基于改进的遗传算法在京津冀交通网络优化问题中的应用

2018-11-20纪楠梁彦冰

消费导刊 2018年6期

纪楠　梁彦冰

摘要：本文在经济快速发展的大背景和公共交通网络拥堵日益严重的现状下，在建立多目标交通网络优化模型的基础上。利用改进的遗传算法进行求解。最后利用京津冀13个城市的数据进行仿真模拟，验证改进的遗传算法可以应用与交通网络优化问题的研究。

关键词：遗传算法多目标优化模型交通网络优化

一、背景

近年来，随着经济的发展和城市人口激增，我国许多城市交通拥堵状况日益严重，交通网络优化正在受到越来越多的关注。本文在京津冀一体化发展的背景下，结合《京津冀协同发展规划纲要》中指出的“要在京津冀交通一体化、生态环境保护、产业升级转移等重点领域率先取得突破。”的政策导向，探讨基于改进的遗传算法在京津冀交通优化问题中的应用。

二、多目标优化模型的建立

交通网络主要分为两种类型，一种是连续的，即道路交通容量的提高，第二种是离散的，这种离散的道路增加了道路的跳跃能力。实际的交通网络往往是两者的结合。因此，在本文中，我们建立多目标优化模型，稳定网络的目标函数的简单表达式如下：

数学期望和方差是

三、基于遗传算法的模型求解

遗传算法在没有任何初始值信息的情况下，可以非常有效地实现全局最优，但明显的缺点是，该方法包含许多可变参数，不同的参数值对结果有不同的影响。在传统的遗传算法中，参数值的确定是基于程序员的经验，通过实验和失败经验得到的。显然，这需要更多的时间，但它能保证最好。本文采用拟正交实验法，选择遗传算法的初始参数。

与染色体对应的隶属函数参数使用实数编码。一方面，为了避免搜索空间过大而提高搜索效率，种群规模不能太大。另一方面，种群选择的规模也与解决非线性问题的困难程度有关。我们选择的参数如下：

进化产生的最大数量为200；

种群数量为50人：

变异概率Pm=0.01：

交叉概率Pc=0.7

利用谢菲尔德遗传算法工具箱实现遗传算法，采用二进制编码的个体编码，交叉算子采用最簡单的单点交叉算子，利用随机突变的方法选择突变。采用交叉概率和变异概率的自适应调节方法。为了避免“早熟”现象，本文采用改进的自适应交叉和变异概率调整算法。

四、仿真分析

我们选取京津冀地区13个主要城市的纬度和经度数据进行仿真分析，数据如下表1所示：

计算步骤：

步骤1.处理数据（将经度和纬度数据转换成平面坐标数据）

步骤2.建立交通网络优化模型。

步骤3.使用改进的算法求解模型。