路径模型范文（精选9篇）
路径模型 第1篇
一、应急交通疏散路径选择问题描述
对于应急疏散, 特别是危害程度较为严重, 影响范围较大的突发事件的疏散来讲, 疏散车辆都是分区域分时段, 沿多方向多路径的向安全区域或者避难所疏散。每个疏散分区根据其相邻的避难所容量和分布情况, 确定其疏散方向。在特定的疏散方向所涵盖的区域里, 可供选择的疏散路径也是有限的。在疏散计划的制定过程中, 每个疏散方向会选择一条或者几条道路条件较好、ITS设施较为完善的路径, 作为主要的疏散路径供疏散车辆选择, 同时, 也利于交通管理部门警力部署、路障设置等各方面交通组织措施的实施。
突发事件疏散路径的选择模型, 一般是以疏散时间最短为目标, 同时将道路通行能力、交叉口密度、车辆在交叉口处的转向折减、ITS设施的设置等主要因素纳入其中, 以来确定疏散路径。
在图1中可以看出, 在整个疏散的过程当中, 公交车的运行路线为:公交车停车场———疏散区域附近的车站———避难场所。如果将公交车在不同场所之间的运行与停留看做流, 将突发事件发生时到人们上车以及人们上车后到达避难场所之间的时间看做费用, 那么应急交通疏散路径的选择问题则可以转化成为运筹学中的最小费用流问题。
二、应急交通疏散路径的网络模型的参数假定
1) 设有m个救援车辆集结点, 个被疏散群众集结点, n另有1个避难场所, 则可以建立疏散网络G= (P, V, S, E) , 其中P= (P1, P2, …, pm) 为有限停车场结点集合;V= (v1, v2, …, vn) 为有限车站结点集合;S= (s1, s2, …, sl) 为有限避难所结点集合;为有向弧集合。那么停车场、车站和避难场所之间的关系如图2所示。
2) 设dij为停车场pi到车站vj之间的距离, 即结点 (pi, vj) 之间的弧长;hjk为车站vj到避难场所sk之间的距离, 即结点 (vj, sk) 之间的弧长。那么停车场至车站之间的行程时间以及车站至避难场所之间的行程时间可以用下式表示出来:
式中, Tij———停车场pi到车站vj之间的当量疏散时间;
Tjk———车站到避难场所之间的当量疏散时间;
关于当量疏散时间 (Tij、Tjk) 的确定, 是在借鉴BPR路阻函数模型的基础上, 将供选择的疏散路径与之相比, 来算其疏散行驶时间, 用时最短的路径即为选择的最优疏散路径。BPR模型如下:
式中, T———单位长度疏散行驶时间, 即当量疏散时间;
T0———车辆以自由流速度行驶所需要的时间;
Q———路段交通量;
C———路段实际通行能力;
α, β———阻滞系数。
三、应急交通疏散路径的建模
根据上述的各种分析以及计算公式, 我们近似可以得出在突发事件发生时所需要的各种数据。以给定的所有停车场、车站和避难场所作为结点集合, 所有可能的公交车运行路线为有向弧集合, 以每个停车场能发的公交车辆数和每个避难场所能接的满载公交车辆数 (人数不足1车的另计) 为弧容量集合C={c (e) |e∈E}, 人们在事件发生时起至车辆到达车站以及车辆从车站出发到达避难场所之间的事件间隔作为费用集合B={b (e) |e∈E};设f (e) 为弧上流量, 则有f (e) ≤c (e) 。则可以建成网络G= (P, V, S, E, C, B, vs, vt) , 其中vs、vt) 为虚设点, 分别为网络中的源点与汇点;那么网络目标值为:
由此可以建立如图3所示的应急交通疏散路径选择的网络模型。
网络考虑的问题主要有车流和疏散人流。本文针对的需求是需要采用公交车进行疏散的人群, 假设被疏散人群能够服从统一的指挥调度, 则可以把人流转化为车流。如若每个Uj、Fk均能为R所整除, 那么该问题比较简单, 只要将车辆的运行及在车站的停留时间视为人们的整个等待时间即可;但是, 当不能被整除时, 则构建出图4-3中的虚车站v'j, 公交车从pi到虚车站v'j表示在车站vj剩余不足1车的人由从停车场pi开出的1辆公交车载走。为了计算的简便性, 假定未满载的车辆的载人数仍为R;由于避难场所的避难人数的容量可有浮动, 因此取避难场所的避难人数为, 这样就可保证从车站开出的每一辆车所到达的避难场所只有一个, 即从车站开出的每一辆车, 其所到达的避难场所是唯一的。如此来说, 便可将图3简化为如图4所示的网络模型图。
在图4中, 源点vs到各停车场pi的容量分别为WiR, 弧费用均取为0;各停车场pi到各车站vj的容量分别为, 弧费用取为tij;各车站到各避难场所的容量分别为, 弧费用取为tjk;各避难场所至汇点vs的容量为, 弧费用取为0。这样, 便将问题转化为求最小费用最大流的问题, 其中, 所要求得的最大流为。
四、算例检验
在紧急疏散情况下, 应急管理部门可以根据各个相关部门的统计情况得到停车场的现存车辆数、避难场所的容量。假设某市有4处场所遭到恐怖爆炸的袭击, 该4处的疏散人数分别约为3000、7000、5000、6000人;有3个停车场, 每个停车场的现存车辆数均为80, 每辆公交车的容量均为100人;有3个避难场所, 每个避难场所能容纳的避难人数分别为6000、8000、10000。由于路阻函数的确定需要大量实际数据来进行参数标定, 而实际数据又很难取得, 因此, 为了简洁地说明模型的有效性, 假定路阻函数值假定为2, 且每条路径的路阻函数相同, 因此路段行程时间可通过路段长度与路阻函数来确定。各停车场到车站的距离以及车站到各避难场所的距离如表1所示。
根据最小费用最大流原理, 运用北京理工大学韩伯棠教授开发的《管理运筹学》软件对其求解, 得到如图5所示的应急交通疏散的路径选择方案。
图5中弧的单位流量费用为路段行程时间, 弧上的流量为公交车辆数与公交车满载人数的乘积, 因此, 完成疏散计划公交车总行程时间为所有费用和流量的乘积之和。如图5所示的p1→v1上的 (30, 3000) 表示从停车场p1派去可满载3000人的30辆公交车前去车站v1, 这段路程所需的平均时间为30;v2→s2上的 (42, 7000) 表示从车站v2开出的满载7000人的70辆公交车开往避难场所s2, 这段路程所需的平均时间为42;其余含义相同。从求解的过程和结果来看, 在路网确定的条件下, 突发事件发生时, 停车场现存车数、车站所需车辆数以及避难所容量的确定是制定疏散计划的基础。为了迅速地把危险区内的人群疏散到避难所, 应急管理部门应及时获取停车场车数、车站疏散人数以及避难所容量的相关数据。计算结果表明, 此模型能较好地解决突发事件下公交车疏散的路径选择问题。
五、结语
最小费用流问题已经有了成熟的算法, 利用运筹学软件可以使得计算更为简便迅捷。把该方法用于应急交通疏散的路径选择问题, 关键就在于建立满足问题条件约束的网络模型。本问所探讨的问题以及所建立的网络模型是在路阻状况、人们的心理状态等条件比较理想的情况下进行的。但是在应急交通路径选择其实是一个多目标的优化问题:如不同时间段 (白天、夜晚) 应急交通疏散、不同人群的心理素质、各司机的操作能力水平等, 均有待于更进一步的研究。
参考文献
[1]汪峰.城市道路交通系统的应急交通组织研究[D].武汉:华中科技大学, 2006.
[2]宫建.奥运应急交通疏散路径选择模型研究[D].北京:北京工业大学, 2007.
[3]韦献兰.突发公共事件应急交通疏散对策研究[D].北京:北京交通大学, 2007.
[4]韩伯棠.管理运筹学[M].北京:高等教育出版社, 2000.
路径模型 第2篇
摘 要：智能交通系统领域中的路网拥塞控制是解决路网拥塞问题的主要手段之一，针对该问题，利用自底向上的agent建模方式，构建一种多目标路径决策agent移动模型.在该模型中，车辆agent兼顾最短路径和拥塞避免两个优化目标，通过车辆agent行驶距离最短（最短路径）和途经区域的拥塞程度最低（拥塞避免）两个目标优化来动态进行路径决策.基于多目标路径决策移动模型一方面能够实现对交通拥堵路段的分流控制，另一方面能够挖掘网络拓扑结构中易发生拥塞的路口的共同特征，为路网拥塞控制提供帮助.仿真实验结果表明，该模型能较好地改善路网结构中的拥塞路段.针对不同链路密度及链路分布的网络所进行的仿真实验结果进一步表明，路网结构的链路密度对拥塞路段出现在网络中的地理位置影响不同，而路口节点位置影响其拥塞程度；网络结构的链路分布形态对发生拥塞路段的地理位置和拥塞优化结果具有直接影响.
