一种公交路线的车型混配优化方法、装置、设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种公交路线的车型混配优化方法、装置、设备及介质。

背景技术

公交车是市民出行提供服务的公共产品，公交车的站点布局、线路规划、车型配置和发车频率等反映了一个城市的管理水平。在公交线路中，依照线路排版表，通过安排不同载客量的车型，满足不同时间段的客流量需求，因此，如何对公交车进行车型配置，使得满足乘客的出行感受的前提下，降低公交车运行成本。

目前，对于车型配置的方法主要依靠人工经验，但是该方式存在以下局限性：主观因素影响大，难以大规模复用；无法客观体现不同车型配置与客流量之间的关系；无法保证车型配置效果，会导致乘客拥挤，乘车体验不舒适，或者空载现象过多，造成资源浪费。

因此，如何对公交线路的车型配置进行优化成为亟待解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种公交路线的车型混配优化方法、装置、设备及介质，以解决公交路线的车型配置优化问题。

第一方面，本发明实施例提供一种公交路线的车型混配优化方法，所述车型混配优化方法包括：

根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，对所述N个目标车型进行组合，得到至少一组候选车型组合，其中，N大于1的整数，且所述候选车型组合中车型数量不大于所述车型数量约束；

获取所述目标线路的配班表，针对任一候选车型组合，使用所述候选车型组合中表征为载客量最小的车型填充所述配班表的所有班次，得到对应所述候选车型组合的配车方案；

对所述配车方案进行线路仿真，得到仿真结果，根据所述仿真结果对所述配车方案进行调整，直至所述仿真结果满足预设条件，得到调整后的配车方案，根据所述调整后的配车方案，得到候选车型序列，基于遗传算法对所述候选车型序列进行优化，得到对应所述候选车型组合的最优车型序列；

根据每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列。

第二方面，本发明实施例提供一种公交路线的车型混配优化装置，所述车型混配优化装置包括：

车型组合模块，用于根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，对所述N个目标车型进行组合，得到至少一组候选车型组合，其中，N大于1的整数，且所述候选车型组合中车型数量不大于所述车型数量约束；

方案初始化模块，用于获取所述目标线路的配班表，针对任一候选车型组合，使用所述候选车型组合中表征为载客量最小的车型填充所述配班表的所有班次，得到对应所述候选车型组合的配车方案；

方案优化模块，用于对所述配车方案进行线路仿真，得到仿真结果，根据所述仿真结果对所述配车方案进行调整，直至所述仿真结果满足预设条件，得到调整后的配车方案，根据所述调整后的配车方案，得到候选车型序列，基于遗传算法对所述候选车型序列进行优化，得到对应所述候选车型组合的最优车型序列；

方案确定模块，用于根据每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列。

第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的车型混配优化方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的车型混配优化方法。

本发明实施例与现有技术相比存在的有益效果是：

本发明根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，对所述N个目标车型进行组合，得到至少一组候选车型组合，其中，N大于1的整数，且所述候选车型组合中车型数量不大于所述车型数量约束；获取所述目标线路的配班表，针对任一候选车型组合，使用所述候选车型组合中表征为载客量最小的车型填充所述配班表的所有班次，得到对应所述候选车型组合的配车方案；对所述配车方案进行线路仿真，得到仿真结果，根据所述仿真结果对所述配车方案进行调整，直至所述仿真结果满足预设条件，得到调整后的配车方案，根据所述调整后的配车方案，得到候选车型序列，基于遗传算法对所述候选车型序列进行优化，得到对应所述候选车型组合的最优车型序列；根据每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列。其中，首先以载客量需求和车型数量约束，从所有车型的组合中筛选得到适用的候选车型组合，避免资源浪费，然后，基于目标线路的配班表，通过自定义的贪心搜索算法得到每个候选车型组合对应的近似最优解的排车方案，也即是候选车型序列，以减少遗传算法需要计算的车型组合数量，从而将候选车型序列作为遗传算法的初始化种群，通过暴力求解快速得到每个候选车型组合下的最优车型序列，加快了遗传算法的迭代收敛速度，可以应用于任何规模场景中，具有较强的适用性，相对于直接利用遗传算法，能够大大降低公交线路的车型配置时间，也提高了大规模场景中实施的可行性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种公交路线的车型混配优化方法的一应用环境示意图；

