粒子群算法的物流配送路径优化研究

研究物流配送路径优化问题,物流配送路径优化要找到一条配送车辆少,路径总长度最短的最优配送路线,并具有配送快速性。传统算法搜索最优路线时间长,难以找到最优配送路线,导致物流配送成本高。为了提高快速找到物流配送路径最优配送路线,提高物流服务质量,提出一种粒子群算法的物流配送路径优化方法。首先根据物流配送路径问题的数学模型,然后全局搜索速度快的粒子群算法对模型进行求解,找到物流最优配送路线,最后通过具体实例进行仿真测试,结果表明,粒子群算法不仅能够快速找到物流配送路径最优配送路线,同时获得的路长总长度最短,有效降低物流配送成本。     

基于抢修时间的震后最优路径选择算法及GIS实现

针对震后最优路径选择相关算法的局限性和复杂性,在对城市道路系统抗震性预测的基础上,从道路抢修时间出发,提出一种改进的城市震后最优路径选择算法。运用地理信息系统（GIS）技术和数据库相关知识,以重庆邮电大学道路系统为例,设计和开发了城市震后最优路径分析系统。该系统可以有效地为救援力量快速到达救援现场,运输伤员、物资等提供合理的动态最优路径。     

基于无人机-配送车联合配送的优化算法研究

针对物流配送领域的一种新型交付方式--无人机联合配送车协同配送包裹,研究无人机与配送车联合路径以最小化交付时间的问题,提出了一种新型优化迭代算法。该算法将问题分为两步,首先确定配送车路线及客户节点分配,然后固定配送车路线及无人机节点,确定二者汇合节点生成无人机配送路线。算法最后保留满足约束条件的无人机路线及对应配送车路线,得到联合配送总耗时。以此方式从最少的配送车节点开始迭代,通过更新全局上界得到最优解。通过对10、11节点的示例验证,表明该算法能够有效缩小搜索范围,提高运行效率,在合理时间内求解中小规模示例。     

大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

基于出租车轨迹数据挖掘的乘客候车时间预测

随着城市人口的增长与交通问题的加剧,出行也变得越来越困难.出租车是重要的公共交通工具;对于乘客来说,了解等候出租车需要花费的时间有助于他们安排行程与选择最优的等候地点.针对这个问题,使用出租车轨迹的历史数据,预测乘客在某时某地等候出租车需要的时间.算法使用参数与非参数模型,通过对空车到达过程的建模,预测单个乘客等候出租车需要的时间.使用大规模的杭州出租车数据,结合仿真来验证预测算法.实验评估结果显示,参数模型对等候时间预测的平均误差约为4.5分钟,并且参数模型预测误差小于5 分钟的概率约为83%.     

变速度条件下控制攻击时间和角度的协同制导律

控制攻击时间和角度的协同制导律可提高多弹突防能力,发挥最大打击效能,是当前的研究热点.已有的协同制导律多数假设导弹飞行速度不发生改变,未考虑速度变化对到达时间估计带来的影响.鉴于此,采用贝塞尔曲线作为打击轨迹,根据导弹速度包络和贝塞尔轨迹长度对导弹到达时间进行估计.在证明贝塞尔曲线长度随初始航迹角增加而单调增加的基础上,通过调整虚拟初始航迹角来增加或缩短预期到达时间,进而实现弹群预期到达时间趋于一致.在假设缩短轨迹长度可缩短到达时间的基础上,证明了该协同算法可在飞行过程中控制弹群形成一致到达时间.通过仿真实验,验证了所提出算法可在保证各弹攻击角度精确的前提下实现较高的时间协同精度.     

