CN113537761A - 基于粒子群算法的私家车位分配优化方法 - Google Patents
基于粒子群算法的私家车位分配优化方法 Download PDFInfo
- Publication number
- CN113537761A CN113537761A CN202110793223.8A CN202110793223A CN113537761A CN 113537761 A CN113537761 A CN 113537761A CN 202110793223 A CN202110793223 A CN 202110793223A CN 113537761 A CN113537761 A CN 113537761A
- Authority
- CN
- China
- Prior art keywords
- parking space
- optimal
- algorithm
- particle swarm
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 230000019637 foraging behavior Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于粒子群算法的私家车位分配优化方法,本发明所述基于粒子群的私家车位分配优化方法,在粒子群算法的基础上,更注重整体的多目标优化。该算法将每一个车位作为一个目标,单个车位的调度方案作为粒子,通过粒子不停地向最优解方向运动,进而得出可以使得多目标整体最优的解决方案。由于使用粒子群算法可以使得车位资源在不影响单个用户体验的情况下得到最大化利用;相对于其他算法,该算法不易陷入局部最优状态;同时可以获得多组较优解,便于实际应用;算法收敛速度快;因此本发明继承了粒子群算法的优点,可以更快的获取到较优的解决方案,具有一定的应用价值。
Description
技术领域
本发明涉及一种基于粒子群算法的私家车位分配优化方法,特别适合涉及在车位智能共享与分配中,属于粒子群算法应用的技术领域。
背景技术
机动车数量的快速增长导致城市交通更为拥堵,进而衍生出停车位价格上涨,驾车外出车位难以寻找等问题,严重影响了机动车车主的自驾出行体验。同时,随着汽车数量急增,相应停车位的增长却远远落后,“停车难”问题已成为我国各个中型、大型城市面临的严峻问题,破解“停车难”已成为提升城市品质、服务民生、改善人居环境的必然要求,也是构建和谐社会应有之义。
本发明使用粒子群多目标优化算法,使得车位资源在不影响单个用户体验的情况下得到最大化利用。相对于其他方法,该方法不易陷入局部最优状态,同时可以获得多组较优解,具有一定的应用价值。
发明内容
针对背景技术中所提到的现有技术的不足,本发明的主要目的是公开一种基于粒子群算法的私家车位分配优化方法。
本发明所采用的技术方案是:基于粒子群算法的私家车位分配优化方法,包括以下步骤:
(1)首先采用优先“冷门”车位的策略对粒子移动进行规划;
(2)在粒子的移动过程中,需要计算出每个需求可以被满足的车位数;
(3)当每个粒子经过n次移动后,会保留每个粒子的最佳位置,即可得到车位最佳的分配方案。
上述基于粒子群算法的私家车位分配优化方法,所述步骤(1)的具体步骤为:
1-1)优先“冷门”车位的策略对车位优选及规划具有重要前提,因此在粒子的移动过程开始前需要通过该策略进行调整。
1-2)在调整过程中,涉及到的数据有车位编号以及用户车位需求。
上述基于粒子群算法的私家车位分配优化方法,所述步骤(2)的具体步骤:
2-1)粒子移动过程前,还需要计算出每个请求可以被满足的车位数。
2-2)粒子移动过程中,用户的请求有更大的机会分配到合适的车位中,进而实现整体车位占用率最优。
本步骤具体分为以下两个部分:
2-2-1)在粒子群算法的具体移动过程中,对于正向移动操作,即向车位中添加新的车辆请求,在满足速度大小限制的情况下,优先添加车位数较小的车辆请求到相应的车位分配方案中;
2-2-2)在粒子群算法的具体移动过程中,对于反向移动操作,即从车位分配方案中删除某车辆请求,在满足速度大小限制的情况下,优先选择车位数较大的车辆请求。
上述基于粒子群算法的私家车位分配优化方法,所述步骤(3)的具体步骤为,在经过n次移动后,每个粒子会保留其经过的位置中最佳处,而这个最佳位置就是车位最佳的分配方案。
上述基于粒子群算法的私家车位分配优化方法,所述的粒子群算法的原理如下,粒子群算法是一种进化算法,它是受到自然界中鸟类群体觅食行为的启发而发展起来的。鉴于其实现简单、搜索高效、收敛快速,在各类复杂的实验中和各类实际工程应用中,均受到了广泛应用;粒子群算法利用鸟群群体中每个个体之间的交互以及鸟群中离食物最近的个体的状态,引导种群中全部个体都向着食物的方向移动,从而获得种群最优解。
上述基于粒子群算法的私家车位分配优化方法,所使用的是带有权值的基础粒子群算法,其目的是通过其在车位分配上的实际应用进行了相关参数的设置与改良,权值的设定使得算法更容易脱离局部最优状态,获得全局最优。
第一步,将每个待分配的车位作为个体,同一区域内的所有车位作为种群,每个车位的分配方案作为个体的位置,每个车位的占用率作为适应度函数,根据公式计算出来的车位占用率的变化值作为速度,方向则由当前车位的占用率与期望的占用率决定,通过对分配方案的动态调整实现粒子的移动。使用的带有权值的粒子群公式如下:
vi=ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi) (1)
