CN111667097B - 基于多链式搜索的同调度室车辆司机排班方法 - Google Patents

Abstract

本发明公开了一种基于多链式搜索的同调度室车辆司机排班方法，首先基于贪婪禁忌搜索算法进行寻找车辆排班可行解；根据公交企业的限制因素进行迭代更新寻找更符合要求的车辆排班可行解；根据最小化损失成本寻找最优可行解最终生成车辆排班可行方案；由公交企业指定司机每日最大里程量进行生成司机排班初始解；通过对车辆排班可行方案采用链式搜索产生符合约束条件的司机排班候选集；根据最小化司机成本进行生成司机排班最终可行方案。本发明在设计过程中考虑到同线路的连续性，尽量避免不同线路的交叉出现。这提高了班次间的可执行性。

Description

基于多链式搜索的同调度室车辆司机排班方法

技术领域

本发明属于公交车辆排班领域，具体是基于多链式搜索的同调度室车辆司机排班技术。

背景技术

公交车辆排班问题本质上就是一个组合优化问题，但是随着问题规模的不断增加，得到最优解的时间复杂度以及计算量便会呈现指数型增长，最终变成NP-hard问题，所以近年来学术上普遍认可采用智能化技术解决该问题。智能化算法作为科学技术的一个重要分支向来受到了学术界的普遍关注。

基于多链式搜索的同调度室车辆司机排班技术(Regional bus schedulingproblem based Muti-chain technology)是一种在一定程度节省资源的前提下平衡车辆与司机关系的一种排班技术。该技术可以很好的平衡司机的劳动时间同时又可以兼顾公交企业的资源。与单条线路相比，该种排班模式可以尽可能的节省资源，与常规区域调度技术相比，该种排班模式又可以尽可能的平衡司机的劳动时间，使得在尽可能节省公交企业资源的前提下最大化司机的劳动效率。

基于多链式搜索的同调度室车辆司机排班技术是一个典型的NP-hard问题，而目前我们解决此类问题主要是采用启发式、遗传算法、集合覆盖等算法。王庆荣等人在《基于改进遗传-模拟退火算法的公交排班优化研究》一文中结合公交企业以及乘客双方的利益提出了基于改进的遗传-模拟退火算法，滕靖等在《纯电动公交时刻表和车辆排班计划整体优化》一文中考虑包括不同时段发车间隔范围、可用车辆数量的限制和纯电动公交续航里程约束在内的多个约束，采用多目标粒子群算法进行求解,基于多目标优先级寻找模型的最优解集合，左兴权等在《一种基于模拟退火算法的公交车辆排班方法》一文中设计了一种编码方法表示问题的解；然后,设计了解的评价方法；最后提出一种模拟退火算法来获取问题的优秀解。但是上述论文并没有考虑到司机的劳动时间是否满足企业的要求同时是否可以在省车的基础上一定程度的节省司机。

发明内容

本发明针对目前区域调度排班技术存在的问题和不足，提供一种在已有车辆排班方案的基础上进行合理的分配司机的排班方法，在充分考虑到最小化车辆使用的基础上同时最大化司机的使用率并且保证司机的劳动时间不会超过公交企业的给定工作时间。

实现上述目的所采用的技术方案是一种基于多链式搜索的同调度室车辆司机排班方法，包括以下步骤。

(1)首先基于贪婪禁忌搜索算法进行寻找车辆排班可行解。

(2)根据公交企业的限制因素进行迭代更新寻找更符合要求的车辆排班可行解。公交企业的限制因素包括：是否限制非同发同收现象、是否现在车辆最大任务量、是否允许对发车在同一部位。

