基于延迟函数的次梯度启发式道路交通补偿策略.docxVIP

基于延迟函数的次梯度启发式道路交通补偿策略 0 传统面向全网络的流量负载均衡优化问题 交通堵塞将给经济和社会带来巨大的损失。2016年，美国城市的交通拥堵成本为1010亿美元。 利用供求关系分析, 当需求大于供给时就会发生阻塞, 因此, 可以通过增加供给或降低需求来解决拥塞问题 上述方法的思路都是针对一些高度拥挤的道路, 旨在重新分配流量负载均匀分布在整个网络包括不拥挤的道路。此类方法类似于一种专家策略, 并未定义问题的梳理模型进行分析, 优化效果不理想。为此, 本文在给出交通定价补偿数学规划模型的基础上, 实现道路交通补偿的优化。 1 数学模型 1.1 交通网络图的分析 给定一组具有上限容量的道路, 需进行收费或者补贴, 即交通定价方案。该问题本质上是一个容量限制交通分配问题 (CTAP) 。考虑G (N, A) 是一个交通网络图, 其具有N个节点, A是连接Rue01bN×N上源节点和目的节点的道路。道路集的收费/补贴可表示为 其中:z是Beckmann最小化目标函数;x 1.2 小样本中分析 实践证明, CTAP在线性约束条件下是严格凸问题, 呈现独特的道路流量全局最优解。考虑w 其中, 将式 (11) 代入式 (6) 和 (8) 可得 利用式 (12) (13) 可以证明, w 在文献中, beta项也可解释为在过饱和的道路排队堆积造成等待时间。如图1所示, 代表通行费或补贴价值的beta项是正数, 而补贴应该是负值。接下来, 将提出一种策略防止出现任何的负面循环。 1.3 提高出发时间 首先假设只有收费和没有补贴。在制定收费标准后, 会把模型扩大到补贴。考虑延迟函数t 其中:b 2 基于启动成本补偿策略的送分策略 2.1 迭代图的形化 式 (14) (15) 的主要功能是解除过饱和道路的延时功能, 直到交通量稳定在容量水平内。延迟函数中的初始beta值 (beta (β 其中: 其中:上标i和a表示当前迭代和各自 (过) 饱和的道路 图1 (a) 中, 给出式 (17) ～ (19) 膨胀延迟函数的三次迭代图形化表示形式。在第一次迭代时, 没有初始beta值initialbeta (b 在给出这种渐进的方法中, 如果一个 (以上) 饱和路发现是不饱和的, 在中间的迭代位置, 其相应的惩罚是无效的。如图1 (b) , 即p 上面设定符合在产能分配问题的KKT稳定点条件, 据前所述, beta项可解释为在过饱和的道路排队堆积造成等待时间, 因此对于非饱和路段的beta值最终设定为0。 2.2 延迟函数 现在可以把定价补贴包括在模型中。如前所述, 一个负循环可能破坏整个定价过程。为了避免这种情况, 确保道路的旅行时间始终保持为正常值。为此, 首先取消所有收费/补助道路的免费通行时间, 然后将beta初始化到相应的自由流旅行时间。实际上, 没有任何变化, 延迟函数保持不变: 具体如图1 (c) 所示, 在迭代计算的最后一步, 根据beta值, 获得在A或B上的延迟函数。beta值减去自由流时间β 给定最后一次迭代 (迭代n) 输出, 收费/补贴值 (-t 2.3 迭代算法的改进 图2给出收费/补贴的定价方案流程。 如果旅行需求高于网络的容量, 问题就变得不可行, 可引入一个通过道路高行程时间与所有区域相连的虚拟节点。该算法可以很容易地集成到一个传统的TAP解决方案中, 如弗兰克—沃尔夫方法。鉴于initial-beta值的逐渐积累, 收敛准则可定义为低于步数值的一个普通值, 具体形式为 计算结果表明:ε=1%就足以获得可靠的结果。因此, 该算法不终止, 除非这两个标准的相对差距和相对速度值得到满足。迭代求解容量约束的拉格朗日乘子值的尝试, 事实上相当于解决了原来CTAP部分的对偶变换。结果表明, 部分对偶梯度问题导致交通量向量过大, 次梯度法被认为是一个有效的求解算法。 2.4 步长选择机制 上述算法本质上是一种次梯度方法, 可基于交通量过大的情况, 迭代地更新对偶值。子梯度法的一个关键组成部分是步长, 它被均匀地应用于所有道路, 并且可能在迭代过程中变化。为了保证收敛, 步长值必须符合一组规则。相反, 本文提出了一个直观的步长选择机制 (类似于边际成本) , 排斥每一条道路和迭代。上述方法的最优性条件和收敛性方面, 本文方法的新颖之处是将拉格朗日值转换为通行费/补贴值。为此, 当CTAP终止时, 自由流时间先清零;利用最终的旅行时间和原始的旅行时间函数的区别, 指定收费/补贴值。 3 实验分析 3.1 基于ip的新能源pc机 该方法利用macro进行编码, 这是一种交通规划软件Emme 3的专用编程语言, 其中无容量限制TAP过程采用弗兰克—沃尔夫算法求解。使用一台具有3.60 GHz的CPU和16 GB RAM的台式