CN105023426B - 一种城市公交路线选择方法 - Google Patents

Abstract

本发明给出一种城市公交路线选择方法，该方法充分利用计算智能的优势来解决城市交通拥堵问题，在城市智能交通系统中将密切联系智能交通系统各交互单元，以系统角度解决有关问题，对路况信息做出准确预测，根据交通畅通情况，对公交线路进行合理规划，扩大公交车辆的覆盖范围，缩短乘客的等待时间，以及公交车辆的运转周期，将交通流量调整至最佳状态；首先建立一个多目标模型，以乘客的平均出行时间和路线的总长度作为两个衡量指标；然后通过启发式算法来规划最优的公交行驶路线，使覆盖范围更广，连通性更好，本发明方法能够动态地处理城市公交路线选择问题，适应性更强，适用范围更广。

Description

一种城市公交路线选择方法

技术领域

本发明涉及一种城市公交路线选择方法，主要利用进化计算策略来解决城市交通系统中的车辆调度问题，属于机器学习、计算机和软件理论的交叉技术应用领域。

背景技术

城市智能交通系统UITS是一个综合计算、网络和物理环境的多维复杂系统，通过3C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UITS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。

UITS结合无处不在的环境感知、嵌入式计算、网络通信和网络控制等系统工程，使物理系统具有计算、通信、精确控制、远程协作和自治功能。它注重计算资源与物理资源的紧密结合与协调，主要用于一些智能系统上如机器人，智能导航等。UITS不仅已成为国内外学术界和科技界研究开发的重要方向，预计也将成为企业界优先发展的产业领域。开展UITS研究与应用对于加快中国培育推进工业化与信息化融合具有重要意义。

UITS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。以特种车辆为例，虽然交通安全法第五十三条规定，特种车辆在执行紧急任务时可以使用报警器、标志灯具，享有道路优先通行权，但是在交通拥堵的情况下，特种车辆仍然难以及时到达目的地。特种车辆调度是UITS重要的应用领域，在很多大中型城市都引入了警车巡逻的机制，智能化的智能交通系统将充分利用有限的警力资源，使若干辆警车在所辖范围内按照优化的方案进行巡逻，加快接处警(接受报警并赶往现场处理事件)时间，使警车以比较高的频率在市区内各个区域出现，在一定程度上对违法犯罪分子起到震慑作用，减少潜在案件的发生。

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。

进化计算是自60年代开始发展起来的一种新兴学科，它是基于自然选择和自然遗传等生物进化机制的一种模拟生物进化过程的智能搜索算法。它以生物界的“优胜劣态、适者生存”作为算法的进化规则，结合达尔文的自然选择与孟德尔的遗传变异理论，将生物进化中的四个基本形式:繁殖、变异、竞争和选择引入到算法过程中。进化计算采用简单的编码技术，并对一组编码进行遗传操作和优胜劣汰的自然选择，从而达到指导学习和确定搜索方向的目的。由于它采用基于种群的方式组织启发式搜索，从而具有自学习、自组织、自适应等智能特征。

遗传算法是典型的进化计算算法，近年来迅速发展起来的一种全新的随机搜索与优化算法,其基本思想是基于Darwin的进化论和Mendel的遗传学说。该算法由密执安大学教授Holland及其学生于1975年创建,遗传算法有较强的全局搜索能力,内在的并行特性，使其具有并行搜索的能力，但其局部搜能力较差,容易产生早熟现象而局限于局部最优解。为了克服遗传算法的缺点，出现了把遗传算法和其他算法相融合的混合遗传算法，该算法提出的是一种框架、是一个概念,在这个框架下,采用不同的搜索策略可以构成不同的算法,如全局搜索策略可以采用遗传算法、进化策略、进化规划等,局部搜索策略可以采用爬山搜索、模拟退火、贪婪算法、禁忌搜索、导引式局部搜索等，它很好的保留了遗传算法的全局搜索能力，同时提高了局部搜索能力，改善了算法的收敛特性。目前混合遗传算法一般应用在函数优化、多目标优化、多约束优化等方面。