关键词：多目标优化；路网拥塞；agent移动模型
中图分类号：TP399 文献标识码：A
智能交通系统（ITS，Intelligent Transportation Systems）在交通领域的各个方面，例如路径规划、车辆导航及拥塞控制等方面已得到了许多成功应用.拥塞控制作为ITS中的一个关键应用，一直是研究热点＼[1＼].目前，交通拥塞的研究方法大致可以分为3类：1）基于统计物理学的方法，如Liao等人使用熵复杂因果关系平面法分析交通数据，实验结果表明：其方法在评价交通动态状态分级时效果最好，交通数据被分为：拥塞，中级，通畅＼[2＼].Helbing介绍了多种交通流以及自主性多粒子所描述的系统，回顾和比较了交通领域中关于实证数据、行人和车辆通行的主要方法以及微观中观宏观三种模型＼[3＼]. 2）基于数学规划的方法.1985年，Sheffi运用数学动态规划及其建模方法，系统地阐述了交通流量的拥塞问题，并且提出了多种用户均衡状态及交通流建模的解决方案＼[4＼].文孟飞等人利用一种基于增量搜索的多目标优化方法实现了车辆的实时路径诱导＼[5＼].3）基于ABMS（agentBased Modeling and Simulation）的智能交通拥塞控制方法.例如，Narzt等人运用昆虫群集产生的电子信息素，通过对其它车辆信息素的搜集、区分及避开拥塞，采用非集中控制的方式在仿真交通系统中分析汽车多种规避拥塞的不同策略＼[6＼]. 梁满朝、李文勇等人针对城市交通信号控制的动态路径优化问题，综合考虑了路口距离和道路的饱和程度，通过基于蚁群算法和群决策理论的动态路径优化算法模型，并证明了其有效性＼[7＼]. Buscema等人则考虑驾驶员行为偏好对路径选择的影响，指出驾驶员对于路径的选择不仅仅依赖于交通引导系统同时也依赖于驾驶员的主观感觉＼[8＼].此外，文献＼[9＼]提出了一种基于agent的智能驾驶模型，通过结合网络、车辆信息共享更新的基础设备和自适应巡航联合控制的方法，证明了该agent智能驾驶模型的实用性以及如何使用该技术减少拥塞.
湖南大学学报（自然科学版）2015年第4期蒋 斌等：路网拥塞控制中的多目标路径决策模型研究
交通系统涉及个体自主驾驶行为与复杂交通环境之间的实时交互和反馈机制，属于典型的复杂系统研究范畴.本文采用自底向上的ABMS方法，联系微观个体行为与宏观交通涌现现象来研究智能交通系统的拥塞控制问题.现有基于agent的拥塞控制方法主要从车辆个体行为出发来研究改善拥塞的方法，预测驾驶时间或者用户行为，缺乏一定的宏观视角分析整个交通系统拥塞分布的涌现，从多目标优化的角度来实现网络拥塞均衡算法也较少.针对上述问题，本文提出一种基于多目标路网拥塞均衡算法的agent移动模型，同时考虑最短路径和拥塞避免两个目标来动态决定车辆agent的移动目标，依据该优化策略自主地向各自预定目标移动，以实现整个网络拥塞动态均衡的目的.
1 ODD协议模型描述
通过ODD协议（Overview， Design concepts，Details）＼[10＼]描述基于多目标路网拥塞均衡算法的agent移动模型的设计与实现.
1.1 目的
本文提出一种基于多目标路径决策移动模型分析路网的拥塞问题.模型同时考虑最短路径和拥塞避免两个目标的优化，确保车辆抵达目的地的过程中整个网络拥塞得到改善.仿真实验验证了模型的有效性，同时针对不同链路密度和链路分布的模型试验，分析了不同网络结构对拥塞涌现和优化结果的影响，为实际路网中拥塞控制提供理论参考.
1.2 实体， 状态变量和尺度
如表1所示，模型包含两类实体：路口节点和车辆.其中，路口节点表示仿真实验预定义的路网结构中的交通路口节点，车辆定义为网络中依据一定移动策略自主移动的agent.
表2给出了模型中的状态变量：1）路口节点状态，包括节点饱和度和当前等待的车辆agent队列，节点饱和度指交通路口的最大通行能力，当车辆agent数目达到上限时将饱和度置1（具体定义及计算见2.4）；2）网络链路状态，表示整个路网不同路口节点间的连接状况（即网络中的边）；3）车辆agent的状态，包括出发地、目的地、当前路径及当前状态（等待或是移动至下一路口）.对于每个路口节点r，我们定义状态变量Ux来描述其在时刻t的拥塞状况为：
Ux=preA（r，t）desiG（r，t）， （1）
其中，preA（r， t）表示节点r在时刻t的前置影响，desiG（r，t）表示节点r在时刻t的节点饱和度，具体计算见1.4.本文中，为了简化计算，我们将preA（r， t）的值设置为1.
表2 状态变量定义及其描述
Tab.2 Status variables definition and description
1.3 过程与调度
仿真过程中，每个agent抵到一个路口节点i，会根据该路口节点i的邻接节点集Si={v1， v2，…，vj，…，vn}进行计算（vj表示与节点i相邻的节点j），通过多目标优化算法计算集合中所有节点的效用值（效用函数定义及计算见2.6），处于移动状态的agent会选择集合Si中效用值最小的节点作为目标节点.若agent移动后到达最终目标路口节点，则将该agent从路网中移除.每一个仿真周期将执行两类实体和整个网络状态的更新.图1是对该仿真过程和调度的伪代码描述.
1.4 设计理念
基本原理. 本模型设计的主要原理来自于Sheffi提出的城市路网车流均衡最优化理论[4].拥塞作为交通复杂系统中最重要的机制之一，直接影响着通行时间，并与该交通节点的车流数目相关.在给定网络结构和平流量数据时，Sheffi将影响交通通行的因子细化为多类，其中最为重要的一点即是链路函数，链路函数反应为该道路关于车辆流量的通行时间函数，通过时间的长短将直接反应出车流拥塞的程度.Sheffi还提出UE（userequilibrium）状态理论，即没有驾驶员能够通过改变路径缩短他们的通行时间，该理想状态在实际情况中很难达到.针对UE状态，他提出了多种解决该类均衡问题的方法，并指出最小路径树（Label connecting algorithm）方法是其中最有效的办法之一.根据Sheffi的理论和建模方法，我们的模型选取避免拥塞和最短路径作为两个考虑的优化目标，并基于其理论来建立我们agent移动模型的相关参数和移动规则.
Sheffi理论大多是建立在宏观车流数学模型之上，通过数学规划等方法为达到某种平衡而进行计算.模型结合其理论，将交通复杂系统通过多agent系统进行模拟仿真，将个体移动策略和全局拥塞分布动态联系起来，是交通领域仿真模拟的新尝试.
涌现. 随着车辆agent在路网中的自主移动，将形成路网中各路口节点不同的拥塞分布，并涌现出某些拥塞特别严重的路口节点.研究agent移动策略与拥塞现象涌现的内在联系，对实现拥塞均衡具有很大的意义.
适应性. 在模型中， 车辆agent会基于最短路径和拥塞避免两个原则决定最终移动目标.车辆agent在移动过程中会基于周边路口节点的拥塞程度改变移动策略.
