交通擁堵狀態下的智能調度平臺的設計與仿真

摘 要： 傳統平臺在交通擁堵狀態下對車輛進行調度時，需建立多個約束條件且必須全部實現，造成實現過程復雜、調度效率低下。設計一種新的智能調度平臺，分析智能調度平臺的總體結構，介紹平臺調度模塊、監控模塊、GIS模塊、車流量統計模塊和數據采集模塊的具體功能，以解決約束沖突弊端為目的，采用人工魚法對車輛進行調度，為實現平臺調度模塊提供依據，并給出登錄界面和調度過程的部分代碼。仿真實驗結果表明，所設計的智能調度平臺不僅效率高，而且交通流流速也明顯提高，驗證了所設計平臺的實用性和可靠性。

關鍵詞： 交通擁堵狀態； 智能調度； 調度平臺設計； 仿真實驗

中圖分類號： TN911?34； TP273 文獻標識碼： A 文章編號： 1004?373X（2016）16?0040?04

Abstract： The traditional vehicle scheduling platform needs to establish multiple constraints and must realize them all when the congestion state appears， which makes the dispatching process complex and inefficient. Therefore， a new intelligent dispatching platform was designed. In this paper， the overall structure of the intelligent dispatching platform is analysed， the functions of platform scheduling module， monitoring module， GIS module， traffic flow statistic module and data acquisition module are introduced to resolve the constraint conflict malpractices. The artificial fish method of vehicle scheduling is adopted to provide the basis for the scheduling module. The part codes of login interface and scheduling process are given. The simulation experimental results show that the intelligent dispatching platform has high efficiency and can improve the traffic flow velocity obviously. The practicability and reliability of the designed platform were verified by the results.

Keywords： traffic congestion state； intelligent scheduling； scheduling platform design； simulation experiment

0 引 言

隨著人們物質生活水平的逐漸提高，車輛已經逐漸成為人們出行的必需品，交通壓力越來越大[1?2]。為了緩解交通壓力，改善交通狀態，不僅需要建設交通基礎設施，還需要現代化的智能調度平臺；因此，對其研究具有重要意義[3?5]。

目前，研究交通擁堵狀態下的調度方法有很多，文獻[6]提出一種基于迪杰斯克拉算法的吊桶擁堵狀態下的調度方法，該方法將圖節點劃分成未標記節點、臨時標記節點與永久標記節點，在搜索的過程中，將和最短路徑中的節點相連通的節點看作是臨時標記節點，直至獲取目標節點，但該方法隨著圖復雜性的增加，計算量逐漸增加。文獻[7]提出一種基于爬山搜索的智能調度方法，該方法依據知識的搜索策略，也就是從初始狀態到目標狀態進行搜索時，通過獲取和步驟數或費用相關的信息實現車輛調度，該方法為逐次逼近算法，不一定能夠獲取最優解。文獻[8]提出一種基于A算法的車輛調度方法，該方法依據寬度優先法，針對全部未展開的節點，通過評估函數對其進行評估，尋找最應被評估的點，從而獲取目標節點的最短路徑，但該方法所需時間較長，效率低下。文獻[9]提出一種基于優化神經網絡的車輛調度方法，根據調度的地區、交通狀況、需求緊張程度等參數構造神經網絡模型，以調度算法的最短路徑為網絡輸出，神經網絡的權值系數和閾值通過遺傳算法進行優化更新，但該方法容易陷入局部最優。文獻[10]提出一種基于權值的車輛調度方法，在對路徑進行選擇時，首先對每條調度路徑上的擁堵權值進行計算，通過權值完成合理的調度，但該方法的路徑擁堵權值系數必須在一定的約束條件下才可準確獲取，難以實現。

針對上述方法的弊端，設計一種新的智能調度平臺，分析智能調度平臺的總體結構，以解決約束沖突弊端為目的，采用人工魚法對車輛進行調度，給出了登錄界面和調度過程的部分代碼。仿真實驗結果表明，所設計的智能調度平臺不僅效率高，而且交通流流速也明顯提高，驗證了所設計平臺的實用性和可靠性。