图2是本发明实施例一提供的一种公交路线的车型混配优化方法的流程示意图；

图3是本发明实施例一提供的一种贪心搜索算法的流程示意图；

图4是本发明实施例二提供的一种公交路线的车型混配优化装置的结构示意图；

图5是本发明实施例三提供的一种计算机设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明实施例一提供的一种公交路线的车型混配优化方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参见图2，是本发明实施例一提供的一种公交路线的车型混配优化方法的流程示意图，上述车型混配优化方法可以应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以根据目标路线上的载客量需求和车型数量约束，从所有车型中筛选目标车型，利用目标车型对目标线路进行车型混配优化。另外，服务端还连接客户端，用户获取从客户端发送的目标路线上的载客量需求和车型数量约束等。

本申请中，开发人员对数据库进行管理，也即操作入库的操作对象为开发人员，上述的客户端为开发人员所操作，数据库连接相应地公交车调度或公交车配置的场景下业务系统，以在该业务系统中获取目标路线上的载客量需求和车型数量约束，并通过分析目标路线上的载客量需求和车型数量约束，从所有车型中筛选目标车型，利用目标车型对目标线路进行车型混配优化。

如图2所示，该车型混配优化方法可以包括以下步骤：

步骤S201，根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，对N个目标车型进行组合，得到至少一组候选车型组合。

其中，N大于1的整数，且候选车型组合中车型数量不大于车型数量约束。载客量需求是指在一个特定时期内实际的载客人数。车型数量约束用于限制车型组合中的车型数量。候选车型组合是指有至少一个目标车型结合成的整体。

在本发明中，首先定义可供配置的所有车型，例如Type＝{type1,type2,...,typeM}，其中，type1表示车型1，type2表示车型2，typeM表示车型M，M表示车型的总数量。针对任一车型，车型的载客量定义为：载客量＝车型对应的座位数+(站位数*80％)，载客量也即是核载量。载客量越大，对应车型越大。

举例说明，假设公交车的车型一种有5种，分别为7米、8米、9米、10米和12米，车型的长度越长，对应的载客量越大。

然后，对于任一条路线，依据排版时刻表，该路线上的车型配置应满足如下约束：

约束一，乘客人数的上限，也即是任何车型的实际载客人数应小于对应车型的载客量，以避免乘坐人员的体验感不佳，例如，假设某个车型的座位数为30人，站位数为20，对应的载客量为46人，当车上的人数超过46人时，该车就会非常拥挤，都是乘坐体验感差；

约束二，单条路线上的车型数量的配置不超过A种，以满足公司管理一致性。优选的，本发明中A＝2。

因此，本发明中，可根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，然后对N个目标车型进行组合，得到至少一组候选车型组合，以过滤掉不可能的车型组合，大大降低了后续计算量。

举例说明，假设公交车的所有车型分别为7米、8米、9米、10米和12米，基于公交车线上的载客需求，确定该公交车线所需的最大车型为9米，则目标车型还剩下7米、8米、9米，同时车型数量约束不超过2种，则对7米、8米、9米的车型进行组合，能够得到的候选车型组合分别为(9米，8米)、(9米，7米)、(9米)，车型组合数量从