群体智能是受社会性昆虫的启发，通过对其行为的模拟形成一系列用于解决复杂问题的新方法。由单个复杂个体完成的任务可由大量简单的个体组成的群体合作完成，而后者往往更具有灵活性、鲁棒性和经济上的优势。群体智能利用群体优势，在没有集中控制和全局模型的前提下，依靠群体中众多智能个体相互之间的简单合作进行分布式的问题求解，为寻找复杂问题解决方案提供了新的思路。 群体智能方法作为一种新兴的具有并行性、分布式和自适应性的随机启发式搜索算法，自从20世纪80年代出现以来，引起了多个学科领域研究人员的关注，己经成为人工智能以及经济、社会、生物等交叉学科的热点和前沿领域。目前群体智能主要模式有蚁群算法、粒子群算法、菌群觅食优化算法。

蚁群算法，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为，该算法具有较强的鲁棒性和并行计算能力，但是种群进化速度慢，且容易陷入局部最优解。粒子群算法是一种模拟鸟类觅食的行为的进化算法，由Eberhart博士和kennedy博士提出，该算法没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索，算法中粒子具有自我总结以及向群体中最优个体学习的能力，这使得算法搜索速度快，实现简单，但它容易陷入局部最优解，容易产生早熟现象。细菌觅食算法是一种新型进化算法，源于Kevin M.Passino教授对人体内大肠杆菌觅食行为的动态模拟,在算法中，细菌通过趋向操作，复制操作，迁徙操作和信息共享机制完成求解问题的最优实现，该群体智能算法具有熟练速度快、易跳出局部极小值等优点，逐渐成为生物启发式计算研究领域的又一热点。

发明内容

技术问题：本发明的目的是提供一种城市公交路线选择方法，充分利用计算智能的优势来解决城市交通拥堵问题，在城市智能交通系统中将密切联系智能交通系统各交互单元，以系统角度解决有关问题，对路况信息做出准确预测，根据交通畅通情况，对公交线路进行合理规划，扩大公交车辆的覆盖范围，缩短乘客的等待时间，以及公交车辆的运转周期，将交通流量调整至最佳状态。

技术方案：本发明所述的一种城市公交路线选择方法，首先建立一个多目标模型，所述模型以乘客的平均出行时间和路线的总长度作为两个衡量指标；然后通过启发式算法来规划最优的公交行驶路线，使覆盖范围更广，连通性更好。同时尽可能避免客流量不均匀导致的某些站点过于拥挤，某些站点过于空闲的情况。

本发明所述的城市公交线路选择方法包括以下步骤：

步骤1)设置公交站点的数目n、每个站点的邻接点表、路线集的容量r；

步骤2)生成初始路线集，具体步骤如下：

步骤2.1)设置路线数目count＝1；

步骤2.2)生成路线集中第一条路线，具体步骤如下：

步骤2.2.1)设置路线长度的最大值Max，最小值Min，随机生成预设的路线长度阈值，长度范围在Min和Max之间；

步骤2.2.2)在点集中随机选取一个点，作为起点s；

步骤2.2.3)判断s的邻接表是否为空，若不为空则转到步骤2.2.4)，否则，转到步骤2.2.5)；

步骤2.2.4)检查s的邻接表中是否存在没有使用过的点，若存在，则转到步骤2.2.6)，否则，转到步骤2.2.5)；

步骤2.2.5)翻转路线，将路线的另一端的端点作为新的起点s，使得路线沿着新的起点方向生长；

步骤2.2.6)从s的邻接表中随机选择一个没有使用过的点，作为新的起点s；

步骤2.2.7)判断是否满足终止条件，所述终止条件为：所有的点都使用过，添加任意一个点都会形成环，路线长度达到该路线长度的阈值；上述条件满足其一即可终止；当不满足终止条件，转到步骤2.2.3)；

步骤2.2.8)判断第一条路线是否达到该路线长度的阈值，若达到，则该路线成功生成，路线数目增加1，count＝count+1，转到步骤2.2.9)，否则，移去除了第一个点外的所有点，转到步骤2.2.3)；

