车辆调度员演讲稿

车辆调度员演讲稿（共11篇）

1.车辆调度员演讲稿 篇一

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，车辆调度员个人总结范文。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“三个代表”的重要思想科学发展观和其他重要讲话，多读书看报，不断提高自己的综合素质和管理能力。我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，个人总结《车辆调度员个人总结范文》。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。热点文档：党员思想汇报

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。

在今后的工作中，我会牢固树立“全心全意为人民服务”的思想，时刻以一个中中国共产党的身份严格要求自己，把集体利益放在第一位，做好本职工作。加强政治思想学习，提高自己辨别是非的能力，使自己的思想觉悟能上到一个新的台阶；加强业务知识的学习，通过各种渠道，不断吸收和更新的知识，以适应工作的需要、社会的需要。最重要是改正缺点，发扬优点，做一名优秀的中国共产党员。

2.车辆调度员演讲稿 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:

$\begin{array}{l}x{}_{ijk}=\{\begin{array}{l}1\text{车}\text{辆}k\text{从}\text{客}\text{户}i\text{行}\text{驶}\text{到}j\\ 0\text{否}\text{则}\end{array}\\ y{}_{ik}=\{\begin{array}{l}1\text{点}i\text{的}\text{顾}\text{客}\text{需}\text{求}\text{由}\text{第}k\text{辆}\text{车}\text{完}\text{成}\\ 0\text{否}\text{则}\end{array}\end{array}$

则建立数学模型如下:

$\begin{array}{l}\min f(x)=\lambda {}_1{\displaystyle \sum _{i=1}^{{\rm N}}{\displaystyle \sum _{k=1}^{{\rm K}}y}}{}_{ik}+\lambda {}_2{\displaystyle \sum _{k=1}^{{\rm K}}{\displaystyle \sum _{i=0}^{{\rm N}}{\displaystyle \sum _{j=1}^{{\rm N}}x}}}{}_{ijk}d{}_{ij}(1)\\ \text{s}.\text{t}.{\displaystyle \sum _{i=1}^{{\rm N}}{\displaystyle \sum _{k=1}^{{\rm K}}y}}{}_{ik}\le {\rm K}(2)\\ {\displaystyle \sum _{j=1}^{{\rm N}}x}{}_{ijk}={\displaystyle \sum _{j=1}^{{\rm N}}x}{}_{ijk}\le 1\\ i=0‚k\in \{1‚2‚\cdots ‚k\}(3)\\ {\displaystyle \sum _{i=0}^{{\rm N}}{\displaystyle \sum _{k=1}^{{\rm K}}x}}{}_{ijk}=1j\in \{1‚2‚\cdots ‚n\}(4)\end{array}$

$\begin{array}{l}{\displaystyle \sum _{j=0}^{{\rm N}}{\displaystyle \sum _{k=1}^{{\rm K}}x}}{}_{ijk}=1i\in \{1‚2‚\cdots ‚n\}(5)\\ {\displaystyle \sum _{i=0}^{{\rm N}}g}{}_{i}y{}_{ik}\le Qj\in \{1‚2‚\cdots ‚n\}(6)\end{array}$

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。

$\tau {}_{ij}(t+1)=\rho \tau {}_{ij}(t)+{\displaystyle \sum _{k=1}^m\delta }{}_{ij}^k\text{Δ}\tau {}_{ij}^k(7)$

式中:ρ∈(0,1)为信息素发挥系数;

$\delta {}_{ij}^k=\{\begin{array}{l}1\text{蚂}\text{蚁}k\text{选}\text{择}\text{路}\text{径}e{}_{ij}\\ 0\text{否}\text{则}\end{array};$

Δτ${}_{ij}^k$为信息素加强量,取$\text{Δ}\tau {}_{ij}^k=\frac{Q{}_0}{f{}_k}$,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。

$p{}_{ij}^k(t)=\{\begin{array}{l}\frac{\tau {}_{ij}^{\alpha }\eta {}_{ij}^{\beta }(t)}{{\displaystyle \sum _{s\in allowed{}_k}\tau }{}_{is}^{\alpha }\eta {}_{is}^{\beta }(t)}j\in allowed{}_k\\ 0\text{否}\text{则}\end{array}(8)$

