中 图 分类 号 ：

Ｕ １ ２ １ 密级 ：
公开


ＵＤ Ｃ ：
本校编 号 ：



葡 州 义遂乂 華



硕 士 学 位 论 文



论 文题 目 ： 基 于 改 进的 Ｌｏ ｇｉ ｔ 型 随机 用 户 平 衡 分 配



模型 及算法研 究 


研 究 生姓 名 ： 凌春梅 学号 ： ０ ２ １ ４ ０ １ ６





＊

学校 指 导 教 师 姓 名 ： 刘 林忠 职称 ：
教授



申 请 学 位 等级 ： 工 学士 学位 专业 ： 交 通运输规 划 与 管 理



论 文提 交 日 期 ：
２ ０ １ ７ ． ０ ４ ． ０ ５ 论 文答辩 日 期 ：
２ ０ １ ７ ．
０ ６ ． １ ５


 独创 性声 明



本 人 声 明 所 呈 交 的 学 位 论 文 是 本人 在 导 师 指 导 下 进 行 的 研 究 工 作 和 取 得 的 研 究 成


果 ， 除 了 文 中 特 别 加 以 标 注 和 致谢 之 处 外 ， 论 文 中 不 包 含其他 人 己 经 发表 或 撰 写 过 的 研


宄成果 ， 也 不 包 含 获 得 兰 州 交 通 大 学 或 其 他 教 育 机 构 的 学 位 或 证 书 而 使 用 过 的 材料 

。

与我 同 工 作 的 同 志 对 本 研 宄 所做 的 任 何贡 献 均 己 在 论 文 中 作 了 明 确 的 说 明 并 表 示 了


一

谢意 

。

学 位论 文 作 者签 名 ：

 凌 舂 ．签 字 曰 期 ：

＞ 丨

７
年 ６ 月 

曰

学 位论 文 版权使 用 授权 书



本 学 位 论 文 作 者 完 全 了 解 兰 州 交通 太 学 有 关保 留 、
使用 学位论 文 的 规 定 。 特授权


兰 州 交 通 大 学 可 以 将 学 位 论 文 的 全 部 或 部 分 内 容 编 入 有 关数 据 库 进 行 检 索 ， 并 采用 影



印 、 缩 印 或 扫 描 等复 制 手 段 保存 、 汇编 以供查 阅 和 借 阅 。 同 意 学校 向 国家有关部 门 或机


构 送 交 论 文 的 复 印 件和 磁 盘 

。

（ 保 密 的 学 位 论文 在解 密 后 适 用 本 授 权说 明 ）
Ｋ



学 位 论 文作 者 签 名 ：
〉 数 養 商 导 师 签名 

：

签字 日 期 ＞
：
／ ？ 年 ６ 月 ２ ＾ 曰 签 字 日 期 ： 年 ６ 月 加 

日
 硕 士 学 位 论 文

基于改进 Logit 型的随机用户平衡分配模型

及算法研究
Models and Algorithms on Improved Logit-based Stochastic User
Equilibrium

作 者 姓 名： 凌春梅
学科、专业： 交通运输规划与管理
学 号 ： 0214016
指 导 导 师： 刘林忠
完 成 日 期： 2017.06

兰 州 交 通 大 学
Lanzhou Jiaotong University
 兰州交通大学硕士学位论文

摘 要

随着我国经济飞跃式发展，居民的收入水平提高，小汽车的拥有量急剧上升，交通
问题已经成为政府部门和普通市民关心的问题。为了解决城市出行拥堵，相关的政府部
门从交通供需平衡着手，重视交通基础设施的建设，加大相关的资金投入，提高交通规
划与管理水平，已取得一定程度的成效。交通分配模型是交通规划与管理理论研究的重
要部分之一，是进行有效的交通方案决策的辅助手段之一。因此，本文主要研究应用比
较广泛的 Logit 型的交通分配问题，本文的研究内容主要包括以下几方面内容：
(1) 分析了交通分配理论以及离散选择模型在交通分配的应用，针对 Dial 算法在
Logit 随机配流中对有效路径的选取过于严格，导致一些阻抗小的路径反而没有流量分
配的问题，本文重新定义了有效路径，并提出基于相对阻抗的 Logit 路径选择概率，并
运用算例对改进的 Dial 算法进行验证，结果表明改进的 Dial 比原算法的流量分配结果
更合理。
(2) 阐述了路径尺度修正的路径选择概率的形式及模型参数的确定方法，提出了考
虑不同 OD 对的长度感知系数的路径尺度修正 Logit 型 SUE 模型，并对模型进行了等价
性证明与解的唯一性证明，用了基于路径的相继平均法对模型进行求解，并通过算例实
验把本文提出的模型与多项式 Logit 型 SUE 模型、路径尺度修正的 Logit 型 SUE 模型进
行流量分配结果的比较，分析了模型参数的变化对路网流量分配的影响。
(3) 考虑改进 Logit 型的随机用户平衡模型通常采用相继平均法进行求解，该算法
初期收敛快，后期收敛慢。本文提出了基于禁忌搜索-粒子群算法 (TS-PSO) 对路径尺
度修正 Logit 型的 SUE 模型进行求解，并通过算例与基于路径的相继平均法进行分析对
比，证明算法的有效性。
(4) 考虑路网的出行者不是同质的，出行者有自己对影响出行阻抗因素的偏好，同
时路网路段的通行能力具有不确定性的，在随机因素的影响下，出行者的出行行程时间
也具有不确定性，提出基于期望行程时间与行程时间可靠性的广义出行费用，在此基础
上，建立多用户的路径尺度修正的 Logit 型的随机用户平衡模型，并给出模型的等价性
证明与解的唯一性证明，并对给出的算例进行参数灵敏度分析，该模型符合出行者的路
径选择行为。

关键词：随机用户平衡；Logit 模型；禁忌搜索算法；粒子群算法；配流

论文类型：应用研究

- I -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

Abstract

With the overflying development of the economic in our nation, the income of our
residents increases, whose car ownership is climbing sharply. Traffic problem has been the
common concern of the government and ordinary citizens. To solve the traffic jam , the
relevant administrators take the traffic supply and demand into consideration, increasing
construction of traffic infrastructure and improving the level of traffic demand management
simultaneously, to some extent, which brings success. Traffic assignment model is an
important part of traffic planning and management and one of assisted means for making
effective decisions. So, the paper mainly focuses on traffic assignment problem based on
Logit models. The major studying aspects of the paper are listed as follows.
(1) The theory of traffic assignment and discrete choice model applied in the traffic
assignment is analyzed. Dial algorithm defines the effective routes of road network too
strictly in the Logit-based stochastic assignment, leading to some routes with low impedance
can’t be used. To overcome the drawback, the paper redefines the effective routes and puts
forward the route choice probability based on relative impedance. Meanwhile, a numerical
example is given to prove the proposed algorithm. The results show that the proposed one has
more reasonable results than the traditional one .
(2) The paper expounds the form of route choice probability and the methods to
determine the parameter in the path size correction Logit model. A path-size correction
Logit-based stochastic user equilibrium model considering the length of different origins and
destinations is proposed. The equivalence of the proposed model and the uniqueness of the
solution are proved. The path-based successive averages (MSA) algorithm is designed to be
solution algorithm. By the numerical example, the proposed model is compared to the
polynomial Logit-based stochastic user equilibrium and the path-size correction Logit-based
stochastic user equilibrium. The impacts of the changes in the new model on the flows of the
network are analyzed.
(3) Considering improved Logit-based stochastic user equilibrium model is usually
solved by the method of successive averaging method, which has fast convergence rate at
earlier stage, but slower later, the paper proposes a hybrid algorithm, which combines Tabu
search algorithm with particle swarm optimization algorithm (TS-PSO) to solve the path-size
correction Logit-based stochastic user equilibrium. And a numerical example is given, which
is solved by the path-based MSA and TS-PSO. By the comparison and analysis of the results,
the proposed algorithm is proved effective.
(4) The travelers in the road network are not homogeneous, who have their own

- II -
 兰州交通大学硕士学位论文

preference of the factors affecting the impedance. At the same time, the capacity of the
sections in the network is uncertain. Under some stochastic factors, the travel time is
uncertain too. The paper considers both expected travel time and the reliability of travel time,
providing the generalized travel cost. On this basis, the paper presents multi-class path-size
correction Logit-based stochastic user equilibrium model. The equivalence of the proposed
model and the uniqueness of the solution are proved. The parameter sensitivity analysis is
carried out on the given numerical example. The results show that the model is in accordance
with the route choice behavior of the travelers.

Key Words: stochastic user equilibrium; Logit model; tabu search algorithm; particle swarm
optimization algorithm; assignment;

- III -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

目 录
摘 要..................................................................................................................................... I
Abstract..................................................................................................................................... II
目 录.................................................................................................................................. IV
1 绪论.........................................................................................................................................1
1.1 研究背景和研究意义...................................................................................................1
1.1.1 研究背景.............................................................................................................1
1.1.2 研究意义.............................................................................................................2
1.2 国内外研究现状...........................................................................................................3
1.2.1 交通流分配模型.................................................................................................3
1.2.2 离散选择模型.....................................................................................................7
1.2.3 路径选择集的生成方法.....................................................................................9
1.3 研究内容和技术路线.................................................................................................10
1.3.1 研究内容...........................................................................................................10
1.3.2 研究技术路线...................................................................................................10
2 相关理论基础.......................................................................................................................12
2.1 交通分配基本理论.....................................................................................................12
2.1.1 路网模型...........................................................................................................12
2.1.2 阻抗表达...........................................................................................................12
2.2 随机效用理论.............................................................................................................13
2.3 特殊的数学规划.........................................................................................................16
3 基于相对阻抗的 Logit 随机配流........................................................................................19
3.1 多项式 Logit 模型......................................................................................................19
3.2 新的路径选择概率及模型求解.................................................................................21
3.2.1 新的路径选择概率...........................................................................................21
3.2.2 求解算法...........................................................................................................21
3.3 算例.............................................................................................................................23
3.4 本章小结.....................................................................................................................25
4 基于路径尺度修正 Logit 型的 SUE 模型研究 (PSCL-SUE)........................................... 26
4.1 考虑不同 OD 对感知的 PSCL-SUE 模型................................................................ 26
4.1.1 模型的构建.......................................................................................................26
4.1.2 模型求解...........................................................................................................29

- IV -
 兰州交通大学硕士学位论文

4.1.3 算例...................................................................................................................31
4.2 基于禁忌搜索-粒子群算法的 PSCL-SUE 的研究...................................................35
4.2.1 禁忌搜索-粒子群算法设计............................................................................. 35
4.2.2 算例...................................................................................................................39
4.3 基于广义出行费用的多用户 PSCL-SUE 模型........................................................ 41
4.3.1 广义出行费用...................................................................................................41
4.3.2 模型构建...........................................................................................................43
4.3.3 模型求解...........................................................................................................45
4.3.4 算例...................................................................................................................46
4.4 本章小结.....................................................................................................................48
5 结论与展望...........................................................................................................................49
5.1 研究成果.....................................................................................................................49
5.2 研究展望.....................................................................................................................50
致 谢...................................................................................................................................51
参 考 文 献.............................................................................................................................52

- V -
 兰州交通大学硕士学位论文

1 绪论

1.1 研究背景和研究意义

1.1.1 研究背景
我国城市化进程的加快带来了城市人口与机动车拥有量的快速增长，交通供需矛盾
日趋显现，由此产生的交通拥堵、环境污染以及交通事故等问题呈现上升趋势，交通问
题已成为城市发展的短板之一。由于小汽车的井喷式增长与过度使用，车辆的通行和停
放占用有限的城市土地资源和道路，这不仅增大了交通路网的负荷，还使有限的城市土
地承载空间与不断增长的小汽车需求的矛盾进一步深化。交通拥堵问题也随之变得严重。
研究表明车辆的车速由 40km/h 减到 15km/h 时，车辆的尾气排放量和油耗分别增长 250%、
67%。交通拥堵带来能源的消耗与汽车尾气排放的增多，给城市的环境问题带来了挑战。
因此要实现畅行、低碳交通的目标，解决交通拥堵问题迫在眉睫。
城市交通问题已成为政府部门需要解决的民生问题之一，相关部门积极进行各种方
案来改善交通问题。由于交通拥堵问题是交通需求与供给的不平衡造成的，政府相关管
理部门从这两方面着手解决交通问题，在交通供给方面，政府扩大对基础交通设施建设
的投入，通过新建、扩建道路，建设隧道工程、城市轨道交通等方式来增大城市交通系
统的供给能力。虽然通过增加交通供给的方式可以在一定程度上缓解交通问题，但城市
交通中存在的交通拥挤、事故增多以及交通效率低下，并不都是因为基础设施的不足，
实际上还与交通管理是否保证了交通基础设施的有效利用有关。先进的管理方法与落后
的管理方法会使相同的道路系统实际的通行能力有很大差异。在交通需求方面，通过出
台相关交通政策，引导大家使用公共交通出行，减少小汽车的出行量或减少出行高峰时
段一人乘车的小汽车交通量。非理性增长的交通需求容易导致供需关系的不平衡，而交
通供给可以在短时间内满足需求，但新的交通需求通常会被诱增，也易发生交通供需关
系的失衡。因此，相关的城市交通网络设施的规划建设应和交通需求管理密切结合，使
交通项目的投入获得最优的回报。交通需求管理与交通供给两者相适应的重要性凸显出
来。交通需求管理的目的是维持城市的可持续发展，充分发掘道路资源的能力，在进行
道路基础设施建设的同时，对城市交通需求实行最有效的调控、引导等有效管理措施，
来优化交通分布，降低交通需求总量，进一步优化城市路网结构、交通的管理模式，避
免有限的道路资源的无效利用及浪费，达到交通供需的总体平衡，从而保证城市交通可
持续发展。
而要进行有效的交通需求管理的前提是我们要清楚地认识出行者的出行规律和交

- 1 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

通分配的基本原理，如城市道路交通拥挤收费模型就需要考虑交通分配的方式。交通分
配模型可以模拟在实施交通需求管理如拥挤道路收费或交通规划者进行交通路网的优
化设计后的交通流的变化情况，获得相关的参数，进而对实施的方案或设计进行有效评
价，从而对方案进行修正，最后得到满意的方案。众所周知，不管是城市交通网络设计
优化还是拥挤道路收费等方案都是需要投入大量的时间和金钱，并且对公众的影响是非
常大的，一旦方案设计不合理，必然导致财政投入的浪费和公众的不满。另外，在城市
道路交通网络设计问题中，不管是增大已存在路段的通行能力还是增加新的路段来提高
路网的整体能力，前提都需要对出行者的路径选择行为进行分析。
基于以上研究背景，从平衡交通供需两者关系来治理城市交通拥堵，是城市交通规
划与管理者们需要深入探究的问题。建立能够准确描述出行者行为的交通分配模型是进
行合理交通规划的先决条件。

