一种车联网环境下的城市车辆协同选路方法

随着智能导航设备的不断普及,越来越多的驾驶员使用智能导航设备来选择自己的行驶路径.现有的选路方法往往采用城市道路地理信息、历史行驶信息以及交通信息中心提供的实时交通状态来进行路径的规划.而城市车辆数目增加使得车辆间的相互作用逐渐成为了影响车辆行驶时间的主要因素之一,现有的选路方法已经无法满足现今城市的导航需求.因此有必要设计一种能够考虑选路车辆间相互作用的新型选路算法来应对这种新的变化.该文首先对车辆运动过程中的相互作用进行了研究,并量化了车辆选路行为对其他车辆的影响,进而提出了一种车联网环境下的城市车辆协同选路方法(Collaborative Route Planning,CoRP).该方法通过收集并分析联网车辆的行驶规划信息,在为车辆提供更适用于实际交通情况的路径规划方案的同时减少车辆选路行为对其它车辆带来的负面影响.仿真实验表明,相较于现有的选路方法,该方法能够提升城市车辆选路的协同性,降低了18%~30%的道路最大滞留车辆数目,并减少了14%~29%的车辆整体行驶时间开销,在很大程度上改善了城市道路拥塞的情况.

基于博弈论的内河港口作业车辆协同选路方法

针对以汽车运输为主且吞吐量较大的内河港口的交通拥堵问题,提出一种基于博弈论的内河港口作业车辆协同选路方法。首先,基于港口路网特征与车辆作业特点,将同时请求路径规划的作业车辆间的交互建模为不完全信息博弈,采用满足均衡(SE)的概念来分析该博弈。假设每个车辆对选路效用都有一个预期,当所有车辆都得到满足时博弈即达到均衡。然后,提出了一种车辆协同选路算法,算法中每个车辆首先按照贪心策略初始选路,之后将所有车辆按规则分组,组内车辆根据历史选路结果进行适应性学习并完成博弈。实验结果表明,当港区同时作业车辆数为286时,协同选路算法的车辆平均行驶时间分别比Dijkstra算法和自适应学习算法(SALA)少50.8%和16.3%,系统收益分别比Dijkstra算法和SALA提高51.7%和24.5%。所提算法能够有效减少车辆平均行驶时间,提高系统收益,更适用于内河港口车辆选路问题。

遗传算法求解带限行约束配送网点选址模型

以电商、物流企业的成本最低化为目标,考虑车辆的装载水平、客户需求量、道路限行等约束,提出带限行约束的城市配送网点选址双层规划模型,上层模型考虑电商企业的配送成本,下层模型考虑第三方物流企业的网点建设成本及配送成本。针对该双层模型使用遗传算法进行求解,以电商企业的营业情况为背景,分别使用带限行和不限行约束的双层规模进行求解。与当前的运营方案进行比较,比较结果表明,带限行模型方案下配送中心的日均运营成本比现有方案下降27.3%,系统总的运营成本下降5.2%。