謝 婷

（安徽省馬鞍山市委黨校，安徽馬鞍山243011）

RA 網(wǎng)絡(luò)多協(xié)同排序算法模型及算法研究

謝 婷

（安徽省馬鞍山市委黨校，安徽馬鞍山243011）

針對(duì)當(dāng)下約車(chē)平臺(tái)迅猛發(fā)展的態(tài)勢(shì)，就其中廣泛關(guān)注的問(wèn)題——RA網(wǎng)絡(luò)多協(xié)同排序問(wèn)題進(jìn)行了探究。針對(duì)滴滴出行的實(shí)際數(shù)據(jù)，將RA網(wǎng)絡(luò)多協(xié)同排序問(wèn)題轉(zhuǎn)化為求解數(shù)學(xué)模型兩個(gè)評(píng)價(jià)指標(biāo)最優(yōu)解的問(wèn)題，基于傳統(tǒng)的免疫算法（generate and test）的相關(guān)概念，融合半解析解的相關(guān)思想，構(gòu)建一種優(yōu)化算法GBFA（Generate Bacterial Foraging Algorithm），進(jìn)而提出了基于GBFA算法的RA網(wǎng)絡(luò)多協(xié)同排序算法，并據(jù)此開(kāi)發(fā)RA網(wǎng)絡(luò)多協(xié)同排序軟件”RA－LC”。以滴滴出行北京市2015年5月—2016年4月的數(shù)據(jù)為對(duì)比對(duì)象，利用RA－LC對(duì)相關(guān)實(shí)例進(jìn)行仿真，結(jié)果顯示該算法對(duì)于時(shí)間預(yù)測(cè)具有較高的準(zhǔn)確度，對(duì)于RA網(wǎng)絡(luò)多協(xié)同排序問(wèn)題具有極佳的適用性和精確度。

多協(xié)同排序；Mathematica；GBFA；滴滴出行；時(shí)間預(yù)測(cè)

0 引言

網(wǎng)絡(luò)約車(chē)平臺(tái)的迅猛發(fā)展已悄然改變了人們的生產(chǎn)、生活方式［1］?？蛻?hù)發(fā)單（request）與司機(jī)的應(yīng)答（answer）涉及到復(fù)雜的排序問(wèn)題，在同一片區(qū)往往存在著多名司機(jī)，司機(jī)彼此之間的線路相互影響，使得request－answer網(wǎng)絡(luò)（RA網(wǎng)絡(luò)）極其復(fù)雜，應(yīng)加強(qiáng)RA網(wǎng)絡(luò)的關(guān)聯(lián)性，進(jìn)而凸顯出多協(xié)同排序算法研究的重要性和必要性［2－3］。

鑒于此，國(guó)內(nèi)外學(xué)者對(duì)RA網(wǎng)絡(luò)的多協(xié)同排序算法進(jìn)行了大量研究。Cui J X、Shen H［4－5］等人利用GPS定位對(duì)司機(jī)位置進(jìn)行的計(jì)算，通過(guò)對(duì)司機(jī)當(dāng)前行進(jìn)數(shù)據(jù)進(jìn)行擬合，計(jì)算出司機(jī)達(dá)到客戶(hù)發(fā)單（request）位置的時(shí)間，依照到達(dá)時(shí)間的長(zhǎng)短由低到高排序，但文獻(xiàn)［4］和文獻(xiàn)［5］僅僅考慮了當(dāng)前數(shù)據(jù)的效用，沒(méi)有將堵車(chē)、遲緩度加入?yún)f(xié)同決策方案中。Petrovic′M［6］基于改進(jìn)后的粒子群算法，將行進(jìn)過(guò)程中的堵車(chē)問(wèn)題以概率的形式加入到?jīng)Q策函數(shù)中，排序的結(jié)果更加有效，但是文獻(xiàn)［6］依舊沒(méi)有利用歷史數(shù)據(jù)，導(dǎo)致排序仿真的結(jié)果與實(shí)驗(yàn)結(jié)果有較大的出入。Huang X［7］、Jianxun Cui［8］等人基于優(yōu)步約車(chē)平臺(tái)的運(yùn)行數(shù)據(jù)，對(duì)于RA網(wǎng)絡(luò)進(jìn)行多變量的數(shù)據(jù)擬合，從而為排序提供支持，但是文獻(xiàn)［7］和文獻(xiàn)［8］所使用的擬合模型僅僅是多項(xiàng)式擬合，導(dǎo)致了誤差較大，量綱不統(tǒng)一。SAVCHENKO［9］基于量綱分析法，依照的司機(jī)行車(chē)歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)擬合，但擬合模型僅僅是多項(xiàng)式擬合，導(dǎo)致了擬合結(jié)果與真實(shí)情況相差較大。

本文在前人的研究基礎(chǔ)上，選用細(xì)菌覓食算法（簡(jiǎn)稱(chēng)BFA，下同），同時(shí)基于免疫算法（generate and test）的相關(guān)概念，融合半解析解的相關(guān)思想［10］，針對(duì)BFA算法的3個(gè)操作環(huán)節(jié)（復(fù)制操作環(huán)節(jié)、趨向性操作環(huán)節(jié)和遷移操作環(huán)節(jié)），提出BFA的一種優(yōu)化算法GBFA（Generate Bacterial Foraging Algorithm）：將趨向性操作環(huán)節(jié)中的步長(zhǎng)變?yōu)榉枪潭ú介L(zhǎng)，可以隨著計(jì)算的進(jìn)行而改變，建立趨向性操作步長(zhǎng)的動(dòng)態(tài)更新機(jī)制；此后，利用免疫算法（generate and test）替換BFA的復(fù)制操作環(huán)節(jié)，針對(duì)細(xì)菌群落進(jìn)行篩選，將其中適應(yīng)度較高的細(xì)菌復(fù)制并替換適應(yīng)度較低的細(xì)菌；最后，在遷移操作環(huán)節(jié)中，適應(yīng)度最高的個(gè)體被驅(qū)散的概率為0，適應(yīng)度其他的個(gè)體被驅(qū)散的概率為Ped。利用GBFA算法，針對(duì)RA網(wǎng)絡(luò)建立了以最短接車(chē)時(shí)間為目標(biāo)函數(shù)的數(shù)學(xué)模型，并注重考慮了堵車(chē)、司機(jī)遲緩、司機(jī)到達(dá)后客戶(hù)尋車(chē)等因素，構(gòu)建完整的RA網(wǎng)絡(luò)多協(xié)同排序模型。并利用滴滴出行的歷史數(shù)據(jù)進(jìn)行仿真驗(yàn)算，驗(yàn)證本文所提出的RA網(wǎng)絡(luò)多協(xié)同排序模型的適用性和算法的優(yōu)越性，以期為當(dāng)下約車(chē)平臺(tái)提供更加合理的排序模型。

1 模型構(gòu)建

1．1 問(wèn)題定義

客戶(hù)打開(kāi)滴滴出行APP，滴滴出行APP自動(dòng)定位客戶(hù)的位置，客戶(hù)輸入目的地后進(jìn)行“呼叫”操作，這便是發(fā)單（request）；滴滴出行APP將request命令導(dǎo)入云處理器并傳送給某位司機(jī)，該司機(jī)接單后便完成了一次應(yīng)答（answer）。

自司機(jī)應(yīng)答（answer）并送客戶(hù)至目的地為一次MISSION，整個(gè)事件耗時(shí)為T(mén)IME。

滴滴出行APP將某個(gè)城市劃分成為n個(gè)區(qū)域，該城市區(qū)域的集合為D，被劃分的區(qū)域?yàn)閐，則有

將一天的時(shí)間劃分為144個(gè)時(shí)間片｛t1，t2，t3，…，t144｝，每個(gè)時(shí)間片的長(zhǎng)度為10min。對(duì)于區(qū)域di，在時(shí)間片tj，有rij個(gè)客戶(hù)request，同時(shí)有aij個(gè)司機(jī)成功進(jìn)行了aij次answer；對(duì)于區(qū)域di，在時(shí)間片tj，需求demandij，供給supplyij＝aij，供需缺口gapij可以表示為

1．2 評(píng)價(jià)指標(biāo)

對(duì)n個(gè)區(qū)域和q個(gè)時(shí)間片，對(duì)于區(qū)域di，在時(shí)間片tj，供需缺口為gapij，算法計(jì)算出缺口為sij，以MAPE作為排序計(jì)算精度的評(píng)價(jià)指標(biāo)

以TIME的最優(yōu)解作為排序計(jì)算效用的評(píng)價(jià)指標(biāo)。

2 算法簡(jiǎn)介

將RA網(wǎng)絡(luò)多協(xié)同排序模型問(wèn)題轉(zhuǎn)化為求解兩個(gè)評(píng)價(jià)指標(biāo)最優(yōu)值的問(wèn)題，以下利用GBFA算法進(jìn)行解答。

2．1 GBFA算法的基本思想

BFA中第i次的步長(zhǎng)為

式中：Ns為BFA虛擬的細(xì)菌群落中細(xì)菌游動(dòng)的最大次數(shù)；Led為細(xì)菌游動(dòng)的初始步長(zhǎng)。

細(xì)菌移動(dòng)的每一次步長(zhǎng)均小于初始步長(zhǎng)Led。并且，計(jì)算開(kāi)始之時(shí)（i值較小），第i次的步長(zhǎng)Ci很大，可以提高搜索的速度，使得計(jì)算可以更快進(jìn)行；隨著計(jì)算過(guò)程的進(jìn)行（i值的增大），第i次的步長(zhǎng)Ci會(huì)越來(lái)越小，這是為了在計(jì)算的后期，保證足夠的收斂精度。

在趨向性操作步長(zhǎng)的動(dòng)態(tài)更新機(jī)制建立之后，將群落中所有細(xì)菌的適應(yīng)度進(jìn)行累加，并按從大到小的順序進(jìn)行排列，形成細(xì)菌序列。將細(xì)菌序列前m（m為百分比）部分的細(xì)菌進(jìn)行n次復(fù)制，將細(xì)菌序列中的其余細(xì)菌進(jìn)行剔除，m和n的關(guān)系為

如此一來(lái)，細(xì)菌群落中m部分的細(xì)菌代表了原有的細(xì)菌菌落，可以提高細(xì)菌群落的整體覓食能力。此后，依照如下步驟對(duì)細(xì)菌菌落進(jìn)行變異、繁殖：

1）挑選出細(xì)菌群落中適應(yīng)度較高的細(xì)菌，標(biāo)記為克隆群體A；

2）克隆群體A繁殖成為群體B：

式中max為取最大值函數(shù)。

3）對(duì)群體B進(jìn)行變異操作，生產(chǎn)群體C：

式中：random為隨機(jī)函數(shù)；B（i）為計(jì)算的克隆群體的個(gè)數(shù)；β為變異概率β，計(jì)算方法為

根據(jù)式（6）可知，適應(yīng)度越高的個(gè)體，變異概率β越大。

因?yàn)榻徊娣椒?/p>

式（7）中，x1、x2、x3、x4為克隆群體中4個(gè)不同的細(xì)菌。將群體C融合進(jìn)入群體B中，形成群體D：

4）對(duì)群體中，將其中前m（m為百分比）部分的細(xì)菌進(jìn)行n次復(fù)制，將其余細(xì)菌進(jìn)行剔除。

在傳統(tǒng)的BFA算法之中，需要設(shè)定一個(gè)遷移概率Ped，如果隨機(jī)數(shù)小于遷移概率Ped，就會(huì)對(duì)細(xì)菌進(jìn)行遷移操作。這樣做的目的是希望細(xì)菌可以躍出局部最優(yōu)解的陷阱。但是，這種做法同樣具有極大的弊端，因?yàn)檫w移概率Ped對(duì)于所有的細(xì)菌都有效，無(wú)論細(xì)菌的適應(yīng)度如何，都可能被遷移。GBFA算法在遷移操作環(huán)節(jié)中，適應(yīng)度最高的個(gè)體被驅(qū)散的概率為

式中：Round為四舍五入函數(shù)；S為細(xì)菌群落的整體個(gè)數(shù)；A（i）為計(jì)算的克隆群體A的個(gè)數(shù)；i為第i次計(jì)算；α為克隆的系數(shù)。

為了方便計(jì)算，將適應(yīng)度F進(jìn)行標(biāo)準(zhǔn)化0，適應(yīng)度最高的個(gè)體被驅(qū)散的概率為Ped，以提高搜索的速度。

根據(jù)以上思想，繪制GBFA算法流程圖，如圖1所示。

圖1 GBFA算法流程圖

化簡(jiǎn)得到

2．2 GBFA算法的斂散性

DASGUPTA對(duì)BFA算法的斂散性進(jìn)行了研究［11－12］，但是DASGUPTA沒(méi)有考慮BFA算法模擬菌群內(nèi)部各個(gè)細(xì)菌個(gè)體之間的影響。筆者提出的GBFA雖然沒(méi)有觸及到傳統(tǒng)BFA算法的定義基礎(chǔ)，但是由于免疫算法的加入，需要重新證明GBFA的斂散性。

根據(jù)李濤［13］的研究：對(duì)于抗體種群A0，抗體空間幾何為I＊，v（A（k））為計(jì)算所得最優(yōu)解的個(gè)數(shù)，B為最優(yōu)解的個(gè)數(shù)，

便可以稱(chēng)之為該算法收斂到最優(yōu)解集的概率為1。故而，當(dāng)算法迭代數(shù)量達(dá)到一定程度時(shí)，便一定會(huì)收斂。

GBFA引入了免疫算法，對(duì)于抗體種群A0，有

式中Ai（k）表示細(xì)菌i在第k次操作的時(shí)候所在的位置，而Ai（k）是由Ai（k－1）經(jīng)過(guò)克隆、變異而得。

為了方便表述，標(biāo)記

則有

則有

所以

故而

因?yàn)?/p>

所以

所以

綜上所述，GBFA以概率1收斂。

2．3 擬合方案

針對(duì)歷史數(shù)據(jù)而對(duì)未來(lái)做出預(yù)測(cè)，其數(shù)學(xué)原理為函數(shù)的擬合，對(duì)于擬合函數(shù)模型的優(yōu)化，基于智能算法［14］。本文利用Mathematica來(lái)進(jìn)行擬合模型的優(yōu)化，利用GBFA算法對(duì)優(yōu)化結(jié)果進(jìn)行排序。Mathematica是Stephen Wolfram開(kāi)發(fā)的一套計(jì)算機(jī)代數(shù)系統(tǒng)，可以對(duì)數(shù)據(jù)的擬合函數(shù)模型進(jìn)行自動(dòng)優(yōu)化。

選取實(shí)驗(yàn)函數(shù)

其中，RandomVariate［NormalDistribution［0，0．2］］的作用是加上一個(gè)均值為0、標(biāo)準(zhǔn)差為2的正態(tài)分布隨機(jī)噪聲，x∈［－10，10］。計(jì)算結(jié)果為

通過(guò)GBFA算法對(duì)上述10個(gè)擬合模擬進(jìn)行誤差計(jì)算，選取誤差最小的擬合模型：1．134 935 310 743 823 1＋cosx＋1．964 926 975 541 333 4sin（x）cos（x），擬合結(jié)果如圖2所示。

圖2 5擬合模型的自動(dòng)優(yōu)化

根據(jù)圖2，發(fā)現(xiàn)擬合效果頗佳。

3 排序?qū)崿F(xiàn)方法

根據(jù)問(wèn)題模型和GBFA算法，開(kāi)發(fā)RA網(wǎng)絡(luò)多協(xié)同排序軟件”RA－LC”，現(xiàn)就其中的計(jì)算流程進(jìn)行簡(jiǎn)要說(shuō)明。

步驟1：以客戶(hù)當(dāng)前位置為目的地，以附近i名滴滴出行司機(jī)的位置為出發(fā)點(diǎn)，尋找出i名滴滴出行司機(jī)的位置和客戶(hù)當(dāng)前位置之間所有可行的路徑，按照路徑長(zhǎng)度基于GBFA算法進(jìn)行排序，各自選中序列前j種路徑方案，共ij種路徑方案。

步驟2：調(diào)取該i名滴滴出行司機(jī)在時(shí)間片tk接單之后，選用第j條路徑方案前往客戶(hù)當(dāng)前位置的時(shí)間的歷史數(shù)據(jù)，利用GBFA算法進(jìn)行排序并選擇最優(yōu)擬合模型，計(jì)算得出該次該i名滴滴出行司機(jī)在時(shí)間片tk接單之后，選用第j條路徑方案前往客戶(hù)當(dāng)前位置的時(shí)間為tijk，0。

步驟3：調(diào)取該i名滴滴出行司機(jī)在時(shí)間片tk發(fā)車(chē)前往客戶(hù)當(dāng)前位置之后，選用第j條路徑方案至客戶(hù)當(dāng)前位置的平均速度的歷史數(shù)據(jù)，利用GBFA算法進(jìn)行排序并選擇最優(yōu)擬合模型，計(jì)算得出該次該i名滴滴出行司機(jī)在時(shí)間片tk發(fā)車(chē)前往客戶(hù)當(dāng)前位置之后，選用第j條路徑方案至客戶(hù)當(dāng)前位置的平均速度為vtjk，0。

步驟4：調(diào)取第j條路徑方案在時(shí)間片tk突發(fā)堵車(chē)的頻率以及時(shí)間的歷史數(shù)據(jù)，利用GBFA算法進(jìn)行排序并選擇最優(yōu)擬合模型，計(jì)算得出該次選用第j條路徑方案在時(shí)間片tk突發(fā)堵車(chē)的概率Pjk，0以及時(shí)間tjk，0。

步驟5：計(jì)算該i名滴滴出行司機(jī)選用第j條路徑方案到達(dá)客戶(hù)當(dāng)前位置的時(shí)間Tij，0

式中Lj為第j條路徑解決方案的長(zhǎng)度。

步驟6：在第i名司機(jī)到達(dá)客戶(hù)當(dāng)前位置且客戶(hù)上車(chē)之后，以客戶(hù)當(dāng)前位置為出發(fā)點(diǎn)，尋找出客戶(hù)出發(fā)點(diǎn)和目的地之間所有可行的路徑，按照路徑長(zhǎng)度基于GBFA算法進(jìn)行排序，選中序列前J種路徑方案。

步驟7：調(diào)取該i名滴滴出行司機(jī)在時(shí)間片tk＋Tij0接客戶(hù)之后，選用第J條路徑方案前往客戶(hù)目的地的時(shí)間的歷史數(shù)據(jù)，利用GBFA算法進(jìn)行排序并選擇最優(yōu)擬合模型，計(jì)算得出該次該i名滴滴出行司機(jī)在時(shí)間片tk＋Tij，0接客戶(hù)之后，選用第J條路徑方案前往客戶(hù)目的地的時(shí)間為tijk，1。

步驟8：調(diào)取該i名滴滴出行司機(jī)在時(shí)間片tk＋Tij，0發(fā)車(chē)前往客戶(hù)目的地之后，選用第J條路徑方案至客戶(hù)目的地的平均速度的歷史數(shù)據(jù)，利用GBFA算法進(jìn)行排序并選擇最優(yōu)擬合模型，計(jì)算得出該次該i名滴滴出行司機(jī)在時(shí)間片tk＋TiJ，0發(fā)車(chē)前往客戶(hù)目的地之后，選用第J條路徑方案至客戶(hù)目的地的平均速度為viJk，1。

步驟9：調(diào)取第J條路徑方案在時(shí)間片tk＋TiJ，0突發(fā)堵車(chē)的頻率以及時(shí)間的歷史數(shù)據(jù)，利用GBFA算法進(jìn)行排序并選擇最優(yōu)擬合模型，計(jì)算得出該次選用第J條路徑方案在時(shí)間片tk＋TiJ，0突發(fā)堵車(chē)的概率PJk，1以及時(shí)間tJk，1。

步驟10：計(jì)算該i名滴滴出行司機(jī)選用第J條路徑方案到達(dá)客戶(hù)目的地的時(shí)間TiJ，1

式中LJ為第J條路徑解決方案的長(zhǎng)度。

步驟11：i名滴滴出行司機(jī)選用第j條路徑方案到達(dá)客戶(hù)當(dāng)前位置，并選用第J條路徑方案到達(dá)客戶(hù)目的地，整個(gè)MISSION的耗時(shí)TIMEijJ

步驟12：利用GBFA算法對(duì)序列TIMEijJ進(jìn)行排序，尋找出最優(yōu)方案TIMEmin

4 仿真實(shí)驗(yàn)

以滴滴出行北京市2015年5月—2016年4月的數(shù)據(jù)為對(duì)比對(duì)象。快車(chē)是滴滴出行推出的一種較為快捷的出行方式，司機(jī)以單注冊(cè)客戶(hù)（但注冊(cè)客戶(hù)可能一人乘車(chē)，也可能多人乘車(chē)）為服務(wù)對(duì)象的服務(wù)方式。2015年9月16日21點(diǎn)37分有單注冊(cè)客戶(hù)以快車(chē)形式request，客戶(hù)的當(dāng)前位置為天壇南門(mén)，目的地為北京市昌平區(qū)潢京客棧主題賓館（圖3）。