目标. 假设路口节点的最大车辆通行数量为Max，若节点r在仿真时间步t内通过的车辆数目为v，则节点r在时刻t的饱和度desiG定义为
desiG（r，t）=1v≥Max；
v+1Maxv 假设网络由N个节点构成，仿真实验结束时间步为End，则定义模型的目标函数为整个仿真过程中的平均节点饱和度之和nwval，其值越小则整个网络的拥塞分布情况越好. nwval=∑Endt=0∑Nr=1desiG（r，t）.（3） 随机特性. 模型中车辆agent的出发地、目的地以及加入到网络中的时间都是随机设定的.在每一个仿真时间步，车辆agent基于效用函数的计算决定下一目标路口节点，该效用函数的定义不仅考虑了主要因素的影响，还通过高斯随机函数模拟了车辆移动过程中随机影响. 观察. 为分析不同网络拓扑结构下路口节点拥塞状况的涌现特征，在每个仿真时间步，记录下所有路口节点的节点饱和度desiG和整个模型的目标函数值nwval. 1.5 初始化 初始化阶段，模型随机产生500个具有不同移动策略、出发点和目的地的车辆agent；不同agent类别之间的比例，效用函数中的权值设定，根据实验目的具体设定. 1.6 子模型 我们所定义的agent移动模型理论来自于朗之万方程，假定agent移动是由主导因子和随机因子两部分共同的作用结果.据此我们定义agent的移动效用方程，见式（4），其中Λ（Ux，t，λ）代表了相邻节点x在时间t的效用值.车辆agent i将会选择其相邻节点集合Si={v1，v2，…，vn}中效用值最小的一个作为目标节点.式（4）中的f（Ux，t）表示的是周边路口节点x在时间t对车辆agent移动的外部作用，其值动态反应了该邻接节点x的饱和程度；g（x，t）代表对agent的路径约束， 其值直接反应出agent距离最终目标节点的路径长度，g（x，t）将会约束agent朝着目的地行进.参数λ是这两个目标之间（最短路径和拥塞避免）的权值.此外， 为了保持移动过程中具有一定的随机性， 我们在效用函数中加入高斯随机扰动Gauss， Λ（Ux，t，λ）=（1-λ）f（Ux，t）+ λg（x，t）+Gauss. （4） 为简化仿真实验，我们进行了如下约束：在每个仿真时间步，每个路口节点只允许单个车辆agent通过，其他车辆按到达该路口节点的次序进入车辆agent队列尾部等待. 2 实验设定及结果 如表3所示，我们执行3组实验来分别1）验证基于多目标的agent移动模型对网络拥塞均衡的有效性，2）分析网络链路密度对拥塞的影响. 对拥塞均衡的影响 网络结构及节点饱和度分析 分析网络链路分布形态对拥塞的影响.仿真实验中定义了两类agent：第一类Floyd agent将沿着最短路径向目的地移动；第二类Autonomous agent将同时考虑最短路径和拥塞避免两个优化目标，根据效用函数公式（4）向目的地自主移动.通过仿真实验采用的网络拓扑结构以及两类agent在不同比例和权值下的网络节点饱和度分布来分析仿真结果.3组实验都分别给出了本组仿真所采用的网络拓扑结构. 特别的，实验2和3中的网络拓扑结构分别按照链路数目、链路分布形态的不同进行对比实验，实验2中用黑色圆圈进行标识的节点表示在仿真过程中出现明显拥塞或异常的节点.3组仿真实验都给出对应其网络拓扑结构的平均节点饱和度分布，3种不同形状的图标（菱形、正方形、三角形）分别表示采用不同比例和权值构成的agent运行得到的仿真实验结果.如表4所示，3组仿真实验中，当网络中只含有Floyd agent时，用菱形图标表示网络节点的饱和度，而当两类agent各占50%，权值为0.85和0.15（实验1）或者0.95和0.2（实验2和3）时，网络节点饱和度分别采用正方形和三角形表示.表5给出了实验的参数设定.500个车辆agent将在前50个时间步随机加入到预定义的网络结构中，为保证所有agent都能够达到目的地，设定仿真时间步长 1 有限理性假设下的累积前景理论 “有限理性”[1]是指人面临复杂不确定的环境时,由于认知能力、感知能力、心理因素、思维能力、风险态度、逻辑推理和计算能力以及信息获取处理能力等有限,不能完全感知所有备选方案,而在能够感知和判断的范围内,选择最优[2],即决策时选择的可能不是最佳而是满意方案,“有限理性”是一种介于完全理性与非理性之间的状态[3]。目前,已有一些学者对有限理性下的个体出行决策行为进行了研究,基于有限理性的描述性决策框架有2种较有代表性,分别是前景理论和累积前景理论,二者比传统的期望效用理论能更切合实际的描述出行者的出行决策,改进之处见表1。 基于有限理性的出行路径选择模型 第3篇
2 基于累积前景理论的路径选择模型
传统的出行者路径选择问题研究主要是建立在期望效用理论和随机效用理论的基础上,假设所有的出行者都是绝对理性的,完全掌握路径选择信息,做出最优选择。在简单决策环境下,与出行者的路径选择行为比较相符,而实际的交通系统是复杂、不确定的动态系统,受信息获取、历史经验、认知能力、风险偏好以及价值趋向等的影响。而基于有限理性的前景理论,更切合实际的描述了出行者路径选择情形。
2.1 基于前景理论和累积前景理论的路径选择模型
出行者路径选择是交通系统中出行决策重要的一环,为了准确量化出行者出行决策中的路径选择,有限理性越来越受关注,许多专家和学者基于前景理论建立了路径选择模型。Zhang等[4]基于前景理论建立了动态路径选择模型,出行者根据实时路径信息可以随时改变路径,同时给出了例子证明模型的适用性、合理性,从而更好地预测出行者的出行行为;Eran Ben-Elia等[5]在可控实验的基础上基于学习建立了实时信息下的路径选择模型,为制定合理的出行引导政策提供了参考;Tian等[6]同时考虑出发时间和路径选择建立了动态模型;Tian等[7]研究了出行者路径选择决策过程,基于启发式而不是用复杂的数学模型,描述了决策者的实际决策过程;Jou等[8]以台湾为例用累积前景理论研究了出行者路径选择,考虑出行者风险偏好,将理论运用到实践中;Giselle de Moraes Ramosn等[9]寻求前景理论中参考点的行为解释,探讨了在设定参考点时考虑不均衡性,进而得出将不均衡性考虑在内的参照点条件下建立的基于前景理论的出行者路径选择模型更符合出行者路径选择的实际情形。
2.1.1 基于前景理论的路径选择模型
近几年,不少学者在实证研究的基础上对模型的参数取值、参照点的设定、模型适用条件等进行了探讨,并取得了丰硕的成果。关宏志等[10]基于出行者对路网信息的不完全掌握和选择行为有限理性的假设,运用演化博弈理论建立了出行者交通选择行为模型;史国强等[11]以模糊数学为工具、行为强化理论为基础,建立有限理性模糊博弈路径选择模型;赵凛等[12]基于“前景理论”对一天内单次出行的路径选择行为建模,在确定主观感知费用函数后定义了参照点,计算出前景值,并以简单路网为例,从理论和意向调查角度对比发现,基于“前景理论”的路径选择模型优于基于“期望效用理论”的路径选择模型,能够较准确刻画出行者在不确定性条件下的路径选择决策行为;王任映[13]从现代城市的交通状况以及存在的问题出发,用“前景理论”的相关原理,结合时间预算和有效路径的相关理论,提出了一个改进的基于前景理论的城市出行路径选择模型;吴磊等[14]通过仿真实验对比,得出基于前景理论的路径选择模型更符合出行者的实际行为模式;陆雯雯等[15]考虑出行可靠性,设定基于预算时间的参考点,建立基于前景理论诱导信息影响下的出行者路径选择模型,可提高路网效率;杨志勇等[16]基于前景理论对实时交通信息影响下的路径选择问题建模,并利用贝叶斯理论,对预测的路径行程时间进行更新与调整,建立了路径选择的动态模型;夏金娇等[17]在前景理论框架下,在路径选择模型中将到达时间作为参考点,并用实际调查研究了在参考点不变时,出发时刻对路径择的影响;王燕[18]通过对比基于前景理论与基于期望效用理论的出行决策模型,发现前景理论用价值函数代替了传统的期望效用理论中的效用函数,将价值的载体从它的最终状态转移到其改变量上,与现实生活中人们在进行决策时所表现出的对待风险的态度是一致的,虽然期望效用理论的确有不足之处,但前景理论并没有完全否认期望效用理论,而是对其进行了补充、发展。
路径选择与交通出行方式也密不可分,秦世环[19]基于前景理论对出行方式与路径联合选择进行了建模和算例分析,从描述城市交通出行选择行为多阶段决策过程入手,分析出行者对出行方式和路径的选择决策行为,在前景理论的框架下建立出行联合选择模型。赖见辉等[20]在“前景理论”框架下,通过对地铁/公交组合交通出行方式的选择行为特性分析,提出广义出行费用,并考虑了参考点的实际含义,从而建立了在风险条件下的地铁/公交出行路径决策模型,得出了用前景理论对出行者地铁/公交出行路径选择进行描述具有较好的精度的结论,给出的广义出行费用:
Fsubway,FPT,Ft———地铁、公交、换乘费用;
M———地铁、公交票价;
Tstravel,Tstransfer,Tpttravel,Tpttransfer———地铁行驶、换乘时间,公交行驶、换乘时间;
