基于遗传算法的公交车辆智能排班研究
基于智能算法的汽车排班管理技术研究
基于智能算法的汽车排班管理技术研究智能算法在现代技术中的应用广泛，其中一项重要的应用就是智能算法在汽车排班管理中的应用。
随着城市化进程的不断发展，汽车已经成为人们出行的必需品，而如何合理安排车辆的排班问题就成为了一项重要的管理任务。
本文将从智能算法入手，研究基于智能算法的汽车排班管理技术，以期为企业提供参考。
一、智能算法基础智能算法是人工智能、计算机科学、数学、工程学等多个学科的交叉学科，它的研究方向主要是如何解决问题。
智能算法分为许多不同类型，包括遗传算法、模拟退火算法、神经网络算法等。
在汽车排班管理领域，遗传算法是一种非常常见的智能算法。
遗传算法是一种启发式算法，它的思路是将每个解看成一个个体，然后通过交叉、变异等操作从中产生一个更优的个体。
二、智能算法在汽车排班管理中的应用1. 首先，在安排车辆排班时，智能算法能够减少人工排班的时间和繁琐程度。
人工排班必须考虑的因素很多，例如司机的驾驶时间、所需车型、线路等因素，这些因素又相互制约，难以在有限的时间内制定出一个足够完善的排班方案。
而利用智能算法的优化算法，相当部分的方案都得到了精确而高质量的处理，可以大大减少人工排班的时间，提高排班质量，缩短排班周期。
2. 智能算法还能够帮助管理人员更好地评估每个司机的表现和产生更好的激励措施。
在人工排班过程中，许多因素都会影响司机的表现，例如时间、车辆、线路、司机的疲劳情况等多方面的因素。
通过智能算法，可以提高排班的策略性考量，进一步提高对每个司机的评估能力，根据优秀表现的司机进行奖励，调整排班方案，鼓励有良好工作表现的司机，全力提高公司业绩。
3. 智能算法还能很好地提高企业的服务质量。
在汽车排班管理中，智能算法可以考虑各种情况下的总行程量，从而制定出合理、高效、优质的车辆排班计划，使得客户及时到达目的地，同时增强企业在市场竞争中的优质形象。
三、智能算法在汽车排班管理中的研究方向虽然智能算法已经被成功应用于汽车排班管理，但在实际应用中，还需进一步完善算法，并习得更多适应的数据。
基于遗传算法的排班优化技术研究
基于遗传算法的排班优化技术研究随着社会的不断进步和科技的快速发展，越来越多的企业和组织开始关注人力资源管理。
其中，排班管理是一项非常重要的工作，尤其是对于一些需要24小时连续运转的企业来说，如医院、公交公司等。
好的排班工作不仅可以提高员工的工作效率和生产效率，还可以提高员工的工作满意度和企业的整体经济效益。
因此，基于遗传算法的排班优化技术也成为了当前非常流行的研究方向。
一、遗传算法介绍遗传算法（Genetic Algorithm）是一种基于进化论的随机搜索算法，其主要基于模拟自然遗传机制来寻找最优解。
遗传算法的核心思想是适者生存，不适者淘汰，将优秀的基因保留下来，淘汰掉不适应环境的基因，通过自然选择，从而逐步找到最优解。
遗传算法的研究发展至今已非常成熟，可以应用于复杂的优化问题。
二、排班优化的问题与挑战排班优化是一项复杂而困难的问题，它不仅要充分考虑企业的生产、服务和管理需求，还要考虑员工的个人需求和意愿。
排班优化的目标是尽量满足企业的需求和员工的需求，实现人力资源最大的优化。
然而，排班优化中存在的问题与挑战主要包括以下几个方面：1、环境变量多、条件复杂。
排班做好需要考虑众多的变量，有温度、湿度、氧气含量等环境因素，也有员工健康状态、工作生活要求等多种条件因素，使得排班优化问题变得十分复杂。
2、排班周期长、时间限制严。
排班是一项长期且需要准时完成的重要工作，如果每次都是手动制定排班计划，不仅耗费时间精力，而且难以保证规则的科学、合理性和效率。
3、排班规则复杂、决策难度大。
排班工作不仅需要考虑员工的生理、心理和能力分布，还需要根据不同的岗位、工作类型、工作条件进行安排，确保员工在工作效率和身体健康之间达到平衡。
三、遗传算法在排班优化中的应用考虑到传统的排班方法存在的问题和挑战，越来越多的企业和研究机构开始推动基于遗传算法的排班优化技术的应用。
遗传算法利用自然选择和遗传操作的机制，可以大大提高优化算法的精度和效率。
基于遗传算法的突发公交智能调度算法
文章编号：1007-757X(2020)07-0078-03基于遗传算法的突发公交智能调度算法徐晨畅！钱松荣(复旦大学信息科学与工程学院，上海200433)摘要：公交车是城市交通的重要工具，为了优化乘客等车时间，同时使额外成本保持在可以接受的范围内，提出一种应对突发交通状况的公交智能调度算法，在突发状况下派遣公交车支援合适站点。
通过结合实际场景设计调度方案，给出方案的数学模型和优化问题，基于遗传算法，求解出合适的公交车支援方案。
采用某地的实际道路交通和公交数据，对算法进行了仿真，结果表明，提出的算法能够有效的给出公交调度建议。
