基于复杂网络和单目标优化算法的交通网络关键节点识别方法与流程

本发明涉及复杂智能交通网络领域，更具体的说是涉及一种基于单目标优化算法在对道路交通网络进行时序故障模拟来识别关键节点的方法。

背景技术：

1、随着城市化进程的不断推进和交通网络规模的不断扩大，道路交通网络的高效运行成为现代城市可持续发展的关键因素之一。在复杂的交通网络中，一些节点的重要性超过其他节点，这些节点的合理管理和优化可以显著提高整个交通系统的运行效率。因此，道路交通网络关键节点的识别成为交通规划和管理中的重要问题。复杂网络理论作为一种强大的工具，被广泛应用于分析和建模各种复杂系统，包括道路交通网络。复杂网络能够揭示网络中节点之间的复杂关系，有助于识别那些在整个系统中发挥关键作用的节点。单目标优化算法在解决实际问题中的应用也取得了显著的进展，引入单目标优化算法是提高解决效果的一种有效途径。

2、目前的交通网络脆弱性分析主要分为以下几类：

3、第一类是拓扑结构脆弱性分析，这种分析主要关注交通网络的拓扑结构，通过评估节点和边的连接方式，揭示网络中关键节点和关键路径。在这方面，复杂网络理论被广泛应用，例如度中心性、介数中心性等指标用于识别网络中的关键节点。通常倾向于忽视节点或边的失效传播效应。但是在实际交通网络中，一个节点或边的失效可能引发连锁反应，导致更多的节点或边失效，最终导致整个网络的崩溃，但传统的拓扑结构脆弱性分析难以全面考虑这种复杂的失效传播过程。

4、第二类是复杂网络理论分析，其揭示了网络的自组织性和无标度特性，有助于识别关键节点，并且能够考虑节点之间复杂的关系，但是对于某些具体问题，理论模型可能过于抽象，难以应用到实际网络。部分指标可能对网络的结构过于敏感，不适用于所有场景。

5、第三类是涉及交通网络故障的方法，可以划分为单节点故障和多节点故障两种。单节点故障是指一种只让系统中一个节点或链路故障的方式，但是在真实的交通网络中，节点之间存在复杂的相互依赖关系。这种单节点故障方式忽略了节点之间的联动效应，导致对网络鲁棒性的不准确评估。多节点故障方式指移除k个节点或链路的系统中多个节点或链路的故障方式。在多节点故障方法中，可以同时或顺序执行节点的删除操作，但是在许多现有的研究中，经常假设多个节点的故障是同时进行的，然而，已有文献证明采用顺序的故障方式会导致更为有效的级联失效效果。

6、第四类是故障策略的制定，目前有各种故障模式，例如随机节点故障、基于介数的故障节点选择、基于程度的故障、基于强度的故障、基于聚类系数的故障、基于连通性的故障和基于接近度的故障方式等等，都是基于各种拓扑度量来使关键节点故障，仅仅依赖于拓扑度量进行故障节点选取策略的制定可能无法全面考虑交通网络的复杂性和动态性。

技术实现思路

1、本发明为克服现有技术中存在的不足之处，提出一种基于复杂网络和单目标优化算法的交通网络关键节点识别方法，以期能在交通网络模型中找到最佳的故障序列，从而达到最大级联失效效果，通过这种方式，识别交通网络中关键节点，为现实中的交通网络提供一个有效寻找和管理交通网络关键节点、避免交通网络陷入大规模交通瘫痪更可靠和准确的依据。

2、本发明为解决上述技术问题采用如下技术方案：

3、本发明一种基于复杂网络和单目标优化算法的交通网络关键节点识别方法的特点，包括如下步骤：

4、步骤1.根据目标区域的实际地图和实际车流量，构建目标区域的交通网络图g和双向出行网络g'；

5、步骤2.计算道路网络图g中道路的容量、道路的自由流时间、道路出行时间；

6、步骤3.对双向出行网络g'中任一od对之间的流量进行分配；

7、步骤4.以交通网络图g的堵塞程度作为目标函数，利用式(10)构建交通网络图g的目标函数f：

8、

9、式(10)中，tij(τ)表示第i个道路节点ni和第j个道路节点nj之间的道路eij在τ时间步的出行时间，qij(τ)表示道路eij在τ时间步的车流量，o为道路节点的总数；tij(0)表示道路eij的初始自由流时间；qij(0)表示道路eij的车流量；