(3)根据最小化损失成本寻找最优可行解最终生成车辆排班可行方案。

(4)由公交企业指定司机每日最大里程量进行生成司机排班初始解。

(5)通过对车辆排班可行方案采用链式搜索产生符合约束条件的司机排班候选集。

(6)根据最小化司机成本进行生成司机排班最终可行方案。

所述的链式搜索包括如下步骤。

(1)由公交企业自定义确定司机的全天最大里程量并确定上浮、下浮指数同时指定需要进行链式搜索的线路的运营里程量。

(2)通过建立多链式搜索的同调度室车辆调度模型获取到最优排班方案。

(3)去除掉车辆排班方案中已经符合司机里程量的部位，此处是为了尽可能少的避免人车分离的现象出现。

(4)此时采用贪婪禁忌算法进行车辆排班调度模型，产生候选集。

(5)通过在给定约束条件的前提下最小化司机数量产生最优司机排班方案。

初始解的生成过程：

其中d_q代表公交企业输入的一个司机全天的工作量。w_q为是否超出给定司机全天工作量的代价损失，其中inf为无限大，α_q代表选择的司机班次链是否满足给定要求；通过上述算法可以初步得到司机排班初始解，该初始解可以最小化司机的数量。

建立多链式搜索的同调度室车辆调度模型Min主函数，建立多链式搜索的同调度室车辆调度模型分成两步进行，第一步建立车辆排班调度模型，第二步建立司机排班调度模型。令场站D＝{D₁，D₂，...，D_m}表示为多线路的场站编号,令班次任务T＝{T₁，T₂，...，T_n}表示为一条线路的班次编号,令线路L＝{L₁，L₂，...，L_k}表示为若干条线路；此时假设生成的班次链数量为Q，班次链具体信息B＝{B₁，B₂，...，B_q}；C₁,C₂,C₃分别表示班次间行驶的成本、非同发同收的成本、超出最大任务量的成本。

Min主函数主要是为了在给定约束条件如是否允许非同发同收、是否限制车辆最大任务量等因素的基础上最小化车辆使用量。约束条件一为是否允许非同发同收现象的发生，约束条件二为是否限制车辆最大任务量，约束条件三为在限制最大任务量的基础上允许车辆的最大运行班次总量，其中INF为一个任意指定的最大值，约束条件四为是否限制非同发同收现象的发生。

建立司机排班调度模型，主要考虑到在符合公交企业政策以及保证司机足够的休息时间下最大化司机的劳动效率和最小化司机的数量：

其中x_q表示班次q的周转时间，e_q表示执行完班次q之后休息时长，c_ij表示司机j去执行班次i的损失代价值，β_j代表选择的司机班次链是否满足给定要求，则此处司机排班调度模型是个多目标函数，其中Min.Z主函数是为了最大化司机的劳动效率,Min.N_j主函数是为了最小化司机的数量。第一个约束条件主要是满足公交企业的地域性需求，第二个约束条件是表示车次j是否会被选中，第三第四个约束条件是为了确保班次i只能在任务中被一个司机所执行。

技术效果

在多线路区域调度过程中应该重点考虑到同线路的连续性，应该尽量避免出现多线路频繁的交叉在同一辆车上出现，因为这样不利于司机的工作。这在一定程度上加大了司机的劳动难度。但本产品在设计过程中考虑到同线路的连续性，尽量避免不同线路的交叉出现。这提高了班次间的可执行性。

由于本产品主要是解决多线路的同调度室调度问题。所以结合多线路的区域调度问题的特性可知本产品在一定程度上相较于单线路排班更加的节省车辆。这可以大大节省公交企业的资源。

目前所存在的多线区域调度技术并没有充分的结合车辆和司机的特性进行执行。而本产品在设计之处就充分考虑到司机的劳动时间以及劳动效率问题。公交企业可以根据自身的实际情况通过灵活的设置参数进行一定程度的节省车辆以及司机的数量。

附图说明

图1是原始车辆排班方案与链式搜索的同调度室车辆排班对比图。

图2是基于多链式搜索的同调度室车辆排班的具体流程图。

图3是传统312、312区间传统手工排班***图。

图4是312、312区间链式排班***图。

具体实施方式

公交车辆排班以及司机排班计划的编制需要考虑多种因素，在进行车辆排班过程中应该主要考虑每个部位的可执行的最大班次量，同时如果在车辆排班过程中包含有对发车的情况还应该考虑到是否允许非同发同收现象的存在。而在进行司机排班的过程中应该重点考虑到司机的最大工作时间以及休息时间，并在不违背公交企业规定的前提下尽可能的提升司机的劳动效率。