由式(8)可见:蚂蚁的转移概率p${}_{ij}^k$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$\eta {}_{ij}(t)=\frac{1}{d{}_{ij}}\times u{}^{\gamma }$。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.车辆调度员演讲稿 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.车辆调度员岗位责任制（范文） 篇四

1、遵守车间的各项规章制度，热爱本职工作，与发货员团结协作，努力完成车间安排的任务。负责发砖车辆的调度、存砖场地的管理及工地回执单的回收统计工作，每月25号前与办公室共同核对工地回执单、出门证、发货存根的数量是否相符（门卫出门证由办公室负责回收），工作期间不干与工作无关的事情。

2、做到发货完毕立即安排清场人员清理存砖场地，保持存砖场地清洁卫生、进出车辆畅通。

3、发车时要根据工地的需要安排车次发货，安排调度车辆及外运砖的型号。发货现场合理调度装砖车辆次序，如安排不当导致工地无存砖的每次考核50元。

4、发车时要保证工地明确、成品砖的质量合格、数量准确，杜绝徇私舞弊现象发生。

5、车辆调度员对场地库存砖的型号、数量做到了如指掌，协调入库与销售之间的关系。根据工地需求配合车间生产管理工作，提前一天告知生产部门应该生产砖的型号、数量，保证每个工地各种型号砖的供货量。如通知不及时导致生产延误的每次考核100元。

6、根据办公室的发货通知单安排车辆，没有发货通知单私自发货的每次考核100元。

发货员岗位责任制

1、遵守公司的各项规章制度，热爱本职工作，认真学习，与车辆调度员团结协作，努力完成公司安排的任务。根据车辆调度员的安排负责发货单的填写，发货数量、型号的核对及车间仓库的管理工作。遵守公司的劳动纪律，工作期间不干与工作无关的事情。

2、协助车辆调度员做到发货完毕保持存砖场地清洁卫生、进出车辆畅通。

3、及时汇报车辆调度员场地库存砖的型号、尺寸、数量，供调度员调度协调各种型号成品砖的生产数量。

4、发砖时要保证成品砖的质量合格，数量准确。如因发货质量差、数量不符、型号错误、工地名称错误等原因导致工地扣方或投诉的，每次考核50元。

5.车辆调度应急预案 篇五

1、在日常工作中，公司预留一名有经验的驾驶员，作为应急所用。

2、应急车辆驾驶员必须随时听从应急小组的调度，保证及时、准确到达指

定的用车地点和完成工作任务，并及时反馈出车情况。

3、应急小组调度人员要与应急车辆驾驶员保持通讯联络，随时了解应急车

辆的工作状况。

4、启动车辆调度应急预案的条件：

（1）车辆运行中出现重大交通事故时

（2）接到紧急救援信号时;

（3）发现重大灾害事故需救援时；

（4）接到应急小组和公司领导的紧急命令时；

（5）车辆调度过程中出现重大失误时。

5、启动车辆调度应急预案的人员和程序：

（1）启动车辆应急预案的人员是应急小组

（2）应急预案信息接受者要在第一时间内作出反应并及时将信息告知应

急预案的人员；

（3）启动车辆应急预案的人员要迅速将调度指令准确地下达给应急车辆

驾驶员；

（4）应急车辆驾驶员接到指令后立即驾驶车辆赶往和准时到达执行任务

6.烟草配送车辆调度管理方案 篇六

一、需求分析

中国烟草工业历史悠久,尤其是改革开放以来,烟草工业的发展成为令人关注的,关系到国计民生的大事,烟草企业一直强有力的支持着地方和国家的财政,为国家建设做出了巨大贡献.为进一步提高企业效益,各地企业纷纷大批量高起点引进国际先进技术,注重信息化建设,加强现代化管理.随着企业的发展壮大,企业产品的安全运输也成为了企业管理中倍受关注的问题.在现有的车辆管理和烟草产品运输管理模式中,盗窃,抢劫,调包以及监守自盗行为给企业带来不同程度的损失,同时也无法对车辆的运行进行有效的监控,存在疲劳驾驶,超速行驶等隐患,导致大量安全事故的发生,对企业带来巨大的损失和影响.为有效地促进公司及厂部车辆工作的开展,提高卷烟制品运输的安全性,并对车辆的运行全过程进行实时监控,拥有一套可对配送车辆进行实时监控的安防定位系统成为企业管理中不可或缺的辅助手段.而且在烟草配送模式下,如何提高配送效率,节省配送时间和成本,也成了烟草企业的关注点.烟草配送车辆需求的特点是：

