Optimization for Joint Relocation of Carsharing Based on Modular Simulation
-
摘要:
运营商在调度车辆时单独采用员工或顾客调度策略均难以有效解决共享汽车分布不均衡导致的盈利难问题. 为此,在传统时空网络基础上,考虑道路拥堵和用车需求随时间变化对运营的影响,基于C# 语言和O2DES (object-oriented discrete event simulation)离散事件仿真框架,建立由模块化站点和路段模型组成、可高效率运行的共享汽车仿真系统;在此基础上,提出一个以运营商日均净收益最大化为目标,联合决策车辆库存量阈值和行程定价的仿真优化模型,并为解决随机环境下的全局优化问题,设计了EGA-OCBA (elitist genetic algorithm with optimal computing budget allocation)算法;最后,以成都市的5个共享汽车站点为例,验证了仿真优化模型的有效性. 仿真优化结果表明:在相同车队规模下,与采用固定价格的顾客调度策略相比,联合策略可使日均净收益提升10.37%~162.30%;与单独的员工调度策略相比,联合策略可使日均净收益提升15.34%.
-
关键词:
- 共享汽车 /
- 离散事件仿真 /
- 动态定价 /
- 阈值触发调度 /
- 精英遗传算法(EGA) /
- 最优计算量分配(OCBA)
Abstract:It is difficult for operators to effectively solve the profitable difficulty caused by the imbalanced distribution of shared vehicles when considering staff-based and customer-based relocation alone. Thus, based on the traditional space-time network, the impact of time-varying road congestion and trip demands on the operation is considered. Based on C# language and O2DES (object-oriented discrete event simulation) framework, an efficient carsharing system model composed of modular station and road segment models is built. Moreover, a simulation-optimization model that jointly determines vehicle inventory thresholds and trip pricing is proposed to maximize the daily net revenue of operators. In order to solve the global optimization problem in a random environment, an elitist genetic algorithm (EGA) with optimal computing budget allocation (OCBA) is designed. Finally, a case study in Chengdu with five sites is conducted to demonstrate the efficiency of the proposed simulation-optimization model. The results show that with the same fleet size, the optimal design can increase the average daily net revenue by 10.37%−162.30% compared with customer-based relocation (fixed pricing); the optimized scheme can increase the profit by 15.34% compared with separate staff-based relocation.
-
在大功率高转速旋转机械系统中,主动磁悬浮轴承(AMBs)具有无摩擦、无润滑等优点,使得其得到了广泛的应用[1-4]. 然而,如何控制AMBs转子稳定悬浮于期望位置一直以来是一个重要问题. AMBs是一个典型的非线性系统,一般采用局部线性化的方法进行建模[5],进而应用线性控制或非线性控制对其进行精确控制[6]. 工程上一般采用PID控制[7-8],但AMBs在运行中会受到一些扰动,同时工况的改变会使得PID控制的鲁棒性大幅减弱. 因此,需要控制器自身具有较强的鲁棒性以克服AMBs系统的内扰和外扰,从而有效地提高其可靠性.
众多鲁棒控制算法中,滑模控制(SMC)具有适应性强、鲁棒性好、对未知参数和干扰不敏感、易于实现等优点,被广泛应用于包括AMBs在内的各种非线性系统. 然而,简单的滑模控制采用线性滑模函数,系统误差通常只能缓慢地渐近收敛,进而有学者采用基于动态非线性滑模函数的终端滑模控制方法,可以使得系统误差在有限的时间内实现快速收敛[9]. 文献[10]中提出的双滑模控制器用于对开关磁阻电机进行调速;文献[11]针对伺服电机系统设计了一种新的连续终端滑模控制器,能够有效提高系统的鲁棒性;文献[12]针对永磁直线同步电动机位置控制问题,采用非奇异快速终端滑模,从而使系统获得快速、精确的跟踪性能;文献[13]设计了滑模自抗扰控制器,实现了对AMBs的各自由度的解耦,减小了AMBs在高速运转下锥动对控制效果的影响;文献[14]在磁悬浮球系统中将自适应控制与终端滑模控制结合,以此来减小系统抖振,改善悬浮系统的动态性能;文献[15]在磁悬浮球系统中将广义比例积分观测器与终端滑模控制结合,避免切换函数增益过大,有效地减小了系统抖振.