10、步骤5.基于遗传进化算法对交通网络图g中的关键节点进行识别，得到最优故障序列，并以最优故障序列中的道路节点作为道路网络图g中的关键节点。

11、本发明所述的基于复杂网络和单目标优化算法的交通网络关键节点识别方法的特点也在于，所述步骤1包括：

12、步骤1.1.获取目标区域的道路信息，并将道路信息中的各个道路交叉点抽象为道路节点，各个道路交叉点之间的道路抽象为边，从而构成目标区域的交通网络图g＝(n,e)，其中，n表示交通网络图g中的道路交叉点集，且n＝{n1,n2…ni…no}，其中，ni表示第i个道路节点，o为道路节点的总数；e表示交通网络图g中的边集；

13、步骤1.2.使用无标度网络法生成一个节点数量为o的双向出行网络g′＝(n′，e′)，其中，n′表示双向出行网络g′中的出行节点集；且出行节点和道路节点一一对应，e′表示双向出行网络g′中的边集；将第s个出行节点ns′与第t个出行节点nt′之间的连线表示车辆在ns′与nt′之间通行，将ns′与nt′作为一个od对，任意一个od对在交通网络图g中对应的道路节点之间均存在由若干条边形成的多条路线。

14、所述步骤2包括：

15、步骤2.1.根据道路网络图g中第i个道路节点ni和第j个道路节点nj之间道路eij的长度lij、步车道数量mij、限速vij，利用式(1)计算道路eij的初始容量cij(0)：

16、cij(0)＝mij*lij  (1)

17、步骤2.2.根据式(2)计算道路eij的初始自由流时间tij(0)：

18、

19、步骤2.3.根据式(3)计算第j个道路节点nj的初始交叉口容量cj(0)：

20、cj(0)＝δ×∑i∈[1，o]cij(0)  (3)

21、式(3)中，δ表示参数，且δ∈(0，1)；

22、步骤2.4.定义当前时间步为τ，并初始化τ＝1；

23、根据式(4)计算道路eij在τ时间步的出行时间tij(τ)：

24、

25、式(4)中，qij(τ)表示道路eij在τ时间步的车流量，cij(τ)表示道路eij在τ时间步的容量；

26、步骤2.5.根据式(5)计算道路eij在τ+1时间步的容量cij(τ+1)：

27、

28、式(5)中，qj(τ)表示第j个道路节点nj在τ时间步的流入量，并由式(6)得到；cj(τ)表示第j个道路节点nj在τ时间步的交叉口容量；

29、

30、式(6)中，nnei为第j个道路节点nj的邻居道路节点集合；qi′j(τ)表示第j个道路节点nj与其第i′个邻居道路节点ni′之间的道路ei′j在τ时间步的车流量。

31、所述步骤3包括：

32、步骤3.1.根据式(7)计算一个od对ns′与nt′之间的车流量qst：

33、

34、式(7)中，di表示道路网络图g中第i个道路节点nj的度；a表示目标区域内所有道路的实际总车流量；

35、步骤3.2.定义od对ns′与nt′之间的最短自由流路径为并初始化中第a个道路节点na和第b个道路节点nb之间的道路eab的初始流量qab＝0；

36、步骤3.3.根据式(8)计算od对ns′与nt′上的车流量qst分配到od对ns′与nt′之间的最短自由流路径中第a个道路节点na和第b个道路节点nb之间的道路eab上的增加流量δqab：

37、

38、式(8)中，tab(0)表示道路eab的初始自由流时间，δqab表示经过一轮初始流量分配后道路eab上的增加流量；

39、步骤3.4.根据式(9)计算道路eab上的车流量总和q′ab：

40、q′ab＝qab+δqab   (9)

41、步骤3.5.按照步骤3.2-步骤3.4的过程对中所有道路进行流量分配和车流量总和的计算，从而完成od对ns′与nt′之间的流量分配，进而完成od对之间的流量分配。

