车辆调度员岗位职责

2024-10-27

车辆调度员岗位职责（10篇）

1.车辆调度员岗位职责篇一

车辆调度员职业岗位标准

4.3.1岗位名称

车辆调度员

4.3.2岗位描述

按照操作部的计划，及时安排性能状况好的车辆。

4.3.3岗位标准（主要职责、工作内容、工作依据）

（1）责任一：调度管理工作

①工作一：严格按照采购程序采购物资。

②工作二：管理车辆档案，随时了解运输车辆的车况。

③工作三：通过逐级批报的流程选定实际承运商，并将相关资料交由行政部门存档。

（2）职责二：处理日常调度工作。

①工作一：接受各个服务单位的发运信息，并做好信息登记。

②工作二：根据生产计划和发运信息，调用性能状况完好的使用车型。

③工作三：及时协调运输业务与其他物流服务环节的矛盾。

④工作四：选择合适的运输线路，力争节约成本，提高运输综合效益。

⑤工作五：掌握车辆在途情况，运输质量，途中事故处理和驾驶员的安全教育工作。⑥工作六：督导信息员按时接受上级和客户的指令，将作业情况及时输入信息系统。

（3）职责三：运输单据的传递及费用结算。

①工作一：按发运里程预算处车费用，填写“油料单”、“出车费用单”，驾驶员根据以上单据加油、支款。

②工作二：负责登记发运单据、返回单据传递和归队车辆费用结算。

③工作三：做好临时性用车的登记和单据填报。

（4）工作依据：调度部、运输部规章制度及流程，运输票据传递制度。

4.3.4工作责任

（1）对货物装载合理性负责。

（2）对资源分配合理性负责。

（3）对车辆运行情况负责。

4.3.5岗位要求:

（1）业务知识：

①熟悉公路运输业务知识；

②了解供应链管理方面的知识；

③了解运输方式及其特征。

（2）技能：

①熟悉车辆及四级的技术状况；

②熟悉调度工作的各个环节和工作程序。

2.车辆调度员岗位职责篇二

基本形态的车辆调度问题 (vehicle routing problem, VRP)最早是由Dantzig和Ramser[1]于1959年首次提出,它是指1个中心仓库为一定数量的具有不同需求的客户提供服务,要求在满足一定的约束条件下,组织适当的行车路线,以最小的成本使客户的需求得到满足。具有不确定车辆数的车辆调度问题(VFVRP)是在基本VRP基础上,要求在优化行车路线的同时优化所使用的车辆数,即在满足一定的约束条件下确定所使用车辆数以及每个车辆在配送点中的访问顺序。在物流研究邻域中具有重要的理论和现实意义。

目前,求解VFVRP常采用两阶段法,一是先分组后安排路线,二是先构造路线后分组,但不论是先分组还是先构造路线,均将车辆数和路径优化割裂成2个阶段进行优化,显然,这样会使问题的全局寻优能力受到很大限制。蚁群算法是M.Dorigo[2]等学者在20世纪90年代初提出的1种新的仿生智能算法,该算法具有良好的本质并行性、稳定性和可扩展性,已经成功应用于各类VRP的求解[3,4,5]。本文针对具有不确定车辆数的车辆调度问题,将实现车辆数和路径这2个目标最优的解析信息融入蚂蚁的选择机制中,构造了1种能同时优化车辆数和路径的蚁群算法。

1 VFVRP问题描述和模型建立

VFVRP问题可以描述为一中心仓库,拥有容量为Q的车辆K辆,负责对给定的货物任务集N={1,2,…,n}进行货物配送工作, 已知客户i的货物需求为gi(i=1,2,…,n),且gi≤Q,规定1次配送计划中每个客户只能由1辆车来进行服务,配送车辆完成配送任务后必须返回配送中心,要求确定以最小的总成本完成配送任务所需要的最少车辆数和每辆车的行车路线。

记G=(V,E)为赋权图。式中V={0,1,2,…,n}为顶点集,其中仓库编号为0,客户编号为1,2,…,n;E为边集,各顶点间的(距离)权值为dij(dij>0,dij=∞,i,j∈V);并定义变量xijk、yik:

$\begin{array}{l} x_{i j k} = {\begin{cases} 1 车辆 k 从客户 i 行驶到 j \\ 0 否则 \end{cases} \\ y_{i k} = {\begin{cases} 1 点 i 的顾客需求由第 k 辆车完成 \\ 0 否则 \end{cases} \end{array}$

则建立数学模型如下:

$\begin{array}{l} \min f (x) = λ_{1} \sum_{i = 1}^{Ν} \sum_{k = 1}^{Κ} y_{i k} + λ_{2} \sum_{k = 1}^{Κ} \sum_{i = 0}^{Ν} \sum_{j = 1}^{Ν} x_{i j k} d_{i j} (1) \\ s . t . \sum_{i = 1}^{Ν} \sum_{k = 1}^{Κ} y_{i k} \leq Κ (2) \\ \sum_{j = 1}^{Ν} x_{i j k} = \sum_{j = 1}^{Ν} x_{i j k} \leq 1 \\ i = 0 ‚ k \in {1 ‚ 2 ‚ \dots ‚ k} (3) \\ \sum_{i = 0}^{Ν} \sum_{k = 1}^{Κ} x_{i j k} = 1 j \in {1 ‚ 2 ‚ \dots ‚ n} (4) \end{array}$

$\begin{array}{l} \sum_{j = 0}^{Ν} \sum_{k = 1}^{Κ} x_{i j k} = 1 i \in {1 ‚ 2 ‚ \dots ‚ n} (5) \\ \sum_{i = 0}^{Ν} g_{i} y_{i k} \leq Q j \in {1 ‚ 2 ‚ \dots ‚ n} (6) \end{array}$

式(1)为包含车辆数和车队总行驶距离在内的构造成本函数,其中λ1,λ2为对应的权重及标准化系数;式(2)表示派出车辆的数目不能超过中心仓库所拥有的车辆数;式(3)确保车辆都是从仓库出发,并回到仓库;式(4)、(5)保证每个客户只能被1辆车服务1次;式(6)定义了车辆容量约束。

2 求解问题的蚁群算法

利用蚁群算法求解具体问题,关键是将问题的高层次行为映射到低层次的蚂蚁的简单行为,并且在算法系统设计时保证多个个体交互的简单行为能够涌现出问题的复杂行为[6]。本文用人工蚂蚁模拟车辆来对问题进行模拟求解,记所有节点被遍历1次为1个循环,在1次循环中,同一时刻只能有1只蚂蚁参与搜索,所有参与服务的蚂蚁共用1个禁忌表,每只蚂蚁构造的解是1个完整解方案的一部分。即在1次循环中,将优化的车辆数与参与服务的蚂蚁数相映射,使参与服务的蚂蚁数量等于所使用的车辆数。

在蚁群算法中,信息素更新规则和状态转移规则是算法实现的2个最重要的规则,对蚂蚁搜索行为起决定性作用。

2.1 信息素更新规则

信息素更新规则包括了蚂蚁何时释放信息素以及释放多少信息素2种信息,是算法实现的关键,蚂蚁何时释放信息素由问题特征和实施方法来决定,蚂蚁可以选择在构造部分解或建立了1个完整的解方案之后更新信息素。而所释放信息素量与解的优劣程度相关,只有对较优的解释放适中的信息素,才能保证算法能够快速收敛到最优解。

根据求解问题,本文构造的算法采用蚂蚁合作优化解方案,鉴于1次循环中每段路径只能由1只蚂蚁来选择,选择1次循环结束后进行信息素的更新,同时,为直接体现解方案优劣,确定释放信息素量的大小与目标函数成反比,扩大较优解和劣解对应路径的信息素差别,使得蚂蚁搜索能够快速收敛到最优解,因此,按照公式(7)对路径信息素进行更新。

$τ_{i j} (t + 1) = ρ τ_{i j} (t) + \sum_{k = 1}^{m} δ_{i j}^{k} Δ τ_{i j}^{k} (7)$

式中:ρ∈(0,1)为信息素发挥系数;

$δ_{i j}^{k} = {\begin{cases} 1 蚂蚁 k 选择路径 e_{i j} \\ 0 否则 \end{cases};$

Δτ $_{i j}^{k}$ 为信息素加强量,取 $Δ τ_{i j}^{k} = \frac{Q_{0}}{f_{k}}$ ,其中fk为目标函数。

2.2 状态转移规则

蚂蚁构造线路的过程,也就是逐步随机选择节点的过程,位于某个节点i的蚂蚁k按照公式(8)所确定的概率转移规则选择向节点j转移。

$p_{i j}^{k} (t) = {\begin{cases} \frac{τ_{i j}^{α} η_{i j}^{β} (t)}{\sum_{s \in a l l o w e d_{k}} τ_{i s}^{α} η_{i s}^{β} (t)} j \in a l l o w e d_{k} \\ 0 否则 \end{cases} (8)$

