一种大规模电动汽车路径规划方法、装置及存储介质

技术领域

本发明涉及一种大规模电动汽车路径规划方法、装置及存储介质，属于电动汽车路径规划技术领域。

背景技术

自从1959年，Dantzig等提出了车辆路径规划问题(Vehicle Routing Problem,VRP)，其引起了大量的关注，主要是因为VRP具有广泛的应用背景，如货物配送、垃圾收运、校车学生接送等。然而，传统的汽车是以燃油为动能的，在能源消耗的同时，亦产生了巨大的环境污染。鉴于此，新能源汽车诞生，主要是以电能驱动(Electric Vehicle RoutingProblem,EVRP)。电动汽车的路径规划问题旨在规划服务客户的车辆路径的同时，考虑汽车的电池容量，为汽车寻找合适的充电站点，从而实现所有汽车的路径总和的最小化。形式化的描述为：给定无向图G＝(V，E)，其中顶点集V＝{0}∪V

现有关于EVRP的算法可以分为两大类：精确算法与启发式算法。精确算法能够获得问题的最优解，但仅限于小规模的问题。当问题规模较大时，宜采用启发式算法。启发式算法亦分为两类，基于个体的算法与基于群体的算法。基于个体的算法由某一初始解出发，采用一定的搜索策略进行搜索，从而找到满意解。然而，由于搜索范围的限制，基于个体的算法的EVRP寻优能力亦呈现出较弱的性能。鉴于此，基于群体的EVRP求解算法被提出，此类算法的搜索是在一群个体中间进行，其问题处理能力有较大的提升。

在现实生活中，需要服务的客户数庞大，所以解空间巨大。在大规模的EVRP上，上述算法的求解性能均有限。作为大规模问题的有效处理策略，分治策略迄今尚未在EVRP上得以应用。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种大规模电动汽车路径规划方法、装置及存储介质，在求解电动汽车的路径规划问题时，具有良好的优化性能，尤其是对于客户数上升至一定程度后，形成了大规模EVRP，优化效果更加明显。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种大规模电动汽车路径规划方法，包括：

获取电动汽车的电池容量QB、电池的消耗率h、负载容量QL、路径R以及各路径上的充电站数；

根据电动汽车的电池容量QB、电池的消耗率h、负载容量QL、路径R以及各路径上的充电站数，采用CCAS-MA方法进行优化，获取电动汽车路径规划的最优解；

其中，采用CCAS-MA方法进行优化，获取电动汽车路径规划的最优解，包括：

初始划分电动汽车路径规划问题，获得若干子问题，为子问题初始化种群，记初始化的电动汽车路径规划最优解为S*；

执行优化步骤：所述优化步骤包括：

重新划分电动汽车路径规划问题，并为重新划分后的子问题创建种群，采用文化基因算法MA对子种群进行优化；

为子种群中的电动汽车路径进行充电站寻优，并使其满足电池容量要求；

合并各子种群中的最优解，得到整个电动汽车路径规划问题的最优解S；

对整个电动汽车路径规划问题的最优解S进行全局化的搜索；

判断S是否优于S*，若S优于S*，则更新S*，否则重复执行优化步骤，直至满足预设的停止条件。

进一步的，所述初始划分电动汽车路径规划问题，获得若干子问题，为子问题初始化种群，包括：

计算子问题数，

对电动汽车路径规划问题按照上述原则进行初始划分，得到C＝(C

g←1；

初始子种群构造步骤，包括：对于子问题C

对于Pop(C

g←g+1；

若g≤G，则转入初始子种群构造步骤继续构造初始子种群。

进一步的，所述重新划分电动汽车路径规划问题，包括：

令电动汽车路径规划的当前解为S’，去除S’中的所有充电站点；

对S’中的所有路径进行切割，形成较短路径集合RS；

对于RS中每对路径(R

其中，η为预先定义的客户间相近阈值，rank(c

基于路径关联度计算结果，采用k-means算法，对RS中的路径进行聚类，划分到C＝(C′

进一步的，所述为重新划分后的子问题创建种群，采用文化基因算法MA对子种群进行优化，包括：

对算法迭代次数maxgen进行设定，

其中σ为迭代次数上限；

k←1；

种群进行步骤，包括：随机选取两父个体，进行基于路径的顺序交叉操作，生成子个体，并进行局部搜索；共生成与当前种群等规模的子种群，加入到当前种群，采用随机等级排序方法，获取新的子种群；