利用RA－LC軟件計(jì)算7位司機(jī)在本次MISSION的TIME（圖4）。

2015年9月16日21點(diǎn)37分4號(hào)滴滴出行司機(jī)answer，選用的路徑與GBFA算法計(jì)算路徑相同，2015年9月16日22點(diǎn)41分4號(hào)滴滴出行司機(jī)完成此次MISSION，耗時(shí)64min。由此可見(jiàn)，GBFA算法的計(jì)算精度極高，對(duì)于TIME的預(yù)測(cè)極為精確。

為了進(jìn)一步驗(yàn)證GBFA算法對(duì)更為廣泛的時(shí)間片的適應(yīng)性，選取2015年9月15日、2015年10月15日、2015年11月15日、2015年12月15日、2016年1月15日共5日的數(shù)據(jù)作為研究范圍，每個(gè)時(shí)間片（10min）選取10個(gè)answer，共7 200單出行數(shù)據(jù)，利用RA－LC軟件計(jì)算每次MISSION的TIME（圖5），與實(shí)際的TIME相比較，分析其誤差N。

式中：N為每個(gè)時(shí)間片10組數(shù)據(jù)的誤差的平均值；TIMEi，1為時(shí)間片內(nèi)實(shí)際的i單MISSION的TIME，TIMEi，2為時(shí)間片內(nèi)利用RA－LC軟件計(jì)算的i單MISSION的TIME。

圖3 GBFA算法計(jì)算路線與客戶(hù)當(dāng)前位置的車(chē)輛

圖4 利用RA－LC計(jì)算而得的7位司機(jī)的TIME

通過(guò)圖5可以看出，RA－LC軟件計(jì)算的MISSION的TIME與實(shí)際的誤差較小，均在－0．06～0．06。說(shuō)明RA－LC軟件對(duì)于寬時(shí)間跨度的滴滴出行排序模型具有較高的精度。此外，無(wú)論是哪個(gè)月份，RA－LC軟件計(jì)算的MISSION的TIME與實(shí)際的誤差值隨時(shí)間片的變化是不規(guī)則的，說(shuō)明RA－LC軟件不受時(shí)間的約束，具有極高的適用性。

圖5 N的分布情況

5 結(jié)語(yǔ)

本文改進(jìn)傳統(tǒng)的細(xì)菌覓食算法提出GBFA算法，將GBFA算法應(yīng)用到RA網(wǎng)絡(luò)多協(xié)同排序模型中，并開(kāi)發(fā)計(jì)算程序RA－LC，對(duì)滴滴出行2015年 5月—2016年4月的數(shù)據(jù)進(jìn)行對(duì)比，結(jié)論顯示：

1）利用Mathematica軟件對(duì)于擬合模型進(jìn)行優(yōu)化，并利用GBFA算法對(duì)優(yōu)化模型進(jìn)行排序，選取其中最優(yōu)擬合模型，對(duì)于預(yù)測(cè)司機(jī)選用第j條路徑方案前往客戶(hù)當(dāng)前位置的時(shí)間為tijk，0、選用第j條路徑方案至客戶(hù)當(dāng)前位置的平均速度為vijk，0、選用第j條路徑方案在時(shí)間片tk突發(fā)堵車(chē)的概率Pjk，0以及時(shí)間tjk，0具有頗佳的準(zhǔn)確度。

2）通過(guò)單次MISSION，利用RA－LC計(jì)算其TIME，并與實(shí)際的TIME進(jìn)行對(duì)比，兩者相差近1 min，說(shuō)明RA－LC對(duì)于單次MISSION具有極高的精確度。

3）選取更加寬的時(shí)間范圍，利用RA－LC計(jì)算其TIME，繪制的分布圖，顯示基于GBFA算法RA網(wǎng)絡(luò)多協(xié)同排序模型對(duì)于解答RA網(wǎng)絡(luò)多協(xié)同排序問(wèn)題具有極佳的適用性，而且N與時(shí)間并無(wú)明顯的比例關(guān)系，說(shuō)明基于GBFA算法RA網(wǎng)絡(luò)多協(xié)同排序算法并不受時(shí)間的影響。

［1］劉亞秋，吳雙滿(mǎn)，韓大明，等．基于云計(jì)算的手機(jī)智能出租車(chē)呼叫系統(tǒng)［J］．計(jì)算機(jī)工程，2014，40（4）：14－18．

