CN104933473A - 基于变邻域搜索蚁群算法的城市智能交通调度方法 - Google Patents

Abstract

本发明给出一种基于变邻域搜索蚁群算法的城市智能交通控制方法，该方法首先按客户需求的时间先后对所有需求进行排序，并判断客户需求数和当前所拥有车辆数大小，若需求数小于车辆数，则对当前每个需求预分配一条路径，再对所有路径进行变邻域搜索，最终得出最优化的方案；若需求数大于车辆数m，则先对已按时间排序的前m个需求预分配一条路径，从剩下未被分配路径的需求中取一个，将其拟插入到每个已有路径中并用蚁群算法选出代价最小的路径再将需求结点插入该路径，其他路径则还原拟插入之前的状态，重复此方法直到所有需求都被分配路径；最后对所有路径进行变邻域搜索，得出最优化的方案。本发明可以在城市特殊活动中提高交通资源利用率。

Description

基于变邻域搜索蚁群算法的城市智能交通调度方法

技术领域

本发明涉及一种基于变邻域搜索蚁群算法的城市智能交通调度方法，主要用于解决城市智能交通调度问题，属于信息物理融合系统和智能交通系统的交叉技术领域。

背景技术

城市智能交通系统是一个综合计算、网络和物理环境的多维复杂系统，通过计算、通信和控制技术的有机融合与深度协作，实现大型工程系统的实时感知、动态控制和信息服务。现代城市智能交通系统实现计算、通信与物理系统的一体化设计，可使系统更加可靠、高效、实时协同，具有重要而广泛的应用前景。城市智能交通系统需要处理公共交通车辆、私人车辆以及指警车、消防车、救护车、工程救险车等特种车辆，如何让这些类型车辆靠自己的智能在道路上自由行驶、公路靠自身的智能有效地车辆进行调度而将交通流量调整至最佳状态是非常重要的问题。

计算智能是一种借鉴和利用自然界中自然现象或生物体的各种原理和机理而开发的并具有自适应环境能力的计算方法。计算智能的方法是人们从生物进化的机理和一些自然现象中受到启发，提出的许多用以解杂优化问题的新方法，具有分布、并行、仿生、自学习、自组织、自适应等因其高效的优化性能无需问题特殊信息等优点在诸多领域得到广泛应用，研究较多的计算智能技术主要包括进化计算、人工神经网络、模糊计算、人工免疫系统和群体智能等。

蚁群算法属于群体智能算法中的一种又称蚂蚁算法，该算法是一种用来在图中寻找优化路径的机率型算法。其灵感来源于蚂蚁在寻找食物过程中发现路径的行为，蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。该算法具有较强的鲁棒性和并行计算能力

邻域搜索是一种元启发式算法，对于求解大规模优化问题有较好的效果。该算法在搜索过程中改变邻域以扩大搜索范围，获得局部最优解后再重复改变邻域和搜索的过程。该算法简单易用，且可获得较好的结果。

发明内容

技术问题：本发明的目的是提供一种基于变邻域搜索蚁群算法的城市智能交通调度方法，以解决高效的路径分配问题。

技术方案：本发明所述的基于变邻域搜索蚁群算法的城市智能交通调度方法，先判断客户需求数和当前车辆数的大小，若需求数小于车辆数则对每个客户需求生成一条路径序列再通过变邻域搜索对车辆调度进行优化；若需求数大于车辆数则先生成一部分路径，再将未被分配路径的客户通过蚁群算法优化插入到已有路径中，再对所有路径进行变邻域搜索优化调度。

基于变邻域搜索蚁群算法的城市智能交通调度方法包括以下步骤：

步骤1)获取每个客户的需求信息，包括起点、终点和要求的乘车时间，按时间先后对客户的需求排序并编号；同时，统计客户需求总数n和车辆数m、每辆车容量Q；

步骤2)初始化min{m,n}条路径，即形成min{m,n}条从起点到终点的序列(V_is,V_it)，其中0<i≤min{m,n}，所述V_is和V_it分别表示编号为i的客户的上下车结点位置；