fstravel,fstransfer,fpttravel,fpttransfer———地铁行驶、换乘时间广义费用折算函数,公交行驶、换乘时间广义费用折算函数;
α,β———出行者感知的拥挤程度、时间可靠性;
参考点设定如下:
其中,FReference,Fdesired———参考点,出行者期望出行费用;
TR,TL———出行预留时间,约束到达时间;
Pt———出行目的;
TR/TL>1———出行时间充裕;TR/TL<1———出行时间紧张;
通过SP调查法拟合出函数结果为:
该模型的突出特点是在建立路径选择模型时,考虑了出行方式对路径选择的影响,是路径选择模型改进的一种新思路,但是对于不同的出行目的,模型的可靠性还有待进一步证实。
基于前景理论的路径选择模型在不断改进,不断贴近交通系统中出行者出行决策的实际情况,面对决策时的不确定性交通环境,出行者需要权衡风险、时间、成本等综合情况来选择符合自己实际出行需要的优选路径。建模后,需要通过实证研究,对参数和参照点进行确定,以实现对出行者路径选择的真实描述。
2.1.2 基于累积前景理论的路径选择
累积前景理论是在前景理论的基础上,将权重函数形式变为累积权重函数,可用于研究多种结果的情况。研究者们运用累积前景理论对交通出行决策进行路径选择建模。刘玉印等[21]基于累积前景理论,对连续随机分布条件下的路径感知效用建模,并分析了模型的特性,基于累积前景理论的路径选择模型能更好地描述出行者路径选择的决策过程;张波等[22]将累积前景理论与演化博弈论相结合,利用复制子动态刻画出行者日常路径选择的博弈学习行为,建立了动态交通系统模型,拓展了传统交通分配模型完全理性假设和均衡分析方法的局限,更加真实、全面的刻画了动态交通系统长期运行特征和规律;李小静等[23]设定了两个参考点,给出参考点估计的统一方法,根据可靠度要求动态设置参考点,基于累积前景理论建立了随机路网中的路径选择模型;Wang等[24]基于累积前景理论建立了粗放的用户均衡模型。
其中,刘玉印等[21]通过建立主观效用函数和主观概率函数,对出行者的路径感知效用建模,从而建立了基于前景理论的路径选择模型,把路径的出行效用由离散推广到了连续,更确切地描述了出行者在不确定交通系统中的路径选择决策。模型如下:
xi———出行者选择路径i可获的效用;
xmax———出行者到达目的地可获的最大收益;
ci———路径i的综合通行费用;
其中,θ1,θ2,θ3———早到、晚到、出行途中的单位时间价值系数;
Ts,Tc———目标时刻,出发时刻;
ti,td———路上花费时间、提前出发时间;
最后得到出行者路径感知效用函数:
其中,v+———获益部分出行者的感知效用;
v-———损失部分的出行者的感知效用;
F(x)———效用概率分布函数;
ω+———获益部分效用概率权重;
ω-———损失部分效用概率权重;
x0———参考点。
该模型虽然将路径选择模型中路径效用从离散扩展到连续,使模型适用范围更加广泛,但是,没有考虑参照点的设定问题,缺乏通过实证研究给出参数的具体取值。
2.2 基于累积前景理论的路径选择模型改进方向
前景理论和累积前景理论是基于有限理性的决策理论,全面、切实地刻画了交通系统中的出行行为,在出行者路径选择模型方面,己经取得了很多的研究成果,但是还存在如下一些问题:
(1)对参考点的研究还不够成熟。虽然已有大量文献着重研究参考点的设定问题,但是对于参考点的影响因素和形成机制还缺乏深刻的认识,没有研究参考点设定规则的模型。
(2)路径选择行为研究还不够深入。现有不确定环境下的路径选择模型通常假设出行者能够准确地知道出行时间的概率分布,这一假设条件过于理想化,现实中,出行者很可能不明确随机的路径出行时间服从哪种概率分布。
(3)存在局限和不足。前景理论和累积前景理论是静态决策理论,无法准确地刻画出行者的日常路径选择学习行为。基于前景理论的路径选择模型更多地是对一次出行行为中的路径选择进行研究,缺乏对交通系统中出行路径选择的动态学习过程的充分认识。
(4)出行决策行为包括对出行目的地、出发时刻的确定、出行方式以及出行路径的选择四个方面,目前,大多数研究只考虑一方面,最多的是考虑后两方面建立联合选择模型,将各方面都考虑在内,建立一个跟真实的出行决策行为选择相当吻合的模型,还有待进一步研究探索。
(5)基于前景理论和累积前景理论的路径选择研究尚处于起步探索阶段,模型的建立考虑的大多是城市交通系统的宏观层面,缺乏对微观层面出行者路径选择的机理和规则的深入解析。
3 结论
交通系统是不确定性系统,欲改善交通拥堵现状,不仅需要对交通路线、设施合理规划,还需要对出行者的出行决策有一定的认识,从而优化交通系统,实现交通有序、顺畅的目的。由于出行者受认知、能力、态度、心理等因素所限,呈现有限理性的特征,故研究出行者路径选择决策行为时,以有限理性为前提更符合实际。累积前景理论是一种基于有限理性的描述性决策理论,用于研究交通出行决策问题还处于探索阶段,由于交通系统的复杂性、动态性,还需要不断改进函数中的参数,合理设置参考点,考虑更全面的影响因素,从而切实、有效地描述现实中出行者的路径选择。
摘要：路径选择是出行决策中至关重要的一环,累积前景理论是有限理性条件下的决策理论,能够切实、有效地描述出行者的路径选择行为。考虑出行者的有限理性,研究城市交通系统中出行者的出行决策,分析基于累积前景理论的路径选择模型,提出了路径选择建模过程中存在的问题及改进方向,为有限理性更广泛地用于出行决策研究提供了可能,为考虑出行者有限理性研究出行决策中的的路径选择进一步明确了更多具体方向。
路径模型 第4篇
关键词： 大学生 创新创业素质模型 培育路径
2015年10月，李克强总理对首届中国“互联网+”大学生创新创业大赛作出重要批示，强调要把创新创业教育融入人才培养，厚植大众创业、万众创新的土壤，为建设创新型国家提供源源不断的人才智力支持。大学生创新创业素质教育是适应经济社会发展的需要，以培养大学生创新精神、创业意识和创业能力等为目的的一种全新的教育理念与教育实践活动。对大学生开展创新创业素质培育，是新形势下国家对高校提出的要求，探讨大学生创新创业素质培育的路径，也是高校当前必须研究的重要课题。
一、培育大学生创新创业素质的必要性
首先，培育大学生创新创业素质是高校适应社会需求、深化改革、改变传统教育教学模式的必然之举。高校的根本任务是人才培养，如何与时俱进，改变现有的教育教学模式，实现青年人才的有效培养是高校面临的严峻现实问题。当前，创新创业素质是高校素质教育的新兴内容，它是一个系统工程，是建立在诸多学科交叉基础上的一门综合应用型社会科学。高校如何积极开展大学生创新创业素质教育，应对社会经济发展的现实需求，培养社会发展需要的创新型人才，既是高校改革的目标与任务，又是其改革的有力推手。
其次，培育大学生创新创业素质可有效缓解当前高校毕业生的就业压力。近几年，随着高校招生规模的扩大，毕业生的人数节节攀升。大学生就业不再是高校毕业工作的一部分，而成为社会关注的焦点，是一个社会问题。高校科学有序地开展创新创业素质教育，可以激发在校大学生的创新意识与行为，积极开展自主创业活动，不仅可以解决自己的就业，而且可以带动社会就业问题的解决。
此外，凭借高校优质的资源和师资力量，大学生开展创新创业活动，可在一定程度上实现科技成果的转化，推进高校的产学研[1]。
二、大学生创新创业素质模型的构建
大学生创新创业素质的构成要素很多，本文将其分解为两类：创新素质和创业素质。在此基础上，充分考虑大学生群体的自身特点和高校素质教育的目标与可行性，结合当前的新形势、新要求，构建大学生创新创业素质模型，如下表所示。
三、大学生创新创业素质培育路径分析
关于大学生创新创业素质培育路径的研究很多，不难发现，从不同的角度出发，有不同的培育路径可以选择。本文选择从高校素质教育的角度出发，基于大学生创新创业素质模型，开展素质培育路径的研究。
首先，高校要转变教育观念，重视培养大学生的创新创业素质。高校教育要激发大学生的创造性，鼓励学生彰显个性，将创新创业素质培育视作同专业知识教育一样重要[2]。高校首先自身要有这个思想上的转变，拓宽学生的学习平台，方能引导学生摒弃传统教育理念的束缚，萌发创新意识，保持创新精神，提高创新创业的能力。
其次，高校要加强创新创业素质培育师资队伍的建设。我国的创新创业素质教育起步较晚，长期以来，高校没有创新创业素质教育方面的专业老师，有些学校是由就业指导教师完成授课的。由于没有扎实的理论基础和创业实践经验，给学生授课时，多数是纸上谈兵，教与学的效果都不佳。高校应尽快充实创新创业素质培育的师资队伍，加大投入力度，不仅要强化对现有授课教师的培训，而且要聘请创业者、企业家、企业高管、政府相关主管部门负责人作为特聘教师，给学生授课。
最后，高校要努力完善在校大学生创新创业培育实践平台。大学生创新创业素质培育不能脱离课堂教学，但绝对不能仅仅依靠课堂。请创业者授课是一种很好的教学方式，还可以在此基础上加强校企联合，建立大学生创新创业素质培育实践基地，建立并完善创新创业项目与资金的互动交流平台，充分发挥孵化器的作用。
参考文献：
[1]杨建，从文奇.大学生创新创业素质教育的路径研究[J].淮南职业技术学院学报，2016，01：38-40.
