校车问题的平民主义旨趣

通过考察校车问题的历史因由，结合对平民主义的当代解读，指出解决校车问题所应考量的平民主义旨趣，即必须合乎其三个导向：民众导向；服务导向；利益导向，确保一个前提：生命安全。

校车问题的解决之道

校车问题归根结底是社会问题。校车问题的解决之道,需要遵循"系统边界原理",从四个方面着手:明确政府职责,加大财政教育投入,均衡配置教育资源,建立宪政秩序。

考虑车辆绕行的低碳校车路径优化模型

为了合理规划校车路径以降低碳排放,建立以考虑行驶距离和载重的碳排放最小化为优化目标,及以车辆绕行和容量为约束的低碳校车路径优化模型(GCSBRPTW).针对绕行问题,引入绕行因子并转化为单侧时间窗约束;设计了一种基于Lin-Kernighan heuristic(LKH)算法和莱维飞行算子的改进蚁群算法(LKH-Levy-ACO)对模型进行求解,其中LKH算法和莱维算子分别用于提高算法寻优效率和全局搜索能力.最后利用泰兴市工业园区班车线路规划实例求解,展开绕行因子取值对比、GCSBRPTW与传统校车路径模型对比、LKH-Levy-ACO与传统蚁群算法等4种算法对比实验.结果显示,绕行因子取值越小,最优解越差,GCSBRPTW比传统校车路径模型降低了约0.70%的碳排放,且LKH-Levy-ACO算法比传统蚁群算法降低了6.19%的碳排放,证明了模型的实用性和算法的有效性.

校车路径问题模型及算法研究进展

校车路径问题(SBRP)自1969年提出以来,学者们一直在探索其模型及求解算法.文章分析了SBRP涉及的因素及其分类方法,讨论了SBRP模型中目标和约束的特征,按照精确算法、启发算法和元启发算法对求解方法进行分类回顾总结,并对SBRP算法未来的研究方向作以展望.

校车路径问题元启发算法框架设计及应用

校车服务有单校、多校不混载和多校混载等多种运营模式,规划路径时考虑的约束条件和目标不同衍生出多种校车路径问题(SBRP)的应用场景.SBRP属于NP问题,中大规模的应用基本都是采用启发式算法求解.在分析SBRP问题模型的基础上,总结元启发算法的特征,设计一个针对SBRP的元启发算法框架.该框架能够支持三种运营模式、不同的约束条件、单目标或多目标问题求解.最后利用框架直接构建具体应用的元启发求解算法,采用国际标准案例库对算法进行验证.结果表明基于框架可以快速地实现不同应用场景下SBRP的元启发算法.

时空相关的混载校车路径问题邻域搜索

为节约混载校车路径问题求解过程中邻域解搜索的时间,引入时空距离和时空相关度概念,将邻域搜索空间限定在合理的范围内。该算法首先计算站点间的时空距离,再附加上简单约束的预判断,从而得到时空相关度矩阵。然后对于任意学生乘车站点,将其他可能与之直接相连的站点按照时空相关度排序,形成一个邻接列表。在邻域搜索过程中,通过限定邻接列表长度,仅尝试最终接受概率较大的一部分移动操作,以此缩小邻域搜索空间,从而提高算法效率。在国际标准案例上的测试结果表明,基于时空相关度的搜索策略能在基本不降低求解质量的情况下,平均节省50%以上的求解时间。

需求可拆分校车路径问题的元启发式算法

校车路径规划中,允许站点乘车需求拆分通常能有效地降低校车服务成本。将该问题定义为需求可拆分校车路径问题(SDSBRP)进行求解。由于校车服务中要顾及学生最大乘车时间,且优化目标要兼顾所需校车数量和校车行驶距离,经典SDVRP算法难以直接应用于SDSBRP。因此分析了该问题的解特征,首次构建双目标SDSBRP数学模型,并首次设计针对该问题的元启发式求解算法。该算法首先构造初始可行解,然后在模拟退火算法框架下,引入站点需求拆分的邻域搜索算子进行迭代搜索,逐步改善解的质量。邻域搜索中,设计了多目标问题的邻域接受准则来引导邻域解的搜索方向,并引入破坏重建机制来增加解的多样性。使用已有的测试案例集和改造的测试案例进行算法测试,实验结果表明所提算法收敛性好,能够显著降低校车服务成本。

