[发明专利]一种改进遗传算法的共享单车停放点分配方法

摘要

本发明涉及改进遗传算法的共享单车停放点分配方法，包括数学模型的构建，多目标遗传算法的实现以及融入线性回归的改进遗传算法；多目标遗传算法的实现包括：1)编码和初始化种群；2)解码与适应度函数；3)快速非支配排序和拥挤度计算；4)选择和交叉；5)精英策略；融入线性回归的改进遗传算法包括：1)训练集处理与编码；2)回归系数的处理。本发明的有益效果是：本发明设计了基于多目标遗传算法的停放点分配系统框架，把距离代价作为单一决策变量，在遗传算法的解码过程中融入了线性回归进行优化，新算法能够在更短的时间内找出最优解，改善了遗传算法的搜索能力。

主权项

1.一种改进遗传算法的共享单车停放点分配方法，其特征在于：包括数学模型的构建，多目标遗传算法的实现以及融入线性回归的改进遗传算法；S1.数学模型的构建：设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距离代价总和；数学模型表示为:约束条件如下：x_ij∈{0,1}式中：I为需求停车的车辆位置集合{1,2,3,…,i}，J为停车点的位置集合，x_ij表示车辆i是否分配给停车点j，d_ij表示车辆i到停车点j的距离，为需求停车的车辆总数分配给每个停车点的均值，B_j为每个停车点所能容纳的最大车辆数；S2.多目标遗传算法的实现：1)编码和初始化种群；采用自然数编码；将停车的顺序作为染色体的基因；初始化种群是将随机打乱染色体中基因的组成，来组成初始的种群；2)解码与适应度函数；将种群中的每个个体的染色体解码成为距离代价和密度代价；距离代价的求解是用贪心算法求得每辆车到所有停放点的距离，在停放点有空位的前提下选择最近的停放点停车；密度代价的求解是在按距离代价的分配好之后，用均方差计算每个停放点之间的密度差异，最终得到总体密度代价；3)快速非支配排序和拥挤度计算；解码过程结束之后，需要一个规则来选择出种群中基因优良的个体；首先根据每个个体的非劣程度对种群分层：找出种群中的非支配解，记为第一梯度，然后剔除这一梯度的解；找出剩余个体中的非支配解记为第二梯度，以此类推，完成快速非支配排序；参与竞争中比较的个体会出现相同的梯度，这时候采取拥挤度比较个体的优劣；初始化同一层的个体距离，对排序后的最后一个个体与第一个个体的距离设置为无穷大，将同层的个体按适应度排序，对排序后处于中间的个体求拥挤距离，后续选择拥挤度较大的个体，保持种群的多样性；4)选择和交叉；选择锦标赛选择算法；在当前子代种群中抽取若干对染色体，选择快速非支配排序和拥挤度较优的个体作为精英保留到下一代；5)精英策略；在多目标遗传算法中加入精英策略保证基因良好的个体遗传到下一代，保持种群的多样性，同时也让种群的大小固定；S3.融入线性回归的改进遗传算法1)训练集处理与编码；将遗传算法产生的新个体中是否停到最优停放点作为编码，组成线性回归的输入；2)回归系数的处理；将遗传算法中每个个体的适应度作为输出，与输入结合训练出回归系数，并将其排序，得到的顺序为最终的停车顺序。