基于模糊优先关系的路径选择模型_安实
基于3G网络的P2P系统中基于模糊认知图的小区优先节点选择算法
基 于 ３ 网络 的 Ｐ Ｐ系统 中基于 Ｇ ２ 模糊 认知 图的小 区优 先节点选择算法
张 梭 ’周 ， 旭 ’刘 书浩 ， ， 唐 晖 ’
（． １中国科 学院声 学研 究所 高性 能 网络 实验 室 北 京 １０ ９ ； ０ １０ ２电子科 技 大 学宽 带光 纤传输 与通 信 网技 术教 育部重 点 实验 室 成 都 ６ １ ３ ） ． １７ １
给小区内每个节点的实际带宽可能小于这些节点的可用 带宽。因此 ． 在基于 ３ Ｇ网络的移动 ＰＰ系统中进行节点 ２
节点上行 带宽 。 因素对节点服务 能力有着直接 而 该 且较大 的影响 。
・
节点和资源请求节点之间的时延。 该因素对节点服 务能力有一定的影响， 而且该因素也会受到节点上
鞭 鬻， 《艘 毒：
方面．由于 ３ Ｇ蜂窝网络的结构特性，流量本地化”的节 “
图中的节点表示概念 ， 节点之间的正性（ｏ ｔｅ 或负性 ｐｓｉ ） ｉｖ （ｅａｖ） ｎｇｔｅ边则表示概念之间的有向影响关系。 ｉ 模糊认知
图可 以直观 地表 达 出多个 概 念之 间 的直 接影 响关 系 ， 也
链路带宽有限． 因此从一个小区中选择太多的节点将显著 增加该小区上的流量负载， 进而引起多个小区间的负载不
系统中影响节点服务能力的多个 因素之间的复杂关系 ．
并在此基础上根据多个 因素对候选节点 的服务能力进 行综合评估 。 本文考虑的影响节点服务能力的因素包括
以下几 点 。
・
均衡。当系统整体负载增加时。 多个小区间的负载不均衡 将降低节点服务性能。 这是因为， 小区总的带宽限制， 分配
于优化网络流量分布， 节点选择算法会尽量选择位于同一 网络域内的节点从而减少跨域或跨运营商的网络流量 ． 这
犹豫模糊集决策理论与方法综述
收稿日期：２０２０－１２－２９基金项目：安徽省自然科学基金青年项目（１８０８０８５ＱＦ１９６）；安徽省高等学校自然科学重点研究项目（ＫＪ２０２０Ａ００１１）；安徽财经大学教研重点项目（ａｃｊｙｚｄ２０１８１４）作者简介：殷仕淑（１９７３—），女，安徽蚌埠人，教授，硕士生导师，研究方向为管理决策优化。
犹豫模糊集决策理论与方法综述殷仕淑，信 芳（安徽财经大学管理科学与工程学院，安徽蚌埠２３３０４１）摘要：犹豫模糊集是在模糊信息的基础上通过采用多个隶属度来充分刻画原始信息的一种信息表达方式。
与模糊集相比它能够全面刻画专家给出的决策信息，与直觉模糊集相比它更加符合人在决策时的犹豫性。
对犹豫模糊集决策理论和方法进行综述，介绍犹豫模糊集的发展历程，分别回顾犹豫模糊集的信息融合理论、信息测度理论、偏好关系理论以及多属性决策理论，总结了犹豫模糊环境下决策理论与方法的未来研究方向。
关键词：多属性决策；犹豫模糊集；信息融合；信息测度；偏好关系中图分类号：Ｃ９３４ 文献标识码：Ａ 文章编号：２０９６－７９０Ｘ（２０２１）０５－００２６－０９ＤＯＩ：１０．１９５７６／ｊ．ｉｓｓｎ．２０９６－７９０Ｘ．２０２１．０５．００６ＲｅｖｉｅｗｏｆＨｅｓｉｔａｎｔＦｕｚｚｙＳｅｔＤｅｃｉｓｉｏｎＴｈｅｏｒｙａｎｄＭｅｔｈｏｄＹｉｎＳｈｉｓｈｕ，ＸｉｎＦａｎｇ（ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ，ＢｅｎｇｂｕＣｉｔｙ，ＡｎｈｕｉＰｒｏｖｉｎｃｅ２３３０４１）Ａｂｓｔｒａｃｔ：Ｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｉｓａｋｉｎｄｏｆｉｎｆｏｒｍａｔｉｏｎｅｘｐｒｅｓｓｉｏｎｂａｓｅｄｏｎｆｕｚｚｙｉｎｆｏｒｍａｔｉｏｎｂｙｕｓｉｎｇｍｕｌｔｉｐｌｅｍｅｍｂｅｒｓｈｉｐｄｅｇｒｅｅｓｔｏｆｕｌｌｙｄｅｓｃｒｉｂｅｔｈｅｏｒｉｇｉｎａｌｉｎｆｏｒｍａｔｉｏｎ．Ｃｏｍｐａｒｅｄｗｉｔｈｆｕｚｚｙｓｅｔｓ，ｉｔｃａｎｄｅｓｃｒｉｂｅｔｈｅｄｅｃｉ ｓｉｏｎｉｎｆｏｒｍａｔｉｏｎｇｉｖｅｎｂｙｅｘｐｅｒｔｓｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙ．Ｃｏｍｐａｒｅｄｗｉｔｈｉｎｔｕｉｔｉｏｎｉｓｔｉｃｆｕｚｚｙｓｅｔｓ，ｉｔｉｓｍｏｒｅｃｏｎｓｉｓｔｅｎｔｗｉｔｈｐｅｏｐｌｅ＇ｓｈｅｓｉｔａｔｉｏｎｉｎｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ．Ｔｈｉｓｐａｐｅｒｒｅｖｉｅｗｓｔｈｅｔｈｅｏｒｙａｎｄｍｅｔｈｏｄｏｆｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｄｅｃｉ ｓｉｏｎｍａｋｉｎｇ．Ｔｈｉｓｐａｐｅｒｆｉｒｓｔｉｎｔｒｏｄｕｃｅｓｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｓ，ｔｈｅｎｒｅｖｉｅｗｓｔｈｅｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｔｈｅｏｒｙ，ｉｎｆｏｒｍａｔｉｏｎｍｅａｓｕｒｅｍｅｎｔｔｈｅｏｒｙ，ｐｒｅｆｅｒｅｎｃｅｒｅｌａｔｉｏｎｔｈｅｏｒｙａｎｄｍｕｌｔｉ－ａｔｔｒｉｂｕｔｅｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｔｈｅｏｒｙｏｆｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔｓ，ａｎｄｆｉｎａｌｌｙｉｔｓｕｍｍａｒｉｚｅｓｔｈｅｆｕｔｕｒｅｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｏｆｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｔｈｅｏｒｙａｎｄｍｅｔｈｏｄｉｎｈｅｓｉｔａｎｔｆｕｚｚｙｅｎｖｉｒｏｎｍｅｎｔ．Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉａｔｔｒｉｂｕｔｅｄｅｃｉｓｉｏｎｍａｋｉｎｇ；ｈｅｓｉｔａｎｔｆｕｚｚｙｓｅｔ；ｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎｍｅａｓｕｒｅ；ｐｒｅｆ ｅｒｅｎｃｅｒｅｌａｔｉｏｎ０ 引言在政治、经济、文化、军事等各个领域，决策的身影随处可见。
基于模糊规则的推荐系统算法研究
基于模糊规则的推荐系统算法研究近年来，随着互联网的不断发展和普及，推荐系统越来越受到了人们的重视,同时引起了学术界的广泛关注。
在众多的推荐算法中，基于模糊规则的推荐系统算法成为了研究的热点之一。
本文旨在就基于模糊规则的推荐系统算法进行探讨和研究。
一、推荐系统的概述推荐系统是一种非常重要的人工智能应用领域，其主要作用是向用户推荐个性化的商品或服务。
通过分析用户的个人历史和偏好等信息，从而提供符合其需求的物品推荐。
这些物品可以是电影、歌曲、新闻、商品或服务等。
二、基于模糊规则的推荐系统算法基于模糊规则的推荐系统算法是近年来发展的新型推荐算法之一，其主要采用模糊逻辑、模糊模型等数学模型，使用简单的IF-THEN规则来描述输入与输出之间的关系。
模糊规则通常是由专家或数据挖掘算法得出。
三、模糊数学基础在模糊规则的应用过程中，模糊数学不可或缺。
模糊数学是一种基于模糊概念和模糊关系的数学分支。
它提供了一种有效的方法来处理现实世界中的复杂或不完备数据，具有处理不确定性信息的能力，可用于具有模糊性质的数据建模和推理。
四、基于模糊规则的推荐算法实现基于模糊规则的推荐系统的实现过程主要包括三个方面：用户画像、物品建模和推荐规则。
其中，用户画像是系统分析用户历史行为和偏好的重要一步，它是模糊规则推荐算法的核心。
在用户画像上，采用了模糊聚类的方法构建模糊用户画像。
为了更好地挖掘隐藏的用户偏好，物品建模采用了基于隐语义的方法来挖掘物品之间的关系。
推荐规则则是用户喜好向物品的转化过程，采用基于用户兴趣度和物品相似度的推荐算法。
五、基于模糊规则的推荐算法在实际中的应用基于模糊规则的推荐算法已经在电子商务、社交网络、新闻推荐等各个领域得到了广泛应用。
以阿里巴巴为例，其天猫商城就是典型的基于模糊规则的推荐系统，通过分析用户购买历史、搜索记录、评价、点击行为等信息，来给用户做出个性化的商品推荐。
