一种基于混合启发式算法的智能公交调度方法

摘要

本发明公开了一种基于混合启发式算法的智能公交调度方法。本发明将模拟退火算法和遗传算法结合在一起，并且加入精英保留策略和适应度拉伸函数。将每一代种群中适应度最大的个体直接保留到下一代，避免它被交叉和变异操作破坏。适应度拉伸函数在算法的初期阶段，削减个体之间的差异，从而增加种群的多样性，避免遗传算法陷入局部最优解；在算法的后期阶段，增大个体间的差异，从而增加优秀个体被选择的概率，加快收敛速度。本发明运算速度快，能在较短时间内在给定发车时间频率条件下，得到优化后的调度计划，使乘客的等待时间大幅度减少；能动态调整发车频率，使发车频率符合客流总量的变化规律；能动态调整发车间隔，大幅度减少乘客的等待时间。

主权项

一种基于混合启发式算法的智能公交调度方法，其特征在于包括如下步骤：步骤(1)读取乘客的刷卡记录，统计每天乘车总人数和每个时间段I内的人数，获取每天的历史天气状况和节假日情况；使用层次聚类方法，对获取的历史数据进行聚类分析；即将一天当中的乘车总人数、不同时间段内的乘车人数、天气情况和节假日情况组合成一个向量，然后对该向量进行归一化操作，使用系统聚类算法中的Ward法进行聚类操作，根据聚类的结果提取每个类别的特征；所述的刷卡记录包括上车刷卡时间、上车站点、下车刷卡时间和下车站点；所述的获取的历史数据包括乘客的刷卡记录、历史天气状况和节假日情况；步骤(2)根据第二天的天气预报信息和节假日情况，从步骤1的聚类结果中匹配到一个类，并从该类中抽取一个向量作为预测值；步骤(3)根据预测值，结合公交企业期望的满载率，两者相除，得到第二天的总发车班次；步骤(4)随机生成N个向量，向量的维度与总发车班次相等；每个分量代表对应班次的发车时间，发车时间以分钟为单位，设定第一个分量等于0，最后一个分量等于末班车发车时间与首班车发车时间之间的分钟数；向量中的分量按从小到大的顺序排列，这N个向量组成初始解的集合P₀，并设定迭代次数g为0；其中N为偶数；步骤(5)建立公交调度的数学模型，以乘客的等待时间最短为目标设定适应度函数，计算每个初始解的适应度，然后通过混合启发式算法进行求解；5‑1.使用适应度拉伸函数进行适应度拉伸操作，用拉伸后的值替换掉原来的适应度；5‑2.按照轮盘赌选择策略从集合P_g中选择任意两个解，按照设定的交叉概率进行交叉操作，即随机选择一个交叉位置，交换两个解交叉点前后的部分，得到两个交叉后的解；然后对两个交叉后解进行模拟退火操作：计算交叉后的解的适应度，如果适应度增大，接受新的解，否则以当前的接受概率接受新的解；从而获取两个新的解；5‑3.按照设定的变异概率，对步骤5‑2中获取的两个新解的每一个分量进行变异操作，即随机生成一个大小位于前后两个分量之间的自然数，替换掉原来的值，得到两个变异后的解；然后进行模拟退火操作：计算变异后的解的适应度，如果适应度增大，接受新的解，否则以当前的接受概率接受新的解；从而获取两个新的解，并将获取的两个新的解放入解集P_g+1；5‑4.重复步骤5‑2和5‑3，直至解集P_g+1中解的个数与N相等；步骤(6)更新迭代次数g＝g+1，若已经达到最大的迭代次数G_max，则输出解集P_g中适应度最高的解，即为优化后的发车时刻表；否则，转到步骤5‑1；所述的迭代次数G_max为正整数。