步骤3)比较m和n的大小，若m<n则进入步骤4，否则跳至步骤6；

步骤4)利用蚁群算法挑选出当前未被分配路径的一位客户的最佳插入路径，具体如下：

步骤4.1)将未获得路径分配的编号为j的客户的上下车结点位置(V_js,V_jt)按照客户对乘车时间的限制尝试拟插入到当前每条路径中，其中min{m,n}<j≤n，若插入后不满足时间要求则不插入；若该节点因为要求的时间原因无法插入到任何一条路径则将之插入到能够最小化因插入该结点而产生的延时的路径中；

步骤4.2)初始化蚁群算法参数，将每条被拟插入新结点的路径被选概率设为所有拟被插入新结点路径总数的倒数；

步骤4.3)让一只蚂蚁根据概率选择路径，同时更新每条路径被选概率；

步骤4.4)判断是否所有蚂蚁都走完，若是则进入步骤4.5否则回到步骤4.3；

步骤4.5)根据蚁群算法的结果选择出当前结点最优插入路径，并将该结点加入此路径，其他路径则恢复到拟插入之前的状态；

步骤5)判断是否所有客户都得到路径分配，若是则进入步骤6，否则回到步骤4；

步骤6)对已有的路径进行变邻域搜索，具体步骤如下：

步骤6.1)优先挑选未被挑选过的两条路径，交换路径中任意多的结点序列，若路径都被挑选过则任意挑选；

步骤6.2)按照公式f(s)＝c(s)+a*q(s)计算这两条路径交换任意多客户的结点序列前后的代价，所述s表示一条路径序列，c(s)表示s这条路径序列所需的旅行时间，q(s)表示s这条路径序列上承载的客户数量，a为常数；

步骤6.3)判断交换结点序列后这两条路径代价的总和是否减少，若减少则执行步骤6.5，否则执行步骤6.4；

步骤6.4)还原交换序列的两条路径，并返回步骤6.1；

步骤6.5)判断是否达到变邻域搜索迭代最大次数，若没有达到则返回步骤6.1，否则进入步骤7；

步骤7)对每条路径序列进行局部搜索，得出最终路径。

2.根据权利要求1所述的基于变邻域搜索蚁群算法的城市智能交通调度方法，其特征在于步骤7)对每条路径序列进行局部搜索的具体步骤如下：

步骤7.1)选择一条未被局部搜索过的路径；

步骤7.2)移除一个未被移除过的客户的结点，包括上车点和下车点；

步骤7.3)将被移除的上车结点重新插入到原序列除原位置外的一个可能的位置；

步骤7.4)将被移除的下车结点重新插入到原序列除原位置外的一个可能的位置；

步骤7.5)判断上述改动是否有有益效果，若有则进入步骤7.9，否则进入步骤7.6；

步骤7.6)判断当前序列所有下车点可能位置是否都被尝试过，若是，则进入步骤7.7，否则返回步骤7.4；

步骤7.7)判断当前序列所有上车点可能位置是否都被尝试过，若是，则进入步骤7.8，否则返回步骤7.3；

步骤7.8)取消此次改动，将路径序列还原初始状态；

步骤7.9)判断当前路径上是否所有客户结点都被搜索过，若是则进入步骤7.10，否则返回步骤7.2；

步骤7.10)判断是否所有路径都被搜索过，若是则结束并得出最优方案，否则返回步骤7.1。

有益效果：本发明在提供路径解集的时候运用到蚁群算法，根据把未被分配路径的客户上下车结点插入到已有路径中前后的代价大小来把多个客户的需求优化合并到一条路径中。在对生成好的路径进行变邻域搜索中经过交换路径序列等操作获得最终方案。具体体现如下有益效果：