关键词：公交调度；智能调度；遗传算法中图分类号：TP311文献标志码：AIntelligent Bus Dispatch Algorithm for Emergency Based on Genetic AlgorithmXU Chenchang,QIAN Songrong(School of Information Science and Technology,Fudan University,Shanghai200433,China)Abstract:Bus is one of the most important vehicles of city transportation.In order to reduce the waiting time of the passengers and make extra cost controlable for the bus company,an intelligent bus dispatch algorithm for emergency is proposed.It designs a new mathematical model to describe the dispatch problem and provides a method based on Genetic Algorithm to calculate the best dispatch scheme.With the real transportation data of a certain city,the algorithm is proved to be effective in simula-tion.Key words:bus dispatch；intelligent dispatch；genetic algorithm0引言随着城市的快速发展，城市交通需求越来越密集，越来用公通出行。
基于遗传算法的社区公交线路优化研究
基于遗传算法的社区公交线路优化研究马壮,光辰宸(安徽国防科技职业学院经贸管理学院,安徽六安237000)摘要:以公交站点的服务面积最大和行程时间最小为目标函数,建立理论最优线路优化模型㊂基于站点的线网优化能很好地保证站点的覆盖率,在获得站点流量的基础上,利用遗传算法进行社区公交线路的优化㊂综合分析了社区公交预测客流量㊁人口分布特点㊁优选社区公交站点,并以大连市七贤岭街区为例,利用遗传算法优化了社区公交线路,根据预测及实际路网特点,对社区公交线路进行了调整㊂关键词:公共交通;线路优化;遗传算法;社区公交中图分类号:U491.1+7文献标识码:A 文章编号:1007 6921(2023)07 0102 05社区公交的应用是为了满足城市郊区及卫星城等区域居民 最后一公里 出行需求,完善城市公共交通系统㊂对社区公交线路优化布设,可以填补常规公交和轨道交通不能覆盖的区域,使城市综合公共交通系统服务于更多的城市居民,提高城市居民采用公共交通出行的比例,落实公交优先的理念㊂G u i h a i r e等(2008)指出P a t z在1925年的研究可能是最早在交通网络规划中使用启发式算法,提出使用惩罚项,并用迭代的方法来求解线路网㊂熊杰等(2014)关于社区公交接驳地铁路径优化研究中,在路网情况确定的情况下,先从路段入手标定其需求潜力值,结合乘客出行时间及线路约束条件,以路线需求潜力最大为目标函数建立了求解一条社区公交线路的数学模型㊂王鑫(2014)以实现协调社区公交接运轨道交通之间的效率为目标,着重讨论社区公交线路布设及优化,并总结分析其营运状况,对社区公交线路布设影响因素㊁运营组织方法㊁接运轨道交通线路形式等方面进行定性分析㊂1社区公交站点选取1.1社区公交站点选取原则社区公交站点主要服务于城市郊区和卫星城区域住宅区居民通勤出行和日常活动,为了填补常规公交没有覆盖区域及新建社区居民的出行需求,优选站点的确定不应完全取消出行量较低的站点㊂社区公交相较于常规公交,采用车型较小,也意味着社区公交对停车场要求不高,即社区公交站点可以灵活选择站点位置㊂笔者研究的社区公交线路需要接运轨道交通,遍历区域内所有的现有站点和新设站点㊂①根据乘客需求设站㊂社区公交站点优选是需求导向,为了解决社区居民区域内短距离出行问题,选择居民社区㊁医院学校和购物中心等地点设置站点,站点设置要考虑居民步行至公交站点的距离不能过远㊂②在区域轨道交通站点附近设站㊂可以满足跨区域出行的需求,同样充分发挥接运轨道交通的社区公交疏散轨道交通大客流的作用㊂③利用现有站点设站㊂充分利用区域内现有公交站点作为社区公交线路的站点,可以控制基础设施建设成本,也可避免新设站点给居民乘坐公交带来的不便,保证社区公交线路优化后对居民的服务水平㊂1.2社区公交站点生成路径图1社区公交站点优选流程2023年4月内蒙古科技与经济A p r i l2023 7521I n n e r M o n g o l i a S c i e n c e T e c h n o l o g y&E c o n o m y N o.7T o t a l N o.521收稿日期:2023-01-20基金项目:安徽省高校省级自然科学重点研究项目(K J2021A1502)㊂作者简介:马壮(1991 ),男,助教,主要研究方向:城市轨道交通㊂根据以上原理,本研究考虑3个因素来确定社区公交站点:研究区域现有的公交站点㊁基于可达性的社区公交客流预测值㊁公交站点500m覆盖范围不能覆盖的新建社区㊂综合这3个方面,再重新定位以进行站点选择和优化配置㊂2基于遗传算法的社区公交线路优化模型2.1模型假设假设研究区域确定,现有的公交站位置㊁车型大小已知;假设各公交站点乘客需求量采用预测潜在出行量,该数据可以通过可达性模型获得;假设各站点之间行驶时间已知,区域内社区公交车辆保持同一速度,不考虑影响速度的外界因素;居民跨区域出行,采用社区公交接运轨道交通的方式;区域内居民短距离出行,居民出行起讫点可以是任意公交站点㊂总之,社区公交线路必须衔接轨道交通站点㊂2.2多目标最优化模型构建2.2.1构建多目标最优化模型㊂线路服务的区域内乘客量最大化㊂当乘客在公交站点服务范围内时,乘客出行需求就被线路服务所覆盖㊂即:m