（西南交通大學(xué) a.交通運(yùn)輸學(xué)院; b.物流學(xué)院， 成都 610031）

摘 要：

為提高城市公共交通系統(tǒng)的效率，對(duì)基于區(qū)域協(xié)同的公交發(fā)車時(shí)刻表問(wèn)題進(jìn)行了研究。綜合考慮公交內(nèi)部線路間的換乘銜接，以乘客在區(qū)域內(nèi)的總換乘時(shí)間最小為優(yōu)化目標(biāo)，建立區(qū)域協(xié)同發(fā)車時(shí)刻表模型，針對(duì)模型特點(diǎn)，提出了求解該問(wèn)題的改進(jìn)遺傳算法。在選擇適當(dāng)參數(shù)的基礎(chǔ)上，通過(guò)算例驗(yàn)證了該模型及算法的合理性和有效性。

關(guān)鍵詞：公交發(fā)車時(shí)刻表；區(qū)域協(xié)同；改進(jìn)遺傳算法

中圖分類號(hào)：TP301.6文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695(2009)04-1282-04

Model of bus dispatching timetable based on regional collaboration

HE Dia， YAN Yu-songa， HU Zuo-ana， QIU Zhong-quanb

(a.School of Traffic Transport， b.School of Logistics， Southwest Jiaotong University， Chengdu 610031， China)

Abstract:

Based on regional collaboration， this paper studied the timetable problem of regional bus dispatching so as to incarnating efficiency of city public transportation system. Studied the model of bus dispatching timetable based on the regional collaboration， considering the transfer between lines， which enabled the transfer of passengers from one route to another with mini-mum waiting time in the region. And according to characteristic of the model， used an improved genetic algorithm to solve the problem in polynomial time. By selecting appropriate parameters， illustrated the reasonable and efficient of the model and algorithm through a case study.

Key words：bus dispatching timetable； regional collaboration； improved genetic algorithm

0 引言

 編制運(yùn)營(yíng)組織計(jì)劃是運(yùn)營(yíng)調(diào)度的基礎(chǔ)，而公交運(yùn)營(yíng)組織計(jì)劃的核心是編制運(yùn)營(yíng)時(shí)刻表；同時(shí)公交時(shí)刻表是服務(wù)可靠性的關(guān)鍵因素，也是運(yùn)營(yíng)者與用戶之間的橋梁。因此，應(yīng)關(guān)注時(shí)刻表的構(gòu)建，從而為變動(dòng)的乘客需求提供可靠的公交服務(wù)。

區(qū)域調(diào)度中的公交時(shí)刻表的編制與單線調(diào)度相比，一個(gè)重要的不同之處，就是調(diào)度中心在確定各條線路的發(fā)車頻率或間隔之后，還要盡可能地考慮乘客在區(qū)域內(nèi)換乘的方便性，從而編制出能夠最大限度地減少乘客在不同線路交叉點(diǎn)處換乘等待時(shí)間的公交時(shí)刻表。這方面的研究文獻(xiàn)相對(duì)較少。Daganzo[1]提出僅包含輸入輸出線相交的一個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)協(xié)調(diào)問(wèn)題。Voss[2]把最小化乘客在換乘點(diǎn)等待時(shí)間的問(wèn)題表示為L(zhǎng)awler和Hillier等描述的二次分配問(wèn)題。Desilet等人[3]從可能的開始時(shí)間集中為每一條線路選擇開始時(shí)間，目標(biāo)函數(shù)是最小化從線路間換乘的總費(fèi)用，罰函數(shù)考慮到達(dá)時(shí)間的隨意性，可以用不同的方法計(jì)算。Ceder[4]指出，事實(shí)上調(diào)度員嘗試建立滿足必要的頻率、單公交鏈有效的出行安排、確定到達(dá)同步三大條件的發(fā)車時(shí)刻表，并建立了在換乘點(diǎn)車輛兩輛同時(shí)到達(dá)的次數(shù)最多發(fā)車時(shí)刻表。周雪梅等人[5]對(duì)Ceder的模型進(jìn)行了深化。Fabian 等人[6]采用遺傳算法隨機(jī)地安排公交的到達(dá)。

