[发明专利]一种公共交通线网优化方法

说明书

本发明提供了一种公共交通线网优化方法，所述方法以模拟退火算法为框架，在框架下以最小化运营公司全天总运营成本为目标获得初始线网；将初始线网打散后形成线网单元，以此为输入网络，嵌入遗传算法进行优化，以最小化所有出行者总出行时间为目标构建公共交通线网优化模型，形成简化后的新线网，并比较运营成本的变化从而判断是否达到收敛条件。本发明以模拟退火算法结合遗传算法，既保证了优化过程的全局搜索能力，也能避免算法陷入局部最优解，从而提高求解质量；同时，提出“单元”的设计理念以促进多目标寻优过程的结合，并通过双温协同控制迭代来改进亚启发式算法的收敛条件，从而克服了亚启发式算法存在收敛条件难以界定的共性缺点。

技术领域

本发明涉及城市规划技术领域，具体涉及一种公共交通线网优化方法。

背景技术

公共交通是一个城市的血脉，随着城市的不断发展，需要对城市的公共交通线网进行不断优化，国内外学者均较早开展了公共交通线网优化研究。从优化目标来看，公共交通线网涉及不同利益主体，包括运营方和出行者；从算法设计来看，对公共交通线网优化的研究多侧重于使用亚启发式算法进行求解。

优化目标方面，公共交通线网涉及多目标问题的处理。多目标优化问题的研究普遍采取将多目标优化问题转化为单目标优化问题的思路对模型进行求解。现有技术中包括以下几种多目标优化问题的求解方式：以最小化出行以最小化运营成本、用户出行成本与外部成本之和为目标函数构建出带绿色公共交通分配的公共交通线网优化模型，采用加权方法处理多目标优化问题；以最小化运营者成本与出行者的平均出行成本为目标函数构建区域公共交通网络优化模型，模型的求解分为考虑容量限制与不考虑容量限制两种情形。但是，上述求解方法中，将多目标问题转化为单目标问题进行处理，涉及的多目标模型处理方法均较单一，而从算法设计角度处理多目标优化问题的研究思路未有探索。

算法设计方面，现有技术中多采用亚启发式算法进行设计。亚启发式算法涉及遗传算法、蚁群算法、模拟退火算法、禁忌搜索算法等，并由单一类型的亚启发式算法向算法结合发展。现有技术中的亚启发式算法主要包括以下几种：使用遗传算法求解公共交通线网优化模型，并结合模拟退火算法概率选择的思路，采取二进制编码，选择操作由适应度函数结合模拟退火算法；使用遗传算法求解，适应度函数由目标函数加动态惩罚系数构成，采取基于自适应概率的交叉操作与变异操作；使用遗传算法求解公共交通专用道选址与线网优化模型，求解中首先产生候选公共交通线路集合，然后将线路二进制编码，带入遗传算法进行优化，适应度函数由目标函数值加权归一化得到；使用遗传算法进行公共交通线网优化求解，采用十进制编码和基于轮盘赌的选择，利用概率随机选点并进行线路交叉；使用蚁群算法求解基于限时免费换乘的公共交通线网优化模型，并引入惩罚机制；使用模拟退火算法求解城市常规公共交通线路优化问题；使用禁忌搜索法与模拟退火算法两种算法求解优化模型；另外，还有使用匈牙利算法、Yen算法和穷举法求解计算优化模型，求解中先合并公共交通车站，然后选择起讫点并寻找可行线路集合并进行线网优化，该算法仅适用于研究区域较小的中小城市。

其中，遗传算法是一种全局优化的搜索算法，被广泛应用在各个领域，如运输问题、调度问题、组合优化问题等，涉及的要素主要包括初始种群的产生、目标函数的评价、选择操作、交叉操作、变异操作及算法的收敛标准。现有技术中，遗传算法存在以下几点不足：①遗传算法的收敛标准难以界定；②遗传算法搜索结果的准确性难以保证，基于积木块的搜索过程带有随机性；③该算法容易陷入局部最优解，这是由于变异概率比较低造成的；④种群规模限制了遗传算法应用范围。遗传算法在每代中总是要维持一定规模的种群，若种群规模较小，则难以体现算法的优越性；若种群规模较大，则计算时间较长，求解效率偏低。