基于免疫遗传算法的公交智能调度算法研究.docVIP

基于免疫遗传算法的公交智能调度算法研究 王 忠 曹更新 （四川大学通信工程系，成都，610065） 摘要：本文从公交车辆运营调度目前存在的问题出发，运用遗传算法和混合遗传算法对公交车辆静态调度进行了研究。运用遗传算法的智能化特征，有效地改善了公交车辆的静态调度。在此基础上综合生物免疫机制等边缘学科的理论，本文将免疫算法融入到遗传算法当中，构成一种改进的遗传算法，并应用于解决公交调度管理中的优化中，与利用简单遗传算法的计算过程进行了仿真和对比。应用结果表明，该算法简单、高效、稳定性好，能较好克服传统方法和现有遗传算法的不足，性能得到了显著的提高，获得了满意的效果，提高公交车辆的运营效率。 关键词：公共交通系统 智能公交调度管理系统 免疫遗传算法 静态调度 前言 公共交通毫无疑问是人们日常生活中不可缺少的重要组成部分，尤其在人口众多的城市中，公交车辆是人们出行的首选方式。公共车辆运营调度管理通常分为三个阶段完成：计划、调度和控制。调度是关键的中间环节，车辆运营调度问题就是针对一项可分解的运输任务，在一定约束下如何安排运作时间和先后顺序，以获得运输成本或时间最优化。做好公交车的调度对于完善城市交通环境、改进市民出行状况、提高公交公司的经济和社会效益，都具有十分重要的意义。公交车辆调度包括静态调度和动态调度，本文着重研究静态调度，即：运营车的发车时刻表的编排过程，这也是实现动态调度的基础。目前公交公司各车队的排班主要依靠工作人员的经验手工进行，虽然它具有一定的实用性，但它存在着明显的不足，排班带有很大的盲目性，很难保证排班的结果在运营效率等方面是最优或者接近最优的。为满足实际应用需求，采用智能化算法来求解车辆调度优化问题，在有限的算法步骤内，找出所有满足约束条件的排班方案中的最优方案或接近最优的方案。可以提高公交企业的管理和服务水平。 遗传算法 遗传算法简介 遗传算法(Genetic Algorithms, GA)是一种基于自然选择和基因遗传学原理的自适应全局优化概率搜索方法。它的创立有两个研究目的：一是抽象和严谨地解释自然界的适应过程；二是为了将自然生物系统的重要机理运用到工程系统中。GA从许多点开始并行操作，在解空间进行高效启发式搜索，因而可以有效地防止搜索过程收敛于局部最优解；遗传算法在计算机上模拟生物的进化过程和基因的操作，通过目标函数来计算适配值，并不需要对象的特定知识，它具有全局寻优的能力，能解决高度复杂的问题，被广泛应用于自动控制、图形处理、电力调度等方面。 基本运算过程 基本遗传算法的步骤为： 随机生成初始群体； 是否满足停止条件？如果满足转到步骤8)； 否则计算当前群体每个个体的适应度函数； 由当前群体中个体的适应度函数进行选择生成中间群体； 以概率选择两个个体进行染色体交换，产生新个体替换老的个体，插入到群体中； 以概率选择一个染色体的某一位进行改变，产生新的个体替换老的个体； 转到步骤2)； 终止。 2.3 建立调度的数学模型 调度系统所采用的数学模型对运行环境做了简化：车的速度恒定，保持匀速行驶，无特殊事件发生；以分钟作为最小的时间单位，这对安排时刻表是合理的；假设客流模型能反映该段线路上的日常客流量(我们假设到站乘客服从均匀分布，在不同时段有不同的分布密度)。 首班车发车时刻为早上6点整，末班车发车时刻为22点整，所有运营车都在整分钟时刻发车，一天之内的总班次为m，总时间为l 6小时，即960分钟。用表示第m辆运营车发车时刻距首发时刻的时间，以分钟为单位。决策变量为；染色体X是一个完整的发车时刻表，其中的每个基因为一个车辆的发车时刻。约束条件为 为目标函数，式中n是公交线路的总站数，m是一天之内车队发车的总班次，为第j辆运营车到达公交线路第i站的时间，是第i站第j－l辆运营车开出后第K个乘客的到达时间。，f（X）表达的是一天之内某路公交线路上所有乘客的总等待时间。可见目标函数值越小，乘客的等待时间越短，服务水平越高。在算法中因为基因的变化范围较大，寻优搜索空间也很大，采用了真实值编码，减少了编解码过程，提高了运算效率。下面简要介绍一下遗传操作： 1．选择算子：采用比例选择法，也称为轮盘赌法。各个个体被选中的概率与其适应度的大小成正比。在一次选择中个体被选中概率为 ， 式中为该个体的适应度。 2. 交叉算子：首先将群体中的M个个体以随机方式组成M/2对配对个体组，然后对每个个体组以概率P进行交叉运算，先在个体编码串中随机设置一个交叉点，然后在该点相互交换两个配对个体的部分染色体。交叉点的选择必须保证新的个体符合约束条件。 3. 变异算子：采用均匀变异操作。依次指定个体编码串当中的个体基因座为变异点，对每个变异点以很小的变异概率p从对应基因的取值范围内取一个均匀分布的随机数来代替原来的基因。任一个基因的