一种基于改进NSGA-III算法的城市共享单车部署多目标优化方法

一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法
技术领域
1.本发明属于优化调度领域，特别涉及一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法。


背景技术：

2.自行车作为一种不污染环境、成本低廉、自由方便的日常代步工具，在城市短途出行中具有无法替代的作用。在城市化和机动化高速发展时期，自行车出行用户大量流失，随着交通拥堵、环境恶化等问题的出现，环境友好型的交通工具越来越得到关注，其中对自行车发展的关注尤为明显。国内共享单车的发展仍处于起步时期，从2015年共享单车概念的提出、资本运作和商业布局，到2016年首次投入市场，共享单车以“随取随用”为目的，开始活跃在一线城市和二线城市，并逐渐渗透到广大群众的日常出行之中。共享单车的主要用户为在校大学生和上班族，通常用于日常出行，如上下班、购物和周边旅游等。
3.共享单车逐渐替代了公共自行车解决公共交通“最后一公里”的问题，在一定程度上改变了人们的出行方式，但单车租赁地点的管理过于松散，人员流动高峰时段的车辆扎堆问题容易造成交通拥堵，对单车资源管理产生了严重的影响。因此，提高对共享单车的资源分配尤为重要。目前主要采用的缓解方法是规划停放点和单车调度管理，而用户停放意识并不完善，单车调度人力资源需求过高，不能从根本上解决停放点拥堵的问题。随着助力车行业的推出，企业开始限制单车的租赁地点，引导用户停放的方式逐渐出现在大众的视野。在车辆调度方面经常表现为空位借不到车、满位停不了车；用户居住地、商业办公区、商场和公园都存在明显的早晚高峰和单车分配不合理现象。
4.因此，本发明提出了一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法，采用改进的nsga-iii算法，解决了单车分配不合理、停放区域利用率等问题。


