基于MOPGA-NSGA-II 的电动车多目标路径优化研究(考虑路况天气与充电约束)(MATLAB 实现)

在Windows10上安装WSL2 WSL2是微软提供的Windows子系统,允许在Windows 10和11上运行Linux环境,提供更好的性能和兼容性。安装WSL2需要启用WSL功能、更新系统、安装WSL2内核,并设置为默认版本。之后,可以通过Microsoft Store安装Linux发行版,并使用WSL命令启动和管理它们。 阅读详情

前言

电动车路径规划和传统车辆不一样——不仅要考虑距离,还要考虑电量够不够、中途在哪充电、充电排多久的队。更关键的是,最短的路不一定最省电,最省电的路可能最费时间,三个目标之间存在天然的矛盾。

目前关于电动车充电的路径规划相关研究并没有烂大街,选择这个研究方向或许是个不错的选择,投稿也相对容易一些。

今天分享一个完整的 MATLAB 项目:用MOPGA 多目标向光生长算法来求解这个问题,找出一组 Pareto 最优路径,供决策者根据实际需求选择。


问题是什么?

一辆电动车要在 31 个节点组成的物流网络中跑一圈,每个节点恰好访问一次,最后回到出发点。

图片

这就是经典的旅行商问题(TSP),但加了电动车的约束:

  • 电池容量有限(60 kWh),跑着跑着会没电

  • 只有部分节点有充电站(31 个节点中 17 个可充电)

  • 电量低于 10% 时必须找地方充电,充电要排队、要花时间

三个优化目标:

目标

含义

最小化总距离

路径越短越好

最小化总能耗

越省电越好

最小化总耗时

行驶时间 + 充电时间 + 排队时间,越快越好

这三个目标互相矛盾:抄近路可能经过高能耗路段,绕远路省电但费时间。不存在一个"全局最优",只能找一组权衡解(Pareto 最优解集),让决策者自己挑。


数据从哪来?

数据来自于Kaggle公开数据集:https://www.kaggle.com/datasets/datasetengineer/ev-charging-load-dataset-and-optimal-routing/data

1. 节点数据集(location_dataset.csv)

  • 31 个地理节点,分布在约 95x95 km 的区域

  • 6 种类型:城市、港口、仓库、发电厂、工业区、矿区

  • 其中城市和港口设有充电站

2. EV 充电数据集(ev_charging_dataset.csv)

  • 64,945 条电动车充电记录

  • 包含路况(Good / Average / Poor)、天气(Clear / Cloudy / Rain / Storm)等环境信息

  • 从中提取关键参数:基础能耗率(0.18 kWh/km)、平均充电功率(50 kW)、平均排队时间(5 min)


路况、天气约束

现实中,同样一段路,路况差或者遇到暴风雨,能耗和速度会差很多。项目从 EV 数据集中提取了路况和天气对能耗与速度的影响,构建了两张倍率表:

能耗倍率(以基准 1.0 为参考):

晴天

多云

雨天

暴风雨

路况好

1.00

1.05

1.15

1.30

路况一般

1.15

1.20

1.35

1.50

路况差

1.35

1.45

1.60

1.80

可以看到,路况差 + 暴风雨时能耗是正常情况的 1.8 倍。

速度倍率(路况因子 x 天气因子):

  • 路况:好 100% → 一般 85% → 差 70%

  • 天气:晴 100% → 多云 95% → 雨 80% → 暴风雨 60%

路况差 + 暴风雨时速度只有正常的 **42%**(0.70 x 0.60),大幅增加行驶时间。

成本矩阵怎么设计的?

为了让三个目标之间产生真正的冲突(而不是"距离短=能耗低=时间少"的一边倒),每条边的能耗和时间由三个成分叠加:

能耗 = 基础固定成本 + 地形梯度 + 距离相关 + 路面随机因素

  • 地形梯度:北部地势高,能耗更大(模拟爬坡)

  • 路面随机因素:每条边有独立的随机能耗,代表局部坡度、路面质量、逆风等不可预测因素

时间 = 基础固定延迟 + 拥堵梯度 + 行驶时间 + 交通随机因素

  • 拥堵梯度:东部靠近城区,交通延迟更大

  • 交通随机因素:代表局部限速、施工、红绿灯密度等

这样设计的结果是:

  • 能耗最优路径偏好南部(地势低)

  • 时间最优路径偏好西部(拥堵少)

  • 距离最优路径走自己的最短几何路线

三个目标各自偏好不同区域,不存在一条路能同时满足所有目标。


用了什么算法?

  • 算法一:MOGWO(多目标灰狼优化)

  • 算法二:MOPGA(多目标向光生长算法)

环境选择机制:NSGA-II

两个算法都用了 NSGA-II 的环境选择:

  1. 非支配排序:Pareto 最优解优先保留

  2. 拥挤度距离:同层解中,越"孤立"的越优先保留(防止解扎堆)

这个机制确保种群既收敛到好的前沿,又保持多样性。


跑出来效果怎么样?

两个算法都成功找到了 100 个 Pareto 最优解,形成一个三维的权衡曲面。

从中选出 4 条代表性路径:

路径策略

距离

能耗

耗时

充电次数

最短距离

536 km

268 kWh

1720 min

5

最低能耗

958 km

214 kWh

1616 min

4

最短时间

792 km

247 kWh

1409 min

5

折中方案

747 km

226 kWh

1482 min

4

可以看到:

  • 最短距离的路径能耗反而最高(经过了高能耗路段)

  • 最低能耗的路径距离最长(绕道选择低能耗路段)

  • 最短时间是独立的第三种路径结构

  • 四条路径在地图上走向完全不同,说明三个目标确实存在真实冲突

MOGWO结果:

图片

图片

图片

MOPGA结果:

图片

图片

图片

两个算法的对比:

图片

图片

图片

图片


项目包含什么?

完整 MATLAB 代码,开箱即用:

图片

所有图表同时保存 .png 和 .fig 格式。

而且也不用担心不会写原理,我这里都已经为你写好了。

图片


获取此代码方式:关注 :g~z~h~  《淘个代码》

利用XGBoost实现短期电力负荷预测 本数据集为某地区2009年-2015年的用电负荷,时间片为每分钟这里我们定义了XGB模型作为实例,来进行模型训练,之后我们会对其使用网格搜索找到最优的参数。 阅读详情

相关推荐

保姆级教程:用STM32CubeMX配置GD32的CAN总线(含异常处理)

本文提供了一份详细的STM32CubeMX配置GD32 CAN总线开发指南,涵盖从HAL库移植到异常处理的全过程。重点解析GD32与STM32在CAN总线初始化、报文发送优先级处理等方面的关键差异,并提供优化代码维护与版本控制的实用策略,帮助开发者高效完成项目迁移。

onion的博客 831

基于MOPGA-NSGA-II 的电动车多目标路径优化研究(考虑路况天气与充电约束)(Matlab代码实现)

针对电动车辆在实际物流配送与城市出行场景中存在的续航限制、充电设施分布不均、行驶能耗受环境动态影响等问题,本文提出一种融合多目标向光生长算法(MOPGA)与非支配排序遗传算法(NSGA‑II)的混合智能优化算法,构建兼顾行驶总距离、总能耗与总出行时间的三目标电动车路径优化模型。模型在经典旅行商问题(TSP)框架下,引入电池容量约束、剩余电量阈值约束、充电站可选节点约束,同时量化路况与天气对车辆能耗倍率与行驶速度倍率的耦合影响,完整刻画充电时间、充电排队时间等实际出行成本。

q216605q的博客 395

RACECAR底层平台安装:Jetson Nano+ROS Melodic全栈部署指南

移动机器人开发中,底层平台安装是将硬件转化为可编程移动平台的关键起点。其核心在于嵌入式系统、ROS中间件与传感器驱动的深度协同——需兼顾内核模块加载、GPIO/PWM精确控制、I2C设备初始化及ROS工作空间构建等多层技术耦合。尤其在竞速级小车如RACECAR场景下,Jetson Nano的硬件加速能力、MPU6050 IMU固件加载、TB6612FNG电机驱动配置等细节,直接决定运动控制精度与实时性。本文聚焦Ubuntu 18.04 + ROS Melodic + JetPack 4.4.1技术栈,覆盖从

weixin_32025789的博客 257
上一篇: MATLAB代码实现DAN、DANN、CDAN跨工况无监督域故障诊断,两种经典数据集作为验证!
下一篇: 高创新原创代码:KAN-TiDE 刀具磨损预测,基于PHM2010数据集,Python代码
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值