路径模型 第5篇
在企业管理过程中, 企业价值不断变化, 并且企业价值的变化都导致或源自企业事件的发生, 即事件标志着企业价值的改变。因此, 我们认为, 一个企业价值管理的过程可视为一条企业价值—事件路径。有利的企业价值管理过程是一条价值随事件序列递增的企业价值—事件路径, 而不利的企业价值管理过程路径中的企业价值会随着事件序列递减。企业价值—事件路径中的事件又可以对应为企业功能和企业功能耗费的比值, 由此得到一个企业功能、企业功能耗费、企业价值和企业事件的四维模型。基于该四维模型的多维分析, 为现代企业管理提供了一种新的用于价值工程分析的方法, 直观且高度有效。
二、基于企业价值—事件路径的管理过程建模
在企业的价值管理过程中, 企业价值是动态变化的, 企业事件标志着企业价值的改变。企业事件和企业价值是相互关联的, 我们将这种价值和事件的对应关系视为企业系统中价值—事件节点。进而, 在整个管理过程中, 企业价值的变化情况可以动态地表示为一组价值—事件节点的序列, 即一条企业价值—事件路径。如图1所示, 有利的企业管理过程是一条价值随事件序列递增的价值—事件路径, 相反, 不利的企业价值—事件路径中的价值会随事件序列递减。
根据企业事件、价值—事件节点和企业价值—事件路径的概念, 本文给出其形式化定义如下:
定义1:企业管理过程中, 企业系统状态的变迁或变化即称为企业事件。企业事件的序列、集合或组合也是企业事件;企业事件通常不是孤立发生的, 事件与事件之间存在形式多样的关联和组合关系。存在一定关联或组合关系的一组企业事件作为一个整体也可被认为是一个企业事件。
定义2:企业的价值—事件节点可形式化定义为VEN= (value, event) , 表示企业事件event对应企业价值value。企业事件标志着企业价值的改变, 企业事件和企业价值存在映射关系。
定义3:一条价值—事件路径可形式化定义为VEP= (VEN1, VEN2, VEN3, …, VENn) , 表示一组存在时间关系或逻辑关系的价值—事件节点的序列。
定义4:给定价值—事件路径VEP1和VEP2, 如果VEP2表示的价值—事件节点序列是VEP1表示的价值—事件节点序列的子序列, 则称VEP2是VEP1的子路径。
定义5:企业的管理过程可以形式化地表示为一条企业价值—事件路径。
三、企业价值工程四维模型
1. 模型的建立。
企业价值—事件路径中的事件标志着企业价值的变化, 而企业价值的变化通常对应企业所能提供的服务或功能的实施。因此, 本文进一步地将企业价值—事件路径中的事件和企业功能与企业功能耗费的比值相对应。由此, 可以将企业功能、企业功能耗费、企业价值和企业事件整合为一个能够反映企业管理水平的整体。本文提出用于企业价值管理的一种创新的价值工程四维模型, 并给出其形式化定义如下:
定义6:企业事件集合ES={event|event是一个企业事件}。
定义7:企业功能集合EFS={ef|ef是企业能提供的一项功能或服务}。例如, 企业能生产某种产品就是一个企业功能。对于一个特定的企业, 随着企业的发展, 其企业功能集合在不断地变化。
定义8:企业功能耗费函数, 记为EFC∶EFS→[0, R], EFC (ef) =r|ef∈EFC∧ef耗费了r资源∧0≤r≤R, R是企业资源总量。
定义9:事件功能对应函数, 记为E2F∶ES→EFS, E2F (event) =ef|event∈ES∧ef∈EFS∧event对应ef}。
定义10:企业事件的功能耗费比, 即企业功能与企业功能耗费的比值, 记为。
定义11:企业价值工程四维模型VEM可形式化定义为三元组 (VEP, E2F, EFC) , 其中VEP是一条企业的价值—事件路径, E2F是一个事件功能对应函数, EFC是一个企业功能耗费函数。VEP表示了VEM的企业价值和企业事件两维, E2F为VEM增加了企业功能维, EFC为VEM进一步增加了企业功能耗费维。
2. 企业价值工程四维模型的多维分析。
企业价值工程四维模型的四维分别是:企业价值、企业事件、企业功能、企业功能耗费, 因此可以做如下多维分析:
(1) 企业价值vs企业事件。企业的管理行为通常是由企业事件驱动的, 而管理行为的执行结果又会导致新事件的产生。由此, 形成一条企业价值—事件路径, 该路径可以表示一个企业的管理过程。通过考察价值—事件路径上的价值随事件变化的趋势可以评价该路径对应的企业管理过程的效果。有利的企业管理过程是一条价值随事件序列递增的价值—事件路径, 而不利的企业管理过程路径中的价值会随事件序列递减。
(2) 企业价值vs企业功能。企业价值通常与该企业能够提供的产品和服务紧密相关。如果企业能够提供的产品和服务越多, 对客户越有用, 那么该企业的价值就越高。通过“企业价值vs企业功能”的分析可以考察企业价值的来源, 考察哪些企业功能对企业价值提升是至关重要的。
(3) 企业价值vs企业功能耗费。企业价值和企业功能耗费有负相关关系, 即企业功能耗费越大, 企业价值越小。企业功能耗费反映了企业提供其产品和服务过程当中, 对个人、社会和自然资源的消耗, 对企业价值有负面影响。通过“企业价值vs企业功能耗费”的分析可以考察哪些因素不利于企业, 不利于企业价值提升。需要指出的是, 为了获得企业功能, 必然会产生企业功能耗费, 但需要考虑的是这种耗费是否值得, 是否是高效率的。
(4) 企业功能vs企业功能耗费。通过“企业功能vs企业功能耗费”的分析, 可以考察为了得到某一企业功能, 该企业所付出的代价。
(5) 企业事件vs企业功能。企业能够提供某种新产品和新服务、不能再提供某种产品和服务或产品产量和服务能力有变化, 都可以对应某一企业事件。通过“企业事件vs企业功能”的分析可以考察企业功能发展的脉络和趋势。
(6) 企业事件vs企业功能耗费。一个企业事件对应某一企业功能, 也就对应了其企业功能耗费。通过“企业事件vs企业功能耗费”的分析可以考察企业对有关的个人、社会和自然资源的消耗情况和发展趋势。
四、应用示例
本文通过两个典型应用案例来说明, 企业价值—事件路径模型可以作为企业价值规划工具。
【案例1】有利的企业价值—事件路径中价值随事件序列递增。如图2所示, 某企业新产品的研发策略管理模型VEPPM1=
该策略管理模型具体说明如下:
(1) 价值—事件节点n1对应市场需求改变;n2对应新产品研发立项;n3对应原产品滞销;n4对应新产品研发成功;n5对应新产品研发失败;n6对应新产品营销达到预期;n7对应新产品营销未达预期。
(2) 策略p1表示启动新产品研发;p2表示放弃研发新产品;p3表示产品升级换代;p4表示落实新产品研发计划;p5表示放弃实施新产品研发计划;p6表示采用报纸广告的方式进行新产品的营销推广;p7表示采用所有媒体渠道进行新产品的营销推广;p8表示增加营销推广新产品的渠道。
(3) 价值—事件路径 (n1, n2, n4, n7) , (n1, n3, n2, n4, n7) , (n1, n3, n2, n4, n7) 和 (n1, n3, n2, n4, n6, n7) 四个最终能够达到管理目标的管理过程, 其中 (n1, n2, n4, n7) 路径最短, 是最佳管理过程。
【案例2】不利的企业价值—事件路径中价值随事件序列递减。如图3所示, 某公司在某地设立分支机构的策略管理模型VEPPM2=
该策略管理模型具体说明如下:
(1) 价值—事件节点n'1对应某地公司业务频繁;n'2对应公司分支机构成立;n'3对应公司分支机构未成立, n'4对应竞争对手在该地设立机构;n'5对应竞争对手在该地设立机构。
