CN107248006B - 基于分层递阶的地铁线路客流协调控制方法 - Google Patents

Abstract

本发明提供一种基于分层递阶的地铁线路客流协调控制方法，采用分层递阶控制结构描述线路客流控制系统，并把系统分为三个控制层。采用线性规划的方法建立控制模型，线路层以客流滞留影响程度最小为目标函数，车站层以客流滞留影响程度最小及列车剩余运力利用率最大为目标函数，以列车容量限制、站台基础设施能力限制、区间客流转移限制等因素对目标进行条件约束。本发明在考虑多方面的影响因素下对运力进行资源分配而生成的控制策略，产生更好的客流控制效果。

Description

基于分层递阶的地铁线路客流协调控制方法

技术领域

本发明涉及城市轨道交通领域，尤其涉及一种地铁客流控制方法。

背景技术

随着城市轨道交通线网规模的日益扩大，客流需求也在不断增多，在高峰期大客流情况下如何更有效的组织与运输工作成为急需解决的问题。在车站基础设施固定、列车发车频次已经接近最小时间的情况下，除了改变列车的行车计划，对客流进行协调控制成为了更有效的手段。在轨道交通的客流控制方面，研究者们多采用线性规划的方法对客流进行描述并选取目标函数与约束条件对客流进行控制。如针对高峰时间段大客流情况下提出一种基于数学规划的客流协同控制模型，模型控制进入车站的乘客数量，优化目标为客流延误损失最小，此外，灵敏度分析显示列车发车间隔和输送能力对乘客延误影响最为显著。以及研究拥挤公共交通条件下的座位容量和时刻表优化问题，通过用户均衡分析模型得到最佳的席位动态票价及最优时刻表，并把结果推广到有若干站点的模拟网络中，验证其可行性。还有利用并行遗传算法和历史售检票机数据分析提出了一种标交通流分配准校正模型，模型利用非参数统计方法，参数由对比观察旅行时间分布和计算旅行时间分布计算得来。以及研究考虑乘客流量影响下的公共交通网络管理，采用高级Petri网的多模式公共交通网络模型，模型把出行工具与乘客数量的影响作为考虑因素，最终输出交通网络的控制策略。

发明内容

本发明建立了线路客流协调控制模型，通过利用分层递阶控制结构描述模型并阐述客流控制中各变量的内在关系，阐述不同层次的客流控制模型的目标函数与约束条件，并用符号描述线路上区间内客流转移过程，为模型构建打下基础。通过分析客流滞留量与滞留时间，从线路层、车站层两方面建立控制模型，以线路层所有乘客的总滞留时间最小为目标函数、车站层所有乘客的总滞留时间最小及剩余运力利用率最大为目标函数，从列车容量限制、站台基础设施能力约束、区间客流转移约束三方面构建约束条件。本发明的方法具体采用如下步骤：

