CN117495443A - 基于改进粒子群算法的汽车充电站选址方法及相关装置 - Google Patents
基于改进粒子群算法的汽车充电站选址方法及相关装置 Download PDFInfo
- Publication number
- CN117495443A CN117495443A CN202311520872.6A CN202311520872A CN117495443A CN 117495443 A CN117495443 A CN 117495443A CN 202311520872 A CN202311520872 A CN 202311520872A CN 117495443 A CN117495443 A CN 117495443A
- Authority
- CN
- China
- Prior art keywords
- charging station
- particle
- particle swarm
- optimal solution
- speed
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 134
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 40
- 238000010187 selection method Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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]
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Navigation (AREA)
Abstract
基于改进粒子群算法的汽车充电站选址方法及相关装置,包括:基于行驶距离和充电站建设成本确定目标函数和约束条件;基于粒子群算法,以每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离,初始化粒子群中每个粒子的位置和速度;根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解;根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值;根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,迭代直到达到最大迭代次数或满足停止条件。根据最终的粒子群位置,确定汽车充电站的选址方案。
Description
技术领域
本发明属于充电站选址技术领域,特别涉及基于改进粒子群算法的汽车充电站选址方法及相关装置。
背景技术
随着电动汽车的普及,汽车充电站的需求量越来越大。如何合理地选址,以满足用户的需求,是当前亟待解决的问题。粒子群算法是一种常用的优化算法,广泛应用于复杂问题的求解。但是,传统的粒子群算法容易陷入局部最优解,难以实现全局搜索。这可能会导致以下问题:(1)陷入局部最优解陷阱,可能会错过全局最优解;(2)搜索空间未完全探索;(3)收敛速度慢等。因此,需要引入一个扰动惯性权重来提高算法的全局搜索能力。
发明内容
本发明的目的在于提供基于改进粒子群算法的汽车充电站选址方法及相关装置,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供基于改进粒子群算法的汽车充电站选址方法,包括:
基于行驶距离和充电站建设成本确定目标函数和约束条件;
基于粒子群算法,以每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离,初始化粒子群中每个粒子的位置和速度;
根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解;
根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值;
根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,迭代直到达到最大迭代次数或满足停止条件。
根据最终的粒子群位置,确定汽车充电站的选址方案。
可选的,基于行驶距离和充电站建设成本确定目标函数和约束条件:
确定问题的目标函数和约束条件,即最小化用户行驶距离和充电站建设成本的加权和;其中,用户行驶距离可以通过地图数据和用户出行数据计算得出,充电站建设成本通过市场调研和成本核算得出;
目标函数:F(x)=w1·d(x)+w2·c(x)(1)
其中d(x)为用户行驶距离,c(x)为充电站建设成本;
约束条件:
其中,M为充电站数量,N为可建设充电站数量的上限;R为充电站覆盖范围半径,d(x)为用户到最近充电站的距离;B为可用的充电站建设成本上限。
可选的,初始化粒子群中每个粒子的位置和速度:
随机生成若干个地点作为充电站的候选点,每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离;
Xi=(xi1,xi2,···,xiD),i=1,2,···,N(3)
Vi=(vi1,vi2,···,viD),i=1,2,···,N(4)
Xi表示选取的充电站位置,Vi表示速度。
可选的,根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解:
第i个粒子迄今为止搜索到的最优位置称为个体极值,记为:
pbest=(pi1,pi2,···,piD),i=1,2,···,N(5)
整个粒子群迄今为止搜索到的最优位置为全局极值,记为:
gbest=(g1,g2,···,gD)(6)。
