(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111508631.0 (22)申请日 2021.12.10 (71)申请人 南京信息 工程大学 地址 224002 江苏省盐城市 盐南高新区新 河街道文港南路10 5号 (72)发明人 申晓宁　潘红丽　陈庆洲　葛忠佩　 徐继勇　姚铖滨　许笛　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 何春廷 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06N 3/00(2006.01) (54)发明名称 一种垃圾车辆低碳调度方法及系统 (57)摘要 本发明公开了一种垃圾车辆低碳调度方法 及系统， 包括： 获取输入信息， 包括： 垃圾车辆需 要服务的垃圾投放点数量 N、 垃圾投放点的坐标 信息、 车场坐标信息、 垃圾中转站坐标信息、 每个 垃圾投放点的垃圾量、 垃圾车辆容量 Q以及司机 的最大工作时长 Tmax； 将输入信息输入到预先构 建的基于自适应粒子群算法的垃圾车辆低碳调 度优化模型， 确定最优调度方案。 优点： 建立包含 车辆容量、 低碳、 司机工作时长以及多行程等实 际因素的垃圾清运多行程低碳车辆调度问题模 型， 该模型的特点是允许一辆车在车场、 垃圾中 转站和垃圾投放站点之间具有多个行程， 此外， 考虑了车辆在行驶过程中导致的环 境污染问题， 将碳排放量转化为碳排放成本并计入总成本 。 权利要求书5页 说明书14页 附图2页 CN 114611864 A 2022.06.10 CN 114611864 A 1.一种垃圾车辆低碳调度方法， 其特 征在于， 包括： 获取输入信息， 包括： 垃圾车辆需要服务的垃圾投放点数量N、 垃圾投放点的坐标信息、 车场坐标信息、 垃圾中转站坐标信息、 每个垃圾投放点的垃圾量、 垃圾车辆容量Q以及司机 的最大工作时长Tmax； 将输入信 息输入到预先构建的基于自适应粒子群算法的垃圾车辆低 碳调度优化模型， 确定最优调度方案； 所述基于自适应粒子群算法的垃圾车辆低碳调度优化模型的优化目标为所规划的调 度方案中车辆总的运输成本最少， 基于自适应粒子群算法的垃圾车辆低碳调 度优化模型的 约束条件为所有车辆均从车场出发且仅出发一次、 每个垃圾投放点只允许一辆车服务一 次、 每个垃圾投放点被服务时、 一定会有一辆车从某个地点行驶到该垃圾投放点并从该点 离开、 所有车辆在垃圾中转站将垃圾全部排空、 车辆在一次行程中的垃圾装载量不大于其 容量限制以及每辆车的司机的工作时间不能超过规定的最大工作时长限制。 2.根据权利要求1所述的垃圾车辆低 碳调度方法， 其特征在于， 所述将输入信 息输入到 预先构建的基于自适应粒子群算法的垃圾车辆低碳调度优化模型， 确定最优调度方案， 包 括： 步骤1， 设置自适应粒子群算法进化种群规模为n、 邻域搜索最大规模Y； 最大评价次数 为Evamax、 评价次数计数器Eva＝0； 步骤2， 采用整数编码， 随机生成n个个体， 每个个体的编码均为一串由3～N之间整数组 成的序列： X＝{x3,x4,xi,…,xN} 其中， xi表示垃圾投放点的标号， i＝3,4, …,N， 车场编号为1， 垃圾中转站编号为2， 垃圾 投放点编号为3～N； 计算每个个体的目标值f(X)： f(X)＝Cfixed+Cfuel+Ccarbon 其中， Cfixed为固定成本， Cfuel为燃油成本， Ccarbon为碳排放成本； 其中， Cf为每辆车的固定使用成本， Uk表示第k辆车是否被使用， K表示车辆总数， 其中， Cm为车辆行驶单位距离所花费的燃油成本， B表示一辆车所有的行程集合， dij为 垃圾投放点i与垃圾投放点j之间的距离, 表示第k辆车在第b次行程中是否经过路径 ECij＝FE·FCij权　利　要　求　书 1/5 页 2 CN 114611864 A 2其中， ECij表示车辆从垃圾投放点i行驶到j的碳排放量， FE为燃油排放参数， Ce为碳税， 表示第k辆车在第b次行程中是否服务垃圾投放点i， FCij为车辆从垃圾投放 点i行驶到垃圾投放 点j消耗的燃油量， 具体 计算方式如下： FCij＝[αij(z+lij)+β v2]dij 其中， z表示车辆自重， lij表示车辆 从垃圾投放点i行驶到j的载重， v表示车辆的行驶速 度， αij和β 分别是与路况和车 型相关的参数， 计算方式如下： αij＝a+gsinθij+gCrcosθij β ＝0.5CdAρ 其中， a为车辆行驶加速度， g为重力加速度常量， θij为从垃圾 投放点i到垃圾 投放点j这 一路段的路面坡度， Cr为滚动阻力系数， Cd为牵引力系数， A为车辆 正面表面积， ρ 表示空气密 度； 个体的适应度为F(X)： 步骤3， 采用增强型局部 搜索策略对解码后的个 体进行精细搜索， 组成新的个 体； 步骤4， 对新的个体采用基于贡献度的自适应学习策略， 自适应选择最符合粒子自身阶 段的学习方式， 生成子代粒子： 步骤5， 根据优胜劣汰的规则在每次迭代中更新个 体极值和全局极值； 步骤6， 若Eva>Evamax则终止迭代， 输出适应度 最优的个体， 该个体为规划好车辆调度方 案， 否则， Eva相应增 加， 转步骤3。 3.根据权利要求2所述的垃圾车辆低 碳调度方法， 其特征在于， 所述采用增强型局部搜 索策略对解码后的个 体进行精细搜索， 组成新的个 体， 包括： 步骤31， 通过消除时间和容量约束的解码方式对个体进行解码， 得到垃圾车辆的调度 方案； 步骤32， 找出包 含垃圾投放 点数最多的行程所对应的车辆索引和行程索引； 步骤33， 对包含垃圾投放点数最多的行程进行2 ‑opt优化， 有效打开在行程中的交叉路 线； 步骤34， 将优化后的行程与其余未被选择的行程按照顺序重新拼接， 组成新的个体； 在 拼接过程中， 根据车辆行程的终点分成两种情况： 当行程的终点为中转站点， 表明车辆在该 行程中不会再前往车场， 此时仅需去除行程中的出发点和垃圾中转站； 当行程的终点为车 场， 则该车是前往垃圾中转站卸货继而 再回到车场， 此时需要去除该行程中的出发点、 垃圾 中转站以车场； 步骤35， 输出实施增强型局部 搜索策略后的新的个 体。 4.根据权利要求2所述的垃圾车辆低 碳调度方法， 其特征在于， 所述对新的个体采用基 于贡献度的自适应学习策略， 自适应选择最符合粒子自身阶段的学习方式， 生成子代粒子， 包括：权　利　要　求　书 2/5 页 3 CN 114611864 A 3