伦敦中心区"交通拥挤收费"的运作效果、最新进展与相关思考

在对伦敦交通拥挤收费计划的实施背景进行简要回顾的基础之上,综合诸多研究跟踪报告资料,从交通流量、拥挤水平、经济影响、绕行交通等关键侧面,分析和介绍该政策的实际运作效果及其最新进展;进一步证明城市公共政策的制定具有复杂性和系统性,维护公众利益是城市公共政策的首要法则;应注意交通拥挤收费政策的适用性,需要因地制宜,切忌照搬.     

基于平均距离聚类的NSGA-Ⅱ

拥挤度距离是一种用于度量解集多样性的指标. 然而, 在许多情况下, 该指标无法有效区分多样性较优个体. 其原因为拥挤度距离主要利用每个位置的局部信息. 为解决该问题, 基于整个种群全局位置信息, 本文设计了基于平均距离聚类的多样性度量指标, 并进一步提出了基于平均距离聚类的NSGA-Ⅱ. 该算法利用平均距离将种群划分为若干个大致均匀分布的小种群, 然后分别在各小种群内执行选择、交叉和变异等操作. 实验结果表明, 本文所提算法可以有效地保持种群多样性.     

以小博大的城市智慧

伴随着竞争越来越激烈、压力越来越大,交通拥挤、房价上涨,生活在大城市里的居民们小小的幸福感在每一个平凡的日子中被“蚕食”着。相较于北上广这些大城市,中小城市生活节奏慢,竞争相对不是很激烈,人们的压力也小了许多。据一项调查显示,人口在一百万出头的中等偏小城市是最适合“人居”、最“让人感到幸福”的城市。     

基于自适应进化学习的约束多目标粒子群优化算法

针对约束边界粒子在边界区域搜索能力不足的问题,提出一种基于自适应进化学习的约束多目标粒子群优化算法。该算法根据不符合约束条件粒子的约束违反程度,修正优化算法的进化学习公式,提高算法在约束边界区域的搜索能力;通过引入一种基于拥挤距离的Pareto最优解分布性动态维护策略,在不增加算法复杂度的前提下改进Pareto前沿的分布性。实验结果表明,所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto前沿。     

局部拥挤条件下单点自组织信号控制方法研究

针对已有交通信号控制方法难以有效疏导拥挤交通流的现状,以感应线圈检测器采集到的实时数据为拥挤识别的基础,以拥挤流向放行车辆数最大为目标,提出了一种无信号周期、无固定相位相序限制的单个交叉口自组织信号控制的基本原理,研究了候选信号相位集、各流向权重、等待时间上限的确定方法,设计了局部拥挤条件下单个交叉口的自组织信号配时方法,并以VISSIM为工具进行了模拟验证和对比分析。结果表明,所提出的方法能够改善局部交通拥挤的疏导效果。     

一种改进的多目标粒子群优化算法

针对多目标粒子群优化算法在迭代过程中收敛速度和多样性方面的不足,提出一种改进的多目标粒子群优化算法(IMOPSO).采用基于栅格和拥挤距离的协同外部档案维护策略,通过更准确地选择收敛性和多样性性能更好的非劣粒子作为全局最优值,加快整个种群的收敛速度;采用分段Logistic混沌映射、外部档案检测机制及修改的粒子速度更新公式,分别在初始化阶段和迭代过程中增强种群的多样性;最后,通过对标准测试函数仿真测试证明了改进后的算法能够快速收敛至Pareto最优前沿并保持较好的多样性.     

城市出租车拥挤收费

建立了多方式分担模型来分析拥挤收费背景下出租车是否也应征收拥挤费问题,并设计了求解模型的遗传算法。研究利用双层规划模型对该问题进行了描述,其中下层规划为组合网络均衡模型,刻画了出租车拥挤收费前后对出行产生、出行方式划分、出行路径选择及出行分布的影响,构建了与之等价的变分不等式;上层规划为社会福利的最大化。算例结果表明,是否应该对拥挤收费区域内的出租车征收拥挤费主要取决于私家车与出租车的单位距离运营成本之比。通常情况下(当二者的比值小于5.6时),对出租车进行拥挤收费就能获得更大的社会福利。     

不同气象条件下交通规律分析

尽管天气对交通拥堵有负面影响,目前国外也存在天气情况、交通流之间关系的研究,然而,由于传统数据采集局限性,国内鲜有针对两者关系的研究.采用上海市宝山区交通中心实测交通流数据对交通拥堵,尤其是间断性拥堵与不同天气的数量关系进行了研究.结果表明,产生间断性拥堵的原因中,与天气相关的主要因素是中雨和大雨,小雨对交叉口交通(即拥堵)影响不大.此外也研究了车种构成及大车率与不同雨量天气的关系.最后提出用于缓解交通拥挤压力的三类策略:控制、应对、优先通行.     

融合张角拥挤控制策略的高维多目标优化

对于高维多目标优化问题,随着目标维数的增加,种群中非被支配解的比例剧增, 严重降低了种群的进化压力.为了对数量众多的非被支配解进行有效的拥挤控制并提升种群的多样性, 本文在提出张角概念的基础上设计了一种新的拥挤控制策略(Congestion control strategy based on open angle, CCSOA),它的时间复杂度并不会随着目标维数的增加而增大. 与目前优秀的进化多目标优化(Evolutionary multiobjective optimization, EMO)算法IBEA (Indicator-based evolutionary algorithm)、NSGAIII (Nondominated sorting genetic algorithm III)和GrEA (Grid-based evolutionary algorithm)的比较结果表明, 融合了CCSOA的高维多目标优化算法在收敛效果和解集分布的均匀性两个方面均有较大的优势.