可选的是，所述根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，包括：

获取每种车型的载客量，按照载客量从大到小的顺序，依次检测每种车型的载客量是否满足所述载客量需求，得到第一个不满足所述载客量需求所对应的车型；

基于所述载客量从大到小的顺序，获取所述不满足所述载客量需求所对应的车型的上一个车型，将载客量小于所述上一个车型的所有车型以及所述上一个车型作为目标车型。

在本发明中，从最大车型开始循环，如果最大车型的载客量满足载客量需求，则继续向更小的车型探索，如果最大车型的载客量不满足载客量需求，则表示当前车型已经无法满足载客量需求，而上一个车型是满足的，因此，返回上一个车型，并将上一个车型作为所需的最大车型，至此，确定了目标线路中所需的最大车型，从而将载客量小于所需的最大车型且包括所需的最大车型都称为目标车型。

需要说明的是，如果最小的车型就能满足载客量需求，则该条线路全部配置最小的车型即可，而如果最大的车型都无法满足载客量需求，则该条线路人数过多，配置已有车型中的最大车型也无法满足需求，则可以建议公司购买更大的车型或者调整发车排班表。

步骤S202，获取目标线路的配班表，针对任一候选车型组合，使用候选车型组合中表征为载客量最小的车型填充配班表的所有班次，得到对应候选车型组合的配车方案。

其中，配班表用于指导线路上的车辆按照自编号依次发车，比如:在某个线路上的哪个时间段发哪种车。配车方案是指任一天的目标线路的发车计划。例如：定义一个配车方案为:[(t1,normal,type1),(t2,normal,type2),(t3,normal,type1),...]，其中，t1表示时间1，t2表示时间2，t3表示时间3，normal表示线路，type1表示车型1，type2表示车型2。

针对任一条线路的配车方案，该线路每条的班次数量是给定的，且发车时间点也是给定的，则生成配车方案的重要条件为每个班次的车型。假设该条线路有D个班次，每个班次的车型都是一个变量，则D个班次的车型形成的配车方案可以为[x1,x2,x3,…xD]，当候选车型组合中包括两种车型时，配车方案中的x取值都存在两种可能，则对应可以生成的配车方案为2的D次方，假设D为33，则所有候选车型组合对应的所有配车方案为2*2

传统为了获取最优的配车方案，通常利用遗传算法通过暴力搜索每一种配车方案，通过计算对应的车辆成本，迭代获取车辆成本最小所对应的配车方案，但是，线路的发车班次一般都不少于200次，有时甚至达到300多次，导致配车方案对应车型序列比较长，随着班次数量的增加，配车方案的数量则会直接翻倍，会出现时间复杂度过高，无法完全遍历所有的配车方案，导致无法通过基于遗传算法的暴力搜索在时间有限的情况下得到最优解，因此，本发明中，针对任一候选车型组合，都需要单独进行遗传算法的优化，以优化遗传算法的求解时间，减少遗传算法需要计算的车型组合数量，具体的，获取目标线路的配班表，针对任一候选车型组合，基于配班表，将目标线路中所有班次的车型都初始化为候选车型组合中表征为载客量最小的车型，得到对应候选车型组合的配车方案，以便于提高后续贪心搜索算法的速度和准确率。

步骤S203，对配车方案进行线路仿真，得到仿真结果，根据仿真结果对配车方案进行调整，直至仿真结果满足预设条件，得到调整后的配车方案，根据调整后的配车方案，得到候选车型序列，基于遗传算法对候选车型序列进行优化，得到对应候选车型组合的最优车型序列。

其中，候选车型序列是指多种车型构成的集合。遗传算法是根据大自然中生物体进化规律而设计提出的，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。

在本发明中，在针对任一候选车型组合进行配车方案初始化后，使用公交仿真系统对配车方案进行仿真，得到仿真结果，以检测对应配车方案下的车辆载客情况，从而根据仿真结果对配车方案进行调整，直至仿真结果满足预设条件，得到调整后的配车方案，根据调整后的配车方案，得到最满足车辆成本要求的候选车型序列，从而将候选车型序列作为遗传算法的初始化种群中的个体，并基于遗传算法对候选车型序列进行优化，得到对应候选车型组合的最优车型序列，加快了遗传算法的迭代收敛速度，能够大大降低公交线路的车型配置时间。

