基于优化遗传算法的网约车合乘模型

随着城市居民绿色低碳出行思想的提高,网约车合乘出行方式应运而生.但由于合乘模式涉及到的行驶路线问题,乘客与乘客、乘客与驾驶员之间容易产生分歧,并且网约车合乘出行模式的相关成本不明确等诸多问题,网约车合乘模式没有被大范围推广和应用.针对网约车合乘出行模式存在的问题,研究并构建了网约车合乘路径优化模型,模型中考虑了车辆等待时间成本、行驶距离成本、收益、容量约束以及时间窗约束等.针对网约车合乘模型的特点,并基于遗传算法思想,研究设计了满足合乘模型约束条件的求解遗传算法.并使用Matlab软件运行算法程序对算例进行求解,运行44.08 s得到最大利润6 906.297 1元及车辆详细行驶路线,实验表明,通过构建的网约车合乘模型和设计的遗传算法,可以得到合乘路径近似最优解,证明了模型和算法的可行性和有效性.     

基于自适应权重的立体匹配优化算法

为解决现有立体匹配算法对低纹理以及视差不连续区域匹配效果较差的问题,提出一种改进的立体匹配优化算法。在传统自适应权重算法匹配代价的基础上,融合高斯差分图像差分信息,即左右图像高斯差分图的差分,重新定义其初始匹配代价,增加算法在视差不连续区域的鲁棒性,并加入边缘约束和视差边缘约束迭代聚类以及基于高斯差分图的自适应窗口算法,保证改进算法在低纹理区域的匹配性能,消除坏点与视差空洞。将该算法与传统自适应权重匹配算法分别在Middlebury数据集上进行匹配实验,结果表明,该算法平均性能提升了15.05%,明显优于传统自适应权重匹配算法。     

考虑驾乘人员公平性的网约出租车合乘路径优化模型

为了充分发挥合乘出租车承载率高、运营效益高及交通资源省等优点, 缓解城市打车难问题, 对网约出租 车合乘路径优化问题开展研究. 首先针对路网中网约出租车的供需情况, 以系统路径最短为优化目标建立目标函 数, 其次考虑网约出租车额定载客量、路径合理性、乘客利益及驾驶员收益与时间窗因素, 构建优化模型的约束条 件, 并结合绕行距离与乘客公平性原则进行费用约束, 使得绕行距离长的合乘子路径获得更多的费用补偿, 然后基 于遗传算法思想, 针对合乘路径中乘客需求起终点的次序问题, 设计了改进的交叉与变异算子. 最后依据大连市区 局部路网高峰时段内的出租车供需数据, 利用合乘路径优化模型及算法进行求解. 研究表明, 优化模型及算法可以 短时间寻求到系统近似最优解, 所得合乘方案较非合乘出行模式有效减少了出租车空驶率与乘客的出行成本, 提高 了驾驶员的平均收益.     

车辆合乘问题的分布式复合变邻域搜索算法

针对长期车辆合乘问题(long-term carpooling problem,LTCPP),提出一种基于分布式的复合变邻域搜索算法,利用分布式计算的优势可快速求解出大规模用户的合乘匹配方案。首先构建带有时间窗约束和车容量约束的数学模型,建立成本计算的目标函数;然后按复合距离优先算法将所有用户分配到各合乘小组中,最终得到满足约束条件的初始合乘方案。通过对变邻域搜索算法进行分布式处理,使算法可以对初始合乘方案进行并行迭代优化计算,得到最终的合乘方案。实验结果表明,该算法在速度和大规模问题求解质量上具有明显的优势。     

动态车辆共乘问题的双模式协作匹配算法

车辆共乘可有效提升运输资源利用率，降低出行成本，缓解交通拥堵并降低环境污染.针对动态车辆共乘问题构建了整数规划模型，并提出了一种基于离线匹配和在线匹配的双模式协作匹配算法.在离线匹配阶段，以共乘比率和绕行距离为标准对匹配价值进行评估，设计了基于带权路径搜索树的通用共乘比率生成算法对共乘参与者进行准确高效的预匹配.在在线匹配阶段，提出了基于首尾距离度的实时订单插入算法，并对离线匹配结果中的行驶路径进行修正.通过双模式协作，可有效兼顾算法的实时性和结果质量.基于真实数据的大量实验结果表明，该算法给出的匹配方案在总匹配价值和求解效率上均优于实验中的对比算法，其平均离线匹配率达93.71%、平均双模式协作匹配率达85.53%,增加运输资源利用率82.86%,减少车辆并发数84.86%.     

