编码链替换为标号，并对所述第二编码链进行向下取整；

S432、初始化人数记录数组P，当前载客量N＝0，历史载重量N’＝0，当前指针i＝1，路径记录集合L＝{S}；

S433、如果所述当前指针超出所述第一编码链的长度，或者所述当前载客量为0、且历史载重量不为0，则结束步骤S43；

如果所述当前指针所指的所述第一编码链中的所述站点已经在所述路径记录集合L中，则i＝i+1，返回步骤S433；

判断所述当前指针所指的所述第二编码链中所述乘客是否位于所述路径记录集合L中，若是，转步骤S434；若否，转到步骤S435；

S434、判断不等式

是否成立，如果成立，则转到步骤S436；否则，转到步骤S437；

S435、判断不等式

是否成立，如果成立，则将所述当前指针对应的所述乘客加入所述路径记录集合L中，并转到步骤S436；否则，转到步骤S437；

S436、按照所述当前指针对应的所述站点更新所述人数记录数组

同时更新所述当前载客量和所述历史载重量为/>

并转到步骤S433；

S437、定义所述路径记录集合L的最后一个非所述站点且所述乘客的数量非0的元素J，则选择与所述元素J最接近的且不存在于所述路径记录集合L中的所述站点M加入所述路径记录集合L，同时，更新所述人数记录数组和所述当前载客量为

并转到步骤S433。

为便于说明，本发明实施例定义所述第一编码链为S，所述第二编码链为N，示例性的，假设只有三个乘客点，三个目的地，则基于S-N链的解表示方法可以如图2所示，其求解过程如图3所示。

S44、基于预设评价规则，对每一所述待评价子路径计算评价值。

更进一步地，步骤S44中，所述预设评价规则，具体为：

定义L为所述待评价子路径的总长度，C为当前所述车型k的百公里能耗，Z为所述评价值，其满足：

如图3所示，最终解码得到的一条可行路径为S→2→3→A→C→B，其中在乘车点2上车人数为[0，1，0]，在乘车点3上车人数为[7，0，5]，这条路径的总载客量为T＝1+7+5＝13。

S45、输出所述评价值最小的所述待评价子路径作为所述可行子路径。

同样的S链和N链，采用不同车型解码得到的路径都不一定相同，故在评价时，需要遍历每一种车型解码，获得k个评价值Z和k条可行路径，从中选取Z值最小的可行路径作为最终解码的结果返回。

S5、将可行子路径加入所述路径集合，并将所述可行子路径所包含的所述站点从所述站点集合中移除，之后，返回步骤S3。

S6、将所述路径集合输出，根据所述路径集合中所有所述可行子路径依序连接，并输出群体路径。

本发明达到的有益技术效果，在于提出了一种基于PD模型的群体智能路径规划优化方法，通过站点信息、始发站、乘坐人数进行PD(pickup and delivery)模型的建模，并通过特殊定义的两条自变量编码链表示每个站点访问顺序与各站点接送人数，搭配自变量编码链的解码与评价函数，同时利用PSO粒子群算法和SMO蜘蛛猴优化算法对模型进行求解，得出的方案有利于降低通勤服务方案整体耗费以及管理成本。

本发明实施例还提供一种基于PD模型的群体智能路径规划优化系统，所述群体智能路径规划优化系统包括：

建模模块，用于根据起始站点与目标站点之间的多目的地路径构建PD模型；

初始化模块，用于获取并初始化位于起始站点与目标站点之间的站点集合和路径集合；

循环控制模块，用于判断所述站点集合是否为空，若否，执行步骤S4；若是，执行步骤S6；

求解模块，用于基于预设群体智能算法，对所述PD模型进行求解，得到包含至少一个站点的可行子路径；

路径整理模块，用于将可行子路径加入所述路径集合，并将所述可行子路径所包含的所述站点从所述站点集合中移除，之后，返回步骤S3；

路径规划模块，用于将所述路径集合输出，根据所述路径集合中所有所述可行子路径依序连接，并输出群体路径。

所述基于PD模型的群体智能路径规划优化系统能够实现如上述实施例中的基于PD模型的群体智能路径规划优化方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。

Claims (8)

