摘要
在城市轨道交通系统出现故障时，实时路线引导需要迅速制定有效的策略，既要缓解拥堵状况，又要考虑乘客的出行时间。本研究提出了一种优化框架，该框架综合考虑了出行时间、拥堵感知时间以及信息成本，并采用了带有信息偏差的Logit选择模型，以反映乘客在故障情况下的行为反应。研究还采用了双层仿真评估机制，能够快速评估不同引导策略下的目标函数。基于微分计算的物理一致性增量仿真器在保持与全规模仿真高度一致的前提下，将计算速度提升了599倍（皮尔逊相关系数大于0.96）。此外，研究还开发了一种结合灰狼优化算法和自适应大邻域搜索的混合算法，用于解决起点到终点的路线引导优化问题。该算法融入了基于领域知识的“破坏与修复”操作规则以及顺序修复机制，从而实现快速的全局搜索和精确的局部优化。案例研究结果表明，该框架可使严重拥堵的路段拥堵程度降低36%，平均出行时间缩短7.16分钟，且解决方案的质量比传统算法高12%至30%。这些成果证明了将智能优化技术与高效仿真技术相结合，用于大规模地铁网络中的紧急路线引导具有实际应用价值。