长期车辆合乘问题的复合变邻域搜索算法

针对于长期车辆合乘问题（LTCPP）,提出一种复合变邻域搜索算法（HVNSA）,将具有相同目的地的用户进行合乘匹配从而减少车辆出行数量。首先,构建一个全面准确的长期车辆合乘问题的数学模型,将所有用户按复合距离优先算法分配到合乘小组中,对时间窗口和车容量约束验证,得到初始合乘方案;然后利用变邻域搜索算法对初始合乘方案进行优化迭代,得到最终的优化合乘方案。实验结果表明,该算法在处理100人和200人的规模问题上可以在1 s内得到高质量的优化合乘方案,对于400人和1000人的较大规模问题,该算法仍然可以在2~4 s内得到较高质量的优化合乘方案。     

基于VANET叫车系统的路由算法研究

结合成熟的车载自组网技术和泛在的智能手持终端设备,提出一种去中心的动态叫车系统。乘客可以通过该系统随时发布叫车请求,并由车载自组网完成该请求的路由及车辆的匹配。同时,系统还提供了拼车功能,私家车也可通过该功能搭载顺路乘客。针对信息传输特点,重点研究一种基于效用值转发的路由算法,它根据车辆匹配成功概率计算效用值,并采用基于二分法的有限副本扩散策略,有效地避免信息盲目转发、减少网络负担。实验仿真结果表明,该系统的叫车成功率优于传统系统,基于效用的有限副本路由在网络开销、时延等方面均优于传统的传染路由和效用路由。     

一种基于点割的电路划分算法

文中提出了一种基于IG图(Intersection Graph)点割的电路划分算法,引入IG图模型,根据电路中信号网络间的交互关系构建IG图,直接对电路信号网络IG图进行最小点割划分,从而实现对电路单元(模块)的划分.该算法既有效地解决了电路超图与图之间转换的一致性问题,又实现了点割目标值与直接电路划分目标值的一致性,IG图点割集的大小即为真实电路划分的目标值.此外,通过给每个电路网络赋权重的方式构建带权重网络交互图,实现对电路网络划分的面积平衡进行近似控制,满足电路划分对面积平衡的特殊要求.采用MCNC提供的标准电路测试数据进行测试,实验结果表明,基于IG图点割的电路划分算法较基于网络超图HDN划分的K-DualFM算法平均有3%~7.8%的提高;同时,基于IG图点割的随机优化算法ROP比基于超图划分的FM优化算法具有更强的全局优化能力,划分结果提高18%,比基于二部图匹配的点割优化算法提高36%,对较大规模数据划分优化效果更好.     

基于客户分级及换乘的多车辆合乘问题算法研究

多车辆合乘匹配问题(MRMP)是物流领域和交通领域的一个重要问题,现有的多车辆合乘匹配算法是以解决基本的多车辆合乘问题为主.为了提高客户的搭乘率,提出了客户分等级并且带有换乘的多车辆合乘匹配算法.该算法以蚁群优化算法为核心,分为3步:寻找起点终点集合;蚁群寻优,并在单向蚁群的基础上提出双向蚁群算法;车辆路径微调.实验仿真显示该算法获得80％以上的搭乘率,同时双向蚁群比单向蚁群具有更强的寻优能力.所得结果表明,该算法可以有效地获得带有换乘的匹配路线.     

一种全局供需感知的均值场多智能体强化学习订单分配算法

提出一种具备全局供需动态感知能力、基于均值场多智能体强化学习的网约车平台订单分配算法。该算法通过将多智能体强化学习与均值场理论相结合,提升了智能体在局部空间上相互之间的协作性;通过注入全局空间上供需的动态分布信息,提升了智能体对全局供需分布的感知和优化能力。本文构建了真实历史数据驱动的模拟器,用于算法的训练和评估。实验表明,在全天时段和高峰期时段两个不同场景下,本文提出的算法在网约车司机累计收益及订单应答率两个重要指标上均显著优于现有的订单分配算法。实验结果充分验证了本文提出算法的有效性。     

考虑疫情扩散传播风险的多目标拼车应急管理优化调度模型

为了解决在疫情背景下传统拼车出行模式面临的交互传染风险,对疫情背景下的拼车管理进行分析,提出了将低风险及潜在风险乘客分开服务的拼车策略。在进一步考虑拼车系统应兼顾的社会效益及服务质量的基础上,构建了在满足基本额定盈利及最小化等待时长的双目标拼车应急管理优化调度模型,并给出了求解该模型的组合模拟退火算法。通过具体算例对模型的有效性进行验证,结果表明模型能够较快收敛到一个稳定值,且计算结果能够反映实际场景,说明了模型及算法的有效性。最后,通过一个仿真实验对所构建模型在病毒传播中的作用进行了分析,结果显示所构建的模型可以有效抑制拼车导致的病毒传播速度。     

基于概率无向图模型的近邻传播聚类算法

针对近邻传播聚类算法偏向参数难选定、生成的簇数目偏多等问题,提出一种概率无向图模型的近邻传播聚类算法.首先为样本数据构建概率无向图模型,利用极大团和势函数计算无向图中数据样本的概率密度,将此概率密度作为一种聚类先验知识注入近邻传播算法的偏向参数中,提高算法的聚类效率;并用高斯降噪和簇归并方法进一步提升算法的聚类精度.在UCI数据集上的实验结果表明,所提出算法的聚类效率和精度均优于相比较的同类算法.     

基于信息熵的子图匹配算法

子图查询是指输入一个图数据库和查询子图,输出图数据库中包含查询子图的图集合,它广泛应用于社会网、生物网和信息网的查询应用中。目前的子图查询算法大多采用静态消耗测算模式,此类测算模式在图中点数和连接边数呈指数分布时,会在少数节点上花费较多时间遍历其邻节点,导致查询算法效率低下。根据信息熵在信息度量中的作用,将条件信息熵作为启发式匹配的依据,提出了基于信息熵的子图匹配算法。实验表明,基于信息熵的子图匹配算法具有更高的查询效率,且在指数分布的数据集上效果更明显。     

结构-属性平衡图节点相似度测量算法

摘  要：节点相似度是图聚类算法的重要基础,在基于结构-属性图聚类现有方法中,由于传统图模型的限制,需要多次矩阵相乘来调整属性边的权值,算法执行效率低。为解决这一问题,提出了结构-属性平衡图的概念,并采用随机游走模型策略统一度量结构-属性平衡图GB中顶点间的相似度。与现有方法相比,该方法不但能测量直接相连的顶点之间的相似度,还可测量不直接相连而存在不同长度的路径的顶点之间的相似度,且没有增加原相似度矩阵的规模,节省了大量存储空间,提高了算法执行效率。     

基于邻居信息聚合的子图同构匹配算法

图匹配在现实中被广泛运用,而子图同构匹配是其中的研究热点,具有重要的科学意义与实践价值。现有子图同构匹配算法大多基于邻居关系来构建约束条件,而忽略了节点的局部邻域信息。对此,提出了一种基于邻居信息聚合的子图同构匹配算法。首先,将图的属性和结构导入到改进的图卷积神经网络中进行特征向量的表示学习,从而得到聚合后的节点局部邻域信息;然后,根据图的标签、度等特征对匹配顺序进行优化,以提高算法的效率;最后,将得到的特征向量和优化的匹配顺序与搜索算法相结合,建立子图同构的约束满足问题（CSP）模型,并结合CSP回溯算法对模型进行求解。实验结果表明,与经典的树搜索算法和约束求解算法相比,该算法可以有效地提高子图同构的求解效率。     

基于互信息的贝叶斯网络结构学习算法

结构学习是贝叶斯网络的重要分支之一,而由数据学习贝叶斯网络是NP-完全问题,提出了一个由数据学习贝叶斯网络的改进算法。该算法基于互信息知识构造初始无向图,并通过条件独立测试对无向边添加方向;同时提出了一个针对4节点环和5节点环的局部优化方法来构造初始框架,最后利用贪婪搜索算法得到最优网络结构。数值实验结果表明,改进的算法无论是在BIC评分值,还是在结构的误差上都有一定的改善,并且在迭代次数、运行时间上均有明显降低,能较快地确定出与数据匹配程度最高的网络结构。     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

基于图匹配的分层布局算法

针对节点数目较大并且度数比较平均的无向图,根据分层扩展的思想,提出一种基于图匹配的分层布局算法（Graph Matching Hierarchy,GMH）。基于图匹配思想对大图进行递归化简,然后应用FR算法对最粗化图进行布局,最后利用质心布局算法对图进行扩展。实验结果表明,GMH算法能够提高可视化效率,改善布局效果,且分层布局的结果更易于理解。      

基于小世界的无线传感器网络的路由算法

针对小世界的拓扑特性,提出一种基于小世界的无线传感器网络(WSN)的路由算法。该路由算法引入超级节点环概念,将超级节点环视为无向图,利用改进的Floyd算法计算出最短传输路径,缩短路由建立时间,进而提高网络的传输效率,降低无线传感器网络的能耗。仿真结果表明,该算法与针对小世界提出的路由算法PSCF、SWRP和MH相比,在路由建立时间、能量消耗和网络吞吐量方面效果显著。     

图模型匹配:一种新的凹松弛函数及算法

将问题中的置换矩阵放松为双随机矩阵是近年来近似图匹配算法的一个重要发展方向. 它的本质在于将离散的图匹配问题转换成一个连续优化问题,而一般来讲, 相对于离散优化,连续优化问题的近似求解将更为容易. 但随之带来的一个问题是如何有效地将连续优化得到的双随机矩阵重新映射回一个置换矩阵. 最近文献中提出了一种针对于无向无自环图的凹松弛(Concave relaxation)函数,使得算法中的双随机矩阵可以平滑地收敛到一个置换矩阵, 并得到优异的匹配精度.但除了无向且无自环图,文献中还没有针对其他类型图模型的凹松弛函数. 本文提出一种针对于有向无自环图匹配问题的凹松弛函数, 并在此基础上给出一种图匹配算法.大量对比实验验证了本文提出模型及算法的有效性.