AMENAGEUR van
Transkrypt
AMENAGEUR van
4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) 4.4. Techniki heurystyczne 4.4.1. Istota podejścia heurystycznego Są dwa zasadnicze aspekty praktyczne zadania optymalizacji sieci transportowej: a) duże rozmiary zadania; oznacza to, że mamy do czynienia z dużą liczbą zmiennych i warunków ograniczających; b) złożoność zadania; związki pomiędzy zmiennymi mogą być tak złożone, jak na przykład w modelu transportowym lub modelu opisowym wyznaczania ruchu. Z tymi charakterystykami związane są pewne istotne konsekwencje. Jedną z nich może być niemożliwość znalezienia rozwiązania optymalnego w możliwym do przyjęcia czasie obliczeń na EMC, czyli cel postępowania może ulec zmianie; wtedy rezygnujemy ze znalezienia rozwiązania optymalnego, a poszukujemy rozwiązania dopuszczalnego, które jest „stosunkowo dobre” lub „bliskie optymalnego”. Czasami musimy zadowolić się tylko rozwiązaniem zaledwie dopuszczalnym. Gdy nie poszukujemy rozwiązania optymalnego, dobrze jest jednak coś o nim wiedzieć, powiedzmy znać jego górne i dolne ograniczenia. Jak wykazano przy omawianiu technik podziału i ograniczeń, można czasami znaleźć takie ograniczenia rozwiązując zadanie prostsze, związane z zadaniem głównym; na przykład pomijając warunki całkowitoliczbowości, przyjmując występowanie zależności liniowej lub pomijając współzależności. Gdy znamy takie ograniczenia, możemy ocenić jak „blisko optymalne” rozwiązanie dopuszczalne zostało znalezione. Poszukując metod rozwiązania dużych i złożonych zadań, gdzie musimy otrzymać jedynie stosunkowo dobre rozwiązanie, zwróćmy uwagę na proces rozwiązywania problemów zachodzących w ludzkim mózgu (zob. na przykład Bergendahl, 1971). Możemy zaobserwować pewne charakterystyki tego procesu, które można by „wbudować” do procesu rozwiązywania zadań, realizowanego przez maszynę cyfrową, na przykład: - upraszczanie problemu przez pomijanie niektórych ograniczeń lub zastępowanie ograniczeń złożonych prostszymi; - rozkładanie problemu głównego na łatwiejsze podproblemy; - eliminowanie współzależności podproblemów; - znajdowanie wyjściowego rozwiązania dopuszczalnego; - stosowanie procesu iteracyjnego w celu ulepszenia rozwiązania wyjściowego: - ocenianie czy dokonywane polepszenia są wystarczająco dobre; - decydowanie o kontynuacji względnie zatrzymaniu procesu poszukiwań; - odrzucanie natychmiast rozwiązań lub zbiorów rozwiązań, które nie są zadowalające. Włączając te procedury do programu na EMC, stosowanego w celu rozwiązania zadania, otrzymujemy następujące udogodnienia: - zasady upraszczania, wyboru i podejmowania decyzji są jednoznacznie i ściśle określone; - komputer wykonuje proste obliczenia znacznie szybciej niż mózg ludzki; - pojemność pamięci komputera jest większa niż mózgu ludzkiego (jest to stwierdzenie nieprawdziwe - przyp. tłumacza); - doświadczenia wielu ludzi z zakresu rozwiązywania zadań mogą być włączone w jeden program maszynowy. W ten sposób możemy starać się zapisać tzw. metody heurystyczne, za pomocą których można otrzymać zadowalające rozwiązania dużych i złożonych zadań optymalizacji sieci transportowej w możliwym do przyjęcia czasie obliczeń na EMC. W następnych punktach omówimy niektóre z tych metod. Chociaż metoda heurystyczna jest często jedyna dostępna metodą rozwiązania, jest ona również metodą bardzo niebezpieczną; czyli trzeba być bardzo ostrożnym stosując ją. Często nie wiadomo jak bardzo różni się rozwiązanie