(一)建立线路客流协调控制模型

(1)设置模型的目标函数J为：

其中，

式中，N为总站台数，K为总车辆数，v^k _n为乘客滞留系数，

为第n个车站分配的任务变量目标值，

为第n个车站实际完成的任务变量，

为第n个限流车站的任务变量协调偏差值，

为一个采样周期，

为两辆列车停车间隔，

为两辆列车停车时长；

(2)设置列车容量约束

式中，C为列车的额定载客人数，θ为最高满载率；

(3)设置站台基础设施能力约束

式中，

为列车成功下车的乘客数量，Z_n,max为最大客流容量；

(4)设置区间客流转移约束

式中，r为同一辆列车中从第i站上车的乘客从第j站下车的客流人数占从第i站上车的客流人数的比例,m为楼扶梯个数；

设置区间剩余运力约束与区间转移客流量约束

式中，

为第n个车站分配的资源变量；

(二)求解线路客流协调控制模型

采用多目标约束优化问题的改进粒子群优化算法求解上述线路客流协调控制模型，具体步骤为：

Step1：在可行域范围内随机初始化N个粒子并把粒子存放在List1中，设置每个粒子个体最优位置为初始位置，设置初始速度为0；

Step2：根据罚函数法与最大最小法，计算每个粒子的适应值，将粒子的适应值为负数的粒子存储在List2中；

Step3：根据粒子的适应值，通过轮盘算法在用List2中选取一个粒子作为全局最优值；

Step4：更新粒子的速度与位置并将结果储存在List1中；

Step5：查看运算精度或者最大迭代次数是否达到预设的要求，如果是，则搜索停止，输出List2，否则返回Step2。

Step6：算法结束后，输出最优解。

本发明具有如下有益效果：

(1)通过分析站点内与线路间客流转移过程，采用分层递阶控制结构描述客流需求与运力资源之间的内在数量关系，为解决同类型问题提供新思路。

(2)常规的轨道交通客流控制只考虑本站的客流情况而没有考虑上下游车站的客流需求与运输能力，而线路协调客流控制方法考虑线路上同列车不同车站的运输能力以及同车站不同列车经过时的客流滞留情况，在考虑多方面的影响因素下对运力进行资源分配而生成的控制策略，产生更好的客流控制效果。

附图说明

图1是线路分层递阶控制结构图。

图2是线路分层递阶原理图。

图3是采样周期内列车走行图。

图4是客流转移示意图。

图5是模型求解方法的内容图。

图6是改进粒子群优化算法的模型求解流程图。

具体实施方式

一、模型构建

本发明引入大系统分层递阶结构把模型分成三层：线路层为组织层，车站层为协调层，闸机、出入口通道等为执行层，如图1所示。

轨道交通线路客流协调控制涉及多车站之间的控制协同、相邻线路之间的控制协同等，借鉴大系统分层递阶控制结构，线路客流协调控制系统的框架结构可由一个三级递阶系统表示，其中的参数含义如下。

总客流需求，也是总目标，即线路上需要运输的总乘客数量；

总运力资源，也是总约束，即线路上列车内总运输能力；

为第n-1和第n个车站分配的任务变量目标值，即客流需求大小；

为第n-1和第n个车站分配的资源变量，即列车剩余运力；

分别为第n-1和第n个车站实际完成的任务变量(客流控制后上车乘客数量)和实际消耗的资源变量(运力消耗)；

分别表示第n-1和第n个限流车站的资源变量协调偏差值(剩余运力的净剩能力)；

分别表示第n-1和第n个限流车站的任务变量协调偏差值(滞留乘客的数量)；

分别表示第n-1和第n个限流车站的控制变量(进站客流量)和状态变量(出站客流量)。

以第n-1和第n个车站为基础控制层(n-1,n＝1,2,…,N)，轨道交通线路客流协调控制结构可以表示为图2所示形式。

线路层是线路客流协调控制结构的最顶层，根据线路上当前的客流需求确定总任务量，即需要完成的输送客流数量目标，根据发车间隔、发车频次等因素确定当前的运输能力，在线路层角度提出针对线路的客流控制目标，将总任务量分解为不同的控制任务，分配到车站层，存在约束关系：

车站层位于线路客流协调控制结构的协调层，在车站层角度提出针对车站特点的客流控制目标，将控制结果分配到执行层执行。每座不同的车站有自己的客流需求

及列车到站时的剩余运力

当一个采样周期结束后，成功上车的乘客数量为

无法乘车而滞留的乘客数量为

存在关系：

使各车站的局部控制过程中相互协调，共同完成或超额完成全局控制的总任务，当任务协调偏差总和(滞留乘客数量)为零时，定义为总任务完成：

闸机、出入口通道为线路客流协调控制结构的执行层，是完成控制任务的具体装置或设备，根据组织层与协调层传递的控制命令执行动作，具体实际运营中通过控制闸机等设施来达到最佳乘客的进站数量。

在早高峰大客流情况下，关键车站排队等候乘客过多，导致本站的站台及站外等候客流拥挤，当乘客进入列车后，拥挤继续扩散到线路上，线路上的客流量持续增多，从而影响到整个网络的通行效率。闸机、出入通道、站台等设施组成了车站，多个车站相连组成了线路，在线路上运输客流的列车组成了城市轨道交通单线路动态系统，本发明研究的是城市轨道交通单线路客流协调控制，需要分析客流在线路上的动态转移过程，分析并掌握影响客流转移的因素，为客流控制做好前期准备。