a x Z1=ðjɪN P j=ðiɪnðiɪn(p iˑt i)(1)式中:p i统计单元i的人口数量值,t i公交出行比率㊂行程时间最小化可以由社区公交线路运营长度和时间得到其运营成本㊂基于公交车辆运行速度一定,故此处另一个目标函数采用社区公交的运行时间最小化㊂即:m i n Z2=ðk l=1ðn-1j=1T(j x+1,j x)+(n l-1)t0(2)式中:T(j x+1,j x)是j x+1和j x之间的公交出行时间;k是区域内社区公交线路数量;t0是站点停车时间,标定t0=30s㊂2.2.2线路长度约束㊂超出线路长度限制会制约社区公交作用降低㊂在社区公交线路布设要求下,线路最长可以达到8k m,最短可以是6k m㊂L=ðj=n D(j x+1,j x)ȡL m i n(3)L=ðj=n D(j x+1,j x)ɤL m a x(4)式中:L表示线路的总长度;L m a x为最大线路长度,L m i n为最小线路长度㊂2.2.3线路控制点约束㊂根据社区公交站点分类,a类站点是现状存在站,b类站点是增设站,c类站点是轨道交通站,3类都是社区公交线路必须连接站㊂所以其站点集合把3类站点全部包括在内㊂j a,j b,j cɪJ(5)式中:j a为a类站点j b为b类站点;j c为c类站点;J为接运公交线路经过的站点集合㊂2.3社区公交接运优化模型的遗传算法设计2.3.1遗传算法模型预处理㊂对于多目标规划模型,笔者基于遗传算法优化社区公交线路,在站点优选中,将研究区域内现有公交站点㊁轨道交通站点及站点未覆盖的新建社区设置新站都进行编码,实现全覆盖目标㊂在遗传算法中以轨道交通站点为终点迭代实现两辆社区公交的最短距离线路,即实现覆盖区域范围内居民量最大,行程总时间最少㊂在适应性函数中,加入单条社区公交距离限制,使其行驶距离处于合理范围之内㊂而全站点约束则在站点优选中实现㊂总之,本遗传算法设计可以归于多旅行商非一起点同一终点的T S P问题㊂2.3.2编码方案㊂笔者采用常用的编码方式中二进制编码和整数(或自然数)编码的后者自然数编码㊂假设研究区域内只有一个轨道交通站点,连接两条接运社区公交线路,将区域内现有公交站点和新增站点用相应字符串编码,两个染色体的编码内容可以包括两类公交站点和轨道交通站点㊂本方法把接运轨道交通站点当作开始点㊂2.3.3建立适应度函数㊂通过生物遗传学所说染色体基因遗传优秀的给子代要适应力强,即是适应度,我们利用此决定染色体遗传是否优秀㊂结合本文多目标模型公式随机产生染色体,并判定接运轨道交通站的社区公交线路是否优秀㊂而其需要有两个条件决定:第一是约束条件的限制;第二是遍历区域内所有站点和车辆运行里程多少㊂进一步解释就是个体包括的所有站点覆盖范围最大和公交运行里程最低㊂也就是染色体可以遗传给子代优秀的基因,在遗传操作中不会被淘汰㊂在实际计算中可以采用罚函数调整适应度函数的偏差㊂2.3.4遗传操作㊂遗传算法模型计算的设计是符合生物遗传学的规律,经过选择㊁交叉和变异操作3个步骤㊂在遗传算法实质过程之前准备工作有染色马壮,等㊃基于遗传算法的社区公交线路优化研究2023年第7期体编码,适应性函数准备㊂在进入遗传操作的选择㊁交叉及变异环节中,结合编码规律要求,进行遗传操作规则编制㊂也就是说不仅要满足染色体的规定,遗传环节也要合乎情理㊂此外,算法目的是获得优化解,适应性函数标定提高遗传算法的解快速向最优解前进㊂3实例分析3.1社区公交站点优选图2七贤岭基础道路网七贤岭街区社区公交覆盖范围内已有的社区公交线2条,都和轨道交通站点形成无缝结合,社区公交连接公交站点20处㊂其中社区公交801路为环线,分为801上环和801下环;社区公交802路为非环线,分上下行,部分站点分别在上下行连接㊂见图3㊂综合覆盖率㊁用地开发的情况适宜新增设的公交站点,形成备选站点集,如图3所示:a类站点原社区公交连接的19个,b类站点原只有常规公交连接的5个,c类站点新设2个㊂三丰集团站是为方便其他常规公交而设立的,社区公交801路连接的站点三丰集团站距离其过近,所以取消三丰集团站㊂由于覆盖原站点东南方向的住宅区,原大连公安交警基地站点调整到七贤东路与七贤南路交叉口,为覆盖区域内东北方的万达海公馆住宅区,新设万达海公馆站㊂这3类为此次设置接运公交线路中务必要连成一体的站点㊂考虑公交站㊁轨道交通站点之间的空间布局关系和覆盖区域大小,应该设置2条线路,连接所有优选社区的公交站点,见表1,G I S 