首页 > 其他分享 >基于GA遗传优化的离散交通网络双层规划模型设计matlab仿真

基于GA遗传优化的离散交通网络双层规划模型设计matlab仿真

时间:2024-09-04 21:23:06浏览次数:14  
标签:交通网络 模型 Selch Cost1 Cost2 matlab GA 集合 gen

1.程序功能描述 基于GA遗传优化的离散交通网络双层规划模型设计.优化输出路段1和路段2的收费情况收敛过程。

2.测试软件版本以及运行结果展示 MATLAB2022a版本运行

1.jpeg2.jpeg

3.核心程序

      rng(gen)
      gen
     
      P1 = 0.9;
      P2 = 1-P1;
 
      FitnV=ranking(Objv);    
 
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,P1);   
      Selch=mut( Selch,P2);   
      phen1=bs2rv(Selch,FieldD);   
      for a=1:1:NIND  
          if  gen == 1
              Cost1(a) = Cost1_intial;       
              Cost2(a) = Cost2_intial;               
          else
              Cost1(a) = phen1(a,1);   
              Cost2(a) = phen1(a,2);   
          end
          
          %计算对应的目标值
          [errs,a1,a2,eas,tas,xa3] = func_obj(Cost1(a),Cost2(a));
          E               = errs;
          JJ(a,1)         = E;
      end 
      Objvsel      =(JJ+eps);    
      [Chrom,Objv] = reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen          = gen+1; 
 
      %保存参数收敛过程和误差收敛过程以及函数值拟合结论
      Cost1gen(gen) = mean(Cost1);
      Cost2gen(gen) = mean(Cost2); 
      F(gen)        = mean(JJ);
      if gen <=32
         F2(gen)        = mean(F(1:gen));
         Cost1gen2(gen) = mean(Cost1gen(1:gen));
         Cost2gen2(gen) = mean(Cost2gen(1:gen));
      else
         F2(gen)        = mean(F(gen-32:gen)); 
         Cost1gen2(gen) = mean(Cost1gen(gen-32:gen));
         Cost2gen2(gen) = mean(Cost2gen(gen-32:gen));
      end
end 
 
Cost1f = Cost1gen(end);   
Cost2f = Cost2gen(end);   
 
figure;
plot(F2(2:end),'linewidth',2);
xlabel('迭代次数');
ylabel('上层目标函数');
grid on
 
figure;
plot(Cost1gen2(2:end),'r','linewidth',2);
hold on
plot(Cost2gen2(2:end),'b','linewidth',2);
xlabel('迭代次数');
ylabel('收费情况');
legend('路段1','路段2');
grid on
 
disp('流量');
eas
06_029m



4.本算法原理

  1. 使用一氧化碳作为路网车辆尾气排放的代表指标,计算公式如下:

3.png

  1. 双层规划模型 上层模型 采用多目标模型,系统总出行时间最小,同时区域排放最小

4.png

3.下层模型

采用固定需求的用户平衡(UE),总阻抗最小

5.png6.png

N——网络中节点的集合;

L——网络中路段的集合;

R——网络中出发地的集合;

S——网络中目的地的集合;

——出发地 和目的地 之间的所有径路的集合;

——出发地 和目的地 之间的OD交通量;

标签:交通网络,模型,Selch,Cost1,Cost2,matlab,GA,集合,gen
From: https://blog.51cto.com/u_16286143/11920348

相关文章

  • 基于迭代扩展卡尔曼滤波算法的倒立摆控制系统matlab仿真
    1.课题概述       基于迭代扩展卡尔曼滤波算法的倒立摆控制系统,对比UKF,EKF迭代UKF,迭代EKF四种卡尔曼滤波的控制效果。 2.系统仿真结果  3.核心程序与模型版本:MATLAB2022a%迭代扩展卡尔曼滤波X_iukf=zeros(2,Times1);X_iukf(:,1)=state0......
  • 基于颜色模型和边缘检测的火焰识别FPGA实现,包含testbench和matlab验证程序
    1.算法运行效果图预览(完整程序运行后无水印)   将FPGA仿真结果导入到matlab显示结果: 测试样本1   测试样本2   测试样本3   2.算法运行软件版本vivado2019.2 matlab2022a 3.部分核心程序(完整版代码包含注释和操作步骤视频) `time......
  • 多目标应用:四种多目标优化算法(NSOOA、NSPSO、NSDBO、NSCOA)求解柔性作业车间调度问题(F
    一、柔性作业车间调度问题柔性作业车间调度问题(FlexibleJobSchedulingProblem,FJSP)的描述如下:n个工件{J,J......
  • CDGA|数据治理:确保数据质量与价值的综合性框架
    在当今的数字化时代,数据已成为企业运营和决策的核心资源。为了确保数据的质量、安全性、合规性和可用性,数据治理成为了企业不可或缺的一部分。数据治理是一个综合性的框架,涵盖了多个方面,旨在最大限度地利用数据资产并降低数据相关的风险。一、数据战略与政策数据治理的首要......
  • USB gadget驱动框架(三)
    gadget驱动框架(三)usb_udc与usb_gadget_driver的绑定usb_udc与usb_gadget_driver,在注册的时候分别被添加到udc_list和gadget_driver_pending_list中,无论这两者先后顺序如何,都将会动态的去识别及匹配到具体设备中,绑定过程如下:源码:drivers/usb/gadget/udc/core.c/*-------------......
  • 基于 FPGA 的 SD 卡的数据读写实现(SD NAND FLASH)
    1、存储芯片分类目前市面上的存储芯片,大致可以将其分为3大类:①EEPROMEEPROM(ElectricallyErasableProgrammablereadonlymemory)是指带电可擦可编程只读存储器,是一种掉电后数据不丢失的存储芯片。EEPROM可以在电脑上或专用设备上擦除已有信息,重新编程。这类产品容量小,读......
  • Gartner报告解读:如何帮助企业完善数据分析与治理路线图
    Gartner服务于全球100多个国家和地区的14,000余家机构,是一家深受客户信赖、观点客观的研究顾问公司。Garnter洞察、建议和工具可帮助您发现创新机遇,完成关键优先任务,助您成为企业不可或缺的战略专家和价值创造者。该公司是标普500指数成分股公司,客户涵盖全球500强中73%的企业......
  • USB gadget functionfs
    FunctionFS(FunctionFilesystem)是LinuxUSBGadget框架的一部分,专门用于从用户空间实现和控制自定义的USB功能。它提供了一种文件系统接口,使用户能够在用户空间中直接定义USB设备的接口、端点和描述符,并管理USB数据的传输。FunctionFS常用于需要用户空间控制的复杂U......
  • 高创新 | Matlab实现Transformer-GRU-SVM多变量时间序列预测
    高创新|Matlab实现Transformer-GRU-SVM多变量时间序列预测目录高创新|Matlab实现Transformer-GRU-SVM多变量时间序列预测效果一览基本介绍程序设计参考资料效果一览基本介绍1.Matlab实现Transformer-GRU-SVM多变量时间序列预测,Transformer+门控循环单......
  • 综合评价 | 基于层次-变异系数-博弈组合法的综合评价模型(Matlab)
    目录效果一览基本介绍程序设计参考资料效果一览基本介绍AHP层次分析法是一种解决多目标复杂问题的定性和定量相结合进行计算决策权重的研究方法。该方法将定量分析与定性分析结合起来,用决策者的经验判断各衡量目标之间能否实现的标准之间的相对重要程度,并合理......