客流需求、车站设施服务水平、线路运输能力、线路运力资源配置等因素是影响单线多站协调客流控制的因素，这些因素相互协调与匹配可使运力资源得到更好的配置。客流转移过程是由人、车站、列车等不同系统共同参与完成的过程，上述因素与客流转移过程互相影响，列车按照时刻表发车，在线路上按照固定速度在各个车站停站、启动，从首发站到终点站为一次完整的运行过程，乘客刷卡进站，通过通道进入站台等候列车，当列车停稳后，乘客进入列车或者下车出站，无法上车的乘客滞留在站台，等候下一次列车。按照客流转移过程将乘客活动分为三部分：车内客流转移过程、站台客流集散过程、区间客流转移过程。

本发明的采样周期以一辆列车到达站台乘客完成上下车动作，列车关闭车门、驶离站台后为采样时刻起始点，到下一辆列车到达站台乘客完成上下车动作，列车关闭车门、驶离站台后为采样时刻终点，示意图如图3所示，表达式如下式所示。

对于通过闸机刷卡进出站客流：设车站有L个进口，每个进口有S个进站闸机，采样周期内每个进站闸机的进站客流量为p_i，则有：

一个采样周期内通过一个进站入口的刷卡进站客流量为：

一个采样周期内总刷卡进站客流量为：

对于通过换乘通道进行换乘的换乘客流：设有M条换乘通道与站台相连，每条换乘通道在每个采样周期内进入站台的客流为q_i，则有：

一个周期内由通道进入站台的换入客流为：

站台客流数量可表示为：

车内客流转移过程表示一个采样时刻过后第k辆列车在第n个车站时，列车内乘客数量的变化：

站台客流集散过程为一个采样时刻过后第k辆列车在第n个车站时站台的乘客数量变化，不能上车的乘客被视为滞留乘客：

区间客流转移过程体现为第k辆列车在第n个车站时剩余运力数量的变化，整体客流转移过程如图4所示。

当城市轨道交通运力资源不能满足客流需求的时候，最直观的影响体现为客流的滞留，客流滞留程度体现为两方面，一方面为客流滞留的数量，一方面为客流滞留的时间长短，把滞留数量与滞留时间相结合可以体现出乘客滞留程度的大小。本发明以单线路上所有站台的滞留乘客的总等待时间最小为目标建立目标函数，在一个采样周期内计算客流滞留人数。一辆列车到达后乘客无法乘车而造成的滞留时间长度为两辆相邻列车的发车间隔时长与列车停站时长。

若站台上等待乘车的乘客数量小于等于列车到达时成功上车的数量，则不存在滞留情况，若站台上等待乘车的乘客数量大于列车到达时成功上车的数量，则存在滞留情况，滞留系数为：

存在客流滞留情况下第n个车站第k辆列车的滞留乘客影响程度为：

J＝DET_n ^k×TS_n ^k

线路总体滞留影响程度为：

综上，模型的目标函数J可用以下公式表示：

在城市轨道交通的客流控制中，客流控制方案必须要考虑车站的实际物理环境、行人走行特性、列车运行规律等条件限制，在客流转移的各个能力限制下合理分配运力，从而进行控制与管理，因此需要考虑不同设施、不同客流需求等条变化件对最优目标函数的影响。本发明约束条件主要考虑三个方面，分别从列车容量约束、站台基础设施能力约束、区间客流转移约束三个角度进行模型构建。(1)列车容量约束

城市轨道交通单线路上的运输能力主要体现在单位时间内列车的发车频次以及列车车辆内部运输乘客的数量，在高峰期大客流状态下列车的发车频次几乎已经达到保证运营安全的前提下的最高频次，而列车作为城市轨道交通的运输载体，在发车频次不变的前提下，运输乘客数量的多少就显得至关重要。考虑列车容量限制，建立约束条件，列车容量限制体现在一个站台上一个采样周期内列车内部乘客数量小于最大载客人数以及所有列车经过所有站台的总上车人数小于总运输能力。

上式为第n个站台上从第k辆列车到第k+1辆列车运输的乘客数量小于最高满载率θ乘以额定载客人数C。

上式为每个站台上的每辆列车经过后，上车的乘客总数量小于总的运输能力，总运输能力表示为总车辆数乘以总站台数乘以列车的额定载客人数乘以最高满载率。

(2)站台基础设施能力约束

高峰期客流控制时间段内在站台集散的乘客数量不仅与列车的剩余运力有关，还与站台上的基础设施服务能力有关，要在保证乘客安全的前提下进行站台与列车的客流交互过程，站台的物理空间大小、扶梯的数量及占用面积、柱子的占用面积等都是制约站台乘客数量的因素。以矩形站台为例，S_有效表示站台有效面积，设站台长度为L，宽度为W，楼扶梯个数为m，长度为l，宽度w，站台内柱子的面积为S_柱子，个数为n，房间面积为S_房间，ρ_max表示站台最大客流密度，Z_n,max表示站台n的最大容纳人数。站台基础设施能力约束如下：