(1)安全需求

烟草在运输途中,由于无法对司机进行有效的监督,会存在疲劳驾驶,超速行驶,违章行驶等问题,这些都是安全事故的隐患；每年的安全事故都会给企业带来巨大影响.(2)经济效益需求

货物在运输途中,缺乏有力的监控管理,致使司机有机可乘,掉包或者监守自盗,给企业带来巨大的损失.(3)监控管理

车辆在运输的过程中,公司无法得知其到达位置和运输状态,不能对其进行实时监控,并对发生的问题及时响应,同时也缺乏对司机和货物的有力监督.(4)求助报警

配送车辆在途中,会遇到交通事故,抢劫及困难,有时会因为种种原因,企业无法及时获得信息,延误了援助和抢救的机会.(5)配送线路优化

通过实际因素的综合分析,对送货线路进行优化,形成最佳配送路线,达到最高满载率,保证企业送货成本及送货效率指标最佳.(6)数据分析

随着企业的信息化,各类业务数据也日渐丰富,如何充分利用这些数据,将抽象数据变得直观生动,更好的为企业的发展服务,为领导决策提供依据,势在必行.二、系统概念

深圳亿瑞斯数字科技有限公司开发烟草物流配送车辆调度系统是集全球卫星定位系统（GPS）、地理信息系统（GIS）以及无线通信技术于一体的软、硬件

综合系统。其主要由三部分组成：车载终端、无线数据链路和监控中心系统。可对车辆进行统一集中管理和实时监控调度。可以对车辆进行准确有效的定位,监控,营运调度,并提供各种信息服务;也可以进行各种综合分析和信息查询,具有防劫,防盗及救援的功能;可以对运输车辆营运状态和相关技术数据进行实时监控,收集,通过与企业其他信息管理系统的无缝连接,提高企业的现代化管理水平,通过线路优化,最大程度的提高配送效率,节省成本;而通过将空间数据与业务数据的结合,以直观,生动的方式分析,显示数据,揭示运行管理中的规律性和潜在商机,为领导提供决策依据和工具,使企业为自身和社会创造更大的效益.三、方案特点

(1)经济实用性

根据现有的技术条件及业务需求,充分考虑系统的可实现性及环境的复杂性进行设计解决,在正常情况下,实现车辆的有效调度,提高车辆的有效利用率;(2)可靠性

系统是一个长期运行的系统,设计时充分考虑后备以及灾难恢复机制,使系统在部分故障时仍然能够提供对用户的服务,并且能够很快的排除故障恢复正常运行.(3)安全性

安全性对于系统而言是极为重要的.建立系统的网络安全机制,设置权限控制,通过网络的自检,实时监控和自动故障报警检测以及一定程度的自恢复,确保网络和数据安全,成为必须具有的特性.(4)开放性

整个内部网络传输采用标准的 TCP/IP 协议;其他的系统也采用相应的工业标准,充分保证系统的开放性.并在设计时保留必要的接口,实现与其他系统的对接.(5)可扩展性

系统设计除了可以适应目前的需要以外,充分考虑用户日后的业务发展需要.按最经济的原则,规划成一个扩展性很强且在扩容升级时浪费最少的系统.支持软件支持二次开发,计算机网络系统适应将来的广域扩展.(6)先进性

在兼顾系统成熟性的前提下,采用业界先进的技术,以目前较为先进的方法实现需要的功能,既反应当今科技的先进水平,又具有发展潜力,使计算机系统发挥最大的效率.(7)实时性

