一種基于混合啟發(fā)式算法的智能公交調(diào)度方法
【專利摘要】本發(fā)明公開了一種基于混合啟發(fā)式算法的智能公交調(diào)度方法。本發(fā)明將模擬退火算法和遺傳算法結(jié)合在一起，并且加入精英保留策略和適應(yīng)度拉伸函數(shù)。將每一代種群中適應(yīng)度最大的個(gè)體直接保留到下一代，避免它被交叉和變異操作破壞。適應(yīng)度拉伸函數(shù)在算法的初期階段，削減個(gè)體之間的差異，從而增加種群的多樣性，避免遺傳算法陷入局部最優(yōu)解；在算法的后期階段，增大個(gè)體間的差異，從而增加優(yōu)秀個(gè)體被選擇的概率，加快收斂速度。本發(fā)明運(yùn)算速度快，能在較短時(shí)間內(nèi)在給定發(fā)車時(shí)間頻率條件下，得到優(yōu)化后的調(diào)度計(jì)劃，使乘客的等待時(shí)間大幅度減少；能動態(tài)調(diào)整發(fā)車頻率，使發(fā)車頻率符合客流總量的變化規(guī)律；能動態(tài)調(diào)整發(fā)車間隔，大幅度減少乘客的等待時(shí)間。
【專利說明】-種基于混合啟發(fā)式算法的智能公交調(diào)度方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于城市智能公共交通系統(tǒng)【技術(shù)領(lǐng)域】，設(shè)及一種基于混合啟發(fā)式算法的智 能公交調(diào)度方法，特別是一種對快速公交的發(fā)車計(jì)劃進(jìn)行調(diào)度的方法。

【背景技術(shù)】
[0002] 隨著城市的快速發(fā)展，城市人口不斷增加，私家車的數(shù)量也隨著大量增長，造成了 交通擁堵和環(huán)境污染問題日益嚴(yán)峻。充分發(fā)揮城市公共交通系統(tǒng)的作用，能夠緩解該些問 題。但是目前公共交通也有乘客等待時(shí)間較長和乘客滿意度較低的問題。如何有效的解決 現(xiàn)有的問題，是增加公共交通吸引力的關(guān)鍵。公交調(diào)度是公交企業(yè)日常運(yùn)營活動的中屯、，它 直接影響到運(yùn)營成本和乘客滿意度。符合客流規(guī)律的公交調(diào)度方案能夠根據(jù)客流量的變化 調(diào)整發(fā)車間隔，加強(qiáng)了公交服務(wù)的針對性，減少了乘客的等車時(shí)間，提高了公交服務(wù)質(zhì)量， 增加公共交通的吸引力。
[0003] 公交調(diào)度的目的就是在滿足乘客出行需求的情況下，盡量節(jié)省運(yùn)營成本。該兩個(gè) 相互矛盾的要求導(dǎo)致該是一個(gè)多目標(biāo)優(yōu)化問題。同時(shí)，公交調(diào)度要受到公交企業(yè)運(yùn)營成本、 車隊(duì)規(guī)模等多方面的約束。怎樣在同時(shí)滿足客流量需求和約束條件下，找到合適的方法在 合理的時(shí)間內(nèi)確定公交調(diào)度方案，是實(shí)現(xiàn)智能化公交調(diào)度的關(guān)鍵。公交調(diào)度分為靜態(tài)調(diào)度 和動態(tài)調(diào)度兩個(gè)部分，靜態(tài)調(diào)度主要是指制訂每條線路的發(fā)車時(shí)刻表，動態(tài)調(diào)度主要完成 當(dāng)出現(xiàn)車輛、客流等突發(fā)情況時(shí)對已有的發(fā)車時(shí)刻表進(jìn)行調(diào)整。在日常運(yùn)營中，靜態(tài)調(diào)度為 主，動態(tài)調(diào)度為輔。本發(fā)明主要設(shè)及如何使用改進(jìn)的混合啟發(fā)式算法來解決快速公交的靜 態(tài)調(diào)度問題。
