CN117168490B - 基于数学启发式的道路积尘走航监测车辆路线规划方法 - Google Patents
基于数学启发式的道路积尘走航监测车辆路线规划方法 Download PDFInfo
- Publication number
- CN117168490B CN117168490B CN202311451733.2A CN202311451733A CN117168490B CN 117168490 B CN117168490 B CN 117168490B CN 202311451733 A CN202311451733 A CN 202311451733A CN 117168490 B CN117168490 B CN 117168490B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- route
- navigation
- dust accumulation
- road dust
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 261
- 239000000428 dust Substances 0.000 title claims abstract description 69
- 238000009825 accumulation Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 26
- 230000008447 perception Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- 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
Abstract
本发明公开了一种基于数学启发式的道路积尘走航监测车辆路线规划方法,涉及道路积尘走航监测技术领域。该方法包括根据监测区域内各个监测点位的重要程度,量化道路积尘走航监测车辆路线在监测周期内的监测效用;构建两阶段迭代的数学启发式走航车辆路线规划模型,其中上层问题为以最大化总监测效用为优化目标构建的路线选择模型,下层问题为以最大化新添加线路的边际感知效用为优化目标构建的新路线生成模型;对两阶段迭代的数学启发式走航车辆路线规划模型进行迭代求解,得到道路积尘走航监测路线规划结果。本发明通过结合道路扬尘污染的监测需求合理规划道路积尘走航监测车辆不同车次的运行方案,可以提高道路积尘走航车辆调度效率。
Description
技术领域
本发明涉及道路积尘走航监测技术领域,具体涉及一种基于数学启发式的道路积尘走航监测车辆路线规划方法。
背景技术
为了进一步规范道路清洁作业,强化道路扬尘污染的源头追溯,有效抑制城市道路扬尘污染,各地逐步采用道路积尘走航监测系统代替了过去的手工检测,在节约人力成本的同时,可以进一步提高监测效果。
道路积尘走航监测系统由专用车辆搭载监测传感器,利用传感器对大气信息进行采集并实时传输至在线平台。该道路积尘移动监测车可以在车辆运行过程中快速和实时地对不同类型道路和不同路段进行监控。然而,该监测车辆的购买和运行成本非常高,那么如何在给定成本下根据不同的监测需求合理规划不同车次的运行路线是一个亟待解决的问题。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于数学启发式的道路积尘走航监测车辆路线规划方法,通过结合道路扬尘污染的监测需求合理规划道路积尘走航监测车辆不同车次的运行方案,提高道路积尘走航车辆调度效率。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于数学启发式的道路积尘走航监测车辆路线规划方法,包括以下步骤:
S1、根据监测区域内各个监测点位的重要程度,量化道路积尘走航监测车辆路线在监测周期内的监测效用;
S2、构建两阶段迭代的数学启发式走航车辆路线规划模型,其中上层问题为以最大化总监测效用为优化目标构建的路线选择模型,下层问题为以最大化新添加线路的边际感知效用为优化目标构建的新路线生成模型;
S3、对两阶段迭代的数学启发式走航车辆路线规划模型进行迭代求解,得到道路积尘走航监测路线规划结果。
进一步地,步骤S1具体包括以下步骤:
S11、根据监测区域内各个监测点位的重要程度,设定各个监测点位的监测权重;
S12、根据各个监测点位的监测权重和各个监测点位在监测周期内被访问的次数,量化道路积尘走航监测车辆路线在监测周期内的监测效用。
进一步地,量化道路积尘走航监测车辆路线在监测周期内的监测效用的方法为:
其中,表示路线在监测周期内的监测效用,/>表示监测点位i的监测权重,I表示监测点位集合,q i表示监测点位i在监测周期内被访问的次数,β表示约束参数。