近半个世纪以来，我国的公交企业大多采用人车绑定的司机排班模式。人车绑定即固定一个司机只跑一辆车，该模式的好处是便于企业管理以及进行责任划分，但是缺点也相当明显主要有司机的劳动效率较低同时所需公交企业的资源也较多。

1.1基于多链式搜索的同调度室车辆排班技术问题描述

基于多链式搜索的区域车辆排班技术主要是在满足公交企业的限制条件以最小化车辆使用量以及最大化司机劳动效率的前提下提供车辆排班以及司机排班的可行性方案。

因为本产品主要讨论最小化车辆用车排班方案和基于人车分离模式的司机排班方案。

1.2基于多链式搜索的同调度室车辆排班技术

1.2.1算法原理

本产品主要采用基于链式搜索以及贪婪禁忌搜索算法来实现区域车辆排班技术。算法的基本原理：(1)首先基于贪婪禁忌搜索算法进行寻找车辆排班可行解；(2)根据公交企业的限制因素如：是否限制非同发同收现象、是否现在车辆最大任务量、是否允许对发车在同一部位等因素进行迭代更新寻找更符合要求的车辆排班可行解；(3)根据最小化损失成本寻找最优可行解最终生成车辆排班可行方案；(4)由公交企业指定司机每日最大里程量进行生成司机排班初始解；(5)通过对车辆排班可行方案采用链式搜索产生符合约束条件的司机排班候选集；(6)根据最小化司机成本进行生成司机排班最终可行方案。

关于步骤(2)中的“限制因素”，由于不同地区公交企业的政策各不相同所以不同地区的公交企业所需要的排班结果也存在很大的差异性，譬如有些地区的企业可以允许排班过程中出现非同发同收、空驶现象但是有些地区的排班政策严格控制非同发同收现象的存在。所以不同的限制因素对排班的结果影响很大而且本产品可以允许用户根据自己的实际需求进行更改以上限制因素。并且同时考虑到这些因素的限制条件也是本***的一个亮点。

关于步骤(4)中的初始解的生成过程如下所示：

本产品主要通过链式技术随机选择两车并组成适量的司机，而本步骤的主要目的是尽量减少司机的数量，具体算法如下所示：

其中d_q代表公交企业输入的一个司机全天的工作量。w_q为是否超出给定司机全天工作量的代价损失，其中inf为无限大，α_q代表选择的司机班次链是否满足给定要求。

通过上述算法可以初步得到司机排班初始解，该初始解一定程度上可以最小化司机的数量，但是在实际中仍然会存在部分司机会超出给定任务量，即存在部分司机出现疲劳驾驶。

所谓链式搜索技术即在已有车辆排班方案的基础上进行合理的分配司机的过程。

如图1所示如果按照原始车辆排班方案进行司机排班则部位1、部位2总共需要4个司机进行执行当日班次，但是可以发现如果两个部位需要四个司机则会造成司机的劳动时间过段，这在一定程度上会造成公交企业的资源浪费。此时通过链式搜索各部位的排班方案在指定司机最大劳动时间的前提下进行重组司机排班。可以发现在人车分离模式下只需要三个司机便可完成该两个部位的全部任务量这在一定程度上实现了司机效益的最大化，更有助于节约司机成本。

而通过观察部位3、部位4可以发现该两个部位总共需要两个司机完成全部任务。虽然所需司机较少但是司机的劳动时间过长这不利于行车安全同时违背劳动法，此处通过链式搜索可以发现这两个部位通过一定的组合在满足全部约束条件的前提下可以实现三个司机执行完成当日计划。虽然相较于原有方案多用了一个司机，但是这样可以大大降低行车危险概率，同时提升司机的职业舒适度。