车辆数限制的多车型校车路径问题模型及算法研究

为适应校车路径规划中校车有多种车型且每种车型数量受限的需求,建立车辆数限制的多车型校车路径问题(HFSBRP)的数学模型,并提出一种迭代局部搜索算法进行求解。该算法借助邻域随机选择的变邻域下降搜索(VND)算法完成局部提升。局部提升过程中,首先调整车型,然后再混合使用缩减路径数和提高车辆利用率的邻域解接受策略以提高算法的寻优能力,为保证解的多样性,允许接受一定偏差范围内的邻域解。此外,为避免算法过早陷入局部最优,设计了多点交换和移动的扰动规则。基于国际基准测试案例进行模型验证和算法测试,实验结果表明了模型的正确性和算法的有效性。

基于改进蚁群算法的校车路径规划问题研究

针对校车路径规划问题,基于约束条件及优化目标,考虑交通拥堵状况,建立了最小化校车数量和最小化校车行驶时间的混合整型规划模型,并用改进的蚁群算法进行求解。该算法分为2个阶段:(1)对所有站点进行区域划分,以最小化车辆数和负载均衡为目标,把所有站点划分为若干个规模较小的区域;(2)考虑交通拥堵情况,利用改进的蚁群算法进行区域内路线优化。仿真结果表明:该算法收敛速度较快,适合大型校车路径优化问题。

多目标校车路径问题的变邻域搜索算法

针对兼顾车辆数和运营里程的多目标校车路径问题(SBRP),先建立其数学模型,然后提出一种变邻域搜索(VNS)算法分阶段求解.算法从初始解从发,通过抖动过程对当前解进行扰动,然后借助多个邻域算子对新解进行局部搜索.搜索过程中根据当前优化目标对邻域解进行评价,并采用一种基于偏差系数的解接受规则接受新的邻域解,保证了解的多样性.使用VNS算法求解36个测试案例,并分别与CPLEX精确求解和蚁群算法进行了比较.实验结果表明:本文设计的VNS算法能够有效地求解兼顾车辆数和运营里程的多目标校车路径问题.

高校校车联营的协同车辆路径问题

考虑城市高校校区分散、教职工通勤安全、高校和教职工双方利益及道路路况影响校车行驶速度等因素,建立高校校车联营的协同车辆路径问题模型。充分利用蚁群优化算法和遗传算法的优势,引入了平滑机制和混沌搜索机制,构造了混合蚁群协同算法。对实例进行仿真表明,该算法在收敛速度和寻优结果两方面都优于遗传算法和蚁群优化算法,而且高校校车联营的模式不仅节约了高校经费开支,还缓解了交通拥堵,因此对城市的发展有重要的意义。

基于泊松过程的校车优化调度问题研究

针对传统校车调度方案中管理不灵活的缺点,提出一种基于动态调度原理和分段齐次泊松过程的双目标优化模型。首先利用泊松分布对发车时间间隔进行非等时优化,得到发车间隔序列,再据此计算出一天内的发车时刻,最后进行泊松随机数编程模拟不同时刻的乘车人数,得到调度方案。以武汉理工大学为例进行模型检验,所得结果表明该方案易于管理、灵活方便。

求解多车型校车路径问题的带参数选择机制的GRASP算法

考虑到校车路径安排过程中不同车型容量和成本的差异,建立了多车型校车路径问题(SBRP)模型,并提出了一种带参数选择机制的贪婪随机自适应(GRASP)算法进行求解。在初始解构造阶段,设计一组阈值参数控制受限候选列表(RCL)的大小,使用轮盘赌法选择阈值参数。完成初始解构造后,使用可变邻域搜索(VNS)进行邻域解改进,并记录所选择的参数和解的目标值。算法迭代过程中,先设置相同阈值参数的选择概率,每隔若干次迭代后,评估每个阈值参数的性能并修改其选择概率,使得算法能够得到更好的平均解。使用基准测试案例进行了测试,比较了基本GRASP算法与设计的GRASP算法的性能,并与现有求解多车型校车路径问题的算法进行对比,实验结果表明所设计的算法是有效的。

校车路径问题的约束检测算法

依据校车服务学校的数量和顺序可将校车路径问题(SBRP)分为单校、多校不混载和多校混载三类。现有算法对不同类型的SBRP进行容量、时间窗等约束检测时采用不同的方法,对待复杂应用需要通过遍历进行检测。为此设计一种适用于不同类型SBRP的分段检测算法,将路径上的学校站点视为检测点,按检测点对路径分段,基于各个检测路段上的剩余容量和剩余时间检测整条路径是否违反约束。最后在大规模混载校车路径问题上的实验表明分段检测算法是有效的。