进一步地,步骤S2中以最大化总监测效用为优化目标构建的路线选择模型具体包括以下步骤:
S21、采用贪心策略初始化道路积尘走航监测车辆的候选路线列表;
S22、以最大化道路积尘走航监测车辆在监测周期内的总监测效用作为路线选择优化目标,以车辆数或者车次数作为路线选择约束条件,构建路线选择模型。
进一步地,所述路线选择优化目标具体为:
其中,max表示最大化函数,表示路线在监测周期内的监测效用,/>表示监测点位i的监测权重,I表示监测点位集合,q i表示监测点位i在监测周期内被访问的次数,β表示约束参数,/>表示道路积尘走航监测车辆k是否选择路线r的0-1变量,K表示道路积尘走航监测车辆集合,R表示路线集合。
进一步地,所述路线选择约束条件具体为:
其中,表示路线r是否覆盖监测点位i的0-1变量,/>表示候选路线列表中的路线数量。
进一步地,步骤S2中以最大化新添加线路的边际感知效用为优化目标构建的新路线生成模型具体包括以下步骤:
S23、生成一条新路线,添加到路线选择模型中道路积尘走航监测车辆的候选路线列表;
S24、确定道路积尘走航监测车辆选择新路线对所覆盖监测点位的边际增益;
S25、以最大化新路线覆盖监测点位的边际增益作为新线路生成优化目标,以每个监测点位最多被覆盖一次作为新线路生成约束条件,构建新路线生成模型。
进一步地,所述新线路生成优化目标具体为:
其中,表示道路积尘走航监测车辆选择新路线对所覆盖监测点位i的边际增益,表示新路线是否覆盖监测点位i的0-1变量,I表示监测点位集合,/>表示新路线是否从监测点位i运行到监测点位j的0-1变量。
进一步地,所述新线路生成约束条件具体为:
其中,表示新线路从起点出发后经过的第一个监测点位是否为监测点位i的0-1变量,/>表示新线路经过监测点位i后是否返回终点的0-1变量,/>表示新路线是否从监测点位i运行到监测点位l的0-1变量,/>表示新路线是否从监测点位l运行到监测点位j的0-1变量,/>表示从监测点位i运行到监测点位j的时间成本,/>表示设定的时间预算,/>表示监测点位i在新线路中的次序,/>表示监测点位j在新线路中的次序,n表示有效监测点位的数量。
进一步地,步骤S3具体包括以下步骤:
S31、随机初始化路线选择模型的候选路线列表、最优目标值、未改进的迭代次数和迭代终止参数;
S32、对路线选择模型进行求解,根据路线选择结果对各个道路积尘走航监测车辆分配路线,并记录当前的优化目标值;
S33、根据各个道路积尘走航监测车辆分配路线更新每个监测点位的边际增益;
S34、根据每个监测点位的边际增益对新路线生成模型进行求解,根据新线路生成结果将新路线添加到候选路线列表中;
S35、判断当前的优化目标值是否大于最优目标值;若是,则根据当前的优化目标值更新最优目标值,并重置未改进的迭代次数;否则将未改进的迭代次数递增;
S36、判断未改进的迭代次数是否小于迭代终止参数;若是,则跳转至步骤S32;否则流程结束。
本发明具有以下有益效果:
(1)本发明可以在较短时间内快速规划一个监测周期内道路积尘走航监测车辆不同车次的运行路线,提高了道路积尘走航监测车辆路线规划效率和有效性,从而能够更好地满足监测需求;
(2)本发明可以适用于不同监测需求场景下的道路积尘走航监测车辆的路线规划解决方案,应用前景和应用范围均十分广阔。
附图说明
图1为本发明中基于数学启发式的道路积尘走航监测车辆路线规划方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,本发明实施例提供了一种基于数学启发式的道路积尘走航监测车辆路线规划方法,包括以下步骤S1至步骤S3:
S1、根据监测区域内各个监测点位的重要程度,量化道路积尘走航监测车辆路线在监测周期内的监测效用;
在本发明的一个可选实施例中,本实施例的步骤S1具体包括以下步骤S11至步骤S12:
S11、根据监测区域内各个监测点位的重要程度,设定各个监测点位的监测权重;
S12、根据各个监测点位的监测权重和各个监测点位在监测周期内被访问的次数,量化道路积尘走航监测车辆路线在监测周期内的监测效用。
具体而言,由于在进行道路积尘走航监测时,通常需要对某些重点的监测点位设置更高的监测频率,因此本实施例根据监测点位的重要性,赋予其相应的权重,使得权重高的监测点位能够在给定的监测周期内被多次覆盖。
本实施例以每条路线所覆盖的监测点位在监测周期内被访问的次数,来衡量每条道路积尘走航监测车辆路线在监测周期内的监测效用,具体为:
其中,表示路线在监测周期内的监测效用,/>表示监测点位i的监测权重,I表示监测点位集合,q i为辅助变量,表示监测点位i在监测周期内被访问的次数,β表示一个范围内的约束参数,用于权衡监测范围和监测频率。