1.1.2 研究意义
基于随机效用理论的离散选择模型在交通分配模型中的广泛应用，本文以交通分配
模型研究为核心，提出较准确的刻画不同出行者的出行行为的路径选择模型，可以为城
市的交通规划、交通管理以及交通设施的布局和改善提供新的思路，可为相关的交通部
门制定决策提供依据和参考。本论文的研究意义主要有以下几点：
(1) 拓展对基础性的交通分配模型的研究
自从 Wardrop 的交通平衡分配原理被提出后，交通分配作为经典的需求预测方法“四
阶段法”的第四阶段，得到快速发展。由于动态的交通分配流对交通流的分配精确度高，
可得到以秒为单位的流量分配，分配结果更符合实际中的交通情况。但静态交通分配模
型作为交通分配模型中最早出现的方法，在交通流分配研究中有着不可或缺的作用。路
径选择模型作为交通分配的核心，基础性的交通分配模型占的比例少，大多数模型的研
究是基于基础性的交通分配模型拓展的。因此，有必要对基础性的交通分配模进行探讨。
现实生活中，由于出行者不能完全掌握交通网络状况，在进行出行决策时通常依据自己
对出行时间等较关心的一些指标的感知来做出决策，估计指标值存在一定的误差。随机
用户平衡模型能很好地表达出行者进行出行选择的这种特性，因此本文着重对随机用户
平衡模型进行研究。
(2) 准确的交通分配模型可以服务于城市交通网络设计，提高决策合理性
交通网络设计是着眼系统工程，寻找合适的现代优化方法来得到扩建或新建道路的
最好方案，实现投资资金的有效利用和路网的性能指标有效发挥。出行者的出行行为对
设计方案具有一定的影响，能够准确把握交通网络的流量分布，是确保交通网络设计成

- 2 -
 兰州交通大学硕士学位论文

功的必不可缺的条件。
(3) 准确的交通分配模型有利于得到合理的道路拥挤收费方案
道路拥挤收费是解决交通问题的方法之一。拥挤道路收费是在特定时间如高峰期或
特定空间如路段或区域收取费用，达到有效使用道路、缓解交通拥挤的目的。在次优拥
挤收费水平的研究中，许多学者大多是通过构建双层数学规划模型来确定。双层数学规
划模型的上层模型优化的目标是确定线路最佳的费率，使路网用户的社会总效益最大，
下层模型就是模拟路网出行者的路线选择方式，使得网络的总出行时间最小。因此采用
合理的交通分配模型，根据实际情况确定合理的道路拥挤收费方案具有重要意义。
(4) 为交通管理与控制提供理论基础
交通分布情况可以反映道路路网的使用情况。从整体上把握路网的性能发挥，可以
为道路的改建或扩建提供依据，为交通规划与管理部门制定合理的决策方案提供依据，
有效的交通管理可以缓解交通拥堵和减少环境污染，实现城市交通的可持续发展。

1.2 国内外研究现状

1.2.1 交通流分配模型
学者们最开始研究交通分配问题时，主要使用的是全有全无最短路径的分配法。该
方法的前提是路网上没有交通拥挤、路段的出行阻抗保持固定和流量分配在最短路径上，
但实际路网的道路阻抗和拥挤状态会随着交通流量的增加而变化的，许多出行者不一定
选择最短路径出行，交通流量会分配在多条路径上，而不仅仅是分配在最短路径上。随
着 1952 年 Wardrop[1]提出用户平衡和系统平衡原理，交通分配的研究展现了一个全新的
面貌。
Wardrop 第一原理是指在交通网络上，被出行者选择的线路比没有选择的线路的费
用要小。满足该原理的交通流分配模型称用户最优分配模型。而 Wardrop 第二原理则是
使整个交通路网系统的出行时间最小。分配原则符合第二原理的模型为系统最优分配模
型。本文利用图论，把城市道路系统看成一个网络 G   N , A ，网络的节点是道路的交
叉口，节点之间连成的线段是道路。相关的符号定义如下:
N ：节点的集合；
A ：为有向弧 (路段) 的集合；
R ：需求产生点的起始节点的集合；
F ：需求吸引点的终讫节点的集合， R、F  N ；
r ：一个起始节点， r  R ；

- 3 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

s ：一个终讫节点， s  F ；
qrs ：OD 对的起讫点 r-s 间的出行需求；
xa ：路段 a 的交通流量；
ta ：路段 a 的交通阻抗，其中 a  A ；
K rs ：OD 对 r-s 间所有路径的集合，其中 k  K rs ；
f krs ：OD 对 r-s 中路径 k 的交通流量；
 ars,k ：OD 对 r-s 中的路段与路径的关联量，其中  ars,k  1 ，则路段 a 在路径 k 上， ars,k  0 ，
表示路段 a 不在路径 k 上。
(1) 静态交通流分配模型
静态交通流分配方法是 OD 矩阵是已知的并且不随时间变化而变化，通常是确定的，
即把确定的 OD 矩阵分配到路网上。它反映的是交通网络长期的平衡状态，而不是呈现
实时动态的交通流特征，因此主要在城市的交通规划中发挥作用。本文讨论的静态交通
流分配模型有用户最优模型、系统最优模型和随机用户均衡模型。
① 用户最优模型
在 1956 年，Beckmann[2]构建了与 Wardrop 的第一平衡原理等价的数学规划模型。
如下所示。
xa
min Z ( x)    ta  wdw (1.1)
0
aA

 f krs  qrs (1.2)

kK rs

f krs  0 (1.3)

xa   f krs ars,k (1.4)

rs k

Beckmann 提出的模型的目标函数没有确切的经济含义或表达出行者行为的含义，只
是单纯的数学模型的构建，但经过严格的数学推导，该模型得出的结果与 Wardrop 第一
平衡原理描述的用户平衡原理是相符合的，同时该模型是凸规划问题，路段流量解是唯
一的，但路径流量解不一定唯一，要获得唯一的路径流量解需要具备其他条件，比如路
段与路径之间符合一定的比例关系或熵最大化 (entropy maximization)。
② 系统最优模型
系统最优模型与用户最优模型的约束条件一样，只是在目标函数上有所区别，系统

- 4 -
 兰州交通大学硕士学位论文

最优的目标函数是使路网网络的所有用户的阻抗最小。

min Z  x    xa ta  xa  (1.5)
a

约束条件仍是式 (1.2)、(1.3)、(1.4)。
③ 随机用户平衡模型
用户平衡和系统最优模型均假定出行者对路网的交通状况是彻底了解的。而在实际
生活中，出行者不可能对路网的情况是完全准确知道的，对出行时间只是一种估计。若
出行者的选择是符合 Wardrop 的第一平衡原则，在出行者出行过程中，出行者选择的路
径是他估计的最小出行时间的路径。当交通网络状态是均衡时，网络中的任何用户都不
能从自身角度改变路径的方式减少他估计的出行时间。在出行者估计的出行时间里包含
两部分，一部分是实际的出行时间，一部分是随机项。目前广泛使用的主要是 Logit 型
的 SUE 模型和 Probit 型的 SUE 模型。Logit 型的随机项假设服从 Gumbel 分布且相互独
立，Probit 型的随机项的联合分布密度函数是服从正态分布。
随机用户平衡条件下，某一个 OD 对的 r-s 之间已被选择的路径上的实际阻抗值不一
定相同，而是满足式 (1.6) 所示。

Pkrs qrs  f krs (1.6)

 f krs  qrs (1.7)

kK rs

其中： Pkrs 是 OD 对 rs 间选择路径 k 的概率。

路段与路径之间的流量关系式仍是如式 (1.8) 所示。

xa   f krs ars,k (1.8)

rs k

根据随机平衡理论得

Pkrs  Pr  Ckrs  Clrs  (1.9)

其中： Ckrs 、 Clrs 分别是出行者对路径 k 、 l 的出行时间的估计。

Ckrs  ckrs   krs (1.10)

其中： ckrs 为出行者的实际出行时间，  krs 为随机项。

(2) 动态的交通流分配模型
在交通流控制和交通诱导中，均需要路网动态交通数据进行交通管理。动态交通流

- 5 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

分配理论与静态交通流分配理论的主要区分在于交通流分配过程考虑了随时间变化的
交通需求的这一因素，增加了时间变量，从基于路阻、流量的二维问题变成了三维的问
题，因此动态交通分配更接近实际，能把路网的时变性、拥挤性等特征表现出来。动态
交通流分配 (dynamic traffic assignment, DTA) 是在出行过程中，交通出行需求不是固定
的，是时变的，在路网上进行交通需求的分配，来减少出行者的出行费用或路网系统的
总费用。本文讨论的动态交通分配模型有数学规划模型、最优控制模型、变分不等式模
型和仿真模型。
① 数学规划模型
Merchant 和 Nemhauser[3]最开始提出数学规划模型刻画动态交通流分配问题，称为
M-N 模型。该模型是考虑离散时间的非凸的非线性规划模型，适用于解决多个起点单个
讫点的交通网络的配流问题，在静态的假设下可转换成 Wardrop 的系统最优模型。Carey[4]
基于 M-N 模型建立了一个非线性的凸规划模型。之后 Carey[5]提出在动态交通流分配中
使用先进先出即 FIFO (first-in-first-out) 原则，求解网络有多个终点时，模型的解需满足
该原则，否则得到的解是不合理的。但 M-N 模型和 Carey 提出的 M-N 改进模型都是在
系统最优的条件下讨论动态交通流分配的问题，而没有在用户最优的条件下进行研究。
Janson[6]考虑基于用户最优的动态交通流分配模型的建立，但部分的模型假设没有遵循
先进先出原则，可能出现与实际交通情况不符的行为情况。Liu[7]对 Janson 提出的模型
进行改进，使模型满足先进先出的规则，但没有经过严格证明。
② 变分不等式模型
变分不等式模型把解决 DTA 问题分为两个步骤：网络加载和网络分配，通过求解线
性规划来实现求解 DTA 非线性规划的问题。Dafermos[8]最初在静态交通平衡建模使用了
变分不等式。任华玲[9][10]等人探讨在瞬时用户最优的条件下建立一系列的变分不等式，
在 VI 条件下的 DTA 的基本模型和模型的求解算法。VI 模型在分析不是对称的 Jacobian
矩阵的出行费用函数的问题时应用变分不等式模型具有很好的解析特性，但缺点是计算
量偏大，求解实际的大规模路网存在困难。
③ 最优控制模型
最优控制模型的约束条件与数学规划模型类似，考虑连续时间变量。Luque 和
Friesz[11]在 M-N 模型上扩展，提出了连续时间的系统最优 DTA 的最优控制模型。Friesz
等[12]提出了基于路段的最优控制模型，研究了单个 OD 对的网络用户最优和系统最优的
问题。Ran 和 Boyce[13]提出了基于用户最优的最优控制模型，建立了随机动态交通分配
模型。杨兆升[14]在 Papageorgious 提出的最优控制模型基础上，结合遗传算法设计了模
拟优化算法。

- 6 -
 兰州交通大学硕士学位论文

④ 仿真模型
动态交通流分配仿真模型使用交通仿真软件模拟交通流在交通网络的状态。仿真模
型不像动态交通流解析模型那样有确定的数学表达式，可解析解的结构。它求解的结果
精度一般不高，但能形象地显示各影响因素的相互作用，能够有效地描述交通的实际情
况，适用于大型交通网络的分析，具有很好的应用价值。根据交通应用目的和层次的不
同 ， 可 把 动 态 交 通 分 配 仿 真 模 型 分 为 宏 观 模 型 (macroscopic model) 、 中 观 模 型
(mesoscopic model)、微观模型 (microscopic model) 这三类。

1.2.2 离散选择模型
Wardrop 在 1952 年提出交通分配平衡原理后，交通平衡分配研究得到较多学者的关
注，种种交通分配模型随之被提出。而在进行交通分配时，路径选择模型是核心。因而，
需要对路径选择模型使用的离散选择模型进行分析。
离散选择模型依据随机效用的最大化 (ramdom utility maximization) 来说的，假设
随机项服从不同的分布形式，可得到不一样的离散选择模型。美国麻省理工学院的
Mcfadden[15]把随机效用理论应用到 Logit 模型，模型中的效用函数的随机误差项是互不
影响的并且都满足 Gumbel 变量分布，基于效用极大理论的 Logit 模型快速发展。目前
Logit 模型已被广泛地在交通问题中应用，如出行方式的选择、出行出发时间选择、交
通分配等的研究。但由于 Logit 模型对误差项的独立同一分布的假设即 IID 特性引起不
相关备选选择项的独立性即 IIA 特性，因此其在交通问题中的应用受到限制。IIA 特性
通俗来说，两个选择项的选择概率之比或者说这两个方案的相对优劣的比较仅和这两个
选择项的特性有关，与其他选择项的特性无关。
Logit 模型的 IIA 特性限制了它的应用，但因其采用的概率的封闭结构及计算的简
便性，在现已研究的交通分配模型中，很大部分都是使用 Logit 模型来对路径选择模型
进行研究。但采用多项式 Logit 得到的计算结果与实际存在偏差，于是出现了很多改进
的 Logit 模型。根据模型体现的内在机理的不同，将改进的模型主要分为两大类如表 1.1
所示。

表 1.1 Logit 的改进模型的分类及特点

模型 概率结构 原理
C-Logit、路径长度 Logit 单层树结构 修正效用函数的确定项
路径感知 Logit、路径尺度修正 Logit
广义巢式 Logit、交叉巢式 Logit、配 双层树结构 修正效用函数的随机项
对组合 Logit

- 7 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

C-Logit 模型、Path-Size Logit 模型或路径感知 Logit 模型这一类改进 Logit 模型都是

通过在效用项中加入校正项来调整效用值或降低路径选择概率。C-Logit 模型是在效用
项中多了一个公共因子 (commonality factor, CF)，来降低路径的重叠部分对路径选择的
影响。Path-Size Logit 模型通过在效用项中添加反映组成路径的路段长度以及路径之间
共有的路段相对长度的对数修正项，来体现路径长度对路径选择的影响。路径感知 Logit
模型主要是在效用项添加修正项来反映出行者对该路径的感知程度，考虑该路径是否可
用或者可用的程度。而广义巢式 Logit、配对组合 Logit 和交叉巢式 Logit 这一类改进的
Logit 模型是基于广义极值理论 (GEV)，GEV 模型可以对效用函数里的随机项的相似性
进行解释，可以用模型中的相关参数与网络的拓扑结构联系起来，这类模型可体现各备
选方案之间的相关性，各方案之间的相关程度是通过概率项来表示。双层树结构的概率
计算通过边际概率和条件概率的计算得到。不同 GEV 模型的“巢”定义的元素是不一样
的，如在交叉巢式 Logit 和广义巢式 Logit 中，巢是路段。而在配对组合 Logit 中，巢是
路径对。不同的 GEV 模型主要区别在于效用函数的随机项向量的累积分布函数的不同。
Logit 分配方式，主要考虑交通网络的复杂性以及交通状态的不确定性，可以较好
地考虑出行者在进行路径选择时出现的随机因素。根据路径的选择概率有不同的定义，
交通量的分配根据选择概率分配到路网上。Logit 型的 SUE 具有随机性和均衡性的特征，
并且可进行简单计算等特点，被广泛应用。下面主要介绍概率结构是单层树结构的 Logit
模型在随机用户平衡中的应用。
Sheffi 和 Powell[16]建立了一个无约束、一般化的基于 Logit 型的 SUE 模型。通过求
解该模型的一阶条件和 Hessian 矩阵，由一阶条件可知该模型符合随机用户平衡条件。
尽管 Hessian 矩阵不确定，但在驻点附近是正定的，有且仅有一个局部的极小点，所以
该模型有唯一的路段解。但路径流量解不是唯一的，因此运用不同的算法求解模型可能
得到不同的路径流量解，这种情况影响了模型的应用范围。
Zhou[17]等人提出了等价的数学规划模型 C-Logit 随机用户平衡模型 (C-Logit SUE)，
邱 松 林 [18] 等 人提出 了 等价 的 数 学规划 模型 的 Path-size Logit 的随 机用户平衡 模 型
(PS-Logit SUE)，程小云等人[19]提出了在相同的 OD 对与不同的 OD 对间考虑路径长度
敏感系数建立了 C-Logit 模型，使用 MSA 算法分别对比了单一考虑这两个因素的模型
与同时引入这两个因素模型的分配结果。李雪飞[20]构建了基于路径尺度修正 Logit 型的
SUE 模型 (PSC-Logit SUE)。
比较 C-Logit SUE 模型、PS-Logit SUE 模型、PSC-Logit SUE 三者，主要的区别在
于目标函数的不同，目标函数包含三项，前面两项是 Fisk[21]提出的多项式 Logit 型 SUE
的目标函数，第三项根据不同的改进的 Logit 的选择概率不同而不同，这说明扩展的 Logit

