基于生物启发式智能搜索算法的城市轨道交通

引言

在城市轨道交通调度策略研究中,关键在于确定合理的发车间隔,其是一个多目标非线性综合寻优的Np-hard问题。由于其函数求解空间范围大,变量维数高,约束条件复杂等,造成了传统的非线性数学方法很难完成其求解。因此,很多学者针对这个问题提出了不少解决方法。贺智明等提出了一种基于遗传算法和改进的蚁群算法相融合的网格环境下的任务调度策略:赵淼鑫等提出了一种基于改进遗传算法和粒子群算法的列车时刻表优化策略:刘欣昊提出了一种基于粒子群优化算法(psO）的轨道交通调度策略等。本文在这些文献基础上,从全天运营时段考虑,将全天运营时段划分成若干时段,借助BFO(细菌觅食搜索）算法,求出各时段中最为合理的运营时间间隔,从而为城市轨道交通运营决策机构如何合理安排发车提供可靠参考。

1BF0优化算法的工作流程

在整个BFO优化算法中,主要包含了3个操作:趋化操作、复制操作和迁徙操作。在算法的整个优化周期中包含了3层循环操作,主要工作流程如图l所示。在整个循环结构中,由内到外分别为趋化操作、复制操作和迁徙操作,这3种操作相互嵌套。

2调度问题研究及其数学模型设计

2.1模型目标函数

I时段j站所有进站候车乘客的平均候车成本:

式中,.kj表示j站在I时段进站候车的总人数:hmax、hm+i分别为运营时段内发车间隔的上限、下限。

在I时段,j站所有候车乘客实际消耗的候车时间:

式中,pkjAlk为在I时段,乘客由j站上车的数量:Alk/2为在I时段,乘客平均候车时间。

在I时段中总的发车次数:

全天平均总发车次数:

因此,通过加权比例系数α和a来实现城轨运营企业和乘客双方的利益关系,从而得到最终的目标函数:

2.2模型约束条件

城轨列车的满载率约束条件为:

式中,okj为j站在k时段的列车满载率:0为车厢额定载客量。

城轨乘客的舒适度约束条件为:

3调度策略优化结果

在本文中,以某市新开通的城轨线作为优化对象,分别取其工作日与非工作日实际运营数据,对发车时间间隔的调度方案进行优化,乘客流量分布图如图2所示。

通过迭代计算,得到最终的平均最优值,其与标准Pso算法和GA算法的优化结果对比如表1所示。

通过对比分析可知,相较于其他两种优化算法,BFo算法不论是优化最优值,还是优化迭代次数,都明显优于其他两种优化算法。由此表明,在城轨交通发车间隔精准调度问题解决方面,BFo算法是一种快速、准确、可靠的优化手段。

4结语

本文以具体的城市轨道交通运营数据为例,设计了一种基于细菌觅食优化算法(BFo）的城市轨道交通发车间隔调度优化策略。从优化结果来看,本文所提出的优化策略科学合理,为城轨运营企业的日常调度提供了重要的理论依据,具有一定的实际意义。