CN110443403B - 一种城市交通微循环网络的优化系统及求解方法 - Google Patents

一种城市交通微循环网络的优化系统及求解方法 Download PDF

Info

Publication number
CN110443403B
CN110443403B CN201910545144.8A CN201910545144A CN110443403B CN 110443403 B CN110443403 B CN 110443403B CN 201910545144 A CN201910545144 A CN 201910545144A CN 110443403 B CN110443403 B CN 110443403B
Authority
CN
China
Prior art keywords
road
traffic
planning model
model
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910545144.8A
Other languages
English (en)
Other versions
CN110443403A (zh
Inventor
魏贤鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI MUNICIPAL TRANSPORTATION DESIGN INSTITUTE CO LTD
Original Assignee
SHANGHAI MUNICIPAL TRANSPORTATION DESIGN INSTITUTE CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANGHAI MUNICIPAL TRANSPORTATION DESIGN INSTITUTE CO LTD filed Critical SHANGHAI MUNICIPAL TRANSPORTATION DESIGN INSTITUTE CO LTD
Priority to CN201910545144.8A priority Critical patent/CN110443403B/zh
Publication of CN110443403A publication Critical patent/CN110443403A/zh
Application granted granted Critical
Publication of CN110443403B publication Critical patent/CN110443403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出一种城市交通微循环网络的优化系统及求解方法，在充分考虑需求不确定性的基础上，应用均值方差理论通过建模单元构建双层规划模型，并通过模型求解单元根据双层规划模型，采用该优化系统的求解方法，得到最优的城市交通微循环网络设计方案，有效解决城市交通微循环系统对主干道的分流减压。本发明用量化手段发挥支路微循环系统对主干道的分流减压作用，避免了定性制定城市交通微循环方案的盲目性。并构建双层规划模型，通过模型求解单元进行求解得到最优的城市交通微循环网络设计方案，在解决城市交通微循环系统对主干道分流减压方面效果明显。

