基于移动Agent的公交与城轨路网博弈配流研究

移动Agent在DIDS中的应用技术研究摘要：提出了一个基于移动代理技术的分布式入侵检测模型，分析了该模型在IDS中应用的优缺点，并提出了改进方法。

关键词：移动代理；分布式入侵检测；入侵检测系统模型0 引言随着网络技术的快速发展，网络应用领域也越来越多，在方便人们生活的同时，网络技术安全与信息安全问题变得越来越重要，已成为一个国际性的问题，受到了人们的广泛关注。

开发一个强大的、采用主动策略和方案来增强网络安全性的体系已迫在眉睫，一个有效的解决途径就是入侵检测（Intrusion Detection 简称ID）。

入侵检测系统（Intrusion Detection System ，简称IDS）是一种积极主动的安全防护技术手段，在网络传输时，对传输的数据进行实时监控，在发现可疑数据传输时，发出警报或者网络安全设备采取主动反应措施，完成入侵检测功能。

IDS在不同主机中的收集部件和分析部件之间传输数据，而现有不同主机之间，传统C/S模式是通信的主要方式，通过远程调用或消息传递等方式实现跨平台操作。

随着计算机网络的发展和新型网络应用的出现，C/S模式的缺点日益明显，如在计算过程中必须一直保持连接状态，浪费了带宽。

基于这种情况，提出了移动代理技术，移动代理技术（Mobile Agent）是一种新的网络技术，它集软件、通信、分布系统的技术于一体，弥补了传统的C/S技术的不足。

1 Agent技术1.1 代理代理（Agent）是指在某个特定环境下，无须人工操作、不用监督就能自动完成某项工作的自治实体，起源于人工智能。

现在代理的应用很广，如网络管理、人工智能、动态路由和软件工程等领域。

代理的自适应性很强大，协作性和智能性在实际应用过程中也有很好的体现；代理既可以独立完成自己的工作，又可以与其它代理一起，相互合作，共同完成某个任务。

目前代理存在着智能代理、自动代理、软件代理等叫法，这些只是一个技术概念。

Nwana定义了代理Agent的三层结构，即定义层、组Agent在通信层则定义了Agent之间通信的更低一级的细节；合作层指明了Agent的合作能力和协作技能；组织层定义了各个Agent 间的关系；定义层被描述成一个自治的逻辑实体，其中包含了Agent 的推理目标、现有资源、固有机制和技能等；Agent与其它的物理实现是通过API层联系起来的。

佘世英郑猛向燕陵刘恒陈艳艳雷焕宇基于集计出行链的城市交通模型架构研究摘要：基于对活动链和出行链两种模型架构现实局限性的比较，提出一种新的、基于集计出行链的模型架构方法，并对核心算法进行解析。

以中国超大城市武汉市为例验证了该方法的可行性。

研究表明：该模型架构充分考虑了各出行链去程和回程在时间、交通方式、主目的地选择和中途停留点选择的时空制约因素和内在一致性，以及需求与供给之间的迭代与收敛，并适应各类出行链在统一的框架下进行建模；以基本出行链为分析单元，有效降低了居民活动建模的复杂度，同时确保了居民主体活动特征的一致性。

在千万级人口城市的复杂交通环境下，对3467个交通小区建模，模型具有良好的收敛性，Gap<0.2%和Gap<0.1%分别需要28.1h 和49.6h ，而对1678个交通小区建模仅需要9.5h 和17.8h 。

模型校核以及现实性和敏感性测试亦充分验证了模型的良好性能。

最后，从客观认识四阶段模型、出行链模型和活动链模型的关系，避免盲目陷入模型精细化和复杂化陷阱方面给出建议。

关键词：活动链模型；集计出行链模型；出行链；时间选择模型；目的地-方式选择模型；实证研究；武汉市Aggregate Tour-Based Model Framework of Urban TransportationShe Shiying 1,2,Zheng Meng 2,Xiang Yanling 3,Liu Heng 3,Chen Yanyan 1,Lei Huanyu 3(1.Beijing University of Technology,Beijing 100124,China;2.Wuhan Transportation Development Strat-egy Institute,Wuhan Hubei 430017,China;3.Shenzhen Urban Transport Planning Center,Shenzhen Guangdong 518000,China)Abstract :With comparison of the practical limitations of the two model frameworks of the activity chain and the trip chain,this paper proposes a new model method based on the Aggregate Tour-based Model and analyzes the core algorithm.Then the Chinese megacity Wuhan is taken as an example to verify the feasi-bility of this method.The results show that the model framework fully considers the time and spatial con-straints and internal consistency of the outbound and return journeys of each tour in terms of time,travel mode,main destination choice and stop selection,as well as the iteration and convergence between de-mand and supply.The method can adapt to all kinds of tours in a unified framework for ing the basic tour as the analysis unit,the model can both effectively reduce the complexity of resident activity modeling ensure the consistent characteristics of residents 'activity.In the case with ten million population,3467TAZS and complex traffic environment,the model performs a great convergence process.Gap<0.2%and Gap<0.1%require 28.1hours and 49.6hours respectively,while the convergence process of 1678TAZS only requires 9.5hours and 17.8hours,the model calibration and the reality and sensitivity test also fully verified the performance of the model.Finally,this paper discusses the relationship between the Four-Steps Model,the Tour-Based Model,and the Activity-Based Model so as to avoid blindly falling into the trap of model refinement and complexity.Keywords :activity-based model;aggregate tour-based model;basic tour;tour time model;destination-mode choice model;empirical research 收稿日期：2020-09-26作者简介：佘世英(1982—)，女，湖南常德人，博士，高级城市规划师，注册咨询工程师(投资)，武汉市交通发展战略研究院轨道交通室主任工程师，主要研究方向：公共交通、轨道交通、交通大数据、交通模型。

第47卷第3期2021年3月北京工业大学学报JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGYVol. 47 No.3Mar. 2021响应动态需求的灵活型公交路径优化调度模型孙继洋1,2,黄建玲3,陈艳艳1,魏攀一1,2,贾建林1,宋程程1收稿日期：2019-10-18基金项目：国家重点研发计划资助项目(2017YFC0803903,2016YFE0206800)作者简介：孙继洋(1980—),男，高级工程师，主要从事智能交通大数据方面研究，E-mail ：cdyan@ bjut. edu. cn(1.北京工业大学北京市交通工程重点实验室，北京100124； 2.交通运输部公路科学研究院，北京100088；3.北京市交通信息中心，北京100161)摘要：为解决灵活公交乘客需求差异性大、实时变化性大的问题，提出一种考虑乘客动态需求的灵活公交路径优化调度模型.在已知乘客预约需求量、车辆载客容量、车队规模等条件下，根据乘客需求动态变化特征对接驳行程 时间进行实时迭代更新，将车辆的运营成本(车辆行驶时间)和乘客的时间成本(乘客上车前等待车辆的时间、实际到达时间与期望到达时间之间的差值)最小化作为目标,构建了考虑乘客动态需求的灵活型公交路径优化调度模 型，并采用基于引力模型的启发式算法进行求解.最后，通过实例分析验证了模型和算法的可行性.结果表明:对 随机产生的15个需求点的102个出行需求，全部服务完成所需车辆为17~21辆，平均每辆车的旅行时间为24. 59min,100组数据的求解时间均在25. 00 s 以内，计算耗时平均为12. 04 s.可见该优化模型能够在实时调整接驳规划时间的前提下,更大程度满足乘客动态需求，有效减小规划路径的误差，缩短行车距离和乘客出行时间,相比忽略接驳行程时间变化的灵活公交调度模型结果更优.关键词：交通工程；城市交通；路径优化；启发式算法；灵活型公交；动态需求中图分类号：U121 文献标志码：A 文章编号：0254 -0037(2021)03 -0269 - 11doi ： 10.11936/bjutxb2019100011Flexible Bus Route Optimal Scheduling Model in Responseto Dynamic DemandSUN Jiyang 1,2 , HUANG Jianling 3, CHEN Yanyan 1 , WEI Panyi 1,2 , JIA Jianlin 1 , SONG Chengcheng 1(1. Beijing Key Laboratory of Traffic Engineering , Beijing University of Technology , Beijing 100124, China ；2. Research Institute of Highway , the Ministry of Transport , Beijing 100088, China ；3. Beijing Transportation Information Center , Beijing 100161, China )Abstract : To solve the problem that the demand of flexible bus passengers varies significantly and thedemand of flexible bus passengers varies significantly in real time ， a flexible bus route optimization scheduling model considering the dynamic demand of passengers was proposed. Under the conditions ofknown passenger reservation demand ， vehicle passenger capacity and the team known condition such as size , according to the dynamic changes of passenger demand for real-time iterative update shuttle traveltime ， the operating costs of the vehicle ( vehicle ) and time cost for passengers before ( the passengers waiting time of the vehicle ， the actual time of arrival and the difference in value between expected time of arrival) minimization as the target ， was established considering the passenger dynamic demand type flexible bus route optimization scheduling model ， and USES the heuristic algorithm based on gravitymodel. Finally ， the feasibility of the model and algorithm was verified by an example. The analysis results show that for the 102 travel demands of 15 randomly generated demand points ， the number ofvehicles needed to complete all the services is 17 - 21 , the average travel time of each vehicle is 24. 59270北京工业大学学报2021年minutes,the solution time of100sets of data is all within25.00seconds,and the average calculation time is12.04seconds.It can be seen that under the premise of real-time adjustment of connection planning time,this optimization model can satisfy the dynamic demand of passengers to a greater extent,effectively reduce the error of the planning path,shorten the driving distance and passenger travel time,and achieve better results than the flexible bus scheduling model that ignores the change of connection travel time.Key words:traffic engineering；urban traffic；route optimization；heuristic algorithms；flexible bus；dynamic demand城市公交线路优化调度是提高公交运行效率、降低乘客出行和公交运营成本的主要手段.一个好的公交调度系统能够根据乘客的出行需求，快速优化调整线路运营方案,提高线路服务率，减少运行时间，降低乘客出行时间成本［1-»传统公交路径优化方法主要是通过长期的经验观察或IC卡数据统计分析,对部分线路进行延长、缩短、增删、调整走向等优化,优先满足大客流站点的乘客需求,这类方法主要适用于固定线路的公交路径优化，线路调整周期较长［4-7］.灵活型公交的出现,为线路的动态优化调整提供了可能［7-10］,目前国内外学者均开展了相关研究.其中，Quadrifoglio等［11-12］通过对灵活公交系统关键参数的分析,建立了公交系统运行效率参数优化调整模型，并针对其前期建立的系统线路设计和调度问题,进行了仿真验证分析,对模型进行了参数修正.付晓等［13］利用超级网络同时模拟用户的活动与出行行为，并根据用户出行行为特征建立了公交路径选择模型.Koffman［14］提出了基于多目标需求的城市公交智能调度算法;Tsubouchi［15］提出了 利用最小生成树寻优公交路径最优算法;熊杰［16］通过对区域内潜在公交用户需求的分析，建立了接驳轨道交通的公交线路优化模型；Li等［17］、Chen 等［18］通过对乘客预期等待时间和线路上客概率的推导,建立了超路径的公交运输路径调整模型;潘述亮［19］重点考虑了长时预约对灵活公交线路调整的影响，并提出了优化调度方法;郭晓俊［20］重点考虑了短时预约对灵活公交线路调整的影响，并提出了优化调度方法.这些研究虽然都是根据乘客的预约需求建立的灵活型公交路径优化算法,但其前提条件均是乘客需提前发出预约或假设乘客需求已知,相对即时预约来说均属于“静态需求”.然而，在乘客出行过程中，往往会根据出行需要发出短时预约或即时预约，灵活型公交需要根据乘客的“动态需求”，计算因动态需求变化导致的车辆接驳行程时间变化，即时调整线路实现路径的动态优化.鉴于此，考虑到乘客需求的动态变化以及由于需求变化导致的车辆接驳行程时间变化，本文提出了一种基于乘客动态需求的灵活公交路径优化调度方法.在已知车辆载客容量、车队规模等条件下，根据乘客需求动态变化特征对接驳行程时间实时迭代更新，将车辆运营成本和乘客出行成本最小化作为主要目标，建立了考虑乘客动态需求的灵活型公交路径优化调度模型.1问题描述与建模1.1问题描述在传统的固定型接驳公交运营中，公交线路规划设计与车辆运营调度是2个独立的过程，一般在线路规划设计完成之后制定车辆运营调度方案,调度方案在相当长一段时间内不发生变化.这就造成了线路设计和车辆调度之间脱节，两者不能有效衔接的问题，且线路设计和车辆调度无法根据乘客需求进行及时调整•但高效的接驳公交系统,应能够根据乘客的实际需求及时调整运营线路，并根据线路和乘客需求实时动态调整车辆调度方案.灵活型公交是一种以需求为基础的交通系统,它能根据乘客发出的需求，以最短路线服务最多乘客为目标，动态调整运营线路，并在线路调整同时,融合分析沿线乘客需求数量、车辆载客容量等因素,实时调整车辆调度方案,最大程度地满足更多乘客需求，解决传统固定型接驳公交的乘客需求与线路规划、车辆调度脱节的问题.本文提出的响应动态需求的灵活公交路径优化调度模型，将乘客即时需求作为公交路径动态优化调整的依据之一，根据乘客出行需求点位、需求量和需求时间，对公交路径和行车方案进行实时优化和调度.为使得本文所建立的模型更合理、得当，本文综合考虑乘客需求、运营成本等各方面的因素,进行如下灵活型公交路径优化模型假设、参数选取和建模.1.2模型假设对灵活型公交路径优化模型的建立提出如下假设，其中1）、2）为动态假设,3）~6）为静态假设.第3期孙继洋，等：响应动态需求的灵活型公交路径优化调度模型2711)每个站点的乘客预约需求量动态变化.2)车辆站点之间的行程时间动态变化.3)每个站点的位置均已知.4)预约后，每个乘客拟到达目标站点的时间已知.5)乘客到站上车的服务时间为常数.6)接驳车辆的载客容量已知.1.3模型参数按照上述模型假设,对各模型变量进行定义,如表1所示.表1模型参数Table1Medol parameter变量定义及说明参数类型Z优化路径的总时间成本因变量H乘客需求站点集合常量D目标站点集合常量K接驳运营车辆集合常量R乘客需求集合常量d”乘客需求r的目标站点d决策变量T t目标站的第t个发车时刻决策变量N乘客需求总量决策变量P r乘客需求r的上车站点p决策变量T”乘客需求r的期望发车时刻决策变量C j站点i和j之间的旅行时间决策变量V接驳车队规模决策变量Q k接驳车辆k的载客容量决策变量M足够大的一个常数常量X kt t时刻时车辆k将需求r接驳至乘客期望的站点,X,”为1；否则为0决策变量如车辆k选择(i,j)路段作为途经路径时,匕*为1;否则为0决策变量a 车辆行驶至需求r所在公交站点的时间决策变量乘客需求r到达目标站的时间决策变量车辆行驶至需求s所在站点的时间决策变量决定车辆k的运行线路不出现闭环U ik 的变量.如果接驳车辆离开站点i,则-=0;如果接驳车辆到达站点则4=1决定车辆k的运行线路不出现闭环辅助变量U k的变量.如果接驳车辆离开站点j,则乞=0;如果接驳车辆到达站点j,则U k=1辅助变量1.4模型表述按照上述模型假设和变量设置情况,采用非线性规划形式对灵活型公交路径优化模型进行表述,即Z=min I移移移c£k+移a+i e H U D j e H U D A e K reR移移移(S-e”)](1)r e R k e K t式(1)为灵活型公交路径优化模型表述的目标方程，由3个部分之和组成，取其最小化值：1)所有车辆的行驶时间，以降低运营成本；2)每个乘客在需求点等候车辆抵达的时间之和，以减少乘客的总出行时间；3)每个乘客等待车辆的实际到达时间与期望到达时间的差值之和，以减少乘客的总出行时间.移移Y jk逸1,VieH(2)j e H U D keK移移Y jk臆V,VieH(3)j e H U D keK约束式(2)(3)表示在任意一个乘客需求点,保证车辆进行服务，且车辆数在1与V之间.移移如臆V,V j e D(4)i e H k e K约束式(4)表示参与服务的车辆总数不超过V辆.移忌-移乙逸0,VieH,keK(5)j e H U D p e H约束式(5)表示对任意一个需求点,任一参与服务的车辆均有到达和离开的过程.4-匕+IHI X Y j臆IHI-1,Vi',eHUD,keK(6)约束式(6)保证了系统规划路径的单向性,即不能产生往返回路.移移如逸1,VkeK(7)i e H j e D移移Y jk臆0,VkeK(8)i e H j e D约束式(7)(8)表示参与服务的任意一辆车必须将乘客运送至目标站点.移移X rkt臆Q k,VkeK(9)r e R t e T约束式(9)保证车辆不能超载运输.移移X rkt=1,VreR(10)k e K t e T约束式(10)表示乘客发出需求后，只能被一辆车服务,不能同时被多辆车服务.移X skm-(1-X rkt)M臆0,Vr,seR,meT/{t}VkeK,VteT (11)272北京工业大学学报2021年约束式(11)表示一辆接驳车辆在单程接驳运送中,只能服务于一个目标站点的一个发车时刻.移移移X kt=N(⑵r沂 R k沂K i沂T约束式(12)表示所有接驳车辆实际服务的需求数量与预约的需求量相等.a+-a+抵严臆必，坌『异沂R,V"K(13)-a r-％+丫”肿MWM，V r,swR，V kwK(14)约束式(13)(14)表示当同一接驳车辆为相邻2个站点提供接驳服务时，后一个站点接受服务的时间应等于前一个站点接受服务的时间与两站点间行程时间之和.a r+%一a s+Y p肿MWM，Vr e R,Vk e K,V/'eD(15)a s一a r一%+岭亦MWM,V r沂R，V k沂K，Vj沂D(16)约束式(15)(16)表示接驳车辆到达目标站点的时间等于为最后一个需求点提供服务的时间与需求点与目标站点之间的行程时间之和.e,臆移移X ki T i,VreR(17)约束式(17)表示接驳车辆应在 目标站点车辆发车之前抵达目标站点.2模型求解本文提出的面向多目标站的灵活性公交路径优化调度问题，是一类典型的非确定性多项式问题都能在多项式时间复杂度内归约到的问题(non-deterministic polynomial hard,NP-hard).在问题规模较大时计算量和复杂程度会急速增加.因此，为了应对复杂问题的快速高效计算问题，通常采用可同时保证计算速度和计算精度的启发式算法进行求解.当在一定区域范围内，多个点位同时发出出行需求时，可看作同时存在的多个引力点.受点位间距离影响，不同点位之间引力大小各有不同，可对应理解为车辆在2个需求点间接驳运送的时间成本各不相同.因此，为使车辆能够快速在需求最多、距离最小的点位间进行接驳服务，受四阶段出行分布预测的引力模型启发，本文提出一种基于引力模型的启发式算法.总体思路是:首先基于引力模型生成较优的初始解,再利用路线间和路线内的优化算法分别改进路线，从而得到最终路线.详细步骤介绍如下.2.1乘客出行预约与需求分配首先，将乘客发出出行预约和进行需求服务分配分为以下4个步骤：步骤1乘客按其出行需求，进行预约出行.每个乘客将其出发站、目标站、期望到达目标站的时间等信息传输到出行预约平台.考虑到乘客需求和接驳车辆站点之间的行程时间的动态变化特征,预约平台的乘客需求和接驳车辆站点之间的行程时间每5min进行一次更新.步骤2出行预约平台根据每个乘客的目标站和期望到达目标站的时间，按照实际到达时间不晚于乘客期望值的原则，对所有乘客进行聚类.步骤3根据2.2,2.3节中路径生成结果，结合接驳车辆到达时间、平均行驶速度、乘客需求点的位置、各需求点乘客数量等因素，初步估算车辆到达的时间.步骤4将初步估计的接驳车辆到达各需求点的时间，发送给对应需求点的乘客，乘客根据接驳车辆到达时间的合理性，选择是否确定乘车.2.2基于引力模型的生成初始车辆路径解基于引力模型的计算方法，以起始需求点为已知站点，根据引力模型的原理遍历所有剩余需求点，查找与已知点之间引力最大的点，并将最新搜索到的站点作为新的已知点，继续遍历剩余需求点确定下一个与已知点之间引力最大的点，按此步骤逐步迭代,直到所有需求点均被查找到，从而可以生成可行的初始车辆路径解.定义两站点间的引力T(18)式中:N,为站点,的上车人数;c.为站点,和站点j 之间的车辆行驶时间.F,.的值越大,说明这2个站点的乘客数越多且旅行花费越小,需要优先服务，应该将站点j设为站点,的下一个站点.在已知车辆载客限定辆Q时，按如下步骤生成初始路径的解：步骤1确定车辆出发站点.初始k=1,从有乘客上车需求的站点中，随机抽取一个作为车辆k 的出发点.步骤2判断是否还有同类乘客未服务.若有,则跳至步骤3；否则,跳至步骤5.步骤3搜索下一站点.在包含同类乘客的上车站点中，找出与当前站点之间吸引力最大的站点第3期孙继洋，等：响应动态需求的灵活型公交路径优化调度模型273X,尝试将站点X加入路径选择链，计算车辆在加入该需求点后车上总人数，以及加入该需求点X后直接行驶至目标站点所需的时长.步骤4判断加入站点X后，车辆路线是否合理.若当前车辆服务的乘客数量未超过车载容量Q k，且到达目标站点的时间未超过乘客需求的时间，则以站点X为新的起点,跳至步骤3；否则,跳至步骤5.步骤5判断是否所有类别的乘客均被安排服务.若还有乘客未被安排服务，则调度下一辆车, k=k+1,跳至步骤1；否则，输出当前全部初始解,结束基于引力模型的初始解计算步骤.2.3基于站点均衡与交换的车辆路径优化介绍路线间和路线内的路径优化算法,使得路径质量和乘客服务水平进一步提升.需要注意的是，算法的步骤1和步骤2均属于车辆路径间的优化,在步骤1和步骤2的路径优化算法执行过程中，可能会搜索出多组可行的路线解.若在搜索时仅保存当前最优的一组解，再执行步骤3,可能搜索到的最终路线结果并不是最优.所以，本算法会保存步骤1和步骤2寻找到的所有可行解组，并对每一组可行解执行步骤3,综合评价所有的路线解组的目标函数，以找到最终的最优解.步骤1首先对服务于目标站点和到达目标站点时间需求相同的车辆之间进行站点数量均衡.检查各接驳车辆是否存在服务需求点过多或过少的现象.如果有，则在确保车辆不超载的条件下,将需经过站点数量较多的车辆路线中的部分站点,转移给经过站点数量较少的车辆路线，并安排合理的站点顺序.步骤2尝试对服务于目标站点和到达目标站点时间需求相同的车辆之间进行路径优化.主要应用两路线间，交换两站点的方式,搜索更优的路线.在交换优化的过程中，保证车辆不超载和按时到达目标站点的需求.步骤3对每一辆车的路线进行内部优化.主要在同一车辆路线内,尝试交换两站点的顺序,评估目标函数值是否减少.若减少，则交换站点顺序;否则舍弃本次交换.在尝试一定次数之后，结束计算流程，生成最终路线结果.步骤4考虑到乘客需求的动态变化特征和站点之间旅行时间的变化特征，每5min进行一次各站点需求的采集和重新计算，重复以上步骤1至步骤3.经过如上4个步骤，可在保证乘客按照预期时间到达目标站点的前提下,使得路径调度模型的目标函数最优,全部服务时间缩短，每一辆车的路线更加合理，车辆的运行成本降低，乘客的等待时间减少，提升服务质量和效率.3案例分析3.1案例假设北京市回龙观地区是通勤人群居住密集区，高峰时段出行需求量大，不同工作性质和通勤距离的出行者出行时间差异较大，因此适合作为需求响应型灵活公交模型验算的案例.为了便于模型分析,本文对回龙观区域公交网络进行了抽象化提取，保留网络拓扑结构.根据实际情况下乘客的出行需求，假设一个乘客出行案例,采用上述模型对案例进行求解,验证本文所提模型的可用性.小型网络常变量的输入参数如表2所示,初始时刻每个站点的乘客需求如表3所示,初始时刻站与站之间的旅行耗时矩阵如表4所示，其中H为需求点,D为目标站.表2案例中的常变量Table2Constant variables in the case变量名称变量值需求点数量/个15目标站点数量/个3车辆额定载客量/人7车队规模/辆18期望到达站点时间/min30/40/50乘客到站上车服务时间/min0.53.2案例计算根据本文提出的计算模型和方法,对上述假设案例进行计算，获取各接驳车辆的行驶路线、接驳乘客的数量、每条路线对应的目标函数如表5所示.之后,随着乘客需求和站点之间旅行时间的动态变化，上述路径规划结果无法满足当前乘客需求和真实状况，需进行新的路径规划.此时,预约平台将汇总的第一个5min后新的乘客需求和接驳车辆站点之间的行程时间并进行更新,如表6所示，再次利用2.2节中所述的方法进行求解.之后，根据乘客需求和站点之间旅行时间的动态变化信息，预约平台汇总第2个5min后新的乘客需求，并更新接驳车辆站点之间的行程时间，如274北京工业大学学报2021年表3初始时刻各站点乘客需求(初始5min)Table3Quantity demanded at the demand point(the first5minutes)乘客出发站目标站期望到站乘客出发站目标站期望到站乘客出发站目标站期望到站编号时间/m in编号时间/m in编号时间/m in 111303112306113302115032125062135031150332230631350421303422506423305215035323065235063130363240663330731403732506733408413038423068433095130395230695330105140405240705340115150415250715350125150426230725350136130436240736330146140446250746340157130457230757330167150467250767350177150478230778330188130488240788340198140498250798350209140509240809340211014051102408110340221015052102508210350231114053112408311340241115054122308412330251213055122508512350261215056122508612350271313057132308713330281414058142408814340291414059152408915340301514060152409015340表7所示，再次利用2.2节中所述的方法进行求解.下,车辆行驶最终路径结果如图1所示，此时,15个以此类推,预约平台继续汇总之后每个5min的乘需求站点发出的102个预约需求全部得以满足（为客需求和更新接驳车辆站点之间的行程时间，并利便于识别,分别以D1、。

