一种基于改进遗传算法的环卫洗扫车智能调度方法及系统

1.本发明属于环卫行业技术领域，尤其是涉及一种基于改进遗传算法的环卫洗扫车智能调度方法及系统。


背景技术：

2.随着现代化社会的城市化进程的飞速发展，城市的街道面积急速扩张，同时需要清扫保洁需求也在剧增，洗扫车已成为城市街道保洁中重要的工具。当前环卫车清扫行业还是以人工作业形式为主，对于清扫工作中的洗扫车路径规划和调度主要依靠个人经验，容易造成车辆空驶成本增加，资源浪费的问题。
3.环卫洗扫车对于道路的清扫问题可以归类为一种经典的限量弧路由问题，当前对于限量弧路由问题主要通过元启发算法进行求解，其中遗传算法是求解该类问题的有力算法。遗传算法是一种十分高效的的全局算法，现在已经大量的运用于许多现实世界中的组合优化问题。当前环卫行业技术领域在洗扫车的优化调度方面大量的使用遗传算法进行求解，而当前该领域对遗传算法的应用仍存在一些弊端：当前技术领域使用的遗传算法在局部的搜索能力方面表现薄弱，导致洗扫车优化调度方案结果欠佳。


技术实现要素：

4.本发明目的是针对目前技术的不足，提出了一种基于改进遗传算法的环卫洗扫车智能调度方法及系统，它将传统遗传算法和局部搜索算法与模拟退火算法相结合，该调度方法解决了传统遗传算法的局部搜索能力差的问题。
5.本发明采用改进的遗传算法来对车场中的每个车辆进行行驶路径的规划，首先根据清扫区域的路径信息中的水量需求和车辆的水箱容积来判断所需的车辆数，然后通过获取的路网信息和车辆信息应用改进的遗传算法来进行全局的路径规划操作，包括初始化种群，交叉操作，以及适用于本问题的改进的变异操作，即局部搜索操作。其提供的具体技术方案如下：
6.第一方面，本发明提供一种基于改进的遗传算法的环卫洗扫车智能调度方法，包括步骤：
7.s1：获取路网信息，其中包括需要清扫路径的路径信息，不需要清扫路径的路径信息以及清扫该区域的水量需求量；
8.s2：获取进行本次洗扫任务的车辆信息，包括每个车辆水箱容积。所有车辆均为同一车型的车辆，即所有车辆的水箱容积相同。
9.s3：根据清扫区域的路径信息中的水量需求和车辆的水箱容积来判断所需的车辆数；
10.s4：将整个区域的路径按照改进的遗传算法获得最优调度方案，然后根据最优调度方案分配给所有车辆进行清扫工作；
11.进一步地，步骤s1具体是：
12.所述路网信息采用一个有向图g＝(v,a)表示，其中节点集合v＝{v1,v2,
…
,v
dep
,
…
,vn}，其中v
dep
表示车场节点的编号。弧集合a＝{u1,u2,...,um,...}，每条弧um都有一个头节点和一个尾节点，以及一个经过成本,同时每条弧都有一条反向的弧ui与弧um对应,且inv(ui)＝um,inv(um)＝ui,tail(ui)＝head(um),head(ui)＝tail(um)，dc(ui)＝dc(um)。inv(
·
)表示反向操作，tail(
·
)表示尾节点，h ead(
·
)表示头节点。同时弧集合a＝{ar,a
l
}，ar表示需要被服务的任务弧集合，即需要清扫的路径集合。a
l
表示不需要被服务的弧集合，即不需要清扫的路径集合。集合ar中的每条任务弧ua都有一个需求水量dm(ua),以及一个服务成本sc(ua),同时每条任务弧都有一条反向的任务弧ub与任务弧ua对应,且dm(ub)＝dm(ua)，sc(ub)＝sc(ua)。所有车辆在进行清扫工作时均从车场节点出发，在完成所有清扫任务后返回车场节点，每个任务路径必须被清扫且只能被清扫一次，而且可以从两个方向中的任意一个方向去清扫。所有车辆均从同一车场出发，整个清扫区域内只有一个车场节点。
13.进一步地，步骤s3具体是：
14.在判断所需车辆数时，使用如下公式判断：
[0015][0016]
其中totalcost表示整个区域的清扫所需水量，velcost表示单辆车的水箱容积，n表示所需车辆数。
[0017]
进一步地，步骤s4具体是：
[0018]
s41：设置初始迭代数ite＝1，最大迭代数gm；对染色体采用实数编码，首先进行种群初始化操作，随机产生popsize条染色体，这popsize条染色体组成初始群体。假设有向图中所有任务弧都由一辆无水箱容量限制的车辆完成，一条染色体就是一个任务序列，每条染色体的任务序列按照任务分割法进行分割，从而得到具体的调度方案。每两条任务弧之间存在着一条最短路径用于连接，每两条任务弧之间连接的路径由floyd算法求出。
[0019]
所述任务分割法是按照任务序列依次分配任务，首先从第一个任务开始依次计算所有路径所需水量大小，如果下一条任务加上当前任务的水量需求小于当前车辆的水箱容积，则将下一条任务继续分配给当前车辆，如果不是，则当前车辆不服务下一条任务，从当前任务结束后直接返回车场。
[0020]
对每条染色体进行任务分割法操作可得到具体的调度方案，根据调度方案计算这popsize条染色体的适应度值，适应度函数具体为
[0021][0022]
其中si为任务弧，sc(si)为任务弧的服务成本，dc(si，s
i+1
)为任务si和任务s
i+1
之间的最短路径的经过成本。
[0023]
在群体中挑选适应度值最佳的个体，即适应度值最小的个体，将适应度值记为bestcost。
[0024]
s42：判断当前迭代数是否达到最大迭代数gm，若是则结束并输出最优方案和适应度值，若否则执行s43；
[0025]
s43：判断产生的子代数目是否达到5*popsize，若达到则执行s46，若否则执行s44。
[0026]
s44：使用二元锦标赛法从初始群体中选择两个父代染色体f1，f2来进行线性顺序交叉操作(linear order crossover)，交叉操作后会产生两个新的子代染色体s1，s2，随机选取其中一个作为后续局部搜索操作的个体。判断该染色体是否和当前种群中的染色体个体有重复，如果初始种群中有与该染色体相同的个体，则重新进行交叉操作，如果没有相同个体则计算该染色体的适应度值大小，记为f
old
。
[0027]
s45：将步骤s44选择的子代个体进行局部搜索操作，具体过程如下：
[0028]
s451在局部搜索操作中，随机生成[0,1]之间的随机数a，判断是否满足a＜pf，其中pf为局部搜索概率，若是则进行局部搜索，执行步骤s452，若否则不进行局部搜索，将交叉操作生成的染色体个体加入当前种群，执行步骤s43。
[0029]
s452对子代染色体分别使用单边插入算子(single-insertion)，双边插入算子(double-insertion)，交换算子和2-opt算子，从而得到了4种不同的变异染色体。四个不同局部搜索算子具体操作如下：
[0030]
单边插入算子：该算子将染色体中的一条任务从其当前位置删除，然后在另一个位置重新插入。
[0031]
双边插入算子：该算子将染色体中的两条连续的任务从其当前服务位置删除并重新在另一个位置重新插入。
[0032]
交换算子：该算子选择两条不同的任务并交换其位置。
[0033]
2-opt算子：该算子选择染色体中的的一条子回路(回路中的一段)并将其进行反向操作。
[0034]
按照所述的任务分割法对4个染色体进行分割，从而得到每个染色体所特指的车辆调度方案，依据具体的车辆调度方案和适应度函数算出每个染色体的适应度值大小，比较这4种不同调度方案的适应度值，选取其中适应度最小的调度方案作为最优调度方案，即局部搜索操作后产生的染色体，并记当前最优调度方案的适应度值为f
new
。
[0035]
s453根据模拟退火算法中的metropolis准则来判断是否接受这个新染色体：
[0036]
随机生成[0,1]之间的随机数b；
[0037]
如果f
new
≤f
old
，则接受该染色体，同时判断该染色体是否和当前种群中的染色体个体有重复，如果有重复，则将该染色体f
new
替换掉原先种群的相同个体,否则将该染色体f
new
加入当前种群中；如果f
new
＞f
old
，判断随机数b是否小于概率p，若是则接受这个新染色体f
new
，同时判断该染色体f
new
是否和当前种群中的染色体个体有重复，如果有重复，则将该染色体f
new
替换掉原先种群的相同个体,否则将该染色体f
new
加入当前种群中；若随机数b大于概率p则将f
old
加入当前种群中。之后执行步骤s43；
[0038]
metropolis准则如下：
[0039][0040]
其中t为模拟退火算法中的温度，其中t随着迭代次数的增加逐步衰减，t
ite
＝α*t
ite-1
，其中α为温度衰减系数，t0为初始温度；
[0041]
s46：将步骤s44-s45产生的后代群体与当前群体进行合并排序，按照适应度值，选
取前popsize个个体构成新种群，同时更新迭代数ite＝ite+1，转到步骤s42。
[0042]
第二方面，本发明提供一种环卫洗扫车智能调度的系统，所述系统包括：
[0043]
路网信息获取模块，用于获取路网信息。
[0044]
车辆信息获取模块，用于获取车场中车辆的车辆信息，包括每个车辆水箱容积。
[0045]
所需车辆数判断模块，根据清扫区域的路径信息中的水量需求和车辆的水箱容积来判断所需的车辆数；
[0046]
路径规划模块，将整个区域的路径按照改进的遗传算法获得最优调度方案，然后根据最优调度方案分配给所有车辆进行清扫工作。
[0047]
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行所述的方法。
[0048]
第四方面，本发明提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的方法。
[0049]
本发明的有益效果是：
[0050]
(1)根据具体的洗扫车优化调度领域的情况，改进传统遗传算法中的变异操作，结合实际洗扫车工作的具体情形将算法中原先的变异操作改成适用于该技术领域的局部搜索操作，从而增强算法在局部搜索能力上的不足，强化了算法在该领域中的优化调度能力。
[0051]
(2)结合实际洗扫车工作的具体情形，在算法中的局部搜索操作之后加入模拟退火算法的思想，避免了在局部搜索前期可能由于适应度值的问题舍弃掉一些染色体个体，而这些染色体中可能存在优良的基因片段，从而在一定程度上优化了算法在洗扫车优化调度领域的中求解最优方案的能力。
附图说明
[0052]
图1：一种环卫洗扫车路径规划与车辆调度的方法的流程示意图。
[0053]
图2：一种环卫洗扫车路径规划的改进的遗传算法流程图。
[0054]
图3：改进遗传算法中的局部搜索过程示意图。
[0055]
图4：一种环卫洗扫车路径规划与车辆调度的模块示意图。
具体实施方式
[0056]
下面结合附图和具体实施方式对本发明的具体实施方式做进一步详细描述。以下实施例或者附图用于说明本发明，但不用来限制本发明的范围。
[0057]
请参阅图2，本实施例提供一种环卫洗扫车路径规划与车辆调度的方法及系统，涉及环卫洗扫车技术领域。
[0058]
包括以下步骤：获取洗扫车清扫地区的路网图，其中包括需要清扫路径的路径信息，不需要清扫路径的路径信息以及清扫该区域的水量需求量；获取进行本次洗扫任务的车辆信息，包括每个车辆水箱容积；根据清扫区域的路径信息中的水量需求来判断所需的车辆数；将整个区域的路径按照改进的遗传算法分配给所有车辆进行清扫工作。所述路网信息采用一个有向图g＝(v,a)表示，其中节点集合v＝{v1,v2,
…
,v
dep
,
…
,vn}，其中v
dep
表示车场节点的编号。弧集合a＝{u1,u2,...,um,...}，每条弧um都有一个头节点和一个尾节点，以及一个经过成本,同时每条弧都有一条反向的弧ui与弧um对应,且inv(ui)＝um,inv(um)＝
ui,tail(ui)＝h ead(um),g ead(ui)＝tail(um)，dc(ui)＝dc(um)。inv(
·
)表示反向操作，tail(
·
)表示尾节点，h ead(
·
)表示头节点。同时弧集合a＝{ar,a
l
}，ar表示需要被服务的任务弧集合，即需要清扫的路径集合。a
l
表示不需要被服务的弧集合，即不需要清扫的路径集合。集合ar中的每条任务弧ua都有一个需求水量dm(ua),以及一个服务成本sc(ua),同时每条任务弧都有一条反向的任务弧ub与任务弧ua对应,且dm(ub)＝dm(ua)，sc(ub)＝sc(ua)。所有车辆在进行清扫工作时均从车场节点出发，在完成所有清扫任务后返回车场节点，且所有车辆均从同一车场出发，整个清扫区域内只有一个车场节点。
[0059]
请参阅图2，本实施例提供一种环卫洗扫车路径规划的改进的遗传算法，包括以下步骤：
[0060]
s1：本发明采用实数编码，而不是常规遗传算法中的二进制编码，首先进行种群初始化操作，忽略问题中的车辆限制，假设所有的任务弧都由一辆无容量限制的车辆完成，一条染色体就是一种求解方案，每种求解方案是一个任务序列。假设总共有8条弧需要服务，则8条任务弧被编号为12345678这八个编号，而其中一种染色体可以是23168745，每两条任务之间存在着一条最短路径用于连接。每两条任务弧之间连接的路径可由floyd算法求出。接着考虑将任务路径分配给具体的每个车辆，本发明采取的是按照每条染色体的任务序列，从左至右开始分配任务，首先从第一个任务开始依次计算路径所需水量大小，如果下一条路径加上现有路径的水量需求小于当前车辆的水箱容积，则将下一段继续分配给当前车辆，如果不是，则当前车辆不服务下一路径，从当前任务路径直接返回车场，本发明中将其称为任务分割法。在初始化阶段，随机产生popsize条染色体，这popsize条染色体组成初始群体。计算这popsize条染色体的适应值，本发明中，适应度函数具体为群体。计算这popsize条染色体的适应值，本发明中，适应度函数具体为其中si为具体的任务弧，sc(si)为任务弧的服务成本，dc(si，s
i+1
)为任务si和任务s
i+1
之间的最短路径的经过成本。记录其中适应度值最佳的个体，即适应度值最小的个体，将其值记为bestcost。
[0061]
s2：设置初始迭代数ite＝1。同时设置最大迭代数gm，当迭代数达到gm则结束算法并输出最优方案和费用消耗。
[0062]
s3：判断产生的子代数目是否达到5*popsize，若达到指定数目，则转s6，否则继续算法，接s4。
[0063]
s4：使用二元锦标赛法从初始群体中选择两个父代染色体f1，f2来进行lox交叉操作，交叉操作后会产生两个新的子代染色体s1，s2，随机选取其中一个作为后续局部搜索操作的个体。判断该染色体是否和当前种群中的染色体个体有重复，如果初始种群中有与该染色体相同的个体，则重新进行交叉操作，若没有重复则计算该染色体的适应度值大小，记为f
old
。
[0064]
s5：将上一步选择的子代个体进行局部搜索操作，具体过程如下。首先，在局部搜索操作中，随机生成[0,1]之间的随机数a，若a＜pf则进行局部搜索，否则不进行局部搜索，其中pf为局部搜索概率。对子代染色体分别使用si算子，di算子，交换算子和2-opt算子，从而得到了4种不同的变异染色体，按照本发明所述的任务分割法对4个染色体进行分割，从而得到每个染色体所特指的车辆调度方案，依据具体的调度方案和适应度函数算出每个染色体的适应度值大小，比较这4种不同调度方案的适应度值，选取其中适应度值最小的作为最后的结果，即局部搜索操作后产生的染色体。计算其适应度值，将其记为f
new
。根据模拟退
火算法中的metropolis准则来判断是否接受这个新染色体，如果f
new
≤f
old
，则接受该染色体，同时判断该染色体是否和当前种群中的染色体个体有重复，如果初始种群中有与该染色体相同的个体，则将该个体替换掉原先种群的相同个体,否则将该染色体加入种群中；如果f
new
＞f
old
，则依据metropolis准则来判断是否接受这个新染色体，metropolis准则如下：其中t为模拟退火算法中的温度，其中t随着迭代次数的增加逐步衰减，t
ite
＝α*t
ite-1
，其中α为温度衰减系数，同样的如果初始种群中有与该染色体相同的个体，则将该个体替换掉原先种群的相同个体，若否则将该染色体加入种群中。如果根据metropolis准则判断不接受适应度值为f
new
的染色体，则将适应度值为f
old
的染色体加入当前种群。当产生了一个新的个体，将子代数目计数加一，同时转到步骤s3。
[0065]
s6：将后代群体与当前群体进行合并排序，按照适应度值进行从小到大排序，选取前popsize个个体构成新种群，同时将迭代数ite加一，转到s2。
[0066]
请参阅图4，本发明实施例还公开一种环卫洗扫车路径规划与车辆调度的系统，其中包括：路网信息获取模块、车辆信息获取模块、所需车辆数判断模块、路径规划与车辆调度模块。
[0067]
路网信息获取模块1，用于获取路网信息。
[0068]