總的看來(lái)，國(guó)內(nèi)外對(duì)基于區(qū)域協(xié)同的公交時(shí)刻表的研究還比較少，沒(méi)有從公交調(diào)度員實(shí)際操作的角度看待問(wèn)題。相對(duì)成熟的理論是Ceder進(jìn)行的研究，但在其研究中，沒(méi)有考慮站點(diǎn)的權(quán)重，要求車輛必須同步到達(dá)，其建立的啟發(fā)式方法不易移植。周雪梅等人雖然在Ceder的基礎(chǔ)上進(jìn)行了深化，但其僅僅考慮兩條線路之間的換乘，沒(méi)有對(duì)模型的求解方法進(jìn)行說(shuō)明。Fabian 等人建立的模型比較詳盡，但參數(shù)難以獲得，不具備實(shí)用性。

本文綜合考慮公交內(nèi)部線路間的換乘銜接問(wèn)題，對(duì)協(xié)調(diào)的內(nèi)涵進(jìn)行了闡述，分析了區(qū)域協(xié)同發(fā)車時(shí)刻表的任務(wù)；建立了區(qū)域協(xié)同發(fā)車時(shí)刻表的模型，使乘客在區(qū)域的換乘時(shí)間最小。由于涉及大量的變量，該模型的求解問(wèn)題相當(dāng)復(fù)雜，問(wèn)題的組合特性也使得計(jì)算困難，用傳統(tǒng)算法很難求解。為此提出了求解該問(wèn)題的改進(jìn)遺傳算法(IGA)；通過(guò)案例進(jìn)行了求解，并與基本遺傳算法(SGA)和嫁接共生遺傳算法(GSGA) [7]的計(jì)算結(jié)果進(jìn)行了分析比較。

1 問(wèn)題描述

協(xié)同是一個(gè)在學(xué)術(shù)范圍和應(yīng)用中都使用十分廣泛的概念，但卻沒(méi)有一個(gè)明確的定義。公交車輛區(qū)域調(diào)度中，將線路的調(diào)度視為子系統(tǒng)，包含一定范圍內(nèi)所有線路的區(qū)域調(diào)度視為總系統(tǒng)，則區(qū)域調(diào)度是由多個(gè)子系統(tǒng)集成為一個(gè)具有特定目標(biāo)的總系統(tǒng)，多個(gè)子系統(tǒng)之間既相互聯(lián)系又相互作用，這種作用有可能是相互牽制約束的，也可能相互依存推動(dòng)。將子系統(tǒng)之間的這種關(guān)系稱為系統(tǒng)集成的協(xié)調(diào)程度，若設(shè)F為集成前各子系統(tǒng)的成效總和，W為系統(tǒng)集成后的總成效，則就可用協(xié)調(diào)度來(lái)定量分級(jí)表示系統(tǒng)之間的關(guān)系，如表1所示。



當(dāng)子系統(tǒng)集成后所獲得的總成效W超過(guò)原來(lái)的各成效總和時(shí)（W>F），稱系統(tǒng)是協(xié)同的，說(shuō)明子系統(tǒng)之間能夠互相激勵(lì)、互相推動(dòng)，從而獲得了更多的成效。

區(qū)域協(xié)同發(fā)車時(shí)刻表的任務(wù)是通過(guò)各種手段、方法，合理調(diào)整區(qū)域內(nèi)公交線路的發(fā)車時(shí)刻表，使區(qū)域內(nèi)公交線路的發(fā)車時(shí)刻在保證自身合理、與外部環(huán)境相適應(yīng)的基礎(chǔ)上，彼此之間最大程度地消除矛盾，達(dá)到協(xié)同工作，實(shí)現(xiàn)主要換乘點(diǎn)盡可能同步到達(dá)，減少乘客在換乘站點(diǎn)的等待時(shí)間，最終目的是提高城市公交調(diào)度系統(tǒng)的整體功效水平。其關(guān)鍵是在最大限度地縮短乘客換乘等待時(shí)間的前提下，確定協(xié)同換乘線路的發(fā)車時(shí)刻表，通過(guò)優(yōu)化線路的發(fā)車時(shí)刻和駐站時(shí)間的組合，實(shí)現(xiàn)區(qū)域內(nèi)線路之間的協(xié)同調(diào)度，以達(dá)到換乘等待時(shí)間最少的目的，提高換乘效率。

