[发明专利]一种基于遗传算法的多模式多标准路径选择方法

说明书

技术领域

本发明涉及一种交通路径搜索方法，特别是一种计算机实现的基于遗传算法的多模式、多标准交通路径搜索方法，适用于公共出行服务应用。

背景技术

城市公共出行服务体系涵盖公共汽车、出租车、地铁、轻轨、自行车、步行等多种交通出行模式。多模式交通体系的建立与发展极大地丰富了公众出行交通模式的选择，同时也激发了个性化的出行需求。距离最短、时间最短、换乘最少、费用最低等单一评价标准已不能满足多样化的综合出行需求。提供满足出行者多种综合需求的多标准出行路径服务成为城市公共出行服务的研究热点。

考虑多种标准的路径搜索问题通常采用两种方法。一种是加权法，即转化多种标准为标量，采用线性加权求和等方法，为各种标准确定一个权重值，综合后得到一个标量值，再利用现有单标准算法计算；另一种是约束法，即将k个标准中的k-1个标准转换为约束条件，剩下一个标准作为单标准优化问题的目标函数。前者在各种标准权重值的确定上缺乏科学的理论基础，并且不能在非凸性的均匀曲面上得到所有最优解；后者的结果主要依赖于被确定为目标函数的单标准，同样依靠个人经验，并且可能导致该单标准问题无解。

目前，随着智能计算方法的不断发展和完善，利用进化算法尤其是遗传算法求解多标准优化问题取得了一些研究成果。这些成果为本发明提供了理论支持。然而，应用遗传算法求解多模式多标准换乘路径规划问题的难点在于如何将路径编码成染色体。现有成果大多在单模式环境下进行，并且仅适用于小规模网络。而现实世界的城市网络多为大规模、多模式复杂环境，现存的研究成果无法解决这一问题。另外，遗传操作算子要应用于多模式网络环境，当前成果缺乏相应的模式间和模式内遗传操作算子，因此不能直接应用于解决多模式交通体系下的多标准优化路径搜索问题。

发明内容

本发明提供一种计算机实现的基于遗传算法解决多模式多标准交通路径搜索方法(交通路径，下文简称为“路径”)，该方法对遗传算法进行扩展以适应多模式交通环境，采用遗传算法和优化理论处理多标准优化路径搜索，以解决现有公共出行服务技术无法提供多模式多标准路径服务的问题，为公众出行信息服务提供更好的技术支持。

本发明的技术解决方案：一种基于遗传算法解决多模式多标准路径搜索方法，其特征包括：

(1)输入多模式交通网络模型数据

(2)多模式路径编码

(3)模式内交叉、变异算子与模式间交叉、变异算子定义及其操作

(4)执行用于多模式路径搜索的多标准遗传算法

(5)推荐路径结果集输出

所述多模式交通网络模型，是根据城市多种交通模式数据，利用地理信息系统空间分析技术，对城市多模式交通的网络连通关系进行自动化处理，建立多模式一体化交通网络模型。

所述多模式路径编码，即遗传算法中的个体(Individual)编码，就是将路径以某种编码方法表达出来。其中，多模式路径要求个体编码能够体现多种交通模式组合，同时又不产生过多数据冗余；遗传算法要求个体编码易于遗传算子操作。

因此，定义多模式个体编码为：采用带模式标识的不定长表现型编码，由模式标记区与ID编码区组成，形如：

Indivicual＝{T₁，I₁，...，I_j，T₂，I₁，...，I_k，T₃，...，T_m，...}

上式中，T_i为模式标识，I_i为各种出行模式(如：公共汽车、出租车、地铁、轻轨、自行车、步行等)下的ID值。

所述模式内交叉、变异算子与模式间交叉、变异算子定义及其操作，是不同于传统遗传算法进化算子的新定义的进化算子。由于传统遗传算子针对的个体编码是同质的(同类的)，也就是说各个位置的基因是同等重要的。但是在多模式路径中，不同模式间的基因段之间是非同质的。因此，要求重新定义满足多模式(多类型)特征的遗传算子。遗传算子通过对基因进行交叉、变异，生成新个体，即得到新路径。

因此，定义crossover与mutation算子分别为模式内交叉与变异算子，即只在相同模式内(如：同在公交模式中)进行遗传算子操作。定义hypercrossover与hypermutation算子分别为模式间交叉与变异算子，即只在不同模式间(如：公交模式--＞步行模式)进行遗传算子操作。

上述模式内交叉与变异算子的特点是，不引入新的交通模式，即最大化控制换乘次数的增加。