- 8 -
 兰州交通大学硕士学位论文

或者改进 Logit 的 SUE 模型通过增加含有描述路径特性的项来修正路径选择的概率。

C-Logit SUE 模型通过目标函数的第三项来描述路径相似性。路径的选择概率是在固定
项中添加一个公共因子来处理路径重叠问题。而 PS-Logit SUE 模型则是描述路径长度的
不同对选择路径概率的影响。而 PS-Logit SUE 模型是使用了一个对数的修正项来修正路
径效用，假定各路径间可能存在重叠，因此有重叠的路径不能考虑为一条完备的备选路
径，而是把该路径的一部分作为组成完备选择的一部分。该对数修正项解释了由路径的
路段长度决定的不同路径的路径长度或相关的路径共用路段对出行者的影响。PSC-Logit
SUE 模型则通过第三项表达组成路径的路段与该路径与其他路径共有的路段的相对长
度对路径选择概率。PSC-Logit SUE 模型的路径选择概率与 PS-Logit SUE 模型的不同在
于在效用函数的固定项中添加一种区别于路径尺度的路径尺度修正参数。

1.2.3 路径选择集的生成方法
路径选择是进行交通分配的核心。路径选择行为的研究包含两个方面，首先要对有
效路径进行定义；其次，从产生的有效路径中进行路径选择。Logit 模型在描述出行者
的交通出行行为选择有广泛的应用。出行方式的选择与出行目的的选择，这两者与路径
选择具有一定的区别。比如在城市出行方式选择中，可以选择的方式是比较少的，很容
易得出出行选择的方式。但在路径选择中，可选的路径是很难进行列举。在大的城市路
网，一次的出行可能包含成百条路径，其中有些路径还是出行者不知道的，因为有些路
径中有很多相同路段导致很难辨认。
在随机配流中，路径集的不同会造成路径的选择概率的不同，因此路径集的定义会
直接影响交通流的分配结果。随着各种生成路径选择集的算法被学者们提出，基于路径
的算法得到极大的发展。Dijkstra[22] (1959) 提出经典的最短路算法。最早、最直接的路
径选择集生成算法是 K 短路算法。K 短路算法通常假设出行者在花费费用少的路径进行
选择而避免选择花费多的路径。Shier[23]、Eppstein[24]等提出 K 短路算法，但 K 短路算法
生成绕行或极为相似的路径。Bekhor 等人[25]使用 K 短路算法，其中 K 是 15 和 40，比
较了用该算法生成的路径和实际调查得到的路径选择的结果进行对比，结果表明观察调
查的实际路径的 30%和算法生成的不一样，因为算法明显生成不相关的路径，另外，当
25 条路径增加时，实际的路径生成概率为 1%。路径 K 的增加似乎不能解决生成的路径
有着高的相似性这一特征。Akiva 等人[26]提出了标签法 (labeling approach)，标签法假定
出行者有不同的目标，比如一些司机希望减少出行时间，一些司机更希望获得舒适性。
每个标准可能对应于一条相应的路径，每条路径会根据不同的目标函数而被定义标签。
根据目标不同，会定义最舒适、最短、最快或最具沿途景观等标签，路径选择集就是不

- 9 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

同标签生成相应的最优路径的集合。Ramming[27]定义了 16 个标签寻找最短路径，标签
的定义从最常用的比如说最短出行时间到最不常规的在安全街区最大的行驶时间。通过
研究表明，标签法生成只能反映部分的真实司机的实际选择。Azevedo 等人[28]提出了路
段删除法 (link elimination)，该方法的思想是把网络中的组成最短路径的路段删掉，再
进行下一路径的搜索。该方法可能会因删除路段而造成路网的断开，无法保证得到更多
的次短路，但降低了路径之间的相似性。De la Barra[29] 等人提出了路段惩罚法 (link
penalty)，使用惩罚参数给组成最短路径的全部路段的阻抗固定值的惩罚，再次求解并储
存新的最短路路径，直到算法找到符合要求的路径才停止迭代。路段惩罚法可以避免路
段删除法中可能产生路网断开的缺点。但路段惩罚法容易产生高阻抗的路径，容易忽略
路径之间的相关性，依赖于惩罚因子的定义。

1.3 研究内容和技术路线

1.3.1 研究内容
本文共分五章，具体章节内容如下：
第一章绪论，阐述了本文的研究背景和研究意义，对国内外学者关于交通流分配与
离散选择模型的研究进行概述，并介绍了路径选择集的生成方法，进而提出本文的研究
内容和研究的技术路线。
第二章相关理论基础知识，介绍了交通流分配理论、随机效用理论和对解决随机用
户平衡有比较重要意义的数学规划模型。
第三章基于相对阻抗的 Logit 随机配流问题，分析经典 Dial 算法的缺陷，重新定义
有效路径及提出基于相对阻抗的路径选择概率，给出算例证明提出的算法比原算法有效。
第四章路径尺度修正的 Logit 型随机用户平衡模型研究，提出了考虑不同 OD 的路
径尺度修正 Logit 型随机用户平衡模型和基于广义费用的路径尺度修正 Logit 型的多用
户随机用户平衡模型，并设计了基于路径的 MSA 算法进行求解，同时提出了禁忌搜索-
粒子群算法对路径尺度修正 Logit 型随机用户平衡模型进行求解，并用算例证明算法的
有效性。
第五章总结与展望。归纳总结论文的研究内容和研究成果，并提出未来相关内容的
研究方向。

1.3.2 研究技术路线
本文的研究技术路线如图 (1.1) 所示。

- 10 -
兰州交通大学硕士学位论文

图 1.1 论文的技术路线

- 11 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

2 相关理论基础

2.1 交通分配基本理论
人的交通需求又称为出行行为过程，包含了出行者对于出行目的、出行方式、出行
路径进行选择等一系列的活动，是个人属性和出行环境相互作用的结果。影响出行选择
的原因很多，比如出行时间、费用、道路拥挤情况、道路等级等因素。出行者在对出发
时间点及出行路线进行选择时，会结合已有的过去的出行经验和新获得的信息做出综合
的选择，可能选择最小的总的出行时间或最小的总出行成本等线路。对出行路径的选择
其实就是交通分配的实质。交通分配问题是已知各出行方式的 OD 矩阵、路段阻抗函数
和交通路网，将 OD 矩阵分配到路网路段的过程。由交通分配得到的路段、交叉口等的
流量分配情况，是交通规划、建设和管理方案的制定与检验交通规划和管理方案是否合
理的依据之一。

2.1.1 路网模型
交通流分配是遵循一定的原则，把路网总的出行需求矩阵分配到交通网络的各个路
段或路径中去。而准确描述城市交通网络道路的空间关系与联系是进行交通系统的研究
的条件之一。在进行路网模型构建主要有图论、基于 GIS、超级网络、基于状态转移网
络这 4 种方法。最初对道路路网的建模，由于道路网状的空间结构，人们就自然想到利
用图论表示路网。图论的基本思想是利用图论中的点、线、面把道路网络的实体表示出
来。节点表示交叉路口和端点，边表示连接节点的道路。图论解决了路网道路的空间问
题，但对不同交通方式间的联系表示不出来。图论主要应用在城市道路网的单一交通方
式的数学建模。基于 GIS 的路网建模，就是建立基于特征的 GIS 数据存储的模型，储存
的元素有交通区域、交通特征、路径、路径中的路段、联线与节点等。它能很完整地把
路网的交通特征表达出来，但是交通方式之间的关联性不能被描述出来。基于状态转移
构建的网络，网络由状态网络和各交通方式的子网络组成，可完整描述出行过程，但忽
略了路网的空间结构。超级网络的构建是在已有的基础网络上加上表示交通方式之间的
换乘关系的虚拟节点与路段。超级网络可用来表示有多种交通方式的交通网路，但数据
量大，对于大规模的交通路网存在建模困难。

2.1.2 阻抗表达
交通网络的阻抗表达因不同的交通路网的使用者考虑的因素不同而不同。对于交通
规划管理者而言，需要综合考虑整个路网的性能指标，通常考虑路网总费用如行程时间、

- 12 -
 兰州交通大学硕士学位论文

平均排队长度、平均停车次数、延误时间等指标作为路段或路网的阻抗，一般通过求解
阻抗最小值或效益的最大值得到合理的交通管理方案。而出行者通常考虑时间、费用、
舒适度、道路拥挤程度等因素。一般来说，阻抗最低指的是考虑因素如时间、票价、环
境污染等的综合值的最小值，如式 (2.1) 所示。

Ba  Ta , xa , Ea , ... (2.1)

其中： Ba 是路阻函数， Ta 、 xa 和 Ea 分别是路段 a 上的行程时间、交通流量和环境污染

影响值等。 Ba 在现实的交通出行中不是一个定值，它是随时间的变化而变化，比如说
司机的路径选择变化和道路的拥挤度等都会影响路阻函数的变化。考虑因时间的变化而
不同，如式 (2.2) 所示。

Ba  t   Ta  t  , xa  t  , Ea  t  , ... (2.2)

通常情况下，行程时间、舒适度、拥挤度、出行距离和综合费用是组成路阻函数的
部分。我国的杨兆升教授在传统路阻定义的基础上，首次提出了广义路阻的概念，指的
是出行者为了抵达目的地给自身及社会带来的负效应的总和。
交通分配模型中，出行者对于路网的状况理解程度不一样，得到的路段阻抗也不一
样。在确定性用户均衡分配即遵循 Wardrop 第一原理中，假定出行者是理性的和同一的，
并且对路网的状况十分了解，路段阻抗均是可测知的。而在随机用户均衡分配中，出行
者对路网的了解并不是很充分，反映出行的感知和出行偏好的差别，出行路径的选择依
据感知阻抗来做出选择。道路网络上的路段的交通阻抗应反映交通时间、交通成本、拥
挤情况、交通流的稳定性等因素，但为了研究方便，学者们往往考虑把时间作为交通阻
抗主要度量的因素，路阻函数通常采用美国联邦公路局使用的 BPR 函数，其形式如式
(2.3) 所示。

 x 
ta  t  1   a 
0
a (2.3)
 Ca 

其中： ta 是路段 a 的行驶时间， t a0 是路段 a 自由流的行驶时间， xa 为路段 a 上的交通流

量， Ca 为路段 a 的通行能力。  、  为待定参数，一般分别取 0.15、4。

2.2 随机效用理论
用户平衡模型中，出行者是对交通网络完全知道，并且能够准确知道每一条路径的
出行费用，这个假设在实际中几乎是不存在的。事实上，出行者只能对出行路径的成本

- 13 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

有个大概的认知值，这与实际的出行成本有一定差距。但在出行者选择出行路径时，他
会选择自己估计的出行成本最小的路径，因为每个人对出行成本的估计是不一样的，因
此选择的路径也是不一样的，即出行者的路径选择行为是随机的。随机用户平衡模型实
质是刻画用户的路径选择行为的离散选择模型，而离散选择模型理论基础就是随机效用
理论，下面将对随机效用理论进行介绍。
从微观经济学可以知道，人们在进行经济决策的时候一般是有一定的目标的，比如
说投资商在进行经济决策以利润最大化为目标，而在个人的日常消费活动中以效用的最
大化为目标。类似地，在交通行为理论中，出行者花费一定的时间和费用成本购买某种
运输服务以获得空间位置转移的满足。每个人都会选择自己认为效用高的方式进行出行。
离散选择模型应用在交通行为理论，前提是有两个基本的假设：
(1) 出行者在交通出行行为中起关键作用。出行者选择路网中任一可选路径，他都
会从该路径得到一定效用。由于效用中包含随机效用，这个效用对于出行者来说是已知
的，而对研究者来说是未知的。
(2) 出行者是理性的，出行者会选择效用最大的一条路径出行。
随机效用理论是非集计行为模型的理论基础，是根据概率来对多方案的选择。因此，
出行效用高的出行方式被选中的概率大于出行效用低的出行方式。随机效用理论认为效
用是一个随机变量，由固定效用和随机效用两部分组成，并且它们之间是线性关系，可
表示为如式 (2.4) 所示。

Ui  Vi   i (2.4)

其中：Vi 为出行者在路径选择的效用函数的固定效用， i 为出行者在路径选择的效用函

数的随机效用。
根据效用最大化，出行者选择路径 i 的概率可表示为如式 (2.5) 所示。

Pi  P U i  U j , i  j 

 P Vi   i  V j   j , i  j  (2.5)

选择概率 Pi 满足概率的一般特征：

Pi   0,1 (2.6)
j

P 1
i 1
i (2.7)

- 14 -
 兰州交通大学硕士学位论文

随 机 项 i 服 从 不 同 的 分 布 ， 可 得 到 不 同 的 离 散 选 择 模 型 。 假 设 随 机 向 量
   1 ,  2 ,...,  j  的联合密度函数为 f    ，当每一个随机项  i 都服从同一参数的、独立
的 Gumbel 分布时，可以推导出多项式 Logit 模型。如式 (2.8) 所示。

exp  Vi 
Pi  J
j  1, 2, .. .,J
(2.8)
 exp  V 
j 1
j

在交通研究中，路径选择模型中的路径的效用值一般为负的路径的出行成本。

U krs   Ckrs   ckrs   krs k  K (2.9)

由式 (2.9) 得

1
Ckrs  ckrs   krs k  K (2.10)

其中： 是离散系数 (dispersion parameter)，是衡量出行者对路网熟悉程度的参数，或由
式 (2.10) 可得， 表示了感知的出行时间与实际的出行时间的误差大小，与出行者感知
的出行成本的方差成反比。由 Chen 等人[30]的研究可知，当    ，表示出行者对路网
情况熟悉，感知出行时间误差小，交通流分配结果很接近确定型的交通分配模型；而
  0 ，随机项很大，交通量在路网上的分布较均匀。
满意度函数是离散选择模型重要的指标之一，也叫期望最大效用。它反映出行者从
N 条路径中所能得到的期望效用。根据效用最大化理论，出行者总是选择效用最大化的
路径。最大效用的期望值为满意度。

S V   E  max V j   j  j (2.11)

其中： V 为向量，即 V  V1 ,V2 ,. . .,V j  。

S V  存在三个特征：

(1) S V  对于V 是凸函数；

(2) S V  对于选择项的效用函数的固定项的偏导数等于选择该选择肢的概率，即可
表示为：

 S V 
 PV (2.12)
VV

- 15 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

(3) S V  对于可选项 V 的增加而单调增加，即可表示为：

S V1 , V2 ,...,V j ,V j 1   S V1 ,V2 , ... ,V j  (2.13)

满意度函数是根据效用最大化来定义的，而在路径选择问题中，通常是以出行时间
最小为目标的。通过定义 (Daganzo[31], 1982; Sheffi[32], 1985)， Srs  u rs  是 OD 对 rs 间的

期望出行费用， u rs   u1rs , u2rs , ... , u krs  ， u krs 是出行者对第 k 条路径感知到的出行成本的固

定项。

Srs  u rs   E  min Ckrs  k  K rs (2.14)

期望感知出行费用 Srs  u rs  与满意度函数 S V  可进行转换。

  1 
Srs  u rs   E  min Ckrs   E  min  U krs 
   

1 1
  E  max U krs    S V  (2.15)
 

