买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：扬州大学

摘要：本发明公开了一种基于遗传算法的公交安全运营排班优化方法，预先获取包括驾驶员人口统计学数据、驾驶员排班信息数据等基础数据集；提出基于驾驶员自身属性的安全评价方法，以驾驶员的自身属性特征作为评价指标，采用基于熵权法的TOPSIS方法对驾驶员自身属性的运营安全性进行打分评价；基于预警频率与工作时段、天气条件的关系定量分析驾驶员工作时段、天气条件安全性；根据驾驶员自身属性、工作时段、天气条件的安全性评分归一化数据，构建公交驾驶员排班调度优化模型；利用遗传算法通过交叉、变异操作获得最优的排班调度方案。本发明综合考虑了影响公交驾驶员安全驾驶的因素，展现了如何高效、合理的排班调度，提高了驾驶员个体和公交运营整体的安全性。

主权项：1.一种基于遗传算法的公交安全运营排班优化方法，其特征在于，包括以下步骤：1预先获取包括驾驶员人口统计学数据、驾驶员排班信息数据、车辆预警信息数据以及天气数据的基础数据集；2提出基于驾驶员自身属性的安全评价方法，以驾驶员的自身属性特征作为评价指标，采用基于熵权法的TOPSIS方法对驾驶员自身属性的运营安全性进行打分评价；3基于预警频率与工作时段、天气条件的关系定量分析驾驶员工作时段、天气条件安全性；4根据驾驶员自身属性、工作时段、天气条件的安全性评分归一化数据，构建公交驾驶员排班调度优化模型；5利用遗传算法通过交叉、变异操作获得最优的排班调度方案；所述步骤2包括以下步骤：21将驾驶员各个指标的数据进行标准化处理，令评价指标Xi＝{x1,x2,...,xn}表示为选取的n个驾驶员安全驾驶性的评价指标，Y1,Y2,……,Yn为各项指标数据标准化后的值，其标准化公式为： 22求各项指标的信息熵Ej，其信息熵Ej具体处理过程为： 其中，pij表示指标j出现的概率，如果pij＝0，则定义23计算驾驶员的性别、驾龄、预警类型的指标权重Wi，其n项指标权重Wi为： 24基于熵权法确定驾驶员的各项自身属性的指标权重后，构建TOPSIS模型分析多项指标、多个驾驶员的自身属性安全性评分；所述步骤24包括以下步骤：241根据i个目标驾驶员与j个评价指标构建初始矩阵其中a表示第i个驾驶员的第j项指标；并对原始数据进行归一化处理，归一化后的数据的处理过程为： 242根据熵权法计算的驾驶员自身属性的各项指标权重，构造加权归一化矩阵其具体处理过程为： 其中，wn为第n个指标的权重；243根据加权矩阵Z判断正负理想解Z+,Z-： 其中，zij为第i个目标驾驶员与j个评价指标加权归一化后的值，J*是效益性指标集，J′是成本型指标集；244计算各个驾驶员自身属性到正理想点的距离Si+和负理想点的距离Si-： 245计算各个驾驶员自身属性的相对贴近度Ci： 将各个驾驶员自身属性相对贴近度按大小进行排序，值越大越好；所述步骤3实现过程如下：将一天划分成“凌晨”、“上午”、“中午”、“下午”、“晚上”五个时间段，通过统计得出各个时间段驾驶员的预警次数；其次分析驾驶员的预警数据与排班时段的关系，确定预警数量和已经划分的五个时间段的关系；接着将时间段细分成24小时时间段，计算各时段单位发车内的各项预警次数，除以总次数之后得到预警的频率；最后依据每一个时间段的预警频率，给该时间段进行赋分；选取一段时间内驾驶员的预警数据与相应天气类型数据；统计驾驶员在不同天气情况下的预警次数；接统计驾驶员在该时间内每种天气的发车次数，除以总次数之后得到每位驾驶员天气预警的频率；依据每种天气的预警频率给每位驾驶员进行赋分；所述步骤4公交驾驶员排班调度优化模型的约束条件为： 建立以安全度最高为目标的目标函数为： 其中，i为驾驶员序号；j为班次组合序号；Xij为第i个驾驶员完成第j个班次组合的任务安排，为0-1变量；当Xij＝1时，表示由第i个驾驶员完成第j个班次组合；当Xij＝0时，表示不由第i个驾驶员完成第j个班次组合；Sij为驾驶员i完成班次组合j任务时的自身属性评分；Tij为驾驶员i完成班次组合j任务时的时间段评分；Wij为驾驶员i完成班次组合j任务时的天气评分；q1，q2，q3分别代表用熵权法确定的自身属性、工作时段、天气条件评分的权重占比；所述步骤5包括以下步骤：51初始种群编码，编码方式采用二进制编码方式，生成种群规模为POP，染色体编码长度为PRECI*M的初始二进制编码种群InitPopBinary；将二进制编码种群InitPopBinary转化为实数数组InitPop，其大小为POP*M，其具体转化公式为： 52根据驾驶员自身属性评分、工作时段评分、天气条件评分进行综合加权构建适应度函数，将工作时段评分与天气条件评分正向化： 其中，Uij为第j个驾驶员的工作时段评分，Vij为第j个驾驶员的天气条件评分，Max1为Uijj＝1,2,…,n中的最大值，Max2为Vijj＝1,2,…,n中的最大值；使用MinMaxScaler进行数据归一化，使驾驶员的自身属性评分、工作时段评分与天气条件评分在同一纬度上，且数值区间在[0,1]内，其具体处理过程为： Xscaled＝Xstd＊max-min+min其中，X为要归一化的数据，通常是二维矩阵；X·minaxis＝0为每列中的最小值组成的行向量；X·maxaxis＝0为每列中的最大值组成的行向量；max为要映射到的区间最大值，默认是1；min为要映射到的区间最小值，默认是0；Xstd为标准化结果；Xscaled为归一化结果；53计算编码序列的选择概率，首先将上一代种群中适应性最强的驾驶员保留，然后通过轮盘赌法，以选择概率为权重，挑出剩下的驾驶员，其中对于每个驾驶员si选择概率计算具体处理过程为： 其中，psi为选择si驾驶员的概率，fsi为si驾驶员的适应度；54通过选择留下的驾驶员进行交叉的概率为Psel，随机选取一个节点，将交叉双方该节点后的部分进行交换；55利用较小的变异概率Pmig对子代种群进行变异操作，随机选取驾驶员的两个节点，将节点中的驾驶员顺序颠倒；56检查是否达到算法终止条件的最大遗传代数Gen，如果达到则执行下一步，否则返回53；57取得适应度最高的染色体编码，将其转化为实数；58根据得到的最优排班的有序序列还原最优排班顺序，结束。

全文数据：

权利要求：

百度查询： 扬州大学 一种基于遗传算法的公交安全运营排班优化方法