除了对滑模函数的设计,趋近律也需要进行优化,传统趋近律的切换增益为常数,系统抖振的大小与切换增益的大小有关. 超螺旋趋近律把切换增益改为与系统状态有关的幂函数,同时还利用积分函数对切换函数进行处理. 因此,超螺旋趋近律能够使系统状态在滑模面附近平滑且切换增益较小,减小系统抖振[16-17]. WANG等[18]将超螺旋趋近律与非奇异快速终端滑模相结合(SNFTSMC),以实现减小抖振并加快系统误差收敛.
在AMBs系统中,传感器跳动、电磁场波动等外部因素经常会导致AMBs转子位置控制的精度受到影响,而且AMBs系统在建模过程中对系统做了线性化,也导致AMBs数学模型含有未建模部分. 虽然采用SNFTSMC能够抑制未建模部分和外部扰动带来的影响,但这需要增大切换增益,又会造成系统抖振. 因此,SNFTSMC在抑制抖振和扰动之间存在一定的矛盾. 此时,将未建模部分与外部扰动看作一个集总干扰,利用扩张状态感测器(ESO)对集总干扰进行观测,然后补偿给系统,这种方法在伺服系统中已经得到了广泛的应用[19-20]. 通常,线性ESO(LESO)参数易于整定,而非线性ESO(NESO)收敛精度高、鲁棒性强 [21-22].
因此,针对主动磁悬浮轴承转子位置控制中存在响应速度慢、抗干扰能力弱2个问题,本文采用SNFTSMC作为控制算法,并通过ESO对集总干扰观测并补偿到系统中. 由于LESO对于AMBs非线性系统观测效果较差,因此,本文采用了NESO观测器. 根据李雅普诺夫稳定理论证明了所提方法的稳定性,并通过仿真和实验验证了系统具有强的鲁棒性以及低抖振性能.
1. 单自由度AMBs系统模型
以径向单自由度的AMBs为研究对象,研究转子起浮运动. 单自由度AMBs系统通过传感器获得转子实际位移y;实际位移y与期望位置yr的误差e1输入到控制器中,控制器进行运算得到控制信号;之后,在与偏置信号进行差分;最后,将差分后的信号输送到功放器中产生相应的电流,电流被送到电磁铁线圈中,电磁铁产生吸力将转子吸引到期望位置. 具体工作原理如图1.
AMBs采用8级C型结构,根据麦克斯韦公式,2个磁极作用在转子上的电磁力为
f=μ0n2i2Acosα/l2, (1) 式中:i为线圈通入的电流,l为气隙长度,A为单个磁极截面积,μ0为真空磁导率,α为磁极之间夹角的一半,n为线圈匝数.
电磁铁对转子的控制方式为差动控制,在垂直方向上以(i0,y0)作为参考点,如图2. 当转子向上运动的位移为y时,转子与上方电磁铁之间的气隙间距变成y0−y,则上方电磁铁线圈输入的工作电流为i0−i;转子与下方电磁铁之间的气隙间距变成y0+y,下方电磁铁线圈输入的工作电流为i0+i,此时,在垂直方向上的合力为
f(i,y)=μ0An2[(i0−iy0−y)2−(i0+iy0+y)2]cosα. (2) 式(2)中将y、i作为参考点(i0,y0)的邻域,在参考点(i0,y0)处对f(i,y)进行泰勒展开,如式(3).
f(i,y)=kii+ksy+fR, (3) 式中:fR为高次项部分(也称未建模部分);ki、ks分别为电流刚度系数和位移刚度系数,如式(4)、(5).
ki=4μ0N2i0Acosα/y20,ks=4μ0N2i20Acosα/y30. (4) 将重力mg、未知扰动fd都考虑到系统中,则系统的状态方程为
{y=y1,˙y1=y2,˙y2=b0i+a0y1+d, (5) 式中: a0为位移增益,a0=ki/m;b0为位移增益,b0=ks/m;d为集总干扰,d=(fR + fd−mg)/m.
2. SNFTSMC设计
2.1 SNFTSMC设计
基于磁悬浮转子系统的数学模型,设计了非奇异快速终端滑模函数结构,具体表达式如式(6),相应结构如图3.
s=e1+k1|e1|asign(e1)+k2|e2|bsign(e2), (6) 式中:k1、k2、a、b为调节系数,k1>0,k2>0,1<b<2,a>b;e1=y1−yr,e2=˙y1−˙yr.
