申请/专利权人：北京航空航天大学

申请日：2024-01-24

公开（公告）日：2024-05-31

公开（公告）号：CN118114914A

主分类号：G06Q10/0631

分类号：G06Q10/0631;G06Q50/47;G06Q30/0645;G06N3/006

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.18#实质审查的生效;2024.05.31#公开

摘要：本专利公开了一种基于改进粒子群算法的出租车合乘调度方法，其特征在于，包括以下步骤：获取与出租车合乘调度相关的参数，计算基本数据，构建路网模型，利用粒子群算法计算所述路网模型的中间解，变邻域搜索算法依据最短路径原则由所述中间解生成变邻域搜索算法的初始解，变邻域搜索算法对其初始解进行局部搜索生成k次迭代的最优解，k次迭代的最优解满足终止条件后输出所述路网模型的全局最优解，即路网模型中的出租车最优合乘调度序列。这种方法可以减少算法迭代次数，降低算法运行时间，解决机场交通运输效率低下的问题。

主权项：1.一种基于改进粒子群算法的出租车合乘调度方法，其特征在于，包括以下步骤：第一步，获取与出租车合乘调度相关的参数，所述参数包括：机场中乘客节点的经纬度坐标、出租车节点的经纬度坐标，乘客期望出发时刻ei和期望达到时刻li之间的乘客时间窗，乘客数量nc，出租车给每个乘客服务的时间tc，出租车最大载客数量Q和车辆平均速度其中，所述乘客节点包括乘客乘车的起点NO和乘客乘车的终点ND，所述出租车节点包括出租车运营起点和出租车运营终点第二步，计算所述乘客节点和出租车节点之间的弧长，出租车在弧上的运营时间，出租车在各节点的服务时间；第三步，根据所述乘客节点的经纬度坐标、出租车节点的经纬度坐标和两节点之间的弧长构建路网模型，所述路网模型表示为有向图G＝N,A，其中，N表示节点集合，包括乘客乘车的起点NO和乘客乘车的终点ND，出租车运营起点和出租车运营终点即A表示弧集合，所述路网模型的目标函数为最小化总运营里程，所述总运营里程为： 其中，lA表示所有出租车运营路线组成的集合；lAm表示由第m辆出租车的若干条运营路线组成的集合；lm,n表示第m辆出租车的第n条运营路线的运营里程，由若干段弧长相加得到；第四步，利用粒子群算法计算所述路网模型的目标函数的中间解，所述中间解为所述粒子群算法的全局最优解，所述粒子群算法的计算过程为：S401，初始化粒子群算法的参数，所述参数包括：粒子群算法的粒子群规模N，粒子序号i＝1,2,…,N，迭代次数K，惯性权重ω，个体学习因子c1，群体学习因子c2，随机数r1、r2，初始速度初始位置个体初始最优适应值群体初始最优适应值S402，随机生成一个粒子群算法的初始解，计算所述初始解中每个粒子的适应值，通过比较适应值的大小更新迭代K次后粒子的个体历史最优位置和群体历史最优位置粒子群算法对所述初始速度和初始位置进行迭代，所述迭代过程为：第K+1次迭代后的粒子速度公式为： 其中，表示迭代K+1次的粒子速度；为惯性项，表示粒子的个体历史运动状态对迭代的影响，表示迭代K次的粒子速度；为认知项，表示粒子当前位置与个体历史最优位置之间的距离和方向，体现了粒子个体经验对迭代的影响；为社会项，表示粒子当前位置与群体历史最优位置之间的距离和方向，体现了粒子群体之间信息共享对迭代的影响，第K+1次迭代的后粒子位置公式为： 其中，表示迭代K+1次的粒子位置；表示迭代K次的粒子位置；表示迭代K+1次的粒子速度，经过所述粒子速度公式、粒子位置公式的多次迭代，计算迭代后每个粒子的适应值，通过比较所述适应值的大小更新每次迭代后所述粒子的速度和位置，不断迭代更新直至达到迭代次数K，最终生成粒子群算法的全局最优解；第五步，变邻域搜索算法依据最短路径原则由所述粒子群算法的全局最优解生成所述变邻域搜索算法的初始解，初始化所述变邻域搜索算法的参数，所述参数包括：种群规模n，邻域范围m，迭代次数k，所述最短路径原则为：S501，将所述粒子群算法的全局最优解构成nc条仅含有一个乘客的初始路线，S502，将乘客i的初始路线和乘客j的初始路线组成新路线计算节省值，所述节省值xi,j的公式为： 其中，表示出租车运营起点到乘客i的运营里程；表示乘客i到出租车运营终点的运营里程；表示出租车运营起点到乘客j的运营里程；表示乘客j到出租车运营终点的运营里程；di,j表示乘客i到乘客j的运营里程；S503，按照所述节省值由大到小的顺序选择节省值最大的两条初始路线，将这两条路线组成一条新路线并删除所涉及的节省值，在所述新路线和其他初始路线中，按照节省值由大到小的顺序再次选择节省值最大的两条路线，将这两条路线组成另一条新路线，在时间约束和容量约束下最终组成一条路线且剩余节省值个数为0，所述路线中包括nc个乘客的乘车起点和终点，最终生成变邻域搜索算法的初始解；第六步，变邻域搜索算法对其初始解进行局部搜索生成k次迭代的最优解，所述局部搜索过程为：S601，计算变邻域搜索算法的初始解的第一邻域中所有解的适应值，若所述初始解的适应值小于第一邻域中每个解的适应值，即在第一邻域中找不到比所述初始解更优的解，因此所述初始解是第一邻域更优解，将所述第一邻域更优解变换到下一邻域即第二邻域进行搜索；若在第一邻域中能找到比所述初始解的适应值更小的解，即优化解，因此所述优化解是第一邻域更优解，将所述第一邻域更优解在所述第一邻域中再次进行搜索，直到找不到比所述第一邻域更优解更优的解，最终将所述第一邻域更优解变换到下一邻域即第二邻域进行搜索；S602，在第二邻域中的搜索过程为：若在第二邻域中能对所述第一邻域更优解进行优化，则在第二邻域中能找到适应值小于所述第一邻域更优解的解，即能找到第二邻域更优解，将所述第二邻域更优解变换回所述第一邻域重新进行搜索，即所述第二邻域更优解重复步骤S601的搜索过程，若在第二邻域中不能对所述第一邻域更优解进行优化，则在第二邻域中找不到适应值小于所述第一邻域更优解的解，即找不到第二邻域更优解，将所述第一邻域更优解变换到下一邻域即第三邻域进行搜索；S603，在第三邻域中的搜索过程为：在第三邻域中重复步骤S602的搜索过程，直到在所有邻域中都无法优化所述第一邻域更优解，即找不到更优解，则所述第一邻域更优解为符合所有邻域的局部最优解，此时，若i≤m,其中i表示找不到更优解的次数，m表示邻域范围，所述邻域范围定义了m个邻域，则对所述局部最优解进行扰动，直到im，最终输出本次迭代的最优解；S604，重复k次步骤S601至步骤S603，输出k次迭代的最优解；第七步，k次迭代的最优解满足终止条件后，计算并比较适应值的大小后输出所述路网模型的全局最优解，即路网模型中的出租车最优合乘调度序列。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种基于改进粒子群算法的出租车合乘调度方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD