[发明专利]一种基于区域划分并行遗传算法的车辆调度方法

说明书

本发明实施例公开的一种基于区域划分并行遗传算法的车辆调度方法，将获取的城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率等参数信息作为建立乘客和出租车的分配关系的数学模型，量化计算车辆调度方法；采用了分治策略来减少数据的维度，根据出租车和乘客的地理位置，将问题分成若干子问题，对每个子问题使用提出的算法以并行的方式进行解决。考虑了当前广泛应用的贪心算法可能会限制系统提供的服务质量的问题，将乘客的上车率以及平均等待时间作为服务质量标准，采用遗传算法将出租车匹配问题定义为全局优化的问题，解决了现有技术中车辆调度效率较低、全局性较差的问题。

技术领域

本发明实施例涉及出租车与乘客匹配技术领域，具体涉及一种基于区域划分并行遗传算法的车辆调度方法。

背景技术

与公共交通相比，出租车可以根据乘客的需求提供更高质量的服务，但是传统的出租车系统缺乏有效的调度策略，司机更经常在繁忙的区域漫游，这样可能会带来交通拥堵的问题。同时，在一些地区，多辆出租车会为同一名乘客竞争而在另外一些地区，乘客等待多时却没有出租车出现。因此，从全局的角度对出租车进行调度是有益的，近年来大量使用的出租车预定软件程序可以用来对出租车进行调度，为了提高利润以及用户体验，需要一种有效的出租车调度方案。

当前很多实际的调度中心，为了管理的便捷性，通常采用贪婪算法进行调度。出租车的调度有三种调度策略：1)为每位乘客分配距离最近的空车；2)为每辆出租车选择利润最高的乘客；3)采用先到先得的策略(FCFS)。这些算法是典型的本地搜索方法，在对问题求解时，重视采用当前看来最好的方案进行选择，最终得到局部最优解。对于出租车调度问题来说，解决方案的质量可能并不尽如人意。为了提高出租车系统的性能，现在广泛研究开发的新的有效的出租车调度算法。

遗传算法是一种功能强大的全局优化算法，已经成功运用于许多现实世界中的组合优化问题，例如旅游商问题(TSP)以及调度问题等。遗传算法通过模拟达尔文的生物进化论，将问题转换成自然界中的种群进化过程，每个种群由带基因型的个体组成，通过对基因型进行交叉变异，选择等操作，选取种群中适应度最高的个体作为问题的解。遗传算法从全局出发进行搜索，寻找全局最优解，对于出租车调度来说，可以更好的从全局的角度找到最佳的分配方案。

对于城市规模的滑行乘客匹配问题(TPM)来说，问题的空间相当大，为了避免数据维度过高，产生可用数据过于稀疏的问题，需要对城市规模问题采用区域划分的策略，使用分而治之的方法将城市整体划分为不同区域，减少问题的尺寸，保证算法的效率和全局有效性。

发明内容

为此，本发明实施例提供一种基于区域划分并行遗传算法的车辆调度方法，以解决现有技术中由于城市规模的滑行乘客匹配问题空间相当大、数据维度过高而导致的车辆调度效率较低、全局性较差的问题。

为了实现上述目的，本发明实施例基于区域划分并行遗传算法的车辆调度方法，该方法采用基于区域划分策略的并行遗传算法求解出租车与乘客之间的匹配问题，首先考虑乘客的上车率和平均等车时间，将出租车与乘客的匹配表述成为一个全局优化的问题，针对该问题提出新的运算操作，包括初始化、交叉和变异；此外，提出分制的策略来减小问题的尺寸，根据乘客和出租车的地理位置将该问题分成多个子问题，并通过并行的方式解决每个子问题。其提供的具体技术方案如下：

根据本发明实施例提供一种基于区域划分并行遗传算法的车辆调度方法，包括步骤：

S1：获取整个城市中的乘客和出租车的参数信息；所述参数信息包括：城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率；

S2：根据所述参数信息为所述乘客和出租车的分配关系建立数学模型；以出租车单次只能分配至一个乘客和出租车需在乘客能接受的最短时间内到达作为约束条件；以包括乘客上车前的平均等待时间和所有乘客的总上车率的服务质量为评估指标建立目标函数，以所述等待时间最小、所有乘客的总上车率最大作为优化目标；