运用多种群协作差分进化算法优化周期性交通调度时刻表的方法技术

本发明专利技术公开了一种运用多种群协作差分进化算法优化周期性交通调度时刻表的方法，涉及智能进化计算和交通调度领域，通过对周期性交通网络中各条服务路线车辆的始发时刻进行优化，以实现最小化乘客换乘的等待时间的目标。本发明专利技术引入了一种基于多种群协作的参数和算子控制机制，增强了差分进化算法求解周期性交通时刻表调度优化问题的效率和鲁棒性，提高了差分进化算法跳出局部最优的能力，并降低了差分进化算法对参数的敏感性。以城市地铁网络和模拟铁路网络为例进行仿真测试，证明了发明专利技术的方法是十分有效的。

A Method of Optimizing Periodic Traffic Schedule Using Multi-Population Collaborative Differential Evolution Algorithms

The invention discloses a method for optimizing periodic traffic scheduling schedules by using multi-population cooperative differential evolution algorithm, which relates to the field of intelligent evolutionary computation and traffic scheduling. By optimizing the starting time of each service route vehicle in periodic traffic network, the goal of minimizing the waiting time of passenger transfer is achieved. The invention introduces a parameter and operator control mechanism based on multi-population cooperation, enhances the efficiency and robustness of differential evolution algorithm in solving periodic traffic schedule scheduling optimization problems, improves the ability of differential evolution algorithm to jump out of local optimum, and reduces the sensitivity of differential evolution algorithm to parameters. Taking the urban subway network and the simulated railway network as examples, the simulation test proves that the method is very effective.

