摘 要： 傳統(tǒng)平臺在交通擁堵狀態(tài)下對車輛進行調(diào)度時，需建立多個約束條件且必須全部實現(xiàn)，造成實現(xiàn)過程復雜、調(diào)度效率低下。設計一種新的智能調(diào)度平臺，分析智能調(diào)度平臺的總體結(jié)構(gòu)，介紹平臺調(diào)度模塊、監(jiān)控模塊、GIS模塊、車流量統(tǒng)計模塊和數(shù)據(jù)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(diào)度，為實現(xiàn)平臺調(diào)度模塊提供依據(jù)，并給出登錄界面和調(diào)度過程的部分代碼。仿真實驗結(jié)果表明，所設計的智能調(diào)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(guān)鍵詞： 交通擁堵狀態(tài)； 智能調(diào)度； 調(diào)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(zhì)生活水平的逐漸提高，車輛已經(jīng)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(tài)，不僅需要建設交通基礎(chǔ)設施，還需要現(xiàn)代化的智能調(diào)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(tài)下的調(diào)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(tài)下的調(diào)度方法，該方法將圖節(jié)點劃分成未標記節(jié)點、臨時標記節(jié)點與永久標記節(jié)點，在搜索的過程中，將和最短路徑中的節(jié)點相連通的節(jié)點看作是臨時標記節(jié)點，直至獲取目標節(jié)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(diào)度方法，該方法依據(jù)知識的搜索策略，也就是從初始狀態(tài)到目標狀態(tài)進行搜索時，通過獲取和步驟數(shù)或費用相關(guān)的信息實現(xiàn)車輛調(diào)度，該方法為逐次逼近算法，不一定能夠獲取最優(yōu)解。文獻[8]提出一種基于A算法的車輛調(diào)度方法，該方法依據(jù)寬度優(yōu)先法，針對全部未展開的節(jié)點，通過評估函數(shù)對其進行評估，尋找最應被評估的點，從而獲取目標節(jié)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(yōu)化神經(jīng)網(wǎng)絡的車輛調(diào)度方法，根據(jù)調(diào)度的地區(qū)、交通狀況、需求緊張程度等參數(shù)構(gòu)造神經(jīng)網(wǎng)絡模型，以調(diào)度算法的最短路徑為網(wǎng)絡輸出，神經(jīng)網(wǎng)絡的權(quán)值系數(shù)和閾值通過遺傳算法進行優(yōu)化更新，但該方法容易陷入局部最優(yōu)。文獻[10]提出一種基于權(quán)值的車輛調(diào)度方法，在對路徑進行選擇時，首先對每條調(diào)度路徑上的擁堵權(quán)值進行計算，通過權(quán)值完成合理的調(diào)度，但該方法的路徑擁堵權(quán)值系數(shù)必須在一定的約束條件下才可準確獲取，難以實現(xiàn)。

針對上述方法的弊端，設計一種新的智能調(diào)度平臺，分析智能調(diào)度平臺的總體結(jié)構(gòu)，以解決約束沖突弊端為目的，采用人工魚法對車輛進行調(diào)度，給出了登錄界面和調(diào)度過程的部分代碼。仿真實驗結(jié)果表明，所設計的智能調(diào)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(tài)下智

能調(diào)度平臺的設計

1.1 系統(tǒng)總體結(jié)構(gòu)

在交通擁堵狀態(tài)下，所設計的基于混合人工魚群算法的智能調(diào)度平臺主要由調(diào)度模塊、監(jiān)控模塊、GIS模塊、車流量統(tǒng)計模塊和數(shù)據(jù)采集模塊等構(gòu)成，總體結(jié)構(gòu)如圖1所示。

各模塊的詳細功能如下：

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

車輛監(jiān)控模塊依據(jù)數(shù)據(jù)采集模塊采集到的信息和相關(guān)數(shù)據(jù)對車輛進行監(jiān)控，為車輛調(diào)度模塊提供數(shù)據(jù)技術(shù)。

GIS模塊的功能可分為獨立功能和協(xié)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(xié)助功能就是協(xié)助車輛監(jiān)控模塊和車輛調(diào)度模塊實現(xiàn)監(jiān)控調(diào)度功能，例如在地圖上顯示車輛位置等。

車流量統(tǒng)計模塊依據(jù)相關(guān)的數(shù)據(jù)規(guī)則對某一時間段內(nèi)，通過某路段的車流量進行統(tǒng)計，平臺管理者通過車流量可合理的選擇調(diào)度方案，有利于交通的暢通。

數(shù)據(jù)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(shù)據(jù)發(fā)送至車輛監(jiān)控模塊。

1.2 基于人工魚群算法的交通擁堵狀態(tài)下車輛調(diào)度方法

上述分析平臺中的調(diào)度模塊主要是通過人工魚群方法實現(xiàn)的，下面進行詳細的分析。20世紀初，相關(guān)領(lǐng)域?qū)＜姨岢隽嘶谌斯~群算法的最優(yōu)化選擇處理方法，可將多種情況的選擇進行最優(yōu)化處理，本節(jié)將其應用于交通擁堵狀態(tài)下的車輛調(diào)度。假設交通擁堵狀態(tài)下的搜索空間維數(shù)是[n，]魚群的規(guī)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(yōu)化處理的詳細過程如下：

