Metody sztucznej inteligencji w projektowaniu harmonogramu przewozów dla dynamicznych potrzeb transportowych

• Autorzy: Król A.

Warianty tytułu

EN

Artificial intelligence methods for passenger transport scheduling with dynamic transportation needs

• Języki publikacji: PL

Abstrakty

PL

Problem skonstruowania optymalnego planu przewozów pomiędzy wieloma węzłami źródłowymi i wieloma węzłami docelowymi przy ograniczonej liczbie środków transportowych jest bardzo złożony obliczeniowo. Z reguły, w zależności od zakresu zadań są to problemy NP - zupełne. Opracowanie przybliżonej metody pozwalającej na znalezienie prawie optymalnego rozwiązania w krótkim czasie może mieć więc duże praktyczne znaczenie. W pracy zaproponowano zastosowanie metod sztucznej inteligencji do projektowania przebiegu linii autobusowych oraz planowania rozkładu jazdy autobusów. Porównano wyniki uzyskane przy użyciu algorytmu genetycznego i symulowanego wyżarzania. Opracowany model zakłada znajomość struktury sieci transportowej dostępnej dla komunikacji publicznej oraz ustaloną z góry liczbę środków transportu (autobusów). Dynamiczne potrzeby transportowe zadane są w postaci ciągu złożonego ze zgłoszeń zamiaru podróży pomiędzy parą przystanków przez różne grupy pasażerów w kolejnych chwilach czasowych. Minimalizowany jest sumaryczny czas podróży pasażerów uwzględniający oczekiwanie na przystankach.

EN

The problem of constructing an optimal schedule for the multiple source nodes and destination nodes with a limited number of vehicles is computationally complex. In many cases, depending on the range of the tasks the problems as a rule are NP - hard. So, the development of a heuristic method to find the optimal solution in a short time can be of great practical importance. This paper proposes the use of the methods of artificial intelligence to design the course of bus routes and the timetables. The results obtained with the use of the genetic algorithm and the simulated annealing were compared. The model assumes the knowledge of the structure of the transport network and a predetermined number of means of transport (buses). Dynamic transportation needs are introduced as a series of requests of travel between pairs of bus stops for different groups of passengers in successive moments of time. The total travel time of all passengers including waiting time at bus stops is here the minimized value.

Słowa kluczowe

PL

transport publiczny; planowanie transportu publicznego; optymalizacja sieci transportowych; metody sztucznej inteligencji

EN

public transport; transportation planning; optimization of transportation network; artificial intelligence methods

• Wydawca: Instytut Naukowo-Wydawniczy "SPATIUM". sp. z o.o.
• Czasopismo: Autobusy : technika, eksploatacja, systemy transportowe
• Rocznik: 2013
• Tom: R. 14, nr 3
• Strony: 1369--1384
• Opis fizyczny: Bibliogr. 17 poz, pełen tekst na CD

Twórcy

autor

Król A.

• Politechnika Śląska w Gliwicach, Wydział Transportu,

Bibliografia

• 1. Arabas J., Wykłady z algorytmów ewolucyjnych. WNT, Warszawa 2004.
• 2. Baaj M. H., Mahmassani H. S., An Al based approach for transit route system planning and design. Journal of Advanced Transportation 1991, 25 (2), ss. 187-210.
• 3. Baaj M. H., Mahmassani H. S., Hybrid route generation heuristic algorithm for the design of transit networks. Transportation Research 1995, Part C 3, ss. 31-50.
• 4. Bielli M., Caramia M., Carotenuto P., Genetic algorithms in bus network optimization. Transportation Research 2002, Part C 10, ss. 19 - 34.
• 5. Ceder A., Wilson N. H. M., Bus network design. Transportation Research 1986, Part B 20, ss. 331-344.
• 6. Chakroborty P., Dwivedi T., Optimal route network design for transit systems using genetic algorithms. Engineering Optimization 2002, 34 (1), ss. 83-100.
• 7. Daduna J. R., Voss S., Practical experiences in schedule synchronization. Lecture Notes in Economics and Mathematical Systems 1995, 430, ss. 39-55.
• 8. Fan W., Machemehl R., Using a simulated annealing algorithm to solve the transit route network design problem. Journal of Transportation Engineering 2006, 132 (2), ss. 122-132.
• 9. Fusco G., Gori S., Petrelli M., An heuristic transit network design algorithm for medium size towns. In: Proceedings of the 13th Mini-EURO Conference 2002, Bari, Italy.
• 10. Kirkpatrick S., Gelatt C. D., Vecchi M. P., Optimization by Simulated Annealing. Science 1983, 220, ss. 671-680.
• 11. Król A., Zastosowanie algorytmu genetycznego do projektowania harmonogramu przewozów. Technika Transportu Szynowego 2012, 9, ss. 569-581.
• 12. Magnanti T. L., Wong R. T., Network design and transportation planning: models and algorithms. Transportation Science 1984, 18 (1), ss. 1-55.
• 13. Patz A., Die richtige Auswahl von Verkehrslinien bei großen Straßenbahnnetzen. Verkehrstechnik 1925, 50/51.
• 14. Tianze X., Heng W., Guanghua H., Study on continuous network design problem using simulated annealing and genetic algorithm. Expert Systems with Applications 2009, 36, ss. 1322-1328.
• 15. Xiong Y., Schneider J. B., Transportation network design using a cumulative algorithm and neural network. Transportation Research Record 1993, 1364, ss. 37-44.
• 16. Zhao F., Gan A., Optimization of transit network to minimize transfers. Tech. Rep. 2003, BD015-02, Florida Department of Transportation, Center for Transportation Research, Florida International University.
• 17. Zhao F., Zeng X., Simulated annealing - genetic algorithm for transit network optimization. Journal of Computing in Civil Engineering 2006, 20 (1), ss. 57-68.