滑模面为滑模函数s=0,令式(6)为0,得到
0=e1+k1|e1|asign(e1)+k2|e2|bsign(e2). (7) 设误差e1从初始值e1(0)收敛到0所用的时间为tf,对式(7)进行求解,得到tf的解为[11]
tf=∫|e1(0)|0k1/b2(e1+k1xa)1/bde1=b|e1(0)|1−1/bk1(b−1)×F(1b,b−1(a−1)b;1 + b−1(a−1)b;−k1|e1(0)|a−1), (8) 式中:F(·)为高斯几何函数.
对式(6)求导为
˙s=e2+ak1|e1|a−1e2+bk2|e2|b−1˙e2. (9) 忽略式(5)中集总干扰d,˙s=0,可以得到等效控制器为
ieq=1b0(¨yr−a0y1−1bk2|e2|2−b(1+ak1|e1|a−1)sign(e2)). (10) 为了加快趋近速度和减小控制过程中出现的抖 振,采用超螺旋趋近律,具体表达式如式(11),其结构如图4.
超螺旋趋近律的具体表达式为
˙s=−k3|s|csign(s)−k4∫sign(s)dt, (11) 式中:k3、k4、c为调节系数,k3>0,k4>0,0<c<1.
滑模函数s距离滑模面s=0较远时,−k3|s|c值较大,滑模函数s以较大的速度靠近滑模面s=0;滑模函数s距离滑模面s=0较小时,−k3|s|csign(s)值较小,滑模函数s以较小的速度靠近滑模面s=0. 滑模函数中sign函数的切换增益(−k3|s|c)的大小决定抖振剧烈程度,采用超螺旋趋近律既能削弱抖振又能加快系统收敛.
为了能够进一步加快滑模函数s到达滑模面s=0的速度及削弱抖振,可采用式(12)所示的趋近律.
{˙s=−k3|s|gsign(s)−k4∫sign(s)dt,g=γ−λe−η|e1|, (12) 式中:γ、λ、η均为可调系数,g为关于γ、λ、η的指数函数,γ>1,0<λ,η>0.
由式(12)可知,随着e1从初值e1(0)衰减到0,g从最初的较大值γ−λe−η|e1(0)|衰减到γ−λ,在这个过程中−k3|s|g能够以更快的速度从较大值衰减到0,从而加快滑模函数s到达滑模面s=0的速度和减小抖振.
因此,定义AMBs转子系统的切换控制器为
isw=1b0[−k3|s|gsign(s)−k4∫sign(s)dt]. (13) 考虑到系统存在集总干扰,总的控制器为
ic=ieq+isw−1b0Msign(s), (14) 式中:M为集总干扰d的上界,即d⩽|M|.
2.2 稳定性分析
为了证明SNFTSMC控制器的稳定性,构造李雅普诺夫函数为
V(s)=12s2, (15) ˙V(s)=s˙s=s[e2+ak1|e1|a−1e2+bk2|e2|b−1˙e2]=s[e2+ak1|e1|a−1e2+bk2|e2|b−1(b0ic+a0y1+d−¨yr)]=s[e2+ak1|e1|a−1e2+bk2|e2|b−1(b0isw−Msign(s)+d−1bk2|e2|2−b(1+ak1|e1|a−1)×sign(e2))]=s[bk2|e2|b−1(d−Msign(s)+b0isw)]=bk2|e2|b−1(ds−M|s|−k3|s|g+1−k4∫|s|dt). (16) 当e2≠0时,已知k2、k3、k4、b均大于0,且|d|≤M,那么此时有
˙V(s)<bk2|e2|b−1(−k3|s|g+1−k4∫|s|dt)<0. (17) 此时,滑模函数s将在有限时间内到达滑模面s=0.
当e2=0时,联立式(14)与式(5)中,有
˙e2=−k3|s|gsign(s)−k4∫sign(s)dt+d−Msign(s). (18) 根据式(18),当滑模函数s>0时,˙e2<0;当滑模函数s<0时,˙e2<0. 图5为该控制器下的系统相轨迹,以滑模函数s2为例,e2=0、˙e2<0时,e2必然会在某个邻域(0, + δ)内减小,此时滑模函数s2会必然会向下运动;当滑模函数s2到达邻域(0, + δ)时,e2≠0,滑模函数s2将会根据式(17)得出的结论到达滑模面s=0,滑模函数s4同理.
3. 考虑NESO的SNFTSMC设计
3.1 ESO设计
集总干扰d是未知的,很难确定其具体的上界,而为了保证系统的稳定,一般上界M取值较大,将会加剧系统抖振. 为避免这种情况,本文通过设计ESO,并利用ESO对集总干扰d进行观测,得到较精确的观测值,然后将观测值补偿到控制器中. 本节先后分别对LESO与NESO进行研究与分析.