基于改进蚁群优化算法的养殖场机器人路径规划

养殖场巡视机器人路径规划是实现规模化养殖场智能监控的关键所在,针对机器人巡视过程中寻找最优充电路线的问题,提出一种改进的蚁群优化算法IACO。利用工作环境的全局信息建立目标吸引函数,提高蚁群选择最佳路径到达目标点的概率,缩短了算法的迭代时间。通过加入额外的信息素更新项和改进信息素挥发系数增强算法的全局搜索能力,避免算法搜索后期出现过早收敛而陷入局部最优。在简单和复杂环境中的仿真实验结果表明,与经典蚁群优化算法相比,该算法具有更快的收敛速度和良好的稳定性,可快速收敛到最佳路径。     

求解带容量和时间窗约束车辆路径问题的改进蝙蝠算法

带时间窗和容量约束的车辆路径问题是车辆路径问题重要的扩展之一,属于NP难题,精确算法的求解效率较低,且对于较大规模问题难以在有限时间内给出最优解.为了满足企业和客户快速有效的配送需求,使用智能优化算法可以在有限的时间内给出相对较优解.研究了求解带容量和时间窗约束车辆路径问题的改进离散蝙蝠算法,为增加扰动机制,提高搜索速度和精度,在对客户点按其所在位置进行聚类的基础上,在算法中引入了变步长搜索策略和两元素优化方法进行局部搜索.仿真实验结果表明,所设计算法具有较高寻优能力和较强的实用价值.     

一种基于RSSI的车载WiFi相遇时间预测方法

随着WiFi技术的普及,在移动车辆上使用路边AP进行数据通信变得越来越容易.使用车载WiFi通信有一个关键问题是如何选择最优的AP.针对该问题,提出了一种通过监测AP接收信号强度RSSI的变化趋势来预测车辆与AP相遇时间的算法.车载WiFi通过预测不同AP的相遇时间选择预测时间较长的AP.实验分析表明,在确定无线电信号衰减因子的情况下, 通过多次采样可以减小误差,相遇时间预测结果的准确性较高.算法提高了平均连接时间,减少了切换次数,增强了通信稳定性.     

带有时间窗口的富网络配送问题研究及仿真

通过建立GIS富网络路网属性模型,并组合N阶最短近邻自适应聚类算法和遗传算法,来解决不确定车辆数目、较大规模网点和多层次交通网络的带时间窗口的联合配送问题。首先,为了解决传统带有时间窗口车辆线路调度模型中配送网点规模小(不超过20个网点)的问题,以及在建模时将各网点抽象为图的顶点的缺陷,建立基于实际道路数据的网络数据集,采用GIS技术精确计算各网点之间的距离,并建立距离OD矩阵;然后,为了降低对较大规模网点配送算法设计的复杂度,采用N阶最短近邻自适应算法确定聚类簇数,再通过聚类数划分配送网点。其次,为了确定配送车辆的种类、车辆数目以及时间窗口的限制,利用遗传算法对配送线路进行优化。最后,通过2个实例验证了所提方法的有效性。     

SALA: A Self-Adaptive Learning Algorithm—Towards Efficient Dynamic Route Guidance in Urban Traffic Networks

In order to alleviate traffic congestion for vehicles in urban networks, most of current researches mainly focused on signal optimization models and traffic assignment models, or tried to recognize the interaction between signal control and traffic assignment. However, these methods may not be able to provide fast and accurate route guidance due to the lack of individual traffic demands, real-time traffic data and dynamic cooperation between vehicles. To solve these problems, this paper proposes a dynamic and real-time route selection model in urban traffic networks (DR2SM), which can supply a more accurate and personalized strategy for vehicles in urban traffic networks. Combining the preference for alternative routes with real-time traffic conditions, each vehicle in urban traffic networks updates its route selection before going through each intersection. Based on its historical experiences and estimation about route choices of the other vehicles, each vehicle uses a self-adaptive learning algorithm to play congestion game with each other to reach Nash equilibrium. In the route selection process, each vehicle selects the user-optimal route, which can maximize the utility of each driving vehicle. The results of the experiments on both synthetic and real-world road networks show that compared with non-cooperative route selection algorithms and three state-of-the-art equilibrium algorithms, DR2SM can effectively reduce the average traveling time in the dynamic and uncertain urban traffic networks.     

