立体车库随机车位分配与就近车位分配仿真及分析

合集下载

立体车库车位分配模型与仿真分析

立体车库车位分配模型与仿真分析王小农; 李建国; 贺云鹏【期刊名称】《《测试科学与仪器》》【年(卷),期】2019(010)004【总页数】10页(P369-378)【关键词】立体车库; 车位分配; 粒子群算法; 灰色神经网络算法; 就近分配原则【作者】王小农; 李建国; 贺云鹏【作者单位】兰州交通大学自动化与电气工程学院甘肃兰州 730070【正文语种】中文【中图分类】U491.7; TP2740 IntroductionAutomated stereo garage is a comprehensive product of automation technology and industry development. As an important tool to reduce traffic pressure, it is a comprehensive automation system which integrates storage with retrieval of the vehicle. The operational efficiency of an automated stereo garage is directly related to the economic cost of the operator and the customer satisfaction. Therefore, it is urgent to improve the operational efficiency of automated stereo garages. The research on automated stereo garage efficiency mainly includes the following twoaspects: 1) allocation of parking spaces, 2) work scheduling.At present, many scholars have done a lot of research on the improvement of automated stereo garage efficiency. Xia et al. used the improved genetic algorithm to study the access vehicle scheduling in the stereo garage and then used the mixed coding and improved sequential crossover to optimize the access sequence of the vehicle[1]. Lv et al. designed an intelligent access vehicle control algorithm[2] by using mutual exclusion principle to ensure the parallel working of multiple transport vehicles. In addtition, the benefit prioritization algorithm was used to achieve optimal economic efficiency, improve the efficiency of access vehicles and shorten vehicle access time. Sun et al. improved crossover operator genetic algorithm and optimaized the access vehicle schedulings of three different storage capacities in roadway stacking stereo garage, respectively[3]. Pan proposed a mathematical optimization model of the layout and cost of automated stereo garage, which provided a scientific basis for quantitative analysis of stereo garage arrangement[4]. Yang et al. establised a solid and mathematical model of automated stereo garage[5]. Zuo et al. proposed three automated stereo garage access strategies: retrieval vehicle priority strategy, stand strategy in situ and cross-access strategy and analyzed vehicle length in different access strategies. Based on the traditional scheduling method and the number of stacking machines, a new scheduling strategy is proposed by combining the corresponding access strategy with the running speed of the stackers according to the change in vehicle arrival rate to improve stereo garage efficiency[6]. Wei proposed avehicle access strategy of automated stereo garage based on the improved genetic algorithm, hybrid coding and adaptive crossover mutation probability[7]. Kuo et al. proposed a two-objective weight method to optimize the vehicle access strategy. Considering transaction waiting time and vehicle utilization, a cycle time model was established[8]. Fukunari et al. proposed an approximate cycle time model for conceptualized automatic storage & retrieval system (AS/RSs) by using random storage and opportunistic pairing of storage & retrieval (S/R) transactions[9]. According to queuing theory, after analyzing stereo garage queuing process, liang proposed a parking and service window queuing model[10]. Based on relevant parameters, the optimal parking space scale and service windows number of parking garage are estimated. Taking automated warehouse as a research object, according to key location allocation principle, li et al. proposed a dynamic location optimization model[11]. By comparing the existing optimization algorithms and multi-objective genetic algorithms, lu proposed a multi-objective genetic algorithm based on weight coefficient transformation method to solve the model.It can be found that the above research on stereo garage efficiency is mainly from a unilateral consideration: 1) optimization of vehicle access sequence, 2) optimization of vehicle scheduling using algorithm, 3) combination and optimization of different access strategies, and 4) optimization of automated stereo garage layout and cost. But the improvement of stereo garage efficiency not only needs to consider theabove unilateral optimization, but also need to consider vehicle stay time in the garage and the global search ability of the algorithm when the parking spaces are optimized.In order to solve the above shortcomings, this paper presents a decision model of parking space allocation and simulates the efficiency of automated stereo garage based on grey neural network and particle swarm optimization algorithm. Firstly, the movement status of the automated stereo garage in a real environment is described, and the principle and evaluation indexes of automated stereo garage allocation are introduced. Secondly, the vehicle stay time in the stereo garage is predicted by grey theory and neural network algorithm. Finally, particle swarm optimization algorithm is used to realize the parking space allocation in stereo garage owing to its global optimization ability. By comparing the efficiency indexes of the existing model based on near-distribution principle, it can be found that the propose model has better feasibility and higher operation efficiency.1 Description of stereo garage movement stateThe automated stereo garage in real environment is shown in Fig.1.Fig.1 Stereo garage modelThe stereo garage capacity is 9 layers×21 columns and has a total of 376 parking spaces. There are two I/O ports in the stereo garage, located at layer 9 column 10 and layer 9 column 11, respectively. There are two automated vehicles (AVs) in the stereo garage, which are AV1 and AV2, respectively. The AV movement direction is in the horizontal direction andthe movement is between columns. In the AS/RS system, there are two services types: storage of the vehicle and retrieval of the vehicle. For storage of the vehicle, the AV first loads the vehicle from the I/O port and then stores it the parking space of pre-system allocation. Similarly, for retrieve of the vehicle, the vehicle is fetched by AV from the parking space to the I/O port. AV is the core equipment in automated stereo garage operation and it has a direct impact on normal and efficient operation of automated stereo garage. In the AS/RS system, the steps of storage tasks are first starting the I/O position and then storing the vehicle to the designated parking space,while the steps of retrieval tasks are starting the storage vehicle location and then transporting the vehicle to the I/O position. The AV motion can realize the movement between the columns in the same layer. The movement between layers can be realized by lift. The automated stereo garage is equipped with two lifts: Lift1 and Lift2, whose movement direction is only vertically up and down.The vehicle arrival time is the duration in which the vehicles arrive outside the garage from the external environment and then the arrival vehicles enters into the AV and Lift queues in chronological order. If AV is idle, AV will enter into the process of vehicle service; if AV is busy, customers have to wait for the AV. For storage of the vehicle, the service time of AV is the duration in which the AV moves from the current location to the I/O port and then the AV carries the vehicle to the specified parking space. For retrieve of the vehicle, service time of AV is the duration in which the Av moves from the current location to the parking port of the vehicle andthen transports it to the I/O por. Thus, the AV complete storage/retrieve task is that the AV carries the vehicle from the I/O port to the pre-system allocated storage parking space or from the parking space of the vehicle to the I/O port. The complete execution task of Lift is that the Lift delivers the AV from the AV layer to the destination layer.The automated stereo garage model can be described as follows: When the customer is ready to storage the vehicle, the stereo garage control system first determines whether there are idle parking spaces in the garage. If there are idle parking spaces, the stereo garage control system assigns a storage parking space (row, column, side) to the current vehicle. If there is no parking space, the customer leaves. If the assigned parking space is Floor 9, Side 2 and the AV is idle, the current vehicle will be stored in the pre-assigned parking space. If the AV is busy, the current vehicle waits for the AV. If the assigned parking space is on the other layer, column, side and the AV is idle, the control system first judges whether there is Lift idle. If Lift is idle, the current AV carries the vehicle and the current idle Lift conveys the AV to the specified layer. If the AV is busy, the vehicle waits for the AV to be idle. The flow chart of storing the vehicle is shown in Fig.2. When the customer is ready to retrieve the vehicle, the stereo garage control system determines the vehicle parking space including the row, column and side. If the vehicle parking space is Floor 9, Side2 and if AV is idle, the current AVwill transport the vehicle to the I/O port. If the AV is busy, the current vehicle waits for the AV. If the vehicle is on the other layer, column, side and the AV is idle, the control systemdetermines whether there is Lift idle. If Lift is idle, the current idle Lift conveys the AV to the assigned layer. If Lift is busy, the vehicle waits for the AV. If the AV is busy, the current vehicle waits for the AV to be idle. The flow chart of retrieving the vehicle is shown in Fig.3.Fig.2 Flow chart of storaging the vehicleFig.3 Flow chart of retrieving the vehicle2 Establishment of model2.1 Principles of parking allocationStereo garage parking allocation mainly follows the following principles: 1) Principle of uniformity and stabilityFor excessive weight vehicle, centralized parking should be avoided because it may cause force uneven in the stereo garage. In addition, if the center of gravity of stereo garage is too high, the stability and safety of the stereo garage will become bad.2) Principle of high efficiencyThe vehicle should be allocated to the parking spaces closer or far from the garage entrance. Moreover, the parking time should be short.3) Principle of first come first serviceAccording to the control system order, the first arrival vehicle should be served first to avoid congestion and the prolonged waiting time of the customer.4) Principle of departure priorityWhen customer sends out retrieval order, it is important to ensure that the outbound vehicle receives the service with the shortest queue length andwaiting time.5) Principle of the lowest energy consumptionThe AV and lift movement paths affect energy consumption. The vehicle service should ensure that the AV and lift have the lowest energy consumption from the entrance/exit to the parking space to save resources and reduce operation costs.6) Principle of minimum running time. The running time of AV or lift is determined by the running path of AV or lift. The vehicle service should ensure that the AV or Lift runs from the entrance to the parking space in the minimum period, to improve operational efficiency.2.2 Mathematical model and evaluation indexesTaking the stereo garage model in Fig.1 as a research object, Fig.4 is the simplified model of the stereo garage in Fig.1(side2).The vehicle arrival time is the negative exponential with the parameter of λ, where λ is the mathematical expectation of the vehicle arrival interval. The smaller the λ, the higher the vehicle retri eval/storage frequency. The retrieval/storage vehicle process of automated stereo garage is stereo motion. The AV movement in the horizontal direction is defined as X and the vertical movement direction of lift is defined as Y. The automated stereo garage has m columns and n rows, a total of m×n locations. Vm is the average speed at which the AV moves in the X direction and Vn is the average speed at which the Lift moves in the Y direction. TL is Lift walking time in the Y direction and TA is AV walking time in the X direction. N and W are the width and height of the parking space, respectively. Thecoordinates of layer i, column j are (j×N,i×W). TL and TA can be obtained by(1)and the storage or retrieve time of the vehicle in layer i, column j isTij=max(TL,TA).(2)Fig.4 Simplified model of stereo garage in Fig.1The horizontal movement direction of AV and the vertical movement direction of Lift are approximately horizontal values and ordinate values, respectively. According to the principle of mechanics, vertical direction energy and horizontal direction energy of retrieving/storing the vehicle can be calculated by(3)where m is the vehicle mass, g is the gravitational acceleration, and P is the horizontal traction power of stereo garage motor.And the whole energy of retrieving/storing the vehicle can be calculated byWtotal=min(WL+WA).(4)Thus the optimization problem of parking space allocation in the automated stereo garage can be transformed into the optimal solutions of Eqs.