(1)利用蚁群算法生成初试路径集的方法简单、高效，为后续变邻域搜索减轻负担；

(2)使用变邻域搜索算法对以生成的路径进行优化，方法易用且能够得到良好的结果，降低问题的复杂性。

(3)本发明在满足客户的需求下尽可能地将多个客户合并到一条路径中用同一车辆运送能极大地节约城市交通资源，同时降低运输成本。

附图说明

图1是基于变邻域搜索蚁群算法的城市智能交通调度方法流程图；

图2是对一条路径序列进行局部搜索的流程图；

图3是实例需求示意图。

具体实施方式

本发明使用嵌入蚁群算法的变邻域搜索算法，解决城市中短时间内出现大量乘车需求的智能交通调度问题，提高城市交通资源的利用率。下面根据实施例对本发明作更详细的描述。

现模拟音乐会结束后观众离场而产生大量乘车需求的场景来具体描述本方法。在该场景中客户需求数为500，车辆数为100，每辆车的容量为8。

步骤1)获取每个客户的需求信息，包括起点、终点和时间，按时间先后对客户的需求排序并编号。同时，统计客户需求总数n和车辆数m、每辆车容量Q得数值分别为500、100和8。

步骤2)初始化min{m,n}条路径，即形成100条从起点到终点的序列(V_is,V_it)(0<i≤100)

步骤3)比较m和n的大小，若m<n则进入步骤4，否则跳至步骤6。

步骤4)利用蚁群算法挑选出当前未被分配路径的一位客户的最佳插入路径，具体如下：

步骤4.1)将未获得路径分配的编号为j的客户的上下车结点(V_js,V_jt)(100<j≤500)按照客户对乘车时间的限制尝试拟插入到当前每条路径中。在本场景中不存在结点因为要求的时间原因无法插入到任何一条路径的情况。

步骤4.2)初试化蚁群算法参数，将每条被拟插入新结点的路径被选概率设为所有拟被插入新结点路径总数的倒数即0.01。

步骤4.3)让一只蚂蚁根据概率选择路径，同时更新每条路径被选概率。

步骤4.4)判断是否所有蚂蚁都走完，若是则进入步骤4.5否则回到步骤4.3。

步骤4.5)根据蚁群算法的结果选择出当前结点最优插入路径，并将该结点加入此路径，其他路径则恢复到拟插入之前的状态。

步骤5)判断是否所有客户都得到路径分配,若是则进入步骤6，否则回到步骤4。

步骤6)对已有的路径进行变邻域搜索，具体步骤如下：

步骤6.1)优先挑选未被挑选过的两条路径，交换路径中任意多的结点序列，若路径都被挑选过则任意挑选。

步骤6.2)按照公式f(s)＝c(s)+a*q(s)计算这两条路径交换任意多客户的结点序列前后的代价，其中s表示一条路径学列，c(s)表示s这条路径序列所需旅行时间，q(s)表示s这条路径序列上的客户数量，两者因路径不同而定。常数a取1。

步骤6.3)判断交换结点序列后这两条路径代价的总和是否减少，若减少则执行步骤6.5，否则执行步骤6.4.

步骤6.4)还原交换序列的两条路径，并返回步骤6.1。

步骤6.5)判断是否达到变邻域搜索迭代最大次数，若没有达到则返回步骤6.1，否则进入步骤7。

步骤7)对每条路径序列进行局部搜索，具体如下：

步骤7.1)选择一条未被局部搜索过的路径。

步骤7.2)移除一个未被移除过的客户的结点。

步骤7.3)将被移除的上车结点重新插入到原序列出原位置外的可能的位置。

步骤7.4)将被移除的下车结点重新插入到原序列出原位置外的可能的位置。

步骤7.5)判断上述改动是否有有益效果，函数f(s)较之前减少则表示有有益效果否则判为没有有益效果，进入步骤7.9，否则进入步骤7.6。

步骤7.6)判断当前序列所有下车点可能位置是否都被尝试过。若是则进入步骤7.7，否则返回步骤7.4。

步骤7.7)判断当前序列所有上车点可能位置是否都被尝试过。若是则进入步骤7.8，否则返回步骤7.3。

步骤7.8)取消此次改动，将序列还原初试状态。

步骤7.9)判断当前路径上是否所有客户结点都被搜索过。若是则进入步骤7.10，否则返回步骤7.2。

步骤7.10)判断是否所有路径都被搜索过。若是则结束，否则返回步骤7.1。

最终得出最优路径解集。

Claims (2)