[0004] 目前，國內(nèi)外在此領(lǐng)域的研究有很多，但是每個(gè)城市公交系統(tǒng)的具體情況都不同， 沒有一種較為通用的能夠結(jié)合歷史運(yùn)營數(shù)據(jù)進(jìn)行公交調(diào)度的方法。在該些研究中有很多人 使用遺傳算法等啟發(fā)式算法，或者它們的改進(jìn)算法用于公交調(diào)度的優(yōu)化。遺傳算法能夠在 合理的時(shí)間內(nèi)找到公交調(diào)度問題的最優(yōu)解或者近似最優(yōu)解，該也是許多研究者使用它來解 決公交調(diào)度的原因。但是遺傳算法存在容易過早收斂，效率低等缺點(diǎn)。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為了克服遺傳算法自身的不足，并提出了一種新穎的方法來解決 乘客和公交運(yùn)營企業(yè)之間的利益沖突。本發(fā)明設(shè)及的方法將模擬退火算法和遺傳算法結(jié)合 在一起，并且加入精英保留策略和適應(yīng)度拉伸函數(shù)。將每一代種群中適應(yīng)度最大的個(gè)體直 接保留到下一代，避免它被交叉和變異操作破壞。適應(yīng)度拉伸函數(shù)在算法的初期階段，削減 個(gè)體之間的差異，從而增加種群的多樣性，避免遺傳算法陷入局部最優(yōu)解；在算法的后期階 段，增大個(gè)體間的差異，從而增加優(yōu)秀個(gè)體被選擇的概率，加快收斂速度。模擬退火算法能 夠增加遺傳算法的局部捜索能力，從而加快遺傳算法的收斂速度。
[0006] 本發(fā)明的方法的具體步驟如下：
[0007] 步驟（1)讀取乘客的刷卡記錄，統(tǒng)計(jì)每天乘車總?cè)藬?shù)和每個(gè)時(shí)間段I內(nèi)的人數(shù)，獲 取每天的歷史天氣狀況和節(jié)假日情況；使用層次聚類方法，對獲取的歷史數(shù)據(jù)進(jìn)行聚類分 析；即將一天當(dāng)中的乘車總?cè)藬?shù)、不同時(shí)間段內(nèi)的乘車人數(shù)、天氣情況和節(jié)假日情況組合成 一個(gè)向量，然后對該向量進(jìn)行歸一化操作，使用系統(tǒng)聚類算法中的Ward法進(jìn)行聚類操作， 根據(jù)聚類的結(jié)果提取每個(gè)類別的特征；
[000引所述的刷卡記錄包括上車刷卡時(shí)間、上車站點(diǎn)、下車刷卡時(shí)間和下車站點(diǎn)；
[0009] 所述的獲取的歷史數(shù)據(jù)包括乘客的刷卡記錄、歷史天氣狀況和節(jié)假日情況；
[0010] 步驟（2)根據(jù)第二天的天氣預(yù)報(bào)信息和節(jié)假日情況，從步驟1的聚類結(jié)果中匹配 到一個(gè)類，并從該類中抽取一個(gè)向量作為預(yù)測值；
[0011] 步驟（3)根據(jù)預(yù)測值，結(jié)合公交企業(yè)期望的滿載率，兩者相除，得到第二天的總發(fā) 車班次；
[001引步驟（4)隨機(jī)生成N個(gè)向量，向量的維度與總發(fā)車班次相等海個(gè)分量代表對應(yīng)班 次的發(fā)車時(shí)間，發(fā)車時(shí)間W分鐘為單位，設(shè)定第一個(gè)分量等于0,最后一個(gè)分量等于末班車 發(fā)車時(shí)間與首班車發(fā)車時(shí)間之間的分鐘數(shù)；向量中的分量按從小到大的順序排列，該N個(gè) 向量組成初始解的集合P。，并設(shè)定迭代次數(shù)g為0 ;其中N為偶數(shù)；
[0013] 步驟（5)建立公交調(diào)度的數(shù)學(xué)模型，W乘客的等待時(shí)間最短為目標(biāo)設(shè)定適應(yīng)度函 數(shù)，計(jì)算每個(gè)初始解的適應(yīng)度，然后通過混合啟發(fā)式算法進(jìn)行求解；
[0014] 5-1.使用適應(yīng)度拉伸函數(shù)進(jìn)行適應(yīng)度拉伸操作，用拉伸后的值替換掉原來的適應(yīng) 度；
