交通堵塞由于不断增长的私人汽车的使用需求带来的健康和环境问题,以及征收沉重的负担在发展中国家和发达国家的经济。随着机动车辆的燃料消耗增加交通拥挤,污染环境的有害气体威胁人类健康,引发全球变暖增加温室气体的影响( 1]。behren和Egenhofer 2]国家交通部门负责四分之一的欧洲国家的温室气体排放。因此,重要的是组织公共交通系统可以替代私家车的安全、可靠性、舒适和经济标准,以避免环境和健康问题和所需的能量最小化在运输部门。中央和地方政府试图减少交通拥堵,使公共交通服务更具吸引力的投资于公共交通系统短期和长期战略的方向以及甚至采取措施限制个人汽车销售( 3]。然而,公共交通系统,这是最重要的解决交通堵塞,无法满足日益增长的旅游需求由于贫穷的规划,设计和管理。在公共交通系统的性能评估的研究中,发现主要问题相关的运输服务在发展中国家是缺乏能力在高峰时段( 4- - - - - - 6]。这个问题可以解决通过增加机队规模和服务频率高峰时段,导致运营成本增加,降低了运营商的利润率。然而,为了确保运输服务的可持续发展,不仅用户的预期,而且操作员必须满足的期望。在公共交通,运营商的目标达到一定盈利能力有限,考虑他们的预算和巴士车队,尽管用户普遍预计高服务质量和最小旅行时间。在这一点上,服务质量可以被认为是一个函数的舒适度和可靠性,而旅行时间由车载时间、等待时间和传输时间。因此,用户与运营商之间的权衡公共交通规划的目标应该仔细考虑。考虑到传统的公共交通规划过程包括路线设计、基于可用的巴士时间表准备,和船员调度步骤,准确地确定频率的公交线路在这一过程中发挥着重要的作用。Oudheusden和朱 7]国家准备时间表不善导致一个重载的公交车。相反,准确的时间表,确定基于优化的频率,可以降低运营成本,增加用户利益。在相关文献中,一些研究对公共交通服务频率的优化网络集中在交通网络设计问题(TNDP) [ 8- - - - - - 20.]。TNDP,通常制定用户和运营商的总和最小化的成本、最佳的运输路线和相关频率。相反,很少有研究处理服务频率固定的公交路线配置( 7, 21, 22]。

