文档介绍：遗传算法在均衡交通分配模型中的应用
在城市及区域交通规划中交通分配是一个很重要的环节。交通分配也是在交通规划的诸多问题中被国内外学者研究得最深入、取得研究成果最多的内容。现有的交通分配方法通常划分为非均衡模型和均衡模型两种,划分依据为Wa知。该编码方案不仅简单方便，而且包含了丰富的数据信息，可以得出最优的分配方案。
适应度函数值定量地反映了每个个体对于整个进化过程的适应能力，它选取的好坏直接影响到是否能够尽快达到最优解。出行方案所用的时间，为所有出行车辆到达目的地所用时间的最大值，设为，则越小，对应的个体适应性越强。为了简化计算，可以将的倒数作为其适应值。则适应度函数可设置为：
（1）存活选择策略
遗传算法中选择父代染色体的方法有很多，但是都坚持一个原则，就是适应度高的个体被选择的概率较大。本文采用精英保留法和轮盘赌相结合的选择策略。首先计算出当前种群中适应度最大的个体，直接保留至下一代，剩余的按照轮盘的方式进行选择。它的过程是这样的：将每个个体的适应度值与该种群的总适应度值（也就是种群所有个体的适应度值之和）相比，得到该个体的相对适应度，所有个体的相对适应度之和应为 1。把每个个体的相对适应度当作其在选择操作中被选中的概率，每一轮选择会产生一个[0,1]均匀随即数，并将该随机数作为选择指针来确定被选个体，适应度大的个体被选中的概率就大。具体算法设计是：先计算种群总的适应度 s,然后从区间[0,s]中随机一个数 r，从某个染色体的适应度开始累加直到大于 r 时，返回当前染色体，即选择该个体。该方法可以保证适应度大的个体被选择的概率大于适应度小的个体。
为避免在进化初期，有可能适应度很高的个体，被选择的概率很大，从而复制出很多后代，个体单一而无法继续进化使搜索陷入局部最优解，以及在进化后期，
当各个个体的适应度差距不大时，该方法已经不再具有选择能力，体现不出个体的优势，所以在选择父代染色体时，适当保留一些适应度低的个体，可以在一定程度上避免算法陷入局部最优解。
（2）交叉算子设计
遗传算法的交叉概率的大小直接影响算法的收敛性, 交叉概率越大, 新个体产生的速度就越快。然而交叉概率过大遗传模式被破坏的可能性也越大, 使得具有高适应度的个体结构很快就会被破坏。但是如果交叉概率过小, 会使搜索的过程缓慢，以至停滞不前。而且, 优秀的个体与较差的个体都具有相同的交叉概率, 不利于优秀基因的保留和差的基因的淘汰。对此，本文采取了自适应交叉概率的方法，个体交叉概率计算公式如下：
式中，表示当前个体适应度，表示当前群体最大适应度，表示交叉概率初始值，表示当前个体交叉概率。采用自适应的交叉概率, 不同的个体用不同的交叉概率, 对于适应度值高的个体, 对应于较低的交叉概率, 使它得以保护进入下一代; 而适应度低的个体, 给予较高的交叉概率, 使之被淘汰。
变异算子设计
变异在前期可以扩大算法的搜索空间，不至于落入局域的最优解，后期变异可以寻找隐藏的优秀基因，但是变异率过高会导致算法波动性较大。同交叉概率设置方法一样，本文变异概率的设置也采用自适应变异概率的方法。个体变异概率计算公式如下：
式中，表示当前个体适应度，表示当前群体最大适应度，表示变异概率初始值，表示当前