Description

一种城市交通微循环网络的优化系统及求解方法
技术领域
本发明涉及交通领域，尤其涉及一种城市交通微循环网络的优化系统及求解方法。
背景技术
现阶段我国各大城市的道路网络基本形成，许多城市道路建设程度接近饱和，面临着道路资源不足，主干道严重拥堵的压力。所以，有必要对现有路网进行合理组织管理，充分发挥支路系统对主干道的分流减压作用，提高路网整体的运行效率。
目前现有的优化方法为，单行交通组织优化方法，该方法是用数学模型系统的刻画固定需求单向交通组织设置过程。
但出行需求是具有不确定性，不确定性问题在交通中普遍存在，目前现有技术中缺少不确定OD(Origin–Destination，车辆起点-终点)需求下的连续或离散交通网络优化模型。
发明内容
针对现有技术中存在的上述问题，现提供一种城市交通微循环网络的优化系统及求解方法。
具体技术方案如下：
一种城市交通微循环网络的优化系统及求解方法，包括以下步骤：
步骤S1、对待优化的城市路网系统根据其路网等级和现状进行分类；
步骤S2、输入情景数据并对遗传算法的参数初始化；
步骤S3、对所述遗传算法进行编码及解码；
步骤S4、根据下层规划模型以及不同需求情景对每个个体进行操作，记录每个个体对应的所述目标函数值，并得到上层规划模型的目标函数值；
步骤S5、执行所述遗传算法，形成下一代种群；
步骤S6、若遗传代数小于或等于一预设阈值，则所述遗传代数的数值加一并跳转至步骤S4；
若所述遗传代数大于所述预设阈值，则以进化过程中所得到的具有最大适应度个体作为最优解输出。
优选的，所述步骤S1中，将所述城市路网系统的路段分为主干道和支路两类；
所述主干道为仅能双向通行的道路，所有所述主干道构成主干道路段集合；
所述支路为可以单向通行也可以双向通行的道路，所有所述支路构成支路路段集合。
优选的，所述步骤S2中，所述情景数据，包括：
计算机随机生成满足一定概率分布的交通需求、路段通行能力矩阵、路段长度、各个路段道路设计速度、均值和标准差的调和系数。
优选的，所述步骤S3中，包括以下步骤：
步骤S31、采用0-1编码方式对路网邻接矩阵中对应的所述支路进行编码；
步骤S32、将0-1编码转换为对应路网的邻接矩阵，并根据所述邻接矩阵确定决策变量值以及道路通行能力；
所述步骤S31中，所述主干道不在编码范围内。
优选的，所述步骤S4中，还包括以下步骤：
步骤S41、根据需求情景对每个所述个体生成不同的需求变量；
步骤S42、根据下层规划模型，采用Frank-Wolfe算法对每个所述个体进行用户均衡流量分配，并记录每个所述个体对应的适应度；
步骤S43、若每个所述需求情景均遍历后，计算得到所述目标函数值；
反之，切换需求情景并进行步骤S41。
一种城市交通微循环网络的优化系统，应用如上述任一所述求解方法，包括：
建模单元，用以构建一双层规划模型，包括：
下层规划模型，为出行需求满足一定概率分布的用户均衡分配模型；
上层规划模型，用以优化路网饱和度的均值和标准差，使所述均值和所述标准差达到最小值；
一模型求解单元，连接所述双层规划模型，根据所述双层规划模型进行模型求解，以确定最优的城市交通微循环网络设计方案。
优选的，所述上层规划模型，描述为：
y(a)＝-1,0,1,a∈B；
y(a)＝0,a∈A；
其中，表示均值和标准差的调和系数，/>
e为需求情景集合E中的元素，pe表示情景e发生的概率；
A为主干道路段集合，B为支路路段集合，V为节点集合，a表示路段，y(a),a∈B为决策变量；
Se(a,y)为路段a在情景e实现及y(a)确定条件下的路段平均饱和度；
C(a,y)为路段a在y(a)确定条件下的道路通行能力；
xe(a,y)为路段a在情景e实现情况下的流量，是所述下层规划模型的解。
优选的，所述下层规划模型，描述为：
其中，R为交通发生点集合，S为交通吸引点集合，K为路径集合；
为OD对rs之间在情景e条件下第k条路径的交通量；
为路段-路径关系变量；
为需求OD对rs之间的交通量。
优选的，所述te(a,y)表示路段a在情景e条件下的路段时间阻抗，采用BPR函数表征为：
t0(a,y)表示车辆平均自由行驶时间；
α，β均为参数，α＝0.15，β＝4。
优选的，所述模型求解单元通过将蒙特卡洛模拟方法嵌入到遗传算法中实现模型求解。
上述技术方案具有如下优点或有益效果：
上述技术方案，通过一种城市交通微循环网络的优化系统及求解方法，在充分考虑需求不确定性的基础上，应用均值方差理论建立的城市交通微循环网络优化设计模型，用量化手段发挥支路微循环系统对主干道的分流减压作用，避免了定性制定城市交通微循环方案的盲目性。并构建双层规划模型，通过模型求解单元进行求解得到最优的城市交通微循环网络设计方案，在解决城市交通微循环系统对主干道分流减压方面效果明显。
