[Pfadplanung] Analyse des Busplanungssystems basierend auf dem genetischen Matlab-Algorithmus [einschließlich Matlab-Quellcode 220 Periode]

1. Einleitung

1 Hintergrundanalyse des Busplanungssystems:
Da der Bau von städtischen Verkehrseinrichtungen hinter der Wachstumsrate der Verkehrsnachfrage zurückbleibt, verschlechtern sich die städtischen Verkehrsbedingungen von Tag zu Tag. An großen Verkehrskreuzungen und einigen Straßen mit konzentriertem Verkehr treten in unterschiedlichem Maße Verkehrsstaus auf Das Problem ist zu einem Engpass geworden, der die Stadtentwicklung einschränkt.
Das städtische Verkehrssystem ist ein offenes und komplexes System, das aus städtischen Straßennetzen, Fahrzeugen und Managementsystemen besteht. Es gibt viele Möglichkeiten, den Stadtverkehr zu lösen. Beispielsweise sind die derzeitigen Maßnahmen zur Nummernbeschränkung eine der besseren Methoden. Durch die Operation zur Nummernbeschränkung steigt die Anzahl der Personen, die den Bus zu Fuß nehmen, um das Busproblem zu lösen Planung ist besonders notwendig. Die angemessene Lösung des Problems des Planungssystems für den öffentlichen Verkehr ist ein komplexes Problem. Es müssen komplexe Faktoren wie Personen, Fahrzeuge, Straßen usw. berücksichtigt werden. Daher müssen technische High-Tech-Methoden eingesetzt werden, um Probleme im städtischen Straßenverkehr besser zu lösen. Intelligente Verkehrssysteme (ITS) sind heutzutage einer der wichtigsten Wege, um dieses Problem zu lösen.
Die intelligente Planung des Betriebs von Fahrzeugen ist eines der typischen Probleme, die beim intelligenten Versand von Fahrzeugen des öffentlichen Verkehrs gelöst werden müssen. Im Kontext des Intelligent Transportation System (ITS) ist die Formulierung von Busfahrplänen der Kerninhalt des städtischen öffentlichen Verkehrs Versand und ist das tägliche Kommando des öffentlichen Nahverkehrs. Die wichtige Grundlage für den normalen Betrieb von Fahrzeugen ist auch die Grundgrundlage für die Arbeit von Busversendern und Fahrern. Ein angemessener Busfahrplan kann Busunternehmen dabei helfen, die Effizienz der Fahrzeugnutzung zu verbessern, die Betriebskosten zu senken und die Wartezeit der Fahrgäste zu verkürzen, um die Servicequalität zu verbessern.
2 Fahrzeugfahrmodell
Fügen Sie hier eine Bildbeschreibung ein
3 Modell zum Ein- und Aussteigen von Passagieren

4 Anwendungsschritte des
genetischen Algorithmus Der genetische Algorithmus GA ist eine globale Optimierungsmethode, die auf Evolution und Gentheorie basiert.
Die grundlegenden Schritte eines einfachen genetischen Algorithmus zur Lösung des Problems lauten wie folgt:
(1) Initialisierung: Generieren Sie zufällig N Individuen als Anfangspopulation P (0), was eine Reihe praktikabler Lösungen für die Zielfunktion darstellt. Setzen Sie den Evolutionsalgebra-Zähler auf Null und setzen Sie die maximale Evolutionsalgebra iter_max;
(2) Individuelle Bewertung: Ersetzen Sie die ursprüngliche Population durch die Zielfunktion und berechnen Sie die Fitness jeder Population in der aktuellen Population gemäß der Fitnessfunktion.
(3) Beurteilung der Beendigungsbedingungen: Bestimmen Sie unter gegebenen Beendigungsbedingungen, ob der Algorithmus die Beendigungsbedingungen erfüllt, und fahren Sie in diesem Fall mit (8) fort.
(4) Auswahloperation: Führen Sie eine Auswahloperation für die Anfangsgruppe durch, gute Personen werden kopiert in großer Anzahl und schlechter Qualität Individuen werden selten kopiert oder sogar eliminiert;
(5) Crossover-Berechnung: Die Crossover-Berechnung wird basierend auf der Crossover-Wahrscheinlichkeit durchgeführt;
(6) Mutationsberechnung: Die Crossover-Berechnung wird basierend auf der Mutationswahrscheinlichkeit durchgeführt;
(7) Gruppe P. (t) wird einer Selektionsberechnung und einer Überkreuzungsberechnung unterzogen. Nach der Mutationsoperation wird die Population P (t + 1) der nächsten Generation, die aus N neuen Individuen besteht, erhalten, dann gehe zu (2), andernfalls gehe zu (4);
(8) Kontinuierliche Evolution wird schließlich die Zielfunktion erhalten, Anpassung Das Individuum mit dem höchsten Grad wird als optimale Lösung oder zufriedenstellende Lösung des Problems ausgegeben, und die Berechnung wird beendet.
Fügen Sie hier eine Bildbeschreibung ein

Zweitens der Quellcode

% 产生t(i)序列
clc,clear,close all
warning off
Tmin = 1;   % 表示相邻车辆间发车间隔的最小值(min)
Tmax = 10;  % 表示相邻车辆间发车间隔的最大值(min)
delta = 4;  % 表示相邻车辆发车间隔之差的限制值
m = 500;    % 表示总的发车次数(车次)
a = randi(10);  % t(1)第一个值的取值范围设定为1-10之间随机取值
t(1) = a;       % 赋值
maxt = 960;    % t(i)的最大值
% Loop
for i=2:m
    flag = 1;       % 标志变量
    while flag == 1
        % Tmin< t(i)-t(i-1) < Tmax
        a1 = randi(9);
        if a1>Tmin+2 && i==2
            t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
            flag = 0;   % i 时间点计算完毕
        elseif a1>Tmin+2 && i>2  % |t(i+1)-2*t(i)+t(i-1)|<delta 
            t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
            if abs( (t(i)-t(i-1)) -(t(i-1)-t(i-2)) )<delta
                flag = 0;  % i 时间点计算完毕
            end
        end
    end
    function flag=test(code)
% code       output: 染色体的编码值
global Tmin Tmax delta
x=code; %先解码
flag=1;
for i=3:length(x)
    else
        flag=0;
    end
end    
% 产生t(i)序列
function ret=Mutation(pmutation,lenchrom,chrom,sizepop,num,maxgen)
% 本函数完成变异操作
% pcorss                input  : 变异概率
% lenchrom              input  : 染色体长度
% chrom     input  : 染色体群
% sizepop               input  : 种群规模
% opts                  input  : 变异方法的选择
% pop                   input  : 当前种群的进化代数和最大的进化代数信息
% bound                 input  : 每个个体的上届和下届
% maxgen                input  ：最大迭代次数
% num                   input  : 当前迭代次数
% ret                   output : 变异后的染色体
function t = pop_meet_conditions(maxt)
global Tmin Tmax delta m tt PP Q cita
% 输入变量说明：
% Tmin = 1;   % 表示相邻车辆间发车间隔的最小值(min)
% Tmax = 10;  % 表示相邻车辆间发车间隔的最大值(min)
% delta = 4;  % 表示相邻车辆发车间隔之差的限制值
% m = 500;    % 表示总的发车次数(车次)
% maxt = 960;    % t(i)的最大值

% 输出变量说明：
% t为满足条件的个体

a = randi(10);  % t(1)第一个值的取值范围设定为1-10之间随机取值
t(1) = a;       % 赋值

flag = 1;       % 标志变量
% Loop
while flag==1
    
    for i=2:m
        flag = 1;       % 标志变量
        while flag == 1
            % Tmin< t(i)-t(i-1) < Tmax
            a1 = randi(9);
            if a1>Tmin+2 && i==2
                t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
                flag = 0;   % i 时间点计算完毕
            elseif a1>Tmin+2 && i>2  % |t(i+1)-2*t(i)+t(i-1)|<delta 
                t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
                if abs( (t(i)-t(i-1)) -(t(i-1)-t(i-2)) )<delta
                    flag = 0;  % i 时间点计算完毕
                end
            end
        end
    end

Drei laufende Ergebnisse

Fügen Sie hier eine Bildbeschreibung ein

Viertens Bemerkungen

[Problem mit reisenden Verkäufern] Lösen des Problems mit reisenden Verkäufern basierend auf dem Matlab-Immunalgorithmus [einschließlich Matlab-Quellcode 195]