基于粒子群算法的铁路客票预售期研究.pdfVIP

旅客运输 铁道运输与经济 RAILW AY T R A N S P O R T AN D E C O N O M Y 文章编号：1003—1421(2012)03—0076-04 中图分类号_• U293.2+2 文献标识码 ：B 基于粒子群算法的 铁路客票預售期研究 王紅爰，吕晚牴，未走生，周亮瘦 (中国铁道科学研究院电子计算技术研究所，北京 路客票发售和预订系统（以下简称客票系统) 自 1996年开始应用以来，实现了全路联网售票， 推出窗口售票、 自动售票机售票、电话订票、互联 网购票等多种方式，极大地方便了旅客购票。为避 免铁路客流高峰时期的购票拥挤，一般需要调整客 票预售期。 目前，主要依据历史数据和专家经验制 摘 要 ：通过研究粒子群算法，建立铁路客 定客票预售期，人为因素较多。因此，提出基于粒 票 预 售 期 制 定 应 用 研 究 模 型 。该模型通过 子群算法的铁路客票预售期计算模型，以预测售票 设 置 平 滑 度 目 标 函 数 ，分析模型参数设置 量为基础，通过调整客票发售期的适用度函数，达 方 法 ，通过调节客票发售的预售期平滑预售 到每日均衡发售客票的目标。 期 内 的 日 售 票 量 。以 2012年春运客票销售 1 粒子群算法概述 数据作为样本进行仿真实验，对预售期进行 了优化。 ’ 粒 子群优化算法（PSO ) 是一种进化计算技术， 关 键 词 ：粒子群算法；铁 路 客 票 ；预 售 期 ； 1995 年由Eberhart和 kennedy 提出[1]，源于对鸟群捕 食行为的研究。P S O 是一种基于迭代的优化算法， 日售票量 系统初始化为一组随机解，通过迭代捜寻最优值。 76 旅客运输 基于粒子群算法的铁路客票预售期研究王红爱等 铁道运输与经济 在每一次迭代中，粒子通过跟踪2 个极值来更新自 体极值比较，如果适应度值大于个体极值，则更新 己，一个极值是粒子本身所找到的最优解，称为个 该粒子的个体极值。 体 极 值 另 一 个 极 值 是 整 个 种 群 当 前 找 到 的 最 第 4 步 ：将种群中每个粒子的适应度值与全局 优 解 ，称为全局极值^ t。如果将部分粒子代替整 极值比较，如果适应度值大于全局极值，则更新每 个种群进行搜索，得到的极值是局部极值。粒子在 个粒子所在种群的全局极值。 搜索过程中，根据个体极值和全局极值，更新自己 第 5步 ：不断迭代粒子速度及位置。 的速度和位置。 第 6步 ：重复以上步骤，直到满足算法的迭代 Vj = w x v ^ + C i x r x ( p ^ - p ^ + C i x r x ( g