一种基于客流分析的城市公交线网优化方法与流程

1.本发明涉及公交线网技术领域，具体是一种基于客流分析的城市公交线网优化方法。


背景技术：

2.近些年来,我国各大城市的经济建设取得了巨大的成就,然而交通基础设施建设的滞 后却使得城市的可持续发展遇到了瓶颈,解决城市交通的拥挤问题迫在眉睫。优化公交线 网正是采用做“减法”的形式来解决此问题,相比扩充道路、增加规模这样的“加法”操 作,其具有投资小、见效快、效率高等优点。
3.遗传算法(genetic algorithm,简称ga)是模拟生物在自然环境中的遗传和进化过 程而形成的一种自适应全局优化概率搜索算法。它借鉴了“适者生存、优胜劣汰”的生物 进化规律，其基本思想是基于darwin的进化论和mendel的遗传学说。该算法最早是由 美国michigan大学的j.holland教授在20世纪70年代提出的。ga作为一种全局优 化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等优点，已经在组合 优化、函数优化、自动控制、生产调度、图像处理、机器学习、人工生命和数据挖掘等领 域取得了成功的应用。
4.本发明针对以往公交线网优化模型中公交系统运营效率不是太高的的问题，结合客流 特性随时间动态变化的特性，提出基于客流的城市公交线网线网优化模型并且利用传统的 遗传算法求解模型，以便制定出更加科学、合理的公交线网。


技术实现要素：

5.本发明的目的在于提供一种基于客流分析的城市公交线网优化方法，以解决上述背景 技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：
7.一种基于客流分析的城市公交线网优化方法，包括：
8.建立公交线网优化模型，输入与检查相关数据；
9.对遗传算法进行编码，进行初始化，生成可行公交线路集合；
10.对种群适应度进行计算；
11.满足收敛要求则算法结束，然后进行解码，输出公交线网方案；
12.若没有满足收敛要求，则用选择操作、交叉操作、变异操作得到的新一代群体取代上 一代群体，返回到选择操作处循环执行，直至满足收敛要求后算法结束。
13.作为本发明的进一步方案：所述公交线网优化模型如下：
[0014][0015]
式中，w1、w2是对应的系数：n为交通小区数目；vij为从交通区i到交通区j的公 交乘客量；tij为从交通区i到交通区j的公交出行总时间(h)，且 tij＝s1*t1+s2*t2+s3*t3+s4*t4，t1为出行点到相应车站的步行时间，t2为在车站的候 车时间，t3为中转换乘时间，
t4为在车时间，si为修正系数，i＝1、2、3、4；m为布 设公交线路条数；mk为第k条线路发车数；lk为第k条线路的长度
[0016]
作为本发明的进一步方案：所述遗传算法编码如下：将决策变量编码为二进制串，即 一条染色体xi；精度与编码长度之间的关系如下:2
β
‑1＜(x
max
‑
x
min
)10
α
≤2
β
‑1，精度 即小数点后α位，长度即二进制串维数β，式中，x
max
、x
min
分别是变量的上限和下限， 对于染色体的解码有如下公式：
[0017][0018]
个体编码是b1，b2，b3.....bn，其中bn为二进制第i位的数值，bi＝0或1
[0019]
作为本发明的进一步方案：所述选择操作又称为复制或再生，其目的是把优化的个体 直接遗传到下一代或者通过配对交换产生新个体再遗传到下一代，采用最佳个体保存法与 联赛选择法相结合的方法；其中，最佳个体保存法为将种群中适应度最高的个体不进行配 对交换，而直接复制到下一代中；而联赛选择法为从群体中按照一定的数目随机选择个体， 把其中适应度高的个体保存到下一代，其中数目称为联赛规模
[0020]
作为本发明的进一步方案：所述交叉选择采用适用于旅行售货员问题的部分匹配交换 算子，在匹配交换算子操作中，先随机地产生两个交换点，定义两交换点之间的区域为 一匹配区，进行两个父串的匹配区的交换操作
[0021]
作为本发明的再进一步方案：所述算法结束的种植条件判断为，在达到最大代数前判 断连续几代个体平均适应度值是否已不变，或变化值小于某个极小的阈值，如是则算法的 迭代过程收敛，算法结束。
[0022]
与现有技术相比，本发明提出基于客流的城市公交线网线网优化模型并且利用传统的 遗传算法求解模型，制定出更加合理的公交线网，用以提高公交系统的运营效率。
附图说明
[0023]
图1为一种基于客流分析的城市公交线网优化方法的流程图。
具体实施方式
[0024]
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
[0025]
请参阅图1，一种基于客流分析的城市公交线网优化方法，包括公交线网优化模型和 遗传算法优化。
[0026]
1.公交线网优化模型
[0027]
考虑在实际应用过程中模型的合理性和可实现性，构建模型如下：
[0028][0029]
式中，w1，w2是对应的系数：n为交通小区数目；vij为从交通区i到交通区j的公 交乘客量(人次)；tij为从交通区i到交通区j的公交出行总时间(h)，且 tij＝s1*t1+s2*t2+s3*t3+s4*t4，t1为出行点到相应车站的步行时间，t2为在车站的候 车时间，t3为中转换乘时间，t4为在车时间，si为修正系数(i＝1，2，3，4)；m为 布设公交线路条数；mk为第k条线路发车数(辆/h)；lk为第k条线路的长度(km)。
[0030]
2.遗传算法
[0031]
2.1遗传算法选用
[0032]
公交线网的模型是多条线路的组合优化问题，属于数学规划中的多约束0
‑
1规划问题，模型对路网、线、点的约束，使得可行线网的数量减少，节省了一定的计算时间；因为是典型的数学规划模型，所以采用枚举法可能会得到最优解，但是，由于计算量过大，在很多时候是不现实的；而遗传算法因其自身的特性决定了它在解决此类问题的时候具有很强的优势，所以，本实施例采用遗传算法对模型进行求解。
[0033]
2.2遗传算法的优化步骤
[0034]
(1)编码
[0035]
将决策变量编码为二进制串，即一条染色体xi。精度(小数点后α位)与编码长度(二进制串维数β)之间的关系如下:2
β
‑1＜(x
max
‑
x
min
)10
α
≤2
β
‑1，式中，x
max
、x
min
分别是变量的上限和下限，对于染色体的解码有如下公式：
[0036][0037]
个体编码是b1，b2，b3.....bn，其中bn为二进制第i位的数值，bi＝0或1。
[0038]
(2)初始化。
[0039]
(3)参数选择。
[0040]
(4)种群适应度计算。
[0041]
(5)选择操作
[0042]
选择操作又称为复制或再生，其目的是把优化的个体直接遗传到下一代或者通过配对交换产生新个体再遗传到下一代。在本文中，采用最佳个体保存法(elitistmodel)与联赛选择法(tournamentselectionmodel)相结合的方法。其中：最佳个体保存法为将种群中适应度最高的个体不进行配对交换，而直接复制到下一代中。而联赛选择法为从群体中按照一定的数目(称为联赛规模)随机选择个体，把其中适应度高的个体保存到下一代。
[0043]
(6)交叉
[0044]
本文采用适用于旅行售货员问题(tsp)的部分匹配交换算子(partiallymatchedcrossover，pmx)。pmx操作是由goldberg和lingle于1985年提出的。在pmx操作中，先随机地产生两个交换点，定义两交换点之间的区域为一匹配区，进行两个父串的匹配
[0045]
区的交换操作。
[0046]
(7)变异操作。
[0047]
(8)中止条件的判断
[0048]
在达到最大代数前判断连续几代个体平均适应度值是否已不变，或变化值小于某个极小的阈值，如是则算法的迭代过程收敛，算法结束；否则，用经过选择、交叉、变异所得到的新一代群体取代上一代群体，返回到选择操作处继续循环执行。
[0049]
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。