xi=xi+ci (2)
公式(1)中,ω为惯性因子,表示:其值为非负,其值越大,全局寻优能力强,局部寻优能力弱;其值越小,全局寻优能力弱,局部寻优能力强。pbesti为全局最优。gbesti为局部最优。公式(2)中,c1 c2为学习因子。
第二步,将单个车位最佳占用率作为个体最优(局部最优),整体车位平均最佳占用率作为群体最优。
第三步,最终获得的粒子位置就是整体车位占用率最佳的分配方案。
与现有技术相比,本发明公开了一种基于粒子群算法的私家车位分配优化方法,其有益效果是:
1.本发明所述粒子群优化算法参数少、简单易于实现,并且粒子群优化算法的粒子具有记忆性,收敛速度快,能快速收敛至最优解,可以更快的获取到较优的解决方案,具有一定的应用价值。
2.本发明所述基于粒子群优化算法的私家车位分配优化方法,基于粒子群算法实现,由于粒子群优化算法需要调整的参数少、结构简单,依靠粒子的速度完成搜索,搜索速度快,因此本发明车位分配优化方法继承了粒子群算法的优点,使得车位资源在不影响单个用户体验的情况下得到最大化利用;且相对于其他算法,本发明车位分配优化算法不易陷入局部最优状态,同时可以获得多组较优解,便于实际应用。
3.在粒子群算法的基础上,,本发明车位分配优化算法更注重于多目标整体的优化。本发明所述基于粒子群优化算法的私家车位分配优化方法,将每一个车位作为一个目标,单个车位的调度方案作为粒子,通过粒子不停地向最优解方向运动,进而得出可以使得多目标整体最优的解决方案。
附图说明
为了让读者更清晰地了解本专利实施地方案,下面将对本专利具体实施方式中的附图作简单介绍:
图1为本发明实施的粒子群优化算法寻优流程图。
图2为本发明实施的车位智能共享实体联系图。
具体实施方式
下面结合附图和实例对本发明进一步的说明。
针对背景技术中所提到的现有技术的不足,本发明的主要目的是公开一种基于粒子群算法的私家车位分配优化方法。
如图1所示,基于粒子群算法的私家车位分配优化方法,包括以下步骤:
1)首先采用优先“冷门”车位的策略对粒子移动进行规划;
1-1)优先“冷门”车位的策略对车位优选及规划具有重要前提,因此在粒子的移动过程开始前需要通过该策略进行调整。
1-2)在调整过程中,涉及到的数据有车位编号以及用户车位需求。
2)在粒子的移动过程中,需要计算出每个需求可以被满足的车位数;
2-1)粒子移动过程前,还需要计算出每个请求可以被满足的车位数。
2-2)粒子移动过程中,用户的请求有更大的机会分配到合适的车位中,进而实现整体车位占用率最优。
本步骤具体分为以下两个部分:
2-2-1)在粒子群算法的具体移动过程中,对于正向移动操作,即向车位中添加新的车辆请求,在满足速度大小限制的情况下,优先添加车位数较小的车辆请求到相应的车位分配方案中;
2-2-2)在粒子群算法的具体移动过程中,对于反向移动操作,即从车位分配方案中删除某车辆请求,在满足速度大小限制的情况下,优先选择车位数较大的车辆请求。
3)当每个粒子经过n次移动后,会保留每个粒子的最佳位置,即可得到车位最佳的分配方案。
在经过n次移动后,每个粒子会保留其经过的位置中最佳处,而这个最佳位置就是车位最佳的分配方案。
基于粒子群算法的私家车位分配优化方法,所述的粒子群算法的原理如下,粒子群算法是一种进化算法,它是受到自然界中鸟类群体觅食行为的启发而发展起来的。鉴于其实现简单、搜索高效、收敛快速,在各类复杂的实验中和各类实际工程应用中,均受到了广泛应用;粒子群算法利用鸟群群体中每个个体之间的交互以及鸟群中离食物最近的个体的状态,引导种群中全部个体都向着食物的方向移动,从而获得种群最优解。
如图2所示,基于粒子群算法的私家车位分配优化方法,所使用的是带有权值的基础粒子群算法,其目的是通过其在车位分配上的实际应用进行了相关参数的设置与改良,权值的设定使得算法更容易脱离局部最优状态,获得全局最优。
第一步,将每个待分配的车位作为个体,同一区域内的所有车位作为种群,每个车位的分配方案作为个体的位置,每个车位的占用率作为适应度函数,根据公式计算出来的车位占用率的变化值作为速度,方向则由当前车位的占用率与期望的占用率决定,通过对分配方案的动态调整实现粒子的移动。使用的带有权值的粒子群公式如下:
vi=ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi) (1)
xi=xi+ci (2)
公式(1)中,ω为惯性因子,表示:其值为非负,其值越大,全局寻优能力强,局部寻优能力弱;其值越小,全局寻优能力弱,局部寻优能力强。pbesti为全局最优。gbesti为局部最优。公式(2)中,c1 c2为学习因子。
第二步,将单个车位最佳占用率作为个体最优(局部最优),整体车位平均最佳占用率作为群体最优。
第三步,最终获得的粒子位置就是整体车位占用率最佳的分配方案。
Claims (6)
1.基于粒子群算法的私家车位分配优化方法,其特征在于,使用粒子群多目标优化算法,其机制在于以粒子群算法为基础,更注重于多目标整体的优化。该算法将每一个车位作为一个目标,单个车位的调度方案作为粒子,通过粒子不停地向最优解方向运动,进而得出可以使得多目标整体最优的解决方案,具体包括以下步骤:
(1)首先采用优先“冷门”车位的策略对粒子移动进行规划;
(2)在粒子的移动过程中,需要计算出每个需求可以被满足的车位数;
(3)当每个粒子经过n次移动后,会保留每个粒子的最佳位置,即可得到车位最佳的分配方案。
2.根据权利要求1所述的步骤(1)的具体步骤为:
2-1)优先“冷门”车位的策略对车位优选及规划具有重要前提,因此在粒子的移动过程开始前需要通过该策略进行调整。