1 基于混合人工魚群算法的交通擁堵狀態下智

能調度平臺的設計

1.1 系統總體結構

在交通擁堵狀態下，所設計的基于混合人工魚群算法的智能調度平臺主要由調度模塊、監控模塊、GIS模塊、車流量統計模塊和數據采集模塊等構成，總體結構如圖1所示。

各模塊的詳細功能如下：

調度模塊主要負責對待調度車輛發送命令，同時采用混合人工魚算法對待調度車輛到達目的地的最優路徑進行計算，將其作為調度命令之一。

車輛監控模塊依據數據采集模塊采集到的信息和相關數據對車輛進行監控，為車輛調度模塊提供數據技術。

GIS模塊的功能可分為獨立功能和協助功能。獨立功能即對地圖的基本操作，例如地圖的裝載、編輯等；協助功能就是協助車輛監控模塊和車輛調度模塊實現監控調度功能，例如在地圖上顯示車輛位置等。

車流量統計模塊依據相關的數據規則對某一時間段內，通過某路段的車流量進行統計，平臺管理者通過車流量可合理的選擇調度方案，有利于交通的暢通。

數據采集模塊通過在交通路口或某路段安裝閱讀器進行車輛信息采集，將采集到的數據發送至車輛監控模塊。

1.2 基于人工魚群算法的交通擁堵狀態下車輛調度方法

上述分析平臺中的調度模塊主要是通過人工魚群方法實現的，下面進行詳細的分析。20世紀初，相關領域專家提出了基于人工魚群算法的最優化選擇處理方法，可將多種情況的選擇進行最優化處理，本節將其應用于交通擁堵狀態下的車輛調度。假設交通擁堵狀態下的搜索空間維數是[n，]魚群的規模為[N]。每條人工魚均可描述成一個[n]維向量[Xi=xi1，xi2，…，xin]，則通過混合人工魚方法進行最優化處理的詳細過程如下：

（1） 初始種群的產生。隨機產生魚群的初始狀態，假設待調度的有效路徑和分支路徑的數量是[m]，共有的數量是[n]，則一條人工魚的初始狀態可描述成[x1，x2，…，xn，A=n！，]其中[xi∈1，2，…，n]，[?i≠j，xi≠xj]，[A]用于描述可行解集合[A]中元素的個數。

（2） 適值計算。適值函數[Y=fX]用于描述人工魚當前狀態的食物濃度；適值函數將人工魚的狀態[X=x1，x2，…，xn]變成一種調度方案，同時返回調度路徑的權值計算結果。這里采用一種優先適合啟發式算法完成上述轉換，詳細實現過程如下：

① 對排列在第一位的有效路徑[biSi]進行保留，將其“權值”看作是魚群中第一個成員，同時假設[U=Si]；

② 在路徑的排列中按照順序選擇其余的路徑[bjSj]，若[U?Sj=Φ]（[U]為單位時間），則保留[bjSj]，將其“權值”看作是魚群中的成員，按照順序補充至魚群中，同時假設[U=U?Sj]；反之，進行步驟③；

③ 如果[U=M]（路徑權值系數最小值），退出；否則，轉④；

④ 覓食：假設人工魚當前狀態是[Xi]，隨機選擇一個狀態[Xj]，[Xj∈XX∈A，dij≤Rvis，i≠j]。如果[Yi

[Xj=Xj+cslepXi-Xjdij] （1）

式中：[Rvis]用于描述人工魚的視野范圍；[di，j=dXi，Xj]（[i，j=1，2，…，N]）用于描述人工魚[Xi]和人工魚[Xj]之間的距離；[cslep]用于描述步長系數，這里取[cslep=1]。如果[Yi>Yj]，則重新選擇狀態[Xj]，直至次數超過[Ntry]（[Ntry]為人工魚每次移動的最大試探次數）為止。

（3） 追尾。假設人工魚當前的狀態是[Xi]，用[Xmax=MAXX∈XX∈A，dX，Xi≤RvisS∈XbSnf]描述集合[XX∈A，dX，Xi≤Rvis]的基數。如果[Yi

