插电式混合动力汽车绿色路径规划研究

为了降低插电式混合动力汽车(Plug-in Hybrid Electric Vehicle,PHEV)在驾驶过程中的能耗,本文对插电式混合动力汽车绿色路径规划问题(Plug-in Hybrid Electric Vehicle Green Routing Problem,PHEVGRP)进行了研究。基于脉冲耦合神经网络提出了用时间依赖中继神经网络求解时间依赖车辆路径规划问题。基于可实时获取的道路交通状态量建立PHEV能耗计算模型。采用硬参数共享多任务学习建立道路交通状态量的预测模型。结合两个模型,将时间依赖中继神经网络应用于PHEVGRP的求解。采用真实数据进行试验,结果表明所提出的方法能够求得PHEVGRP的基于预测模型的最优解且求解速度优于启发式算法。

时变交通拥挤和需求随机的移动设施运营优化

为了优化移动设施(Mobile Facility,MF)的运营,在充分考虑时变交通状况和用户需求随机性的基础上,构建了一个两阶段随机规划模型,以期为决策者提供有力的工具。在第一阶段,模型针对MF的数量、时刻表和路径进行决策;第二阶段则聚焦于用户需求的分配和未满足服务量的确定。在求解此模型的过程中,本研究结合了时间依赖最短路径算法与L-shaped算法。在解决MF的移动路径和用户到达服务点的时间依赖最短路径问题时,将时变路段行驶速度离散化为分段函数,使得路段行驶时间成为连续分段线性函数,并且满足网络先进先出的原则,从而可以修改现有最短路径算法高效求解时间依赖最短路径。在L-shaped算法中,视一阶段模型为主问题,二阶段模型为子问题。首先通过求解主问题获得一阶段的决策变量,然后利用这些变量求解子问题,为主问题生成最优割。通过主、子问题的迭代交互,实现了对模型全局最优解的收敛,同时,通过加入有效不等式,使得算法能够快速收敛。在上海市嘉定区COVID-19核酸检测服务的MF实例中,对所提出的模型和算法进行了实证研究。结果表明:多割L-shaped算法结合有效不等式显著提升求解效率;同时,随着用户需求分布情况数量的增加,完美信息期望值和随机解价值均显著增加,这强调了在决策过程中获取准确信息和考虑时变交通状况与需求随机性的重要性。