GPRS 实时在线,通过这种通讯方式,可以实时的获取车辆的定位信息,并保证数据的完整,具有实时,准确性.四、系统功能简介

车辆实时跟踪调度

在GPS精确的数字地图、专业的交通地图，及立体的卫星混合模式地图的支持下，调度中心通过电脑屏幕可以快速查询车辆位置信息，了解车辆分布情况，合理调度、使用车辆。系统平台辅助确定最佳线路

当调度中心向配送车辆发出调度指令后，司机只需要给出要前往的救援地点。系统便会通过GPS监控综合分析路线上的交通情况，为司机自动规划出最佳路线，避免交通堵塞、迷路等现象。

车辆远程控制

紧急情况下，调度中心可以通过车载终端对车辆进行远程控制。例如，运输车辆出现超速、越界等违章现象时，远程控制功能切断车辆油路,令司机不能继续行驶，确保生命财产安全。

历史轨迹纪录查询

运输车辆在行驶过程中的轨迹信息将被纪录保存，方便事后查询。调度中心可选定过去一时间段，查询该时间段内指定车辆的历史数据，进行历史回显，是进行数据分析的得力助手。

紧急报警

当车辆遭遇紧急情况时，车载终端会自动向监控中心发送报警数据，在监控终端显示出车辆位置，并声光提示。另外，当司机在运输过程中遇到险情或发生交通事故、车辆故障等情况下，可通过车载终端的报警按钮向调度中心求救。调度中心还可对车内情况进行监听并录音。

区域/偏航报警

特殊情况下，为了加强调度管理，要求车辆行使固定路线或者只能在特定区域活动。在系统中为配送车辆预先设置行车路线，车辆行走路线及状态开始被监控及记录，如车辆未按预设行车路线行车或者驶出设定区域，系统将会自动报警，调度中心可以根据实际情况采取措施。

车辆统一信息化管理

系统能够车辆进行集中统一的信息化管理。管理内容涵盖车辆车牌号码、车台号码、车型、颜色、发动机号、底盘号码、用途等。系统将对车辆的所有这些信息进行采集、录入，而后向用户提供修改、删除以及查询功能。

五、系统效应

统一调度:提高车辆使用效率

最佳路线导航，减少油耗，节省开支

提高车辆及人员的安全性，减少事故发生

做到实时监控，实时指挥，杜绝违章作业

7.车辆调度员演讲稿 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.车辆调度员演讲稿 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.运输部车辆调度岗位职责 篇九

1、在运输部主任的领导下进行工作。

2、负责车辆的管理工作。

3、有计划的调配使用车辆，作好新旧车辆行驶里程的统计。

4、负责编制车辆大修，更新车辆的计划及临时性检修。

5、掌握每台车辆的技术情况和人员思想情况，杜绝病车上路。

6、对驾驶员进行“四交代”（出车时间、路线、任务、注意事项）

及时了解用户的反映和驾驶员完成任务的情况。

7、负责办理车辆保险，车辆审验及有关车辆手续。

8、及时了解车辆的运营状况，确保车辆安全行驶。、负责完成运输部主任安排的各种临时性的任务。

10.车辆调度员演讲稿 篇十

宋晓鹏，韩印，姚佼

（上海理工大学 管理学院，上海200093）

摘要：公交车辆调度方案的优化对于提高公交服务水平，促进公交事业的快速发展至关重要。在乘客与公交公司利益博弈的基础上，基于极小极大思想，考虑公交车车辆容量的限制及城市道路信号控制的干扰因素建立公交发车间隔优化模型，并利用非支配排序遗传算法（NSGA）进行模型的求解。以河南省焦作市的公交线路为例进行验证，优化结果显示乘客的平均等车时间相对减少48.3%，公交车的全日平均满载率下降了3.8%，公交服务水平有所改善。

