基于混沌理论的改进模糊神经网络公交车智能调度方法与流程

技术特征：

1.一种基于混沌理论的改进模糊神经网络公交车智能调度方法，其特征在于，包括如下步骤：

第一步，实际问题需求分析与调研；包括：

已知某一总里程为L的公交路线共有J个车站，公交公司的车辆一天的运营时间为[t_早，t_晚]，运营时间可分成K个时段，第K个时段的发车间隔为Δt_k，此路线的公交车辆型号是相同的，假设按时到达各站，每个车站的乘客服从均匀分布，每个乘客全程的公交票价为n，现从公交公司的运行盈利和公交公司的服务水平两方面出发，根据一天各个站点的乘客流量以及运营条件，求解此路线的车辆运行时刻表；

第二步，利用凸优化理论，将实际问题转化为数学模型，建立目标函数和约束条件；建立目标函数：

$\min f\left({\mathrm{\Δt}}_k\right)={\mathrm{\αc}}_{1}L\underset{k=1}{\overset{K}{\Σ}}\frac{T_k}{{\mathrm{\Δt}}_k}+{\mathrm{\βc}}_2\underset{k=1}{\overset{K}{\Σ}}\underset{i=1}{\overset{m_k}{\Σ}}\underset{j=1}{\overset{J}{\Σ}}\left(\frac{{\mathrm{\ρ}}_{kj}{{\mathrm{\Δt}}_k}^2}{2}\right)$

式中：Δt_k表示第k个时段的发车间隔，k∈K＝{1...K}，

约束条件：

$n\×\frac{{\Σ}_{k=1}^K{\Σ}_{i=1}^J{\mathrm{\μ}}_{kj}}{{\Σ}_{k=1}^K\frac{T_k}{{\mathrm{\Δt}}_k}}\>C_{1}L,{\mathrm{\Δt}}_k\>0$

其中：K为时段集K＝{1...K}，k表示第k个时段；J为车站集J＝{1...J}，j表示第j个车站；T_k表示第k时段的时间长度；表示第k时段第j站的上车乘客数；表示第k时段第j站的乘客到达率；C₁为每公里每辆公交车辆消耗的费用；C₂为每个乘客每等待一个单位时间所相当的损失费用；α表示公交公司消耗费用的加权系数；β表示乘客等待时间所损失费用的加权系数；加权系数的关系为α+β＝1；n为全程公交票价；L为线路的总公里数；表示第k时段的总发车车次于该时段的时间长度与发车间隔的比值；

第三步，采用RBF神经网络构建模糊系统；

包括输入层、径向基层和输出层，设X＝[x₁，x₂，...，x_n]^T为输入矢量，n为输入样本个数，W＝[w₁，w₂，...，w_n]^T为输出矢量，m为隐层节点数，b为偏移量，f(x)为网络输出，为径向基函数：

其中，||·||为欧式范数，C_i是网络中第i个数据中心，则神经网络的输出为：

第四步，利用改进的粒子群算法优化模糊系统参数；

第五步，建立好基于混沌理论的改进的粒子群模糊系统后，进行公交车智能调度。

2.根据权利要求1所述的公交车智能调度方法，其特征在于，所述第四步包括：

步骤1：初始化基本粒子群，在D维目标搜索空间中，有m个粒子组成一个群落，第i个粒子在D维空间的位置是：x_i＝(x_i1，x_i2，...，x_iD)，i＝1，2，…，m，第i个粒子的“飞翔”速度是：v_i＝(v_i1，v_i2，...，v_iD)，i＝1，2，…，m，第i个粒子到目前为止搜索到的最优位置P_i＝(P_i1，P_i2，…，P_iDi＝1，2，…，m，整个粒子群目前为止搜索到的最优位置是：P_g＝(P_g1，P_g2，...，P_gD)，所述粒子群寻优的位置更新方程是:

x_id＝x_id+v_id，v_id+c_1γ1(p_id-x_id)+c₂γ₂(p_gd-x_id)

其中：i＝1，2，...，m，d＝1，2，...，D，c₁和c₂分别称为认知学习因子和社会学习因子，通常取大于零的常数，γ₁和γ₂是介于[0，1]之间的随机数，v_id∈[-v_max，v_max]，v_max设定为常数，设定最大迭代次数L和阈值ε，设定粒子群算法的收敛条件：

|f(X_R，K+1)-f(X_R，K)|＜ε，

步骤2：计算每个粒子的适应度f(X_i)，找出每个粒子到目前为止搜索到的最优位置:P_i＝(P_i1，P_i2，...，P_iD)，i＝1，2，...，m，整个粒子群目前为止搜索到的最优位置是：P_g＝(P_g1，P_g2，...，P_gD)，每个粒子当前在D维空间的位置：X_i＝(X_i1，X_i2，...，X_iD)，每个粒子当前的“飞翔”速度：v_i＝(v_i1，v_i2，...，v_iD，i＝1，2，...，m，采用粒子群寻优的位置更新方程进行搜索，如果每个粒子通过搜索产生的下一个位置不在可行域，则该粒子位置不变；

步骤3：更新算法迭代次数N，最后再次计算适应度，进行迭代终止条件判断：若满足|f(X_R，K+1)-f(X_R，K)|＜ε，则跳转至结束，输出最优最优解；若不满足|f(X_R，K+1)-f(X_R，K)|＜ε，则跳转至步骤4；

步骤4：判断算法迭代次数是否达到最大迭代次数L，若满足N<L，则跳转至步骤2，继续进行粒子群迭代；若满足N≥L，则跳转至结束，输出最优最优解。

3.根据权利要求2所述的公交车智能调度方法，其特征在于，所述步骤1还包括：增加惯性因子ω约束因子γ和修改粒子群寻优的位置更新方程：

x_id＝x_id+γv_id，v_id＝ωv_id+c₁γ₁(P_id-x_id)+c₂γ₂(P_gd-x_id)

所述步骤3包括：采用修改后的粒子群寻优的位置更新方程进行搜索，如果每个粒子通过搜索产生的下一个位置不在可行域，则该粒子位置不变。

4.根据权利要求2或3所述的任意一种公交车智能调度方法，其特征在于，所述步骤1还包括：设定最大灾变次数N₁；

所述步骤3包括：更新算法迭代次数N，最后再次计算适应度，进行迭代终止条件判断：若满足|f(X_R，K+1)-f(X_R，K)|＜ε，则跳转步骤5；若不满足|f(X_R，K+1)-f(X_R，K)|＜ε，则跳转至步骤4；

所述步骤5包括：判断是否满足灾变条件且灾变次数N<N₁，若满足，则跳转至步骤6；若不满足，则跳转至步骤跳转至结束，输出最优最优解；

所述步骤6包括：启用灾变机制，N＝N+1，选取当前群体中最好的粒子，并记为X₁.接着在D维搜索空间随机选取m-1个粒子，记为X_i＝(x_i1，x_i2，...，x_iD)，i＝2，3，...，m.，跳转至步骤2。

5.根据权利要求4所述的公交车智能调度方法，其特征在于，所述步骤4包括：判断算法迭代次数是否达到最大迭代次数L，若满足N<L，则跳转至步骤2，继续进行粒子群迭代；若满足N≥L，则跳转至步骤7；

所述步骤5包括：判断是否满足灾变条件且灾变次数N<N₁，若满足，则跳转至步骤6；若不满足，则跳转至步骤7；

所述步骤7包括：早熟判断机制，当σ²小于某一给定的常数λ(早熟收敛判断阈值)，如果此时算法不满足结束的条件，则判断粒子群由于失去多样性过早的进入收敛状态，从而启动早熟处理操作；若满足，则跳转至步骤8；若不满足，则跳转至步骤跳转至结束，输出最优最优解；

所述步骤8包括：启用混沌搜索算法，随机选择一个搜索方向，并随机选择一个步长，跳入到一个新的搜索位置然后跳转至步骤2。

6.根据权利要求4所述的公交车智能调度方法，其特征在于，步骤4包括：判断算法迭代次数是否达到最大迭代次数L，若满足N<L，则跳转至步骤2，继续进行粒子群迭代；若满足N≥L，则跳转至步骤9；

所述步骤9包括：

步骤A1：初始化算法基本参数，包括鸟巢数量、算法参数以及鸟巢的初始位置等，利用优化算法上一次的解作为本次鸟巢的初始位置；

步骤A2：计算各鸟巢位置相应的适应度值，确定当前的最佳鸟巢位置及其适应度值；

步骤A3：利用Lévy飞行机制对鸟巢位置进行更新，得到一组新的鸟巢位置；

步骤A4：评价各鸟巢位置相应的适应度值，经过比较后更新鸟巢的历史最佳位置；

步骤A5：用服从均匀分布的随机数r∈[0，1]与Pa对比，保留被发现概率较小的鸟巢位置，同时随机改变被发现概率较大的鸟巢位置，从而得到一组新的鸟巢位置；

步骤A6：以每一个鸟巢位置为初始点进行局部寻优，得到新的鸟巢位置；

步骤A7：评价各鸟巢位置相应的适应度值，经过比较后更新鸟巢的历史最佳位置；

步骤A8：判断算法的终止条件，若满足则获得结果，否则重复步骤A3-步骤A8。

7.根据权利要求6所述的公交车智能调度方法，其特征在于，所述步骤9布谷鸟搜素算法是基于共轭梯度的布谷鸟搜索算法，包括：在每一次的迭代过程中，经过更新(进化)后的鸟巢位置不是直接进入下一次迭代，而是把处的梯度乘以共轭因子β^k后加到该点的负梯度上，通过线性组合构造出一组共轭方向并沿这组共轭方向搜索，在规定的迭代次数内使鸟巢位置充分下降，得到新的鸟巢位置后，再进行(j+1)次迭代，继续按Lévy飞行机制进行搜索和位置更新。