【技术实现步骤摘要】
一种基于多目标遗传算法的共享单车停放点分配方法
本专利技术涉及共享单车停放点分配领域,尤其包括一种基于多目标遗传算法的共享单车停放点分配方法。
技术介绍
随着国外公共自行车的发展逐渐完善经验化,加上我国城市的发展导致的城市交通问题的日益突出,在这种背景下,低碳环保、节能、方便、快捷和经济实用的共享单车在我国城市中孕育而出。中国的大部分城市都存在严重的交通问题,上下班高峰期时间造成的交通拥堵事件在各大城市十分常见。加上共享单车行业从出现起便是交通与管理热点,单车乱停乱放现象不仅影响市容,更加剧本就恶劣的交通环境。虽然共享单车改善了人们的出行方式,但并不能任其停放问题影响到城市交通。停车问题不仅是用户个人的问题,单车行业没有对用户停放车辆起到引导的作用,停放点的建设也并不成熟,加上用户的规范停放意识低等问题,导致了单车乱停乱放现象随处可见。而且这种现象也在一定程度上引发了一系列问题:比如交通拥堵和租车问题,降低了人们对共享单车行业的好感度;租车问题更是直接影响到用户体验,造成恶性循环。随着共享单车行业规模的增大,与之同时带来了一系列问题,尤其是租赁问题。在车辆调度方面经常表现为空位借不到车、满位停不了车;用户居住地、商业办公区、商场和公园都存在明显的早晚高峰和单车分配不合理现象,导致了共享单车用户体验下降。目前,共享单车停放点的设置已经在建设中,大多数城市中心区域基本都设置了停放点,但单车企业的引导措施和用户的停放意识还没有成熟,因此需要在企业开发的软件中设置停放引导功能,针对性地培养用户的规定停放意识, ...
【技术保护点】
1.一种基于多目标遗传算法的共享单车停放点分配方法,其特征在于,具体包括如下步骤:/nS1、服务器收集在某时间点内的若干当前用户请求数据;将请求数据中的坐标信息经过Geohash编码成为字符串;将时间分段为T={1,2,3,…,t},请求停车的车辆集合为I={1,2,3,…,i},停放点集合为J={1,2,3,…,j},目的地区域集合为P={1,2,3,…,p};将每个用户的请求数据存放至用户请求信息表中;所述请求数据包括坐标信息、车辆编号、用户编号和目的地区域p;/nS2、服务器收集用户的请求数据后,对用户的坐标信息、目的地信息和附近可用停放点位置信息进行统计分析;某时间点内的若干当前用户的请求数据组成请求队列,按照时间节点划分请求队列并进行标记,根据目的地信息对其周围停放区域进行搜索并计算距离,生成用户标号距离矩阵;/nS2.1、种群初始化:生成若干条基因组成相同但排列组合不同的染色体;将请求队列作为遗传算法中的染色体,染色体的基因排序由请求队列的处理顺序组成;在之后的种群迭代过程中保持种群的染色体数不变;/nS2.2、选择实数编码的NSGA-II作为遗传算法的基因编码方式;用适应 ...