关键词：城市公交；发车间隔；等车时间；非支配排序遗传算法 中图分类号：U491 文献标志码：A Based on the NSGA Bus Scheduling

Optimization Model of the Algorithm SONG Xiao-peng, HAN Yin, YAO Jiao(Business School，University of Shanghai for Science and Technology，Shanghai 200093，China)Abstract: Optimized buses scheduling scheme is essential to improve transit service levels and promote rapid development of public transport.On the basis of the interests of game between passengers and the bus company, considering bus vehicle capacity constraints and confounding factors of urban road signal control, we have built the bus departure interval optimization model based on the Minimax ideas , and then use the non-dominated Sorting Genetic Algorithm(NSGA)to solve the model.Illustrated by the case of bus lines in Jiaozuo,Henan Province, the transit service levels have been improved with the optimization results show that the average waiting time of passengers relative reduced by 48.3% and buses full day average load factors fell by 3.8%.Key words: urban public transport;departure interval;waiting time;non-dominated sorting genetic algorithm

优先发展城市公共交通是提高交通资源利用效率、缓解交通拥堵的重要手段。作为城市交通的主要通行方式，公共交通服务水平与居民出行需求和城市交通运行状态息息相关。优化发车间隔是公交调度的主要技术手段。准确和高效率的发车调度对提高公交线路的服务能力，减少居民的出行延误，提高乘客满意度有着重要意义。Huisman[1]等提出了用于描述多场站调度问题的动态模型，并应用“聚类再生成”启发式算法，基于数学规划模型得出优化的结果，但对公交车容量未作考虑。孙芙灵[2]根据乘客需求来确定发车间隔，用数学规划的思想建立调度模型，并用时间步长法、等效法进行求解，得出仿真结果，但对公交公司利益 收稿日期：2013-08-08

基金项目：上海市一流学科资助项目（S1201YLXK）；国家自然科学基金资助项目（51008196）第一作者：宋晓鹏（1987-），男，硕士研究生.研究方向：智能交通、交通规划与管理.E-mail：songxiaopeng208@163.com 通讯作者：韩印（1964-），男，教授.研究方向：智能交通、交通规划与管理.E-mail：hanyin2000@sina.com 考虑不足。陈芳[3]根据客流变化规律，对发车间隔采用多时段处理思想，建立了以乘客与公交企业运营费用最小为目标的公交车辆调度模型，对于信号控制的干扰没有进行考虑。刘志刚等[4]根据区域公交调度模型，把公交车容量作为理想状态，不受信号控制的干扰,建立了公交调度系统双层规划模型。本文综合考虑乘客与公交公司利益，并基于极小极大思想，考虑公交车车辆容量的限制及城市道路信号控制的干扰因素建立公交发车间隔优化模型，并利用非支配排序遗传算法（NSGA）进行模型的求解。优化模型的建立

1.1 模型假设

公交车辆的运营受很多因素的影响，本文为建立公交调度优化模型作出以下假设： a.线路上的公交车辆为同一型号，公交车会按照调度表准时到站和出站； b.全程票价统一；

c.公交车辆行驶过程中不存在阻塞现象及突发情况，且公交车之间依次行进，不存在超车及越站现象；

d.各站点乘客上下车的时间、公交车在各站点停留时间均被考虑在公交车的平均速度之内；

e.仅考虑沿线信号延误干扰，沿线交叉口具有相同的信号延误； f.各交叉口有足够大的通行能力，仅考虑单行方向公交车运行。1.2 模型的构建

公交车运行调度模型的建立是一个复杂过程，根据极小极大思想，为使服从相同规律的受控群体的性能指标在总体上最小，其充分条件就是使群体中性能指标值最大的个体值最小。作为乘客希望获得便捷、舒适、车辆间隔小、等待时间短的公交服务，这样势必造成空驶率过高，并且公交公司的利益得不到保证而影响其服务质量。而公交公司希望发车间隔增大，发车次数少且载客量大，以获取更大利益，这与乘客的需求相违背。因此，综合考虑公交公司与乘客的利益，使乘客最大广义费用最小及公交公司最大广义费用最小。

minC(f)maxminB(f)maxs.t1fM

(1)式中，M为公交车的最大发车间隔，为一正常数；f为发车间隔，f∈整数，min；C(f)为在时间段T内，乘客的广义费用，元；B(f)为在时间T内，公交公司广义费用，元。