Srs  u rs  也具有三个特征：

 
(1) Srs u rs 对于 u rs 是凹函数；

(2) Srs  u  对于第 k 条路径感知出行费用的固定项的偏导数等于选择路径的概率，

rs

即：

Srs  u rs 
P 
k
rs
(2.16)
ukrs

(3) 期望的感知出行费用随着可选的出行路径的增加而减少，如式 (2.17) 所示。

Srs  u rs , ulrs   Srs  u rs  (2.17)

2.3 特殊的数学规划
本节讨论特殊的非负线性等式约束规划和非线性规划问题，这些特殊的规划问题对
于平衡分配问题具有特殊意义。
(1) 非负线性等式约束规划
具有等式与非负约束的极小化规划问题，这类问题的一般形式如下：

- 16 -
 兰州交通大学硕士学位论文

min Z  x  (2.18)

s.t. h
i, j
i, j x  bj i, j  1, 2, 3... (2.19)

xi  0 i  1, 2, 3... (2.20)

为了求解该问题最优解的一阶条件，首先把等式约束的拉格朗日函数表示如下：

 
L  x, u   Z  x    ui  b j   hij x  (2.21)
i  i, j 

求出拉格朗日函数的驻点后，使驻点满足非负的约束。由于该问题的约束条件是非
负的，故拉格朗日函数的一阶条件如下所示：

L  x , u 
x 0 (2.22)
x

L  x , u 
0 (2.23)
x

L  x , u 
0 (2.24)
x

综上，非负线性等式约束规划问题的一阶条件为如下所示：

 Z  x  
x   ui hij   0 (2.25)
 x i, j 

Z  x 
  ui hij  0 (2.26)
x i, j

h x  b
i, j
ij j (2.27)

xi  0 (2.28)

运用 Kuhn-Tucker 条件，也可以得到上述的一阶条件。
(2) 非线性规划问题
不管是目标函数还是函数的约束条件中，若这其中有一个函数不是线性的，则为非
线性规划问题。
考虑非线性规划问题一般形式如下所示：

- 17 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

min Z  x  (2.29)

s.t. gi  x   0 i  1, 2, 3..,m
. (2.30)

hj  x  0 j  1, 2,3...,l (2.31)

若要求目标函数不是最小值问题，而是最大值问题，或者约束条件是小于等于 0 的，
均可取其相反数，转换成上面所示的一般形式。
对于解决非线性规划问题的方法大体上分为两类，一是试探法，依据某种原则寻找
试探点，在产生的众多试探点中确定极小点。二是函数逼近法，也称插值法，用较简单
的曲线去逼近要求解的函数曲线，目标函数的极小点通过求解简单的逼近函数的极小点
来估计得到。需要注意的是这两类方法得到的极小值都不是准确值，而是估计的极小值。

- 18 -
 兰州交通大学硕士学位论文

3 基于相对阻抗的 Logit 随机配流

本章分析多项式 Logit 模型存在的缺陷，提出了相对阻抗的选择概率的 Logit 配流，

并对 Dial 算法中的有效路径进行重新定义，根据选择概率的变化相应地对似然值进行改
变，通过算例分析得出相对阻抗的 Logit 随机配流更合理。

3.1 多项式 Logit 模型

出行者在进行路径选择时，路径上的重叠情况都是常见的情形，但通常使用来描述
出行者的出行行为的多项式 Logit 模型，由于其不相关备选方案的独立性 (independence
of irrelevant alternatives, IIA) 特性，IIA 特性最典型的例子是红-蓝公共汽车问题，在红
蓝公共汽车的问题中表现出倾向于重叠程度高的方案，而对于相似程度低的备选方案选
择评价低。这是 Logit 模型在出行方式的选择上体现的问题。而应用到交通分配问题中，
IIA 的特性主要表现不考虑路径的重叠问题，采用 Logit 模型，路径重叠程度高的流量
分配可能高，路径重叠程度低的流量分配可能少，同时应用多项式 Logit 模型在路径选
择模型中缺乏对不同路径的相似性 (重叠部分) 和不同的长度差异感知的解释能力。为
了更好说明这个问题，给出如图 3.1 所示的简单网络。假设路网中的每条路径上的交通
阻抗都是 1，路径重合的部分的交通阻抗为  。连接 OD 对 rs 间有三条路径，其中两条
路径由重合路段 m  s 。

图 3.1 (a) 图 3.1 (b) 图 3.1 (c)

根据 Logit 分配模型，这三条路径的分配的流量都相等，每条路径将分担 OD 间的
总的交通流量的 1/3。这种分配好像是合理的，即当重合部分的交通阻抗比较小如图 3.1
(b) 所示，这种情况假设大多数的出行者估计三条路径的交通阻抗基本相等是合理，但
如果重合部分的交通阻抗值  很大如图 3.1 (c) 所示，情况就发生很大的变化，此时出
行者会把下面两条路径看作一条路径，即   1 ，确实会出现这种情况。此时上面路径
和下面路径各分担总的出行量的 1/2。如果 0    1 ，上面的路径分担交通出行量的 1/3
至 1/2，下面各条路径则承担 1/4 到 1/3 的交通量。可以看出 Logit 模型在交通网络配流

- 19 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

过程中，忽略了路网的结构特征，使路径的重叠部分程度高的分配了更多的流量。
另外，应用 Logit 型进行路径选择，主要根据交通时间的差值来确定路径选择概率，
可能会出现另一种反常的现象。为了说明这种情况，下面给出两种路径选择情况进行说
明，如图 3.2 所示。图 3.2 (a) 中，OD 对 r-s 间的两条路径的出行路阻分别是 10 分钟和
5 分钟。图 3.2 (b) 中，OD 对 rs 间的两条路径的出行路阻分别为 125 分钟和 120 分钟。

图 3.2 (a) 图 3.2 (b)

在第一种情况中，很有可能几乎所有的出行者选择较短的路径即交通阻抗为 5 分钟
的路径。而在第二种情况下，可能有较多的出行者选择交通阻抗为 125 分钟的路径而不
选择 120 分钟的路径。之所以这样估计出行者的路径选择行为，是因为出行者的感知交
通阻抗存在方差，这种感知方差可能与路径的长度有关。第二种情况 (图 3.2 (b)) 比第
一种情况 (图 3.2 (a)) 更可能使出行者产生的“错误”估计或感知，
“错误”的感知带来
的结果就是会选择交通时间较长的路径[31]。但如果是应用 Logit 模型，上面两种情况会
得出相同的交通流模式，相应较长的交通路径分担交通流量相等。在该例子中，路径的
感知交通时间的分布应是各路径长度的函数，因此路径阻抗大的路径，出行者进行精确
感知的可能性越小。但是 Logit 模型不具备对长度差异感知的解释能力的解释能力，因
为 Logit 模型假设感知路径阻抗的分布是固定方差，不随路径特征变化而变化。
Fisk (1980) 构建了基于 Logit 路径选择模型的随机用户平衡模型，该模型对于变量
(路径的流量) 是严格凸函数，有唯一的路径流量解。模型如下：
xa 1
min Z  x     t a  w  dw   f k
rs
ln f krs (3.1)
a
0  rs k

f
k
k
rs
 qrs rs  R (3.2)

f krs  0 (3.3)

xa   f krs ars,k (3.4)

rs k

Fisk (1980) 给出该模型的路径选择概率符合多项式 Logit 模型，如式 (3.5) 所示。

- 20 -
 兰州交通大学硕士学位论文

rs

rs e  ck
P  rs  R (3.5)

k rs
e  cl
rs
lK

Fisk (1980) 建立的交通分配的优化模型，该模型的前提条件是 OD 的需求矩阵是已

知的，路径流量是变量，通过数学推导得出该模型的解对应于 Logit 形式的路径选择公
式。多项式 Logit 型的随机用户平衡模型 (MNL SUE) 模型的最大优点就是有着封闭形
式的 Logit 概率表达式，可以更高效、准确地求解该模型。

3.2 新的路径选择概率及模型求解

3.2.1 新的路径选择概率
路径选择概率是根据路径之间的效用确定，由 Logit 模型得，它是根据效用间的绝
对差来确定，这会带来不合理的网络配流结果[33]。因此可采用交通阻抗的相对值来确定
选择概率。袁振洲[34]提出了改进的 Logit 路径选择模型，给出了路径选择概率的表达式
如式 (3.6) 所示。
rs

rs e  ck crs
P  rs  R (3.6)
e
k  clrs crs

lK rs

c rs
k
其中： crs 是路径阻抗的平均值，即 crs  k
。
K rs
该改进模型可以消除 Logit 模型在路径阻抗的分布具有不随路径特征而变的固定方
差的缺陷。同时此时  是一个无量纲的常数，与阻抗无关。参照此思想，本章提出选择
概率用阻抗的相对值进行表示，如式 (3.7) 所示。
rs rs

rs e  ck cmin
P  rs  R (3.7)

k rs rs
e  cl cmin

rs
lK

3.2.2 求解算法
STOCH 算法是解决不考虑拥挤效应的交通路网随机配流的经典算法之一，也叫 Dial
算法。用 Dial 算法求解得到的流量分配结果符合多项式 Logit 的概率选择方式，但是因
为算法中定义有效路径太严格，发生了出行阻抗高的路径分配流量，而出行阻抗低的路
径没有流量的不合理情况，这对 Dial 算法的实际应用有一定的限制。针对 Dial 算法存

- 21 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

在的缺陷，李志纯[35]等对三种进行随机交通分配的路径即 Dial 有效路径、简单路径和

有环路径进行比较分析，重新定义有效路径，并且给出无环简单路径的寻找方法，并在
新的无环简单路径进行随机交通流分配。李军[36]用拓扑排序的思想来给出找寻路径的算
法，但要排除不合理的路段需要网络存在环路，明显地在实际的交通路网，这条件是不
合理的。何胜学[37]等人采用分层搜索与定向策略结合的方法，给出了有效路径的搜索算
法步骤，并在生成的路径集进行随机用户平衡配流，分配结果表明算法的有效性。辛松
歆[38]等人改进合理路径的定义，并结合拓扑遍历的最短路算法，提出了改进的 Logit 型
的多路径的流量分配算法，有效减少了算法的计算时间以及提高了计算精度。
经典 Dial 算法定义有效路径中的路段需符合的条件如式 (3.8) 所示。

r  i   r  j  且s  i   s  j  (3.8)

其中： r   是节点到起点 r 的最小路径阻抗； s   是节点到终点 s 的最小路径阻抗。

经典 Dial 算法主要分为四步，第一步最短路计算；第二步路段似然值计算；第三步
计算路段权重；第四步配流。算法的具体步骤如下所示。
Step 0：使用最短路径法求解交通网络中的每一个节点的 r  i  ， s  i  。
Step 1：计算路段的似然值

L  i, j   
  
exp   r  j   r  i   cij 
 r  i   r  j  且s  i   s  j 
(3.9)
 0 其他

其中： cij 是路段 ij 的实际阻抗。

Step 2：向前计算路段权重
考虑节点序列问题，从 r 开始，以 r  i  由小到大的顺序，计算离开节点的全部路段

的权重值。 w  x, j  的计算公式如下所示。

 L  i, j  ir

w  i, j    L  i, j  (3.10)

 w  m, i 
mI i
ir

其中： I i 是终点是 i 的路段的起点集合，当计算到终点 s 时结束计算。

Step 3：向后计算路段流量
考虑节点序列问题，从终点 s 开始，以 s  i  由小到大的顺序，计算进入节点的全部

路段的流量值。 x  i, j  的计算公式如下所示。

- 22 -
 兰州交通大学硕士学位论文

 qrs w  i, j   w  m, j  js
 mI j
x  i, j    (3.11)
 w  i, j   x  j , m   w  m, j  js
 mOi mI j

其中： q rs 是 OD 对 rs 间的交通需求量， Oi 是起点为 i 的路段终点的集合，当计算到起

点 r 时结束计算。
Dial 算法避免大量的路径枚举，定义的有效路段就是符合“离起点越来越远，离终
点越来越近”的条件，该条件定义过于严格，导致出现阻抗小的路径不分配流量，阻抗
值大的路径反而分配流量的不合理现象。而在现实的出行选择中，出行者不会严格遵守
Dial 的有效路段定义方式来进行出行选择，而是会接受某种程度的偏差，可能会绕路。
受此启发，本文在有效路段的定义中引入路段长度可接受错误的系数，使有效路径的判
断是在出行者的可接受范围之内。本文重新定义的有效路段如下。

 r i   r  j  cij  且s  i   s  j   cij   (3.12)

其中：  表示可接受偏差程度的系数。通过  来量化出行者对 Dial 算法中的有效路径的

“离起点越来越远，离终点越来越远”的偏差程度。  取值越大，说明出行者偏好“迂
回”选择有效路径。
经典的 Dial 算法的第一步的计算节点序列与有效路径的判定有密切的关系，本文的
基于相对阻抗的 Logit 配流方法要相应地对路段的似然函数进行改变。步骤一的改变如
下所示。
Step 1 (new)：计算有效路段的似然值。

  r  j   r  i   cij 
exp 
L  i, j    rs
cmin
  r i   r  j  cij  且 s  i   s  j   cij  
 

 0 其他
(3.13)

其中： cij 是路段 ij 的实际阻抗。其他步骤与经典 Dial 相同。

3.3 算例
本章采用如图 3.1 所示的简单网络，1 个 OD 对，9 个节点，12 个路段，节点之间
的横线上的或左侧的数字表示节点之间的交通阻抗，如图 3.1 所示。设 OD (节点 1-节点
9) 间的交通需求是 1000veh/h。
使用 matlab 仿真软件进行 Dial 算法的计算，得到的流量分配如图 3.2 所示。Logit

- 23 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

模型中的  值为 1。

图 3.1 算例网络 图 3.2 Dial 算法的配流结果

从配流结果看，路段 2-3 和路段 3-6 没有分配流量，即路径 1-2-3-6-9 是无效路径。

下面给出初始的各节点到起终点的路径阻抗值如表 3.1 所示。

表 3.1 初始的各节点到起终点的路径阻抗值
节点 i 1 2 3 4 5 6 7 8 9
r i  0 2 4 2 3 4 4 5 7

s i  7 6 4 5 4 3 4 2 0

由表 3.1 所示，根据 Dial 算法的有效路径的定义可判断路段 3-6 不是有效路段，故

该路段所在的路径 1-2-3-6-9 不分配流量，而该路径的阻抗值为 8，有效路径 1-4-7-8-9
的阻抗值也为 8，因此流量分配的结果不合理。

图 3.3 改进 Dial 后的配流结果 图 3.4 路网节点的流量分配

- 24 -
 兰州交通大学硕士学位论文

改进 Dial 的算法之后的配流结果如图 3.3 所示。

结合图 3.2 与图 3.3，可以看出改进后的 Dial 算法比经典的 Dial 的算法求解得出的
分配结果较合理，原 Dial 算法中对路网的 2-3 路段是没有流量分配，本文对有效路径重
新定义后，路径 1-2-3-6-9 成为有效路径，该路段获得 158.5507 的流量分配，说明利用
改进的 Dial 算法之后，可以解决原经典算法中本应分配流量的路径没有分配流量的问题。
为了进一步对算法的改进前与改进后的配流结果进行比较，节点流量的比较如图
3.4 所示。在改进的 Dial 算法中，路网的所有节点均为有效节点，由图 3.4 可以看到，
算法的改进前后的节点配流变化趋势是相似的，说明改进后的算法没有降低原算法的精
度。但随着新增有效节点 3，路网拥挤节点 4 和节点 5 的流量下降是明显的，说明改进
后的算法对于交通量较高的中心路段的分流是有作用的。

3.4 本章小结
本章考虑 Logit 模型配流的 Dial 算法存在的缺点，对有效路径进行重新定义，并用
算例证明改进的 Dial 比原算法更具有效性，改进的 Dial 不仅继承原算法的优点，不需
列举连通的所有路径，通过判断路段信息进行有效路径的选择，得出了更加合理的路段
的集合，还把原 Dial 算法漏掉的有效路径分配流量，使路网的流量分配结果更趋合理。

- 25 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

4 基于路径尺度修正 Logit 型的 SUE 模型研究 (PSCL-SUE)

本章在李雪飞提出的路径尺度修正的 Logit 型的 SUE 模型 (PSCL-SUE) 的基础上

(模型详见文献[20])，4.1 节提出了考虑不同 OD 对感知的 PSCL-SUE 模型，即考虑不同
的 OD 对不是同一的，引入敏感系数描述这一特性，并运用算例进行比较。4.2 节提出
了禁忌搜索-粒子群算法对 PSCL-SUE 模型求解，并在算例上分别应用通用的相继平均
法与禁忌搜索-粒子群算法，通过比较证明算法的有效性。4.3 节则考虑了基于考虑随机
因素的广义费用的多用户的路径尺度修正模型，通过算例网络证明该模型能反映出行者
在随机路网的路径选择行为。

4.1 考虑不同 OD 对感知的 PSCL-SUE 模型

4.1.1 模型的构建
Bovy 等人[39]基于集计替代和 GEV 模型 (如配对组合 Logit 和交叉巢式 Logit)，该
模型在效用函数中的固定效用中添加对数项来修正效用值，路径尺度修正通过考虑组成
路径的所有路段与及该路径与其他路径共有的路段的相对长度来确定。根据效用理论推
导出的路径尺度修正因素，推导出的路径选择概率如式 (4.1) 所示。

e
V rs
k   psc PSCk 
rs
P  (4.1)
k
V rs


  psc PSCl
e l

lK rs

其中： PSCk 和 PSCl 分别是路径 k 和路径 l 的路径尺度的修正项。  psc 是待估的参数。

Bovy 等人提出的路径尺度修正项的形式如式 (4.2) 所示。

L 
PSCk     rsa ln   alrs  (4.2)
k 
ars Lk lK rs 

其中： La 是路段 a 的长度， Lrsk 是 OD 对 rs 中的路径 k 的长度，  alrs 是 OD 对 rs 间路段与

路径间的关联函数，  alrs  1 ，则路段 a 在路径 l 上。  alrs  0 ，则路段 a 不在路径 l 上。
在很多的研究交通分配的过程中，通常将不同的 OD 对的分散系数作无区别的对待，
即所有的出行者对路网中的所有 OD 对的感知误差是一样的，这无法反映不同的路径长
度对出行者选择路径的影响。事实上，出行者的感知出行时间中的随机项随实际的出行
时间的增加而增大。另外，根据实际生活中，出行者对自己经常出行的区域熟悉程度与
不经常出行的区域的熟悉程度是不一样的。因此，本文采用在感知误差中引入路径敏感

- 26 -
 兰州交通大学硕士学位论文

系数 ，来反映出行者对不同的 OD 对间感知误差的不同，    ，  是权重系数。


 (4.3)
l rs

1 N
l rs 
N
l i 1
i
rs
(4.4)

1 N rs rs
 
2
  li  l
N i 1
(4.5)


把  代入效用函数中，得到
l rs

l rs
Ckrs  ckrs   krs (4.6)

 的作用是控制  对效用函数的影响程度。而路径长度感知系数  则是反映路径效
用的权重大小因路径长度的变化而变化，与路径流量无关且在量纲上一致。因此式 (4.6)
与传统效用函数的本质是一样的。
考虑路径尺度修正因素对传统的 Logit 模型修正后，得到的路径选择概率如式 (4.7)
所示。
 rs
  ck  psc PSCkrs 
rs e l rs
P  (4.7)
k 
 rs

cl  psc PSClrs 
e
l rs

构建基于改进的路径尺度修正因素的 SUE 模型 (PSCCL-SUE)：

xa l rs   rs 
min Z psccl    ta  wdw   f k
rs
 ln f k  rs  psc PSCk 
rs
(4.8)
a
0  rs k  l 

f k
k
rs
 qrs rs  R (4.9)

f krs  0 (4.10)

xa   f krsars,k (4.11)
rs k

要证明给出的数学规划模型与 SUE 的平衡分配问题是等价的，必须证明求解该规

- 27 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

划得出的交通流模式满足平衡条件。任何数学规划的解都在其局部极小点即驻点处满足
一阶条件。如果一阶条件与平衡条件相同，则在局部极小点 (驻点) 处，平衡条件也满
足。因此，可通过求解数学规划模型的极小点，求得平衡解。
PSCCL-SUE 模型的等价性证明如下所示。
改进的路径尺度修正的 SUE 的等价性证明如下，首先构造 PSCCL-SUE 模型的拉格
朗日函数：

 
L  x, u   Z psccl   urs  qrs   f krs  (4.12)
rs  k 

其中： u rs 是拉格朗日乘子。
由 K-T 条件以及 Beckmann 提出的数学规划的等价性证明得：

 rs l rs    
k
rs
f ck   ln f k
rs
  psc PSC rs
k  1   u rs 0 (4.13)
   l rs  

l rs   
ckrs   ln f k  rs  psc PSCk  1  urs  0
rs rs
(4.14)
  l 

fk
k
rs
 qrs  0 (4.15)

f krs  0 (4.16)

由于 OD 对起讫点间的每一条有效路径 f krs  0 ，可得

l rs   
ckrs   ln f k  rs  psc PSCk  1  urs  0
rs rs
(4.17)
  l 

令  代入 K-T 条件中的公式 (4.17)，得
l rs

1
ckrs 

 ln f krs   psc PSCkrs  1  urs  0 (4.18)

f krs  e urs 1  e

 ckrs  psc PSCkrs  (4.19)

对于同一 OD 对来说，  的取值是一样的。

- 28 -
 兰州交通大学硕士学位论文

qrs   f l rs   e urs 1  e

 clrs  psc PSClrs 
(4.20)
l l

f rs e k psc k

 c rs  PSC rs 
Pkrs  k  (4.21)
qrs
 e  l psc l 
 c rs  PSC rs

rs
目标函数的第一项与 Fisk 模型的相同，对于路径流 fk 是凸函数，只要证明第二项
为严格凸函数，则模型具有唯一解。
PSCCL-SUE 模型的解的唯一性证明如下所示。
使目标函数的第二项为：

l rs   rs 
Z psccl1 

 f
rs k
k
rs
 ln f k  rs  psc PSCk 

rs

l 
(4.22)

Z psccl1 对 OD 对的第 k 条路径的 f krs 求一阶导数得：

Z psccl1 1
f rs


 ln f krs   psc PSCkrs  1 (4.23)
k

Z psccl1 对 OD 对的第 l 条路径的 f l rs 求二阶导数得：

 1
 2 Z psccl1  lk
rs rs
  f krs (4.24)
f flk  0
 lk

可得出 Z psccl1 的二阶导数对应的 Hessian 矩阵正定，因此根据最优化理论得出 Z psccl1

为严格凸函数。目标函数为凸函数与严格凸函数之和，因此目标函数是 f krs 的凸函数，
因此构建这个模型有唯一的路径流量解。

4.1.2 模型求解
在 SUE 问题的随机加载问题有 Logit 加载和概率加载，在求解 SUE 问题时通常是
建立等价的数学规划问题，解决的算法采用收敛的迭代算法如相继平均算法。建立与
SUE 等价的数学规划模型需证明满意度函数 (决策者从各个备选方案估算的期望的效
用) 对某方案的固定效用的偏导数等于该方案的选择概率。这个关系成立的前提是随机
误差项不受测定阻抗的影响，两者是相互独立的[40]。用于求解 SUE 模型的算法主要有

- 29 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

基于路段的算法和基于路径的算法。
基于路段 (link-based) 的求解算法不需要对路径进行罗列，对于路径选择集的生成
是一个隐式的过程，因此计算过程避免对路径的储存。Dial[41]于 1971 提出的 STOCH 算
法适用于解决非拥挤情况的交通路网的 Logit 的随机分配。但该算法的有效路径的定义
导致部分有效路径被排除在外，若将 Dial 算法使用到求解随机用户均衡分配的 MSA 的
迭代算法中，迭代过程中有效路径集的改变会影响算法的收敛性，算法因而不收敛。
Russo 和 Vietta[42]提出了一个基于路段的随机加载的方法解决基于路径 C-Logit 模型。杨
泳等[43]对有效路径的定义中使用了有关路段长度的容错系数，提出了一种改进的 Dial
算法，并应用于 Logit 随机网络配流模型中。
基于路径 (route-based) 的求解算法首先要确定路径的集合，在求解之前确定或者
在算法求解过程中确定。route-based 的算法较于 link-based 的算法的优点是求解出来的
路径与实际情况更符合。不足之处在于求解的难度增加，如何确定合理的路径集合。Xu
等人[44]提出了一种新的基于路径的算法--梯度投影法解决 C-Logit 的随机用户分配问题，
文中迭代步长用了预设步长、Armijo 步长和自适应步长，得出了采用自适应步长的 GP
算法更有效。但 GP 算法的收敛速率是线性的，当算法迭代到最优解时，算法的收敛速
度慢。Bekhor 等[45]应用基于路径的梯度投影法 (gradient projection, GP 算法) 求解 SUE
模型问题，把 SUE 转换成一个等式约束条件下的最小化问题，在确定各 OD 对间的合
理路径的前提下，使用 Bertsekas 的流形优化理论求解。Zhou[17]等人提出了基于投影法
的路径算法解决基于长度和考虑拥挤的 C-Logit 的 SUE 模型。周博见等人[46]使用变量消
去法，把有约束的 Logit 型的随机用户平衡模型转换成一个无约束的最优化问题，提出
改进的截断牛顿法解决模型，并与用梯度投影法求得的结果进行对比分析，结论是改进
的截断牛顿法计算效率高一些。同时，周博见[47]在他的博士论文提出了双层部分线性化
算法、对偶算法、改进的牛顿截断算法、改进的信赖域牛顿算法来进行 Logit 型的随机
用户平衡模型的求解。非集计的单纯形算法 (DSD) 由 Larsson 和 Partiksson[48]是为了解
决 UE 模型而提出，Damberg[49]使用 DSD 算法进行 Logit 型的 SUE 模型的求解。
在 Logit 分配算法中，分配流量都是全部有效路径中进行，但是对于一些规模较大
的交通网络，列举路网的所有的有效路径是有难度的。
一般地，扩展的 Logit 模型多使用基于路径的算法来求解模型，因此本文采用基于
路径的 MSA 的求解算法进行求解。
算法的迭代步长的合适取值会给算法的收敛速度带来一定的影响，Robbins 和
Monro[50] 、 Blum[51] 已 证 明 迭 代 步 长   
n
只 要 满 足    0 ，   n   以 及
n 
n 1

- 30 -
 兰州交通大学硕士学位论文

    
2
  ，就可以保证算法收敛。相继平均法 (MSA) 的迭代步长通常取迭代次数
 n
n 1

n 的倒数即 1 n ，满足算法收敛的条件。本文采用基于路径的相继平均法 (MSA)，算法

步骤如下：
Step 1：初始化，根据路网计算出相关的参数值，初始流量为零的路段的行程时间
ta 0  ta  0  ，计算各条有效路径的行程时间 ckrs 。根据给出的 Pkrs 的计算公式计算 Pkrs ，根
据 f krs  Pkrs qrs 计算初始路径流量 f krs n ，令迭代次数为 1；
Step 2：根据路径流量 f krs n 和 xa   f krs ars,k 可得路段流量 xa n  ，从而更新路段阻
rs k

抗 t an  t a xa ；
n

Step 3：根据路段走行时间 tan ，可得到新的各条有效路径过的走行时间 ckrs ，根据 Pkrs

和 g krs  n   Pkrs qrs 得到辅助的路径流量 gkrs n ；
1 rs n 
Step 4：令 f k
rs  n 1
 f krs n  
n
 
g k  f krs n  ；

Step 5：收敛判定，符合收敛条件，结束算法。不符合收敛条件，返回 Step 2。

在算例分析中，考虑 MNL-SUE 模型、路径尺度修正 Logit 的 SUE 模型、考虑不同
OD 对的路径尺度修正的 SUE 的路网的流量分布。而对于不同的 Logit 型的 SUE 模型，
在 MSA 算法使用不同的随机加载方式得到辅助的路径流量。
MNL-SUE 模型：应用式 (3.5) 得到 Pkrs ，然后根据 g krs  n   Pkrs qrs ，得到 gkrs n 。
PSCL-SUE 模型：应用式 (4.1) 得到 Pkrs ，然后根据 g krs  n   Pkrs qrs ，得到 gkrs n 。
PSCCL-SUE 模型：应用式 (4.7) 得到 Pkrs ，然后根据 g krs  n   Pkrs qrs ，得到 gkrs n 。

4.1.3 算例
本节采用如下的路网，2 个 OD 对 (1-10，1-11) ，11 个节点，15 个路段。路网的
总的交通需求为 1200，OD 对 1 至 10 的交通需求为 700，OD 对 1 至 11 的交通需求是
500。路阻函数使用 BPR 函数，BPR 函数中的参数  、  分别取 0.15 和 4。
图 4.1 所示的路段具体性能参数如表 4.1 所示。假设路段长度大小与路段的自由流
行程时间的数值相同。添加路径尺度修正因子与考虑路段长度的不同 OD 的感知系数的
各数值如表 4.2 所示。
由表 4.2 可得，OD 对 1 (节点 1-节点 10) 的 OD1 是 0.7087，OD 对 2 (节点 1-节点 11)
的 OD 2 是 0.8569。 因此 PSCCL-SUE 模型中 的  取 MNL-SUE 模型和路 径尺度修正

- 31 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

Logit-SUE 模型的  处于这两个值之间，均取为 0.8。

图 4.1 算例网络

表 4.1 算例网络路段的性能参数
路段编号 路段起终点 自由流行程时间 通行能力
1 1-2 7 600
2 1-3 6 800
3 2-4 6 300
4 2-6 14 600
5 3-4 4 700
6 4-5 4 800
7 5-6 4 300
8 3-7 8 500
9 4-8 12 400
10 5-9 8 300
11 6-10 9 600
12 7-8 9 600
13 8-9 7 600
14 9-10 8 600
15 9-11 7 600

- 32 -
 兰州交通大学硕士学位论文

表 4.2 路径的尺度修正因子及长度感知系数
OD 路径 节点排列 PSCk  l rs 
1-10 1 1-2-6-10 -0.6531 4.6733 33.125 0.1411
2 1-2-4-5-6-10 -1.1500
3 1-2-4-5-9-10 -1.2200
4 1-2-4-8-9-10 -1.1295
5 1-3-4-5-6-10 -1.1451
6 1-3-4-5-9-10 -1.2226
7 1-3-4-8-9-10 -1.1242
8 1-3-7-8-9-10 -0.7601
1-11 9 1-2-4-5-9-11 -0.8936 4.0373 34.600 0.1167
10 1-2-4-8-9-11 -0.9304
11 1-3-4-5-9-11 -0.9982
12 1-3-4-8-9-11 -1.0177
13 1-3-7-8-9-11 -0.6905
注：  取 0.1。

由表 4.2 可得，OD 对 1 (节点 1-节点 10) 的 OD1 是 0.7087，OD 对 2 (节点 1-节点 11)
的 OD 2 是 0.8569。因此取 MNL-SUE 和路径尺度修正 Logit-SUE 模型的  处于这两个值
之间，均取为 0.8。
根据本节给出的算法分别算出各模型在算例网络进行分配的流量结果如表 4.3 所示。

表 4.3 OD 对间路径流量以及路径选择概率
OD 路径 路径流量 路径选择概率
MNL PSCL PSCCL MNL PSCL PSCCL
1 298.50 320.17 309.55 0.4264 0.4574 0.4422
2 62.80 54.81 66.24 0.0898 0.0783 0.0946
3 3.34 2.47 3.72 0.0048 0.0035 0.0053
4 0.57 0.42 0.86 0.0008 0.0006 0.0012
1-10
5 312.09 302.69 294.48 0.4458 0.4324 0.4207
6 17.75 14.86 17.76 0.0254 0.0212 0.0254
7 2.81 2.26 3.75 0.0040 0.0032 0.0054
8 2.12 2.33 3.65 0.0030 0.0033 0.0052
9 65.40 65.85 60.05 0.1308 0.1317 0.1201
10 12.54 10.92 10.24 0.0251 0.0218 0.0205
1-11 11 324.84 325.96 331.49 0.6497 0.6519 0.6630
12 55.05 48.36 50.29 0.1101 0.0967 0.1006
13 42.17 48.92 47.93 0.0843 0.0978 0.0959

从表 4.3 的流 量分配结果可 以看出，对比 MNL-SUE 模型、PSCL-SUE 模型、

PSCCL-SUE 模型，MNL-SUE 模型、PSCL-SUE 模型、PSCCL-SUE 模型在所有路径都
分配了流量，尽管有部分路径分配的流量比较少，因为这三个模型考虑了路径选择的随
机性，将交通流量分配到了更多的路径，更符合实际的情况。另外，可以看出这三个模

- 33 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

型的流量的分配差别不是特别大，但结合表 4.2 与表 4.3 可以看出， PSCk 值较小的

PSCL-SUE 模型比 MNL-SUE 模型路径分配的流量要少 (如路径 3、6、12)，而 ﾠ஍ 值
较大的 PSCL-SUE 模型比 MNL-SUE 模型路径分配的流量要多 (如路径 1、8、13)。
因为改进的 Logit 型的 SUE 模型主要是在克服 MNL 的 IIA 特性，即在重叠的路段
分配过多的流量，为了进一步地研究改进的 Logit 型的 SUE 模型的对路段流量的影响，
下面给出各个模型的路段流量的分配如表 4.4 所示。

表 4.4 路段流量的分配
路段流量
路段  ak MNL PSCL PSCCL
1-2 6 443.18 454.64 450.65
1-3 7 756.82 745.36 749.35
2-4 5 144.68 134.47 141.10
2-6 1 298.50 320.17 309.55
3-4 5 712.54 694.12 697.77
4-5 6 786.24 766.63 773.73
5-6 2 374.92 357.50 360.72
3-7 2 44.29 51.25 51.58
4-8 4 70.98 61.96 65.14
5-9 4 411.32 409.13 413.01
6-10 2 673.41 677.67 670.27
7-8 2 44.29 51.25 51.58
8-9 6 115.27 113.20 116.72
9-10 5 26.59 22.33 29.73
9-11 5 500.00 500.00 500.00

从表 4.4 可以看出，MNL-SUE 模型、PSCL-SUE 模型、PSCCL-SUE 模型分配的路

段流量大体相似，大于 5 条路径经过的路段 (路段 1-3、路段 2-4、路段 3-4、路段 4-5、
路段 8-9、路段 9-10)，除了路段 1-2，PSCL-SUE 模型比 MNL-SUE 模型是减少的，
PSCCL-SUE 模型的分配在这些路径的分配则处于它们之间。这说明 PSCL-SUE 模型和
PSCCL-SUE 模型能部分消除 MNL-SUE 模型的 IIA 特性，考虑了不同 OD 对的长度感
知系数在路段流量的分配在消除 IIA 的特性方面，不够 PSCL-SUE 模型表现明显。
为了进一步研究各个模型对整体路网的路径选择的变化对路网的运行效率的影响，
比 较 各 个 模 型 中 的 目 标 函 数 值 的 大 小 。 由 于 MNL-SUE 模 型 、 PSCL-SUE 模 型 、
PSCCL-SUE 模型的函数具有相同的部分，所以分别计算 MNL-SUE 模型、PSCL-SUE
模型、PSCCL-SUE 模型总的目标函数值和组成目标函数的各部分的函数值，并为了研
究路径选择的波动，比较各模型的路径选择概率的标准差。各模型的目标函数值与路径

- 34 -
 兰州交通大学硕士学位论文

选择概率的标准差如表 4.5 所示。

表 4.5 各模型的目标函数值及路径选择概率的标准差
模型 MNL PSCL PSCCL
函数项 Z1 Z2 Z1 Z2 Z3 Z1 Z2 Z4
函数值 36784 7968.9 36752 8009.3 1402.6 36797 4895.4 1128.1
总函数值 44752.9 46163.9 42820.5
概率标准差 0.2123 0.2154 0.2137
xa 1  psc
注： Z1   ta  w dw ； Z 2   f k
rs
ln f krs ； Z 3    PSCkrs f krs ； Z4   PSCkrs f krs
0  rs k  rs k rs k

考虑了不同 OD 对的路径长度感知的 PSCCL-SUE 模型的路网总行程时间是在

MNL-SUE 模型，PSCL-SUE 模型，PSCCL-SUE 模型是这三者里最小的。对路网的全部
路径都分配流量并且考虑克服传统 Logit 型的 SUE 模型的 PSCL-SUE 模型、PSCCL-SUE
模型进行比较，可以看出 PSCCL-SUE 的路径选择概率的波动性要小，因用户考虑了不
同 OD 对之间的路径长度对用户出行的影响，在某种程度上降低了路径选择概率的差异
性。

4.2 基于禁忌搜索-粒子群算法的 PSCL-SUE 的研究

MSA 算法对于求解随机用户平衡分配是比较通用的算法，但由于迭代步长在初期
收敛得快，后期收敛慢。本节采用禁忌搜索-粒子群优化结合算法对路径尺度修正的 Logit
型的 SUE 模型进行算法求解，并与基于路径的 MSA 算法进行对比，为改进的 Logit 型
的随机用户平衡模型的求解方法提供新的思路。

4.2.1 禁忌搜索-粒子群算法设计
禁忌搜索算法依据人类的记忆模式启发得到的，使用邻域选优的搜索方法，通过对
以前搜索的信息进行“记忆和记录”，对下一步的搜索方向和参考值进行控制，消除了
对已经搜索过的点又重新计算的烦恼，从而避免局部最优解，更好地搜索到全局最优解。
禁忌搜索算法的缺点是对初始解的依赖性强，好的初始解通常可以让算法收敛的速度快，
不好的初始解会减缓算法的收敛速度。
粒子群优化算法是受群鸟寻找食物启发得到的，算法搜索空间中的一个粒子是研究
的优化问题中的潜在解，首先产生初始的随机解即随机产生粒子，全部的粒子均有由研
究问题决定的适应值，根据适应值的大小判断优劣，粒子还有三个属性即速度、方向和
距离。在这三者中，速度决定另外两者的取值。粒群会跟随当下最优的粒子在解空间进
行搜寻直至找到近似最优解。PSO 的算法的缺点是局部搜索能力较差，在处理高维复杂

- 35 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

问题时，粒子群可能进入停顿状态。
因此，本文结合两种算法的优缺点，提出禁忌搜索-粒子群的算法。图 4.2 给出了禁
忌搜索-粒子群算法结合优化过程的结构图。

图 4.2 TS-PSO 算法结合结构图

禁忌搜索-粒子群 (TS-PSO) 结合算法中，以粒子群算法为主，粒子群算法给禁忌

搜索提供较优的初始解，然后建立禁忌表，将 pbest 放入禁忌表中，通过禁忌搜索算法搜
索邻域中的每一个个体，经过禁忌检验的个体才能作为新的个体，避免了粒子群算法的
早熟现象。粒子群算法信息共享方式是将邻域的最优解传递给其他粒子，因为点之间吸
引的特点，不可以同时向多个最优解靠近，在算法的后续迭代过程易发生重复计算，可
结合禁忌搜索算法的记忆功能，消除重复计算的缺陷，从而提高算法的性能。
(1) 问题分析
根据路径尺度修正 Logit 型的 SUE 的平衡条件如式 (4.25) 所示。

e

 ckrs  psc PSCkrs 
rs rs
f  P q  qrs (4.25)
k k rs

 clrs  psc PSClrs 
e
l

根据式 (4.25)，定义 fi 的适应度函数如下所示。

 
 
 ckrs  psc PSCk
 
e
F  f i     f ikrs  qrs  (4.26)
  c  PSC 
rs
rs 
 rs e l psc k 
 lK 

根据路径尺度 Logit 型的随机用户平衡达到最优解时，适应度函数值应该为 0。所

以，适应度值小的粒子相对于粒子适应值大的粒子为优。
交通分配的流量需满足式 (4.9) 和 (4.10)，保证初始粒子的可行性，使粒子在可行
解空间进行搜索。从路径尺度修正 Logit 型的 SUE 模型模型出发，每个 OD 对间一组可
行的路径流对应一个粒子，设路网中的 OD 对 rs 共有 m 条路径，将第 i 个粒子表示成
f i   f i rs1 , f i rs 2 , f i rs 3 ,... f i rsm  ，其中 f i rsm 为 rs 间的第 m 条路径上的流量。

- 36 -
 兰州交通大学硕士学位论文

(2) 算法设计
① 粒子位置更新
粒子的位置更新采用如式 (4.27) 和式 (4.28) 所示的位置更新公式。

vtk 1  vtk   1r1  Pbest t   xtk    2r2 Gbest  xtk  (4.27)

xtk 1  xtk  vtk 1 (4.28)

其中： vtk 、 xtk 分别是在第 k 次迭代时第 t 个粒子的速度、位置； 1 、 2 是属于 0 到 1 之

间的随机数； pbest  t  是第 t 个粒子在当前搜索到的最优解； Gbest 是种群当前搜索到的最

优解； r1 、 r2 是学习因子也叫加速常数；  是惯性因子。
惯性因子  的取值是衡量粒子之前的速度对当前的速度的影响程度大小，起到平衡
全局搜索能力和局部搜索能力的作用，取值大的惯性因子，算法更有利于进行全局搜索。
反之，惯性因子取值小，则有助于算法进行局部搜索。标准的粒子群算法给出的权重是
随着迭代次数线性减少的，标准的粒子群算法的权重因子取值如式 (4.29) 所示。

t
   max   max  min  (4.29)
tmax

其中： max 、 min 分别为最大权重和最小权重， tmax 是最大的迭代次数。文献[52]指出权

重的值由 1.4 到 0.4 的线性变化，能使算法表现较好。但是解的搜索是复杂的、非线性
的过程，权重大小呈线性的变化不可以反映实际的搜索过程，同时也易使算法陷入局部
最优，出现“早熟”的情况。本文采用惯性因子如下所示进行权重的非线性的变化。

max  min 2 max  min  2

  max  t t (4.30)
tmax tmax 2

② 邻域点的产生
邻域点的产生，使 pbest 的所有分量有随机扰动，即在原分量的基础上加上一个值即

xk  i   xk  i   rand  a    xup i   xdown i   ， rand  a  是 a   1, 1 均匀分布的随机数。如

果 xk  i  在边界外，则根据式 (4.31) 进行处理。

 xup  i    xdown  i   xk  i   xk  i   xdown  i 


x k i    xk  i  xdown  i   xk  i   xup  i  (4.31)

 xdown  i    xk  i   xup  i   xk  i   xup  i 

- 37 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

③ 禁忌表的更新
先由粒子群算法产生禁忌算法的初始解，并利用它更新禁忌表。禁忌表的更新过程
利用当前 Gbest 的邻域函数生成一定数目的邻域解，并在这中间选择适应度优的若干候选
解。并用该候选解代替当前解 pbest ，并更新禁忌表。
本文提出的禁忌搜索-粒子群算法流程图如图 4.3 所示。

图 4.3 TS-PSO 的算法流程图

算法步骤如下：
Step 0：初始化算法参数，给出种群规模、最大的迭代次数和初始化粒子群的速度
和位置，产生足够数量的可行解。
Step 1：根据式 F ( f i )   rs  f ikrs  Pkrs qrs  计算各粒子的初始适应值，将初始适应值作
为当前每个粒子的局部最优值，并将各适应值对应的位置作为每个粒子的局部最优值所
在的位置。对各粒子的适应值进行比较，并把适应值最小的粒子对应的位置作为全局最
优值所在的位置。

- 38 -
 兰州交通大学硕士学位论文

Step 2：更新粒子的速度和位置，根据式 (4.30) 更新惯性权重；

Step 3：判断解的改进；如果解无改进，则进行 Step 4；否则，转向 Step 2。
Step 4：更新禁忌表；选择候选集的非禁忌的最优作为新的当前解，同时取代最早
进入禁忌表中的禁忌对象。
Step 5：满足收敛条件，结束算法；否则，转到 Step 2。

4.2.2 算例
本节的算例使用 4.2 节给出的图 4.1 所示的算例网络，下面给出 TS-PSO 算法的相
关参数，种群的大小为 40，最大的迭代次数是 100，c1  c2  2.0 ，max  0.9 ，min  0.4 。
路段的路阻函数使用 BPR 函数，BPR 函数中的参数  、  分别取 0.15 和 4。为了更好
地对基于路径的 MSA 算法和禁忌搜索-粒子群算法这两种算法进行比较，假设路网的有
效路径都是一样的。
在 matlab 仿真软件进行求解，用本节提出的禁忌搜索-粒子群算法与 4.1 节的基于
路径的 MSA 算法应用于路径尺度修正 Logit 型的随机用户平衡分配模型得到的分配结
果如表 4.6 所示。

表 4.6 MSA 与 TS-PSO 的路径流量分配

OD 路径 路径流量 (MSA) 路径流量 (TS-PSO)
1-10 1 320.17 316.15
2 54.81 53.36
3 2.47 1.98
4 0.42 0.36
5 302.69 303.43
6 14.86 21.17
7 2.26 1.74
8 2.33 1.81
1-11 9 65.85 63.18
10 10.92 18.49
11 325.96 322.51
12 48.36 44.48
13 48.92 51.34
目标函数值 46163.9 46170

从表 4.6 的结果可得，MSA 算法和 TS-PSO 算法均满足路径尺度修正 Logit 型的随

机用户平衡分配模型，两者在路径流量上的分配相差不大，证明 TS-PSO 算法是有效的。
但从目标函数值来看，TS-PSO 算法得到的目标函数值大于 MSA 算法的目标函数值，说
明 TS-PSO 算法的精度不够 MSA 算法的优，但差距很小，说明提出的算法也能解决基

- 39 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

于路径尺度修正的 Logit 型的随机用户平衡分配的问题。

为了更好地比较 MSA 算法和 TS-PSO 算法的优劣，图 4.4 和图 4.5 分别给出了 MSA
算法、TS-PSO 算法的收敛趋势图。

f  
2
MSA 算法终止的条件是  n 1   kK rs k
n 1
 fk
n
kK rs
fk n  0.05 。

0.5
MSA
0.45

0.4

0.35

0.3
误差

0.25

0.2

0.15

0.1

0.05

0
0 10 20 30 40 50 60 70 80 90 100
迭代次数

图 4.4 MSA 算法的迭代收敛图

5
TS-PSO
4.5

3.5

3
适应度

2.5

1.5

0.5

0
0 10 20 30 40 50 60 70 80 90 100
迭代次数

图 4.5 TS-PSO 的算法收敛图

- 40 -
 兰州交通大学硕士学位论文

从图 4.4 和图 4.5 可知，MSA 算法在算法迭代 60 次左右收敛，而 TS-PSO 算法在迭

代 30 次左右达到收敛。明显地，TS-PSO 算法具有更好的收敛性。但 TS-PSO 算法的精
度仍需提高。从收敛迭代图看，算法在迭代 10 次左右时，MSA 算法比 TS-PSO 算法的
收敛速度要快，但 MSA 算法在迭代次数是 30 时，算法的收敛速度明显地变慢了，而
TS-PSO 算法虽然在迭代次数为 10 左右收敛慢，但算法在后期的收敛效果还是优于 MSA
算法的。