由式(8)可见:蚂蚁的转移概率p $_{i j}^{k}$ 主要由路径信息素浓度τij和启发函数ηij共同决定,其中,α、β是分别反应蚂蚁在转移过程中所积累的信息素τij和启发信息ηij在蚂蚁搜索过程中的相对重要性的2个参数,N、allowedk为某个时刻允许蚂蚁k转移的顾客节点集,。

2.2.1 启发函数ηij的构造

车辆选择顾客节点不仅需要考虑到车辆现处位置与该节点间的距离,而且还要考虑剩余装载能力和该节点需求量之间的关系,但在不同选择阶段,考虑不同因素的偏重不同。在搜索最初阶段,车辆的剩余装载能力充足,选择下1个节点主要考虑的因素是路径的长短;随着被访问节点的增加,车辆的剩余装载能力降低,蚂蚁选择下1节点时逐步偏重于对车辆装载能力的考虑;最后阶段,当所装货物接近车辆的额定装载容量时,节点的需求量就成为蚂蚁选择转移所考虑的惟一因素。为形象描述车辆剩余装载能力和节点需求量的关系,这里定义1个称为可容能力系数的变量μ=gi/D。式中:D为车辆现有的剩余装载能力,显然μ是基于问题特征引导蚂蚁选择转移的1个离散变量,μ≤1时表示车辆可以选择装载节点j的货物,否则,只能重新选择或返回中心节点0。为保证与上述搜索机制统一,构造启发函数 $η_{i j} (t) = \frac{1}{d_{i j}} \times u^{γ}$ 。式中:γ为可容能力相对于距离对蚂蚁选择概率的启发程度。

2.2.2 禁忌表设计

鉴于求解问题要求车辆必须从配送中心出发再返回到配送中心,令1次循环中,所有蚂蚁共用1个禁忌表,除中心节点外,被访问过的节点设为禁忌点。这是由于在1次循环中,每只蚂蚁构造的解仅是解方案的1个组成部分,1个解方案是由多个蚂蚁协作共同建立的,因此,当某个节点被蚂蚁访问过则该节点在当前循环中就不能被其它的蚂蚁再次访问;而对于中心节点永远被排除在禁忌表外,这是由于车辆装载能力的限制,在1次循环中造成多只蚂蚁模拟多个车辆来进行路线构造,中心节点可能要被多次访问以形成多条回路。

2.3 中心节点虚拟需求量的引入

在1条回路搜索的最后阶段,由于车辆剩余装载能力的限制,满足μ≤1的节点集范围缩小,蚂蚁可能需要多次重新选择或判定是否返回配送中心,这样会造成搜索次数的增加或车辆利用能力的浪费,这里通过对中心节点0设定1个虚拟需求小量g0(g0为1个很小的正数,具体取值和求解问题有关)以引导车辆接近或达到车辆满载容量时,自动以大概率返回中心节点0。

2.4 算法步骤

基于上述算法思想,求解具有不确定车辆数的车辆调度问题的步骤为:

步骤1 初始化。设置初始信息素τij←τ0,最大迭代次数maxI并令I←0,蚂蚁数量m,车辆剩余装载能力D←Q ,车辆数num←0。

步骤2 将m个蚂蚁按自然数编码并将每只蚂蚁置于中心节点0。

步骤3 对第k个蚂蚁按式(8)所确定的概率转移规则选择将要移至的下一节点j,判断u≤1,是,将节点j置于当前解集中,D←(D-g(j)),否则,重新选择,直到第k个蚂蚁返回到中心仓库,num←num+1。

步骤4 判断k≺m,是,令第k+1个蚂蚁重复步骤3,否则转步骤5。

步骤5 按照式(7)进行路径信息素的更新,I≺I+1。

步骤6 判断迭代次数I≺Imax,是,转步骤2;否,则输出结果。

3 实例

实例的数据见文献[7],有8个客户节点和1个中心仓库的配送系统,各客户对中心仓库的需求为qi(i=0,1,2,…,8),中心仓库提供容量为8 t的车辆用于配送,已知中心仓库与各客户点间的距离如表 1 所列( 其中0表示中心仓库,q 0为中心节点虚拟需求量,要求确定1个成本花费最低的有效的运输方案,包括所需车辆数和各车辆对应的走行路径。

蚁群算法参数取为:α=1,β=3,γ=1,ρ=0.8,τ0=1,λ1=50,λ2=1,m=8,q0=0.9,Imax=100,利用VB进行了算法实现,得到最优配装方案如表2 所列,虽然最优方案对应车辆行车路线有所不同,但所使用车辆数均为2,行驶总路径均为65.5,这也从另1个方面反应了算法的有效性。

4 结束语

针对具有不确定车辆数的车辆调度问题,结合问题的特征,本文用人工蚂蚁模拟车辆,通过设计禁忌表、构造启发函数、引入中心节点虚拟需求量等策略,设计了求解问题的蚁群算法。该算法主要的优点就是能够跳出常规的两阶段求解方法的局限,避开对聚类和排序之间的优先选择,使得车辆数和路径的优化得以同时进行,增强了算法搜索的全局性;此外,算法充分考虑了配送回路的起讫点——中心节点,将空车返回中心所花费成本纳入总的配送成本来考虑,更具有实际意义。

参考文献

[1]Dantzig G,Ramser J.The truck dispatching problem[J].Management Sci,1959(6):80-91

[2]Maniezzo D M,Colorni V,A Ant system:Optimiza-tion by a colony of cooperating agents[J].IEEETrans on System,Man,and Cybernetics,1996,26(1):29-41

[3]Chen Chiaho,Ting Chingjung,Chang Peichan.Ap-plying a hybrid ant colony system to the vehicle rou-ting problem[J].Computational Science and Its Ap-plications-ICCSA 2005.International Conference.Proceedings,Part IV,Lecture Notes in ComputerScience 2005,3483(4):417-426

[4]Fountas C,Vlachos A.Ant colonies optimization(ACO)for the solution of the vehicle routing prob-lem[J].Source:Journal of Information&Optimiza-tion Sciences,2005,26(1):135-142

[5]杨善林,凌海峰,刘业政.基于蚁群算法的混合方法求解车辆路径问题[J].福州大学学报:哲学社会科学版,2005,19(3):14-17

[6]李士勇,陈永强,李研.蚂蚁算法及其应用[M].哈尔滨:哈尔滨工业大学出版社,2004

3.车辆调度员岗位职责篇三

关键词：车辆路径问题；不确定决策；禁忌搜索算法

中图分类号：F224文献标识码：A

文章编号：1002-3100(2007)12-0026-04

Abstract: A vehicle routing problem in war is discussed, in which some routes may be destroyed uncertainly by competitor. A two-stage integer program model is constructed. The value of a route in a uncertain situation is analyzed. In the method, only the maximum value and the minimum value are countered into the object value, simpling the computation of the object value of the model. A two-stage tabu search algorithm is designed. In the end, an example is given.

