【正文】 14 Step3：對每個粒子，將其 目前 的 適應(yīng)值與 本 身 發(fā)現(xiàn) 過的最好位置 pbest 作 對比 ，如果更好 ，則將其 替換為 當(dāng)前的最好位置 pbest ； Step4：對每個粒子，將其 目前 的 適應(yīng)值與全局所 發(fā)現(xiàn) 的最好位置 gbest 作 對比 ，如果較好，則重新 更新 gbest ； Step5：根據(jù)公式 （ 31） 和 （ 32） 更新粒子的速度和位置； Step6： 滿足結(jié)束條件 (誤差足夠 小 或 達(dá)到最大迭代 次數(shù) )則 退出，否則返回 Step2。此外，由于 PSO 對參數(shù)具有很強(qiáng)的依賴性，選取參數(shù) 時(shí) 需要 慎重 考慮 。在全局版本模型中，粒子同時(shí) 追尋 本身 的歷史最優(yōu)值 （ pbest ） 和群體全局最優(yōu)值 （ gbest ） 在搜索領(lǐng)域中更新速度和位置。 用 PSO 解 決實(shí)際問題已成為優(yōu)化行業(yè)的熱點(diǎn)，由于其具有很好的通用性和有效性，使2 1 8 7 6 5 3 4 8 7 6 3 4 5 2 1 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 19 得其廣泛應(yīng)用在化工、電力、機(jī)械設(shè)計(jì)、交通以及通信等領(lǐng)域。 動態(tài)交通分配模型 模型的網(wǎng)絡(luò)結(jié)構(gòu) 見圖 41。 該 辦法經(jīng)過 試 驗(yàn)， 獲得 良好 的應(yīng)用效果，但由于需要 求得 群體中 所有粒子 之間的距離，運(yùn)算 量大，且需要 足夠 的 內(nèi)存 空間，所以這個 方法 一般不常 用。 XiaoFeng Xie[12]提出 了自適應(yīng) PSO 算法，通過采用一種新粒子替換不活潑粒子使群體保持 多樣性，在 PSO 中 引入自然進(jìn)化過程中的群體消亡現(xiàn)象 ，該算法在更新粒子位置和速度后，按預(yù)先 設(shè)置 的消亡 間隔重新初始化 每個 粒子的 狀態(tài) ，實(shí)驗(yàn)表明該方法能改善 PSO 算法的性能，但由于本身的限制，該算法會影響 消亡 間隔的設(shè)置。 缺點(diǎn)： （ 1） PSO 算法易取得 局部 最優(yōu)解 ； （ 2） PSO 算法搜索精度不高 ； （ 3） PSO 算法高效的信息共享機(jī)制 可能 致使 粒子搜索 時(shí)過 度 聚集 在某一區(qū)域， 使粒子都飛向 某個全局 極值 點(diǎn) ， 一般不 用于多模態(tài) 模型 的 優(yōu)化 研究 ； 粒子群優(yōu)化算法 的改進(jìn) 粒子群算法作為一種仿生進(jìn)化算法，采用 建立在 群體的全局搜索策略和簡單的位移 —速度模式 ，避免了類似其他 復(fù)雜的遺傳操作。在 追尋 一致的認(rèn)知過程中 ， 個體 通常 牢記 它們自身的 最優(yōu)位置 ， 并且 兼顧 到 其它個體的 最優(yōu)位置 。 每次解 算法 過程的計(jì)算量較大，搜索 耗時(shí)很大 ， 易于 出現(xiàn) 遲緩 現(xiàn)象 ； 算法收斂性能影響初始取值。當(dāng)交通量 大于道路的路段容量 限制時(shí)，該路段就會發(fā)生交通堵塞 ， 嚴(yán)重的話會引起 交通癱瘓。 動態(tài)交通 分配 模型 本文 取用 時(shí)段 [0， T ]，將之 分為若干個時(shí)段 1t ， ? ， nt ， 每個時(shí)段間隔相等 。 第二章，動態(tài)交通流分配模型理論的概述。 動態(tài)交通分配理論的應(yīng)用 動態(tài)交通分配是在 己知的 交通需求 和 交通運(yùn)行狀況 下 ，分析 實(shí)時(shí) 路網(wǎng) 的最優(yōu)交通流 分配情況 ，其 需要優(yōu)先 考慮的 是對 各個時(shí)刻 產(chǎn)生 的出行需求 的科學(xué)預(yù)測 ，在確定 時(shí)變交通需求 量 的基礎(chǔ)上，再對 路網(wǎng)交通量 進(jìn)行 合理的分配。 （ 6） 電子收費(fèi)系統(tǒng) （ ETC） ETC 通過安裝在車輛上的車載 接收 器與 安裝在 收費(fèi)站 ETC 車道上 的 探測 發(fā)射器 進(jìn)行通訊，車輛通過 收費(fèi)站 時(shí) 不需停車 就能智能 繳納 路橋費(fèi) ， 收費(fèi)中心 通 過 計(jì)算機(jī) 網(wǎng)絡(luò)傳輸 與銀行 平臺 處理后 將 所 收 納的費(fèi)用 清分給相關(guān)的 業(yè)主 ，極大地 提高 了 收費(fèi)站 的 通 行 能力 。由其開發(fā)的 SmartWay 計(jì)劃將建立 “ 安全 最后在 多路徑 小型交通網(wǎng)絡(luò)中進(jìn)行 MATLAB仿真， 仿真結(jié)果體現(xiàn)了該模型的有效性和改進(jìn)的粒子群算法的優(yōu)越性，提高了模型的應(yīng)用價(jià)值。 智能化 交通 運(yùn)輸 服務(wù)和管理，促使 路網(wǎng)上的 車流量 保持在最佳狀態(tài)，減少 交通 堵塞情況和交通事故 的 發(fā)生 ， 提高 路段 的 最大 通行能力，促使 整個交通運(yùn)輸?shù)?安全性 、 能動性 和生產(chǎn)效率 得到提高 。 （ 2） 先進(jìn)的交通管理系統(tǒng) （ ATMS） ATMS 一般由交通管理者掌控，可以用來監(jiān)視和管理路網(wǎng)交通狀況，在車道、車輛和駕駛員之間提供服務(wù)。 而平衡模型 作為新發(fā)展起來的 新 式 交通分配模型，這類模型 與非 平衡模型 相比， 具有 條理清晰 、結(jié) 構(gòu) 縝密 、結(jié)果合理 ， 適用于 大規(guī)模 研究 的優(yōu)點(diǎn)。 動態(tài)交通分配模型以均衡分配交通量為 基礎(chǔ) ，能夠 立刻 地采取 妥善 的管理或誘導(dǎo)措施控制交通流，提高路網(wǎng)通過率，這也是動態(tài)交通分配的最終目標(biāo)。交通 管理 通過 變換 紅綠燈 信號 的 配時(shí)方案來改變車流的 通行情況 ；而動態(tài) 交通 誘導(dǎo)則通過 路況 信息 輸出 、車 輛 誘導(dǎo) 系統(tǒng)等 技術(shù) 手段改變車流 在時(shí)間和 空間 上的 傳播 。 在動態(tài)交通 路網(wǎng)中，當(dāng)所 求解 的交通 路網(wǎng) 存在 多個終點(diǎn)時(shí)， FIFO 規(guī)則則會 造成 模型的解域 出現(xiàn)非凸集合可行域的情況 ，當(dāng) 模型 符合 不了該規(guī)則 時(shí)，模型的解不合理，由此可見FIFO 規(guī)則的局限性。 對初始值的依賴性較強(qiáng)， 不能 進(jìn)行并行搜索 。 算法的基本原理 在特定的模型中， 每個粒子都 象征 著 求解 空間中的一個可行解， 粒子 本身 都有一 個由被優(yōu)化的 目標(biāo) 函數(shù) 所 設(shè)定 的適應(yīng)值 ，以及 在解空間中 當(dāng)前 所處 的位置 x 和速度 v ， 位置和速度的值 決定了它飛翔 時(shí)跨越的 距離和方向。 （ 2） 慣性權(quán)重因子 w 慣性權(quán)重因子 w 使 粒子保持運(yùn)動 慣性，使其有能力 搜索 新的 區(qū)域 。其他進(jìn)化算法 在進(jìn)化的過程中 只是 保留和 采用 位置的信息， 但粒子群 算法 可以同時(shí)保留 及 提取 速度和位置信 息，適應(yīng)值低的粒子在 尋優(yōu) 中仍能生存，并且可能搜索到空間中的任何一個領(lǐng)域。局部版本的粒子群算法則與全局版本相反，其收斂速度慢但卻 很 少 落 入局部最優(yōu)。 