详情

原文传递实时信息电动汽车路径规划研究

论文题名：	实时信息电动汽车路径规划研究
关键词：	电动汽车;蚁群算法;排队论;遗传算法
摘要：	随着电动汽车在各场景使用需求的快速增长，传统的车辆路径问题（VRP）求解方法难以满足当今电动汽车（EV）用户多元化的实际需求。因此，研究电动汽车路径问题（EVRP）对于路径导航以及物流服务的发展至关重要。本文在以往国内外研究传统VRP的基础上，重点研究了新的动态EVRP模型以及求解算法。　　本文主要研究内容如下：　　（1）研究EV路径规划中排队充电等待时间对整体行程花费时间的影响，制定动态实时信息处理系统。通过对排队论的多服务台队列（M/M/S）的研究，依据实时的交通节点流入速率推导出需要EV用户去排队充电等待的概率，以及预估的排队长，并采用归一化策略去生成各个充电节点的排队充电拥塞因子。　　（2）对电动汽车用户的最优时间车辆路径问题进行建模，并设计改进的蚁群算法（IACO）去进行模型求解，给出路径规划以及求解策略。本章提出了的IACO算法，优化全局信息素更新规则，并使用了2-opt启发算法优化局部路径探索能力，为防止对全局最优值的搜寻产生影响，并且采用蚂蚁回退操策略去处理蚂蚁死锁情况。基于前期的充电节点拥塞因子，对算法初始化信息素矩阵进行改进，使其呈差异化分布，增强路径规划算法前期全局搜索性能。最后在实验部分，为了验证IACO算法在该场景中的有效性，分别基于三种不同拥塞程度的交通网络进行数据仿真，并分别与Dijkstra算法、蚁群算法进行实验结果对比，并最后对其进行了收敛性结论分析。　　（3）对电动汽车实时的动态物流配送的问题进行建模与求解。依据EVRP的约束特征建立数学模型，同时设计了融合遗传算法的蚁群算法（GA-ACO）去进行求解。该算法利用蚁群算法以及遗传算法的优势，采用了孤岛并行的算法结构，采用单点交叉的变异操作来进行局部优化，并依据种群交换个体的概念来增强算法发现更优解的能力，并给出了具体的遗传信息更新规则。最后在实验部分，将GA-ACO与IACO算法在不同规模的数据集上进行结果对比，来验证求解算法的有效性，并进行了收敛性的分析。
作者：	徐磊
专业：	电子与通信工程
导师：	姜显扬
授予学位：	硕士
授予学位单位：	杭州电子科技大学
学位年度：	2020