空间分析中算出所有站点的空间坐标,获取所有站点间最短路距离㊂图3社区公交现状表1站点坐标编号连接线路X坐标Y坐标站名180113527876.144701968.269高能街广场280113527565.264702153.477高能街380113527578.494702318.842名仕智慧谷480113527736.394702764.683学子街580113528319.324702365.144敬贤街6801&80213528874.954702027.800万达广场7801&80213528448.354701322.233高新园区8801&80213528170.414700874.819华信软件大厦980113527750.124700603.659中国华录10801&80213527323.044699796.958七贤岭1180213526828.174699261.418河口12其他线路13526455.334700264.709河口软件园1380113526862.074700318.941任贤街编号连接线路X坐标Y坐标站名14其他线路13526427.554700863.631希贤街15其他线路13526334.944701220.819中铁诺德花园16其他线路13525898.384701141.444海创半山花园17其他线路13527062.554700823.943爱贤街1880113527267.604701154.673九成投资集团1980113527247.764701531.705广贤路2080113527211.644701940.401三丰集团1 2180113527198.504702384.681云计算中心2280213529160.154701410.360未名山23新设13528525.564700475.270招商兰溪谷2480213527838.244700352.836广贤路2 25802取消13527621.314699607.147瑞丰园26新设13529665.554700931.355万达海公馆总第521期内蒙古科技与经济3.2社区公交线路布设考虑公交站㊁轨道交通站点之间的空间布局关系和覆盖区域大小,应该设置2条线路,连接所有优选社区的公交站点㊂G I S空间分析中算出所有站点的空间坐标,获取所有站点间最短路距离㊂运用前文中既定遗传算法进行求解,交叉率和变异率分别为0.4和0.1㊂初始种群在备选线路中随机集结,大致为80,种群的最大代数为5000㊂从得到的最新一代染色体中选中一个行程时间略小同时站点覆盖当地人口和工作岗位数量较大的当作接运公交线路布局方案㊂线路走向如图3和图4所示,遗传算法种群在经历5000代的更迭后,实现模型最优解㊂最短距离是13959.6652m,覆盖所有优选站点㊂输出站点编号:线路1是7-8-9-17-18-19-20-21-4-3-2-1-5-6-22-26;线路2连接的是7-23-24-25-10-11-13-12-14-15-16㊂图4 M a t l a b 线路优化结果图5 M a t l a b迭代次数3.3优化后社区公交线路对比分析对完善后的社区公交线路进行对比分析是确定其合理性之重要步骤㊂笔者根据对实例中2条社区公交线路的站点现状和优化后的站点及线路情况进行对比分析,在线路变化后,站点服务区居民的出行量保持不变,则公交线路便可覆盖更多的居民,优化后的社区公交可能吸引客流量会有显著增加,在此设定的情况下,证明本文所述的社区公交站点规划手段的合理性㊂由图6可见,优化后两条社区公交线路都以接运轨道交通站点的高新区公交站为起点㊂线路1为粗线,运行单程距离8694m,线路2为细线,单程距离为8954m㊂两线路上下行总运行长度为35296m㊂但是在遗传算法中计算的是站点之间的直线距离,实际状况与预测结果有一定误差㊂在实际线路中,社区公交出现部分路中掉头的情况,所以在此情况下,基于实际社区公交运行线路和预测运行线路,提出2种调整方案㊂图6优化路线实际路网标示调整方案一:线路1调整连接站点顺序,7-8-9-17-18-19-20-21-2-1-2-3-4-5-6-22-26,单程距离8437.7m㊂线路2是下行线路7-23-24-25-11-12-14-15-16;上行线路16-15-14-12-13-10-9-8-7㊂上下行总距离13002.5m㊂所以方案一总距离为29877.9m,见图7㊂图7调整方案一调整方案二:线路1调整为环线,线路为1-2-3-4-5-6-7-8-9-17-18-19-20-21-2-1㊂单程距离7839.6m㊂马壮,等㊃基于遗传算法的社区公交线路优化研究2023年第7期图8 调整方案二线路2是下行线路26-22-23-24-25-11-12-14-15-16;下行距离8948m ㊂上行线路16-15-14-12-13-10-9-7-22-26㊂上行距离7201.6m ㊂所以方案二总距离为31828.8m ,见图8㊂调整方案一仅依据优化方案消除回头路,使社区公交线路运行合理;而调整方案二则更多地贴近实际运行线路,维持801路环线设置㊁802路上下行线路差异化的特点,使其只有上行接运轨道交通㊂并且两个方案都会形成站点重叠的情况㊂表2 方案对比优化线路方案调整方案一调整方案二线路形式2条单线1条单线,一条部分环线1条环线,一条部分环线运行里程/m 3386629947.331828.8线路重叠重叠1站重叠3站重叠3站是否接运轨道交通站点起㊁终点接运起终点接运801路途中接运,802路上行接运调整依据仅消除回头路依据实际,801路调整为环线,802路为非环线通过优化方案及调整方案可以看出,各方案的客流量均在合理的范围内㊂优化调整后的线路方案中,在没有增加运营线路的情况下,运行距离处于合理增加范围,社区公交运行距离都在9k