(3) and (4).The customer average waiting time T is the ratio of the sum of the waiting time of the customers to be served to the total number N of the customers to be served, and it can be expressed as(5)where ti is ith customer’s waiting time and N is the total number of customers.The customer average waiting queue Q is the ratio of the sum of waiting queues of the customers to be served to the total number of the customers to be served, and it is expresssed as(6)where L(j) is jth customer waiting queue length.The average energy consumption of AV and Lift W is the ratio of the sum of AV and Lift energy consumptions to the total number of customers, and it is expresssed as(7)where W(i) is the energy consumption of the ith customer.The customer average service time S is the ratio of the sum of the customer service hours to the total number of customers, which is used to characterize the acceptance service time of each customer and calculated bywhere S(j) is the waiting time of the jth customer.3 Vehicle stay time prediction based on gray neural network3.1 Grey forecasting modelBecause a gray model can be established based on small amount of incomplete information and mathematical models, therefore it has advatages of less modeling information required, easy operation and high precision modeling[12]. The original data are given byx(0)={x(0)(1),x(0)(2),…,x(0)(n)}.(9)The data have the characteristic of randomness.The original data for 1-AGO processing are given byx(1)={x(1)(1),x(1)(2),…,x(1)(n)},(10)where x(1) satisfies the first-order ordinary differential equation as(11)where a is called the development gray number and u is called the control gray number.If t=t0, Eq.(11) satisfies the initial condition x(1)=x(1)(t0) and it is given by(12)According to the relevant hypothesis, the time response equation is given byk=1,2,…,n(13)The gray prediction modelling approach is obtained according to accumulative sequence in Eq.(10). The constants a and u are estimated by the least squares method. The fitting value is calculated by the time response equation. The prediction value is given by(14)According to the original data sequence set of customer stay time in the automated stereo garage in the real life, the prediction value of customer stay time based on gray model is shown in Fig.5.Fig.5 Prediction value of customer stay time based on gray modelThe abscissa is the customer number and the ordinate is the customer stay time corresponding to the different customer numbers.3.2 Neural network algorithm modelThe basic components of the neural network are artificial neurons and the model of the ith neuron is shown in Fig.6[13-14].Fig.6 Model of ith neuronIn Fig.(6), f(·) is called the activation function; Yi is the output of neuron i; X1-Xn are the input signals from the other neurons; Wij represents the connection weight from neuron j to neuron i; θ represents the offset; and input of neuron i is Xj(1≤j≤n). There areYi=f(Nnet(i)),(15)(16)where Nnet(i) means the total inputis, called net activation. It can be seen that the neurons are in a activated state when the net activation is positive and the neurons are in a inhibited state when the net activation is negative. In this simulation, we use the back propagation (BP) neural network learning algorithm. The core idea of instructor learning algorithm is to send the training set into the network. According to the difference between the actual output and the expected output of the network, the weight between the neurons makes the difference between the actual output and the expected output the minimum. The steps are as follows:1) Taking a sample (Oi,Ii) from the sample set;2) Calculating the actual output of neural network O;3) Calculating the output error C;4) According to C, neural network adjusts the weight vector matrix W;5) Repeating the above process for each sample set, the entire sample set error does not exceed the specified range of training. The weight vector matrix meets the required requirements.In this simulation, the customer stay time data set is used as the training sample of the BP neural network. BP neural network parameter settings are as follows:1) Nodes number set: input layer, hidden layer and the output layer nodes number are 1,3 and 1, respectively;2) Transfer functions: hidden layer (logsig function), output layer (purelin function);3) Training mode: traingdx.The BP neural network model as shown in Fig.7.Fig.7 BP neural network modelIn Fig.7, X is the customer serial number generated according to the customer arrival time and Y is the stay time corresponding to the customer in the stereo garage. The BP neural network predicts the customer stay time, as shown in Fig.8. The abscissa is the customer serial number assigned by the stereo garage control system, and the ordinate is the stay time corresponding to the different customer numbers.Fig.8 Customer stay time3.3 Realization of customer stay time predicted based on gray neural networkNeural network can approximate any nonlinear function on the premise that sample data can represent various situations; otherwise, the neural network will be distorted by training. The grey model makes the randomness of the original data weakened. The required samples and the regularity of the data are easy to find out. Gray neural network is combination of gray model and artificial neural network, which can improve the accuracy of prediction and solve the problem of complex uncertainties. Taking the actual customer stay time in an automated stereo garage as the original data set used for gray neural network. The combined data processing process of grey model and neural network isshown in Fig.9. The linear weight is calculated from outputs 2 and 3 by using the least squares method, and the weights of the grey model and the BP neural network model are 0.496 4 and 0.503 6, respectively.Fig.9 Combination model of grey model and neural networkBased on the grey neural network, the customer stay time prediction value is shown in Fig.10. By comparing Figs.5, 8 and 10, it can be seen that the prediction accuracy of customer stay time based on gray neural network is significantly higher than those based on the neural network and grey model, respectively.Fig.10 Grey neural network predicts customer stay time4 Realization of vehicle location based on particle swarm optimization4.1 Mathematical model of particle swarm algorithmParticle swarm optimization is to find the optimal solution in the search space[15-17]. The mathematical model of particle swarm algorithm is described as follows:The total number of particles is Num_count in the search space. The spatial dimension is D (interger). The vector position coordinates of the ith particle are Xi=(xi1,xi2,…,xiD)T，i=1,2,…,Num_count, Xi is a random solution of the optimization problem. The best position of the ith particle is called the best position of individual history. The vector position coordinates are Pi(pi1,pi2,…,PiD)T, i=1,2,…,Num_count. The positional transformation rate of each particle is Vi(vi1,vi2,…,viD)T,i=1,2,…,Num_count. The particle g is the best point among all the particles. The particle Pg=(Pg1,Pg2,…,PgD)T is the global optimal position in currentparticle search space. Each particle position can be updated by(17)where w is the inertia weight; C1 and C2 are called the acceleration factors; R1 and R2 meet the evenly distributed random number. For dimensiond(1≤d≤D), the range of the position change is [Xmin,Xmax] and the range of the position transformation rate is [Vmin,Vmax]. If the position change and position transformation rate exceed the boundary range in the iterative process, the ranges of the position change and position transformation rate are their respective boundary values.Realization of particle swarm algorithm includes the steps as forllows:1) In the initialization process, the random location and speed of the particle swarm are set;2) Fitness value of each particle is calculated;3) For each particle, its fitness value is compared with the fitness value pi of the best position. If pi is better, pi is considered as the current best position;4) For each particle, the fitness value is compared with the global position value of best experience. If global value is better, it is considered as the current best position;5) According to Eq.(17), the particle has evolved velocity and position;6) If end condition is not satisfied, the algorithm returns to step 2); otherwise, the algorithm perform step 7);7) Output global optimal value.4.2 Realization of vehicle location based on particle swarm algorithm After the prediction of the vehicle stay time, the simulation randomly generates 200 customers with negative exponential distribution and λ =5. The allocation efficiency indexes of parking spaces based on the nearest distribution principle are shown in Fig.11.It can be seen from Fig.11 that the average waiting time of the customer is 4.393 7 min, the average waiting queue is 4.515 0 ea, the average energy consumption of the AV and Lift is 33.995 8 kJ, and the average service time is 8.576 0 s.Fig.11 Efficiency index under the principle of the nearest distributionThe efficiency indexes of parking spaces based on particle swarm algorithm are shown in Fig.12.Fig.12 Efficiency index in particle swarm optimization modeIt can be seen from Fig.12 that the average waiting time of the customer is 0.609 5 min, the average waiting queue is 0.145 0 ea, the average energy consumption of the AV and Lift is 11.232 6 kJ, and the average service time is 6.774 0 s.Compared with the results based on the nearest distribution principle, when particle swarm optimization is utilized, the average waiting time of customers is reduced by 3.784 2 min, the average service time of customers is reduced by 1.802 0 s, the average energy consumption of the AV and Lift is reduced by 22.763 2 kJ, and the average waiting queue ofcustomers is reduced by 4.37 ea. Therefore, the particle swarm algorithm is suitable for parking space allocation and can greatly improve the efficiency of the garage.5 ConclusionTaking a stereo garage in real life as research object, a stereo garage operation model with first come and first service is established. The evaluation of automated stereo garage operation efficiency is given. It is proved that the particle swarm algorithm for parking space allocation is effective and can reduce the energy consumption. The combination model of gray theory and neural network has the advantages of two models. The overall prediction effect is obviously stronger than that of a single model. The prediction accuracy is improved and the customer stay time. In the future, we will take into account the scheduling problem between AV and Lift to allocate the parking spaces of the stereo garage and serve the modern social life.References【相关文献】[1]Xia T, Zhe B. Research on access scheduling of lifting and traversing cubic garage. Logistics Technology, 2015, 34(24)： 138-140.[2]Lv H Z, Zhang L Y, Lian Z Z. Design of control algorithm for intelligent access vehicle. Software Engineer, 2015, 18 (12)： 52-53.[3]Sun J Y, Wei Y H. Study on optimization of access control of automatic stereo garage. Logistics Technology, 2015, 34 (11)： 296-298.[4]Pan Y F. Study on the ranking and cost optimization of automated stereo garage.Journal of Shanghai University of Electric Power, 2001, (1)： 27-31.[5]Yang X F, Xiao H. Comparative analysis of access strategy of automated stereo garage. Machine Manufacturing and Automation, 2004, (5)： 47-49.[6]Zuo W H, Jiang D J. Queuing and efficiency analysis of stereo garage. Journal of Chongqing Jiaotong University (Natural Science Edition), 2015, (4)： 113-116.[7]Wei L. Based on the roadway stacking stereo garage vehicle access strategy algorithm. Chongqing: Chongqing University, 2014: 17-34.[8]Kuo P H, Krishnamurthy A, Malmborg C J. Design models for unit load storage and retrieval systems using autonomous vehicle technology and resource conserving storage and dwell point policies. Applied Mathematical Modelling, 2007: 312332-2346.[9]Fukunari M, Malmborg C J.An efficient cycle time model for autonomous vehicle storage and retrieval systems. International Journal of Production Research, 2008: 463167-3184.[10]Liang Y. Research on queueing model and scheduling optimization of automated stereo garage. Lanzhou: Lanzhou Jiaotong University, 2017: 12-19.[11]Li X, Zhu Y M. Modeling and simulation of dynamic placement allocation in automated stereoscopic warehouse. Logistic Technology, 2016, 39(3)： 131-136. [12]Lu Y. Gray prediction model research and its application. Hangzhou: Zhejiang Technology University, 2014: 15-26.[13]Fan Z Y. BP neural network model and learning algorithm. Software Guide, 2011, (7)：66-68.[14]Huang L. BP neural network algorithm improvement and application research. Chongqing: Chongqing Normal University, 2008: 23-36.[15]Yang W, Fu W P, Wang W. Based on multi-color set and particle swarm optimization of warehouse location in stereo warehouse. Mechanical Science and Technology, 2012, 31(4)： 648-651.[16]Huang T A, Sheng J G, Xu H Y, et al. Improved simplified particle swarm optimization algorithm. Computer Simulation, 2013, 30(2)： 327-330.[17]Li Y L. Based on multi-objective particle swarm algorithm optimization and its application. Nangjing: Southwest Jiaotong University, 2014: 26-37.。

巷道堆垛式立体车库随机车位分配策略仿真与分析

巷道堆垛式立体车库随机车位分配策略仿真与分析
李建国蒋兆远
ｌ兰州交通大学机电技术研究所兰州７０７３００２甘肃省物流装备信息化工程技术中心兰州７０７３００
摘要：介绍巷道堆垛式自动化立体车库工作模式，建立了约束条件下的车辆人库、出库、因车位存满而
ｓｎｔｂｆｒｔｅｓｍｕａｉｎｏｅｍｏｅｗｉｐｃｆｃｐｒｍｅｅｓｉｇＭａｌｉｌｔｆｔｄｌｔｓｅｉａａｔｒ，ｗｉｌｏｔｅａａｙｉｒｓｌ．Ｔｅｒｓｌｈｗｔａａｏｈｏｈｈｉｔａｓｈｎｌｓｓｅｕｔｈｓｈｅｕｔｓｏｈｔｓ
ｉｏｓｌｎｇ，ｍｅｎｉｈａｈａａｅｆａｕｅｉｈｅｅｇｏｓｍｐｔｏａｎｇｔｔｔｅｇｒｇｅｔｒｓｈｇｎｒｙｃｎｕｉｎ．Ｋｅｗｏｄｓ：ｇｒｇｙｒａａｅ；ｒｄｍｃｅｓ；ｓｍｕａｉｎ；Ｍａｌｂａｎｏａｃｓｉｌｔｏｔａ
离去的随机存取策略车库工作模型。以车辆到达服从泊松分布、库内存放时间服从正态分布的情况建立数学模型，采用Ｍｔｂ编制仿真程序，对特定参数的模型进行了仿真，并给出分析结果。结果表明在所设定参数下该ａｌａ车库车位利用率较高，堆垛机运行距离较长。关键词：停车库；随机存取；仿真；Ｍａａｔｂｌ
影响的分析，没有考虑到各种不确定性因素。立

立体车库停车系统的仿真研究及应用

立体车库停车系统的仿真研究及应用近年来，随着城市化进程的加快，汽车密度日益增加，停车难成为广大城市居民日常生活中的烦恼。

为解决这一问题，提高城市停车资源的利用效率，立体车库停车系统应运而生。

立体车库停车系统在优化停车流程、提高停车利用率、节约空间等方面具有独特优势，在城市停车领域中应用广泛。

立体车库停车系统作为一种高科技停车设备，需要经过多次试验和模拟才能确保其稳定、安全和高效。

其中，仿真研究是立体车库停车系统研发和应用过程中必不可少的一环。

本文将从立体车库停车系统的概述、仿真研究的意义、仿真模型的建立、仿真实验的验证和应用案例分析等方面综合阐述立体车库停车系统的仿真研究及其应用价值。

一、立体车库停车系统的概述立体车库停车系统是一种采用机械或电动装置将车辆垂直移动并存储在立体式车库中的停车设备。

在一个车位面积较小的情况下，通过立体化、自动化的设计，可以比传统的地面停车场节省更多的空间。

这类停车设备在高密度城市地区，如商业中心、旅游景区、医院等地广泛应用，通过优化停车资源的利用，提高城市环境的质量和人居环境的舒适度。

二、仿真研究的意义立体车库停车系统的仿真研究可以大大减少实验成本和时间，概括出合理的动作和控制策略，最终实现直接在实际应用中解决问题的目标。

在立体车库停车系统的仿真研究中，可以通过建立精确的仿真模型，对停车系统进行复杂的动力学分析，在不同的进出口配置和交通流量下，实施不同的控制策略，比较不同的方案，从而找出最优的解决方案。

三、仿真模型的建立在立体车库停车系统仿真研究中，建立合理的仿真模型是至关重要的。

首先，需要建立3D模型和物理模型，其中3D模型可以直观地表现系统运作过程，物理模型可以模拟系统的物理特性，如力、速度、加速度等。

其次，需要在仿真软件中编写项目程序，包括控制器、传感器和执行器等。

同时，还需要考虑系统的物理参数、电信号传输特性和外部环境因素等，并在程序中进行模拟，确保仿真结果的可靠性和准确性。

车位分配问题数学建模

停车场车位分配问题研究一．摘要某写字楼的停车位数目一定，主要提供写字楼办公人员办卡包年或包月使用，为了使停车场空置率减少，以及免于有卡却没有车位产生冲突的尴尬，我们必须对停车流量进行模拟分析，建立合理的最佳的车位分配管理方法，并得到最大的收益。

首先对附表中数据进行分析，因为我们得到的是四月份的停车流量，为了方便分析研究，我们应该把数据转化为停车量。

我们从中引入了概率进行模拟。

假设停在停车场中的车辆在各个时间段离开是按照泊松分布，即可分别求的到来的和离开的车辆数目，就可以方便得得到停车量这个关键的数据。

分析结果如下表所示：定义冲突概率1212iα=-，i I 为第i 个时间段进入停车场的车辆数目。

由于第四时间段为停车高峰期，因此原则这一时间段进行分析。

样本服从正态分布，用3δ原则，即可求出当0.05α<时的最大售卡量为240张。

制定更好的车位分配方案时则将卡的种类分为年卡和月卡，通过设定年卡和月卡的价格来控制相应的销量，从而使收益最大。

运用边际函数相关知识，设立目标函数和约束条件，用Lingo 软件即可计算出当0.05α<时年卡和月卡最佳销售价格以及张数如下表所示：关键词：泊松分布，正态分布，边际函数二．问题分析与重述问题一：题目要求模拟附表中停车流量，分析停车量的统计规律。

停车流量与停车量是两个不同的概念，要分析停车量的统计规律就必须弄清楚来到停车场的车辆数目以及离开停车场的车辆数目。

而题目所给的条件中我们只知道停车流量，也就是车离开与来到的总的次数，因此我们假设车的离开服从泊松分布，运用概率来求出单位时间内车辆离开的数目，这样也就可以知道单位时间内车辆到来的数目，它们两者的差值也就是我们所要求的停车量。

α=情形下，计算最大售卡量。

问题二：定义冲突概率，求若冲突概率低于0.05根据附表中停车流量数据，以及上题对停车量的分析，我们可以知道在第四个时间段，即早上9:00—10:00停车量是最多的，也就是在这段时间产生冲突的概率是最大的，为了计算最大售卡量，我们就取这段时间进行分析。

城市停车场资源优化配置仿真模拟分析

城市停车场资源优化配置仿真模拟分析城市停车问题一直是城市管理中的重要课题之一，合理配置停车场资源能够有效缓解城市停车难题。

本文通过仿真模拟分析的方法，探讨城市停车场资源优化配置的策略，以期为城市停车场管理提供参考。

1. 城市停车问题的现状随着城市化进程不断加快，小汽车保有量激增，城市停车难问题日益突出。

市区内的停车位严重不足，导致交通拥堵、停车乱象等问题频发，进一步加重了城市管理的难度。

因此，如何优化配置城市停车场资源，成为城市管理者亟需解决的问题。

2. 城市停车需求与资源的仿真模拟为了分析城市停车需求与资源之间的关系，我们可以利用仿真模拟的方法进行研究。

首先，我们可以收集城市内停车场的位置、容量、可用性等相关数据，建立一个停车资源数据库。

然后，在地理信息系统（GIS）的支持下，我们可以将城市车流量、人口密度等数据融入模型中，模拟城市停车需求的分布情况。

根据模拟结果，我们可以得出不同区域停车需求与资源匹配度的评估，进而制定优化策略。

3. 停车场资源优化配置的仿真实验为了更好地配置停车场资源，我们可以使用仿真实验来模拟不同优化策略的效果。

首先，我们可以选择一个实际城市进行案例研究，收集该城市的交通流量、停车需求、城市规划等相关数据。

然后，我们可以利用仿真软件设计不同的停车场分布方案，并模拟出在各种情况下停车位的利用率、交通拥堵情况等指标。

通过对比不同方案的结果，我们可以评估不同优化策略的效果，并选择最优方案进行实施。

4. 停车场资源智能调度系统的建立在实际管理中，为了更好地配置城市停车场资源，我们可以建立停车场资源智能调度系统。

该系统可以通过收集实时的车流量、停车需求等数据，利用人工智能算法对停车位进行动态调度。

例如，系统可以实时监测停车场的空余位数，并根据车流量预测进行合理的调度，以最大程度地利用停车位资源。

通过实时的数据分析和智能决策，该系统可以有效地提高停车位利用率，缓解城市停车难题。

5. 政府与社区的合作与倡导除了技术手段，政府与社区的合作与倡导也是城市停车资源优化配置的重要方面。

论文1—停车场车位分配问题1资料

停车场车位分配问题摘要本文基于SPSS软件模拟、正态总体、随机概率、线性规划等方法对停车场车位分配问题做了探讨。

根据已有的30 天停车流量数据，模拟近100天对应时间段的停车流量数据，分析其规律。

最终达到合理分配车位，使得停车收益达到最大。

对于问题（一）首先，根据附表中30天各时间段的车位流量数求对应空余泊位数时间段上的变化规律。

引入相似系数S,波动系数ξ。

得到了一些有用的结论与规律。

在件模此基础上基于SPSS软拟附表中的停车流量，利用正态总体、随机概率等方法分析停车量的统计规律。

对于问题（二）根据附表中停车流量数据，以及对停车量的分析，得知在第四个时段早上9:00—10:00停车量最多，表明该段时间产生冲突的概率是最大的。

取该段时间停车流量进行分析，将四月份的数据进行整理，绘制高峰期停车量与次数的柱状图，近似服从正态分布，求均值后再用3 原则，进而求出最多可以停车的数量，最后求出最大售卡量为233张。

对于问题（三）建立数学线性规划模型解决该问题，对停车位分配问题进行分析,提出将停车位分类定价,即将停车流量分为包年或者包月停车流量和临时停车流量两类。

采用车位分类控制超售的策略。

建立目标函数以及约束条件。

来改善停车场的收益.关键字：空余泊位数停车位分配正态总体泊松分布 SPSS软件模拟数学规划超售策略一．问题的重述某写字楼拥有212 个车位，主要供写字楼工作人员办卡包年或包月使用，车位不固定，只要有空闲车位就可以停。

现在的情况是，办卡客户虽然办了卡，但不一定都来停车，且很多车子是流动的，可能早上停进来，中午就走了。

这样，停车场空置率很大，造成了资源浪费，现计划扩大售卡数量和对象。

假定总车位固定不变，请依据附表1 中4 月份每天各时段的停车流量数据，建立数学模型回答下列问题：（1）模拟附表中停车流量，分析停车量统计规律；（2）定义冲突概率α，求若冲突概率低于α= 0.05情形下，计算最大售卡量；（3）如果你是车位管理员，你如何设计最佳车位分配管理方法，使得收益最大。

车位分配问题数学建模

首先对附表中数据进行分析，因为我们得到的是四月份的停车流量，为了方便分析研究，我们应该把数据转化为停车量。

我们从中引入了概率进行模拟。

假设停在停车场中的车辆在各个时间段离开是按照泊松分布，即可分别求的到来的和离开的车辆数目，就可以方便得得到停车量这个关键的数据。

分析结果如下表所示：定义冲突概率1212iα=-，i I 为第i 个时间段进入停车场的车辆数目。

由于第四时间段为停车高峰期，因此原则这一时间段进行分析。

样本服从正态分布，用3δ原则，即可求出当0.05α<时的最大售卡量为240张。

制定更好的车位分配方案时则将卡的种类分为年卡和月卡，通过设定年卡和月卡的价格来控制相应的销量，从而使收益最大。

停车流量与停车量是两个不同的概念，要分析停车量的统计规律就必须弄清楚来到停车场的车辆数目以及离开停车场的车辆数目。

α=情形下，计算最大售卡问题二：定义冲突概率，求若冲突概率低于0.05量。

根据附表中停车流量数据，以及上题对停车量的分析，我们可以知道在第四个时间段，即早上9:00—10:00停车量是最多的，也就是在这段时间产生冲突的概率是最大的，为了计算最大售卡量，我们就取这段时间进行分析。

自动化立体车库排队模型及调度优化研究

自动化立体车库排队模型及调度优化研究一、引言随着城市人口的增长和车辆数量的激增，车辆停放问题成为城市交通中的一个瓶颈。

传统的车库停车方式往往存在着车位有限、停车效率低下等问题。

因此，研究车库的自动化立体停车模型及调度优化具有重要的现实意义。

二、自动化立体车库排队模型自动化立体车库是一种集机械、电子和计算机技术于一体的停车设施。

在自动化立体车库中，车辆通常采用垂直升降的方式进行停车。

根据车库的规模和设计特点，车库内部可以分为多层，并且每一层都有多个停车位。

为了保证车辆能够顺利进出车库，需要建立排队模型。

在排队模型中，车辆从进入车库开始，按照一定的规则排队等待停车位。

可以将车库中的每一个位置看作一个服务台，而车辆则是顾客。

车辆进入车库后，根据当前停车位的情况选择一个最优的停车位置，然后按照先来先服务的原则排队等待停车。

当有停车位空闲时，车辆被允许进入停车位停放。

在车辆离开停车位后，下一辆车可以进入停车位。

三、调度优化为了优化自动化立体车库的调度，提高停车效率，可以采用以下几种方法。

1.停车位分配策略：根据车库内停车位的分布情况，采用合理的停车位分配策略，将车辆分配到最近的空闲停车位，从而减少等待时间。

2.车辆选择策略：在车库入口处设置车辆选择系统，通过车辆的属性和停车目的地等信息，选择最优的停车位置，避免长时间等待。

3.出入口管理：合理规划车库的出入口，设置交通信号灯和红绿灯等控制设施，以保证车库中车辆的正常出入。

4.调度算法优化：通过建立合理的调度算法，对车辆进出车库的顺序进行优化，避免拥堵和混乱，提高停车效率。

四、总结自动化立体车库排队模型及调度优化是解决城市停车难题的重要手段之一、通过建立合理的排队模型和采用相应的调度策略，可以有效提高停车效率，减少等待时间，优化城市交通资源的利用。

未来，随着智能交通技术的发展，自动化立体车库的调度优化将在实际应用中发挥更大的作用。

停车位分配练习

停车位分配练习
介绍
停车位分配是在共享停车场中管理停车位的重要任务。

为了提
高停车位利用率和管理效率，需要合理分配停车位给不同的用户。

本文档介绍了停车位分配练，包括背景信息、操作步骤和注意事项。

背景信息
停车位分配练旨在模拟真实场景中的停车位分配过程，并提供
给用户一个实践机会。

通过此练，用户可以研究如何有效地分配停
车位，考虑不同因素（如车型、停留时间等），并做出合理的决策。

操作步骤
1. 进入停车位分配练界面。

2. 阅读分配规则和目标，了解所需考虑的因素。

3. 观察停车场现状，包括已分配和未分配的停车位。

4. 根据规则和目标，逐一分配停车位给不同的用户。

5. 考虑用户的需求、现有停车位的情况和其他因素，做出合理
决策。

6. 点击确认按钮进行停车位分配。

7. 预览分配结果，检查结果的合理性。

8. 根据结果进行调整和优化，直到达到预期目标。

注意事项
- 在分配停车位时，要考虑公平性和效率性。

- 尽量根据用户的需求和停车场的实际情况进行分配，避免过度或不足分配。

- 注意车型、停留时间和停车场利用率等因素的权衡，做出明智决策。

- 在分配过程中，可以随时修改和调整停车位的分配情况。

- 审查分配结果，确保分配的停车位符合规则和目标要求。

希望本文档能够帮助您了解停车位分配练的实施过程，提升您的实践能力。

祝您顺利完成练！
---
参考资料
- 相关练材料和案例分析
- 停车位分配相关文献和学术资源。

停车场管理优化模型的研究及实证分析

停车场管理优化模型的研究及实证分析停车场管理在现代城市发展中扮演着重要的角色。

随着城市化进程的加速，汽车普及率的快速增长，停车资源的短缺问题已经成为城市交通拥堵和城市管理的重要问题之一。

因此，针对停车场管理进行优化，提高停车资源的利用率和效率具有重要的现实意义。

本文将研究停车场管理优化模型，并通过实证分析来验证其效果。

首先，为了建立停车场管理优化模型，我们需要考虑几个关键因素。

首先是停车场的空间布局。

如何合理安排停车位，使得车辆能够快速进入和离开停车场是一个重要的问题。

其次是停车场的管理策略。

如何制定合理的停车时间限制、计费方式以及停车许可方式等都会影响到停车场的管理效果。

最后是停车场的运营模式。

传统的停车场运营模式以标准时间计费，但如何根据不同时段的停车需求灵活调整计费标准是一个需要考虑的问题。

其次，我们将研究停车场管理优化模型的建立。

基于上述关键因素，我们可以将停车场管理视为一个优化问题。

通过建立数学模型，我们可以将停车场管理目标定义为最大化停车资源的利用率和效率，同时最小化车辆等待时间和交通拥堵问题。

基于约束条件和目标函数，可以使用线性规划、整数规划、动态规划等数学方法来求解停车场管理优化模型。

接下来，我们进行实证分析以验证停车场管理优化模型的效果。

通过选择具体的停车场作为案例研究，并收集停车数据，我们可以比较实际管理策略和优化模型结果的差异。

通过分析实际数据和模型结果的对比，可以评估优化模型的准确性和可行性，并进一步改进和优化模型。

同时，我们可以收集停车场用户的满意度反馈，以验证模型是否能够提高用户的停车体验。

最后，我们可以根据模型分析的结果和实证研究的结论，提出一些关于停车场管理优化的建议。

例如，可以根据不同时段的交通流量情况灵活调整停车场的计费标准，以鼓励车辆在交通高峰期间尽快离开停车场，减少交通拥堵问题。

此外，可以采用无人化停车管理系统，利用人工智能技术提高停车场的管理效率。

综合利用空泊车位和共享停车位等资源，可以进一步提高停车资源的利用率。

基于多色集合的立体车库车位分区管理建模与仿真

基于多色集合的立体车库车位分区管理建模与仿真李建国;刘日;王小农【摘要】针对自动化立体车库车辆存取能耗高的缺点,以提高车库运行效率和降低车库运行能耗为目标,以车辆到达间隔时间服从泊松分布,车辆停留时间服从正态分布,建立车位分区管理的车库运行模型,在此基础上,采用多色集合理论对立体车库车位进行分区管理.编写仿真程序,通过比较车位分区管理和车位就近分配下的车辆平均等待时间和车辆平均运行能耗的仿真结果,证明了车位分区管理在提高车库运行效率和降低车库运行能耗上的有效性.仿真结果表明:在特定车辆到达间隔时间分布和车辆停留时间分布下,该车位分区管理模型能够使得顾客的平均等待时间减少0.05 min并降低车库运行能耗达10.63％.【期刊名称】《兰州交通大学学报》【年(卷),期】2018(037)003【总页数】6页(P21-26)【关键词】静态交通;分区管理;多色集合理论;运行能耗【作者】李建国;刘日;王小农【作者单位】兰州交通大学自动化与电气工程学院,甘肃兰州 730070;兰州交通大学自动化与电气工程学院,甘肃兰州 730070;兰州交通大学自动化与电气工程学院,甘肃兰州 730070【正文语种】中文【中图分类】U491.7自动化立体车库具有占地面积小，泊车位数量多，安全可靠性高的优点，日趋成为解决大中城市“停车难”和“取车难”问题的重要手段.立体车库车位分配影响着立体车库存取车辆的运行能耗，关系着车库的运行成本和综合竞争力.对该问题的研究具有理论价值和实际意义.国内外学者对立体仓储系统研究较多，张贵军等[1]针对智能立体仓库货位分配问题,提出一种基于精英多策略的货位分配优化方法.刘万强等[2]从提升有轨自动化小车(RGV)出入库作业效率的角度出发,在综合考虑RGV加减速和行走方向改变所带来的影响前提下,对新型棋盘格密集仓库出入库复合作业模式下的货位分配问题进行研究.周旋旋等[3]基于半张量积的网络查询调度算法寻找出最短路径与最近车位,对存取车的路径进行优化,缩短等待时间,提升存取车效率.李建国等[4]为减少巷道堆垛式立体车库堆垛机运行距离,提高立体车库整体运行效率提出了一种基于遗传算法的堆垛机路径优化方案.别文群等[5]采用遗传算法优化策略可以有效地解决自动化立体仓库的货位优化分配问题.孙嘉炜等[6]建立了入库货位优化模型和出库货位优化模型，分别为入库货位优化模型和出库货位优化模型设计了解的表达方法以及产生初始解的启发式方法.杨永永等[7]提出把RFID技术运用到数字化仓库结合相关算法中对产品入库货位进行动态优化来提高仓库的周转效率.Mariagrazia等[8]建立了控制自动化仓储系统的着色Petri网，简要说明了存储系统的实现方法和模型.Pan等[9]基于FLASSIM的仿真模型实现了启发式算法，对不同存储分配方法的吞吐量进行了比较.Roy等[10]用排队模型分析了自动化立体仓储系统中堆垛机驻留点在通道中的位置.其他学者对立体仓储系统的研究多涉及对调度策略和路径的优化[11-16].对立体仓储系统货位分配的研究主要考虑货物属性和货位特征，立体车库车位分配与立体仓储系统货位分配的区别在于不仅要考虑车辆属性和车位特征，还需考虑车辆服务规则、车辆到达间隔时间分布和库内停留时间分布.本文以先到先服务和出车优先为服务规则，以车辆到达间隔时间服从泊松分布，车辆停留时间服从正态分布，并以多色集合理论为依据对车库车位进行分区管理，建立车库运行模型.给出能耗和效率评估的几种指标，对车库运行模型进行仿真.通过仿真结果分析并对比车位就近分配下的车库的运行效率和运行能耗，证明了基于多色集合理论的车位分区管理在提高车库运行效率和降低车库运行能耗上的有效性.1 立体车库运行模型1.1 立体车库运行模型建立规则1) 每天运行时间内车辆到达间隔时间服从参数为λ的负指数分布；2) 车辆在车库内停留时间服从参数为μ和σ2的正态分布；3) 车辆到达时服从先到先服务的服务规则，离去时服从出车优先原则；4) 车辆到达时只有在库内有可用车位且车辆等待队长在可承受范围的情况下接受服务，否则车辆离去；5) 车辆接受服务时的服务时间依据分配的车位所在位置、堆垛机水平移动速度、垂直移动速度来确定；6) 车辆运行能耗依据车辆的质量和分配的车位所在位置、牵引电机功率来确定. 以上规则中λ值越小，车辆达到越密集.μ值表示车辆在库内停留时间的期望，该值越大，车辆在车库内停留时间越长.σ2值表示车辆在库内停留时间的方差，该值越大，车辆在车库内停留时间偏离μ值越大，分布范围越广.请求出库和入库车辆的排队等待时间(Waittime)，车辆存取能耗(Energy Consumption)的计算流程如图1所示，各变量的对应关系分别为Arrivetime表示到达时间，Leavetime表示离开时间，Overtime表示服务结束时间，Servicetime表示服务时间.1.2 车库运行模型的数学描述车辆每天的平均等待时间和车库每天存取车辆的平均能耗是衡量立体车库运行的重要指标，立体车库运行模型围绕这两个指标，建立数学表达式如式(1)～(4).Wh=1 000gh,(1)式中：Wq表示堆垛机水平移动一列的能耗；h表示立体车库每层的高度；g是度量重力加速度的单位.(2)式中：Wq表示堆垛机水平移动一列的能耗；P表示立体车库电机水平牵引功率；q表示立体车库每列的列宽；Vx表示立体车库堆垛机水平移动速度.(3)式中：表示每天n辆车进出库的平均能耗；mi表示第i辆车的质量；hi表示第i辆车所在的层；qi表示第i辆车所在的列；n表示一段时间内进出立体车库的个数.(4)式中：表示每天n辆车的平均等待时间；ti表示第i辆车的等待时间.图1 车辆排队等待时间和存取能耗的计算流程Fig.1Calculation of queue waiting time and energy consumption for vehicles2 多色集合理论下的车位分区管理2.1 车位分区原则立体车库车位选择在对车库分区和车辆分类的基础上进行，车库的分区应遵循确保车辆安全，方便存取，力求节约立体车库运行能耗原则，车库的分区要考虑：1) 存取车辆质量.为降低车库运行能耗，较重车辆存放在离出入口较近车位，较轻车辆存放在离出入口较远车位.2) 车库重心.为保证车库稳定性，库内车辆安全，车辆在车库内质量分布应使车库重心向车库低层偏移,即较重车辆分布在低层，较轻车辆分布在高层.3) 车辆存放时间.为提高车位运转率和降低车库能耗，应将在车库内平均停留时间较长车辆存放在距离出入口较远车位，将平均停留时间较短车辆存放在距离出入口较近车位.2.2 多色集合理论对于普通集合A=(a1,a2,a3,…,an)中元素ai∈A，存在元素ai的个人颜色，F(ai)称为元素个人颜色的集合，表达式如式(5)所示.F(ai)=[f1(ai),f2(ai),…,fm(ai)]=[f1,f2,…,fj,fm].(5)集合A的统一颜色用F(A)=(F1,F2,…,Fj,…,Fm)表示，其中Fj表示多色集合的第j 个元素的统一颜色.多色集合PS一般由以下成分确定.PS={A,F(a),F(A),[A×F(a)],[A×F(A)],[A×A(F)]}.(6)式中:F(a)表示个人着色；F(A)表示统一着色；[A×F(a)]表示所有元素的个人着色；[A×F(A)]表示同一颜色与个人颜色的关系；[A×A(F)]表示保证多色集合所有同一颜色存在的元素的组成用.基于多色集合理论，将车位编号作为多色集合的统一颜色，将车位能耗、车辆质量和库内停留时间作为该多色集合的元素，建立该理论下的车位分区模型[X×F(X)]的布尔矩阵表，如表1所列.3 基于多色集合理论的车位分区管理仿真仿真中车库以兰州某小区立体车库单侧4层10列，共40个车位容量为例，车库单侧展开图如图2所示.车库每天的运行时间为720 min，λ、μ和σ2值根据不同的时间段取不同值，如表2所列.车辆质量取1.2～2.4 t之间的随机数，车库每层高度h取2 m，每列宽度q取2.5 m，垂直平均移动速度为0.3 m/s，水平平均移动速度为0.5 m/s，车辆每吨对应水平牵引功率P为2.2 kW.根据式(1)和式(2)可得，Wh=14.7 kJ，Wq=4.4 kJ.车位分区管理中，车辆根据质量分为两类，根据车辆在车库内平均停留时间分为两类，根据车库内车位根据车位能耗，即每吨质量的车辆从出入口到达车位时的能耗分为三类，如表3所列.表1 多色集合下的车位分区布尔矩阵Tab.1Partition Boolean matrix of parking spaces under polychromatic sets车位车位号车辆质量车辆平均停留时间车位能耗轻重短长低中高F1F2F3F4F5F6F7X11,1●●●X21,2●●●X31,3●●●……………X101,10●●●X152,5●●●X404,10●●●1和0分别用“●”和空格表示.图2 车库车位单侧展开图Fig.2Single side unfolded drawing of a parking garage表2 车辆到达和停留分布参数Tab.2 Vehicle arrival and residence distribution parameters时间λ(μ,σ2)7:00-7:302(240,30)7:30-11:305(60,30)11:30-14:0010(60,30)14:00-14:302(240,30)14:30-18:305(60,30)18:30-19:3010(60,30)集合X由实例中40个车位组成并构成多色集合的元素，即X={x1,x2,x3,…,x40}.车位号表示车位所在的列、层，其中车位x1对应车位号(1,1).表3 车辆和车位特征分类Tab.3Vehicle and parking characteristics classification车辆质量/t平均停留时间/min车位能耗/kJ≤2≤180≤25>2>18025～4040以上统一颜色集合F(X)综合考虑影响车位分区的因素(车位能耗，车辆质量，车辆库内停留时间)，即F(X)=(F1,F2,F3,…,F7).其中:F1～F2表示车辆的质量分布，F1表示车辆质量在2吨以内；F2表示车辆质量在2吨以上；F3～F4表示车辆在车库内停留时间，F3表示平均存放时间在180 min以内；F4表示平均停留时间在180 min以上；F5～F7表示车位能耗，F5表示车位能耗在25 kJ以内；F6表示车位能耗在25～40 kJ；F7表示车位能耗在40 kJ以上.每个车位的个人着色F(xi)可以用布尔矢量表示，例如，对于F(x6)可表示为(1010010).由[X×F(X)]组成的布尔围道矩阵将影响车位分配的车位特征、车辆质量、车辆库内停留时间和车位联系到一起.通过对[X×F(X)]进行合取和析取，可得到由A1(F1,F4,F7)，A2(F1,F3,F6)，A3(F2,F4,F7)，A4(F2,F3,F5)组成的布尔围道矩阵[A×A(F)]，分别对应立体车库车位分成的3个区域，如图3所示.图3 多色集合理论下的车位分区图Fig.3Partition map of parking spaces under polychromatic sets theory立体车库车位的分配是在对车库车位分区基础上进行的，在图3的每个分区，车位的分配依据就近原则，即车位的分配依据车位离出入口的距离，由近及远排布[4].基于多色集合理论的车位分区管理，该车库运行100 d，每天车辆的人均能耗分布和每天车辆的人均等待时间分布分别如图4和图5所示.图4 分区管理下每天车辆的人均能耗Fig.4Average daily energy consumption of a vehicle underpartition management图5 分区管理下每天车辆的人均等待时间Fig.5Average daily waiting time of a vehicle under partition management图4和图5中，车位分区管理下每天车辆的人均能耗以51.290 kJ为平均值分布在该平均值附近；每天车辆的人均等待时间分布在平均值0.103 min附近.图6和图7中是车位就近分配下，每天车辆的人均能耗分布和每天的人均等待时间分布.图6 就近分配下每天车辆的人均能耗Fig.6Average daily energy consumption of a vehicle underthe principle of nearby distribution图6和图7中，车位就近存取策略下每天车辆的人均能耗以57.39 kJ为平均值，分布在该平均值附近；每天车辆的人均等待时间分布在平均值0.153 min附近. 图7 就近分配下每天车辆的人均等待时间Fig.7Average daily waiting time of a vehicle under theprinciple of nearby distribution以上对比显示，基于多色集合的车位分区管理能够使得车辆的平均等待时间减少0.05 min，每天车库人均运行能耗比就近原则下减少6.1 kJ，降低10.63%.从100 d内随机抽取一天，车位就近分配和车位分区管理下运送每辆车所消耗的能量分布分别如图8和图9所示.图8 就近分配下的车辆运行能耗分布Fig.8Distribution of vehicle energy consumption under nearby distribution图9 分区管理下的车辆运行能耗分布Fig.9Distribution of vehicle operating energy consumptionunder partition management在图8和图9中，两种车位分配策略下，库内停留时间不同，质量不同的车辆在车库内占据车位的位置不同，使得车位分区管理下车库运行时，人均等待时间比就近分配下减少0.05 min，人均能耗比就近分配下降低10.62%.图8表明就近原则下车辆的运行能耗7:00-12:00和12:00-19:00分别呈倒V型分布.在7:00-7:30和14:00-14:30两个时间段到达的停留时间较长，出入库频率较低且质量较重的车辆占据离出入口较近车位，导致在其他时间段停留时间较短，出入库频率较高的车辆占据离出入口较远车位.图9表明车位分区管理下的车辆运行能耗在7:00-12:00和12:00-19:00分别呈正V型分布.在车库内停留时间较长，出入库频率较低且质量较重的车辆分布在离出入口较远车位；在车库内停留时间较短，出入库频率较高的车辆分布在离出库口较近车位，使得离出入口近的车位得到较多次利用.4 结论本文以立体车库为研究对象，建立了立体车库的运行模型，给出了评估立体化库运行效率和运行能耗的数学指标，以多色集合为理论基础对车库车位进行分区管理，并以兰州某小区立体车库为例进行仿真.仿真结果表明在文中特定车辆到达间隔时间分布和车辆停留时间分布下，基于多色集合理论的车位分区管理能够使得车辆的平均等待时间减少0.05 min，每天车库人均运行能耗比就近原则下减少6.1 kJ，降低10.63%.该车库运行模型通过改变运行参数可得到服从其他到达间隔时间和库内停留时间参数下的仿真结果，为实际车库运行时车位的分配提供参考，具有理论价值和现实意义.【相关文献】[1] 张贵军,姚俊,周晓根,等.基于精英多策略的货位分配优化方法[J].计算机科学,2018,45(1):273-279.[2] 刘万强,周亚勤,杨建国,等.新型棋盘格密集仓库的出入库货位分配优化[J].东华大学学报(自然科学版),2017,43(4):496-502.[3] 周旋旋,王辉,王亮亮,等.基于半张量积的立体车库网络调度算法[J].齐鲁工业大学学报,2017,31(5):71-76.[4] 李建国,梁英,刘日.基于遗传算法的巷道堆垛式立体车库路径优化[J].起重运输机械,2016(12):59-63.[5] 邓爱民,蔡佳,毛浪.基于时间的自动化立体仓库货位优化模型研究[J].中国管理科学,2013(6):107-112.[6] 别文群,李拥军.遗传算法在立体仓库货位优化分配中的研究[J].计算机工程与应用,2009,45(29):211-213.[7] 杨永永,何利力,翟俊鹏.数字化仓储中货位优化分配的研究[J].工业控制计算机,2016,29(4):107-109.[8]MARIAGRAZIA D,MARIA P F.A coloured Petri net model for automated storage and retriev al systems serviced by rail-guided vehicles:A control perspective[J].International Journal of Computer Integrated Man ufacturing,2005,18(2-3):122-136.[9]PAN C H,SHIH P H,WU M H,et al.A storage assignment heuristic method based on genetic algorithm for a pick-and-pass warehousing system[J].Computers & Industrial Engineering,2015,81(C):1-13. [10] ROY D,KRISHNAMURTHY A,HERAGU S,et al.Queuing models to analyze dwell-point and cross-aisle location in autonomous vehicle-based warehouse systems[J].European Journal of Operational Research,2015,242(1):72-87.[11] 张思建,方彦军,贺瑶,等.基于模拟退火算法的AVS/RS多批货箱入库货位优化[J].武汉大学学报(工学版),2016,49(2):315-320.[12] 李建国,梁英,刘日.基于遗传算法的巷道堆垛式立体车库路径优化[J].起重运输机械,2016(12):59-63.[13] 华文瀚,田怀文.堆垛式立体车库存取车策略及路径优化问题的分析研究[J].机械设计与制造,2011(3):260-262.[14] 孙军艳,魏艳红.自动化立体车库进出库调度优化研究[J].物流技术,2015,34(11):296-298.[15] 马昌威.基于改进蚁群算法的立体车库群控调度实现[J].计算机测量与控制,2014,22(3):764-768.[16] 李建国,蒋兆远.立体车库随机车位分配与就近车位分配仿真及分析[J].物流科技,2010,33(10):13-15.。

立体车库实习报告

立体车库实习报告本次实习是在某知名城市规划设计公司进行的立体车库项目的实习。

立体车库是一种利用立体空间构建的停车场建筑，可以有效节约土地资源并提高停车效率。

经过两个月的实习，我对立体车库的设计、施工和运营管理进行了全面了解，并积累了一定的经验。

一、项目背景和任务本次实习的项目是为某大型商业综合体设计和施工一座立体车库。

该商业综合体位于市中心繁华区域，拥有大量商铺和办公楼，停车需求繁忙。

由于周边用地紧张，传统的平面停车场无法满足停车需求，因此决定建设一座立体车库解决停车难题。

我的主要任务是参与立体车库的设计，包括平面布局设计、结构设计、机械设备选型等，并设计相应的运营管理方案。

同时，我还负责监督施工过程，确保设计方案的顺利实施。

二、设计过程1. 立体车库的平面布局设计通过对周边环境的调研和分析，我确定了立体车库的出入口位置，并根据停车需求量进行车位的规划。

考虑到商业综合体的日常经营活动，我将商业综合体和立体车库进行了紧密地连接，方便人员和货物的流通。

2. 立体车库的结构设计立体车库的结构设计是整个项目的核心。

我通过对类似工程的研究和调研，选择了适合该项目的结构形式，并根据建筑材料的特点进行了合理的设计。

同时，我还进行了强度分析和运载能力计算，确保结构的安全可靠。

3. 机械设备选型立体车库运作离不开各种机械设备的支持，包括升降机、传送带、车辆定位系统等。

我对不同类型的设备进行了调研和选型，并评估了其性能、稳定性和可靠性，最终确定了适合该项目的机械设备。

三、施工过程和管理1. 施工筹备和准备工作在施工前，我组织了相关人员进行施工筹备和准备工作。

包括制定施工计划、购买施工材料、与施工队伍协商等，确保施工进度和质量。

2. 施工监督和质量控制我作为项目的实习生也是项目的监督人之一，负责监督施工过程中的质量控制。

我与施工队密切合作，每日进行工地巡查，及时发现问题并解决。

同时，还组织了质量检查和试车工作，确保立体车库的正常运行。

立体车库随机分配与就近分配库位布局探索

立体车库随机分配与就近分配库位布局探索张海飞;李建国;王小农【摘要】以巷道堆垛式自动化立体车库为例,以排队论为理论依据,以顾客的平均等待时间和平均等待队长为参考标准,探讨了车库在随机分配和就近分配两种库位分配情况下的层数和列数构造方案,结果显示在两种库位分配情况下,4层6列的库位布局得到了预期效果,而且就近库位分配策略下顾客平均等待时间比随机库位分配策略提高了约0.33 min,平均等待队长缩短了约0.07,得到了预期效果,从而为该类型的车库的构造提供了可靠性参考.【期刊名称】《大连交通大学学报》【年(卷),期】2018(039)006【总页数】4页(P96-99)【关键词】立体车库;排队论;平均等待时间;平均等待队长;库位布局【作者】张海飞;李建国;王小农【作者单位】兰州交通大学自动化与电气工程学院,甘肃兰州 730070;兰州交通大学自动化与电气工程学院,甘肃兰州 730070;兰州交通大学自动化与电气工程学院,甘肃兰州 730070【正文语种】中文0 引言随着社会的发展，城市人口日益增多，停车问题逐渐成为城市的一大难题.城市中有限的地面面积已无法提供足够的停车车位，于是向空间发展成为当前解决问题的一条重要途径，在一些规模比较小的小区或商业区，需要建设一些小型停车库，来解决停车难的问题.由于地理因素影响了车库的构造，所以在既满足地理因素又解决停车难问题的基础上，如何对车库的布局进行设计是一个亟需解决的问题.以往的文献基本都是对车库的运行调度进行优化或改进，文献[1]研究了自动化立体仓库在多重搬运器与升降机下的动态存储.文献[2]应用排队论的思想，构造了立体车库设计方案的优化数学模型.文献[3]对巷道式立体车库的运行效率进行的分析.文献[4]根据排队论的理论基础，对立体车库中的选址、车流量、库存容量、作业效率等因素进行详细分析，对立体车库的流畅性进行了阐述.文献[5]以排队论为理论依据，提出了一种对立体车库进行规划设计的思路.目前，针对车库的设计基本都停留在对其选址、运行效率、成本规划等方面，而缺少对车库整体如何构造、层列如何分配等问题的研究.本文根据前人思想，采用排队论的原理，给定堆垛机数量和I/O口位置，以顾客的平均等待时间和平均等待队长为设计参考，考虑车库内层列的不同组合对顾客平均等待时间和平均等待队长的影响，从而为车库的设计提供参考.1 立体车库的实体模型巷道式立体停车库，具有占地少、停放车辆多、先进的集中管理、安全可靠等优点，并且可根据环境和场地的要求定容，是解决城市静态交通问题的一种最为有效的方式.巷道堆垛式立体车库示意图如图1所示.图1 巷道堆垛式车库示意图由于存取车是三维运动，即水平X方向、垂直Y方向和高度Z方向的运动，每个车库的通道数也不相同，即存取动作中X方向运动不同，而每个巷道停车库位排列相同，相应库位存取动作中Y和Z方向运动就相同，所以又可取单巷道式立体车库作为车库的实体模型.如图2所示.Z库位……库位…………库位……库位库位……库位库位库位…库位I/O Y图2 单巷道立体车库单侧库位布局图2 自动化立体车库的仿真模型2.1 立体车库排队模型把存取的车辆作为顾客，车库本身作为服务机构，则存取的汽车到来的时刻是随机的，服务的时间也是随机的.根据排队论的基本思想，立体车库存取车辆的过程可以看作为1个排队系统，如图3所示.图3 车库车辆排队系统本模型使用1台堆垛机，执行操作时每次只对1辆汽车进行存取，服务台数为1，可以认为整个车库运行符合M/M/1排队模型.顾客服务规则为先到先服务(First Come First Service， FCFS)，堆垛机在对车辆进行存取之后返回I/O口.由排队论基本理论可知，对1个停车库而言，车辆到达及存放时间都是随机离散的，车流符合泊松分布，在仿真时取按泊松分布到达的时间间隔序列为车辆的存放时间. 系统内有1个服务窗口，服务窗口的服务时间服从负指数分布，服务强度为μ，系统容量为m.如果车厅内车辆已满，新来的车辆将直接离去，则系统内必定有m-1个可供车辆排队的位置，即车厅容量为m-1.为满足车辆对服务窗口的使用需求，选取车辆到达率为λ，则系统的服务强度为ρ=λ/μ.2.2 立体车库运行指标《车库建筑设计规范(2015)》规定，1个I/O口对应约50个停车位，I/O口处应设置不少于2个的候车位，当I/O口分开设置时，候车位不应少于1个.但是规范中明显缺少了对车位如何进行布局的规定.考虑立体车库的造价等问题，立体车库的最低层数为3层.堆垛机水平速度v1=80 m/min，垂直速度v2=20 m/min.车库车位的长L0=5 m，宽W0=2 m，高H0=1.8 m.因为顾客到达规律服从参数为λ的泊分布，服务时间服从参数为μ的负指数分布，则λ表示单位时间内平均达到的顾客数，μ表示单位时间内能服务完的顾客数.车辆在从I/O口运送到存放位置所需时间T为：(1)其中,i为停车位所在的层，j为停车位所在的列，i、j为正整数.车库共有N个停车位，车辆到达率为λ，则系统的服务强度为ρ=λ/μ，则停车排队系统空闲概率P0为：(2)其中，k表示有k辆车停放.车辆在系统内平均等待时间为：平均等待队长Lq为：根据自动化立体车库的数学模型，堆垛机数量为1台，出入口数量为1个，车辆到达时间服从参数为λ=0.3(辆/min)的泊松分布，车库服务率μ=0.9(辆/min)，考虑1天即1 440 min内车库运行情况，车辆按照随机存储方式和就近存储方式进行存储.则系统运行时顾客的平均等待时间为：(5)综上，对整体模型进行模拟建模，以顾客的平均等待时间和平均等待队长为衡量标准，分析随机库位分配和就近库位分配两种方式.对车库车位布局进行探索，合理规划车库层列布局.3 系统仿真本文考虑设计停车位N为50个，车库整体构造为双排对列布设，则每排车库的停车位n为25.再考虑整个立体的车库的造价等问题，立体车库的最低层数为3层，则可得出表1的立体车库层和列的不同组合.表1 层和列不同情况的组合序号i层j列序号i层j列S138S564S247S674S346S783S455针对上述7种层和列不同情况的组合，假设堆垛作业方式为单一作业，顾客的平均等待时间对比如表2所示.表2 不同情况下顾客平均等待时间序号平均等待时间/min随机存储就近存储序号平均等待时间/min随机存储就近存储S12.18451.7588S52.32601.9566S21.74001.4168S62.33741.9899S31.59851.2 736S72.72772.2561S42.19731.8598(a) 随机库位分配 S3情况下顾客等待时间(b) 就近库位分配 S3情况下顾客等待时间图4 两种分配方式下最优布局顾客等待时间针对上述7种情况所对应的顾客平均等待时间，分析最优布局下两种分配方式的顾客平均等待时间仿真对比图如图4所示.不同情况下顾客平均等待队长如表3所示.表3 不同情况下顾客平均等待队长序号平均等待队长Lq随机库位分配就近库位分配S10.386140.27778S20.354380.29188S30.201460.13101S40.272640.21791S5 0.271880.23096S60.367860.29732S70.443410.39031通过上述仿真建模的结果，可以看出：(1)S3情况下，即4层6列双排对列布设，顾客的平均等待时间最短；(2)随着层数变大，列数变小，顾客的平均等待时间逐渐变大，平均等待队长变长.(3)就近库位分配方式比随机库位分配方式，每种布局下顾客平均等待时间缩短大约0.33min，平均等待队长缩短了约0.07.此仿真在考虑设计停车位N为50个、双排队列布设时进行，若考虑设计停车位N为100个、双排队列布设，则需考虑不同的假设条件：若为单巷道则车库的库位布局有不同的布局；若为多巷道则需考虑堆垛机在X方向上运行的时间.4 仿真结果分析对顾客的平均等待时间进行分析可知，当车库层数大于等于4层时，随着层数的增加和列数的减少，顾客的平均等待时间逐渐增加，但在相同库位S2和S6两种不同库位布局下，S2情况下顾客平均等待时间小于S6情况下顾客平均等待时间. 发生该现象的主要原因在于，堆垛机将车辆从服务台运送到库位所需时间是由max(0.09i,0.025j)+0.0625决定的，从该式可以看出堆垛机将车辆从服务台运送到库位所需时间取得是一个最大值，在对车辆进行存储时，4层7列(S2)情况下i 的取值范围为1≤i≤4，j的取值范围为1≤j≤7，而7层4列(S6)情况下i的取值范围为1≤i≤7，j的取值范围为1≤j≤4；在计算时间时层数i的系数为0.09，列数j 的系数为0.025，则在相同库位下，堆垛机对库位的访问S2情况比S6情况所需访问的层数要小得多.S1和S7两种情况也是相同原因.同理可分析顾平均等待队长. 分析表2和表3中的数据可知，顾客的平均等待时间与顾客平均等待队长有着必然联系.堆垛机在对车辆进行存取时，堆垛机在库内运行时间越长，顾客排队等候的时间也就越长，顾客平均等待队长也就越长.而堆垛机在库内运行时间则与库位布局息息相关，因此，库位布局越合理，顾客的平均等待时间与顾客平均等待队长也就越短.5 结论本文在单巷道自动化立体车库下进行模拟仿真，针对巷道堆垛式自动化立体车库库位布局对顾客平均等待时间和平均等待队长的影响，模拟了不同库位布局下顾客平均等待时间和平均等待队长，主要表现在：(1)通过省略车库垂直升降的部分，把立体车库的三维立体图简化为二维平面，建立了巷道堆垛式立体车库的简化模型；(2)综合分析了《车库建筑设计规范(2015)》中的相关规定，使得模拟具有可靠的依据，所涉及数据具有一定的真实性；(3)在M/M/1排队系统下，分析了7种不同库位布局，采用大量数据进行仿真，使得结果具有一定的可靠性.从仿真结果来看，在M/M/1排队系统单服务台，队长无限，FCFS下，考虑库位双排对列布设，每一排在4层6列的库位布局下，顾客的平均等待时间相对其他布局下的顾客的平均等待时间较短，而该种库位布局也满足《车库建筑设计规范(2015)》.但在建模时仍存在不足，例如：堆垛机在对车辆进行存取时仅仅考虑了将车辆进行存取后回到I/O口，不同时段顾客的到达率也相同等，针对以上问题仍需要进行进一步的探讨.参考文献：【相关文献】[1]HECTOR J C , IRIS F A. Sequencing dynamic storage systems with multiple lifts andshuttles [J].Int. J. Production Economics ，2012，140:844-853.[2]张伟中,姜晓强,张伟社.基于排队论的立体车库设计方案参数优化[J].起重运输机械,2011(7):38-41.[3]刘日,李建国,梁英.基于排队论的单车厅立体车库运行效率分析[J].物流科技,2016(10):15-19.[4]李斌,李建国.基于排队论的立体车库特征及流畅性分析[J].铁路计算机应用,2010(6):14-17.[5]李建国,朱德桥,郭佑民,等.基于排队论的立体车库特征分析及规划设计[J].起重运输机械,2009(4):38- 41.[6]朱德桥,李建国,郭佑民,等.基于排队论的立体车库堆垛机效率分析[J]. 兰州交通大学学报,2009(3):62-64.[7]周奇才,缪宁,熊肖磊. 基于排队论的停车库服务模型与效能探讨[J]. 中国工程机械学报,2005(2):161-164.[8]徐格宁,程红玫,陈延伟. 基于排队论的立体车库车辆存取调度原则优化[J]. 起重运输机械,2008(5):50-55.[9]査昕,沈天清.机械式停车库的类型及其运用[J].工程与建设,2010(6):771-773.[10]BANU Y. EKREN, SUNDERESH S. Heragu.Simulation based performance analysis of an autonomous vehicle storage and retrieval system[J].Simulation Modelling Practice and Theory, 2011，19 ：1640-1650.。

停车场泊车问题的研究与仿真

Parking Path Optimizationin Parking Lot
LIU Jiao1 ，GE Zhao － yan1 ，XIE Jing2 ，WU Xuan1
（ 1． College of Electrical and Information Engineering， Hunan University，Changsha Hunan 410082 ，China； 2． College ofElectronic Engineering，Naval University of Engineering，Wuhan Hubei 430033 ，China） ABSTRACT： With the widespread popularity of the automobile，the problem of parking guidance in modern large － scale parking lot is more and more prominent． For this problem，a parking lot structure model is built in this paper， and combined with the actual situation，the whole process of parking behavior is divided into two processes： parking into place and taking car from parking lot． The best parking space is chosen according to the total shortest parking guidance path of the two processes． An improved Dijkstra’ s algorithm is used in VC + + 6． 0 environment simulation． The best parking space and the exact guiding parking paths of parking into place and taking car from parking lot are given out． The blindness in finding a parking space is overcome and the efficiency of parking behavior is improved to a certain extent． KEYWORDS： Parking lot； Shortest path； Best parking space； Exact parking guide； Dijkstra’ s algorithm

基于遗传算法的自动化立体车库库位分配

3 库位分配策略实现
3.1 数学模型建立为实现，上述库位分配策略，本文以最小化总出
库、入库时间为目标分别建立数学模型，为便于建立系统数学模型，现做出如下设定：
1）本仿真过程中所有需要存放的车辆均为中小型汽车，即本文只以4～9层为例进行库位分配，1～3层的库位分配方法与4～9层类似；
2）由于本车库前后为对称结构，所以本文只考虑 4～9层的前区库位，库位编号如图2所示，后区库位分配方法与前区类似；
本文的研究对象是具有两台汽车升降机的存取分离式仓储平面移动式立体车库，相对于只布置一台汽车升降机的仓储平面移动式立体车库，其整体用户存取车等待时间更短。由于在车库的结构确定的情况下，存取车由升降机和搬运机完成，因此车库的存取车效率与存取策略有密切的联系，本文将针对具有两台升降机即具有单独的入库口和出库口的立体车库进行存取车策略优化并比较各策略的存取车效率。
常见的立体车库存取车策略研究大多针对只有一个升降机的自动化立体车库，如李剑锋等人利用改进遗传算法研究了巷道堆垛式立体车库调度策略[5]；鲁立等人对出入库的策略提出了一种基于社会最小等待时间的出入库优化算法，将其应用于存取车优化[6]；孙军艳等人利用改进的交叉算子遗传算法对三种不同库容的升降横移式与巷道堆垛式立体车库进行存取车调度优化[7]。
基于遗传算法的自动化立体车库库位分配
Resource allocation based on genetic algorithm in automated stereo garage 陈桢1，杨旻2
CHEN Zhen1, YANG Min2
（1.上汽大众汽车有限公司上海，201805；2.壳牌（中国）有限公司，上海 200336）
3）在整个仿真过程中，立体车库运行正常，不考虑其余非正常影响因素；