步骤2.2.9)对当前生成的路线进行扩展，将能添加到当前路线中，并且不会导致路线形成环的点添加进去；

步骤2.3)比较count和r，当count<r，转到步骤2.4)，否则，转到步骤3)；

步骤2.4)生成路线集中的剩余路线，具体步骤如下：

步骤2.4.1)从路线集中已有的count条路线中，随机选一条路线；

步骤2.4.2)在选择的这条路线上随机选择一个点，以该点为起点生成一条新的路线，生成方法与生成第一条路线相同，转到步骤2.2.1)；

步骤3)计算路线集中每条路线的权值，所述权值与乘客平均出行时间和路线总长度相关，C_c＝α*C_t+β*C_l，C_t为乘客平均出行时间,C_l为路线总长度，α为乘客平均出行时间系数，默认为0.5，β为路线总长度系数，默认为0.5,具体步 骤如下：

步骤3.1)计算乘客平均出行时间C_t，计算公式如下：

所述p_ij表示从i点出发到达j点的交通需求，t_ij表示从i点到j点花费的最短时间；

步骤3.2)计算路线总长度C_l，计算公式如下：

所述d_ij(k)表示编号为k的路径上i点到j点的最短距离；所述两点之间的最短距离通过弗洛伊德最短路径(Floyd)算法求出；

步骤4)按照每条路线的权值从小到大进行排序，初始化迭代次数cnt＝1，设置迭代次数阈值；

步骤5)对路线集进行交叉操作，产生新的子代路线，迭代次数增加一次，cnt＝cnt+1，具体步骤如下：

步骤5.1)从路线集中取出权值最小的没有使用过的路线，作为父代路线A，从A中选取一部分点；

步骤5.2)从路线集中取出权值最小额没有使用过的路线，作为父代路线B，从B中选取一部分点，确保与步骤5.1)中选取的点尽量不重合；

步骤5.3)将从A，B路线中取出的点组合起来，构造出新的子代路线C；

步骤6)对路线C进行repair操作，把能添加到C中，且不会导致原有路线形成环的点都添加到C中；

步骤7)对路线C进行变异操作，对C随机增加或删除一个点；

步骤8)判断路线C是否出现过，当出现过，则删除路线C，转到步骤5)，否则，转到步骤9)；

步骤9)计算路线C的权值，与A、B权值进行比较，当比A权值小，则替换A，比B权值小，则替换B，当与A、b都相差不大，则替换路线集中权值最大的路线；

步骤10)将路线C的权值与最优路线进行对比，当比最优路线小，则替换最 优路线；

步骤11)比较cnt和迭代次数阈值，当cnt小于阈值，转到步骤5)，否则，输出最优路线。

有益效果：本发明在城市智能交通系统车辆调度区域覆盖中能够有效求解多目标优化问题。具体来说，本发明所述的方法具有如下的有益效果：

(1)本发明所述的基于计算智能的城市公交路线选择方法，在城市智能交通系统车辆调度区域覆盖中，应用选定的进化计算策略求解多目标优化问题，对影响城市交通车辆交通的因素分析得更加全面，与现实更加贴近，更具可行性和合理性；

(2)本发明所述的基于计算智能的城市公交路线选择方法，针对城市智能交通系统车辆路由问题，结合层次型路由算法特点，设计了一种基于群体智能的分层路由算法，改善城市智能交通系统特定车辆的路由性能