需要说明的是，所述公交仿真系统中包含有目标线路的所有乘客出行数据，也即该公交线路在每个站点每个时间的上车乘客数量及下车乘客数量，和/或目标线路上每个乘客的上下车站点及时间，也即OD数据。所述公交仿真系统通过模拟各个时间的发车行为，然后基于OD数据，确定乘客的上下车行为以及公交上的乘客总数量。

其中，公交仿真系统包括车次链、接送乘客过程、发车时间、停靠时间、乘客滞留、模拟扰动和控制策略等。公交仿真系统可以捕捉站点候车人数、乘客等待时间、车上乘客人数、车辆到站时间等。公交仿真系统实现了公交车的定时发车、沿线行驶、到站停靠、接收乘客等主要运营过程。具体的，使用公交仿真系统对配车方案进行仿真的过程为：从公交仿真系统的数据库中获取OD数据、发车时间表、路线及站点数据、配车方案和仿真环境配置参数作为公交仿真系统的输入数据，确定公交仿真系统中的仿真对象和仿真时间，仿真对象包括场站、公交站、乘客、车辆和班次，仿真事件包括发车、到站、停靠、班次结束、乘客上下车、乘客选择线路、乘客选择车辆，然后，公交仿真系统将时间表内的各个班次按照出发场站分配到各个场站的待发班次列表，并依照发车时间表做排序，再将乘客按照其上车站点分配到各个公交站的候车乘客列表，并按照到站时间进行排序，从而完成公交仿真系统的初始化，最后，公交仿真系统按照预设的时间步进行仿真，直至所有的时间步执行完，仿真结束，进而公交仿真系统输出对应的各项仿真结果，仿真结果包括每个班次的载客人次、每个班次的最大断面客流、每个班次的运行时间及运行里程、乘客的候车时间、乘客的乘车时间等。

值得说明的是，在另一实施方式中，还可以直接按所述配车方案进行试运行，然后通过采集公交车上的客流量，从而确定配车方案对应的每个班次的最大断面客流。本方案可以为利用摄像头分别获取公交车的进出口处的客流图像，通过检测客流图像中的人头等目标物，确定配车方案对应的每个班次的最大断面客流，也可以是其他的方案(例如通过公交卡数据)，对所述采集公交车上客流量的技术方案不进行限定。

值得说明的是，在另一实施方式中，还可以直接基于所述目标线路的OD数据以及所述配车方案，计算每个时间每个站点的上车人数和下车人数，然后计算出公交上的乘客数量，然后通过统计确定每个班次的最大断面客流。

可选的是，所述仿真结果为每个班次的最大断面客流，则所述根据所述仿真结果对所述配车方案进行调整，直至所述仿真结果满足预设条件，得到调整后的配车方案，包括：

获取所述配车方案中的每个班次的最大断面客流，根据所述最大断面客流，检测所有班次是否超载，若检测到任一班次超载，则获取超载的班次以及每个所述超载的班次的满载率；

在所有的超载的班次中选择满载率大于预设阈值且最大断面客流最大的班次作为目标班次，将所述目标班次对应在所述配车方案中的车型替换为对应所述候选车型组合中表征为载客量最大的车型，直至所有班次都不超载，得到对应的调整后的配车方案。

本发明中，参见图3，其示出了一种贪心搜索算法的流程示意图。图3中，在使用公交仿真系统对配车方案进行仿真，得到每个班次的最大断面客流之后，可以判断最大断面客流是否超过对应班次的车型的载客量，当检测到配车方案中存在任一班次存在超载，则获取所有超载的班次以及每个超载的班次的满载率，在所有的超载的班次中选择满载率大于预设阈值且最大断面客流最大的班次作为目标班次，预设阈值可以为0.8，将目标班次对应在配车方案中的车型替换为对应候选车型组合中表征为载客量最大的车型，例如，候选车型组合中包括7米和6米，当目标班次的初始车型为6米时，将6米替换成7米。