链式搜索的具体原理如下所示：

(1)由公交企业自定义确定司机的全天最大里程量并确定上浮、下浮指数同时指定需要进行链式搜索的线路的运营里程量；

(2)通过车辆排班调度模型获取到较优车辆排班方案；

(3)在获取到较优车辆排班方案之后去除掉车辆排班方案中已经符合司机里程量的部位，此处是为了尽可能少的避免人车分离的现象出现；

(4)此时采用基于贪婪禁忌算法进行司机排班调度模型，产生候选集；

(5)通过在给定约束条件的前提下最小化司机数量产生最优司机排班方案。

基于多链式搜索的同调度室车辆排班技术的具体流程如图2所示。

1.2.2基于多链式搜索的同调度室车辆调度模型

建立多链式搜索的同调度室车辆调度模型，此处主要分成两步进行，第一步建立车辆排班调度模型，第二步建立司机排班调度模型。令场站D＝{D₁，D₂，....，D_m}表示为多线路的场站编号,令班次任务T＝{T₁，T₂，...，T_n}表示为一条线路的班次编号,令线路L＝{L₁，L₂，..，L_k}表示为若干条线路。此时假设生成的班次链数量为Q，班次链具体信息B＝{B₁，B₂，...，B_q}。同时C₁,C₂,C₃分别表示班次间行驶的成本、非同发同收的成本、超出最大任务量的成本。

其中车辆排班调度模型如下所示：

此处Min函数主要是指车辆调度模型，Min主函数主要是为了在给定约束条件如是否允许非同发同收、是否限制车辆最大任务量等因素的基础上最小化车辆使用量。约束条件一即为是否允许非同发同收现象的发生，约束条件二为是否限制车辆最大任务量，约束条件三为在限制最大任务量的基础上允许车辆的最大运行班次总量，其中INF为一个任意指定的最大值，约束条件四为是否限制非同发同收现象的发生。

司机排班调度模型：在建立司机排班调度模型中主要考虑到在符合公交企业政策以及保证司机足够的休息时间下最大化司机的劳动效率和最小化司机的数量。

其中x_q表示班次q的周转时间，e_q表示执行完班次q之后休息时长，c_ij表示司机j去执行班次i的损失代价值，β_j代表选择的司机班次链是否满足给定要求，则此处司机排班调度模型是个多目标函数，其中Min.Z主函数是为了最大化司机的劳动效率,Min.N_j主函数是为了最小化司机的数量。第一个约束条件主要是满足公交企业的地域性需求，第二个约束条件是表示车次j是否会被选中，第三第四个约束条件是为了确保班次i只能在任务中被一个司机所执行。

与普通的区域调度排班技术相比，本产品在充分考虑到最小化车辆使用的基础上同时最大化司机的使用率并且保证司机的劳动时间不会超过公交企业的给定工作时间。接下来主要从班次的可执行性、节省车辆、节省司机三个方面来介绍本产品的优势。

在多线路区域调度过程中应该重点考虑到同线路的连续性，应该尽量避免出现多线路频繁的交叉在同一辆车上出现，因为这样不利于司机的工作。这在一定程度上加大了司机的劳动难度。但本产品在设计过程中考虑到同线路的连续性，尽量避免不同线路的交叉出现。这提高了班次间的可执行性。

通过改排班能够一键实现多线路车辆司机与多线路作业计划高效智能匹配，相比公交企业传统手工针对多线路作业计划安排车辆司机更高效智能、更节省时间。

相比传统轮序式排班能够降低车辆司机在场等待时间、提高车辆在岗时间，进而能够提高车辆司机利用率并从当前线路配车中节省车辆司机，并且从当前多条线路节省下来的公交车辆和公司机可以去跑定制公交、网约公交、公交电话约车或投入到新开的公交线路上使用，从而降低企业人力成本、购车成本和提高公交企业经济效益。