2 模型的建立

考慮分析問(wèn)題須由簡(jiǎn)到繁，在此對(duì)問(wèn)題進(jìn)行了簡(jiǎn)化，建立以下假設(shè)：

a)換乘客流量建立在APTS（advanced public transportation systems）的基礎(chǔ)上，是已知的，各換乘點(diǎn)乘客的到達(dá)服從均勻分布，并設(shè)乘客的到達(dá)率為常數(shù)，客流模型能反映規(guī)劃周期內(nèi)的客流量。

b)不考慮道路交通運(yùn)行條件的影響。

c)在APTS條件下，常規(guī)公交線路的初始發(fā)車時(shí)間已知，線路上各站之間行駛的行程時(shí)間已知。

d)調(diào)度針對(duì)特定的規(guī)劃周期T＝60 min。

e)由于有些運(yùn)輸公司規(guī)定不能輕易調(diào)整行車間隔，只需考慮各線路第一輛車的發(fā)車時(shí)間之間的配合結(jié)合，況且發(fā)車間隔的頻繁更換也不利于時(shí)刻表的執(zhí)行。為了簡(jiǎn)化問(wèn)題，假定在規(guī)劃周期內(nèi)，各線路的發(fā)車間隔為定值。

f)以min作為最小的時(shí)間單位。

g)各公交車嚴(yán)格按照時(shí)刻表運(yùn)行，按調(diào)度時(shí)刻表準(zhǔn)時(shí)到站和出站，并且排除中途調(diào)頭的情況。

根據(jù)上面的分析，建立模型如下：

 min∑Mi=1∑Mj=1∑Nn=1∑Fip=1∑Fjq=1Cijn[(Xqj+Tqjn+Sj)-(Xpi+Tpin+Si)]（1）

 s.t.-Hmin/2≤Si≤Hmin i/2（2）

-Hmin j/2≤Sj≤Hmin j/2（3）

0≤(Xqj+Tqin+Sj)-(Xpi+Tpin+Si)≤H（4）

[60/Hmax i]≤Fi≤[60/Hmin i+1]（5）

[60/Hmax j]≤Fj≤[60/Hmin j+1]（6）

Si、Sj為整數(shù)（7）

式（1）為目標(biāo)函數(shù)，其目標(biāo)是協(xié)同調(diào)度區(qū)域內(nèi)公交線路之間的乘客換乘總等待時(shí)間最??；約束式（2）（3）確保時(shí)間改變發(fā)生在可能的時(shí)間改變區(qū)間內(nèi)；約束式（4）保證公交線路j上的公交車q到達(dá)換乘站點(diǎn)n的時(shí)間比公交線路i上公交車p早；約束式（5）（6）保證在規(guī)劃周期T內(nèi)時(shí)刻表中公交線路i、j上發(fā)車次數(shù)在可行范圍內(nèi)；約束式（7）保證各線路發(fā)車時(shí)間的改變值為整數(shù)。

