基于TransModeler路径优化仿真模型的研究.docVIP

基于TransModeler路径优化仿真模型的研究.doc

  1. 1、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于TransModeler路径优化仿真模型的研究   摘要:在城市交通路网中诱导车辆规划较优出行路线,来提高人们的出行质量。本文分别研究了蚁群算法和粒子群算法,并根据其优缺点进行了算法融合。同时学习和分析了Transmodeler4.0软件,建立城市路网,加入仿真数据,并模拟了融合算法下的路径优化模型。结合实例,通过路径对比,提出优化方案。   关键词:蚁群算法;粒子群算法;Transmodeler;路径仿真   中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2016)36-0166-02   针对目前智慧城市的要求,出行者迫切需要一个避免拥堵,安全方便,高效率的出行服务,交通管理者也需要合理的分配城市路网的交通流,使出行者的行驶路径达到最大优化[1, 2]。那么,路径优化的研究具有很大的意义。   算法的选择,直接影响了优化结果的精度。目前,广泛应用于路径选择和网络路由策略等领域的算法,常见的有群智能优化算法的粒子群算法(Particle Swarm Optimization,PSO)和模拟进化算法的蚁群算法(Ant Colony Optimization,ACO)。而交通仿真是再现复杂的真实交通现象,并对其进行问题解释、环境分析、现象预测,最终找出问题所在并解决优化,并对所研究的系统进行改进、比选和评价。Transmodeler4.0软件以地理信息系统 ( GIS )为基础,采用较为实用的仿真模型,能够体现优化方案的科学性和可行性是仿真软件参数设定的最终目标,同时具有结果评价和分析等功能。   本文根据PSO和ACO两算法的优缺点进行算法的融合使用,加入实例,选出最优路径,并利用Transmodeler4.0软件对所选路径进行了仿真模拟,实验结果较好。   1 蚁群算法与粒子群算法   1.1 ACO的基本原理   ACO是应用最广的一种算法,其思想源于蚂蚁觅食行为,尽管蚂蚁个体非常简单,但能表现出强大的社会群体行为。   若m只蚂蚁被随机分配到m个地点。设各个路径上初始信息浓度值为[τ0],可定为[τ0=m/cmn],m为蚂蚁数量。变化后的信息浓度为[τijn]。设定过小的初始信息浓度[τ0],容易使有哪些信誉好的足球投注网站陷入局部空间;[τ0]过大时,只有信息素挥发一部分之后,蚂蚁释放的信息素才能发挥指引作用。位于地点i的蚂蚁选择地点j依据如下概率公式[3]:   [pkij(t)=ταij(t)ηβij(t)s∈allowkταis(t)ηβis(t),j∈allowk0,j?allowk]   式中:   [τ0]――路径(i, j)的信息素浓度;   [nij]――地点间距离的启发式信息,[nij=1/dij];   α,β――两个启发式信息的参数,决定启发式信息对蚂蚁选择地点影响的程度;   allow――蚂蚁未访问的地点的集合。   以上是个体蚂蚁的行为特征,要想得到局部最优解,需要多只蚂蚁多此寻找路径,一旦发现新的最短路径,就将此路径记录下来。   1.2 PSO的基本原理   在[D]维的有哪些信誉好的足球投注网站空间内,一个由[M]个粒子组成的群体按照一定的速度进行不断运动[7]。粒子[pi]在[t]时刻[D]维空间里的状态如下:   位置记为:[Xti=xti1,xti2,xti3,???,xtid],i=1,2,3,…,[M]。[xtid∈xmind,xmaxd],[xmind],[xmaxd]分别代表有哪些信誉好的足球投注网站空间[D]的下限和上限;   飞行速度为:[Vti=vti1,vti2,vti3,???,vtid],i=1,2,3,…,[M]。[vtid∈vmind,vmaxd],   [vmind],[vmaxd]分别为粒子飞行的最小和最大速度;   个体最优位置:[Pti=pti1,pti2,pti3,???,ptid],整体最优:[Ptg=ptg1,ptg2,ptg3,???,ptgd];   其中[1≤d≤D],[1≤i≤M],粒子群算法进行优化迭代中,则粒子[pi]在[t+1]时刻按照以下公式进行速度的不断更新和位置的不断更新:   PSO的基本算法步骤大概描述如下:   (1)初始化。设PSO中各类参数:有哪些信誉好的足球投注网站空间[D]的下限[xmind]和上限[xmaxd];学习因子[c1],[c2];算法最高迭代次数[Tmax]和寻优误差系数[θ];粒子的速度上限和下限为[vmind],[vmaxd]。随机初始化各个粒子的速度[vi]和位置[xi]。   (2)计算和评价每一个粒子的适应值,并记录粒子的个体极值[Pti]和全局极值[Ptg]。   (3)将粒子个体历史的最好位置[Pti]的适应值于当前粒子位置适应值进行比较,[Pti]取优。   (4)将每个粒子的位置的适

文档评论(0)

heroliuguan + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

版权声明书
用户编号:8073070133000003

1亿VIP精品文档

相关文档