六、结语本文主要探讨了基于模糊规则的推荐系统算法。
ANFIS简介
ANFIS简介自适应网络模糊推理系统，也称为基于网络的自适应模糊推理系统(Adaptive Network-based Fuzzy Inference System)，简称ANFIS。
ANFIS由加利福尼亚大学伯克利分校的Jang Roger于1993年提出，是一种综合了神经网络自适应性的模糊推理系统。
它综合神经网络的学习算法和模糊推理的简洁形式，通过对训练数据组的学习，以产生数值解。
因此，该模型既具有学习机制，又具有模糊系统的语言推理能力等优点。
自开发出来至今，ANFIS不同学科领域都取得了广泛的应用。
模糊推理系统的学习归结为对条件参数（非线性参数）与结论参数（线性参数）的调整。
对于所有参数，均可采用基于梯度下降的反向传播算法来调整参数，而采用一种混合算法可以提高学习的速度。
混合算法中条件参数仍采用反向传播算法调整，而结论参数采用线性最小二乘估计算法调整。
ANFIS 结构有五层，其结构如图6所示，为简单起见，假定所考虑的模糊推理系统有两个输入x 和y ，输出为f ，均为可提供的数据对，网络同一层的每个节点具有相似的功能，用1,i O 表示第一层第i 个节点的输出，依此类推。
图 6 典型ANFIS 的结构第一层：输入参数的选择和模糊化，它是模糊规则建立的第一步。
该层每个节点i 是以节点函数表示的方形节点1,(),1,2i Ai O x i μ== 1,(2)(),3,4i B i O y i μ-==i A 和2i B -是与该节点函数相关的语言变量，如“大”、“小”或“高”“低”等，或者说 1,i O 是模糊集A （A =1A ，2A ，1B ，2B ）的隶属度函数，通常可以选用钟型函数。
21()1[()]i Ai b i i x x c a μ=-+其中，{,,}i i i a b c 为隶属函数的参数集合。
另外，三角隶属函数（trimf ）、梯形隶属函数（trapmf ）等都是模糊化时常用的函数[45]。
anfis知识解读
anfis知识解读ANFIS（Adaptive Neuro-Fuzzy Inference System）是一种集成了神经网络和模糊推理的自适应系统。
它是由Jyh-Shing Roger Jang于1993年提出的。
ANFIS的核心思想是将模糊推理和神经网络相结合，以有效地处理复杂的非线性系统。
本文将对ANFIS的原理和应用进行解读。
ANFIS的原理：ANFIS的结构由五个主要模块组成：模糊规则库、模糊化接口、模糊推理引擎、解模糊化接口和自适应机制。
首先，输入数据经过模糊化接口进行模糊化处理，将其转化为模糊隶属度。
接下来，模糊规则库根据输入数据的模糊隶属度进行匹配，产生模糊推理。
然后，将模糊推理结果进行解模糊处理，得到最终的输出结果。
在此过程中，ANFIS通过自适应机制来调整模糊规则库和模糊推理引擎的参数，以优化系统的性能。
ANFIS的应用：ANFIS在许多领域中都有广泛的应用，特别是在非线性系统建模和控制中。
以下是几个常见的应用实例：1.预测模型：ANFIS可以用于预测和建模例如股票市场、气象等非线性系统的时间序列数据。
通过训练数据集，ANFIS可以自适应地学习系统的规律和趋势，并对未来的趋势进行预测。
2.信号处理：ANFIS可以用于音频、图像和视频信号处理。
通过训练数据集，ANFIS可以自适应地学习信号的特征和模式，并根据这些特征对信号进行处理和分析。
3.控制系统：ANFIS可以用于非线性控制系统的建模和控制。
通过训练数据集，ANFIS可以自适应地学习系统的动态特性和非线性特征，并设计出有效的控制策略来实现系统的稳定性和性能优化。
4.优化问题：ANFIS可以用于解决复杂的优化问题。
通过训练数据集，ANFIS可以自适应地学习问题的约束条件和目标函数，并寻找最优的解决方案。
ANFIS的优点：ANFIS具有以下几个优点：1.非线性逼近能力：ANFIS通过结合模糊推理和神经网络的特点，能够逼近复杂的非线性系统。
基于模糊系统的多目标优化问题解决方案
