10.4.3 基于改进PSO 算法的城市群轨道-道路耦合交通网络容量优化算法流程
本章基于改进的 PSO 算法对城市群轨道-道路耦合交通网络中各节点的容量进行优化，即在限定网络中节点容量变动范围的基础上，研究如何确定容量分配，以提高网络对随机攻击的健壮性。为不失一般性，在此，随机攻击网络λ 次，待级联失效结束后，计算修正最大连通子图相对规模，并由此确定粒子当前的适应度值，算法流程如下。
Step1：基于城市群轨道-道路耦合网络模型 G ( Gp, Gr,Gp-r)，确定轨道网负载因子α 、道路网负载因子β 、连边负载因子μ ，构建城市群轨道-道路耦合网络级联失效模型。
Step2：PSO 算法参数初始化，确定种群规模N，最大迭代次数T，惯性权重最大值 ωmax，最小值 ωmin，学习因子 c1、 c2，粒子最大速度 vmax，最小速度 vmin，变异概率x。初始惯性权重值ω(0)=ωmax。
Step3：logistic 函数混沌映射，确定种群中各粒子的初始位置
并随机初始化各粒子速度
Step4：由粒子位置确定网络节点负荷，连续随机攻击网络节点λ 次，待级联失效结束后，计算修正最大连通子图相对规模，由此确定各粒子当前适应度值Fi0，确定粒子个体最大适应度Fpmax，个体最优解位置 pi，比较确定全局最大适应度Fgmax，种群最优解位置 gbest。
Step5：依式（10-12）计算种群平均适应度方差σ 2，并生成随机数rand ，由式（10-13）判断是否进行变异操作，若变异系数 pm不为 0，且有 pm≥rand，则依式（10-14）对种群最优值 gbest进行变异操作，转至Step6。否则，不做变异操作，直接转至Step6。
Step6：迭代，依式（10-11）确定当前惯性权重值，并由式（10-7）和式（10-8）更新各粒子的速度、位置，由粒子位置确定网络节点负荷，连续随机攻击网络节点λ 次，待级联失效稳定后，计算修正最大连通子图相对规模，确定更新后的各粒子适应度值
。
Step7：若
＞Fpmax，则将更新后的粒子位置赋给 pi，若
≤Fpmax，则将更新后的粒子位置赋给 gbest。
Step8：判断，若种群最优解达到要求，或达到最大迭代次数，输出最优解位置 gbest；否则返回Step5。