S2、构建两阶段迭代的数学启发式走航车辆路线规划模型,其中上层问题为以最大化总监测效用为优化目标构建的路线选择模型,下层问题为以最大化新添加线路的边际感知效用为优化目标构建的新路线生成模型;
在本发明的一个可选实施例中,本实施例的步骤S2中以最大化总监测效用为优化目标构建的路线选择模型具体包括以下步骤S21至步骤S22:
S21、采用贪心策略初始化道路积尘走航监测车辆的候选路线列表;
S22、以最大化道路积尘走航监测车辆在监测周期内的总监测效用作为路线选择优化目标,以车辆数或者车次数作为路线选择约束条件,构建路线选择模型。
本实施例通过路线选择模型作为上层问题模型,旨在通过选择条线路来最大化总监测得分f。
本实施例以最大化道路积尘走航监测车辆在监测周期内的总监测效用作为路线选择优化目标,具体为:
其中,max表示最大化函数,表示路线在监测周期内的监测效用,/>表示监测点位i的监测权重,I表示监测点位集合,q i表示监测点位i在监测周期内被访问的次数,β表示约束参数,/>表示道路积尘走航监测车辆k是否选择路线r的0-1变量,若道路积尘走航监测车辆k选择路线r,则/>,反之/>;K表示道路积尘走航监测车辆集合,R表示路线集合。
本实施例以车辆数或者车次数作为路线选择约束条件,具体为:
其中,表示路线r是否覆盖监测点位i的0-1变量,若路线r覆盖监测点位i,则,反之/>;/>表示候选路线列表中的路线数量。
在本发明的一个可选实施例中,本实施例的步骤S2中以最大化新添加线路的边际感知效用为优化目标构建新路线生成模型,具体包括以下步骤S23至步骤S25:
S23、生成一条新路线,添加到路线选择模型中道路积尘走航监测车辆的候选路线列表;
S24、确定道路积尘走航监测车辆选择新路线对所覆盖监测点位的边际增益;
S25、以最大化新路线覆盖监测点位的边际增益作为新线路生成优化目标,以每个监测点位最多被覆盖一次作为新线路生成约束条件,构建新路线生成模型。
具体而言,本发明构建新路线生成模型作为下层问题模型,旨在通过产生一条新的路线添加到路线选择模型的候选路线列表中,以提升路线选择模型的优化目标值。
本实施例以最大化新路线覆盖监测点位的边际增益作为新线路生成优化目标,其中边际增益为在当前上层问题模型的各监测点位覆盖情况的基础上,多覆盖一条新路线所带来的感知效用的增加值;新线路生成优化目标具体为:
其中,表示道路积尘走航监测车辆选择新路线对所覆盖监测点位i的边际增益,表示新路线是否覆盖监测点位i的0-1变量,若新路线覆盖监测点位i,则/>,反之/>;I表示监测点位集合,/>表示新路线是否从监测点位i运行到监测点位j的0-1变量,若新路线从监测点位i运行到监测点位j,则/>,反之/>。
本实施例以每个监测点位最多被覆盖一次作为新线路生成约束条件,具体为:
其中,表示新线路从起点出发后经过的第一个监测点位是否为监测点位i的0-1变量,若新线路从起点出发后经过的第一个监测点位为监测点位i,则/>,反之/>;表示新线路经过监测点位i后是否返回终点的0-1变量,若新线路经过监测点位i后返回终点,则/>,反之/>;/>表示新路线是否从监测点位i运行到监测点位l的0-1变量,/>表示新路线是否从监测点位l运行到监测点位j的0-1变量,/>表示从监测点位i运行到监测点位j的时间成本,/>表示设定的时间预算,/>表示监测点位i在新线路中的次序,/>表示监测点位j在新线路中的次序,n表示有效监测点位的数量。
S3、对两阶段迭代的数学启发式走航车辆路线规划模型进行迭代求解,得到道路积尘走航监测路线规划结果。
在本发明的一个可选实施例中,本实施例的步骤S3具体包括以下步骤S31至步骤S36:
S31、随机初始化路线选择模型的候选路线列表R、最优目标值、未改进的迭代次数/>和迭代终止参数/>;
S32、对路线选择模型进行求解,根据路线选择结果对各个道路积尘走航监测车辆分配路线,并记录当前的优化目标值f;
S33、根据各个道路积尘走航监测车辆分配路线更新每个监测点位的边际增益;
S34、根据每个监测点位的边际增益对新路线生成模型进行求解,根据新线路生成结果将新路线添加到候选路线列表R中;
S35、判断当前的优化目标值f是否大于最优目标值;若是,则根据当前的优化目标值更新最优目标值/>,并重置未改进的迭代次数/>;否则将未改进的迭代次数递增加1;
S36、判断未改进的迭代次数是否小于迭代终止参数/>;若是,则跳转至步骤S32;否则流程结束。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种基于数学启发式的道路积尘走航监测车辆路线规划方法,其特征在于,包括以下步骤:
S1、根据监测区域内各个监测点位的重要程度,量化道路积尘走航监测车辆路线在监测周期内的监测效用;具体包括以下步骤:
S11、根据监测区域内各个监测点位的重要程度,设定各个监测点位的监测权重;
S12、根据各个监测点位的监测权重和各个监测点位在监测周期内被访问的次数,量化道路积尘走航监测车辆路线在监测周期内的监测效用,具体为:
其中,表示路线在监测周期内的监测效用,/>表示监测点位i的监测权重,I表示监测点位集合,q i表示监测点位i在监测周期内被访问的次数,β表示约束参数;
S2、构建两阶段迭代的数学启发式走航车辆路线规划模型,其中上层问题为以最大化总监测效用为优化目标构建的路线选择模型,下层问题为以最大化新添加线路的边际感知效用为优化目标构建的新路线生成模型;
其中以最大化总监测效用为优化目标构建的路线选择模型具体包括以下步骤:
S21、采用贪心策略初始化道路积尘走航监测车辆的候选路线列表;
S22、以最大化道路积尘走航监测车辆在监测周期内的总监测效用作为路线选择优化目标,以车辆数或者车次数作为路线选择约束条件,构建路线选择模型;
所述路线选择优化目标具体为:
其中,max表示最大化函数,表示路线在监测周期内的监测效用,/>表示监测点位i的监测权重,I表示监测点位集合,q i表示监测点位i在监测周期内被访问的次数,β表示约束参数,/>表示道路积尘走航监测车辆k是否选择路线r的0-1变量,K表示道路积尘走航监测车辆集合,R表示路线集合;
所述路线选择约束条件具体为:
其中,表示路线r是否覆盖监测点位i的0-1变量,/>表示候选路线列表中的路线数量;
其中以最大化新添加线路的边际感知效用为优化目标构建的新路线生成模型具体包括以下步骤:
S23、生成一条新路线,添加到路线选择模型中道路积尘走航监测车辆的候选路线列表;
S24、确定道路积尘走航监测车辆选择新路线对所覆盖监测点位的边际增益;
S25、以最大化新路线覆盖监测点位的边际增益作为新线路生成优化目标,以每个监测点位最多被覆盖一次作为新线路生成约束条件,构建新路线生成模型;
所述新线路生成优化目标具体为:
其中,表示道路积尘走航监测车辆选择新路线对所覆盖监测点位i的边际增益,/>表示新路线是否覆盖监测点位i的0-1变量,I表示监测点位集合,/>表示新路线是否从监测点位i运行到监测点位j的0-1变量;
所述新线路生成约束条件具体为:
其中,表示新线路从起点出发后经过的第一个监测点位是否为监测点位i的0-1变量,/>表示新线路经过监测点位i后是否返回终点的0-1变量,/>表示新路线是否从监测点位i运行到监测点位l的0-1变量,/>表示新路线是否从监测点位l运行到监测点位j的0-1变量,/>表示从监测点位i运行到监测点位j的时间成本,/>表示设定的时间预算,/>表示监测点位i在新线路中的次序,/>表示监测点位j在新线路中的次序,n表示有效监测点位的数量;
S3、对两阶段迭代的数学启发式走航车辆路线规划模型进行迭代求解,得到道路积尘走航监测路线规划结果。
2.根据权利要求1所述的基于数学启发式的道路积尘走航监测车辆路线规划方法,其特征在于,步骤S3具体包括以下步骤:
S31、随机初始化路线选择模型的候选路线列表、最优目标值、未改进的迭代次数和迭代终止参数;
S32、对路线选择模型进行求解,根据路线选择结果对各个道路积尘走航监测车辆分配路线,并记录当前的优化目标值;
S33、根据各个道路积尘走航监测车辆分配路线更新每个监测点位的边际增益;
S34、根据每个监测点位的边际增益对新路线生成模型进行求解,根据新线路生成结果将新路线添加到候选路线列表中;
S35、判断当前的优化目标值是否大于最优目标值;若是,则根据当前的优化目标值更新最优目标值,并重置未改进的迭代次数;否则将未改进的迭代次数递增;
S36、判断未改进的迭代次数是否小于迭代终止参数;若是,则跳转至步骤S32;否则流程结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451733.2A CN117168490B (zh) | 2023-11-03 | 2023-11-03 | 基于数学启发式的道路积尘走航监测车辆路线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451733.2A CN117168490B (zh) | 2023-11-03 | 2023-11-03 | 基于数学启发式的道路积尘走航监测车辆路线规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117168490A CN117168490A (zh) | 2023-12-05 |
CN117168490B true CN117168490B (zh) | 2024-01-23 |
Family