基于PLC的立体车库自动分配车位系统

基于PLC的立体车库自动分配车位系统摘要：基于一套PLC的塔式立体车库实验系统，研究了如何在PLC没有任何外部信号输入的前提，用软件实现空闲车位的自动查找和分配。

关键词：立体车库PLC 分配车位1. 研究立体车库控制技术的必要性目前我国各主要城市停车设施的建设远远落后于道路建设和汽车工业的发展，停车问题也就逐渐成为大都市的一大难题。

然而立体车库具有占地面积少、充分利用立体空间等优点, 因此在未来几十年，立体车库在我国会起着越来越重要的作用。

2. 立体车库实验平台的介绍本文是基于一套PLC控制的塔式立体车库的实验系统，研究了如何在PLC 没有任何外部信号输入的前提下，用软件实现空闲车位的自动查找和分配。

该立体车库实验系统总共有10个车位，分别位于左右两侧，采用PLC作为控制核心，通过载车台的上下移动和载车板的横向移动实现存取车，存取车策略采用存车优先的原则.存车优先的原则就是当电梯完成存取操作后回到基层，有且仅有1块载车板放置在载车台，等待来车，无需等待。

为了实现存车优先的存取策略，我们必须考虑到如下问题：当每次停车完以后，必须去取板，所以控制系统必须能够自动识别空闲车位，让载车台去取板。

这部分控制实现的功能是：只要停完一辆车，系统会自动寻找下一个空闲车位，然后把板取车来，等待。

如果有人来停车，就可以直接把车停到托车板上，按存车键，把车存好。

3.PLC自动分配车位的实现PLC要实现自动分配车位,首先就必须能识别到哪些车位是空闲的, 然后再让PLC发出控制信号.要识别空闲车位, 通常会有两种方法, 一种是通过在车位上安装传感器识别车位状态, 另外一种是软件上记录和识别车位的状态. 下面阐述如何用PLC软件记录和识别车位的状态.车库总共有10个车位，故在PLC内部建立一个简单的数据库，分别为：D1-D10分别为PLC内部的数据寄存器,当D1=1时，表示车位1内无车; 当D1=0时，表示车位1内有车。

当D2=2时，表示车位2内无车; 当D2=0时，表示车位2内有车。

平面移动式立体车库I-O配置与库位分配策略优化研究

平面移动式立体车库I-O配置与库位分配策略优化研究平面移动式立体车库I/O配置与库位分配策略优化研究摘要：车库是城市交通系统的重要组成部分，因此如何优化车库的I/O配置和库位分配策略，提高停车效率，减少碳排放，成为了现代城市交通管理的重要问题。

本文基于平面移动式立体车库的特点，研究了不同的I/O配置和库位分配策略对车库效能的影响，并提出了相应的优化方案。

1. 引言随着城市的发展和人口的增加，车辆数量也呈现快速增长的趋势。

而有限的市区空间限制了传统地面停车场的建设和扩容。

为了解决停车难的问题，平面移动式立体车库应运而生。

然而，车库的I/O配置和库位分配策略对车库效能存在一定的影响。

因此，本文将研究如何优化车库的I/O配置和库位分配策略。

2. I/O配置策略研究I/O配置是指车库出入口的布置方式。

正确的I/O配置可以提高车辆的进出效率，减少拥堵和排队时间。

本文将研究以下两种I/O配置策略：2.1 并列式配置并列式配置是指车库的入口和出口位于同一侧，通常是沿着街道的一侧。

该配置方式简化了车辆的进出过程，减少了转弯的次数，提高了进出效率。

然而，并列式配置在繁忙时段可能会导致出入口的堵塞，限制了车库容量和效能。

2.2 对角线式配置对角线式配置是指车库的入口和出口位于相对的两侧，通常是沿着两条街道的相对侧。

该配置方式可以平衡车库的进出流量，减少堵塞现象，同时提高车库的容量和效能。

然而，对角线式配置增加了车辆的行驶距离，使得进出时间相对增加。

3. 库位分配策略研究库位分配策略是指将车辆分配到合适的停车位的方式。

合理的库位分配可以最大限度地利用车库空间，提高停车效率。

本文将研究以下两种库位分配策略：3.1 静态分配策略静态分配策略是指事先规划好每个车位的使用情况，并将车辆按照一定的规则分配到相应的车位。

该策略可以提前预估出每个车位的使用情况，减少车辆的等待时间，提高停车效率。

然而，静态分配策略无法应对突发情况，需要通过人工干预来进行调整。

立体车库服务系统存取车随机模型的研究

立体车库服务系统存取车随机模型的研究齐凤莲;王永章;张帼英;刘冠诚【摘要】研究立体车库顾客的到达规律和立体车库服务过程,用非齐次泊松分布建立了顾客的到达模型,真实反映了立体车库服务系统顾客的到达规律.引入嵌入式马尔可夫链,将立体车库系统顾客的到达规律和顾客的服务过程结合在一起,建立了立体车库服务过程的动态模型.该模型考虑的是顾客的到达规律与服务时间的结合,所以适用于多种不同的排队规则,为立体车库存取策略的研究建立了一个更为接近实际情况的研究模型.【期刊名称】《机电产品开发与创新》【年(卷),期】2018(031)006【总页数】4页(P22-25)【关键词】立体车库;存取策略;非齐次泊松分布;嵌入式马尔可夫链;动态模型【作者】齐凤莲;王永章;张帼英;刘冠诚【作者单位】沈阳建筑大学,辽宁沈阳110168;沈阳建筑大学,辽宁沈阳110168;北方重工防务事业部技术部,内蒙古包头014000;沈阳建筑大学,辽宁沈阳110168【正文语种】中文【中图分类】TB240 引言随着生活水平的提高，我国的汽车拥有量大幅度增加，据国家统计局数据显示，截止2015年底，每百户家庭拥有私家车31辆，汽车占机动车比例达到61.8%，汽车拥有量达到了16284.45万辆。

汽车拥有量的大幅度增长，就需要大量的停车设施满足停车的需要。

现有的停车设施大部分是平面停车场，不仅不能满足需要，而且大量占用土地面积，使城市土地资源越来越紧张[1～3]。

立体车库的出现极大地缓解了停车位数量需求增加和停车位建设难之间的矛盾，但是立体车库在运行过程中也有很多不足的地方。

现阶段，存取车耗费时间长是立体车库运行过程中的一个重要问题，针对这个问题，学者们在存取策略的优化问题上做了大量的研究[1～10]。

笔者发现，学者们在对存取策略进行研究时，只是对一段时间或特定的存取队列进行优化分析，对于研究对象的描述与实际情况有较大出入，无法准确描述一天甚至更长时间段内的立体车库的运行情况，使得优化策略虽然获得了良好的优化效果，但只是特定情况下的情况，难以代表更为普遍的情况，所以需要为优化策略的研究提供一种更为贴近实际的模型。