znalezione od optymalnego. Nawet, jeśli mamy dobrze oszacowane różnice pomiędzy wartością funkcji celu rozwiązania znalezionego a odpowiednią wartością rozwiązania optymalnego, to nie mamy takiego oszacowania dla Ost4-67 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) zmiennych decyzyjnych. Różnica ta może być bardzo duża, nawet jeśli wartość funkcji celu nie odchyla się znacznie od wartości optymalnej. Co więcej, niektóre zasady wyboru i podejmowania decyzji wydają się dobre i możliwe do przyjęcia, podczas gdy w rzeczywistości takimi nie są. Przypomnijmy na przykład paradoks Braessa (p. 2.2.2.2) mówiący, że wzrost liczby połączeń może również oznaczać wzrost kosztów ponoszonych przez podróżnych przy danej macierzy podróży. Czyli jest zupełnie możliwe, że stosując metodę heurystyczna będziemy posuwali się w złym kierunku, myśląc że jest to kierunek właściwy. Przykłady na to przedstawimy dalej. 4.4.2. Eliminacja współzależności na etapie wstępnym 4.4.2.1. Ciągłe dopasowywanie optymalne Będziemy teraz zajmować się zadaniem minimalizacji kosztów przy danej macierzy podróży w systemie opisowym min F (X, C ) (4.4.1) C przy warunkach AX = 0, X ≥ 0 G (X, C ) = 0 lub zapisane inaczej min ∑ Fij (xij , cij ) cij (4.4.2) ij∈L przy warunkach: ograniczeniach sieci, danej macierzy podróży i modelu wyboru drogi. Steenbrink (1970a, 1971) zaproponował metodę rozwiązywania polegającą na zamiennym pomijaniu ograniczeń i optymalizacji, to znaczy na rozpoczynaniu postępowania od przyporządkowania macierzy podróży do wyjściowej sieci, co oznacza że rozpoczyna się od ograniczeń. Otrzymujemy wtedy potoki ruchu w każdym połączeniu xij(1) Następnie rozwiązujemy zadanie bez warunków ograniczających ( min ∑ Fij xij(1) , cij cij ) (4.4.3) ij∈L Nie jest to nic innego jak nL-krotne rozwiązywanie prostego zadania matematycznego ( min Fij xij(1) , cij cij ) (4.4.4) ponieważ Fij jest niezależne od ckl dla ij ≠ kl . To ostatnie zadanie - optymalne rozmiary połączenia przy danym potoku ruchu - można rozwiązać badając wszystkie możliwości bądź metodą poszukiwań, bądź różniczkując przy założeniu, że Fij (cij ) jest różniczkowalną funkcją zmiennej ciągłej cij (zob. również p. 10.1). Zauważmy, że w rozwiązaniu zadania (4.4.3) spełnione są ograniczenia sieci i macierzy podróży, natomiast nie uwzględniamy modelu wyboru drogi. Otrzymaną sieć cij(1) traktujemy teraz jako nową sieć, której przyporządkowujemy macierz podróży, czyli zadanie teraz brzmi { } Ost4-68 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) (2 ) (2 ) znaleźć takie X ( 2 ) , że AX = 0, X ≥ 0 ( (4.4.5) ) G X (2 ) , C(1) = 0 Ponownie rozwiązujemy zadanie bez warunków ograniczających ( min ∑ Fij xij(2 ) , cij cij ) (4.4.6) ij∈L Proces kontynuujemy aż do momentu, gdy zmiany w wartości funkcji celu będą tak małe, że dalsze jej poprawianie nie będzie celowe. Ventker (1970) zaproponował podobne postępowanie, z tą tylko różnicą, że proces rozpoczynamy od minimalizacji kosztów w systemie normatywnym. Następnie macierz podróży przyporządkowywana jest sieci wyjściowej i dalsze postępowanie jest analogiczne do opisanego powyżej. Przy pominięciu efektu Braessa proces ten jest rzeczywiście procedurą „schodzenia z góry” (hill - descending procedure) ∑ F (x ( ) , c ( ) ) ≤ ∑ F (x ( ) , c ( ) ) ij n ij n ij ij∈L ij n ij n −1 ij ij∈L według procedury minimalizacyjnej, oraz ∑ F (x ( ) , c ( ) ) ≤ ∑ F (x ( ij n ij ij∈L n −1 ij ij n −1) ij , cij(n −1) ) ij∈L według minimalizacji