4.3 基于广义出行费用的多用户 PSCL-SUE 模型

4.3.1 广义出行费用
路网路段的通行能力不是固定的，因为道路的状况一直是变化，会受到一些随机因
素的影响，比如说天气的变化、交通事故、道路改造与施工，这都会使道路的通行能力
是随机的。道路通行能力的改变会导致行程时间的不确定，刘海旭[53]提出了行程质量来
衡量行程时间的不确定性与行程时间的可靠性。行程时间的可靠性是对出行者在预定时
间内抵达目的地的概率的描述。单纯考虑出行时间，不能很好表达出行者想在预想的时
间内到达目的地，比如出行者中的通勤者，上班时候能在规定的时间到达目的地对于他
们来说很重要。因此出行者在进行路径选择时不仅考虑出行时间，还考虑出行时间的可
靠性。胡文君等[54]综合了出行时间与出行费用两方面，建立了多用户多模式多准则的随
机用户平衡模型。陈建林等[55]考虑行程质量的出行阻抗，建立了多用户交通分配的变分
不等式模型。李小静等[56] [57]则考虑了路网降级的影响，定义了行程质量、货币费用的
加权定义的动态广义出行费用分别建立多用户的随机用户模型和随机用户平衡模型，路
径选择概率形式是采用 Logit 形式。建立扩展的 Logit 型随机用户平衡模型，较少采用
广义的出行费用形式，因此本文提出了结合期望的行程时间与行程时间可靠性的广义费
用的路径尺度修正的 Logit 型的随机用户平衡模型。
考虑路网 G   N , A ，N 是交通路网中节点的集合，A 是交通路网中路段的集合，a
是路段， a  A 。 K rs 是路网中路径的集合，路径 k  K rs 。
路段的行程时间用 BPR 函数表示，如式 (4.32) 所示。

 x 
Ta  Ta  xa , Ca   t 1   a 
0
a (4.32)
 Ca 

其中：Ta 是路段的实际的行程时间，Ca 是路段的通行能力，ta 是路段的自由流行程时间，

0

 、  是 BPR 函数的参数，分别取值为 0.15、4。

- 41 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

假设路段能力的随机变化独立于路段交通流量，则路段的行程时间的均值如式
(4.33) 所示。

 1 
ta  E Ta   t   t  xa 
0 0 
a a E   (4.33)
  Ca 

出行者在进行路径选择时，不仅考虑行程时间，还考虑是否可以在规定的时间抵达
目的地。考虑的路段的行程时间的可靠性[53][58]如式 (4.34) 所示。

Ra  P Ta   a ta0  (4.34)

其中： a  1 ，表示基于路网出行者的拥堵系数。每个路段的  a 是不一样的，可通过调

查统计等方法获得。
把式 (4.32) 代入式 (4.34)，得式 (4.35)。

 xa 
Ra  P Ca  1  (4.35)
  a  1   
1
   1 
令 FCa   为 Ca 的分布函数，并使 a   a  ，则式 (4.35) 可化为如式 (4.36) 所
  
示。

Ra  xa   1  FCa  xa a  (4.36)

定义的广义出行费用是综合考虑期望的行程时间与行程时间可靠性这两个因素。多
用户类交通分配是根据路网的出行者是不同质进行研究，出行者的偏好、出行目的及性
格的不同导致不同质的出行者。因此本文定义第 i 类的出行者在路段 a 的广义出行费用
如式 (4.37) 所示。

cai  xa   ai ta   ai 1  Ra  (4.37)

其中：a 是第 i 类出行者把路段 a 的行程时间转换成费用的时间价值系数， a 是第 i 类出

i i

行者把路段 a 的关于行程时间可靠性的不可负效用转换成费用的时间价值可靠性转换系
数。
故 OD 对间路径的广义出行费用如式 (4.38) 所示。

cki ,rs   cai  aki (4.38)

a A

- 42 -
 兰州交通大学硕士学位论文

其中： cki ,rs 是第 i 类用户在 OD 对 rs 间的路径 k 的广义出行费用；  aki 是路径与路段的关

联变量，若第 i 类用户在 OD 对 rs 间的 k 路径使用路段 a ，则  aki  1 ；否则  aki  0 。
因 Ta 是 xa 的严格单调函数， 1  Ra 也为 xa 的增函数， 1  Ra 越大，可靠性越低。

4.3.2 模型构建
交通分配模型中的随机用户平衡条件是在出行者对路网状况不完全熟悉，出行者以
自己估计的路径广义出行费用作为出行准则。估计的广义出行费用是一个随机变量，每
条路径的路径出行费用对应着一个路径选择概率。本节采用路径尺度修正的 Logit 的路
径选择模型使用与 4.1 节相同的路径尺度修正 Logit 模型来研究广义出行费用的多用户
的随机用户平衡模型，OD 对 rs 间第 i 类的用户的路径选择概率如式 (4.39) 所示。

e
  ci ,rs
k   psc PSCk 
i , rs
P  (4.39)
 e 
k  cli ,rs  psc PSCl

lK rs

其中： PSCk 确定方法与 4.1 节的一样，同时取  psc  1 。

构建基于广义出行费用的路径尺度修正 Logit 型的多用户的随机用户平衡模型如下：
xa 1  psc
min Z psclm    ca  w dw   f k
i , rs
ln f ki ,rs   PSC rs
k f ki ,rs (4.40)
a
0  i rs k  i rs k

f k
k
i , rs
 qrsi (4.41)

f ki ,rs  0 (4.42)

xai   f ki ,rs aki (4.43)

rs k

xa   xai (4.44)
i

模型的等价性证明如下所示。
构造模型的拉格朗日函数：

 
L  Z psclm   rsi  qrsi   f ki ,rs  (4.45)
rs i  k 

rsi 是拉格朗日乘子。可以得到 PSCLM-SUE 模型的 K-T 条件：

- 43 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

L
f ki ,rs 0 (4.46)
f ki ,rs

L
0 (4.47)
f ki , rs

L
0 (4.48)
ursi

f ki ,rs  0 (4.49)

qrsi  0 (4.50)

L 1 1
  ca  xa   akrs   ln f ki ,rs  1   psc PSCkrs  rsi
f ki , rs
a  

1 1
 cki ,rs 

 ln f ki ,rs  1   psc PSCkrs  rsi

(4.51)

L
再由 f ki ,rs i , rs
 0 ，对于第 i 类用户来说 OD 对 rs 间的每一条有效路径都有 f ki ,rs  0
f k
因此有

1 1
cki ,rs 

 ln f ki ,rs  1   psc PSCkrs  irs  0

(4.52)

化简整理得

f ki ,rs  exp   cki ,rs   psc PSCkrs   exp  ursi  1  (4.53)

OD 对第 i 类用户的路径求和

f l
i , rs
  exp   cki ,rs   psc PSCkrs   exp rsi  1 (4.54)
l l

由式 (4.53) 和式 (4.54)，得到基于广义费用的多用户路径尺度修正的 Logit 的路径

选择概率如式 (4.55) 所示。

i , rs f ki ,rs f ki ,rs exp   cki ,rs   psc PSCkrs 

P    (4.55)
 fl i,rs qrsi  exp   cli,rs   psc PSClrs 
k

l l

- 44 -
 兰州交通大学硕士学位论文

由式 (4.55) 得到本节给出的 PSCLM-SUE 模型的解与基于广义费用的路径尺度修

正 Logit 型的多用户随机用户平衡条件等价。
PSCLM-SUE 模型的解的唯一性证明如下所示。
模型中的 ca  w 是关于路段流量的单调递增函数，所以模型的目标函数的第一项是
流量的凸函数。
使目标函数的第二项为：

1
Z psclm1 

 f  ln f
rs k
k
i , rs
k
i , rs
  psc PSCkrs  (4.56)

Z psclm1 对 OD 对的第 k 条路径的 f ki , rs 求一阶导数得：

Z psclm1 1
f i , rs


 ln f ki ,rs   psc PSCkrs  1 (4.57)
k

Z psclm1 对 OD 对的第 l 条路径的 f l i , rs 求二阶导数得：

 1
 2 Z psclm1  lk
  f ki ,rs (4.58)
f ki ,rs fl i ,rs  0
 lk

可得出 Z psclm1 的二阶导数对应的 Hessian 矩阵正定，因此根据最优化理论得出 Z psclm1

为严格凸函数。目标函数为凸函数与严格凸函数之和，因此目标函数是 f krs 的凸函数，
因此构建这个模型有唯一的路径流量解。

4.3.3 模型求解
本节也采用收敛通用的相继平均法 (MSA) 进行模型求解，算法步骤如下：
Step 1：初始化，根据路网计算出相关的参数值，初始流量为零的路段的行程时间
tai0  tai  0 ，从而计算各 i 类用户各条有效路径的广义出行费用 cki , rs 。根据给出的 Pkrs 的
i ,rs n
计算公式计算 Pki ,rs ，根据 f ki ,rs  Pki ,rs qrsi 计算初始路径流量 fk ，从而计算得到初始路段
流量 xa n    i  rs  k f ki , rs  n  aki ，令迭代次数为 1；
 n
Step 2：根据 xa ，从而更新路段阻抗 ta   tai xa
i n
 ； n

i n
Step 3：根据路段走行时间 ta ，可得到新的各条有效路径过的走行时间 ckrs ，根据 Pki ,rs
i , rs n  i , rs  n 
和 gk  Pki ,rs qrsi 计算得到辅助的路径流量 gk ；

- 45 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

1 i ,rs n
i , rs  n 1
Step 4：令 f k  f ki ,rs n 
n
gk 
 f ki ,rs n ；

Step 5：收敛判定，符合收敛条件，结束算法。不符合收敛条件，返回 Step 2。

4.3.4 算例
本节的算例网络如图 4.6 所示，一个 OD 对 (节点 1-节点 4)，5 条路段。OD 对间的
交通需求是 1000veh/h，假设只有两类出行用户，其中第一类用户、第二类用户的出行
需求分别是 400veh/h、600veh/h，并且每类出行者的各路段的费用转换系数相同，即
ai   i ，  ai   i ，第一类出行者的转换系数分别为  1  1.0 ，  1  25 。第二类出行者的
费用转换系数分别为  2  1.5 ，  2  15 。假设路网出行者各路段的拥堵系数 a  1.2 。

图 4.6 算例网络

路段的自由流行程时间与路段的通行能力如表 4.7 所示。假设路段长度与路段的自

由流的行程时间的数值相等。

表 4.7 路段属性
路段编号
路段属性
1 2 3 4 5
ta0 6 5 5 6 4

cmax 600 500 600 600 800

1 
假设路段通行能力分布服从均匀分布 Ca ~ U  cmax , cmax  ，应用提出的算法得到路
3 
径尺度修正的 Logit 型的 SUE 模型平衡交通流量如表 4.8 所示。

- 46 -
 兰州交通大学硕士学位论文

表 4.8 PSCLM-SUE 路网配流结果

路径流量 路径费用
路径 路段序列
第一类用户 第二类用户 第一类用户 第二类用户
1 1-4 293.77 144.62 41.40 35.64
2 1-3-5 52.94 5.66 43.40 39.54
3 2-5 53.29 449.73 43.61 34.26

表 4.9 费用转换系数组合
组合  i
i
第一类用户 第二类用户 第一类用户 第二类用户
0 1.0 1.5 25 15
1 1.0 1.5 20 10
2 1.0 1.0 20 10
3 1.5 1.5 30 25
4 1.0 1.5 40 30
5 1.0 1.5 25 10
6 2.0 2.0 25 15

表 4.10 不同费用转换系数的流量分配结果
组合 路径流量 (第一类用户) 路径流量 (第二类用户)
f11 f 21 f 31 f12 f22 f32
0 293.77 52.94 53.29 144.62 5.66 449.73
1 316.46 43.41 40.13 120.21 3.79 476.00
2 255.21 38.76 106.03 183.02 20.21 396.77
3 210.94 29.01 160.06 253.34 24.19 340.48
4 259.94 67.67 72.39 177.60 10.38 412.03
5 330.44 49.05 20.51 105.58 3.26 491.16
6 305.26 13.64 81.10 145.49 3.14 451.36
注： f ki 表示第 i 类用户的第 k 条路径的流量。

从表 4.8 的配流结果不能很好地看出两类出行者的出行特点，下面将对模型的指标
如反映出行者的对行程时间和行程时间的可靠性的偏好程度的 ai 和  ai 进行变化，也是
假设每类用户的 ai 、  ai 相同，模型中的其他参数不变，通过路网配流结果进行比较验
证。
从表 4.10 和表 4.11 可以看到，当路网的行程时间的转换系数不变时，行程时间可
靠性的费用转换系数变小时 (如组合 0 和组合 1)，整个路网的路径广义费用都降低，初
始的分配最多流量的路径会分配到更多的流量。而当路网的行程时间的转换系数不变时，
行程时间可靠性的费用系数变大时 (如组合 0 和组合 4)，整个路网的路径广义费用都增
大，初始的分配最多流量的路径会减少。当路网的行程可靠性的费用变换系数不变，行

- 47 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

程时间的费用变化系数变大 (如组合 0 与组合 6)，第一类用户的  1 由 1 变成 2，第二类

用户的  2 由 1.5 变成 2，第一类用户的行程时间费用的转换系数比第二类用户的变化大，
因此第一类用户的流量在路径 2 和路径 3 的路径流量发生较大变化，而第一类用户与第
二类用户在分配的最多的流量的路径上均有所降低，但降低的幅度都比较小，两类用户
的路径费用均比之前的大。

表 4.11 不同费用转换系数的路径费用
组合 路径费用 (第一类用户) 路径费用 (第二类用户)
c11 c12 c31 c12 c22 c32
0 41.40 43.40 43.61 35.64 39.54 34.26
1 34.83 37.17 37.48 29.42 33.59 27.74
2 35.53 37.17 36.68 23.76 26.37 22.84
3 54.01 56.35 54.41 48.01 50.71 47.59
4 60.70 62.24 62.35 54.52 57.93 53.52
5 40.75 43.00 44.31 29.51 33.70 27.63
6 52.41 56.15 54.12 41.05 45.69 39.67
注： cki 表示第 i 类用户的第 k 条路径的广义费用。

4.4 本章小结
本章首先在考虑路径尺度修正 Logit 模型的 SUE 的基础上，引入了不同 OD 对的路
径长度的感知系数，构建了考虑不同 OD 对的路径尺度系数的路径尺度修正的 SUE 模
型并进行求解，同时对给出的算例在 MNL-SUE 模型、PSCL-SUE 模型、PSCCL-SUE
模型的流量分配，并对各模型对路网的路径选择概率即路网流量分担率、路网路段的流
量分配、模型的目标函数进行比较，PSCCL-SUE 模型的目标函数比 MNL-SUE 模型与
PSCL-SUE 模型都要小，提高路网的整体性能。
其次，提出了用禁忌搜索-粒子群优化算法对固定需求的路径尺度修正 Logit 型 SUE
模型进行求解，通过把路径尺度修正的 Logit 型 SUE 模型的平衡条件进行转换，得到算
法的适应度函数，并在粒子群算法中采用非线性的惯性因子，使算法的寻优能力更强。
并在算例上进行应用，算例的分配结果可得到模型的解，得到的解比用基于路径的 MSA
算法的要差，但 TS-PSO 算法收敛更快，为改进的 Logit 型的随机用户平衡模型的求解
提供了新的方向。
最后，考虑路网的随机因素会带来路段通行能力的变化，根据行程时间的平均值与
行程时间的可靠性定义了路段的广义费用，建立多用户的路径尺度修正的 Logit 型的随
机用户平衡模型，给出模型的等价性与解的唯一性证明。并根据模型中的参数取值的不
同，求解得到的结果与经验相符合，证明模型的合理性。

