多模式公交系统中集成时刻表同步的多目标公交网络并行进化设计方法

《Swarm and Evolutionary Computation》:A parallel evolutionary approach for multi-objective bus transit network design in multi-modal transit systems integrating with timetable synchronization

【字体: 大 中 小 】 时间:2025年12月31日 来源:Swarm and Evolutionary Computation 8.5

编辑推荐:

  针对多模式公交网络设计(BTND)中忽视时刻表同步的问题,本研究首次提出多目标公交网络设计与时刻表同步(MBTND-TS)问题及数学模型,开发了并行进化方法(PEA-MBTND-TS),通过共享精英路线协调机制和分层交叉/变异算子优化网络布局与时刻表同步。实验表明,该方法在解多样性和收敛性上优于NSGA-II、NSGA-III和MOEA/D,显著降低了乘客、运营商及政府的公交成本,提升了系统效率。

  
在城市公共交通系统中,公交网络设计(Bus Transit Network Design, BTND)是提升可持续城市交通发展的核心环节。传统的BTND研究通常将网络设计、频率设置和时刻表制定三个子问题独立或部分集成处理,但忽视了多模式交通系统(如常规公交、快速公交系统BRT、轨道交通、共享单车等)协同运营的重要性。尤其在多模式背景下,时刻表同步对于减少乘客换乘时间、避免车辆拥堵具有关键作用,而既有研究大多仅关注单一公交模式,且未将时刻表同步作为优化目标,导致实际应用中换乘效率低下、运营成本高企。
针对这一瓶颈,本研究首次构建了多目标公交网络设计与时刻表同步(Multi-objective BTND with Timetable Synchronization, MBTND-TS)问题模型,并提出了并行进化方法PEA-MBTND-TS进行求解。该研究发表于《Swarm and Evolutionary Computation》,通过将主种群划分为并行子群,设计基于共享精英路线的协调机制和分层交叉/变异算子,有效引导并行进化搜索,同时结合最大同步次数的时刻表构建方法,显著提升了解集的多样性和收敛性。
本研究的关键技术方法包括:1. 多目标优化模型建模,涵盖乘客成本、运营商成本及时刻表同步目标;2. 并行进化算法框架,采用共享精英路线协调机制;3. 分层交叉与变异操作,涉及路线级和站点级优化;4. 基于权重向量的非支配排序选择方法;5. 多模式动态交通分配(MMDTA)用于下层客流分布估计。实验基于义乌和武汉的真实交通网络数据,对比了多种算法性能。

2.1. 时刻表同步

研究定义了多模式交通系统(公交、轨道、共享BRT)间的时刻表同步时间窗,确保乘客换乘等待时间不超过最大允许值。通过数学公式量化了公交与轨道、BRT之间的同步次数,为上层模型优化提供了依据。

2.2. MBTND-TS模型

模型采用双层规划框架,上层同时优化路线布局和时刻表,下层通过MMDTA估计客流分布。创新性地将时刻表同步次数作为目标函数,弥补了传统BTND-T模型忽略多模式协同的缺陷。

3.1. 基于优先级的染色体结构

设计了两层优先级编码染色体,第一层表示公交路线布局,第二层对应时刻表,有效集成了路线与时刻表变量。

3.2. 基于共享精英路线的协调进化机制

通过评价路线的非线性系数和客流量识别精英路线,在并行子群进化中共享精英信息,提升搜索效率。

3.3. 基于多极角重叠的分层交叉

提出多极角重叠条件判断路线可交叉性,设计了路线交叉和站点交叉算子,避免地理疏远路线间的无效交换。

3.4. 基于共享精英路线的分层变异

包含路线级变异(增删、替换路线)和站点级变异(延长、缩短、优化路线),结合精英路线库增强种群多样性。

3.5. 最大同步次数的时刻表构建

采用模拟式时刻表生成方法,将同步次数融入层次任务网络规划,动态调整发车时刻以最大化同步机会。

3.6. 基于权重向量的非支配排序选择

利用权重向量和切比雪夫聚合值进行非支配排序,保证解集均匀分布和收敛性。

3.7. 基于熵权TOPSIS的推荐方法

最终通过熵权TOPSIS从帕累托解集中推荐综合最优解,避免主观偏好影响。

4.2. MBTND-TS模型与MBTND-T模型对比

实验表明,MBTND-TS模型在乘客等待时间、车辆运行时间和同步次数上显著优于传统模型,解集的超体积(HV)和反世代距离(IGD)指标均更优,验证了时刻表同步的有效性。

4.3. 集成设计与时刻表优化的效果

对比两阶段算法,PEA-MBTND-TS生成的解集具有更优的收敛性和多样性,尤其在减少未服务乘客数和运行时间方面表现突出。

4.4. 与多目标算法对比

PEA-MBTND-TS在HV和IGD上均优于MOEA/D、NSGA-II、NSGA-III及其结合分层交叉变异的改进版本,证明了协调进化机制和分层操作器的优势。

4.5. 协调进化机制的消融分析

移除协调机制后,解集多样性下降,HV和IGD指标恶化,说明共享精英路线机制对维持种群多样性至关重要。

4.6. 多极角重叠条件的消融分析

替换为共享站点或路线距离条件后,算法收敛性显著降低,验证了多极角重叠条件在识别可交叉路线方面的有效性。
研究结论表明,PEA-MBTND-TS通过集成时刻表同步和多模式协同,有效降低了系统总成本,提升了公交网络效率。讨论部分指出,未来可进一步考虑随机旅行时间的影响,并结合人工智能技术优化算法性能。该研究为多模式公交系统优化提供了理论和方法支撑,对城市公共交通规划具有重要实践意义。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号