一种基于非线性时空阻抗与动力学MOPSO的充电无人车柔性调度方法

摘要: 本发明涉及无人车调度领域,具体涉及一种基于非线性时空阻抗与动力学mopso的充电无人车柔性调度方法。背景技术:1、在智能时代,无人车领域与工业,运输业的交集运用...
一种基于非线性时空阻抗与动力学MOPSO的充电无人车柔性调度方法

本发明涉及无人车调度领域,具体涉及一种基于非线性时空阻抗与动力学mopso的充电无人车柔性调度方法。

背景技术:

1、在智能时代,无人车领域与工业,运输业的交集运用越来越广泛。随着电动汽车保有量的快速增长,充电无人车调度行业也逐渐铺开,通过移动充电无人车的主动指派,进一步解决用户各种类型的电车充电需求。在移动充电任务的柔性指派中,技术挑战与逻辑在于在确保电池物理余量绝对安全的前提下,实现极小化时空阻抗的车辆匹配与路径规划。同时,物理世界的真实路网要求小车的连续行驶轨迹必须通过保角映射,收敛于合法的离散有向图流形之上,属于受极强物理约束的连续-离散混合np-hard调度问题。

2、现有技术大多依赖固定拓扑的静态中转点策略,无法自适应规避复杂路网中的动态拥堵、风险禁行区等时空壁垒,无法兼顾时间、能耗与调度复杂度的多维博弈。现有移动充电系统所使用的粒子群优化算法pso在处理高维离散图映射时,由于缺乏数学收敛边界,会引发速度爆炸或拓扑死锁状态。速度爆炸会导致调度服务器在面对海量并发请求时,因计算发散、内存溢出或响应超时而面临瘫痪可能;另一方面,拓扑死锁会输出非法的物理轨迹,导致无人充电小车被错误指派至死胡同、单向逆行区或重度拥堵路段且无法自行规划逃逸路线。这不仅会使车辆在无效的反复启停与绕路中耗尽电池余量,也会进一步增加安全事故风险,导致订单延误。

技术实现思路

1、发明目的:为解决背景技术中提到的问题,本发明公开一种基于非线性时空阻抗与动力学mopso的充电无人车柔性调度方法,通过在底层架构上采用基于连续载体与离散流形映射相结合改进的动力学多目标粒子群优化(mopso)框架,启用多个可变中转路径节点,结合李雅普诺夫(lyapunov)绝对收敛边界严格约束的强收缩因子与时变学习因子相耦合的二阶连续动力学更新机制,降低算法在复杂图惩罚映射过程中的高频震荡与速度发散风险,达成高效、高鲁棒、具备毫秒级情境响应能力的无人充电小车柔性指派与调度方案。

2、本发明公开一种基于非线性时空阻抗与动力学mopso的充电无人车柔性调度方法,方法步骤如下:

3、s1构建引入坡度高程的时空图网络,通过随机过程模拟微观交通流下的动态车速,初始化无人充电小车连续坐标并映射到时空图网络合法节点,拼接成完整路径,获取初始粒子位置;

4、s2基于路径定义构建目标函数,采用改进mopso算法对粒子群进行迭代演化:利用连续动力学二阶微分方程对粒子位置进行多目标受控演化寻优,速度更新引入满足李雅普诺夫绝对收敛条件的强收缩因子,并结合基于玻尔兹曼接受概率的模拟退火变异机制判定粒子更新,逃逸局部拓扑死锁;

5、s3将非支配解存入外部存档并剔除超载冗余解,为寻优种群动态指定全局最优引导者,迭代后输出pareto前沿解集,基于信息熵和偏好动态加权结合模糊隶属度评分选出最优调度方案。

6、进一步地,s2所述基于路径定义构建目标函数,即对生成的完整路径构建异构非线性目标泛函张量,目标包括考虑排队论阻抗的到达时间目标、考虑电池非线性放电效应的能耗目标以及基于连续平滑逼近的中转复杂度目标。

7、进一步地,所述异构非线性目标泛函张量包含到达时间模型、耗电模型以及中转复杂度模型,所述到达时间模型具体为:

8、沿着生成的连续道路节点序列,计算每一段相邻节点间道路的行驶时间与交叉口等待时间之和。其中行驶时间为该段道路的物理长度除以该段在当前实际时刻的动态允许车速;交叉口等待时间为该节点处的预期排队延迟。将所有路段的这两部分时间累加,得到该方案的总到达时间;

9、所述耗电模型具体以为:

10、计算基础能耗:对每一段道路,将基准单位距离能耗乘以该段的路况衰减系数再乘以道路长度,求和得到全程基础耗电;加入阶跃惩罚项:如果上述基础耗电总量超过车辆当前电池余量,则取值无穷大,否则,最终耗电值为基础耗电与惩罚之和;

11、所述中转复杂度模型具体为:

12、预先设定最大允许的中转点数量,对每个潜在中转点位置,定义一个连续变量,该变量经过sigmoid函数映射到区间,将此映射值与一个服从均匀分布的随机数比较:若大于随机数,则示性函数计为1,否则为0,对所有个潜在中转点进行上述判断并求和,获取到中转复杂度。

13、进一步地,s2所述连续动力学二阶微分方程的离散化位置与速度更新具体如下:

14、

15、

16、式中,与分别为中转节点连续载体在第t次迭代时的飞行速度向量与空间位置向量,为随机数,为个体历史最优位置,为全局最优引导向导位置。

17、进一步地,s2所述满足李雅普诺夫绝对收敛条件的强收缩因子的解析约束条件为:,其中

18、式中,与为时变认知项与社会项学习因子。

19、进一步地,s2基于玻尔兹曼接受概率的模拟退火变异机制判定粒子更新的具体方式为:

20、当监测到个体历史最优位置连续停滞次数超过设定阈值时,向当前位置注入带有levy飞行的随机扰动产生新位置向量,并基于玻尔兹曼接受概率 决定是否接受该新位置向量;

21、基于玻尔兹曼概率 的判定逻辑为:计算新旧位置的目标退化能量级差,若,无条件接受新位置向量;若,则生成的均匀随机数,仅当随机数时接受该劣解,否则拒绝。

22、进一步地,s3所述基于马哈拉诺比斯广义拥挤度剔除超载冗余解,利用目标协方差张量计算对应非支配解的马哈拉诺比斯广义拥挤度:

23、当外部存档容量超过最大限制时,计算目标空间的协方差张量,获取第个非支配解的拥挤度距离:

24、

25、式中,为目标维度索引,,为在第维度上排序后空间位置紧邻第个解的前后评估值,为该维度的最大与最小边界值,依据拥挤度距离剔除数值最小的拥挤解。

26、进一步地,s3所述基于信息熵和偏好动态加权结合模糊隶属度评分的评分逻辑如下:

27、采用高斯隶属度函数映射第个备选方案在第个评价指标上的单项满意度,结合动态耦合权重计算综合效用得分;

28、动态耦合权重计算逻辑如下:

29、提取所述pareto前沿解集中所有备选方案在异构非线性目标泛函张量的评估矩阵,对矩阵进行归一化处理得到概率矩阵,计算第个评价指标的客观信息熵,计算各指标的差异度系数并进行归一化,得到客观信息熵权重;

30、定义当前充电指派任务的时空窗紧急度因子,根据所述紧急度因子动态调整到达时间指标、耗电模型指标与中转复杂度指标的初始业务权重基准,得到随时间变化的业务偏好权重向量;利用所述客观信息熵权重对所述业务偏好权重进行自适应修正,输出最终的动态耦合权重。

31、有益效果:

32、1.本发明将城市道路抽象为携载非线性时空阻抗的有向图,通过连续载体与离散流形映射结合的方式,自适应启用0至3个可变中转点。这一机制提升了对城市异构拓扑空间的适配性,不仅能动态规避障碍,还通过控制中转复杂度在物理执行层面保障了行车轨迹的平顺性与安全性。

33、2.本发明引入了受李雅普诺夫收敛边界约束的强收缩因子,并与时变学习因子相耦合形成二阶连续动力学更新机制。该机制能够有效吸收算法在跨越较大路网节点跨度时的过大动能,进一步降低了在复杂图惩罚映射过程中的高频震荡风险,促使移动充电任务在面临高并发请求时保持平滑收敛。

34、3.本发明引入了电量越限的阶跃惩罚函数,一旦预估总耗电超出当前电池余量,则在物理法则层面对高耗能路线予以规避,降低了无人车中途抛锚的事故风险。,结合模拟退火机制与马哈拉诺比斯距离存档截断,赋予了算法穿透局部极小值势阱的物理逃逸能力,防止寻优种群陷入拓扑死锁或扎堆引发新的拥堵情况。

35、4.本发明在最终调度方案输出阶段,引入高斯模糊隶属度函数,结合客观信息熵与云端实时下发的动态业务权重计算综合效用得分。实现物理路网寻优与顶层业务决策的有效解耦。仅需下发新权重,无需重新运算庞大的路网,即可从pareto备选库中锁定综合得分较高的车机与路线执行调度任务,赋予了无人充电小车高并发、规模化场景下更优的柔性响应能力。