CN103336799A - 基于自适应量子蚁群的铁路交通换乘方案查询方法及装置 - Google Patents

Abstract

本发明涉及一种基于自适应量子蚁群的铁路交通换乘方案查询方法及装置，所述方法包括以下步骤：管理控制台通过管理机对查询机终端进行权限设置和数据库更新设置；查询机终端启动，触摸屏接收查询请求，并将查询请求发送给中心处理模块；中心处理模块根据查询请求构建多模式最优路径模型，基于多模式最优路径模型执行自适应量子蚁群算法，计算获得不同最优目标下的最优铁路交通换乘方案；判断优化是否结束，若是，则将计算结果反馈给触摸屏；所述装置包括管理控制台、管理机和查询机终端。与现有技术相比，本发明能够对复杂的全国铁路交通网络多约束条件下最优换乘进行高效的优化设计，可提高旅客出行对铁路交通换乘的灵活性、高效性。

Description

基于自适应量子蚁群的铁路交通换乘方案查询方法及装置

技术领域

本发明涉及一种铁路交通最优换乘方案查询技术，尤其是涉及一种基于自适应量子蚁群的铁路交通换乘方案查询方法及装置。

背景技术

随着我国国民经济的飞速发展，国民收入水平不断提高，人民出行频率不断增大，而且对交通运输服务业产生了更高层次的要求，概括起来有出行过程中的方便性、快捷性、安全性、舒适度、准时性、经济性以及良好服务态度等一系列更高质量的全程服务。

一般来说，铁路旅客出行主要以直达和中转两种方式为主。在这个信息化的时代里，旅客可以很轻松的通过互联网查询到从出发地到目的地的可乘车次、乘车时间、旅行里程及票价等主要信息。但由于铁路旅客的如年龄、性别、收入水平、受教育程度、出行目的、出行态度等主体特性的不同，其对出行偏好是有差异的，对最佳乘车路线的选择标准也就不同，这一问题的核心为换乘方案的研究。当前基于城市道路交通出行者的最优出行路径生成的研究很多，而基于铁路旅客最优出行方案生成的研究却很少，因此，针对铁路旅客效用最大化的出行选择服务方案的研究和探讨具有重要的现实意义。

我国幅员辽阔，铁路网络构建极其复杂，目前全国拥有铁路客运站5000多个，同时，我国高铁的投入运营和大规模建设，将使我国铁路网络更加复杂，这是对铁路部门旅客换乘服务工作的巨大考验，传统的最短路径算法无法解决大规模多目标优化问题，而现有的网上列车时刻表给出的是所有可能的乘车方案，没有综合考虑不同类别旅客对不同出行影响因素的偏好程度，不能提供具有针对性的查询服务。因此，如何设计新颖高效的智能计算方法，满足不同类别旅客对各出行影响因素的偏好程度，为该类旅客提供符合其自身效用最大化的出行服务方案，已成为目前铁路旅客对铁路运输企业新的潜在要求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应量子蚁群的铁路交通换乘方案查询方法及装置，能够对复杂的全国铁路交通网络多约束条件下最优换乘进行高效的优化设计，为不同旅客提供符合其自身效用最大化的出行服务方案，提高了旅客出行对铁路交通换乘的灵活性、高效性。

本发明的目的可以通过以下技术方案来实现：

一种基于自适应量子蚁群的铁路交通换乘方案查询方法，包括以下步骤：

1)管理控制台通过管理机对查询机终端进行权限设置和数据库更新设置；

2)查询机终端启动，触摸屏接收查询请求，并将查询请求发送给中心处理模块；

3)中心处理模块根据查询请求从站点数据库模块中获取与查询信息相匹配的站点信息，并构建多模式最优路径模型；

4)中心处理模块基于多模式最优路径模型执行自适应量子蚁群算法，计算获得不同最优目标下的最优铁路交通换乘方案，输出最优路径；

5)对多模式最优路径模型的数值进行更新，并判断优化是否结束，若是，则将计算结果反馈给触摸屏，执行步骤6)，若否，返回步骤4)；

6)触摸屏显示计算结果。

所述的查询请求包括起始站点和最终站点。

所述的最优目标包括时间最短、换乘最少和路程最少。

所述的步骤4)中的自适应量子蚁群算法具体包括如下步骤：

401)初始化包含m个个体的量子蚁群Q(t)：

其中，

$q_i^t={\left[\begin{array}{cccc}{q}_i^t\left(\mathrm{1,1}\right)& q_i^t\left(\mathrm{1,2}\right)& ...& q_i^t(1,n)\\ q_i^t\left(\mathrm{2,1}\right)& q_i^t\left(\mathrm{2,2}\right)& ...& q_i^t(2,n)\\ ...& ...& ...& ...\\ q_i^t(n,1)& q_i^t(n,2)& ...& q_i^t(n,n)\end{array}\right]}_{n\×n},i=\mathrm{1,2},...,m$