42、所述步骤5包括：

43、步骤5.1.种群编码：

44、定义种群规模为s、当前进化次数为gen、最大进化代数为genmax，种群交叉概率为pc，种群变异概率为pm，并初始化gen＝1；

45、从交通网络图g的交通网络节点集n中随机选取r个交通节点作为第gen代种群中每个个体的r个基因，并得到第gen代种群其中，代表第gen代种群a(gen)中第s个个体，每个个体表征一个交通节点故障序列；且表示第s个个体中的第k个基因，表征第k个故障的交通节点；

46、步骤5.2.对第gen代种群a(gen)进行交叉操作，并对生成的子代个体中所包含的所有重复的交通节点均替换为自身个体中其他不重复的交通节点，从而生成第gen代交叉种群a′(gen)；

47、步骤5.3.按照pm确定第gen代交叉种群a′(gen)中的每个子代个体是否突变，若突变，则随机选取子代个体中的一个基因进行变异；从而得到第gen代变异种群a″(gen)，若a″(gen)中存在相同的子代个体，则丢弃重复的子代个体，从而得到第gen代子代种群

48、步骤5.4.将a(gen)和合并后，得到第gen代合并种群将中任意一个个体记为

49、步骤5.5.根据对应的交通节点故障序列，对道路网络图g进行故障模拟；

50、步骤5.6.根据式(10)计算的适应度值

51、步骤5.7.按照步骤5.5-步骤5.6的过程得到中所有个体的适应度值，并采用轮盘赌选择策略得到第gen+1代种群a(gen+1)；

52、步骤5.8.将gen+1赋值给gen后，判断gen＞genmax是否成立，若成立，表示得到第genmax代种群否则，返回步骤5.2顺序执行；

53、步骤5.9.取第genmax代种群中第1层级中所有个体作为pareto最优解集，以pareto最优解集所对应的故障序列作为最优故障序列，以最优故障序列中的道路节点作为道路网络图g中的关键节点。

54、所述步骤5.5包括：

55、步骤5.5.1.将中的所有交通节点定义为失效节点，并将失效节点及其连边进行移除后，得到移除后的道路网络图；

56、步骤5.5.2.使用frank-wolfe算法对移除后的道路网络图进行流量均衡分配，得到移除后的道路网络图中各边的流量和通行时间；

57、若边的出行时间趋近无穷大，则表示相应边失效；若节点上游的边全部失效时，则表示相应节点失效；从而对移除后的道路网络图中的各边进行失效处理，得到失效处理后的道路网络图；

58、步骤5.5.3.判断失效处理后的道路网络图相比于移除后的道路网络图是否有新增的失效节点或失效边，若是，则执行步骤5.5.2重新进行流量分配，否则，执行步骤5.6。

59、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行权利要求1-6中任一所述交通网络关键节点识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

60、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行权利要求1-6中任一所述交通网络关键节点识别方法的步骤。

61、与已有技术相比，本发明有益效果体现在：

62、1、本发明方法提出了一种综合考虑出行网络和道路网络相互影响的双层结构，在出行网络层确定了每一对出发地和目的地，并分配初始流量，接着，采用用户均衡交通分配方法详细计算了道路网络中每条道路和交叉口的流量；道路网络由于每条道路、交叉口的流量发生变化，可能导致堵塞或者某些道路、交叉口失效，反过来影响出行网络上的流量分配。这种双层结构使得结果更贴近真实情况，为节点重要性的决策提供更可靠和准确的依据。

63、2、本发明方法基于交通道路网络提出了一种顺序故障模型，通过按照指定的节点故障序列对交通网络进行逐步故障级联。在此模型中，充分考虑了道路网络层级的故障传播，能够深入比较不同节点失效顺序的结果的影响，以更准确地确定关键节点，通过克服现有方法的局限性，本发明得到的结论更具可靠性和准确性，为交通网络可靠性研究提供了重要支持。

64、3、本发明主要通过对遗传算法的变异部分进行改进，在交叉变异中，对个体的重复基因进行替换，大大增加了搜索范围，增加了个体的多样性，并对重复的个体进行删除，减少了计算资源的浪费，大大提高了算法的收敛速度。这使得算法能够在较短时间内搜索到最优故障序列，从而有助于迅速做出决策。