افزودن خطوط جدید بر اساس شبکه حمل و نقل عمومی موجود، راه مهمی برای بهبود شبکه های عملیاتی حمل و نقل عمومی و کیفیت خدمات حمل و نقل عمومی شهری است. با هدف این مشکل که مسیرهای موجود به ندرت در تحقیقات قبلی در مورد برنامه ریزی شبکه حمل و نقل عمومی در نظر گرفته می شوند، یک روش بهینه سازی شبکه حمل و نقل عمومی مبتنی بر الگوریتم بهینه سازی کلونی مورچه ها (ACO) همراه با مسیرهای موجود پیشنهاد شده است. ابتدا، شبکه جاده‌ای واقعی و خطوط اتوبوس موجود با ساختار داده‌های نموداری انتزاع شدند و ادغام با داده‌های جریان مسافر مبدا-مقصد تکمیل شد. دوم، با توجه به الگوریتم ACO، همراه با محدودیت‌های ساختار خط موجود و قوانین انتقال مورچه در گره‌های مجاور، برنامه‌ریزی خط اتوبوس جدید محقق شد. سرانجام، با توجه به تغییر جریان مستقیم مسافر در کل شبکه، طرح بهینه سازی شبکه اتوبوس خط بهینه تعیین شد. در فرآیند محاسبه انتقال گره، الگوریتم استراتژی Softmax را برای تحقق تنوع مسیر و افزایش دامنه جستجوی مسیر اتخاذ می‌کند، در حالی که از همگرایی زودرس و بهینه‌سازی محلی جلوگیری می‌کند. علاوه بر این، استراتژی مورچه نخبه، آزادسازی فرمون را در مسیر بهینه فعلی افزایش می‌دهد و همگرایی الگوریتم را تسریع می‌کند. بر اساس شبکه جاده‌ای موجود و خطوط اتوبوس، الگوریتم برنامه‌ریزی خط جدیدی را انجام می‌دهد که عقلانیت و امکان‌سنجی عملی ساختار جدید اتوبوس را افزایش می‌دهد. در فرآیند محاسبه انتقال گره، الگوریتم استراتژی Softmax را برای تحقق تنوع مسیر و افزایش دامنه جستجوی مسیر اتخاذ می‌کند، در حالی که از همگرایی زودرس و بهینه‌سازی محلی جلوگیری می‌کند. علاوه بر این، استراتژی مورچه نخبه، آزادسازی فرمون را در مسیر بهینه فعلی افزایش می‌دهد و همگرایی الگوریتم را تسریع می‌کند. بر اساس شبکه جاده‌ای موجود و خطوط اتوبوس، الگوریتم برنامه‌ریزی خط جدیدی را انجام می‌دهد که عقلانیت و امکان‌سنجی عملی ساختار جدید اتوبوس را افزایش می‌دهد. در فرآیند محاسبه انتقال گره، الگوریتم استراتژی Softmax را برای تحقق تنوع مسیر و افزایش دامنه جستجوی مسیر اتخاذ می‌کند، در حالی که از همگرایی زودرس و بهینه‌سازی محلی جلوگیری می‌کند. علاوه بر این، استراتژی مورچه نخبه، آزادسازی فرمون را در مسیر بهینه فعلی افزایش می‌دهد و همگرایی الگوریتم را تسریع می‌کند. بر اساس شبکه جاده‌ای موجود و خطوط اتوبوس، الگوریتم برنامه‌ریزی خط جدیدی را انجام می‌دهد که عقلانیت و امکان‌سنجی عملی ساختار جدید اتوبوس را افزایش می‌دهد. استراتژی مورچه نخبه، آزادسازی فرمون را در مسیر بهینه فعلی افزایش می دهد و همگرایی الگوریتم را تسریع می بخشد. بر اساس شبکه جاده‌ای موجود و خطوط اتوبوس، الگوریتم برنامه‌ریزی خط جدیدی را انجام می‌دهد که عقلانیت و امکان‌سنجی عملی ساختار جدید اتوبوس را افزایش می‌دهد. استراتژی مورچه نخبه، آزادسازی فرمون را در مسیر بهینه فعلی افزایش می دهد و همگرایی الگوریتم را تسریع می بخشد. بر اساس شبکه جاده‌ای موجود و خطوط اتوبوس، الگوریتم برنامه‌ریزی خط جدیدی را انجام می‌دهد که عقلانیت و امکان‌سنجی عملی ساختار جدید اتوبوس را افزایش می‌دهد.
کلید واژه ها:
الگوریتم بهینه سازی کلونی مورچه ها ; شبکه حمل و نقل عمومی ؛ برنامه ریزی شبکه راه ; جریان OD
1. مقدمه
سیستم حمل و نقل عمومی شکل مهمی از ارتباط بین مناطق مختلف عملکردی یک شهر است. طرح و برنامه ریزی شبکه آن باید به موقع قانون وقوع و توزیع جریان مسافر را در مرحله فعلی توسعه شهری ردیابی و منعکس کند. بر اساس یک بررسی جریان مسافر، شبکه خط بهینه شده است تا توزیع ظرفیت شبکه خط را با جریان واقعی مسافر مطابقت دهد، به طوری که سفر ساکنان را تسهیل کند و مزایای عملیات شرکت های حمل و نقل عمومی را در نظر بگیرد [ 1 ، 2 ]]. با تغییرات مستمر محیط خارجی مانند گسترش شهری، دگرگونی مناطق عملکردی شهری و افزایش خطوط مترو، تعدیل و بهینه سازی شبکه های حمل و نقل عمومی به تلاش های روتین نهادهای مدیریت و بهره برداری حمل و نقل عمومی تبدیل شده است. در مورد اطلاعات ناقص و دیجیتالی کردن، تحقیقات میدانی هنوز روش اصلی تنظیم شبکه باس خط است.
بهینه‌سازی شبکه حمل‌ونقل عمومی یک مسئله برنامه‌ریزی خط پیچیده و بهینه‌سازی چندهدفه است و روش‌های بالغ‌تری در این زمینه وجود دارد [ 3 ، 4 ، 5 ، 6 ]. شوبل مدل های برنامه ریزی برای مسیرهای مختلف اتوبوس، ریل و مترو را خلاصه کرده است. الگوریتم کلونی مورچه ها (ACO) مزایای منحصر به فردی را در حل مسائل برنامه ریزی مسیر چندهدفه نشان می دهد [ 7 ]. الگوریتم کلونی مورچه ها (ACO) اولین بار توسط Dorigo و همکاران ارائه شد. [ 8 ، 9 ، 10 ، 11] و یک الگوریتم هوش ازدحام است که با شبیه سازی رفتار جستجوی یک کلونی مورچه ها برای یافتن یک مسیر بهینه ساخته شده است. همچنین به طور گسترده ای در زمینه انتخاب مسیر وسیله نقلیه و برنامه ریزی مسیر اتوبوس در تحقیقات بعدی استفاده شده است [ 12 ، 13 ]. پورزاهدی و همکاران [ 14 ] کمینه سازی کل زمان سفر مسافران را به عنوان عامل ارزیابی در نظر گرفت، از الگوریتم کلونی مورچه ها برای مطالعه نمونه طراحی شبکه خط اتوبوس استفاده کرد، و کارایی الگوریتم کلونی مورچه ها را در حل مسائل مشابه با مقایسه عملکرد آن با الگوریتم ژنتیک. مارتینوا و همکاران [ 15] بیشینه سازی تعداد مسافران مستقیم در واحد طول را به عنوان شاخص ارزیابی در نظر گرفت و از الگوریتم کلونی مورچه ها برای بهینه سازی شبکه حمل و نقل عمومی تومسک روسیه استفاده کرد و نتایج نشان داد که یک شبکه انتقال بهینه به طور قابل توجهی نقل و انتقالات و زمان سفر را کاهش داده است. . هو و همکاران [ 16 ] یک رویکرد مبتنی بر بهینه‌سازی کلونی مورچه‌ها (ACO) برای تنظیم خطوط اتوبوس موجود در شبکه حمل‌ونقل پیشنهاد کرد. نتیجه نهایی نشان داد که روش می‌تواند به خطوط اتوبوس رضایت‌بخش با نرخ انتقال پایین و نرخ مستقیم بالا دست یابد. جیووانی و همکاران [ 17]. مطالعه ای بر روی برنامه ریزی فیدر اتوبوس با استفاده از یک مدل مبتنی بر عامل بر اساس (ACO) برای یافتن مسیر کم هزینه ترین مسیر انجام داد و در نهایت شکاف بین پوشش حمل و نقل عمومی و سواری در مناطق با تقاضای ضعیف را پوشش داد.
بر اساس تحقیقات فوق، می توان دریافت که اهداف بهینه سازی مختلفی برای بهینه سازی شبکه اتوبوسرانی وجود دارد، مانند حداکثر جریان مستقیم مسافر [ 15 ]، حداقل هزینه عملیات [ 17 ]، حداکثر بازده شبکه اتوبوس [ 16 ] و بهینه. دسترسی فردی [ 18 ]. یک الگوریتم کلونی مورچه ها، الگوریتم ژنتیک و سایر الگوریتم های بهینه سازی را می توان برای تحقق بهینه سازی شبکه خطی استفاده کرد [ 19 ]]. از آنجا که هدف اصلی بهینه سازی متفاوت است، استراتژی اتخاذ شده در ساخت مدل متفاوت خواهد بود. در برنامه ریزی واقعی خطوط اتوبوس، عوامل مختلفی باید در نظر گرفته شود، مانند ایستگاه های اتوبوس و اتصالات مترو، که باید نقاط شروع یا پایان اتوبوس ها را محدود کنند، زیرا جهانی بودن این الگوریتم ها را محدود می کنند. علاوه بر این، مطالعات کمی تأثیر خطوط اتوبوس موجود بر روی خطوط برنامه ریزی شده جدید را در نظر گرفته است و لغو خطوط موجود برای استقرار مجدد شبکه خط معمولاً نمی تواند نیازهای کاربردی واقعی را برآورده کند. با توجه به این موضوع، یک روش بهینه‌سازی شبکه حمل‌ونقل عمومی مبتنی بر الگوریتم کلونی مورچه‌ها که شبکه حمل‌ونقل عمومی موجود را در نظر می‌گیرد و هدف آن به حداکثر رساندن جریان مستقیم مسافر است، در این مقاله پیشنهاد شده‌است. روش در این مقاله تغییری در شبکه موجود ایجاد نمی کند،
2. داده ها
2.1. منطقه مطالعه
منطقه اصلی ساخته شده منطقه فناوری پیشرفته در شهر ژنگژو، استان هنان، چین، به عنوان منطقه تحقیقاتی در نظر گرفته شد. این منطقه در میان نواحی در ناحیه اصلی شهری شهر نسبتاً مستقل است و دارای دو جاده اصلی و همچنین یک خط مترو است که به منطقه اصلی شهری متصل است. اخیراً به دلیل گسترش مناطق مسکونی و حاشیه‌نشینی شهرک‌های صنعتی، تعداد زیادی از مناطق جدید ساخته شده فاقد پوشش حمل‌ونقل عمومی، مشکلاتی را برای زندگی و رفت و آمد ساکنان به همراه داشته است. علاوه بر این، به دلیل تأثیر عوامل تاریخی مانند جاده سازی و پیگیری جریان مسافر، ضریب مسیریابی مجدد حمل و نقل عمومی در برخی از بخش ها بالا است و رقابت جریان مسافر آشکار است. بنابراین، راندمان عملیات خط نیاز به بهبود دارد.
در زمان جمع‌آوری داده‌ها، 23 مسیر حمل‌ونقل عمومی در منطقه مورد مطالعه وجود داشت (مسیرهای بالا و پایین فقط یک بار در اینجا در نظر گرفته شده‌اند). پس از حذف خطوط مشخصه مانند شیفت شب و سفارشی سازی، 20 خط موثر حمل و نقل عمومی با طول کل 153.7 کیلومتر باقی ماند. طول جاده های موجود برای حمل و نقل عمومی در منطقه تحقیق 644.9 کیلومتر و نسبت شبکه خط 11.9٪ بود.
به طور کلی، بهینه سازی شبکه حمل و نقل عمومی در منطقه مورد مطالعه دو جهت دارد، یعنی بهبود کارایی و گسترش. در کنار هدف افزایش پوشش خطوط حمل‌ونقل عمومی، بهبود بهره‌وری کل شبکه حمل‌ونقل عمومی نیز مدنظر است و در اینجا عمدتاً از طریق جریان مستقیم مسافر ارزیابی می‌شود.
2.2. اکتساب داده ها
داده های مورد استفاده در این مطالعه شامل داده های شبکه راه در منطقه تحقیقاتی، داده های مسیر حمل و نقل عمومی موجود و داده های سفر OD می باشد. داده های شبکه راه ها انتزاعی از جاده های واقعی هستند که برای حمل و نقل عمومی در منطقه مورد مطالعه در دسترس هستند. جاده های ترانزیتی قابل دسترس واقعی اساس برنامه ریزی مسیر حمل و نقل عمومی هستند. در این مطالعه، برای ساده‌سازی مسئله، داده‌های واقعی شبکه جاده‌ای به عنوان داده‌های ساختاری خطی در یک سیستم اطلاعات جغرافیایی، عمدتاً بر روی رابطه اتصال هر بخش جاده انتزاع شدند. داده های مسیر حمل و نقل عمومی خطوط موجود در منطقه مورد مطالعه است. داده‌های OD از داده‌های سیگنالینگ تلفن همراه در منطقه استفاده می‌کنند که عمدتاً برای مطالعه الگوهای سفر جمعیت استفاده می‌شود. اینجاداده های OD فقط مهاجرت در منطقه مورد مطالعه را بدون سفر بین منطقه ای در نظر می گیرند. توزیع مکانی اصلی داده ها در منطقه تحقیق در شکل 1 نشان داده شده است .
2.3. همجوشی داده ها
داده های اصلی جاده، خط حمل و نقل عمومی و OD به دست آمده را نمی توان مستقیماً برای تجزیه و تحلیل بعدی اعمال کرد. با توجه به ساختار داده مورد نیاز الگوریتم بهینه سازی کلونی مورچه ها (ACO)، داده های اصلی را می توان به طور موثر ترکیب کرد. جریان مدل سازی کلی روش در این مقاله در شکل 2 نشان داده شده است .
مطابق شکل 2 ، این مدل مسیرهای اتوبوس واقعی موجود را بر اساس نمایش گره‌سازی کامل جاده گره‌بندی می‌کند. در بهینه‌سازی شبکه مبتنی بر ACO، سه متغیر تصمیم‌گیری اصلی، یعنی جریان مسافر، ضریب تکرار مسیر و ضریب غیر خطی، برای محدودیت اضافه می‌شوند، که در آن فرآیند ادغام داده‌ها شامل 3 مرحله اصلی زیر قبل از بهینه‌سازی شبکه خطی است. در ACO.
-
بیان گره جاده:
هدف از بیان گره جاده بیان داده های جاده به عنوان ساختار داده گراف بر اساس گره های جاده است. رویکرد خاص شامل استخراج و شماره‌گذاری گره‌های کلیدی جاده‌ها در تقاطع، نقاط عطف مهم جاده، و نقاط انتهایی غیر متصل به جاده‌های دیگر (نگاه کنید به شکل 3 ) و سپس استفاده از این گره‌ها برای نشان دادن جاده است. به این ترتیب بیان گره جاده ها تکمیل می شود. در فرآیند کاربرد خاص، ماتریس مجاورت یا جدول مجاورت در مفهوم گراف می تواند برای ذخیره داده ها استفاده شود. در این تحقیق از ماتریس مجاورت برای بیان استفاده شده است. منطقه مورد مطالعه N گره جاده را در مجموع خلاصه می کند. سپس موارد زیر را داریم:
-
بیان گره مسیرهای حمل و نقل عمومی:
خطوط ترافیک عمومی واقعی را می توان به عنوان اتصال چندین بخش مجاور که توسط گره ها تقسیم شده اند در نظر گرفت. برای یکسان سازی خطوط و جاده های حمل و نقل عمومی، خطوط ترافیک عمومی نیز به خطوطی تبدیل می شوند که با گره ها نشان داده می شوند ( شکل 4 را ببینید ). اگر M مسیرهای حمل و نقل عمومی در منطقه مورد مطالعه وجود داشته باشد، موارد زیر را داریم:
-
یکسان سازی فضایی داده های OD با گره های جاده و گره های خط:
هدف از این مرحله جمع آوری داده های اصلی OD با توجه به داده های گره جاده است. رویکرد خاص این است که نقاط آغاز و پایان هر قطعه از داده‌های اصلی OD را در نزدیک‌ترین گره جاده ادغام کنیم ( شکل 5 را ببینید ) و سپس آنها را با توجه به تعداد گره‌های نقطه شروع و پایان تجمیع کنید. در نهایت، داده های OD بر اساس شماره گره جاده به دست می آید. این در واقع داده های ترافیک مسافر بر اساس داده های تلفن همراه است که بین گره های اصلی OD نزدیک به گره های جاده ای سیگنال می دهد. استفاده كردن برای نشان دادن جریان مستقیم مسافر بین گره های i و j ، ماتریس جریان مسافر OD را می توان به صورت زیر بیان کرد:
3. الگوریتم
3.1. روش الگوریتم
ایده اصلی الگوریتم ACO [ 20 ، 21 ] این است که مورچه ها در شبکه راه اولیه راه می روند و تقاطع را مطابق قوانین انتقال تعیین شده انتخاب می کنند، در حالی که آنها فرمون هایی را آزاد می کنند که بر اساس شرایط تعیین شده، تبخیر می شوند. پس از چندین بار تکرار، غلظت فرمون در مسیر بهینه بیشتر و بیشتر می‌شود و مورچه‌ها در مسیر بهینه قدم می‌زنند و الگوریتم برای به دست آوردن نتیجه مسیریابی نهایی همگرا می‌شود. الگوریتم ACO به طور موثر در نمودار و فضای شبکه کار می کند [ 9 ، 22 ]. علاوه بر این، این الگوریتم دارای مزایای موازی، استحکام، بازخورد مثبت و توانایی ترکیبی خوب است [ 23 ].]. بکارگیری الگوریتم ACO برای مسئله بهینه سازی مسیرهای حمل و نقل عمومی واقعی می تواند به طور موثر توانایی عملیات یک سیستم ترافیک عمومی را بهبود بخشد [ 24 ].
الگوریتم کلاسیک ACO برای یافتن یک راه حل عملی در تعداد زیادی از مسیرهای امکان پذیر از طریق حالت عمل کل کلنی مورچه ها استفاده می شود [ 25 ]]. بهینه سازی شبکه منطقه ای باید چندین مسیر را به طور همزمان برای بهینه سازی یا بهبود کارایی کل شبکه برنامه ریزی کند. در اینجا، ما باید الگوریتم کلاسیک ACO را برای دستیابی به هدف برنامه ریزی چند مسیری بهبود دهیم. در روش ما، تعداد جمعیت مورچه ها به تعداد مسیرهای اتوبوس جدید برای اضافه شدن به طرح تنظیم می شود. تحت محدودیت عوامل ارزیابی کل شبکه حمل و نقل عمومی، جستجوی مسیر، تکرار و بهینه سازی از طریق کل تکرار جمعیت مورچه ها تکمیل می شود. برای انتخاب مسیر توسط مورچه ها، یک استراتژی Softmax در این مقاله استفاده شده است که یک روش پرکاربرد در حل مسائل انتخاب بین اقدامات چندگانه با مزایای مختلف بر اساس یادگیری ماشین است [ 26 ].]. هدف از استراتژی Softmax مورد استفاده در انتخاب مسیر مورچه ها افزایش احتمال انتخاب یک عمل پر بازده است و همچنین به مورچه ها فرصت خاصی برای انتخاب گزینه کم بازده برای افزایش ماهیت اکتشافی الگوریتم و جلوگیری از سقوط می دهد. به یک بهینه محلی و همگرایی زودرس. روش کلی الگوریتم در شکل 6 نشان داده شده است .
در فرآیند اولیه سازی، فرض بر این است که فرمون های اولیه تمام بخش های جاده برابر است و سپس فرمون های بخش های جاده بین گره های جاده i و j برابر هستند. ، در حالی که C ثابت اولیه است. در فرآیند بهینه سازی، فرمون بخش جاده، ، با تغییر تدریجی فرمون باقی مانده از کلنی مورچه ها تغییر خواهد کرد. در کل فرآیند بهینه‌سازی شبکه خط، محاسبه احتمال انتقال، استراتژی به‌روزرسانی فرمون و روش اندازه‌گیری کل عملکرد شبکه در فرآیند جستجوی مسیر مورچه‌ها، مهم‌ترین روش‌های محاسباتی هستند که در زیر بخش‌های زیر به طور جداگانه معرفی می‌شوند.
3.2. محاسبه احتمال انتقال انتخاب مسیر
در شبکه راه های انتزاعی، علاوه بر انتهای جاده، هر گره جاده ای به کمتر از دو بخش متصل است. هنگامی که مورچه ها به یک گره دلخواه می رسند، حداقل یک گره برای انتخاب به عنوان هدف متحرک بعدی وجود خواهد داشت. هنگامی که تعداد گره های قابل انتخاب بیشتر از 1 باشد، نحوه انتخاب نهایی یک گره عمدتاً به احتمال انتقال هر گره بستگی دارد. محاسبه احتمال انتقال مربوط به مسیر نهایی به دست آمده توسط جستجوی مورچه فعلی است.
هنگام ترکیب ویژگی های برنامه ریزی مسیر حمل و نقل عمومی و دستور طراحی واقعی مسیر، لازم است روش محاسبه احتمال انتقال الگوریتم کلاسیک ACO بهبود یابد. هنگام محاسبه، علاوه بر باقیمانده فرمون جاده که باید در نظر گرفته شود، سه پارامتر تأثیرگذار به نام های جریان مسافر، طول مسیر و ضریب غیر خطی اضافه می شود. در این میان، باقیمانده فرمون در مسیر، تجسم هوش کلونی مورچه ها و هسته الگوریتم ACO است. ضریب غیر خطی نسبت فاصله ترافیکی واقعی به فاصله خطی فضایی بین نقطه شروع و پایان جاده است که شاخص مهمی از راحتی مسیر است [ 27 ].
مورچه k ( k = 1، 2، …، m ) بر اساس غلظت فرمون در مسیر اتصال هر گره، گره بعدی را برای بازدید تصمیم می گیرد. اجازه دهید غلظت فرمون بخش جاده باشد در لحظه تی . غلظت اولیه فرمون در تمام بخش‌های جاده، ; ، نشان دهنده احتمال انتقال ant k از گره i به گره j در لحظه t است. سپس موارد زیر را بدست می آوریم:
جایی که یک تابع اکتشافی است که نشان دهنده میزان مورد انتظار انتقال مورچه از گره i به j است. مجموعه ای از گره بعدی است که ant k می تواند در گره i انتخاب کند ، به استثنای گره هایی که پاس داده شده اند. فاکتورهای α و β به ترتیب برای نشان دادن اهمیت فرمون و عملکرد اکتشافی استفاده می شوند. در الگوریتم اصلی کلونی مورچه ها، تابع اکتشافی به صورت زیر بیان می شود: ، که از فاصله فضایی بین گره ها به عنوان عامل اکتشافی برای یافتن کوتاه ترین مسیر استفاده می کند.
در این مطالعه، برنامه‌ریزی مسیر اتوبوس کوتاه‌ترین مسیر را به‌عنوان هدف اولویت‌دار دنبال نمی‌کند، بلکه باید عوامل مختلفی مانند جریان مسافر بین گره‌ای، طول مسیر و ضریب غیرخطی مسیر را به‌عنوان عوامل اکتشافی در نظر گرفت. در اینجا لازم است معنای این عوامل اکتشافی و نمایش ریاضی آنها در این مقاله توضیح داده شود.
- (1)
-
از آنجا که عامل اکتشافی جریان مسافر است، هدف این است که مورچه ها را به سمت انتخاب مسیری با جریان مسافر بالاتر وادار کند. به منظور حفظ ثبات ترتیب بزرگی در محاسبه هر عامل تأثیر، نتیجه پس از محاسبه عادی سازی تفاوت شدید ترافیک OD است.
- (2)
-
ضریب اکتشافی غیرخطی مسیر اتوبوس است که نشان دهنده ضریب غیرخطی از نقطه شروع برنامه ریزی مسیر تا گره j است و به صورت زیر محاسبه می شود:
با توجه به فرمول (6)، به جز در مورد همپوشانی نقاط شروع و پایان (خطوط دایره ای)، نتیجه محاسبه ضریب غیر خطی خط از نظر تئوری کمتر از 1 نخواهد بود. طبق استاندارد [ 27 ]، مقدار آن نباید بیشتر از 1.4 باشد. برای اینکه مورچه ها تمایل بیشتری به انتخاب مسیر با ضریب غیر خطی کوچکتر داشته باشند، برعکس به عنوان عامل اکتشافی ضریب غیر خطی در محاسبه در نظر گرفته شده است. - (3)
-
ضریب اکتشافی وزن مسیر موجود است که باعث می‌شود مورچه‌ها تمایل بیشتری به انتخاب گره‌هایی در شبکه جاده‌ای فعلی داشته باشند که هیچ مسیر اتوبوسی از آن عبور نمی‌کند و به صورت زیر محاسبه می‌شود:
اجازه دهید A مجموعه ای از گره های شبکه گذرگاه موجود باشد، و اجازه دهید B مجموعه ای از گره ها از نقطه شروع خط برنامه ریزی شده فعلی تا گره j باشد. سپس موارد زیر را بدست می آوریم:
جایی که تعداد تقاطع های A و B است.
بر اساس تعریف فوق از عوامل اکتشافی، تابع اکتشافی الگوریتم کلونی مورچه اصلی را می توان به صورت زیر تغییر داد:
بگذارید موارد زیر پابرجا بماند:
سپس موارد زیر را بدست می آوریم:
که در آن α ، γ ، δ و ω برای تنظیم اهمیت عوامل مربوطه استفاده می شود.
3.3. استراتژی به روز رسانی فرمون
به روز رسانی فرمون عامل اصلی هوش ازدحام است و باید پس از تکمیل جستجوی مسیر توسط کلنی مورچه ها اجرا شود. یک استراتژی به روز رسانی خوب می تواند به طور موثر بین خرد گروهی و مزایای فردی تعادل ایجاد کند. به روز رسانی فرمون شامل دو فرآیند آزادسازی و تبخیر فرمون است. رهاسازی به این معنی است که کلنی مورچه‌ها در طول مسیر، فرمون‌ها را آزاد می‌کند، در حالی که تبخیر یک ماهیت شبیه‌سازی فرمون است. شدت فرمون هر خط به دلیل تبخیر شدن در طول زمان کاهش می یابد. به منظور تسریع همگرایی الگوریتم، فرمون با استفاده از استراتژی مورچه نخبه به روز می شود تا احتمال انتخاب مسیر بهینه افزایش یابد. استراتژی مورچه نخبه نیز اساساً بهبود الگوریتم اصلی کلونی مورچه ها است.28 ]. استراتژی به روز رسانی فرمون به شرح زیر است:
جایی که باقیمانده فرمون اصلی در بخش جاده با شماره گره i , j در دو انتها است. ضریب تبخیر فرمون است و شدت فرار فرومون را نشان می دهد. نشان دهنده غلظت فرمون آزاد شده توسط مورچه k در گره i ، بخش j است. نشان‌دهنده مجموع غلظت‌های فرمون آزاد شده توسط همه مورچه‌ها در بخش i،j است. فرمون اضافی اضافه شده به مسیر بهینه است. و e وزن اختصاص داده شده به این افزایش است.
جایی که طول مسیر بهینه است و مجموعه گره های مسیر بهینه است. انتشار فرمون مورچه با استفاده از مدل Ant Quantuty System به شرح زیر ارائه می شود:
Q مقدار فرمون باقی مانده از مورچه های فعلی است که در واقع می توان با مراجعه به جریان مسافر در مسیر فعلی مورچه ها آن را تعیین کرد. و فاصله بین گره های i و j است.
3.4. ارزیابی عملکرد شبکه فعلی
نحوه ارزیابی عملکرد کل شبکه حمل و نقل عمومی فعلی برای بهینه سازی شبکه اساسی است. با توجه به وضعیت واقعی، جریان مستقیم مسافر، ضریب همپوشانی خط و پوشش خط، همه شاخص هایی هستند که برای ارزیابی عملکرد شبکه استفاده می شوند. از آنجایی که ضریب همپوشانی خط و ضریب پوشش خط در محاسبه احتمال انتقال در نظر گرفته شده است، جریان مستقیم مسافر، ، از کل شبکه عمدتاً به عنوان عامل ارزیابی در ارزیابی عملکرد شبکه در نظر گرفته می شود. روش محاسبه جریان مستقیم مسافر شبکه به شرح زیر است:
که در آن M تعداد مسیرهای حمل و نقل عمومی است، جریان مستقیم مسافر بین گره های i و j و خط در شبکه ترافیک عمومی فعلی است.
4. نتایج
4.1. تجزیه و تحلیل همگرایی
به دلیل تصادفی بودن انتخاب احتمال مورچه در هر گره، نتایج هر تکرار ممکن است متفاوت باشد. طرح برنامه ریزی نهایی باید پس از رسیدن ارزش ارزیابی عملکرد شبکه به یک فاصله زمانی پایدار تعیین شود. بنابراین، همگرایی الگوریتم باید تجزیه و تحلیل شود. در آزمایش، ارزیابی همگرایی الگوریتم با تغییر کل جریان مستقیم مسافر پنج خط برنامه ریزی شده انجام شد و 1000 تکرار برای به دست آوردن روند تغییر مستقیم جریان مسافر انجام شد ( شکل 7 را ببینید ).
در طی 1000 بار تکرار، تغییر در ترافیک مستقیم مسافر از چندین مرحله می گذرد، با یک دوره نوسان کوتاه قبل از 20 تکرار، در حدود 580 نفر در زمان بین 20 تا 90 تکرار تثبیت می شود و سه افزایش قابل توجه در هر یک از تکرارهای بعدی را تجربه می کند. افزایش دامنه منحنی با این حال، در مجموع، با افزایش تکرار، تعداد کل جریان مستقیم مسافر روند افزایشی در مراحل را نشان می دهد. در نهایت، پس از 350 تکرار، میانگین نرخ رشد و دامنه منحنی تثبیت می شود که نشان می دهد الگوریتم وارد حالت همگرایی شده است.
در منحنی های شکل 6 ، نوسان تغییر جریان مستقیم مسافر بین تعداد دفعات تکرار عمدتاً تحت تأثیر تصادفی بودن الگوریتم است. برای جلوگیری از قرار گرفتن در یک بهینه محلی، استراتژی Softmax اتخاذ می‌شود تا الگوریتم پس از رسیدن به راه‌حل بهینه همچنان توانایی اکتشاف داشته باشد.
4.2. توزیع فضایی شبکه خط پس از برنامه ریزی
همراه با محل پارکینگ اتوبوس و توزیع فضایی گره های OD ، پنج نقطه شروع برنامه ریزی خط اتوبوس تعیین شد. طول خط و حدود ضریب غیر خطی به ترتیب 15 کیلومتر و 2.0 است. بر اساس تجزیه و تحلیل همگرایی، 1000 تکرار تنظیم شد و شبکه باس خط بهینه شده به دست آمد ( شکل 8 را ببینید ).
از نظر توزیع فضایی، مسیرهای برنامه ریزی جدید عمدتاً در مناطقی که تحت پوشش شبکه خط اصلی نیستند، یعنی عمدتاً در نواحی شهری تازه ساخته شده توزیع می شوند و به طور مؤثر شکاف های موجود در شبکه خط اصلی را تکمیل می کنند. ما تجزیه و تحلیل دلایل را انجام دادیم، از یک طرف، زیرا نقطه شروع برنامه ریزی مسیر بیشتر در حومه شهر انتخاب می شود و از طرف دیگر، به دلیل اینکه الگوریتم یک عامل اکتشافی تکرار مسیر را اضافه می کند، به طوری که مسیرهای جدید برنامه ریزی شده تا حد امکان از قسمت های جاده ای که در حال حاضر مسیرهای اتوبوس وجود دارد عبور نکنید. چنین نتیجه برنامه ریزی از تعدیل مسیرهای موجود جلوگیری می کند و با نیازهای واقعی تصمیم گیری مطابقت دارد.
تحلیل همپوشانی شبکه برنامه ریزی شده با توزیع جمعیت [ 29 ] در منطقه مورد مطالعه (نگاه کنید به شکل 9 ) همچنین نشان می دهد که در حالی که مسیرهای برنامه ریزی شده جدید از عبور از مناطق کم تراکم اجتناب می کنند، اما همه آنها در مناطق با تراکم بالا متمرکز نیستند. ، زیرا این مناطق پر تراکم در حال حاضر شبکه اتوبوس های مستقر بیشتری دارند.
علاوه بر این، چندین منطقه نوساز وجود دارد که در آنها جاده ها به تازگی ساخته شده اند، و ساخت و سازهای مسکونی و تاسیسات حمایتی مرتبط با ضریب اشغال کم و تراکم جمعیت کم به پایان نرسیده است (منطقه A در شکل 8 ). این الگوریتم هنگام اجرای برنامه ریزی مسیر از عبور از چنین مناطقی اجتناب می کند، تا حدی به این دلیل که عامل اکتشافی ترافیک OD در محاسبه احتمال انتقال مسیر در نظر گرفته می شود و تا حدی به این دلیل که ارزیابی عملکرد کلی شبکه نیز از مقدار کل ترافیک OD به عنوان مبنایی برای انتخاب مسیر استفاده می کند. این نتیجه به محافظت از کارایی عملیاتی شرکت اتوبوسرانی کمک می کند.
به طور کلی، همپوشانی بین مسیرهای برنامه ریزی شده جدید و مسیرهای اتوبوس اصلی در منطقه کم است و سطح نسبتاً پایینی از نسبت تکراری را حفظ می کند. نتایج برنامه ریزی نشان می دهد که مسیرهای جدید دارای جهت مقعر-محدب در بخش های جداگانه هستند (منطقه B در شکل 8 ). دلیل این پدیده این است که این بخش‌ها با جریان زیاد مسافر و تکرار اتوبوس زیاد مشخص می‌شوند و الگوریتم باید از دومی اجتناب کند، در حالی که در فرآیند برنامه‌ریزی مسیرهای اتوبوس هدف دستیابی به اولی است.
4.3. مقایسه
پس از تکمیل بهینه سازی شبکه خط، لازم است شبکه خط بهینه شده را با شبکه اصلی مقایسه کنیم تا اثر بهینه سازی را کمی و تحلیل کنیم. شاخص های ارزیابی اصلی و نتایج آماری کمی در جدول 1 نشان داده شده است.
نتایج تحلیل نشان می‌دهد که الگوریتم می‌تواند خطوط اتوبوس معقول‌تری را بدون تغییر ساختار شبکه خط موجود به دست آورد. از یک طرف تعداد خطوط اتوبوسرانی، طول کل، نسبت خطوط اتوبوسرانی به شبکه جاده‌ای، منطقه خدماتی 5 دقیقه‌ای و تردد مستقیم مسافران افزایش یافته است که نشان می‌دهد مسیرهای اتوبوس جدید اضافه شده و برنامه‌ریزی شده در پرکردن اتوبوس موثر است. شکاف های خدماتی و افزایش گستره خدمات فضایی و ظرفیت سرویس دهی شبکه مسیر که با تلفیق این نتایج با تحلیل توزیع فضایی شبکه مسیر اتوبوس نیز قابل اثبات است. از سوی دیگر، در مقایسه با شبکه اتوبوسرانی از پیش برنامه ریزی شده، نسبت مسیرهای تکراری در شبکه اتوبوسرانی جدید کاهش می یابد و تعداد مسافران مستقیم افزایش می یابد.
طول کل راه های منطقه مورد مطالعه 252.02 کیلومتر و مساحت 69.32 کیلومتر مربع است. طبق استاندارد [ 27 ]، تراکم شبکه اتوبوس باید به 3-4 کیلومتر بر کیلومتر مربع در مرکز شهری و 2-2.5 کیلومتر در کیلومتر مربع در حاشیه شهری برسد. بر اساس مساحت فعلی منطقه مورد مطالعه، تراکم شبکه خط قبل از بهینه سازی 22/2 کیلومتر بر کیلومتر مربع بود و پس از بهینه سازی به 20/3 کیلومتر بر کیلومتر مربع رسید. با توجه به اینکه محدوده وسیعی از منطقه توسعه جدید در منطقه مورد مطالعه وجود دارد، تراکم جمعیت فعلی در این مناطق همچنان نسبتاً کم است و به مناطق حاشیه شهری تعلق دارند، تراکم شبکه خط برنامه ریزی شده کاملاً قادر است به استاندارد تقاضا برسد. .
توزیع ایستگاه های اتوبوس در طول مسیرهای برنامه ریزی شده جدید نیز مورد تجزیه و تحلیل قرار گرفت. اگرچه مکان یابی ایستگاه های اتوبوس هدف این مطالعه نبود، بررسی در دسترس بودن ایستگاه های موجود برای مسیرهای برنامه ریزی شده جدید به تجزیه و تحلیل توانایی اجرای طرح کمک می کند. بر اساس برنامه ریزی فعلی، برای بهره برداری از مسیر پیش بینی شده با توجه به تردد دو طرفه در خط، حدود 74 ایستگاه جدید نیاز است و از 78 ایستگاه موجود می توان بهره برداری کرد. ایستگاه های موجود قابل استفاده برای خط جدید می توانند به 51.32 درصد برسد و این ایستگاه های موجود 20.75 درصد از کل ایستگاه های موجود در منطقه مورد مطالعه را تشکیل می دهند. با محدودیت به حداقل رساندن تکرار خطوط جدید با خطوط موجود،
5. بحث و نتیجه گیری
5.1. بحث
روش در این مطالعه بهبود الگوریتم کلاسیک ACO است که به کاربر اجازه می‌دهد نقطه شروع برنامه‌ریزی مسیرهای اتوبوس جدید را بر اساس شبکه خط موجود با توجه به ویژگی‌ها و نیازهای عملی منطقه مورد مطالعه سفارشی کند. نتیجه برنامه‌ریزی، بهینه‌سازی شبکه باس خط موجود است که بر خطوط اتوبوس موجود در حال بهره‌برداری تأثیری نمی‌گذارد و بیشتر با سناریوهای کاربردی عملی مطابقت دارد.
استراتژی Softmax برای محاسبه احتمال انتقال انتخاب مسیر استفاده می‌شود که ماهیت اکتشافی مورچه‌ها را افزایش می‌دهد، در حالی که تصادفی بودن نتایج را به طور قابل‌توجهی افزایش می‌دهد، که می‌توان به وضوح در منحنی همگرایی نتایج ارزیابی شبکه خط اتوبوس کلی مشاهده کرد. . با این حال، استراتژی مورچه های نخبه به الگوریتم کمک می کند تا به همگرایی سریع تری دست یابد و در نهایت نتایج ارزیابی شبکه خط پس از 350 تکرار تثبیت شود.
با تجزیه و تحلیل توزیع فضایی شبکه اتوبوسرانی بهینه شده و شاخص‌های ارزیابی کمی اصلی، می‌توان دریافت که الگوریتم به اثر برنامه‌ریزی مورد انتظار دست یافته است، در حالی که شکاف‌های شبکه خط اصلی را پر می‌کند و می‌تواند به طور موثر از مناطق با مسافر کم جلوگیری کند. جریان. علاوه بر این، ظرفیت و ظرفیت کلی شبکه بهبود یافته و طول کل خط، نسبت شبکه خط، جریان مستقیم مسافران و سایر شاخص‌های اصلی افزایش یافته است، در حالی که نسبت کل شبکه خط کاهش یافته است که نشان می‌دهد. که ساختار کلی شبکه اتوبوس بهینه شده بود.
ارزیابی شبکه خط از مجموع ترافیک مستقیم مسافران کل شبکه استفاده می کند و توجه اصلی بهینه سازی ظرفیت کلی شبکه خط با در نظر گرفتن کارایی عملیاتی شرکت اتوبوسرانی است. با این حال، ارزیابی عملکرد شبکه خط اتوبوس چند وجهی است و شامل بسیاری از جنبه‌ها، مانند ساختار خط اتوبوس، زمان رسیدن مسافر، عملکرد عملیات اتوبوس، و سطح سرویس اتوبوس می‌شود. فرآیند بهینه‌سازی شبکه خط در اینجا همه ابعاد شاخص‌های ارزیابی شبکه باس خط را در نظر نمی‌گیرد. در این مطالعه، ارزیابی عمدتاً از جنبه‌های ساختار مسیر، ضریب همپوشانی خط اتوبوس و جریان اتوبوس-مسافر در شرایط ایده‌آل انجام می‌شود. مطالعات بعدی نیاز به تایید و بهینه سازی الگوریتم با عملکرد واقعی طرح دارد. علاوه بر این، تأثیر قرارگیری ایستگاه‌های خط جدید و انتخاب نقطه شروع خط بر طرح کلی نیز موضوعاتی هستند که نیاز به مطالعه و بررسی عمیق دارند و در مطالعات آتی مورد توجه قرار خواهند گرفت.
5.2. نتیجه گیری
در این مطالعه، یک روش بهینه‌سازی مبتنی بر الگوریتم مورچه‌ها برای یک شبکه خط اتوبوس منطقه‌ای بر اساس در نظر گرفتن ساختارهای مسیر اتوبوس موجود پیشنهاد شد. با افزایش دامنه جستجوی مسیر و دستیابی به تنوع مسیر، همگرایی الگوریتم توسط یک استراتژی مورچه نخبه تسریع می شود. این روش می تواند به طور خودکار یک مسیر اتوبوس منطقی را با ارائه نقطه شروع بر اساس ایمن سازی جریان مستقیم مسافر، طول خط، ضریب غیر خطی خط، ضریب غیر خطی محلی، ضریب همپوشانی خط اتوبوس و سایر عوامل برنامه ریزی کند. از منطقی بودن خط و جهت خط اطمینان حاصل کنید. علاوه بر این، این رویکرد همچنین از پدیده همپوشانی بالای خطوط اتوبوس در برخی از بخش‌های شلوغ جلوگیری می‌کند. سرانجام،
برای مناطق شهری جدید که با سرعت در حال توسعه هستند، شبکه اتوبوس موجود اغلب مناطق جدید توسعه یافته را پوشش نمی دهد و در تامین تقاضای کاربران جدید اتوبوس مشکل دارد. رویکرد در این مطالعه به افزایش ظرفیت شبکه موجود در عین متعادل کردن هزینه‌های عملیاتی و کارایی دست می‌یابد. می تواند یک راه حل مرجع برای بهینه سازی مسیر در مناطقی با پوشش فضایی ناهموار خطوط اتوبوس ارائه کند. این الگوریتم همچنین دارای یک فضای کاربردی نسبتاً بزرگ برای برنامه ریزی مسیر تک نقطه ای، یعنی بیان مترو است.
تمرین نشان می‌دهد که الگوریتم می‌تواند نتایج خوبی در بهینه‌سازی خط اتوبوس در سطح شهرستان به دست آورد. می توان از آن به عنوان مرجعی برای بهینه سازی شبکه اتوبوسرانی و همچنین به عنوان روشی جایگزین برای افزایش خطوط تغذیه و بهینه سازی پوشش حومه در کلان شهرها استفاده کرد.
منابع
- مولی، سی. Ho, C. ارزیابی تأثیر تغییرات برنامه ریزی شبکه اتوبوسرانی در سیدنی، استرالیا. ترانسپ سیاست 2013 ، 30 ، 13-25. [ Google Scholar ] [ CrossRef ]
- خو، جی. شی، اف. لو، ایکس. Qin, J. روش برنامه ریزی شبکه حمل و نقل عمومی بر اساس تخصیص ترانزیت تعادلی استراتژی. J. Transp. سیستم مهندس Inf. تکنولوژی 2015 ، 15 ، 140-145. [ Google Scholar ]
- Arbex، RO؛ Cunha، C. طراحی شبکه حمل و نقل کارآمد و فرکانس تنظیم بهینه سازی چند هدفه با الگوریتم ژنتیک هدف متناوب. حمل و نقل. Res. B-Meth. 2015 ، 81 ، 355-376. [ Google Scholar ] [ CrossRef ]
- هوانگ، دی. گو، ی. وانگ، اس. لیو، ز. Zhang, W. یک مدل بهینه سازی دو فازی برای طراحی شبکه اتوبوس سفارشی پاسخگو به تقاضا. ترانسپ Res. قسمت C Emerg. تکنولوژی 2020 ، 111 ، 1-21. [ Google Scholar ] [ CrossRef ]
- ترکی نژاد، م. مهدوی، من. مهدویامیری، ن. اصفهانی، کارشناسی ارشد مدل ریاضی طراحی شبکه های گاز شهری بهینه، الگوریتم کلونی مورچه ها و مطالعه موردی. بین المللی J. Prod. Res. 2017 ، 28 ، 441-460. [ Google Scholar ]
- قاطعی، م. هاشمی، اس ام مسئله جریان حداقل هزینه تعمیم یافته در طبیعت فازی: کاربرد در مسئله برنامه ریزی شبکه اتوبوسرانی. Appl. ریاضی. مدل 2008 ، 32 ، 2490–2508. [ Google Scholar ] [ CrossRef ]
- شوبل، A. برنامه ریزی خط در حمل و نقل عمومی: مدل ها و روش ها. OR Spectr. 2012 ، 34 ، 491-510. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Dorigo, M. بهینه سازی، یادگیری و الگوریتم های طبیعی ; Politecnico di Milano, Dipartimento di Elettronica: Milano, Italy, 1992. [ Google Scholar ]
- دوریگو، م. مانیزو; Colorni، A. Ant system: بهینه سازی توسط کلنی عوامل همکار. IEEE Trans. سیستم مرد سایبرن. قسمت B Cybern. 1996 ، 26 ، 29-41. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- دوریگو، م. Stützle, T. Ant Colony Optimization ; انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2004. [ Google Scholar ]
- بلوم، سی. دوریگو، ام. چارچوب بیش از حد مکعب برای بهینه‌سازی کلونی مورچه‌ها. IEEE Trans. سیستم 2004 ، 34 ، 1161-1172. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- سوآرس، جی. سوزا، تی. Vale, ZA; مورایس، اچ. Faria، P. الگوریتم جستجوی کلونی مورچه برای مسئله جریان قدرت بهینه. در مجموعه مقالات مجمع عمومی IEEE Power and Energy Society 2011، دیترویت، MI، ایالات متحده آمریکا، 24-28 ژوئیه 2011. صص 1-8. [ Google Scholar ]
- معصومی، ز. جندرن، JV; نیارکی، AS یک الگوریتم بهبود یافته مبتنی بر بهینه‌سازی کلنی مورچه‌ها برای برنامه‌ریزی مسیر چندهدفه کاربر محور برای محیط‌های فراگیر. Geocarto Int. 2019 ، 36 ، 137-154. [ Google Scholar ] [ CrossRef ]
- پورزاهدی، ح. Safari, F. کاربرد سیستم مورچه ای برای مسئله طراحی شبکه اتوبوس: یک الگوریتم و یک مطالعه موردی. ترانسپ عمومی 2011 ، 3 ، 165-187. [ Google Scholar ] [ CrossRef ]
- مارتینوا، YA; مارتینوف، YA; مصطفینا، دی.بی. Asmolovskiy، V. الگوریتم مستعمره مورچه برای طراحی شبکه حمل و نقل منطقی حمل و نقل مسافر شهری. در مجموعه مقالات کنفرانس بین المللی 2014 مهندسی مکانیک، اتوماسیون و سیستم های کنترل (MEACS)، تومسک، روسیه، 16 تا 18 اکتبر 2014. [ Google Scholar ]
- هو، دبلیو. وانگ، سی. Zuo, X. رویکردی مبتنی بر بهینه سازی کلونی مورچه ها برای تنظیم شبکه حمل و نقل عمومی. در مجموعه مقالات کنگره IEEE 2019 در محاسبات تکاملی (CEC)، ولینگتون، نیوزلند، 10 تا 13 ژوئن 2019. [ Google Scholar ]
- جووانی، سی. جوزپه، آی. Michela، LP; پلوچینو، آ. Ignaccolo، M. پل زدن بین مناطق کم تقاضا و حمل و نقل عمومی با استفاده از بهینه سازی مبتنی بر شبیه سازی کلونی مورچه ها. ترانسپ Res. Proc. 2020 ، 45 ، 234-241. [ Google Scholar ]
- زو، ی. فو، ایکس. لیو، ز. هوانگ، دی. پیش بینی های کوتاه مدت در مورد دسترسی فردی در سیستم اتوبوس بر اساس مدل شبکه عصبی. J. Transp. Geogr. 2021 ، 93 ، 1-9. [ Google Scholar ] [ CrossRef ]
- کوردون، او. هررا، اف. استوتزل، تی. مروری بر فراابتکاری بهینه سازی کلونی مورچه ها: مبانی، مدل ها و روندهای جدید. شمال آم. J. فیزیک ورزشی. آنجا نجسپت 2002 ، 1 ، 62-72. [ Google Scholar ]
- Dorigo، M. سیستم مورچه: یک فرآیند بهینه سازی خودکار. در مجموعه مقالات اولین کنفرانس اروپایی در مورد زندگی مصنوعی، پاریس، فرانسه، 11-13 دسامبر 1991. [ Google Scholar ]
- استوتزل، تی. Hoos، سیستم مورچه HH MAX-MIN. ژنرال آینده. محاسبه کنید. سیستم 2000 ، 16 ، 889-914. [ Google Scholar ] [ CrossRef ]
- بلوم، سی. بهینه سازی کلونی مورچه ها: مقدمه و روندهای اخیر. فیزیک Life Rev. 2005 , 2 , 353-373. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گامباردلا، ال.ام. Dorigo، M. یک سیستم کلونی مورچه ها با یک جستجوی محلی جدید برای مسئله ترتیب متوالی هیبرید شده است. به J. Comput اطلاع می دهد. 2000 ، 12 ، 237-255. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Wu, K. مطالعه بهینه سازی مسیر مسیر شبکه اتوبوسرانی بر اساس الگوریتم بهبود یافته کلونی مورچه ها. میکروکامپیوتر. Appl. 2021 ، 37 ، 134-136. [ Google Scholar ]
- دوریگو، م. بیراتاری، م. بلوم، سی. کشیش، م. استوتزل، تی. Winfield، AFT Ant Colony Optimization and Swarm Intelligence: ششمین کنفرانس بین المللی، ANTS 2008، یادداشت های سخنرانی در علوم کامپیوتر ; Springer: برلین/هایدلبرگ، آلمان، 2008; پ. 5217. [ Google Scholar ]
- جانگ، ای. گو، اس. Poole, B. پارامتر مجدد طبقه بندی شده با gumbel-softmax. arXiv 2016 . [ Google Scholar ]
- وزارت مسکن و توسعه شهری – روستایی جمهوری خلق چین. استاندارد برای برنامه ریزی سیستم جامع حمل و نقل شهری، GB/T51328-2018 ؛ شورای دولتی جمهوری خلق چین: پکن، چین، 2018. [ Google Scholar ]
- دوریگو، م. Stützle, T. Ant Colony Optimization: Overview and Recent Advances ; Springer US: نیویورک، نیویورک، ایالات متحده آمریکا، 2010. [ Google Scholar ]
- بوندارنکو، م. کر، دی. سوریچتا، ا. Tatem، سرشماری AJ/مجموعه داده‌های جمعیت شبکه‌بندی‌شده با پیش‌بینی برای 189 کشور در سال 2020 با استفاده از خروجی‌های مدل رشد اسکان ساخته شده (BSGM) ؛ WorldPop، دانشگاه ساوتهمپتون: ساوتهمپتون، انگلستان، 2020. [ Google Scholar ] [ CrossRef ]
شکل 1. منطقه مطالعه و داده ها.
شکل 2. فرآیند کلی بهینه سازی شبکه خط اتوبوس بر اساس ACO.
شکل 3. بیان گره جاده ها.
شکل 4. مثالی از بیان گره مسیرهای حمل و نقل عمومی.
شکل 5. ادغام مبدا و مقصد OD با گره های جاده.
شکل 6. فرآیند بهینه سازی شبکه خط بر اساس الگوریتم کلونی مورچه ها.
شکل 7. روند کل جریان مستقیم مسافر در شبکه خط برنامه ریزی شده.
شکل 8. نقشه توزیع شبکه مسیر اتوبوس بهینه منطقه مورد مطالعه.
شکل 9. توزیع شبکه اتوبوسرانی، ایستگاه ها و تراکم جمعیت.
بدون دیدگاه