【正文】 disp(c10)。時段10路徑3流量為：39。disp(b10)。時段10路徑2流量為：39。disp(a10)。時段10路徑1流量為：39。disp(c9)。時段9路徑3流量為：39。disp(b9)。時段9路徑2流量為：39。disp(a9)。時段9路徑1流量為：39。disp(c8)。時段8路徑3流量為：39。disp(b8)。時段8路徑2流量為：39。disp(a8)。時段8路徑1流量為：39。disp(c7)。時段7路徑3流量為：39。disp(b7)。時段7路徑2流量為：39。disp(a7)。時段7路徑1流量為：39。disp(c6)。時段6路徑3流量為：39。disp(b6)。時段6路徑2流量為：39。disp(a6)。時段6路徑1流量為：39。disp(c5)。時段5路徑3流量為：39。disp(b5)。時段5路徑2流量為：39。disp(a5)。時段5路徑1流量為：39。disp(c4)。時段4路徑3流量為：39。disp(b4)。時段4路徑2流量為：39。disp(a4)。時段4路徑1流量為：39。disp(c3)。時段3路徑3流量為：39。disp(b3)。時段3路徑2流量為：39。disp(a3)。時段3路徑1流量為：39。disp(c2)。時段2路徑3流量為：39。disp(b2)。時段2路徑2流量為：39。disp(a2)。時段2路徑1流量為：39。disp(c1)。時段1路徑3流量為：39。disp(b1)。時段1路徑2流量為：39。disp(a1)。時段1路徑1流量為：39。c10=A(10,3)+c9B(10,3)。a10=A(10,1)+a9B(10,1)。b9=A(9,2)+b8B(9,2)。c8=A(8,3)+c7B(8,3)。a8=A(8,1)+a7B(8,1)。b7=A(7,2)+b6B(7,2)。c6=A(6,3)+c5B(6,3)。a6=A(6,1)+a5B(6,1)。b5=A(5,2)+b4B(5,2)。c4=A(4,3)+c3B(4,3)。a4=A(4,1)+a3B(4,1)。b3=A(3,2)+b2B(3,2)。c2=A(2,3)+c1B(2,3)。%計算各時段各路徑存在的交通量a2=A(2,1)+a1B(2,1)。b1=A(1,2)。]。5 8 3。5 2 8。4 6 10。3 6 5。B=[0 0 0。2 7 14。0 3 14。4 9 12。4 9 15。1 7 22。 endtoc。 end if Jiob1j(BestS,i) %全局優(yōu)化 BestS=X2(1,:)。 end%（4）判斷和更新 if ob1j(X(i,:),i)Ji %局部優(yōu)化：判斷當此時的位置是否為最優(yōu)的情況 Ji(i)=ob1j(X(i,:),i)。 end end %（3）自適應(yīng)變異,避免陷入局部最優(yōu) if rand k=ceil(CodeL*rand)。 %實現(xiàn)位置的更新 for j=1:CodeL %檢查位置是否越界 if X(i,j)MinX(j) X(i,j)=MinX(j)。 elseif v(i,j)Vmax v(i,j)=Vmax。 for i=1:Size v(i,:)=w(kg)*v(i,:)+c1*rand*(X2(1,:)X(1,:))+c2*rand*(BestSX(1,:))。 %隨機初始化速度endfor j=2:Size if ob1j(X(j,:),i)ob1j(BestS,j) BestS=X(j,:)。 end for l=1:1:CodeL %十進制浮點制編碼 X(:,l)=MinX(l)+(MaxX(l)MinX(l))*rand(Size,1)。 %慣性權(quán)重最小值：[0,1]G=500。 %學(xué)習(xí)因子：[1,2]wmax=。 %參數(shù)個數(shù)c1=。 %設(shè)計粒子群參數(shù)Size=10。%限定速度的范圍Vmax=。for k=1:10p=E(k)。disp(B1estS) %最佳個體disp(B1est_J) %最佳目標函數(shù)值end循環(huán)代碼（）function [BestS Best_J times]=XUNHUAN(BestS,X2,Ji,i)%參數(shù)搜索范圍MinX=[0 0]。BestS=X(1,:)。 %隨機初始化速度end%（2）計算種群中粒子的適應(yīng)度，并初始化Ji和BestSfor i=1:1:Size Ji(i)=ob1j(X(i,:),i)。 end %十進制浮點制編碼for i=1:1:CodeL X(:,i)=MinX(i)+(MaxX(i)MinX(i))*rand(Size,1)。 %慣性權(quán)重最小值:[0,1]G=500。 %學(xué)習(xí)因子：[1,2]wmax=。 %參數(shù)個數(shù)c1=。 %設(shè)計粒子群參數(shù)Size=10。% 限定速度的范圍 Vmax=。%限定位置和速度的范圍%參數(shù)搜索范圍MinX=[0 0]。end主程序代碼（）%****************************************************************************clear all。 J=x1+200*(x1/10)^5+x2+(*20)*(x2/20)^5+x3+125*(x3/30)^5。 p=E(i)。 x2=a(2)。%***************************************************************************%計算個體目標函數(shù)值function f=ob1j(A,i) a=A。最后，我要感謝我的父母和我的同學(xué)朋友們，是他們對我的理解和鼓勵，才讓我有了今天的成績。在此我要向我的導(dǎo)師表示衷心的感謝！其次，我要感謝五邑大學(xué)對我的培育，在這四年里，我的知識水平得到了很大的提高。我的設(shè)計較為復(fù)雜煩瑣，而且本身對于算法和程序?qū)W習(xí)得不夠透徹，但是呂秋霞老師仍然細心地指導(dǎo)我，并且糾正程序和文章中的錯誤。本文的所有工作都是在呂秋霞老師的耐心教導(dǎo)和督促下完成的。在老師以及身邊同學(xué)的支持幫助下，我才能堅持下來并最終完成這份任務(wù)。particlefactorsandinertiaEberhart,Yoptimizer[C].In:IEEE World Congress on Computational Intelligence,1998:6973.[11] Rparticle參考文獻[1] 陸化普，史其信，[J]，公路交通科技，1996,13（2）：3443.[2] of road traffic research[J].Proceedings of the Institute of Civil :325378.[3] Merchant and Nemhauser . A Model and an algorithm for the dynamic traffic assignment problems[J].Transportation :183199.[4] 劉大利，[J].物理教學(xué)探討，2003,1（21）：13.[5] 賀一，[J].西南師范大學(xué)學(xué)報自然科學(xué)版，2002,3（27）：2729.[6] 熊偉平，[J].計算機技術(shù)與發(fā)展，2010,3(20):912.[7] [J].河北科技，2010,3:12.[8] Eric Bonabeau,Marco Dorigo,Guy Intelligence:From Natural to Artificial Systems[M].Oxford,England:Oxford University Press,1999.[9] 劉淳安，[J].海南大學(xué)學(xué)報自然科學(xué)版，2006,3(24):256260.[10] Shi本文的研究重點在于如何將分時段的交通信息應(yīng)用到動態(tài)交通分配中，從而改善現(xiàn)時交通狀況，研究結(jié)果主要有：介紹了一種帶慣性權(quán)重的改進粒子群算法，在算法的速度項中引入了慣性權(quán)重，調(diào)整其大小可以平衡PSO的全局與局部尋優(yōu)性能，比不變值能得到更好的尋優(yōu)結(jié)果；將分時段交通信息運用于動態(tài)交通配流模型中，結(jié)合改進粒子群算法進行運算，對交通進行合理分配，發(fā)揮了粒子群算法本身的優(yōu)勢，取得了良好的效果。結(jié) 論動態(tài)交通分配一直是比較復(fù)雜的模型，涉及到的相關(guān)變量多，使得計算的數(shù)據(jù)量巨大，運算復(fù)雜。仿真證明該算法能有效使得各路徑上的交通量合理分配，減少交通擁擠情況的發(fā)生。表42 各時段粒子群動態(tài)配流結(jié)果時段路徑1路徑2路徑3分配量存在量阻抗分配量存在量阻抗分配量存在量阻抗t11844121222t230171916126t320420111516t428823651423t523423541427t625323441838t719523383838t8171246101042t9243221719443t10234225181455各時段目標最優(yōu)值如表43所示。OD圖41 網(wǎng)絡(luò)結(jié)構(gòu)圖各路徑的阻抗函數(shù)為： （44） （45） （46）采用的目標函數(shù)為： （47） . （48） 此模型為單OD對模型，研究時間應(yīng)為連續(xù)的時間范圍，但在本文中將時間段[0，]劃分為等時間間距的10個時間段，…，各時間段流入量如表41所示。在本文中采用路段上行駛時間最少為阻抗最小原則，模型采用高自友[17]于2000年提出的經(jīng)典模型做算例，并用MATLAB軟件來進行仿真測試。 （43）式中 、——慣性權(quán)重的最大取值和最小取值；——當前迭代數(shù)；——最大迭代數(shù)。通過校準權(quán)重的大小，可以使運算跳出局部極小值，達到更好的優(yōu)化效果。更新方程為： （41） （42）當慣性權(quán)重時，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。第4章 粒子群算法在動態(tài)交通分配問題的應(yīng)用 帶慣性權(quán)重因子的改進算法本文取用全局版本的粒子群算法。在粒子群研究的領(lǐng)域內(nèi)，無論是理論還是應(yīng)用效果都需要再進一步的探討。PSO在醫(yī)學(xué)上也得到很大的應(yīng)用，目前發(fā)現(xiàn)PSO可用于醫(yī)學(xué)圖像的配準以及人類的帕金森綜合癥等疾病的研究和治療；應(yīng)用PSO技術(shù)分別對時變系統(tǒng)和非線性系統(tǒng)進行驗證和辨析，仿真結(jié)果表明了這兩種系統(tǒng)辨識的可行性[16]。 粒子