附图说明
图1-3为本发明一种城市交通微循环网络的优化系统及求解方法实施例中，求解方法的流程步骤示意图；
图4为本发明一种城市交通微循环网络的优化系统及求解方法实施例的路网基础数据图；
图5为本发明一种城市交通微循环网络的优化系统及求解方法实施例的种群进化过程图；
图6为本发明一种城市交通微循环网络的优化系统及求解方法实施例的交通微循网络优化方案。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种城市交通微循环网络的优化系统及求解方法，包括：
一种城市交通微循环网络的优化系统及求解方法，如图1所示，包括以下步骤：
步骤S1、对待优化的城市路网系统根据其路网等级和现状进行分类；
步骤S2、输入情景数据并对遗传算法的参数初始化；
步骤S3、对遗传算法的个体进行编码及解码；
步骤S4、根据下层规划模型以及不同需求情景对每个个体进行操作，记录每个个体对应的目标函数值，并得到上层规划模型的目标函数值；
步骤S5、执行遗传算法，形成下一代种群；
步骤S6、若遗传代数小于或等于一预设阈值，则遗传代数的数值加一并跳转至步骤S4；
若遗传代数大于预设阈值，则以进化过程中所得到的具有最大适应度个体作为最优解输出。
上述技术方案首先对待优化的城市路网系统进行分类，并输入情景数据对遗传算法进行初始化等前期工作，而后对遗传算法的个体进行编码及解码。之后进行循环体操作：根据不同需求情景对每个个体进行操作，记录每个个体对应的目标函数值，直至遍历完所有需求情景后，计算得到上层规划模型的目标函数值并执行遗传算法，形成下一代种群，循环进行该操作，直至遗传代数大于预设阈值，将进化过程中所得到的具有最大适应度个体作为最优解输出。
于上述技术方案的基础上，进一步的，由于本发明中的OD需求不是确定的常数矩阵，而是满足一定概率分布的随机变量矩阵。因此本发明采用蒙特卡洛模拟方法生成满足一定概率分布的随机变量带入模型求解，随机变量可以满足正态分布、均匀分布、泊松分布，甚至是经验分布等等。
作为优选的实施方式，步骤S1中，将城市路网系统的路段分为主干道和支路两类；
主干道为仅能双向通行的道路，所有主干道构成主干道路段集合；
支路为可以单向通行也可以双向通行的道路，所有支路构成支路路段集合。
作为优选的实施方式，步骤S2中，情景数据，包括：
计算机随机生成满足一定概率分布的交通需求、路段通行能力矩阵、路段长度、各个路段道路设计速度、均值和标准差的调和系数。
于上述方案的基础上，进一步的，通行能力矩阵依赖于决策变量，和步骤S3中个体的染色体编码方案有关。
定义遗传算法参数包括种群规模，交叉概率、最大遗传代数即步骤S5中的预设阈值、种群代沟等，在此不做具体限定。
作为优选的实施方式，如图2所示，步骤S3中，包括以下步骤：
步骤S31、采用0-1编码方式对路网邻接矩阵中对应的支路进行编码；
步骤S32、将0-1编码转换为对应路网的邻接矩阵，并根据邻接矩阵确定决策变量值以及道路通行能力；
步骤S31中，主干道不在编码范围内。
上述技术方案中，采用0-1编码方式对路网邻接矩阵中对应的支路即遗传算法中的个体，以支路路段的两端作为个体的染色体进行编码，而由于主干道是双向通行的，邻接矩阵的数值是确定的，因而主干道不在编码范围内。
作为优选的实施方式，如图3所示，步骤S4中，还包括以下步骤：
步骤S41、根据需求情景对每个个体生成不同的需求变量；
步骤S42、根据下层规划模型，采用Frank-Wolfe算法对每个个体进行用户均衡流量分配，并记录每个个体对应的适应度；
步骤S43、若每个需求情景均遍历后，计算得到目标函数值；
反之，切换需求情景并进行步骤S41。
一种城市交通微循环网络的优化系统，应用如上述任一求解方法，包括：
建模单元，用以构建一双层规划模型，包括：
下层规划模型，为出行需求满足一定概率分布的用户均衡分配模型；
上层规划模型，用以优化路网饱和度的均值和标准差，使均值和标准差达到最小值；
一模型求解单元，连接双层规划模型，根据双层规划模型进行模型求解，以确定最优的城市交通微循环网络设计方案。
上述技术方案，通过建模单元构建双层规划模型，并通过模型求解单元根据双层规划模型并采用上述求解方法，得到最优的城市交通微循环网络设计方案，有效解决城市交通微循环系统对主干道的分流减压。
作为优选的实施方式，上层规划模型，描述为：
y(a)＝-1,0,1,a∈B；
y(a)＝0,a∈A；
其中，表示均值和标准差的调和系数，/>
e为需求情景集合E中的元素，pe表示情景e发生的概率；
A为主干道路段集合，B为支路路段集合，V为节点集合，a表示路段，y(a),a∈B为决策变量；
Se(a,y)为路段a在情形e实现y(a)确定条件下的路段平均饱和度；
