粒子群优化算法在公交车辆调度的研究

公交车辆调度问题是具有复杂约束条件的组合优化问题，需要将车辆、客流、服务、运营等因素考虑到公交调度方案中，以此建立多目标车辆调度模型。运用粒子群优化算法（PSO）进行比较分析并求解车辆调度问题，制定最优公交车辆调度方案。

1、粒子群算法

粒子群算法（PSO，Particle Swarm Optimization）是由Kennedy和Eberhart等开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO算法属于进化算法的一种，从随机解出发，通过迭代寻找最优解，也是通过适应度来求解最优方案，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法具有实现容易、精度高、收敛快等优点，并且在解决实际问题中展示了其优越性。

2、粒子群算法流程

粒子群算法主要解决优化问题，通过生成一群随机的粒子，并通过多次迭代来找到最优解。每个寻优问题的解被称为粒子，每个粒子在搜索空间中单独地搜寻最优解最佳适应值，并将个体最佳适应值与整个粒子群里的其他粒子共享，找到当前全局最优解。粒子群算法流程主要分为初始化粒子群、计算适应值、求个体最佳适应值、寻找全局最优解和更新粒子的速度和位置。

3、公交车辆调度的粒子群算法

在建立车辆调度模型时，首先要将实际问题进行数学化，选取某条线路公交车总里程L，并设定公交车辆的车型、发车间隔、运行时间等条件，将公交车辆的运营时间分为K个时段，第K个时段的发车间隔为△t_k。设定模型约束条件时优先考虑乘客服务水平，将乘客的等待时间最短为出发点，同时也考虑运营成本最低化，根据两个目标函数的权值问题，结合各站点客流量及运营条件求解此条路线的车辆运行时刻表。

根据粒子群算法合理解决公交排班系统问题，需要将人、车、路等因素考虑进去，运用科学算法解决公交调度问题。公交车排班是调度系统的核心内容，合理的发车时刻表可以提高车辆利用率，降低运营成本，减少乘客候车时间。

4、结语

通过粒子群算法并结合其他智能优化算法，能够在合理的时间里根据设定条件得到最优解，尤其在车辆调度问题上，随着数据量的增加，通过一系列智能优化算法得出最满意的车辆调度方法，合理确定发车时间和车次，优化发车密度，最大化满足乘客出行需求。

参考文献：

[1]雷秀娟 史忠科 付阿利 改进的粒子群优化算法求解车辆调度问题.

[2]丰伟 李雪芹 基于粒子群算法的多目标车辆调度模型求解