ID=88945409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311451733.2A Active CN117168490B (zh) | 2023-11-03 | 2023-11-03 | 基于数学启发式的道路积尘走航监测车辆路线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117168490B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106781494A (zh) * | 2016-12-31 | 2017-05-31 | 中国科学技术大学 | 一种基于车辆轨迹与流量的机动车尾气遥测设备布点方法 |
CN110472353A (zh) * | 2019-08-20 | 2019-11-19 | 东南大学 | 基于主观福祉最大化的交通网络设计软件 |
CN113507492A (zh) * | 2021-05-07 | 2021-10-15 | 东北大学 | 物联网三维空间智能定位与分布式边缘计算支援方法 |
CN113993108A (zh) * | 2021-12-27 | 2022-01-28 | 江苏移动信息系统集成有限公司 | 基于车载网络边缘的缓存内容放置方法及系统 |
CN114166228A (zh) * | 2021-12-07 | 2022-03-11 | 武汉科技大学 | 无人机持续监测路径规划方法 |
CN114255879A (zh) * | 2021-12-24 | 2022-03-29 | 东南大学 | 考虑拥挤效应的预防性医疗设施网络设计软件 |
US11315053B1 (en) * | 2020-02-13 | 2022-04-26 | Tensorx, Inc. | Systems and methods for optimizing complex systems |
CN116483115A (zh) * | 2023-03-21 | 2023-07-25 | 南京大学 | 一种考虑地面安全性的多无人机监控方法 |
CN116610917A (zh) * | 2023-05-19 | 2023-08-18 | 中国人民解放军国防科技大学 | 基于rnp-pso算法的绕轨卫星观测任务调度方法 |
CN116644868A (zh) * | 2023-07-27 | 2023-08-25 | 四川国蓝中天环境科技集团有限公司 | 一种序列化的基于公交车队的大规模移动传感器布设方法 |
CN116702400A (zh) * | 2023-08-07 | 2023-09-05 | 四川国蓝中天环境科技集团有限公司 | 一种基于公交车和移动传感器的移动式城市感知优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210116261A1 (en) * | 2020-12-26 | 2021-04-22 | Francesc Guim Bernat | Systems and methods for vehicle-occupancy-based and user-preference-based smart routing and autonomous volumetric-occupancy measurement |
-
2023
- 2023-11-03 CN CN202311451733.2A patent/CN117168490B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106781494A (zh) * | 2016-12-31 | 2017-05-31 | 中国科学技术大学 | 一种基于车辆轨迹与流量的机动车尾气遥测设备布点方法 |
CN110472353A (zh) * | 2019-08-20 | 2019-11-19 | 东南大学 | 基于主观福祉最大化的交通网络设计软件 |
US11315053B1 (en) * | 2020-02-13 | 2022-04-26 | Tensorx, Inc. | Systems and methods for optimizing complex systems |
CN113507492A (zh) * | 2021-05-07 | 2021-10-15 | 东北大学 | 物联网三维空间智能定位与分布式边缘计算支援方法 |
CN114166228A (zh) * | 2021-12-07 | 2022-03-11 | 武汉科技大学 | 无人机持续监测路径规划方法 |
CN114255879A (zh) * | 2021-12-24 | 2022-03-29 | 东南大学 | 考虑拥挤效应的预防性医疗设施网络设计软件 |
CN113993108A (zh) * | 2021-12-27 | 2022-01-28 | 江苏移动信息系统集成有限公司 | 基于车载网络边缘的缓存内容放置方法及系统 |