1.一种基于变邻域搜索蚁群算法的城市智能交通控制方法，其特征在于该方法包括以下步骤：

步骤1)获取每个客户的需求信息，包括起点、终点和要求的乘车时间，按时间先后对客户的需求排序并编号；同时，统计客户需求总数n和车辆数m、每辆车容量Q；

步骤2)初始化min{m,n}条路径，即形成min{m,n}条从起点到终点的序列(V_is,V_it)，其中0<i≤min{m,n}，所述V_is和V_it分别表示编号为i的客户的上下车结点位置；

步骤3)比较m和n的大小，若m<n则进入步骤4，否则跳至步骤6；

步骤4)利用蚁群算法挑选出当前未被分配路径的一位客户的最佳插入路径，具体如下：

步骤4.1)将未获得路径分配的编号为j的客户的上下车结点位置(V_js,V_jt)按照客户对乘车时间的限制尝试拟插入到当前每条路径中，其中min{m,n}<j≤n，若插入后不满足时间要求则不插入；若该节点因为要求的时间原因无法插入到任何一条路径则将之插入到能够最小化因插入该结点而产生的延时的路径中；

步骤4.2)初始化蚁群算法参数，将每条被拟插入新结点的路径被选概率设为所有拟被插入新结点路径总数的倒数；

步骤4.3)让一只蚂蚁根据概率选择路径，同时更新每条路径被选概率；

步骤4.4)判断是否所有蚂蚁都走完，若是则进入步骤4.5否则回到步骤4.3；

步骤4.5)根据蚁群算法的结果选择出当前结点最优插入路径，并将该结点加入此路径，其他路径则恢复到拟插入之前的状态；

步骤5)判断是否所有客户都得到路径分配，若是则进入步骤6，否则回到步骤4；

步骤6)对已有的路径进行变邻域搜索，具体步骤如下：

步骤6.1)优先挑选未被挑选过的两条路径，交换路径中任意多的结点序列，若路径都被挑选过则任意挑选；

步骤6.2)按照公式f(s)＝c(s)+a*q(s)计算这两条路径交换任意多客户的结点序列前后的代价，所述s表示一条路径序列，c(s)表示s这条路径序列所需的旅行时间，q(s)表示s这条路径序列上承载的客户数量，a为常数；

步骤6.3)判断交换结点序列后这两条路径代价的总和是否减少，若减少则执行步骤6.5，否则执行步骤6.4；

步骤6.4)还原交换序列的两条路径，并返回步骤6.1；

步骤6.5)判断是否达到变邻域搜索迭代最大次数，若没有达到则返回步骤6.1，否则进入步骤7；

步骤7)对每条路径序列进行局部搜索，得出最终路径。

2.根据权利要求1所述的基于变邻域搜索蚁群算法的城市智能交通调度方法，其特征在于步骤7)对每条路径序列进行局部搜索的具体步骤如下：

步骤7.1)选择一条未被局部搜索过的路径；

步骤7.2)移除一个未被移除过的客户的结点，包括上车点和下车点；

步骤7.3)将被移除的上车结点重新插入到原序列除原位置外的一个可能的位置；

步骤7.4)将被移除的下车结点重新插入到原序列除原位置外的一个可能的位置；

步骤7.5)判断上述改动是否有有益效果，若有则进入步骤7.9，否则进入步骤7.6；

步骤7.6)判断当前序列所有下车点可能位置是否都被尝试过，若是，则进入步骤7.7，否则返回步骤7.4；

步骤7.7)判断当前序列所有上车点可能位置是否都被尝试过，若是，则进入步骤7.8，否则返回步骤7.3；

步骤7.8)取消此次改动，将路径序列还原初始状态；

步骤7.9)判断当前路径上是否所有客户结点都被搜索过，若是则进入步骤7.10，否则返回步骤7.2；

步骤7.10)判断是否所有路径都被搜索过，若是则结束并得出最优方案，否则返回步骤7.1。