k←k+1；

若k≤maxgen，则转入种群进行步骤，继续进行种群的进化处理。

进一步的，所述为子种群中的电动汽车路径进行充电站寻优，并使其满足电池容量要求，包括：

计算电池的最大续航里程，D

删除当前车辆对应路径R中的所有充电站，以进行充电站点的重新安排；

构造集合路径中的位置pset←{1,2,...,|R|-1}，|R|代表路径R中的客户数；

计算路径R需要的最少充电站点数：

对于路径R，找出所有位置集合pset中每个位置i后的最佳充电站点

k←lbs；

充电站点搜索步骤，包括：对于pset的每个k元子集{p

k←k+1；

若k≥|R|或者连续两次位置增加均未发现更优方案，则停止，否则转入充电站点搜索步骤，继续充电站点搜索；

按照bstps中的位置，在R中插入最佳充电站点。

进一步的，所述对整个电动汽车路径规划问题的最优解S进行全局化的搜索，包括：

对整个电动汽车路径规划问题的最优解S进行优化搜索，从当前解的路径中，挑选多条距离相近的路径，进行优化搜索，持续此过程，直至所有路径被处理。

第二方面，本发明提供一种大规模电动汽车路径规划方法，包括：

数据获取模块，用于获取电动汽车的电池容量Q

优化模块，用于根据电动汽车的电池容量Q

其中，所述优化模块中，采用CCAS-MA方法进行优化，获取电动汽车路径规划的最优解，包括：

初始划分电动汽车路径规划问题，获得若干子问题，为子问题初始化种群，记初始化的电动汽车路径规划最优解为S*；

执行优化步骤：所述优化步骤包括：

重新划分电动汽车路径规划问题，并为重新划分后的子问题创建种群，采用文化基因算法MA对子种群进行优化；

为子种群中的电动汽车路径进行充电站寻优，并使其满足电池容量要求；

合并各子种群中的最优解，得到整个电动汽车路径规划问题的最优解S；

对整个电动汽车路径规划问题的最优解S进行全局化的搜索；

判断S是否优于S*，若S优于S*，则更新S*，否则重复执行优化步骤，直至满足预设的停止条件。

第三方面，本发明提供一种电子设备，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

本发明提供一种大规模电动汽车路径规划方法、装置及存储介质，在求解电动汽车的路径规划问题时，具有良好的优化性能，尤其是对于客户数上升至一定程度后，形成了大规模EVRP，优化效果更加明显。

附图说明

图1是本发明实施例提供的一种大规模电动汽车路径规划方法流程图；

图2是本发明实施例提供的各算法在X143上的收敛曲线图；

图3是本发明实施例提供的各算法在X1001上的收敛曲线图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

如图1所示，本实施例介绍一种大规模电动汽车路径规划方法，包括：

获取电动汽车的电池容量Q

根据电动汽车的电池容量Q

其中，采用CCAS-MA方法进行优化，获取电动汽车路径规划的最优解，包括：

初始划分电动汽车路径规划问题，获得若干子问题，为子问题初始化种群，记初始化的电动汽车路径规划最优解为S*；

执行优化步骤：所述优化步骤包括：

重新划分电动汽车路径规划问题，并为重新划分后的子问题创建种群，采用文化基因算法MA对子种群进行优化；

为子种群中的电动汽车路径进行充电站寻优，并使其满足电池容量要求；

合并各子种群中的最优解，得到整个电动汽车路径规划问题的最优解S；

对整个电动汽车路径规划问题的最优解S进行全局化的搜索；

判断S是否优于S*，若S优于S*，则更新S*，否则重复执行优化步骤，直至满足预设的停止条件。

本实施例提供的大规模电动汽车路径规划方法，其应用过程具体涉及如下步骤：

1、CCAS-MA方法

步骤1种群初始化，包括问题初始划分，为子问题初始化种群，记初始最优解为S*；

步骤2当算法停止条件未达到时

步骤2.1重新划分问题；

步骤2.2为子问题创建种群，并采用文化基因算法(MA)对子种群进行优化；

步骤2.3为子种群中的个体路径进行充电站寻优，并使其满足电池容量的要求；

步骤2.4合并各子种群中的最优解，得到整个问题的最优解S；

步骤2.5对S进行全局化的搜索；

步骤3若S优于S*，则更新S*。判断算法的停止条件是否满足，满足则停止，否则重复步骤2。

上述方法中在问题划分时，子问题数目等采用自适应方式，为了方便表述，所提方法记为CCAS-MA。

2、种群初始化(CCAS-MA中步骤1)

