⚡ electrical engineering

A Vehicle Routing Problem for Human-Centered Electric Mobility

本文提出了以人为本的电动出行需求响应式问题（EM-DARP），通过建立混合整数线性规划（MILP）模型，旨在利用异构电动车队在满足客户需求的同时，优化充电站访问策略，以提升移动出行服务的实用性。

原作者： Mostafa Emam, Björn Martens, Thomas Rottmann, Matthias Gerdts

发布于 2026-04-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Mostafa Emam, Björn Martens, Thomas Rottmann, Matthias Gerdts

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一个名为 EM-DARP 的数学模型。听起来很深奥，但我们可以把它想象成一个**“超级智能定制化电动小巴调度系统”**。

为了让你秒懂，我们把这个复杂的数学问题拆解成一个生活中的故事：

1. 核心背景：不仅仅是“送货”，更是“送人”

传统的物流算法（比如快递员送货）只关心：怎么走最快？怎么省油？
但这篇文章研究的是**“以人为本”的出行**。想象一下，你正在运营一家专门为社区服务的电动小巴公司，你的乘客可能包括：

需要轮椅位的行动不便的老人。
带着婴儿车的年轻妈妈。
赶着去上班的普通白领。

挑战在于： 你不能只用一种车型，也不能只按固定路线走。你得在“电量不够”、“乘客需求不同”、“车型空间有限”这三座大山之间找到完美的平衡。

2. 三个神奇的“变身”能力（论文的核心创新）

为了解决这个问题，论文给这些电动小巴设计了三个“超能力”：

🚀 超能力一：变形金刚般的“空间魔术” (Configurable Capacity)

比喻： 想象你的小巴内部不是固定的座椅，而是像乐高积木一样。

如果这一单全是普通乘客，座椅就全部排开，坐人最多。
如果下一单有个老人要坐轮椅，小巴可以瞬间“变身”：收起两排座椅，腾出宽敞的空间放轮椅。
论文干了啥： 它在数学公式里算好了：这种“变身”需要花时间，而且“轮椅占的空间”和“普通人占的空间”是不一样的，它要把这些复杂的转换逻辑写进算法里。

⚡ 超能力二：聪明的“充电管理” (Nonlinear Charging)

比喻： 给手机充电你肯定知道，电量从 0% 充到 80% 很快，但从 90% 充到 100% 就会变得特别慢。

论文干了啥： 很多旧模型假设充电是匀速的，这不符合现实。这篇论文模拟了**“快充阶段”和“涓流慢充阶段”**。它会告诉司机：“别傻傻地充到 100%，充到 85% 就赶紧出发吧，因为后面那点电充得太慢，浪费时间！”

⚖️ 超能力三：带“优先级”的智能决策 (Priority & Rejection)

比喻： 就像一个超级管家。

如果现在订单太多，小巴忙不过来了，管家该怎么办？他不会乱跑，而是会根据“重要程度”来选。
比如：一个急着去医院的老人（高优先级）必须接；而一个只是想去超市逛逛的年轻人（低优先级），如果会耽误老人的时间，管家会礼貌地“拒绝”这个请求。

3. 总结：它到底在算什么？

如果把这个模型比作一个**“超级大脑”**，它每天睁开眼就在做这几件事：

看地图： 哪里有乘客要上车，哪里要下车？
看电量： 现在的电够不够跑完这一圈？需不需要中途去充电站“歇脚”？
看空间： 这辆车现在是“座位模式”还是“轮椅模式”？
算时间： 怎么走才能让大家都不迟到，同时让司机跑的路最短、花的电最省？

为什么这很重要？

随着城市里电动车越来越多，我们需要的不再是冷冰冰的“运输工具”，而是能照顾到老人、残疾人等不同需求、且环保高效的**“移动服务空间”**。这篇论文，就是为这种未来的智能出行，写下了一套精准的“运行规则”。

这是一篇关于“以人为本的电动出行”车辆路径问题的学术论文。以下是对该论文的详细技术总结：

1. 问题定义 (The Problem: EM-DARP)

论文提出了一种新型的电动出行需求响应式问题 (Electric Mobility Dial-a-Ride Problem, EM-DARP)。

传统的电动汽车需求响应问题 (EV-DARP) 虽然考虑了时间窗和电池限制，但忽略了现代共享穿梭巴士（Shuttle）的一个关键特性：可配置的内部空间。为了服务老年人或残障人士，车辆通常需要调整内部配置以容纳轮椅等移动设备。

EM-DARP 的核心挑战在于：

异构车队： 使用具有不同容量和配置能力的电动汽车。
可配置容量 (Configurable Capacity)： 车辆可以在行驶过程中改变配置（例如，通过折叠座椅，在“乘客模式”和“设备模式”之间切换），从而平衡乘客数量与移动设备（如轮椅）的数量。
复杂的电池模型： 考虑了非线性充电过程和随载荷变化的放电特性。
多目标优化： 在满足客户需求的同时，最小化任务总时长、时间窗违规和请求拒绝率。

2. 研究方法 (Methodology)

作者将该问题建模为一个混合整数线性规划 (MILP) 模型。

A. 核心数学模型要素：

目标函数： 采用多权重目标函数，旨在最小化任务总时长 ( $T$ )、请求的到达时间 ( $T_r$ )、时间窗违规量 ( $\Delta_r$ ) 以及被拒绝请求的数量 ( $1-y_r$ )。通过设置不同的权重 ( $\epsilon, \zeta, \eta$ )，可以实现对高优先级请求的保护。
容量约束 (Capacity Constraints)： 引入了转换因子 $\gamma_k$ ，用于描述一个单位的移动设备占用多少个乘客席位。通过约束方程，实现了车辆在乘客载荷 ( $u_{k,1}$ ) 和设备载荷 ( $u_{k,2}$ ) 之间的动态平衡。
电池与充电模型 (Battery & Charging Model)：
- 放电： 采用线性、依赖于载荷（乘客和设备）的放电模型。
- 充电： 采用分段线性近似 (Piecewise Linear Approximation) 来模拟非线性的充电曲线（充电速度随电量增加而减慢）。
时间与流转约束： 包含了典型的 Pickup and Delivery (PDP) 约束、软时间窗 (Soft Time Windows) 以及充电站的访问顺序约束（确保车辆不会同时占用同一个充电点）。

B. 模型特性：

支持选择性问题 (Selective Variant)：允许模型根据成本和优先级拒绝某些请求。
支持开放式路径 (Open VRP)：车辆完成任务后不强制返回仓库。

3. 主要贡献 (Key Contributions)

模型创新： 首次将“可配置容量”概念引入电动汽车的需求响应问题中，填补了现有文献在人体工程学/无障碍出行建模方面的空白。
高度现实化的电池建模： 结合了载荷相关的放电和非线性充电模型，使路径规划更符合实际物理特性。
灵活的数学框架： 提出的 MILP 模型具有高度的可扩展性，可以轻松扩展到多仓库、多充电点以及不同优先级的场景。

4. 实验结果 (Results)

作者使用 Pyomo 建模并利用 Gurobi 求解器进行了数值实验：

场景一（选择性闭环 VRP）： 在小规模测试中，模型能够根据优先级自动选择接受或拒绝请求。例如，当电池消耗过快时，模型会合理安排充电路径，并根据优先级 $\lambda_r$ 决定放弃哪些低优先级请求。
场景二（非选择性开放式 VRP）： 验证了模型处理“先取后取 (Pickup-Pickup)”模式的能力，即车辆可以连续接送多组乘客，展示了路径优化的灵活性。
计算效率： 实验证明了该模型在小规模问题上的精确求解能力，并为大规模问题的启发式算法研究奠定了基础。

5. 研究意义 (Significance)

该研究对于智慧城市交通规划和共享出行服务 (On-demand Mobility) 具有重要的实践意义：

社会包容性： 通过建模可配置容量，为残障人士和老年人提供了更科学的无障碍出行调度方案。
运营效率： 结合电动汽车特性，优化了充电策略与载荷管理，有助于降低运营商的能源成本和时间成本。
学术价值： 为后续研究更复杂的电动出行调度问题（如结合自动驾驶或动态需求）提供了坚实的数学基础。