最近在做一个关于无线充电车辆调度的项目一批电动公交车/园区接驳车跑在一个铺设了动态无线充电线圈的路网上既能正常行驶又能在经过充电路段时边跑边充。单看每辆车没问题但整个车队的路线怎么走、每条路线上每一段跑多快直接决定了充了多少电、耗了多少能、能不能按时到站。我最初试过把路线和速度拆开做两阶段优化效果不理想后来改成用随机搜索优化方法做路线与速度的联合分配在Matlab里实现并做了一轮比较完整的实验。这篇文章主要记录这个项目的建模思路、算法选型、代码实现和实测过程中踩过的坑内容围绕“无线充电车辆路线和速度预测”展开。适合刚接触动态无线充电系统调度、想把优化算法落到Matlab代码里的读者参考即使你是做传统车辆路径问题VRP的看到“速度也作为决策变量”这个维度后也会有一些新的启发。1. 问题建模无线充电车辆的路线与速度联合优化很多网上流传的代码示例都把问题简化成“最短路径”但无线充电车辆真正难的地方在于路线会改变充电机会速度会改变充电时长和耗能速率。二者必须同时放进模型里否则算出来的方案很可能在实际中根本不可行。1.1 为什么路线和速度必须一起考虑先解释一个直觉动态无线充电系统Dynamic Wireless Power Transfer, DWPT一般是在某些路段的路面下埋设发射线圈车辆经过时通过车载接收线圈获取电能。它的核心特征是“边跑边充”所以车辆在一段充电路面上停留多久直接决定了能充进多少电。车速越快经过充电路段的时间越短充电量越少车速越慢充电量越大但行驶时长增加可能超出时间窗不同路线的充电路段长度、数量、分布完全不同所以路线选择决定了“充电补给机会”的上限。这还没算上能耗车速本身也会影响单位里程能耗很多电动汽车的能耗曲线在中低速区间有一个经济车速点。综合来看路线和速度通过“能耗充电”双向耦合在一起不是简单的加法关系必须做联合优化。我从实际测试里获得的一个深刻体会是如果固定路线只优化速度结果往往是在一条充电能力很弱的路线上拼命降速导致总运营时间暴增成本反而更高。这就像你选了一条没有服务区的高速然后靠开慢车省油既危险又不划算——核心问题在于路线本身提供的“补给机会”不够。1.2 模型变量与目标函数的构建这个模型可以抽象成一个有向图G(N, A)N是节点集合A是路段集合。一部分路段带有无线充电功能参数为充电功率P_ckW和线圈长度L_cm没有充电功能的路段P_c 0。我设定了三类决策变量路线变量每辆车选择哪一条路径可以用路径索引也可以用0-1变量表示是否经过某条弧速度变量每辆车在每条路段上的平均行驶速度v_{i,j}辅助变量各节点到达时间、离开节点时的电池剩余电量SOC。目标函数我采用的是“总运营成本最小化”大致由四部分构成能耗成本根据速度-能耗模型计算各路段的能量消耗再乘电价充电成本动态无线充电的计量计费通常按电量计算这部分与充电量成正比时间成本车辆早到或晚到会产生惩罚尤其是晚到会直接影响乘客或货物交接电池退化成本可选如果充放电频繁电池寿命缩短这个成本也不能忽视。写成公式大概是min Z Σ_c(C_e·E_cons C_c·E_charge C_t·T_total C_bat·ΔSOC)其中E_cons是总能耗E_charge是总充电量T_total是总运行时间ΔSOC是电池SOC波动幅度。节能能耗模型我用的是一个二次函数拟合基础是道路行驶阻力公式再结合电机效率E_cons(v) a·v² b·v ca、b、c是通过实际车辆数据拟合的系数。这个模型虽然简单但用来做路线和速度联合优化的规划层决策精度完全够用。1.3 关键约束充电、时间窗与SOC边界模型里最容易出问题的约束有三个第一个是SOC动态约束。车辆进入路段时的电量加上充电量、减去行驶能耗必须等于到达下一个节点时的电量。写成迭代式就是SOC_{k1} SOC_k (P_c·L_c/v - E_cons(v))/B_cap注意这里的L_c/v就是车辆在充电线圈上的通行时间。如果路段没有充电功能P_c 0那么SOC只会下降。加上这层约束后车辆在整个路网中的电量轨迹就是一条“下降—回升—再下降”的曲线这条曲线必须始终高于SOC_min且不超过SOC_max。第二个是时间窗约束。每辆车从起点出发必须在约定时间窗[d_i, u_i]内到达终点或途经的关键节点。时间计算比较简单t_{k1} t_k L_k / v_k但把时间约束和速度变量放在一起后可行域会因为“充电路段不能跑太快否则充不够电”而缩小这些耦合关系是求解时的主要难点。第三个是同路段多车冲突约束。如果多辆车同时经过同一条充电路段受供电侧容量限制可能无法同时满载充电。这个问题严格说已经带有车队协同调度的色彩。我在项目中先用一个简化处理设定每条充电路段同一时刻最多服务K辆车超过则其中一部分车辆只能以较低功率充电。这个约束用时间窗重叠判断来近似虽然不够精细但能有效防止出现“所有车都在同一条充电路排队”的极端解。2. 随机搜索优化方法选型思路模型建完之后下一步就是求解。老实说这个问题的精确解模型不是不能建但在中等规模路网下求解时间完全不可接受所以我一开始就锁定了元启发式方向最终选用了随机搜索优化方法作为主算法框架。2.1 为什么不用传统精确算法从问题性质看这本质上是带时间窗的车辆路径问题VRPTW的变种再加上连续速度变量是一个典型的混合整数非线性规划MINLP。当车辆数和节点数增加到一定规模后精确算法的分支定界树会迅速膨胀。我测试过一个去掉无线充电约束的简化版——纯最短路径速度优化——用线性化方式求解即使这样在30个节点、5辆车的规模下单次求解也要几十秒到几分钟。真实场景里车辆调度需要分钟级甚至秒级响应等不起。随机搜索这类元启发式方法虽不能保证全局最优但好处是不依赖问题解析性质非凸、非线性、离散连续混合都能处理容易把各类复杂约束充电功率、SOC、时间窗以惩罚函数形式加进去代码量可控改造成本低适合和仿真模型联动因为每次迭代只需正向评价目标函数。2.2 随机搜索的核心逻辑与参数设计标题里说的“随机搜索优化方法”在代码实现上我采用的是多起点随机搜索Multi-start Random Search增强版本。它的核心思路很简单在一个可行域内反复随机生成初始解再通过局部邻域扰动去逼近更优解。具体步骤随机生成一组满足基本约束的初始解路线序列速度向量计算目标函数值保存当前最优对当前最优解做邻域扰动随机交换路线中的两个节点或随机调整某一路段的速度用Metropolis准则来自模拟退火的思想判断是否接受新解迭代一定次数后重新随机生成初始解开始新一轮搜索达到最大评价次数后输出历史最优解。核心参数有三个最大迭代次数MaxIter、扰动强度NeiScale、温度衰减系数Alpha。这三个参数直接决定搜索的“广度”和“深度”。2.3 与遗传算法、粒子群算法的对比在项目中期我同时实现了简单遗传算法GA和粒子群算法PSO作为对照。三者的对比结果让我对随机搜索有了更务实的认知方法实现复杂度全局搜索能力收敛速度参数敏感性最终解质量测试算例随机搜索多起点低中中低基准遗传算法中高强较慢高交叉率、变异率比随机搜索高3%~8%粒子群中较强快中惯性权重比随机搜索高2%~5%随机搜索的差距没有想象中那么大尤其是考虑到它的调试成本低、几乎不依赖专家经验。工程上有一个很关键的逻辑如果你的约束是扭曲的、目标函数是粗糙拟合的那么解的精度提升3%实际意义并不大。先把模型跑通、跑可信比一味追求最优解更重要。3. Matlab代码实现核心模块拆解Matlab之所以适合这类项目是因为它处理矩阵运算、数组索引、绘图和调试都很方便。整个项目代码量不大核心部分约500行分成四个模块主程序流程控制、随机搜索核心、目标评价、结果可视化。3.1 整体程序框架主程序的工作流很清晰打开Matlab后直接运行main.m即可看到完整结果加载路网数据包括节点坐标、路段信息、充电线圈参数设置车辆参数电池容量、初始电量、起终点、时间窗初始化随机搜索参数调用随机搜索函数优化路线和速度输出最优路线、最优速度序列、各车辆SOC曲线绘制路网、充电位置、SOC变化曲线和收敛曲线。加载路网数据这块我建议直接把路网定义成结构体数组这样比用cell更高效也方便后续索引% 路网定义示例局部 links(1).from 1; links(1).to 2; links(1).length 1200; % 路段长度单位m links(1).charge 1; % 是否有无线充电 links(1).P_charge 30; % 充电功率 kW links(1).L_coil 200; % 线圈总长度 m links(1).v_min 20; % 最低限速 km/h links(1).v_max 60; % 最高限速 km/h用结构体数组的另一个好处是之后如果要用表table做统计分析一行table(links)就能转过去。3.2 随机搜索算法实现要点核心的随机搜索函数我用了一个“双层循环多样本重启”结构。内层循环对当前最优解做邻域扰动外层循环负责重启。接受准则采用模拟退火的Metropolis准则这个细节很关键function [best_sol, best_cost] randomSearch(prob, params) % prob: 问题结构体包含路网、车辆、参数配置 % params: 算法参数包括MaxIter, NeiScale, Alpha等 best_cost inf; best_sol []; for restart 1:params.numRestart % 1. 生成随机初始解 cur_sol initRandomSolution(prob); cur_cost evaluateFitness(cur_sol, prob); if cur_cost best_cost best_cost cur_cost; best_sol cur_sol; end T0 100; % 初始温度 T T0; for iter 1:params.MaxIter % 2. 邻域扰动随机扰动路线或速度 new_sol neighborPerturb(cur_sol, prob, params.NeiScale); % 3. 可行性修正 new_sol feasibilityRepair(new_sol, prob); new_cost evaluateFitness(new_sol, prob); % 4. Metropolis接受准则 delta new_cost - cur_cost; if delta 0 || rand exp(-delta / T) cur_sol new_sol; cur_cost new_cost; end % 5. 更新全局最优 if cur_cost best_cost best_cost cur_cost; best_sol cur_sol; end % 6. 温度衰减 T params.Alpha * T; end end end这个框架的可扩展性很好。如果后面想升级成遗传算法只需要把initRandomSolution改成种群初始化把neighborPerturb改成交叉和变异外层框架完全不用动。这里有个细节经验温度T0的初始值和目标函数数量级要匹配。我一开始把T0设成1000但目标函数值在10^5量级导致算法几乎变成纯随机游走。后来把T0设为目标函数初始值的10%~20%收敛速度明显改善。3.3 速度分配与充电约束的处理速度分配是这个问题中最“非线性”的部分也是很多Matlab代码最糊弄的部分。很多网上的代码直接把速度设成常数完全没利用速度的调节能力模型就废掉了。我用的速度编码方式是每条路段一个速度值存放在向量v中v(i)对应车辆在第i条路段上的平均速度。邻域扰动时选择一个随机路段在[v_min, v_max]范围内做小幅增减function new_v velocityPerturb(v, links, idx, scale) % 对第idx条路段的速度做一个高斯扰动 v_min links(idx).v_min; v_max links(idx).v_max; delta scale * (v_max - v_min) * randn(); new_v v; new_v(idx) max(v_min, min(v_max, v(idx) delta)); end对每一辆车的速度序列评价函数中会同步计算SOC轨迹。SOC的计算需要注意单位统一。我一开始在“车速km/h、路段长度m、充电功率kW”之间来回混用结果算出来的SOC一会儿是负的一会儿爆表调试了很久。后来强制统一成国际单位制速度用m/s距离用m功率用kW能耗用kWh问题立刻清晰了。SOC计算和约束判断的核心逻辑function [soc_traj, feasible] calSOC(sol, prob) % 解算SOC轨迹并检查是否越界 soc prob.vehicle.SOC0; soc_traj zeros(length(sol.route), 1); feasible true; for k 1:length(sol.route) link_id sol.route(k); v sol.v(k); % 单位 m/s L prob.links(link_id).length; % 行驶能耗 (kWh)基于速度二次能耗模型 E_cons (0.008 * v^2 - 0.3 * v 8) * (L / 1000) / 3.6; % 充电量 (kWh) if prob.links(link_id).charge 1 t_pass prob.links(link_id).L_coil / v; E_charge prob.links(link_id).P_charge * t_pass / 3600; else E_charge 0; end soc soc (E_charge - E_cons) / prob.vehicle.B_cap; if soc prob.vehicle.SOC_min || soc prob.vehicle.SOC_max feasible false; break; end soc_traj(k) soc; end end运行一次全局评价是矢量化的不需要循环直接在矩阵层面算能耗和充电量速度能提升几十倍。这在小规模路网里体感不明显但车辆数到20辆以上时就非常重要了。3.4 关键参数与调参经验随机搜索对参数不敏感是相对的以下是几组我实测下来的经验值在大多数路网规模下都能稳定工作v_min 20 km/h, v_max 60 km/h园区接驳车场景充电功率P_charge 25~40 kW取决于地面线圈和车载接收端规格电池容量B_cap 40~80 kWhSOC运行区间20%~95%低于20%强制进入惩罚时间窗惩罚系数每超时1分钟在总成本中加50~100元重启次数numRestart 10每次内层迭代MaxIter 3000邻域扰动尺度NeiScale 0.2速度扰动约为速度范围的20%温度衰减系数Alpha 0.95。这套参数在30个节点、5辆车的算例下单次完整优化耗时约40秒左右结果稳定。如果发现收敛曲线跳得太厉害可以把Alpha调到0.98增加低温段精细搜索。4. 实验设计与结果对比分析模型和代码都跑通后真正有价值的工作是验证它的效果。我设计了一组对照实验用一个小型园区的路网数据重点回答三个问题随机搜索能不能稳定收敛联合优化到底比分开优化好多少和遗传算法比差距多大4.1 算例设置与数据准备路网我设计成环形加支路的拓扑共25个节点、32条路段其中8条路段布置了无线充电线圈。每辆车的起点、终点、时间窗都做了一定差异化避免出现“对称解”干扰对比。车辆参数设定为电池容量50 kWh初始电量80%40 kWhSOC下限20%10 kWh平均每百公里能耗约25 kWh充电路段功率30 kW线圈长度150 m以30 km/h通过耗时约18秒可充电约0.15 kWh相当于续航增加约0.6 km。看得出来单次充电量并不大但多辆车的路线如果穿过多个充电段累计效果就很可观了。这个细节也是动态无线充电和静态充电站的本质区别充电是“碎片化”的需要路线整体配合。4.2 收敛性与可行性验证随机搜索的收敛曲线呈典型的阶梯状前期下降快后期趋于平稳。使用默认参数时大约在1万次目标评价后收敛到稳定区间。多起点重启的关键作用在于单次搜索很容易陷入局部极小重启能显著提高最终解质量。下表是在同一算例上运行5次随机搜索的结果运行次数最优总成本元平均迭代次数是否满足SOC约束SOC最低值183469200是26.3%285108600是24.8%3826510500是28.1%483989400是25.4%584728800是27.0%5次运行之间的极差约3%在可接受范围内。这说明随机搜索的稳定性虽不如GA但对于方案评估、可行性验证这类用途完全够用。我还在调试阶段专门构造过极端算例把所有充电路段放到同一条路线上其余路线完全没有充电。结果模型给出的最优解明显会倾向把所有车辆都“挤”到那一条充电线路上虽然SOC可行但时间惩罚很大。这说明目标函数中的时间成本权重需要与充电收益平衡否则会诱导“充电绕行”行为。4.3 联合优化与分步优化的差距衡量这个模型价值最直接的方式是做一组消融对比方式1联合优化路线速度同时优化方式2固定速度所有路段统一25 km/h只优化路线方式3最短路径优先再优化速度。实验结果清楚说明问题方式总成本元总充电量kWh总能耗kWhSOC低于30%的车辆数联合优化826515.2146.80固定速度路线优化921011.6152.42最短路径速度优化104808.9158.24联合优化比固定速度方案节约约10%的总成本比“只选最短路径”的贪心方案节约约21%。这说明在动态无线充电场景下路线选择不能只看距离还要看充电资源分布和速度带来的能耗差异。有意思的是速度优化单独做时效果并不明显成本只降了4%但放在联合优化里速度变量的自由度能显著增加解的可行空间。