基于遗传蚁群混合算法的公交线网优化模型.doc

基于遗传蚁群混合算法的公交线网优化模型 摘要：随着城市经济不断发展，城市交通问题日趋严重，公共交通成为解决城市交通供需矛盾的重要手段。文章提出了以社会总出行时间最小、污染排放量最低、乘客直达率最大、线网日均满载率最大、公交企业年收益率最大以及线网效率最大为优化目标的多目标城市公交网络优化模型，并运用遗传蚁群混合算法对模型进行计算，大大降低了模型的求解时间。 关键词：公共交通；公交线网；多目标优化；遗传蚁群算法 自二十世纪以来，国内外很多学者都积极的投入到公交网线优化的研究当中。公交网线优化是一个多目标优化问题，即在满足优化限制的空间解内，寻找到公交网线优化选择中提出的目标函数都满意的优化解。具体的说是在研究乘客流动规律之后，把公交车辆组织在规定的路线上，按照客流的数量、方向和时间制定有节奏的、周而复始的行车计划，以得到最佳的经济效益和社会效益。本文采用建立数学模型的方法来解决这个组合优化问题。 一、公交网线优化的目标函数 （一）社会总出行时间最短 f1=λ1t1+λ2t2+λ3t3+λ4t4+λ5t5 式中：λi（i=1，2，3，4，5）是时间系数；t1是乘客步行至起始车站的时间，且t1＝（■+■）/βv，其中si、sj分别是i小区和j小区的面积，β是与路网密度有关的系数，一般取2-4，v为乘客步行的平均速度；t2是从出行点到相应车站后的候车时间，且t2=（■+ρ）δ，其中δ为平均发车间隔时间，ρ为平均留站率（δ、ρ可取经验常数）；t3是中间转换时间，且t3＝（■+ρ）t0，其中t0为从下车站到上车站的中转时间；t4是车辆行驶时间，且t4＝lij/vl，其中vl为车辆平均旅行速度，lij第i区心形节点到第j区心形节点公交线路的长度；t5是下车后乘客步行到达目的地的时间，且t5=ld/μv，其中ld为乘客从车站下车后步行的到目的地的最短距离。 （二）污染物排放率最低 f5=■■■qi，i+1，kli，i+1，kσ（νjk）/■■■qi，i+1，kli，i+1，kσ0（νjk） 式中：j=1，2，3，4分别表示co、co2、nox和chx；qi，i+1，k为第k条线路的站点i至站点i+1路段客流量（人次）；li，i+1，k为第k条线路的站点i至站点i+1路段的长度；σ（νjk）为第k条线路上在车速νk行驶情况下第j种污染物的实际排放浓度（mg/m3）；σ0（νjk）为第k条线路上在车速νk行驶情况下第j种污染物的标准排放浓度（mg/m3）。 （三）乘客直达率最大 f2=■■qij/■■dij 式中：qij为线路起终点（i，j）之间直达乘客量（人次）；dij为交通小区i至交通小区j间的od量（人次）；n为通行公交车辆的道路网节点数；m为交通小区数。 （四）线网日均满载率最大 f3=■■qi，i+1，kli，i+1，k/■■q0，i，i+1li，i+1，k 式中：q0，i，i+1为第k条线路的站点i至站点i+1路段车容量；li，i+1，k为第k条线路的站点i至站点i+1路段客流量间距离（km）；n公交线路数。 （五）公交企业年收益率最大 f4=c1/（c2+c3+c4+c5+c6+c7） 式中：c1为公交企业年均经济收入（万元）；c2为年均公交网络建设费用（万元）；c3为年均公交网络维修费用（万元）；c4为年均公交车辆购置费用（万元）；c5为年均公交车辆维修费用（万元）；c6为年均工作人员工资福利等费用（万元）；c7为年均公交企业其他费用（万元）。 （六）线网效率最大 f6=■lkqi，j，k/■lkδi，j，k 式中：qi，j，k为线路k从站点i至站点j路段的客流量；δi，j，k为经过站点i至站点j路段的客运需求量在线路k上分配的比例；r为所有公交线路的集合；lk为线k的路长度。 二、公交网线优化的约束条件 （一）线路长度l的限定 线路过短会降低公交企业的效益和增加乘客乘车的转换次数；线路过长会增加车辆班次的安排和调度难度，并且工作人员也容易疲劳。所以，在规划时要根据规划城市的实际情况，以及乘客和工作人员的体能情况对线路的长度进行一定的限制。一般限制在5km-30km内位佳。 （二）线路客流量不均匀系数ρ的限定 为了充分利用交通资源，避免交通拥挤和交通事故，所以在做规划时必须考虑到线路的客流量均匀系数。一般情况下：ρ＝o/q?燮1.5。式中，o为线路中最大断面客流量，q为平均断面客流量。 （三）客流平均转换次数θ的限定 由于受经济发展的约束，公交出行不可能使每个乘客都在不换成的情况下到达目的地。一般情况下要求城市居民平均出行换乘次数θ＝■νi/n?燮1.5。式中，n为总出行人数，νi为第i位出行者的换行次数。 （四）复线条数γ的限定 考虑到公交线路的分布均匀性、站点停靠能力等，在公交线网优化中采用复线条数对其进行约束。线路多了，车站