m 以内,连接区域内所有公交站点,服务更大范围,降低全区域居民步行出行距离㊂因此,文中所表述的社区公交线路的完善方法是较为合理的㊂4 结论与展望由于现今城市公共交通规划线路发展不平衡,过于重视常规公交和轨道交通建设,在城市主要干路二者重复布置,而在支路的公交发展缓慢㊂为解决居民 最后一公里 出行难的突出问题,本文以公交站点的服务面积最大和行程时间最小为目标函数,建立了理论最优线路优化模型㊂基于站点的线网优化能很好地保证站点的覆盖率,以大连市七贤岭街区为例,利用遗传算法进行轨道线网和社区公交线路的优化,并根据预测及实际路网特点,调整社区公交线路㊂优化仅保证站点坐标,站点之间的距离是由直线距离标定的,造成优化结果有较大的回头路情况产生㊂在未来研究中需根据道路网特点优化站点空间关系,以使线路的优化更有效率㊂[参考文献][1] 吴醒.接驳城市轨道交通的微循环公交线路布设方法研究[D ].北京:北京交通大学,2017.[2] G u i h a i r e V ,H a o J K.T r a n s i t n e t w o r k d e s i gn a n d s c h e d u l i n g:A g l o b a l r e v i e w [J ].T r a n s -p o r t a t i o n R e s e a r c h P a r t A :P o l i c y an d P r a c -t i c e ,2008,42(10):1251-1273.[3] 熊杰,关伟,黄爱玲.社区公交接驳地铁路径优化研究[J ].交通运输系统工程与信息,2014,14(1):166-173.[4] 王鑫.北京社区公交接驳地铁运营模式研究[D ].北京:北京交通大学,2014.[5] 宋瑞,刘志谦.轨道交通系统接运公交线路生成的启发式算法[J ].吉林大学学报(工学版),2011(5):1234-1239.[6] 梁明媛.城市轨道交通背景下卫星城公交接驳优化[D ].成都:西南交通大学,2016.[7] 马壮.接运轨道交通的社区公交客流预测及线路优化研究[D ].大连:大连交通大学,2018.[8] 王港华.基于遗传算法的小规模T S P 问题研究分析[J ].物流工程与管理,2022(3):111-114,29.[9] 赵腾菲,杜鹏.开放式社区下微循环公交线网设计[J ].科学技术与工程,2021(26):11368-11374.[10] 刘晓佳,李子木,卢罗兰.基于双层规划的轨道交通接运公交线路优化模型[J ].上海海事大学学报,2022(3):50-55.总第521期内蒙古科技与经济。
基于免疫遗传算法的公交智能调度算法
基于免疫遗传算法的公交智能调度算法
王忠;曹更新
【期刊名称】《导航》
【年(卷),期】2008(044)003
【摘要】从公交车辆运营调度目前存在的问题出发，运用遗传算法和混合遗传算法对公交车辆静态调度进行了研究。
运用遗传算法的智能化特征，有效地改善了公交车辆的静态调度。
在此基础上综合生物免疫机制等边缘学科的理论，将免疫算法融入到遗传算法当中，构成一种改进的遗传算法，并应用于解决公交调度管理中的优化中，与利用简单遗传算法的计算过程进行了仿真和对比。
应用结果表明，该算法简单、高效、稳定性好，能较好克服传统方法和现有遗传算法的不足，性能得到了显著的提高，获得了满意的效果，提高了公交车辆的运营效率。
【总页数】4页(P23-26)
【作者】王忠;曹更新
【作者单位】四川大学电气信息学院,成都610065
【正文语种】中文
【中图分类】TN967.3
【相关文献】
1.基于免疫遗传算法的公交线网优化研究 [J], 赵胜川;赵建武;林杨
2.基于遗传算法的公交智能排班方法的研究 [J], 陈远
3.基于遗传算法的公交智能排班方法的研究 [J], 陈远
4.基于遗传算法的公交智能调度与优化——以南岳衡山景区为例 [J], 彭蝶飞; 彭懿; 郭啸
5.基于遗传算法的突发公交智能调度算法 [J], 徐晨畅;钱松荣
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法的公交智能调度与优化--以南岳衡山景区为例
运 筹 与 管 理
ＯＰＥＲＡＴＩＯＮＳＲＥＳＥＡＲＣＨ ＡＮＤＭＡＮＡＧＥＭＥＮＴＳＣＩＥＮＣＥ
Ｖｏｌ．２８，Ｎｏ．１１ Ｎｏｖ．２０１９
ቤተ መጻሕፍቲ ባይዱ
基于遗传算法的公交智能调度与优化
———以南岳衡山景区为例
彭蝶飞１， 彭 懿２， 郭 啸２
（１．长沙师范学院 经济管理学院，湖南 长沙 ４１０１００；２．长沙师范学院 数学科学学院，湖南 长沙 ４１０１００）