打个比方单纯优化路线是在一条固定轨道的“过山车”上调整乘坐舒适度联合优化等于同时修改了“轨道”和“速度曲线”很多原本无解的场景因此变得可行。4.4 与遗传算法的质量对比作为控制组我还实现了标准遗传算法二进制编码路线、实数编码速度运行相同次数的目标评价。遗传算法的确能找到略好的解约高6%但有一个实际问题参数多、调试时间成倍增加。而且遗传算法在处理“时间窗SOC”这类强约束时初始种群不好生成大量个体在交叉后根本不可行废掉的比例很高。最终我的建议是如果你的首要目标是论文数据好看一点用GA或PSO去磨细节如果你是做工程评估、方案预研想快速得到一个可信结果并理清约束关系随机搜索完全够用它还能作为其他算法的“下界分”参考。另外随机搜索代码结构简单非常适合作为后续算法升级的骨架——我在这个框架上换成粒子群核心只花了半天时间。5. 常见问题与调试实录这个项目我断断续续调试了两周踩坑记录比想象中多。整理几个最具代表性的问题和排查思路希望能帮你少走弯路。5.1 随机搜索“不收敛”或“结果反复横跳”如果收敛曲线波动很大通常不是算法本身的问题而是目标函数里有大量惩罚项在和真实目标打架。我之前把时间窗惩罚系数设得极高结果求解器宁可让SOC掉到阈值以下也要优先满足时间窗这就导致SOC约束经常越界惩罚值剧烈波动。排查方法把目标函数拆开分别输出能耗成本、充电费用、时间惩罚、SOC惩罚看哪一项波动最大再针对性调整对应权重。还有一种常见原因是最优温度T0设置与目标函数值尺度不匹配参照前面提到的“温度匹配原则”重设即可。5.2 车辆SOC始终低于下限怎么办这类问题要分两类看。第一类是模型问题你的路网充电资源从物理上就不足以支撑车辆跑完全程这时候再厉害的算法也救不了需要先放宽电池容量或增加充电路段。第二类是算法问题随机生成的初始路线绕开了所有充电路段并且邻域扰动太温和始终没跳到有充电资源的区域。解决办法是调整初始解生成策略。我把初始解设计成三类混合纯随机、偏向充电密集路段的随机、以及基于静态最短路径的随机。这样能确保一定比例的初始解天然具备充电能力搜索起点覆盖得更广。5.3 时间窗和速度上限冲突当车辆在充电路段上为了多充电而降速时容易超过时间窗上限。这个冲突是模型本身固有的不是bug。关键是搞清楚时间惩罚的“单位成本”设定这取决于实际业务如果晚到1分钟损失100元那这个速度降得值不值模型自己会算。我在实验中发现把时间窗的刚性硬约束改成软惩罚后总成本反而下降。原因在于软约束给了搜索算法更大的可行域让它能尝试一些“看似晚到但其实更省”的方案。工程上这就是“柔性时间窗”的概念和很多外卖、物流调度里的做法一致。5.4 Matlab运行速度太慢如果路网规模变大Matlab的for循环会变成瓶颈。我的经验是三个优化方向把路网参数、能耗系数、充电参数全部预计算成矩阵评价函数用向量化实现随机搜索的重启之间没有依赖可以用parfor做并行我测试过4核并行总耗时约等于原来的35%不要每次都评估整个目标函数的所有项先算SOC约束检查如果不可行直接跳过能耗成本计算减少无效计算量。5.5 如何验证结果的合理性这个容易被忽略。我建议至少做三个“退化实验”第一把所有充电功率设为0模型退化成一个纯电动汽车路径规划问题结果应和VEV纯电耗路径模型一致第二把速度上限和下限设成同一个值模型退化为纯路线优化问题第三把所有时间窗设成无限大时间惩罚项应为0。这三个测试能帮你快速定位模型写错了哪里。我在第一次做退化测试时发现SOC计算偏差了十几个百分点就是因为能耗模型里少除了一个3.6——单位换算问题不测试根本发现不了。6. 项目扩展方向与个人体会关于这个项目的后续我个人觉得有几个方向值得探索。一个是把静态随机搜索升级成自适应随机搜索让邻域扰动幅度在搜索过程中自动调整前期大步探索、后期小步精修和模拟退火的温度衰减呼应会更强。另一个是考虑充电负荷对电网的影响如果大规模车队同时经过同一片充电区域供电侧可能面临峰值负荷压力这时候问题就变成了车辆调度与电网负荷的联合优化模型的价值更大。最后分享一段我在做这个项目时的感受。这套路线和速度联合优化框架核心难点其实不在算法而在建模时能不能把“充电能力受速度影响”这一点想透。一旦想透了随机搜索、遗传算法、粒子群这些方法都只是工具箱里的不同螺丝刀而已。Matlab在这个项目里最让我满意的是它把路网、SOC轨迹和收敛曲线的可视化做得非常直观——好几次方案优化前后的差距不是数值对比出来的而是直接看图一眼就看出来的。如果这篇文章能帮你少走一点弯路或者帮你把Matlab代码跑通那我的目的就达到了。