智能交通动态调度优化模型与评价方法

为了降低大城市市民出行成本,缓解公交企业运力压力,提出一种智能交通出行OD(Origin Destination,出行地和目的地)的公交调度优化算法,以公交出行OD客流预测和计划排班发车时间间隔为出发点,运用公交出行OD客流推导理论,构建智能交通出行OD的公交调度优化模型。通过获取个人OD数据,利用单条线路公交OD方法,实现全市公交OD矩阵推算。根据全市公交出行OD推算结果,求解公交调度模型,解决智能交通调度多目标规划和公交线网优化问题。通过仿真模拟试验,分析智能公交排班计划评价指标,计算车辆营运效率占比:自动排班仿真数据为79%,实际运营数据为73%;统计车辆高峰时段与全天营运车次占比:自动排班仿真数据为36.75%,实际运营数据为37.37%,满足智能公交计划排班评价指标的要求,实例证明模型和算法具有实用性和可靠性。     

基于并行遗传算法的智能公交排班研究

智能公交排班问题是公交车辆智能调度的一个典型问题之一。它可以描述为：利用某种智能化算法,在有限的步骤内,找出所有满足约束条件的最优或者接近最优的排班方案。由于排班问题搜索规模巨大,传统算法在短时间内难以获得高质量可行解。文章引入并行遗传算法,对三种主流并行模型进行评价分析,并设计了求解车辆排班问题的粗粒度并行遗传算法,编制了算法实现程序。     

基于遗传算法的公交智能排班系统的设计与实现

运营车辆智能排班问题是公交车辆智能调度需要解决的典型问题之一。它可以描述为:利用某种智能化的算法,在有限的步骤内,找出所有满足约束条件的最优排班方案或者接近最优的方案。文章应用已有的客流信息,并兼顾到乘客和公交公司的双重利益,引入了遗传算法(GA),构造了符合行车规律的编码方式、遗传算子,并给出了公交智能排班系统的设计,完成了程序的编码工作。     

基于遗传算法的公交智能排班方法的研究

研究公交车智能排班问题,建立数学模型,兼顾乘客出行效率和公交企业运营效益,给出利用遗传算法解决此问题的方法.重点阐述了智能排班的目标函数、适应度函数和遗传算子的设计.编制程序进行仿真实验,结果证明利用遗传算法解决公交智能排班问题,可以优化车辆调度,能在交通高峰和平峰期不均匀排班,符合公众和企业的利益,并提高了交通运行效率.     

基于遗传算法的公交智能排班系统应用研究

研究城市公交车调度优化问题,根据公交车辆排班和调度运行要求,兼顾到乘客和公交公司的利益,为优化服务目标,建立了基于遗传算法的公交智能排班调度模型.采用以发车时刻为变量的真实值编码方法,在构造适应度函数时,用惩罚函数法将多种约束条件加到目标函数上,简化了计算量.进行仿真实验,结果证明,利用改进的遗传算法求解,可以得到不均匀发车优化时刻表,并能为公交智能排班优化提供较大搜索空间,提高了实际运行效率.     

基于改进遗传—模拟退火算法的公交排班优化研究

结合公交车辆调度自身的特点,兼顾公交公司与乘客双方的利益,建立了公交排班优化模型,以发车时刻为基因变量进行编码,对两个相邻的发车间隔之差、最大最小发车时间间隔、乘客的满载率等条件进行约束限制,提出了基于改进的遗传—模拟退火算法;对该模型进行优化求解,克服了传统优化算法的缺陷,提高了优化设计过程的求解效率。通过仿真实验得到了利用改进的遗传—模拟退火算法进行求解的不均匀发车时刻表。结果表明,改进的遗传—模拟退火算法能够在公交智能排班优化问题的巨大搜索空间中可靠地找到近似最优解,大大提高了计算效率。     

改进的粒子群优化算法求解车辆调度问题*

采用对基本粒子群优化算法引入遗传操作来提高种群多样性,这样虽能避免产生局部极小,但收敛速度会降低,通过加入收缩因子来达到两者的均衡。优化和仿真结果表明改进算法性能更优,能有效地解决公交车辆的智能排班问题。     

遗传-牛顿算法在公交智能调度中的应用

针对公交公司需要解决的典型问题公交车辆的优化调度,提出了一种遗传算法与牛顿算法相结合的智能优化算法;并用该混合算法对调度模型进行优化;首先在兼顾公交公司与乘客双方利益的情况下,建立了以发车间隔时间为决策变量的公交车优化调度模型,再利用遗传算法对决策变量进行优化,然后用牛顿法对其优化的结果进行深一步的搜索,使其优化结果精度提高;仿真结果表明,该混合算法比标准的遗传算法更有效地提高公交车辆运营效率并降低其费用成本.     