在时间段T内出行者的广义费用

C(f)=FW(f)+1Fin2FT

(2)式中，δ为与乘客有关的时间费用转化系数；FW(f)为乘客等车时间，min；γ1为相对于等车时间费用的在车时间费用权重系数；γ2为相对于等车时间费用的换乘惩罚费用权重系数；Fin为与在车时间相关的费用；FT为与换乘相关的惩罚费用。

关于乘客等车时间有

FW(f)Sn

(3)式中，FW(f)为所有出行者等待时间，min，n为所有等待的乘客数量，人次；S为乘客等待时间的均值，min。

对于某一站点，记W(t)为在t时刻在节点等待的乘客数量，等待的乘客包含在下一辆车到达之前陆续来到站点做等待的乘客及在上一运次滞留的乘客。t时刻为某一公交车进站时刻。并且设定公交车的容量为C，则在该站点，乘客上车的数量为P(t)。

其中W(t)CO(t)W(t)P(t) 其中W(t)CO(t)CO(t)式中，O(t)为在某站点处，公交车上已有的乘客数量。

(4)对于滞留的乘客，其需要在等待下一运次才能乘上公交车，假定不存在3次等车，而保证一定的服务标准。对于滞留的乘客需要再次等待一个ti时间才能上车。若对于上一时刻存在乘客滞留，则滞留人数为D(t-ti)。

D(tti)W(tti)CO(tti)

(5)(6)ti=f+dj

jI式中，ti为相邻运行公交的平均车头时距，min；d在T时间段内，公交车由于遇到交叉口信号控制的干扰引起的平均延误，min；dj为公交车所遇到某一交叉口j引起的平均延误；I为公交车所沿该线路中交叉口数量，I∈整数。

由于公交车按照行车时刻表运营，因此，乘客到达公交站点会产生等车时间，根据Bowman等[5]提出的等车时间模型，乘客期望等待时间的均值为

E(t)H2(1CV)2(7)式中，E(t)为乘客期望等车时间，min；H为平均车头时距，min；CV为车头时距协变参数。

如果排除外界干扰，公交车平均车头时距应与发车间隔相等。由于公交车运行受交叉口信号控制的干扰，车头时距发生波动，则平均车头时距为ti。

Hti

(8)而对于t时刻，等候车辆的总人数为n，引起乘客等待公交车的状态有m种，分别为没有滞留的乘客平均等待时间和滞留乘客平均等待时间这两种方案，即m=2。根据熵权决策法原理[6]得出乘客等待时间的均值。

Sw1E(t)w2[E(t)tj]出行者等待时间

j=1,2,3……n

(9)式中，w1为没有滞留的乘客等待时间权重；w2为滞留乘客等待时间权重。

FW(f)Sn

(3)由于乘客在车时间只与路段的不同而不同，因此定义在车时间费用是只与路段相关的常数。对于惩罚费用同样与发车频率无关，取决于路段，同样可以作为常数处理[7]。对于在车时间费用与惩罚费用相应权重可以通过实际调查统计得到[8]。在时间T内，相应公交车运营的广义费用为

B(f)=3BF(f)+（1-3)BV(f)

(10)式中，γ3为公交公司所支出的固定费用的相应权重；BF(f)为在时间T内公交公司所支出的固定费用，元；θ为每公里运营费用(与百公里燃油有关)，元/km；BV(f)为在时间T内与发车间隔相关的公交车辆行驶里程，km。

其中固定费用主要包含公交车的保养维修费用、公交公司的管理费用及员工工资在T时间段内[9]。可得到相应固定费用

BF(f)=N(Bse+Bm+Bw)

(11)式中，Bse为在T时段内，平均每辆车的保养维修费用，元；Bm为在T时段内平均每辆车的管理费用，元；Bw为在T时段内相对于每辆车的人均工资费用，元。

在T时间段内运营了N辆车

TNf所有车辆行驶里程

(12)式中，N为一整数，运算中中括号为取整运算，表示N为不超过T/f的最大整数。

BV(f)=v[T(T-f)+(T-2f)++(T-(N-1)f)]2NTN2fNf =v()2

(13)式中，v为公交车的平均行程速度，在某条干线上为一常数，km/h。

公交车辆的运行势必受到红绿灯的干扰而影响正常运营，为保障公交车服务标准，相邻运行中的公交车车头时距因交叉口信号干扰需保持在一个发车间隔内。公交车遇到交叉口引起的延误是随机的[10]，因而根据Miller提出的随机延误理论。

d=2Q(1-g/c)[c(1-g/c)+o]2(1-q/s)qexp[-1.33sg(1-x)x]Qo=2(1-x)

