第08章交通分配(2).ppt

拉格朗日函数： K-T条件 ? 模型解的唯一性证明 凸规划：约束集是凸集（函数为凹函数）、目标函数是凸函数。 对于凸规划，任何局部最优解必是全局最优解，即目标函数的最优值是唯一的。 严格凸规划：约束集是凸集、目标函数是严格凸函数。 对于严格凸规划问题，其最优点唯一。 多元函数的Hesse矩阵 考察UE模型的约束集是否为凸集 分析UE模型，可见UE模型的约束均为等式约束和不等式（非负）约束，且约束条件均是线性约束。根据线性函数既是凸的又是凹的这一性质，所以UE模型符合“各约束函数都是凹函数”的条件，即约束集合是凸集。 UE模型的唯一性结论 UE模型的约束集是凸集，目标函数是严格凸函数，故UE模型是严格凸规划，模型有唯一最优解。 这就是说，当达到均衡状态时，分配到各路段上的流量是唯一的。 需注意的问题 UE分配对于路段流是严格凸的、对于路径流则不一定是严格凸的。即模型有唯一的路段流量解而没有唯一的路径流量解。 UE模型路径流不唯一的反例 8.2.4.3 UE模型的求解 Backmann提出的上述交通分配数学规划模型沉睡20年后，1975年LeBlance等学者成功地将Frank-Wolfe算法用于模型的求解。最终形成了目前广泛应用的一种既严格又实用的解法（F-W算法）。 UE模型是一组非线性规划模型。对于非线性规划模型既使现在也没有普遍通用的解法。只是对于某些特殊的非线性规划模型才有可靠的解法，而UE模型正是一种特殊的非线性规划模型。 Frank-Wolfe算法是用线性规划逐步逼近非线性规划的方法来求解UE模型的。该方法是一种迭代算法。思路如下：从某一初始点出发，进行迭代，每步迭代中，先找到一个最速下降的方向，然后再找到一个最优步长，在最速下降方向上截取最优步长得到下一步迭代的起点。重复此过程，直到找到最优解。此法的前提条件是模型的约束条件必须都是线性的。 Frank-Wolfe算法简介 UE模型的搜索方向问题 最优步长的确定问题 用户均衡交通分配模型的求解步骤 UE分配算例： 网络模型如下，试用F-W算法求两边的交通量。 F-W算法的缺陷 F-W算法在迭代后期阶段收敛很慢，原因是当趋近于最优解时，搜索方向将垂直于目标函数在点 的梯度。 影响F-W算法收敛速度的因素还有：初始解、网络结构和拥挤程度。初始解离平衡点越近，则需要的迭代次数就越少；网络结构越复杂，或者说从起点到终点的可行路径数越多，则需要的迭代次数就越多；拥挤程度越大的网络，需要更多的迭代次数来达到平衡点。 在实际应用中，对于大规模网络，通常4至6次迭代就够了。确定迭代次数时，要综合考虑原始数据的准确性、财力约束和具体的网络结构。 8.2.5 系统优化均衡交通分配模型（SO Model） 8.5.1 SO模型的基本思想 Wardrop第一原理有时也称为用户均衡（UE）原理、或用户最优原理。UE模型就是建立在UE原理上的数学模型。 Wardrop第二原理—— 系统最优原理 Wardrop还提出了另一原理，即系统最优原理，也称第二原理。 Wardrop第二原理：在考虑拥挤对走行时间影响的网络中，网络中的交通量应该按某种方式分配以使网络中交通量的总行驶时间最小。 第一原理与第二原理的比较 Wardrop第一原理反映了用户选择路线的一种准则，分配出来的流量结果是道路网上交通利用者实际路径选择的结果； Wardrop第二原理反映的是一种系统目标，即按什么样的分配是最好的，为规划管理人员提供了一种决策方法，在实际中难以实现，除非所有的道路使用者都相互协作为系统最优而努力。 8.2.5.2 数学模型 ? UE/SO模型目标函数的含义 UE模型仅仅是一个能有效产生UE条件的数学结构，缺乏直观的物理或经济含义。 SO模型是可以直观理解的，其目标是令系统的总交通时间最小。 ? 数学模型 ? UE模型与SO模型解的比较 除非是特殊情况（如所有路段的时间是固定的常数），否则一般情况下SO解和UE解是不会相同的。 在SO状态，所有的出行者都能够在统一指挥下做出协调路径选择，以确保系统的总时间最小，而UE状态下的出行者只考虑个体的出行时间最小。 8.2.5.3 SO模型和UE模型之间的关系 很显然，二者只有目标函数不同，约束条件完全一致，故二者之间可以进行转化。 SO模型转化成UE模型来求解 只有当交通量较小时，道路上不存在拥挤时，系统最优和用户均衡才有可能相等；若道路上的交通量大时，二者不可能相等。 通过对走行时间函数的修正，可以利用UE模型来求解SO模型。 8.2.5.4 SO模型求解算例 网络如下，试求系统最优均衡解。 8.2.5.5 能力诡异现象 城市交通网络中，经常会遇到一种奇怪的反常现象。即在拥挤的