C(a,y)为路段a在y(a)确定条件下的道路通行能力；
xe(a,y)为路段a在情景e实现情况下的流量，是下层规划模型的解。
上述技术方案中，对于a＝(vi,vj),i＜j，y(a)＝0表示路段a为双向路段，y(a)＝1表示路段a是从节点vi到节点vj的单向路段，y(a)＝-1表示路段a是从节点vj到节点vi的单向路段。由于主干道路段都是双向的，自然有y(a)＝0,a∈A，所以y(a),a∈A不属于决策变量。
作为优选的实施方式，下层规划模型，描述为：
其中，R为交通发生点集合，S为交通吸引点集合，K为路径集合；
为OD对rs之间在情景e条件下第k条路径的交通量；
为路段-路径关系变量；
为需求OD对rs之间的交通量。
上述技术方案中，如果路段a属于从出发地r到目的地位s的OD间第k条路径，则否则/>qr,s是满足一定概率分布的随机变量，为了方便计算，引入情景集合E，使得e∈E满足给定的概率分布，则/>就表示OD对rs之间在情景e条件下的交通量。
作为优选的实施方式，te(a,y)表示路段a在情景e条件下的路段时间阻抗，采用BPR函数表征为：
t0(a,y)表示车辆平均自由行驶时间；
α，β均为参数，α＝0.15，β＝4。
作为优选的实施方式，模型求解单元通过将蒙特卡洛模拟方法嵌入到遗传算法中实现模型求解。
综上所述，采用一个简单路网为例：
如图4所示，一个由16个节点和24条边构成的路网，24个路段中有12个是主干路，12个支路，每个路段的长度、设计速度、道路通行能力等数据在图中都已标明。
假设有6对相互独立的满足正态分布的OD需求，分别是 情景个数e＝1,…,50.。
由此，上层规划模型描述为：
y(a)＝-1,0,1,a∈B,e＝1…50；
y(a)＝0,a∈A；
其中，取0.6。
需求不确定条件下的下层规划模型为：
α＝0.15，β＝4。
在建模单元构建完双层规划模型之后，如图4所示，将路段分为主干道A和支路B两类。
然后对于每一个情景e输入随机生成的交通需求
路段长度、各个路段道路设计速度、均值和标准差的调和系数等。
并对遗传算法参数初始化：令种群规模为40，交叉概率为0.7、最大遗传代数为80、种群代沟为0.9。
随后采用0-1编码方式对路网邻接矩阵中对应的支路路段进行编码，由于该算例中支路路段个数为12个，即个体数为12个，染色体长度为24，染色体基因编码码位见下表；解码过程是将0-1编码转换为对应路网的邻接矩阵，并根据邻接矩阵确定y(a)的值以及道路通行能力C(a,y)。
染色体基因码位表(示例)
vi 3 5 6 7 7 9 10 11 11 1 5 9 7 6 7 8 11 10 11 12 15 5 9 13
vj 7 6 7 8 11 10 11 12 15 5 9 13 3 5 6 7 7 9 10 11 11 1 5 9
编码 1 0 1 0 0 0 1 1 0 1 0 1 0 1 0 1 0 1 1 0 1 0 1 0
随后进行循环体操作：
针对种群中每一个个体，在不同需求情景e下生成不同的需求变量qres，
根据下层规划模型并采用Frank-Wolfe算法对每个所述个体进行用户均衡流量分配，记录每个所述个体对应的所述目标函数值，即不同情景下的路段饱和度，直到遍历所有需求情景e后计算上层规划目标函数值，记录每一个个体对应的函数值即该路段的饱和度。
对该种群进行遗传算法操作：即根据随机算子执行选择算子、交叉算子、变异算子，形成下一代种群。
若遗传代数t小于80，则t＝t+1，并重复循环体操作；若t大于80，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止运算。
该案例采用MATLAB R2013a实现编程求解，种群进化过程如图5所示，容易看出，种群进化到65代的时候趋于稳定，种群在在94代时候有微小的进化，最终进化至100代的上层规划目标函数值为0.6926，对应的最优的编码方案为111110001111000001111110，解码后整理得交通微循网络优化方案如图6所示。
从优化结果中不难发现，路段5-6、6-7、7-8和路段12-11、11-10、10-9为单向对称出现，承担起单向主干道功能；路段3-7、7-11、11-10、10-9、9-13形成了贯穿整个路网的单向通道，对主干道的分流减压作用非常明显，尤其是原本应该承担较大交通量的主干道3-4、4-8，经微循环系统分流减压后饱和度变为0。可见，本发明提出的不确定需求条件下城市交通微循环网络优化设计模型在解决微循环系统对主干道分流减压方面效果明显。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (6)