在第一次替换之后，生成新配车方案，进而使用公交仿真系统对新配车方案进行仿真，得到每个班次的最大断面客流之后，继续判断最大断面客流是否超过对应班次的车型的载客量，当检测到新配车方案中存在任一班次存在超载，则获取所有超载的班次以及每个超载的班次的满载率，在所有的超载的班次中选择满载率大于预设阈值且最大断面客流最大的班次作为目标班次，从而将目标班次对应在配车方案中的车型替换为对应候选车型组合中表征为载客量最大的车型，完成第二次替换，并又生成新配车方案，依次类推，直至所有班次都不超载，得到对应的调整后的配车方案。

举例说明，预设配车方案中所有班次的车型都为type4，则对应的车型序列为(type4，type4，type4，…，type4)，在检测到第三个班次为目标班次时，将车型序列中的第三个元素替换为type5，对应生成新车型序列为(type4，type4，type5，…，type4)，当检测到最后一个班次为目标班次时，将新车型序列中的最后一个元素替换为type5，对应生成新车型序列为(type4，type4，type5，…，type5)，依次类推，直至序列中的所有班次都不超载，得到对应的调整后的配车方案。

可选的是，所述根据所述最大断面客流，检测所有班次是否超载之后，包括：

若检测到所有班次都不超载，则不调整所述配车方案；

所述根据调整后的配车方案，得到候选车型序列包括：

根据所述配车方案得到候选车型序列。

在本发明中，若检测到初始化的配车方案的所有班次都不存在超载，则说明利用载客量最小的车型就能满足目标线路上的车辆成本要求，因此，不需要调整配车方案，并将配车方案中所有班次的车型按照班次顺序排列形成候选车型序列。

可选的是，根据所述调整后的配车方案，得到候选车型序列，包括：

将所述调整后的配车方案中所有班次的车型按照班次顺序排列形成候选车型序列。

在本发明中，在得到调整后的配车方案之后，将所有班次的车型表示为一个序列，则将调整后的配车方案中所有班次的车型按照班次顺序排列形成候选车型序列。

可选的是，所述基于遗传算法对所述候选车型序列进行优化，得到对应所述候选车型组合的最优车型序列，包括：

根据每种车型的成本、每种车型所需的车辆数量以及超载的班次数量，构建表征运行评分的适应度函数；

利用遗传算法对所述候选车型序列进行优化，得到优化后的候选车型序列，计算所述优化后的候选车型序列对应的适应度函数的数值，直至所述适应度函数的数值满足遗传算法的迭代收敛条件，得到对应的优化后的候选车型序列为对应所述候选车型组合的最优车型序列。

本发明中，基于遗传算法对所述候选车型序列进行优化的过程如下：

1)编码：通过编码将候选车型序列作为遗传算法的初始化种群中的一条染色体；

2)初始化算法参数：最大迭代次数为B次、交叉概率为cp、变异概率为mp，迭代次数记为k＝0；

3)比较适应度的数值：运行评分的适应度函数的表达式如下：

Fit(i)＝L1+L2

L2＝W*100

其中，Fit(i)表示个体i对应的运行评分的适应度数值；L1表示车辆总成本；L2表示超载惩罚分数；type

需要说明的是，如果车上人数超载，则超载惩罚得分的大小相对于车辆总成本非常大，使得遗传算法的优化过程中能够注重不要出现超载过多的现象，运行评分越大，对应车型序列越差，消耗的成本越高。

4)选择操作：使用轮盘赌法选择概率，每次转轮时，随机产生概率s∈U(0，1)对应的适应度数值，选择个体i，共循环k次，生成k个父体；

5)交叉操作；新的子体生成是对上述生成k个父体进行两两交叉的结果；随机产生概率s∈U(0，1)，进行交叉操作，交叉概率为cp，其操作采用双切点交叉的方式，即随机从两个个体中选取两个切点，交换两个切点之间的基因；

