专利交易市场

考虑驾驶员状态的改进容量网络模型的机场摆渡车优化调度方法和装置，其方法包括：依据机场航班实时信息数据，确定需要摆渡车需求的航班，将航班和摆渡车出发和返回的位置设置为节点，将摆渡车在两个节点之间连续服务的路径设置为有向边，构建一种新颖的容量网络模型；同时，通过驾驶舱内摄像头实时检测摆渡车驾驶员的驾驶状态，并将驾驶状态异常的驾驶员及时召回，停止继续接送旅客任务；基于容量网络以最小所需摆渡车数量为目标，构造一个混合整数规划模型，且将驾驶员的实时驾驶状态设置为约束条件，并将其等价为线性规划，求解得到保障调度安全的机场摆渡车的最小化数量和航班间调度的最佳路径。本发明创造性的构造了容量网络，将驾驶员状态作为调度方案的参考因素，高效低成本地完成机场摆渡车的优化调度，保障了机场的安全，降低机场运行成本，提高机场运行效率。

本发明涉及一种结合预防性维护不相关并行机的智能调度方法，步骤为获取调度工件与机器参数信息；建立以最小化最大完工时间为优化目标的结合预防性维护的不相关并行机调度集成模型；离散粒子群算法结合多邻域搜索算法求解不相关并行机调度集成模型；局部最优粒子个体与全局最优粒子个体进行更新；更新后进行多邻域搜索操作，得到最终解；判断当前迭代次数是否达到预设粒子群最大迭代次数，若是，则将得到的最终解作为最优解输出。本发明能够在较短时间内获得高质量工件机器间的调度分配方案与各机器的维护时间点，相较于定周期维护能够有效减少机器维修频率，在保障生产效率的同时达到降本增效的目的。

本发明公开了一种基于人工智能的工程车智能调度方法，包括：构建调度目标函数，调度目标函数至少包含工程车运输成本、任务完成时间成本、路径拥堵成本及能源消耗成本；基于历史任务数据及实时交通数据，建立多维度任务需求预测模型，输出未来时段内的任务分布预测值及交通状态预测值；将其输入基于深度强化学习算法建立的工程车动态调度模型进行迭代优化；基于优化后的动态调度模型生成实时调度指令，动态分配工程车任务路径及资源，并实时监控执行状态以调整调度策略。本发明通过构建调度目标函数、多维度需求预测、深度强化学习动态优化及实时调度与监控，实现了工程车辆高效、经济、环保的智能化调度。

本发明提供一种智能轨道车合并点的调度方法和智能轨道控制系统，调度步骤为：步骤1，第一合并点控制器接收所管控轨道上的轨道车发送的申请信息；所述轨道车在第一合并点控制器所管控的轨道上；所述申请信息包括轨道车请求通过第一合并点的请求信息、轨道车所在轨道号和轨道车发送申请信息的请求时间；步骤2，第一合并点控制器根据接收的轨道车的申请信息作出轨道的调度策略；步骤3，第一合并点控制器按照所述调度策略控制轨道车通过第一合并点。本发明智能轨道车合并点的调度方法及系统能够保证轨道车在任何情况下都能安全通行合并点。

本发明公开了一种公共交通智能调度方法，包括以下处理步骤：A.建立基于特征变量的各类公共交通选乘评价模型体系，对乘客个体选乘何种交通工具进行模型评价；B.依次对乘客个体选乘某一种交通方式时的评价模型体系求导，得到乘客个体选乘最佳交通方式的类型；C.计算目标调度交通方式在时刻t时的信息素，并依据信息素进行智能调度。本发明所述智能调度方法具有计算快捷、实时性好，并且抗干扰能力强的优点，可以实现精准智能调度，降低运营成本、提升乘坐体验的技术效果。