买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明涉及一种基于人工蜂群算法的通勤私家车拼车匹配方法，属于数据算法处理技术领域，特别是通勤私家车拼车匹配方法技术领域。本方法通过对人工蜂群优化算法进行改进，重新设计蜜源和适应度规则，将每辆通勤车的出发时间作为蜜源的每一个维度，出发时间的区间作为蜜源的变化区间，以车辆拼车后所节约的路径长度作为适应度，使其有更强的搜索能力和开发能力。本方法根据车辆RFID电子车牌标识数据，统计得到通勤私家车出行行程和通勤私家车出行行程子序列，可以提高实验效率，降低复杂度，此方法参数少，效率高，效果好，比其他方法可以节省更多的路程，使更多的私家车进行匹配，解决方案更好。

主权项：1.一种基于人工蜂群算法的通勤私家车拼车匹配方法，其特征在于：该方法包括以下步骤：S1、统计通勤车辆的通勤行程和出发时间区间，统计各行程的子序列路径，并全部存入数据库中；S2、确定人工蜂群算法的输入：种群大小s、根据通勤车数量确定蜜源解的维度M、蜜源数即种群大小s、侦察蜂个数即为蜜源的个数s、迭代次数n、最大尝试次数maxInvalidCount；S3、初始化时期：对种群进行初始化，利用侦察蜂初始化蜜源向量其中s为种群的大小；由于每个蜜源都是一个待优化问题的维度为M的解向量，因此每个都含有M个变量xjj＝1,2,…M，将每个xj初始化；蜜源向量初始化完成以后，根据适应度计算规则计算蜜源的每个解向量的适应度值，并记录下最优解和最优解的解向量，即完成种群初始化；S4、雇佣峰时期：雇佣蜂会依据其记忆中的食物源的位置进行邻居搜索，找食物源附近的更好的食物源；当雇佣蜂找到一个食物源之后，会评估其适应值，并更新最优解，最优解向量和尝试次数；S5、观察蜂时期：非雇佣蜂由两部分群体组成：观察蜂和侦察蜂；雇佣蜂会向在蜂巢中等待的观察蜂来分享它们获得的食物源信息，观察蜂会根据这些信息进行一种随机的选择；S6、侦察蜂时期：未雇佣蜂随机搜索食物源，称为侦察蜂；如果雇佣蜂超过了最大尝试次数maxInvalidCount之后，仍然未能提高解的质量，则雇佣蜂就变成为侦察蜂，其拥有的解就会被放弃，转换后的侦察蜂会以用蜜源初始化公式产生解；S7、根据输入的迭代次数n，对步骤S3到步骤S6进行迭代；在步骤S1中，具体包括以下步骤：S11、提取通勤私家车A的所有RFID电子车牌数据的通勤轨迹；S12、通勤私家车A的通勤轨迹按照车辆经过RFID采集点的时间升序进行排序，用一个序列表示，其中TraA表示车辆A的轨迹，R表示一条RFID电子车牌数据，eid表示车辆的电子车牌号，r表示RFID采集点的标识号，t表示车辆被识别到的时间，表示车辆A经过第i个RFID采集点的时间，其中，通勤车A经过RFID的轨迹为S13、将通勤私家车A的通勤轨迹按照每个工作日的轨迹进行统计，提取出每日经过的每个采集点的最早和最晚时间，并存入数据库中，通勤私家车的通勤轨迹点时间区间数据表示为： 其中，CommuterA表示通勤私家车A的通勤轨迹时间区间数据，和表示通勤私家车A经过第n个通勤轨迹点的最早时间和最晚时间；S14、最后对所有通勤私家车执行上述步骤，将所有的通勤私家车的通勤轨迹点时间区间数据统计后存入数据库中；在步骤S2中，建立通勤行程子序列表，包括：S21、基于步骤S1中获取的所有通勤车的通勤轨迹点时间区间数据统计，选取一个通勤私家车，并记录其eid,origin,destination，将这三个信息放入原始的RFID电子车牌数据进行搜索，找到此车origin和destination之间经过的RFID点，并将这些RFID点记录下来，每两个点为一个子序列，并存入数据库中，每辆车起终点所包含的子序列表示为：si＝eid,origin,destination,subsequence1…subsequencen其中，si表示第i条通勤行程子序列数据，eid表示此车的电子车牌标识号，origin表示此通勤车的通勤出发地，destination表示此车的通勤目的地，subsequencen表示此车起点到终点的第n个子序列；S22、对所有的通勤行程表中所有通勤私家车执行上述步骤，并将所有的通勤私家车得到的子序列存入通勤行程子序列中；在步骤S3中，具体包括以下步骤：S31、输入人工蜂群算法所需要的参数，种群大小s，根据通勤车数量确定蜜源解的维度M，蜜源数即种群大小s，侦察蜂个数即为蜜源的个数s，迭代次数n，最大尝试次数maxInvalidCount；S32、侦察蜂的个数和蜜源个数一样，利用侦察蜂初始化蜜源向量其中s为种群的大小；由于每个蜜源都是一个待优化问题的维度为M的解向量，因此每个都含有M个变量xjj＝1,2,…M，将每个xj根据以下公式进行初始化：xj＝lj+rand0,1*uj-lj其中lj和uj是第j辆车通勤出发时间区间的最小和最大值，rand0,1为0到1的随机数；S33、蜜源向量初始化完成以后，根据以下适应度计算规则计算蜜源的每个解向量的适应度值，并记录下最优解和最优解的解向量，即可完成种群初始化：fitness＝∑m,n∈Mfitnessm,nfitnessm,n＝carpoolm,n-tripm-tripn 其中：Xm≤Xn|Xm-Xn|≤1800 fitnessm,n≤0公式中，fitnessm,n为第m辆车和第n车辆拼车且m为司机时的拼车损耗，carpoolm,n为第m辆车和第n辆车拼车且第m辆为司机时的拼车里程，tripm为第m辆通勤车的通勤里程，Om,Dm为第m辆通勤车通勤行程的起点和终点，为点Om到点Dn的里程，xm为第m辆车的出发时间，Tm位第m辆车的轨迹，为车m经过点On的时间区间的最早时间，同理，为车m经过点On的时间区间的最晚时间；在步骤S4中，具体包括：S41、雇佣蜂依据其记忆中的食物源的位置进行邻居搜索，找食物源附近的更好的蜜源，采用下述公式来确定邻居蜜源： 其中是一个新生成邻居蜜源，g和k都是随机值，φt为区间[0,1]的随机值；S42、找到新生成蜜源以后，根据适应度公式计算新蜜源的适应度值，如果新蜜源的适应度值比原蜜源的适应度值更好，则用新蜜源代替原蜜源，并将此蜜源的尝试次数加1，否则此蜜源的尝试次数则不变，并将新蜜源的适应度值于最优蜜源的适应度值作比较，如果比最优适应度值更好，则更新最优适应度值及最优蜜源，否则，最优适应度值和最优蜜源则不变；在步骤S5中，具体包括：S51、将最优解代入以下公式求出对每个蜜源的修正解：fitness′t＝0.9*fitnesstbestfitness+0.1；S52、生成随机数rand∈[0,1]，如果fitness′t≥rand，则将此蜜源重复步骤S4，生成新的邻居蜜源，然后计算其适应度值，更新蜜源和尝试次数，以及更新最优适应度值和最优蜜源。

全文数据：

权利要求：

百度查询： 重庆大学 一种基于人工蜂群算法的通勤私家车拼车匹配方法