(14)式中，d在T时间段内，公交车由于遇到交叉口信号控制的干扰引起的平均延误，min；c为周期时长，min；g为有效绿灯时长，min；x为饱和度；q为到达率；QO为平均饱和排队车辆数，辆。

公交车遇到交叉口引起的总的延误满足如下约束

d

jjI(15)基于公交公司与出行者综合广义费用最小。公交车发车间隔与信号控制之间存在相互影响，交通信号控制影响着车头时距的波动程度，约束发车间隔的确定；发车间隔的合理性又反映了信号控制的优化程度，信号控制得以优化可减少公交车运行时由于交叉口的干扰引起的延误，提高通行能力。则根据以上分析，建立如下公交车运行调度模型

minC(f)maxminB(f)maxs.t1fM

(16)

djIj

乘客广义费用和公交公司的广义费用这些目标并不是彼此独立，二者耦合在一起，互为矛盾，互为竞争。某子目标的改善可能引起其它子目标性能的改变，而同时使所有子目标达到最优往往是不可能的。要找到这些目标的最佳设计方案，就要解决多目标与多约束的优化问题，即多目标优化[12]。对于模型的求解引进非支配排序遗传算法(NSGA)。

可以定义为在一组约束条件下，极小化这两个目标函数[13]，令[C(f)]max=u1(X)，[B(f)]max=u2(X)，形式如下：

min[u1(X),u2(X)]gj(X)0j1,2,……J s.th(X)0k1,2,……Kk束。

(17)其中X=（f1,f2,……fp）是一个p维向量，ui(X)是目标函数，i=1,2。gj(X)和hk(X)为系统约NSGA是基于对个体的几层分级实现的。在选择执行前，群体根据支配与非支配关系来排序，所有非支配个体被排成一类，这些被分级的个体共享它们的虚拟适应度值。然后忽略这组已分级的个体，对种群中的其它个体按照支配与非支配关系再进行分级，该过程继续直到群体中的所有个体被分级。在NSGA中对每个局部的Pareto曲面（线）上的所有个体分别采用适应度共享策略，有利于保持群体多样性，可以克服超级个体的多度繁殖，防止早熟收敛。根据关志华[14]对于非支配排序遗传算法算子分析，参数选取分别为：交叉概率取0.8；共享半径取0.05；变异概率取0.00。算法流程如图1[13]所示。

开始进化代数GA=0初始化种群i=1种群全部分离是根据虚拟适应度进行复制否识别非支配个体指定虚拟适应度值交叉GA=GA+1变异应用于适应度共享小生境i=i+1进化数GA大于最大代数终止

图1 NSGA算法流程图 Fig.1 NSGA flow chart 实例分析

由式（9）知乘客的平均等待时间与发车间隔具有一定的关联性。此外，董强[15]等对公交车调度问题研究表明发车间隔与公交车的满载率相关，由于车次与发车时刻一一对应，而车辆的队列顺序是不发生改变，因而对所需车辆进行统一标号后，则对每一车次，与其对应的车辆编号是确定的，我们直接对第k次车进行考察，公交车全日平均满载率如下：

S=(k,)/(TNA)kTdayA

=(k,)/()fk(18)λS为公交车全日平均满载率；μ为某一站台；λ(k,μ)为第k次车离开第μ站时的全日平均满载率；TN为一天单程所发的车次总数；μA为单程站台总数；Tday为公交车全日运行时间。

选取河南省焦作市具有代表意义的5条公交线路，分别为21路、9路、13路、17路、14路。乘客平均等待时间能够直观地反映乘客的出行利益，公交车辆全日平均满载率能够衡量车辆的利用程度，反映了公交公司的利益，因此以乘客平均等待时间和全日平均满载率作为评价指标，进行相关的调查分析。经实地调查，上述模型相关参数选取如表1所示。

图2 焦作市其中5条公交线路走向图 Fig.2 five bus routes to figure in Jiaozuo

表1 模型相关参数取值

Tab.1 Model related parameter selection δ/元 0.26 γ1 0.8

γ2 0.2

C/人 60

w1 0.7

W2 0.3

γ3 0.5

v/km.h-1 10 在实际调查中，线路21路、9路由于客流量较大，满载率较高，对于乘客来说舒适性下降，不利于乘客利益；线路17路、14路，乘客等待时间太长，吸引客流较弱，不利于乘客利益，满载率过低，车辆利用程度交低，不利于公交公司利益。对于满载率，各个城市都不同，没有形成统一的规范值。按照焦作市城市公交行业管理规范中的规定，全日线路平均满载率控制在100%以下，为保持车辆利用程度，全日线路平均满载率控制在60%以上。线路13路满载率维持在合理水平，乘客等待时间稍长，可适当调节，维持乘客利益。通过Matlab编程对上述算法进行实现，利用研究模型对21路、9路、13路、17路、14路公交线路发车间隔进行优化，优化结果以乘客平均等待时间和公交车平均满载率作为衡量指标，如图3与图4所示。

***642021913公交线路图3 各线路优化前后乘客平均等待时间比较

Fig.3 Average passenger waiting time at present comparison with after optimization

乘客平均等待时间min现状乘客平均等待时间优化后的乘客平均等待时间1714 160140全日平均满载率/%***21913公交线路1714现状全日平均满载率优化后的全日平均满载率

图4 各线路优化前后全日平均满载率比较

Fig.4 Diurnal average load factors at present comparison with after optimization 根据本研究的优化结果，各线路乘客平均等待时间及对应的全日平均满载率不仅满足焦作市城市公交行业管理规范中的规定，且各线路总的平均满载率减少了3.8%，舒适度增加，吸引了客流，保证了公交公司的相应利益；同时乘客平均等车时间相对于现状平均等待时间减少48.3%，满足乘客的利益。总结

本文同时兼顾公交公司与出行者的利益愿景，根据极小极大思想对公交车发车间隔进行了优化。运用非支配排序遗传算法解决此类多目标问题，并获得最优解组合集合，在集合中找到最优解，规避了同时使所有子目标均达到最优的不实际现象。本文充分考虑了公交车容量限制产生的乘客滞留状况和交叉口信号控制对公交车运行的影响。通过对发车间隔的优化，不仅能满足客流需求，同时规避了公交资源的浪费，具有现实适用性。参考文献: [1] Dennis Huisman, Richard Freling and Albert P.M.Wagelmans.A robust sulution approach to the dynamic veicle scheduling problem[J].Transportation Science.2004,38(4).447-458.[2] 孙芙灵.公交调度中发车间隔的确定方法的探讨[J].西安公路交通大学学报,1997,17(2B):44-48.[3] 陈芳.城市公交调度模型研究[J].中南公路工程.2005,30(2):163-164.[4] 刘志刚，申金升.区域公交时刻表及车辆调度双层规划模型[J].系统工程理论与实践,2007,27(11):135-141.[5] Bowman,L,A.and M.A.Tumquist.Service frequency:Schedule reliability and passenger wait times at transit stops[J],Transportation research,1981(1):465-471.[6] 闫文周,顾连胜.熵权决策法在工程评标中的应用[J].西安建筑科技大学学报,2004,36(1):98-100.[7] 高自友,任华玲.城市动态交通流分配模型与算法[M].北京:人民交通出版社,2005.63-64,213-224.[8] 何胜学.道路拥挤收费定价分析[J].上海理工大学学报,2005,27(1):87-90.[9] 陈国栋,李会芬.公交车的经济寿命和影响因素的研究[J].广西大学学报,2008,30(zl):211-212.[10] 何胜学,范炳权,严凌.公交网络最优路径的一种改进求解算法[J].上海理工大学学报,2006,28(1):163-67

11.可变线路式公交车辆调度优化模型 篇十一

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.