案例：以线路312、312区间为例进行传统手工排班和链式排班对比分析。

传统312、312区间传统手工排班如图3。312、312区间链式排班如图4。

传统手工排班与链式排班车辆使用情况对比如下表1。

传统手工排班(台)	链式排班车辆(台)	节省车辆(台)
			19	16	3

312链式312区间班次数分析如下表2。

线路班次数	链式班次数	总班次数	链式班次占比
				60	21	81	25.93％

Claims (3)

1.一种基于多链式搜索的同调度室车辆司机排班方法，其特征在于，包括以下步骤：

步骤1：首先基于贪婪禁忌搜索算法进行寻找车辆排班可行解；

步骤2：根据公交企业的限制因素进行迭代更新寻找更符合要求的车辆排班可行解；

步骤3：根据最小化损失成本寻找最优可行解最终生成车辆排班可行方案；

步骤4：由公交企业指定司机每日最大里程量进行生成司机排班初始解；

初始解的生成过程：

其中d_q代表公交企业输入的一个司机全天的工作量，w_q为是否超出给定司机全天工作量的代价损失，其中inf为无限大，α_q代表选择的司机班次链是否满足给定要求；通过上述算法可以初步得到司机排班初始解，该初始解可以最小化司机的数量；

步骤5：通过对车辆排班可行方案采用链式搜索产生符合约束条件的司机排班候选集；

步骤6：根据最小化司机成本进行生成司机排班最终可行方案；

所述的链式搜索包括如下步骤：

1)由公交企业自定义确定司机的全天最大里程量并确定上浮、下浮指数同时指定需要进行链式搜索的线路的运营里程量；

2)通过建立多链式搜索的同调度室车辆调度模型获取到最优排班方案；

3)建立司机排班调度模型，主要考虑到在符合公交企业政策以及保证司机足够的休息时间下最大化司机的劳动效率和最小化司机的数量：

其中x_q表示班次q的周转时间，e_q表示执行完班次q之后休息时长，c_ij表示司机j去执行班次i的损失代价值，β_j代表选择的司机班次链是否满足给定要求，则此处司机排班调度模型是个多目标函数，其中Min.Z主函数是为了最大化司机的劳动效率,Min.N_j主函数是为了最小化司机的数量；第一个约束条件主要是满足公交企业的地域性需求，第二个约束条件是表示车次j是否会被选中，第三第四个约束条件是为了确保班次i只能在任务中被一个司机所执行；

4)去除掉车辆排班方案中已经符合司机里程量的部位，此处是为了尽可能少的避免人车分离的现象出现；

5)此时采用贪婪禁忌算法进行车辆排班调度模型，产生候选集；

6)通过在给定约束条件的前提下最小化司机数量产生最优司机排班方案。

2.根据权利要求1所述的基于多链式搜索的同调度室车辆司机排班方法，其特征在于，步骤2中公交企业的限制因素包括：是否限制非同发同收现象、是否现在车辆最大任务量、是否允许对发车在同一部位。

3.根据权利要求1所述的基于多链式搜索的同调度室车辆司机排班方法，其特征在于，步骤6中建立多链式搜索的同调度室车辆调度模型Min主函数，令场站D＝{D₁，D₂，...，D_m}表示为多线路的场站编号,令班次任务T＝{T₁，T₂，...，T_n}表示为一条线路的班次编号,令线路L＝{L₁，L₂，..，L_k}表示为若干条线路；此时假设生成的班次链数量为Q，班次链具体信息B＝{B₁，B₂，...，B_q}；C₁,C₂,C₃分别表示班次间行驶的成本、非同发同收的成本、超出最大任务量的成本；

；

Min主函数是为了在给定约束条件的基础上最小化车辆使用量；约束条件一为是否允许非同发同收现象的发生，约束条件二为是否限制车辆最大任务量，约束条件三为在限制最大任务量的基础上允许车辆的最大运行班次总量，其中INF为一个任意指定的最大值，约束条件四为是否限制非同发同收现象的发生。