Key words: vehicle routing problem; uncertain decision; tabu search algorithm

0引言

战争环境下，交通线路中的一些关键性的桥梁、隧道和线路枢纽随时可能被敌方破坏。利用这些关键性的桥梁（隧道）运输时间将会缩短，但如果这些桥梁被毁坏，运输车可能要绕道运输甚至原路返回，反而延误了运输时间。这一类问题同样也存在于自然灾害的救援活动中。在人类的发展历史上，地震、洪水、台风和雪崩等自然灾害也是破坏交通线的重要因素。1995年日本的神户地震、美国近期的飓风“丽塔”、我国1998年的特大洪水等都破坏了许多交通设施，同时这些自然灾害还随时威胁物资救援的运输线路。由于这类运输直接关系到整个军事（救援）活动的成功与否和人员的生命安全，因此研究这一类不确定的运输决策问题无论对于战争还是人类战胜自然灾害都具有重要的意义。目前关于车辆线路优化的研究很多，但涉及战争环境下（或自然灾害环境）的研究很少，正式的研究文献几乎没有看到。本文探讨了一个个别关键路段（桥梁、隧道等）可能被毁坏情况下的多车辆路径决策问题，提出了相应的数学模型并给出了求解模型的禁忌启发式算法。

1问题描述及复杂性分析

1.1问题的提出

2数学模型

调整上述模型的一些参数，即可建立不协作的两阶段规划模型，这里不再详述。

3线路方案的评价值

4禁忌搜索算法

禁忌搜索算法主要内容如下：

（1）随机产生一个路径序列为初始解。为n个需求点编序列号，仓库为0。路径解的首尾各为0，中间是n个需求点加上M-1个0的随机排列。相邻两个0之间为一个车辆的服务路径。以6个需求点，两辆车为例，一个路径解为0-1-2-3-0-4-5-6-0。

（2）邻域的产生。分别采用任意两个需求点交换位置、任意一个需求点插入到线路任意位置的方法产生新的解。

（3）车辆容量限制的处理。当一个车辆线路中的需求点的总需求量超过车辆最大载货量时，该线路方案被淘汰。

（4）禁忌对象为两个相邻的需求点。禁忌表的长度随进化代数的增加而加长。当前值优于历史最优值时，禁忌解除。

（6）线路的方向。在乐观准则下，毁坏后线路的调整变化没有被计算到评价值中，为了弥补这一缺陷，可选出乐观准则下的最优方案和多个次优方案，并计算出最坏情况下的结果，以供决策参考。即使是最优化方案，相同的线路次序但不同的线路方向也被认为是不同的方案。如线路0-1-2-3-4-0和0-4-3-2-1-0是不同的方案。

5示例

表1是一个路网的距离数据。其中路段2-4经过一个难以修复的桥梁，被敌方破坏的可能性非常大。0表示仓库，其它10个序号表示需求点，每个需求点需求为5，每辆车的最大载货量为35，用两辆车送货，要求规划不同期望值准则下的里程最短的线路。

由于车辆载货量的限制，完成任务必须两辆车。采用文中的禁忌搜索算法得到不同准则下的最优方案。

6结束语

战时或各种抢险救灾时的物流运输保障具有重大意义。但这类运输线路优化问题至今研究很少。本文把不确定决策技术和车辆路径优化技术结合起来，建立了不确定环境下的运输线路优化模型，研究结果可以为不确定环境下的物流配送决策提供参考。

参考文献：

[1] 李军，郭耀煌. 车辆优化调度理论与方法[M]. 北京：中国物资出版社，2001:7-10.

[2] 甘应爱，田丰,等. 运筹学[M]. 北京：清华大学出版社，1990.

[3] 柳春光，焦双健. 城市震后救灾系统救灾决策研究[J]. 自然灾害学报，2000,9(3):21-24.

[4] 吴育华，杜纲. 管理科学基础[M]. 天津：天津大学出版社，2001.

[5] 张凤林，武小悦，郭波,等. 物流网络可用性研究[J]. 系统工程理论方法应用，2002,12(1):16-19.

4.车辆调度员总结计划篇四

一、熟悉公司得规章制度和基本业务工作。

二、制订学习计划。加强业务学习，开拓视野，丰富知识，采取多样化形式，把学业务与交流技能向结合，根据市场不停的变化局面，不断调整思路工作，学习对于业务人员来说至关重要，因为它直接关系到一个业务人员与时俱进得步伐和业务方面得生命力。

三、加强自己思想建设，增强全局意识、增强责任感、增强服务意识、增强团队意识。积极主动地把工作做到点上、落到实处。

5.2009车辆调度员个人工作总结篇五

·无论是在思想上还是在工作上都起到了先锋带头作用，做到无愧与中国共产党这个称号。在在思想上不断的要求进步，中国共产党的身份铭记于心。工作上不断进取，勇于创新，认真负责的完成自己每一项工作。我认为，作为一名共产党员，不但要在组织上入党，更重要的是要在思想上入党。如何做到在思想上入党，最重要的是加强政治的学习。如果我们只是顾扎堆于事务，不顾学习，放松思想觉悟，理论根底不深，那就谈不上运用马克思主义立场、观点和方法分析、鉴别各种社会思潮，往往把错误的、庸俗的东西看成是新潮的，或是自己所要追求的，就会使自己走上错误的道路。因此，平时我会不断认真学习，学习邓小平理论，学习江泽民同志的“三个代表”的重要思想和其他重要讲话，多读书看报，不断提高自己的综合素质和管理能力，个人总结《2009车辆调度员个人工作总结》。

· 我的主要是负责全站的车辆管理工作。我单位地处远郊，每天都要接送职工上下班，各项工作业务的办理都离不开车辆。因此，在日常用车时合理调配车辆，首先保证让职工上下班坐得安心和舒服；公务用车、值班车随时候命。做好车辆的维修和保养工作，平时能督促各位司机做好车辆安全检查工作，确保车辆行车的安全；做好车辆的卫生清洁工作，做到每台车里外都干净、整齐。做好车辆资料管理工作，如车辆的审核和换证等，车辆的行车记录以及耗油情况等。经常教育和指导司机们根据车辆的特点，用正确的、科学的方法驾驶车辆，尽量减少耗油和其他方面的损耗，节省开支，延长的车辆的使用寿命。定期上安全教育课，要求各位司机要将安全驾驶放在首位，一刻也不能放松。

本人的生活朴素，作风正派，吃苦耐劳。平时与同事相处融洽，以身作则，带领司机队的同志做好工作；尊重领导，虚心听取不同意见，对有些干部职工提出的意见，能耐心解答并及时向领导反映，多次受到好评。

但是，在工作中还存在许多不足的地方，主要是耐心不够，对车辆的维修技术还不全面，缺乏主动性。

6.车辆调度计划表篇六

车号：

驾驶员：篇二：公司车辆调度安排表

车辆调度安排表篇三：车辆调度工作方案

全省教育工作会议车辆调度工作方案

全省教育工作会议即将召开，届时省教育厅副厅长xxx同志亲临讲话。为做好全省教育工作会议的车辆调度工作，体现本承办单位快捷、安全、高效的良好形象，根据工作实际和承办单位的总体安排，特制定如下工作方案：

一、工作目标

按照一流的工作标准，精心组织，周到安排，厉行节约，文明礼貌，高质量、高效率的搞好车辆安排和调度工作，力争让每一位参会人员高兴而来，满意而归，树立会议承办单位的良好对外形象。

二、工作任务

1、负责编制全省教育工作会议的车辆保障经费预算；

2、做好会议期间的车辆安排、调度；

3、做好服务车辆驾驶员培训管理；

4、进行车辆技术状态审查、驾驶员审查，制作和发放参会车辆编号、通行证；

5、负责通行线路确定；

6、会议结束后进行车辆保障经费的结算等工作。

三、工作机构及职责

根据实际情况，为保证会议期间车辆调度工作的顺利进行，决定成立五个车辆调度小组，分别负责来自全省各地的参人员接送工作，具体职责如下：

1、总务组，由车队长xxx为总协调，xxx、xxx二人参加，调配小汽车、9座商务车各一辆（车号??、??），用于机动。具体负责车辆运行费用的预决算，制定调度工作预案，省教育厅领导车辆安排，参会人员返程机、车票的预订，调配会议用车并制订车辆行驶路线、对驾驶员进行培训、督促各小组对车辆进行检修，及时了解和掌握参会人员途中情况及反馈至各调度小组，妥善安排好来宾车辆。

2、机场组，由xxx、xxx二个人组成，xxx总牵头，驾驶12座中型商务车一辆（车号??），具体负责乘坐飞机前来参加全省教育工作会议的10名参会人员接送，并保证途中乘客人身和财产安全；

3、火车站组，由xxx、xxx、xxx等四人组成，xxx总牵头，驾驶33座大客车两辆（车号??、??），具体负责乘坐火车前来参加全省教育工作会议的60名参会人员接送，并保证途中乘客人身和财产安全；

4、汽车站组，由xxx、xxx组成，xxx总牵头，驾驶33座大客车一辆（车号??），具体负责乘坐长途汽车前来参加全省教育工作会议的30名参会人员接送，并保证途中乘客人身和财产安全；

5、自驾组，由xxx、xxx、xxx、xxx、xxx等五人组成，xxx总牵头，负责自驾车辆前来参加全省教育工作会议的50名参会人员的路线提示，必要情况下前往现场进行引路，并提醒他们人身和财产安全，及时协调解决相关困难和问题。

