一种基于智能网联环境下新能源货车的优化调度方法与流程

1.本发明涉及新能源货车调度技术领域，尤其涉及一种基于智能网联环境下新能源货车的优化调度方法。


背景技术：

2.伴随着大宗货物“公转铁”的运输结构调整，长途公路运输需求逐步减少，新能源货车在短驳运输方面的优势使其需求量逐步增加，并较多应用与矿区、港口、钢厂、电厂等局部环境。基于v2x技术的智能网联平台及协议已经比较成熟，但尚未落地应用于所有的交通系统之中，而v2x技术落地场景之一是应用于在局部区域内运行的车辆。当车辆处于视觉盲区多、能见度差等环境时，传统车载产品难以清楚探测到环境的变化，保证车辆安全稳定的运行，而网联环境下通过v2x系统能够有效调度优化避免车辆行驶的安全隐患。
3.在新能源货车的调度问题上多采用智能仿生类算法，而粒子群算法因其高速得求解能力能够满足复杂动态环境与多约束条件下的问题求解被广泛应用。由于算法的快速收敛性使得其易陷入局部最优状态无法求得最优解，目前较多的针对其惯性权重进行改进，但多基于单智能体，未考虑环境变化和多智能体的状况，与此同时，求解时采用遗传思想的路径编码方法未能够考虑多智能体情况下的整体路径编码效率，进而近一步提升算法运行效率。


