【《城市轨道交通乘务计划优化模型及算法分析》3100字】

城市轨道交通乘务计划优化模型及算法分析目录TOC\o"1-3"\h\u52城市轨道交通乘务计划优化模型及算法分析 1105861.1城市轨道交通乘务计划编制相关模型及算法选择分析 1186591.2城市轨道交通网络化乘务计划编制模型建立 11.1城市轨道交通乘务计划编制相关模型及算法选择分析1.1.1优化模型在不同运输方式下的乘务计划编制上已经进行了很多研究，创建的模型包括早期的传统的整数程序设计模型，然后传统的模型覆盖收集和集合分离模式。然而，早期的传统的整体规划仍然不足以解释组件的计划编制问题。集合覆盖率和集合分割模型比传统的整数编程模型更准确。但是，使用设置的覆盖率模型，更方便的旅行不会导致乘务利用率的提高，并且配置的细分模型可以更好地减少方便旅行的出现。也可以将机组调度问题视为周期内机组路由分配问题。除约束外，这与将工作员工作段组合为工作员交路的想法相同。机组调度计划还采用集合分段。上世纪的70年代，是繁荣的理论时代，美国的Johnhlland提出了遗传算法(GeneticAlgorithm,GA)，这种算法是根据自然界生物的进化规律来实现设计和推广的。该算法通过数学手段和计算机模拟操作，将现实中的问题解决过程转化为一种类似于染色体基因杂交和生物进化中突变的过程。在处理复杂的组合优化问题时，如同经常发生的那样，为了达到比传统优化算法更好的优化效果。遗传算法现在已经是一种被广泛用于组合优化、机器学习、信号处理、自适应控制和人工生命的相关研究领域内的一种算法了。在进行建立对应的模型之前，需要对其目标物进行一一编码来进行识别、区别等，运用二值法则进行区分，即（0，1）的状态，代码长度是用来确定学习期间与最短步行间隔的比率、发车周期中每辆车的第一站开始时间，以及开始二进制代码的位置值是否在该时间可用。“1”表示出发，否则不表示出发。1.2城市轨道交通网络化乘务计划编制模型建立1.2.1问题假设如果不同交路的动力系统，信号系统，列车控制系统和运行模型相同，则不同交路之间乘务员的运行状况差异很小，进而可以进行灵活的更改调整；（2）试验进行时，假设在不同的生产线中，是由其同一家的运营公司运营进行运行操作的，或者员工计划是由片段管理；（3）假设中转站线路包括中转站和周转站，乘务员可以通过中转站从一条线路转移到另一条线路；（4）假设乘务员通过换乘站从一条线转移到另一条线，则该站的旅行时间非常短，可以忽略不计；（5）在不限制乘务员离境的情况下，每名机组成员可在任何地方进出本站；（6）列车j的临界时间是列车j的最后一名乘客到达i站的时间。1.2.2模型分析（1）单一交路模型条件下的优化模型考虑到城市轨道交通运营者的成本的存在，并对其结合兰州狭窄的地形现状、最短的行程时间和最低的非货运速度等的设定(特定服务水平下的列车发车密度)，建立其对应的数学模型：F=fS.T.f式中:f1即乘客所需的等待列车的所有时长；f2为计算的列车空载时所带来的高成本价格；i为站点，即第i个站；j代表了列车班次，即第j班次列车；n代表了车站的个数；γ是在未使用的空间状态下产生的单位空载成本；k是所有车的发车密度；DTji是第j班车，在运行到从i站时，所需要花费的时间；Di,i+s1.2.3约束条件（1）车辆接续限制车组个数设定为m，设当在车组全部发车后，下一辆发车的车组是由第1辆动车进行周期运行的，并进行整备后提供[5]则对于第m+j列车，其运行状态式表述为：其中：T0T0其中：Z0代表了整个列车整备所需要的时长；Ri为列车从第i-1站开往第i站运行的时间；（2）追踪间隔限制如果指定了每个车站的停车时间和乘车时间，则根据最初出发时间，每个车站的到达时间和出发时间可以依次到达，而出发时间则为j。从车站出发的火车可以到达到达的时间和出发的时间。那么，其追踪间隔可以表达为：DT与此同时，需要去保证到列车开行的时间间隔要做到小于列车开行最小时间间隔，其表达为：D式中：I就代表了最小的安全追踪时间间隔。（3）到达约束限制在运行途中，第j辆车到达i站的时间是由ATA出发约束限制就是第j列车从i站离开的时间DTji由该车到达i站的时间AD（4）临界时间当第j列车在到达i站时，它所承载的最大载客量就是C−RE而当该站台的等待人数超越了最大承载数量，那么C−REj公式中：tl为乘客到达第i个车站的时间1.2.5遗传算法（1）编码：在进行建立对应的模型之前，需要对其目标物进行一一编码来进行识别、区别等，运用二值法则进行区分，即（0，1）的状态，代码长度是用来确定学习期间与最短步行间隔的比率、发车周期中每辆车的第一站开始时间，以及开始二进制代码的位置值是否在该时间可用。“1”表示了出发的车的状态，否则表示未发出的车的状态[31]。（2）适应函数求解其中模型目标函数值即为发车方案对应了整个运行的车辆，即线上全部乘客等车总时间和列车浪费的运输能力的和，此数学运算其运行模型目标是求函数的最小值，因此对其进行了如下的数据删除、筛选：G式中：G(x)代表了运行数量的适应值，F(x)为第x辆车带入所目标函数所得数值；Cmax为代表了运行中车辆的运行最优目标函数值。1.2.5遗传的编程上述文中主要介绍了交通乘务面临的问题并作出了进一步分析，最后根据实际的情况采用遗传算法进行交通乘务模型的构建，具体构建流程如下图所示：（1）通过随机方式产生若干由确定长度（长度与待求解问题的精度有关）编码的初始群体；（2）通过适应度的函数运算，就对可以实现对其每个个体进行相应的评价，这样就能选择适应度值高的数值，去试运行车辆，而适应度低的个体数值这就是被淘汰；（3）经遗传操作（复制、交叉、变异）的个体集合形成新一代种群，直到满足停止准则（进化代数GEN>=?）；（4）将后代中变现最好的个体作为遗传算法的执行结果。根据上述遗传算法运算流程，应用Matlab软件构建实际的交通乘务模型，代码如下所示：图1.2.4项目代码整体结构设置编码初始群体，即乘务初始群体范围，如下图所示：图4-2乘务群体初始图4-3乘务群体筛选图4-4第二代乘务群体产生图4-5乘务群体编码基于遗传算法构建的交通乘务模型，经过上述实验得到下图结果：图4-6初始群体点位分布图图4-7经过遗传算法的曲线结果由实验结果可以得出如下结论,本文应用遗传算法进行交通乘务模型构建。对于城市轨道交通进行优化,需要合理处理好企业和乘客的关系。为了优化城市轨道交通，首先要做到的那就是必须妥善处理企业与乘客之间的关系。因此，通过强调降低企业运营成本、降低乘客等待时间成本、最大限度地提高机组人员效率是解决矛盾的最为有效、最为方便、最为