技术实现要素：

5.本发明的目的在于解决缩短共享单车部署点距离与分散共享单车聚集之间的矛盾，提供一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法，给出了一种合理的缓解车辆停放区域分配解决方案，提高单车停放区域利用率。
6.为了实现上述目的，本发明所采用的技术方案包括以下步骤：
7.步骤s1.终端信息采集：移动终端采集用户以及共享单车的相关信息，比如位置信息、状态信息、需求信息；
8.步骤s2.构建部署模型：构建以每个部署点能够停放的单车数量为约束条件，以待停的单车到部署点的距离代价总和作为第一目标函数，以部署点之间的停车密度代价总和作为第二目标函数的多目标优化的共享单车部署模型；
9.步骤s3.编码部署点：使用geohash编码找到用户附近停放点，而geohash就是城市地址编码中的一种，它是一种将经度和纬度就转化为字符串的算法，以此减少数据存储空
间以及数据存储效率；
10.步骤s4.处理终端数据：用于将从步骤s1过程中得到的数据，进行步骤s2的操作以后，在进行筛选、存储，对用户的停车需求进行部署点分配算法的计算；
11.步骤s5.部署点分配算法：通过改进的nsga-iii算法求解步骤s2所述的模型，从而得到pareto最优解集或者近似解集；
12.步骤s6.结果推送给用户：将求解出的结果推送给用户。
13.所述步骤s2构建部署模型：假设将时间分段为t＝{1,2,3,...,t}，则每次停车请求存在对应的时间节点。需求停车的车辆集合为i＝{1,2,3,...,i}，在每个时间节点内组成请求队列。停放点集合为j＝{1,2,3,...,j}，即为城市内固定的停放白线区域。目标区域集合为p＝{1,2,3,...,p}，该区域表示某时间节点内的用户目的地，如学校、商场、住宅区等。构建以每个部署点能够停放的单车数量为约束条件，以待停的单车到部署点的距离代价总和作为第一目标函数，以部署点之间的停车密度代价总和作为第二目标函数的多目标优化的共享单车部署模型。
14.第一目标函数：
[0015][0016]
式中，f(x)为所有待停的共享单车到部署点的距离代价总和，x
ij
定义为分配标志位，取值为x
ij
∈{0,1}，表示i车辆是否分配给j部署点。由于共享单车分配具有唯一性，共享单车与单一部署点呈现多对一的逻辑关系。d
ij
表示目标区域p与部署点j之间的距离。
[0017]
第二目标函数：
[0018][0019]
式中，g(x)为所有部署点之间的部署密度代价总和，其中pj表示各部署点的理想停放数。x
ij
定义为分配标志位，取值为x
ij
∈{0,1}，表示i车辆是否分配给j部署点。
[0020]
约束条件：
[0021]
容纳约束：
[0022][0023]
式中，bj表示每个停放点的共享单车容纳上限，x
ij
定义为分配标志位，表示i车辆是否分配给j部署点。
[0024]
唯一性约束：
[0025][0026]
式中，x
ij
定义为分配标志位，表示i车辆是否分配给j部署点，且共享单车分配具有唯一性，共享单车与单一部署点呈现多对一的逻辑关系。
[0027]
所述步骤s5部署点分配算法所用到的改进的nsga-iii算法具体过程如下：
[0028]
步骤s51.种群初始化：根据共享单车部署模型的目标函数和约束条件，初始化种群，种群中的个体根据相互间的支配关系分为若干层级。对种群中的所有个体进行归一化，并关联至参考点。
[0029]
步骤s52.基因操作：通过精英策略对种群进行选择、交叉、变异等基因操作，并引入拥挤度算子，产生子代种群。
[0030]
步骤s53.种群合并：合并父代种群和子代种群，再次进行非支配排序、个体归一化和关联操作，迭代更新种群。
[0031]
步骤s54.预测基因序列：将新的子代加入到训练集，预测一个染色体基因序列，再修剪合并的种群，把修剪后的种群作为下一次迭代的父代种群。迭代循环往复，直至达到预先设定共享单车部署模型的收敛条件，输出pareto最优解集。
[0032]
所述步骤s52基因操作，在产生子代种群的过程中引入基于参考点的拥挤度算子，对算法进行了改进，具体计算过程如下：使用快速非支配排序原则，来将种群划分为非支配级别；对种群成员进行自适应归一化，得出归一化超平面，在超平面上提供一组参考点；对每个种群成员与提供的参考点进行关联，并计算每个参考点的小生境数；计算每个参考点的小生境数(即与该参考点相关联的种群成员的数量)，对小生境数进行升序排序，若是参考点小生境数为0，则说明没有种群成员与该参考点相关联，该参考点可以被排除在当前一代的进一步考虑之外。从小生境数大于等于1并且从小生境数最小的参考点开始选，当有小生境数相同的参考点时随机选取一个，在这种情况下，被选取的参考点，有一个或多个成员与其相关联，与参考线垂直距离最短的那一个被加入到下一代s
t
中。该参考点的小生境数加l；再对所有参考点的小生境数重新计算，继续上一步骤，重复进行k次，以填充s
t
中的所有空余的种群槽。把临时种群作为下一代的父代种群，即p
t+1
＝s
t
。
[0033]
与现有技术相比，本发明具有以下有益效果及优点：
[0034]
(1)针对缩短共享单车部署点距离与分散共享单车聚集之间的矛盾，构建基于多目标优化的共享单车部署模型，并提出一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法，将车辆分配顺序作为染色体的基因序列，并在遗传算法的子代生成步骤引入基于参考点的拥挤度算子，对算法进行了改进，使其收敛到pareto最优解的速度变快。
[0035]
(2)能够有效缓和待停的单车到部署点的距离代价总和以及部署点之间的停车密度代价总和之间的关系。
附图说明
[0036]
图1为本发明一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法步骤示意图。
[0037]
图2为本发明改进的nsga-iii算法流程示意图。
具体实施方式
[0038]
实施例：
[0039]
如图1所示，本发明实施例提供了一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法，包括以下六个方面的步骤：
[0040]
所述步骤s1终端采集信息：用于采集用户停放需求，并发送用户的位置信息、车辆信息、用户个人信息，系统以秒为单位采集用户的请求，将实时请求组成请求队列。
[0041]
所述步骤s2构建部署模型：用于构建以每个部署点能够停放的单车数量为约束条件，以待停的单车到部署点的距离代价总和作为第一目标函数，以部署点之间的停车密度代价总和作为第二目标函数的多目标优化的共享单车部署模型。
[0042]
所述步骤s3编码部署点：用geohash编码找到用户附近停放点，用于将坐标转换为
二进制字符串序列，计算队列中用户与附近停放点组成的距离矩阵，同时减少了寻找停车位的开销。
[0043]
所述步骤s4处理终端数据：用于将从终端接收到的数据，进行筛选、存储，对用户的停车需求进行部署点分配算法的计算。
[0044]
所述步骤s5部署点分配算法：使用停车需求进行部署点分配算法，通过改进的nsga-iii算法求解总距离代价与平均密度代价，从而得到pareto最优解集或者近似解集。
[0045]
所述步骤s6结果推荐给用户：将最终求出的解集推荐给用户，将每一个时间点内的请求队列排列组合出最符合模型和约束条件的序列，包括推荐停放点和备选停放点，将序列所匹配到的停放点推荐给各用户，移动终端接收到推荐信息显示路径规划信息进行导航。
[0046]
如图2所示，为本发明实施例提供的改进的nsga-iii算法流程示意图，此算法用于步骤s5求解模型，其具体过程如下：
[0047]
首先，根据共享单车部署模型的目标函数和约束条件，初始化种群，种群中的个体根据相互间的支配关系分为若干层级。对种群中的所有个体进行归一化，并关联至参考点；然后，通过精英策略对种群进行选择、交叉、变异等基因操作，并引入拥挤度算子，产生子代种群；再然后，合并父代种群和子代种群，再次进行非支配排序、个体归一化和关联操作，迭代更新种群；最后，将新的子代加入到训练集，预测一个染色体基因序列，再修剪合并的种群，把修剪后的种群作为下一次迭代的父代种群。若达到最大迭代次数，直接输出结果；若达到最大迭代次数，再次进行种群的合并，迭代循环往复，直至达到预先设定共享单车部署模型的收敛条件，输出pareto最优解集。
[0048]
本发明提出的一种基于改进nsga-iii算法的城市共享单车部署多目标优化方法，在共享自行车使用高峰情况下，请求停车服务时的部署点分配问题，指出了遗传算法在数据量增加时的局部搜索能力，容易陷入局部最优的缺点。和传统的nsga-iii算法相比，本发明提出的一种基于改进nsga-iii算法能在较短的时间内找到最优解，提高了遗传算法的搜索能力。同时，使用geohash算法将坐标转换为二进制字符串序列，减少了寻找停车位的开销。且本发明提出的改进的nsga-iii算法收敛速度更快，解集空间分布性更优，因此本发明提出的改进的nsga-iii算法相对于nsga-iii算法可更快更好的得到非支配解集，适用于城市共享单车部署模型的求解，这是一种有效的优化方案。
[0049]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。