S_有效＝S_总-(S_楼梯+S_柱子+S_房间+S_其他)

上述两式为站台有效面积的计算方法，为总面积减去其他设施的占地面积。

Z_max＝ρ_max×S_有效

上式为站台最大客流容量的计算方法，为最大客流密度乘以有效面积。

上式为站台总客流数量小于最大客流容量，站台总客流数量最大的时刻为列车开门后，上下车乘客互相交互的过程，按照先下后上的乘车秩序，站台乘客最密集的时刻为下车乘客完成下车动作后，上车乘客未进入车厢前，此时的站台最大客流容量大于等于上一时刻滞留的乘客数量(如果存在滞留)、这一时刻的进入站台等候列车的乘客数量及下车乘客数量的加和。

(3)区间客流转移约束

列车是承担客流转移任务的载体，客流在区间上转移，不同乘客从不同站台进入列车并乘坐经过若干个车站后下车，在设备设施固定的情况下，乘客利用轨道交通的运力资源的同时也占用其他乘客的运力，因此提出区间客流转移约束。区间客流转移约束分为两个部分，区间上的客流需求得到满足，每辆列车的剩余运力得到合理利用，建立区间剩余运力约束，而受每辆列车剩余运力的影响，无法满足所有等待乘车的乘客的需求，建立区间转移客流量约束。

区间剩余运力约束以每辆列车停靠在站台时的剩余运力为研究对象，以区间(i,j)内的实际上车客流量小于等于区间(i,j)内的客流剩余运力为区间剩余运力约束主要思想，通过以不同时刻在每个任意区间变化的剩余运力对整条线路进行约束。区间转移客流量约束以区间为研究对象，研究客流在一段区间内的转移过程，只考虑客流上车的车站与下车的车站，而不考虑转移过程中途径的车站，从而刻画客流在区间上的流动过程，区间转移客流量约束的实质是任意区间(i,j)内的实际运输客流量小于或等于区间(i,j)内的最大运输客流量。区间剩余运力约束与区间转移客流量约束如下式。

上式为区间(i,j)上的累计实际上车人数小于等于区间(i,j)上的累计剩余运力；

上式中，目的车站选择率r代表同一辆列车中从第i站上车的乘客从第j站下车的客流人数占从第i站上车的客流人数(i站为上游)的比例，在区间(i,j)上实际运输客流量的计算方法为高峰期客流控制开始后所有列车经过第一座车站到区间结束的第j座车站的乘客的上车数量乘以经过(i+1,N)区间的目的车站车站选择率的加和。

综上所述，线路层客流协调控制模型为：

线路总的客流控制需要考虑站间客流转移、站内客流集散等因素，而对于线路中单个车站的客流控制，则希望集结在站台的等候乘客在采样时刻内尽可能多的上车，满足客流需求的同时也为下一时刻的乘客预留空间。线路客流协调控制的分层递阶控制模型的控制层为车站，对于线路上的单个车站，针对车站层的客流协调控制的特点，在满足整体线路上总乘客的等待时间最小的基础上，以列车剩余运力利用率最大为目标建立目标函数，剩余运力利用率为采样周期内成功上车的乘客数量与列车剩余运力的比值。

对于车站层列车剩余运力利用率的约束集中在列车与站台等因素中，列车内部乘客数量需小于最大承载数量，站台容纳乘客数量需小于站台最大容纳数量，设Z_n,max表示站台n的最大容纳人数，则模型约束条件为：

二、模型求解

根据分析线路客流协调控制模型的目标函数与约束条件的特点，分析求解方法。本发明所构建的客流协调控制模型具有变量多、规模大的特点，线路上有n座站台，客流控制时间段内经过k次列车，需要计算n×k个最佳上车量，结合模型规模的特殊性，本文采用改进的粒子群优化算法来对模型进行求解。