摘 要：南岳衡山（以下简称南岳）以“外秀于林，内秀于文”驰名中外，作 为 风 景 名 胜 区 近 几 年 游 客 人 数 不 断 攀 升。 本 文 利 用遗传算法对景区内公交线路的调度模型进行求解。首先，根据景区现有的公共交通资源 和 旅 客 的 出 行 规 律，构 建 了 以 旅 游公交营运成本、游客等待成本和游客流失成本三方面优化 目 标 的 模 型；然 后，使 用 线 性 加 权 方 法 实 现 对 旅 客 与 营 运 公 司 双方利益兼顾，进一步完善模型；最后，利用 Ｍａｔｌａｂ对实地调研 数 据 的 车 辆 调 度 方 案 求 解。表 明 该 模 型 改 善 了 南 岳 景 区 旅 游 交 通 ，满 足 游 客 的 合 理 需 求 ，提 升 了 旅 游 公 司 经 营 策 略 ，真 正 成 为 “寿 岳 独 秀 ”的 知 名 品 牌 。 关 键 词 ：南 岳 景 区 ；公 共 交 通 ；出 行 规 律 ；公 交 调 度 ；遗 传 算 法 中 图 分 类 号 ：Ｕ４９２．４ 文 章 标 识 码 ：Ａ 文 章 编 号 ：１００７３２２１（２０１９）１１００３４０５ ｄｏｉ：１０．１２００５／ｏｒｍｓ．２０１９．０２４５
０ 引 言
现 代 旅 游 业 发 展 与 交 通 运 输 密 不 可 分 ，特 别 是 景区交通随着游客人数增加显得尤为重要。国外 关于旅游交通的发展无论是理论技术还是模型构 建做 了 大 量 的 研 究。 Ａｂｅｙｒａｔｎｅ［１］通 过 考 虑 距 离、
遗传算法在智能车辆路径规划中的应用研究
遗传算法在智能车辆路径规划中的应用研究智能车辆是近年来快速发展的一项技术，它利用各种传感器和计算机技术，能够自主感知环境、做出决策并执行行动。
而智能车辆的路径规划是其中至关重要的一环，它决定了车辆如何高效、安全地到达目的地。
遗传算法作为一种优化算法，被广泛应用于智能车辆路径规划中，本文将探讨其在该领域的应用研究。
首先，我们来了解一下遗传算法的基本原理。
遗传算法是一种模拟自然选择和遗传机制的优化算法。
它基于达尔文的进化论原理，通过模拟生物进化的过程，逐步优化问题的解。
遗传算法的基本步骤包括初始化种群、选择操作、交叉操作、变异操作和适应度评估。
通过不断迭代，最终得到问题的最优解。
在智能车辆路径规划中，遗传算法可以用来寻找最佳路径。
首先，我们需要将路径规划问题转化为遗传算法的优化问题。
假设我们的目标是找到一条路径，使得车辆从起点到终点的时间最短。
我们可以将路径表示为一个染色体，染色体上的每个基因代表车辆在每个路口选择的行驶方向。
通过遗传算法的优化过程，我们可以不断迭代地改变基因的排列顺序，以找到最佳路径。
在遗传算法的初始化阶段，我们需要生成一组初始解作为种群。
对于智能车辆路径规划问题，我们可以随机生成一些路径作为初始解。
然后，通过适应度评估函数来评估每个解的优劣程度。
适应度函数可以根据路径的时间、安全性等指标来定义。
评估完所有解的适应度后，我们可以根据适应度的大小选择一些优秀的解作为父代，进行交叉和变异操作。
交叉操作是遗传算法中的重要步骤之一，它模拟了生物进化中的基因交换过程。
在智能车辆路径规划中，交叉操作可以通过交换两条路径的基因片段来产生新的解。
这样可以增加种群的多样性，帮助算法跳出局部最优解，更好地搜索全局最优解。
变异操作是另一个重要步骤，它模拟了生物进化中的基因突变过程。
在智能车辆路径规划中，变异操作可以通过改变染色体中的一个或多个基因来产生新的解。
这样可以引入新的解空间，增加算法的探索能力。
对于公交排班问题的研究
题目 对于公交排班问题的研究摘 要本文针对公交排班问题，建立多元非线性规划模型和改进遗传算法，旨在为公交排班困难的问题提供有效建议。
针对问题一，求徐州2路公交车在早高峰时段运行所需要的最小公交车数量。
发车间隔决定公交车数量，以等车费用、乘客辆、乘车折损费用等为约束条件，建立关于发车间隔的多元非线性规划模型：1611,=()ik ij m i k m nT mink maxc v b δδ==ϒ+∑∑∑∑等 通过0-1规划，得出两个方案：方案一2辆单班车16辆双班车和方案二3辆单班车15辆双班车。
针对问题二，计算徐州市2路公交车完成一天的运行所需要的最少车辆，并完成发车表格。
以问题一求解早高峰运行车辆为例，对全天各个时段运行车辆进行求解，得出最少公交车数量。
以单班车一天不超过五个班次为约束条件，建立非刚性目标规划模型：'123()5p d d p d p d -+++-=使用发车间隔对发车表格进行填写。
进行单班车规划，确定单班车数为2辆，双班车数为18辆，总车数为20辆，发车表格详见附录I 。
针对问题三，求徐州市2路公交车完成一天运行所需要的最少车辆并完成发车表格。
根据单班车的工作性质，建立多元约束模型：41i i iT x y αβδ=+≥∑用Matlab 对单班车数量求解，使用3辆单班车，17辆双班车，总车辆数为20辆，根据发车间隔填表，详见附录II 。
针对问题四，计算完成一整天的运行所需要最少的公交车数量并完成发车表格。
改进遗传算法，应用双种群设计，将算法过程分为两步。
解出单班车数量为3辆，双班车数量为17辆，总车辆数为22辆，根据实际因素和发车间隔填表，详见附录III 。
关键词 多元非线性规划 0-1规划 非刚性目标规划模型 修正遗传算法一、问题背景与重述1.1问题背景随着徐州城市经济的快速发展和人民生活水平的不断提高，城市道路的不断增多容易引起突发客流短时间聚集和消散，对城市公共交通的运营提出了严峻的挑战。
- 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3卷第1期2003年2月交通运输系统工程与信息JournalofTransportationSystemsEngineeringandInformationTechnologyVol13No11February2003