（4） 聚群。假設人工魚當前狀態是[Xi]，用[Xc]描述[Xi]探索鄰域的中心位置。如果[nfN<δ]，同時[Yi

[Xi=Xi+cstepXc-Xide，i] （2）

反之，進行覓食。

依據上述過程，則交通擁堵狀態下，采用混合人工魚方法進行車輛調度的詳細過程如下：

（1） 產生初始路徑權值調度種群；

（2） 通過優先適合啟發式算法對調度權值進行計算；

（3） 針對每條人工魚[ii=1，2，…，N]有：

① 進行追尾計算，若追尾后狀態優于原狀態，則進行步驟（4）；否則，進行步驟②；

② 聚群，若聚群后狀態優于原狀態，則進行步驟（4）；否則，進行步驟③；

③ 覓食，經迭代求出最優權值；

（4） 對當前最優調度權值進行更新；

（5） 對魚群距離[di，j]進行更新；

（6） 如果已達到最大進化代數，則退出；反之，重新進行步驟（3）。

則交通擁堵狀態下調度路徑[X1，X2，…，XN]的中心可描述成：

[CenterX1，X2，…，XN=Mosti=1，2，…，Nxi1，xi2，…，xin] （3）

式中，[Most]操作符代表取其中多數共有或最相近的值。上述方法可有效解決約束沖突弊端，實現最優調度路徑的準確定位。采用上述描述混合人工魚方法進行車輛調度的電路圖如圖2所示。

2 軟件設計

2.1 平臺登錄界面

所設計的基于人工魚群算法的交通擁堵狀態下智能調度平臺的登錄界面如圖3所示。平臺登錄界面實現代碼如下：

2.2 車輛調度代碼

采用人工魚群方法進行車輛調度的部分代碼如下：

3 仿真實驗分析

為了驗證本文設計的智能調度平臺的有效性，需要進行相關的實驗分析。實驗采用Matlab軟件對相應的仿真程序進行編寫，將基于dijiskla算法的調度平臺作為對比進行仿真分析。隨著可調度權值路徑規模的逐漸增加，分別采用本文平臺和dijiskla平臺對交通擁擠狀態下的車輛進行調度，對平均調度時間和最優解與精確解之間的差值進行統計，得到的結果如表1所示。

分析表1可以看出，隨著可調度路徑權值規模的逐漸增大，采用本文系統得到的最優解與精確解的差值逐漸增加，同時運行時間呈上升趨勢。但與dijiskla平臺相比，本文平臺的最優解明顯更優，運行時間也顯著降低。說明針對交通擁堵車輛調度問題，本文平臺是一種快速穩定的平臺。如圖4所示是隨著時間的變化，采用本文平臺和dijiskla平臺得到的交通流密度變化曲線比較結果。

分析圖4可以看出，采用本文平臺對交通擁堵狀態下的車輛進行調度后，交通流密度曲線逐漸成下降趨勢，而經dijiskla平臺處理的交通流密度曲線波動較大，調度效果不佳，說明本文平臺更加實用可靠。

4 結 論

本文設計了一種新的智能調度平臺，分析了智能調度平臺的總體結構，介紹了平臺調度模塊、監控模塊、GIS模塊、車流量統計模塊和數據采集模塊的具體功能，以解決約束沖突弊端為目的，采用人工魚法對車輛進行調度，為實現平臺調度模塊提供依據。給出了登錄界面和調度過程的部分代碼。仿真實驗結果表明，所設計的智能調度平臺不僅效率高，而且交通流流速也明顯提高，驗證了所設計平臺的實用性和可靠性。

參考文獻

[1] 劉霞.基于站點換乘優化算法的智能公交實時調度系統的研究與實現[D].青島：中國海洋大學，2014.

[2] 章立宗，金紅華，莫莉暉，等.智能電網調度系統下的調度監控平臺的設計與研究[J].城市建設理論研究，2014（36）：34?37.

[3] 張靜.智能電網調度系統下的調度監控平臺的設計與研究[J].現代國企研究，2015（6）：66.

[4] 王志超.智能公交車輛調度系統的設計與優化[J].中國科技縱橫，2014（16）：21.

[5] 錢寒峰.先進的交通信息平臺框架設計及問題分析[J].經濟技術協作信息，2014（32）：58?59.

[6] 陸瑞華，胡蓉，劉林林.電網一流調度智能數據平臺設計與應用[J].華東電力，2013，41（1）：77?80.

[7] 李飛，孫軒，馬春紅.基于互聯網公交調度管理系統的設計與實現[J].地理信息世界，2014（2）：69?73.

[8] 張煒，施展，劉昊，等.基于GIS的高速公路監控與指揮調度系統設計[J].中國交通信息化，2013（3）：76?79.

[9] 王大亮，鄧健，魯海威，等.基于可視化技術的地區電網智能調度預警系統設計應用[J].電網與清潔能源，2014（11）：81?86.

[10] 劉賓，陳占帥，褚志鵬，等.基于GPRS的智能公交站牌顯示系統設計[J].電子設計工程，2014，22（11）：134?136.