对于多目标约束优化问题的模型求解包含两个部分：多个目标和约束条件，问题的求解包含对这两个部分的考虑。将最大最小化思想用于粒子群求解多目标优化问题，用罚函数法来处理约束条件，通过轮盘算法从非劣解中选取全局最优解，图5为求解模型的主要内容。

粒子群优化算法是由Kennedy和Eberhart两位博士提出，算法诞生的灵感是对鸟类觅食活动的研究，是一种先进的进化迭代计算技术，它对于组合优化问题、非线性连续优化问题、混合整数优化问题等都有较好的解决效果，本文将粒子群优化算法应用到寻求约束优化问题最优解的问题中来，通过对粒子群算法的改进，使算法更适应于约束问题的求解。

基本粒子群算法惯用于求解无约束优化问题，本论文中构建的客流协调控制模型具有约束条件多的特点，为处理约束条件并找到最优目标值，采用内点罚函数法与基本粒子群算法相结合，将目标函数与惩罚函数相结合，把约束优化问题转化为无约束优化问题。改进粒子群优化算法解决唯一目标约束求解的主要思想为：第一点是寻找最优解为搜索的目的，第二点指出约束条件的利用与处理，第三点要做好算法的收敛速度与精度的平衡与结合，两者都重要。

被优化的目标函数决定着所有粒子的适应值(fittness)，所有粒子同时也拥有自己独立的速度及位置，每个粒子经过自己的个体最优值(pbest)并记录下来，而所有粒子的pbest中发现的全局最优值的位置称为gbest，是全体粒子的经验，粒子在找到pbest和gbest时，通过公式更新自己的位置，逐步接近最优解。

粒子群算法的控制参数决定着算法的性能，各个参数的选取原则如下：

粒子数：准备求解的问题规模越庞大，粒子越多，普通问题10个粒子可以取得较好效果，一般问题20至40个粒子已经足够，对于过于复杂的问题，粒子数可到达100个以上。

粒子的维度d：为问题解的维度，本模型取

粒子的范围：由模型的约束条件决定。

最大速度V_max：为粒子在循环中移动最大距离，由模型约束决定。

学习因子：学习因子c₁和c₂影响粒子的运行轨迹，c₁较大时，粒子会过多的在局部范围徘徊，c₂较大时，粒子会过早收敛到局部最小，通常取c₁和c₂为2，一般c₁等于c₂，且范围在0至4之间。

惯性权重w：惯性权重影响当前粒子速度继承，恰当的惯性权重使粒子的探索能力与开放能力更加均衡发展。

应用粒子群优化算法解决线路客流协调控制模型的关键步骤是对约束条件的处理，罚函数法是能够处理约束条件的通用方法，方法的基本思路是把约束优化问题转化为无约束问题，通过加权的处理与目标函数结合，得到新的函数，使粒子在可行范围罚函数值为原来的函数值，而不在可行范围内的罚函数值等于一个巨大的数。

罚函数法的基本计算步骤全都在约束条件范围内实现，每一步迭代的点均为可行点，罚函数法的求解思路为利用可行范围内的粒子逐步接近最优解。采用罚函数法求解约束问题

的算法步骤为：

(1)随机给定初始点x₀，罚因子μ＞0，缩小系数ν＞1，精度ε＞0，置k＝1；

(2)构造增广目标函数F(x)＝f(x)+μB(x)，其中

(3)用粒子群优化算法，以x_k-1为初始点求解minF(x)，设最优解为x_k，若μB(x_k)＜ε，则停止迭代，输出x_k，否则令μ＝νμ，k＝k+1，返回Step2。

最大最小(Maximin)方法起源于游戏理论，Balling第一次提出可以将maximin适应值函数运用到多目标优化的问题中。一个决定向量u的maximin适应值可以通过以下几步进行计算。首先，min(最小)函数的最小值来自于集合：

min_i＝1,...,m{f_i(u)-f_i(v)} (4-1)

然后，max(最大)函数在u和其他决定向量之间的最小值的集合中应用，即：

max_{j＝1,...,N；u≠v}{min_i＝1,...,m{f_i(u)-f_i(v)}} (4-2)

在等式(4-2)中，进行了两轮的比较循环：min函数先在1到m个目标中运行；max函数再在所有1到N的候选解(除u外)中运行。此时，对于一个决定向量u的maximin适应值可以定义为：

f_maximin＝max_{j＝1,...,N；u≠v}{min_i＝1,...,m{f_i(u)-f_i(v)}} (4-3)

在上式中，很明显所有f_maximin值小于零的决定向量都是非劣解。这个独特的性质使得maximin适应值函数成为一个求解多目标优化问题的有效的工具。maximin适应值是“奖励”分散的非劣解和“惩罚”聚集的非劣解的依据，一个非劣解的适应值越小，该非劣解就越优，也就是说该非劣解被选做全局最优的概率越高。

轮盘算法选择策略是依据个体的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群。轮盘算法选择策略的出发点是适应度值越好的个体被选择的概率越大。因此，在求解最大化问题的时候，我们可以直接采用适应度值来进行选择。但是在求解最小化问题的时候，我们必须首先将问题的适应度函数进行转换，以将问题转化为最大化问题。轮盘算法选择策略的一般步骤为：

(1)将每个粒子的适应度值叠加，得到总适应度值

其中N为粒子个数；

(2)每个粒子的适应度值除以总适应度值得到个体被选择的概率

(3)计算个体粒子的累积概率以构造一个轮盘；

(4)轮盘选择：产生一个[0，1]区间内的随机数，若该随机数小于或等于个体i的累积概率且大于个体i-1的累积概率，选择个体i为全局最优粒子。

基于多目标约束优化问题的改进粒子群优化算法的步骤为：

Step1：在可行域范围内随机初始化N个粒子并把粒子存放在List1中，设置每个粒子个体最优位置为初始位置，设置初始速度为0；

Step2：根据罚函数法与最大最小法，计算每个粒子的适应值，将粒子的适应值为负数的粒子存储在List2中；

Step3：根据粒子的适应值，通过轮盘算法在用List2中选取一个粒子作为全局最优值；

Step4：用下列公式计算更新粒子的速度与位置并将结果储存在List1中；

ν_i,j(t+1)＝wν_i,j(t)+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)] (4-4)

x_i,j(t+1)＝x_i,j(t)+ν_i,j(t+1),j＝1,2,…,d (4-5)

其中r₁和r₂为0至1之间均匀分布的随机数，p_i,j为个体极值，p_g,j为全局最优值；

Step5：查看运算精度或者最大迭代次数是否达到预设的要求，如果是，则搜索停止，输出List2，否则返回Step2。

Step6：算法结束后，输出最优解，算法的流程图如图6所示，本次研究使用MATLAB对算法进行编程，实现线路客流协调控制模型的求解。

Claims (2)

1.一种客流协调控制方法，其特征在于，包括如下步骤：

(一)建立线路客流协调控制模型

(1)设置模型的目标函数J为：

其中，

式中，N为总站台数，K为总车辆数，v^k _n为乘客滞留系数，

为第n个车站分配的任务变量目标值，

为第n个车站实际完成的任务变量，

为第n个限流车站的任务变量协调偏差值，

为一个采样周期，

为两辆列车停车间隔，

为两辆列车停车时长；

(2)设置列车容量约束

式中，C为列车的额定载客人数，θ为最高满载率；

(3)设置站台基础设施能力约束

式中，

为列车成功下车的乘客数量，Z_n,max为最大客流容量；

(4)设置区间客流转移约束

式中，r为同一辆列车中从第i站上车的乘客从第j站下车的客流人数占从第i站上车的客流人数的比例,m为楼扶梯个数；

设置区间剩余运力约束与区间转移客流量约束

式中，

为第n个车站分配的资源变量；

(二)求解线路客流协调控制模型

采用多目标约束优化问题的改进粒子群优化算法求解上述线路客流协调控制模型，具体步骤为：

Step1：在可行域范围内随机初始化N个粒子并把粒子存放在List1中，设置每个粒子个体最优位置为初始位置，设置初始速度为0；

Step2：根据罚函数法与最大最小法，计算每个粒子的适应值，将粒子的适应值为负数的粒子存储在List2中；

Step3：根据粒子的适应值，通过轮盘算法在List2中选取一个粒子作为全局最优值；

Step4：更新粒子的速度与位置并将结果储存在List1中；

Step5：查看运算精度或者最大迭代次数是否达到预设的要求，如果是，则搜索停止，输出List2，否则返回Step2；

Step6：算法结束后，输出最优解。

2.根据权利要求1所述的客流协调控制方法，所述控制方法是基于分层递阶的地铁线路客流协调控制。

Images