(3)本发明采用了计算智能的算法，能够动态地处理城市公交路线选择问题，适应性更强，适用范围更广；

(4)能够高效地求解最优的公交路线选择。

具体实施方式

下面对本发明具体实施做更详细的描述。

1、设置公交站点的数目n＝100，每个站点的邻接点表，路线集的容量r＝20；

2、生成初始路线集，具体步骤如下：

2.1、设置路线数目count＝1；

2.2、生成路线集中第一条路线，具体步骤如下：

2.2.1、设置路线长度的最大值Max＝1000km，最小值Min＝10km，随机生成预设的路线长度阈值，长度范围在Min～Max之间；

2.2.2、在点集中随机选取一个点，作为起点s；

2.2.3、判断s的邻接表是否为空，若不为空则转到步骤2.2.4，否则，转到步骤2.2.5；

2.2.4、检查s的邻接表中是否存在没有使用过的点，若存在，则转到步骤2.2.6，否则，转到步骤2.2.5；

2.2.5、翻转路线，将路线的另一端的端点作为新的起点s，使得路线沿着新的起点方向生长；

2.2.6、从s的邻接表中随机选择一个没有使用过的点，作为新的起点s；

2.2.7、判断是否满足终止条件，所述终止条件为：所有的点都使用过，添加任意一个点都会形成环，路线长度达到该路线长度的阈值；上述条件满足其一即可终止；如果不满足终止条件，转到步骤2.2.3；

2.2.8、判断第一条路线是否达到该路线长度的阈值，若达到，则该路线成功生成，路线数目增加1，count＝count+1，转到步骤2.2.9，否则，移去除了第一个点外的所有点，转到步骤2.2.3；

2.2.9、对当前生成的路线进行扩展，将能添加到当前路线中，并且不会导致路线形成环的点添加进去；

2.3、比较count和r，如果count<r，转到步骤2.4，否则，转到步骤3；

2.4、生成路线集中的剩余路线，具体步骤如下：

2.4.1、从路线集中已有的count条路线中，随机选一条路线；

2.4.2、在选择的这条路线上随机选择一个点，以该点为起点生成一条新的路线，生成方法与生成第一条路线相同，转到步骤2.2.1；

3、计算路线集中每条路线的权值，所述权值与乘客平均出行时间和路线总长度相关，C_c＝α*C_t+β*C_l，具体步骤如下：

3.1、计算乘客平均出行时间C_t，有公式如下：

其中p_ij表示从i点出发到达j点的交通需求，t_ij表示从i点到j点花费的最短时间；

3.2、计算路线总长度C_l，有公式如下：

其中，d_ij(k)表示编号为k的路径上i点到j点的最短距离；所述两点之间的最短距离通过弗洛伊德最短路径(Floyd)算法求出；

4、按照每条路线的权值从小到大进行排序，初始化迭代次数cnt＝1，设置迭代次数阈值；

5、对路线集进行交叉操作，产生新的子代路线，迭代次数增加一次，cnt＝cnt+1，具体步骤如下：

5.1、从路线集中取出权值最小的没有使用过的路线，作为父代路线A，从A中选取一部分点；

5.2、从路线集中取出权值最小额没有使用过的路线，作为父代路线B，从B中选取一部分点，确保与步骤5.1中选取的点尽量不重合；

5.3、将从A，B路线中取出的点组合起来，构造出新的子代路线C；

6、对路线C进行repair操作，把能添加到C中，且不会导致原有路线形成环的点都添加到C中；

7、对路线C进行变异操作，对C随机增加或删除一个点；

8、判断路线C是否出现过，如果出现过，则删除路线C，转到步骤5，否则，转到步骤9；

9、计算路线C的权值，与A、B权值进行比较，如果比A权值小，则替换A，比B权值小，则替换B，如果与A、b都相差不大，则替换路线集中权值最大的路线；

10、将路线C的权值与最优路线进行对比，如果比最优路线小，则替换最优路线。

11、比较cnt和迭代次数阈值，如果cnt小于阈值，转到步骤5，否则，输出最优路线。

Claims (1)

