【优化求解】基于遗传算法求解列车交路方案matlab代码

1 简介

列车开行方案是城轨系统正常运行的基础，可有效保障路网整体运输效率及城轨系统的服务水平。随着城市轨道交通的快速发展，客流分布呈现出多样性、复杂性和时变性等特征，客流需求与运输能力的矛盾亦愈加显著，为运输组织带来了巨大挑战。常见的列车开行模式为单一交路运营模式，一般以客流 OD 数据为基础，进而确定轨道交通的分时段断面客流量［1］，设定线路的运输能力高于最大断面客流量，后固定列车的发车频率及编组配置。但对于高峰期大客流车站的客流运送与疏解，单一交路开行方案显然存在一定弊端: 若在高峰期缩短发车间隔，实行较大开行密度以缓解拥堵，易导致高峰期高客流区间与低客流区间满载率分布不均、运能浪费的现象; 若开行密度过小，则不能满足通勤者的出行需求。在此背景下，多交路的列车开行方案应运而生，给城市轨道交通运输组织模式带来新的思考。

2 部分代码

clear;clc;close all;

%% 生成随机OD矩阵

%od()

%%遗传参数设置

NUMPOP=200;%初始种群大小

irange_l=1; %问题解区间

irange_r=35;

LENGTH=24; %二进制编码长度

ITERATION = 10000;%迭代次数

CROSSOVERRATE = 0.8;%杂交率

SELECTRATE = 0.4;%选择率

VARIATIONRATE = 0.2;%变异率

OD = xlsread('OD.xlsx');% 苏州地铁2号线调查问卷OD出行矩阵

h = xlsread('区间运行时间.xlsx'); % 苏州地铁2号线区间长度及运行时分

%初始化种群

pop=m_InitPop(NUMPOP,irange_l,irange_r);

pop_save=pop;

fitness_concat = [];

best_solution = [];

%开始迭代

for time=1:ITERATION

%计算初始种群的适应度

fitness=m_Fitness(pop, OD, h);

fitness_concat = [fitness_concat;max(fitness)];

pop_T = pop';

[m,index] = max(m_Fitness(pop, OD, h));

best_solution = [best_solution;pop(:,index)'];

%选择

pop=m_Select(fitness,pop,SELECTRATE);

%编码

binpop=m_Coding(pop,LENGTH,irange_l);

%交叉

kidsPop = crossover(binpop,NUMPOP,CROSSOVERRATE);

%变异

kidsPop = Variation(kidsPop,VARIATIONRATE);

%解码

kidsPop=m_Incoding(kidsPop,irange_l);

%更新种群

pop=[pop kidsPop];

end

disp(['最优解：' num2str(min(m_Fx(pop,OD))) '分钟']);

disp(['最优解对应的各参数：' num2str(pop(1,1)) ',' num2str(pop(2,1)) ',' num2str(pop(3,1)) ',' num2str(pop(4,1)) ]);

disp(['最大适应度：' num2str(max(m_Fitness(pop, OD, h)))]);

figure

% set(gca,'looseInset',[0 0 0 0]);

set(gcf,'outerposition',get(0,'screensize'));

loglog(1:ITERATION, fitness_concat, 'Blue*-','linewidth',2)

legend('{\bf最优适应度值}');

xlabel('{\bf进化代数}','fontsize',30);

ylabel('{\bf最优适应度}','fontsize',30);

set(gca,'FontSize',20,'Fontname', 'Times New Roman');

set(get(gca,'XLabel'),'Fontsize',20,'Fontname', '宋体');

set(get(gca,'YLabel'),'Fontsize',20,'Fontname', '宋体');

set(get(gca,'legend'),'Fontsize',20,'Fontname', '宋体');

set(get(gca,'title'),'Fontsize',20,'Fontname', '宋体');

set(gca,'linewidth',2);

print(gcf,'-dpng','-r300','最优适应度值-进化代数');

figure

% set(gca,'looseInset',[0 0 0 0]);

set(gcf,'outerposition',get(0,'screensize'));

semilogx(1 : ITERATION, best_solution,'linewidth',4)

legend('{\bf大小交路折返站a}','{\bf大小交路折返站b}','{\bf大交路发车频率f_1}','{\bf小交路发车频率f_2}');

% text(6, 0.3, '$\leftarrow y= 2^{-x}$', 'HorizontalAlignment', 'left', 'Interpreter', 'latex', 'FontSize', 15);

xlabel('{\bf进化代数}','fontsize',15);

ylabel('{\bf参数各代最优值}','fontsize',15);

set(gca,'FontSize',20,'Fontname', 'Times New Roman');

set(get(gca,'XLabel'),'Fontsize',20,'Fontname', '宋体');

set(get(gca,'YLabel'),'Fontsize',20,'Fontname', '宋体');

set(get(gca,'legend'),'Fontsize',20,'Fontname', '宋体');

set(get(gca,'title'),'Fontsize',20,'Fontname', '宋体');

set(gca,'linewidth',2);

print(gcf,'-dpng','-r300','参数各代最优值-进化代数');

3 仿真结果

4 参考文献

[1]周琛琛. 基于Matlab遗传算法工具箱的函数优化问题求解[J]. 现代计算机:上下旬, 2006(12):84-84.

部分理论引用网络文献，若有侵权联系博主删除。

5 MATLAB代码与数据下载地址

见博客主页