农业机械学报杂志已发表格式范文参考
1.基于改进遗传算法的智能实时餐厨垃圾收运路径优化
作者：陈理,赖有春,王帅北,刘海帆,马明旭, 柳珊,周宇光
作者单位：中国农业大学;农业农村部可再生能源清洁化利用技术重点实验室;
关键词：餐厨垃圾收运;动态车辆路径问题;时间离散策略;遗传算法;智能垃圾桶
摘要: 针对城市餐厨垃圾收运普遍面临的亏载超载、车辆尾气排放高、路径规划主观性强、综合成本高及商家满意 度低等问题,根据城市餐厨垃圾的分布和收运特点,建立了基于交通流带时间窗的动态路径优化问题模型,并利用 改进遗传算法进行求解。 根据实地调研数据,设计了静动态递进的 6 种优化策略,并设置单位平均收运成本(U C)、单位平均碳排放量(U T)及单位平均油耗(U Y)用于衡量不同优化方案的经济性、环保性和能耗水平。 实 验结果表明,最小收运成本 + 时间窗(TW)被确认为最佳静态优化策略。 与不带时间窗的情景相比在多使用 1 辆 车的情况下 U C、U T、U Y 分别降低 8. 16% 、12. 12% 、10. 48% 。 最小收运成本 + TW + 时间离散为最佳动态优 化策略,该情景下较最佳静态优化策略总成本降低 15. 23% ,油耗与碳排放均降低 24. 97% ,U C、U T、U Y 分别 下降 25. 85% 、39. 39% 和 36. 36% 。 此外,验证了模拟智能垃圾桶获取实时餐厨垃圾量,在本模型中有进一步的优 化效果。 最后,对实际运行及 6 种优化情景进行了环境影响评价,验证了应用本模型,餐厨垃圾收运系统的调度效 率均有提高,能够有效缓解因垃圾量随机波动带来的收运成本高与环境负效应等问题。
0 引言
2022 年,我国城市生活垃圾清运量达到 2. 44 × 10 8 t [1] ,其中餐厨垃圾收运量达 1. 25 × 10 8 t [2 - 4] ,同 时,我国餐厨垃圾处理能力远低于产生量[5] ,在餐 厨垃圾管理中,收运环节是连接前端餐厨垃圾产生 和终端餐厨垃圾处理的关键桥梁,收运系统费用占 餐厨垃圾管理总费用约 30% ,其中大部分是燃油成 本[6] 。 随着我国经济的快速发展,通过单一提高收 运车辆的数量来解决餐厨垃圾分布散和产量多的问 题,仍面临着能源消耗高、亏载超载、环境污染大等 严重问题,使得餐厨垃圾收运工作受到成本、资源和 环境的多方制约[7] 。 在智慧城市发展理念的背景 下,许多垃圾处置企业尝试通过优化算法来实现降 本增效。 然而大多数算法仅聚焦于降低成本,而忽 略了商家满意度及碳排放对环境产生的负面影响等 因素[8] 。 因此,利用大数据突破传统餐厨垃圾收运 模式,在帮助垃圾处理企业降低收运成本的同时,提 升餐饮商家的收运满意度,并减少因垃圾清运不及 时对居民生活环境带来的负面影响,具有重要意义。
餐厨垃圾收运车辆路径优化问题可归类为具有 容量限制的车辆路径优化问题。 目前,针对餐厨垃 圾的收运路径优化问题,多位学者针对生活垃圾收 运过程中的二次污染、垃圾量不确定性及路径优化 问题,提出了基于智能垃圾桶、时间窗、多目标优化 和传感器技术的动态车辆路径优化模型及求解算 法[9 - 14] 。 其相关研究对象主要为生活垃圾,针对餐 厨垃圾收运路线优化问题研究较少,现有研究中主 要对餐厨垃圾收运过程中环境、成本、满意度、时间 窗等进行研究,集中在以企业为中心的单一收运路 线优化上,缺乏对前端商家参与满意度,中端动态交 通网络建模、智能装备应用、智能收运建模,后端路 径优化对减排的贡献等整个收运体系的研究。 随着 无人驾驶技术及人工智能的迅速发展,建立一个智 慧化收运体系对智慧城市的建设具有重要意义。 因 此,本文针对餐厨垃圾收运体系特点构建基于交通 流带时间窗的动态路径优化模型,该模型通过实时 数据、精准满足时间窗约束,贴近实际收运流程。 针 对收运特点改进遗传算法,并设计静动态递进的 6 种优化策略情景,验证智能垃圾桶实时数据对本模 型的进一步优化效果,同时对所有策略进行环境影 响评价,以期在提高餐厨垃圾收运系统效率、缓解环 境压力等问题上为未来餐厨垃圾智慧化收运研究提 供参考。
1 问题描述与数学模型
1. 1 问题描述及假设
(1)问题描述
针对餐厨垃圾收运车,从处置中心出发至收运 点再回到处置中心的完整运输过程,基于交通流带 时间 窗 的 动 态 路 径 优 化 问 题 ( Dynamic vehicle routing problem with time windows based on traffic flow, DVRPTW TF)定义为:餐厨垃圾处置中心有 1 种收集车,为多个餐厨垃圾点提供垃圾收运服务。 首先,根据各类型餐馆和单位食堂的营业特点和交 通流,通过时间离散策略设定不同的收运时间切片, 并利用智能垃圾桶实时监测垃圾量,当垃圾量达到 设定的阈值时,会自动发出收运请求。 每班次出车 前,根据智能垃圾桶传回的收运量数据,通过调度中 心在对应的时间片段匹配合适的车型进行收运。
(2)模型假设
所建模型假设如下:收运点和处置中心的坐标 点已知;对每个收运点服务时间相同;各餐厨垃圾收 集点产生的垃圾量是独立的随机变量。
1. 2 数学模型
为对比静态优化和动态优化的不同效果,研究 设定了动态和静态优化模型。 动态优化模型即本文 提出的 DVRPTW TF 模型;在静态优化模型中设定 了两种目标函数和有无时间窗(TW)约束的 4 种情 景。 具体如下:
(1)动态优化模型
基于假设情况,以最小收运成本为目标构建数 学模型,分别从目标函数、动态信息处理及约束条件 进行分析。
目标函数:车辆变动成本主要是指车辆行驶 和车辆作业时的燃油成本, 主要受到行驶距离、载 荷、燃油价格、燃油消耗率等因素的影响[15 - 17] 。 负荷估算法是一种计算车辆消耗的研究方法,它 是根据运输距离和负荷来估算油耗率[18 - 19] 。 目 标函数具体为
动态信息处理:为了表示交通信息的不确定性, 引入 t c ij和 φij(t)两个变量。 其中,t c ij表示原始优化模 型下,从节点 i 到节点 j 的行驶时间;φij(t)是一个随 机变量,通过 φij ( t)的动态变化模拟交通信息的动 态变化[20] 。 客户信息的动态变化主要为收运过程 中智能垃圾桶垃圾达到收运阈值和商家的动态时间 窗约束。 为了表示这种动态变化,在车辆 c 完成当 前服务后进行随机操作 θij。 当 θij为 1 时表示在当 前客户集合中插入新客户 i,为 0 时表示客户信息没 有发生变化,此时不做任何处理。
构建动态路网模型需要计算交通流对于通过该 路段 的 车 辆 速 度 和 行 程 时 间 的 影 响。 参 考 文 献[21]提出的交通流车速 流量模型计算路段速 度,表达式为
式(1)为目标函数,式(6)确保所有车辆出发时 均为空载状态;式(7)为车辆容量约束;式(8)、(9) 表示每个收运点只被清运一次, φi0表示收集点 i 在 0 时刻是否发送收运请求; 式(10)为每辆车的路径 必从起始点开始,并在终点结束,且起终点相同; 式(11)为当智能垃圾桶实时垃圾量达到阈值时将 发出收运任务;式(12)为车辆实时装载质量,具体 为 i 点里达到收运阈值的智能垃圾桶 z 的实时垃圾 量的和;式(15)表示车辆到达客户 i 的时间晚于客 户 i 提供的左时间窗 w 1 i ,同时早于右时间窗 w 2 i ; 式(16)为标准支路消除约束,确保没有任何子行 程;式(17)为流量平衡约束。
(2)静态优化模型
基于假设情况,分别以最小收运成本和最小收 运距离为目标构建数学模型,分别从目标函数及约 束条件进行分析。
目标函数 1:最小收运成本,该模型中目标函数 与动态模型中的的目标函数相同,具体见式(1)。
约束条件:静态优化模型约束与动态优化模型 约束中的式(6) ~ (10)、(13)、(16)、(17)一致;其 中,带 TW 的约束还包括
约束条件:该目标函数下有无 TW 两种情景的 约束条件与目标函数 1 的约束条件一致。
2 改进遗传算法设计
本文使用遗传算法进行求解,并在遗传算法的 基础上通过改变选择方式、改进交叉和变异方式、引 入大邻域搜索算法来进行改进。 遗传算法作为一种 启发式算法,由于其编码方式与行车计划编制问题 的求解对象车次、车辆相适应,已被证实在调度问题 求解中具备有效性,且具有鲁棒性高、适应性强、全 局搜索能力好的特点[22] 。 然而,传统的遗传算法不 能完全满足现有餐厨垃圾收运问题的求解需求,具 体改进的步骤如下。
2. 1 编码
传统的二进制编码虽然常用,但由于其占用存 储空间多、计算步骤繁琐且可读性差,因此采用自然 数编码。 自然数编码用数字序列表示路径方案,以 0 为分界点,即餐厨垃圾处置中心或者停车场,每个 分界点之间的数字代表同一辆车所服务的客户点。 将所有收运点(不含处置中心)编码成一条染色体, 称为顾客染色体。 图 1 为染色体编码与解码过程。
2. 2 初始种群产生
最小成本的最邻近法是一种构造算法,可以产 生高质量的可行解[23] 。 最早由文献[24]提出并应 用于车辆路径问题。 在餐厨垃圾收运中,假设有一 个起始点和若干收运点,路径需要从起始点出发,经 过所有的收运点后再回到起始点。 假设起始点为处 置中心 0,收运点为 1,2,…,n。 则随机生成初始种 群的步骤是:①确定发车时间,从起始点 0 出发,选 派第一辆车。 ②选取距离最后一次访问节点最近的 未访问节点,如果该节点满足约束条件,则将其插入 到当前路径中。 ③重复步骤②操作,当车辆满载或 无法承担下一节点收运任务后, 另派一辆车;直至 访问完所有节点, 则结束计算。 ④确保生成的路径 是合理的闭合路径,即起终点一致。 ⑤重复上述步 骤,直到生成足够数量的路径作为初始种群。
遗传算法处理带约束条件的优化问题中,针对 设定的硬时间窗和承载质量等约束条件,在上述过 程中,创建了不同的违反惩罚函数( violation),对每 个 violation 和每个约束条件,设定一个惩罚系数,从 而保证遗传操作过程中个体均满足约束条件。
2. 3 适应度计算
目标函数是餐厨垃圾的最小收运成本和最小收 运距离,故适应度函数 fitness 设计为目标函数的倒 数,以便在遗传算法中最大化适应度来对应最小化 成本的目标。 这样有助于算法更高效地搜索空间中 更低成本的解决方案。 公式为
2. 4 遗传操作
2. 4. 1 选择操作
利用轮盘赌法进行选择,将个体适应度映射到 轮盘中,个体适应度越大,在轮盘中分配到的角度就 越大,被选中概率就越大。 适应度占比和轮盘赌选 择如图 2 所示。
从图 2 可以看出,如果需要选择 N 个个体,则 需转动 N 次转盘。 为了改进这一问题,采用随机遍 历抽样,即如果需要选择 N 个个体,则只需一次生 成 N 个等间距的标记指针位置,就可选择出 N 个个 体。 随机遍历抽样过程如图 3 所示。
选择操作根据每个个体的适应度来确定其在下 一代种群中的概率分布。 某个个体 xi 被选中的概 率 P(xi)计算公式为
2. 4. 2 改进交叉方式
采用改进 OX 交叉( 首尾交叉) 的方式进行 交叉操作,采用该交叉策略保证每个染色体上基 因的唯一性,将父代 1 中基因交叉段提出放于父 代 2 的最后面,将父代 2 中基因交叉段提出放于 父代 1 的最前面,将交叉后非交换区域的重复基 因进行去重操作,得到无重复基 因 的 染 色 体 子 代 1、2,而分界点 0 是在顾客染色体的前端和后 端,在具体算法中首尾交叉点设置在基因片段的 23 号位和倒数 23 号位。 交叉操作示意图如图 4 所示。
2. 4. 3 增加变异方式
变异操作可以通过改变父代某些基因产生新子 代来增加种群多样性,一定程度上减少陷入最优解 情况。 根据自适应变异概率,随机互换路线中两个 大小为 2 的基因段,然后将互换基因段后的首尾基 因再进行交换生成新的染色体,变异是在基因片段 的 34 号位和 56 号位进行的,而分界点 0 是在顾客 染色体的前端和后端,避免出现分界点 0 被选择为 变异基因段的可能,变异操作示意如图 5 所示。
2. 5 局部搜索策略
为有效避免遗传算法陷入局部最优解,提升全 局搜索能力,在遗传操作后引入大邻域搜索( Large neigh-borhood search, LNS) 算法, 包括 Remove 和 Re-inserting 两个步骤。 通过破坏算子从当前解中 根据相似性计算公式移除若干个顾客,然后使用修 复算子在满足约束条件基础上,将被移除顾客重新 插回到破坏的解中。
Remove 过程中,从当前可行解 n 中随机移走一 个顾客到被移走顾客集合 Q 中,从 Q 中随机选一个 顾客 G,将 n 中剩余的顾客按照与 G 的相关性由小 到大的顺序排列并从 n 中选出与 G 的相关性最大 的顾客 C,并把它加入到 Q 中去。 重复该过程,直至 剩下需要被移走顾客都选好,得到最终的集合 Q。 相关性公式为
式中,f ij表示 i 到 j 的欧氏距离,f'ij取值区间为[0,1], 由 f ij进行标准化所得;Wij是判断 i 和 j 是否在在同一 路线上由同一辆车服务,若是则该值为 0,否则为 1。
Re-inserting 过程中,采用贪心策略确定集合 Q 中顾客的插入位置:首先,针对集合 Q 中的每个待 插入客户,评估其在不同候选位置插入后的适应度变化量,记录各位置对应的增量;其次,选择产生最 小适应度增量的客户执行插入操作,并重复该过程 直至 Q 中所有顾客被插回部分解 m 中,最终形成新 的可行解集 n。
3 实例优化
3. 1 基本数据及优化策略设计
(1)集中收运点
首先,依据金华市目前餐厨垃圾的分类实施情 况,收运来源仅考虑大中型餐饮企业和各企事业单 位食堂。 通过 2024 年 5 月的调研得到金华市二环 内 3 个收运时间段(早班、中班、晚班) 共 298 个餐 厨垃圾收运点,本文选取早班的 108 个收运点进行 优化。
(2)评价指标
为对比分析后续不同静态优化情景的优化结 果,假设每种模式中各点的餐厨垃圾量相同,同时设 置以下 3 个指标评估不同优化方案的经济性、环保 性和能耗水平:
单位平均收运成本(U C):该指标反映每单位 餐厨垃圾在每单位收运距离所产生的平均成本,评 估不同优化方案的经济性。
单位平均收运碳排放量(U T):该指标反映每 单位餐厨垃圾在每单位收运距离所产生的碳排放 量,评估不同优化方案的环境影响,有助于减少温室 气体排放。
单位平均油耗(U Y):该指标反映每单位餐厨 垃圾在每单位收运距离所消耗的燃油量,评估不同 优化方案的能源消耗量。
(3)静动态递进的优化策略情景设置
静态优化下餐厨垃圾收运路径优化研究包括 4 种情景:Q1,最小收运成本 + 无 TW + 静态优化;Q2, 最小收运成本 + TW + 静态优化;Q3,最小收运距 离 + 无TW + 静态优化;Q4,最小收运距离 + TW + 静 态优化。
动态优化下餐厨垃圾收运路径优化研究包括 2 种情景:Q5,最小收运成本 + TW + 动态优化(时间 离散策略);Q6,最小收运成本 + TW + 动态优化(时 间离散策略) + 智能垃圾桶。
其中, Q1 ~ Q5收运数据来自金华市 2024 年某 天餐厨垃圾收运实际数据;Q6 数据则通过分析各点 垃圾量的历史收运数据模拟智能垃圾桶的实时垃 圾量。
3. 2 静态情景下餐厨垃圾收运路径优化
根据金华市餐厨垃圾收运实际调研的某天早班 餐厨垃圾收运数据,共派 12 辆收运车对婺城区学校 线、开发区监狱线、婺城区永盛线等 12 条路线进行 收运,收运总量为 48. 085 t,其中开发区监狱线仅有 古丽中学一个收运点。
Q1 ~ Q4 的结果表明,两种目标函数下不带 TW 的优化均需要 10 辆收运车完成收运,带 TW 的优化 均需要 11 辆收运车完成收运,因行驶路径不同,所 以最终的路径距离和综合成本也不同。 如表 1 所 示,收运总成本从大到小依次为:Q4、Q2、Q1、Q3;收 运距离从大到小依次为 Q2、Q1、Q4、Q3;碳排放量从 大到小依次为:Q4、Q2、Q1、Q3。 如表 1 所示,当目 标函数为最小收运成本时,本文提出的静态优化模 型在损失 9. 09% 平均满载率时,U C 降低 8. 16% , 并且在多用 1 辆车的情况下 U T 减少 12. 12% , U Y 减少 10. 48% ;当目标函数为最小收运距离 时,带 TW 的情景不仅损失 9. 09% 的平均满载率, 且 U C 提高4. 73% 、U T 提高5. 41% 、U Y 提高 4. 20% 。
综上,Q2(最小收运成本 + TW + 静态优化)被 确认为最佳静态优化策略。 本文提出的 DVRPTW TF 模型中 Q2 和 Q4 在相同收运量和使用相同数 量车辆的情况下,Q2 的 U C 降低 20. 12% 、U T 降低 21. 62% 、U Y 降低 21. 01% 。 这种策略在 经济成本和碳排放相近的情况下,收运距离表现 出明显优势,而且通过有效的调度和路径规划呈 现更低的 U C、U T、U Y。 尽管 Q2 需要增加 收运车数量,但有效提升客户满意度,确保收运按 时完成。 综合考虑经济、环保性和客户需求,这一 策略在城市垃圾收运管理中展现了显著的优势和 可持续性。
3. 3 动态情景下餐厨垃圾收运路径优化
3. 3. 1 基于时间离散策略的动态优化
在不确定环境时达到收运阈值的收集点,根据 DVRPTW TF 模型进行动态优化,每条路线收运时 间平均需要 150 min,故将金华早班(06:00—11:30) 分成两个时间切片,第 1 个时间切片设置在 06: 00—08:30,第 2 个时间切片设置在 08:30—11:30,在第 1 个时间切片里,系统会在时间切片初始点对 各个智能餐厨垃圾桶传输垃圾产量进行汇总,对达 到收运阈值的收集点进行路线规划;对于在第 2 个 时间切片内未达到收运要求的点,列入中班(12: 00—17:30)收运范围。
采用本文提出的动态优化策略对金华市早班收 运路线进行优化发现,动态收运需要 11 辆车对餐厨 垃圾进行收运,其中第 1 阶段 6 辆车,第 2 阶段 5 辆 车。 两阶 段 总 收 运 量 为 48 085 kg、 运 输 距 离 为 577. 99 km、碳排放量 557. 81 kg、总油耗 180. 17 L、 总成本 3 040. 88 元。 如表 2 所示,在总收运量相同的情况下,两阶段 优化策略 Q5 的优化结果较静态优化策略(Q2)优化 的收运总成本减少 15. 23% 、油耗量和碳排放量均 减少 24. 97% 。
如表 2 所示,3 个评价指标 U C 减 少 25. 85% 、 U T 减 少 39. 39% 、 U Y 减 少 36. 36% 。 故本文提出的两阶段动态优化策略 Q5 在 3 项设定指标上均明显优于最佳静态优化策略 Q2。
3. 3. 2 基于时间离散策略及智能垃圾桶的动态优化
本节实验中各智能垃圾桶的垃圾量服从正态分 布,除了各垃圾收集点智能垃圾桶的垃圾量具有随 机性外,其他信息,例如收集点位置、车辆最大负载 量等信息均不变。 本实验将金华市早班各收运点实 际平均收运数据经正态分布后随机产生的数据模拟 为垃圾的随机产量,置信区间设置为 90% 。 具体优 化路线见表 3。
在第 1 个时间切片里共有 29 个点达到收运阈 值,需要安排 3 辆车对其进行收运;在第 2 个时间 切片里共有 67 个点达到收运阈值,需要安排 7 辆 车对其进行收运,总共使用 10 辆车对金华市早班 96 个收运点进行收运,剩余 12 个收运点未达到收 运阈值,将纳入到午班收运范围。 如表 2 所示,在 确保 客 户 满 意 度 为 100% 的 前 提 下, Q6 较 Q5, U C 增加 1. 80% ; U T 和 U Y 分 别 减 少 10. 00 % 和10. 77 % 。由表3可知,整个过程平均
载重率达 89. 10% ,比实际载重率高 8. 96 个百分 点。 综上,随着未来餐厨垃圾无人驾驶智能动态调 度发展,Q6 中的餐厨垃圾收运策略具有更显著的优 化效果。
4 餐厨垃圾收运不同优化情景的环境影响 评价
生命周期评价(Life cycle assessment,LCA)不仅 可以用于整个产品生命周期的环境评估,还可以应 用于特定环节的评估[25 - 26] 。 对上文提出的 6 种优 化策略及实际情景进行环境影响评价,全面评估优 化策略对环境的改善程度。
4. 1 目标与范围界定
本研究对金华市区二环内早班各收运点产生的 餐厨垃圾,通过专用车辆收运到餐厨垃圾处置中心, 对完整的收运过程进行环境影响评价。 以一辆承载 质量为 5 t 的收运车每收运 1 t 餐厨垃圾为功能单 位,对第 3 节中设定的 6 种优化情景及实际收运情 景进行生命周期的能耗与排放研究。 其生命周期评 价系统边界如图 6 所示。
4. 2 清单分析
收运过程主要消耗的是柴油,通过实地调研得 到承载质量 5 t 的卡车每 100 km 油耗约为 20 L,平
均收运距离假设为 100 km,则每 1 t 餐厨垃圾收运 过程需消耗 4 L 柴油。 柴油在燃用过程每 1 km 的 排放因子采用文献[27] 的分析数据。 数据清单如 表 4 所示。
4. 3 结果解释
对 7 种情景的生命周期清单数据进行特征化、 标准化以及加权处理,结果如图 7 所示。
由图 7a 和图 7b 可知,Q0 ~ Q6 的全生命周期能 源消耗中,Q1 的生命周期能源消耗量最大,优化后 的情景除 Q1 较实际收运模式的能耗增加了 2. 92% 外,其余 5 个优化情景的能耗均优于实际收运模式; 污染物排放中,7 种污染排放物在 7 种情景的排放 量从小到大均为 Q4、Q3、Q1、Q2、Q6、Q5、Q0,由于各 项污染物的排放因子值固定,故排放量与车辆行驶 的距离呈正相关。
由图 7c 和图 7d 可知,通过对比 7 种情景(包括 实际运行情景 Q0 和 6 种优化情景 Q1 ~ Q6)的综合 环境影响,发现相较于 Q0,Q1 ~ Q6 的环境影响均显 著降低,且降低幅度在 5. 44% ~ 17. 55% 之间。 其 中,Q4 情景的运行距离较 Q6 短,约 10 km,但其降 低的环境影响与 Q6 相近,所以 Q6 优化效率更高。 在各类环境影响中,全球变暖(GWP)潜势和化石能 源消耗(ADP)潜势占据前两位,主要由燃油燃烧产 生的大气污染物所致。 第 3 节提出的最优优化策略 (Q5 和 Q6)有效减少了化石能源消耗(ADP)影响, 气溶胶(AQP) 的影响则与颗粒物排放紧密相关。 酸化(AP)主要与车辆尾气排放中的 NOx 和 SOx 高 排放相关。 相比之下,人体毒性(HTP)、富营养化 (EP)和光化学臭氧合成(POCP)潜势对环境的影响 较小,且各优化情景间的差异不显著。
5 讨论
(1)由于智能餐厨垃圾桶尚未全面普及,本研 究所使用的实时数据源于以往收运的模拟数据。 同 时,餐厨垃圾收运仍需依赖人力,受限于实时数据与 人力,本文的实时调度优化是在金华早班实际收运
需求基础上利用时间离散策略分为两个时间切片进 行优化,下一步将考虑在无人驾驶及智能装备基础 上利用时间离散策略将时间轴碎片化进而进行实时 调度优化研究。
(2)在本文提出的模型中,动态信息仅考虑了 交通流、顾客信息变化及实时垃圾量,天气、突发状 况及司机工作强度等更多因素未在模型中体现。 此 外,餐厨垃圾收运动态优化模型的研究较少,且模型 无法完全迁移等局限,下一步将着力构建“数据 算 法 场景”三位一体的餐厨垃圾智慧化收运体系,重 点突破前端 中端 后端多源异构数据融合分析与轻 量化建模的技术瓶颈,并通过更多城市餐厨垃圾收 运数据进行全要素仿真验证,创新“政 企 商”协同 的生态智慧化收运管理体系。
6 结论
(1)通过对比以最小距离为目标函数的模型, 发现以最小成本为目标函数的模型具有更佳优化效 果,且本文提出的 DVRPTW TF 模型更适合带时间 窗的动态优化。 针对餐厨垃圾收运特点对遗传算法 进行改进,并对提出的静动态递进优化策略进行 求解。
(2)在静态优化上,以“最小收运成本 + TW”为 最优静态优化策略(Q2);在动态优化上,以“最小收 运成本 + TW + 时间离散” 为最优动态优化策略 (Q5)。 在总收运量相同情况下, Q5 较 Q2 收运总 成本 减 少 15. 23% 、 油 耗 量 和 碳 排 放 量 均 减 少 24. 97% 。 3 个评价指标 U C、U T、U Y 分别减 少 25. 85% 、39. 39% 和 36. 36% 。 此外还验证了模 拟智能垃圾桶后获取实时餐厨垃圾量,在提出的 DVRPTW TF 模型中可获得进一步的优化效果。 在保证商家满意度 100% 的前提下,收运过程平均 载重率达 89. 10% ,较实际载重率高 8. 96% 。 Q6 较 Q5 的 U C 增加 1. 80% ;U T 和 U Y 分别减少 10. 00% 和 10. 77% 。 综上,Q6 更适用于未来餐厨 垃圾无人驾驶智能动态调度收运模式。
(3)通过对 Q0 ~ Q6 共 7 种情景的环境影响分 析,发现 Q1 情景的生命周期能源消耗量最大,除 Q1 外,其余 5 个优化情景的能耗均低于实际收运模式。 在污染物排放方面,7 种污染排放物在 7 种情景中 的排放量排名一致。 相较于实际情景 Q0,优化情景 Q1 ~ Q6 均 显 著 降 低 了 环 境 影 响, 降 低 幅 度 为 5. 44% ~ 17. 55% 。 其中,Q4 情景尽管运行距离较 短,但其降低的环境影响与 Q6 相近。 GWP 和 ADP 占据主导地位,而最优优化策略 Q5 和 Q6 有效减少 了化石能源消耗影响。
