文摘

在这项研究中,我们调查一个上下两层的危险品运输问题优化模型与车道的预订。问题在于选择车道被保留在网络和规划道路危险品运输任务。权衡了运输成本,风险,影响正常交通。通过运用交通流理论,我们量化影响正常交通和修改传统的风险度量模型。问题是多目标二层规划模型制定涉及专用车道为政府和规划路径的选择对有害物质载体。两种混合metaheuristic算法基于粒子群优化算法和遗传算法,分别提出了解决上下两层的模型。他们的表现在小规模的实例与精确解相比,基于枚举法。最后,在大规模的实例计算结果比较和敏感性分析的关键参数。结果显示如下:(1)两种算法是有效的方法来解决这一问题,基于粒子群优化算法和方法需要较短的计算时间,而基于遗传算法的方法显示了更多的优势最优。(2)上下两层的模型可以有效地减少危险品运输的总风险,同时考虑危险物质载体和普通旅客的利益。 (3) The utilization rate of reserved lanes increases with an increasing number of tasks. Nevertheless, once the proportion of hazmat vehicles becomes excessive, the advantage of reducing the risk of the reserved lanes gradually decreases.

1。介绍

由于化工行业的快速发展,对危险品运输需求不断增加(1]。公路运输危险品的运输占有重要位置,显示了一个快速发展的趋势。然而,近年来,许多道路交通事故危险物质带来灾难性的损失对人类和环境(2]。平均有36的严重社会影响道路交通事故危险物质每年在中国(3]。

降低事故风险,莱恩预定策略用于危险品运输(4- - - - - -7]。莱恩预订可以有效地降低危险品运输的风险,但它将不可避免地影响普通车辆的驱动效率和时间成本(4]。因此,重要的是要测量准确风险和影响正常交通。此外,交通事故的概率随交通流(8)和交通状态(例如,危险品车辆的比例和使用车道)(9]。同时,由于巷预订的影响可以提高基于交通流(10]。因此,出于这一动态特性,这项工作是一个扩张前巷预订请考虑交通流的影响。

现有研究制定这个问题为一个多目标模型,忽略了分层和主从关系政府和有害物质载体之间的决策11]。从二层优化的角度进一步的研究仍然是必要的。事实上,莱恩预订问题可以被看作是一种特殊形式的道路网络设计基于现有的基础设施。本文是危险品运输问题的模型集成和网络设计问题从政策集成视角。可以解释为一个扩张的政策提出的集成(12)考虑独家危险品车辆的通行权。此外,目前仍缺乏有效的启发式算法对大规模问题[6]。

基于这些空白,本研究聚焦于一个上下两层的危险品运输问题优化模型考虑车道的保留策略。的贡献如下:(1)提出的二层规划模型通过车道预订危险品运输问题。(2)基于交通流密度、车辆速度、和其他特定的交通信息,我们改善交通的量化风险和对正常交通的影响,使得模型更加实用。(3)提出了两种混合metaheuristic算法并与精确算法基于枚举法来验证模型和算法的有效性。(4)危险品运输任务的数量的影响,分析了危险品车辆的比例管理提供一些见解。

剩下的纸是组织如下。两个方面的文献综述,危险品运输和车道上预订问题,提出了部分2。节中描述的问题描述和配方3。提出了两种启发式算法4。节5,计算实验进行证明模型和算法的有效性。最后,部分6提出了结论和潜在的未来研究方向。

2。文献综述

2.1。危险品运输

危险品运输问题是关心找到路线以最小成本和最小风险(13]。我们的问题被认为是一个交通网络设计问题。其一般数学规划制定与监管政策出货量与有害物质,旨在最小化总网络风险(12]。

最重要的方法是限制有害物质的车辆在某些部分旅行。卡拉和绿色14)首次提出的问题设计一个网络实行宵禁。然后他et al。11]调查交通限制的危险品运输问题也解决股票和风险的概念提供了一个启发式算法总能找到一个稳定的解决方案。Taslimi et al。15)建立了一个上下两层的网络设计模型考虑到事故的响应时间和风险平等。Esfandeh et al。16]扩展网络设计问题占时间道路关闭。

此外,其他交通管理政策已经集成了网络设计问题。马克特et al。17)提出了收费政策引导危险品车辆路由根据他们的经济和时间偏好,从而阻止危险品车辆使用某些路段。Esfandeh et al。18]研究了双重收费解决方案危险品车辆和普通车辆管理有害物质运输。王(19]介绍了限速策略有害物质运输。Lopez-Ramos et al。12)提出了一个集成模型和专业的本地搜索的道路网络定价和危险品车辆的设计。

