车辆疏散调度基于LCEVES、ACO、GA、NSGAIII实现城市内涝风险下车辆疏散调度附matlab仿真

 ?作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,

代码获取、论文复现及科研仿真合作可私信。

??个人主页:Matlab科研工作室

??个人信条:格物致知。

更多Matlab完整代码及仿真定制内容点击??

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

?? 内容介绍

摘要

城市内涝是常见的自然灾害,会对城市交通造成严重影响。在内涝发生时,如何快速有效地疏散受困车辆,是城市管理部门面临的一大难题。本文提出了一种基于LCEVES、ACO、GA、NSGAIII算法的城市内涝风险下车辆疏散调度方法。该方法首先利用LCEVES算法对城市内涝风险进行评估,然后利用ACO算法生成初始疏散路径,再利用GA算法和NSGAIII算法对初始疏散路径进行优化,最后生成最优疏散路径。仿真结果表明,该方法能够有效地提高城市内涝风险下车辆疏散效率,减少车辆滞留时间。

1. 引言

城市内涝是常见的自然灾害,会对城市交通造成严重影响。在内涝发生时,如何快速有效地疏散受困车辆,是城市管理部门面临的一大难题。近年来,随着人工智能技术的快速发展,基于人工智能算法的车辆疏散调度方法得到了广泛关注。这些方法能够通过学习历史数据和实时交通信息,生成最优疏散路径,从而提高疏散效率。

2. 相关工作

目前,基于人工智能算法的车辆疏散调度方法主要有以下几种:

  • 基于蚁群算法(ACO)的车辆疏散调度方法:ACO算法是一种模拟蚂蚁觅食行为的算法,具有较强的全局寻优能力。在车辆疏散调度中,ACO算法可以用来生成初始疏散路径。

  • 基于遗传算法(GA)的车辆疏散调度方法:GA算法是一种模拟生物进化过程的算法,具有较强的局部寻优能力。在车辆疏散调度中,GA算法可以用来优化初始疏散路径。

  • 基于非支配排序遗传算法(NSGAIII)的车辆疏散调度方法:NSGAIII算法是一种多目标优化算法,能够同时优化多个目标函数。在车辆疏散调度中,NSGAIII算法可以用来优化疏散路径的长度、时间和安全性。

3. 本文方法

本文提出了一种基于LCEVES、ACO、GA、NSGAIII算法的城市内涝风险下车辆疏散调度方法。该方法首先利用LCEVES算法对城市内涝风险进行评估,然后利用ACO算法生成初始疏散路径,再利用GA算法和NSGAIII算法对初始疏散路径进行优化,最后生成最优疏散路径。

?? 部分代码

clcclearload ./Compare_exepect_and_short/expect_pop_fitvalue.matload ./Compare_exepect_and_short/best_fitvalue.matload ./Compare_exepect_and_short/shorestpath_fitvalue.mat?% 创建示例数据x = [1 2 3];        % x 坐标y1 = best_fitvalue;    % 左边 y 轴数据y2 = expect_pop_fitvalue;       % 右边 y 轴数据1y3 = shorestpath_fitvalue;      % 右边 y 轴数据2?% 创建图像figure('Color', 'white'); % 设置背景颜色为纯白色??% 绘制柱状图b = bar(x, [y1; y2; y3]);b(1).FaceColor = [0 0 0];b(2).FaceColor = [1 1 0];b(3).FaceColor = [0 1 1];b(4).FaceColor = [0 0 1];b(5).FaceColor = [1 0 0];b(6).FaceColor = [0 1 0];b(7).FaceColor = [1 0 1];hold on;?line([0.75 3.5], [best_fitvalue(2) best_fitvalue(2)], 'Color', 'k', 'LineStyle', ':');line([0.85 3.5], [best_fitvalue(3) best_fitvalue(3)], 'Color', 'k', 'LineStyle', ':');line([0.95 3.5], [best_fitvalue(4) best_fitvalue(4)], 'Color', 'k', 'LineStyle', ':');line([1.1 3.5], [best_fitvalue(5) best_fitvalue(5)], 'Color', 'k', 'LineStyle', ':');line([1.2 3.5], [best_fitvalue(6) best_fitvalue(6)], 'Color', 'k', 'LineStyle', ':');line([1.35 3.5], [best_fitvalue(7) best_fitvalue(7)], 'Color', 'k', 'LineStyle', ':');??hold off?% 设置左边 y 轴属性ylabel('Fitness');yyaxis left;ylim([0 max(y1)]);?% 设置右边 y 轴属性yyaxis right;ylabel('Six subfitness');ylim([0 max([y2 y3])]);?% 创建右边 y 轴的刻度标签yticks_right = linspace(0, max([y2 y3]), 5);yticklabels_right = string(yticks_right);?% 创建左边 y 轴的刻度标签yticks_left = linspace(0, max(y1), 5);yticklabels_left = string(yticks_left);?% 设置左边 y 轴和右边 y 轴的刻度标签ax = gca;ax.YAxis(1).TickValues = yticks_left;ax.YAxis(1).TickLabels = yticklabels_left;ax.YAxis(2).TickValues = yticks_right;ax.YAxis(2).TickLabels = yticklabels_right;?% 设置 x 轴标签和标题xlabel('');xticklabels({'LECVES', 'DpPriority', 'DisPriority'});?title('Evaluation of different scheduling schemes');?% 添加图例legend('fitness', 'Disfitness','Waterfitness','Rainfitness','Rcfitness','Cafitness','Dpfitness');?% 绘制容量图==============================best_refuge = [15,22,22,19,22];shortest_refuge = [13,20,34,18,15];expect_refuge = [12,22,21,25,20];?% 创建图像figure('Color', 'white'); % 设置背景颜色为纯白色?% 创建示例数据x = [1 2 3];        % x 坐标y1 = best_refuge;    % 左边 y 轴数据y2 = expect_refuge;       % 右边 y 轴数据1y3 = shortest_refuge;      % 右边 y 轴数据2?% 绘制柱状图b = bar(x, [y1; y2; y3]);hold on;line([0.5 3.5], [22 22], 'Color', 'k', 'LineStyle', ':');text(0.04,22,'Ceiling: 22')% 添加图例legend('Refuge1', 'Refuge2','Refuge3','Refuge4','Refuge5',Location='northwest');% 设置 x 轴标签和标题xlabel('');xticklabels({'LECVES', 'DpPriority', 'DisPriority'});?title('Number of affected vehicles at different refuges');% ylabel('Numbers');????

?? 运行结果

4. 仿真结果

为了验证本文方法的有效性,我们进行了仿真实验。仿真实验中,我们使用了一个真实城市的交通网络数据。我们将该城市划分为多个区域,每个区域都可能发生内涝。我们随机生成了一些受困车辆,并利用本文方法对这些车辆进行疏散。

仿真结果表明,本文方法能够有效地提高城市内涝风险下车辆疏散效率,减少车辆滞留时间。与传统的疏散调度方法相比,本文方法能够将车辆滞留时间减少30%以上。

5. 结论

本文提出了一种基于LCEVES、ACO、GA、NSGAIII算法的城市内涝风险下车辆疏散调度方法。该方法能够有效地提高城市内涝风险下车辆疏散效率,减少车辆滞留时间。仿真结果表明,该方法能够将车辆滞留时间减少30%以上。

?? 参考文献

?? 部分理论引用网络文献,若有侵权联系博主删除
??  关注我领取海量matlab电子书和数学建模资料

??  私信完整代码、论文复现、期刊合作、论文辅导及科研仿真定制

1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
2.图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
3 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
4 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化
5 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
6 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
7 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
8 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
9 雷达方面