孙琦，袁才鸿

（214072 江苏省 无锡市 无锡市政设计研究院有限公司）

0 引言

随着经济发展和城市化的推进，交通拥堵日益加剧。发达国家研究的智能交通系统（ITS）的核心之一就是动态交通分配（DTA）。1978 年，Merchant 和Nemhauser[1]首次提出了动态交通分配模型，为交通管控和诱导提供了新方法和思路。经过长期的研究，其体系已较为完备，其中又以最优控制模型最为成熟。最优控制模型根据不同的目标可分为动态系统最优（DSO）和动态用户最优（DUO）。它们最大的差别在于DSO 不必对出行者的路径选择行为进行假设，虽然更简单但不符合实际，因此，DUO 更具有实际应用价值。

学者们大都使用Frank-Wolf、连续平均法等数值算法求解动态分配模型，虽然能降低计算复杂度，但却无法适用于实际大规模网络。为了解决这一问题，学者们开始使用启发式算法求解DTA 模型，例如神经网络、遗传算法等。其中，蚁群算法（Ant Colony Optimization，ACO）由于其分布式并行计算的特性，在动态交通分配领域得到了广泛应用。学者们也提出了许多ACO 的改进算法，但这些改进算法的主要目标是改进算法求解质量和效率，而忽略了时变的出行状况在算法中的体现，例如，实际出行中出行者易于通过手机地图、车载导航、道路状况播报屏等获得较为准确的实时道路情况，根据所得信息动态调整出行路线。因此，蚁群算法在保证算法效率的同时，在增加实际性方面还有很大的改进空间。

1 动态用户最优配流模型

DSO 是从管理者的角度力求路网的流量分布达到均衡，使整个系统的阻抗最低。……