基于模糊系统的多目标优化问题解决方案第一章：绪论在现代社会，许多决策问题都涉及到多个目标，例如制造业中的成本降低与质量提高之间的平衡、城市规划中的经济发展与环境保护之间的协调等。
同时，这些决策问题也面临着诸多的不确定性，例如生产过程中设备的故障率、市场需求量的波动等。
因此，如何有效地解决多目标优化问题是当前研究的热点之一。
为此，本文将基于模糊系统，提出一种解决多目标优化问题的方案。
第二章：模糊系统2.1 模糊集合和隶属函数模糊集合是一种在数学上描述不确定性的工具。
它与传统集合不同之处在于，它不仅可以描述一个元素完全属于一个集合，还可以描述一个元素在一定程度上属于一个集合。
这种描述是通过隶属函数来实现的，这个函数将元素映射到一个[0,1]的实数上，表示这个元素在集合中的隶属程度。
2.2 模糊逻辑运算模糊逻辑运算是对模糊集合进行的运算，主要包括并、交、补、模糊等等。
这些运算在模糊推理中起着重要的作用。
2.3 模糊推理模糊推理是根据模糊规则进行的推理过程，主要包括模糊规则的表示、模糊规则的推导以及推理的结果等等。
第三章：多目标优化问题3.1 多目标优化问题的定义多目标优化问题是指在有多个决策目标的情况下，寻找一组最优的决策变量值，使得所有目标都能得到最好的满意程度。
多目标优化问题的解决往往需要考虑到多种因素的影响，并且这些因素之间可能存在一定的矛盾和冲突。
3.2 多目标优化问题的求解方法在多目标优化问题的求解中，主要有传统的加权法、最小二乘法、灰色关联法等方法。
然而，这些方法都不能很好地解决多目标优化问题中的矛盾和冲突，因此，需要采用更加先进的方法来解决这些问题。
第四章：基于模糊系统的多目标优化问题解决方案4.1 隶属函数的建立在解决多目标优化问题中，需要将每个变量的每个取值都表示成一个模糊集合，并且需要为每个模糊集合建立相应的隶属函数。
4.2 模糊规则的构建在模糊推理中，模糊规则是非常重要的组成部分。
基于模糊逻辑的路径规划算法研究
基于模糊逻辑的路径规划算法研究在机器人领域中，路径规划(PF)是一个受欢迎的研究方向。
路径规划指的是机器人在已知环境中寻找到达目标位置的最佳路径的过程。
本文将介绍一种利用模糊逻辑的路径规划算法。
一、路径规划的现有算法目前，路径规划算法主要有以下三种：1. 全局路径规划全局路径规划算法是在已知环境中，建立地图进行规划。
其主要缺陷在于无法有效处理实时环境中的动态障碍。
2. 局部路径规划局部路径规划算法则是在机器人当前位置的周围环境中进行规划。
这种算法处理实时环境中的动态障碍有显著优势。
3. 近似最优算法近似最优算法指的是在保持最小距离的前提下，以最短路径为目标进行规划。
在需要大规模机器人操作时，近似最优算法表现最佳。
二、基于模糊逻辑的路径规划在现有路径规划算法中，大多采用二值逻辑进行处理，即障碍物或无障碍物。
然而，实际情况中，环境障碍物并不会局限于0或1。
这就意味着我们需要一种能够处理模糊信息的算法，这正是模糊逻辑应用的场景。
模糊逻辑是对现实语言模糊性的一种表示方式。
模糊逻辑中，一个值可以属于某个集合的一部分，而不只是0或1中的一个。
例如，机器人离障碍物5英尺远，我们可以认为机器人不在障碍物附近，而且也不处于安全区域。
在这种情况下，二值系统的结果往往不准确。
在模糊逻辑中，人们可以将距离划分为最近、近、远、最远四个范围。
这些范围的交集就是结论。
这种方式的优势在于增加了吞吐量，从而使得机器可以在不丢失重要数据的情况下更好地运行。
三、基于模糊逻辑的路径规划的例子考虑机器人要从起点到达目标点的路径规划问题。
使用模糊逻辑处理路径规划问题，可以得到以下规则：1. 如果目标点在机器人前方且有足够的空间，则向前移动；2. 如果目标点在机器人后方，则原地旋转并调整方向，然后向前移动；3. 如果机器人左侧有足够的空间，则向左移动；4. 如果机器人右侧有足够的空间，则向右移动。
这些规则表示了任务的目标和操作之间的映射。
在模糊逻辑的帮助下，可以使用上述规则生成控制信号，使得机器人可以精确地控制其路径。
基于模糊相似优先比的软基沉降预测方法
摘 要： 运用模糊相似优先的概念， 构造了一个高速公路软基最终沉降预测的模型。对每一个影响软
