【《利用遗传算法原理的换乘站末班车间衔接最优处理案例分析》4100字】

利用遗传算法原理的换乘站末班车间衔接最优处理案例分析目录TOC\o"1-3"\h\u19347利用遗传算法原理的换乘站末班车间衔接最优处理案例分析 1188841.1案例描述 1226421.2算例分析 2189701.3遗传算法MATLAB效率分析 6122211.3.1遗传算法初始化 6214881.3.2遗传算法个体选择 764551.3.3遗传算法收敛分析 8246231.3.4遗传算法结果分析 91.1案例描述广州地铁于1997年正式开通运营，是中国内地第四个、广东省首个开通地铁的城市，截止至2019年12月，广州地铁运营线路共有14条，共设车站271座，运营里程513公里，运营里程居中国第三、世界第三的称号。其次广州城市轨道交通系统客运量庞大，2019年日均客运量901.75万人次,总客运是达到33.06亿人次。从以上分析广州地铁无论是在线网规模上，还是在轨道交通运营管理上都具有一定的研究意义，故本文选择以广州地铁作为本次研究对象，对其在动态客流背景下的末班车时刻表衔接优化问题进行研究。广州地铁线路图如图5-1所示。图5-1广州地铁线路图1.2算例分析为了验证遗传算法在MATLAB环境下的优化效率，先在广州城市轨道交通末班车时刻表做衔接优化分析，用分析结果对遗传算法进行效率比对。本文将城市轨道交通末班列车换乘衔接优化模型应用于广州城市轨道交通网络，如图5-2所示(其中Line1表示1号线，表中用L1表示，Line2等类推)将广州市的城市轨道交通网络图进行抽象处理。该网络包含7条线路(双向，1号线、2号线、5号线、6号线、8号线)以及8个换乘车站，其中西村换乘站暂未营业。(1)线网数据模型以部分广州城市轨道交通末班运行计划为例，如表4-17所示。表中依次给出换乘站、重点换乘方向(7个)、换出线末班列车到达时刻、换入线末班列车出发时刻、换乘时间、等待时间、冗余时间以及冗差时间，若某个换乘站末班列车衔接失败将导致乘客等待时间无穷大，为优化计算将等待时间最长设为60min。此外，乘客在换乘站的走行时间设为该站经测量的均值，末班列车发车间隔由广州地铁官网提供，取的大致时间。由广州城市轨道交通初始末班列车运行计划表可知，目前的末班车的行车计划存在着较大的换乘失败现象，7个重要换乘站14个换乘方式中就有6个换乘失败。其中，广州火车站换乘站的换乘等待时间是0，这是极为不合理，当遇到突发情况时间不够，将很可能导致换成失败，对乘客的体验感也是极差的。图5-2广州城市轨道交通网络图表5-1广州城市轨道交通初始末班列车运行计划换乘站重点换乘方向tttttt换乘结果公园前L1上行至L2上行23:4423:571′30″11′30″1′30″5′00″成功L1下行至L2上行23:1023:571′30″45′30″0′30″5′00″成功广州火车站L2上行至L5下行00:0323:262′00″-39′∞6′00″失败L5上行至L2下行23:3723:512′00″12′00″0′00″6′00″成功海珠广场L1上行至L6上行23:5523:382′00″-20′30″∞6′00″失败L6上行至L2下行23:3800:003′30″18’30″3′30″5′00″成功陈家祠L1上行至L8上行23:4823:323′30″-19′00″∞7′00″失败L1下行至L8上行23:0623:323′30″23′00″2′00″7′00″成功文化公园L6上行至L8上行23:4223:282′00″-16′00″∞7′00″失败L8下行至L6上行23:2723:422′00″17′00″5′00″6′00″成功黄沙L6上行至L1上行23:4423:532’30″6’30″2’30″4′00″成功L6下行至L1下行23:0223:032’30″-3’30″∞4′00″失败坦尾L5上行至L6上行23:4623:491’30″1’30″4’30″6′00″成功L6上行至L5下行23:4923:171’30″-33’30″∞6′00″失败(2)优化结果分析根据表5-1可知，由初始末班列车运行计划可知时刻表的编制存在几点弊端，如换乘站的衔接失败，乘客等待时间过长，以及冗差时间不足等问题；在本次优化中主要从以上三点弊端进行优化，优化目标是尽可能增加换乘衔接成功对数，让乘客在末班换乘车站有更多的冗差时间，冗差时间越长乘客在末班车时段的换乘选择上拥有更多的选择权，不易错过末班列车。表5-2为优化后的末班车运行计划，表中的黑体时刻为优化后的末班列车到发时刻。