机动车检测站可持续选址随机布局优化研究

刘 月

（辽宁省交通运输事业发展中心， 辽宁 沈阳 110000）

0 引言

在选址问题中，需求量、用户位置等不断发生变化的影响因素被称为不确定因素[1-2]。 检测需求是机动车检测站选址问题中最主要的不确定因素， 因此将检测需求作为随机变量，结合能源、费用和碳排放量等环境因素，构建可持续选址的随机能效模型。 在模型中设置经济性约束、能力约束和区域约束，使选址问题更具有实际意义。

1 构建随机选址模型

1.1 基本参数

（1）i—检测用户所在区域数，i=1，2，…，m；

（2）j—检测站的选址数，j=1，2，…，n；

（3）（li，ui）—检测用户所在区域的位置坐标；

（4）（xj，yj）—建立检测站的位置坐标；

（5）ξij—从区域i 到检测站j 进行检测的车辆数；

（6）cij—从区域i 行驶到检测站j 每公里的费用，单位是元；

（7）qij—从区域i 行驶到检测站j 每公里的燃油消耗量，单位是L/km；

1.2 评价参数

评价参数主要包括： 检测用户行驶中产生的燃油消耗总量用Q 表示， 检测用户行驶中排放的CO2总量用F表示，检测用户行驶中产生的总费用用C 表示。

1.3 建立随机规划模型

基于以上的参数，构建带有CO2排放约束、费用约束、能力约束和区域约束的随机选址能效模型，即期望值能效模型和机会约束能效模型。

（1）期望值能效模型。 期望值能效模型是指在期望约束条件下，建立以能耗为目标的随机规划模型，并使模型结果达到最优[3]。 本文建立带有约束条件的期望值能效模型如下：

2 选择求解算法

随机模拟（SM）是求解随机概率函数的常用方法，它能够有效地解决随机规划问题。 分散搜索（SS）算法作为一种新的启发式算法，凭借它良好的优化性能，被广泛应用于求解优化模型[6-7]。 本文采用的是随机模拟和分散搜索混合算法，混合算法（SM+SS）流程见表1。

3 实例分析

以辽宁省抚顺市为例，进行随机能效模型的实例分析。该市行政区区政府和城市市政府所在地理位置及坐标见图1。 为了便于优化，将市政府位置视为相对坐标原点，各行政区中心位置坐标以及相关数据见表2。N（μ，σ）是正态分布。

表2 随机模型的典型参数描述

（1）新建两个检测站，检测能力为10，CO2排放量不超过2.5×104kg，总费用不超过2.3×105元，那么已构建的期望值能效模型如下所示：

由混合算法得出（x1，y1）=（-3945.77，-2440.53），（x2，y2）=（-3619.35，-1967.56），Q=8.829×103L，即在（-3945.77，-2440.53）和（-3619.35，-1967.56）两个位置建站时，检测用户行驶中的燃油消耗总量最小，为8.829×103L。 分布见图2。

图2 期望值能效选址分布示意图

（2）在α=0.9，β=0.9，γ=0.9 的置信水平下建立两个以低能耗为目标的检测站，总费用不超 过2×106元，CO2排放量不超过2.1×105kg。已建立的机会约束能效模型如下：

运行算法后得出 （x1，y1）=（-5748.29，-1324.91），（x2，y2）=（-1324.91，-3688.36），Q=1.077×104，即两个检测站的坐标分别为（-5748.29，-1324.91）和（-1324.91，-3688.36），分布见图3， 此时检测用户在行驶过程中燃油消耗总量最少，最少值是1.077×104L。

图3 机会约束能效模型选址分布示意图

为了检验混合算法是否有效， 将不同参数下的运算结果进行比较，结果见表3。 将混合算法和基于随机模拟的遗传算法进行比较，结果见表4。

表3 表明，不同参数情况下，运行结果之间的相对误差较小，SM+SS 所得结论可信。 由表4 可见，虽然SM+SS 运行时间更长，但最优解的平均值均优于SM+GA，表明SM+SS 相比于传统的方法，能够更有效地实现带有多个约束条件的随机选址模型的优化。

表3 不同参数下结果比较

表4 SM+SS 和SM+GA 算法比较

4 结论

本文将检测需求视为随机变量，构建检测站选址的随机能效模型， 包括期望值能效模型和机会约束能效模型。设计求解随机问题的混合算法，并通过实例对随机选址的布局优化进行了具体研究。 多次改变算法参数，将混合算法与传统算法进行比较，结果表明混合算法更能够应用于求解随机选址模型。为城市交通环境的规划以及合理布局提供了理论参考依据，对能源可持续发展具有重要意义。