基于改進(jìn)蜂群算法的共享汽車停放區(qū)域多目標(biāo)選址方法

周 婷

(三聯(lián)學(xué)院，安徽 合肥 230071)

隨著共享汽車產(chǎn)業(yè)的不斷發(fā)展，對(duì)車輛停放位置的需求不斷提升。其中，共享汽車停放的地址成為該產(chǎn)業(yè)持續(xù)發(fā)展的關(guān)鍵環(huán)節(jié)。因此，相關(guān)的停放區(qū)域選址研究受到人們的極大重視[1]。

對(duì)共享汽車停放區(qū)域多目標(biāo)選址規(guī)劃設(shè)計(jì)是建立在對(duì)共享汽車停放區(qū)域的位置參數(shù)節(jié)點(diǎn)分析基礎(chǔ)上，采用空間參數(shù)尋優(yōu)，進(jìn)行規(guī)劃和動(dòng)態(tài)節(jié)點(diǎn)控制，實(shí)現(xiàn)停放區(qū)域多目標(biāo)選址和自動(dòng)化規(guī)劃設(shè)計(jì)[2]。傳統(tǒng)方法中，選址方法主要有基于模糊動(dòng)態(tài)參數(shù)識(shí)別的選址方法、基于粒子群尋優(yōu)的選址方法、基于模糊PID的多目標(biāo)選址方法等。本文構(gòu)建選址規(guī)劃的動(dòng)態(tài)特征分析模型，通過(guò)控制信息融合和多維參數(shù)識(shí)別，完成規(guī)劃設(shè)計(jì)[3-5]。但傳統(tǒng)方法選址的自適應(yīng)性不好，聯(lián)合參數(shù)尋優(yōu)能力不強(qiáng)。

針對(duì)上述問(wèn)題，本文提出基于改進(jìn)蜂群算法的共享汽車停放區(qū)域多目標(biāo)選址方法。首先，構(gòu)建共網(wǎng)格區(qū)域規(guī)劃模型，采用分塊網(wǎng)格區(qū)域模板匹配方法，實(shí)現(xiàn)選址過(guò)程中參數(shù)尋優(yōu)；然后，建立共選址規(guī)劃模型，通過(guò)量化參數(shù)融合方法，構(gòu)建節(jié)點(diǎn)定位模型，建立最優(yōu)目標(biāo)搜索函數(shù)，通過(guò)反饋調(diào)節(jié)方法，實(shí)現(xiàn)多目標(biāo)選址和自適應(yīng)定位；最后，進(jìn)行仿真測(cè)試分析，展示了本文方法在提高選址和規(guī)劃能力方面的優(yōu)越性能。

1 共享汽車停放區(qū)域參數(shù)規(guī)劃和融合

1.1 共享汽車停放區(qū)域參數(shù)規(guī)劃模型

為了實(shí)現(xiàn)基于改進(jìn)蜂群算法的多目標(biāo)選址，首先構(gòu)建網(wǎng)格區(qū)域規(guī)劃模型，采用分塊網(wǎng)格區(qū)域模板匹配方法，實(shí)現(xiàn)選址過(guò)程中參數(shù)尋優(yōu)[6]，得到選址的總體結(jié)構(gòu)如圖1所示。

圖1 共享汽車停放區(qū)域選址的總體結(jié)構(gòu)

構(gòu)建選址的測(cè)度模型，通過(guò)測(cè)度分析方法，進(jìn)行區(qū)域的網(wǎng)格分塊匹配[7]，得到規(guī)劃的聯(lián)合特征概率值pi，定義如式(1)所示。

(1)

式中，giti代表停放區(qū)域節(jié)點(diǎn)i的適應(yīng)值；mb代表最佳停放區(qū)域分布的網(wǎng)格分布系數(shù)。

采用聯(lián)合特征分析方法，建立選址的自適應(yīng)參數(shù)規(guī)劃模型如式(2)所示。

(2)

式中，k∈{1,2,…,SN}，j∈{1,2,…,D}是先驗(yàn)知識(shí)可循調(diào)度集，且k≠i；共享汽車停放區(qū)域的自相關(guān)參數(shù)β是一個(gè)隨機(jī)跳變的數(shù)，表示共享汽車停放區(qū)域的搜索區(qū)域范圍，采用蜂群尋優(yōu)控制，進(jìn)行共享汽車停放區(qū)域的選址節(jié)點(diǎn)定位。

求得共享汽車停放區(qū)域的選址節(jié)點(diǎn)kij與xkj之間的差距縮小，意味共選址得到最優(yōu)解。對(duì)選址位置kij采用隨機(jī)定位方法進(jìn)行優(yōu)化定位。根據(jù)上述分析，得到選址的參數(shù)識(shí)別模型，結(jié)合空間參數(shù)規(guī)劃，進(jìn)行多目標(biāo)參數(shù)融合[8]。

