公园内电动汽车配置服务中心位置规模的设计方案及其分析文档格式.docx
《公园内电动汽车配置服务中心位置规模的设计方案及其分析文档格式.docx》由会员分享,可在线阅读,更多相关《公园内电动汽车配置服务中心位置规模的设计方案及其分析文档格式.docx(26页珍藏版)》请在冰豆网上搜索。
1.
表示公园内每个10公里设置的24个服务中心
2.
3.
4.
5.
6.
7.
问题分析
公园每天对旅客的接待数即为每天滞留在公园内部的旅客总数。
需考虑24个服务中心及入口的游客数。
电动汽车在每个服务中心都有发车。
为减少相遇次数同时保证游客数达到最大,车与车之间的发车时间是有时间间隔的,我们应用excel和matlab程序,得出最优时间间隔。
且按车的种类批次发车。
为提高利用率,通过动态规划建立效用函数,用lingo求得最优解。
由于客流的分布是呈poisson分布的,根据客流的多少,建立服务中心的规模。
以尽量减少资源浪费或不足的状况发生。
模型建立
问题一:
两种电动汽车的配置
由于现在处于旅游旺季,故每个服务中心都是有足够旅客的。
我们假设每个服务中心都是相互独立的且车在行驶过程中满载。
故可先着眼于一个服务中心进行考虑。
单独针对于一个服务中心来说,假设从此站经过的车的上车人数等于下车人数,则相当于本服务中心的人都可看作是乘坐本服务中心出发的车继续旅行的,故本服务中心的一天发车所能承载的总人数应小于服务中心的人数上限(即1000人)。
考虑到每个乘客的个人喜好不同,乘坐两种车的概率是相同的,所以我们让两种车间隔出发或同时出发以满足乘客需求。
同时以分钟为单位划分时间间隔,通过excel罗列出不同时间间隔两种车的发车数量、载客量及相遇次数。
通过excel数据和matlab图像比较,找出载客量最为接近1000且满足相遇次数较少的时间间隔。
由此得知,最佳的时间间隔为13min/辆。
对于相遇次数问题,见以下四个表格和matlab图像
当两车同时发车时,可分别列出在不同时间间隔两车的发车量和相遇次数
AB同时发车
间隔时间t
A车
B车
相遇次数
10
43
49
215
15
29
33
93
20
22
25
46
30
17
16
40
11
13
50
9
60
8
表1
画出表格为
分别于总发车数和相遇次数的关系
图1
当先发B车后发A车,两车间隔发车时,可分别列出在不同时间间隔两车的发车量和相遇次数
间隔时间
A先B后
24
66
31
12
6
5
4
表2
图2
当先发A车后发B车,两车间隔发车时,可分别列出在不同时间间隔两车的发车量和相遇次数
266
B先A后
21
63
14
28
7
3
表3
图3
由以上三个图像交点位置可知,当两车同时发车时可使相遇次数尽量减少而发车总数尽量大,同时可以以根据图1中,交点以下部分斜率可知间隔时间最值在10到15分钟内,由此我们列出下表
39
45
195
36
41
144
37
132
35
124
表4
对于载客量的问题,由于数据庞大,详见附录表一
由表4可知,在时间间隔为13min时,载客数达到最大。
A车可载旅客660人,B车可载旅客296人。
则A车的车辆数为:
;
B车的车辆数为:
因为每个服务中心看作是相同的,全程250公里,所以A车的总数为:
B的总数为:
旅客最大数:
问题二:
提高电动汽车的利用率
在问题一中,我们假设每个服务中心是相互独立的,显然,这样当前一中心发出的车经过后一服务中心时,由于时间间隔问题,导致载客量小,即车辆的利用率低,为此,我们再次控制时间间隔,通过动态规划的思想建立效用函数由此达到最大利用率。
首先,我们已知乘客每天的行车时间为3到6小时,而汽车运行时间为9小时,则乘客在服务中心的滞留时间为3到6小时(不包括晚间住宿),故平均每站的滞留时间为0.5到1.5小时,计为
我们可以知道,在上一发车时刻已确定从而
已确定的情况下,则下一辆车到达的效用函数
和遗留人数
都是发车时间
的函数
根据问题一中数据计算得
由题意在保证能达到每天旅客数为最大容量的85%这个前提下,则要求每个服务中心的人数要保持在850至1000之间。
以此作为约束条件,效用函数作为目标函数,列出动态规划方程
目标函数
约束条件
问题三:
服务中心位置及规模的设计方案
因为考虑到每天进入公园游览的旅客数成poisson分布,所以为了减少服务中心资源不必要的浪费,根据旅客数的分布情况来设置服务中心的位置和规模。
误差分析与稳定求解
(1)误差分析
如果不考虑模型自身的缺陷,模型的误差主要来自两个方面:
一是我们假设各个服务中心是相同的,忽略了各个服务中心之间的相互影响;
二是没有考虑乘客上下车时间、上下车的人数差。
由于服务中心的人数远大于一辆车的载客量,每个服务中心之间的相互影响不大,故所得结果与真实值之间的误差保持在一个较小的范围之内。
(2)稳定性分析
我们将时间以分钟为单位进行划分,相对于全天9小时的运行时间来说较为精确和细致,车与车之间的时间间隔稳定相等,所以具有较好的稳定性;
反之,若有车发生突发事件,因为此事为小概率事件且后面的车辆可通过调节来维持系统的稳定性。
综上,模型是稳定的。
参考文献
[1]甘应爱、田丰、李维铮、李梅生、陈秉正、胡运权、顾基发、郭耀煌、钱頌迪,运筹学(第三版),北京:
清华大学出版社,2005
[2]张无非、张弛、严奇琦,对于公交汽车调度问题的求解,上海交通大学,2002
附录
Matlab运行程序
Z=20*X+8*Y
t=[102030405060];
x=[4322151198];
y=[49251713109];
m=[215461611100];
Z=20.*X+8.*Y
Z=20*x+8*y
p=polyfit(x,z,m)
p=polyfit(x,Z,m)
plot3=(t,z,m)
plot3=(t,Z,m)
plot3(t,Z,m)
plot(t,x,y,m)
plot(t,m)
plot(1/t,m)
q=1/t
q=1\t
plot3(q,Z,m)
meshgrid(t,Z,m)
clc
surf(t,Z,m)
%--2012/6/919:
09--%
t=[102030405060]
x=[4322151198]
y=[49251713109]
n=[215461611100]
plot3(t,x,y,n)
z=x+y
plot3(t,z,n)
surf(t,z,m)
surf(t,z,n)
surf(t,x,y,n)
z=[4322151198
49251713109]
%--2012/6/1011:
16--%
t=[10152030405060]
x=[432922151198]
y=[4933251713109]
n=[21593461611100]
plot(t,n)
m=1.\t
m=1/t
m=1./t
plot(m,n)
holdon
plot(m,z)
z=20x+8y
z=20*x+8*y
X1=22
X1=[2215118654]
Y1=[2416128654]
N1=[6631118650]
plot(m,N1)
z1=X1+Y1
plot(m,z1)
x2=[2114117544]
y2=[2517139755]
z2=x2+y2
n2=[6328116430]
plot(m,n2)
plot(m,z2)
t3=[101112131415]
x3=[433936333129]
y3=[494541373533]
n3=[21519514413212493]
z3=x3+y3
m2=1/t3
m2=1\t3
plot(m2,z3)
plot(m2,n3)
表二
乘客人数
间隔十分钟
8:
00
10:
9:
80
32
100
120
48
11:
140
56
160
64
180
72
200
220
88
240
96
12:
260
104
280
112
300
320
128
340
136
360
13:
380
152
400
420
168
440
176
460
184
480
192
14:
500
520
208
540
216
560
224
580
232
600
15:
620
248
640
256
660
264
680
272
700
720
288
16:
740
296
760
304
780
312
800
820
328
840
336
17:
860
344
352
368
376
384
392
(1)
间隔11分钟
44
55
06
01
23
34
07
18
51
02
57
08
19
52
03
47
58
09
42
53
04
(2)
间隔12分钟