可选的,根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,具体地,根据以下公式计算新的速度:
vij(t+1)=wd·vij+c1r1(t)[pij(t)-xij(t)]+c2r2(t)[pgi(t)-xij(t)]
(7)
xij(t+1)=xij(t)+vij(t+1)(8)
动态惯性权重公式如下所示:
式中,Tmax表示最大进化次数;wmin表示最小惯性权重;wmax表示最大惯性权重;t表示当前迭代次数;At∈{0,0.1}为惯性权重扰动常数。
可选的,惯性权重因子自适应变化的方法:
将增加扰动惯性权重的粒子群优化算法所获得的惯性权值在固定范围内乘以一个系数;这个系数的范围在0.9至1.1之间,改进后的扰动惯性权重如下述公式所示:
可选的,设置达到最大迭代次数或粒子群的最优解不再发生变化时停止迭代,然后根据算法求得的粒子位置,选取距离用户最近且建设成本最低的若干个点作为充电站的选址方案。
第二方面,本发明提供基于改进粒子群算法的汽车充电站选址系统,包括:
目标函数确定模块,用于基于行驶距离和充电站建设成本确定目标函数和约束条件;
初始化模块,用于基于粒子群算法,以每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离,初始化粒子群中每个粒子的位置和速度;
适应度值计算模块,用于根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解;根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值;
迭代输出模块,用于根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,迭代直到达到最大迭代次数或满足停止条件。
根据最终的粒子群位置,确定汽车充电站的选址方案。
第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现基于改进粒子群算法的汽车充电站选址方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现基于改进粒子群算法的汽车充电站选址方法的步骤。
与现有技术相比,本发明有以下技术效果:
本发明提出了惯性权重因子自适应变化的方法,将增加扰动惯性权重的粒子群优化算法所获得的惯性权重在固定范围内乘以一个系数,范围在0.9至1.1之间。此方法可以克服粒子陷入局部最优,实现全局搜索。
附图说明
图1为本发明粒子群算法的流程图。
图2为本发明系统结构图。
具体实施方式
以下结合附图对本发明进一步说明:
请参阅图1至图2,提出一种基于带有扰动惯性权重的粒子群算法的汽车充电站选址方法。该方法包括以下步骤:
1.确定问题的目标函数和约束条件,即最小化用户行驶距离和最小化充电站建设成本的加权和。
2.初始化粒子群中每个粒子的位置和速度,并随机生成初始种群。
3.根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解。
4.根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值。
5.根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重。
6.重复执行步骤3-5,直到达到最大迭代次数或满足停止条件。
7.根据最终的粒子群位置,确定汽车充电站的选址方案。
具体实施方式包括以下步骤:
1.确定问题的目标函数和约束条件,即最小化用户行驶距离和充电站建设成本的加权和。其中,用户行驶距离可以通过地图数据和用户出行数据计算得出,充电站建设成本可以通过市场调研和成本核算得出。
目标函数:F(x)=w1·d(x)+w2·c(x)
(1)
其中d(x)为用户行驶距离,c(x)为充电站建设成本。
约束条件: />
其中,M为充电站数量,N为可建设充电站数量的上限。R为充电站覆盖范围半径,d(x)为用户到最近充电站的距离。B为可用的充电站建设成本上限。
2.初始化粒子群中每个粒子的位置和速度,并随机生成初始种群。例如,可以随机生成若干个地点作为充电站的候选点,每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离。
Xi=(xi1,xi2,···,xiD),i=1,2,···,N(3)
Vi=(vi1,vi2,···,viD),i=1,2,···,N(4)
3.根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解。
第i个粒子迄今为止搜索到的最优位置称为个体极值,记为:
pbest=(pi1,pi2,···,piD),i=1,2,···,N(5)
整个粒子群迄今为止搜索到的最优位置为全局极值,记为:
gbest=(g1,g2,···,gD)(6)。
4.根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值。
5.根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重。具体地,可以根据以下公式计算新的速度:
vij(t+1)=wd·vij+c1r1(t)[pij(t)-xij(t)]+c2r2(t)[pgi(t)-xij(t)]
(7)
xij(t+1)=xij(t)+vij(t+1)(8)
动态惯性权重公式如下所示:
式中,Tmax表示最大进化次数;wmin表示最小惯性权重;wmax表示最大惯性权重;t表示当前迭代次数。大多数应用中,wmax=0.9,wmin=0.4。At∈{0,0.1}为惯性权重扰动常数,它可以使模型跳出局部搜索,进行全局搜索,防止局部收敛。在一定扰动概率下At=0.1,其余At=0,本文中的扰动概率取值为0.1。