1.一种基于PD模型的群体智能路径规划优化方法，其特征在于，所述群体智能路径规划优化方法包括以下步骤：

S1、根据起始站点与目标站点之间的多目的地路径构建PD模型；

S2、获取并初始化位于起始站点与目标站点之间的站点集合和路径集合；

S3、判断所述站点集合是否为空，若否，执行步骤S4；若是，执行步骤S6；

S4、基于预设群体智能算法，对所述PD模型进行求解，得到包含至少一个站点的可行子路径；

S5、将可行子路径加入所述路径集合，并将所述可行子路径所包含的所述站点从所述站点集合中移除，之后，返回步骤S3；

S6、将所述路径集合输出，根据所述路径集合中所有所述可行子路径依序连接，并输出群体路径。

2.如权利要求1所述的基于PD模型的群体智能路径规划优化方法，其特征在于，所述PD模型满足：

c^k _ij＝d_ijδ^k；

y_ij≥0，i≠j＝(0，...，n)；

x^k _ij∈{0，1}，i≠j＝(0，...，n)，k＝(1，...，T)；

其中，T表示车型数目，Q_k表示车型k的最大载客量，p_j表示第j个站点的乘客数量，c^k _ij表示第k个车型从站点i行驶至站点j的能耗、且c^k _ij＝c^k _ji，

为零一系数，1则为第k种车型从站点i行驶至站点j，y_ij表示从站点i到站点j的乘客装载量。

3.如权利要求2所述的基于PD模型的群体智能路径规划优化方法，其特征在于，步骤S4中的所述预设群体智能算法包括粒子群优化算法和蜘蛛猴优化算法。

4.如权利要求3所述的基于PD模型的群体智能路径规划优化方法，其特征在于，步骤S4包括以下子步骤：

S41、根据所述预设群体智能算法，对所述PD模型进行求解，得到待分配子路径；

S42、基于自变量数组，将所述待分配子路径表示为用于控制站点访问顺序的第一编码链和用于控制每一所述站点的接送人数的第二编码链；

S43、对所述待分配子路径对应的所述第一编码链和所述第二编码链根据不同的所述车型k进行解码，得到k条待评价子路径；

S44、基于预设评价规则，对每一所述待评价子路径计算评价值；

S45、输出所述评价值最小的所述待评价子路径作为所述可行子路径。

5.如权利要求4所述的基于PD模型的群体智能路径规划优化方法，其特征在于，步骤S43中，对所述待分配子路径对应的所述第一编码链和所述第二编码链根据不同的所述车型k进行解码的步骤，包括以下子步骤：

S431、按照所述第一编码链进行递增排序，然后将所述第一编码链替换为标号，并对所述第二编码链进行向下取整；

S432、初始化人数记录数组P，当前载客量N＝0，历史载重量N’＝0，当前指针i＝1，路径记录集合L＝{S}；

S433、如果所述当前指针超出所述第一编码链的长度，或者所述当前载客量为0、且历史载重量不为0，则结束步骤S43；

如果所述当前指针所指的所述第一编码链中的所述站点已经在所述路径记录集合L中，则i＝i+1，返回步骤S433；

判断所述当前指针所指的所述第二编码链中所述乘客是否位于所述路径记录集合L中，若是，转步骤S434；若否，转到步骤S435；

S434、判断不等式

是否成立，如果成立，则转到步骤S436；否则，转到步骤S437；

S435、判断不等式

是否成立，如果成立，则将所述当前指针对应的所述乘客加入所述路径记录集合L中，并转到步骤S436；否则，转到步骤S437；

S436、按照所述当前指针对应的所述站点更新所述人数记录数组

同时更新所述当前载客量和所述历史载重量为/>

并转到步骤S433；

S437、定义所述路径记录集合L的最后一个非所述站点且所述乘客的数量非0的元素J，则选择与所述元素J最接近的且不存在于所述路径记录集合L中的所述站点M加入所述路径记录集合L，同时，更新所述人数记录数组和所述当前载客量为

目的地M，并转到步骤S433。

6.如权利要求5所述的基于PD模型的群体智能路径规划优化方法，其特征在于，所述第一编码链中自变量定义域为[0，1]，所述第二编码链中自变量的定义域为[0，p_j+1)。

7.如权利要求5所述的基于PD模型的群体智能路径规划优化方法，其特征在于，步骤S44中，所述预设评价规则，具体为：

定义L为所述待评价子路径的总长度，C为当前所述车型k的百公里能耗，Z为所述评价值，其满足：

8.一种基于PD模型的群体智能路径规划优化系统，其特征在于，所述群体智能路径规划优化系统包括：

建模模块，用于根据起始站点与目标站点之间的多目的地路径构建PD模型；

初始化模块，用于获取并初始化位于起始站点与目标站点之间的站点集合和路径集合；

循环控制模块，用于判断所述站点集合是否为空，若否，执行步骤S4；若是，执行步骤S6；

求解模块，用于基于预设群体智能算法，对所述PD模型进行求解，得到包含至少一个站点的可行子路径；

路径整理模块，用于将可行子路径加入所述路径集合，并将所述可行子路径所包含的所述站点从所述站点集合中移除，之后，返回步骤S3；

路径规划模块，用于将所述路径集合输出，根据所述路径集合中所有所述可行子路径依序连接，并输出群体路径。

Images