6)变异操作，利用个体的单基因变异方式，随机产生概率s∈U(0，1)，进行变异操作，变异概率为mp，则变异操作从个体的其中一个基因进行，从而促进新个体的产生；

7)若适应度数值不超出预设的约束条件，则终止算法；否则跳转到步骤3)。

值得说明的是，遗传算法是一种通过模拟自然进化过程搜索最优解的方法，遗传算法从代表问题可能潜在的解集的一个种群开始，种群由经过基因编码的一定数目的个体组成，每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。因此，利用以上遗传算法对候选车型序列进行优化，获得表示车辆的运行成本最优化的车型序列的优化解，也即是对应候选车型组合的最优车型序列。

同理，对于每个候选车型组合，利用上述步骤S202-步骤S203的方法，首先通过贪心搜索算法获取近似最优解对应的候选车型序列，然后将候选车型序列作为遗传算法的初始化种群进行最优解获取，分别获取对应候选车型组合的最优车型序列。

结合贪心搜索算法和遗传算法的方式获取最优解，使得车型配置的优化时间大大降低，提高了大规模场景落地的可行性。

步骤S204，根据每个候选车型组合的最优车型序列在使用遗传算法对候选车型序列进行优化的过程中的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列。

在本发明中，对于任一候选车组合的最优车型序列，在利用上述遗传算法对候选车型序列进行优化的过程中，遗传算法中运行评分的适应度函数对最优车型序列计算得到了对应的运行评分，因此，根据每个最优车型序列对应的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列，从而得到了使车辆成本最少对应的最佳车型配置方案，同时也保证了乘客坐车时的体验感。

可选的是，所述根据每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列，包括：

获取每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分；

将所有的运行评分进行比较，确定运行评分最小的候选车型组合对应的最优车型序列作为最终车型序列。

本发明中，运行评分用于评价车辆运行成本的好坏，运行评分越大，说明在满足载客需求的前提下车辆的运行成本越高，对应配车方案越差，反之，运行成本越小，说明车辆的运行车本越高，且能满足对应线路上的载客需求，对应配车方案越适合，因此，获取每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分，对比所有的运行评分，获取最小的运行评分，并将最小的运行评分对应的最优车型序列作为最终车型序列。

本申请实施例根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，对N个目标车型进行组合，得到至少一组候选车型组合，其中，N大于1的整数，且候选车型组合中车型数量不大于车型数量约束；获取目标线路的配班表，针对任一候选车型组合，使用候选车型组合中表征为载客量最小的车型填充配班表的所有班次，得到对应候选车型组合的配车方案；使用公交仿真系统对配车方案进行仿真，得到仿真结果，根据仿真结果对配车方案进行调整，直至仿真结果满足预设条件，得到调整后的配车方案，根据调整后的配车方案，得到候选车型序列，基于遗传算法对候选车型序列进行优化，得到对应候选车型组合的最优车型序列；根据每个候选车型组合的最优车型序列在使用遗传算法对候选车型序列进行优化的过程中的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列。其中，首先以载客量需求和车型数量约束，从所有车型的组合中筛选得到适用的候选车型组合，避免资源浪费，然后，基于目标线路的配班表，通过自定义的贪心搜索算法得到每个候选车型组合对应的局部最优的排车方案，也即是候选车型序列，以减少遗传算法需要计算的车型组合数量，从而将候选车型序列作为遗传算法的初始化种群，通过暴力求解快速得到每个候选车型组合下的最优车型序列，加快了遗传算法的迭代收敛速度，可以应用于任何规模场景中，具有较强的适用性，相对于直接利用遗传算法，能够大大降低公交线路的车型配置时间，也提高了大规模场景中实施的可行性。

对应于上文实施例的车型混配优化方法，图4示出了本发明实施例二提供的一种公交路线的车型混配优化装置的结构框图，上述车型混配优化装置应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以根据目标路线上的载客量需求和车型数量约束，从所有车型中筛选目标车型，利用目标车型对目标线路进行车型混配优化。另外，服务端还连接客户端，用户获取从客户端发送的目标路线上的载客量需求和车型数量约束等。