kosztów ponoszonych przez podróżnych w systemie opisowym (chociaż istnieje różnica pomiędzy wielkością kosztów ponoszonych przez podróżnych w systemie normatywnym i opisowym, możemy przypuszczać, że koszty te maleją, gdy dokonamy właściwego wyznaczenia ruchu w systemie opisowym). Wydaje się, że proces ten prowadzi do otrzymania stosunkowo dobrych rozwiązań, które w każdej iteracji ulegają polepszeniu. Zaletą jest również możliwość jego łatwego zrozumienia. Ponadto widzimy, że nie jest on iteracyjnym schematem obliczeń, lecz umiejscowiony jest w rzeczywistości i wyraża rzeczywiste behawioralne reakcje na rzeczywiste decyzje. Jeśli jakaś droga staje się atrakcyjniejsza dla podróżnych, to ruch samochodowy na tej drodze wzrasta. Jest on typowym przykładem procedury heurystycznej bo: - stanowi symulacje pewnego procesu decyzyjnego człowieka; każdy krok obliczeń stanowi pewne ulepszenie kroku poprzedniego, czyli jak się wydaje prowadzi do stosunkowo dobrych rozwiązań; - nie gwarantuje znalezienia optimum. Droga 1 (kosztowna) Droga 2 (tania) Rys. 4.4.1. Sieć do przykładu metody ciągłego dopasowania optymalnego Ost4-69 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) Dobrze jest pokazać, w jaki sposób proces heurystyczny może prowadzić do zupełnie niewłaściwych rozwiązań. Weźmy dla przykładu sieć składającą się z dwóch dróg (rys. 4.4.1). Droga l jest krótsza, ale koszty jej poszerzenia są duże; droga 2 jest długa, ale koszty te są małe. Drodze l przydziela się więcej ruchu niż drodze 2, ze względu na niższe koszty ponoszone przez podróżnych. Staje się więc konieczne poszerzenie drogi l, mimo wysokich kosztów z tym związanych. Po dokonaniu tego droga l w drugim etapie procesu obliczeń staje się jeszcze bardziej atrakcyjna dla podróżnych, czyli ruch na niej zwiększa się. Wymaga to ponownego zainwestowania w drogę l, mimo że koszt takiej inwestycji jest wysoki. Rozwiązanie sugerujące poszerzanie drogi 2 (prawdopodobnie tańsze ze społecznego punktu widzenia) o wyższych wprawdzie kosztach podróżowania, ale niższych kosztach inwestycji, prawdopodobnie nigdy nie zostanie wybrane. Jeśli, przyjmując inną sytuację wyjściową, założymy, że droga l lub droga 2 ma tak mało pasów ruchu, że w rozwiązaniu początkowym nie przyjmuje w ogóle ruchu pojazdów samochodowych, to droga ta nigdy ruchu takiego nie otrzyma (chyba że inna droga zostanie zwężona). Zjawisko opisane powyżej możemy przedstawić w inny sposób. Przyjmijmy, że nakłady inwestycyjne przyniosą dwojaki efekt. Pierwotnym efektem jest polepszenie warunków ruchu pojazdów korzystających z danej drogi. Efektem wtórnym są zmiany w dokonywanym wyborze dróg podróżowania. W metodzie ciągłego dopasowania optymalnego na etapie wstępnym owe efekty wtórne są pomijane. Może to być słuszne jedynie, jeśli efekty wtórne inwestycji są mniej istotne niż efekty pierwotne. co nie jest prawdą w przypadku badania volumenu ruchu na sieci transportowej. W p. 6.2.3 metodę te stosuje się do rozwiązania zadania optymalizacji sieci transportowej w przypadku dwóch środków transportu. Tam również zjawisko opisane powyżej występuje. 