Baaj和Mahmassani 11)开发了一种交通路线分析师(信任)项目为了解决TNDP。在他们的研究中,TNDP制定作为一个整体成本的最小化措施包括运营商成本和用户成本。前者被认为是总旅行时间在分析期间的所有服务。相反,用户成本是考虑作为所有交通用户的总旅行时间,需要赋值的术语叫做(O-D)矩阵的交通路线。在这一点上,词典策略,以前由汉族和威尔逊[ 23),是采用信任。在这一战略,它是假定用户在选择路线时避免转移在它们的起源和目的地之间的竞争。从这个角度来看,转移和旅行时间发生在不同的替代选择在作业过程中进行评估。在这种情况下,所有旅游需求被分配到最少的转移的路线,而“频率”的规则,它是由Lampkin和Saalmans 8),应用如果至少有一个替代的旅行时间是最低阈值内的旅行时间。在信任,总旅行时间的旅程一个传输计算等待时间的总和在第一和第二公共汽车路线,车辆旅行时间,和一个固定的转移。注意,公交路线的等待时间被认为是一半的进展路线,同时转移点球是等价的车载旅行时间5分钟。在另一项研究通过Baaj和Mahmassani [ 12),路线生成算法(RGA)开发了基于人工智能的框架/运筹学混合解决方案方法,也是建立在信任和对交通分配问题的假设。Chakrobotry和已经受理 13)开发了一种基于遗传算法(GA),解决方案TNDP的技术解决方案。在这项研究中,这是说,与先前的研究关于航线网络设计、优化工具主要是用来减少依赖试探法。在研究结束时,一个简短的比较与研究结果Mandl [ 9]和Baaj Mahmassani [ 24)提供了提出方法的有效性。Szeto和吴 14)提出了一个混合的解决方案方法,遗传算法采用的解决方案路线设计问题,而社区搜索使用启发式搜索最优的一组频率。在这项研究中,平均旅行时间计算是基于交通分配的假设的研究Baaj和Mahmassani 11),该方法应用到天水围(香港)总线网络。结果表明,总旅行时间可以减少23%相比,天水围总线网络的当前状态。尼克里奇和Teodorovic 15)解决了TNDP使用蜜蜂殖民地优化(BCO)算法。在这项研究中,三个目标函数的总旅行时间,满足需求,和公共汽车需要满足需求,总数是最小化。解决了交通分配问题的基础上,频率分享方法,和获得的结果与之前的模型关于TNDP。与上述研究不同,一些研究认为是不同的分配方法。芒福德( 16]假定交通需求分配给的路线最短旅行时间和总旅行时间包括常数转移点球和车载旅行时间。在这项研究中,等待时间的用户都被忽略了。此外,汽车频率并不认为,假定当解决TNDP有足够的公共汽车。Afandizadeh et al。 17)开发了一个基于遗传模型,能够优化总线在仓库作业。在这项研究中,TNDP被制定为用户和运营商的成本。用户成本由总旅行时间和成本,需求未得到满足而运营商成本包括空位成本,冒口的旅行成本和总旅行时间成本。解决了交通分配问题的基础上,分对数路径选择模型中,等待时间被认为是一半的进展在相应的公交路线。在最近的一项研究中,欧维斯和奥斯曼( 18解决TNDP]使用天然气。最近,雅司病和李 19)应用微分进化方法TNDP的解决方案。在这项研究中,总旅行时间和未满足的需求的总和最小化。Ruano-Daza et al。 20.)开发了一个全球最佳和谐TNDP搜索解决方案方法。该模型应用于一个真正的快速公交系统最小化总网络旅游时间和浪费同时总线能力。尽管传统TNDP视为设计路线和设置在交通系统的频率,一些研究人员处理中的TNDP频率设置,即“总线调度”的观点。管理者等也是。 21)提出了一个两级车辆调度方法。在模型的第一级,最低服务频率测定负载可行性约束。相反,所需的机队规模最小化使用GA在第二个层次。在这项研究中,解决了交通分配问题的基础上提出的过程Baaj和Mahmassani 11]。Ruisanchez et al。 22)开发了一个上下两层的解决方案方法最优大小和频率在城市公交网络。在上层,一个成本函数,表示用户和运营商的成本最小化。在这项研究中,制定用户成本函数的加权和总传输时间,总访问时间,车载总时间和总等待时间。相反,交通分配问题解决了使用ESTRAUS™交通仿真软件。

从文献综述可以看出,TNDP已制定路线设计和频率设置或只有频率设置在城市交通网络。此外,频率分享方法广泛被接受的交通分配问题的解决方案。它可能是一种合理的方法分配的需求关于服务频率。然而,考虑到具体等待时间在原点,转移点可能提供更现实的结果,而不考虑它一半的乘客以来的进展有更好的知识由于当今智能交通系统和移动应用程序。Doğan和Ozuysal 25状态,过多的等待时间在城市系统可能会导致改变公交用户的路径选择。另一个被广泛接受的方法是假设用户的选择的路线最短旅行时间。然而,一些用户可能会选择一些较长的路线旅行时间考虑的服务水平(即。环境舒适度和路线),日常习惯,或不完整的信息。因此,它可能是更合适的随机性质考虑用户的路径选择行为。

在这项研究中,提出了一个上下两层的模拟/优化方法确定进展的公交线路和起飞时间路线的第一公共汽车从一开始在城市公交网络。上层的多目标函数的加权和表示用户和运营商成本最小化,而交通分配问题是解决使用入境签证®交通规划软件在较低的水平。因为进展和抵消变量是整数,TNDP制定的整数规划问题,和和谐搜索(HS)优化算法用于解决方案。的纪念品之一我们的方法是使用排课任务的实际传输等待时间,和协调的时间表是考虑。此外,通过添加偏移量参数,代表总线操作出发的时间关系,协调总线操作的影响调查。