四、工作时限

车辆调度分二个阶段进行：

第一阶段为准备阶段。（××年××月xx日至××年××月xx日）

1、制定车辆调度工作实施方案，明确工作任务和实施步骤。

2、落实车辆和驾驶员，明确分工，进行驾驶员培训和车辆检修，实地熟悉情况。

3、编制车辆运行费用预算。

4、编制和配备全省教育工作会议交通路线图，实地确定参会人员迎送中心。

第二阶段为实施阶段（××年××月xx日至××年××月xx日）

1、在机场、汽车站、火车站设迎送中心，各小组挂牌接送。自驾组与自驾车辆人员保持通讯畅通，及时告知路况信息，引导车辆行进。

2、按预定返程票计划办理购票手续。

3、做好各种突发事情的处置工作。

4、活动结束后进行总结。

5、编制车辆运行费用决算。

六、工作要求

1、人员管理方面：一是要充分认识做好车辆调度和运行工作的重要性，坚决克服松懈麻痹思想，以高度的责任感和事业心把各项工作抓紧做好。二是要加强组织领导，严格按照车辆调度组织网络，畅通信息渠道，实现快速联动，确保各项任务不折不扣地落到实处；三

是要加强各项管理，健全规章制度，对驾驶员和其他工作人员进行业务技能培训，从整体上提高车辆调度运行工作人员的素质，使他们在拥有更加精湛的驾驶技术同时，也掌握必要的接待常识和处理突发事件的应变能力，进一步提高服务的效率、层次和质量；四是要增强责任意识和大局意识，加强协调配合，做到心往一处想、劲往一处使，共同把车辆调度工作圆满完成好。

2、技术保证方面：一是要对车辆进行例行检查，坚决做到每一台车都处于完美运行状态??；二是要根据行车路线，研究运行技巧，从而达到快捷、安全的效果??；三是要严格车辆管理程序，按规定停放车辆，实行油耗报表和定点加油、定点维修制度，严厉杜绝公车私用现象??。

3、安全保障方面：一是要落实行车责任，车队长对会议专用车辆运行情况负总责，各小组牵头人分别负责各自车辆的运行情况，发现问题及时处理并立即上报，遇到突发事件，车队长应立即赶赴现场进行协调处理，确保车辆运行顺畅。二是要实行号牌管理，会议用车统一编号，统一停放，每车配备无线电步话机一部，严格按照规定路线行驶，所有驾驶人员必须保证身体健康、通讯畅通，所有车辆不得带病上路、危险运行。三是要加强对参会司机，对司机进行职业道德、文明礼貌、优质服务、安全行车等方面的教育，力争使为会议服务的车辆成为展示承办单位精神风貌的窗口。四是要抓好会议期间的交通安全工作。加大快速处理事故的力度，制定快速处理交通事故处置方案，配备事故处理人员，加强事故值班制度，按照“少调处，多出

警”的原则，坚持做到“接警快、出警快、处理现场快、恢复交通快。”

4、应急保证方面：一是要尽快熟悉车辆运行路线，重点关注每一处容易发生车辆拥堵或交通事故的路段，并在附近寻找能够快速通过的最佳路线，当遇到上述事件时，立即调整行车路线，确保会议车辆安全准时到达会议地点；二是要加强车辆故障快速反应，驾驶员要掌握必要的车辆维修知识，在出车前必须认真进行车辆技术方面的调试检查，在行驶过程中，若车辆发生故障，必须立即判断故障原因，着手进行排除，并立即上报总务组通知维修部门前往现场，并准备机动车辆待命。在自己能力无法成功排除故障时，就做好乘坐人员的解释工作，与乘坐人员一起等候机动车辆的到来。三是要提高快速处理交通事故的能力，各小组驾驶员必须严格按交通规则和行车路线驾驶车辆，在发生交通事故时，必须主动配合交警部门进行处理，并立即上报总务组，安排机动车辆到达现场转接乘坐人员，同时，也可以视情况使用出租车运送乘坐人员到达会议地点。xx年xx月xx日篇四：车辆调度员总结计划

个人年终工作总结转眼间，2010 年就要挥手向我们告别了，在这寒冷的冬天，回想自己十二月三日进入公司以来所走过的路，所经历的事，没有太多的感慨，没有太多的惊喜，多了一份镇定，从容的心态，以及应对能力。进入公司的第一天头脑里对调度业务还是一片空白，欣慰的是：在同事小黎的帮助下对调度业务有所了解，以及郑经理的到来在他的领导和教导下，对调度业务有了更深层了理解和熟悉，通过跟他们的学习掌握了如何管理驾驶员、车源的收集、车辆的合理安排以及处理车辆在运输过程中出现的问题及时的与驾驶员和客户协调沟通，保证了业务的正常运作。不知不觉中，进入公司就快两个月了，在这段时间里，我从一个对调度业务一无所知的新人转变到一个能够基本操作调度业务，完成了职业的角色转换，并且适应了这份工作。通过不断的学习，使得自身业务知识和能力有了提高。首先得感谢公司给我们提供了这么好的工作条件和生活环境，有经验的上级给我们指导，带着我们前进；他们的实战经验让我们终生受益，从他们身上学到的不仅是做事的方法，更重要的是做人的道理，做人是做事的前提和基础。在工作上，同事之间互相交流，互相帮助，汇聚每个人的智慧，把事情做到极致，把调度业务处理到位。总结一个多月来的工作，自己的工作仍存在很多问题和不足，在工作方法和技巧上有待于向郑经理和同行学习，不断加深业务知识。怎么才能做好调度工作呢？我个人现对调度工作总结如下：第一，掌握货源和车源；如果你掌握了一些货物发运量的大小，也就掌握了市场价格，掌握了车源就是对货物的掌握。第二，合理应用心理战术诚心诚意和驾驶员交谈并对驾驶员好点；可以使人屈服于它的跨下，抓住驾驶员的心态与他沟通。第三，掌握车源常跑的线路；好多司机走的都是循环线路，也就是说司机从某一个点开始走，最后又回到这个点上，只不过是一个 o 型而已，记住他循环的时间，大概多久就来到这个点上，再让他装的货走，很简单的，那就是你要经常打电话给司机安慰和问候，第四，车辆在途跟踪和装货卸货情况；要随时跟踪电话联系驾驶员了解车子情况，装货卸货的时候驾驶员给你说出现什么情况了，你要及时的给以处理。第五，出现异常问题要及时处理；不管是任何时候，出现异常要尽快解决。第六，及时收回回单；收回单的目的一是给司机结款，二是给我们公司结款，出现问题也会及时的处理掉。第七，熟悉各个城市的地理位置和各大高速公路情况。如果能做到这些，对降低成本是很容易的。2011 年公司的目标任务是一千万。围绕公司下达的任务目标，继续加大对调度业务的学习，为公司实现目标我订立了以下工作计划：

一、熟悉公司得规章制度和基本业务工作。

三、加强自己思想建设，增强全局意识、增强责任感、增强服务意识、增强团队意识。积极主动地把工作做到点上、落到实处。

四、客户遇到问题，不能置之不理一定要尽全力帮助他们解决。要先做人再做干事，让客户相信我们的工作实力，才能更好的完成任务。以上，是我对2011 年的工作计划，可能还很不成熟，希望领导指正。工作中总会有各种各样的困难，火车跑得快还靠车头带，我希望得到公司领导、部门领导的正确引导和帮助。展望2011 年，我会更加努力、认真负责得去对待每一个业务，也力争赢得机会去寻求更多得客户，争取更多业务，实现公司的目标任务，为公司做出自己最大的贡献。篇五：车辆调度职能职责

车辆调度职能职责（试用版）

为了保证车辆正常安全运行，高效运转，明确岗位职能职责。经公司领导商议特制订此岗位职能职责。具体内容如下：

一、业务流程 1.接受运输业务。

2.做出运输计划和车辆安排。3.计划成熟后即刻告知司机并与其充分沟通，以达成路线及到达时间等方面的共识。4.监督运行过程，使车辆的运行与计划尽可能一致。5.及时与装卸货地点的相关人员联系、沟通，保证装卸货的顺畅进行。

二、工作细则： 1.早八点晚四点一天两次对车辆动态进行了解统计。并做车辆动态报告，上报队长处。2.接到运输业务的用车计划单后，半小时内做出派车计划，填写派车计划单转至贸易物流部。

