[経路計画] MATLAB遺伝的アルゴリズムに基づくバススケジューリングシステムの分析[Matlabソースコード220期間を含む]

1.はじめに

1バススケジューリングシステムの背景分析
都市交通施設の建設が交通需要の伸びに遅れをとっているため、都市交通状況は日々悪化している。主要な交差点や交通が集中している一部の道路では、交通渋滞はさまざまな程度で発生している。。問題は都市開発を制限するボトルネックになっています。
都市交通システムは、都市の道路網、車両、管理システムで構成されるオープンで複雑なシステムです。都市交通を解決する方法はたくさんありますが、例えば、現在の数制限対策は良い方法のひとつです。数制限操作により、徒歩でバスに乗る人が増えるので、バスの問題を解決する方法スケジューリングは特に必要です。公共交通機関のスケジューリングシステムの問題を合理的に解決することは複雑な問題であり、人、車両、道路などの複雑な要素を考慮する必要があります。したがって、都市の道路交通問題をより適切に解決するには、ハイテク技術手法を使用する必要があります。今日、インテリジェント輸送システム（ITS）は、この問題を解決するための重要な方法の1つになっています。
運行車両のインテリジェントスケジューリングは、公共交通機関のインテリジェントディスパッチで解決する必要のある典型的な問題の1つです。インテリジェント交通システム（ITS）のコンテキストでは、バススケジュールの作成は都市の公共交通機関のコアコンテンツです。ディスパッチは、公共交通機関のディスパッチの日常的なコマンドです。車両の通常の操作の重要な基盤は、バスのディスパッチャとドライバーの作業の基本的な基盤でもあります。合理的なバススケジュールは、バス会社が車両の利用効率を改善し、運用コストを削減し、乗客の待ち時間を短縮してサービス品質を向上させるのに役立ちます。
2車両運転モデル
ここに画像の説明を挿入
3乗客の乗降モデル

4
遺伝的アルゴリズムの適用手順遺伝的アルゴリズムGAは、進化と遺伝理論に基づく大域的最適化手法です。
問題を解決するための単純な遺伝的アルゴリズムの基本的な手順は次のとおりです。
（1）初期化：目的関数の実行可能解のセットである初期母集団P（0）としてN個の個体をランダムに生成します。進化代数カウンターをゼロに設定し、最大進化代数iter_maxを設定します。
（2）個別評価：初期母集団を目的関数に代入し、適応度関数に従って現在の母集団の各母集団の適応度を計算します。
（3）終了条件の判断：終了条件が与えられた場合、アルゴリズムが終了条件を満たしているかどうかを判断し、満たす場合は（8）に進みます。
（4）選択操作：初期グループに対して選択操作を実行すると、良い個人がコピーされます。大量に、及び品質の悪い個体はほとんどコピーされていない、あるいは排除される;
（5）クロスオーバー演算：クロスオーバー演算が交叉確率に基づいて行われる;
（6）変異計算：クロスオーバー計算は突然変異確率に基づいて行われる;
（7）グループP （t）選択計算とクロスオーバー計算を行う突然変異演算後、N個の新規個体からなる次世代集団P（t + 1）を取得し、（2）、それ以外は（4）、
（8）に進みます。継続的な進化は、最終的に目的関数、適応を取得します。最高度の個人が問題の最適解または満足のいく解として出力され、計算が終了します。
ここに画像の説明を挿入

第二に、ソースコード

% 产生t(i)序列
clc,clear,close all
warning off
Tmin = 1;   % 表示相邻车辆间发车间隔的最小值(min)
Tmax = 10;  % 表示相邻车辆间发车间隔的最大值(min)
delta = 4;  % 表示相邻车辆发车间隔之差的限制值
m = 500;    % 表示总的发车次数(车次)
a = randi(10);  % t(1)第一个值的取值范围设定为1-10之间随机取值
t(1) = a;       % 赋值
maxt = 960;    % t(i)的最大值
% Loop
for i=2:m
    flag = 1;       % 标志变量
    while flag == 1
        % Tmin< t(i)-t(i-1) < Tmax
        a1 = randi(9);
        if a1>Tmin+2 && i==2
            t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
            flag = 0;   % i 时间点计算完毕
        elseif a1>Tmin+2 && i>2  % |t(i+1)-2*t(i)+t(i-1)|<delta 
            t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
            if abs( (t(i)-t(i-1)) -(t(i-1)-t(i-2)) )<delta
                flag = 0;  % i 时间点计算完毕
            end
        end
    end
    function flag=test(code)
% code       output: 染色体的编码值
global Tmin Tmax delta
x=code; %先解码
flag=1;
for i=3:length(x)
    else
        flag=0;
    end
end    
% 产生t(i)序列
function ret=Mutation(pmutation,lenchrom,chrom,sizepop,num,maxgen)
% 本函数完成变异操作
% pcorss                input  : 变异概率
% lenchrom              input  : 染色体长度
% chrom     input  : 染色体群
% sizepop               input  : 种群规模
% opts                  input  : 变异方法的选择
% pop                   input  : 当前种群的进化代数和最大的进化代数信息
% bound                 input  : 每个个体的上届和下届
% maxgen                input  ：最大迭代次数
% num                   input  : 当前迭代次数
% ret                   output : 变异后的染色体
function t = pop_meet_conditions(maxt)
global Tmin Tmax delta m tt PP Q cita
% 输入变量说明：
% Tmin = 1;   % 表示相邻车辆间发车间隔的最小值(min)
% Tmax = 10;  % 表示相邻车辆间发车间隔的最大值(min)
% delta = 4;  % 表示相邻车辆发车间隔之差的限制值
% m = 500;    % 表示总的发车次数(车次)
% maxt = 960;    % t(i)的最大值

% 输出变量说明：
% t为满足条件的个体

a = randi(10);  % t(1)第一个值的取值范围设定为1-10之间随机取值
t(1) = a;       % 赋值

flag = 1;       % 标志变量
% Loop
while flag==1
    
    for i=2:m
        flag = 1;       % 标志变量
        while flag == 1
            % Tmin< t(i)-t(i-1) < Tmax
            a1 = randi(9);
            if a1>Tmin+2 && i==2
                t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
                flag = 0;   % i 时间点计算完毕
            elseif a1>Tmin+2 && i>2  % |t(i+1)-2*t(i)+t(i-1)|<delta 
                t(i)=t(i-1)+a1; % Tmin < t(i)-t(i-1) < Tmax
                if abs( (t(i)-t(i-1)) -(t(i-1)-t(i-2)) )<delta
                    flag = 0;  % i 时间点计算完毕
                end
            end
        end
    end

3、実行中の結果

ここに画像の説明を挿入

四、備考

[巡回セールスマン問題] MATLAB免疫アルゴリズムに基づく巡回セールスマン問題の解決[Matlabソースコード195を含む]