【技术实现步骤摘要】
运用多种群协作差分进化算法优化周期性交通调度时刻表的方法
本专利技术涉及智能进化计算和交通调度
，具体涉及一种运用多种群协作差分进化算法优化周期性交通调度时刻表的方法。
技术介绍
周期性交通时刻表调度优化问题在现实中具有非常重要的意义。目前，周期时刻表已经被广泛的应用在铁路、地铁和公交等系统中。为了避免车辆间冲突，它设定了车辆到站与出站的时刻，并且它的周期性为乘客提供了更为快捷与便利的服务。在一个复杂的交通网络中，换乘不同线路的等待时间是评估其服务质量的重要性能指标。研究者提出了许多设定周期交通时刻表的方法，用于最小化乘客换乘的等待时间。目前常用的设定周期交通时刻表的方法有整数规划、分支定界法以及其它非线性的技术。它们可以分为两类，一类是传统的方法，一类是启发式搜索方法。针对于此问题，传统的方法如整数规划、分支定界法，在求解大规模问题时需要巨大的存储空间和计算量。而如遗传算法、模拟退火算法等启发式搜索方法，在求解此问题时需要设定服务路线固定的发车周期。但在现实生活中，各条服务路线的车辆发车往往具有变周期的特性，比如当上下班高峰时由于乘客过多，发车周期往往比低峰期小。为了解决上述缺点，亟待给出了一种构建高质量可变周期列车时刻表的数学模型和解决方案，并在解决方案中应用多种群协作的差分进化算法以求解该问题。进化算法是以达尔文的进化论思想为基础，通过模拟生物进化过程与机制的求解问题的自组织、自适应的人工智能技术。生物进化是通过繁殖、变异、竞争和选择实现的；而进化算法则主要通过选择、重组和变异这三种操作实现优化问题的求解。在众多启发式进化算法中，差分进化(DifferentialEvolutonDE)是一种基于群体差异的启发式随机搜索算法，由R.Storn和K.Price于1995年提出。差分进化算法原理简单，受控参数少，鲁棒性强。在约束优化计算、聚类优化计算、非线性优化控制、神经网络优化、滤波器设计等方面得到广泛应用。而周期性交通时刻表调度优化问题正是一个含有大量约束条件的多峰优化问题，在此数学模型中变量间具有复杂的关联关系。对于复杂的多峰优化问题，传统的差分进化算法极易陷入局部最优话，并且具有极强的参数敏感性等缺点。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种运用多种群协作差分进化算法优化周期性交通调度时刻表的方法。本专利技术的目的可以通过采取如下技术方案达到：一种运用多种群协作差分进化算法优化周期性交通调度时刻表的方法，所述的方法包括：初始化种群步骤，以周期性交通线路的始发时刻范围为界限，根据距离下界时刻的时间间隔随机生成全局种群PG(Global)和局部种群PL(Local)，并按照评估函数(目标函数)计算种群中所有个体的评估值，其中，全局种群PG和局部种群PL按照如下公式所表示：其中与分别为全局种群PG和局部种群PL的第i个个体，g表示迭代进化的代数，GN与LN分别表示全局种群PG和局部种群PL的种群个数，种群个体(目标向量)以如下向量形式表示：其中D表示交通线路的总条数，表示种群中第i个个体的第j条线路始发时刻与下界时刻间的间隔时间；全局种群进化步骤，对于全局种群PG中的每个目标向量，按照全局种群的变异策略生成一个变异向量，并按照评估函数(目标函数)计算此变异向量的评估值，将变异向量的评估值与对应初始目标向量的评估值进行比较，如果变异向量的评估值等于或优于对应初始目标向量的评估值，则将该变异向量替换掉对应的初始目标向量，并进入种群的下一代；局部种群进化步骤，对于局部种群PL中的每个目标向量，按照局部种群的变异策略生成一个变异向量，并按照评估函数(目标函数)计算此变异向量的评估值，将变异向量的评估值与对应初始目标向量的评估值进行比较，如果变异向量的评估值等于或优于对应初始目标向量的评估值，则将该变异向量替换掉对应的初始目标向量，并进入种群的下一代；种群协作步骤，全局种群PG与局部种群PL通过比较并更新种群间最优目标向量的种群协作方式来提高种群多样性与搜索效率，如果局部种群PL的最优目标向量优于全局种群PG的最优目标向量，则将局部种群PL的最优目标向量替换全局种群PG的最优目标向量；反之，则将全局种群PG的最优目标向量替换局部种群PL的最优目标向量；同时，在局部种群PL的最优目标向量优于全局种群PG最优目标向量的情况下，如果全局种群PG的最优目标向量优于局部种群PL的最差目标向量，则将全局种群PG的最优目标向量替换局部种群PL的最差目标向量；结束判断步骤，在执行过程中如果迭代次数超过规定的最大进化代数或此时得到的最优解满足一定的误差要求(如误差小于5％)则终止优化，否则重复执行全局种群进化步骤、局部种群进化步骤和种群协作步骤。进一步地，所述的全局种群进化步骤中，采用随机设置的方式来设置全局种群中的缩放因子FG和交叉概率CRG的值，即：FG＝rand(0,1)CRG＝rand(0,1)。进一步地，所述的全局种群进化步骤中，采用DE/rand/1变异算子。进一步地，所述的全局种群进化步骤中，引入一个随机变异的操作，当全局种群PG执行交叉操作之后，再执行一个随机变异操作，其中，随机变异的过程如以下公式所示：其中表示全局种群PG的第i个个体第j维变量的值，g表示迭代进化的代数，LBj和UBj分别为待求解问题的第j维变量的下界和上界，MAXEVALS和evals分别为最大适应度评估次数和当前适应度评估次数，为最优个体对应第j维变量的值，pm为一事先给定数值，使随机变异操作以很小的概率pm对产生的测试向量进行变异。进一步地，所述的全局种群进化步骤和局部种群进化步骤中，均采用多种群的协作进化方式。进一步地，所述的局部种群进化步骤中，缩放因子FL的值设置如下：FL＝rand(0,0.8)。进一步地，所述的局部种群进化步骤中，交叉概率CRL的值设置如下：其中，参数ξ在初始时设置为0.5。进一步地，在进化过程中，若在参数设置CRL＝0的情况下获得优于或者等于局部种群最优个体的新个体，那么ξ将被增大以增加CRL＝0的选择概率，反之，若在参数设置CRL＝1的情况下，则ξ将被减小以增加CRL＝1的选择概率，参数ξ的缩放过程如以下公式所示：其中，α∈[0,1]为学习率。进一步地，所述的局部种群进化步骤中，采用DE/best/1变异机制来产生变异向量。进一步地，从全局种群PG中随机选择个体来产生DE/best/1中的差分向量，即：其中，r1,r2∈[1,GN]是两个互不相同的整数，是局部种群PL中的最佳个体，FL为局部种群中的缩放因子，和分别为全局种群PG的第r1和第r2个个体。本专利技术相对于现有技术具有如下的优点及效果：本专利技术所采用的基于多种群协作的差分进化算法相比于传统的差分进化算法具有更强跳出局部最优的搜索能力和搜索效率。全局种群PG与局部种群PL分别采用不同的参数和算子控制，并通过比较和更新种群间最优目标向量的种群协作方式来提高种群多样性与搜索效率。附图说明图1是本专利技术公开的运用多种群协作差分进化算法优化周期性交通调度时刻表的方法流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例本文档来自技高网...