在上述情况下,粒子仍然会倾向于在最优粒子周围聚集,导致陷入局部最优。为了克服上述缺点,基于上述改进策略,本文提出了惯性权重因子自适应变化的方法:
将增加扰动惯性权重的粒子群优化算法所获得的惯性权值在固定范围内乘以一个系数。这个系数的范围在0.9至1.1之间,改进后的扰动惯性权重如下述公式所示:
6.重复执行步骤3-5,直到达到最大迭代次数或满足停止条件。例如,可以设置达到最大迭代次数或粒子群的最优解不再发生变化时停止迭代。
7.根据最终的粒子群位置,确定汽车充电站的选址方案。根据算法求得的粒子位置,选取距离用户最近且建设成本最低的若干个点作为充电站的选址方案。
本发明再一实施例中,提供基于改进粒子群算法的汽车充电站选址系统,能够用于实现上述的基于改进粒子群算法的汽车充电站选址方法,具体的,该系统包括:
目标函数确定模块,用于基于行驶距离和充电站建设成本确定目标函数和约束条件;
初始化模块,用于基于粒子群算法,以每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离,初始化粒子群中每个粒子的位置和速度;
适应度值计算模块,用于根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解;根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值;
迭代输出模块,用于根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,迭代直到达到最大迭代次数或满足停止条件。
根据最终的粒子群位置,确定汽车充电站的选址方案。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于改进粒子群算法的汽车充电站选址方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于改进粒子群算法的汽车充电站选址方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于改进粒子群算法的汽车充电站选址方法,其特征在于,包括:
基于行驶距离和充电站建设成本确定目标函数和约束条件;
基于粒子群算法,以每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离,初始化粒子群中每个粒子的位置和速度;
根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解;
根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值;
根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,迭代直到达到最大迭代次数或满足停止条件;
根据最终的粒子群位置,确定汽车充电站的选址方案。
2.根据权利要求1所述的基于改进粒子群算法的汽车充电站选址方法,其特征在于,基于行驶距离和充电站建设成本确定目标函数和约束条件:
确定问题的目标函数和约束条件,即最小化用户行驶距离和充电站建设成本的加权和;其中,用户行驶距离可以通过地图数据和用户出行数据计算得出,充电站建设成本通过市场调研和成本核算得出;
目标函数:F(x)=w1·d(x)+w2·c(x)(1)
其中d(x)为用户行驶距离,c(x)为充电站建设成本;
约束条件:
其中,M为充电站数量,N为可建设充电站数量的上限;R为充电站覆盖范围半径,d(x)为用户到最近充电站的距离;B为可用的充电站建设成本上限。
3.根据权利要求1所述的基于改进粒子群算法的汽车充电站选址方法,其特征在于,初始化粒子群中每个粒子的位置和速度:
随机生成若干个地点作为充电站的候选点,每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离;
Xi=(xi1,xi2,···,xiD),i=1,2,···,N (3)
Vi=(vi1,vi2,···,viD),i=1,2,···,N (4)
Xi表示选取的充电站位置,Vi表示速度。
4.根据权利要求1所述的基于改进粒子群算法的汽车充电站选址方法,其特征在于,根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解:
第i个粒子迄今为止搜索到的最优位置称为个体极值,记为:
pbest=(pi1,pi2,…,piD),i=1,2,…,N (5)
整个粒子群迄今为止搜索到的最优位置为全局极值,记为:
gbest=(g1,g2,…,gD) (6)。
5.根据权利要求1所述的基于改进粒子群算法的汽车充电站选址方法,其特征在于,根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,具体地,根据以下公式计算新的速度:
vij(t+1)=wd·vij+c1r1(t)[pij(t)-xij(t)]+c2r2(t)[pgi(t)-xij(t)](7)
xij(t+1)=xij(t)+vij(t+1) (8)
动态惯性权重公式如下所示:
式中,Tmax表示最大进化次数;wmin表示最小惯性权重;wmax表示最大惯性权重;t表示当前迭代次数;At∈{0,0.1}为惯性权重扰动常数。
6.根据权利要求5所述的基于改进粒子群算法的汽车充电站选址方法,其特征在于,惯性权重因子自适应变化的方法:
将增加扰动惯性权重的粒子群优化算法所获得的惯性权值在固定范围内乘以一个系数;这个系数的范围在0.9至1.1之间,改进后的扰动惯性权重如下述公式所示:
7.根据权利要求1所述的基于改进粒子群算法的汽车充电站选址方法,其特征在于,设置达到最大迭代次数或粒子群的最优解不再发生变化时停止迭代,然后根据算法求得的粒子位置,选取距离用户最近且建设成本最低的若干个点作为充电站的选址方案。