冰雪天气下高速公路可变限速控制研究

为保障冰雪天气条件下高速公路的行车安全与通行效率,在建立安全限速模型与交通流预测模型的基础上,提出一种基于粒子群优化算法的可变限速控制策略。首先,通过分析冰雪天气下车辆制动性能和交通流演化规律,提出适用于冰雪天气条件的高速公路安全限速模型以及交通流预测模型;其次,设计了兼顾通行效率与行车安全的优化目标函数,并考虑实际行车需求给出相关约束条件;最后,基于交通流预测模型并结合粒子群优化算法对可变限速值进行求解,并通过搭建的元胞自动机交通流模型将所提出的可变限速策略的控制效果与固定限速方案和分段安全限速方案进行对比仿真实验。仿真结果表明,相比于固定限速方案,可变限速控制减少了总行程时间、总行程延误时间和车辆冲突时间;相比于分段安全限速方案,可变限速控制有效减小了管控路段内的车辆行驶速度标准差,总行程延误时间和车辆冲突暴露时间也有所降低,验证了所提出可变限速控制策略的有效性。     

Integration control for traffic corridors considering guidance information

The problem of designing integration traffic strategies for traffic corridors with the use of ramp metering, speed limit, and route guidance is considered in this paper. As an improvement to the previous work, the presented approach has the following five features： 1） modeling traffic flow to analyze traffic characteristics under the influence of variable speed limit, on-ramp metering and guidance information; 2） building a hierarchy model to realize the integration design of traffic control and route guidance in traffic corridors; 3） devising a multi-class analytical dynamic traffic assignment （DTA） model for traffic corridors, where not only the route choice process will be different for each user-class, but also the traffic flow operations are user-class specific because the travel time characteristic for each user-class is considered; 4） predicting route choice probabilities adaptively with real-time traffic conditions and route choice behaviors corresponding to variant users, rather than assuming as pre-determined; and 5） suggesting a numerical solution algorithm of the hierarchy model presented in this paper based on the modified algorithm of iterative optimization assignment （IOA）. Preliminary numerical test demonstrates the potential of the developed model and algorithm for integration corridor control.     

Short-term freeway traffic parameter prediction: Application of grey system theory models

Intelligent transportation systems applications require accurate and robust prediction of traffic parameters such as speed, travel time, and flow. However, traffic exhibits sudden shifts due to various factors such as weather, accidents, driving characteristics, and demand surges, which adversely affect the performance of the prediction models. This paper studies possible applications and accuracy levels of three Grey System theory models for short-term traffic speed and travel time predictions: first order single variable Grey model (GM(1,1)), GM(1,1) with Fourier error corrections (EFGM), and the Grey Verhulst model with Fourier error corrections (EFGVM). Grey models are tested on datasets from California and Virginia. They are compared to nonlinear time series models. Grey models are found to be simple, adaptive, able to deal better with abrupt parameter changes, and not requiring many data points for prediction updates. Based on the sample data used, Grey models consistently demonstrate lower prediction errors over all the time series improving the accuracy on average about 50% in Root Mean Squared Errors and Mean Absolute Percent Errors.     

基于混合模糊多人多目标非合作博弈的车道选择模型

建立汽车安全驾驶辅助系统（包括安全驾驶预警系统）是保证交通安全的有效手段.准确预测车辆集群态势是汽车安全辅助驾驶的前提,车道选择是车辆集群态势发生转移最为根本的原因,也是交通流理论研究的基本内容.以往研究没有综合考虑车辆集群复杂态势下各运动实体特征及其操控者类型,以及多个车道间车辆的冲突对车道选择的影响.为此,本文综合考虑各运动实体特征及其操控者类型,基于混合模糊多人多目标非合作博弈方法,建立城市快速路基本路段上的驾驶员车道选择模型.通过分析各方驾驶员在不同车道选择策略下的收益,确定换道博弈的Nash均衡,得到驾驶员最优车道选择策略.研究结果表明:基于混合模糊多人多目标非合作博弈方法建构的驾驶员车道选择模型,其预测准确率可达到85.2%.     

