首页 理论教育L-SHSCP模型实际应用分析

L-SHSCP模型实际应用分析

【摘要】:基于上述参数的算法,分别对L-SHSCP模型在电脑(配置)上进行计算。对L-SHSCP模型,折扣系数α依次取值为0.4、0.6和0.8;最大时间约束T分别取值720、960、1 200和1 440分钟。根据改进遗传算法的收敛情况,种群适应度逐渐向最优适应度值收敛,收敛速度和计算结果令人满意,也说明改进遗传算法对L-SHSCP模型求解的有效性。

本算例主要是验证模型与算法的有效性。某地区有20个应急服务设施点,各设施之间的最短出行时间及各点的位置布局如表4-1和图4-4所示。规定在20个应急服务设施中选择一定数量的设施作为枢纽点,在满足规定的最大达到时间约束下,覆盖所有的设施点。

表4-1 20个应急服务设施之间的出行时间(分钟)

图4-4 算例中20个应急设施点布局位置

根据每个设施点的地理状况、覆盖人口、交通运输能力等情况,通过事先确定的应急服务设施评价指标体系,对每个候选枢纽点的重要程度进行综合打分,即获得各候选设施点的重要性权重。见表4-2,其中表述数据越小,则权重越小,越容易被选中成为枢纽点。

表4-2 20个应急服务设施的权重

(注:表中的数据,假设权重最大取100,最小为0,权重量纲大小与模型求解无影响,只需区分各点作为候选点的优劣程度即可。)

将上述改进遗传算法编译成Matlab程序,在Matlab R2008a中对LSHSCP模型进行数值试验,算法涉及的相关参数设定如下:种群规模为100,最大遗传代数max GEN为200,交叉概率为0.6,变异概率为0.1,GEN_C等于50,ε=0.001。基于上述参数的算法,分别对L-SHSCP模型在电脑(配置)上进行计算。对L-SHSCP模型,折扣系数α依次取值为0.4、0.6和0.8;最大时间约束T分别取值720、960、1 200和1 440分钟。为了验证模型中的解随数据规模变化的情况,分别对算例中候选设施点数量N=10、N=15、N=20三种情况进行求解,来验证模型的有效性和分析各参数的变化情况,模型的求解结果如表4-3、表4-4所示。

通过改进的遗传算法对算例进行求解,从结果可以看出,当T不变,时间折扣系数α从0.4增加到0.6、0.8时,目标函数值不断增大(如表4-4、表4-5所示,由于表4-3数据规模较小,趋势不明显)。例如当n=15,T=720时,目标值从原来的104增加到136,说明随着枢纽与枢纽之间的运行时间折扣不明显,经过枢纽点O-D流的出行时间增加,使得有些流线不满足T的约束,枢纽点位置发生变化,原来适合做枢纽点的设施点已经不能满足要求,只能寻求重要程度次之的设施点,使得目标值上升。同时布局发生改变,由于折扣系数α影响不是特别大,所以,枢纽数量没有发生改变,即都是3个。

表4-3 n=10时模型求解结果

表4-4 n=15时模型求解结果

(续表)

表4-5 n=20时模型求解结果

(续表)

当α不变,最大时间约束T从原来的720逐渐增加到1 440,目标值不断减小,枢纽数量也随之减小,原因是随着T的增大,最大时间约束不断得到释放,使得原来受T约束的路线已经满足要求,枢纽数量也会随之减少。通过上述表中数据对比,发现目标值的变化随T的变化要比α的变化要大,说明T的约束强于α。综合T和α的变化,枢纽布局和非枢纽点的分配也发生很大变化,图4-5和图4-6给出了两种布局变化情况。

图4-5 当n=20,α=0.4,T=720应急服务设施轴辐网络布局

对于上述各参数的每种组合情况,分别进行了20次计算,一般情况都能得到最优解,算法的搜索效果不错。其中,表中的CPU运行时间是由20次的运行时间平均得出,从表4-3~表4-5可以看出,随着n的数量的增大,运行时间迅速增大,但都在可接受的范围内。根据改进遗传算法的收敛情况(图4-7),种群适应度逐渐向最优适应度值收敛,收敛速度和计算结果令人满意,也说明改进遗传算法对L-SHSCP模型求解的有效性。

图4-6 当n=20,α=0.8,T=960时应急服务设施轴辐网络布局

图4-7 算法的收敛性(n=20,α=0.8,T=960)