3.做出切实可行的运输计划，及时准确的填写车辆调度记录表。每天交队长处审阅。4.运输计划成熟后即刻告知车上司机，并与其充分沟通，对个别路段的罚款情况，新的政策法规，堵车等情况必须与司机沟通。与司机在路线，到达时间等方面达成共识。5.每隔2小时对车辆运行状况进行gps监控和电话沟通。准确了解车辆运行信息，督促车辆按计划路线，计划时间完成计划任务。6.车辆到达前3小时内与装卸货地的相关人员联系，及时沟通协调装卸货情况。尽可能将装卸车时间与车辆到达时间相吻合，减少车辆等待时间，保障车辆高效运行。若有不能协调的情况时，及时填写装卸货协调单，注明相关事宜，及时转至相关责任人处，记录处理结果后存放。

7.每天根据了解到的路况，做出路况信息表。8.提前24小时把即将完成运输业务的车辆进行统计，填写车辆预安排表报至贸易物流部。9.每天接到贸易物流部下发的卸货计划单后，在1小时内安排好车辆，出具卸货派车单回传。

10.下班前将当天18:00至第二天早8:00间的车辆安排好，准确通知司机，填写18:00—8:00车辆作业安排表传至队长处。11.每天以文字形式对工作进行总结汇总。出现异常情况进行分析汇总，并填写异常情况分析记录表上报至队长。12.根据不同装卸货地的要求，及时准确的给贸易物流部提供车辆信息，司机资料，联系电话等相关资料。

13.随时对交通法规，政策，新增路线等相关知识进行学习交流。14.若出现特殊情况需要更改行驶路线，装卸货地点等时，必须填写申请表，经相关负责人，上级领导批准后执行。

7.车辆调度员岗位职责篇七

车辆优化调度是一个典型的解决多目标满载混装问题的课题。如某配送中心向其多个客户配送货物需要多辆车, 这些车的类型不一样, 运输的货物种类包括食品、日用品和蔬菜等多类, 调度优化时希望运输费用最省, 同时也希望运输时间最短, 这样问题变为一个多车型多货种的送货满载车辆的多目标优化调度问题。本论文主要研究网络物流模型中的车辆优化调度问题。

1 车辆优化调度模型的提出

车辆优化调度, 是一系列现代化的物流信息服务中的最基本的一个环节, 主要是为了用于最有效地进行货物路径分配, 也就是物流网点的布局问题。如将货物从N个仓库运往M个商店, 每个商店都有固定的需求量, 因此需要确定由哪个仓库提货送给哪个商店, 所耗的运输代价最小。其中还包括使用多少车辆, 每辆车的路线等。

2 车辆优化调度模型的构建

网络物流模型主要利用GIS的空间分析功能进行分析, 是依据网络拓扑关系 (线性实体之间、线性实体与结点之间、结点与结点之间的连结、连通关系) , 并通过考察网络元素的空间、属性数据, 对网络的性能特征进行多方面的分析计算。

车辆的优化调度问题是一个有约束的组合优化问题, 属于NP难题 (Nondeterministic Polynomial Problem) , 是一个非确定型的多项式问题。NP问题的解有多个, 随着其输入规模的扩大, 问题的求解难度大大增加, 求解的时间呈几何级数上升。目前, 尚无有效的多项式时间算法来求解NP难题。

在求解车辆优化调度问题时, 常常将问题分解或转化为一个或几个已经研究过的基本问题。再用比较成熟的理论和方法进行求解, 以得到车辆调度问题的最优解或满意解。

本文主要采用神经网络算法, 来解决多配送点, 多路径选择, 多车辆管理的配送车辆的优化调度问题。

3 车辆优化调度算法实现

人们经常采用Hopfield网络和自组织特征映射神经网络来解决车辆的优化调度问题。在Hopfield网络中, 系统能够从初始状态, 经过一系列的状态转移而逐渐收敛于平衡状态, 此平衡状态是局部极小点。

3.1 建立车辆优化调度的基本网络模型

我们将车辆调度中的车辆的出发点, 车辆所经过的各个中点和终点设想为一个网络的的各个结点, 将它们按照车辆行驶方向相连接可以构成一个边为有向路径的网络图, 这个图有3个关键点:节点数目、有向路径条数、路径价值量 (后面我们也称为权级值) 。如果两个节点间存在路径, 则相应矩阵元素的值为路径的长度或运费或运时;如果两个节点间不存在路径, 则相应矩阵元素的值为∞。

3.2 建立限制权级

在车辆调度中, 有各种可能的限制条件, 如路况、车况、各个节点的相对位置等等, 对于车辆调度中的这些限制条件, 本文将其作为神经网络的一个神经元来处理, 将其施加一个限制权级后加入到神经网络的核算方程式中, 这样随着网络的收敛, 限制性条件的权级也逐渐趋于一种稳定的形态, 使各种实际的限制在实际方案中得到真正的体现。

3.3 算法说明

通过前面分析, 我们可以将车辆运输中的时间成本、道路成本、运费成本都作为一个矩阵来处理。假设矩阵中的每个元素对应着一个神经元, 定义位于位置 (x, i) 的神经元的输出为Vxi。首先确定网络的能量函数, 该能量函数包括网络的输出能量函数和各个约束转化的能量函数, 进而, 确定神经元的传递函数和状态转移方程, 经过网络的反复演化, 直至收敛。

当网络经过演化最终收敛时, 可形成一个由0和1组成的换位阵, 阵中的1所在位置即表示所经过的结点, 这些结点间的距离、费用和运时之和即为最短距离、最少运费和最小运时。根据换位阵所形成的最短距离、最小运费和最小运时路径, 最终来确定车辆调度的方案。

主算法 (流程如下)

Step1 (全局计算) 若不是特殊店, 按区计算未预装且满足车载限制的店“是否一定送货”和“店级别”的加权和, 从最大车辆开始, 将车辆分配给最大权和的区域, 直至全部需求店预装或全部车辆派完。 (车辆数循环)

Step2 (区域计算) 在每一个区域内, 根据现有的店和分配车辆。

(1) 根据车辆数目并以始终点相同分别采用“insertion”算法, 给出每车的预装方案;

(2) 若“一定送货”店或“低”级别店得到送货而“高”级别店没有送货, 此时, 根据“是否一定送货”, “店级别”字典序排列店顺序, 按道路连通情况修正预装方案;

(3) 以每车可开始工作的最早时间分别计算每店的供货时间表。输出各车辆的装车方案和各车辆可以再工作的开始时间。

Step3 (全局计算) 判别是否有未服务的店且车辆开始服务时间是否满足再装车要求。若有未服务的店且车辆满足再装车要求, 则返回Step1。

Step4特殊店处理。选载重最匹配车辆。

Step5 (全局计算) 司机分配优化。按车辆的最后一次预装方案的一个店同司机家最近分配车辆。

Step6 (区域计算) 将司机家作为一个店加入, 以配货中心为起点, 司机家为终点, 采用“insertion”算法再次优化计算每一车辆的最后一次预装店路径优化及计算每一店的送货时间表。

Step7 (全局计算) 调整时间表。对每一个车辆的开始和结束时间, 尽量将最佳时间段调给A级店。

Step8输出。

效果图, 如图1。

(1) 约束条件

为确保网络稳态时的输出能量是一个有效的矩阵范围, 网络必须同时满足以下约束条件。

(1) 输入输出路径约束

为保证网络的结点有输入路径, 必须有输出路径, 设定如下的约束函数:

式中:u2为权级系数

(2) 网络的状态收敛到立方矩阵2n (n-1) 中的一个:

上式中:u3为权级系数

(3) 最短路径源于规定的起点s, 终止于规定的终点d, 约束函数设定如下:

式中:u4为权级系数

(2) 能量方程

网络的目标函数设定为:

式中:u5为权级系数

网络的能量函数为:

各神经元的输出为:

模型的运动方程为:

将式 (5) 带入式 (8) 得到神经网络的运动方程:

式中δ规定为:

比较式 (7) 和式 (9) 中的系数, 可以得到如下的连接权重和偏置电流为:

将式 (12) 和式 (13) 中的Txi, yiIxi代入式 (7) , 然后交替求解网络的运动方程式 (8) 和代数方程式 (6) , 当神经网络趋于稳态时, 就可得到一个优化解, 即最短路径。

4 结束语

正是由于使用Hopfield算法在物流网络模型中对车辆调度方面做了优化, 所以在实际应用中取得了显著的效果, 具体可参见表1中的为上海“好德便利”进行自动配送调度方案生成时间的性能参照表, 测试环境在PC Windows平台上 (Inte Pentium 2.4GHz CPU、2GBytes内存机器, 测试数据为2006上海地图数据) 。

摘要：针对车辆优化调度的问题的解决提出了一种基于HopField方法的最优车辆调度实现的方法, 该方法从关系数据量的有效控制和路径探索的高效化以及运输中间节点的优化顺序分析等多方面入手解决问题, 最终达到满意的应用效果。

关键词：网络物流模型,HopField,自组织特征,神经网络,优化调度,启发性,最短路径

参考文献

[1]楼文高, 宋红艳.基于人工神经网络的物流中心选址决策模型研究[J].物流科技, 2007 (6) .