- 48 -
 兰州交通大学硕士学位论文

5 结论与展望

5.1 研究成果
交通流分配作为城市交通规划与管理的重要的一部分，本文以交通流分配模型作为
研究重点，在分析总结国内外对 Logit 型的路径选择模型在交通分配的应用，提出了主
要考虑 Logit 型在随机用户平衡模型的应用，主要的研究成果主要包括以下内容：
(1) 阐述论文的研究背景及意义，并对 Logit 型及其扩展 Logit 型的路径选择模型在
交通流分配应用的国内外研究现状进行了总结，然后介绍了交通分配相关理论、离散选
择模型以及对交通平衡分配有特殊意义的数学规划。
(2) 针对多项式 Logit 的 Dial 配流方式存在的缺陷，分析了现有的对 Dial 算法的研
究及 Dial 算法配流存在的问题，重新定义 Dial 的有效路径，并提出了基于相对阻抗的
选择概率形式，通过给出算例的原经典算法与本文提出的算法的路段流量的分配结果进
行对比，本文提出的改进的算法既保持了经典 Dial 算法无需枚举路径的优点，又能有效
对原算法进行改进。
(3) 针对传统 Logit 型的路径选择概率模型不能有效处理路径重叠问题，即多项式
Logit 存在的 IIA 特性，本文提出了考虑不同 OD 对的路径长度感知系数的路径尺度修正
Logit 型的随机用户平衡模型，对该模型进行等价性证明与存在的解的唯一性证明，并
给出算例对该模型与 MNL-SUE 模型、路径尺度修正 Logit 型的 SUE 模型进行流量分配
的对比与分析，提出的模型能较好地提高路网的整体性能，并能在一定程度上减弱传统
Logit 模型存在的 IIA 特性。
(4) 根据改进的 Logit 型的随机用户平衡分配模型通常采用相继平均法进行求解，
本文提出了禁忌搜索-粒子群优化算法对路径尺度修正 Logit 型的 SUE 模型求解，根据
模型的特点给出了适应度函数以及算法的相关参数的优化，通过在算例上应用基于路径
的 MSA 与提出的算法进行对比分析，证明禁忌搜索-粒子群算法可以求解该问题，尽管
精度仍需提高。
(5) 考虑到实际中的路段通行能力是不确定的，通常会受到随机因素的影响，在路
径阻抗上不再使用在交通分配中常用的 BPR 函数，而是考虑了路段的行程时间与行程
时间的可靠性两者，并且现实中路网的出行者一般不是同质的，在此基础上提出了基于
广义费用在路径尺度修正 Logit 型的 SUE 的应用，提出了相应的模型，并给出了模型的
等价性与解的唯一性的证明过程，并通过改变不同出行者的出行费用转换系数，对模型
进行参数的灵敏度分析，通过给出的算例的结果证明该模型是符合实际的，同时验证不

- 49 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

同出行者对行程时间与行程时间的可靠性的偏好的不同对出行者的路径选择行为具有
一定的影响。

5.2 研究展望
本文关于 Logit 型在交通分配的应用进行改进，虽然取得一定的成效，但实际上，
交通流分配问题涉及的方面广泛、复杂性大和难度高。因此，关于交通分配的相关问题
有待于继续深入和研究，仅就本文研究的内容，后续的研究方向可以从以下几方面着手：
(1) 本文研究的是基础的交通分配模型，但为了使交通分配模型更加符合现实、接
近实际。在阻抗函数可考虑环境、出行可靠度等更多出行准则，使流量的分配更加真实、
可靠。
(2) 本文在改进 Dial 算法中对有效路径的定义单单考虑了路段自身的阻抗对流量分
配的影响，而没有考虑相邻路段的影响。而实际中，路段之间的阻抗是相互影响。另外，
不管是经典的 Dial 算法或改进的 Dial 算法，考虑的路段都是单向路段，但现实中，大
部分的路段都是双向的，双向交通网络的 Dial 算法配流还需进行研究。
(3) 本文在路径尺度修正 Logit 型的 SUE 模型基础上提出两个不同的模型，但求解
的算法均采用常用的相继平均法，尽管该算法解决小规模路网的流量分配的效率挺高，
但对于大规模路网的计算还是存在一定的问题，应进一步根据模型结构提出相应的算法。
另外，提出的禁忌搜索-粒子群算法来求解路径尺度修正模型虽然也可以得到较优的解，
但还需进一步提高算法的精度，更好地适用流量分配计算。

- 50 -
 兰州交通大学硕士学位论文

致 谢

倏忽之间，充实而精彩的研究生生活即将落下帷幕。回首三年校园生活的点滴，心
里充满各种的不舍和感激。昔日一起学习的同学和老师即将分离，借此毕业论文完成之
际，向你们表示感谢，因为你们的包容、鼓励和帮助，才使我得以不断成长，不断进步。
感谢我的导师刘林忠教授，从论文的选题到定稿，导师都给予很多意见与帮助，正
是导师的严格要求与耐心教导，才使我顺利完成论文，同时刘老师的严谨的治学态度，
为人谦和等人格魅力，将会一直影响我以后的道路。在此，谨向我尊敬的导师表达最真
挚的感激。
感谢在这期间给予我帮助的同学和朋友，感谢 2014 年一起进入师门的卢星儒、李
瑶、夏贤康、温永瑞的并肩奋斗、相互支持、相互帮助。感谢舍友杨思聪、柳影、韦宝
瑞的一路关心与帮助，感谢同班同学刘志祥、祁磊、李帅帅在论文期间的帮助。感谢实
验室 203 的小伙伴们，因为你们，实验室的学习氛围很浓厚，同时也在相互之间的学习
和相处中了建立深深的友谊，谢谢你们。
最后，感谢我的家人一直以来对我的支持与理解，特别是我的父母，没有他们对我
不求回报的付出，就不可能有我今天的成长和收获。

- 51 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

参 考 文 献

[1] Wardrop J G. Some theoretical aspects of road traffic research [C]. Proceedings of the Institute of Civil
Engineers, V1, part 2, 1952, 1(2): 325-378
[2] Beckmann M, Mcguire C B, Winsten C B. Studies in the economics of transportation [R], 1956
[3] Merchant D K, Nemhauser G L. A model and an algorithm for the dynamic traffic assignment [J].
Transportation Science, 1978, (12): 183-199
[4] Carey M. Optimal time-varying flows on congestion networks [J]. Operations Research, 1987, 35(1):
58-69
[5] Carey M. Nonconvexity of the dynamic traffic assignment problem [J]. Transportation Science, 1992,
26(2): 127-133
[6] Janson B N. Dynamic traffic assignment for urban road networks [J]. Transportation Research, 1991,
25(2): 143-161
[7] Liu Z K. Model dynamic traffic assignment [D]. Nagoya University, Nagoya, Japan. 1993
[8] Dafermos S. Traffic equilibrium and variational inequalities [J]. Transportation Science, 1980, 14: 42-45
[9] 任华玲, 高自友. 瞬时用户最优问题的统一模型及算法研究 [J]. 土木工程学报. 2003, 36(7): 95-99
[10] 任华玲, 高自友. 动态交通分配中一种离散 VI 模型的算法研究 [J]. 土木工程学报. 2004, 37(3):
105-108
[11] Luque F J, Friesz T L. Dynamic traffic assignment considered as a continuous time optimal control
problem [C]. Presented at the TIMS/ORSA Joint National Meeting, Washington D C, 1980
[12] Friesz T L, Luque J, Tobin R L , Wie B W. Dynamic network traffic assignment considered as a
continuous time optimal control problem [J]. Operation Research, 1989, 37(6): 893-901
[13] Ran B, Boyce D E, Le Blanc L J. A new class of instantaneous dynamic user-optimal assignment models
[J]. Operations Research, 1993, 41(1): 192-201
[14] 杨兆升. 城市交通诱导系统理论与模型 [M]. 北京: 人民交通出版社, 2000
[15] McFadden D. Conditional Logit analysis of qualititative choice behavior [M]. New York, 1974.
[16] Sheffi Y, Powell W B. An Algorithm for the equilibrium assignment problem with random link times [J].
Networks, 1982, 12(2): 191-206
[17] Zhou Z, Chen A, Bekhor S. C-Logit stochastic user equilibrium model: formulations and solution
algorithm [J]. Transportmetrica, 2012, 8(1): 17-41
[18] 邱松林, 程琳, 许项东. 基于路径长度的 Logit 型随机用户均衡模型 [J]. 东南大学报 (自然科学版),
2012, 42(1): 173-176
[19] 程小云, 王玉, 段征宇, 赵娅丽. 公共因子和路径长度对 Logit 型随机用户均衡模型的影响 [J]. 系
统工程, 2014, 32(6): 44-50
[20] 李雪飞. 基于扩展 Logit 的交通分配模型与算法研究 [D]. 北京: 北京交通大学. 2014
[21] Fisk C. Some developments in equilibrium traffic assignment [J]. Transportation Research Part B:
Methodological, 1980, 14(3): 243-255
[22] Dijkstra E W. A note on two problems in connection with graphs [J]. Numerical Mathematics, 1959,1:
269-271
[23] Shier D R. On algorithms for finding the k-shortest paths in a network [J]. Networks, 1979, 9: 195-214

- 52 -
 兰州交通大学硕士学位论文

[24] Eppstein D. Finding the k shortest paths [J]. Journal of the Society of Industrial and Applied Mathematics,
1998, 28(2): 652-673.
[25] Bekhor S, Akiva B, M E. Evaluation of choice set generation algorithms for route choice models. Annals
of Operations Research, 2006, 144(1), 235-247
[26] Akiva B, Bergman M J, Daly A J, Ramaswamy R. Modeling inter-urban route choice behaviour [C].
Proceedings of the 9th International Symposium on Transportation and Traffic Theory, VNU Press, Utrecht,
The Netherlands, 1984, 299-330
[27] Akiva B, Ramming S. Network knowledge and route choice [D]. Massachusetts Insititute of Technology,
Cambridge, USA, 2002
[28] Azevedo J A, Santos Costa M E O, Silvestre Madera J J E R, Vieira Martins E Q. An algorithm for the
ranking of shortest paths. European Journal of Operation Research, 1993, 69(1): 97-106
[29] De la Barra T, Perez B, Anez J. Multidimensional path search and assignment. Proceedings of the 21st
PTRC Summer Annual Meeting, Manchester, England, 1993, 307-319
[30] Chen A, Pravinvongvuth S, Xu X D, Ryu S, Chootinan P. Examining the scaling effect and overlapping
problem in Logit-based stochastic user equilibrium models [J]. Transportation Research Part A, 2012, 46:
1343-1358
[31] Daganzo C F. Unconstrained extremal formulation of some transportation equilibrium problems [J].
Transportation Science, 1982, 16(3): 332-360
[32] Sheffi Y. Urban Transportation networks: equilibrium analysis with mathematical programming Methods
[M]. Prentice-Hall, 1985
[33] 黄海军. 城市交通网络平衡分析理论与实际 [M]. 北京：人民交通出版社, 1994
[34] 袁振洲. 城市交通流动态随机分配理论与方法研究 [D]. 北京: 北方交通大学, 2000
[35] 李志纯, 黄海军. 随机交通分配中有效路径的确定方法 [J]. 交通运输系统工程与信息, 2003, 3(1):
28-32
[36] 李军, 辛松歆, 蔡铭. 基于拓扑处理的 Logit 型网络加载算法 [J]. 中国公路学报, 2005, 4(18): 87-91
[37] 何胜学, 范炳全. 随机交通分配中有效路径的定向树搜索算法 [J]. 交通与计算机, 2005, 23(5):
38-41
[38] 辛松歆, 李军. 一种改进的 Logit 型多路径交通分配算法 [J]. 中山大学学报 (自然科学版), 2007,
46(5): 29-32
[39] Bovy P H, Bekhor S, Prato C G. The factor of revisited path size: alternative derivation [J]. Transportation
Research Record: Journal of the Transportation Research Board, 2008, 2076(1): 132-140
[40] Sheffi Y, Danganzo C F. Another “paradox” of traffic flow [J]. Transportation Research, 1978, 12(1):
43-46
[41] Dial R B. A probabilistic multipath traffic assignment model which obviates path enumeration [J].
Transportation research, 1971, 5(2): 83-111
[42] Russo F, Vitetta A. An assignment model with modified Logit, which obviates enumeration and
overlapping problems [J]. Transportation, 2003, 30(2): 177-201
[43] 杨泳, 严余松, 户佐安, 马毅. Logit 随机网络配流模型的改进 Dial 算法 [J]. 交通运输系统工程与信
息, 2013, 13(2): 158-163
[44] Xu X D, Chen A, Zhou Z, Bekhor S. Path-based algorithms to solve C-Logit stochastic user equilibrium

- 53 -
 基于改进 Logit 型的随机用户平衡分配模型及算法研究

assignment problem [J]. Transportation Research Record Journal of the Transportation Research Board,
2012, 2279(3): 21-31
[45] Bekhor S, Toledo T. Investigating path-based solution algorithms to the stochastic user equilibrium
problem [J]. Transportation Research Part B, 2005, 39(3): 279-295
[46] 周博见, 李旭宏, 何杰. 求解基于路径的 Logit 型随机用户均衡模型的新算法 [J]. 中国公路学报,
2014, 27(3): 100-107
[47] 周博见. 基于路径的 Logit 型的随机用户均衡模型求解算法研究 [D]. 南京: 东南大学. 2015
[48] Larsson T, Patriksson M. Simplical decomposition with disaggregated representation for the traffic
assignment problem [J]. Transportation Science, 1992, 26(1): 4-17
[49] Damberg O, Lundgren J T, Patriksson M. An algorithm for the stochastic user equilibrium problem [J].
Transportation Research Part B: Methodological, 1996, 30(2): 115-131
[50] Robbins H, Monro S. A stochastic approximation method [J]. The annals of mathematical statistics, 1951:
400-407
[51] Blum J R. Multidimensional stochastic approximation methods [J]. The annals of mathematical statistics,
1954: 737-744
[52] Shi Y, Eberhart R. A modified particle swarm optimizer [C]. IEEE World Congress on Computational
Intelligence, USA, 1998: 69-73
[53] 刘海旭, 蒲云. 基于行程质量的随机用户平衡分配模型 [J]. 中国公路学报, 2004, 17(4): 93-95
[54] 胡文君, 周溪召. 多用户多模式多准则随机用户均衡模型 [J]. 武汉理工大学学报 (交通科学与工程
版), 2012, 36(2): 366-369
[55] 陈建林, 刘海旭, 程学庆, 蒲云. 基于行程时间可靠性的多类用户交通分配模型 [J]. 西南交通大学
学报, 2007, 42(1): 115-119
[56] 李小静, 刘林忠. 多类型动态广义出行费用随机用户出行平衡模型 [J]. 武汉理工大学学报 (交通科
学与工程版), 2015, 39(6): 1100-1104
[57] 李小静, 刘林忠. 动态广义出行费用随机用户平衡 [J]. 哈尔滨工业大学学报, 2016, 48(9): 101-106
[58] Lohk, Tung Y K. A chance constrained network capacity model [A]. Reliability of Transport Network [C].
Herford-shire: RSP Ltd, 2000, 159-172

- 54 -