技术实现要素：

4.本发明的目的在于：为了解决上述问题，而提出的一种基于智能网联环境下新能源货车的优化调度方法。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种基于智能网联环境下新能源货车的优化调度方法，包括以下步骤：
7.a.由新能源货车的应用场景建立环境地图；
8.b.基于该环境地图建立新能源货车的调度优化模型，其中调度优化模型包括以新能源货车总的路径长度和新能源货车总的路径平滑度，以及约束条件；
9.c.采用粒子群算法对b步骤中的调度优化模型进行求解，其中粒子群算法包括改进的惯性权重，“先验性”的路径编码，以及v2x系统动态的环境感知；
10.d.判断c步骤中的动态环境感知检测应用环境是否发生变化；
11.e.若环境发生变化则障碍信息输入得到粒子群的更新中，反之则不输入；
12.f.在c步骤，d步骤，e步骤的基础上由粒子群算法求得的解集结合场景下的实际需求能够得到应用场景下的新能源货车的优化调度最佳方案。
13.优选地，所述a步骤中的环境地图包括栅格法建图与序号法对栅格地图进行编号。
14.优选地，所述序号法的编号公式为：
15.16.其中mod为取余运算，ceil向正无穷大取整运算，i为栅格序号，n
x
每行个数，ny每列个数，其中n＝n
x
·
ny。
17.优选地，所述b步骤中的调度优化模型为：
18.min f(x)＝(f1(x),f2(x))
[0019][0020]
其中，f1是以总路径长度为优化目标，f2是以总路径平滑度为优化目标，n为新能源货车的辆数，m为每辆新能源货车对应的路径的段数g
kj
与g
k(j 1)
为栅格图中相邻的两个栅格，θ为当前路径点与上一路径点和下一路径点所组成的夹角，g
kj
当前所在栅格位置。
[0021]
优选地，所述b步骤中的约束条件为：
[0022][0023]
其中pa与pb为同一时刻相邻的两辆新能源货车，oc表示障碍物栅格的中心位置。
[0024]
优选地，所述c步骤中的改进的惯性权重为：
[0025][0026]
其中it为当前迭代次数，it
max
为最大迭代次数，w
max
与w
min
分别为惯性权重的最大和最小值，w
it
为当前的迭代值，rand(w
it
/w
max
)为扰动项。
[0027]
优选地，所述c步骤中的“先验性”的路径编码为；
[0028]
min g(θ)＝(θ1,θ2,θ3,lθn)；
[0029]
其中所述g(θ)为路径编码中基于当前路径位置在对下一位置的选择的最佳位置。
[0030]
优选地，所述c步骤中的v2x系统动态的环境感知为：
[0031][0032][0033]
其中n＝1,2,3l n，n为决策空间维数即新能源货车的数量,与表示在种群进行到第t次迭代时，编号为i的粒子在当前迭代中的第n辆新能源货车上的求解时粒子的速度与位置，速度是表示该粒子保持其上次迭代时求解的运动趋势，而位置表示该粒子在该次迭代时在该辆新能源货车的解，其形式为r1＝{r
11
,r
12
,l,r
1m
}，r1是引入“先验性”路径编码后的得到的，与分别为个体和全局最优值，其形式与r1相同，λ1与λ2为学习因子，表示自我(个体)学习与社会(全局)学习的因数，其为[0,1]上的随机数，和为下
一次迭代时的速度与位置，为v2x系统所获取到的信息，而对n辆新能源货车通过算法最终求得非支配解集的中单个最优解其形式为rr＝[r1,r2l rn]。
[0034]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0035]
本发明中在指数递减惯性权重的基础上增加随机惯性权重值作为扰动项，使惯性权重呈非线性递减，降低系统陷入局部最优的风险；并设计“先验性”路径编码的方式，优化路径编码，提高算法的求解效率，提高新能源货车运行的效率。
附图说明
[0036]
图1示出了根据本发明实施例提供的栅格地图的示意图；
[0037]
图2示出了根据本发明实施例提供的以总路径长度为优化目标的示意图；
[0038]
图3示出了根据本发明实施例提供的以总路径平滑度为优化目标的示意图；
[0039]
图4示出了根据本发明实施例提供的栅格地图中新能源货车移动方向示意图；
[0040]
图5示出了根据本发明实施例提供的“先验性”路径编码示意图；
[0041]
图6示出了根据本发明实施例提供的简易环境下2辆新能源货车仿真结果图；
[0042]
图7示出了根据本发明实施例提供的简易环境下2辆新能源货车仿真收敛曲线图；
[0043]
图8示出了根据本发明实施例提供的复杂环境下3辆新能源货车的仿真结果图；
[0044]
图9示出了根据本发明实施例提供的动态环境下的仿真结果图；
[0045]
图10示出了根据本发明实施例提供的优化调度方法示意图。
具体实施方式
[0046]
实施例1
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0048]
请参阅图1-10，本发明提供一种技术方案：
[0049]
一种基于智能网联环境下新能源货车的优化调度方法，在指数递减惯性权重的基础上增加随机惯性权重值作为扰动项，使惯性权重呈非线性递减，降低系统陷入局部最优的风险；并设计“先验性”路径编码的方式，优化路径编码，提高算法的求解效率。调度方法主要包括以下步骤：
[0050]
1.首先根据环境规模建立栅格地图，并通过序号法进行编号，完成后如图1所示，编号公式为：
[0051][0052]
其中mod为取余运算，ceil向正无穷大取整运算，i为栅格序号，n
x
每行个数，ny每列个数，其中n＝n
x
·
ny；
[0053]
在该环境地图中，由图2与图3所示，建立新能源货车的调度优化模型，图2中sk为新能源货车的出发位置，gk为新能源货车的终点位置，r
k1
,r
k2
,r
k3
,l r
km
为单辆车的运输路
线中的路径段的长度，图3中θ为当前路径点与上一路径点和下一路径点所组成的夹角，从而建立如下模型：
[0054]
min f(x)＝(f1(x),f2(x))
[0055][0056][0057]
其中，f1是以总路径长度为优化目标，f2是以总路径平滑度为优化目标，n为新能源货车的辆数，m为每辆新能源货车对应的路径的段数g
kj
与g
k(j 1)
为栅格图中相邻的两个栅格，θ为当前路径点与上一路径点和下一路径点所组成的夹角，pa与pb为同一时刻相邻的两辆新能源货车，oc表示障碍物栅格的中心位置，g
kj
当前所在栅格位置。
[0058]
2.根据建立的新能源货车的调度优化模型对其进行求解，降低求解过程中陷入局部最优解的风险，改进后使其呈非线性递减的惯性权重进行改进后参与到粒子群的更新中，其公式如下：
[0059][0060]
其中it为当前迭代次数，it
max
为最大迭代次数，w
max
与w
min
分别为惯性权重的最大和最小值，w
it
为当前的迭代值，rand(w
it
/w
max
)为扰动项。
[0061]
3.在进行求解的过程中通过路径编码的方式存储路径点信息，已知目的位置的前提下提出“先验性”路径编码的方式，加快编码速度，其表示如图4所示，其表达公式如下：
[0062]
min g(θ)＝(θ1,θ2,θ3,lθn)；
[0063]
其中g(θ)为路径编码中基于当前路径位置在对下一位置的选择的最佳位置，图4中虚线表示目标位置，实线箭头为下一路径点可以选择的位置，θ为相应夹角。
[0064]
4.图5新能源货车在栅格地图中的移动方向，图中圆圈表示处于当前位置，而在粒子群进行更新时加入v2x系统检测到的环境信息，有效应对动态环境的变化给新能能源货车的运行带来的隐患，其公式如下：
[0065][0066][0067]
其中n＝1,2,3l n，n为决策空间维数即新能源货车的数量,与表示在种群进行到第t次迭代时，编号为i的粒子在当前迭代中的第n辆新能源货车上的求解时粒子的速度与位置，速度是表示该粒子保持其上次迭代时求解的运动趋势，而位置表示该粒子在
该次迭代时在该辆新能源货车的解，其形式为r1＝{r
11
,r
12
,l,r
1m
}，r1是引入“先验性”路径编码后的得到的，与分别为个体和全局最优值，其形式与r1相同，λ1与λ2为学习因子，表示自我(个体)学习与社会(全局)学习的因数，其为[0,1]上的随机数，和为下一次迭代时的速度与位置，为v2x系统所获取到的信息，而对n辆新能源货车通过算法最终求得非支配解集的中单个最优解其形式为rr＝[r1,r2l rn]。
[0068]
图6中的起始位置为sk＝[41,363]，目标位置为gk＝[359,220]，其仿真结果如图6所示。
[0069]
在图6的参数下的种群收敛曲线如图7所示，多车辆，复杂环境下新能源货车的运行状况如图7所示，图8中载点的位置分别为sk＝[1,6,16]，卸载点的位置和gk＝[385,389，393]。
[0070]
当环境由静态转换为动态时，通过v2x技术感知环境信息，图9的路径是{4
→
359}，在{254}位置时，{255,275}突变为障碍栅格，该信息及时的通过v2x系统被感知到，则虚线路径为无效路径，有效避免突发情况带来的运行效率下降。
[0071]
在4步骤中涉及的非支配解的关系是由pareto支配(占优)实现的。
[0072]
实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。