更新 方程為： k + 1 k k k* 1 * 1 * ( b e st ) 2 * 2 * ( g b e st )v w v c ra n d p x c ra n d x? ? ? ? ? （ 41） k 1 1kkx x v???? （ 42） 當(dāng)慣性權(quán)重 =1w 時(shí)，式（ 41） 和 式（ 31）是相等的，由此表明帶 慣性權(quán)重因子 的粒子群算法是基本粒子群算法的 發(fā)展 和延伸。通過 校準(zhǔn) 權(quán)重 w 的大小，可以使運(yùn)算跳出局部極小值，達(dá)到更好的優(yōu)化效果。 按照 取鄰域方式的 區(qū)別 ， 存在著 不同的方法來 描述 局部版本的粒子群算法。 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 17 算法的改進(jìn) （ 1） 增加慣性權(quán)重和收斂因子 為了能夠平衡全局搜索和局部搜索 性能 ，得到 質(zhì)量 更好的 種 群后代，選取合適的算法參數(shù)是關(guān)鍵。 于是在 開始進(jìn)行全局搜索時(shí) 需要 取較大的 w 值 ，擴(kuò) 張 搜索 范圍 （ exploration） ，使搜索 迅速 收斂于某一 范圍 ，然后 取較小 的 w 值進(jìn)行局部 精確 開發(fā) （ exploitation） 來獲得更加精確的 解。 接下來具體的表述一下粒子群算法的原理，首先假設(shè) 在一個 D 維的目標(biāo)搜索領(lǐng)域中，有 m 個粒子 形 成 一個粒子群，其中 ： 第 i 個粒子表示為一個 D 維的向量 ，也就是 粒子 i 的當(dāng)前位置： ? ?12, , , , 1 , 2 ,i i i i Dx x x x i m? ?? ? , 第 i 個粒子的速度也是一個 D 維的向量， 每個向量也即是粒子 i 的的當(dāng)前飛行速度： ? ?12, , , 1 , 2 , ,i i i i Dv v v v i m?? 第 i 個粒子搜索到的最優(yōu)位置，也即是粒子 i 所 發(fā)現(xiàn) 過的具有最好適應(yīng)值的位置 ： ? ?12, , , 1 , 2 , ,b e s t i i i i Dp p p p i m?? 整個 種群 到 一定程度 時(shí) 尋優(yōu) 到的最優(yōu)位置為全局 最好 ： ? ?12, , , 1 , 2 , ,b e s t i i i i Dg g g g i m?? 關(guān)于 最小化求解，目標(biāo)函數(shù)值越小，相 應(yīng)的適應(yīng)值越 優(yōu) 。 良好的收斂性 ； 較高的魯棒性 ； 不受函數(shù)約束條件的限制。在建立動態(tài)分配模型的過程中， 該 規(guī)則 只是要求模型具有有效性 ，并 非必 然會 出現(xiàn)在模型的約束條件中，只要 能正確建立 路段流出函數(shù) ， 就能自動滿足 FIFO 規(guī)則。 動態(tài)交通 分配理論已經(jīng)經(jīng)歷了 20 多年的發(fā)展，各國學(xué)者對它進(jìn)行了多方面的 探究 ，不斷提出 改良 和 合適 的 模型 。 在這一方面，動態(tài)的交通流模型不僅能更精確、科學(xué)地描述路網(wǎng)中交通流的時(shí)間、空間分布模式 ， 也能更 確切 地 模擬 出 高峰期和非高峰期間 車流量 的 交通 特性。 從對出行者選擇 路徑 方面的假定來看，將 動態(tài)交通分配 模型劃分為預(yù)測型和反映型。 （ 3） 先進(jìn)的公共交通系統(tǒng) （ APTS） APTS 以 聯(lián)結(jié) 各種智能 控制 技術(shù) 來發(fā)展 公共 交通 運(yùn)輸業(yè) ，使公交 客運(yùn) 實(shí)現(xiàn) 快速便捷 、經(jīng)濟(jì) 實(shí)惠 、運(yùn) 載 大的目標(biāo) ， 利用 公交車站 上 的 候車屏幕 向 乘客 提供車輛的運(yùn)行 情況 。 