[发明专利]一种基于随机机会约束的客运车辆实时调度方法

权利要求书

1.一种应用机会约束规划的车辆动态调度方法，其特征在于，包括以下步骤：

步骤一，建模：根据Fisher有序聚类分析算法，将全天时间分段，每个子时段内的路况、客流等相同，即假设此子时段内发车间隔相等；设客运车辆线路有n+1个站点，记为0,1,2,...,n-1,n；确定每个子时段每个区间乘客流量变化之后，得到客运车辆企业在一个子时段内的收益；根据乘客等待时间和车辆容量的约束条件，得到模型：

其中，Nj表示在第j个时段内，客运车辆车的发车次数；i：表示第i个车站；k表示第k辆客运车辆车；j表示将总的营运时段分为h个子时段，j为第j个时段，j＝1，2，…，h；表示在第j个时段内，单位时间内到达车站i的随机乘客数；表示在第j个时段内，第k辆车在车站i的随机下车乘客数；t＝(t_1,k，t_2,k，…，t_i,k，…，t_n,k)：其中，t_i,k表示第k辆车在车站i离开的时间；t_k表示第k辆车在起点站的发车时间；表示在第j个时段内乘客能够接受的最大等待时间，超过这个时间乘客就会不满；表示客运车辆企业在一个子时段内的收益；f_i,k表示第k辆客运车辆车到达第i站的时间；C_t为票价；C_d为客运车辆车一次发车的成本，包括燃料、维护、人员等费用；Q_k表示车辆k的固定运载能力，其中，k＝1，2，…，m；Pr{·}表示{·}中的事件成立的概率；α、β、γ表示概率值；

步骤二，对随机系统约束进行检验：对决策变量N_j，使用随机模拟技术检验下列机会约束式成立与否：

步骤三，计算所述模型中的目标值

步骤四，基于随机模拟的遗传算法求解最优值；

步骤五，确定多时间区间实时调度方案。

2.如权利要求1所述的方法，其中，确定多时间区间实时调度方案的具体步骤为：

步骤1：X＝[x₁,x₂,....,x_i,...,x_K]为染色体，其中x_i表示第i个时段的发车间隔，并设计不确定函数：

U(X):X→[U₁(X),U₂(X),U₃(X),U₄(X)]，

式中：X为实时调度发车间隔决策向量；

步骤2：利用随机模拟技术为不确定函数U(X):X→[U₁(X),U₂(X),U₃(X),U₄(X)]产生输入输出数据(训练样本)，其中输入有K个，为各个时段的均一发车间隔，输出有4个，为四个不确定函数的值；

步骤3：利用随机模拟技术产生pop_size个符合约束条件的初始的染色体，其中主要约束条件为：x_min≤x_i≤x_max，i＝1,2,…,K，针对该问题，染色体可根据下式产生x_i～u(5,20),i＝1,2,…,K；其中，～u(5,20)表示在区间[5,20]产生均匀分布的随机数，u(·)为均匀分布概率分布函数；

步骤4：对染色体进行交叉变异操作，并检查后代的有效性，其中：遗传算子的交叉、变异规则以及遗传算法参数的标定和选择标准；

步骤5：计算所有染色体的目标值：f(X)＝U₁(X)+U₄(X)－U₃(X)－U₂(X)，其中，U_i(X)，i＝1～4为通过随机模拟得到的四个不确定函数的值；

步骤6：根据目标值计算每个染色体的适应度，适应度的评价函数采用基于序的方法确定；

步骤7：通过旋转赌轮选择每一个染色体；

步骤8：重复步骤4至步骤7，直到完成给定的循环次数；

步骤9：找出最好的染色体作为最优解。