2-2)在调整过程中,涉及到的数据有车位编号以及用户车位需求。
3.根据权利要求1所述的步骤(2)的具体步骤为:
3-1)粒子移动过程前,还需要计算出每个请求可以被满足的车位数。
3-2)粒子移动过程中,用户的请求有更大的机会分配到合适的车位中,进而实现整体车位占用率最优。
本步骤具体分为以下两个部分:
3-2-1)在粒子群算法的具体移动过程中,对于正向移动操作,即向车位中添加新的车辆请求,在满足速度大小限制的情况下,优先添加车位数较小的车辆请求到相应的车位分配方案中;
3-2-2)在粒子群算法的具体移动过程中,对于反向移动操作,即从车位分配方案中删除某车辆请求,在满足速度大小限制的情况下,优先选择车位数较大的车辆请求。
4.根据权利要求1所述的步骤(3)的具体步骤为,在经过n次移动后,每个粒子会保留其经过的位置中最佳处,而这个最佳位置就是车位最佳的分配方案。
5.根据权利要求1所述的粒子群算法,其原理如下,粒子群算法是一种进化算法,它是受到自然界中鸟类群体觅食行为的启发而发展起来的。鉴于其实现简单、搜索高效、收敛快速,在各类复杂的实验中和各类实际工程应用中,均受到了广泛应用;粒子群算法利用鸟群群体中每个个体之间的交互以及鸟群中离食物最近的个体的状态,引导种群中全部个体都向着食物的方向移动,从而获得种群最优解。
6.根据权利要求1所述,本发明使用的是带有权值的基础粒子群算法,其目的是通过其在车位分配上的实际应用进行了相关参数的设置与改良,权值的设定使得算法更容易脱离局部最优状态,获得全局最优。
第一步,将每个待分配的车位作为个体,同一区域内的所有车位作为种群,每个车位的分配方案作为个体的位置,每个车位的占用率作为适应度函数,根据公式计算出来的车位占用率的变化值作为速度,方向则由当前车位的占用率与期望的占用率决定,通过对分配方案的动态调整实现粒子的移动。使用的带有权值的粒子群公式如下:
vi=ω×vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi) (1)
xi=xi+ci (2)
公式(1)中,ω为惯性因子,表示:其值为非负,其值越大,全局寻优能力强,局部寻优能力弱;其值越小,全局寻优能力弱,局部寻优能力强。pbesti为全局最优。gbesti为局部最优。公式(2)中,c1 c2为学习因子。
第二步,将单个车位最佳占用率作为个体最优(局部最优),整体车位平均最佳占用率作为群体最优。
第三步,最终获得的粒子位置就是整体车位占用率最佳的分配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110793223.8A CN113537761B (zh) | 2021-07-14 | 2021-07-14 | 基于粒子群算法的私家车位分配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110793223.8A CN113537761B (zh) | 2021-07-14 | 2021-07-14 | 基于粒子群算法的私家车位分配优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537761A true CN113537761A (zh) | 2021-10-22 |
CN113537761B CN113537761B (zh) | 2024-05-31 |
Family
ID=78127827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110793223.8A Active CN113537761B (zh) | 2021-07-14 | 2021-07-14 | 基于粒子群算法的私家车位分配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537761B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330621A1 (en) * | 2010-03-15 | 2012-12-27 | Detwiler Michael W | Computer-implemented land planning system and method with automated parking area design tools |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
CN106365003A (zh) * | 2016-09-18 | 2017-02-01 | 渤海大学 | 一种多轿厢电梯群的优化调度方法 |
AU2020101761A4 (en) * | 2020-08-11 | 2020-09-17 | Nanjing University Of Science & Technology | Method for planning path of parking agv based on improved dijkstra algorithm |
CN112037560A (zh) * | 2019-06-03 | 2020-12-04 | 北京国驿技术有限公司 | 智能化封闭式停车场运行模式下车位优化分配模型建立方法 |
-
2021
