算法根据决策变量X和式～式的约束条件依次确定任务续传调度标识符和相应的执行时间，从而得到决策变量X的目标函数。图9-27可用时间窗口更新交叉；嵌入；包含；无关确定所有任务的续传调度标识和执行时间后，计算目标函数F=｛f 1，f 2，f 3｝，即可评价此调度方案优劣。......
2023-07-02
基于正交设计和蚁群算法的动态疏导模型提高城市交通效率
【摘要】：而应用上节提出的基于正交设计的蚁群算法，可以构造L49 的正交表，产生49 个均匀分散、齐整可比的初始路径方案，并快速搜索得出其中的最优路径。表5-8交通事件影响评价指标对比表综合以上分析说明，应用基于正交设计及蚁群算法的动态疏导模型后的交通需求分配更为合理，疏散速度更快，有效地降低了研究路网的拥堵成本，进而提高了路网交通的运行效率。
图6-8 研究区域示意图
为了验证本章提出的快速路交通事件疏导策略，本书选取北京市内的一处研究区域，如图6-8 所示。其具体范围描述如下：东起德外大街—德内大街—西什库大街—府右街—北新华街—南新华街—虎坊路—太平街；西至西三环路；北起远大路—长春桥路—北三环路；南至南二环路—丽泽路—丰台北路。为便于分析，本节以第四章第二节中所选用的交通事件为例，并依据预测及实测所得事发后的主要参数，划分出处置区、控制区及预警区三个处置区域。假设在快速路匝道出入口及常发性拥堵路段上游等主要交通控制位置均布设有VMS，在此基础上，采用基于VMS 的疏导方案分别对此三个处置区域进行疏导，并将疏导后的主要评价指标与未疏导的评价指标进行对比分析，从而验证该疏导方案的有效性。
有关城市道路交通事件影响分析与疏导策略的文章
- 详细阅读
-
多目标蚁群算法的设计与优化详细阅读
为消除各类约束导致的大量任务间冲突，获得问题的Pareto解集，本书采用多目标蚁群算法优化任务的调度顺序。由于本章算法为多目标蚁群算法，因此本章算法采取与第3章的优化算法不同的启发策略。本章算法多目标蚁群算法采用自适应策略，在算法起始阶段，启发选择比例参数q 0［式（3-6）］取较大值利于加快收敛速度；在算法搜索后期，选择较小的q 0值可增加种群多样性。......
2023-07-02
-
蚁群算法原理及应用-城市道路交通事件影响分析详细阅读
蚂蚁系统是蚁群算法最原始的模型，也被称为基本蚁群算法，它是之后所有蚁群算法的原型。蚁群算法最初是由Dorigo M 等提出并应用于解决经典的TSP 问题，并取得了极好的效果。因此，本书将引入TSP 问题系统介绍基本蚁群算法的数学模型。Nothegger[21]、Dowsland[22]等人将蚁群算法应用于求解多种不同类型的指派问题，例如二次指派问题、频率指配问题及图形着色问题等。......
2023-09-26
-
城市交通事件的影响和疏导策略详细阅读
在传统的CTM 模型中，交通事件对交通流的影响主要通过折减事发路段所在元胞的通行能力来反映，其折减系数则仅取决于事件影响下的阻塞车道数。因此，为了更加充分、真实地反映事发后元胞的交通流状态，本节将考虑包括通行能力、阻塞密度、临界密度及激波速度在内的多个主要特征参数的变化情况。另外，为了提高模型的准确性，本节将以实际采集的交通事件下的检测器数据为依据，对事发后的主要特征参数进行标定。......
2023-09-26
-
工艺设计系统：提高生产效率的利器详细阅读
CAPP是英文Computer Aided Process Planning的缩写，即计算机辅助工艺设计。它是依据产品的款式特点、加工要求和企业的生产条件，对产品的加工方法、制造流程、工艺编排等进行系统设计，并具有各种辅助决策功能的系统。图1-6智尊宝纺服装CAPP系统界面服装CAPP系统比较有代表性的有美国格柏公司的IMRACT-900系统和法国力克公司与日本兄弟公司联合推出的服装CAD/CAM/CIMS系统BL-100等。......
2023-06-22
-
基于Nash效率系数的雁栖河流域降雨径流模型详细阅读
从模型应用实例的模拟Nash效率系数分析，可以看出，本文建立的雁栖河流域降雨径流NAM模型基本上可以满足水环境治理和水资源规划与管理的需求。由此可见，数据资料缺乏、娱乐和鱼类养殖场取用水、拦水堰壅水改变了天然径流过程的时空分布，也是影响雁栖河流域降雨径流模型模拟结果的主要因素。......
2023-06-26
-
基于LMS准则的基窗设计算法优化详细阅读
为寻找更为理想的基窗函数，借助LMS算法思想提出了“基于LMS准则以apSW为模型的基窗函数设计方法”。图3-21 余弦基神经自适应网络图3-21 余弦基神经自适应网络图3-22 apSW基窗LMS设计算法按照流程图，设计截止频率为π/4的32阶低通apSW的窗函数F。......
2023-06-23
-
基于高斯混合模型的聚类算法：期望最大化详细阅读
图9－4K－Means不适用的情况高斯混合模型具有比K－Means更好的灵活性。使用GMM，需要假设数据点是高斯分布，相对于环形的数据而言，这个假设的严格程度与均值相比弱很多。因此，每个高斯分布会被分配到单一的聚类簇。基于这些概率，我们为高斯分布计算了一组新的参数，这样就可以最大化集群中数据点的概率。......
2023-06-21
相关推荐