基于改进遗传算法的公交线路调度模型

《基于改进遗传算法的公交线路调度模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于改进遗传算法的公交线路调度模型邓芳玥王欢华中科技大学土木工程与力学学院南京航空航天大学民航学院摘要：对公交车辆智能化调度存在的技术问题，提出一种棊于遗传算法（GeneticAlgorithms,GA）的调度模型应用到该问题中，结合公交公司的利益和乘客的乘车满意度的综合指标作为优化目标，利用Matlab模拟实验验证模型的合理性、科学性。实验表明，优化的调度模型可以最大化的公交运营公司利益的情况下，提升乘客的乘车体验，确保社会效益和经济效益都得到最大满足。关键词：公交调度;遗传算法;公共交通;作

2、者简介：邓芳玥（1997一），女，湖南常德人，主要研究方向交通运输规划。收稿日期：2017-08-30Received：2017-08-300引言随着社会经济的不断发展，城市居民的出行需求也与日倶增。公交系统是公共交通系统的重要组成部分，其线路灵活，舒适度较高且运行成木相对低廉的特点，使公交系统成为不少城市的主力公共交通方式。本文在发展智能交通（TTS）的背景下，研究公交调度优化的问题。公交调度是一类复杂的组合优化问题，需要对发车间隔、公交投放数量进行联合优化。针对这一问题，本文主要围绕公交公司

3、的运营成本与乘客的满意度的博弈为主要指标，以改进遗传算法为工具，通过对公交投放数量于排班调度的联合优化，提出一种行之有效的公交调度模型。公交调度优化的目的是寻找最优的公交投放数量与发车时间，公交车队按照优化后的调度方案即可达到最高的经济效益与服务水平。本文选择武汉市某公交线路为实验对象，考虑单条公交线路下行方向的调度优化。1.1定义变量n:投放公交车的数量，ne(5，15)ti:第i辆公交车的发车吋刻，其中ie[l，n]tij:第i辆公交车到达j站的时间Pj:第j站的乘客到达率Cij:第i辆公交

4、车到达第j站时的剩余容量V：:第i辆公交车平均车速wtj:第j站乘客平均等待时间wt/因车辆满载而错过上一辆公交车乘客的额外等待时间P/前后两辆公交车间隔时间内乘客到达数P/在第j站未能乘坐上一班公交车的乘客数D/第j站到第j-1站的距离，j={l,2,3-}Li:布尔变量,当Cu/C/O时,L：:l,反之则为01.2时间窗设计由于不同时刻的公交站台上乘客时间分布是不同的，所以为保证模型动态性与简化问题，将规划时段细分为12个时间窗口，在任意一个时间窗口中，乘客的时间分布可以近似为稳态分布。针对

5、每一个时间窗口进行公交线路的调度优化，然后将每个时间窗U的调度方案进行组合即可得到一整天的，具有动态性的公交线路调度方案。以下对时间窗门内的运行规则做简要介绍：(1)模型设置丫旅客滞留惩罚函数，旅客滞留可忽略不计，既首发公交只需要考虑满足从出发到到站时间内到达的乘客需求。(2)每辆公交车都有确定的容量Cb当乘客数量大于公交车剩余容量时，剩余的乘客将需要等待下一辆公交车。(3)每辆公交午以平均速度Vl=20km/h匀速行驶，不考虑交通拥堵，不考虑路口等待时间，过站时间忽略不计。(4)每位乘客每次到

6、站时都以outRate=0.5的概率下车。1.3优化目标函数确定公交公司作为营运者，目的是在满足乘客出行需求的同时尽可能增加自身的收入。往往是通过提高客座率，提高票价，减少排班数量来提升自身利润。而乘客作为消费者想要得到廉价II优质的服务，想要更多的公交车数量，更低的票价和更好的乘坐体验。不难看出公交公司与乘客之间的利益是矛盾的，两考存在博弈关系。故本文设计的H标函数，就是这种双方的关系体现。maxZj式（1）为公交公司的利润函数，k为第i辆公交车在第j站载客数，fee为票价收入，Li为载客率低

7、的过站次数，本文定义当Q/C^O.5吋就属于低载客率的情况。M是一个足够大的值，与U组成惩罚函数，降低公交车载客率低的情况出现。maxZ2=-remJ式（2）为乘客出行满意度函数，由候车时间与乘车舒适度构成。其中为乘客出行满意度与候车吋间成反比，为公交车空载率越高，乘客的乘车舒适度也越高。n,r2为权重系数。将目标函数ZHZ2联立作为木文的目标函数，如式（3）所示，能反映出公交公司利益与乘客出行满意度之间的，矛盾关系。式中R,，R。是权重系数。maxZ=xZ,+7?,>2实验验证本文选择武汉市某

8、公交线路为实验对象，只考虑单条公交线路下行方向的调度优化，选择公交车乘客出行高峰小时内平均达到率作为服务对象，时间窗timeWindow=60min,具体数据见表1。站台编号站台间隔/m10218563102441349515686987713268841977710119411156012105013103814654初始种群的产牛.采用在制定的时间窗口内产牛.随机数的方式牛.成，设定种群数量w=100，迭代代数gen=100,代沟GGAP=O.8，交叉概率OPC=O.6,变异概率PM=O.4