文章编号:100926744(2003)0120041204
基于遗传算法的公交车辆智能排班研究
李跃鹏,安 涛,黄继敏,范跃祖(北京航空航天大学自动化科学与电气工程学院,北京100083)
摘要: 运营车辆智能排班是公交车辆智能调度需要解决的典型问题之一Λ它可以描述为:通过某种智能化的算法,在有限的算法步骤内,找出所有满足约束条件的排班方案中的最优方案或接近最优的方案Λ作者针对公交排班的特点,对遗传算法的各个算子进行了专门化处理并进行了大量的试算Λ结果表明,遗传算法对解决公交车辆排班问题是有效的Λ关键词: 智能排班;遗传算法;公共交通;调度中图分类号: U121;TP18
ResearchOnIntelligentScheduleofPublicTrafficVehiclesBasedOnGeneticAlgorithm
LEEYue2peng,ANTao,HUANGJi2min,FANYue2zu(SchoolofAutomation,BeingUniversityofAeronauticsandAstronautics,Beijing100083,China)
Abstract: Intelligentscheduleoftrafficvehicleisatypicalproblemforpublictrafficvehicle’sintelligentdispatch.Itcanbedescribedasfindingthebestorclosetothebestalternativeamongalltheschedulemethodsthatcanmeettherestrictedconditionwithlimitedcalculationprocessesthroughacertainintelligentarithmetic.TheauthorhasspecialmanagementtoeachoperatoroftheGeneticAlgorithmandmadeagreatdealoftrialsaccordingtopublictrafficschedule’sfea2tures.ResultsshowthattheGeneticAlgorithmiseffectiveforsolvingtheproblemofpublictrafficvehicle’sschedule.Keywords: intelligentschedule;geneticalgorithm;publictraffic;dispatchCLCnumber: U121;TP18
收稿日期:2002210230
李跃鹏:北京航空航天大学自动化学院测控系硕士研究生,主要从事智能交通系统方面的研究.
1 遗传算法概述遗传算法(GeneticAlgorithms,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Λ它最早由美国密执安大学的Holland教授于20世纪60年代提出[1]Λ70年代DeJong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验[2]Λ在一系列研究工作的基础上,80
年代由Goldberg进行归纳总结,形成了遗传算法的基本框架[3]Λ对于一个求函数最大值的优化问题(求函数最小值也类同),一般可以描述为下列数学规划模型:maxf(X)(1)X∈R(2)RΑU(3)式中,X=[x1,x2,…,xn]T为决策变量,f(X)为目标函数,式(2),(3)为约束条件,U是基本空间,R是U的一个子集Ζ满足约束条件的解X称为可行解,集合R表示所有满足约束条件的解所组成的集合,称为可行解集合Ζ遗传算法的基本运算过程如下:1)初始化:设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0)
Ζ
2)个体评价:计算群体P(t)
中各个个体的
适应度Ζ3)选择运算:将选择算子作用于群体Ζ4)交叉运算:将交叉算子作用于群体Ζ5)变异运算:将变异算子作用于群体Ζ群体P(t)经过选择、交叉、变异运算之后得到下一代
群体P(t+1)Ζ6)终止条件判断:若t≤T,则:t←t+1,转到第二步继续运算;若t>T,则以进化过程中所得到的具有最大适应度的个体作为最优解输出,终止计算Ζ2 