考虑冲突规避的自动化集装箱码头AGV优化调度方法

合理调度自动化导引车（AGV）对于降低自动化集装箱码头的作业成本具有重要意义。针对AGV调度中的任务分配和路径规划问题,考虑AGV电量和多载等因素,结合自动化码头布局特点,以AGV作业总时间最小和多AGV作业路径无冲突分别为第一阶段和第二阶段的优化目标建立两阶段模型。设计改进模拟退火算法求解第一阶段模型,为了加速算法收敛并保证解的质量,解的改进优先考虑任务的时间成本和AGV数量;设计基于时空网络的路径规划算法求解第二阶段模型,将作业区域离散成网格网络后添加时间信息构建可更新的时空网络,在时空网络上运用最短路径算法规划路径并规避冲突。对于任务分配不均衡导致的路径规划无可行解的拥堵情况,在冲突规避基础上重新计算AGV执行任务的成本并再次进行任务分配,不断迭代直到生成多AGV间路径无冲突的调度方案。以洋山四期自动化集装箱码头为例进行仿真实验与对比分析,结果表明:与使用传统路径规划和避障策略的AGV调度方法对比,所提方法下的总作业时间平均降低了7.31%,AGV冲突数量降低为0,任务总延期时间最大降低2 895 s,最大降低路网拥堵度10.79%,验证了提出方法解决冲突规避和拥堵问题的有效性。      

出口箱随机入港下的集装箱码头泊位调度

针对港口竞争环境下产生的出口箱随机入港分散堆放策略,综合考虑出口箱堆场堆存位置分布以及泊位分配与集卡路径之间的相互影响,提出了出口箱随机入港下的集装箱码头泊位调度问题,并以船舶停靠泊位为决策变量,以所有集卡行驶总路径最短为目标函数,建立了泊位调度优化模型。采用基于遗传算法的启发式算法,对遗传算子进行了改进设计。最后,应用算例对模型和算法进行仿真实验,并将优化后结果与传统的先到先服务泊位调度模式进行比较分析。结果表明:以集卡行驶总路径为考量的泊位调度优化可使集卡行驶总路径缩短11.51%,可明显降低港口的运营成本,同时获得合理的泊位分配计划,模型和算法可行有效。      

货运车辆优化调度方法

首先介绍货运车辆调度问题的分类，根据问题的不同性质将货运车辆优化调度分为满载和非满载调度，有时间要求和无时间要求的调度等多种类型。然后，详细介绍求解货运车辆优化调度问题常用的启发式算法、神经网络方法和遗传算法的原理、模型和求解过程。还根据深圳市科技园的实际路网图，采用神经网络的方法对运输车辆优化调度进行试验研究，给出试验结果。本文所论述的方法对于实际的货运车辆调度问题具有指导意义。     

基于改进GA的柔性作业车间分批调度优化

为求解柔性作业车间分批调度的3个子问题：批量分配问题、机器分配问题和工序调度问题,建立了最小化完工时间的分批调度模型,并提出一种基于工件批量的车间调度算法。算法设计基于工件、批量及工序的矩阵编码,解码时工序依据工件批次优先级排序,解决了模型复杂的子批量工序排列。算法初始时以一定概率优化群体,更新群体时设计了染色体局部交叉和变异策略以维持群体的多样性。最后,采用实例验证了算法的可行性与有效性。     

启发式遗传调度算法的研究

将遗传算法与现有的调度算法相结合，运用合适的遗传算子和调度规则，对现有启发式调度算法进行改进，充分发挥了两者的优点，既保证了较高的搜索效率，又保证了解的全局最优性。并给出了对照算例，说明了该算法的可行性和有效性。     

一种应急系统车辆调度问题的求解算法

在应急系统中救援车辆调度对于提高应急响应能力、节约救援时间和降低生命财产损失发挥重要的作用.结合实际路网的特征,提出了以应急时间最短为优化目标函数,证明目标函数满足文中给出的最优调度函数定义.在此基础上,运用凸组合算法求解目标函数并进行了算法设计.仿真算例表明了所提目标函数的合理性及算法设计的有效性.     