模型中的相關(guān)變量如下：

a)運(yùn)輸網(wǎng)絡(luò)變量

M：區(qū)域網(wǎng)絡(luò)中公交線路的數(shù)量；

N：區(qū)域網(wǎng)絡(luò)中公交換乘點(diǎn)的數(shù)量；

i，j：公交線路，1≤i，j≤M；

n：換乘點(diǎn)，1≤n≤N；

b)決策變量

Si：公交線路i上公交車的發(fā)車時(shí)間改變值，1≤i≤M，Si為整數(shù)變量；

Sj：公交線路j上公交車的發(fā)車時(shí)間改變值，1≤j≤M，Sj為整數(shù)變量；

c)狀態(tài)變量

Fi，F(xiàn)j：規(guī)劃周期T內(nèi)時(shí)刻表中公交線路 i，j各自的發(fā)車次數(shù) ，1≤i，j≤M；

Cijn：在換乘點(diǎn)n從換乘線路 i到線路j的平均乘客數(shù)量，1≤n≤N，1≤i，j≤M；

Xpi：公交線路i上第p輛公交車的發(fā)車時(shí)間，Hi是公交線路i上相鄰兩輛公交車的發(fā)車間隔，Xpi=X1i+(p-1)Hi(p=1，2，…，F(xiàn)i; j=1，2，…，M)；

Xqj：公交線路j上第q輛公交車的發(fā)車時(shí)間， Hj是公交線路j上相鄰兩輛公交車的發(fā)車間隔， Xqj=X1j+(q-1)Hj(q=1，2，…，F(xiàn)J，J=1，2，…，M)；

Tpin：公交線路i上第p輛公交車從始發(fā)站到換乘點(diǎn)n的運(yùn)行時(shí)間；

Tqjn：公交線路j上第q輛公交車從始發(fā)站到換乘點(diǎn)n的運(yùn)行時(shí)間；

Hmax i、Hmax j：公交線路i、j上相鄰兩輛公交車的最大時(shí)間間隔；

Hmin i、Hmin j：公交線路i、j上相鄰兩輛公交車的最小時(shí)間間隔；

H=min(Hi，Hj) Hi≥Hjmax(Hi，Hj) Hi＜Hj

由于時(shí)刻表問(wèn)題的復(fù)雜性和組合性，即使對(duì)簡(jiǎn)單的公交網(wǎng)絡(luò)，發(fā)車時(shí)刻表也是復(fù)雜的組合優(yōu)化問(wèn)題。從算法的角度看，在上述建立的整數(shù)規(guī)劃模型中，整數(shù)變量的數(shù)目決定它的復(fù)雜性，雖然涉及多條公交線路、換乘站點(diǎn)和公交車輛，由于發(fā)車間隔是確定的，實(shí)際上需要確定各條線路上第一輛車的發(fā)車時(shí)間，這里整數(shù)變量的數(shù)目為M。令H＝max(Hmax i)，1≤i≤M，則在最差的情況下可能的時(shí)刻表改變的組合變量數(shù)目為HM，這個(gè)數(shù)量是相當(dāng)龐大的。

3 改進(jìn)的遺傳算法求解

整數(shù)規(guī)劃問(wèn)題的本質(zhì)是確定滿足約束的某些項(xiàng)的排列，雖然用枚舉法逐個(gè)比較總可以得出最優(yōu)解，但不具備時(shí)間有效性。解決大規(guī)模整數(shù)規(guī)劃問(wèn)題，基于種群的智能優(yōu)化算法具有明顯的優(yōu)勢(shì)，它們同時(shí)從多個(gè)點(diǎn)出發(fā)，利用迭代過(guò)程中獲得的信息自行組織搜索，其分布式并行模式大大提高了整個(gè)算法的運(yùn)行效率、魯棒性和快速反應(yīng)能力。

作為一種基于種群的智能優(yōu)化算法的遺傳算法 [8，9]，提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問(wèn)題的模式，它不依賴于問(wèn)題的具體領(lǐng)域，對(duì)問(wèn)題的求解種類有很強(qiáng)的魯棒性。同時(shí)，與傳統(tǒng)的優(yōu)化算法如梯度法、動(dòng)態(tài)規(guī)劃法、分支定界法等相比，除了具有良好的并行性外，遺傳算法還具有如下優(yōu)點(diǎn)：全局優(yōu)化性能和穩(wěn)健性好，有利于搜索到全局最優(yōu)解；不需要其他推導(dǎo)和附屬信息，對(duì)問(wèn)題和時(shí)間的依賴性??；搜索效率往往優(yōu)于其他算法；利用概率轉(zhuǎn)移規(guī)則，而不是確定規(guī)則，采用的概率搜索技術(shù)是一種不確定性搜索方法，不受搜索空間是否連續(xù)或可微的限制，不同于傳統(tǒng)的確定性的搜索方法，更有利于得到最優(yōu)解。