公交排班问题遗传算法的设计与实现公交排班的目的是确定最优或近似最优的运营车辆的发车时间表,公交车队按照该时间表发车能够达到最高的运营效率和服务水平Ζ为了便于试验比较,作者选用北京市公交1路运营车队作为排班对象,不失一般性,只考虑下行线路,即要优化1路车始发站的发车时刻表Ζ设首班车发车时刻为早上6点整,末班车发车时刻为22点整,所有运营车都在整分钟时刻发车,一天之内的总班次为m,总时间为16小时,即960分钟Ζ我们用表示第辆运营车发车时刻距首发时刻的时间,以分钟为单位Ζ则决策变量可表示为:X=[x1,x2,…,xm]T,根据其物理意义可知,优化问题的约束条件如下:xi∈Z且xi≥0,其中i=1,2,…,mx1=0,xm=960x1体对应的表现型X就是智能排班过程要给出的最优排班结果Ζ再考虑车队的运营效率问题Ζ一般来讲,车队的运营效率可以用在保证服务水平的前提下,一天之内乘客运营需要总班次来表示,需要的班次越少,说明运营效率越高Ζ可以证明如下结论:设在总班次一定的情况下(设为m′),使得式(5)所示的目标函数值最小的X为Xmin,则在所有满足f(X)≤f(Xmin)的X中(即保证服务质量),Xmin一定是所需总班次最少的一个(即运营效率最高)Ζ以上结论的逆命题也成立(证明过程省略)Ζ由此可以看出,在保证运营效率的情况下寻求乘客总等待时间最少和在保证服务水平的前提下使车队运营效率最高其实是一个问题的两方面,其中任一策略都可以作为排班问题的寻优标准,不过从算法实现的角度来看,第一种寻优标准更易通过遗传算法实现Ζ所以作者采用式(5)作为目标函数是适宜且具有实际意义的Ζ这
样,排班问题就描述为在总班次一定的情况下,
使(5)式所示的目标函数值最小的寻优问题Ζ在实际运算中,总班次m=60Ζ数学描述如下:
minf(X)=6ni=16mj=16k=1(Tij-t
ijk
)
X∈Rm=60
(6)
遗传算法里用适应度这个概念来度量群体中各个个体在优化计算中有可能达到或接近于或有助于找到最优解的优良程度[4]Ζ适应度较高的个体遗传到下一代的概率较大;而适应度较低的个体遗传到下一代的概率就相对小一些Ζ计算个体适应度的函数或过程称为适应度函数(Fit2
nessFunction),记为F(X)Ζ为了选择算子设计
的方便,适应度一般要求非负Ζ本文所述的排班问题属于求目标函数值最小的优化问题,作者拟定的转换规则见公式(7)ΖF(X)=Cmax-f(X)(7)式中,Cmax为同一代群体中所有目标函数值的最大值Ζ可见由(7)式求出的个体适应度必然大于
24交通运输系统工程与信息2003年2月等于0,且目标函数值越小,个体的适应度越大Ζ4 编码方案和群体初始化本文设计的遗传算法采用了“真实值编码方法”,在这种编码方法中,个体染色体的各个基因座上所填的就是决策变量的真实值Ζ则与X=[x1,x2,…,xm]相对应的染色体X即表示为码串x1,x2,…,xmΖ对于本文要解决的公交排班问题来说,真实值编码具有下面的优秀特性,即如果一个个体中性状优良的基因片断被遗传到下一代,那么该片断在新个体中仍然是优良的Ζ群体的初始化即群体P(0)的产生过程,应该随机产生Ζ针对公交排班的特点,作者在初始化过程中,特别设计了编码调整的步骤Ζ目的是使初始群体的个体当中包含更多的优秀基因片断Ζ显然,乘客在时间上的分布在很大程度上左右了排班的优化过程,而乘客的分布又很不均匀,比如一天内有若干高峰,这时单位时间内到达各个车站的乘客数量会激增,显然,这时发车间隔应该缩短,其他时候发车间隔应该加长Ζ可见,一个好的排班结果必然是某些时候的发车密度大,某些时候则要稀疏一些Ζ而由于随机函数产生的随机数是在区间(0,960)上均匀分布的,所以完全靠随机函数产生的群体中,很少有个体会出现上面的所说的性质Ζ为此,作者根据上述公交排班的特点,设计了称为局部收缩调整的编码调整算法Ζ调整的计算见公式(8):x′i=xkai-k+xi(1-ai-k)(8)式中,x′i是基因xi经过调整后的值,易知x′k=xk,称基因xk为收缩中心Ζa∈(0,1),称之为收缩系数Ζ用(8)式作用于个体中的所有基因后,所有的基因值都向收缩中心xk靠拢,同时,距离xk越近的基因,靠拢得越厉害,当xi离xk较远时,ai-k很小,则xi调整得很小Ζ所以这种算法称为局部收缩调整算法Ζ该算法的结果是收缩中心附近的发车密度变大了Ζ初始化过程使用了局部收缩调整以后,个体中包含优秀基因片断的可能性增大了,从而使遗传算法的搜索性能得到了比较明显的改善,这一点将在后面给出试验结果Ζ5 遗传算子的设计遗传算子包括选择算子,交叉算子和变异算子,它们依次作用于群体P(t),从而产生新一代群体P(t+1)
Ζ
1)选择算子
一般的比例选择方法(ProportionalModel)
是一种回放式随机采样的方法Ζ基本思想[1]是:
各个个体被选中的概率与其适应度的大小成正比Ζ本文中对比例选择方法做了进一步改进,方法如下:先比较群体P(t)
中的各个个体,找出
P(t)中所有不同的个体,组成群体P′(t),显然
P′(t)ΑP(t),选择过程对P′(t)以比例选择方法
进行Ζ共选择M次,产生新一代群体P(t+1)
Ζ
作者称这种选择方法为分类比例选择Ζ可以看出,当P(t)
中的所有个体都不相同时,两种选择
算法是等价的Ζ但在遗传算法搜索的后期阶段,
群体中可能大部分个体都是相同的,这时,用分类比例选择时,新出现的优秀个体将以更大的概率复制到下一代Ζ可见比起比例选择方法,分类比例选择具有更强的局部搜索能力Ζ2)交叉算子
选择单点交叉(One2pointCrossover)[1,2]作为遗传算法的交叉运算Ζ需要指出的是,交叉点的选择必须保证新的个体符合约束条件Ζ如果随机选取的交叉点不能使新的个体满足约束条件,
即新产生的个体基因可能不完全是按升序排列的Ζ则将交叉点向某个方向移动,直到可以产生符合条件的新个体为止Ζ为了加快算法的收敛速度,作者采用了局部选择的策略,即将交叉产生的新个体和原个体进行比较,选择适应度最大的两个作为交叉运算的结果Ζ局部选择策略的效果将在后面给出Ζ3)变异算子