$q_i^t(j,k)=\left[\begin{array}{c}{\mathrm{\α}}_i^t(j,k)\\ {\mathrm{\β}}_i^t(j,k)\end{array}\right],j,k=\mathrm{1,2},...,n$

为第t次迭代的第i个个体，且通过量子测量算子使

的任意行和列有且仅有一个元素为1，其余为0，n为站点个数，t为迭代数，初始迭代数t＝0；

402)将m个蚂蚁随机地置于n个站点其中一个站点上，每只蚂蚁通过重复地应用状态转移规则，建立一个路径，直至所有蚂蚁均完成解路径的构造；

采用3-OPT局部寻优算法提升解集的每条路径，直到无法优化为止；

使用量子旋转门Q-gates更新Q(t)；

$Q(t+1)=G\left(\mathrm{\θ}\right)Q\left(t\right),G\left(\mathrm{\θ}\right)=\left[\begin{array}{cc}\mathrm{COS}\left(\mathrm{\θ}\right)& -\mathrm{SIN}\left(\mathrm{\θ}\right)\\ \mathrm{SIN}\left(\mathrm{\θ}\right)& \mathrm{COS}\left(\mathrm{\θ}\right)\end{array}\right](\mathrm{\θ}=0.01\mathrm{\π});$

使用测量算子测量Q(t)；

评估Q(t)；

存储和记录当代最优解；

t＝t+1：

403)判断是否满足终止准则，满足则算法迭代结束输出最优解，否则跳转至步骤402)。

所述的通过量子测量算子测量Q(t)，使

的任意行和列有且仅有一个元素为1，具体操作如下：

a0)设种群中的第f个个体

的 $q_i^t(j,k)=\left[\begin{array}{c}{\mathrm{\α}}_i^t(j,k)\\ {\mathrm{\β}}_i^t(j,k)\end{array}\right]$ 为量子的概率幅表示，j，k＝1，2，...，n，其中

${\mathrm{\α}}_i^t(l,h)=\sqrt{1-{\left({\mathrm{\β}}_i^t(l,h)\right)}^2}$

L_l＝max{|d[l，j]-E_l|，j＝1，2...n}

其中，d[l，h]为站点(l，h)间距离；

a1)N＝{1，2，...，n}，tabu＝Φ，α取初值为1，tabu＝tabu∪{a}；

a2)对于

的α行，随机生成列b，b＝INT(Rand[0，1]×n)+1，b∈N，

如果

并且q∈[0，1]是一个自适应值，则 $\left[\begin{array}{c}{\mathrm{\α}}_i^t(a,b)\\ {\mathrm{\β}}_i^t(a,b)\end{array}\right]=1,$

否则，令

U为从a点出发的可行集，τ(a，s)为边(a，s)上的信息素浓度；η(a，s)＝1/d(a，s)代表边(a，s)上的自启发量，γ代表自启发量的权重，如 $b\∉\mathrm{tabu},$ 则 $\left[\begin{array}{c}{\mathrm{\α}}_i^t(a,b)\\ {\mathrm{\β}}_i^t(a,b)\end{array}\right]=1;$

a3)a＝b，tabu＝tabu∪{b}，重复步骤a2)、a3)，直到

的任意行和列有且仅有一个元素为1。

通过控制量子测量算子中的q值可控制算法的收敛方向，提高算法的全局搜索能力，q的具体设计如下：

$q=\left\{\begin{array}{cc}\mathrm{BaseNum},& t\≤C\\ \mathrm{BaseNum}*\frac{\mathrm{EndStep}-t}{\mathrm{EndStep}-C},& \mathrm{otherwise}\end{array}\right.$

