[发明专利]一种基于混合遗传算法的地铁乘务排班算法

说明书

技术领域

本发明涉及一种基于混合遗传算法的组合优化问题，尤其涉及一种地铁乘务排班算法。

背景技术

排班的主要功能是解决地铁系统采用轮乘制分配运营任务，产生合理的任务序列，保证乘务人员休息日和工作任务之间的合理交替。目前排班系统主要基于手工方式而且约束条件较多，普遍存在着重复劳动，不能以已有的工作为基础，不能充分利用过去应用系统开发中积累的知识和经验。现行排班软件适应性差，应变能力弱，移植困难。所以需要建立新的排班模型，最大程度的满足运营部门的需要、并且具有随机性、科学性、合理性。

发明内容

本发明提出了一种基于混合遗传算法的乘务排班组合优化方法，该方法包括：产生可行任务集合、构造初始种群、建立遗传算子（包括编码、适应度分析、选择算子、交叉算子、变异算子）、构造局部搜索策略。

其中，通过分析运行图的行车计划，对每个作业段生成一个树型结构，子节点和父节点采用休息线连接，任务树的根节点到每一个叶结点皆为一个可行的乘务任务，这样可以保证任务集合对作业段均匀覆盖，如果一个乘务任务覆盖的作业段被其它任务以更小的代价覆盖，则删除该乘务任务，通过这种方式可以得到用来排班的所有集合分支，保证了任务的完整性。

通过采用随机构造策略和贪婪构造策略，根据之前生成的乘务集合构造初始种群，并进行后续的并行搜索，种群形成的多样化保证其搜索过程的有效性。而采用不同的启发性算法，提高种群个体的多样性，防止“早熟”，同时保证某些个体的质量，提高寻优能力。

在遗传算子求解过程中，将作业段设为求解矩阵的行，将乘务任务对应求解矩阵的列，采用非二进制基于列的编码方式，将每个染色体用变长数组表示，其长度表示作业段被完全覆盖时乘务集合（即轮乘卡）的数量，这种编码方式简洁易懂并且利于计算个体适应度是否达到收敛；本发明中将每个解得冗余列个数作为适应度函数，若最终冗余度为0，则算法将收敛；采用选择、交叉、变异的方式，对每一次得到的解进行优化，避免有效解基因的损失，同时使高性能的个体以更大的概率生存，在产生新个体的同时降低对有效模式的破坏概率，以及按一定概率改变基因串中某个基因值，增加基因的多样性，提高全局收敛和计算效率。

通过局部搜索策略，采用领域变换的思想，与遗传算法混合使用，对部分个体进行爬山搜索，改善群体质量，从而提高了对最有乘务任务划分的生成质量。

本发明的有益技术效果是：根据遗传算法策略和局部搜索算法策略混合使用，对地铁运行计划进行分解、组合、搜索、优化，提高了解的灵活性、收敛性和完整性。

具体实施方式

根据地铁运营部门提供的运行图数据将该图所有的作业段进行分解，形成若干张作业卡组合成轮乘图。其中，作业段的分解需要满足一定的约束条件，包括：

l         乘务员每月（周）累计出行时间的最大阈值。

l         乘务员每月（周）行车次数的最大阈值。

l         必须保证乘务员连续多个工作日之后获得规定的休息日。

l         必须保证乘务员值班天数（周、月、年）的最大阈值。

l         同等级乘务员出勤天数、月小时数、在外值班数相差的最大阈值。

l         每轮倒班中给每一位乘务员分配的工作在时间上不重叠。

    如果需要调用新的运行图将重新运行该程序，确认后可不再执行，形成统一的轮乘图。每张图包括班次类型、出勤时间、折返车次、接/换车时间等。在性能上，要做到

l         要求该程序具有收敛性，需要覆盖运行图上所有的作业段。

l         程序需避免局部收敛，需要调试好其中的参数。

l         程序运行并获取结果的时间需要控制在30分钟以内。

l         算法需要具有可读性

具体步骤如下：

一、产生可行任务集合

1）    对行车计划上每个作业段生成一个树型结构，子节点与父节点之间使用休息连接线。

2）    任务树的根节点到每一个叶结点即为一个可行的乘务任务。可以一定程度保证生成的任务集对作业段覆盖均匀。 

3）    如果一个乘务任务覆盖的所有作业段被其它乘务任务以更小的代价覆盖，则删除该乘务任务。

二、初始种群的生成

1）    由多个初始序列构成一个初始种群以便进行后续的并行搜索。

2）    采用启发算法优良性的特点