种群初始化包括问题的初始划分，为子问题创建初始种群等。目前，关于大规模问题的划分，子问题的数目通常是固定形式的，如此难以兼顾规模不等的问题，易造成子问题规模呈现过大或过小的现象。所以，本发明提出子问题数的计算公式：

其中，|V

问题初始化分后，随即为各子问题创建初始种群，种群的个体生成分两步，首先为满足最大负载量Q

步骤1计算子问题数，

步骤2对问题按照上述原则进行初始划分，得到C＝(C

步骤3g←1；

步骤4对于子问题C

步骤5对于Pop(C

步骤6g←g+1；

步骤7若g≤G，则转步骤4继续初始子群体的构造。

3、问题的再划分(CCAS-MA中步骤2.1)

由于EVRP是一类复杂的组合优化问题，任何一对客户均可被一辆汽车服务，故初始的划分难以达到问题的理想分解。所以，在前述的步骤2.1中，对问题进行了再划分。关于车辆路径问题的划分，基于路径的分解方法具有较好的效果，其主要通过路径间的关联程度，来进行问题分解。然而，现有基于路径的分解方法在计算路径关联度时，考虑路径包含的所有客户，这样会降低近距离客户的关联水平。鉴于此，本发明在计算路径关联度时，只考虑距离较近的客户。令当前解为S’，问题分解步骤如下：

步骤1去除S’中的所有充电站点；

步骤2对S’中的所有路径进行切割，形成较短路径集合RS；

步骤3对于RS中每对路径(R

其中，η为预先定义的客户间相近阈值，rank(c

步骤4基于步骤3中的路径关联度计算结果，采用k-means算法，对RS中的路径进行聚类，划分到C＝(C′

4、子问题优化器(CCAS-MA中步骤2.2)

MA是一种良好的优化算法，是对遗传算法的一种改进，其兼顾了算法的全局和局部搜索性能。本发明采用MA对子问题进行优化求解，步骤如下：

步骤1算法迭代次数maxgen设定，

其中σ为迭代次数上限。此设定方法可以根据当前子问题规模进行计算资源的合理分配；

步骤2k←1；

步骤3随机选取两父个体，进行基于路径的顺序交叉操作，生成子个体，并进行局部搜，如2-opt，Single Insertion(SI)，Double Insertion(DI)以及Swap。共生成与当前群体等规模的子群体，加入到当前群体，采用随机等级排序方法(Stochastic RankingProcedure)，获取新的子群体；

步骤4k←k+1；

步骤5若k≤maxgen，则转步骤3继续进行种群的进化处理。

5、车辆充电修正(CCAS-MA中步骤2.3)

当路径中的电池不能满足车辆运行时，则需要重新安排充电站点的安排，以修正电池容量，满足车辆的运行需求，本发明对路径充电站点的修正过程如下：

步骤1计算电池的最大续航里程，D

步骤2删除当前车辆对应路径R中的所有充电站，以进行充电站点的重新安排；

步骤3构造集合路径中的位置pset←{1,2,...,|R|-1}，|R|代表路径R中的客户数；

步骤4计算路径R需要的最少充电站点数：

步骤5对于路径R，找出所有位置集合pset中每个位置i后的最佳充电站点

步骤6k←lbs；

步骤7对于pset的每个k元子集{p

步骤8k←k+1；

步骤9若k≥|R|或者连续两次位置增加均未发现更优方案，则停止，否则转步骤7继续充电站点搜索；

步骤10按照bstps中的位置，在R中插入最佳充电站点。

6、全局搜索(CCAS-MA中步骤2.5)

对于大规模问题，各子问题对应种群在各自空间里搜索，故对于问题的完整解，尚有提升空间。所以，本发明对完整解采用类似POPMUSIC的优化方法，即从当前解的路径中，挑选4条距离相近的路径，进行优化搜索，持续此过程，直至所有路径被处理。

7、实验分析

为了验证本发明所提方法CCAS-MA的有效性，以IEEE WCCI(World Congress onComputational Intelligence)2020中使用的基准测试集为对象进行测试，测试集信息如下：

表1测试集信息

表1所示为两个测试集，分别为小规模测试集(E22～E101)以及大规模测试集(X143～X1001)，其中小规模测试集客户数的范围为21-100，而大规模测试的客户数为142-1000。表中亦列出了各测试样例的充电站数、电池容量Q

CCAS-MA的结果与现有的优秀算法对应结果进行比较，包括Jia等提出的算法CBACO-D与CBACO-I(“Confidence-based ant colony optimization for capacitatedelectric vehicle routingproblem with comparison ofdifferent encodingschemes,”IEEE Transactions on Evolutionary Computation,vol.26,no.6,pp.