其中EndStep为预先设定的量子蚁群最大迭代代数，t为蚁群演化当前代数，BaseNum∈[0，1]、C均为常数。

一种基于自适应量子蚁群的铁路交通换乘方案查询装置，包括管理控制台、管理机和查询机终端，所述的管理控制台分别连接管理机和查询机终端，所述的管理机与查询机终端连接。

所述的查询机终端包括触摸屏、中心处理模块、站点数据库模块和打印模块，所述的中心处理模块分别连接触摸屏、站点数据库模块和打印模块。

所述的管理控制台和管理机为C/S模式连接，所述的管理机和查询机终端为C/S模式连接。

所述的查询机终端设有多个。

与现有技术相比，本发明具有以下优点：

1、本发明设计了一种求解多目标优化的基于量子信息原理的新的优化方法——自适应量子蚁群算法，其利用量子计算天然的并行演化特性和蚁群算法的内在并行性，将量子信息的并行性和蚂蚁寻优相结合，使算法具有更强的并行计算能力，在速度和精度方面优于传统的蚁群系统，在全局寻优能力和种群多样性方面比蚁群算法有所改进，该方法能有效解决多目标最优路径搜索问题；

2、本发明中的算法采用量子旋转门来更新量子蚁群，以改善种群信息结构；同时，为提高算法的局部搜索能力，算法采用了3-OPT交换操作对最优解进行变异优化，并充分利用随机3-OPT算法简洁高效的特点，完成自身的变异，从而更新信息素，使算法实现了局部寻优和全局搜索的有机结合，算法收敛速度加快，并能有效地避免早熟收敛，提高了量子蚁群系统性能，该算法克服了蚁群算法难以处理大规模TSP优化问题，适合解决大规模旅行商问题并具有效率高等特点；

3、量子进化算法的随机性不好把握，收敛方向无法有效控制，容易陷入局部最优等问题，本发明进一步设计并实现了一种新的进化机制称为量子测量算子，通过量子测量算子可控制算法的收敛方向，提高算法的全局搜索能力；

4、本发明中的算法具有更好的精确度和鲁棒性，即使对于大规模问题，也能以较小的种群数目和较短的运行时间求得相对误差较小的满意解；

5、本发明由于采用客户机/服务器(C/S)模式，可以方便的增加通道的数量，具有良好的扩展性。

总之，本发明的有益效果在于：本发明设计新型的智能计算方法，能够对复杂的全国铁路交通网多约束条件下最优换乘进行高效的优化设计，提高了旅客出行对铁路交通换乘的灵活性、高效性，从而建立合理的换乘组织体系和信息服务体系来实现高效率的换乘。

附图说明

图1为本发明方法的流程示意图；

图2为本发明的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于自适应量子蚁群的铁路交通换乘方案查询方法，包括以下步骤：

在步骤101中，管理控制台通过管理机对查询机终端进行权限设置和数据库更新设置，查询机终端启动，触摸屏接收查询请求，包括起始站点和最终站点，并将查询请求发送给中心处理模块；

在步骤102中，中心处理模块根据查询请求从站点数据库模块中获取与查询信息相匹配的站点信息，包括站点名称信息、站点坐标信息及各站点间的运行时间信息；

在步骤103中，中心处理模块根据站点信息构建多模式最优路径模型；

在步骤104中，中心处理模块基于多模式最优路径模型执行自适应量子蚁群算法，计算获得不同最优目标下的最优铁路交通换乘方案，最优目标包括时间最短、换乘最少和路程最少；

在步骤105中，输出多模式最优路径模型并展现，展现内容包括铁路换乘信息和线路图；

在步骤106中，对多模式最优路径模型的数值进行更新；

在步骤107中，判断优化是否结束，若是，则将计算结果反馈给触摸屏，执行步骤108)，若否，返回步骤104)；

在步骤108中，触摸屏显示最终计算结果。

所述的步骤104)中的自适应量子蚁群算法具体包括如下步骤：

1041)初始化包含m个个体的量子蚁群Q(t)：

其中，

$q_i^t={\left[\begin{array}{cccc}{q}_i^t\left(\mathrm{1,1}\right)& q_i^t\left(\mathrm{1,2}\right)& ...& q_i^t(1,n)\\ q_i^t\left(\mathrm{2,1}\right)& q_i^t\left(\mathrm{2,2}\right)& ...& q_i^t(2,n)\\ ...& ...& ...& ...\\ q_i^t(n,1)& q_i^t(n,2)& ...& q_i^t(n,n)\end{array}\right]}_{n\×n},i=\mathrm{1,2},...,m$

$q_i^t(j,k)=\left[\begin{array}{c}{\mathrm{\α}}_i^t(j,k)\\ {\mathrm{\β}}_i^t(j,k)\end{array}\right],j,k=\mathrm{1,2},...,n$

