وضعیت هر گره را به صورت یک جفت مرتب فاصله و وضعیت نمایش می­دهیم.
گام های الگوریتم دایسترا به صورت زیر هستند:
الگوریتم ج-۱: الگوریتم دایسترا.
گام اول: مقدار دهی اولیه:

• • فاصله صفر را به گره S تخصیص ده و وضعیت آن را دایمی قرار ده. صورت (۰,p).

• • مقدار فاصله همه گره­ها را برابر با بی­نهایت قرار ده و وضعیت آنها را موقتی قرار ده. (∞,t).

• • گره s را گره جاری قرار ده.

گام دوم: بهنگام­سازی فاصله و گره جاری (i اندیس گره جاری است).

1. 1. از مجموعه J (گره هایی با وضعیت موقتی) گره ای را با لینک (I,j)پیدا کن و مقدار فاصله گره را بهنگام کن.

• • • برای هر ،مقدار فاصله گره j ام را به صورت زیر آپدیت می شود:

    ( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

1. 1. گره j را که کوتاه ترین مقدار فاصله را در میان گره های داراست انتخاب کن.

1. 1. وضعیت گره را به دایمی تغییر بده و آن­را به عنوان گره جاری در نظر بگیر.

گام سوم: معیار توقف.
اگر همه گره های از گره S به وضعیت دایمی رسیدند. آنگاه توقف کن. اگر هیچ گره ای با وضعیت موقتی از گره جاری پیدا نشده است، وضعیت همه گره های جاری را به دایمی تغییر ده.
در غیر این­صورت، به گام دوم برو.

Abstract

Urban transportation networks consider a combination of road network and public transportation networks. Related hierarchical urban transportation network decisions consist of strategic, tactical and operational levels. Strategic decisions focus on design and development for infrastructures and network topology. Tactical decisions is about how to use the network infrastructures and resources. Setting the orientation of streets is a kind of tactical decisions. Signal settings are examples of operational decisions in designing urban transportation networks.
This thesis is focused on the mixed network design problem, strategic, tactical and operational decisions in order to maximize reserve capacity. Reserve capacity is the largestmultiplier for demand matrices which can be allocated to the network considering the street capacity limit. The problem is modeled in a bi-level mathematical problem. The upper level goal is to maximizing the reserve capacity by signal settings in junctions, setting the orientation for streets and increasing the road capacity by adding lanes to roads. The lower goal concerned with the user equilibrium assignment problem which tries to minimize the trips times. Two meta-heuristic methods (a hybrid genetic algorithm with simulated annealing and a bee algorithm) were proposed to solve the mixed urban road network design problem. Three classes of small, medium and large networks were used to test the effectiveness and the performance of the algorithms. The test results showed that the hybrid genetic algorithm and the bee algorithm performed quite similarly in determining the solutions, while the genetic algorithm being more efficient.

1. 1. Transportation System ↑

1. 1. Fixed Facilities ↑

1. 1. Flow Entities ↑

1. 1. Control System ↑

1. 1. Network Links ↑

1. 1. Nodes ↑

1. 1. Flow Control ↑

1. 1. Vehicular Control ↑

1. 1. Urban Transportation ↑

1. 1. Discrete Network Design Problem ↑

1. 1. Continuous Network Design Problem ↑

1. 1. Mixed Network Design Problem ↑

1. 1. Cycle time ↑

1. 1. Green Rate ↑

1. 1. Phase ↑

1. 1. Leader-Follower Game ↑

1. 1. Stackelberg game ↑

1. 1. Bi-level Program ↑

1. 1. Upper-Level Problem ↑

1. 1. Lower-Level Problem ↑

1. 1. Nash-Cournot Equilibrium ↑

1. 1. Fixed Demand ↑

1. Elastic Demand ↑