基于遗传算法的公交智能排班系统的设计与实现.doc

基于遗传算法的公交智能排班系统的设计与实现
王宁1,2，宫生文3
（1中国海洋大学2国家海洋局北海预报中心3青岛科技大学信息学院）
摘要：运营车辆智能排班问题是公交车辆智能调度需要解决的典型问题之一。它可以描述为：通过某种智能化的算法，在有限的算法步骤内，找出所有满足约束条件的排班方案中的最优方案或者接近最优的方案。本文应用己有的客流信息，并兼顾到乘客和公交公司的双重利益，引入了遗传算法(GA)，针对公交智能排班问题，构造了符合行车规律的编码方式、遗传算子，并给出了系统设计，完成了程序的编码工作。
关键词：公交智能排班；遗传算法；适应度函数；车辆调度；排班优化
0引言
公交车排班问题是一类典型的运输排班优化问题[1]。组合优化问题就是在一定约束条件下，怎样合理、有效地安排其组成部分或操作所占用资源、运行时间及先后顺序，以获得时间或成本的最优化。
人工智能AI(ArtificialIntelligence)的快速发展，为问题研究开辟了一条道路。AI研究方法在排班问题中的应用越来越广泛，并取得了一些重要的研究成果。如运用非数值并行搜索方法[2]，禁忌搜索等进行排班优化问题研究。
对于城市公共交通运输问题而言，公交车辆运营排班管理通常分为三个阶段实施:计划、排班和控制。排班是其关键的中间环节，车辆运营排班问题就是针对一项可分解的运输任务，在一定的约束条件下，如何合理安排其组织部分(操作)所占有资源、运作时间及先后顺序，以获得运输成本或时间最优化。公交车辆运营排班通常包括两层含义：
(1)原始排班，车辆计划安排，称为静态排班；
(2)由于某种路况信息或突发事件，使得原始排班必须做修改、更新，称为动态排班或者重排班。
本文是根据客流资料进行车辆静态排班的研究；根据对公交车辆排班问题的描述和分析，建立起函数模型，并运用遗传算法对问题进行最后的求解。
问题描述
所谓排班问题就是为了某一目的面对共同使用的资源实行时间分配，通常可表示为在等式或者不等式的约束下，求解目标函数的优化。城市公交车辆运输系统是定时、定线行驶，并按客流量、流向时一空分布的变化而不断调节的随机服务系统。该排班问题有如下特点:
M为公交车辆集，每辆车在运输运行中只从事一种运输方式。
每辆车应按时发车，根据不同的运行时段，准时完成运输任务。
公交车辆运输排班问题就是指在固定行驶线路上，根据不同时段、依照一定的次序关系，合理的编排运输车辆运行作业形式，以达到供需平衡，满足系统的性能指标。本文在这里采用的优化指标为:在不影响乘客出行的前提下，使得乘客的等待时间和公司发车次数最少，并避免出现“大间隔”。
由于车辆运输排班问题本身是难点问题。虽然己经有一些人采用随机搜索法、人工神经网络致力于车辆排班问题的研究，但其研究问题基本上都是货车排班问题。针对公交车辆这种特殊的运输排班问题，本文将采用遗传算法优化公交车辆运营排班问题。
2遗传算法简介
2.1遗传算法的基本思想
遗传算法是一种迭代算法，它从某一随机产生的或是特定的初始解集出发，按照一定的操作规则，如选择、复制、交叉、变异等，不断地迭代计算以得到新一代解集，并根据个体的适应度，按照适者生存和优胜劣汰的原则，引导搜索过程向“最适应环境”的个体(最优解)逼近，逐代演化出越来越好的近似解，最终收敛到问题的最优解或满意解。
2.2基本遗传算法SGA及其基本步骤
SGA采用二进制编码，使用选择、交叉、变异三种遗传算子和基于适应度比例的选择策略。SGA的基本步骤可用下面的算法进行描述:
算法2.2(基本遗传算法)
Step1.随机产生N个体构成初始群体。
Step2.根据适应度函数计算当前群体中各个体的适应度。
Step3.判断算法终止条件是否满足，若满足则转Step8.
Step4.根据各个体的适应度执行选择操作。
Step5.按交叉概率P执行交叉操作。
Step6.按变异概率K执行变异操作。
Step7.若已得到N个新个体构成的新一代群体，则转Step2,否则转Step4
Step8.输出搜索结果，终止。
2.3遗传操作
基本遗传操作包括选择、交叉、变异。
(1)选择:选择操作决定如何从当前种群中选取个体作为产生下一代种群的父代个体。
基于比例的适应度分配(proportionalfitnessassignment)方法是基于适应度比例的选择方法，利用各个体适应度占总适应度的概率决定其子孙的遗留可能性。
轮盘赌选择方法在遗传算法中使用得最多，其思想是先根据适应度函数计算个体的适应度，然后计算种群中所有个体适应度之和，个体的选择概率就是个体的适应度占总适应度的百分比。
(2)交叉:交叉/基因重组将两个父代个体的部分结构加以替换重组而生成新个体(子个体)。其目的是在下一代获得新优良个体，提高遗传算法的搜索能力。
二进制编码的交叉算子包括点式交