软件网站建设公司,wordpress钩子自定义钩子,汕头建设有限公司,深圳保障性住房新政策题目描述#xff1a; 继续更新 再更问题三 继续更新第一问、第四问 1.2 问题重述 在制定电动车调度方案时#xff0c;必须考虑充、换电池的时间成本#xff0c;从而提出了新 的车辆运输选址及调度问题。 1#xff09; 已知自动驾驶电动物料车在取料点 P 和卸货点 D …题目描述 继续更新  再更问题三 继续更新第一问、第四问 1.2 问题重述 在制定电动车调度方案时必须考虑充、换电池的时间成本从而提出了新 的车辆运输选址及调度问题。 1 已知自动驾驶电动物料车在取料点 P 和卸货点 D 之间往复运送物料 通过建立数学规划模型在 P 点和 D 点之间确定一个换电站选址及调 度方案以满足资源约束与电池运行方式为约束条件实现极大化制 定时间段内运送物料量的目标。基于附录中的数据求解规划模型得到 换电站的位置并求得 1000 小时内所运输的物料量所使用车辆、 电池组数量和车辆及其电池组的具体调度方案。 2 在基于问题 1 其他条件与任务不变的情况下将建站条件更改为“在 P 点与 D 点之间每个方向分别确定一个换电站位置”。 3 在考虑峰谷电价、购置电池组、建设充、换电站等成本的基础上制 定被整每日最低运输量、3 年结算周期投资运行成本最低的建站及电 池组调度方案。根据附录所给的数据缺考的数据自行补充给出 具体算例。 4 对多个取料点、单个卸货点研究上述换电站选址及车辆-电池组调 度问题。 二、 问题分析 基于动态规划的电动物料车换电站选址及调度方案 摘要 5.1.1 在温室效应逐年加剧的状态下环保的自动驾驶电动车是发展趋势。本文 通过建立数学规划模型分析了自动驾驶物料电动车在取料点与卸货点之间循环 往复运送物料耗电情况并在极大化指定时间段内运送物料量的情况下给出换电 站的选址及调度方案。该问题的研究对电动汽车的推广具有重要意义并能有效 节省时间与资源提高运输物料的效率。 本文首先对附录数据进行分析可知车道上最多可跑 98 辆车每隔 12 秒发 一次车在看周期的情况下载货状态跑一趟消耗 5%电量空载状态跑一趟大 约消耗 3.33%电量。往返 9 次消耗 75%的电量。运输车换电均需花费 2 分钟与 完成一次装卸货时间相同换电站内900组电池组共可满足150辆车的换电需求。 针对问题一首先将极大化制定时间段内运送物料量问题转化为保持路上拥 有在约束条件下最大的车辆数尽可能减少因换电和装卸货所浪费的时间即使 得到达 D 点的次数最多。因此以换电站与 P 点之间的距离 ? 为决策变量以 资源约束与电池运行方式为约束条件建立以指定时间段内到达 D 点次数最多为 目标的目标函数。通过 Python 使用模拟退火算法求得最优解 X 的值为 5.5。 得出换电站距离为5.5KM时后面的问题就迎刃而解 1 所使用的车辆数应该为118辆实际根据你的假设可能略有出入 原因是第一辆车经过程 1换电过程花费的 2 分 钟中A 处继续派出了 10 辆车。第一辆车经过程 2 最后到达 A 点处时为了节 省时间继续在 A 处派出 10 辆车并开始循环 2  所使用的电池组数为 108 × 6 648 组原因是第一辆车与第 98 辆车经过 程 1 到达 B 点处换电需要 98 辆车所要的电池组数而有上述分析知第一辆车 经过程 2 之后第 99 辆车已经过程 1 开始在 B 点处充电了之前新增的 10 辆车 也需充电因此共需要为 108 辆车提供换电池组 5.1.2 模型建立 这是一个规划类问题可用线性规划模型来进行求解。规划模型的要素决 策变量目标函数约束条件。 本题的决策变量是换电站的位置假设换电站位置距离 P 点 ? 则它到 D 点的距离为 ? 。我们还需要一系列的调度方案。根据文中的信息实际上我 们还需要根据的取值范围来进一步确定我们的规划模型。 运输车的路程情况如下图 图 1 双向同址下换电站运输车的路程情况 由于该换电站是一个双向同址沿 D 到 P 方向时记该换电站为 A沿 P 到 D 方向时记该换电站为 B。 已知一辆车从发货地满电量出发最后到换电站换电也是满电的之后的每 一次满电状态均是从换电站出发的于是我们可以假设运输车辆都是从换电站出 发的。 满足约束的方程组如下 83.3% 5?6 % ≤ 90% 83.3% 56 10 − ? % ≤ 90% 0 ≤ ? ≤ 10 220 2? 2 220 2(10 − ?) ?表示X变量显示不出来  要具体了解可以 关注后 私信我 下面是第一问部分源码 import random #导⼊模块import pandas as pd import numpy as np import matplotlib.pyplot as plt from datetime import datetime From sympy import symbols,solve,linsolve xsymbols(x)f1(5/6)*x*0.010.833-0.90 print(solve([f10,f20])) f34*x200-222 #求解等式print(solve(4*x200-222,x)) #⼦程序定义优化问题的⽬标函数 def cal_Energy(X, nVar, mk): #m(k)惩罚因⼦随迭代次数 k 逐渐增 ⼤ p1 (max(0, 6*X[0]5*X[1]-60))**2 p2 (max(0, 10*X[0]20*X[1]-150))**2 fx -(10*X[0]9*X[1]) return fxmk*(p1p2) # ⼦程序模拟退⽕算法的参数设置 def ParameterSetting(): cName funcOpt # 定义问题名称 YouCans, XUPT nVar 2 # 给定⾃变量数量 yf(x1,..xn) xMin [0, 0] xMax [8, 8] tInitial 100.0 tFinal 1 13 alfa 0.98 meanMarkov 100 #Markov 链长度也即内循环运⾏次数 scale 0.5 #定义搜索步长可以设为固定值或逐渐缩⼩ return cName, nVar, xMin, xMax, tInitial, tFinal, alfa, meanMarkov, scale# 模拟退⽕算法def OptimizationSSA(nVar,xMin,xMax,tInitial,tFinal,alfa,meanMarkov,scale) : # 初始化随机数发⽣器 randseed random.randint(1, 100) random.seed(randseed) # 随机数发⽣器设置种⼦也可以设为指定整数 # 随机产⽣优化问题的初始解 xInitial np.zeros((nVar)) # 初始化 创建数组 for v in range(nVar): # xInitial[v] random.uniform(xMin[v], xMax[v]) #产⽣ [xMin, xMax] 范围的随机实数 xInitial[v] random.randint(xMin[v], xMax[v]) #产⽣ [xMin, xMax] 范围的随机整数 # 调⽤⼦函数 cal_Energy 计算当前解的⽬标函数值 fxInitial cal_Energy(xInitial, nVar, 1) # m(k)惩罚因⼦初值为 1# 模拟退⽕算法初始化 xNew np.zeros((nVar)) # 初始化创建数组 xNow np.zeros((nVar)) # 初 始化创建数组 xBest np.zeros((nVar)) # 初始化创建数组 xNow[:] xInitial[:] # 初始化当前解将初始解置为当前解 xBest[:] xInitial[:] # 初始化最优解将当前解置为最优解 fxNow fxInitial # 将初始解的⽬标函数置为当前值 误差因子检验部分代码如下 误差因子分析 load (text.mat); Xdata;zzscore(X) %数据标准化 Mcov(z)[V,D]eig(M); ddiag(D); eig1sort(d,descend) vfliplr(V) S0; i0; while S/sum(eig1)0.85 ii1;SSeig1(i); end NEWz*v(:,1:i) 18 W100*eig1/sum(eig1) figure(1) pareto(W); title(贡献率直方图); L (v) * diag(sqrt(eig1)); %方差贡献 Var sum((L.^2)); %排序 Temp [Var;1:length(Var)];VarTemp flipud(sortrows(Temp,1)); L L(:,VarTemp(:,2)); Var VarTemp(:,1); j 0; Sum 0; while Sum/sum(Var) 0.85 j j 1;Sum Sum Var(j); end L_main L(:,1:j); H sum((L_main.^2),2); VarContr 100 * Var/sum(Var); figure(2) pareto(VarContr); title(因子旋转前方差贡献度); [L_New,psi,T,stats,F]factoran(z,j,rotate,varimax,scores,T homson); 19 %新的共同度 H sum((L_New.^2),2); 2第二小问类似 但是不是换电站地址不同 需要设两个变量 83.3% ?3 12 (10 − ?) % ≤ 90% 83.3% ?2 1 3 (10 − ?) % ≤ 90% 0 ≤ ?, ? ≤ 10 2 ? 10 − ? 220 ? 10 − ? 220 求解代码如下 想具体了解可以关注后私信 from sympy import symbols,solve,linsolve x,ysymbols(x y) f10.833-0.90.01*x*(1/3)0.05-0.01*y*0.5 print(solve([f1,f2]))print(linsolve([f1,f2],(x,y))) 3第三问要自己去查一下相关材料的价格进行调度安排以下是部分成本的价格 且该运输车的行驶情况与问题1类似。通过网上查询资料可知一辆电动运输车的均价为约为9万元则在118辆车所构成的一个循环中所需要的车辆成本为1062万元。  经查询深圳电价统计局以及深圳市新能源电动汽车网我们可发现该换电站选址处所使用的电为10千伏高供高计且每个充电桩的功率7kw而一个电池组充电时间约为3小时则每个电池组的容量约为21kw.h则一个循环所使用的电量为13608kw h 那么最后最低成本问题可以化简为电价最低因为其他几项成本基本上可以固定不会有太大的变化 考虑峰谷电价的影响需知一单位千瓦时各阶段时的成本即高峰时的价格低谷时的价格。经中国南方电网查询得 用电类别每月 10千伏高供高计 峰 平 谷 大量工商业及其他用电 250KW H及以下 1.02756875 0.67506875 0.23105875 250KW H及以上 1.00758875 0.65506875 0.21106875 再者还需知峰谷电价各个阶段的时间参考深圳市居民生活电价表里的峰谷电价阶段的各个时段 表2 电价阶段时间表 电价阶段 时间 峰期 10:00-12:00,14:00-19:00 平期 8:00-10:00,12:00-14:00,19:00-24:00 谷期 0:00-8:00 为了保证3年结算周期投资运行成本最低即应保证换电站的个数尽可能少则我们可以选择建立一个类似问题一的双向同址的换电站经查询一个充换电站成本约为260万元。 第三问部分代码如下 from sympy import symbols,solve totalElectricity648*21 max1.0075 average0.655 min0.211 averagecost9*60/464*13608*average print(低谷电价为,c3,单位为万元) print(车辆成本为,c4,单位为万元) print(换电设备成本为,c5,单位为万元) print(3年内总最低成本为,totalcost,单位为万元) 想具体了解可 关注后 私信我 4第四问与第一问类似 但是要考虑多个拿货点 稍微复杂一点 要设多个未知量来表示多个拿货点到换电站之间的距离但大题思路和第一问类似以下以两个拿货点为例 对X1的情况进行讨论 当有多个拿货点的时候与此类似当然两个拿货点之间最好至少要有一个换电站。  第四问部分代码如下 From sympy import symbols,solve,linsolve X1symbols(x1) f1(5/6)*x1*0.010.833-0.90print(solve([f10,f20])) 想具体了解可以关注后私信 如想了解更多可以点赞关注收藏然后私信这样系统提醒比较及时