进展和离职补偿优化问题和相关的符号在下一节中给出。随后,该模型和HS算法的实现提供了部分 3。部分 4提出了一些数值中型真正的总线网络上的应用程序。结果和未来的发展方向提出了在上一节。

影响的进展和起飞时间传输等待时间和总旅行时间见图 1。

从图可以看出 1(一)用户,从起点到终点的旅行,可以直接完成他乘坐巴士1号线(b11)。然而,他可能会转移到公共汽车线路2 (b12)停止点(SP)到达目的地。图中可以看到 1 (b)b12的平均速度是高于b11。因此,用户在b11董事会可以到达目的地06:40 06:00时如果他转移b12 SP;否则,他到达06:55通过b11。因此,它可能会减少总旅行时间通过转移更快的运输路线合理转移等待时间,和每个旅游选择可以被称为“连接” 26]。在第二个离职b11,没有任何转会的可能性。因此,只有一个连接的用户在06:55 b11。变化的进展和起飞时间交通路线可能会导致新连接的替代品或丧失一些连接。减少b11进展和b12为交通用户提供更短的旅行时间。然而,这导致了不良的情况从运营商的角度来看,由于增加舰队要求和运营成本。因此,研究用户与运营商之间的权衡成本是一个重要的问题。在本节中,一个多目标优化问题,考虑了这一问题,提出了。

考虑到用户和运营商的成本,提出了优化问题是制定作为biobjective最小化问题给出以下方程: (1) 最小值 Z = D 1 ∑ 我 ∈ O ∑ j ∈ V ∑ k ∈ G 噢 T k 我 j + 四世 T k 我 j + 太瓦 T k 我 j + D 2 ∑ 我 ∈ N int T − θ 我 h 我 l 我 + ∑ 我 ∈ N P 我 , (2) 受 h 最小值 ≤ h 我 ≤ h 马克斯 , (3) 0 ≤ θ 我 ≤ h 我 − 1 , (4) ∑ 我 ∈ N int t 我 h 我 + 1 ≤ W 。

提出问题的目标是最小化总加权和的旅客的旅行时间(包括车载旅行时间和传输等待时间),总服务公里(服务公里)由运输车辆和一个点球。在此,约束(2)确保每个交通路线上的进展应该满足指定最小和最大容许值。约束条件(3)确保抵消第一离开特定的路线必须小于出发的进展在同一路线。约束条件(4)确保所需的机队规模不能超过可用的机队规模。第三项右边方程( 1)代表一个点球价值因违反的能力在路线和制定如下: (5) P 我 = ϕ u 我 − x 我 , 马克斯 , 如果 x 我 , 马克斯 > u 我 , 0, 否则 。

为了计算车载旅行时间,传输等待时间,和惩罚项,这是公交线路客运量最大的函数,目标函数给出了方程( 1)- ( 4),交通网络上的乘客必须分配计算,指交通分配问题的解决方案。一般的假设是,交通用户选择最短的路线O-D双之间的旅行时间。然而,在现实中,一些旅行时间较长的路线可以选择一些用户根据他们的服务水平的期望,日常习惯或不完整的信息。此外,一些旅行与一对一定O-D之间转移可能需要更短的时间比一个旅游零转移(或直接)同一O-D副之间的公交路线服务。因此,它可能是有用的采用一种方法比词典更接近现实策略由汉族和威尔逊[ 23]。在这项研究中,交通分配问题是解决排课分配方法的基础上入境签证交通规划工具。这种方法类似于随机交通分配的一小部分旅游需求分配给非最优路线基于路径选择模型( 26]。排课任务由两部分组成。可能的连接是调查使用和算法在第一个阶段,而乘客的任务是进行基于连接的选择模型在第二阶段。使用排课任务的主要优势是协调时间表是考虑通过计算实际的传输等待时间,和实际的乘客可以表示实际的决定。此外,通过创建一个根功能,乘客可以认为有更好的时间表的知识。因此,一个更实际起源等待时间,已广泛被考虑为一半的意思是进展在先前的研究中,可以确定。在完成搜索过程的连接(见[ 26]),乘客分配可以进行如下解释:

每个公交路线的乘客使用数量可以计算基于以下方程: (6) x 我 = ∑ 我 ∈ O ∑ j ∈ D ∑ k ∈ G 问 我 j R k 我 j δ 我 k 。

选择连接的概率 k之间的起源 我和目的地 j可以计算出基于以下方程: (7) R k 我 j = B k 我 j − β ∑ k ∈ G B k 我 j − β 。

阻抗的连接 k在一个时间间隔 一个计算如下: (8) B k 一个 = OWT k 我 j + 行 k 我 j + 行波管 k 我 j + γ v k 我 j 。

在这项研究中,一个上下两层的解决方案模型优化时间表在城市公交网络考虑用户和运营商之间的交互。在过去的几十年里,一些优化算法开发了处理复杂工程优化问题。在这些算法,遗传算法,模拟退火粒子群算法、蚁群优化和和谐是最受欢迎的搜索优化技术( 27]。在这种背景下,该模型的解决方案框架内制定metaheuristic HS优化技术,已开发的Geem et al。 28),已广泛被用于复杂土木工程优化问题的解决方案( 29日- - - - - - 35]。HS算法启发从自发的音乐组的性能。在管弦乐队中,每个音乐家寻求注意,导致一起演奏时最令人愉悦的和谐。类似地,特定值的决策变量,使目标函数达到全局最优的解决方案,寻求在一个优化的过程。根据HS方法的基本假设,一个音乐家可以即兴创作在三种不同的方式,如下: (我)

完全随机的注意

同样,一个决策变量的值可以确定在三个方面,如下: (我)

随机选择一个价值选择的可能的上界和下界

上面我们可以看到,尽管交响乐团即兴发挥新的和声在音乐表演中,HS算法优化过程中产生新的解决方案向量。在这种背景下,提出的总体布局HS-based模型如图 2。

图中可以看到 2biobjective优化问题的解决方案是在上层,而低水平的交通分配问题解决提出了上下两层的模型。HS-based模型的解决方案过程包含五个步骤,并给出其逐步流程图如图 3。

我们可以看到在图 3、O-D双之间的旅游需求(即交通网络特征。公交线路和旅行速度),舰队(即特征。,size and bus capacities), HS algorithm parameters, and a stopping criterion are presented at Step 1. There are three HS parameters governing the performance of the algorithm. The first one is harmony memory size (HMS) that represents the number of solution vectors in harmony memory (HM). Secondly, harmony memory consideration rate (HMCR) determines the probability of considering the available solutions in the HM while generating a new solution vector. The third parameter is pitch adjustment rate (PAR), which is used when the harmony memory consideration is realized and represents the probability of slightly adjusting by moving to neighbouring values of a value selected from the HM. Values of three HS parameters are also initialized at Step 1.

在步骤2,最初的和谐内存是由生成初始解向量与随机生成的进展和抵消值考虑到预先设定的上、下极限。随后,交通分配问题已经解决了使用每个初始解向量获得入境签证在公交线路客运量。此后,初始解的目标函数值向量方程计算了( 1)- ( 4)和存储在以下方程: (9) h 1 1 h 2 1 … h N − 1 1 h N 1 h 1 2 h 2 2 … h N − 1 2 h N 2 ⋮ ⋮ ⋮ ⋮ ⋮ h 1 HMS − 1 h 2 HMS − 1 … h N − 1 HMS − 1 h N HMS − 1 h 1 HMS h 2 HMS … h N − 1 HMS h N HMS ︷ 进展 θ 1 1 θ 2 1 … θ N − 1 1 θ N 1 θ 1 2 θ 2 2 … θ N − 1 2 θ N 2 ⋮ ⋮ ⋮ ⋮ ⋮ θ 1 HMS − 1 θ 2 HMS − 1 … θ N − 1 HMS − 1 θ N HMS − 1 θ 1 HMS θ 2 HMS … θ N − 1 HMS θ N HMS ︷ 偏移量 ︸ 解向量 ⇒ Z h , θ 1 Z h , θ 2 … Z h , θ HMS − 1 Z h , θ HMS ︷ 客观的 功能 。

在步骤3中,一个新的解决方案向量,包括进展和抵消变量,生成基于HS规则在类似的方式与交响乐团即兴创作一个新的和谐。在这种情况下,首先决定是否一个决策变量值被选中的嗯。这个过程是进展说明变量如下: (10) h 我 ′ = h 我 ′ ∈ h 最小值 , h 马克斯 , 的概率 1 − HMCR , h 我 ′ ∈ h 我 1 , h 我 2 , h 我 3 , ⋅ ⋅ ⋅ , h 我 HMS , 的概率 HMCR 。

在方程( 10)的值 我^th新的解决方案进展变量向量是取自之间的和谐内存或随机生成的可能值的概率范围 HMCR 和 1 − HMCR ,分别。同样,的值 我^th抵消新变量的解向量确定如下: (11) θ 我 ′ = θ 我 ′ ∈ 0 , h 我 − 1 , 的概率 1 − HMCR , θ 我 ′ ∈ θ 我 1 , θ 我 2 , θ 我 3 , ⋅ ⋅ ⋅ , θ 我 HMS , 的概率 HMCR 。

一旦一个决策变量的值被选中的和谐记忆,它是决定是否需要调整音高。考虑到离散决策变量(即集。,successive integers), the pitch adjusting process may be performed for headway and offset variables as given in the following equations: (12) h 我 ′ = h 我 ′ ± int 兰德 0 , 1 × μ , 与概率一样, h 我 ′ , 的概率 1 − 票面价值 , (13) θ 我 ′ = θ 我 ′ ± int 兰德 0, 1 × μ , 的概率一样 , θ 我 ′ , 的概率 1 − 票面价值 。

注意,过程给出了方程( 10)- ( 13)是适用于所有新创建的解决方案中的决策变量向量。在步骤3中,进行交通分配使用入境签证为新向量及其相应的客观价值计算方程( 1)- ( 4)。在步骤4,最糟糕的解决方案之间的比较是进行矢量在HM和新创建的解决方案的目标函数值。有一个更好的客观价值是嗯。在最后一步,解决过程终止是否满足终止准则。否则,继续计算的迭代步骤3到步骤5。

在本节中,一个数字公交系统的应用程序进行Corlu区(Tekirdağ、土耳其),以评估该模型的性能。Corlu位于Tekirdağ省的边界,是一个最大的结算中心色雷斯地区的土耳其伊斯坦布尔后的空间大小和贸易额。Corlu公共交通系统包括12路线提供常规公交服务。2017年,每月平均250万乘客旅行是用机队规模80公共汽车的能力,70年,100名乘客。布局和公交线路的长度和车辆能力图 4和表 1,分别。

在建模计算,点球重量设置 ϕ = 1 ,阻抗灵敏度设置 β = 4 、转让的点球被设置 γ = 5 分钟,HS参数设置为 H 米 年代 = One hundred. , H 米 C R = 0.85 , P 一个 R = 0.05 和频带宽度设置 μ = 5 。模型算法3×10后终止⁶迭代。自15%的旅行都是在早上07:00至09:00 Corlu交通网络,分析这一时期进行。上下边界的进展变量视为5和30分钟,分别。由于客观权重 D 1 和 D 2 管理用户和运营商成本之间的权衡,提出多目标问题是解决不同的权重。由于庞大的搜索空间的问题,帕累托最优解决方案调查忽视抵消变量,变量考虑,只有进展。因此,第一次在所有公交线路公交车出发(即分析的开始时期。,早上07:00)。计算结果给出了11例不同的客观权重表 2。

表中可以看到 2总行程时间约为2217小时案例1客观权重在哪里 D 1 = 0 和 D 2 = 1。0 。在连续情况下,客观的重量 D 1 逐渐增加,总旅行时间减少,达到为例11,2126小时 D 1 = 1。0 和 D 2 = 0 。与此同时,服务公里总额从1311增加到1423公里。这表明,规划师完全集中于总服务公里的交通网络 D 1 = 0 ,而只考虑总旅行时间 D 1 = 1。0 。在分析这两个目标的变化值,可以看出总旅行时间减少的百分比相对接近的百分比增加总服务除了例9公里值总旅行时间减少约1.4%,而总服务公里增加约4.1%。这表明,少量的增加为用户节省费用导致运营商成本价格突然上涨。因此,8例可以被认为是该biobjective问题的最优解,和客观权重的最优值 D 1 和 D 2 可能被认为是0.70和0.30,分别。图 5说明了帕累托有效的解决方案为目标函数。

在表 3提议进展,最大客运量和能力对公交线路有客观权重 D₁= 0.70, D₂= 0.30。表中可以看到 3值是5至30分钟,所有的进展和没有能力违反交通网络。

为了研究城市公交运营的离职补偿的影响,提出的问题是通过考虑解决进展和抵消变量客观权重 D 1 = 0.70 和 D 2 = 0.30 。解决方案的收敛历史过程如图 6。

图中可以看到 6模型算法实现稳定收敛后约1.2×10⁶迭代。为了说明该方法的鲁棒性,该模型运行100次不同的初始解决方案和随机种子。后分析、最小、最大和平均目标函数值为1901.87,1920.28,和1904.45,分别。而最小目标函数值达到了55%的运行时,计算标准偏差为4.54。计算结果给出了该模型在表 4。

表中可以看到 4总行程时间约为2287小时Corlu当前总线网络。也可以看到进展优化导致减少约4.8%,进展和离职补偿优化可以减少大约5.4%的总旅行时间相比,目前的公交网络。相反,总距离被公交车可以减少约9.8%通过优化公交线路上的进展。此外,考虑不同的起飞时间第一巴士公交线路可能会降低这个值约为13.3%。在表 5总线网络,对比当前和建议提供的进展和容量值。此外,与相应的离职补偿最大公交线路客运量在给出客观的权重 D₁= 0.70, D₂= 0.30。表中可以看到 5所有进展值是5至30分钟,所有离职补偿值之间可能的界限,也没有能力违反总线上的网络根据模型输出。

数量的旅行观察当前总线网络和基于该模型的计算表 6。

我们可以看到在桌子上 6旅行,2934年和169年都是由1和2转移,分别分析期间Corlu当前总线网络。应用于公交线路优化进展时,旅行与1和2转移的数量可以减少到2461年和116年旅行,分别。这表明用户的数量,可以完成他们的旅行在一个特定的优化可以增加公交路线进展。相反,当最优离职补偿被认为,旅行与一个转移数量的增加相比,总线网络只有最佳的进展。增加表明最优离职补偿可能提供巴士服务的协调和较短的等待时间转移导致一个合理的减少总旅行时间和总距离覆盖的公共汽车。

在这项研究中,多目标最小化问题,制定的总旅行时间的加权和交通用户和总距离由运输车辆,提出了。随后,上下两层的模拟/优化模型是优化出发开发的进展和抵消城市公交网络的变量。上层模型,提出问题是解决基于HS优化算法的解决方案框架。相反,交通分配问题解决了入境签证交通规划软件的使用排课作业方法在较低的水平。

由于多目标的本质问题,调查用户和运营商利益之间的平衡是一个重要的问题。在这种背景下,该模型首次应用于实际交通网络与不同的权重分析帕累托有效的解决方案并确定客观权重的最优值。这些计算是由忽略离职补偿值,需要更多的计算工作由于绝大多目标问题的搜索空间。发现总旅行时间和总服务公里可以减少4.8%和9.8%,分别比当前总线网络。一旦确定目标权重的最优值,该模型应用于网络通过考虑离开进展和抵消变量。结果表明,5.4%和13.3%的改善可以通过包括离职补偿变量在模型中。

舰队约束考虑该模型确保所需的公共汽车数量在特定航线不超过公共汽车的数量分配给这些路线。在未来,公共汽车分配算法将被纳入该模型,可以分配一个普通舰队包括公共汽车与不同类型和能力。将一个路由构造算法集成到该模型被认为是另一个未来的方向。