2.2。莱恩预订问题

巷预订是选择车道和/或时间间隔只有特殊任务来满足条件的准备时间和安全。它最初是应用于大型事件(交通战略规划的任务20.]。吴et al。21)首先研究巷预订问题在时间控制的交通网络的数学模型和算法获得的解决方案。方等。22]调查生产巷预订问题,考虑到剩余容量的车道,因此开发了一个基于cut-and-solve精确算法的方法。方等。23)扩展的一个最优的车道动态链接预订问题旅行时间接近一个真正的交通状况。莱恩预订最突出的应用是公共汽车专用道设计(24]。近年来,它已被逐步应用于自动化卡车货运(25]。

几项研究已经进行车道预订有害物质。周et al。4)第一车道预订策略引入有害物质运输。研制了一种多目标模型以最小化总运输风险和影响正常交通。然后提出了一个ε约束和模糊基于逻辑的优化这个问题(5]。楚et al。6)调查时间巷预订有害物质通过cut-and-solve-based并解决它ε约束方法。然后一个新的cut-and-solve剖切面方法相结合提出了减少计算时间7]。

3所示。数学模型

3.1。问题描述

让 是一个危险品运输网络,组节点和吗弧的集合;弧 从节点代表一个公路段到节点 。危险品运输任务描述的起源( )和目的地( )。

政府已经领先地位有关危险品运输风险,而危险品航空公司试图减少他们的成本。我们设计一个二层hazmat巷预订问题(BHLRP)如图1。上层()意味着政府选择车道保留考虑危险物质载体和普通旅客的利益。做是为了最小化运输风险和影响正常交通。较低水平(LP)是成本最低的最优路径为每个任务。

3.2。假设和符号

更好地定义问题,我们提出一些假设和符号。

3.2.1之上。假设

(1)每个路段都有至少两个车道,这样至少有一个将军巷巷预订后在使用(2)车道时保留的部分,危险品车辆通过道路必须使用保留的车道(3)汽车在每个部分旅行以恒定速度(4)潜在的独立危险品事故的发生,和危险品事故的概率是影响交通流密度(5)只有两种类型的车辆在道路网络,即,有害汽车和普通汽车

决策变量:

3.3。影响正常的交通

随着智能交通的发展网络,交通情况,如速度和交通密度可以通过分析大量的实际交通数据。这提供了一种新的方式进一步量化影响正常交通。我们改善这个指标基于交通流,指的是(26]。

实现巷预定策略之前,车辆均匀分布在每个车道弧 在同一速度和旅行 。后巷的预订,交通d 以旅行的速度在方程(2)来源于speed-density交通流理论的关系。是最佳的速度与最大流量。因此,影响正常的交通 , ,可以定义由方程(3)。

3.4。风险评估

使用的风险评估模型在我们以前的工作,认为风险是危险品事故的概率的乘积及其结果,忽略了交通流密度影响事故的概率。

我们考虑到交通流密度,改善的方法来衡量风险的危险品车辆通过专用车道。莱恩预订之前,每个车道弧上危险品的车辆 交通密度的 和事故的概率 。后巷的预订,预留的危险品的车辆在车道和危险品事故的概率可以被定义为

3.5。数学模型

在本节中,我们制定BHLRP整数线性二层规划模型;也就是说,目标函数和约束是线性的。所有三个决策变量是二进制。此外,这种配方是部分合作的假设下27),也称为乐观BHLRP。这意味着政府假定危险品车辆的选择总是最有利的一个,当有多个成本等效替代旅游路线。该模型提出了如下。

BHLRP的了:

BHLRP的LP:

方程(5)- (8)表示的模型和方程(9)- (13)的LP模型。目标函数(5)是降低运输风险。目标函数(6)制定减少造成的影响正常交通巷保留策略。约束(7)确保总应该减少风险α后巷的预订。约束(8)显示了0 - 1限制上层决策变量。

目标函数(9)旨在减少危险品运输费用的总时间。约束(10)保证危险品任务应该是运输从起始节点到目标节点,在每个节点流量平衡。约束(11)意味着一个保留的车道 可以用于任务只有当任务的路径通过弧 。约束(12)确保预留通道 可能使用的任务只有当车道预留。约束(13)代表0 - 1变量限制下决定。