8.基于改进粒子群算法的汽车充电站选址系统,其特征在于,包括:
目标函数确定模块,用于基于行驶距离和充电站建设成本确定目标函数和约束条件;
初始化模块,用于基于粒子群算法,以每个粒子的位置表示选取的充电站位置,速度表示粒子移动的方向和距离,初始化粒子群中每个粒子的位置和速度;
适应度值计算模块,用于根据目标函数计算每个粒子的适应度值,并记录全局最优解和个体最优解;根据每个粒子的适应度值和速度,更新粒子的位置,并计算新的适应度值;
迭代输出模块,用于根据全局最优解和个体最优解,更新粒子的速度,并引入扰动惯性权重,迭代直到达到最大迭代次数或满足停止条件;
根据最终的粒子群位置,确定汽车充电站的选址方案。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于改进粒子群算法的汽车充电站选址方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于改进粒子群算法的汽车充电站选址方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311520872.6A CN117495443A (zh) | 2023-11-13 | 2023-11-13 | 基于改进粒子群算法的汽车充电站选址方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311520872.6A CN117495443A (zh) | 2023-11-13 | 2023-11-13 | 基于改进粒子群算法的汽车充电站选址方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495443A true CN117495443A (zh) | 2024-02-02 |
Family
ID=89677947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311520872.6A Pending CN117495443A (zh) | 2023-11-13 | 2023-11-13 | 基于改进粒子群算法的汽车充电站选址方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495443A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
-
2023
- 2023-11-13 CN CN202311520872.6A patent/CN117495443A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
CN117744283B (zh) * | 2024-02-20 | 2024-04-30 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117495443A (zh) | 基于改进粒子群算法的汽车充电站选址方法及相关装置 | |
CN105550746A (zh) | 机器学习模型的训练方法和训练装置 | |
CN111238523B (zh) | 一种运动轨迹的预测方法及装置 | |
CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
CN112731334A (zh) | 一种激光定位车辆的方法及装置 | |
CN111007858A (zh) | 车辆行驶决策模型的训练方法、行驶决策确定方法及装置 | |
CN113219981B (zh) | 一种基于蚁群算法的移动机器人路径规划方法 | |
CN113568416B (zh) | 无人车轨迹规划方法、装置和计算机可读存储介质 | |
CN111681258A (zh) | 基于混合灰狼优化svm的混合增强智能轨迹预测方法和装置 | |
CN114537401A (zh) | 基于元强化学习的智能车辆交叉口决策方法、设备及介质 | |
CN113391894A (zh) | 一种基于rbp神经网络的最优超任务网优化方法 | |
CN114547972A (zh) | 动力学模型构建方法、装置、存储介质及电子设备 | |
CN115454091A (zh) | 一种应用于机场行李托运的多车路径规划方法及系统设备 | |
CN112949756B (zh) | 一种模型训练以及轨迹规划的方法及装置 | |
CN113342005B (zh) | 一种无人驾驶设备的横向控制方法及装置 | |
CN113260936A (zh) | 移动体控制装置、移动体控制学习装置及移动体控制方法 | |
CN110930092B (zh) | 一种配送路线调整方法、装置、电子设备和存储介质 | |
CN115042787B (zh) | 一种无车道线下确定跟踪轨迹的方法及装置 | |
CN116100539A (zh) | 基于深度强化学习的机械臂自主动态避障方法及系统 | |
CN112987754B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
CN116069340A (zh) | 自动驾驶模型部署方法、装置、设备及存储介质 | |
CN114296456A (zh) | 一种网络训练以及无人驾驶设备的控制方法及装置 | |
CN113298445A (zh) | 一种模型训练和调度无人设备的方法及装置 | |
JP2022175160A (ja) | 他車両行動予測装置および行動予測モデル学習装置 |
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 |