为第t次迭代的第i个个体，且通过量子测量算子使的任意行和列有且仅有一个元素为1，其余为0，n为站点个数，t为迭代数，初始迭代数t＝0；

例如：当n＝3时 $q_i^t={\left[\begin{array}{ccc}0& 0& 1\\ 1& 0& 0\\ 0& 1& 0\end{array}\right]}_{3\×3},$ 表示路径为1-3-2-1。

1042)将m个蚂蚁随机地置于n个站点其中一个站点上，每只蚂蚁通过重复地应用状态转移规则，建立一个路径，直至所有蚂蚁均完成解路径的构造；

采用3-OPT局部寻优算法提升解集的每条路径，直到无法优化为止；

使用量子旋转门Q-gates更新Q(t)：

Q(t+1)＝G(θ)Q(t)， $G\left(\mathrm{\θ}\right)=\left[\begin{array}{cc}\mathrm{COS}\left(\mathrm{\θ}\right)& -\mathrm{SIN}\left(\mathrm{\θ}\right)\\ \mathrm{SIN}\left(\mathrm{\θ}\right)& \mathrm{COS}\left(\mathrm{\θ}\right)\end{array}\right](\mathrm{\θ}=0.01\mathrm{\π});$

采用3-OPT局部寻优算法进一步优化解集的每条路径，加快蚁群算法的收敛速度。设路径中的任意3个点为i，j，k，当前的最优路径为：

c_s...c_ic_i+1...c_jc_j+1...c_kc_k+1...c_t，如果d(c_i，c_i+1)+d(c_j，c_j+1)＞d(c_i，c_j)+d(c_i+1，c_j+1)，则路径(c_j，…，c_i+1)中的元素被反向排序；如果d(c_j，c_j+1)+d(c_k，c_k+1)＞d(c_j，c_k)+d(c_j+1，c_k+1)，则路径(c_k，...，c_j+1)中的元素被反向排序；

使用测量算子测量Q(t)；

评估Q(t)；

存储和记录当代最优解；

t＝t+1；

1043)判断是否满足终止准则，满足则算法迭代结束输出最优解，否则跳转至步骤1042)。

所述的通过量子测量算子测量Q(t)，使

的任意行和列有且仅有一个元素为1，具体操作如下：

a0)设种群中的第f个个体

的 $q_i^t(j,k)=\left[\begin{array}{c}{\mathrm{\α}}_i^t(j,k)\\ {\mathrm{\β}}_i^t(j,k)\end{array}\right]$ 为量子的概率幅表示，j，k＝1，2，...，n，其中

${\mathrm{\α}}_i^t(l,h)=\sqrt{1-{\left({\mathrm{\β}}_i^t(l,h)\right)}^2}$

L_l＝max{|d[l，j]-E_l|，j＝1，2...n}

其中，d[l，h]为站点(l，h)间距离；

a1)N＝{1，2，..，n}，tabu＝Φ，a取初值为1，tabu＝tabu∪{a}；

a2)对于

的a行，随机生成列b，b＝INT(Rand[0，1]×n)+1，b∈N，

如果

并且q∈[0，1]是一个自适应值，则 $\left[\begin{array}{c}{\mathrm{\α}}_i^t(a,b)\\ {\mathrm{\β}}_i^t(a,b)\end{array}\right]=1,$

否则，令

U为从a点出发的可行集，τ(a，s)为边(a，s)上的信息素浓度；η(a，s)＝1/d(a，s)代表边(a，s)上的自启发量，γ代表自启发量的权重，如 $b\∉\mathrm{tabu},$ 则 $\left[\begin{array}{c}{\mathrm{\α}}_i^t(a,b)\\ {\mathrm{\β}}_i^t(a,b)\end{array}\right]=1;$

a3)a＝b，tabu＝tabu∪{b}，重复步骤a2)、a3)，直到

的任意行和列有且仅有一个元素为1。

通过控制量子测量算子中的q值可控制算法的收敛方向，提高算法的全局搜索能力，具体设计如下：

$q=\left\{\begin{array}{cc}\mathrm{BaseNum},& t\≤C\\ \mathrm{BaseNum}*\frac{\mathrm{EndStep}-t}{\mathrm{EndStep}-C},& \mathrm{otherwise}\end{array}\right.$