基于上述特點(diǎn)，遺傳算法非常適合求解復(fù)雜的離散型優(yōu)化問(wèn)題。然而，遺傳算法在解決復(fù)雜調(diào)度問(wèn)題時(shí)存在兩個(gè)局限性，即進(jìn)化速度緩慢和存在過(guò)早收斂現(xiàn)象。尤其是當(dāng)采取措施加快進(jìn)化速度時(shí)，早熟現(xiàn)象就越嚴(yán)重，以致在解決復(fù)雜調(diào)度問(wèn)題時(shí)得不到理想的結(jié)果。針對(duì)這些問(wèn)題，本文在GSGA的基礎(chǔ)上采用新自適應(yīng)方式[10]的交叉和變異，提出改進(jìn)的遺傳算法IGA，其中的主要改進(jìn)如下：

a）采用雙種群設(shè)計(jì)。算法中包括待進(jìn)化種群和嫁接種群。待進(jìn)化種群的地位等同于標(biāo)準(zhǔn)遺傳算法中的種群，其第一代染色體均為隨機(jī)生成；而嫁接種群則要滿足初始種群染色體的適值較高和內(nèi)部染色體具有惟一性的雙重條件。嫁接種群中染色體的數(shù)目比較小，一般取待進(jìn)化種群的20%~30%。

b）新自適應(yīng)方式的交叉和變異。交叉概率Pc和變異概率Pm為固定的值時(shí)易產(chǎn)生早熟現(xiàn)象。本文對(duì)不同的染色體以不同的概率進(jìn)行交叉和變異，引入新的自適應(yīng)算法公式：

Pc=0.9{exp(-0.382)（f ′-favg）/（fmax-favg）} f ′＞favg0.9f≤favg（8）

Pm=0.1{exp(-0.618)(fmax-f)/(fmax-favg)} f＞favg0.1f≤favg（9）

這樣，交叉概率和變異概率隨群體的適應(yīng)度自動(dòng)改變。當(dāng)種群各個(gè)體的適應(yīng)度趨于一致或者趨于局部最優(yōu)時(shí)，使Pc和Pm增加，以跳出局部最優(yōu)；而當(dāng)群體適應(yīng)度比較分散時(shí)，使Pc和Pm減少，以有利于優(yōu)良個(gè)體的生存。在進(jìn)化初期，染色體的適值差別較大，較優(yōu)染色體與較差染色體交叉概率的差別也較大；隨著進(jìn)化代數(shù)的增加，染色體的交叉概率的差別逐步縮??；到進(jìn)化的后期，所有染色體的交叉概率逐步收斂于一個(gè)固定值。因而保持種群的均衡進(jìn)化和多樣性，能有效地提高抗早熟能力。

c）算法分階段執(zhí)行。該算法從執(zhí)行過(guò)程來(lái)看分為兩個(gè)階段，即嫁接階段和共生階段。嫁接階段的主要功能是實(shí)現(xiàn)種群的快速進(jìn)化；共生階段的主要功能則是進(jìn)一步提高算法的求解精度。

通過(guò)嫁接種群的指導(dǎo)，待進(jìn)化種群染色體的適應(yīng)度值得到迅速提高。隨著進(jìn)化代數(shù)的不斷增加，待進(jìn)化種群染色體的平均適應(yīng)度值會(huì)超過(guò)嫁接種群染色體的平均適應(yīng)度值，此時(shí)的嫁接種群已無(wú)法起到指導(dǎo)待進(jìn)化種群進(jìn)化方向的作用，算法便進(jìn)入第二階段——共生階段。此時(shí)的兩類種群轉(zhuǎn)變?yōu)閮蓚€(gè)獨(dú)立進(jìn)化、相互合作的共生種群。種群的重新初始化，可以通過(guò)把嫁接種群和待進(jìn)化種群中的所有染色體平均分配給兩個(gè)共生種群來(lái)實(shí)現(xiàn)。