(2) 策略p'1表示设立公司分支机构;p'2表示不设立公司分支机构;p'3表示针对竞争对手在该地设立机构的行为无应对;p'4表示针对竞争对手在该地设立机构的行为无应对。
(3) 两条价值—事件路径 (n'1, n'2, n'4) 和 (n'1, n'3, n'4) 表示两个管理过程, 其中 (n'1, n'2, n'4) 过程应对了竞争对手的行动, 企业价值没有较大变化, (n'1, n'3, n'4) 过程忽略了竞争对手的行动, 企业价值降低。
五、结语
本文结合价值管理和价值工程两者的思想, 提出了一种基于价值—事件路径模型的企业价值工程分析方法。即将一个企业价值管理过程视为一条企业价值—事件路径。有利的企业管理过程是一条价值随事件序列递增的价值—事件路径, 不利的企业管理过程路径中的价值会随事件序列递减。在此基础上, 进一步将企业价值—事件路径中的事件对应为企业功能和企业功能耗费的比值, 由此得到一个价值工程四维模型, 其四个维度分别是:企业功能、企业功能耗费、企业价值和企业事件。本文还对价值工程四维模型进行了多维分析, 形成了一种新的用于企业管理的价值工程分析方法。
下一步的研究工作包括: (1) 借鉴离散事件系统仿真的思想进行价值工程四维模型的仿真研究; (2) 开发一个支持基于价值—事件路径的价值工程分析方法的软件平台, 作为企业价值工程与企业管理的技术支撑和手段。
参考文献
[1] .J.Favara.Value Based Principles for Management of Reuse in the Enterprise.Proceedings of the 4th International Conference on Softerware Resuse, 1996
[2] .陈靓, 阳迅.基于价值管理的会计信息系统再造.企业家天地, 2008;8
[3] .蔡晓琰.企业价值评估方法分析.合作经济与科技, 2013;6
路径模型 第6篇
关键词：蚁群算法,粒子群算法,Transmodeler,路径仿真
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τij(7)n)。设定过小的初始信息浓度τ0,容易使搜索陷入局部空间;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]:
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维的搜索空间内,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:Xit=(7)xti1,xti2,xti3,∙∙∙,xtid),i=1,2,3,…,M。xtid∈[xmin d,xmax d],xmin d,xmax d分别代表搜索空间D的下限和上限;
飞行速度为:Vti=(7)v)ti1,vti2,vti3,∙∙∙,vtid,i=1,2,3,…,M。vtid∈[v]min d,vmax d,
vmin d,vmax d分别为粒子飞行的最小和最大速度;
个体最优位置:Pit=(7)pti1,pti2,pti3,∙∙∙,ptid),整体最优:
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:搜索空间D的下限xmin d和上限xmax d;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vmin d,vmax d。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Pit和全局极值Pgt。
(3)将粒子个体历史的最好位置Pit的适应值于当前粒子位置适应值进行比较,Pit取优。
(4)将每个粒子的位置的适应值和全体粒子最佳位置Pgt的适应值做比较,Pgt取优。
(5)根据以上公式更新粒子的速度和位置。
(6)检验是否满足结束条件。如果当前的迭代次数达到了最高迭代次数Tmax或结果误差小于寻优误差系数θ,那么停止迭代,输出最优解。否则转到步骤(2)。
1.3 算法融合
PSO收敛速度较慢,易陷入局部优先,而ACO的搜索具有很大的盲目性。本文针对两算法的缺点和实际交通路径规划在计算时间和精度上的高要求,分别对ACO和PSO做出改进,建立混合型算法,模糊缺点,发挥各自在路径搜索上的优势。
利用粒子群算法得到一组优化路径,然后在整体的环境已经加入相同信息素,再从这组路径中选取部分路径,加大信息素浓度作为蚁群算法新的初始化信息素,从起点和终点一起进行精搜索,从而形成双向搜索模式,选出最优路径。所谓最优,并不是指路程最短,而是时间与路程的结合分析。从O点到D点的所有路径中,经过粒子群的筛选,以下三条路径可以作为蚁群算法的初始路径。
2 仿真实例
2.1 仿真环境
Transmodeler软件是目前应用比较广泛的仿真软件之一。本文使用的是Transmodeler4.0版本,此可以详细仿真从高速公路到城市道路各种道路网以及公交站点等设施[8]。二次开发是Transmodeler软件最大的特性,可以使此软件按照开发者需求或者城市道路变化需求完成有针对性的系统重构,建立一个针对城市道路智能控制算法验证的仿真软件平台。
2.2 实例模拟
选取2016年5月15上午9点到10点为仿真时间段,从内蒙古工业大学新城校区出发,目的地为呼和浩特市植物园。通过PSO-ACO融合算法,选出最优路径。
拟定工大新城校区到呼市植物园路线为仿真背景,在实际地图上设置城市路网(如图2),加入仿真流量,模拟区域简单仿真环境。步骤如下:
Transmodeler4.0软件打开地图“全景1.jpeg”→建立Simulation Project,并使用Road Editor工具箱,根据实况建立城市主干道、快速路、十字路口等仿真环境→加入仿真流量,以蓝色路径为仿真背景,通过设置车型、车速,以及各个路口的转向流量等,真实的模拟车辆行驶路径。
在9:01时,从工大南门出发自驾沿着爱民街直行,到达呼伦贝尔北路,向南经历第三个十字路口时,向西进入新华大街,通过两个路口进入新华西街,在9:15时到达呼和浩特市植物园。总历程将近14分钟,其中车辆速度根据实际情况不断变化,最高达到72.4km/h。
3 结论
本文将粒子群和蚁群算法相结合,从始发到终点的路径中,有效的选出相对最优的路径,并通过运用Transmodeler4.0软件加入实例,对两节点间的多条路径的距离和时间进行对比分析,为城市道路优化和出行提供了可靠的依据,并为智慧城市的研究提供很大帮助。
参考文献
[1]刁阳,隽志才.基于仿真的城市路网动态分配矩阵估计方法[J].系统管理学报,2011,20(3):376-383..
[2]赵明翠,成卫,戢晓峰,等.基于Trans CAD与Trans Modeler的交通影响分析方法[J].科学技术与工程,2010,10(27):6689-6694.
[3]吴义虎,李宁,王正武.蚁群算法在车辆路径诱导系统中的应用[J].系统工程,2007,25(2):27-31.
[4]宋世杰,刘高峰,周忠友,等.基于改进蚁群算法求解最短路径和TSP问题[J].计算机技术与发展,2010,20(4):144-147.
[5]李晓东,王东,曾凡智,等.城市交通时间最短路径计算模型及应用仿真[J].计算机仿真,2014,31(1):172-175.
路径模型 第7篇
模型再现如图, 一位小牧童, 从A地出发, 赶着牛群到河边饮水, 然后再到B地, 问怎样选择饮水的地点, 才能使牛群所走的路程最短?