校车路径问题的改进迭代局部搜索算法

针对考虑站点服务时间、学生最大乘车时间约束的校车路径问题(SBRP),提出一种改进迭代局部搜索(ILS)算法以提升求解质量。该算法使用大规模邻域搜索(LNS)算法作为扰动算子;在解的破坏过程中,设计一组解的破坏因子并赋予一定的选择概率,每隔若干次迭代后根据解的质量自适应更改破坏因子的选择概率,进而调整解的破坏程度。为提升ILS解的多样性,算法采用了基于偏差系数的邻域解接受准则。在国际基准测试案例上进行了测试,测试结果表明在ILS算法中使用自适应调整破坏程度的LNS扰动比常规扰动和其他破坏扰动的求解质量有大幅提升;与蚁群算法的比较结果进一步验证了改进算法的有效性。

一种求解多校多车型校车路径问题的元启发算法

针对多种车型可用的多校校车路径问题(SBRP),建立数学模型,并提出了一种迭代局部搜索(ILS)元启发算法进行求解。该算法引入并改进了带时间窗的装卸一体化问题(PDPTW)求解中的点对邻域算子,并使用可变邻域下降搜索(VND)完成局部提升。局部提升过程中,设计一种基于路径段的车型调整策略,尽可能地调整车型,降低成本,并允许接受一定偏差范围内的邻域解以保证搜索的多样性。对于局部提升得到的最好解,使用多点移动方法对其进行扰动,以避免算法过早陷入局部最优。在国际基准测试案例上分别测试多校混载和不混载模式下算法的性能,实验结果验证了设计算法的有效性。进一步使用提出的算法求解单车型多校SBRP问题,并与后启发算法、模拟退火算法和记录更新法等算法进行比较,实验结果表明该算法仍然能够获得较好的优化效果。

求解多车型校车路径问题的混合集合划分的GRASP算法

针对不同规划场景下具有不同优化目标的多车型校车路径问题(HSBRP),提出一种混合集合划分(SP)的贪婪随机自适应(Greedy Randomized Adaptive Search Procedure,GRASP)算法。根据GRASP算法寻优过程中产生的路径信息构建SP模型,然后使用CPLEX精确优化器对SP模型进行求解。为了适应不同类型的HSBRP问题,改进GRASP的初始解构造函数得到一个可行解,并将其对应的路径放入路径池;在局部搜索过程中应用多种邻域结构和可变邻域下降(VND)来提升解的质量,同时在路径池中记录在搜索过程中得到提升的路径和在每次迭代中得到局部最好解的路径信息。使用基准测试案例进行测试,实验结果表明在GRASP算法中,混合SP能够有效地提高算法的求解性能和稳定性,并且该算法能适应不同优化目标下车型混合和车辆数限制两类HSBRP的求解;与现有算法的比较结果再次验证了所提算法的有效性。

求解校车问题的改进量子行为粒子群算法

本文以甘肃民族师范学院校车运行路线问题为例,探讨了校车问题,给出了路线优化数学模型,提出了改进的量子行为粒子群算法,最后对该模型的理论性和有效性做出了证明。

校车路径问题文献综述

文中是对校车路径问题的综合回顾。首先详细描述了校车路径问题,指出其实质就是车辆路径问题,根据学校时间窗、车载容量等约束条件,选择合适的路线将学生从站点送到目标学校。综合国内外相关的文献,将校车路径问题分为了三类:单校SBRP、多校不混载SBRP、多校混载SBRP,依此顺序分别阐述的国内外学者对于校车路径问题的主要思想和算法等研究成果。

基于运营和出行成本的校车路径问题研究

为解决农村地区校车路网布局中校方运营成本过高,以及乘车站点分布散乱导致校车服务质量差的问题,建立混载与不混载场景下多目标校车路径规划问题(SBRP)模型.在不混载情景下,构建以学生出行成本和校方运营成本为优化目标的融合校车服务水平的SBRP数学模型;在混载情景下,构建考虑校车投入成本与运营成本的SBRP数学模型.通过对比多个启发式算法,确定基于模拟退火算法的求解流程和基于遗传算法求解结果的横向比对.最后,在国际基准案例上进行了测试,基于模拟退火算法引入不同搜索算子求解不同场景下构建的SBRP数学模型,应用于山东日照五莲县校车路径优化设计,结果表明不混载SBRP情景下,提出的方法较原校车运营方式,校车投入量、行驶里程、行程成本分别减少28.6%、37.8%、35.6%,考虑到学生的校车服务感知度,学生出行成本降低4.3%;由于混载情景的复杂性,难以有效兼顾出行成本,提出的方法较原校车运营方式的学生出行成本增加了0.5%,但校车投入量、行驶里程、行程成本分别减少37.5%、42.0%、35.8%,更好地验证了构建模型的有效性及模拟退火算法相较于遗传算法,能够更大程度提高农村地区校车服务质量和降低校方运营成本.