对于二阶的AMBs转子系统,将集总干扰d扩张为新的状态变量y3,式(5)可以改写为
{˙y1=y2,˙y2=b0i+a0y1+y3,˙y3=h, (19) 式中:h为集总干扰d的变化率.
根据式(19)可以写出LESO表达式为
{˙z1=z2−L1θ1,˙z2=b0i+a0z1+z3−L2θ1,˙z3=−L3θ1, (20) 式中:L1、L2、L3为LESO增益,z1、z2、z3分别为y1、y2、y3的观测值,θ1=z1−y1为观测误差.
式(20)减去式(19)得到误差状态方程为
{˙θ1=θ2−L1θ1,˙θ2=a0θ1+θ3−L2θ1,˙θ3=−h−L3θ1, (21) 式中:θ2=z2−y2,θ3=z3−y3.
式(21)经过拉普拉斯变换后,有
{θ2(s)=(s+L1)θ1(s),θ3(s)=sθ2(s)+(L2−a0)θ1(s),h(s)=sy3(s)=−sθ3(s)−L3θ1(s). (22) 整理式(22),得到θ3与−y3之间的传递函数为
θ3−y3=s3+L1s2+(L2−a0)ss3+L1s2+(L2−a0)s+L3. (23) 为了使系统能够稳定,假设式(23)有3个极点(s1、s2、s3)都位于左半平面,p1=−ω0、p2=−0.5ω0 + j0.5ω0、p3=−0.5ω0−j0.5ω0,ω0为带宽并大于0,那么有
s3+L1s2+(L2−a0)s+L3=(s−p1)(s−p2)(s−p3). (24) 可以解得
[L1L2L3]=[2ω01.5ω20+a00.5ω30]. (25) 将式(25)带到式(23)中可得
θ3−y3=s3+2ω0s2+1.5ω20ss3+2ω0s2+1.5ω20s+0.5ω30. (26) 根据式(26)做出不同带宽下的Bode图,如图6. 图6中:y3频率较低时,z3对y3的跟踪效果较好;随着y3频率的增大,z3对y3的跟踪性能逐渐变差;带宽增大后,z3对y3跟踪效果逐渐变好,但带宽太大容易对系统中其他噪声敏感.
由于LESO对集总扰动观测精度有限,现采用NESO对集总干扰进行观测,将式(20)改写为
{˙z1=z2−β1u1(θ1),˙z2=b0i+a0z1+z3−β2u2(θ1),˙z3=−β3u3(θ1), (27) 式中:β1、β2、β3为待设计的观测器增益,均大于0;u1(θ1)、u2(θ1)、u3(θ1)为关于θ1的非线性函数,如式(28).
{u1(θ1)=θ1,u2(θ1)=|θ1|12sign(θ1),u3(θ1)=|θ1|14sign(θ1). (28) NESO的参数一般很难通过理论去整定,通常根据经验来进行设计. 选择合适的β1、β2、β3,能够使得观测误差θ1、θ2、θ3在有限时间内收敛到0.
NESO的结构框图如7.
3.2 含NESO的SNFTSMC稳定性分析
式(14)中所提到的sign函数切换增益为−(k3|s|g+M)/b0,其中−k3|s|g/b0的大小与系统状态有关,产生的抖振很小,而−M/b0为常值,会导致系统产生较大抖振. 因此,需要通过NESO对系统抖振进行补偿,进一步将控制器设计为
ic∗=ieq+isw−1b0z3. (29) 接着,为了验证所提方法对系统稳定性产生的影响,对式(29)进行李亚普诺夫稳定性分析,即
˙V(s)=s˙s=s[bk2|e2|b−1(d+b0isw−z3)]=bk2|e2|b−1(ds−z3s−k3|s|g+1−k4∫|s|dt)<bk2|e2|b−1(−k3|s|g+1+|θ3||s|−k4∫|s|dt). (30) 根据对NESO的设计,θ3会收敛到0,可得到:
˙V(s)<bk2|e2|b−1(−k3|s|c+1−k4∫|s|dt)<0. (31) 通过分析得知,滑模函数s能够在有限时间内到达滑模面s=0,有效证明了所提方法的稳定性,进而搭建如图8所示的AMBs系统整体控制结构.
