基于随机乘客流的改进遗传算法多目标时刻表优化

本文主要探讨了基于随机乘客流的时刻表多目标优化方法。研究者们针对城市轨道交通系统的时刻表设计问题提出了新的解决方案，认识到乘客流量的不确定性对优化决策的重要性。他们构建了一个乘客流量模型，该模型基于乘客流量的正态分布，并通过假设检验验证了其准确性。模型考虑了列车在不同站点之间的运行，特别是根据 Pontryagin 最大化原理将其运营过程划分为四个阶段：最大加速度、速度保持、滑行和最大制动。 在能量消耗评估方面，论文认为在两站之间的最优策略是使列车运行效率最大化，这涉及到对列车速度控制的精细化管理。为了实现这一目标，研究者采用了一种改进的遗传算法（Improved GA）。传统的遗传算法与改进后的算法在此问题上进行了对比，决策变量包括运行时间、发车间隔和停站时间，这些参数对于保证服务效率和乘客满意度至关重要。 在实际应用中，研究者以北京地铁的实际数据为基础，将优化模型应用于模拟环境中，通过对比常规遗传算法和改进遗传算法的结果来验证优化模型的有效性。实验结果显示，改进的遗传算法在处理随机乘客流量的情况下能够更有效地平衡运行效率、发车频率和停站时间，从而达到时刻表优化的目标，提高整个系统的效率和服务质量。 这篇研究论文深入分析了随机乘客流量对时刻表优化的影响，通过数学建模和优化算法的应用，为城市轨道交通系统的运营管理提供了实用的策略和工具，有助于提升运输系统的整体性能和乘客体验。