铁路集装箱空箱动态优化调度模型及求解算法

根据铁路集装箱空箱调度的业务优先原则,以最大限度地提高区域内空箱的利用率和减小空箱调度的成本为目标,建立了在一个计划期内的铁路集装箱空箱动态优化调度模型.综合运用优先等级法和遗传算法对模型进行求解,解决了在一个计划期内,如何最优化地对每个工作日的空箱进行区域性调度的问题.通过计算机仿真实验,并与现行的调度方法进行比较,证明了模型和算法的有效性.     

考虑驾驶员对线路熟悉程度的区域公交乘务排班模型

在允许驾驶员跨线调度情形下,提出了一种考虑驾驶员对线路熟悉程度的区域公交乘务排班优化模型,满足驾驶员的工作时间窗、中途休息、用餐时间等现实因素,以最小化驾驶员成本、正常班及加班费用为目标函数,编制一个最佳公交乘务排班方案。根据问题特征,设计求解该问题的人工免疫算法,定义了抗体、启发式种群算法、适应度函数、免疫操作等。最后,结合算例分析,比较任意驾驶员对不同线路的偏好如何影响调度结果,仿真表明:随着驾驶员的熟悉线路程度增加,乘务排班的费用逐渐减少,虽然其调度成本比现有模型的高很多,但是该模型比较符合实际。     

基于调度池的共享单车调度研究

针对共享单车供需失衡,共享率低等问题,以提高用车高峰期调度的及时性为,在调度结构中引入调度池,明确调度池的使用规则,提出共享单车四级调度结构.将基于调度池的共享单车静态调度问题描述为多车场车辆路径问题,考虑到节点的调度需求大于调度车的装载容量和多辆调度车共同满足单个节点的调度需求的情况,以调度总成本最小为目标,建立共享单车静态调度模型,根据模型特点,设计单亲遗传算法求解.算例表明,与未使用调度池的调度方案相比,调度车的行驶里程降低47.86%,变动成本降低47.73%,不考虑调度池的营运成本时,总成本下降9.81%,考虑调度池的营运成本时,总成本下降4.71%.使用调度池可提高调度效率并降低总成本.      

Selection of Container Types and Transport Modes for Container Multi-modal Transport with Fuzzy Demand

在集装箱多式联运中,集装箱箱型和运输方式的组合优化直接关系到货物运输的时间、费用和质量.考虑运输需求量为模糊情况下,建立集装箱多式联运箱型和运输方式的优化模型,实现集装箱多式联运总成本最优化,并提出模型求解的改进型粒子蚁群算法.最后结合算例对模型进行应用分析,并分析箱型替代和运输交货期限的变化对多式联运总成本的影响.结果表明:承运人可根据不同运输需要实现集装箱运输规模效益,提高集装箱利用率;时间限制对承运人选择集装箱箱型和运输方式的影响较大;改进型粒子蚁群算法优于蚁群算法.     

基于拉格朗日松弛算法的自动驾驶公交调度优化研究

为了解决公交实际运营出现的调度方式单一、车辆配合度较差、串车等问题，降低公交运行中人为因素的影响，提高公交系统的运营效率，提出一种考虑乘客动态需求的调度模型，采用自动驾驶环境下的公交运营方式，结合站点实际乘客需求调配车辆，实现了公交车辆利用程度最大和乘客总体等待时间最小的多目标优化。提出的自动驾驶公交调度方法，获取了乘客个体的实时出行需求，同时实现了对车头时距的调控。在模型求解方面，选取拉格朗日松弛算法，最终获得了多目标优化问题的精确解。以北京公交300路快车作为实际案例进行分析，从公交实际运营数据中提取多项参数作为模型的输入，通过拉格朗日松弛算法的求解，得到自动驾驶条件下公交运行时刻表、乘客等待时间、公交承载量、站点上车乘客人数等多项运营指标。通过与公交实际运营状态的对比，论证了采用自动驾驶公交对于改善公交运营现状的可行性。最后将优化结果与公交实际数据进行了对比分析。结果表明：自动驾驶车辆投入公交运营，能够缓解串车问题，同一线路上公交车的载客量分布更为均衡，在同一断面的客流与车头时距的不均衡程度均有所降低；同时高峰时段发车数量减少了20%，公交车的平均承载量提高了21.7%，车辆平均间隔缩短了29.9%。     