1990 年，美國 交通 運(yùn)輸部成立了 IVHS（ Intelligent VehicleHighway System）組織，并于 1994 年正式更名為 ITS America（ Intelligent Transportation System of America）組織。 傳統(tǒng)的優(yōu)化算法計(jì)算量大且容易使性能指標(biāo)陷入局部最優(yōu)， 極大 地 限制 算法 在理論和實(shí)際上的應(yīng)用 ，采用 粒子群算法 可以使求解變得簡潔和方便。之后在第 10 屆 ITS 世界大會上，歐洲 ITS研發(fā) 組織 ERTICO 首先 提出 eSafety 道路安全計(jì)劃 的 基本 理念 ， 獲得 歐盟委員會 的 認(rèn)可并被 列入歐盟的 規(guī)劃 項(xiàng)目 中 。 該系統(tǒng) 給予 駕駛 警告 和幫助 服務(wù) ， 以及控制車輛 躲避 障礙物等自動駕駛技術(shù)。但由于城市交通狀況具有時(shí)變性，反映型模型可能使相同 起始點(diǎn) 和 出行 時(shí)間的出行者，由于在不同時(shí)刻出發(fā)，使得他們最終所選擇的路徑所 消耗 的時(shí)間不同。 本文 章節(jié)安排 全文內(nèi)容分為四章，按照粒子群算法對 多路徑 路網(wǎng)進(jìn)行建模 和仿真實(shí)驗(yàn)，模擬車輛在動態(tài)路網(wǎng)中的路徑選擇與最優(yōu)配流問題，具體章節(jié)的安排主要如下： 五邑大學(xué)本科畢業(yè)設(shè)計(jì) 6 第一章，本文的緒論部分。從研究 趨勢 上看，動態(tài)交通分配 模型 研究的 內(nèi)在實(shí)質(zhì) 包括 了如下 四 個方面： （ 1） 動態(tài)交通需求 ； （ 2） 狹義動態(tài)交通分配。當(dāng)?shù)缆飞洗嬖诘能囕v數(shù) 在路段容量 限制的 范圍 內(nèi)時(shí)， 在道路上駕駛 會 相對暢通些， 司機(jī)在駕駛時(shí)也 會感覺更 舒暢 些 ， 用較少的行駛時(shí)間通過該路段 ，從而 誘使 更多的車輛選擇在該路段上行駛 。當(dāng) 一批螞蟻 經(jīng)過同一路徑時(shí)，后面的螞蟻選擇該路徑的可能性也就越大。 當(dāng)1kx? maxx 時(shí)，取 1kx? = maxx ； 當(dāng) 1kx? maxx 時(shí)，取 1kx? = maxx? . 如公式 （ 31） 所示 ， 每個粒子的 運(yùn)動行為 由三部分決定： 第一部分 體現(xiàn) 粒子當(dāng)前速度 的影響， 結(jié)合 粒子 目前的情況 ， 明確 了局部搜索能力與全局搜索能力的 均衡比重 ； 第二部分為 “ 認(rèn)知 ” 部分 ， 即與個體 極 值 的距離 （ pbest xk? ） ，表示粒子本身的 權(quán)衡 ； 第三部分為 “ 社會 ” 部分 ， 即與全局 極 值 的距離 （ gbest xk? ） ，表示粒子間的信息 傳播 與合作 。低的 取 值 能夠讓 粒子 在被拉回之前 在目標(biāo) 范圍 外 來回搜索 ，而高的值則 容易使 粒子 失控地 沖向 或 超出 目標(biāo)區(qū)域， 一般 情況下取 12= ? 。 Eberhart[11]等人提出了一種帶收斂因子的 PSO 算法，與 加入慣性權(quán)重的 PSO 算法相比較，帶收斂因子的 PSO 算法在運(yùn)算中具有更 好 的收斂速度。 圖 33 環(huán)形 圖 34 隨機(jī)環(huán)形 圖 35 輪形 圖 36 隨機(jī)輪形 第二種方法是根據(jù)粒子之間的 距離來取粒子的鄰域 。 研究 算例 交通行為中，在選擇 路線 時(shí) 出行者 會傾向于 挑選 當(dāng)前阻抗最小的 道路 行駛，阻抗最小可以用路段距離最小、路段車流量最小或者路段上行