中国科技论文在线
http://www.paper.edu.cn
基于遗传算法的城市停车换乘设施选址模
型研究
方青*
(同济大学 交通运输工程学院,上海 201804)
摘要:停车换乘(Park & Ride, P&R)作为交通需求管理(TDM)的一项手段,可以有效缓
解城市中心区交通拥挤,使交通系统得到改善。P&R 选址是 P&R 规划的重要组成部分。以
P&R 用户广义出行费用最小作为选址目标,建立 P&R 选址模型,并设计了求解模型的遗传
算法,最后利用 matlab 等辅助工具对模型算例进行了编程求解。
关键词: 交通运输规划与管理;停车换乘;遗传算法;选址模型;交通需求管理
中图分类号:U491
Study on the model of Location of Urban Park & Ride Lots
based on Genetic Algorithm
Fang Qing
(School of Transportation Engineering,Tongji University,Shanghai 201804,China)
Abstract: As an effective means of Transport Demand Management(TDM),Park & Ride (P&R) can
relieve the traffic pressure in the centre district and make the traffic system improved.How to find good
location for P&R facilities is an essential research field in consideration of planning P&R system. The
location choice model is proposed using the minimum generalized travel cost as the location target.
The model is solved by Genetic Algorithm. A numerical example is analysed in the end.
Key words: transportation planning and management;Park & Ride;Genetic Algorithm;location choice
model;TDM
0 引言
在城市机动化的背景下,解决和改善城市交通问题显得十分迫切。停车换乘(Park & Ride,
P&R)作为交通需求管理(TDM)的一项手段,可以有效缓解城市中心区交通拥挤,使交
通系统得到改善[1~3]。
停车换乘系统是指在城市中心区以外轨道交通车站、公交交通首末站以及高速公路旁设
置停车换乘场地,低价收费或免费为私人汽车、自行车等提供停放空间,辅以优惠的公共交
通收费政策,引导乘客换乘公共交通进入城市中心区,以减少私人小汽车在城市中心区域的
使用,缓解中心区域交通压力[4-5]。
P&R 选址是 P&R 规划的重要组成部分,它不仅对于 P&R 自身的规划、建设和运行,
而且对于提高整个交通运输系统的运输效益具有重要的现实意义。
1 停车换乘选址模型的建立
1.1 模型建立思路
参考物流中心的选址思路,以 P&R 用户出行广义费用最小作为选址优化目标。在满足
P&R 出行需求的前提下,以用户出行广义费用最小作为选址优化目标,选取 P&R 设施到需
作者简介:方青(1985.4-),男,博士研究生,主要研究方向:道路交通安全与环境工程. E-mail:
fangqing1985@gmail.com
- 1 -
中国科技论文在线
http://www.paper.edu.cn
求点的距离作为费用衡量值,因此目标函数是满足 P&R 设施到其服务的需求点的距离与需
求点需求量的乘积值最小。
1.2 模型的简化
结合坐标系对规划区域进行了功能小区的划分,从而确定出小区的出行中心的坐标和需
求点对应的需求量。
0
≤≤
x
a
0,
≤≤
y
b
在规划区域内
,以 ∆ 为步长将整个规划区域分割成网格,其中网格
的交叉点是可供选择的枢纽点坐标位置,在这些交叉点中寻找使得目标函数达到最优的点,
该点的位置即是选址规模模型确定的设施点的位置。
图 1 P&R 规划功能小区划分示意图
Fig. 1 The division of P&R functional zones
1.3 模型参数以及约束条件分析
设规划区域划分为 m 个功能小区,相应分布有 m 个潜在的停车换乘需求点,其中第 i
x y ,潜在的停车换乘需求量为 iA ,其中,
i N N
,
个停车换乘需求点的坐标(
])
∈
。
i
x y ,第 j 个 P&R
规划区域内规划的 P&R 设施数量为 n 个,其中第 j 个 P&R 设施的坐标(
,
j
设施到第 i 个需求点之间的距离为 ijd 。此模型在平面区域求解, ijd 按照欧式距离简化计算,
(
)
[1,
m
=
)
i
j
即
d
=
(
x
i
−
x
2
)
+
(
y
i
−
y
j
2
)
,其中,
j N N
∈
(
=
[1, ])
n
。
j
ij
在 P&R 设施选址规划中,要基于分散布局的原则,也就是说各个 P&R 设施之间的间距
不宜过小,以免造成资源的浪费。 ijd 为第 i 个 P&R 设施到第 j 个 P&R 设施之间的距离,则
≠ 。 minB 为各个 P&R 设施间距的
j N N
∈
[1, ]),
i
, ,
有
=
−
+
−
=
d
n
x
y
(
)
)
(
i
j
2
2
(
y
i
j
ij
x
i
ijd
j
B≥
。
min
下限,则有
取 ijX 为 0-1 变量。含义为:
第 个
j
P R
&
枢纽服务于第 个需求点
i
X
ij
1
⎧
= ⎨
0
⎩
否则
(1)
由于各个 P&R 设施的覆盖区域是可能存在重合部分的,这样就会导致 P&R 潜在需求点
可能被重复计算,导致结果偏差,于是增加约束条件,计算时,每个 P&R 潜在需求点只最
多对应一个 P&R 设施,本模型是建立在区域中所有的需求点都被满足的前提下,因此有:
- 2 -
中国科技论文在线
http://www.paper.edu.cn
n
∑
j
1
=
X
ij
i
1
= ∀
。类似,在模型中距离的计算过程当中,P&R 潜在需求点所对应 P&R 设施
以就近原则选取。
1.4 选址模型的建立
(1)目标函数的确定
本模型目标函数为:P&R 设施距其服务范围内各 P&R 需求点之间的加权距离(距离与
需求量的乘积)之和最小化。
min
D
m
n
= ∑ ∑
i
1
=
j
1
=
(2)约束条件
Ad X
i
ij
ij
(2)
2
(
=
x
j
y
(
y
−
i
∈
b
⎧
⎪
x
d
x
)
)
(
−
+
j
i
ij
j
⎪
i N N
m j N N
]),
[1,
⎪ ∈
=
⎪
a
y
,0
0
≤
≤
≤
≤
⎪
⎪⎪
s t d
. .