解: (1) 先作出点B关于河岸的对称点B';
(2) 连结AB', 设它与河岸线交于点P, 则点P就是所选的满足题意的位置。即牧童赶着牛群从A地出发, 到达P点饮水, 再到B地, 这条路线最短。
一、几种常见的变式
变式教学已经成为初中数学教学的一种常用方法, 它可以消除问题的非本质属性, 突出本质属性, 因此, 在中考复习中, 可对基本模型进行适当的变式, 从而达到揭示问题本质的目的。鉴于以上对基本模型的分析可知, 此模型有两个定点、一条定直线、一个动点、一种运算符号和一种思想方法。下面我们根据这几点分别进行变式 (变式的理由均略) 。
变式一:保持定点和定直线的数量, 增加动点的数量。
如图2, 点A、B在直线l的同侧, 线段CD=a在直线l上运动, 试确定线段CD的位置, 使得AC+CD+BD最短。
略解:如图3, (1) 过点A作AA'∥CD, 且AA'=CD;
(2) 作出A'关于直线l的对称点A', 连结A'B交直线l于点D;
(3) 在点D的左侧截取CD=a, 连结AC, 则CD就是所求的位置。
变式二:保持定点的数量, 增加定直线和动点数量。
如图4, 点P、Q分别是∠AOB边上的两个定点, 点C、D是两边OB、OA上的两动点, 试确定C、D的位置, 使得PC+CD+DQ最小。
略解:如图5, 作出点P关于OB的对称点P', Q点关于OA的对称点Q', 连结P'Q', 分别交OA、OB于点D、C。则点C、D即为所求。
变式三:将运算符号由“+”变为“-”。
如图6, 点A、B位于直线l的两侧, 点P是直线l上的动点, 试确定点P的位置, 使得|PB-PA|最大。
略解:如图7, 作出点A关于直线l的对称点A', 连结BA'并延长交直线l于点P;则点P就是所求的。
二、模型及其变式在中考复习中的应用
例1 (2003年温州中考) 如图, 菱形ABCD中, AB=2, ∠BAD=60°, E是AB的中点, P是对角线AC上的一个动点, 则PE+PB的最小值是
解析:此题是属于基本模型与菱形等轴对称图形结合后产生的求线段和的最值问题。由于基本模型的解答都需要用到轴对称变换, 因此将基本模型放置于一个轴对称图形之中, 不仅可以考查学生的模型识别能力, 还可以加深学生对轴对称图形的理解。在初中数学中, 常见的轴对称图形有等腰三角形、等腰直角三角形、等腰梯形、矩形、菱形、正方形和圆等, 从代数的角度考虑还有抛物线、双曲线等均可构造此类模型求线段和的最值。
因为菱形ABCD是轴对称图形, 其对称轴是对角线AC所在的直线, 而点B关于AC的对称点是D, 因此, 根据基本模型, 只要连结DE, 其长度姨3即是所求的最小值。
例2 (2009年遂宁市改编) 如图9, 二次函数的图象经过点D (0, ) , 且顶点C的横坐标为4, 该图象在x轴上截得的线段AB的长为6。
⑴求二次函数的解析式;
⑵在该抛物线的对称轴上找一点P, 使|PB-PD|最大, 求出点P的坐标。
解析: (1) 二次函数的解析式为:
(2) 由于点B关于对称轴的对称点为点A, 因此根据变式三, 只要求出直线AD与对称轴的交点便是所求的点P。易求点A的坐标为 (1, 0) , 直线AD的解析式为, 所以直线AD与对称轴直线x=4的交点P (4, ) 即为所求的。
例3 (2009年陕西省) 如图10, 在锐角△ABC中, AB=, ∠BAC=45°, ∠BAC的平分线交BC于点D, M, N分别是AD和AB上的动点, 则BM+MN的最小值是_______。
解析:此题是变式二的应用, 可采用局部调整法。因为AD是∠BAC的平分线, 作点N关于AD的对称点N', 该点必落在AC上, 由对称性可知, MB+MN=MB+MN', 又因为直线外一点与各点的连线中, 垂线段最短, 因此当BN'⊥AC时, 令BN'与AD的交点为M, 则此时BM+MN最小, 最小值为4。
路径模型 第8篇
关键词：中国烟草行业年产量,经济演化模型,经济统计数据,经济预测,经济系统相变
一、引言
中国经济系统及其子系统中国烟草行业所涉及的财富价值在全国经济总价值中占有重要的份量, 它的演化特性及其演化趋势的预测具有重要经济价值和政治意义。现有文献对此有了一些研究, 在此基础之上, 本文从中国经济系统及其子系统中国烟草行业的结构特征出发, 根据经济学基本原理导出这一子系统的一个演化模型, 利用较为可靠的经济统计数据, 借助Eviews软件对这一演化模型的各个参数进行优化估计, 映证这一演化模型的真实性;据此演化模型, 预测2008年~2030年中国烟草行业年产量演化路径, 分析它的各种特性, 提出相应的政策建议。
二、中国烟草行业年产量演化模型及其参数优化
中国经济系统 (记为A) 的结构特征是:一个巨大的充满活力的财富创生系统。中国经济系统的子系统中国烟草行业年产量 (记为B) 的结构特征是:与系统A相匹配的巨大的财富创生子系统。对这一复杂经济系统历史统计数据的概括[4]反映出这一系统的结构和运行模式是稳定的、有序的。
经济学理性人原理所表达的经济人 (包括广义经济人如企业、国家等一切经济系统) 对其所可能持有或支配的资源的配置模式的设计和选择原则是, 尽力实现自身总体或根本利益 (财富增值) 最大化。经济系统内禀地具有趋于一般均衡态或帕累托最优态的演化态势, 但是由于经济系统结构或参数的演化, 如:科技创新, 制度进步, 专业化分工深化, 比较优势实现, 流通渠道扩展, 自然和社会资源采伐, 经济人需求繁衍, 工业化和城市化水平提升, 等等因素, 使经济系统不断地由趋于一个一般均衡态跃迁或演化到趋于另一个财富创生效率更高的一般均衡态。所以, 系统A及其子系统B将不断地由财富创生水平较低的状态跃迁至财富创生水平更高的状态。
系统A和子系统B的演化在经济系统结构未发生模式变更条件下可利用资源或发展空间存在一个上限值。系统A中其他子系统对子系统B的制约和竟争, 以及子系统自身的制约和竟争, 使得子系统的可利用资源或发展空间随着中国烟草行业年产量值的增长而不断减小。
在最简单情形下假设子系统B的财富增长率 (最简单情形下假设与中国烟草行业年产量成正比) 与其财富增长剩余空间 (最简单情形下假设与中国烟草行业年产量增长剩余空间成正比) 成正比, 则 其中, N表示中国烟草行业年产量, K表示中国烟草行业年产量在现有经济结构模式下的饱和值, k表示子系统B量值增长率与其剩余空间之比, t表示时间。
两边积分, 代入初始条件N0, 得
或: 也可以写成如下形式: 这是有名的logistic演化模型。
利用较为可靠的经济统计数据 (图1中的圈点) , 借助Eviews软件对这一演化模型的各个参数进行优化估计, 得:K=3862.3a=69.3 b=0.1 残差R=2584;即, 中国烟草行业年产量演化模型的完整优化表达式为 (万箱) :
演化模型曲线 (图中的圈点) 与实际统计数据散点图比较可以看出, 模型对统计数据拟合得较好, 这说明, 这一演化模型是中国烟草行业年产量演化路径的一个较为切合实际的模拟, 它能够反映中国烟草行业年产量演化这一客观过程的主要特征和发展趋势。但是, 有个别时间区间中国烟草行业年产量的演化路径离偏正态logistic路径, 这是由于经济结构调整期间经济结构参数变动所造成的飘移。
三、演化模型对2008年~2030年中国烟草行业年产量演化路径的预测
取时间区间为1950-2030, 将统计数据散点图和演化模型预测曲线表示在同一张图上 (图中的十字点) , 可以看出, 在2030年附近抵达饱和值K, 此时中国经济结构及中国烟草行业经济结构将发生重大变更;中国烟草行业年产量相变点 (加速增长与减速增长的临界点) 为0.5K, 此点出现在上世纪8 0年代中期;1978年~2000年是中国烟草行业年产量增长的最优时段;中国烟草行业年产量子系统是一个近似logistic演化系统, 这一系统的对logistic路径的离偏较小, 说明这一子系统是稳定的、有序的、风险性很小的。
四、结论和政策建议
中国烟草行业已经基本完成它的这一期logistic周期的主要路程, 进入接近其饱和值的振荡缓进、蕴育结构调整的历史阶段。这一阶段将持续20年, 在2030年前后, 伴随着中国经济系统整体的结构重大变更, 中国烟草行业产年量系统也将进入下一个logistic演化周期。因此, 一个较长的时期内, 中国烟草行业的工作重点应当致力于提高产品质量, 创建优质品牌, 降低生产成本和交易费用, 增大烟草产品文化附加值等方面的技术创新和制度创新。