［2］王超學(xué)，田利波．一種改進(jìn)的多目標(biāo)合作型協(xié)同進(jìn)化遺傳算法［J］．計(jì)算機(jī)工程與應(yīng)用，2016，52（2）：18－23．

［3］孟祥豪，羅景青，馬賢同．一種基于多站測(cè)向和多參數(shù)信息的聯(lián)合分選算法［J］．控制與決策，2016，31（1）：160－164．

［4］Cui J X，Liu F，Janssens D，et al．Detecting urban road network accessibility problems using taxi GPS data［J］．Journal of Transport Geography，2016，51：147－157．

［5］Shen H，Li Z，Qin J，et al．Changes in functional connectivity dynamics associated with vigilance network in taxi drivers［J］．Neuroimage，2016，124（Pt A）：367－378．

［6］Petrovic′M，Sadowski J T， iber A，et al．Wrinkles of graphene on Ir（1 1 1）：Macroscopic network ordering and internal multi－lobed structure［J］．Carbon，2015，94：856－863．

［7］Huang X，Zhao Y，Ma C，et al．TrajGraph：A Graph－Based Visual Analytics Approach to Studying Urban Network Centralities Using Taxi Trajectory Data．［J］．Visualization ＆Computer Graphics IEEE Transactions on，2016，22（1）：160－169．

［8］Jianxun Cui，F(xiàn)eng Liu，Davy Janssens，et al．City－Wide Examining Transport Network Accessibility Using Taxi GPS Data［C］／／Cota International Conference of Transportation Professionals．New York：American Society of Civil Engineers，2015．

［9］SAVCHENKO，VYACHESLAV．Future Developmentof E－Commerce in Russia and Germany［D］．Valencia：University of Applied Sciences Valencia，2015．

［10］王俊奇，李闖，董曄．Bishop法的半解析解及其廣義數(shù)學(xué)模型［J］．水利與建筑工程學(xué)報(bào)，2015（6）：123－128．

［11］Tang W J，Li M S，He S，et al．Optimal Power Flow With Dynamic Loads Using Bacterial Foraging Algorithm［C］／／Power System Technology，2006．PowerCon 2006．International Conference on．IEEE，2006：1－5．

［12］DAS S，BISWAS A，DASGUPTA S，et al．Bacterial Foraging Optimization Algorithm：the Oretical Foundations，Analysis，and Applications［C］∥Foundations of Computational Intelligence Volume 3．Berlin／Heidelberg：Springer，2009：23－55．

［13］李濤．計(jì)算機(jī)免疫學(xué)［M］．北京：電子工業(yè)出版社，2004．

［14］Li L，Zhang B，Li W，et al．Orthogonal polynomial function fitting for hyperspectral data representation and discrimination［J］．Pattern Recognition Letters，2016（1）：56－58．

The Model and Algorithm Research on RA Network More Collaborative Sorting Algorithm

XIE Ting
（Party School of Maanshan City Anhui Province，Maanshan Anhui 243011，China）

A issue got a wide range of concern in the research circle——RA more cooperative network scheduling based on the current rapid development car booking platform．As for the actual travel data bit， the RA network more collaborative problem solving scheduling problems have been changed into two optimal solutions to mathematical model evaluation．Based on the related concepts on traditional immune algorithm（generate and test），combined with semi－analytical solution，an optimization algorithm GBFA（Generate Bacterial foraging algorithm）has been established．Furthermore，an RA network more collaborative sorting algorithm based on GBFA algorithm has been proposed，and an“RA－LC”more collaborative sorting software has been developed．Taking Didi travel data in Beijing from May 2015to April 2016as the contrast object，the relevant examples has been simulated by using RA－LC software．The results show that the algorithm has higher temporal prediction accuracy，and has an excellent applicability and accuracy for the issue of RA more cooperative network sorting．

multi－coordinated sorting；MATHEMATICA；GBFA；Didi travel；time predict

TP391

A

1009－8984（2016）02－0119－07

10．3969／j．issn．1009－8984．2016．02．030

2016－03－25

謝婷（1975－），女（漢），安徽馬鞍山，碩士，講師主要研究計(jì)算機(jī)信息技術(shù)、網(wǎng)絡(luò)應(yīng)用。