[0015] 5-2.按照輪盤賭選擇策略從集合Pg中選擇任意兩個(gè)解，按照設(shè)定的交叉概率進(jìn) 行交叉操作，即隨機(jī)選擇一個(gè)交叉位置，交換兩個(gè)解交叉點(diǎn)前后的部分，得到兩個(gè)交叉后的 解；然后對兩個(gè)交叉后解進(jìn)行模擬退火操作；計(jì)算交叉后的解的適應(yīng)度，如果適應(yīng)度增大， 接受新的解，否則W當(dāng)前的接受概率接受新的解；從而獲取兩個(gè)新的解；
[0016] 5-3.按照設(shè)定的變異概率，對步驟5-2中獲取的兩個(gè)新解的每一個(gè)分量進(jìn)行變異 操作，即隨機(jī)生成一個(gè)大小位于前后兩個(gè)分量之間的自然數(shù)，替換掉原來的值，得到兩個(gè)變 異后的解；然后進(jìn)行模擬退火操作；計(jì)算變異后的解的適應(yīng)度，如果適應(yīng)度增大，接受新的 解，否則W當(dāng)前的接受概率接受新的解；從而獲取兩個(gè)新的解，并將獲取的兩個(gè)新的解放 入解集Pg+i;
[0017] 5-4.重復(fù)步驟5-2和5-3,直至解集Pg+沖解的個(gè)數(shù)與N相等；
[001引步驟做更新迭代次數(shù)g= g+1，若已經(jīng)達(dá)到最大的迭代次數(shù)Gm。,，則輸出解集Pg 中適應(yīng)度最高的解，即為優(yōu)化后的發(fā)車時(shí)刻表；否則，轉(zhuǎn)到步驟5-1 ;
[0019] 所述的迭代次數(shù)Gmax為正整數(shù)。
[0020] 步驟5所述的公交調(diào)度數(shù)學(xué)模型的建立具體如下：
[0021] (1)所述的公交調(diào)度數(shù)學(xué)模型有W下前提條件：
[0022] BRT車輛停站后，等待乘客全部上車，不存在滯留現(xiàn)象；
[0023] BRT全線采用車外收費(fèi)的方式，不存在投幣或刷卡對車輛行駛時(shí)間的影響；
[0024] BRT全線采用相同的車輛型號，座位數(shù)量和最大載客數(shù)量相同；
[0025] 不考慮線路的配車，認(rèn)為車輛足夠多；
[0026] BRT車輛按調(diào)度時(shí)間表發(fā)車；
[0027] BRT車輛在道路上順序和發(fā)車順序一致，不存在超車現(xiàn)象；
[002引 W分鐘作為調(diào)度的最小單位；
[0029] (2)所述的公交調(diào)度數(shù)學(xué)模型中使用的變量及其含義如下：
[0030] m為整個(gè)調(diào)度周期內(nèi)的發(fā)車次數(shù)；
[0031] n為線路指定方向上總的站點(diǎn)數(shù)量；
[0032] ti為一個(gè)調(diào)度周期中第i次車的發(fā)車時(shí)間，W分鐘為單位，i = 1，2,...，m ;
[003引 rj為線路指定方向上第j個(gè)站點(diǎn)隨時(shí)間變化的到達(dá)率，單位為人/分鐘，j = 1, 2,. . . , n ;
[0034] T為調(diào)度周期內(nèi)乘客的總等待時(shí)間；
[00對則
[0036]

【權(quán)利要求】
1. 一種基于混合啟發(fā)式算法的智能公交調(diào)度方法，其特征在于包括如下步驟： 步驟（1)讀取乘客的刷卡記錄，統(tǒng)計(jì)每天乘車總?cè)藬?shù)和每個(gè)時(shí)間段I內(nèi)的人數(shù)，獲取 每天的歷史天氣狀況和節(jié)假日情況；使用層次聚類方法，對獲取的歷史數(shù)據(jù)進(jìn)行聚類分析； 即將一天當(dāng)中的乘車總?cè)藬?shù)、不同時(shí)間段內(nèi)的乘車人數(shù)、天氣情況和節(jié)假日情況組合成一 個(gè)向量，然后對該向量進(jìn)行歸一化操作，使用系統(tǒng)聚類算法中的Ward法進(jìn)行聚類操作，根 