[2]吴迎学, 龙爱翔.多级模糊综合评判在物流中心选址中的应用[J].森林工程, 2004 (5) .

[3]韩庆兰, 梅运先.基于BP人工神经网络的物流配送中心选址决策[J].中国软科学, 2004 (6) .

[4]阎平凡, 张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社, 2000.

[5]Statsoft.Statistica Neural Networks[M].Tulsa:Statsoft, Inc., 1999.

8.车辆调度员岗位职责篇八

关键词：自适应蚁群算法；迭代次数；收敛速度；最优路径

中图分类号：TP312 文献标识码：A

Abstract：In view of the defects from the basic ant colony algorithm frequent iterations and slow speed in convergence，the solution in this paper are using improved adaptive ant colony algorithm，setting up mathematical model，simulating out the optimal path through improved adaptive ant colony algorithm and applying to the choice of the optimal path between emergency dispatching station and the patients' position.The results show that the model and algorithm in convergence speed and the number of iterations are better than the basic ant colony algorithm.

Keywords：adaptive ant colony algorithm；iterations；the rate of convergence；the optimal path

1 引言（Introduction）

120急救指挥系统在城市应急指挥体系中具有非常关键的作用，当患者拨入急救电话或者遇到重大事故和突发事件时，指挥中心需要根据患者位置或者事故位置选择最优路径快速将患者送往医院进行急救[1]。最优路径的选择需要考虑起点和终点之间的总里程数，人流量及客流量等外界因素。基本蚁群算法搜索时间较长，而且容易出现停滞，易陷入局部最优解等缺陷[2]。此次设计的自适应蚁群算法主要根据全局最优解的分布情况，通过计算得出迭代次数不断增加的同时，自适应地减小蚁群觅食过程中的视野范围，提高获取最优解的速度，从而动态地获取各路径上的信息量强度，提高了全局搜索能力，避免了局部收敛和早熟现象。在模拟寻找最优路径过程中，设置多个节点模拟起点和终点之间的障碍物，以类似蚂蚁觅食的方式在求解复杂组合优化的问题上取得了良好的仿真效果，能够对急救车辆到达患者位置之间的多条路径进行模拟和优化。

2 基本蚁群算法（The basic ant colony algorithm ）

基本蚁群算法是20世纪90年代由意大利学者M.Dorigo等人首先提出来的一种新型的模拟进化算法，称之为蚁群系统[3]。基本蚁群算法主要解决TSP（Traveling Salesman Problem）旅行商问题，QAP（quadratic Assignment Problem）分配问题、JSP（Job-shop Scheduling Problem）调度问题等，取得了一系列较好的实验结果。基本型蚁群算法分为正反馈以及分布式计算。正反馈过程的优势是能较快的找到问题的较好解；分布式的优势是易于并行实现，同时与启发式算法相结合，能使该方法易于找到更好的解，最后达到最优解[4]。基本蚁群算法的原理图如图1所示。

3 改进的自适应蚁群算法模型（Improved adaptiveant colony algorithm model）

从基本蚁群算法中发现，参数视野值对最优解的影响比较大，经过多次实验发现，在视野范围不变的情况下，算法后期的收敛速度较慢，迭代次数逐渐增加，并且当起点与终点之间节点越多，越容易陷入局部最优，无法达到全局最优；但是如果给定视野范围过小，收敛速度会有适当加快，但是更容易陷入局部最优。经过多次论证，当参数视野值为原始视野值60%时，收敛速度最快，且迭代次数最少，最接近全局最优解值。算法表达式为

算法实现的流程图如图2所示。其中，输入原始数据后会获取路网节点数、各节点的具体坐标位置，节点的权值矩阵、自适应蚁群的群体规模、最大迭代次数、蚁群的最大移动步长、拥挤度因子等参数。

4 算法的仿真（The simulation algorithm）

现将改进的自适应蚁群算法与基本蚁群算法求解最优路径进行仿真，并将两者结果进行对比，仿真工具为MATLAB 2010a，蚁群规模n=50，留在每个节点上的信息受重视程度α=0.1，启发式信息受重视程度β=0.5，蚂蚁数目20个，最大迭代次数100次。图3为起点与终点之间有七个信息节点，利用自适应蚁群算法得到的最优路径仿真示意图，得出的路径为1—2—3—5—9—8—4—6—7，其中最短路径为1—2—3—5—9。图4为自适应算法与基本型蚁群算法在寻优过程中的对比，两种算法分别在第二次和第五次迭代后搜索到全局最优解。

5 结论（Conclusion）

针对基本蚁群算法收敛速度慢，运算量大，陷入局部最优的缺陷，本文提出一种自适应蚁群算法，使其随着全局最优解的变化而适当的改变视野范围的值。实验结果表明，改进的自适应蚁群算法在收敛速度、迭代次数、计算量，寻优精度均优于基本型蚁群算法，适用于在急救车辆调度过程中实现最优路径的规划，为急救车选择最优路径到达患者位置提供了有利依据。

参考文献（References）

[1] 杨丽锦.浅析蚁群算法的原理及应用方向[J].电脑知识与技术，2009（6）：12-14.

[2] 杨琼.具有感知觉特征的蚁群算法在连续函数优化中的应用[D].四川师范大学，2009.

[3] 马宪民，刘妮.自适应视野的人工鱼群算法求解最短路径问题[J].通信学报，2014（1）：16-17.

[4] 蒋艳玲，张军.蚁群算法的参数分析[J].计算机工程与应用，2007（20）：34-35.

9.车辆调度员岗位职责篇九

光阴如梭，一年的工作转瞬又将成为历史，新的一年，新的挑战即将到来。本人进入调度室已经有半年的时间，在公司领导的关心支持下，2015年的工作中有硕果累累的喜悦，也有遇到困难和挫折时惆怅。在以后的工作中要想更好的做好车辆调度工作，尽快的成为一个合格优秀的车辆调度员，我会不断地去总结工作中的不足和差距，提高自己完善自己，以便更好地完成工作。现将2015年度个人工作情况作如下总结：

一、工作重点

（一）熟悉调度工作的各个环节,掌握工作程序。配合其他同事负责公司的车辆，公司各项接待工作业务都离不开车辆。因此，在日常用车时合理调配车辆，首先要保证车辆电量充足和清洁，公务用车、值班车辆随时候命。

（二）做好车辆的维修和保养工作，平时就做好车辆安全检查工作，确保车辆行车的安全。

（三）做好车辆的卫生清洁工作，做到每台车里外都干净整洁。

（四）做好车辆资料管理工作，车辆的行车记录、维修情况以及耗油等情况。

（五）经常指导车辆使用部门要根据车辆的特点，用正确的、科学的方法驾驶车辆，尽量减少耗油和其他方面的损耗，节省开支，延长的车辆的使用寿命。

（六）配合部门做好员工宿舍管理工作。

二、工作中的不足

在工作中还存在许多不足的地方，主要是耐心不够，缺乏主动性。在以后的工作中，我会主动加强和其他部门沟通，多方面学习全方位发展，提高主观能动性，积极工作加强业务知识的学习，以适应工作的需要。

为了更好的完成2016年的工作，我要继续发扬2015年的优点，改点自己的缺点和不足，总结过去，展望未来。2016年我将严格执行各项规章制度，恪尽职守，高标准要求自己，不断学习积累经验，善于总结，也希望领导能给我更多的支持，争取为公司贡献自己的一份力量。

10.可变线路式公交车辆调度优化模型篇十

随着经济的发展和机动化水平的提高,城市交通拥堵问题也不断加剧。公共交通在道路交通资源的充分利用上具有私人交通无法比拟的优越性,已经成为缓解道路交通拥堵的1条重要途径。可变线路式公交(flex-route transit)作为1种新型公交运营模式,融合了常规公交运营模式(FRT)的高成本效益以及需求响应式公交系统(DRT)的机动灵活,能够提供门到门的公交运输服务,是解决城郊地区公交服务问题的1条重要途径。

