基于群集智能優化算法的城市共享單車優化分布研究

戴麗

摘要：針對城市共享單車優化分布問題，以昆明市ofo小黃車為例，對共享單車停放地區數量分配問題構建模型，為共享單車資源優化配置提供理論依據。采用細菌菌落優化算法，即一種基于群集智能優化算法的仿生隨機優化算法，用于解決城市共享單車停放地區數量分布問題。該算法為解決共享單車數量分布問題提供了一種新途徑。

關鍵詞：群集智能優化算法；細菌菌落優化算法；共享單車；分布研究

中圖分類號：F572；F724.6 文獻標識碼：A 文章編號：1007-9416（2018）08-0117-02

隨著科技的不斷進步，經濟的多元發展，人類的生活需要，綠色、環保、便捷和安全出行的共享單車融入了人們的日常生活，既是機遇也是挑戰。共享單車是一種“互聯網+”的產物，是一種新型共享經濟，是一種新型的交通工具租賃業務-自行車租賃業務。隨著共享單車數量的增長，無論是用戶或城市管理者，都對共享單車的運維水平提出了更高的要求，這也推動著共享單車企業要持續打造更加智能化、精細化的運營管理。ofo小黃車擁有全球最大的共享出行大數據平臺——ofo“奇點”大數據系統。用大數據平臺共同打造更智慧的城市出行運營體系，推動智慧城市出行變革。共享單車管理的癥結在于重點區域車輛的實時停放和流轉速度，因此共享單車停車設施規劃主要從停車設施空間布局及容量調配兩方面進行考慮[1]。細菌菌落優化算法[2]是一種模擬細菌菌落進化過程的群集智能優化算法，該算法具有良好的搜索能力，較好的穩定性以及魯棒性，收斂速度快等優點，特別是，該算法提供了一種自然結束準則。本文根據細菌菌落優化算法的優點，用于解決停放地區數量配置的問題。

1 模型建立

根據共享單車使用時間的時段情況，采用動態調度方式[3]建模。目標是能夠使成本最小，在此情況下使整個城市共享單車的數量分布盡量達到最優分布狀態。將城市共享單車停放的地方劃分為各個地區。

某地區共享單車的供給量為：

上式中，Ai為i地區提供共享單車的供給量（Ai<0時，存在需求），Pi為i地區的借車量，Ii為i地區的還車量，m為地區總量，Tik為i地區向k地區的調度共享單車數量，Fki為k地區向i地區的調度共享單車數量，cik為i地區向k地區調度的費用，Cki為k地區向i地區調度的費用。約束條件為（4）。

2 基于細菌菌落優化算法的可行性分析

細菌菌落優化算法的特點是具有仿生的進化機制，除了可以采用算法中的精度、迭代次數等作為結束準則，還可以在無外界條件的前提下，算法自然結束，即自然結束準則。該算法的主要思想是：在解空間中初始放置單個或少量個數的細菌個體在培養基上，模擬細菌菌落的演化過程，設計前進和停留兩種運動方式，制定細菌個體死亡和繁殖的進化機制，細菌菌落數量是動態發展的，算法在細菌菌落消失后自然結束。

文[4]采用常用的基準測試函數作為優化對象，驗證了細菌菌落優化算法的有效性，算法通過改進可達全局最優。文[5]提出一種混合的離散細菌菌落優化算法，該算法具有平衡全局尋優以及局部精確搜索的能力。文[6]將細菌菌落優化算法用于電力系統無功優化問題，實驗結果表明，該算法較其它算法具有較強的全局尋優能力，收斂速度快，魯棒性好。因此，可以用該算法解決共享單車停放地區數量配置問題。

3 基于細菌菌落優化算法的模型求解

根據騎行行為的日特征[1，7]，城市各個地區的共享單車使用會出現早高峰和晚高峰的時段特征，即早高峰為7點到10點，晚高峰為17點到20點。根據居民騎行需求的峰值，確定小黃車ofo的最大投放量，重點分析峰值時間段特征，解決騎行設施供需承壓時間段問題。

求解城市各地區共享單車數量分布問題的細菌菌落優化算法步驟如下：

Step1：初始化。初始細菌位置，即高峰時間段城市各地區的共享單車數量，設定初始種群N，最大種群規模S，個體最長壽命NL，繁殖條件NP，各個系數。

Step2：評價適應度值，即計算目標函數值，記錄細菌個體的最優位置，群體當前的全局最優解值及位置。

Step3：基于細菌目標函數值的優劣，計算細菌年齡并進行分類操作。

Step4：對正常細菌，執行進化機制操作，更新細菌位置，評價每個細菌的適應度值，更新個體最優值及位置；淘汰達到死亡條件的細菌個體。

Step5：達到繁殖條件的細菌，執行繁殖操作，評價適應度值，更新群體全局最優值及位置。

Step6：對群體當前全局最優位置執行隨機搜索策略，更新群體全局最優值及位置。

Step7：若細菌菌落數量為零，則算法結束，否則轉Step2。

4 結語

本文根據共享單車使用時間段特征，采用動態調度方式建模，確定目標函數。基于細菌菌落優化算法具有收斂速度快，魯棒性好，具有較強的全局搜索能力，能平衡該算法的局部搜索和全局尋優能力，算法收斂后自然結束，可以用于該模型問題的求解。將智能優化算法用于解決共享單車優化分布問題是一種新途徑。

參考文獻

[1]鄧力凡，謝永紅，黃鼎曦.基于騎行時空數據的共享單車設施規劃研究[J].規劃師，2017，33（10）：82-88.

[2]李明，楊成梧.細菌菌落優化算法[J].控制理論與應用，2011，28（2）：223-228.

[3]郭海富，喻永生，羅瑜.基于共享單車時間分布優化調度模型[J].科技視界，2018，（7）：101+129.

[4]李明.模擬細菌菌落進化過程的群體智能算法[J].系統仿真學報，2013，25（2）：251-255.

[5]宋德邏，孔德福，李明.一種混合的離散細菌菌落優化算法[J].計算機應用研究，2014，31（2）：358-360.

[6]簡獻忠，李瑩，周海，等.基于細菌菌落算法的電力系統無功優化[J].控制工程，2014，21（6）：935-938.

[7]段文欣.基于BP神經網絡的共享單車時空分布模型[J].中國戰略新興產業，2018，（4）：23.