基沉降的 因素 ， 分别建立 了软基 目 标范例与源范例之 间的模糊 相似 优先关 系。经 过影 响因素 之间的 两 两 比较 ， 获得不同的影响 因素下软基的 目 标范例与源范例之 间的相似性序列 ， 计算得到软基 目标范例 和 源范例之 间的综合相似 性序列 ， 从而找到与软基 目 范例最相 似的源 范例 ， 标 实现 了软基最 终沉 降预测 。 实例评价结果 与实际沉 降观测结果一致。 关键词 ： 软基 ； 最终沉 降 ； 模糊相似优先 比； 范例推理 ； 预测
在软弱土上修筑高速公路 ， 有两个技术问题需 要解 决 ： 一是 施 工期 稳 定 控 制， 二是 工 后沉 降控 制 ２。其中工后沉 降控制 问题是 影响建成后路 面 质量 、 行车速度、 使用寿命等的关键性 问题。通过最 终沉降量计算可以预测地基在设计路堤高度下的工 后沉降量及计划施工填土高度 。常用的计算地基沉
Ｙ ａ － ｎ ， ＨＡ ｏ ｇｇ ｎ ２ Ｅ Ｗ ｎｊ １ Ｚ ＮＧ Ｙ ｎ －ａ ｇ ｕ
（ ｐ ｒｍｅｔ ｆｇｏ ｇｃｌ＆ Ｅ ｖｒｎ ｎａ ｎ ｎｅｉｇ， ｉ ａ ｎｖｒｉ Ｄｅａｔ ｎ ｅｌ ｉ ｏ ｏ ａ ｎ ｉ ｍｅｔｌ ｇ ｅｒ ｏ Ｅｉ ｎ Ｘ ’ｎ Ｕ ｉｅｓｙｏ ｔ ｆ＆￣ｎｅ＆ Ｔ ｃｎｌ ｙ， ’ｎ， ｅｃ ｅ ｏ ｇ Ｘｉａ ｈ ｏ
Ｖｌ． ． ０ ５Ｎｏ ３ １ Ｓ ｐ ． ２０ ７ ｅｔ， ０
基 于模 糊 相似 优 先 比的软 基 沉 降预 测 方 法
叶万军 张永 刚２ ，
（ 安科 技大学地质与环境工程 系 ， 西 陕西 西安 ７０５ ； ． １０４ ２陕西省高速公路建设集 团公司 ， 陕西 西安 ７０６ ） １０８
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第24卷 第4期2007年4月公 路 交 通 科 技Journal of Highway and Transportation Research and DevelopmentVol 124 No 14 Apr 12007文章编号:1002O 0268(2007)04O 0126O 03收稿日期:2005O 11O 03基金项目:国家自然科学基金资助项目(70673016);中国博士后科研基金资助项目(20060390225)作者简介:安实(1968-),男,河北丰润人,教授,博士生导师,从事交通规划与管理、交通经济学等方向的科研工作1(xbl7586@tom 1com)基于模糊优先关系的路径选择模型安 实1,2,谢秉磊1(11哈尔滨工业大学 深圳研究生院,广东 深圳 518055;21哈尔滨工业大学 交通科学与工程学院,黑龙江 哈尔滨 150001)摘要:模糊现象客观地存在于路径选择过程,本文考虑到路径之间的模糊优先关系,在模糊用户均衡条件的假设下,提出了一种新的路径选择模型。
首先采用均值面积度量法度量路径的感知阻抗找到具有最小感知阻抗的路径,并通过优势检测产生出行者备选路径集合;然后在构造模糊优先关系矩阵的基础上计算备选路径的优先度,由此得到路径被选择的可能性。
该模型可看作是Logit 模型的一般化,并且在路径感知阻抗难以用模糊变量描述的情况下,仍能通过两两比较路径的优先关系计算各条路径被选择的可能性。
关键词:交通工程;路径选择模型;模糊优先关系;出行行为中图分类号:U491 文献标识码:APath Choice Model Based on Fuzzy Priority RelationAN Shi 1,2,XIE Bing O lei1(11Shenzhen Graduate School,Harbin Institu te of Technology,Guangdong Shenzhen 518055,China;21School of Science and Engineering on Communication,Harbin Institute of Technology,Heilongjiang Harbin 150001,China)Abstract :Fuzzy phenomena often occur in the process of