遗传算法在公交车辆智能排班系统中的应用研究

分析了公交车辆排班问题的研究方法和遗传算法的特点,提出了一种改进的遗传算法求解公交车辆排班问题.针对公交智能排班问题,构造了符合行车规律的编码方式、遗传算子和适应度函数,并实现了程序的编码工作,最后进行了模拟实验.实验表明,遗传算法应用于公交车辆排班具有很好的效果,它能够在排班优化问题的巨大搜索空间中可靠地找到近似最优解.     

改进的遗传算法在公交车调度中的应用

应用单亲遗传算法解决公交车辆的调度问题。在兼顾公交公司与乘客双方利益的情况下,用单亲遗传算法对调度模型进行优化。仿真结果表明,该方法可有效提高公交车辆运营效率。     

Glowworm Swarm Optimization for Dispatching System of Public Transit Vehicles

The intelligent schedule of vehicles operation is one of the problems which need to be solved in the dispatching system of public transit vehicles, it relates to the development of the city and civic daily life. In this paper, a transit vehicle scheduling optimization algorithm which balancing between the benefits of bus companies and passengers is proposed. The glowworm swarm optimization (GSO) with random disturbance factor, namely R-GSO is applied to the schedule of vehicles. Finally, we provide some comparisons of R-GSO with artificial fish-swarm algorithm, particle swarm optimization and GSO, the simulation results show R-GSO algorithm has higher efficiency and is an effective way to optimize the public transit vehicle dispatching.     

基于高频车站及时间窗的立体轨道交通系统智能调度算法

立体轨道交通系统的车辆调度方法还未见报道,已有车辆调度算法的实时性较差。针对立体轨道交通车辆的调度问题,研究了一种结合高、低频车站判定的订单分配算法和一种结合时间窗的Dijkstra路径规划算法,即智能调度算法,以提高车辆的运行效率。首先,使用订单分配算法为订单选择合适的执行车辆,减少乘客的等待时间。其次,在订单分配算法的基础上增加了高、低频车站的判定,提前给高频车站调度车辆,以保证供需平衡。然后,将普通Dijkstra算法和时间窗判断相结合,以实现多车辆的无冲突路径规划。最后,对OpenTCS软件进行二次开发,并进行了调度算法的仿真。结果表明,当有乘客叫车时,若只有订单分配算法,乘客平均等待时间为8.043 s;结合高、低频车站进行车辆提前调度后,平均等待时间降到了5.724 s,每位乘客减少了2.319 s的等待时间。路径规划时,无论是普通的Dijkstra算法还是结合时间窗的Dijkstra算法,规划耗时都在1 ms以内,而结合时间窗的Dijkstra算法在只增加约0.1 ms耗时的情况下,解决了车辆的路径冲突问题。研究的智能调度算法减少了乘客的等待时间,提高了车辆的运行效率,实时性好,能满足立体轨道交通车辆的调度要求。     

量子行为粒子群优化算法在公交调度优化中的应用

以公交费用最小和乘客平均等待时间最短为目标构建优化调度模型,针对已有算法在求解这类调度问题存在的早熟收敛、优化效率较低的缺点,提出了一种惯性权重自适应调整的量子行为粒子群优化算法。首先引入聚焦距离变化率的概念,将惯性权重因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;同时在算法中嵌入了一种判断和避免搜索早熟和停滞的有效方法。优化实例的结果分析表明,该算法能有效地解决公交车辆的调度优化问题。     

基于混合整数规划的智能网联车冲突区时序优化模型

智能网联车的大规模应用为交通冲突区域的优化与管理提供了新的机遇和挑战.为保证冲突区域车辆的汇入安全,提高冲突区域车流的运行效率,引入优化时间区间的概念,以车辆平均延误为优化目标,车辆通过冲突区域的最小安全时间间隔为约束条件,构建车辆进入冲突区域时序的混合整数线性规划模型.为研究不同流量状态对模型结果的影响,设计不同流量场景的数值仿真实验.结果表明:与不优化时序相比,所提出的模型和算法能够有效地减少车辆的延误和油耗,且最大能够减少54.23%的车辆延误和34.36%的燃油消耗.     