算法的求解步驟如下：

a)采用隨機(jī)方法初始化待進(jìn)化種群，采用啟發(fā)式規(guī)則初始化嫁接種群。

b)計(jì)算待進(jìn)化種群和嫁接種群的適應(yīng)度值，如果待進(jìn)化種群的平均適應(yīng)度值較大，轉(zhuǎn)e)。

c)根據(jù)自適應(yīng)的交叉概率進(jìn)行種群間交叉，即分別從兩個(gè)種群中選擇一個(gè)染色體作為母體實(shí)施交叉操作。交叉后產(chǎn)生的子代染色體應(yīng)同時(shí)更新嫁接種群和待進(jìn)化種群。

d)根據(jù)自適應(yīng)的變異概率對(duì)待進(jìn)化種群實(shí)施鄰域搜索變異操作，如該子代染色體優(yōu)于待進(jìn)化種群中的最差者，則直接取代；否則保持待進(jìn)化種群不變。判斷是否需要更新嫁接種群，如果需要?jiǎng)t進(jìn)行更新，算法代數(shù)加1，轉(zhuǎn)b)；否則不進(jìn)行更新，算法代數(shù)加1，轉(zhuǎn)b)。

e)根據(jù)自適應(yīng)的交叉概率和變異概率對(duì)待進(jìn)化種群和嫁接種群分別進(jìn)行種群內(nèi)交叉和變異，并進(jìn)行更新。

f)判斷是否滿足定期交換條件，如果是則分別在待進(jìn)化種群和嫁接種群中選擇優(yōu)秀染色體進(jìn)行交換并實(shí)施種群間交叉。

g)算法代數(shù)加1，判斷是否滿足中止條件，如果是，算法結(jié)束；否則轉(zhuǎn)e)。

IGA綜合了自適應(yīng)遺傳算法和嫁接共生遺傳算法的優(yōu)點(diǎn)，把優(yōu)秀的染色體放入一個(gè)單獨(dú)的種群，并保持惟一性。算法中一個(gè)種群可以指導(dǎo)另一個(gè)種群的進(jìn)化方向，由于嫁接種群也一直在進(jìn)化，它不但可以一直起到加速進(jìn)化的作用，而且還可以防止早熟。同時(shí)采用了自適應(yīng)的交叉概率和變異概率來(lái)提高抗早熟的能力和解的精度。

4 算例

已知某公交網(wǎng)絡(luò)，如圖1所示，網(wǎng)絡(luò)中有四條線路、四個(gè)換乘點(diǎn)。本例中假定統(tǒng)一路段上行車時(shí)間相同、路段上的數(shù)字為路段行車時(shí)間、圓圈內(nèi)的數(shù)字為換乘節(jié)點(diǎn)編號(hào)、線端的羅馬數(shù)字為線路編號(hào)、各線路在整點(diǎn)始發(fā)。線路和節(jié)點(diǎn)描述如表2和3所示。



為檢驗(yàn)上述模型及求解算法的有效性，采用MATLAB 7.1 [11]對(duì)上述算例進(jìn)行了求解。GA是一種隨機(jī)搜索算法，收斂性無(wú)嚴(yán)格的數(shù)學(xué)證明，要比較各種改進(jìn)遺傳算法的優(yōu)劣需采用統(tǒng)計(jì)方法，通過(guò)實(shí)際數(shù)據(jù)說(shuō)明。在采用相同目標(biāo)函數(shù)、約束條件、實(shí)驗(yàn)參數(shù)(種群數(shù)=60，進(jìn)化代數(shù)=100，初始交叉概率=0.5，初始變異概率=0.1)的情況下，在每次計(jì)算中固定10個(gè)不同初始種群。 IGA、GSGA、SCA三種不同算法的結(jié)果如表4和5所示。