1.一种城市公交路线选择方法，其特征在于该方法包括以下步骤：

步骤1)设置公交站点的数目n、每个站点的邻接点表、路线集的容量r；

步骤2)生成初始路线集，具体步骤如下：

步骤2.1)设置路线数目count＝1；

步骤2.2)生成路线集中第一条路线，具体步骤如下：

步骤2.2.1)设置路线长度的最大值Max，最小值Min，随机生成预设的路线长度阈值，长度范围在Min和Max之间；

步骤2.2.2)在点集中随机选取一个点，作为起点s；

步骤2.2.3)判断s的邻接表是否为空，若不为空则转到步骤2.2.4)，否则，转到步骤2.2.5)；

步骤2.2.4)检查s的邻接表中是否存在没有使用过的点，若存在，则转到步骤2.2.6)，否则，转到步骤2.2.5)；

步骤2.2.5)翻转路线，将路线的另一端的端点作为新的起点s，使得路线沿着新的起点方向生长；

步骤2.2.6)从s的邻接表中随机选择一个没有使用过的点，作为新的起点s；

步骤2.2.7)判断是否满足终止条件，所述终止条件为：所有的点都使用过，添加任意一个点都会形成环，路线长度达到该路线长度的阈值；上述条件满足其一即可终止；当不满足终止条件，转到步骤2.2.3)；

步骤2.2.8)判断第一条路线是否达到该路线长度的阈值，若达到，则该路线成功生成，路线数目增加1，count＝count+1，转到步骤2.2.9)，否则，移去除了第一个点外的所有点，转到步骤2.2.3)；

步骤2.2.9)对当前生成的路线进行扩展，将能添加到当前路线中，并且不会导致路线形成环的点添加进去；

步骤2.3)比较count和r，当count<r，转到步骤2.4)，否则，转到步骤3)；

步骤2.4)生成路线集中的剩余路线，具体步骤如下：

步骤2.4.1)从路线集中已有的count条路线中，随机选一条路线；

步骤2.4.2)在选择的这条路线上随机选择一个点，以该点为起点生成一条新的路线，生成方法与生成第一条路线相同，转到步骤2.2.1)；

步骤3)计算路线集中每条路线的权值C_c，所述每条路线的权值C_c与乘客平均出行时间C_t和路线总长度C_l相关，C_c＝α*C_t+β*C_l，C_c为每条路线的权值，C_t为乘客平均出行时间,C_l为路线总长度，α为乘客平均出行时间系数，默认为0.5，β为路线总长度系数，默认为0.5,具体步骤如下：

步骤3.1)计算乘客平均出行时间C_t，计算公式如下：

$C_t=\frac{{\mathrm{\&Sigma;}}_{i,j=1}^n{p}_{ij}{t}_{ij}}{{\mathrm{\&Sigma;}}_{i,j=1}^n{t}_{ij}}$

所述p_ij表示从i点出发到达j点的交通需求，t_ij表示从i点到j点花费的最短时间；

步骤3.2)计算路线总长度C_l，计算公式如下：

$C_l=\underset{(i,j)\&Element;k}{\&Sigma;}{d}_{ij}\left(k\right)$

所述d_ij(k)表示编号为k的路径上i点到j点的最短距离；所述i点到j点的最短距离通过弗洛伊德最短路径(Floyd)算法求出；

步骤4)按照每条路线的权值从小到大进行排序，初始化迭代次数cnt＝1，设置迭代次数阈值；

步骤5)对路线集进行交叉操作，产生新的子代路线，迭代次数增加一次，cnt＝cnt+1，具体步骤如下：

步骤5.1)从路线集中取出权值最小的没有使用过的路线，作为父代路线A，从A中选取一部分点；

步骤5.2)从路线集中取出权值最小的没有使用过的路线，作为父代路线B，从B中选取一部分点，确保与步骤5.1)中选取的点尽量不重合；

步骤5.3)将从A，B路线中取出的点组合起来，构造出新的子代路线C；

步骤6)对路线C进行repair操作，把能添加到C中，且不会导致原有路线形成环的点都添加到C中；

步骤7)对路线C进行变异操作，对C随机增加或删除一个点；

步骤8)判断路线C是否出现过，当出现过，则删除路线C，转到步骤5)，否则，转到步骤9)；

步骤9)计算路线C的权值，与A、B权值进行比较，当比A权值小，则替换A，比B权值小，则替换B，当与A、B都相差不大，则替换路线集中权值最大的路线；

步骤10)将路线C的权值与最优路线进行对比，当比最优路线小，则替换最优路线；

步骤11)比较cnt和迭代次数阈值，当cnt小于阈值，转到步骤5)，否则，输出最优路线。