مدل بهینه قیمت‌گذاری پویای عوارض در آزادراه‌های شهری

دریافت عوارض یکی از راه‌کار‌های مورد اقبال برنامه‌ریزان حمل‌ونقل در مواجهه با تراکم ترافیک است. در این مطالعه تعیین عوارض برای آزادراه‌های درون‌شهری به شکل یک مسئله بهینه‌سازی دوسطحی ارائه‌شده است. در سطح بالا، بهینه‌سازی عوارض با متغیرهای تصمیم ارقام عوارض آزادراه‌ها قرار دارد و در سطح پایین، مسئله تخصیص سفر در شبکه معابر حل می‌شود برای افزایش دقت و کارایی . تخصیص سفر از دو جنبه‌ی معیار‌های عملکرد شبکه و عدالت اجتماعی به صورت پویا و با در نظر گرفتن گروه‌های مختلف جمعیت از لحاظ ارزش زمانی انجام شده است. همچنین در این مقاله از یک مدل تخصیص پویای میان‌نگر که دقت مدل‌های خردنگر و سرعت مدل‌های کلان‌نگر را دارد استفاده شده است. برای حل مسئله در این مقاله الگوریتم فراکاوشی چند جمعیتی توسعه داده شده است. برای تقسیم‌بندی جمعیت به زیر-جمعیت‌های مختلف از روش چند-جمعیتی ترکیبی برای تقویت دو عملگر جستجوی محلی و جستجوی جهانی استفاده شده است. در هسته‌ی این روش الگوریتم بهینه‌سازی آموزش-یادگیری مبنا استفاده شده است.. نتایج نشان داد که سرعت و دقت همگرایی الگوریتم توسعه داده شده نسبت به سه الگوریتم‌ها رقیب برتری کامل و قابل توجهی داشته است. این الگوریتم زمان سفر کل شبکه را از 8205 ساعت به 6683 ساعت، معادل 18% کل زمان سفر، کاهش داده و همچنین سرعت این الگوریتم برای رسیدن به مقادیر تابع هدف مشخص شده نسبت به الگوریتم ژنتیک، 6 برابر شده است.

the optimal model of dynamic toll pricing in urban freeways

collecting tolls is one of the solutions favored by transportation planners in dealing with traffic congestion. in this paper, urban tolls for internal freeways are presented in the form of a two-level optimization model. at the top, the decision level of the freeway toll is placed, and at the bottom, the issue of travel characteristics in the road network is solved to increase accuracy and efficiency. allocation of travel from two aspects of network performance and social justice has been done dynamically, considering different population groups in terms of value. also, this article considers a novel dynamic allocation model that uses the accuracy of micro-view and the speed of macro-view. to solve the problem in this multi-population metaheuristic algorithm has been developed. the combined multi-population method strengthens the local and global search operations to divide the population into different sub-populations. the teaching learning-based optimization (tlbo) is used in the presented method. the results showed that the speed and accuracy of the developed model are superior to the three competing algorithms. this algorithm reduced the travel time of the entire network from 8205 hours to 6683 hours, equivalent to 18% of the total travel time, and also, the speed of the presented algorithm has increased six times compared to the genetic algorithm.