可变线路式公交可以描述为:车辆在一定的服务区域内围绕基准线路运行,并在松弛时间内偏离基准路线行驶,在乘客要求的地点停车上下客。车辆行驶过程中满足一定的时空限制,即车辆驶离基准路线为乘客提供站外上下车服务之后,需要返回基准线路继续行驶,并且满足线路上固定站点的时间约束。根据可变线路式公交乘客的上下车位置可以将其分为4类:站外上车站外下车(I类)、站内上车站外下车(II类)、站外上车站内下车(III类)和站内上车站内下车(IV类)。其运行模式见图1,其中1和s为公交线路的首末站。

现阶段国内外学者对于可变线路式公交系统已经做了一些研究。云亮等[1,2]总结了目前国内外可变线路式公交的主要研究成果,并研究了多车辆可变线路式公交的调度问题;Koffman[3]探讨了已有的可变线路式公交系统的实践经验;Quadrifoglio等[4,5,6]利用连续近似的方法计算出可变线路式公交系统中车辆径向速度的上限和下限,并全面描述了可变线路式公交的参数,建立了可变线路式公交的混合整数规划模型,同时分别提出可变线路式公交的静态和动态路径选择及调度模型;Wei Lu等[7]针对多车辆可变线路式公交调度的动态插入算法进行了研究;Quadrifoglio和Dessoukly[8]利用仿真实验对可变线路式公交的性能指标进行了分析;Baha W.Alshalalfah等[9]以多伦多市的3条公交线路为例,利用数学仿真模型证明单纯增加松弛时间并不能有效的增加公交服务能力,并通过与常规公交运营方式进行对比,判定其作为地铁接驳线路的可行性和适用性。

本文在总结已有研究的基础上,以为更多乘客提供站外上车(下车)服务为目标,综合考虑乘客出行成本和公交运营成本,建立了可变线路式公交的运营调度模型。这对于我国开展可变线路式公交服务,提高公交整体服务水平具有重要意义。

1 可变线路式公交车辆调度模型

1.1 模型假设

可变线路式公交车辆调度时,要求有站外上车或下车请求的乘客(I类、II类和III类乘客)提前通过电话预约系统或者网上预定系统提出出行请求,说明其个人信息以及出行信息。可变线路式公交运行过程中受到诸多因素的影响,为建立其调度模型,本文做出如下假设:

1)将研究目标定为有S个(S≥3)固定站点的单车辆调度模型,车辆由站点1到站点S为下行方向,由站点S到站点1为上行方向。

2)乘客车上时间不会超过1个班次的发车间隔T,发车间隔T为公交车辆在站点S与站点1发车时间的时间差。

3)出行需求在整个服务区域内均匀分布,第IV类乘客随机到达固定站点。

4)公交车辆保持匀速按照直线形式运行,如车辆先沿水平方向行驶,再沿垂直方向行驶到达需求点;车辆严格按照行车时刻表运行,不允许车辆越站、超车。

5)车辆能正常运行,不考虑诸如车辆抛锚、堵车、交通事故等特殊道路交通状况的发生。

1.2 变量说明

xij为二进制变量,当车辆在路段(i,j)上行驶时取值为1,否则取值为0;A为路网中所有路段的集合;Iij为路段(i,j)上的道路交通路阻系数;dij为路段(i,j)间的直线距离;M={m|m=1,2,3,4}为乘客类型的集合;nm为第m类乘客的数量;nli为车辆到达固定站点i时公交车上出行终点不在站点i的乘客数量;NB(t)为t时刻公交车辆上的乘客数量;Di(t)为t时刻到达并在固定站点i上车的第IV类乘客数量;Nm为第m类乘客的集合,N=N1∪N2∪N3∪N4为所有乘客的集合;S为固定站点的集合,NS为站外停靠点的集合,SS为所有停靠点的集合,SS=S∪NS;xi为停靠点i的横坐标;dxback为车辆在x方向上允许的最大逆行距离;固定站点i的车辆计划发车时间用TSi表示,上一发车班次固定站点i的发车时间用TS′i表示,且TSi=TS′i+T;ASi为计划中车辆到达固定站点i的时间;分别用ta(i)、td(i)(i∈SS)表示车辆到达停靠点i的时间和从停靠点i发车的时间;TPk和TDk分别为乘客k的上车时间和下车时间;TRi(k)为站外上车乘客希望在停靠点i(i∈NS)能够上车的时间;[ek,lk]为站外上车乘客k(k∈N1∪N3)上车时间的时间窗;Ts为公交车辆在每个站点的服务时间,文中认为各个站点的服务时间相同;w1、w2和w3分别为车辆运营成本、乘客候车时间和乘客在固定站点空闲时间的权重系数;α1为车辆行驶里程的货币成本,α2为乘客时间消耗的货币价值;cm(m∈M)为第m类乘客支付的公交票价,本文认为同类乘客的票价相同;车辆的行驶速度用v表示;CB为公交车辆的额定载客数;Z为一个任意大的值。

1.3 数学模型

以系统总成本最优为目标建立的可变线路式公交车辆调度模型为

上述模型中,式(1)为可变线路式公交调度模型以出行成本系统最低为目标,即车辆运营成本和乘客出行成本的最小化,其中运营成本为车辆行驶成本与票价收入之差,乘客出行成本用乘客的候车时间以及乘客在固定站点的空闲时间衡量,其中站外上车乘客的候车时间用乘客实际上车时间与期望上车时间之间的差值表示,固定站点空闲时间的最小化是为了使公交车辆尽可能地服务更多的需求响应式乘客;式(2)和式(3)为车辆在所有停靠点只停留1次,保证每1个停靠点只有1条发车路径和到达路径;式(4)保证了车辆能在固定站点的计划发车时间之前到达站点并且完成乘客的上下车服务;式(5)为站外上车乘客上车时间满足时间窗限制;式(6)保证乘客下车时间晚于其上车时间;式(7)为站外上车乘客的上车时间不早于系统给定的上车时间;式(8)为任何时刻车上乘客数量都能满足公交车辆的额定载客容量限制;式(9)为当车辆在路段(i,j)上行驶时,车辆到达停靠点j的时间不会早于从停靠点i的发车时间加上在2个停靠点之间的行驶时间;式(10)为车辆的在路段(i,j)上的x方向的逆行距离不超过允许的最大逆行距离。

2 模型算法设计

可变线路式公交车辆调度可以看作1个混合整数规划问题,受到松弛时间、固定站点发车时刻等多种因素的限制,是1类特殊的NP-Hard问题,在问题规模较小的情况下可以采用精确算法,但是其计算量随着问题规模的增大按指数方式增长,因此这类问题常采用启发式算法编程求解。遗传算法[10]是基于“适者生存”规律的1种高效、并行、随机和自适应的优化算法。本文拟针对可变线路式公交静态调度模型的特点,设计相应的遗传算法进行求解。

2.1 遗传算子设计

由于遗传算法[10]不能直接处理问题的解,因此设计遗传算子之前需要对变量进行编码,将问题的解转换成遗传空间的基因型串结构数据即染色体。本文采用自然数编码即序数编码的方式,编码主要是给出车辆经过的停靠点。如“1 3 7…”表示车辆依次经过停靠点1、停靠点3和停靠点7等。

1)复制算子。复制算子模仿优胜劣汰的遗传法则,即从当前群体中选择性能优良的个体,使它们有机会作为父代繁殖下一代群体。本文设计的遗传算法中,采用最佳保留的轮盘赌法进行染色体的复制。

2)交叉算子。交叉算子是用双亲基因生成新染色体,体现的是有性繁殖的自然规律。本文构造的交叉算子为最大保留交叉[11]:若染色体交叉点处的2个基因都为0,直接进行顺序交叉运算;若染色体交叉点处的基因不全为0,则将交叉点左移(右移),直到左、右2个交叉点处的基因都为0,再进行顺序交叉运算。

3)变异算子。变异模仿自然界中基因突变现象,并按照一定的概率即变异率发生,从而改变染色体的基因链,挖掘染色体个体重基因组合的多样性。变异运算采用单点变异的方式。

为了更好的求得最优解,采用自适应参数策略调整交叉变异概率,通过设定目标函数最大累计未变化代数,提高交叉变异概率,从而避免陷入局部最优。

2.2 适应度函数

适应度函数是用来区分群体中个体好坏的标准,是进行自然选择的依据,一般是由目标函数加以变换得到。可变线路式公交静态调度模型的目标函数是系统运营成本的最小化,本文的适应度计算函数为