據(jù)聚類的結(jié)果提取每個(gè)類別的特征； 所述的刷卡記錄包括上車刷卡時(shí)間、上車站點(diǎn)、下車刷卡時(shí)間和下車站點(diǎn)； 所述的獲取的歷史數(shù)據(jù)包括乘客的刷卡記錄、歷史天氣狀況和節(jié)假日情況； 步驟（2)根據(jù)第二天的天氣預(yù)報(bào)信息和節(jié)假日情況，從步驟1的聚類結(jié)果中匹配到一 個(gè)類，并從該類中抽取一個(gè)向量作為預(yù)測值； 步驟（3)根據(jù)預(yù)測值，結(jié)合公交企業(yè)期望的滿載率，兩者相除，得到第二天的總發(fā)車班 次； 步驟（4)隨機(jī)生成N個(gè)向量，向量的維度與總發(fā)車班次相等；每個(gè)分量代表對應(yīng)班次的 發(fā)車時(shí)間，發(fā)車時(shí)間以分鐘為單位，設(shè)定第一個(gè)分量等于〇,最后一個(gè)分量等于末班車發(fā)車 時(shí)間與首班車發(fā)車時(shí)間之間的分鐘數(shù)；向量中的分量按從小到大的順序排列，這N個(gè)向量 組成初始解的集合Ptl，并設(shè)定迭代次數(shù)g為0 ;其中N為偶數(shù)； 步驟（5)建立公交調(diào)度的數(shù)學(xué)模型，以乘客的等待時(shí)間最短為目標(biāo)設(shè)定適應(yīng)度函數(shù)， 計(jì)算每個(gè)初始解的適應(yīng)度，然后通過混合啟發(fā)式算法進(jìn)行求解； 5-1.使用適應(yīng)度拉伸函數(shù)進(jìn)行適應(yīng)度拉伸操作，用拉伸后的值替換掉原來的適應(yīng)度； 5-2.按照輪盤賭選擇策略從集合Pg中選擇任意兩個(gè)解，按照設(shè)定的交叉概率進(jìn)行交叉 操作，即隨機(jī)選擇一個(gè)交叉位置，交換兩個(gè)解交叉點(diǎn)前后的部分，得到兩個(gè)交叉后的解；然 后對兩個(gè)交叉后解進(jìn)行模擬退火操作：計(jì)算交叉后的解的適應(yīng)度，如果適應(yīng)度增大，接受新 的解，否則以當(dāng)前的接受概率接受新的解；從而獲取兩個(gè)新的解； 5-3.按照設(shè)定的變異概率，對步驟5-2中獲取的兩個(gè)新解的每一個(gè)分量進(jìn)行變異操 作，即隨機(jī)生成一個(gè)大小位于前后兩個(gè)分量之間的自然數(shù)，替換掉原來的值，得到兩個(gè)變 異后的解；然后進(jìn)行模擬退火操作：計(jì)算變異后的解的適應(yīng)度，如果適應(yīng)度增大，接受新的 解，否則以當(dāng)前的接受概率接受新的解；從而獲取兩個(gè)新的解，并將獲取的兩個(gè)新的解放入 解集Pg+1; 5-4?重復(fù)步驟5-2和5-3,直至解集Pg+1中解的個(gè)數(shù)與N相等； 步驟（6)更新迭代次數(shù)g=g+1，若已經(jīng)達(dá)到最大的迭代次數(shù)Gmax，則輸出解集Pg中適 應(yīng)度最高的解，即為優(yōu)化后的發(fā)車時(shí)刻表；否則，轉(zhuǎn)到步驟5-1 ; 所述的迭代次數(shù)Gmax為正整數(shù)。
2. 如權(quán)利要求1所述的一種基于混合啟發(fā)式算法的智能公交調(diào)度方法，其特征在于步 驟5所述的公交調(diào)度數(shù)學(xué)模型的建立具體如下： (1)所述的公交調(diào)度數(shù)學(xué)模型有以下前提條件： BRT車輛停站后，等待乘客全部上車，不存在滯留現(xiàn)象； BRT全線采用車外收費(fèi)的方式，不存在投幣或刷卡對車輛行駛時(shí)間的影響； BRT全線采用相同的車輛型號，座位數(shù)量和最大載客數(shù)量相同； 不考慮線路的配車，認(rèn)為車輛足夠多； BRT車輛按調(diào)度時(shí)間表發(fā)車； BRT車輛在道路上順序和發(fā)車順序一致，不存在超車現(xiàn)象； 以分鐘作為調(diào)度的最小單位； (2)所述的公交調(diào)度數(shù)學(xué)模型中使用的變量及其含義如下：m為整個(gè)調(diào)度周期內(nèi)的發(fā)車次數(shù)； n為線路指定方向上總的站點(diǎn)數(shù)量； h為一個(gè)調(diào)度周期中第i次車的發(fā)車時(shí)間，以分鐘為單位，i= 1，2,. ..