表5-2优化后的广州城市轨道交通初始末班列车运行计划换乘站重点换乘方向tttttt换乘结果公园前L1上行至L2上行23:4423:571′30″11′30″1’30″5’00″成功L1下行至L2上行23:1023:571′30″45′30″0’30″5’00″成功广州火车站L2上行至L5下行23:3223:352′00″1′00″1’00″6’00″成功L5上行至L2下行23:3723:512′00″12′00″0’00″6’00″成功海珠广场L1上行至L6上行23:5023:552′00″3′00″3’00″6’00″成功L6上行至L2下行23:5500:003′30″1′30″1’30″5’00″成功陈家祠L1上行至L8上行23:4823:533′30″1′30″1’30″7’00″成功L1下行至L8上行23:0623:533′30″47′00″5’00″7’00″成功文化公园L6上行至L8上行23:4223:452′00″1′00″1’00″7’00″成功L8下行至L6上行23:2723:452′00″16′00″1’00″6’00″成功黄沙L6上行至L1上行23:4423:532′30″6′30″2’30″4’00″成功L6下行至L1下行23:0223:052′30″0′30″0’30″4’00″成功坦尾L5上行至L6上行23:4623:491′30″1′30″4’30″6’00″成功L6上行至L5下行23:4923:521′30″1′30″1’30″6’00″成功本次优化末班车时刻表运行计划的方法，是基于优化重点换乘站的换出线路(l)的末班列车到达G站的时间和换入线路(l')的末班列车离开G站的时间，用于增加乘客的冗余时间，让乘客在1.3遗传算法MATLAB效率分析1.3.1遗传算法初始化实验在MATLAB环境下用计算机进行运算，以遗传算法为数据模型，初始化数据变量模型参数进行相关运算，其中种群规模初步取值为200，交叉概率值设定为0.8,变异概率设定为0.05，最大迭代次数500次。带入模型的参数，输入相应的数据，通过换乘等待时间的最小值总和，得出最优的决策变量值，用决策变量值可以推算出最优末班车时段时刻表。第一步：初始化；设置遗传算法参数：种群数N，初始代k:=0，迭代数目K；模型参数输入：L，G，tgll'Tr第二步：经初始化后，产生末班列车发车时刻（t0lD），区间运行时间（tlg(g−1)第三步：让父代染色体基因进行随机变异操作，产生新的父代染色体；对两条父代染色体进行交叉操作，产生两条子代染色体。第四步：检查染色体是否趋近约束目标，若趋近转向第五步，否则转向第三步。第五步：重复第三步操作直到染色体趋近约束目标值。如图5-3为遗传算法初始种群的分布状态，Z轴表示为种群的遗传迭代次数，X,Y表示为目标参数的优化值，根据迭代次数的不断进行，算法将产生最优解，在该算法中最优目标函数值将出现在种群分布图中的颜色最深处。图5-3种群初始化1.3.2遗传算法个体选择第一步：筛选种群；在种群POP(k)中计算每条染色体的目标函数T(i)。T(i)=g∈Gl∈L第二步：以相关规则为基础及P(i)，产生新一代种群POP1(k).第三步：为让其产生新的N条染色体，用交叉的方式对POP1(k)中的N条染色体迭代操作。优化上面2N条染色体的约束变量值，选取较优的N条染色体组成种群POP2(k)；为进行下一步的变异操作在POP2(k)中随机选取10%的染色体。第四步：由上面的变异操作，若染色体的趋近符合目标变量值，则筛选出进行下一次迭代，否则进行淘汰。第五步：继续优化染色体的约束变量值。如图5-4作为遗传算法默认种群分布图，种群个体的距离表示为变量之间的差异，将随着遗传迭代次数逐渐收敛，此外将变异的种群个体将作为目标染色体，进行交叉变异。图5-5在曲线较平稳处可确认种群个体间距离的范围，作为遗传迭代最优种群个体的选择。图5-4种群分布图5-4种群分布最优选择范围1.3.3遗传算法收敛分析第一步：目标约束变量达到允许误差范围内的染色体可以停止运算；继续更新迭代k=k+1。第二步：如果k=K,遗传算法停止运算；否则返回遗传算法初始化第三步。群体距离是个体间的距离，良好的染色体迭代过程是在初期，在后期会逐渐收敛如图5-5上方图，下方图群体逐步适应的范围，图中下方的曲线是种群数目的平均值逐渐收敛。图5-4种群收敛性分布1.3.4遗传算法结果分析对遗传算法的种群及代数进行分析，根据经验当算法的种群数目越大，迭代数越多，所得到的结果趋于更优。从上面的算法实验中可以得出数据模型在种群数量N为200时，遗传迭代次数在140收敛于最优解。本次实例分析中，目标变量为乘客在换乘的等待时间，以最小化等待时间为决策变量对时刻表进行优化，在遗传算法的种群初始化中，一定程度上会受到目标约束变量的条件影响，而约束变量是在有限范围内的，从遗传个体的变异情况可以看出受上限条件约束容易满足，相反受下限约束难满足目标变量。因此，在后续的交叉变异中，为解决这种问题，可以增大初始种群数和最大迭代次数，经过多次种群迭代在本次实验中得出本次优化后的列车运行计划对比分析如表5-3。表5-3优化后的列车运行计划对比分析比较项目优化前数值优化后数值优化前后提高换乘成功方向数81443%换乘失败方向数60100%错过末班车数60100%冗差时间-131.5′85′216.5′通过遗传算法实例运算，列车运行计划时刻表的换乘成功方向数由优化前的8提升到14，将列车运行时刻表衔接优化成功率提升到100%，有效的解决了乘客错过末班车的概率；此外，遗传算法实验通过以换乘等待时间最小作为决策变量，有效提高了乘客的冗差时间，从-131.5′提升到85′，优化前后增加了216.5′，有效的为乘客减