[发明专利]一种基于遗传蚁群融合算法的共享单车优化调度方法

摘要

本发明公开了一种基于遗传蚁群融合算法的共享单车优化调度方法，采用K‑means聚类算法把单车数据点聚集起来，考虑单车存量并进行集群修复,然后,先用遗传算法获得连接各节点的初始解，再用蚁群算法计算得到调度车辆通过集群节点的顺序，并对每个节点做出了装卸载单车数量的确定,最后，用蚁群算法获得连接每个集群内站点的最短路径，并均分集群的不平衡单车数，完成集群内部小范围的调度策略。本发明有效解决解决针对大规模的无站式共享单车分布不平衡的问题，且优化调度车辆路线的总旅行距离和最小化调度完成时间。

主权项

1.一种基于遗传蚁群融合算法的共享单车优化调度方法，其特征在于：包括以下步骤：A、采集待测区域内共享单车数据点；B、采用K‑means聚类算法将共享单车数据点划分为N个集群，每个集群包括M个站点，定义距离集群T_k中心最近的站点为集群节点Θ_k，1≤k≤M；C、根据每个集群内的单车数量，对每个集群进行集群修复；集群T_k修复具体过程为：c1：获取每个集群中的单车需求数量为正数，则表示集群内需补充单车数量为为负数，则表示集群节点需运走单车数量为c2：判断计算结果是否大于1，若大于1，则进入步骤c3，否则直接进入步骤D；V表示调度车容量；c3：判断集群内站点数量是否等于1，若是，则进入步骤c6，否则进入步骤c4；c4：再次聚类：采用K‑means聚类方法将集群T_k再次聚类划分为n个集群T_ki，n为大于的最小整数，i＝1,2，…，n；c5：判断是否大于1，若大于1，则返回步骤c3，反之，则进入步骤D；Ψ_ki表示集群T_ki的单车需求数量；c6：分割节点：将站点分成个位置相同的虚拟站点，每个虚拟站点均分所在集群的单车需求数量，使调度车辆能够访问该集群次数为次；为大于的最小整数；D、通过遗传算法获取各个集群节点之间连接关系的初始解；E、通过蚁群算法获取调度车辆通过各个集群节点的顺序，完成集群之间的优化调度；F、通过蚁群算法获取每个集群内各个站点之间的最短路径，完成集群内部的优化调度。