城市中心路内停车次优容量研究

为了研究路内停车率的动态决策方法,优化路内停车容量,以实现城市中心路内停车资源的有效配置和高效利用。从路内停车供需关系的角度进行分析,将出行成本函数中引入了油耗成本,并对路内停车容量与路内停车流率进行综合考虑,以社会剩余最大化为优化目标,在短期(容量既定)情况下,给出了停车费作为内生变量时的路内停车次优流率的求解方法;进一步,运用比较静态分析和动态分析,在长期(容量不定)情况下,给出了路内停车次优容量的求解方法,得出了路内停车容量随停车需求及停车时长的变化规律。通过考虑路内停车容量上限,对路内停车次优容量的计算方法进行了改进,数值算例有效地验证了算法的可行性,从而在容量上限较小的情况下对Arnott路内停车容量计算方法进行了优化。研究表明:在停车活动活跃时,综合考虑道路条件及过境车辆的影响,将一定需求下的路内停车容量控制在较佳的水平下,可以有效提高平均停车时长范围内的城市中心路内停车效率,使得城市中心的道路边缘空间所产生的社会效益达到最大化,同时,还可以有效避免城市中心频繁的停车行为对动态交通的影响。研究结果可以为城市中心路内停车管理和决策提供理论支撑,同时,对于车道控制理论和技术也有着一定的借鉴意义。     

疫情期间社区商超物资配送路径优化研究

在抗击新型冠状病毒肺炎的战役中,采取"商超+社区"创新无接触配送模式对疫情影响下的社区进行物资配送,以保障居民生活物资供应。利用SOM神经网络算法与遗传算法求解车辆路径规划中的特例问题——TSP问题,以湖北省黄石港区社区物资配送路径为例,对两种算法的优化结果进行对比,发现遗传算法比SOM神经网络算法拥有更高的求解精度及效率。结果表明:优化后的路径距离为初始路径距离的37.2%,使用遗传算法可更快地搜寻到最佳的物资配送路径,得到较好的物资配送方案。     

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法（PSO）优化支持向量机（SVM）的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测.研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO SVM的预测精度更高.     

垃圾量有限预知下环卫车在线调度策略

目前,垃圾清运是环保工作重点关注的问题之一,一般垃圾清运成本占总垃圾处理成本的60%～80%,所以以成本最小化为目标的环卫车调度问题就成为热点问题。现有对该问题的研究大部分都是基于静态需求,最后计算出环卫车调度的离线最优。因此,将需求动态变化的特征纳入考虑范围,提出了在垃圾量有限预知的情况下城市环卫车在线调度的诱导策略和组合优化策略,同时证明了两个策略不同情况下的竞争比。最后通过实例比较策略的执行效果,得出了该实例的最优在线调度策略为诱导策略。     

基于遗传算法优化支持向量机的再生混凝土抗压强度预测模型

针对再生混凝土抗压强度预测问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的抗压强度预测模型。利用遗传算法对SVM的参数进行优化,并得到优化的SVM预测模型。仿真试验结果表明:与BP神经网络和传统SVM的预测结果相比,基于遗传算法优化支持向量机模型的预测精度更高。