，m;h為線路指定方向上第j個(gè)站點(diǎn)隨時(shí)間變化的到達(dá)率，單位為人/分鐘，j= 1，2，? ? ?，n ; T為調(diào)度周期內(nèi)乘客的總等待時(shí)間； 則
公交運(yùn)營的成本分為不變成本和可變成本，公交調(diào)度和不變成本之間不存在直接的關(guān) 系；設(shè)一個(gè)調(diào)度周期內(nèi)公交運(yùn)營收益為R，P為人均乘車費(fèi)用（元），L為指定方向線路總長 度（km)，C為公交車輛的可變成本（元/km)，則公交公司的收益為總收入減去總的可變成 本，具體如下：
設(shè)U為乘客等待時(shí)間權(quán)系數(shù)，V為公交公司收益權(quán)系數(shù)；根據(jù)二次懲罰法，公交調(diào)度 優(yōu)化模型的目標(biāo)函數(shù)為： minz=uXT-VXR 設(shè)1"為最大車容量，P為期望滿載率，則有約束條件I:
為了保證規(guī)律到達(dá)乘客和隨機(jī)到達(dá)乘客都能在較短的時(shí)間內(nèi)等到所候車輛，設(shè)Hmin和 11_分別為公交公司要求的最小和最大發(fā)車間隔，則發(fā)車間隔應(yīng)滿足下面的約束條件II: Hmin<t廠1:廠1 <Hmaxi= 2, 3, ? --，m 同時(shí)為避免造成發(fā)車的不連續(xù)現(xiàn)象，設(shè)T為公交公司允許的最大發(fā)車間隔差值，則約 束條件III: (ti+1-ti) - I^Ti= 2, 3,. . . ,m-1 通過罰函數(shù)法來保證產(chǎn)生的解不違反調(diào)度問題的約束條件；基于以上的描述，調(diào)度問 題的目標(biāo)函數(shù)minf(X)形式如下：
其中minf⑴為加入罰函數(shù)后的目標(biāo)函數(shù)值，Op?2、《3、《4分別為約束條件I、約 束條件II最小發(fā)車間隔、約束條件II最大發(fā)車間隔、約束條件III對應(yīng)的懲罰系數(shù)；調(diào)度問題 的解X是長度為m的向量，每個(gè)分量Xi代表調(diào)度周期內(nèi)第i次車距首班車的發(fā)車時(shí)間，以 分鐘為單位； 為了保證每個(gè)個(gè)體的適應(yīng)度均大于0,同時(shí)也為了方便運(yùn)用輪盤賭選擇策略，對目標(biāo)函 數(shù)進(jìn)行變換得到適應(yīng)度函數(shù)的最終形式為：
3. 如權(quán)利要求1所述的一種基于混合啟發(fā)式算法的智能公交調(diào)度方法，其特征在于所 述的模擬退火算法能夠加強(qiáng)遺傳算法的局部搜索能力，在遺傳算法中每次完成交叉操作和 變異操作以后，比較前后兩個(gè)個(gè)體的適應(yīng)度，進(jìn)行模擬退火操作；模擬退火算法中需要設(shè)定 初始溫度Ttl，當(dāng)前溫度的計(jì)算公式為： T* =T0X〇n 其中〇表示溫度降低的速度，其取值為〇< 〇 <1，其值越大，溫度降低的越慢，值越 小，溫度降低的越快；g為算法當(dāng)前迭代的次數(shù)；當(dāng)新產(chǎn)生的個(gè)體的適應(yīng)度減小時(shí)，接受新 個(gè)體的概率為：