4所示。解决方案的算法

本文为BHLRP制定一个上下两层的优化模型。除了路由的复杂性问题,据悉,上下两层的模型是np难28]。几种具体方法取决于解决方案空间的一些特征,如顶点枚举(29日)和马的方法(11,14]。这些只能解决部分二层规划问题30.]。此外,启发式算法,如粒子群优化(PSO) (31日,32)和遗传算法(GA) (33,34),应用于解决上下两层的问题,因为它更好的全局搜索能力和较低的依赖形式的目标函数。

在上下两层的模型,我们将考虑车道同时预订和路由问题。决定优先级,可以预测LP的反应决定。LP是一个多源最短路径问题,遵循最短路径分配原则。因此,我们提出了一个三阶段的解决方案来解决这一问题,提出了在桌子上1。根据任务的路线,一个0 - 1矩阵( )在步骤1中介绍代表候选人部分保留。因为有一个任务通过弧 ,也就是说, ,这是一个候选路段车道预留(= 1)。

获得合理的时间的近似最优解,基于三级的解决方案,我们设计两种混合启发式算法叫EX-PSO-EX EX-GA-EX,结合粒子群算法和遗传算法的最短路径算法,分别解决BHLRP。来验证提出的算法的有效性,有一个基准算法结合明确完整的枚举和最短路径算法,EX-EX-EX命名。这种方法只适用于解决小规模的例子。获得的最优解决方案相比,它可以近似启发式算法得到的最优解来评估他们的表现。表2说明了三种方法的总体结构。

4.1。解决方案的代码

BHLRP的决策变量是二进制;因此,一种布局的专用车道可以表示为一个二进制矩阵的两个维度 。这个职位 = 1如果有保留巷弧 和0。图2(一个)描述了解决巷10-node网络预订。见这个预订计划,弧(4、5),(4、6),(6,4),(7、8),(8、9)和(10)保留。

LP的决策变量是三维空间表示为一个0 - 1矩阵 。每一页表示任务的道路 。这个职位 = 1,如果任务通过电弧 但0。一个任务的路径节点10节点4显示在图2 (b)。路径是10-8-6-4。LP的决策变量 ,得到的点积和 ,也表达了在三维的0 - 1矩阵吗 。

4.2。健身计算

首先,目标函数(6),(6),左边的部分约束(7)被标记为 ,和 ,分别。的维度 和不均匀,最大最小归一化后,我们记录下他们的线性加权和作为新的目标函数。然后通过罚函数处理。因此,适应度函数可以表示为 在哪里一个足够大的正数表明惩罚因子。

4.3。EX-PSO-EX

在乙状结肠EX-PSO-EX算法,函数介绍处理粒子的速度通过PSO在确定这些专用车道。因此,我们可以确保每个粒子的位置值是0或1。此外,位置更新公式改进如下:

乙状结肠函数 意味着在下一步的概率值是1,粒子速度的映射来 时间间隔。此外, 确保粒子更新只有在候选人的位置部分保留。它确保更新后的粒子仍相对最优的可行的解决方案。

此外,自适应权重和异步学习因素是用来平衡全局搜索能力和局部改进PSO算法的能力。更新后的重量和学习因子的公式所示(16)和(17),分别。

让和 ,分别代表的最大和最小值 。 是当前健身价值的粒子。此外,和显示的平均健身价值和最低的健身价值当前所有粒子,分别。 在哪里和是迭代的初始和最终值的 ,分别当前的迭代次数,表示的最大迭代数。我们参考文献(35获得他们的价值观: , , ,和 。图3显示了使用伪代码来解决BHLRP EX-PSO-EX方法。

4.4。EX-GA-EX

通过使用遗传算法来确定车道保留在步骤2中,我们建议第二混合metaheuristic方法,EX-GA-EX。伪代码如图4。在EX-PSO-EX,采用二进制编码代码每个染色体的矩阵 ,代表巷预订解决方案。

要有效地搜索解空间,我们认为遗传算子,即排名选择运营商,制服cross-block运营商和均匀变异算子,如图5。确保后代交叉和变异后仍然是一个相对更好的可行解,十字路口块和突变位置生成候选片段的车道的预订。

4.5。基准算法:EX-EX-EX

EX-EX-EX方法,我们列举巷预订的解决方案在步骤2中完全基于候选片段在步骤1中获得的。在某种程度上,它最小化枚举空间和枚举量。图中给出了EX-EX-EX的伪代码6。

