Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Król A.

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: optimization of transportation network

Sortuj według:

Ogranicz wyniki do:

Metody sztucznej inteligencji w projektowaniu harmonogramu przewozów dla dynamicznych potrzeb transportowych

Król A.

Autobusy : technika, eksploatacja, systemy transportowe

2013

R. 14, nr 3

1369-1384

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.

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.

Projektowanie rozbudowy sieci transportowych za pomocą algorytmu ewolucyjnego

Król A.

Roczniki Geomatyki

2011

T. 9, z. 4

85-92

W artykule przedstawiono metodę poszukiwania wytycznych do rozbudowy lub modernizacji sieci transportowej, tak aby zbliżyć ją do struktury optymalnej dla analizowanego obszaru, przy zadanych potrzebach transportowych. Zastosowanie wyspowego algorytmu genetycznego umożliwia jednoczesne znajdowanie kilku najlepszych rozwiązań, które mogą być następnie ponownie rozpatrywane pod kątem innych kryteriów, których nie można było ująć w proponowanym modelu. Łatwość modelowania struktury sieci transportowej i dość krótki czas obliczeń pozwalają na rozpatrywania szerokiego spektrum konkurencyjnych propozycji rozbudowy sieci. Aktualna postać sieci transportowej i zakres dopuszczalnych ingerencji w jej strukturę są danymi wejściowymi, zatem możliwe jest przeanalizowanie wielu opcji rozbudowy: od drobnych, koniecznych korekt, aż do gruntownej przebudowy w celu zbliżenia się do prawdziwie optymalnej struktury. W każdym rozpatrywanym wariancie uzyskiwane są informacje o korzyściach (zmniejszeniu kosztów użytkowania) i kosztach (nakładach na rozbudowę).

The current transportation network structure is usually the result of historical and often long random adaptation processes and it is almost surely not optimal for the present needs. As always in the past, when modernization or extension was required, the current state was the base for changes. Cases, where the design of whole transportation network is possible, are very rare. Possible existence of several transportation network variants meeting new needs constitutes an additional difficulty. In this situation, development of a method allowing comparison of different variants of transportation network extension is an interesting and urgent task. In the absence of analytical description and due to the complexity of the problem. exploration of the whole range of solutions is impossible and it seems the most appropriate to use artificial intelligence methods, particularly evolutionary algorithms.