4. 仿真分析
表1为AMBs具体参数.
表 1 AMBs参数Table 1. Parameters of AMBs参数 值 磁极面积/mm2 720 匝数/圈 150 气隙长度/mm 0.4 偏置电流/A 2 转子质量/kg 15 电流刚度系数/(N·A−1) 939.5 位移刚度系数/(N·mm−1) 4697.5 为了能够对比出SNFTSMC的优越性能,在验证中加入传统SMC,表2为各个控制器参数.
表 2 控制器参数Table 2. Parameters of controller控制器 值 SNFTSMC k1=1、k2=0.1、k3=80、k4=50、a=2.5、b=1.5、γ=1.5、λ=1、η=0.5、M=15 SMC k1=30、k2=50、c=10、M=15 忽略集总扰动时SNFTSMC、SMC分别为
{iSNFTSMC=ieq+isw,iSMC =1b0[¨yr−ce2−a0y1−k1s−k2sign(s)]. (32) 定义控制电流平均值为
iavg=∑Nj=1|ij|N, (33) 式中:ij为第j个采样点的电流值,1≤j≤N ,N为采样点数.
根据式(32)中的控制器进行仿真,图9为起浮测试下的位移与控制电流. SNFTSMC、SMC到达目标位置的时间分别为0.38、0.62 s,SNFTSMC、SMC的最大控制电流分别为3.14、4.56 A. 根据式(33)得到SNFTSMC与SMC的电流平均值为分别为0.24、0.89 A.
为探究控制器的追踪性能,对正弦波、方波进行追踪. 图10为正弦追踪下的结果,SNFTSMC、SMC追踪到正弦波的时间分别为0.41、0.62 s,控制电流最大值分别为3.60、6.17 A,电流平均值分别为1.04、1.16 A. 图11为方波追踪下的仿真结果,将方波追踪中4个阶段的稳定时间间隔累加起来,SNFTSMC、SMC所用时间分别为1.24、2.36 s;控制电流最大值分别为3.12、4.56 A;电流平均值分别为0.24、0.89 A.
为对比LESO与NESO的观测性能,对正弦扰动sin(2πfot)进行观测,其频率fo从0增加到300 Hz. LESO带宽为500,NESO的观测增益β1、β2、β3分别为
15000 、3000 、50000 . 图12为2种ESO对正弦信号的观测结果. 随着频率增大,2种ESO的观测性能均随之下降;在低频段中NESO观测器性能较好,其观测误差很小,而LESO在低频段中其观测误差依然很大,并且此时还是在LESO带宽取值较大的情况下. 因此,LESO观测性能不如NESO. 所以选用NESO对集总干扰进行观测.将外部扰动与未建模部分对考虑到系统中,SNFTSMC的控制器设计为式(14),SMC设计为
iSMC=1b0[¨yr−ce2−a0y1−k1s−(k2+M)sign(s)]. (34) 假设集总干扰d=−12.5 + 2.5sin(20πt),采用考虑到集总干扰而设计的控制器进行仿真,图13为抗干扰测试下的转子位移波形与控制电流波形. 由图13可知:SNFTSMC、SMC到达目标位置的时间分别为0.45、0.63 s,相较于没有集总干扰的情况下系统收敛时间增加;控制电流最大值分别为3.38、4.80 A,控制电流平均值分别为0.43、1.18 A;考虑到扰动后控制电流最大值与控制电流平均值都略微增大,并且SMC抖振加剧、SNFTSMC产生了小幅度抖振.
集总干扰的存在会增大抖振,将SNFTSMC与NESO相结合,以此来减小由集总扰动引起的系统抖振. 图14为SNFTSMC+NESO、SMC+NESO这2种控制方法的仿真结果. 由图14可知:SNFTSMC+NESO、SMC+NESO到达目标位置的时间分别为0.40 s、0.62 s,与没有集总干扰的情况下系统收敛时间相近,即NESO能够消除集总干扰带来的影响;SNFTSMC+NESO、SMC+NESO在稳定时位移误差均为0,控制电流最大值分别为3.14、4.56 A,控制电流平均值分别为0.44、0.90 A.
5. 实验验证
为验证所提方法的正确性和有效性,搭建了基于RT-Lab的磁悬浮轴承转子系统实验平台. 实验装置由磁悬浮电机性能测试平台、功放测试平台、径向磁悬浮轴承和轴向磁悬浮轴承等组成,如图15所示.
首先,通过采用SNFTSMC、SMC 2种控制器进行转子起伏测试,转子起浮位移和电流信号如图16所示. 可以得知,采用SNFTSMC、SMC转子从底端上升到目标位置所用的时间分别为0.41、0.94 s,并且SMC的控制电流存在剧烈的抖振,SNFTSMC、SMC的电流平均值分别为0.53、1.68 A.
其次,为验证控制器的抗干扰性能,对转子施加正弦扰动进行起浮测试,转子起浮位移和电流信号如图17所示. 图17中SNFTSMC、SMC到达目标位置所用的时间分别为0.43、0.98 s,SNFTSMC、SMC的电流平均值分别为0.84、2.00 A,并且SNFTSMC也产生了抖振.
最后,引入NESO来对干扰进行补偿,转子位移和控制电流如图18所示. 图18中SNFTSMC+NESO和SMC+NESO到达目标位置所用的时间分别为0.42、0.95 s,其电流平均值分别为1.65、0.66 A,2种控制器下的电流抖振得到了有效减小.
6. 结 论
1) 工程设计中由于考虑算法的简明性,通常会采用传统滑模控制器,若要提高主动磁悬浮轴承转子位置的动态控制性能,可将传统滑模控制率改进为本文所提出超螺旋趋近律.
2) 非奇异快速终端滑模函数的设计能够使系统误差得到快速收敛,而超螺旋趋近律利用幂函数以及对滑模函数的积分使得切换增益在滑模面s=0处较小,实际工况中可根据快速性和鲁棒性要求进行选择滑模函数和趋近律的设计.
3) 引入的NESO能够对系统内外扰动进行观测并补偿到系统中,有效减小扰动对控制结果的影响,但实际工况下观测值补偿可能是离线的,在线补偿对控制器设计要求较高. 特别是要考虑观测器引起的相位滞后,在控制器设计过程中选择合适的前馈补偿将相位进行补偿.
致谢:感谢陕西省教育厅一般专项(青年)23JK0339资助;海洋工程全国重点实验室(上海交通大学)专项经费号GKZD010089.
-
表 1 路径模块事件
Table 1. Events of path module
类型 符号 说明 输入 α(p1)ij,n 车辆 h 进入路段,∀h∉Hij,n(τ) 内部 β(p1)ij,n 更新车辆的剩余路程和时间戳 β(p2)ij,n 车辆 h 加入到路段车辆集合 β(p3)ij,n 根据路径状态计算平均速度 β(p4)ij,n 更新共享汽车的预计离开时刻 β(p5)ij,n 共享汽车 h “尝试”离开路段 输出 γ(p1)ij,n 车辆 h 离开路段,∀h∈Hij,n(τ) 表 2 站点模块事件
Table 2. Events of station module
类型 符号 说明 输入 α(p1)i 顾客到达车站 α(p2)i 下达调度指令,向车站 i 调车 α(p3)i 表示车辆 h 归还到站点 i 内部 β(p1)i 判断车辆库存是否足够 β(p2)i 更新车辆集合,车辆选择去向 β(p3)i 判断是否执行调度指令 β(p4)i 更新车辆和调度员数量 输出 γ(p1)i 表示车辆 h 离开站点 i,∀h∈Hi(τ) 表 3 车站初始状态
Table 3. Initial state of stations
站点 车辆数/辆 调度员数/人 1 6 2 2 4 2 3 5 2 4 5 2 5 5 2 表 4 动态定价方案
Table 4. Dynamic pricing scheme
元 时段 A12 A13 A14 A15 A21 A23 A24 A25 A31 A32 06:00—09:00 37.0 22.0 40.0 24.0 48.0 40.0 34.0 28.0 16.0 54.0 09:00—12:00 39.0 56.0 12.0 12.0 51.0 23.0 31.0 25.0 13.0 19.0 12:00—15:00 50.0 38.0 41.0 19.0 43.0 58.0 13.0 51.0 27.0 57.0 15:00—18:00 37.0 34.0 20.0 35.0 17.0 20.0 47.0 43.0 38.0 13.0 18:00—21:00 36.0 36.0 42.0 14.0 55.0 50.0 54.0 15.0 23.0 53.0 21:00—24:00 33.0 54.0 28.0 33.0 44.0 32.0 43.0 43.0 44.0 10.0 时段 A34 A35 A42 A42 A43 A45 A51 A52 A53 A54 06:00—09:00 46.0 31.0 33.0 37.0 56.0 37.0 54.0 10.0 10.0 34.0 09:00—12:00 48.0 58.0 10.0 25.0 35.0 12.0 27.0 59.0 36.0 34.0 12:00—15:00 48.0 32.0 27.0 14.0 34.0 48.0 55.0 32.0 12.0 22.0 15:00—18:00 25.0 48.0 37.0 29.0 28.0 27.0 30.0 16.0 20.0 19.0 18:00—21:00 53.0 30.0 21.0 58.0 24.0 22.0 12.0 18.0 57.0 42.0 21:00—24:00 45.0 23.0 39.0 40.0 50.0 54.0 54.0 42.0 51.0 39.0 表 5 阈值触发调度方案
Table 5. Threshold-triggering relocation scheme
辆 时段 Sup1(τ) Slow1(τ) Sup2(τ) Slow2(τ) Sup3(τ) Slow3(τ) Sup4(τ) Slow4(τ) Sup5(τ) Slow5(τ) 06:00—09:00 19 18 17 5 17 6 15 12 9 6 09:00—12:00 23 13 11 7 12 5 24 4 17 2 12:00—15:00 13 11 20 19 4 2 21 20 21 2 15:00—18:00 15 5 15 6 19 1 7 5 22 0 18:00—21:00 9 6 12 6 13 2 24 4 23 7 21:00—24:00 12 6 17 16 7 0 22 1 23 15 表 6 策略净收益对比
Table 6. Net income comparison among strategies
元 策略 收益 策略 收益 联合调度策略 10374.68 动态定价无调度 8979.37 定价 15 元有调度 3955.25 定价 15 元无调度 3756.46 定价 20 元有调度 5888.43 定价 20 元无调度 5466.05 定价 25 元有调度 7055.95 定价 25 元无调度 6880.96 定价 30 元有调度 7863.41 定价 30 元无调度 7193.02 定价 35 元有调度 9234.57 定价 35 元无调度 8043.68 定价 40 元有调度 9826.50 定价 40 元无调度 8106.93 定价 45 元有调度 9504.22 定价 45 元无调度 7698.97 定价 50 元有调度 7973.05 定价 50 元无调度 7203.43 -