5。计算结果

在本节中,提出了计算结果来验证上述模型和算法的有效性和评估的关键因素的影响。所有提出的混合算法编码MATLAB 2018软件和服务器上执行所有实验以3.00 GHz的速度和8 GB RAM。

基于随机网络拓扑生成器(36),道路网络是随机生成的。这种方法提出了表3。60的实例创建不同尺度从8到100个节点,从5到30任务和不同比例的0.1 - -0.2的危险品车辆。以确保最佳性能算法和遗传算法,结合田口方法(29日),不同规模的参数通过大量presolving示例计算,如表所示4和5。

5.1。算法性能的比较

60后生成随机的情况下,在小规模的实例( )是基于EX-EX-EX的方法解决。然后EX-PSO-EX EX-GA-EX方法被应用于解决所有实例。每个实例与不同的算法解决了15倍和他们的平均记录。

结果表列出了小规模的实例6。列2 - 4包含实例的大小。第二列显示候选人的数量部分保留( )。列6 - 7显示上层目标函数值( )最优解( )通过EX-EX-EX和CPU时间。列8-19显示的平均值解决方案(平均),百分偏差的解决方案意味着对(Avg),最低的(最佳解决方案),解决方案的百分偏差的最小对(最好的),标准偏差(标准偏差),获得的CPU时间EX-PSO-EX EX-GA-EX,分别。

注意,所需要的CPU时间EX-EX-EX不仅受到影响 , ,和但也直接相关 ,在小规模的示例中出现指数级增长。只有15个节点,设置78部分,和17个候选人部分已经运行了1381.517秒。然而,EX-PSO-EX和EX-GA-EX,所有设置表6可以获得有效的近似最优解的CPU时间小于2 s,这是比EX-EX-EX低很多。尽管EX-GA-EX需要一段时间长于EX-PSO-EX在大多数例子中,13个实例的最优解是每个15分的表中找到6。从其他6个指标,如平均解决方案和Avg EX-GA-EX的性能优于EX-PSO-EX。

进一步测试的性能EX-PSO-EX EX-GA-EX,我们用它们来解决15大的例子。解决他们的CPU时间EX-EX-EX比3600年代。他们的平均的解决方案,最好的解决方案,标准偏差,每个实例的CPU时间如表所示7。此外,图7显示了3方法提出解决的时候了。此外,集通过EX-PSO-EX外墙面的标准差和EX-GA-EX见图8。

的平均CPU时间,需要85.214秒解决组与EX-GA-EX 30,而EX-GA-EX EX-PSO-EX消耗大约一半的时间。然而,EX-GA-EX性能的最优解决方案和平均质量更好。标准偏差的最大值是只有0.014。结果表明,即使在较大的情况下,EX-PSO-EX EX-GA-EX是健壮的性能,可以作为一种有效的方法来解决这个问题BHLRP车道选择。

5.2。敏感性分析

之间做一个权衡的影响风险减少和对正常交通的影响,有必要进一步评估巷预订解决方案的有效性与不同数量的任务和危险品车辆比率。两个场景设置和每个场景测试几个实例集。

考虑到EX-GA-EX的良好的性能在不同的尺度,我们用它来解决每组15次,记录和使用获得的平均值。评价结果如表所示8- - - - - -11和数字9- - - - - -10。

5.2.1。影响任务的数量( )

任务的数量的大小反映了例子。表8显示平均情况的计算结果从5到30不等三个网络,20×126,30×286,40×526。结果包括专用车道的数量,减少的风险,风险与风险前巷预订( ),相对变化的风险,影响正常交通( ),和 。首先,莱恩预订后的价值远小于1,的价值前巷预订,相对减少的风险超过50%。这表明巷预订的影响在减少危险品运输的风险是非常重要的。其次,增加 ,专用车道需要建立更多的部分。此时,风险, ,和显示一个明显的增加趋势;然而,专用车道减少风险的影响越来越明显。风险的增加主要是由于增加的总风险的增加 。不难想象,如果没有专用车道,然后总风险将增加更多;的增加和是由于越来越多的道路与保留部分道路。