1394-1408,2022.)以及CABO(“Abilevel ant colony optimization algorithmfor capacitated electric vehicle routingproblem,”IEEE Transactions onCybernetics,vol.52,no.10,pp.10855-10868,2022.)。另外，考虑IEEE WCCI 2020的优秀算法，包括遗传算法GA、模拟退火算法SA及变邻域搜索VNS，并且还比较了迭代搜索ILS。

CCAS-MA采用C++编程，运行环境为Intel(R)Xeon(R)Gold 5218CPU，主频2.30GHz。为了公平起见，运行时间与比较算法保持一致。由于比较算法的CPU主频为3.4GHz，所以进行了折算，运行时间按如下公式控制：

其中，μ取1,2,3分别对应E22～E101,X143_X916以及X1001，每个算例独立于行30次。各算法的结果进行了统计检验，标准为0.05，如果比较的算法结果明显好于(劣于)本方法(CCMA)，则标以“+”(“-”)，无标记则认为无明显差别。“B-C-W”分别统计比较方法相对于CCMA明显好、无差别和明显差的算例数目。结果如表2、3所示：

表2小规模测试集结果

表3大规模测试集结果

表中列出了各算法的最优解(Best)、平均结果(Average)、标准差(Std)以及迄今发现的最好解(BKS)。对于各算法中的最好结果，以粗体显示。

由表2所示小规模测试集结果可以看出，最好解方面，CCAS-MA在6个测试样例上达到了BKS，并且在E101上刷新了最好解记录，BKS值为839.29，而CCAS-MA对应值为834.22。平均解方面，CCAS-MA在部分算例上明显好于其余算法，而且没有明显差的现象出现。

表3所示大规模测试集结果，由结果可以看出，CCAS-MA在大规模测试集上的最好解均优于其他算法，并且刷新了所有测试样例的最好解记录BKS。在平均解方面，CCAS-MA在所有测试样例上均明显好于其他算法。尤其对于CBACO-I而言，该算法被认为目前解决EVRP最好的算法，但其与CCAS-MA的差距较大，如在最大的测试样例X1001上，CBACO-I与CCAS-MA对应的平均值分别为76405.53与74714.23。

为了更直观地对CCAS-MA与其他算法进行比较，如图2、图3，给出了大规模测试集总代表性的算例(X143以及X1001))上的运行收敛曲线图，由于各算法的运行机器不同，曲线时长按比例作了缩放。

如图2、图3所示，CCAS-MA对应曲线均好于其他算法，且从算法开始后，很短时间内即取得明显的优化效果，且在后期的迭代过程中，一直呈现在其他算法对应曲线下方。同时，结合图2和图3，随着规模增大，CCAS-MA与其他算法的曲线间距愈加明显。

综上所述，本发明所提CCAS-MA方法，在求解电动汽车的路径规划问题时，具有良好的优化性能，尤其是对于客户数上升至一定程度后，形成了大规模EVRP，优化效果更加明显。

实施例2

本实施例提供一种大规模电动汽车路径规划方法，包括：

数据获取模块，用于获取电动汽车的电池容量Q

优化模块，用于根据电动汽车的电池容量Q

其中，所述优化模块中，采用CCAS-MA方法进行优化，获取电动汽车路径规划的最优解，包括：

初始划分电动汽车路径规划问题，获得若干子问题，为子问题初始化种群，记初始化的电动汽车路径规划最优解为S*；

执行优化步骤：所述优化步骤包括：

重新划分电动汽车路径规划问题，并为重新划分后的子问题创建种群，采用文化基因算法MA对子种群进行优化；

为子种群中的电动汽车路径进行充电站寻优，并使其满足电池容量要求；

合并各子种群中的最优解，得到整个电动汽车路径规划问题的最优解S；

对整个电动汽车路径规划问题的最优解S进行全局化的搜索；

判断S是否优于S*，若S优于S*，则更新S*，否则重复执行优化步骤，直至满足预设的停止条件。

实施例3

本实施例提供一种电子设备，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。

实施例4

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1中任一项所述方法的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用于说明本公开的技术方案而非对其保护范围的限制，尽管参照上述实施例对本公开进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本公开后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在公开待批的权利要求保护范围之内。