車(chē)聯(lián)網(wǎng)經(jīng)過(guò)多年發(fā)展儼然成為物聯(lián)網(wǎng)(Internet of Things,IoT)行業(yè)一個(gè)重點(diǎn)的分支。越來(lái)越多的通信技術(shù)被發(fā)掘?yàn)檐?chē)聯(lián)網(wǎng)技術(shù)的發(fā)展創(chuàng)造了條件。其中至為關(guān)鍵的一步就是要通過(guò)通信設(shè)備將傳感器、視屏采集器等設(shè)備中采集到的訊息傳遞給交通管控平臺(tái)。在此基礎(chǔ)上才有可能對(duì)公共交通進(jìn)行實(shí)時(shí)、有效的監(jiān)控、管理。車(chē)聯(lián)網(wǎng)是物聯(lián)網(wǎng)的應(yīng)用延伸;而在車(chē)聯(lián)網(wǎng)應(yīng)用中公交車(chē)走在了行業(yè)的前列。公共出行是城鎮(zhèn)交通運(yùn)營(yíng)中必不可少的部分。為了制定科學(xué)合理的調(diào)度計(jì)劃,往往需要多番采集實(shí)時(shí)客流信息、車(chē)輛信息并以此作為調(diào)度依據(jù)。同時(shí),調(diào)度過(guò)程也少不了定位系統(tǒng)、無(wú)線射頻等技術(shù)的支持。將各物理模塊集成到公交車(chē)載終端中,車(chē)載終端通過(guò)定位系統(tǒng)和乘客IC卡統(tǒng)計(jì)裝置分別獲取車(chē)輛位置信息和乘客數(shù)量信息。這些實(shí)時(shí)信息經(jīng)由無(wú)線網(wǎng)絡(luò)發(fā)送到指定的控制后臺(tái)。調(diào)度指揮中心在獲取道路實(shí)時(shí)信息后,對(duì)這些信息進(jìn)行綜合分析,對(duì)道路進(jìn)行有效管控。文章先是詳述仿生優(yōu)化算法。繼而引出基本的蟻群算法。并以蟻群算法為契機(jī),推出基于其構(gòu)建的TSP模型。從而得出蟻群算法數(shù)學(xué)模型。最后對(duì)該算法從參數(shù)選取到策略選擇等方面作如下優(yōu)化:在基本算法里融入“賞罰”策略,在這之上對(duì)...

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究的背景及目的
    1.2 國(guó)內(nèi)外研究狀況
        1.2.1 國(guó)外研究狀況
        1.2.2 國(guó)內(nèi)研究狀況
    1.3 本文主要內(nèi)容及章節(jié)安排
        1.3.1 本文主要內(nèi)容
        1.3.2 章節(jié)安排
2 公交調(diào)度
    2.1 車(chē)聯(lián)網(wǎng)的發(fā)展
    2.2 車(chē)聯(lián)網(wǎng)關(guān)鍵技術(shù)
        2.2.1 GPS全球定位技術(shù)
        2.2.2 大數(shù)據(jù)安全防御技術(shù)
    2.3 公交調(diào)度基本知識(shí)
        2.3.1 公交車(chē)客流特征
        2.3.2 公交車(chē)客流數(shù)據(jù)采集
    2.4 公交時(shí)刻表的編制
        2.4.1 編制依據(jù)
        2.4.2 編制原則
        2.4.3 編制方法
    2.5 公交調(diào)度數(shù)學(xué)模型
        2.5.1 模型基本假設(shè)與說(shuō)明
        2.5.2 構(gòu)建數(shù)學(xué)模型
        2.5.3 目標(biāo)函數(shù)生成
        2.5.4 模型約束條件
    2.6 本章小結(jié)
3 基本蟻群初識(shí)
    3.1 蟻群算法介紹
        3.1.1 蟻群算法由來(lái)
        3.1.2 蟻群算法的原理
    3.2 基本蟻群算法的數(shù)學(xué)模型
    3.3 基本蟻群算法的實(shí)現(xiàn)
        3.3.1 算法實(shí)現(xiàn)步驟
        3.3.2 程序結(jié)構(gòu)流程圖
    3.4 基本蟻群算法不足
    3.5 本章小結(jié)
4 優(yōu)化蟻群算法
    4.1 引入“賞罰”機(jī)制
    4.2 最大最小蟻群系統(tǒng)
    4.3 信息素更新策略的改進(jìn)
        4.3.1 信息素全局更新策略的改進(jìn)
        4.3.2 信息素局部更新策略的改進(jìn)
    4.4 引入狀態(tài)轉(zhuǎn)移控制參數(shù)
    4.5 改進(jìn)算法流程
    4.6 本章小結(jié)
5 公交優(yōu)化調(diào)度的仿真實(shí)例分析
    5.1 優(yōu)化蟻群的調(diào)度求解步驟
    5.2 目標(biāo)函數(shù)的參數(shù)選取
    5.3 調(diào)優(yōu)算法中關(guān)鍵參數(shù)
        5.3.1 信息素?fù)]發(fā)系數(shù)ρ
        5.3.2 信息素因子φ
        5.3.3 啟發(fā)因子γ
        5.3.4 信息素因子α和啟發(fā)因子β的組合取值優(yōu)化
        5.3.5 螞蟻數(shù)量M
        5.3.6 總信息量Q
    5.4 算法仿真求解比較
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝



本文編號(hào)：3780077