1.2 共享汽車停放區(qū)域多目標(biāo)參數(shù)融合

采用分塊網(wǎng)格區(qū)域模板匹配方法，實(shí)現(xiàn)共享汽車停放區(qū)域選址過(guò)程中的參數(shù)尋優(yōu)，得到共享汽車停放區(qū)域選址的在線參數(shù)得到模型如式(3)所示。

(3)

式中，h∈{1,2,…,D}，表示共享汽車停放區(qū)域多目標(biāo)尋優(yōu)的最佳解范圍。

基于聯(lián)合參數(shù)識(shí)別和補(bǔ)償控制的方法，進(jìn)行共享汽車停放區(qū)域多目標(biāo)輸出狀態(tài)參數(shù)識(shí)別，得到空間區(qū)域融合參數(shù)定義如式(4)所示。

(4)

采用Rastrigin函數(shù)實(shí)現(xiàn)對(duì)共享汽車停放區(qū)域多目標(biāo)定位的輸出穩(wěn)定性控制，得到控制函數(shù)如式(5)所示。

根據(jù)自適應(yīng)控制結(jié)果，結(jié)合人工蜂群算法，建立共享汽車停放區(qū)域多目標(biāo)參數(shù)尋優(yōu)的聯(lián)合動(dòng)態(tài)特征量，表示如式(6)所示。

(6)

在負(fù)載均衡控制下，根據(jù)變異蜂群指導(dǎo)和遷移特征量轉(zhuǎn)換，得到共享汽車停放區(qū)域選址尋優(yōu)的適應(yīng)度函數(shù)如式(7)所示。

(7)

(8)

通過(guò)上述多目標(biāo)參數(shù)融合結(jié)果，采用二乘規(guī)劃算法進(jìn)行共享汽車停放區(qū)域選址的博弈尋優(yōu)，構(gòu)建共享汽車停放區(qū)域選址的自適應(yīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，提高優(yōu)化選址能力[9]。

2 共享汽車停放區(qū)域選址方法優(yōu)化

2.1 共享汽車停放區(qū)域選址的蜂群尋優(yōu)

采用分塊網(wǎng)格區(qū)域模板匹配方法，實(shí)現(xiàn)共享汽車停放區(qū)域選址過(guò)程中的參數(shù)尋優(yōu)，建立選址規(guī)劃模型，通過(guò)量化參數(shù)融合方法，構(gòu)建選址的節(jié)點(diǎn)定位模型，采用蜂群尋優(yōu)算法[10]，得到選址的聯(lián)合控制參數(shù)limit，蜜源因素參量式(9)所示。

(9)

式(9)用于偵察峰通過(guò)聯(lián)合尋優(yōu)，進(jìn)行目標(biāo)控制，建立共享汽車停放區(qū)域選址的自適應(yīng)尋優(yōu)控制參數(shù)，采用二乘規(guī)劃算法進(jìn)行空間規(guī)劃設(shè)計(jì)，得到蜂源尋優(yōu)路徑如式(10)所示。

(10)

(11)

通過(guò)上述模型，得到共享汽車停放區(qū)域選址的自適應(yīng)蜂群尋優(yōu)函數(shù)如式(12)所示。

上式表示為共享汽車停放區(qū)域選址的約束指標(biāo)參量集，為一個(gè)標(biāo)準(zhǔn)的正態(tài)分布函數(shù)，得到共享汽車停放區(qū)域選址的蜂群尋優(yōu)規(guī)劃模型如圖2所示。

圖2 共享汽車停放區(qū)域選址的蜂群尋優(yōu)規(guī)劃模型

2.2 共享汽車停放區(qū)域選址定位優(yōu)化

采用嵌入式的模糊控制方法，建立低碳模式下共享汽車停放區(qū)域選址信息融合[11]，采用定量分析法得到共享汽車停放區(qū)域選址評(píng)估的解釋參數(shù)分析模型，得到聯(lián)合適應(yīng)度函數(shù)如式(13)所示。

(13)

(14)

fmin和fmax形成的共享汽車停放區(qū)域選址的最大和最小概率密度集，rand表示共享汽車停放區(qū)域選址的尋優(yōu)函數(shù)服從隨機(jī)分布，根據(jù)上述分析，構(gòu)建共享汽車停放區(qū)域選址的自適應(yīng)控制模型，如式(15)所示。

(15)

根據(jù)共享汽車停放區(qū)域的蜜蜂參與度水平，得到聯(lián)合概率密度表達(dá)式如式(16)所示。

(16)

分析低碳排放下共享汽車停放區(qū)域選址的可靠性，當(dāng)滿足EUR(q,w,e)，得到低碳排放下共享汽車停放區(qū)域定位實(shí)現(xiàn)流程如下。