- 2021-07-14 CN CN202110793223.8A patent/CN113537761B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330621A1 (en) * | 2010-03-15 | 2012-12-27 | Detwiler Michael W | Computer-implemented land planning system and method with automated parking area design tools |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
CN106365003A (zh) * | 2016-09-18 | 2017-02-01 | 渤海大学 | 一种多轿厢电梯群的优化调度方法 |
CN112037560A (zh) * | 2019-06-03 | 2020-12-04 | 北京国驿技术有限公司 | 智能化封闭式停车场运行模式下车位优化分配模型建立方法 |
AU2020101761A4 (en) * | 2020-08-11 | 2020-09-17 | Nanjing University Of Science & Technology | Method for planning path of parking agv based on improved dijkstra algorithm |
Non-Patent Citations (5)
Title |
---|
WENCONG SU 等: ""Performance evaluation of a PHEV parking station using Particle Swarm Optimization"", 《IEEE》 * |
徐乐先;陈西江;班亚;黄丹;: "基于深度学习的车位智能检测方法", 中国激光, no. 04, 2 February 2019 (2019-02-02) * |
陈世明;赖毅平;江冀海;: "面向列车运行调整问题的粒子群算法研究", 计算机应用研究, no. 12 * |
陈乐;: "基于粒子群算法的平行泊车轨迹规划", 山东交通学院学报, no. 04, 9 September 2019 (2019-09-09) * |
陈晓敏;王家伟;: "基于混合粒子群算法的列车停站方案优化", 计算机***应用, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537761B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108791270B (zh) | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 | |
CN108819934B (zh) | 一种混合动力车辆的动力分配控制方法 | |
CN109035811B (zh) | 一种基于数字信息素的智能交通信号灯实时调控方法 | |
CN110718077B (zh) | 一种行动-评价机制下信号灯优化配时方法 | |
CN109910909B (zh) | 一种多车运动状态的汽车轨迹网联交互式预测方法 | |
CN109910866A (zh) | 基于路况预测的混合动力汽车能量管理方法和*** | |
CN112265546A (zh) | 基于时空序列信息的网联汽车车速预测方法 | |
CN1207693C (zh) | 基于元胞自动机的城市交通信号自组织控制方法 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN106102099B (zh) | 一种基于驻留时间的异构车联网切换方法 | |
CN108805335B (zh) | 一种公共自行车调度方法 | |
CN111047884A (zh) | 一种基于雾计算和强化学习的交通灯控制方法 | |
CN110543976B (zh) | 一种基于遗传算法的充电站布局优化方法 | |
CN113947899B (zh) | 一种低渗透率轨迹数据下排队服务时间动态估计方法 | |
WO2018214588A1 (zh) | 一种制动能量回收方法及电动汽车 | |
CN113299059A (zh) | 一种数据驱动的道路交通管控决策支持方法 | |
CN111951574A (zh) | 衰减记忆去伪控制的交通信号自适应迭代学习控制方法 | |
CN113537761A (zh) | 基于粒子群算法的私家车位分配优化方法 | |
CN113140108B (zh) | 一种网联智能交通***中的云端交通态势预测方法 | |
AU2021103022A4 (en) | A Method of Controlling Traffic Light Based on Fog Computing and Reinforcement Learning | |
CN109658731B (zh) | 一种立体停车场控制方法 | |
CN113276829B (zh) | 一种基于工况预测的车辆行驶节能优化变权重方法 | |
CN109508779B (zh) | 一种市政路灯的节能控制方法 | |
CN113459829B (zh) | 一种基于路况预测的双电机电动汽车智能能量管理方法 | |
CN115472023B (zh) | 一种基于深度强化学习的智能交通灯控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |