發(fā)布時(shí)間：2024-06-05 05:15

　　傳統(tǒng)的路線規(guī)劃者通常專注于尋找路網(wǎng)上兩點(diǎn)之間距離最短的路線或花費(fèi)時(shí)間最短的路線。然而,在實(shí)際情況下,特別是在智能城市的時(shí)代,許多與交通相關(guān)的數(shù)據(jù)可以被容易獲得,近幾年人們對(duì)基于不同標(biāo)準(zhǔn)進(jìn)行路線規(guī)劃的需求不斷增加,例如在不超過(guò)給定的旅行時(shí)間預(yù)算(成本)的前提下,尋找一條累積風(fēng)景值(效益值)最高的路線,這種問(wèn)題可以看作弧定向問(wèn)題(AOP)的變體,眾所周知,這是一個(gè)NP難問(wèn)題。本文針對(duì)一個(gè)更為實(shí)際的AOP問(wèn)題展開(kāi)研究,其中,路網(wǎng)中各路段的效益值和通過(guò)路段的行駛時(shí)間具有時(shí)間依賴性,這個(gè)問(wèn)題被定義為雙重時(shí)間依賴的弧定向問(wèn)題(2TD-AOP)。在本文中,針對(duì)2TD-AOP展開(kāi)了深入的研究,提出了兩個(gè)解決方案。首先,本文提出使用模因算法來(lái)解決2TD-AOP,具體而言,給定旅行時(shí)間預(yù)算,規(guī)劃了一條累積風(fēng)景值(效益值)高的路線。這個(gè)過(guò)程大致分為兩個(gè)階段:初始化階段和局部搜索階段。在初始化階段,通過(guò)搜索區(qū)域縮減、染色體編碼和染色體解碼操作產(chǎn)生種群中的個(gè)體;在局部搜索階段,通過(guò)染色體選擇、交叉和變異操作提高了種群中個(gè)體的質(zhì)量。通過(guò)種群的迭代使種群中優(yōu)秀個(gè)體所占的比例不斷提高,最終在不超過(guò)時(shí)間預(yù)算的前提下,選...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2搜索區(qū)域縮減示例

重慶大學(xué)碩士學(xué)位論文2基于模因算法的雙重時(shí)間依賴的風(fēng)景行車路線規(guī)劃方法11t0時(shí)刻車輛的平均速度。圓區(qū)域中包含的路段是從起點(diǎn)出發(fā)在時(shí)間預(yù)算內(nèi)可達(dá)的路段，如圖2.2中所示左邊的圓。使用同樣的方式我們以終點(diǎn)為中心畫(huà)一個(gè)相同大小的圓，得到在t0時(shí)刻從在終點(diǎn)出發(fā)在時(shí)間預(yù)算內(nèi)可達(dá)的路段。因....

圖2.3初始種群的生成Fig.2.3Thegenerationoftheinitialpopulation

重慶大學(xué)碩士學(xué)位論文2基于模因算法的雙重時(shí)間依賴的風(fēng)景行車路線規(guī)劃方法11t0時(shí)刻車輛的平均速度。圓區(qū)域中包含的路段是從起點(diǎn)出發(fā)在時(shí)間預(yù)算內(nèi)可達(dá)的路段，如圖2.2中所示左邊的圓。使用同樣的方式我們以終點(diǎn)為中心畫(huà)一個(gè)相同大小的圓，得到在t0時(shí)刻從在終點(diǎn)出發(fā)在時(shí)間預(yù)算內(nèi)可達(dá)的路段。因....

圖2.4染色體編碼示例

重慶大學(xué)碩士學(xué)位論文2基于模因算法的雙重時(shí)間依賴的風(fēng)景行車路線規(guī)劃方法13為了更好的理解每條染色體的編碼過(guò)程，我們給出了一個(gè)例子，如圖2.4所示，在初始化階段有效區(qū)域中有7條有效的風(fēng)景路段（a,b,c,d,e,f,g），如圖2.4（a）所示，隨著染色體不斷的編碼，有效風(fēng)景路段的數(shù)....

圖2.5染色體交叉Fig.2.5Chromosomecrossover

重慶大學(xué)碩士學(xué)位論文2基于模因算法的雙重時(shí)間依賴的風(fēng)景行車路線規(guī)劃方法15個(gè)參數(shù)控制，即Pc和ρc，其中Pc是用戶指定的常數(shù)，通常稱作交叉概率；ρc是在[0,1]范圍內(nèi)隨機(jī)生成的值，當(dāng)Pc>ρc時(shí)，對(duì)選中的染色體執(zhí)行交叉操作。圖2.5染色體交叉Fig.2.5Chromosomec....

本文編號(hào)：3989700