其中EndStep为预先设定的量子蚁群最大迭代代数，t为蚁群演化当前代数，BaseNum∈[0，1]、C均为由用户设定的常数，通常BaseNum取值为0.7，C：EndStep取值为1∶3。这样在量子蚁群演化的初始阶段，q值较大，随机性选择概率较大，可以扩大搜索空间，从而提高全局搜索能力；在蚁群演化的后期，q值逐渐减小，随机性选择概率变小，则收敛方向会越好，使其能够保证快速演化。

如图2所示，实现上述基于自适应量子蚁群的铁路交通换乘方案查询方法的装置包括管理控制台1、管理机2和查询机终端3，所述的管理控制台1分别连接管理机2和查询机终端3，所述的管理机2与查询机终端3连接。查询机终端3以触摸屏方式工作的查询机是整个系统直接面对广大用户的部分，对外承担查询和信息展示功能，对内承担数据的存储、备份及接受控制台和管理机的管理。管理机2经管理控制台的授权，可对本区域的查询机终端进行管理，主要体现为对本区域的查询机终端特定内容的增加，删减或修改。管理控制台1用于对所有的查询机终端的使用权限进行管理，间接实现对管理机的权限管理，对本系统所有的查询机终端进行内容管理，具有最高管理权限，通过管理控制台和管理软件可设置不同的权限，通过网络共享对所有的查询机进行信息同步远程更新。

所述的查询机终端3包括触摸屏、中心处理模块、站点数据库模块和打印模块，所述的中心处理模块分别连接触摸屏、站点数据库模块和打印模块。触摸屏主要用于人机对话，实现人机交互，用于代替鼠标和键盘输入设备，完成触摸查询功能；中心处理模块接收触摸屏的输入，执行自适应量子蚁群算法，并将结果反馈给触摸屏；站点数据库模块负责保存全国铁路交通线路和各线路的站点名称信息、各站点的坐标信息、运行时间信息以及相关的图片或视频信息，并用于对数据的备份；打印模块可提供自助打印服务等功能。

所述的管理控制台1和管理机2为C/S模式连接，所述的管理机2和查询机终端3为C/S模式连接。所述的查询机终端3设有多个，每个查询机终端连接一个管理机。

Claims (10)

1.一种基于自适应量子蚁群的铁路交通换乘方案查询方法，其特征在于，包括以下步骤：

1)管理控制台通过管理机对查询机终端进行权限设置和数据库更新设置；

2)查询机终端启动，触摸屏接收查询请求，并将查询请求发送给中心处理模块；

3)中心处理模块根据查询请求从站点数据库模块中获取与查询信息相匹配的站点信息，并构建多模式最优路径模型；

4)中心处理模块基于多模式最优路径模型执行自适应量子蚁群算法，计算获得不同最优目标下的最优铁路换乘方案，输出最优路径；

5)对多模式最优路径模型的数值进行更新，并判断优化是否结束，若是，则将计算结果反馈给触摸屏，执行步骤6)，若否，返回步骤4)；

6)触摸屏显示计算结果。

2.根据权利要求1所述的一种基于自适应量子蚁群的铁路交通换乘方案查询方法，其特征在于，所述的查询请求包括起始站点和最终站点。

3.根据权利要求1所述的一种基于自适应量子蚁群的铁路交通换乘方案查询方法，其特征在于，所述的最优目标包括时间最短、换乘最少和路程最少。

4.根据权利要求1所述的一种基于自适应量子蚁群的铁路交通换乘方案查询方法，其特征在于，所述的步骤4)中的自适应量子蚁群算法具体包括如下步骤：

401)初始化包含m个个体的量子蚁群Q(t)：

其中，

$q_i^t={\left[\begin{array}{cccc}{q}_i^t\left(\mathrm{1,1}\right)& q_i^t\left(\mathrm{1,2}\right)& ...& q_i^t(1,n)\\ q_i^t\left(\mathrm{2,1}\right)& q_i^t\left(\mathrm{2,2}\right)& ...& q_i^t(2,n)\\ ...& ...& ...& ...\\ q_i^t(n,1)& q_i^t(n,2)& ...& q_i^t(n,n)\end{array}\right]}_{n\×n},i=\mathrm{1,2},...,m$

$q_i^t(j,k)=\left[\begin{array}{c}{\mathrm{\α}}_i^t(j,k)\\ {\mathrm{\β}}_i^t(j,k)\end{array}\right],j,k=\mathrm{1,2},...,n$