立体车库车位分配建模与仿真

立体车库车位分配建模与仿真刘日;李建国;王小农【摘要】To solve the low access efficiency problem of automatic parking garage with high operational energy consumption, the range of residence time was predicted using support vector machine (SVM) to ensure the operating efficiency of the garage .Based on the theory of poly-chromatic sets and with vehicle quality , vehicle residence time range and parking energy consumption as features , the space partition management was completed .On the basis , the garage operation model was established ,and the model was verified with average waiting time and average energy consumption as output results .Using MATLAB to write simulation program , the validity of parking space management for reducing energy consumption of the garage was analyzed by comparing the results of the parking spaces with those of parking spaces nearby distribution .The simulation results show that the proposed partition management strategy can effectively reduce operating energy consumption by 9%of 5.10 kJ,and the operating efficiency of garage is ensured .%针对自动化立体车库车辆存取能耗高的问题,以保证车库运行效率为前提,以降低系统运行能耗为目标,利用SVM支持向量机对车辆停留时间范围进行预测.以多色集合作为理论依据,将车辆质量、车辆停留时间范围和车位能耗作为特征,对立体车库车位进行分区分配.在此基础上建立车库运行模型,并以人均等待时间、人均能耗等作为输出结果对该模型进行验证.采用MATLAB软件编写仿真程序,通过比较该车位分配和车位就近分配的程序运行结果,证明该车位分配在降低车库运行能耗上的有效性.仿真结果表明:该车位分区分配模型能够保证车库运行效率,使每天车库人均运行能耗比就近原则减少5.10 kJ,降低了9%.【期刊名称】《江苏大学学报（自然科学版）》【年(卷),期】2018(039)001【总页数】7页(P19-25)【关键词】立体车库;支持向量机;多色集合;车位分配;降低能耗【作者】刘日;李建国;王小农【作者单位】兰州交通大学自动化与电气工程学院, 甘肃兰州 730070;兰州交通大学自动化与电气工程学院, 甘肃兰州 730070;兰州交通大学自动化与电气工程学院, 甘肃兰州 730070【正文语种】中文【中图分类】U491.7自动化立体车库在解决大中城市停车难问题的众多方案中受到认可和重视.立体车库车位分配影响着立体车库存取车辆的运行能耗，关系着车库的运行成本和综合竞争力.对该问题的研究具有理论价值和实际意义.国内外学者对立体仓储系统研究较多.文献［1］采用基于邻域的有界深度优先搜索算法实现立体车库多存取进程并行优化控制.文献［2］分析了自动化立体仓库输送系统的若干调度问题并给出了启发式调度规则和优化算法，建立了该离散系统的仿真Petri网模型.文献［3］针对自动化立体仓库固定货架系统中拣选作业优化问题的特点，分析并设计了一种新型高效混合遗传算法，满足了拣选作业的要求.文献［4］对立体车库车位就近分配和随机分配进行了仿真，证明了车位就近分配比随机分配效率高，能耗少.文献［5］提出了基于多色集合和粒子群算法相结合的货位分配模型，并通过实例证明了该模型的可行性和有效性.文献［6］针对多货叉仓库调度优化问题，提出一种改进型细菌觅食算法，对多货叉仓库调度优化问题在解的质量及收敛速度上都取得较好效果.文献［7］建立了控制自动化仓储系统的着色Petri网，简要说明了存储系统的实现方法和模型.文献［8］对车位存储启发方法进行了研究.文献［9］采用排队模型分析了自动化仓储系统中堆垛机驻留点在通道中的位置.对立体仓储系统货位分配的研究主要考虑货物属性和货位特征，立体车库车位分配与立体仓储系统货位分配的区别在于不仅要考虑车辆属性和车位特征，还需考虑车辆服务规则、车辆到达时间和车辆的库内停留时间.笔者以先到先服务和出车优先为服务规则，考虑车辆到达时间和车辆的库内停留时间，并利用SVM支持向量机对车辆停留时间范围进行预测，以多色集合理论为依据对车库车位进行分区管理，建立车库运行模型.给出能耗和效率评估的几种指标，对车库运行模型进行仿真.通过仿真结果分析对比车位就近分配下的车库的运行效率和运行能耗，证明基于停留时间范围预测和多色集合理论的车位分区分配在保证车库运行效率和降低车库运行能耗上的有效性.SVM支持向量机以其高效的学习能力和广泛的适应能力，在非线性系统的分类预测方面得到广泛的应用.其基本思想为利用非线性映射将数据映射到高维空间，从而使得低维空间的非线性问题转为高维空间的线性回归问题［10－11］.假设有训练样本（xi，yi），i＝1，2，…，M，则其SVM回归表达式为式中：w为权系数；φ1（x）为非线性映射函数；b为偏差.则其结构风险为式中为松弛变量；C为惩罚系数.结构风险最小化原则为式中ε为允许拟合误差.采用拉格朗日乘子法、对偶原理及核方法，则式（3）可转换为式中：α，η为拉格朗日乘子；K为核矩阵.SVM输出为由式（5）可求得α，η最优解，其偏差b可由KKT条件求得.SVM的核函数k可采用高斯核，其形式为式中δ为核函数半径.在建立立体车库运行模型时，车辆在库内的停留时间范围作为车位分区分配的重要特征，可根据车辆在库内的历史停留信息并通过SVM支持向量机进行预测和分类. SVM支持向量机对立体车库车辆停留时间分类预测要经过如下步骤：①确定分类器的个数，即要对立体车库车辆停留时间范围进行划分（可分为60 min以内，60～180 min，180 min以上）；②特征向量的确定，由车辆是否在车库有过停留、车辆的历史到达时间、车辆的所属地（如车辆是否属于车库所在小区）3个特征构成；③特征值量纲一化，先对相同的特征（每个特征向量分别量纲一化）进行排序，然后根据特征的最大值和最小值重新计算特征值；④核函数的选定可使用最常见的高斯核函数如式（6）；⑤利用样本数据对SVM支持向量机进行训练；⑥采集新到车辆的特征向量并利用对训练好的SVM模型预测其停留时间.多色集合理论建立在布尔矩阵上，具有易于描绘复杂系统各特征及其相互关系的优点.多色集合理论中每个元素的指标、特征和属性等用围道或颜色来表示.对于普通集合A＝｛a1，a2，…，an｝中元素ai∈A，存在元素ai的个人颜色，即集合∪F（ai）称为元素个人颜色的集合.集合A的统一颜色用F（A）＝｛F1，F2，…，Fj，…Fm｝来表示，其中Fj＝∪Fj（ai）表示多色集合的第j个元素的统一颜色.多色集合一般由以下成分确定：式中：F（a）为个人着色；F（A）为统一着色；［A× F（A）］为所有元素的个人着色，表示同一颜色与个人颜色的关系；［A×A（F）］为保证多色集合所有同一颜色存在的元素的组成.布尔矩阵［A×F（A）］所有元素个人着色表示为式中：行布尔矢量表示元素的个人着色；列布尔矢量表示个人着色中含有个人颜色的所有元素.式（9）中，满足基于多色集合理论，将车位编号作为多色集合的统一颜色，将车位能耗、车辆质量和由SVM支持向量机分类预测的车辆停留时间范围作为该多色集合的元素.车位编号集合X由n个车位组成并构成多色集合的元素，即X＝（X1，X2，…，Xn）.车位号表示车位所在的列、层，其中车位X1对应车位号1，1.统一颜色集合F（X）综合考虑影响车位分区的因素（车位能耗、车辆质量、车辆库内停留时间），即F（X）＝（F1，F2，…，F7）.其中，F1，F2分别为车辆质量轻和重，F3，F4分别为车辆在车库内停留时间短和长，F5，F6，F7分别为车位能耗低、中和高.建立该理论下的车位分区模型［X×F（X）］的布尔矩阵表，如表1所示，其中Xi 表示车位，例如车位X1对应车位号1，1，即第1行第1列的车位.立体车库车位的分配是在对车库车位分区基础上进行的，在每个分区内，车位的分配依据运送车辆到达车位时车库能耗的高低，由低到高排布.立体车库运行规则如下：1）车辆到达时服从先到先服务的服务规则，离去时服从出车优先原则.2）每天运行时间内车辆到达时间和停留时间以及车辆的质量等从保存有车辆进出信息的数据库中获得.3）车辆在库内的停留时间范围根据SVM支持向量机进行预测.4）车辆到达时依据基于多色集合的车辆分区分配原则分配车位.5）车辆接受服务时的服务时间依据分配的车位所在位置、堆垛机水平移动速度、垂直移动速度来确定.6）车辆运行能耗依据车辆的质量和分配的车位所在位置、牵引电动机功率来确定. 请求出库和入库车辆的排队等待时间（Wait time）、车辆存取能耗（Energy Consumption）的计算流程如图1所示.图1中，Demand为车辆出入库，出库为0，入库为1；到达时间（Arrivetime）为车辆到达I／O口的时刻；离开时间（Leavetime）为车辆将要从车库出车的时刻；服务结束时间（Overtime）为车辆从I／O口到达车库内车位或从车库内接受完出库服务到达I／O口的时刻；服务时间（Servicetime）为立体车库内设备运送车辆到达车位或从车位到达I／O口的时间.以立体车库的单侧为例，立体车库该侧共Q列，H层，出入口在车库的最底层最左侧，出入口所在层记做第1层第1列.车库每层高度为h，每列宽度为q，垂直移动平均速度为vy，水平移动平均速度为vx，设备装载每1 000 kg车辆在运行时垂直移动1层的耗能为立体车库电动机水平牵引功率为P，水平移动一列耗能为第i辆车质量为mi，在车库内的车位位置为hi层qi列，则立体车库内n辆车进出库的平均能耗为车辆平均等待时间由运行时间内车辆总数和车辆等待时间的总和来决定，平均等待时间越短车库运行效率越高，车辆平均等待时间为仿真中以车库单侧4层10列，共40个车位容量为例.车库每天的运行时间为720 min，车辆的质量以及SVM支持向量机所需的300 d的训练样本数据和100 d的测试样本数据从存有某小区车辆进出信息的数据库中获取，部分数据如表2所示. 车库每层高度h取2.0 m，每列宽度q取2.5 m，垂直平均移动速度为0.3 m·s－1，水平平均移动速度为0.5 m·s－1，车辆每吨对应水平牵引功率P为2.2 kW.根据式（11），（12）计算可得，Wh为14.7 kJ，Wq为4.4 kJ.车位分区管理中，根据车辆质量分为2类，即F1为车辆质量小于等于2 000 kg，F2为车辆质量大于2 000 kg.根据车辆在车库内停留时间分为2类，即F3为停留时间大于180 min，F4为停留时间小于180 min.根据车库内车位能耗（单位吨质量的车辆从出入口到达车位时的能耗）分为3类，即F5为车位能耗小于25 kJ，F6为车位能耗在25～40 kJ，F7为车位能耗大于40 kJ，如表3所示.通过对多色集合［X×F（X）］进行合取和析取，可得到由A1（F1，F4，F7），A2（F1，F3，F6），A3（F2，F4，F7），A4（F2，F3，F5）组成的多色集合［A× A（F）］，分别对应立体车库车位分成的3个区域，仿真结果如图2所示. 车库运行模型利用100 d的测试数据进行仿真，车位分区管理分配下，每天车辆的人均能耗分布和每天车辆的人均等待时间分布如图3，4所示.车位就近分配时，每天车辆的人均能耗分布和每天的人均等待时间分布分别如图5，6所示.图3，4中，车位分区管理分配下，每天车辆的人均能耗以52.29 kJ为平均值分布在该平均值附近；每天车辆的人均等待时间分布在平均值0.158 min附近.图5，6中，车位就近存取策略下每天车辆的人均能耗以57.39 kJ为平均值，分布在该平均值附近；每天车辆的人均等待时间分布在平均值0.153 min附近.以上对比显示，基于车辆停留时间预测和多色集合的车位分区管理分配能够使得车辆的平均等待时间基本保持不变，每天车库人均运行能耗比就近原则下减少5.10 kJ，降低了9%.2种车位分配策略下，库内停留时间不同，质量不同的车辆在车库内占据车位的位置不同，使得车位分区管理分配下车库运行时人均能耗比就近分配下降低了9%.就近分配下和分区管理下车辆运行100 d内随机抽取1 d的个人能耗分布分别如图7，8所示.从图7可以看出：就近原则下车辆的运行能耗在7：00- 12：00和12：00- 19：00分别呈倒V形分布.在车库运行时间内到达的停留时间较长，出入库频率较低且质量较重的车辆占据离出入口较近车位，导致在其他时间段停留时间较短，出入库频率较高的车辆占据离出入口较远车位.从图8可以看出：车位分区管理下的车辆运行能耗在7：00- 12：00和12：00- 19：00分别呈正V形分布.在车库内停留时间较长，出入库频率较低且质量较重的车辆分布在离出入口较远车位；在车库内停留时间较短，出入库频率较高的车辆分布在离出库口较近车位，使得离出入口近的车位得到较多次利用.采用了实际中立体车库的层高列宽、移动速度等具体参数，考虑车辆到达时间和车辆的库内停留时间，并利用SVM支持向量机对车辆停留时间范围进行预测，以多色集合为理论基础对车库车位进行分区管理，建立了车库运行模型进行仿真，得到仿真结果并对仿真结果出现的原因作出阐述.仿真结果表明：基于车辆停留时间预测和多色集合理论的车位分区管理能够保证车库运行效率且使每天车库人均运行能耗比就近原则减少5.10 kJ，降低了9%.为实际车库车位的分配提供参考，具有理论价值和现实意义.李建国（1974—），男，甘肃平凉人，副教授（394504676＠），主要从事交通信息工程及控制、智能交通的研究.【相关文献】［1］王丽杰，褚鸿锐，杨羽翼，等.巷道堆垛式立体车库车辆存取测控方法［J］.江苏大学学报（自然科学版），2017，38（2）：179－185.WANG L J，ZHU H R，YANG Y Y，etal.Control stra tegy of saving or taking parking vehicles for stacker type stereo garage［J］.Journalof Jiangsu University（Natural Science Edition），2017，38（2）：179－185.（in Chi nese）［2］常发亮，刘长有.自动化立体仓库输送系统调度的优化仿真及其应用研究［J］.系统仿真学报，1998，10（5）：17－22.CHANG F L，LIU CY.The study of optimal simulation and its application in vehicle scheduling for automatic space warehouse［J］.Journal of System Simulation，1998，10（5）：17－22.（in Chinese）［3］田国会，张攀，李晓磊，等.一类仓库作业优化问题的混合遗传算法研究［J］.系统仿真学报，2004，16（6）：1198－1201.TIAN G H，ZHANG P，LIX L，et al.Research on one class of optimization problem of the automated warehouse using a new kind of hybrid genetic algorithm［J］.Jour nal of System Simulation，2004，16（6）：1198－1201.（in Chinese）［4］李建国，蒋兆远.巷道堆垛式立体车库就近车位分配策略仿真与分析［J］.物流工程与管理，2010，32（9）：86－87，59.LIJG，JIANG Z Y.Simulation and analysis on lane way stowed parking system handy access［J］.Logistics Engineering and Management，2010，32（9）：86－87，59.（in Chinese）［5］杨玮，傅卫平，王雯，等.基于多色集合和粒子群算法的立体仓库货位分配优化［J］.机械科学与技术，2012，31（4）：648－651，655.YANG W，FU W P，WANG W，etal.Optimizing space allocation for articles based on theory of poly chro matic sets and particle swarm algorithm［J］.Mechanical Science and Technology for Aerospace Engineering，2012，31（4）：648－651，655.（in Chinese）［6］杨文强，邓丽，牛群，等.改进型细菌觅食算法及多货叉仓库调度应用［J］.控制与决策，2015，30（2）：321－327. YANGW Q，DENG L，NIU Q，et al.Improved bacte rial foraging algorithm and application of warehousing scheduling with multi shuttles［J］.Control and Deci sion，2015，30（2）：321－327.（in Chinese）［7］ DOTOLIM，FANTIM P.A coloured Petrinetmodel for automated storage and retrieval systems serviced by rail guided vehicles：a control perspective［J］.International Journal of Computer Integrated Manufacturing，2005，18：122－136.［8］ PAN JC A，SHIH P H，WU M H，et al.A storage as signment heuristicmethod based on genetic algorithm for a pick and pass warehousing system［J］.Computers＆Industrial Engineering，2015，81：1－13.［9］ ROY D，KRISHNAMURTHY A，HERAGU S，et al.Queuing models to analyze dwell point and cross aisle location in autonomous vehicle based warehouse systems［J］.Europe Journal of Operational Research，2015，242：72－87.［10］ CHEN P，YUAN L F，HE Y G，et al.An improved SVM classifier based on double chains quantum genetic algorithm and its application in analogue circuit diagno sis ［J］.Neurocomputing，2016，211：202－211.［11］ LIU Y，BI JW，FAN Z P.A method for multi class sentiment classification based on an improved one vs one（OVO）strategy and the support vectormachine（SVM）algorithm［J］.Information Sciences，2017，394／395：38－52.。

立体车库随机车位分配与就近车位分配仿真及分析

立体车库车位分配模型与仿真分析

巷道堆垛式立体车库随机车位分配策略仿真与分析

立体车库停车系统的仿真研究及应用

车位分配问题 数学建模

城市停车场资源优化配置仿真模拟分析

论文1—停车场车位分配问题1资料

车位分配问题数学建模

自动化立体车库排队模型及调度优化研究

停车位分配练习

停车场管理优化模型的研究及实证分析

基于多色集合的立体车库车位分区管理建模与仿真

立体车库实习报告

立体车库随机分配与就近分配库位布局探索

停车场泊车问题的研究与仿真

基于遗传算法的自动化立体车库库位分配

基于PLC的立体车库自动分配车位系统

平面移动式立体车库I-O配置与库位分配策略优化研究

立体车库服务系统存取车随机模型的研究

立体车库车位分配建模与仿真

车位分配问题数学建模