参考文献
[1]左相国:中国烟草行业成长过程的逻辑函数分析.数量经济与技术经济研究, 2003/10, 125-128
基于多属性决策的最优路径选择模型 第9篇
对于在行车过程中寻找1条最优路径问题,传统的交通流诱导系统(TFGS)仅仅只是以最短距离或者最短时间作为单一目标,而在实际驾驶过程中,驾驶员往往权衡各种因素以达到快捷、安全、舒适、高效的出行目的。目前,国内外学者已经提出了不同标准的多种方法来解决此问题,如判定属性权重之间的关系[1]、基于可能度和区间数相离度的多属性决策方法[2]、通过模拟自然界蚂蚁觅食行为的蚁群算法[3]、多约束情况下的路径选择方法[4],利用各影响因素建立阻抗函数方法[5]、分析各因素的之间相关关系的模糊神经网络算法[6]、以及博弈论[7]、层次分析法、遗传算法等多种最优路径的选择方法。上述研究没考虑驾驶员在路径选择过程中给出的决策值受到驾驶员因素的影响。将最优路径选择过程中所有可能的影响因素(时间、距离、费用、所经交叉路口的多少、所经路况、舒适度、安全性等)纳入考虑,用区间数描述各个属性值,引入反映驾驶员心态的指标[8,9,10]。
在路径选择过程中,并不是所有的驾驶员对于同样的路径选择问题都有相同的时间、精力,信息处理能力、经验、数据和个人偏好。通过引入心态指标,在多个驾驶员共同决策的基础上建立了1种多属性群决策最优路径选择的新方法,由于心态指标是对单个参与路径选择驾驶员的综合评价值。较之基于偏好的模型,考虑得更为全面,所得到的值更为合理和客观。根据驾驶员不同通过调节心态指标的值就可以得到不同情况下的最优路径,适用性更强。通过算例验证了模型的实用性并且在不同的心态指标下得到了不同的最优路径选择。
1 评价最优路径的各项指标
驾驶员在出行之前要考虑的各种因素,包括时间、距离、费用、所经交叉路口的多少,以及所经路况、舒适度、安全性等。本文将以上因素归纳总结为5个路径选择评价指标:消耗时间、路径距离、行驶舒适度(包括安全性)、出行费用、路线熟悉度等(路况、交叉口),见图1。选择最优路径这一过程具有不确定性,对于各项指标驾驶员在决策过程中给出的属性值往往不会是1个精确值[11],指标之间也会相互影响,各个指标都在一定范围内波动,所以本文用区间数来描述各项指标值。
2 模型的建立
首先设有m条路径可供选择,记集合为A={A1,A2,…,Ai,…,Am};且有n个评价指标的集合B={B1,B2,…,Bj,…,Bn};有d位驾驶员同时选择,其权重向量为λ=(λ1,λ2,…,λd)。而各个指标的权重未知,令w={w1,w2,w3,…,wn},其中:wj表示评价指标Bj的权重或重要程度,文献[1]对未知属性权重向量之间数学表达式进行了阐释。
2.1 心态指标
在最优路径选择过程中,除去以上确定性指标以外,由于并不是所有的驾驶员对于同样的路径选择问题都有相同的时间、精力、信息处理能力、经验、数据和个人偏好,所以驾驶员心态是路径选择过程中的重要因素,引入心态指标[6]处理驾驶员对各条路径的区间决策值。
定义一:在驾驶员给定区间数a=[a-,a+]条件下,基于心态指标t∈[0,1]定义函数
式中:Mt=0.5(a-+a+);Dt=0.5(a+-a-)。同时称t为此驾驶员对给出决策区间数a=[a-,a+]的心态指标。因为Fa(t)是在[0,1]上的单调递增的函数,所以当t=0时,Fa(t)=a-此驾驶员对这条路径的总体路况持悲观态度;t=1时,Fa(t)=a+此驾驶员对此路径的总体路况持乐观态度。
2.2 最优路径决策过程
首先,每个驾驶员在进行决策之前对各条路径存在1个初始主观偏好g
由于各项评价指标的类型不同,对最初的决策矩阵进行一般规范化处理。效益型和成本型分别为
得到规范性决策矩阵
式中:f
为使所有的驾驶员对最优路径的期望和客观值偏差最小,同时也是每个出行者对路径认识的偏差最小,令Ω为属性权重信息不完全的数学表达式的集合。对于较小区间数值取对数建立多目标规划模型
使得每个驾驶员对路径认识的偏差最小。
建立多目标非线性规划模型
利用系数法将规划模型化简为非线性规划模型,易证模型可行域不为空集,则此模型必有唯一最优解。利用Matlab 7.0求解得到模型最优时的属性权重值(w
最后,根据驾驶员自身的权重和每个驾驶员对于每条路径的认识值,利用加权平均算子建立每条路径的综合属性值
将所求得的权重值(w
3 算例分析
假设1对OD之间有3条路径可以选择,有3名驾驶员Ci参与决策,3位驾驶员的权重分别为0.5、0.3、0.2,心态指标分别为0.6、0.54、0.62,对于评价指标不完全权重信息Ω=(w1≥1.05w2;w3≥0.09;w2≥2w3;w4+w5≥0.45;w5≤0.08+w1),根据以上建模过程叙述,表1给出每个驾驶员在选择路径前对每条路径的主观偏好值。
表2、表3、表4分别给出各条路径的初始值为:
对于驾驶员C1给出的以上初始区间值,根据式(2)、(3)进行规范化处理,并利用心态指标式(1)进行处理,得到决策矩阵
同理其他2位驾驶员给出的客观初始认识值经过同样的处理可得决策矩阵
将所有驾驶员的主观认识值和客观认识值经过模型(7)、(8)、(9)并利用Matlab7.0计算得属性权重值为w1=0.277 92;w2=0.180 0;w3=0.090 0;w4=0.212 3;w5=0.237 78,由式(10)计算得到各条路径的综合决策属性值φ1=1.019;φ2=1.005;φ3=1.060,排序可得:φ3≥φ1≥φ2,那么第3条路径为最优路径。以上结果是在驾驶员心态指标分别是:0.6、0.54、0.62的情况得出的。为了研究不同驾驶员心态影响的结果,设定参数和选择结果见表5:
可以看出,根据驾驶员不同的心态会得到不同的最优路径结果。特别的,当3个驾驶员都经验不足,时间仓促,对各条路径的情况了解不足,或者开车资历尚浅等原因,路径选择过程中持悲观心态,取心态指标值为0.2,此时最优路径是第1条路径;当驾驶员C1持悲观心态,而驾驶员C2持中庸心态,而驾驶员C3开车经验丰富,对拟选路径给出的信息非常有把握,持激进心态,所以取心态指标值为0.9,此时最优路径是第2条路径。由此可以看出驾驶员决策过程中所持心态不同,对结果存在很重要的影响。
4 结 论
相比与其他的最优路径选择方法,本文研建立了1种基于驾驶员心态的多属性群决策最优路径选择模型。并用区间数描述各属性值和设计相应的求解算法,克服了驾驶员自身心态带来的对路径总体评价值的偏差,并能够在客观事实的基础上,尽可能的满足驾驶员主观偏好。在实际运用中,能够根据驾驶员心态不同,适时调节心态指标来选择最优路径。
参考文献
[1]Ahn B S,Park K S,Han C H,et al.Multi attrib-ute decision aid under in complete information andhierarchical structure[J].European Journal of Op-erational Research,2000,125(2):431-439.
[2]韦增欣,陈进来,罗朝晖.基于驾驶员偏好的最优路径选择[J].交通运输工程与信息学报,2010,10(6):141-144.
[3]夏立民,王华.基于蚁群算法的最优路径选择问题的研究[J].计算机工程与设计,2007,26(16):3957-3959.
[4]邹永贵,魏来.多约束条件的最优路径选择算法研究[J].计算机应用,2008,28(5):1101-1103.
[5]王宏仕,许强.基于驾驶员偏好的最优路径选择方法[J].交通与安全,2008(12):176-178.
[6]王华,夏立民,孟广武.交通最优路径选择算法的对比与仿真[J].计算机应用软件,2009,26(2):65-68.
[7]安实,崔娜,李静.基于多智能体博弈的路径选择策略仿真研究[J].交通信息与安全,2009,27(3):1-5.
[8]张兴芳,管恩瑞.区间值模糊综合评判及其应用[J].系统工程理论与实践,2001,12(12):81-84.
[9]兰蓉.一种基于区间数距离的理想点多属性决策方法[J].西安邮电学院学报,2009,14(1):153-156.
[10]周光明,刘树人.不确定多属性决策中区间数的一种新排序方法[J].系统工程,2006,24(4):115-117.