为第t次迭代的第i个个体，且通过量子测量算子使的任意行和列有且仅有一个元素为1，其余为0，n为站点个数，t为迭代数，初始迭代数t＝0；

402)将m个蚂蚁随机地置于n个站点其中一个站点上，每只蚂蚁通过重复地应用状态转移规则，建立一个路径，直至所有蚂蚁均完成解路径的构造；

采用3-OPT局部寻优算法提升解集的每条路径，直到无法优化为止；

使用量子旋转门Q-gates更新Q(t)：

$Q(t+1)=G\left(\mathrm{\θ}\right)Q\left(t\right),G\left(\mathrm{\θ}\right)=\left[\begin{array}{cc}\mathrm{COS}\left(\mathrm{\θ}\right)& -\mathrm{SIN}\left(\mathrm{\θ}\right)\\ \mathrm{SIN}\left(\mathrm{\θ}\right)& \mathrm{COS}\left(\mathrm{\θ}\right)\end{array}\right](\mathrm{\θ}=0.01\mathrm{\π});$

使用测量算子测量Q(t)；

评估Q(t)；

存储和记录当代最优解；

t＝t+1；

403)判断是否满足终止准则，满足则算法迭代结束输出最优解，否则跳转至步骤402)。

5.根据权利要求4所述的一种基于自适应量子蚁群的铁路交通换乘方案查询方法，其特征在于，所述的通过量子测量算子测量Q(t)，使

的任意行和列有且仅有一个元素为1，具体操作如下：

a0)设种群中的第i个个体

的 $q_i^t(j,k)=\left[\begin{array}{c}{\mathrm{\α}}_i^t(j,k)\\ {\mathrm{\β}}_i^t(j,k)\end{array}\right]$ 为量子的概率幅表示，j，k＝1，2，...，n，其中

${\mathrm{\α}}_i^t(l,h)=\sqrt{1-{\left({\mathrm{\β}}_i^t(l,h)\right)}^2}$

L_l＝max{|d[l，j]-El|，j＝1，2...n}

其中，d[l，h]为站点(l，h)间距离；

a1)N＝{1，2，...，n}，tabu＝Φ，a取初值为1，tabu＝tabu∪{a};

a2)对于

的a行，随机生成列b，b＝INT(Rand[0，1]×n)+1，b∈N，

如果并且

q∈[0，1]是一个自适应值，则 $\left[\begin{array}{c}{\mathrm{\α}}_i^t(a,b)\\ {\mathrm{\β}}_i^t(a,b)\end{array}\right]=1,$

否则，令

U为从a点出发的可行集，τ(a，s)为边(a，s)上的信息素浓度；η(a，s)＝1/d(a，s)代表边(a，s)上的自启发量，γ代表自启发量的权重，如 $b\∉\mathrm{tabu},$ 则 $\left[\begin{array}{c}{\mathrm{\α}}_i^t(a,b)\\ {\mathrm{\β}}_i^t(a,b)\end{array}\right]=1;$

a3)a＝b，tabu＝tabu∪{b}，重复步骤a2)、a3)，直到

的任意行和列有且仅有一个元素为1。

6.根据权利要求5所述的一种基于自适应量子蚁群的铁路交通换乘方案查询方法，其特征在于，通过控制量子测量算子中的q值可控制算法的收敛方向，提高算法的全局搜索能力，q的具体设计如下：

$q=\left\{\begin{array}{cc}\mathrm{BaseNum},& t\≤C\\ \mathrm{BaseNum}*\frac{\mathrm{EndStep}-t}{\mathrm{EndStep}-C},& \mathrm{otherwise}\end{array}\right.$

其中EndStep为预先设定的量子蚁群最大迭代代数，t为蚁群演化当前代数，BaseNum∈[0，1]、C均为常数。

7.一种如权利要求1所述的基于自适应量子蚁群的铁路交通换乘方案查询装置，其特征在于，包括管理控制台、管理机和查询机终端，所述的管理控制台分别连接管理机和查询机终端，所述的管理机与查询机终端连接。

8.根据权利要求7所述的一种基于自适应量子蚁群的铁路交通换乘方案查询装置，其特征在于，所述的查询机终端包括触摸屏、中心处理模块、站点数据库模块和打印模块，所述的中心处理模块分别连接触摸屏、站点数据库模块和打印模块。

9.根据权利要求7所述的一种基于自适应量子蚁群的铁路交通换乘方案查询装置，其特征在于，所述的管理控制台和管理机为C/S模式连接，所述的管理机和查询机终端为C/S模式连接。

10.根据权利要求7所述的一种基于自适应量子蚁群的铁路交通换乘方案查询装置，其特征在于，所述的查询机终端设有多个。

Images