1.一种城市交通微循环网络的优化系统的求解方法，其特征在于，包括以下步骤：
步骤S1、对待优化的城市路网系统根据其路网等级和现状进行分类；
步骤S2、输入情景数据并对遗传算法的参数初始化；
步骤S3、对所述遗传算法进行编码及解码；
步骤S4、根据下层规划模型以及不同需求情景对每个个体进行操作，记录每个个体对应的目标函数值，并得到上层规划模型的目标函数值；
步骤S5、执行所述遗传算法，形成下一代种群；
步骤S6、若遗传代数小于或等于一预设阈值，则所述遗传代数的数值加一并跳转至步骤S4；
若所述遗传代数大于所述预设阈值，则以进化过程中所得到的具有最大适应度个体作为最优解输出；
所述步骤S2中，所述情景数据，包括：
计算机随机生成满足一定概率分布的交通需求、路段通行能力矩阵、路段长度、各个路段道路设计速度、均值和标准差的调和系数；
所述上层规划模型，描述为：
y(a)＝-1,0,1,a∈B；
y(a)＝0,a∈A；
其中，表示均值和标准差的调和系数，/>
e为需求情景集合E中的元素，pe表示情景e发生的概率；
A为主干道路段集合，B为支路路段集合，V为节点集合，a表示路段，y(a),a∈B为决策变量；
Se(a,y)为路段a在情景e实现以及y(a)确定条件下的路段饱和度；
C(a,y)为路段a在y(a)确定条件下的道路通行能力；
xe(a,y)为路段a在情景e实现情况下的流量，是所述下层规划模型的解；
所述下层规划模型，描述为：
其中，R为交通发生点集合，S为交通吸引点集合，K为路径集合；
为OD对rs之间在情景e条件下第k条路径的交通量；
为路段-路径关系变量；
为需求OD对rs之间的交通量；
所述te(a,y)表示路段a在情景e条件下的路段时间阻抗，采用BPR函数表征为：
t0(a,y)表示车辆平均自由行驶时间；
α，β均为参数，α＝0.15，β＝4。
2.根据权利要求1所述的求解方法，其特征在于，所述步骤S1中，将所述城市路网系统的路段分为主干道和支路两类；
所述主干道为仅能双向通行的道路，所有所述主干道构成主干道路段集合；
所述支路为可以单向通行也可以双向通行的道路，所有所述支路构成支路路段集合。
3.根据权利要求2所述的求解方法，其特征在于，所述步骤S3中，包括以下步骤：
步骤S31、采用0-1编码方式对路网邻接矩阵中对应的所述支路进行编码；
步骤S32、将0-1编码转换为对应路网的邻接矩阵，并根据所述邻接矩阵确定决策变量值以及道路通行能力；
所述步骤S31中，所述主干道不在编码范围内。
4.根据权利要求1所述的求解方法，其特征在于，所述步骤S4中，还包括以下步骤：
步骤S41、根据需求情景对每个所述个体生成不同的需求变量；
步骤S42、根据下层规划模型，采用Frank-Wolfe算法对每个所述个体进行用户均衡流量分配，并记录每个所述个体对应的适应度；
步骤S43、若每个所述需求情景均遍历后，计算得到所述目标函数值；
反之，切换需求情景并进行步骤S41。
5.一种城市交通微循环网络的优化系统，其特征在于，应用如权利要求1-4任一所述求解方法，包括：
建模单元，用以构建一双层规划模型，包括：
下层规划模型，为出行需求满足一定概率分布的用户均衡分配模型；
上层规划模型，用以优化路网饱和度的均值和标准差，使所述均值和所述标准差达到最小值；
一模型求解单元，连接所述双层规划模型，根据所述双层规划模型进行模型求解，以确定最优的城市交通微循环网络设计方案。
6.根据权利要求5所述的优化系统，其特征在于，所述模型求解单元通过将蒙特卡洛模拟方法嵌入到遗传算法中实现模型求解。
CN201910545144.8A 2019-06-21 2019-06-21 一种城市交通微循环网络的优化系统及求解方法 Active CN110443403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910545144.8A CN110443403B (zh) 2019-06-21 2019-06-21 一种城市交通微循环网络的优化系统及求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910545144.8A CN110443403B (zh) 2019-06-21 2019-06-21 一种城市交通微循环网络的优化系统及求解方法