大规模城轨路网客流分布推演的建模与仿真方法蒋熙;冯佳平;贾飞凡;孙捷萍;李春晓【摘要】大规模网络条件下,如何经济高效地构建仿真系统来实现城市轨道交通路网客流分布的动态推演是一个亟待解决的问题.将“运输流状态网络模型”与有限状态机模型相结合,提出了适用于大规模路网条件下多分辨率客流分布推演的仿真建模方法,给出了利用仿真推演引擎遍历状态网络来实现系统状态动态推演的算法.采用混合式并行仿真任务分解策略,给出了基于网络客流量的域分解方案优化方法,以及基于关键同步事件的子域内时钟协调方法,以简单高效的方式实现并行仿真的时钟推进.自主开发了仿真系统,并以北京地铁为背景构建仿真案例,并对提出的方法进行了验证.【期刊名称】《铁道学报》【年(卷),期】2018(040)011【总页数】10页(P9-18)【关键词】城市轨道交通;并行仿真策略;状态推演仿真引擎;仿真时钟协调【作者】蒋熙;冯佳平;贾飞凡;孙捷萍;李春晓【作者单位】北京交通大学轨道交通控制与安全国家重点实验室,北京 100044;北京交通大学轨道交通控制与安全国家重点实验室,北京 100044;北京交通大学轨道交通控制与安全国家重点实验室,北京 100044;北京交通大学轨道交通控制与安全国家重点实验室,北京 100044;北京交通大学轨道交通控制与安全国家重点实验室,北京 100044【正文语种】中文【中图分类】U231近年来，我国城市轨道交通飞速发展，网络化运营成为基本特征。

