智能移动系统中大规模分布式车辆路径规划问题研究

本文针对智能交通和主动交通管理提出了一种适用于大规模交通分配和路径规划的分布式计算方法。讨论了通过信息传递接口(MPI)在多中央处理器(CPU)上并行计算实现的一系列研究需求和实现挑战;将基于时空事件的车辆路径规划模型应用于大规模的城市路网仿真;将原始车辆路径规划模型分解为一系列计算效率较高的子问题,大幅减少了仿真耗时和通信开销。通过将子问题分发到单独的分布式CPU上,使CPU可以同时执行其任务,并保证较好的负载平衡。重点分析了将所提出的方法应用于北京路网大规模路径规划,以及该方法在不同CPU核数下的计算效率。结果表明:所提出的并行计算方法可以显著减少计算耗时,并在512个计算节点上实现200倍以上的加速比。     

基于时空状态网络的电动物流车辆路径优化方法

针对电动物流车辆续航里程有限与充电基础设施不足的问题,综合考虑电池容量、车辆承载能力、充电站能力、客户服务时间窗、路网空间结构等约束条件,基于离散时空状态网络建立整数线性规划模型。扩展的状态维度可同时表征车辆剩余载重量和剩余电量的时空轨迹。通过对客户服务需求和充电站能力约束进行拉格朗日松弛,并增加二次惩罚项,构建增广拉格朗日模型。经过线性化处理二次目标函数,在块坐标下降框架下,原问题被分解为最短路径子问题,嵌入前向动态规划算法,循环依次求解。惩罚项的引入可以克服解的对称性问题,加快算法的收敛速率。通过计算最优上界与下界之间的间隙,评估可行解的质量。基于Sioux Falls网络构建测试算例,实验结果表明,该方法可以在时间、空间和状态维度上同步优化电动车辆路径和充电决策,可以有效避免车辆绕行充电,节省在途充电时间和配送成本,实现城市电动化物流资源的时空优化配置。