System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术公开一种乘务排班编制优化算法,涉及乘务排班编制优化。
技术介绍
1、乘务排班计划是城市轨道交通运营管理的重要环节,乘务排班计划的编制效果与响地的服务效率、经济效益及运营安全等因素息息相关。目前能够直接应用于生产实践的有加拿大giro公司的hastus系统、新加坡smrt公司的mrtscheduler软件(李献忠等,2007),但由于各个城市不同地区的城市轨道交通运营管理模式存在较大的差别,针对我国城市轨道交通乘务计划编制的软件仍在不断探索中。
2、乘务排班计划问题为典型的np-hard问题;即问题在实际中往往需要使用近似算法或启发式方法来寻求解决方案,因为找到确切的最优解可能需要枚举所有可能的解,这在实践中是不可行的。
3、本
技术实现思路
4、本专利技术目的在于,提供一种乘务排班编制优化算法,解决现有技术中难以解决乘务排班计划的问题,即提供相比现有技术向方法的一种替代方案。
5、为实现上述技术目的,达到上述技术效果,专利技术是通过以下技术方案实现:
6、一种乘务排班编制优化算法,乘务作业片段的编号(n=1,2,…n),p为乘务作业片段集合(p∈p),乘务员集合a,开始和结束时间分别为ts和te,起点站和终点站分别为ls和le;
7、将所有乘务员的乘务任务路径的集合表现在时空网络中,形成拥有时间属性t和空间属性v的乘务排班计划的时空网络g=(v,e);
8、引入状态属性ω,空状态网络表示为由一系列时空状态节点(v,t,ω)∈v′和时空弧(
9、基于参数构建目标函数:
10、min z=∑a∈a∑(v,t,ω;v′,t′,ω′)∈e′ca(v,t,ω;v′,t′,ω′)xa(v,t,ω;v′,t′,ω′);
11、min z为最小化乘务排班计划接续时间成本,ca(v,t,ω;v′,t′,ω′)为乘务员a选择时空状态弧(v,t,ω;v′,t′,ω′)所需的时间费用,其取值为,
12、
13、将遗传算法与禁忌搜索算法相结合的遗传禁忌混合算法对基于时空状态网络模型的乘务排班基于目标函数进行求解:
14、s1、通过构建时空状态网络并采用贪婪策略安排乘务员工作,最终生成乘务任务集合并形成初始可行解;
15、s2、基于可行解,通过邻域操作对个体进行优化,将邻域变换作为禁忌对象,循环至最大循环次数后获得最优解。
16、进一步的,在所述步骤s1前,还对目标时空网络进行约束,包括时空状态网络约束、最长连续工作时间约束、单次在车时长约束、乘务作业片段性质约束、休息时间约束、就餐时间约束。
17、进一步的,在所述步骤s1中,对每一个约束条件设置对应的惩罚函数,具体为:
18、根据遗传算法的适应度函数:
19、
20、惩罚函数为
21、
22、进一步的,所述每一个约束条件所对应的惩罚函数为:
23、r1(v,t,ω)=γ1(pa+pb),pa表示已经被乘务员走过的时空状态节点,pb表示还未被任何一个乘务员经过的时空状态节点,γ1表示时空状态节点覆盖惩罚系数;
24、γ2表示连续工作时间惩罚系数,等式表示连续工作时间阈值;
25、r3(v,t,w,)=|cmax(v,t,w,;v',t',w')-cmin(v,t,w,;v',t',w'|,γ3表示休息时间惩罚系数,等式表示休息时间阈值;
26、γ4表示单次在车时长惩罚系数,等式表示单次在车时长阈值;
27、γ5表示就餐时间惩罚系数,等式右边表示就餐阈值;表示便乘时间惩罚系数,等式表示便乘时间阈值。
28、进一步的,所述步骤s1具体包括如下步骤:
29、s1.1:根据原始数据构建乘务作业片段集合p,乘务员集合a。在满足约束条件的情况下,建立乘务排班的时空状态网络,乘务作业片段的开始和结束时间分别为ts和te,起点站和终点站分别为ls和le;
30、s1.2:乘务员a从虚拟起点出发,根据开始时间最早来选择到达的第一个时空节点,随即根据贪婪思想,选择满足休息时间约束的时空状态节点作为下一个到达的节点,运用此种方法不断更新乘务员a在时空状态网络中的路线;其状态也同步更新,并判断状态维度中的所有元素是否满足要求,若不满足要求,则停止路线的更新,使乘务员a到达虚拟终点;
31、s1.3:若乘务员a选择的路线属于早班中的时空状态节点,则在早班时间范围内找不到符合休息时间约束的下一个时空状态节点时停止路线的更新,使乘务员a到达虚拟终点,形成一条完整的从虚拟起点到虚拟终点的路线;若乘务员a选择的路线属于白班或夜班的时空状态节点时,路线的选择和结束方式类似;
32、s1.4:判断所有代表乘务作业片段的时空状态节点是否都被包含在乘务员的路线选择中,若是,则转到s1.5,若不是,则去掉前面已经被乘务员经过的时空状态节点,转到s1.2;
33、s1.5:以乘务员选择的一条完整的路线作为一个乘务任务p′,则乘务任务集合p′就此形成,就此形成乘务排班的初始可行解。
34、进一步的,所述邻域变换包括四种,基因向前插入、基因向后插入、尾部基因前插、尾部基因后插。
35、进一步的,所述基因向后插入用于模拟遇到“断班”的情况。
36、进一步的,所述步骤s2具体包括如下步骤:
37、s2.1根据前文所设计的初始可行解生成算法生成乘务排班计划的初始可行解,形成初始种群p′0。在初始方案中有n′个乘务任务,即n′个染色体。设定交叉概率为wc,变异概率为wm,禁忌操作概率wtb,循环次数为r,其初始值为1,最大循环次数为r,最优解p′s=p′0。
38、s2.2计算种群中各染色体的适应度,并确定各个体被选择的概率;
39、选择适应度最优的个体直接进入下一代,其余的个体通过轮盘赌法进行选择,组成种群p′r1;
40、s2.3根据交叉概率wc对种群中的染色体进行交叉操作,以交叉后的染色体代替原有的染色体,形成新种群p′r2;
41、s2.4根据变异概率wm对种群中的染色体进行变异操作,以变异后的染色体代替原有的染色体,形成新种群p′r3;
42、s2.5判断目标函数值x(p′r3)与x(p′s)的大小,若z(p′r3)<z(p′s),则令此时的最优解p′s=p′r3;否则,最优解不变;
43、s2.6进行禁忌搜索操作,具体步骤如下:
44、s2.61以p′s为初始解,同时设定禁忌表h为空,迭代次数r'=1,最大迭代次数r',禁忌期限为5;
45、s2.62根据禁忌操作概率wtb在种群中选择染色体,从选择的染色体中随机挑选两个个体,并随机挑选四种邻域操作之一,构造解的邻域ne;
4本文档来自技高网...
【技术保护点】
1.一种乘务排班编制优化算法,其特征在于,构建模型的参数,包括:乘务作业片段的编号(n=1,2,…N),P为乘务作业片段集合(p∈P),乘务员集合A,开始和结束时间分别为ts和te,起点站和终点站分别为ls和le;
2.根据权利要求1所述的乘务排班编制优化算法,其特征在于,在所述步骤S1前,还对目标时空网络进行约束,包括时空状态网络约束、最长连续工作时间约束、单次在车时长约束、乘务作业片段性质约束、休息时间约束、就餐时间约束。
3.根据权利要求2所述的乘务排班编制优化算法,其特征在于,在所述步骤S1中,对每一个约束条件设置对应的惩罚函数,具体为:
4.根据权利要求3所述的乘务排班编制优化算法,其特征在于,所述每一个约束条件所对应的惩罚函数为:
5.根据权利要求3所述的乘务排班编制优化算法,其特征在于,所述步骤S1具体包括如下步骤:
6.根据权利要求2所述的乘务排班编制优化算法,其特征在于,所述邻域变换包括四种,基因向前插入、基因向后插入、尾部基因前插、尾部基因后插。
7.根据权利要求6所述的乘务排班编制优化算
8.根据权利要求2或7所述的乘务排班编制优化算法,其特征在于,所述步骤S2具体包括如下步骤:
...【技术特征摘要】
1.一种乘务排班编制优化算法,其特征在于,构建模型的参数,包括:乘务作业片段的编号(n=1,2,…n),p为乘务作业片段集合(p∈p),乘务员集合a,开始和结束时间分别为ts和te,起点站和终点站分别为ls和le;
2.根据权利要求1所述的乘务排班编制优化算法,其特征在于,在所述步骤s1前,还对目标时空网络进行约束,包括时空状态网络约束、最长连续工作时间约束、单次在车时长约束、乘务作业片段性质约束、休息时间约束、就餐时间约束。
3.根据权利要求2所述的乘务排班编制优化算法,其特征在于,在所述步骤s1中,对每一个约束条件设置对应的惩罚函数,具体为:
【专利技术属性】
技术研发人员:薛锋,梁鹏,张新宇,肖恩,王金成,杨颖,
申请(专利权)人:西南交通大学,
类型:发明
国别省市:
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。