乘客换乘和客流拥堵传播使各线间运营状态耦合性增强，路网客流分布动态与各相关因素呈现复杂的非线性关系。

尤其在故障和突发事件等异常运营情况下，准确把握客流分布动态变得更困难，不利于实现科学的运营决策。

为获得客流分布动态，常常在客流分配基础上进行客流分布计算，属于较为宏观的客流分布推算方法。

这类算法效率较高，但难以准确地考察路网各要素间动态作用关系带来的影响。

计算机仿真是实现客流分布动态推算的另一种途径，即通过构建并运行仿真模型完成客流对象状态的推演，获得客流分布的动态变化。

基于多路移动Agent的WSN能量管理模型党小超;姚浩浩【摘要】提出了一种基于多路移动Agent的无线传感器网络能量管理模型,并在模型中引入了多路移动Agent协同的分布式任务处理算法,能有效地减少网络延时,节约节点能量,延长网络寿命.仿真实验结果表明所提出的模型是有效的.%This paper proposes a energy management model based on multiple mobile Agent of wireless sensor network, introduces the multiple mobile Agent synergetic distributed task processing algorithm in the model, which can reduce the delay effectively, save node energy, prolong the network lifetime. The simulation results show that the proposed model is effective.【期刊名称】《计算机工程与应用》【年(卷),期】2013(049)002【总页数】6页(P100-104,236)【关键词】无线传感器网络;移动Agent;能量管理;网络时延【作者】党小超;姚浩浩【作者单位】西北师范大学计算机科学与工程学院,兰州730070;甘肃省物联网工程研究中心,兰州730070;西北师范大学计算机科学与工程学院,兰州730070【正文语种】中文【中图分类】TP393无线传感器网络（WSN）[1]是一种将传感器、无线通讯等多种技术交叉融合产生的新型应用网络。

能源受限是其显著特征之一[2]，因此有效的能量管理成为其重要的研究内容。

文献[3]中M IT研究人员A.Chаndrаkаsаn等提出了低功耗自适应集簇分层型协议LEACH，以循环的方式随机选择簇头节点，将整个网络的能量负载平均分配到每个传感器节点中，从而达到降低网络能源消耗和提高网络整体生存时间的目的。

一种基于Agent—人元模型的铁路货运布局方法的研究作者：刘世雄来源：《经济与社会发展研究》2013年第11期摘要：近年来，由于我国铁路货运站布局的不合理，运输效率不高，导致了严重制约我国铁路运输的规模化发展。

针对上述问题，本文提出了一种基于Agent-人元模型的方法来调整货运站布局，利用其自主性和智能性分析影响性较大的因素，最终经过时间的积累得到货运站的综合分值，从而确定货运站是否保留。

文章最后对模型进行了仿真研究，证明了该方法的合理性和优越性。

关键词：铁路货运；布局调整；物流；人元模型；Agent长期以来，铁路货运比重逐渐下降，究其原因，主要是我国铁路货运生产力布局分散，货运站布局站间距比较小，运力资源效率不高。

将小型的、各方面条件不够完备的货运站组合到大型货运站，可以解决部分货运站分布过密集、运量小的货运站过多而引起的货运量较少的问题，减小货运站分布密度。

针对这些问题，本文提出了一种基于Agent-人元模型来调整货运站布局的新方法，通过分析对货运站影响最大的关键因素，将货主视为Agent，货主根据自身条件、周围环境及其货运站的客观条件和一些主观因素去寻找货运站，通过判定货运站的取消或者保留来实现优化资源配置，增强铁路货运的核心竞争力。

本文最后对提出的模型进行仿真验证，通过对一定数量的货运站和货主进行仿真验证，结果证明该方法是可行的。

一、 Agent概述对于Agent的定义，更多人所认同的是Wooldridge[23]和Jennings提出来的：Agent是处在某个环境中的计算机系统，该系统有能力在这个环境中自主行动以实现其设计目标。

单个Agent的内部结构如图1所示。

图1 Agent内部结构从图1中可以看出Agent是自主且持续运行的，同时能够安全地处理私人信息，并且是高度交互的。

构造Agent主要指的是把Agent从抽象的规则到具体实现的一个过程，文中采用了符号/逻辑的方法，构建了多Agent系统，这也是构造人工智能系统的主流方法。

第１３卷㊀第１１期Ｖｏｌ．１３Ｎｏ．１１㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１１月㊀Ｎｏｖ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１１－０２０２－０６中图分类号：Ｕ４９１．１＋７文献标志码：Ａ公交停靠站多线路换乘协同调度赵新标１，刘心雨１，夏晓梅１，项俊平２，赵㊀靖１（１上海理工大学管理学院，上海２０００９３；２连云港杰瑞电子有限公司，江苏连云港２２２００６）摘㊀要：城市公交运行过程中，当在同一站点的多条线路之间相互换乘的需求都较大时，常规调度方式无法满足此需求㊂因此本研究提出对公交车辆在换乘站点的驻站时间进行控制，延长先到站车辆在换乘站点的驻站时间，促使先到站车辆可在换乘站点等待有换乘关系车辆，从而使得非同时到站车辆依然可以实现多线路乘客相互换乘㊂本研究首先以乘客平均行程时间最小为优化目标，考虑发车间隔以及驻站时间的限制，提出非线性规划模型，对多线路公交的发车频率以及在换乘站点的驻站时间进行优化㊂其次，设计了分步优化算法，考虑发车间隔组合不同时，可行解结构不一致的情况㊂从约束条件出发，首先生成可行解集，再依据发车间隔组合的不同，将解集分成多个子集，运用邻域搜索算法分别对每个子集进行搜索，从而避免搜索过程中对可行解结构进行重复判断㊂最后基于算例验证模型与算法的有效性，结果表明，与常规调度策略相比，本研究提出的调度策略可使乘客平均行程时间减少１１．２３％㊂关键词：城市交通；多线路调度；驻站时间控制；分步优化算法Ｃｏｏｒｄｉｎａｔｅｄｓｃｈｅｄｕｌｉｎｇｏｆｍｕｌｔｉ－ｌｉｎｅｔｒａｎｓｆｅｒｓａｔｂｕｓｓｔｏｐｓＺＨＡＯＸｉｎｂｉａｏ１，ＬＩＵＸｉｎｙｕ１，ＸＩＡＸｉａｏｍｅｉ１，ＸＩＡＮＧＪｕｎｐｉｎｇ２，ＺＨＡＯＪｉｎｇ１（１ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ；２ＬｉａｎｙｕｎｇａｎｇＪＡＲＩＥｌｅｃｔｒｏｎｉｃｓＣｏ．，Ｌｔｄ，ＬｉａｎｙｕｎｇａｎｇＪｉａｎｇｓｕ２２２００６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｄｕｒｉｎｇｔｈｅｏｐｅｒａｔｉｏｎｏｆｕｒｂａｎｐｕｂｌｉｃｔｒａｎｓｐｏｒｔａｔｉｏｎ，ｗｈｅｎｔｈｅｒｅｉｓａｌａｒｇｅｄｅｍａｎｄｆｏｒｍｕｔｕａｌｔｒａｎｓｆｅｒｂｅｔｗｅｅｎｍｕｌｔｉｐｌｅｌｉｎｅｓａｔｔｈｅｓａｍｅｓｔａｔｉｏｎ，ｔｈｅｃｏｎｖｅｎｔｉｏｎａｌｓｃｈｅｄｕｌｉｎｇｍｅｔｈｏｄｃａｎｎｏｔｍｅｅｔｔｈｉｓｄｅｍａｎｄ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｉｓｓｔｕｄｙｐｒｏｐｏｓｅｓｔｏｃｏｎｔｒｏｌｔｈｅｄｗｅｌｌｔｉｍｅｏｆｐｕｂｌｉｃｔｒａｎｓｐｏｒｔａｔｉｏｎｖｅｈｉｃｌｅｓａｔｔｒａｎｓｆｅｒｓｔａｔｉｏｎｓ．Ｔｈｅｍａｉｎａｐｐｒｏａｃｈｉｓｔｏｅｘｔｅｎｄｔｈｅｄｗｅｌｌｔｉｍｅｏｆｆｉｒｓｔａｒｒｉｖｉｎｇｖｅｈｉｃｌｅｓａｔｔｈｅｔｒａｎｓｆｅｒｓｔａｔｉｏｎ，ｓｏｔｈａｔｆｉｒｓｔａｒｒｉｖｉｎｇｖｅｈｉｃｌｅｓｃａｎｗａｉｔｆｏｒｖｅｈｉｃｌｅｓｗｉｔｈｔｒａｎｓｆｅｒｒｅｌａｔｉｏｎｓｈｉｐｓａｔｔｈｅｔｒａｎｓｆｅｒｓｔａｔｉｏｎ．Ｔｈｉｓｍａｋｅｓｉｔｐｏｓｓｉｂｌｅｆｏｒｎｏｎ－ｓｉｍｕｌｔａｎｅｏｕｓｌｙａｒｒｉｖｉｎｇｖｅｈｉｃｌｅｓｔｏｅｎａｂｌｅｍｕｌｔｉ－ｌｉｎｅｐａｓｓｅｎｇｅｒｓｔｏｔｒａｎｓｆｅｒ．Ｆｉｒｓｔｌｙ，ｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｇｏａｌｉｓｔｏｍｉｎｉｍｉｚｅｔｈｅａｖｅｒａｇｅｔｒａｖｅｌｔｉｍｅｏｆｐａｓｓｅｎｇｅｒｓ．Ｃｏｎｓｉｄｅｒｉｎｇｔｈｅｃｏｎｓｔｒａｉｎｔｓｏｆｄｅｐａｒｔｕｒｅｉｎｔｅｒｖａｌｓａｎｄｄｗｅｌｌｔｉｍｅ，ａｎｏｎｌｉｎｅａｒｐｒｏｇｒａｍｍｉｎｇｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｄｅｐａｒｔｕｒｅｆｒｅｑｕｅｎｃｙｏｆｍｕｌｔｉ－ｌｉｎｅｂｕｓｅｓａｎｄｔｈｅｓｔｏｐｔｉｍｅａｔｔｒａｎｓｆｅｒｓｔａｔｉｏｎｓ．Ｓｅｃｏｎｄｌｙ，ａｓｔｅｐ－ｂｙ－ｓｔｅｐｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｄｅｓｉｇｎｅｄ．Ｗｈｅｎｔｈｅｃｏｍｂｉｎａｔｉｏｎｓｏｆｄｅｐａｒｔｕｒｅｉｎｔｅｒｖａｌｓａｒｅｄｉｆｆｅｒｅｎｔ，ｔｈｅｆｅａｓｉｂｌｅｓｏｌｕｔｉｏｎｓｔｒｕｃｔｕｒｅｓａｒｅｉｎｃｏｎｓｉｓｔｅｎｔ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｆｅａｓｉｂｌｅｓｏｌｕｔｉｏｎｓｅｔｉｓｆｉｒｓｔｌｙｇｅｎｅｒａｔｅｄｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｏｆｓａｔｉｓｆｙｉｎｇｔｈｅｃｏｎｓｔｒａｉｎｔｓ．Ｔｈｅｎ，ｂａｓｅｄｏｎｔｈｅｄｉｆｆｅｒｅｎｔｃｏｍｂｉｎａｔｉｏｎｓｏｆｄｅｐａｒｔｕｒｅｉｎｔｅｒｖａｌｓ，ｔｈｅｓｏｌｕｔｉｏｎｓｅｔｉｓｄｉｖｉｄｅｄｉｎｔｏｍｕｌｔｉｐｌｅｓｕｂｓｅｔｓ．Ａｎｄｎｅｉｇｈｂｏｒｈｏｏｄｓｅａｒｃｈａｌｇｏｒｉｔｈｍｓａｒｅｕｓｅｄｔｏｓｅａｒｃｈｅａｃｈｓｕｂｓｅｔｓｅｐａｒａｔｅｌｙｔｏａｖｏｉｄｒｅｐｅａｔｅｄｊｕｄｇｍｅｎｔｓｏｎｔｈｅｆｅａｓｉｂｌｅｓｏｌｕｔｉｏｎｓｔｒｕｃｔｕｒｅｄｕｒｉｎｇｔｈｅｓｅａｒｃｈｐｒｏｃｅｓｓ．Ｆｉｎａｌｌｙ，ｔｈｅｖａｌｉｄｉｔｙｏｆｔｈｅｍｏｄｅｌａｎｄａｌｇｏｒｉｔｈｍｉｓｖｅｒｉｆｉｅｄｂａｓｅｄｏｎａｎｕｍｅｒｉｃａｌｅｘａｍｐｌｅ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｃｏｎｖｅｎｔｉｏｎａｌｓｃｈｅｄｕｌｉｎｇｓｔｒａｔｅｇｙ，ｔｈｅｓｃｈｅｄｕｌｉｎｇｓｔｒａｔｅｇｙｐｒｏｐｏｓｅｄｉｎｔｈｉｓｓｔｕｄｙｃａｎｒｅｄｕｃｅｔｈｅａｖｅｒａｇｅｔｒａｖｅｌｔｉｍｅｏｆｐａｓｓｅｎｇｅｒｓｂｙ１１．２３％．Ｋｅｙｗｏｒｄｓ：ｕｒｂａｎｔｒａｆｆｉｃ；ｍｕｌｔｉ－ｌｉｎｅｓｃｈｅｄｕｌｉｎｇ；ｄｗｅｌｌｔｉｍｅｃｏｎｔｒｏｌ；ｓｔｅｐ－ｂｙ－ｓｔｅｐｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ基金项目：上海市科技创新行动计划项目（２３６９２１１２２００）；上海市浦江人才计划（２１ＰＪＣ０８５）；上海市曙光计划（２２ＳＧ４５）㊂作者简介：赵新标（１９９９－），男，硕士研究生，主要研究方向：公交运营调度；夏晓梅（１９７６－），女，讲师，硕士生导师，主要研究方向：交通运输规划与管理；项俊平（１９８２－），男，博士，研究员，主要研究方向：模式识别㊁智能交通系统；赵㊀靖（１９８３－），男，博士，教授，博士生导师，主要研究方向：交通系统设计㊁交通控制与管理㊁公共交通㊂通讯作者：刘心雨（１９９５－），女，博士，讲师，主要研究方向：公交运营控制研究㊂Ｅｍａｉｌ：ｌｉｕｘｉｎｙｕ＠ｕｓｓｔ．ｅｄｕ．ｃｎ收稿日期：２０２３－０２－２８０㊀引㊀言随着城市交通的不断发展，出行需求和公交方式逐渐多样化，使得公交网络呈现多模式层级化结构㊂然而，在多线路公交运行过程中，当在同一站点的不同线路之间相互换乘的需求都较大时，常规调度策略难以同时满足该站点所有线路的乘客换乘需求，从而导致乘客换乘候车时间长，公交服务水平低，最终造成公交分担率下降的现象㊂因此，高效合理的多线路协调调度策略是提高公交服务水平的必要条件㊂公交多线路协同调度问题一直是交通领域的一个研究热点，国内外许多学者都进行了深入的探讨与研究㊂国外学者对此研究相对较早，２０１２年Ｉｂａｒｒａ－Ｒｏｊａｓ等学者［１］提出了一个重要的观点，研究认为２辆公交车行程到达换乘点时间的差值在给定时间窗口内，则即可认为这２个行程是同步的㊂自此以后，关于最大化多线路换乘同步次数的研究多是基于此观点，并在此基础上不断创新㊂２０１６年，Ｗｕ等学者［２］认为对现有发车时刻表进行较大的修改，不仅破坏乘客习惯的出行计划，还导致后续调度任务的大量重新计算㊂因此，提出一种多目标方法，允许决策者考虑在每个特定的时刻表同步水平上可以接受的与现有线路发车时间的偏差㊂２０２２年，Ｒｅｎｚｏ等学者［３］用ＶｉｒｔｕａｌＳａｖａｎｔ新型软计算方法，将机器学习和优化相结合，解决了最大化公交同步次数的问题㊂研究还将节点不仅仅考虑为固定的公交车站，而是整个换乘区㊂２０２３年，Ａｎｓａｒｉｌａｒｉ等学者［４］将公交容量约束纳入换乘时间优化模型，获得更现实的解决方案㊂国内学者同样对此展开了深入研究，在２００３年邹迎等学者［５］已经分析了单线调度模式存在的弊端，提出多线路运营组织与调度的基本设想，并深入探讨了区域调度应用的可行性及具体实施框架㊂随后，２００７年石琴［６］及２０１４年黄义［７］等以最大化不同公交线路车辆在换乘站点的总相遇次数为目标，从而实现线路间乘客的同步换乘㊂直至２０１６年，杨信丰等学者［８］同样提出在公交调度过程中很难做到有换乘关系的车辆同时到达换乘站点，而乘客在一个允许的时间区间内实现换乘与实际更相符㊂２０１８年，洪豆［９］对公交共线路段上的运力资源配置问题展开了研究，提出考虑共线路段的公交调度模型更具实用价值㊂２０２０年，高姝敏［１０］着重考虑了车辆容量限制，并对因容量限制而未能上车的乘客进行分析，分情况讨论滞站乘客类型及其额外候车时间㊂２０２０年，赵靖等学者［１１］将需求响应型公交行车调度运用至社区公交中，提出一种新的响应型社区公交，统筹考虑需求起讫点㊁需求等级㊁动态需求，有效减少了乘客的等待时间以及步行距离㊂２０２２年，韩印等学者［１２］将快速公交车辆调度与沿线交叉口信号配时进行了协同优化，并基于客流时空分布不均衡的特征，综合考虑了全程车㊁大站快车㊁区间车等多种调度模式㊂２０２３年，赵靖等学者［１３］利用车牌识别数据，根据不同流向，提取了不受信号延误影响的车辆路段行程时间分布，并在此基础上，建立了考虑行程时间波动的干线信号协调控制鲁棒优化模型，有效提高了绿波带宽㊂目前，在最大化公交多线路同步次数方面具有较为丰硕的成果，但若是仅关注公交多线路同步次数，确实可以提高乘客换乘效率，缩短乘客换乘时间，却也忽略了无需换乘的乘客的出行需求，公交多线路同步次数的增加，并不意味着乘客平均行程时间会减少㊂此外，面对多线路互相换乘的需求较大的情况，现有学者所提出的多线路同步方法，即促使两辆公交车到达换乘点时间的差值在给定时间窗口内，是无法满足多线路乘客相互换乘的需求的㊂原因在于一旦２条线路的公交车离开换乘站点存在先后顺序，就仅有先到站的公交车辆上的乘客可以换乘成功，而后到站的公交车辆上的乘客则需等待换乘目标线路的下一辆车辆㊂因此，基于上述问题，本研究以乘客平均行程时间最小为目标，考虑发车间隔与驻站时间的限制，对车辆的发车间隔以及在换乘站点的驻站时间进行优化，延长先到站车辆在换乘站点的驻站时间，促使先到站车辆可在换乘站点等待有换乘关系车辆，使得两辆非同时到达换乘站点的公交车依然可以同时离开站点，实现多线路乘客相互换乘㊂１㊀模型建立１．１㊀模型构建本研究旨在对公交的发车间隔以及在换乘站点的驻站时间进行优化，提高换乘效率，缩短乘客出行时间，因此以乘客平均行程时间最小为优化目标，包括候车时间和车内时间，如式（１）所示：ｍｉｎＴ＝（Ｔ１＋Ｔ２＋Ｔ（ｂ））／Ｐ（１）㊀㊀其中，Ｔ１表示无需换乘的乘客候车时间，当乘客均匀到达时，候车时间为候车乘客数与车头时距的一半的乘积，如式（２）所示：Ｔ１＝ðＩｉ＝１ðＪｉｊ＝１ðＫｉｋ＝１β１，ｋｂｉ，ｊ，ｋＨｉ，ｊ，ｋ２（２）㊀㊀其中，Ｔ２表示需要换乘的乘客的候车时间，主要包括２个部分，即第一次候车时间以及换乘候车时间，在第一次候车时，乘客为均匀到达，因此计算方式与无需换乘的乘客一致㊂而在换乘候车时，乘客同时到达换乘站点，计算方式为换乘乘客数与车头时距的乘积，如式（３）所示：Ｔ２＝ðＩｉ＝１ðＪｉｊ＝１ðＫｉｋ＝１β２，ｋｂｉ，ｊ，ｋＨｉ，ｊ，ｋ２＋β２，ｋｂｉ，ｊ，ｋＨ（ｔｒ）ｉ，ｊ，Ｋ（ｔｒ）æèçöø÷（３）３０２第１１期赵新标，等：公交停靠站多线路换乘协同调度式（１）中，Ｔ（ｂ）表示车内时间，计算方式为车辆从站点ｋ－１至站点ｋ时，在车乘客数与站点ｋ－１至站点ｋ之间的车辆行程时间的乘积，如式（４）所示：Ｔ（ｂ）＝ðＩｉ＝１ðＪｉｊ＝１ðＫｉｋ＝１Ｚｉ，ｊ，ｋ（Ｔｉ，ｊ，ｋ－Ｔｉ，ｊ，ｋ－１）（４）㊀㊀Ｐ表示研究时段内公交车运送乘客总数，即所有上车的乘客数，如式（５）所示：Ｐ＝ðＩｉ＝１ðＪｉｊ＝１ðＫｉｋ＝１ｂｉ，ｊ，ｋ（５）㊀㊀式（１） 式（５）中，ｉ为公交线路编号；ｊ为公交班次编号；ｋ为公交站点编号；Ｋ（ｔｒ）为换乘站点编号；β１，ｋ为站点ｋ无需换乘乘客占所有乘客的比例；β２，ｋ为站点ｋ需要换乘乘客占所有乘客的比例；ｂｉ，ｊ，ｋ为线路ｉ班次ｊ在站点ｋ的上车乘客数；Ｈｉ，ｊ，ｋ为线路ｉ在站点ｋ班次ｊ－１与班次ｊ的车头时距；Ｈ（ｔｒ）ｉ，ｊ，Ｋ（ｔｒ）为线路ｉ在换乘站点Ｋ（ｔｒ）班次ｊ与最近的上一班换乘线路ｉᶄ班次ｊᶄ的车头时距；Ｚｉ，ｊ，ｋ为线路ｉ班次ｊ到达站点ｋ时的车厢总人数；Ｔｉ，ｊ，ｋ为线路ｉ班次ｊ到达站点ｋ的时间，当ｋ＝０时，Ｔｉ，ｊ，０＝０㊂目标函数计算的关键是确定公交运行过程中车辆和乘客状态，即每个班次车辆到达各站点的时刻及驻站时间，其中驻站时间与站点上下车乘客数量相关㊂１．１．１㊀公交车辆状态的确认对于非换乘站的车头时距，即为同一线路中前一个班次ｊ－１与当前班次ｊ到达站点的时间差，如式（６）所示：Ｈｉ，ｊ，ｋ＝Ｔｉ，ｊ，ｋ－Ｔｉ，ｊ－１，ｋ（６）㊀㊀而换乘站的车头时距为线路ｉ班次ｊ与目标换乘线路ｉᶄ班次ｊᶄ的时间差，如式（７）所示：Ｈ（ｔｒ）ｉ，ｊ，Ｋ（ｔｒ）＝Ｔｉ，ｊ，Ｋ（ｔｒ）－Ｔｉᶄ，ｊᶄ，Ｋ（ｔｒ）（７）㊀㊀其中，Ｔｉ，ｊ，ｋ为线路ｉ班次ｊ到达站点ｋ的时间㊂公交到达每个站点的时刻都可由其到达前一个站点的时刻递推得到，即公交到达上一站的时间与在上一站的驻站时间以及在站点间的行程时间的加和，如式（８）所示：Ｔｉ，ｊ，ｋ＝Ｔｉ，ｊ，ｋ－１＋ｓｉ，ｊ，ｋ－１＋ｄｉ，ｋｖ（８）㊀㊀其中，ｓｉ，ｊ，ｋ－１为线路ｉ班次ｊ在站点ｋ－１的驻站时间；ｄｉ，ｋ为线路ｉ中站点ｋ与上一站ｋ－１的站间距单位为ｍ；ｖ为设计车速单位为ｍ／ｓ㊂这里，公交站间行程时间由站间距离与设计车速的比值得到㊂当ｋ＝１时，公交车在站点１的离站时刻由各线路第一班公交车的发车时刻与发车间隔的累加和组成，如式（９）所示：Ｔｉ，ｊ，１＝Ｆｉ，１＋ðｊ－１ｊᶄ＝０ｈｉ，ｊᶄ（９）㊀㊀其中，Ｆｉ，１为线路ｉ第１个班次的发车时间；ｈｉ，ｊ为线路ｉ班次ｊ与班次ｊ－１的发车间隔㊂公交在站点的驻站时间与上下车乘客数量有关，可由式（１０）计算：ｓｉ．ｊ，ｋ＝ｍａｘ（ｂｉ，ｊ，ｋｄｐｂ，ａｉ，ｊ，ｋｄｐａ）＋ψ，㊀㊀ｋʂＫ（ｔｒ）ｍａｘ（ｂｉ，ｊ，ｋｄｐｂ，ａｉ，ｊ，ｋｄｐａ）＋ψ＋αｉ，ｊＨ（ｔｒ）ｉ，ｊ，Ｋ（ｔｒ），ｋ＝Ｋ（ｔｒ）{（１０）其中，ｂｉ，ｊ，ｋ为线路ｉ班次ｊ在站点ｋ的上客数，单位为ｐｅｒ；ｄｐｂ为乘客平均上车时长，单位为ｓ；ａｉ，ｊ，ｋ为线路ｉ班次ｊ在站点ｋ的下客数，单位为ｐｅｒ；ｄｐａ为乘客平均下车时长，单位为ｓ；ψ为车辆进站减速和出站加速所花费的时间，单位为ｓ；αｉ，ｊ为０－１变量；Ｈ（ｔｒ）ｉ，ｊ，Ｋ（ｔｒ）为线路ｉ班次ｊ在换乘站Ｋ（ｔｒ）与目标换乘线路ｉᶄ班次ｊᶄ的时间差，单位为ｓ㊂研究中，在换乘站时，对公交驻站时间进行控制，使得其可在站点等待目标换乘车辆到站㊂１．１．２㊀乘客状态的确定公交车到达站点ｋ时的车厢总人数为第１站至第ｋ－１站所有站点上车人数与下车人数之差的累加和，如式（１１）所示：Ｚｉ，ｊ，ｋ＝ðｋ－１ｋᶄ＝１（ｂｉ，ｊ，ｋᶄ－ａｉ，ｊ，ｋᶄ）（１１）㊀㊀其中，ｂｉ，ｊ，ｋ为线路ｉ班次ｊ在站点ｋ的上客数，单位为ｐｅｒ；ａｉ，ｊ，ｋ为线路ｉ班次ｊ在站点ｋ的下客数，单位为ｐｅｒ㊂研究假设乘客到达率已知，且乘客是均匀到达的，对于从ｋ站上车的乘客数量可由式（１２）计算：ｂｉ，ｊ，ｋ＝ðＫｉｋᶄ＝ｋ＋１λｉ，ｋｋᶄＨｉ，ｊ，ｋ（１２）㊀㊀按先到先服务原则，将上车乘客的最晚到达时刻设为车辆到站时刻㊂对于下车的乘客数量可由式（１３）计算，即线路ｉ班次ｊ中从第１站至第ｋ－１站所有到达站点ｋ的乘客数：ａｉ，ｊ，ｋ＝ðｋ－１ｋᶄ＝１λｉ，ｋᶄｋＨｉ，ｊ，ｋᶄ（１３）㊀㊀式（１２） （１３）中，λｉ，ｋｋᶄ为线路ｉ从站点ｋ至站点ｋᶄ的乘客到达率；Ｈｉ，ｊ，ｋ为线路ｉ在站点ｋ班次ｊ－１与班次ｊ的车头时距㊂１．２　约束条件研究中考虑到车上其他乘客的出行时间，因此先到站车辆在换乘站等待目标线路车辆的时间不可４０２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀超过３ｍｉｎ，如式（１４）所示：０ɤＨ（ｔｒ）ｉ，ｊ，Ｋ（ｔｒ）ɤ３（１４）㊀㊀此外，由于公交运营成本和运营车辆数的限制，公交发车间隔也应受到最小间隔与最大间隔约束，如式（１５）所示：ｈｉ，ｍｉｎ＜ｈｉ＜ｈｉ，ｍａｘ（１５）㊀㊀其中，ｈｉ，ｍｉｎ为线路ｉ的最小发车间隔；ｈｉ，ｍａｘ为线路ｉ的最大发车间隔㊂２㊀求解算法２．１㊀优化思想考虑到多线路不同发车间隔组合下，可满足式（１４）的班次ｊ也不同，若单纯地采用遗传算法等经典启发式算法进行运算，则在运算过程中极易生成不可行解，使得运算效率较低㊂本研究从约束条件出发，设计分步优化算法，首先生成可行解集，再依据发车间隔组合的不同，将解集分成多个子集，运用邻域搜索法对每个子集进行搜索，最后筛选出最优解㊂算法的主要内容为，首先，在不同的发车间隔组合下，生成各自线路中满足式（１４）约束的班次ｊ集合Ｊ（ｈ１，ｈ２）ｉ，一个发车间隔组合下的所有可行解即构成一个子集；其次，采用实数编码的方式，针对所有的发车间隔组合，从其对应的子集Ｊ（ｈ１，ｈ２）ｉ中各自随机选取一个可行解；随后，以此可行解作为邻域搜索的初始位置，并基于轮盘赌策略对相应的子集进行搜索；重复多次，直至满足最大迭代要求，并筛选出最优解㊂本研究所提出的算法具有以下特色：（１）基于约束确定可行解集，避免生成初始解时，出现不可行解，提高初始解集的质量；（２）在发车间隔组合不变的条件下，进行邻域搜索操作，避免在搜索过程中对可行解结构进行重复判断，提高搜索效率㊂２．２㊀算法详细过程算法主要流程图如图１所示㊂Ｓｔｅｐ１㊀设置参数㊂设置种群数量㊁最大迭代次数㊁收敛标准等参数㊂Ｓｔｅｐ２㊀确定可行解集Ｊ（ｈ１，ｈ２）ｉ㊂２条不同的公交线路各取一个发车间隔ｈ（ｒｉ）１㊁ｈ（ｒｉ）２（ｒｉɪ１，ｈｉ，ｍａｘ－ｈｉ，ｍｉｎ()），组成发车间隔组合ｈ（ｒｉ）１，ｈ（ｒｉ）２[]，将ｈ（ｒｉ）１，ｈ（ｒｉ）２[]输入至模型中，计算２条线路中满足式（１４）约束的班次ｊ，并加入各自的可行解集Ｊ（ｈ１，ｈ２）１㊁Ｊ（ｈ１，ｈ２）２中，重复选择多个发车间隔，生成各自对应的可行解集Ｊ（ｈ１，ｈ２）ｉ㊂Ｓｔｅｐ３㊀编码并生成初始种群㊂采用实数编码的方式，且染色体由发车间隔与可控制班次组成，如图２所示㊂改变发车间隔组合Ｍ次，每次均随机生成一个初始可行解㊂编码并生成初始种群邻域搜索开始设置参数确定可行解集是否达到最大收敛标准结束输出最优结果YN图１㊀算法流程图Ｆｉｇ．１㊀Ｆｌｏｗｃｈａｒｔｏｆｔｈｅａｌｇｏｒｉｔｈｍh1h2(r)(r)101234线路1班次线路2班次1234J-1J1J2-1J21010图２㊀编码方式Ｆｉｇ．２㊀Ｅｎｃｏｄｉｎｇ㊀㊀Ｓｔｅｐ４㊀邻域搜索㊂取目标函数值的倒数为适应度评价函数，保留每个子集中适应度函数值最高的解，并作为邻域搜索时的初始位置，计算其邻域所有解的适应度值与当前位置适应度值的差值，基于轮盘赌策略确定下一次迭代搜索方向㊂Ｓｔｅｐ５㊀重复以上操作，重复更新所有子集，直至满足最大迭代要求或收敛标准㊂３㊀案例分析下文通过一个案例，将本文所提出的公交车辆驻站时间协同控制策略与无控制策略进行对比，验证模型效益㊂考虑２条公交线路，线路１单向设置１３个站点，线路２单向设置１５个站点，２条线路的换乘站点分别为线路１的第５站以及线路２的第７站，如图３所示㊂站点间距分别见表１㊁表２，研究时段取１ｈ，各站点乘客均匀到达，乘客ＯＤ分布见表３㊁表４，其他参数设置见表５㊂５０２第１１期赵新标，等：公交停靠站多线路换乘协同调度1234510968765(7)431298101112131415线路2上行线路1上行公交站点公交首末站点北图３㊀公交站点位置图Ｆｉｇ．３㊀Ｂｕｓｓｔｏｐｌｏｃａｔｉｏｎ表１㊀线路１站点间距Ｔａｂ．１㊀Ｄｉｓｔａｎｃｅｂｅｔｗｅｅｎｓｔａｔｉｏｎｓｏｆｌｉｎｅ１站点１２３４５６７距下一站距离１０００７００１０００１２００１１００１０００１０００站点８９１０１１１２距下一站距离８００１１００３８００３８００４３００表２㊀线路２站点间距Ｔａｂ．２㊀Ｄｉｓｔａｎｃｅｂｅｔｗｅｅｎｓｔａｔｉｏｎｓｏｆｌｉｎｅ２站点１２３４５６７距下一站距离１０００１１００１０００１２００１１００１０００１０００站点８９１０１１１２１３１４距下一站距离１５００８００１１００８００７００８００１０００表３㊀线路１乘客ＯＤ分布矩阵Ｔａｂ．３㊀ＯＤｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌｉｎｅ１ＯＤ１２３４５６７８９１０１１１２１３８９１０１１１２１３１４１５合计１０２０５７１４０４１４１６２１３８６４１６２１４３２７４２０００３５０２１１０１０１９０２１１０１０１９５６３０００１１００００１２０１０００００１２０１０２８４００００４０１０４３１０２２０１０４３４０２２６９５０００００１２７１０６１７９００００００００９７６０００００００００００１３１００００００００３２７００００００００５４４２７０００００００００８５８００００００００００００１５００００００００１５９０００００００００３１０１３７００００００００５１１０００００００００００８１４４００００００００５３１１０００００００００００２４２００００００００４４｀１２００００００００００００１０００００００００１０１３００００００００００００００００００００００合计０２０９１７２９８１５１２３６９４４１１６９１１８２３２１９４８１４表４㊀线路２乘客ＯＤ分布矩阵Ｔａｂ．４㊀ＯＤｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌｉｎｅ２ＯＤ１２３４５６７８９１０１１１２１３１４１５６７８９１０１１１２１３合计１０２０００８４２３１４２３１３８１２０５４１４１３４１６５２００００１０１１４３６０１１７１１１０１０１００２５７３３０００４０１６６１６１５１５６７４１２５１７４０１０１１３１９４０００００２２０４００００１７２１１８０００２１５１１７５００００００３１１０１０１０４２３００１７１００３９１０９６０００００００１７５２９００１９５１０６８０００２４９６７００００００００４２１１０１４４００００００００５３８０００００００００１００００５００００００００６９０００００００００３４０２１２９００００００００３９１０００００００００００１１００８００００００００１０１１０００００００００００００４５７００００００００６１１２００００００００００００９５１４００００００００２８１３０００００００００００００３２３００００００００２６１４００００００００００００００３８００００００００３８１５００００００００００００００００００００００００合计０２０４１２６１６６２９１６２４１４２１２３４０５２３１６１２３４３３５３１４８１１４０６０２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀表５㊀参数设置表Ｔａｂ．５㊀Ｐａｒａｍｅｔｅｒｓｅｔｔｉｎｇｔａｂｌｅ符号意义取值ｄｐａ每个乘客上车平均所需时长／ｓ３ｄｐｂ每个乘客下车平均所需时长／ｓ３ｖ公交在站点间的行驶车速／（ｍ㊃ｓ－１）１０ψ车辆进站减速和出站加速所花费的时间／ｓ４０ｈ１，ｍｉｎ线路１最小发车间隔／ｓ５ｈ１，ｍａｘ线路１最大发车间隔／ｓ１５ｈ２，ｍｉｎ线路２最小发车间隔／ｓ８ｈ２，ｍａｘ线路２最大发车间隔／ｓ１５㊀㊀运用本研究所提出的算法对模型进行计算，由于线路１发车间隔为５ １５ｍｉｎ，线路２的发车间隔为８ １５ｍｉｎ，故所有的发车间隔组合为８８种㊂在ＩｎｔｅｌＣｏｒｅｉ３－１２１００ＣＰＵ（２．４ＧＨｚ）配置的个人计算机中，算法可以在２ｍｉｎ内收敛，调度策略如图４所示，计算结果见表６，最终平均乘客行程时间为２１．２６ｍｉｎ，在同发车间隔组合下，比常规调度策略减少乘客平均行程时间１２．９６％；在不同发车间隔组合下，比常规调度最优发车间隔减少乘客平均行程时间１１．２３％㊂600000100109000000123456线路2班次驻站策略线路1发车间隔线路2发车间隔线路1班次驻站策略12345678910图４㊀发车间隔及驻站时间控制策略Ｆｉｇ．４㊀Ｃｏｎｔｒｏｌｓｔｒａｔｅｇｙｆｏｒｄｅｐａｒｔｕｒｅｉｎｔｅｒｖａｌａｎｄｄｗｅｌｌｔｉｍｅ表６㊀结果对比表Ｔａｂ．６㊀Ｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｔａｂｌｅ调度策略发车间隔（线路１，线路２）乘客平均行程时间／ｍｉｎ常规（６，９）２４．４３驻站时间控制（６，９）２１．２６常规（５，８）２３．９５４㊀结束语本文建立了多线路公交协调调度模型，并设计了一种优化算法，对公交车辆在换乘站点的驻站时间进行控制㊂在多线路公交协调调度优化模型中，在已知乘客ＯＤ的条件下，对发车间隔以及车辆在换乘站点的驻站时间进行优化㊂最终通过算例验证了模型与优化算法的有效性㊂通过分析，可以得出以下结论：（１）本文所提出的多线路公交协调调度策略较常规策略可以减少乘客平均行程时间，提高公交服务水平㊂（２）通过对发车间隔以及公交车辆在换乘站点的驻站时间进行优化，可以使得多线路乘客实现相互换乘，提高公交换乘效率㊂参考文献［１］ＩＢＡＲＲＡ－ＲＯＪＡＳＯＪ，ＲＩＯＳ－ＳＯＬＩＳＹＡ．Ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎｏｆｂｕｓｔｉｍｅｔａｂｌｉｎｇ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＢ，２０１２，４６（５）：５９９－６１４．［２］ＷＵＹｉｎｇｈｕｉ，ＹＡＮＧＨａｉ，ＴＡＮＧＪｉａｆｕ，ｅｔａｌ．Ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｒｅ－ｓｙｎｃｈｒｏｎｉｚｉｎｇｏｆｂｕｓｔｉｍｅｔａｂｌｅ：Ｍｏｄｅｌ，ｃｏｍｐｌｅｘｉｔｙａｎｄｓｏｌｕｔｉｏｎ［Ｊ］．ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔＣ，２０１６，６７：１４９－１６８．［３］ＲＥＮＺＯＭ，ＳＥＲＧＩＯＮ，ＪＯＮＡＴＨＡＮＭ，ｅｔａｌ．Ｌｅａｒｎｉｎｇｔｏｏｐｔｉｍｉｚｅｔｉｍｅｔａｂｌｅｓｆｏｒｅｆｆｉｃｉｅｎｔｔｒａｎｓｆｅｒｓｉｎｐｕｂｌｉｃｔｒａｎｓｐｏｒｔａｔｉｏｎｓｙｓｔｅｍｓ［Ｊ］．ＡｐｐｌｉｅｄＳｏｆｔＣｏｍｐｕｔｉｎｇＪｏｕｒｎａｌ，２０２２，１１９：１１９．［４］ＡＮＳＡＲＩＬＡＲＩＺ，ＮＥＳＨＥＬＩＭＭ，ＢＯＤＵＲＭ，ｅｔａｌ．Ｔｒａｎｓｆｅｒｔｉｍｅｏｐｔｉｍｉｓａｔｉｏｎｉｎｐｕｂｌｉｃｔｒａｎｓｉｔｎｅｔｗｏｒｋｓ：ａｓｓｅｓｓｍｅｎｔｏｆａｌｔｅｒｎａｔｉｖｅｍｏｄｅｌｓ［Ｊ］．ＴｒａｎｓｐｏｒｔｍｅｔｒｉｃａＡ：ＴｒａｎｓｐｏｒｔＳｃｉｅｎｃｅ，２０２３，１９（３）：２０５６６５５．［５］邹迎，李建国，杨忠伟．北京公交区域运营组织与调度系统初探［Ｊ］．城市公共交通，２００３（３）：１５－１８．［６］石琴，覃运梅，黄志鹏．公交区域调度的最大同步换乘模型［Ｊ］．中国公路学报，２００７（６）：９０－９４．［７］黄义．考虑站点重要度的区域公交发车时刻表模型研究［Ｄ］．成都：西南交通大学，２０１４．［８］杨信丰，李引珍，何瑞春．多目标公交同步换乘协同调度优化及决策［Ｊ］．系统工程，２０１６，３４（３）：１１１－１１６．［９］洪豆．考虑公交线路重复路段的车辆配置协同优化研究［Ｄ］．重庆：重庆交通大学，２０１８．［１０］高姝敏．考虑多线路间换乘选择的常规公交时刻表协调优化研究［Ｄ］．长春：吉林大学，２０２０．［１１］赵靖，葛庆红，韩印．考虑需求起讫点及需求等级的响应型社区公交行车调度优化［Ｊ］．公路交通科技，２０２０，３７（６）：１２８－１３７．［１２］韩印，唐煜，赵靖，等．快速公交多模式调度与沿线信号控制协同优化［Ｊ］．铁道科学与工程学报，２０２２，１９（９）：２５７４－２５８２．［１３］赵靖，徐竞琪，严佳超，等．考虑行程时间波动的干线信号协调控制鲁棒优化模型［Ｊ］．铁道科学与工程学报，２０２３，２０（４）：１２６１－１２６９．７０２第１１期赵新标，等：公交停靠站多线路换乘协同调度。