[1] MARTIN E W, SHAHEEN S A. Greenhouse gas emission impacts of carsharing in North America[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(4): 1074-1086. doi: 10.1109/TITS.2011.2158539 [2] DI FEBBRARO A, SACCO N, SAEEDNIA M. One-way carsharing[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012, 2319(1): 113-120. doi: 10.3141/2319-13 [3] JORGE D, CORRELA G H D A. Carsharing systems demand estimation and defined operations: a literature review[J]. European Journal of Transport & Infrastructure Reaserch, 2013, 13(3): 201-220. [4] WANG L, LIU Q, MA W J. Optimization of dynamic relocation operations for one-way electric carsharing systems[J]. Transportation Research Part C: Emerging Technologies, 2019, 101: 55-69. doi: 10.1016/j.trc.2019.01.005 [5] BARTH M, TODD M. Simulation model performance analysis of a multiple station shared vehicle system[J]. Transportation Research Part C: Emerging Technologies, 1999, 7(4): 237-259. doi: 10.1016/S0968-090X(99)00021-2 [6] CATALANO M, CASTO B L, MIGLIORE M. Car sharing demand estimation and urban transport demand modelling using stated preference techniques[J]. European Transport, 2008, 40: 33-50. [7] CHEU R L, XU J X, KEK A G H, et al. Forecasting shared-use vehicle trips with neural networks and support vector machines[J]. Transportation Research Record: Journal of the Transportation Research Board, 2006, 1968(1): 40-46. doi: 10.1177/0361198106196800105 [8] KEK A G H, CHEU R L, CHOR M L. Relocation simulation model for multiple-station shared-use vehicle systems[J]. Transportation Research Record: Journal of the Transportation Research Board, 2006, 1986(1): 81-88. doi: 10.1177/0361198106198600111 [9] KEK A G H, CHEU R L, MENG Q, et al. A decision support system for vehicle relocation operations in carsharing systems[J]. Transportation Research Part E: Logistics and Transportation Review, 2009, 45(1): 149-158. doi: 10.1016/j.tre.2008.02.008 [10] CAO G Y, WANG L, JIN Y, et al. Determination of the vehicle relocation triggering threshold in electric car-sharing system[C]//Proceedings of 2016 Chinese Intelligent Systems Conference. [S.1.]: Spring, 2016: 11-22 [11] 王宁,舒雅静,唐林浩,等. 基于动态定价的共享汽车自适应调度策略[J]. 交通运输系统工程与信息,2018,18(5): 12-17,74. doi: 10.16097/j.cnki.1009-6744.2018.05.003WANG Ning, SHU Yajing, TANG Linhao, et al. Adaptive scheduling strategy in car-sharing system based on feedback dynamic pricing[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(5): 12-17,74. doi: 10.16097/j.cnki.1009-6744.2018.05.003 [12] 王宁,郑文晖,刘向,等. 基于用户激励的共享电动汽车调度成本优化[J]. 同济大学学报(自然科学版),2018,46(12): 1668-1675,1721. doi: 10.11908/j.issn.0253-374x.2018.12.008WANG Ning, ZHENG Wenhui, LIU Xiang, et al. Relocation cost optimization model of electric vehicle sharing based on user incentive[J]. Journal of Tongji University (Natural Science), 2018, 46(12): 1668-1675,1721. doi: 10.11908/j.issn.0253-374x.2018.12.008 [13] JORGE D, MOLNAR G, DE ALMEIDA CORREIA G H. Trip pricing of one-way station-based carsharing networks with zone and time of day price variations[J]. Transportation Research Part B: Methodological, 2015, 81: 461-482. doi: 10.1016/j.trb.2015.06.003 [14] XU M, MENG Q, LIU Z Y. Electric vehicle fleet size and trip pricing for one-way carsharing services considering vehicle relocation and personnel assignment[J]. Transportation Research Part B: Methodological, 2018, 111: 60-82. doi: 10.1016/j.trb.2018.03.001 [15] NOURINEJAD M, ROORDA M J. A dynamic carsharing decision support system[J]. Transportation Research Part E: Logistics and Transportation Review, 2014, 66: 36-50. doi: 10.1016/j.tre.2014.03.003 [16] CHEN C H, LEE L H. Stochastic simulation optimization: optimal computing budget allocation[M]. Singapore: World Scientific, 2010: 40-60. [17] LI H B, ZHOU C H, LEE B K, et al. Capacity planning for mega container terminals with multi-objective and multi-fidelity simulation optimization[J]. IISE Transactions, 2017, 49(9): 849-862. doi: 10.1080/24725854.2017.1318229 [18] LI H B, ZHU Y C, CHEN Y X, et al. The object-oriented discrete event simulation modeling: a case study on aircraft spare part management[C]//2015 Winter Simulation Conference (WSC). Piscataway: IEEE, 2015: 3514-3525. [19] ZEIGLER B P. Hierarchical, modular discrete-event modelling in an object-oriented environment[J]. Simulation, 1987, 49(5): 219-230. doi: 10.1177/003754978904900506 [20] ZEIGLER B P, PRAEHOFER H, KIM T G. Theory of modeling and simulation: integrating discrete event and continuous complex dynamic systems[M]. Pittsburgh: Academic Press, 2000: 4-5. [21] ZHOU C H, LEE L H, CHEW E P, et al. A modularized simulation for traffic network in container terminals via network of servers with dynamic rates[C]//Proceedings of 2017 Winter Simulation Conference (WSC). Las Vegas: IEEE, 2017: 3150-3161. [22] HU L, ZHAO B, ZHU J X, et al. Two time-varying and state-dependent fluid queuing models for traffic circulation systems[J]. European Journal of Operational Research, 2019, 275(3): 997-1019. doi: 10.1016/j.ejor.2019.01.020 [23] CHEN H C, CHEN C H, YUCESAN E. Computing efforts allocation for ordinal optimization and discrete event simulation[J]. IEEE Transactions on Automatic Control, 2000, 45(5): 960-964. doi: 10.1109/9.855560 [24] CHEN C H, LIN J W, YÜCESAN E, et al. Simulation budget allocation for further enhancing the efficiency of ordinal optimization[J]. Discrete Event Dynamic Systems, 2000, 10(3): 251-270. doi: 10.1023/A:1008349927281 [25] XIAO H, LEE L H. Simulation optimization using genetic algorithms with optimal computing budget allocation[J]. Journal of Simulation, 2014, 90(10): 1146-1157. doi: 10.1177/0037549714548095 [26] MANDL C E. Evaluation and optimization of urban public transportation networks[J]. European Journal of Operational Research, 1980, 5(6): 396-404. doi: 10.1016/0377-2217(80)90126-5 -