2022深圳杯C题思路解析
Posted showswoller
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了2022深圳杯C题思路解析相关的知识,希望对你有一定的参考价值。
题目描述:
继续更新
再更问题三
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 𝑋? 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,因此这 1000 小时的运输过程中, 共派出了 118 辆车 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,即需要使用的电池组数为 108 × 6 = 648 组。 故总结 3:调度方案如下:98 辆车陆续被派往运输,经过程 1,第 1 辆车到达 B 点换电, 此时再从 A 处陆续派出 10 辆车。第 1 辆车换电完毕后上路,经过程 2,第 1 辆 车重新到达 A 点,而第 99 辆车到达 B 点换电,此时 A 点再派 10 辆车,从派出的 第 1 辆车重新开始循环。 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 𝑋? ,则它到 D 点的距离为 𝑋? 。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 下面是求解方程的源码from sympy import symbols,solve
#求解不等式组
x=symbols('x')
f1=(5/6)*x*0.01+0.833-0.90
f2=(10-x)*0.01*(5/6)+0.833-0.9
print(solve([f1<=0,f2<=0]))
f3=4*x+200-222
#求解等式
print(solve(4*x+200-222,x))
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from sympy import symbols,solve,linsolve
x,y=symbols('x y')
f1=0.833-0.9+0.01*x*(1/3)+0.05-0.01*y*0.5
f2=0.833-0.9+0.01*y*0.5+0.1*(1/3)-0.01*x*(1/3)
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,
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 |
为了极小化目标成本,由上述两表可知,运输车运输时,应尽量避免在电价高峰时期运输,即运输车应在10:00-12:00和14:00-19:00这两个时间段内休息,其余时间段运输。
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
totalElectricity=648*21
max=1.0075
average=0.655
min=0.211
averagecost=9*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")
具体调度方案及成本可关注后私1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,有需要可以关注后私信第一问部分源代码如下
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
x=symbols('x')
f1=(5/6)*x*0.01+0.833-0.90
f2=(10-x)*0.01*(5/6)+0.833-0.9
print(solve([f1<=0,f2<=0]))
f3=4*x+200-222 #求解等式
print(solve(4*x+200-222,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 fx+mk*(p1+p2) # 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,
y=f(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
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
以上是关于2022深圳杯C题思路解析的主要内容,如果未能解决你的问题,请参考以下文章