车辆信息获取模块2，用于获取车场中车辆的车辆信息，包括每个车辆水箱容积。
[0069]
所需车辆数判断模块3，根据清扫区域的路径信息中的水量需求和车辆的水箱容积来判断所需的车辆数；
[0070]
路径规划模块4，将整个区域的路径按照改进的遗传算法获得最优调度方案，然后根据最优调度方案分配给所有车辆进行清扫工作。
[0071]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于改进遗传算法的环卫洗扫车智能调度方法，其特征在于所述方法包括以下步骤：s1：获取路网信息，其中包括需要清扫路径的路径信息，不需要清扫路径的路径信息以及清扫该区域的水量需求量；s2：获取进行本次洗扫任务的车辆信息，包括每个车辆水箱容积；s3：根据清扫区域的路径信息中的水量需求和车辆的水箱容积来判断所需的车辆数；s4：将整个区域的路径按照改进的遗传算法获得最优调度方案，然后根据最优调度方案分配给所有车辆进行清扫工作；具体是：s41：设置初始迭代数ite＝1，最大迭代数gm；对染色体采用实数编码，首先进行种群初始化操作，随机产生popsize条染色体，这popsize条染色体组成初始群体；假设有向图中所有任务弧都由一辆无水箱容量限制的车辆完成，一条染色体就是一个任务序列，每条染色体的任务序列按照任务分割法进行分割，从而得到具体的调度方案；每两条任务弧之间存在着一条最短路径用于连接；对每条染色体进行任务分割法操作可得到具体的调度方案，根据调度方案计算这popsize条染色体的适应度值，适应度函数具体为：其中s
i
为任务弧，sc(s
i
)为任务弧的服务成本，dc(s
i
，s
i+1
)为任务s
i
和任务s
i+1
之间的最短路径的经过成本；在群体中挑选适应度值最佳的个体，即适应度值最小的个体，将适应度值记为bestcost；s42：判断当前迭代数是否达到最大迭代数gm，若是则结束并输出最优方案和适应度值，若否则执行s43；s43：判断产生的子代数目是否达到5*popsize，若达到则执行s46，若否则执行s44；s44：使用二元锦标赛法从初始群体中选择两个父代染色体f1、f2来进行线性顺序交叉操作，交叉操作后会产生两个新的子代染色体s1、s2，随机选取其中一个作为后续局部搜索操作的个体；判断所选的染色体是否和当前种群中的染色体个体有重复，如果初始种群中有与该染色体相同的个体，则重复步骤s44，重新进行交叉操作，如果没有相同个体则计算该染色体的适应度值大小，记为f
old
；s45：将步骤s44选择的子代个体进行局部搜索操作；s46：将步骤s44-s45产生的后代群体与当前群体进行合并排序，按照适应度值，选取前popsize个个体构成新种群，同时更新迭代数ite＝ite+1，转到步骤s42。2.根据权利要求1所述方法，其特征在于步骤s1具体是：所述路网信息采用一个有向图g＝(v，a)表示，其中节点集合v＝{v1，v2，...，v
dep
，...，v
n
}，其中v
dep
表示车场节点的编号；弧集合a＝{u1，u2，...，u
m
，...}，每条弧u
m
都有一个头节点和一个尾节点，以及一个经过成本，同时每条弧都有一条反向的弧u
i
与弧u
m
对应，且inv(u
i
)＝u
m
，inv(u
m
)＝u
i
，tail(u
i
)＝head(u
m
)，head(u
i
)＝tail(u
m
)，dc(u
i
)＝dc(u
m
)；inv(
·
)表示反向操作，tail(
·
)表示尾节点，head(
·
)表示头节点；同时弧集合a＝{a
r
，a
l
}，a
r
表示需要被服务的任务弧集合，即需要清扫的路径集合；a
l
表示不需要被服务的弧集合，即不需要清扫的路径集合；集合a
r
中的每条任务弧u
a
都有一个需求水量dm(u
a
)，以及一个服务成本sc(u
a
)，同时每条任务弧都有一条反向的任务弧u
b
与任务弧u
a
对应，且dm(u
b
)＝dm(u
a
)，sc(u
b
)＝sc(u
a
)；所有车辆在进行清扫工作时均从车场节点出发，在完成所有清扫任务后返回车场节点，每个任务路径必须被清扫且只能被清扫一次，而且可以从两个方向中的任意一个方向去清扫；所有车辆均从同一车场出发，整个清扫区域内只有一个车场节点。3.根据权利要求1或2所述方法，其特征在于步骤s3具体是：在判断所需车辆数时，使用如下公式判断：其中totalcost表示整个区域的清扫所需水量，velcost表示单辆车的水箱容积，n表示所需车辆数。4.根据权利要求1所述方法，其特征在于步骤s41中每两条任务弧之间连接的路径由floyd算法求出。5.根据权利要求1所述方法，其特征在于步骤s41中所述任务分割法是按照任务序列依次分配任务，首先从第一个任务开始依次计算所有路径所需水量大小，如果下一条任务加上当前任务的水量需求小于当前车辆的水箱容积，则将下一条任务继续分配给当前车辆，如果不是，则当前车辆不服务下一条任务，从当前任务结束后直接返回车场。6.根据权利要求1所述方法，其特征在于步骤s45具体是：s451在局部搜索操作中，随机生成[0，1]之间的随机数a，判断是否满足a＜p
f
，其中p
f
为局部搜索概率，若是则进行局部搜索，执行步骤s452，若否则不进行局部搜索，将交叉操作生成的染色体个体加入当前种群，执行步骤s43；s452对子代染色体分别使用单边插入算子、双边插入算子、交换算子和2-opt算子，从而得到4种不同的变异染色体；按照任务分割法对4个染色体进行分割，从而得到每个染色体所特指的车辆调度方案，依据具体的车辆调度方案和适应度函数算出每个染色体的适应度值大小，比较这4种不同调度方案的适应度值，选取其中适应度最小的调度方案作为最优调度方案，即局部搜索操作后产生的染色体，并记当前最优调度方案的适应度值为f
new
；s453根据模拟退火算法中的metropolis准则来判断是否接受这个新染色体：随机生成[0，1]之间的随机数b；如果f
new
≤f
old
，则接受该染色体，同时判断该染色体是否和当前种群中的染色体个体有重复，如果有重复，则将该染色体f
new
替换掉原先种群的相同个体，否则将该染色体f
new
加入当前种群中；如果f
new
＞f
old
，判断随机数b是否小于概率p，若是则接受这个新染色体f
new
，同时判断该染色体f
new
是否和当前种群中的染色体个体有重复，如果有重复，则将该染色体f
new
替换掉原先种群的相同个体，否则将该染色体f
new
加入当前种群中；若随机数b大于概率p则将f
old
加入当前种群中；之后执行步骤s43。7.根据权利要求5所述方法，其特征在于步骤s453中metropolis准则如下：
其中t为模拟退火算法中的温度，其中t随着迭代次数的增加逐步衰减，t
ite
＝α*t
ite-1
，其中α为温度衰减系数，t0为初始温度。8.实现权利要求1-7任一项所述方法的环卫洗扫车智能调度系统，其特征在于包括：路网信息获取模块，用于获取路网信息。车辆信息获取模块，用于获取车场中车辆的车辆信息，包括每个车辆水箱容积。所需车辆数判断模块，根据清扫区域的路径信息中的水量需求和车辆的水箱容积来判断所需的车辆数；路径规划模块，将整个区域的路径按照改进的遗传算法获得最优调度方案，然后根据最优调度方案分配给所有车辆进行清扫工作。9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。10.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-7中任一项所述的方法。

技术总结
本发明涉及一种基于改进遗传算法的环卫洗扫车智能调度方法及系统。包括以下步骤：获取洗扫车清扫地区的路网图，其中包括需要清扫路段的路径信息，不需要清扫路段的路径信息以及清扫该区域的水量需求量；获取进行本次洗扫任务的车辆信息，包括每个车辆水箱容积；根据清扫区域的路径信息中的水量需求来判断所需的车辆数；将整个区域的路径按照改进的遗传算法计算出的结果分配给所有车辆进行清扫工作，本发明可解决原先主要由人工技术作业的方式，降低车辆的空驶成本，减少洗扫车工作成本，提高了工作效率，降低了劳动成本。降低了劳动成本。降低了劳动成本。


技术研发人员：郑城钦 王剑 张志刚 王大全
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.05.16
技术公布日：2023/8/14