由表4和5可知，問(wèn)題的模型和求解算法有效，具有魯棒性， 改進(jìn)后的IGA在搜索速度和尋找最優(yōu)解方面都明顯優(yōu)于GSGA和SGA，同時(shí)在整體的算法運(yùn)行上也證明了本文提出的新算法快于GSGA和SGA算法。因此有力地證明了該算法在尋優(yōu)能力上的明顯優(yōu)勢(shì)，以及在提高搜索效率、改進(jìn)收斂性能上的顯著能力。最后通過(guò)圓整法，其最終結(jié)果為當(dāng)S1=4，S2=4，S3=-9，S4=-1時(shí)，獲得最優(yōu)解為2 549 min。

5 結(jié)束語(yǔ)

本文建立了區(qū)域協(xié)同發(fā)車時(shí)刻表的模型，并通過(guò)實(shí)例具體展示了改進(jìn)的遺傳算法，對(duì)解決大規(guī)模、復(fù)雜的區(qū)域公交車輛調(diào)度問(wèn)題進(jìn)行了有益的嘗試。優(yōu)化結(jié)果的分析和比較表明該算法具有較好的效率，是解決公交調(diào)度問(wèn)題的有效方法，同時(shí)也表明區(qū)域調(diào)度下可以更好地進(jìn)行線路間的換乘銜接，比線路調(diào)度模式具有更好的優(yōu)勢(shì)。

未來(lái)的研究應(yīng)繼續(xù)將算法應(yīng)用于更大規(guī)模的實(shí)際問(wèn)題，同時(shí)提高算法并行計(jì)算的效率，改進(jìn)現(xiàn)有的獲得公交和乘客數(shù)據(jù)的技術(shù)和數(shù)據(jù)采集、處理技術(shù)，使算法中的數(shù)據(jù)更易獲得。

參考文獻(xiàn):

[1]DAGANZO C F. On the coordination of inbound and outbound schedules at transportation terminals[C]//Proc of the 11th International Symposium on Transportation and Traffic Theory. Yokohama， Japan:Elsevier， 1990：379-390.

[2]VOSS S. Network design formulation in schedule synchronization[M]. Berlin:Computer-Aided Transit Scheduling， 1992：137-152.

[3]DESILET A， SYNCRO R J. A computer-assisted tool for the synchronization of transfer in public transit networks[M]. Berlin: Computer-Aided Transit Scheduling. 1992：153-166.

[4]CEDER A. Bus timetables with even passenger loads as opposed to even headways[J]. Transportation Research Record: Part B， 2002， 17：26-39.

[5]周雪梅，楊曉光. 基于ITS的公共交通換乘等待時(shí)間最短調(diào)度問(wèn)題研究[J]. 中國(guó)公路學(xué)報(bào)， 2004，17(2):82-85.

[6]CEVALLOS F， ZHAO Fang. A genetic algorithm for bus schedule synchronization[C]//Proc of AATT 2006. 2006：737-742.

[7]徐國(guó)華，王書振，王東. 嫁接共生遺傳算法及其在作業(yè)調(diào)度中的應(yīng)用[J]. 計(jì)算機(jī)集成制造系統(tǒng)， 2004，10(4):461-464.

[8]DEB K， CHAKROBORTY P. Time scheduling of transit systems with transfer considerations using genetic algorithms[J]. Special Issue on Evolutionary Algorithms for Scheduling， Evolutionary Computation， 1998， 6(1):1-24.

[9]費(fèi)洪曉，黃勤徑，戴弋，等. 基于SVM與遺傳算法的燃煤鍋爐燃燒多目標(biāo)優(yōu)化系統(tǒng)[J]. 計(jì)算機(jī)應(yīng)用研究，2008，25(3):811-813.

[10]郭琛，黃明，梁旭. 新自適應(yīng)方式雙倍體遺傳算法求解作業(yè)車間調(diào)度問(wèn)題[J]. 大連交通大學(xué)學(xué)報(bào)， 2008，29(3):78-81.

[11]雷英杰，張善文，李續(xù)武，等. MATLAB遺傳算法工具箱及應(yīng)用[M]. 西安：西安電子科技大學(xué)出版社， 2005：146-206.