基于GA启发式抽样的交通事件自动检测

为了提高面向不平衡数据集的交通事件检测综合性能,提出了两种基于GA启发式抽样方法的交通事件检测算法.基于GA的实例选择抽样方法(GA-IS),解决非启发式抽样方法人为设定抽样率导致的检测效果不稳定问题.基于GA的支持向量选择抽样方法(GA-SS),改善学习集数据量较大时的检测效率.实验采用新加坡AYE仿真数据库,以支持向量机作为分类器进行事件检测.结果表明,基于遗传算法实例选择抽样的检测模型检测率达到94%,平均检测时间为1.413 3 min,性能指标PI为0.157;基于遗传算法支持向量选择抽样的检测模型决策时间为4.55 s,综合性能最优,其PI为0.151;基于少数类过抽样算法(SMOTE)的检测模型决策时间为35.21 s,PI为0.329,与非启发式抽样方法相比,所提方法能有效改善面向不平衡数据集的事件检测综合性能.      

TTCAN调度算法及其在汽车控制系统中的应用

TTCAN协议是一种新的基于时间触发机制的CAN高层协议。针对周期性信号的特点，提出了基于平均数目分析的静态调度算法；针对非周期信号的随机性，为了避免信号的死锁提出了基于信号截止期的优先级提升动态调度算法。最后以汽车自动控制系统为背景进行了调度分析，与IEC／ISA相比既满足了信号的实时传输，又提高了网络资源的利用率。     

基于站点群体聚集性客流的公交串车调度优化

为提升城市公交准点率、减少延误，解决车辆串车问题，研究基于站点群体聚集性客流的公交调度优化方法。以乘客出行意愿、乘车属性、到站规律等标识公交客流变化特征，以车辆载客限制、站点延误、到达率、下车率等描述串车形成场景。考虑准时性、客流需求、调控策略等约束，采用实时混合控制策略，实现车头时距偏差与乘客总行程时间最小的多目标优化。提出的公交串车调度方法，考虑到乘客到达率的不确定性，并通过调控公交车辆站点驻站时间以及路段平均行驶速度，可满足站点时段性群体聚集公交客流出行需求，防范潜在的公交串车。在模型求解上，考虑到双目标优化视角的差异性，运用超车规则对串车场景下的出站车辆重新排序，设计基于NSGA-II的求解算法，以拥挤距离标定序度关系，以精英策略获取新种群，改进交叉算子，并基于TOPSIS法对获取的Pareto解集择优。最后，以实际公交线路为例进行案例分析，结果表明：基于站点群体聚集性客流的公交串车优化调度模型，系统考虑了乘客乘车属性与车辆载客限制，能够输出最优的车辆滞站与车速调整方案，并且能运算得出车辆离站时间、车头时距偏差、准点率、乘客等待时间以及乘客行程时间等多项运营指标。优化前后对比表...     

Gain-scheduled EGR control algorithm for light-duty diesel engines with static-gain parameter modeling

This paper presents a model-based gain scheduling algorithm of a PI-based EGR controller for light-duty diesel engines. In order to capture nonlinear characteristic of the EGR system, we have proposed a new scheduling variable to illustrate the static-gain of the plant model as a linear function. The proposed scheduling variable is composed of the air-tofuel ratio of the exhaust gas and the pressure ratio between the exhaust and intake manifolds. Using the scheduling variable, a static-gain model achieved 0.94 of the R-squared value with 810 of steady-state measurements which include key engine operating conditions. Based on the model of the static-gain parameter, the gains of the PI controller are decided by Skogestad internal model control (SIMC) tuning rule in real-time. Through various scenarios of engine experiments, the proposed gain scheduling algorithm represented that the PI gains were successfully adapted according to the changes of the engine operating conditions.     

