一种基于遗传算法的公交车智能调度系统和方法

技术领域

本发明涉及公交调度技术领域，具体地，涉及一种基于遗传算法的公交车智能调度系统和方法。

背景技术

近年来随着国民经济的迅速发展，居民生活水平不断提高，汽车的数量也随之快速增加，这使城市交通拥堵的问题日益严重。城市公交系统与地铁相比，因其运营费用相对较低，所以还是解决交通拥堵问题的有效方式之一。

但是目前的公交调度系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低。

因此，提供一种利用展智能交通系统(ITS)技术，可以以上技术问题，以实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的基于遗传算法的基于遗传算法的公交车智能调度系统和方法是本发明亟需解决的问题。

发明内容

针对上述技术问题，本发明的目的是克服现有技术中的公交调度系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低的问题，从而提供一种利用展智能交通系统(ITS)技术，可以以上技术问题，以实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的基于遗传算法的公交车智能调度系统和方法。

为了实现上述目的，本发明提供了一种基于遗传算法的公交车智能调度系统，所述系统包括：

调度模型构建模块，用于建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；

车辆调度指挥模块，用于根据计算出模型的目标函数的解发出车辆调度信号；

车辆终端模块，用于接收和显示公交调度信号，并且将GPS定位系统获取的车辆位置信息实时反馈给所述车辆调度指挥模块。

优选地，所述调度模型构建模块包括：

目标函数构建模块，用于构建发车次数最少的第一目标函数：

一天分为i个时段，D

以及乘客的平均候车时间最短的第二目标函数：

I代表时段总数，J代表车站数，ρ

从而获得整合后的第三目标函数：

遗传算法计算模块，用于利用遗传算法计算出所述第三目标函数F的解。

优选地，所述系统还包括：

路况信息获取模块，用于给所述车辆调度模块提供服务区域内路网数据和路况信息；

站点终端模块，用于接收并显示所述车辆调度模块发送的车辆调度信号，以及将站点的图像信息反馈至车辆调度指挥模块。

优选地，所述系统还包括：通信模块，用于车辆调度指挥模块与车辆终端模块、路况信息获取模块以及站点终端模块进行之间的信号传输。

优选地，所述通信模块包括：无线通信子模块与有线通信子模块。

本发明还提供了一种基于遗传算法的公交车智能调度方法，所述方法包括：

建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；

根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆；

获取的调度公交车辆的实时位置信息。

优选地，所述建立公交车智能调度模型，并且计算出模型的目标函数的解包括以下步骤：

用于构建发车次数最少的第一目标函数：

一天分为i个时段，D

构建乘客的平均候车时间最短的第二目标函数：

I代表时段总数，J代表车站数，ρ

整合所述第一目标函数与所述第二目标函数以获得第三目标函数：

根据遗传算法计算出所述第三目标函数F的解。

优选地，所述根据遗传算法计算出所述第三目标函数F的解包括以下步骤：

步骤1，程序初始化，初始化模型的各参数；

步骤2，按照编码规则，随机产生M个染色体组成初始种群；

步骤3，将种群中的个体映射为发车间隔，计算出适应度值并按升序排序；

步骤4，使用适应度比例方法选择M个个体组成新的临时种群；

步骤5，根据交叉率对选择操作产生的临时种群中的染色体进行单点交叉操作；

步骤6，根据变异率对交叉操作产生的临时种群中的染色体进行变异操作；

步骤7，计算变异操作产生的种群中各个染色体的适应度值并按升序排列；

步骤8，按照一定比例从上一代种群中选出适应度值较高的个体替换新一代中适应度值较低的个体，并将新种群中的个体按适应度值升序排列；

步骤9，如果达到设定的迭代次数则结束算法，否则跳到步骤4。

优选地，所述根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆之前，所述方法还包括：

获取服务区域内路网数据和路况信息。

优选地，所述方法还包括：

在站点处显示所述车辆调度模块发送的车辆调度信号；

将站点的图像信息反馈至车辆调度指挥模块。

根据上述技术方案，本发明提供的基于遗传算法的公交车智能调度系统和方法工作时的有益效果为：利用遗传算法计算出调度模型关于发车次数以及乘客的平均候车时间两者之间的最优解，以确定好调度方案，车辆调度指挥模块利用计算获得的调度方案发出车辆调度信号以调度公交车辆，实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的目的。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是本发明的一种优选的实施方式中提供的基于遗传算法的公交车智能调度系统的结构框图；

图2是本发明的一种优选的实施方式中提供的调度模型构建模块的结构框图；

图3是本发明的一种优选的实施方式中提供的基于遗传算法的公交车智能调度方法的流程图；

图4是本发明的一种优选的实施方式中提供的根据遗传算法计算出所述第三目标函数F的解的流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

在本发明中，在未作相反说明的情况下，“上、下、内、外”等包含在术语中的方位词仅代表该术语在常规使用状态下的方位，或为本领域技术人员理解的俗称，而不应视为对该术语的限制。

如图1和图2所示，本发明提供了一种基于遗传算法的公交车智能调度系统，所述系统包括：

调度模型构建模块，用于建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；

车辆调度指挥模块，用于根据计算出模型的目标函数的解发出车辆调度信号；

车辆终端模块，用于接收和显示公交调度信号，并且将GPS定位系统获取的车辆位置信息实时反馈给所述车辆调度指挥模块。

在上述方案中，利用遗传算法计算出调度模型关于发车次数以及乘客的平均候车时间两者之间的最优解，以确定好调度方案，车辆调度指挥模块利用计算获得的调度方案发出车辆调度信号以调度公交车辆，实现降低公交公司的运营成本，提高乘客的满意度，确保社会效益和经济效益得到最大满足的目的。

在本发明的一种优选的实施方式中，所述调度模型构建模块包括：

目标函数构建模块，用于构建发车次数最少的第一目标函数：

一天分为i个时段，D

以及乘客的平均候车时间最短的第二目标函数：

I代表时段总数，J代表车站数，ρ

从而获得整合后的第三目标函数：

遗传算法计算模块，用于利用遗传算法计算出所述第三目标函数F的解。

在上述方案中，所述发车次数最少的第一目标函数就是使公交公司运营费用最小的情况，第二目标函数就是使社会效益最大的情况，这样为了使两个目标函数值都达到最小，通过加权系数α和β将两个目标函数整合成一个目标函数，这个函数的解就是降低公交公司的运营成本，提高乘客的满意度的调度方法，然后遗传算法计算模块用于利用遗传算法计算出所述第三目标函数F的解，在次过程中，需要对遗传算法进行设计：首先需要进行采用基于[0，1]的二进制编码形式，通过划分的时段数I、最小发车间隔、最大发车间隔，设定染色体的长度，把一天划分为I个时段，则染色体的编码长度为4I；然后进行采用完全随机的方法产生初始种群，即先随机生成一定数目的个体，然后从中挑选出最好的个体加入到初始群体中，不断迭代此过程，直到初始群体中个体数达到了预先设定的规模；再常将目标函数映射成求最大值形式的适应度函数，引入一个适当的输入值C

再操作算子；最后利用设计好的遗传算法对目标函数进行求解以获得其最小解。

在本发明的一种优选的实施方式中，所述系统还包括：

路况信息获取模块，用于给所述车辆调度模块提供服务区域内路网数据和路况信息；

站点终端模块，用于接收并显示所述车辆调度模块发送的车辆调度信号，以及将站点的图像信息反馈至车辆调度指挥模块。

在上述方案中，车辆调度指挥模块还需要根据路况信息获取模块获得服务区域内路网数据和路况信息以及站点终端模块反馈的站点的图像信息进行调度，这样可以提高调度的合理性。

在本发明的一种优选的实施方式中，所述系统还包括：通信模块，用于车辆调度指挥模块与车辆终端模块、路况信息获取模块以及站点终端模块进行之间的信号传输。

在本发明的一种优选的实施方式中，所述通信模块包括：无线通信子模块与有线通信子模块。

如图3和图4所示，本发明还提供了一种基于遗传算法的公交车智能调度方法，所述方法包括：

建立公交车智能调度模型，并且利用遗传算法计算出模型的目标函数的解；

根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆；

获取的调度公交车辆的实时位置信息。

在本发明的一种优选的实施方式中，所述建立公交车智能调度模型，并且计算出模型的目标函数的解包括以下步骤：

用于构建发车次数最少的第一目标函数：

一天分为i个时段，D

构建乘客的平均候车时间最短的第二目标函数：

I代表时段总数，J代表车站数，ρ

整合所述第一目标函数与所述第二目标函数以获得第三目标函数：

根据遗传算法计算出所述第三目标函数F的解。

在本发明的一种优选的实施方式中，所述根据遗传算法计算出所述第三目标函数F的解包括以下步骤：

步骤1，程序初始化，初始化模型的各参数；

步骤2，按照编码规则，随机产生M个染色体组成初始种群；

步骤3，将种群中的个体映射为发车间隔，计算出适应度值并按升序排序；

步骤4，使用适应度比例方法选择M个个体组成新的临时种群；

步骤5，根据交叉率对选择操作产生的临时种群中的染色体进行单点交叉操作；

步骤6，根据变异率对交叉操作产生的临时种群中的染色体进行变异操作；

步骤7，计算变异操作产生的种群中各个染色体的适应度值并按升序排列；

步骤8，按照一定比例从上一代种群中选出适应度值较高的个体替换新一代中适应度值较低的个体，并将新种群中的个体按适应度值升序排列；

步骤9，如果达到设定的迭代次数则结束算法，否则跳到步骤4。

在本发明的一种优选的实施方式中，所述根据计算出模型的目标函数的解发出车辆调度信号以调度公交车辆之前，所述方法还包括：

获取服务区域内路网数据和路况信息。

在本发明的一种优选的实施方式中，所述方法还包括：

在站点处显示所述车辆调度模块发送的车辆调度信号；

将站点的图像信息反馈至车辆调度指挥模块。

综上所述，本发明提供的基于遗传算法的公交车智能调度系统和方法克服现有技术中的公交调度系统不能很好地满足居民的出行，仍然存在着乘客等车时间长的问题，使得公交出行方式对居民的吸引力降低的问题。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。