【技术保护点】
1.一种运用多种群协作差分进化算法优化周期性交通调度时刻表的方法，其特征在于，所述的方法包括：初始化种群步骤，以周期性交通线路的始发时刻范围为界限，根据距离下界时刻的时间间隔随机生成全局种群PG和局部种群PL，并按照评估函数计算种群中所有个体的评估值，其中，全局种群PG和局部种群PL按照如下公式所表示：

【技术特征摘要】
1.一种运用多种群协作差分进化算法优化周期性交通调度时刻表的方法，其特征在于，所述的方法包括：初始化种群步骤，以周期性交通线路的始发时刻范围为界限，根据距离下界时刻的时间间隔随机生成全局种群PG和局部种群PL，并按照评估函数计算种群中所有个体的评估值，其中，全局种群PG和局部种群PL按照如下公式所表示：其中与分别为全局种群PG和局部种群PL的第i个个体，g表示迭代进化的代数，GN与LN分别表示全局种群PG和局部种群PL的种群个数，种群个体以如下向量形式表示：其中D表示交通线路的总条数，表示种群中第i个个体的第j条线路始发时刻与下界时刻间的间隔时间；全局种群进化步骤，对于全局种群PG中的每个目标向量，按照全局种群的变异策略生成一个变异向量，并按照评估函数计算此变异向量的评估值，将变异向量的评估值与对应初始目标向量的评估值进行比较，如果变异向量的评估值等于或优于对应初始目标向量的评估值，则将该变异向量替换掉对应的初始目标向量，并进入种群的下一代；局部种群进化步骤，对于局部种群PL中的每个目标向量，按照局部种群的变异策略生成一个变异向量，并按照评估函数计算此变异向量的评估值，将变异向量的评估值与对应初始目标向量的评估值进行比较，如果变异向量的评估值等于或优于对应初始目标向量的评估值，则将该变异向量替换掉对应的初始目标向量，并进入种群的下一代；种群协作步骤，全局种群PG与局部种群PL通过比较并更新种群间最优目标向量的种群协作方式来提高种群多样性与搜索效率，如果局部种群PL的最优目标向量优于全局种群PG的最优目标向量，则将局部种群PL的最优目标向量替换全局种群PG的最优目标向量；反之，则将全局种群PG的最优目标向量替换局部种群PL的最优目标向量；同时，在局部种群PL的最优目标向量优于全局种群PG最优目标向量的情况下，如果全局种群PG的最优目标向量优于局部种群PL的最差目标向量，则将全局种群PG的最优目标向量替换局部种群PL的最差目标向量；结束判断步骤，在执行过程中如果迭代次数超过规定的最大进化代数或此时得到的最优解达到规定的误差要求则终止优化，否则重复执行全局种群进化步骤、局部种群进化步骤和种群协作步骤。2.根据权利要求1所述的运用多种群协作差分进化算法优化周期性交通调度时刻表的方法，其特征在于，所述的全局种群进化步骤中，采用随机设置的方式来设置全局种群中的缩放因子FG和交叉概率CRG的值，即：FG＝rand(0,1)CRG＝rand(0,1...

【专利技术属性】
技术研发人员：张军，陈伟能，龚月姣，林盈，梁迪，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44