CN116483115A (zh) * | 2023-03-21 | 2023-07-25 | 南京大学 | 一种考虑地面安全性的多无人机监控方法 |
CN116610917A (zh) * | 2023-05-19 | 2023-08-18 | 中国人民解放军国防科技大学 | 基于rnp-pso算法的绕轨卫星观测任务调度方法 |
CN116644868A (zh) * | 2023-07-27 | 2023-08-25 | 四川国蓝中天环境科技集团有限公司 | 一种序列化的基于公交车队的大规模移动传感器布设方法 |
CN116702400A (zh) * | 2023-08-07 | 2023-09-05 | 四川国蓝中天环境科技集团有限公司 | 一种基于公交车和移动传感器的移动式城市感知优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117168490A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110530388B (zh) | 多agv的路径规划方法及系统 | |
CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
US20140277905A1 (en) | Methods and apparatus to manage a fleet of work machines | |
Koo et al. | Potential climate change effects on tree distributions in the Korean Peninsula: Understanding model & climate uncertainties | |
CN106503845A (zh) | 一种基于v图和hs算法的充电站布局规划方法 | |
CN107563653B (zh) | 一种多机器人全覆盖任务分配方法 | |
CN112613680A (zh) | 续航里程估算方法、装置、设备及存储介质 | |
CN110490393B (zh) | 结合经验与方向的出租车寻客路线规划方法、系统及介质 | |
CN113415288A (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
CN117168490B (zh) | 基于数学启发式的道路积尘走航监测车辆路线规划方法 | |
Cao et al. | Vehicle routing optimization with multiple fuzzy time windows based on improved wolf pack algorithm | |
CN110111001B (zh) | 一种电动汽车充电站的选址规划方法、装置以及设备 | |
CN114427866A (zh) | 路径规划方法、电子设备以及存储介质 | |
CN115587645A (zh) | 一种考虑充电行为随机性的电动汽车充电管理方法及系统 | |
CN114623842A (zh) | 路径规划方法、装置、存储介质与电子设备 | |
Lohat et al. | AROA: Adam Remora Optimization Algorithm and Deep Q network for energy harvesting in Fog-IoV network | |
CN116307648A (zh) | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 | |
JPWO2020136811A1 (ja) | 情報処理装置及び情報処理方法 | |
CN115421496A (zh) | 一种用于消毒机器人的全覆盖路径规划方法及设备 | |
CN112488343B (zh) | 一种基于超启发式算法的智慧城市智能感知终端选址方法 | |
CN106443649A (zh) | 单一测向站定位方法 | |
CN112381402A (zh) | 平行智能风沙防护治理决策支持方法及系统 | |
CN113985885B (zh) | 设备作业控制方法、装置、计算机设备和存储介质 | |
CN117288206B (zh) | 一种基于自适应大邻域搜索的无人机路线规划方法 | |
Liu et al. | A guide sign optimization problem for an added road based on bird mating optimizer |
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 |