【技术特征摘要】
1.一种基于多目标遗传算法的共享单车停放点分配方法,其特征在于,具体包括如下步骤:
S1、服务器收集在某时间点内的若干当前用户请求数据;将请求数据中的坐标信息经过Geohash编码成为字符串;将时间分段为T={1,2,3,…,t},请求停车的车辆集合为I={1,2,3,…,i},停放点集合为J={1,2,3,…,j},目的地区域集合为P={1,2,3,…,p};将每个用户的请求数据存放至用户请求信息表中;所述请求数据包括坐标信息、车辆编号、用户编号和目的地区域p;
S2、服务器收集用户的请求数据后,对用户的坐标信息、目的地信息和附近可用停放点位置信息进行统计分析;某时间点内的若干当前用户的请求数据组成请求队列,按照时间节点划分请求队列并进行标记,根据目的地信息对其周围停放区域进行搜索并计算距离,生成用户标号距离矩阵;
S2.1、种群初始化:生成若干条基因组成相同但排列组合不同的染色体;将请求队列作为遗传算法中的染色体,染色体的基因排序由请求队列的处理顺序组成;在之后的种群迭代过程中保持种群的染色体数不变;
S2.2、选择实数编码的NSGA-II作为遗传算法的基因编码方式;用适应度函数区分种群内的染色体差异,并作为筛选染色体的标准:让种群随着迭代朝着更符合优化目标的方向进化,最终得到最适合环境的染色体;
适应度函数由优化目标函数和约束条件组成;所述优化目标函数为距离函数f(x)和密度函数g(x);f(x)为待停的单车到停放点的距离代价总和,g(x)为所有停放点之间的停车密度代价总和;
优化目标函数的数学模型为:
上式中,pj为各停放点的理想停放数;I为待停的车辆集合,I={1,2,3,…,i};J为停放点集合,J={1,2,3,…,j};xij为分配标志位取值为xij∈{0,1},xij取值为1时表示i车辆分配给j停放点,xij取值为0时表示i车辆未分配给j停放点;目标区域p与停放点j之间的距离用dij表示;其中:
首先计算距离函数f(x)的矩阵,接着根据距离函数f(x)的矩阵和约束条件按照染色体的基因组成计算密度函数g(x)的矩阵;
所述约束条件为:
xij∈{0,1}(7)
上式(5)至式(7)中,I为待停的车辆集合,I={1,2,3,…,i};J为停放点集合,J={1,2,3,…,j};xij为分配标志位取值为xij∈{0,1},xij取值为1时表示i车辆分配给j停放点,xij取值为0时表示i车辆未分配给j停放点;Bj为每个停放点的车辆容纳上限;
S3、选择锦标赛算法作为选择算子,选择自交作为交叉算子,选择双参赛模式;
S3.1、锦标赛算法的计算过程如下:
S3.1.1、规定筛选后的种群大小为数值Sp,随机选择种群中两个个体p1和p2进行适应度比较;
S3.1.2、若p1和p2之间存在支配关系,则淘汰被支配的个体;若两个个体处在同一层非支配解,则跳过淘汰阶段,比赛的轮数由种群中剩下的个体数决定;
S3.1.3、继续进行适应度比较,直到种群大小降低至数值Sp;
S3.2、自交的计算过程如下:
S3.2.1、对种群中的每个个体设定一个基因可交叉长度Lp,该长度不得超过染色体中基因个数的一半;
S3.2.2、在染色体中随机设置两个点M1和M2,满足M1和M2之间的距离大于基因可交叉长度Lp,且M1和M2中后置位点的距离染色体末端距离大于基因可交叉长度Lp;
S3.2.3、以M1和M2为锚点,向后端展开两个长度为Lp的基因片段,进行交叉操作;
S4、利用快速非支配排序将种群分为若干个等级,并计算种群拥挤度;
S4.1、利用快速非支配排序将种群分为若干个等级的过程为:
S4.1.1、设种群中个体数为P,其中每个个体有被支配个数np和支配的解Mp这两个参数,其中Mp为数组;
S4.1.2、将该个体被支配个数np取值为0的个体放入数组S1中,作为该种群中的非支配解;
S4.1.3、取消非支配解对支配个体的支配,将S1数组中的个体从种群中排除:对每个在数组S1中的个体,遍历支配的解Mp中的个体,将该个体的被支配个数np参数减1,当前数组S1中的个体被支配个数np取值为-1;
S4.1.4、将剩余个体中被支配个数np取值为0的个体加入数组S2,对数组S2重复执行步骤S4.1.3,直至种群等级划分完毕;
S4.2...
【专利技术属性】
技术研发人员:陈观林,施嘉伟,翁文勇,杨武剑,李甜,
申请(专利权)人:浙江大学城市学院,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。