（1） 初始種群的產(chǎn)生。隨機產(chǎn)生魚群的初始狀態(tài)，假設待調(diào)度的有效路徑和分支路徑的數(shù)量是[m]，共有的數(shù)量是[n]，則一條人工魚的初始狀態(tài)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(shù)。

（2） 適值計算。適值函數(shù)[Y=fX]用于描述人工魚當前狀態(tài)的食物濃度；適值函數(shù)將人工魚的狀態(tài)[X=x1，x2，…，xn]變成一種調(diào)度方案，同時返回調(diào)度路徑的權(quán)值計算結(jié)果。這里采用一種優(yōu)先適合啟發(fā)式算法完成上述轉(zhuǎn)換，詳細實現(xiàn)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(quán)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(quán)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(quán)值系數(shù)最小值），退出；否則，轉(zhuǎn)④；

④ 覓食：假設人工魚當前狀態(tài)是[Xi]，隨機選擇一個狀態(tài)[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(shù)，這里取[cslep=1]。如果[Yi>Yj]，則重新選擇狀態(tài)[Xj]，直至次數(shù)超過[Ntry]（[Ntry]為人工魚每次移動的最大試探次數(shù)）為止。

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

（4） 聚群。假設人工魚當前狀態(tài)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(jù)上述過程，則交通擁堵狀態(tài)下，采用混合人工魚方法進行車輛調(diào)度的詳細過程如下：

（1） 產(chǎn)生初始路徑權(quán)值調(diào)度種群；

（2） 通過優(yōu)先適合啟發(fā)式算法對調(diào)度權(quán)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(tài)優(yōu)于原狀態(tài)，則進行步驟（4）；否則，進行步驟②；

② 聚群，若聚群后狀態(tài)優(yōu)于原狀態(tài)，則進行步驟（4）；否則，進行步驟③；

③ 覓食，經(jīng)迭代求出最優(yōu)權(quán)值；

（4） 對當前最優(yōu)調(diào)度權(quán)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(shù)，則退出；反之，重新進行步驟（3）。

則交通擁堵狀態(tài)下調(diào)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(shù)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(xiàn)最優(yōu)調(diào)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(diào)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(tài)下智能調(diào)度平臺的登錄界面如圖3所示。平臺登錄界面實現(xiàn)代碼如下：

2.2 車輛調(diào)度代碼

采用人工魚群方法進行車輛調(diào)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(diào)度平臺的有效性，需要進行相關(guān)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(diào)度平臺作為對比進行仿真分析。隨著可調(diào)度權(quán)值路徑規(guī)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(tài)下的車輛進行調(diào)度，對平均調(diào)度時間和最優(yōu)解與精確解之間的差值進行統(tǒng)計，得到的結(jié)果如表1所示。

分析表1可以看出，隨著可調(diào)度路徑權(quán)值規(guī)模的逐漸增大，采用本文系統(tǒng)得到的最優(yōu)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(yōu)解明顯更優(yōu)，運行時間也顯著降低。說明針對交通擁堵車輛調(diào)度問題，本文平臺是一種快速穩(wěn)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(jié)果。

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

4 結(jié) 論

本文設計了一種新的智能調(diào)度平臺，分析了智能調(diào)度平臺的總體結(jié)構(gòu)，介紹了平臺調(diào)度模塊、監(jiān)控模塊、GIS模塊、車流量統(tǒng)計模塊和數(shù)據(jù)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(diào)度，為實現(xiàn)平臺調(diào)度模塊提供依據(jù)。給出了登錄界面和調(diào)度過程的部分代碼。仿真實驗結(jié)果表明，所設計的智能調(diào)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(yōu)化算法的智能公交實時調(diào)度系統(tǒng)的研究與實現(xiàn)[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(wǎng)調(diào)度系統(tǒng)下的調(diào)度監(jiān)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(wǎng)調(diào)度系統(tǒng)下的調(diào)度監(jiān)控平臺的設計與研究[J].現(xiàn)代國企研究，2015（6）：66.

[4] 王志超.智能公交車輛調(diào)度系統(tǒng)的設計與優(yōu)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(jīng)濟技術(shù)協(xié)作信息，2014（32）：58?59.

[6] 陸瑞華，胡蓉，劉林林.電網(wǎng)一流調(diào)度智能數(shù)據(jù)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(lián)網(wǎng)公交調(diào)度管理系統(tǒng)的設計與實現(xiàn)[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(jiān)控與指揮調(diào)度系統(tǒng)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(shù)的地區(qū)電網(wǎng)智能調(diào)度預警系統(tǒng)設計應用[J].電網(wǎng)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(tǒng)設計[J].電子設計工程，2014，22（11）：134?136.