travel decision O making 1Based on fuzzy priori ty relation bet ween paths,a new route choice model is provided under assu mption of fuzzy user equilibrium 1Firstly,after the route with minimal perceived i mpedance is obtained wi th mean area method,a choice set of paths is produced by dominance check 1Based on the fuzzy priority relati on array,priority values of the choice paths are computed,and the choice possi bilities of paths can be obtained 1The model can be viewed as a generalization of classical Logi t model 1Where perceived impedance of path is di fficult to be described with fuzzy variable,the choice possibility of every path can be obtained by comparing priori ty relation between a pair of paths with the model 1Key words :traffic engineering;route choice model;fuzzy pri ority relation;travel behavior0 引言在交通规划与管理中,路径选择模型是研究交通分配的有力工具,得到人们的重视,并产生了一些重要的成果。
在出行者能够精确感知每条路径阻抗的前提下,阻抗最小的路径成为出行者的必然选择,在这样的假设条件下产生了/全有全无0分配模型[1]。
但在现实中,出行者不可能获得所有关于交通网络的精确信息,因此出行者并不总是选择阻抗最小的路径,而是根据一定的概率选择路径,在这种情况下研究交通分配问题通常采用随机选择模型,如Logit 模型和Probit 模型。
由于人类思维的复杂性和语言描述的不确定性,模糊现象大量存在于现实世界,同时也不可避免地出现在交通决策当中。
目前已经有些学者运用模糊集理论研究交通分配问题,根据所能掌握的资料,Teodor -ovic 和Kikuchi 最早采用模糊逻辑建立路径选择模型,他们用模糊推理技术分析了出行者在仅有两条路径的简单路网上的路径选择行为[1]。
Lotan 基于近似推理和模糊控制的方法建立了信息可更新的路径选择模型[2]。
Wang 和Liao 研究了具有模糊N O A 关联矩阵的交通分配问题[3],C hang 和Chen 采用变分不等式技术研究了模糊用户最优的路径选择问题[4],Henn 考虑到动态选择过程的不精确性,提出一个路径选择模型[5]。
上述的研究通常假设出行者所感知到的阻抗是模糊数,比如可以用/大约行驶30min 0、/花费10至20元0等来描述。
但是在现实中,不仅出行者所感知到的路径阻抗是模糊的,而且路径之间的优劣关系也是模糊的,比如一个OD 对间有2条不同路径A 和B,对某出行者来说,路径A 的感知出行时间大约是55min,而路径B 的感知出行时间大约是60min,那么该出行者可能会认为路径A 优于路径B,也可能会认为这2条路径差不多一样好,但是也不排除认为路径B 优于路径A 的可能。
出行者对路径间这种优劣关系的主观评价,对其路径选择具有很重要的影响,就所能掌握的资料,还没有见到这方面的研究。
鉴于此,本文将基于路径选择过程中出现的这种模糊因素,构造一个新的路径选择模型。
1 模糊感知阻抗和模糊用户均衡条件111 模糊感知阻抗不妨假定出行者将路段a 的感知阻抗描述为三角形模糊数t a =(t la ,t ma ,t ua ),其中t ma 是t a 的核,t la 和t ua 为t a 的上界值和下界值。