基于多任务学习的快件送达时间预测方法

快件送货时间预测（即在任何时间预测包裹送达的到达时间）是物流领域中最重要的服务之一。准确地预测快件送达时间可以为用户提供更准时的服务,缓解客户的等待焦虑,提升用户体验,且有利于快递员的路径规划,从而提高派送效率。然而在快递派送场景下,多因素、动态性及多目的地等特征给快件投递准确预测送达时间带来巨大挑战。提出一种基于多任务学习的模型MTDTN,从快递员的大量历史时空轨迹中预测快件送达时间。MTDTN建模多种影响送达时间的外部因素,利用地理信息编码、卷积操作以及双向长短时记忆网络来捕获派送行为的时空关系,并运用多任务学习框架,引入顺序预测的辅助任务与送达时间预测的主任务,提高模型预测性能。在真实数据集上的实验结果表明,与基准方法中最优的DeepETA模型相比,该模型的平均绝对误差与平均绝对百分比误差分别降低了16.11%和12.88%,模型效果明显提升。     

基于图卷积网络的短时交通速度预测

交通预测是构建智能交通系统的重要技术,实时准确的交通预测有利于规划路线,提高出行效率。为提高交通速度预测精度,提出一种基于图卷积网络的短时交通速度预测模型。首先对交通速度数据进行时空特征分析,然后结合数据空间特性构造可学习的邻接矩阵来建立图卷积网络,同时考虑到交通数据的时间特性,因此在图卷积的基础上又添加了长短期记忆网络和注意力机制来共同构建预测模型。实验结果表明由于同时考虑了交通速度数据的时空特性,本文模型均方根误差、平均绝对误差和平均绝对百分比误差均小于传统模型和单个模型,验证了提出的模型预测精确度更高。     

利用梯度提升树预测公交车到站时间

当前我国公交公司普遍采用让具有丰富经验的公交调度人员以人工估计车辆到站的方法来调度车辆的发车。这种方式缺少计算辅助,加上工作量大,经常容易出现错误预估导致无法缓解道路上常发生的同路公交车遇到一起(串车)或者相隔太远(大间隔)的情况。公交到站时间受道路交通、乘客人数、时间、天气等诸多因素影响,具有不确定性。本文基于该现实问题从公交公司角度出发,提出了一种基于动态特征选择和梯度提升树的公交到站时间预测算法。其动态主要体现在对于不同线路、同一线路不同方向经过特征选择分别选取对该线路该方向站点停留和站间行驶影响较大的特征。该算法用于辅助公交调度人员参考到站时间,从而使得调度人员可以作出更准确有效的调度策略。     

一种车载自组织网络中交通拥塞自适应的出行计划方案

交通堵塞现象越来越威胁正常的城市交通,针对选择最短路径的出行方案往往不能取得最短的出行时间的现象,提出了一种交通拥塞自适应的出行计划方案.该方案克服了现有方案在规划出行路线时未能考虑行车过程中实际交通状况的缺点,根据车辆在各路段行驶的平均通过时间来判断路段当前的拥塞状况,并动态优化行车路线,从而提高交通效率.仿真实验表明该方案能够自适应路段的交通拥塞,根据当前拥塞状况重新优化行车路线,从而缩短平均行车时间.     

Adaptability of a hybrid route choice model to incorporating driver behavior dynamics under information provision

This paper proposes a seamless framework to incorporate the day-to-day and within-day dynamics of driver route choice decisions under real-time information provision by adapting a hybrid probabilistic-possibilistic model previously developed by the authors. The day-to-day dynamics are captured through the update of driver perception and route choice rules based on the current day's experience. The within-day dynamics are captured through the en-route adjustment of the weights of the driver route choice rules in response to situational factors. Experiments are conducted to analyze the model's ability to capture driver behavior dynamics, and the associated prediction accuracy. The results suggest that the framework can reflect the evolution of driver route choice behavior over time, and adapt to the within-day variability in ambient driving conditions. This is illustrated by its ability to capture phenomena such as inertia, compliance, delusion, freezing, and perception update under information provision, in addition to the effects of familiarity and route complexity. In the within-day context, the results highlight the sensitivity to the situational factors unfolding in real-time. The results also illustrate the better prediction power of the hybrid model compared to that of a traditional multinomial probit model; however, this gap reduces with increasing heterogeneity in driver behavioral class fractions. Elsewhere, the authors show that the proposed framework can be used to predict the ambient driver class fractions, thereby addressing a key deployment limitation of existing dynamic network models for real-time traffic control through route guidance.