评估的有效性与多样的W | |专用车道,表9显示的比例和( )在三种不同的网络和他们的平均比例。图9显示了平均比例的趋势。结果表明,增加 ,有一个增加后减少的趋势。当很小,降低显示减少同样的风险将会产生更大的影响正常交通。这主要是因为更少的部分任务之间可以共享这额外的需要设置专用车道满足风险减少需求。然后影响部分的数量将会增加。当增加到15或更多, 而不是上升。不可能建立新的专用车道。将会有更多的相同的道路部分任务之间;即利用率将会改善。因此,专用车道利用率是非常重要的,以确保车道的有效性的预订。

5.2.2。危险品车辆的比例(效果 )

危险品车辆的比例会影响交通流密度对这两种车道后巷的预订。它会影响风险和正常的交通。评估的有效性专用车道与多样 ,表10显示了平均计算结果的情况变化在三个网络,从0.1到0.2×126,30×286,40×526。增加的 , 和风险增加,而每车道和降低风险( )降低,反映了下降专用车道在降低风险的影响。主要原因是更有害的汽车可以乘坐专用车道。专用车道的交通流密度会相对增加。它将在一定程度上增加事故发生的概率。减少可以归因于这样一个事实:更少的普通车辆速度较慢。此外,GP车道的交通流密度减少,这将减少对交通的影响时间GP车道。

结果表明,专用车道的数量不一定与危险品车辆的比例增加。这表明越来越多的部分影响。因此,普通车辆旅行时间通过这些通道将会更长。另外,如果增加在一定程度上,降低风险的专用车道的优势将不再明显。这也在一定程度上反映了该模型的有效性。

表11显示 在三种不同的网络与不同和平均比率。图10显示了平均比例的趋势。增加的β, 从4.525下降到3.523。虽然利用专用车道,将改善,优化的效果就变得至关重要。比例足够大时产生负面影响的自由流动在专用车道,车道的优势预订减少风险将逐渐减少。特别是在一些道路部分 ,保留车道的交通流密度巷后预订将大于每车道车道前预订。这可能意味着,它可能不足以在这些部分预留的设置只有一个车道。

6。结论

在这项研究中,问题的危险品运输巷预订了。二层多目标模型的建立问题。风险的衡量和影响正常交通改善通过加入特定的交通信息,如交通流量。随后我们设计两个混合metaheuristic算法和精确算法求解该模型。60例子来验证模型和算法,创建和灵敏度分析的两个关键因素(运输任务的数量和危险品车辆的比例)。主要结论如下:(1)危险品运输问题的上下两层的优化模型与车道预订可以显著减少危险品运输的风险,同时考虑危险物质利益的企业和普通的旅行者。(2)提出的混合metaheuristic算法可以获得有效的近似最优解,同时大大减少了时间的解决方案。EX-PSO-EX优于EX-GA-EX CPU时间。EX-GA-EX更有优势的平均近似最优解和最优解的质量。(3)利用专用车道,将影响减少风险的有效性。在某种程度上,运输任务的增加将提高专用车道的利用率。当危险品车辆的比例足以产生负面影响保留车道上的自由流动,减少的风险保留巷的优势将逐渐减少。(4)在危险品车辆尤其密集的部分, ,它只可能不足以建立一个保留的车道。政府应该考虑道路网结构,成分比例,和其他有关交通数据选择专用车道时进一步权衡风险减少的效应和影响正常的交通。

这个模型我们建议不考虑时变条件的影响和其他不确定性运输风险,也不考虑社会车辆危险品车辆的影响。因此,使模型更接近实际情况,进一步的研究方向。另一个未来的工作可能是考虑车道预订的集成和其他监管政策。此外,为了有效降低风险和提高现有的城市交通基础设施的利用率,动态车道预订危险品运输可能是一个更适用的选择根据实际交通状态和交通状态信息的监管。

符号

集

:	有害物质的任务,
:	组发起节点的任务,
:	目标节点的任务, 。

参数

:	在电弧通道总数
:	距离弧
:	交通密度的弧
:	旅行速度弧 没有专用车道
:	旅行速度专用车道弧 后巷的预订
:	旅行速度一般道弧 后巷的预订
:	旅行时间的弧 没有专用车道
:	旅行时间在专用车道弧 后巷的预订
:	旅游时间一般道弧 后巷的预订
:	影响正常交通由于巷预订弧
:	如果事故发生在电弧人口暴露
:	发生事故概率的hazmat的GP道弧
:	发生事故概率的hazmat的保留巷弧
:	风险降低后巷预定的阈值
:	总共危险品车辆机动车辆的比例。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(国家自然科学基金委)(没有。71901037)和基础研究基金为中央大学(没有。300102239102)。