⎨
⎪
d
⎪
ij
⎪
X
⎪
⎪
n
∑
⎪
⎪⎩
B
≥
min
{0,1}
=
i
1
= ∀
i j
,
y
i
∀
+
(
(
x
i
2
)
x
j
X
−
y
)
j
=
−
j
1
=
ij
ij
j
(
ij
=
[1, ])
n
2
2
(3)
各参数所代表的含义在 1.2 小节中已经进行了详细的阐述。
2 选址模型的求解
遗传算法(Genetic Algorithm,简称 GA)是模拟生物在自然环境中的遗传和进化过程而
形成的一种自适应全局优化概率搜索算法。它最早由美国密执安大学的 Holland 教授提出,
起源于 60 年代对自然和人工自适应系统的研究。
遗传算法将问题域中的可能解看作是群体中的一个个体或染色体,并将每一个个体编码
成符号串形式,模拟达尔文的遗传选择和自然淘汰的生物进化过程,对群体反复进行基于遗
传学的操作(比如遗传、交叉、变异)。根据预定的目标适应度函数对每个个体进行评价,
依据适者生存、优胜劣汰的进化规则,不断得到更优的群体,同时以全局并行搜索的方式来
搜索优化群体中的最优个体,以求得满足要求的最优解[6~7]。
本文利用遗传算法对选址模型进行求解,选址模型的算法流程图见图 2。
- 3 -
中国科技论文在线
http://www.paper.edu.cn
图 2 模型遗传算法解法流程图
Fig. 2 The solution flow chart of Genetic Algorithm
3 算例分析
3.1 算例的提出
如图 3 规划区域,坐标范围是(0
)内,拟建设两个 P&R 设
施,取 minB 为 8km。各功能小区的停车换乘需求量及需求点(出行重心)对应坐标如表 1
所示。
≤ ≤
≤ ≤
x
km
,0
20
y
15
km
- 4 -
中国科技论文在线
http://www.paper.edu.cn
图 3 P&R 规划区域 P&R 潜在需求点分布示意图
Fig. 3 The distribution of potential P&R demand points in P&R planning area
表 1 P&R 需求点坐标位置以及 P&R 潜在需求量
Tab. 1 The coordinates and potential demand of the demand points
编号
1
2
3
4
5
6
7
8
X(m)
3080
2137
2987
5301
5868
7710
8229
9457
Y(m)
11595
6216
2488
9991
6216
2630
11878
7443
P&R 潜在
需求量
35
66
108
58
85
74
87
23
编号
9
10
11
12
13
14
15
16
3.2 利用 matlab 遗传算法工具箱求解算例
X(m)
11440
12054
12809
15454
15028
16540
16162
19043
Y (m)
10934
5225
12670
13199
7731
10934
2960
9236
P&R 潜在
需求量
34
52
88
65
43
28
72
115
使用英国设菲尔德(Sheffield)大学推出的 Matlab 遗传算法工具箱作为辅助工具通过编程
对算例进行求解[8]。遗传算法的相关参数为:种群中个体数目 nind=40;最大遗传代数位数
maxgen=50;交叉概率为 0.7;变量的二进制位数 preci=20;代沟 ggap=0.9。
通过求解,得出两个待建 P&R 设施的坐标为:(5859,6221),(15540,9552)。遗
传算法收敛图如下图所示:
- 5 -
中国科技论文在线
http://www.paper.edu.cn
图 4 算例算法收敛图
Fig. 4 The convergence of the algorithm
4 结论
(1)本文以 P&R 用户广义出行费用最小作为选址目标,建立了 P&R 选址模型。
(2)利用遗传算法对 P&R 选址模型进行求解,并利用算例进行了论证。选址结果可以
为 P&R 选址决策提供有效的参考依据。
(3)P&R 选址是一项相当系统而复杂的工程,需要综合考虑公共交通、路网、土地利
用、建设成本等众多因素。模型对约束条件做了一些理想化的假设,在下一步的研究中需进
一步的完善。
[参考文献] (References)
[1] 徐吉谦. 交通工程总论[M]. 北京:人民交通出版社, 2002.
[2] 石飞,章光日,徐建刚.我国交通需求管理(TDM)对策研究 [J]. 武汉理工大学学报, 2007, (5).
[3] Park and ride –its role in local transport policy[N]. CPRE, a campaign briefing, 1998
[4] 杨明,於昊,殷杰,邬岚. 北京市停车换乘系统规划研究[J]. 交通与运输 2005, (6).
[5] Bilal Farhan, MS. Evaluation, modeling and policy assessment for park-and-ride services as a component of
public transportation[D].The Ohio State University, 2003.
[6] 王小平,曹立明. 遗传算法-理论、应用与软件实现[M]. 西安: 西安交通大学出版社, 2002.
[7] 么卫良. 武汉市公共停车场选址布局规划方法研究[D].华中科技大学,2006
[8] 雷英杰. MATLAB 遗传算法工具箱及应用[M]. 西安:西安电子科技大学出版社,2005.
- 6 -