式中:fh为个体h的适应度函数;Zmin为同一代群体中最佳个体的目标函数值;Zh为个体h的目标函数值。适应度函数值越大的个体越优,反之越劣质。

2.3 初始解构造

本文拟采用最近插入法生成初始解。首先由第1个和第2个固定站点形成1个初始路径。然后根据车辆的容量限制、时间窗限制及松弛时间限制等约束条件,判断站外停靠点i(i∈NS)是否具有插入路径中的可能,不断修正车辆的路径。

步骤1。从第1个固定站点出发,找到1个最近的站外停靠点i(i∈NS),如果具有插入的可能性即满足时间窗及松弛时间等约束,检验目标函数的增量Δ,将停靠点i插入Δ最小的节点之间。

步骤2。如果停靠点i不具有插入的可能性,则将剔除出站外停靠点的集合NS,转到步骤3。

步骤3。重复步骤1、2,直到集合NS中所有能插入的点都加入到路径中,得到1个初始解,即遗传算法的初始群体。

2.4 算法步骤

步骤1。输入路网特性、出行需求特性及车辆容量等参数信息。

步骤2。对问题进行编码,设置初始进化代数GEN=0和累计目标函数未变化代数n=0,设置最大进化代数GENmax和最大累计目标函数未变化代数nmax,并设定选择运算参数和初始交叉、变异概率等计算参数,按照2.3节介绍的方法产生一个初始种群作为初始解。

步骤3。计算种群中各个个体目标函数以及适应度函数,对比前后2个个体的目标函数,如果相等,则n=n+1;否则,n=0,并保留适应度值较大的个体进入新一代种群。

步骤4。采用轮盘赌方式进行选择操作,若n>nmax,则提高交叉和变异概率,否则,就按照初始设定的交叉和变异概率进行交叉、变异操作。如果出现了新的最优解,则将新生成的种群作为当代种群。

步骤5。判定种群的进化代数是否达到最大进化代数。若GEN=GENmax,转到步骤6;否则,GEN=GEN+1,转到步骤3。

步骤6。结束遗传操作,输出结果。

3 算例分析

算例通过将可变线路式公交与常规公交进行对比的方式,论证可变线路式公交系统的实用性。为了便于比较2个系统的性能,算例中选用了以下性能指标:

PAR,系统接受站外需求概率;PT,人均车内时间;PW,人均候车时间;PWK,人均步行时间;TL,车辆行驶总里程。

全局性能指标F(以时间单位计)定义如下:

式中:CT为乘客总数;CP为第Ⅳ类乘客的数量;w1,…,w4为权重系数。Z的值越小,表示系统的全局性能越优。

算例中采用的服务区域为矩形区域,其中:L×W=10×1km2,车速为v=25km/h,各站点车辆服务时间为12s。对于常规公交系统,假设基准线路上均匀分布有21个固定站点(即2个相邻固定站点间的距离为0.5km),公交车辆的车头时距为60min。假设有10%的乘客碰巧赶上公交车,等待时间为0,有80%的乘客基于公交时刻表和个人经验,在最佳时间到达公交站点并且等待时间几乎为0,剩余10%的乘客随机到达,并且平均等待时间为公交车辆平均发车间隔的一半。对于可变线路式公交系统,假设基准线路上均匀分布有5个固定站点(即S=5,2个相邻固定站点间的距离为2.5km),并且2个相邻固定站点的车辆发车时间间隔为12.5 min。因此可变线路式公交车辆的车头时距为100min,2个连续的固定站点间有5.98min的松弛时间可用于为站外上车(下车)的乘客服务。对于系统不能接受的那部分站外需求,则转变为在固定站点上下车,即归入第Ⅳ类乘客。

假设2个连续停靠点间的路阻系数相同即Iij=0.92。4类出行需求的比例为:I类(10%)II类(40%)III类(40%)IV类(10%)。根据乘客出行需求的灵活性,4类乘客的票价分别为:I类乘客:3元,II类、III类乘客:2元,IV类乘客:1元。行驶里程的货币成本取为6元/km,乘客时间消耗的货币价值取为18元/h。在为权重系数赋值时,假定乘客对站点等待上车时间的不满意度是对在车内等待下车时间不满意度的2倍,而车辆行驶时间和乘客车上时间的权重相同,步行时间和候车时间的权重相同。因此,算例中采用的权重值为w1=0.1、w2=0.2、w3=0.2、w4=0.1。设置最大进化代数GENmax=200,初始交叉概率为0.4,变异概率为0.1,目标函数值累计进化80代没有变化(nmax=80),将提高交叉变异概率。

算例利用Matlab编程实现仿真实验。算例中对各系统取共同随机数,并分别针对ρ=15人/h、ρ=20人/h和ρ=25人/h进行了100h的仿真实验,即常规公交车辆共运行了200个班次,可变线路式公交车辆共运行了120个班次。仿真对比结果见表1。

由仿真结果表明,对于可变线路式公交系统,随着出行需求率的增大,人均车内时间呈现逐渐增加的趋势,比同类型常规公交乘客大约要多花费10min。并且由于系统接受的站外上(下)车乘客比例降低,被拒绝的那部分乘客转变为在固定站点上下车,需要步行到站(离站),人均步行时间、人均等待时间也逐渐增加。此外,为了服务站外上车(下车)的乘客,车辆需要绕行一定的距离,因此单个班次可变线路式公交车辆的行驶里程大于常规公交车辆的行驶里程。由表1中全局性能指标的数据可知,可变线路式公交系统相比于常规公交系统更优,即在该服务区域比常规公交系统更有效,然而随着出行需求率的增大,可变线路式公交系统的优势愈来愈不明显。事实上,当出行需求达到一定量的时候,采用常规公交运营方式更为经济高效,算例结果符合实际。

4 结束语

在分析公交公司运营成本及乘客出行费用的基础上,综合考虑了乘客的出行时间、候车时间以及车辆的行驶里程、公交票价等因素,建立了可变线路式公交系统的调度模型。并且针对该模型设计了相应的遗传算法,从而在系统成本最优的情况下,获取公交车辆的最佳路径。本文在建立模型时,只考虑了提前预约的已经确定的出行服务。实际中,可变线路式公交不仅能够为预约需求提供服务,还需要为实时出现的乘客即动态需求提供服务。这类既考虑预约需求又考虑实时需求的混合调度模型更具有实用性,还有待于进一步深入地分析研究。

参考文献

[1]云亮,蒋阳升,宋雪梅.机动式辅助客运系统(MAST)及其研究进展综述[J].交通运输工程与信息学报,2009,7(4):79-83.

[2]Jiang Yangsheng,Yun Liang,Liu Huijun,et al.Multi-vehicle system design for mobility allowanceshuttle transit service[C]∥China Wuhan:Interna-tional Conference on Mechanic Automation andControl Engineering,2010:2858-2862.

[3]Koffman D.Operational experience with flexible transitservice[R].Washington,DC:Transportation ResearchCooperative Research(TCRP),Report 53,TRB,Na-tional Research Council,2004.

[4]Quadrifoglio L,Dessouky M M,Hall R W.Perform-ance and design of mobility allowance shuttle transit(mast)services:bounds on the maximum longitudi-nal velocity[J].Transportation Science,2006,40(3):351-363.

[5]Quadrifoglio L,Dessouky M M F.Mobility allow-ance shuttle transit(MAST)services:MIP formu-lation and strengthening with logic constraints[J].European Journal of Operational Research.Europe-an Journal of Operational Research,2008,185(2):481-494.

[6]Quadrifoglio L,Dessouky M M,Palmer K.An inser-tion heuristic for scheduling mobility allowanceshuttle transit(MAST)services[J].Journal ofScheduling,2007,10(1):25-40.

[7]Wei Lu,Lu Lu,Luca Quadrifoglio.Scheduling mul-tiple vehicle mobility allowance shuttle transit(m-MAST)services[C]∥Washington,DC:USA,14thInternational IEEE Conference on Intelligent Trans-portation Systems,2011:125-132.

[8]Quadrifoglio L,Dessouky M M.Mobility allowanceshuttle transit(MAST)services:formulation andsimulation comparison with conventional fixedroutte bus services[C]∥proceedings of the fauthIASTED International conference on Modeling,Simulation and Optimization(USA),2004:31-36.

[9]Alshalalfah B,Shalaby A.Feasibility of flex-route asa feeder transit service to rail stations in the sub-urbs:Case study in Toronto[J].Journal of UrbanPlanning and Development,2012,138(1):90-100.

[10]史峰,王辉,郁磊,等.MATLAB智能算法30个案例分析[M].北京:北京航空航天大学出版社,2011.

【车辆调度员岗位职责】推荐阅读：