车路协同环境下重叠线路公交车速诱导策略

为了防止公交车辆在线路重叠运行区间产生公交串车，在站点附近形成交通瓶颈，提出一种采用车速诱导策略来调整公交运行状态的动态调度模型。采用车路协同环境下的公交运营调度方式，结合各线路独自运行时的乘客需求和车辆车头时距规律，在避免重叠区站点公交串车的前提下，实现了各线路车辆最大程度地维持各自独立运行时车头时距的优化目标。提出的车路协同环境下的车速诱导调度策略，在引导各线路公交车辆间隔均匀地进入重叠区间后，根据乘客实时交通需求和道路交通状况，实现对车辆的实时调控。开发了一种启发式算法对车辆进入重叠区间的时刻进行求解，采用基于遗传算法的仿真过程求解了重叠区站点之间车辆的最佳运行速度，实现了重叠区间车辆动态调度过程。以哈尔滨市运行区间重叠的3条公交线路为实际案例进行仿真分析，对3条线路共计47辆公交车在重叠区12个站点之间的运行状况进行了优化调度。结果表明：采用提出的启发式算法进行调度后，车辆可以完全均匀地进入重叠区。通过对比采用动态调度优化前后的车辆运行状态发现，车辆串车现象由优化前的单站最多发生6次下降为0次，最大程度地实现了避免公交串车的目标。此外，车速诱导策略不仅避免了不同线路车辆在重叠区站点的串车现象，而且可以调整各线路上相邻两车之间的车头时距偏差，线路1的车头时距最大偏差从55%下降到了30%，线路2的车头时距最大偏差从25%下降到了13%，线路3的车头时距最大偏差从23%下降到了18%。     

基于车联网BSM数据与路侧视频融合的港口集装箱卡车碰撞危险辨识方法

大型港口集装箱码头运输车辆调度频繁，堆场过道和交换区等区域视距狭窄，容易导致港口集装箱卡车与设施、作业人员和车辆发生擦碰事故。为提高智能集装箱卡车在港口密集区域的轨迹跟踪精度和行车安全感知能力，提出了一种车联网条件下融合车载终端基本安全消息（Basic Safety Messages，BSM）数据和路侧视频数据的集装箱卡车碰撞风险辨识方法。采用YOLOv5s算法提取视频监控范围内的目标车辆和作业人员，根据目标集卡大尺寸特点设计非极大值抑制锚框来提高目标识别准确度。运用透视变换原理将目标像素坐标转换成地理坐标，并应用Deep-SORT算法匹配每帧图像的车辆轨迹信息。应用交互式多模型方法（interactive multi-model，IMM）融合视频轨迹信息和车载单元（on-board units，OBU）定位数据，减小了目标机动过程中的观测误差。基于集卡融合轨迹结果，提出了1种新型的轨迹冲突风险评估模型，能够根据目标集卡与周围目标轨迹的相对运动状态实时感知车辆碰撞危险，该碰撞危险检测结果在实际场景中可通过路侧设备对车载终端和作业人员终端实时播发预警信息。针对集卡跟踪误差的实验结果表明:IMM自适应跟踪轨迹的平均均方根误差为0.29 m，比集卡自主跟踪轨迹误差提升81.05%；融合路侧监控视频与车载终端定位数据能够克服车辆自主定位系统在密集堆场环境下的误差增大问题。集卡碰撞危险辨识的结果表明:车辆碰撞危险识别结果（预设ETTC阈值为2 s）的召回率、精确度和准确度相对集卡自主感知分别提升了7.39%，4.27%，2.50%，更准确地辨识出了视线遮挡情况下的轨迹冲突风险。      

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。