一种基于遗传算法的交通分配用户最优状态研究

以路网用户的出行时间最少为目标,以Matlab软件为运算平台,将遗传算法运用到交通分配模型当中,进而实现了交通分配过程中用户出行状态最优.并通过算例说明了遗传算法解决该类问题的有效性与可行性,为求解用户最优的问题提供了新的途径.     

基于动态用户最优的变分不等式模型解决交通分配问题的应用分析

动态用户最优交通分配理论作为智能运输系统的重要理论之一,采用变分不等式模型来解决分配问题日益成为国际上的研究热点。就此问题的发展过程进行了综述性研究,并探讨了动态用户交通分配理论的发展方向;概述了动态用户最优交通分配的研究现状,详细描述了变分不等式模型与动态交通用户最优状态的条件互等关系。基于用户最优限制条件的描述和动态用户交通分配模型的表达,说明了变分不等式方法在动态用户最优交通分配中应用的必然。同时,对动态用户最优分配的变分不等式模型如何应用,当前存在的几个主要问题及进一步的展望进行了讨论。     

基于累积前景理论的 随机用户均衡交通分配模型

为了使交通分配更符合出行者的实际行为特征,基于累积前景理论,给出了交通流连续分布状态下路 径前景的连续函数表达式,建立了随机用户均衡模型,并给出了等价的变分不等式.该模型同时考虑了交通系统 的不确定性、出行者的感知误差以及建模者的观测误差.讨论了模型解的性质,设计了求解算法,并通过算例进 行了验证.结果表明:在(0,1)区间内,当出行可靠性参数或风险态度参数值越大时,出行者对于风险的感知越敏 感,越倾向于选择行程时间波动较小的路径;当感知误差较小或路网不确定性程度较大时,出行者的路径选择行 为均逐渐趋于稳定.研究还表明,出行者的损失规避程度对网络均衡态的影响不明显.      

随机用户均衡交通分配问题的蚁群优化算法

研究了出行者对路网熟悉程度的指标与交通流分配均衡性之间的关系, 提出了具有指数形式信息素更新策略的随机用户均衡模型蚁群优化算法, 建立了从Logit模型加载, 到交通需求确认及路径流量、路段流量、路段阻抗、路径阻抗迭代计算的交通分配动态循环流程; 计算了Nguyen-Dupuis路网模型中各路段的流量与阻抗, 并与连续平均算法计算结果进行比较; 通过调节出行者对路网熟悉程度的因子, 分析了蚁群优化算法与连续平均算法的敏感性。研究结果表明: 采用连续平均算法和蚁群优化算法计算的路段流量分布分别为20~280、40~260pcu, 蚁群优化算法的流量分布区间减小了15.4%, 路段流量的最大值减小了7.1%, 因此, 采用蚁群优化算法计算的路段流量较为均衡; 采用蚁群优化算法时, 在Nguyen-Dupuis路网模型中各路段流量的标准差从65pcu降至48pcu, 88%可选路径的阻抗分布在61~64, 且84%的路径阻抗低于采用连续平均算法计算的阻抗, 因此, 采用蚁群优化算法减少了用户出行时间; 当路网熟悉程度分别为0.01、0.1、1、2、7、11时, 采用连续平均算法计算的路段流量标准差分别为75、65、50、47、45、45pcu, 采用蚁群优化算法计算的路段流量标准差分别为48、48、48、47、43、43pcu, 可见, 随着路网熟悉程度的增大, 分配在各路段上的流量范围逐渐减小, 标准差趋于稳定, 信息素更新策略对出行者的路径选择概率影响越明显, 出行者选择阻抗小的路径的概率变大, 因此, 采用蚁群优化算法对路段的流量分配逐渐优于连续平均算法。     

遗传算法在均衡交通分配模型中的应用

均衡交通分配模型虽具有结构严谨、结果合理等优点,就目前而言却因为变量多、维数大导致无法很好的求解,从而影响其在实际交通规划中的应用.为了提高交通分配预测的准确性,解决均衡交通分配的求解问题,本文将遗传算法(GA)应用到其中.最后通过一个简例,并利用Matlab的GA工具箱进行编程求解,证明了该方法用于求解均衡交通分配模型的可行性.     

遗传算法在均衡交通分配模型中的应用

均衡交通分配模型虽具有结构严谨、结果合理等优点,就目前而言却因为变量多、维数大导致无法很好的求解,从而影响其在实际交通规划中的应用.为了提高交通分配预测的准确性,解决均衡交通分配的求解问题,本文将遗传算法(GA)应用到其中.最后通过一个简例,并利用Matlab的GA工具箱进行编程求解,证明了该方法用于求解均衡交通分配模型的可行性.     

交通信息系统作用下的随机用户均衡模型与演进

在有交通信息系统作用下的路网中,出行者会根据交通信息系统提供的交通状况信息和以往的经验选择白己的出行路线和出发时间。根据出行者对交通信息的信任和接受程度,本文将出行者分为怀疑保守型和信任乐观型两大类,在他们的路径旅行时间基础之上,推导出新一轮期望理解路径时间函数,讨论了该函数的特性,并建立了一个等价的随时间演进的随机用户均衡模型。     

用户平衡算法在交通建模中运用探讨

对常用的非平衡算法在应用中存在的一些问题作了初步探讨,并通过摸索国际上流行的商业交通模型软件中的平衡分配模型算法步骤,推荐一种算法相对简单的用户平衡算法。     

基于道路交通状态的随机用户平衡

运用随机用户平衡配流的基本思想和交通流理论，提出了道路交通状态的概念，以便讨论交通拥挤情况下的交通量分配问题．将道路交通状态定义为行程时间和道路拥挤度的线性加权和．假定在路网随机变化的情况下，出行者以行程时间和道路拥挤度最低为路径选择准则，建立了基于道路交通状态的随机用户平衡配流模型，并证明了模型的等价性和唯一性，给出了该模型的连续平均求解算法．一个小型网络的数值计算结果表明，该模型能反映出行者在随机路网中的路径选择行为．     

双交通模式随机用户平衡问题的一种求解方法

对双交通网络中的次交通模式上的路段赋予虚拟路阻函数,将网络上的双交通模式随机用户平衡问题转化为传统模式的单模式固定需求随机用户问题,并证明了该方法的正确性,从而利用单模式固定需求随机用户问题对应的数学规划来求解．利用仿射尺度内点算法对一个小型路网进行了数值实验．     

������Ч·���Ľ�ͨ�����ķ����㷨

交通流分配是交通规划的核心工作之一，而路网中有效路径的搜索又是进行交通流分配的基础。通过将交通路网中节点位置的确定性与交通出行中路径选取的有向性相结合，本文提出了一种有效路径的分层定向搜索算法，并结合博弈理论建立了新的交通流分配模型。新的算法合理的汲取了启发式配流的比例加载思想，并借鉴相继平均法思路解决了多起讫点对的配流问题。新算法具有模拟实际交通路径选择行为，并给出唯一路径流量的特征。文中用一个算例说明了该方法的有效性。     

Efficiency Loss of the Multiclass Stochastic Traffic Equilibrium Assignment with Fixed Demand

There exists efficiency loss when introducing a user equilibrium traffic assignment in comparison with the system optimization assignment. Seeking the upper bound of the efficiency loss has attracted many scholars' attentions. The existing researches mainly focus on single user class and deterministic traffic assignment, few on stochastic user equilibrium (SUE) assignment with multiple user classes. In this paper, the authors investigate the upper bound of this SUE's inefficiency. Two decision-making criteria are used in the SUE, namely, time-based and monetary-based. It is shown that the upper bound of efficiency loss caused by the time-based SUE depends on the type of link travel time function, the network complexity, the travel demand, and the degree of users' perception error to travel cost. The upper bound of efficiency loss caused by the monetary-based SUE depends on the value of time of user classes besides the aforementioned factors.     

�̶����������ж��û�����������Ч����ʧ

用户均衡同系统最优之间通常存在效率损失,它已吸引很多学者来研究这种效率损失问题,但现有文献大多数局限于研究单用户类、确定性均衡的效率损失,而对多用户类随机均衡的效率损失研究得比较少．本文研究了固定需求网络中多用户类随机均衡的效率损失上界问题．通过利用变分不等式的方法,解析推导了固定需求网络中多用户类随机均衡分配分别在时间度量和费用度量两种出行决策准则下的效率损失上界．研究结果表明：时间度量下,其效率损失上界值同路段出行时间函数、网络复杂程度、网络需求以及用户对网络熟悉程度等因素相关;费用度量下,其效率损失上界值除了和上述因素有关之外,还与出行者的时间价值系数有关．     

基于网络对偶均衡的有边约束的交通流分配模型

利用网络对偶均衡理论,依据“局部近视”用户均衡原则建立了具有一般边约束的网络交通流分配模型. 将交通网络中的流量与行程时间看作一对对偶的变量. 从网络的基本组成元素入手,首先考虑网络节点的流量守恒条件与节点距起点最小行程时间对偶关系,然后考虑路段流量与“局部近视”用户路段行程时间约束条件的对偶关系,最后通过整合上述对偶关系,并增加一般边约束建立了新的交通流分配模型. 分析了模型求解过程中如何体现“优先出牌”与“在途调整弹性”两个择路行为假设. 利用模型求解结果中分起讫点对的路段流量唯一的特点,给出了确定有效路径集的搜索算法. 用算例验证了模型及算法的有效性,并对具有一般边约束的流量分配模型的计算结果从拥挤收费和路段排队延误角度进行了解释.     

用遗传算法解决固定需求交通平衡分配问题

为了提高交通量预测模型的可靠性,利用遗传算法的结构并行性将其用于求解固定需求交通平衡分配问题中。算法设计中采用多维并行交叉、变化的交叉率与变异率、优先策略及目标函数加惩罚项等改进措施,从而大大提高计算速度,减少了交通分配的时间,降低了分配的复杂性,为交通分配问题开创了一条新的途径,同时显示出遗传算法在交通规划中潜在的实用前景。     

基于行程时间可靠性的多类用户交通分配模型

分析了路网在随机因素作用下造成的出行者行程时间的不确定性.假设出行者基于期望行程时间和行程时间可靠性的均衡选择路径,根据出行者对待行程时间可靠性的不同态度,将其路径选择行为分类,建立了基于行程时间可靠性的多类用户交通分配的变分不等式模型.给出了模型的对角化算法.对一个小型测试网络的计算结果表明,该模型能够反映出行者在不确定环境下的路径选择行为.     

基于离散时间序列OD量的动态交通分配方法

为了更确切地描述离散时间动态交通分配问题中各离散时段分配时的路网阻抗特性、更合理地反映各时段分配过程中出行者的出行行为,提出了一种基于消散周期OD量和差额OD量、分阶段分配的梯阶分配思想,它考虑了各离散时段分配前路网既有剩留交通量对后继离散时段OD用户出行选择的影响,更符合实际. 通过融合相继平均法,设计了梯阶分配算法,并据此对数据结构做了适应性补充. 示例路网下新算法与相继平均算法的数值模拟结果表明,新算法分配结果能够更为客观真实地反映现实交通中的动态现象,仿真度更高.
最后给出了梯阶分配思想在现实中的应用.