其中，该服务端运行上述的车型混配优化方法可以应用于车辆调度、车辆配置等场景下。为了便于说明，仅示出了与本发明实施例相关的部分。

参见图4，该车型混配优化装置包括：

车型组合模块41，用于根据目标路线上的载客量需求和车型数量约束，从所有的车型中确定N个目标车型，对所述N个目标车型进行组合，得到至少一组候选车型组合，其中，N大于1的整数，且所述候选车型组合中车型数量不大于所述车型数量约束；

方案初始化模块42，用于获取所述目标线路的配班表，针对任一候选车型组合，使用所述候选车型组合中表征为载客量最小的车型填充所述配班表的所有班次，得到对应所述候选车型组合的配车方案；

方案优化模块43，用于对所述配车方案进行线路仿真，得到仿真结果，根据所述仿真结果对所述配车方案进行调整，直至所述仿真结果满足预设条件，得到调整后的配车方案，根据所述调整后的配车方案，得到候选车型序列，基于遗传算法对所述候选车型序列进行优化，得到对应所述候选车型组合的最优车型序列；

方案确定模块44，用于根据每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分，在所有候选车型组合的最优车型序列中选择最优的车型序列为最终车型序列。

可选的是，所述仿真结果为每个班次的最大断面客流，则方案优化模块43包括：

超载检测单元，用于获取所述配车方案中的每个班次的最大断面客流，根据所述最大断面客流，检测所有班次是否超载，若检测到任一班次超载，则获取超载的班次以及每个所述超载的班次的满载率；

车型调整单元，用于在所有的超载的班次中选择满载率大于预设阈值且最大断面客流最大的班次作为目标班次，将所述目标班次对应在所述配车方案中的车型替换为对应所述候选车型组合中表征为载客量最大的车型，直至所有班次都不超载，得到对应的调整后的配车方案。

可选的是，超载检测单元包括：

方案保留子单元，用于所述根据所述最大断面客流，检测所有班次是否超载之后，若检测到所有班次都不超载，则不调整所述配车方案；

所述方案优化模块43包括：

第一车型获取单元，用于根据所述配车方案得到候选车型序列。

可选的是，方案优化模块43包括：

函数构建单元，用于根据每种车型的成本、每种车型所需的车辆数量以及超载的班次数量，构建表征运行评分的适应度函数；

算法迭代单元，用于利用遗传算法对所述候选车型序列进行优化，得到优化后的候选车型序列，计算所述优化后的候选车型序列对应的适应度函数的数值，直至所述适应度函数的数值满足遗传算法的迭代收敛条件，得到对应的优化后的候选车型序列为对应所述候选车型组合的最优车型序列。

可选的是，方案确定模块44包括：

评分获取单元，用于获取每个候选车型组合的最优车型序列在使用所述遗传算法对所述候选车型序列进行优化的过程中的运行评分；

最值确认单元，用于将所有的运行评分进行比较，确定运行评分最小的候选车型组合对应的最优车型序列作为最终车型序列。

可选的是，车型组合模块41包括：

载客量检测单元，用于获取每种车型的载客量，按照载客量从大到小的顺序，依次检测每种车型的载客量是否满足所述载客量需求，得到第一个不满足所述载客量需求所对应的车型；

目标确定单元，用于基于所述载客量从大到小的顺序，获取所述不满足所述载客量需求所对应的车型的上一个车型，将载客量小于所述上一个车型的所有车型以及所述上一个车型作为目标车型。

可选的是，所述方案优化模块43包括：

第二车型获取单元，用于将所述调整后的配车方案中所有班次的车型按照班次顺序排列形成候选车型序列。

需要说明的是，上述模块、单元、子单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5为本发明实施例三提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个车型混配优化方法实施例中的步骤。

该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。

所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。