不同出行者的个性差异明显,对同一事物有着不同的经验、体验和感受,他们所感知到的阻抗往往也是不同的。
为了反映这一特点,设置两个参数A 和B (A ,B \0),令t la =t ma (1-A ),t ua =t ma (1+B )。
如果出行者的出行经验丰富,对交通网络的熟悉程度较高,那么A 和B 较小,甚至可能为0(这时的感知阻抗就成了精确值);如果出行者的出行经验少,对交通网络的熟悉程度较低,那么A 和B 较大。
图1 不同路段的感知阻抗Fig 11 Perceived impedance of differen t road sections如图1,出行者对路段1的熟悉程度明显高于对路段2的熟悉程度。
如果出行者较乐观,那么A \B ;如果出行者较悲观,那么A [B ;如果出行者对风险的态度中立,那么A =B 。
如图2,出行者1较乐观,出行者2的态度中立,而出行者3较悲观。
图2 偏好不同出行者的感知阻抗Fig 12 Impedance perceived by travelers withdifferent preference如果将路段与路径之间的关系考虑为线性的,那么OD 对r y s 间任一条路径k I #r ,s (#r ,s 为r y s 间的所有路径集合)的感知阻抗u r ,sk 也是三角形模糊数,即u r ,s k =t a D r ,sa ,k ,(1)其中,D r ,sa ,k 为路径O 路段关系变量。
112 模糊用户均衡条件考虑到人类思维的复杂性和语言描述的模糊性特点,这里给出了一个模糊用户均衡(FUE)条件,它是构造基于模糊关系路径选择模型的基础。
FUE 条件:在均衡点,出行者认为依靠其单方面改变路径的决策会降低其出行阻抗是不太可能的。
也就是在均衡点,对于任何一条路径i I #r ,s ,都有C j I#r ,s且j X iR {i 9j }<R ,(2)其中,9表示模糊关系/优于0,R {i 9j }表示路径i 优于路径j 的隶属度,而R I (0,1]表示出行者愿意改变其路径的最小可能性,换句话说,R 就是出行者愿意改变其路径决策的心理底线。
如果将感知阻抗精确化,此时R =1,并以确定关系/[0来代替模糊关系/90,很容易理解,FUE 条件等同于UE 条件,因此F UE 条件比UE 条件更具有一般性,也可以说UE 条件是FUE 条件的特殊情况。
2 路径选择模型211 构造备选路径集合任一OD 对间可能存在大量路径,由于经验和精力的限制,出行者不可能对所有这些路径进行比较评价,而是通过比较其中相对较好的少量路径做出路径选择决策。
因此为了使路径选择模型更符合人类的决策行为,可构造出行者的备选路径集合。
类似于Mario127第4期 安 实,等:基于模糊优先关系的路径选择模型和Marco所提出方法[6],首先找到OD对间具有最小感知阻抗的路径,然后通过优势检测,得到其余备选的路径。
本文采用均值面积度量法[7]度量OD对间各路径的感知阻抗,可以找到具有最小感知阻抗的路径。
对于任意K I[0,1],模糊数m的K截集m K=[m l(K),m u (K)],记p(m K)=(m l(K)+m u(K))P2,定义S(m)= Q h m0p(m K)d K为模糊数m的均值面积,其中h m为m的高度。
对于三角形模糊数m=(l,m,u),其均值面积为S(m)=(l+2m+u)P4。
采用该方法,可以容易地获得具有最小感知阻抗的路径k*,且其感知阻抗为u r,s k*。
为了构造任一OD对间的备选路径集合,可通过优势检验选择备选路径,也就是对于OD对r y s间任一条路径k I#r,s,如果u r,s k的下界不低于最小感知阻抗u r,s k*的上界,那么将该路径放入备选路径集合中,从而形成备选路径集合H r,s。
212计算路径的交通分担率对于备选路径集合H r,s中的任意2条路径i和j,定义路径i/90路径j这一模糊关系的隶属度函数R(i,j)={1+exp H[S(u r,s i)-S(u r,s j)]}-1,(3)其中,H为一常数,起到将阻抗转换成效用的作用。