[发明专利]一种基于人工蜂群算法的通勤私家车拼车匹配方法

说明书

本发明涉及一种基于人工蜂群算法的通勤私家车拼车匹配方法，属于数据算法处理技术领域，特别是通勤私家车拼车匹配方法技术领域。本方法通过对人工蜂群优化算法进行改进，重新设计蜜源和适应度规则，将每辆通勤车的出发时间作为蜜源的每一个维度，出发时间的区间作为蜜源的变化区间，以车辆拼车后所节约的路径长度作为适应度，使其有更强的搜索能力和开发能力。本方法根据车辆RFID电子车牌标识数据，统计得到通勤私家车出行行程和通勤私家车出行行程子序列，可以提高实验效率，降低复杂度，此方法参数少，效率高，效果好，比其他方法可以节省更多的路程，使更多的私家车进行匹配，解决方案更好。

技术领域

本发明属于数据算法处理技术领域，特别是通勤私家车拼车匹配方法技术领域，涉及一种基于人工蜂群算法的通勤私家车拼车匹配方法。

背景技术

近年来，随着经济的快速发展，私家车保有量越来越多。尤其在早晚高峰时期，大量的通勤私家车不仅引起城市交通拥堵，也造成了环境污染。尽管普通私家车具有至少5人的承载能力，早晚高峰时期，通勤私家车空座率较高，一人一车现象普遍存在。数量多、空座率高的通勤私家车出行导致城市道路交通流量增加、交通资源浪费、增加了环境污染、出行成本增加。

早晚高峰时期通勤私家车拼车出行是解决上述问题的有效途径。通勤私家车匹配是通勤私家车拼车的关键问题。目前对拼车匹配的方法主要是传统数据挖掘的方法和群智能优化算法。传统的数据挖掘方法如贪心算法，根据匹配条件为每一辆车找到对其最优匹配的车辆。然而这个方法不能得到全局最优解，并且此方法搜索一次需要消耗很长的时间，时间复杂度高，效率很低。群智能优化算法也是普遍用于解决拼车匹配的方法，例如遗传算法，粒子群算法，爬山算法等，这些算法通过初始化种群和进化种群得到最优解，不仅参数少，效率高，搜索全面，从而得到全局最优解，但上述方法也存在搜索能力不足，效率不高的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工蜂群算法的通勤私家车拼车匹配方法，通过对人工蜂群优化算法进行改进，重新设计蜜源和适应度规则，将每辆通勤车的出发时间作为蜜源的每一个维度，出发时间的区间作为蜜源的变化区间，以车辆拼车后所节约的路径长度作为适应度，使其有更强的搜索能力和开发能力，此方法复杂度低，参数少，效率高，可以得到更优的解决方案。

为达到上述目的，本发明提供如下技术方案：

一种基于人工蜂群算法的通勤私家车拼车匹配方法，该方法包括以下步骤：

S1、统计通勤车辆的通勤行程和出发时间区间，统计各行程的子序列路径，并全部存入数据库中；

S2、确定人工蜂群算法的输入：种群大小s、根据通勤车数量确定蜜源解的维度M、蜜源数即种群大小s、侦察蜂个数即为蜜源的个数s、迭代次数n、最大尝试次数maxInvalidCount；

S3、初始化时期：对种群进行初始化，利用侦察蜂初始化蜜源向量其中s为种群的大小；由于每个蜜源都是一个待优化问题的维度为M的解向量，因此每个都含有M个变量x_j(j＝1,2,…M)，将每个x_j初始化；蜜源向量初始化完成以后，根据适应度计算规则计算蜜源的每个解向量的适应度值，并记录下最优解和最优解的解向量，即完成种群初始化；

S4、雇佣峰时期：雇佣蜂会依据其记忆中的食物源的位置进行邻居搜索，找食物源附近的更好的食物源；当雇佣蜂找到一个食物源之后，会评估其适应值，并更新最优解，最优解向量和尝试次数；

S5、观察蜂时期：非雇佣蜂由两部分群体组成：观察蜂和侦察蜂；雇佣蜂会向在蜂巢中等待的观察蜂来分享它们获得的食物源信息，观察蜂会根据这些信息进行一种随机的选择；

S6、侦察蜂时期：未雇佣蜂随机搜索食物源，称为侦察蜂；如果雇佣蜂超过了最大尝试次数maxInvalidCount之后，仍然未能提高解的质量，则雇佣蜂就变成为侦察蜂，其拥有的解就会被放弃，转换后的侦察蜂会以用蜜源初始化公式产生解；