(1)計(jì)算碳排放下共享汽車停放區(qū)域的聯(lián)合特征檢測(cè)統(tǒng)計(jì)量A，每個(gè)解個(gè)體i的定位規(guī)則排序R′(i)如式(17)所示。

R′(i)==|{j|j∈A,ji}|?i∈A

(17)

(18)

人工蜂群算法解個(gè)體i的排序數(shù)R(i)等于解個(gè)體i的偽隨機(jī)排序結(jié)果。這與所支配個(gè)體i的所有解個(gè)體的偽排序數(shù)之和相同。

(3)根據(jù)人工蜂群種群分布，得到共享汽車停放區(qū)域選址評(píng)估的效益度水平，得到效益度特征分量如式(18)所示。

(19)

根據(jù)蜂群尋優(yōu)的密度參數(shù)，進(jìn)行多目標(biāo)選址和參數(shù)控制。

(4)建立最優(yōu)目標(biāo)搜索函數(shù)，通過(guò)反饋調(diào)節(jié)方法，實(shí)現(xiàn)自適應(yīng)定位，得到停放區(qū)域選址定位優(yōu)化如式(20)所示。

(20)

式中，R(i)表示人工蜂群算法中共享汽車停放區(qū)域多目標(biāo)尋優(yōu)的控制函數(shù)，λ(i)表示相對(duì)解

個(gè)體i的密度值。根據(jù)上述分析，實(shí)現(xiàn)選址算法優(yōu)化設(shè)計(jì)。實(shí)現(xiàn)流程如圖3所示。

圖3 蜂群尋優(yōu)實(shí)現(xiàn)流程

3 實(shí)驗(yàn)測(cè)試

為了測(cè)試本文方法在實(shí)現(xiàn)共享汽車停放區(qū)域選址可靠性分析中的應(yīng)用性能，進(jìn)行仿真測(cè)試。實(shí)驗(yàn)在MATLAB軟件上進(jìn)行，實(shí)驗(yàn)操作系統(tǒng)為WINDOWS XP系統(tǒng)，其運(yùn)行內(nèi)存為16GB，CPU為3.6GHz。選擇Sphere函數(shù)為測(cè)試函數(shù)，設(shè)定共享汽車停放區(qū)域多目標(biāo)選的蜂群尋優(yōu)的個(gè)體數(shù)為340，尋優(yōu)進(jìn)化系數(shù)為0.35，變異系數(shù)為0.14，共享汽車停放區(qū)域選址的參數(shù)尋優(yōu)結(jié)果見(jiàn)表1。

表1 共享汽車停放區(qū)域選址的參數(shù)尋優(yōu)結(jié)果

根據(jù)表1的測(cè)試樣本集，采用本文方法進(jìn)行蜂群尋優(yōu)控制，得到共享汽車停放區(qū)域多目標(biāo)選址的空間規(guī)劃結(jié)果見(jiàn)表2。

表2 共享汽車停放區(qū)域多目標(biāo)選址的空間規(guī)劃結(jié)果

根據(jù)上述參數(shù)解算結(jié)果，進(jìn)行共享汽車停放區(qū)域多目標(biāo)選址，得到初始位置分布如圖4所示。

圖4 初始位置分布

根據(jù)圖4所示的選址位置分布，進(jìn)行多目標(biāo)選址尋優(yōu)，得到目標(biāo)選址的自適應(yīng)性測(cè)試結(jié)果如圖5所示。

圖5 目標(biāo)選址的自適應(yīng)性測(cè)試結(jié)果

分析圖5得知，采用本文方法進(jìn)行多目標(biāo)選址，得到識(shí)別能力檢測(cè)結(jié)果如圖6所示。

圖6 識(shí)別能力檢測(cè)結(jié)果

分析圖6得知，將文獻(xiàn)[1]、文獻(xiàn)[2]的傳統(tǒng)方法與該方法進(jìn)行比較，可得本文方法進(jìn)行選址的識(shí)別能力較好，自適應(yīng)性較強(qiáng)。

4 結(jié)論

研究共享汽車停放區(qū)域規(guī)劃模型，結(jié)合目標(biāo)選址的參數(shù)識(shí)別和優(yōu)化規(guī)劃方法，實(shí)現(xiàn)對(duì)共享汽車停放區(qū)域動(dòng)態(tài)參數(shù)分析，本文提出基于改進(jìn)蜂群算法的共享汽車停放區(qū)域多目標(biāo)選址方法。構(gòu)建選址的網(wǎng)格區(qū)域規(guī)劃模型，結(jié)合空間參數(shù)規(guī)劃，進(jìn)行選址識(shí)別。研究得知，本文方法進(jìn)行選址的識(shí)別能力較好，自適應(yīng)性較強(qiáng)，提高了選址規(guī)劃能力。