Publications (2)

Publication Number Publication Date
CN110443403A CN110443403A (zh) 2019-11-12
CN110443403B true CN110443403B (zh) 2023-08-25

Family

ID=68428931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910545144.8A Active CN110443403B (zh) 2019-06-21 2019-06-21 一种城市交通微循环网络的优化系统及求解方法

Country Status (1)

Country Link
CN (1) CN110443403B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331427B (zh) * 2022-07-05 2024-04-05 中南大学 一种缓解城市交通拥堵的动态交通限行方案优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103716194A (zh) * 2013-12-31 2014-04-09 北京交通大学 一种城轨列车网络拓扑优化方法
CN105279615A (zh) * 2015-11-23 2016-01-27 国网上海市电力公司 一种基于双层规划的主动配电网网架规划方法
CN108470444A (zh) * 2018-03-21 2018-08-31 特斯联（北京）科技有限公司 一种基于遗传算法优化的城市区域交通大数据分析系统与方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103716194A (zh) * 2013-12-31 2014-04-09 北京交通大学 一种城轨列车网络拓扑优化方法
CN105279615A (zh) * 2015-11-23 2016-01-27 国网上海市电力公司 一种基于双层规划的主动配电网网架规划方法
CN108470444A (zh) * 2018-03-21 2018-08-31 特斯联（北京）科技有限公司 一种基于遗传算法优化的城市区域交通大数据分析系统与方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于单向交通组织的城市交通 微循环网络优化设计;蒋阳升等;《综合运输》;20190120;65-70 *

Also Published As

Publication number Publication date
CN110443403A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN107045656B (zh) 一种基于改进蚁群算法的智能景区游览路线规划方法
CN106874554B (zh) 一种天然气系统能流计算的改进方法
CN101777990B (zh) 多目标免疫优化组播路由路径选择方法
CN108667650B (zh) 考虑业务流程特征的网络拓扑优化设计方法
CN110443403B (zh) 一种城市交通微循环网络的优化系统及求解方法
CN111710162B (zh) 一种城市路网交通运行状况监测方法及系统
CN104268077A (zh) 基于混沌遗传算法的测试用例集约简算法
Wang et al. Optimizing capacity of signalized road network with reversible lanes
CN102624596B (zh) 一种p2p直播覆盖网的可靠性最优树状核心拓扑求解方法
Tanyimboh Redundant binary codes in genetic algorithms: multi-objective design optimization of water distribution networks
CN113472671A (zh) 组播路由的确定方法、装置和计算机可读存储介质
CN113630171B (zh) 一种基于QoS的卫星网络k端可靠性分析方法
CN114329941A (zh) 一种光传送网络传输规划优化方法及系统
CN109547160A (zh) 一种循环移位网络编码构造方法
CN109631923B (zh) 一种基于模因算法的风景驾驶路线规划方法
CN107623595B (zh) 一种网络服务器部署方法及系统
CN113285832A (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
Girgis et al. Routing and capacity assignment problem in computer networks using genetic algorithm
Van Vuuren Application of genetic algorithms-Determination of the optimal pipe diameters
CN116541644A (zh) 一种基于改进遗传算法的大件运输监测点布设系统
CN102902823A (zh) 交通路径搜索系统及方法
CN115841230A (zh) 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法
CN1968489B (zh) 一种资源分配的方法及系统
CN106713165B (zh) 网络编码环境下优化负载均衡的方法
CN102577282B (zh) 网络延迟估计装置和网络延迟估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant