[发明专利]一种基于多目标遗传算法的司乘派单最优化方法

权利要求书

1.一种基于多目标遗传算法的司乘派单最优化方法，其特征在于，包括如下具体步骤：

S1、最优化问题建模；

S2、生成初始族群；

S3、初始化迭代次数，t＝0；将w个解1，复制为2w个解；

S4、对2w个解多目标计算共享适应度，多目标遗传算法采用NSGA算法；

S5、选择并计算选择概率；

S6、交叉；

S7、变异；

S8、增加迭代次数t＝t+1；若转S4；否则转S8；

S9、将S1…Sw中，共享适应度大的作为最优解。

2.根据权利要求1所述的一种基于多目标遗传算法的司乘派单最优化方法，其特征在于：步骤S1具体如下：

S1-1、定义三个优化目标：(1)乘客：接驾时间；(2)司机：收入最高；(3)平台：补贴最少；

S1-2、将n个乘客取值从p1…pn，其中f(pi)是对乘客i的接驾时间1≤i≤n；

将m个司机取值从d1…dm，g(dj)为司机接单的预期收益，1≤j≤m，成交的c个订单从o1…oc，平台补贴为该单使用的优惠券等折扣金额，记作h(ok)，1≤k≤c；

S1-3、优化的目标函数L＝Max(-∑f(oi)/c)、Max(∑g(oj))、Max(-∑h(ok))；

其中对于未成单的乘客、司机，其f(p)＝0,g(d)＝0；满足该目标函数的情况下找到集合S，S的元素定义为司机和乘客对，如(pi,dj)表示乘客i和司机j成单，其中pi和dj在S中只出现一次。

3.根据权利要求1所述的一种基于多目标遗传算法的司乘派单最优化方法，其特征在于：步骤S2具体为：族群内初始解w个，采用启发式搜索，每个初始解先对d1…dn用洗牌算法进行洗牌，然后针对洗牌后的d，逐个寻找最近的乘客，规则为最近3公里，本次未被选中的乘客p，生成匹配对(p,d)放入集合Sk中，1≤k≤w，S1…Sk即为初始族群。

4.根据权利要求1所述的一种基于多目标遗传算法的司乘派单最优化方法，其特征在于：步骤S4具体如下：

S4-1、标记非支配个体；

S4-2、指定虚拟适应度值；

S4-3、计算共享适应度；

其中，在NSGA算法中，非支配层的个体Si和个体Sj的欧几里得距离计算方法为：对个体S抽象为三维特征：-∑f(oi)/c、∑g(oj)、-∑h(ok)，对这3个特征归一化后，计算个体Si和个体Sj的欧几里得距离。

5.根据权利要求1所述的一种基于多目标遗传算法的司乘派单最优化方法，其特征在于：步骤S5具体为：按适应度概率对2w个解，选择w次，选择出w个解参，保持种群的稳定在父代w个；所有个体的适应度，即为该个体的选择概率，也就是个体Sk的每次选择概率，为ps(Sk)＝e(Sk)/∑e(Sk)，1≤k≤2w。

6.根据权利要求1所述的一种基于多目标遗传算法的司乘派单最优化方法，其特征在于：步骤S6具体如下：

S6-1、对父代执行w次随机选择2个个体，对每对个体执行交叉操作，生成w对子代个体；

S6-2、定义(Skp,Skd)(1≤kp≤w，1≤kd≤w,i≠j)的交叉操作具体过程为：

随机选择Skp中一个元素(pkp,dkp)；

若在Skd在中找到含dkp的元素(pkd,dkp)，Skp中的元素(pkp,dkp)被(pkd,dkp)替代，Skd中的元素(pkd,dkp)被(pkp,dkp)替代；

若在Skd在中未找到含dkp的元素，则此次交叉不做操作；

若Skp中pkd已存在，此时替换冲突，于替换完成后解决冲突，解决冲突方法为：找到pkd对应的司机d，对Skp的(pkd,d)和Skd重复进行按司机进行替代的操作，直到不再冲突为止；

若Skd中pkp已存在，此时替换冲突，于替换完成后解决冲突，解决冲突方法为：找到pkp对应的司机d，对Skd的(pkp，d)和Skp重复进行按司机进行替代的操作，直到不再冲突为止。

7.根据权利要求1所述的一种基于多目标遗传算法的司乘派单最优化方法，其特征在于：步骤S7具体如下：

S7-1、对w对子代个体，执行w*β次变异操作，β为变异因子，对w*β个子代个体执行变异操作；

S7-2、定义Sk(1≤k≤w)的变异操作具体过程为：

随机选择Sk中一个元素(p，d)，找到p除d外的其他邻居集合Neighbour，满足约束条件3公里内，随机选择一个邻居neigh；

(p，d)由(p，neigh)替换；

若neigh已存在，则为替换冲突，于替换完成后解决冲突，解决冲突的方法为：在Sk中找到neigh对应的乘客pass，乘客pass对应的司机记作neigh(pass)，数据对(pass，neigh(pass))，对pass重复进行随机选择非neigh(pass)的司机进行替代的操作，直到不再冲突为止。