基于PSO算法的飞行保障车辆调度问题研究

通过对飞行保障车辆调度过程的分析,针对传统估算法依据指挥员经验进行飞行保障车辆调度效率低等缺点,提出了一种基于线性递减权重PSO的飞行保障车辆调度问题解决方案。根据飞行保障车辆调度问题解的特点,对粒子的编码及寻优操作进行了深入研究,提出适合飞行保障车辆调度问题的粒子编码和寻优方式,并将算法利用Matlab编程实现,应用于实际飞行保障车辆调度过程中。仿真结果表明,通过对算法参数的合理设置,可以快速地得到较优的飞机保障工序排序结果,该排序结果能够满足动态飞行保障车辆调度的需要。     

城市交叉口车辆速度与交通信号协同优化控制

为了降低城市交通中的行车延误与燃油消耗,针对人类驾驶车辆与自动驾驶车辆混合交通环境,提出一种基于交通信息物理系统(TCPS)的车辆速度与交通信号协同优化控制方法.首先,综合考虑路口交通信号、人类驾驶车辆、自动驾驶车辆三者之间的相互影响,设计一种适用于自动驾驶车辆与人类驾驶车辆混合组队特性的过路口速度规划模型;其次,针对车辆速度规划单一应用时的局限性,即无法减少车辆路口通行延误且易出现无解情况,提出一种双目标协同优化模型,能够综合考虑车辆速度规划与路口交通信号控制,同时降低车辆燃油消耗与路口平均延误.由于双目标优化问题求解的复杂性,设计一种遗传算法-粒子群算法混合求解策略.基于SUMO的仿真实验验证了所提出方法的有效性.     

Public transit planning and scheduling based on AVL data in China

The public transit operations planning process commonly includes the following activities: network route design, service planning (frequency setting and timetabling), and scheduling (vehicle scheduling, crew scheduling, and rostering). However, the network route design is generally the only one widely recognized, while service planning and scheduling are often ignored in China. This leads to the lack of elaborate timetables and schedules, hence, transit operation is often in disorder with high operating costs. To raise the service level and the utilization of resources, this paper presents an applied study for three cities in China, focusing on the enhancement of the recognition and execution of public transit planning and scheduling. A comprehensive framework of public transit planning is first proposed, which is composed of three traditional Chinese items (i.e. network route design, land use for depots, and deployment of vehicles) and the following newly added items: intelligent public transit system (IPTS) planning, service planning, and scheduling. This is pioneering work in China, in which an IPTS plan is conceived and a new vehicle scheduling approach based on AVL data is developed. Experiments during actual projects show that vehicle schedules with high on‐time probability and low cost were compiled, while the essential input parameters such as headways and trip times were set automatically. It is anticipated that the fruits of this research and the practical experience obtained would be of great benefit in improving service and management levels and resource use in public transport in China and some other developing countries.     

交通信息物理系统中的车辆协同运行优化调度

运输成本及温室气体的排放是衡量智能交通系统的重要指标，有效的运输调度可以降低运输成本和环境损害.针对路网中集成环保型货车的运输问题，本文提出一种基于交通信息物理系统（Transportation cyber physical system，TCPS）的大规模车辆协同调度及合并方案，以最大限度地降低运输成本和碳排放量.首先，采用局部调度策略，结合领队车辆选择算法及聚类分析，构建可合并车辆集合；然后，通过数学规划方法，实现每个车队集合中车辆路径与速度的改进优化处理；最后，通过突发情况的简易处理说明本文调度策略的可扩展性.仿真实验表明，用本文方法将车辆编组合并成车队行驶，较固定路径合并策略可显著降低路网中货运车辆的整体油耗.     

基于公共交通的高精度时空可达模型与算法

公共交通作为我国城市居民的主要出行方式,对其可达性的研究具有非常重要的价值和意义.然而,由于站点位置、固定线路、时刻表等条件的限制,使得公共交通可达性的研究具有一定的特殊性.针对已有研究存在的可达精度不高或者无法进行大规模可达分析等问题,基于路网、公交网络、地铁网络和时刻表信息建立高精度时空网络模型,设计时间依赖条件下枢纽站点和A^*算法相结合的快速公交换乘算法.以武汉市为例,对其进行大规模高精度时空可达分析,证明了模型的可靠性和算法的高效性.