其中F(Xmw)W(Xtjld)分別為新個(gè)體和原個(gè)體的適應(yīng)度； 同時(shí)為了保證每個(gè)種群中最有優(yōu)秀的個(gè)體能順利進(jìn)入下一代產(chǎn)生新的個(gè)體，在模擬退 火和遺傳算法的融合算法中，加入精英保留策略；每產(chǎn)生新的一代種群后，比較新一代種群 和上一代種群中最佳個(gè)體的適應(yīng)度值；如果新一代種群的最佳個(gè)體的適應(yīng)度小于上一代的 最佳個(gè)體，則用上一代的最佳個(gè)體替換新一代中適應(yīng)度最小的個(gè)體；否則直接進(jìn)入下一次 迭代。
4. 如權(quán)利要求1所述的一種基于混合啟發(fā)式算法的智能公交調(diào)度方法，其特征在于步 驟5-1中所述的拉伸函數(shù)的形式為：
其中F(Xi)代表個(gè)體Xi的適應(yīng)度，F(xiàn)(Xi) '是拉伸后的適應(yīng)度，T*指模擬退火算法中當(dāng) 前的溫度，N代表種群中個(gè)體的數(shù)量，X代表拉伸系數(shù)； 為了能夠進(jìn)行適應(yīng)度拉伸，要在拉伸前對種群中所有的個(gè)體進(jìn)行適應(yīng)度標(biāo)準(zhǔn)化，令
其中fitness指個(gè)體的適應(yīng)度，fitness'指標(biāo)準(zhǔn)化后的適應(yīng)度，maxfitness指當(dāng)前種 群中最佳個(gè)體的適應(yīng)度。
5.如權(quán)利要求1所述的一種基于混合啟發(fā)式算法的智能公交調(diào)度方法，其特征在于步 驟5中所述的混合啟發(fā)式算法的基本步驟如下： 1) .設(shè)定如下參數(shù)的值：種群大小N，染色體長度L。，交叉概率P。，變異概率Pm，最大進(jìn)化 代數(shù)Gmax，初始溫度Ttl，退火速度c，拉伸系數(shù)A; 2) .初始化種群Ptl，即隨機(jī)產(chǎn)生N個(gè)可行解構(gòu)成初始化種群Pci;計(jì)算初始種群中個(gè)體的 適應(yīng)度，進(jìn)行標(biāo)準(zhǔn)化，對適應(yīng)度進(jìn)行拉伸操作；設(shè)定迭代次數(shù)g為〇 ; 3) .按照拉伸后的適應(yīng)度進(jìn)行輪盤賭選擇，從種群匕中隨機(jī)選取兩個(gè)個(gè)體； 4) .交叉和模擬退火操作；采用單點(diǎn)交叉策略，將被選擇的兩個(gè)個(gè)體Pl、P2按概率P。 進(jìn)行交叉操作產(chǎn)生兩個(gè)新的個(gè)體Cl、C2;如果F(cD>F(Pi)，則接受個(gè)體C1，否則以概率 exp((F(Ci)-F(Pi)) /T*)接受新個(gè)體； 5) .變異和模擬退火操作；對新產(chǎn)生的個(gè)體(^、C2逐位進(jìn)行變異操作，如果變異后的個(gè) 體C1'適應(yīng)度增大，則接受變異，否則以概率exp((F(Ci'）_F(Ci))/T*)接受新個(gè)體； 6) .把新產(chǎn)生的兩個(gè)個(gè)體加入新種群Pg+1中，如果Pg+1中個(gè)體數(shù)量小于N，則轉(zhuǎn)到步驟 3)，否則進(jìn)行下一步； 7) .計(jì)算新種群中每個(gè)個(gè)體的適應(yīng)度，并進(jìn)行標(biāo)準(zhǔn)化操作； 8) .對新種群中的個(gè)體進(jìn)行適應(yīng)度拉伸； 9) .實(shí)施精英保留策略，用新種群替換原種群； 10) .降溫操作； 11) .更新迭代次數(shù)g=g+1，如果達(dá)到最大迭代次數(shù)Gmax，則輸出種群Pg中的最優(yōu)解， 否則轉(zhuǎn)到步驟3)。
【文檔編號】G08G1/00GK104504229SQ201410481840
【公開日】2015年4月8日 申請日期:2014年9月19日 優(yōu)先權(quán)日:2014年9月19日
【發(fā)明者】鄭寧, 陳濤, 徐海濤, 林菲 申請人:杭州電子科技大學(xué)