4.4.2.2. Wybieranie najbardziej obiecujących projektów Inną techniką heurystyczną jest wybór najbardziej obiecujących projektów inwestycyjnych i ich realizacja. Technika ta jest również bardzo podobna do procesu podejmowania decyzji przez człowieka. Będziemy powtórnie zajmować się zadaniem minimalizacji kosztów przy danej macierzy podróży i opisowym wyznaczaniu ruchu pojazdów min F = ∑ {iij (cij ) + xij t ij (xij , cij )} cij (4.4.7) ij∈L przy warunkach: ograniczeniach sieci i danej macierzy podróży oraz modelu wyboru drogi. Podobnie jak w p. 4.4.2.1 będziemy kolejno pomijać optymalizację i ograniczenia modelu wyboru drogi. Najpierw dokonujemy opisowego wyznaczania ruchu X(1) dla sieci wyjściowej, pomijając ograniczenia otrzymujemy zadanie minimalizacji min F (1) = ∑ {iij (cij ) + xij(1)t ij (xij(1) , cij )} cij (4.4.8) ij∈L Przyjmując, że F(1) jest różniczkowania ze względu na zmienne ciągłe cij w punkcie odpowiadającym minimalnej wartości (4.4.8) mamy ∂F (1) = 0 dla wszystkich ij ∈ L ∂cij Ost4-70 (4.4.9) 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) lub dFij(1) dcij = 0 dla wszystkich ij ∈ L (4.4.10) ponieważ Fij(1) jest niezależna od cki dla ij ≠ kl . Uwzględniając wypukłość Fij(1) (zob. rozdz. 2) wiemy, że dFij(1) dcij <0 jeśli cij < cij∗ (4.4.11) czyli musimy zwiększyć wymiary połączenia ij, co oznacza inwestowanie w połączenie ij, dFij(1) < 0 , i kontynuowanie tego procesu, aż do momentu, gdy pochodna równa się zero. jeśli dcij Oznacza to inwestowanie, jeśli diij dcij + xij(1) dt ij dcij <0 (4.4.12) Jest to dobrze znana zasada inwestowania w dany projekt, jeśli zmniejszenie kosztów ponoszonych przez użytkowników przeważa koszty inwestycji. Możemy rozumieć zmniejszenie kosztów ponoszonych przez użytkowników jako zyski z inwestycji, a koszty inwestowania jako koszty inwestycji. Czyli otrzymujemy zasadę, która mówi, że należy inwestować, jeśli różnica pomiędzy zyskami a kosztami jest wielkością dodatnią lub jeśli stosunek zysków do kosztów jest większy od jedności. Zasada ta jest również prawdziwa, gdy Fij1 nie jest różniczkowalna oraz cij nie jest zmienną ciągłą. Stosując bezpośrednio tę zasadę otrzymujemy metodę analogiczną do opisanej w poprzednim punkcie. Ale można również nie dt −x dc , a tylko w te, które mają największą inwestować we wszystkie projekty, dla których di dc wartość ilorazu zyski/koszty, i kontynuować inwestowanie do momentu, gdy iloraz ten będzie w dalszym ciągu większy od jedności. Ma to szczególnie zastosowanie, gdy występują ograniczenia budżetowe. Wtedy zasada brzmi: inwestować w projekty o największym ilorazie zyski/koszty, aż do momentu osiągnięcia ograniczeń budżetowych. Ta ostatnia metoda została zastosowana na przykład przez Bureau Central pour les Equipments d'Outre Mer (Ville, 1969). Jest oczywiste, że takie samo niebezpieczeństwo związane jest ze stosowaniem tej metody, jak i metody ciągłego dopasowywania optymalnego. Dlatego też między innymi Pearman (1971) ostrzega przed stosowaniem takich metod, jak ta. Pokażemy na przykładzie podobnym do tego, który dał Pearman, jak złe wyniki można otrzymać stosując tę metodę. Użyjemy sieć, taką jak na rys. 4.4.2 oraz macierz podróży składającą się z dwóch relacji: l 3 i l 4. Zakładamy, że x13 = 500 i x 14 = 2000 , na koszty ponoszone przez podróżnych składają 1 się koszty czasu podróżowania ( o wartości czasu podróży równej ) oraz że wyznaczanie 3,5 ruchu odbywa się według reguły najkrótszej drogi. Tablica 4.4.1 przedstawia koszty Ost4-71 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) ponoszone przez podróżnych dla połączeń przed i po dokonaniu inwestycji, koszty inwestycji, wielkości xij(1) oraz iloraz zysk/koszty dla każdego połączenia. 1 2 3 4 Rys. 4.4.2. Sieć do przykładu metody wyboru najbardziej obiecujących projektów Łatwo jest stwierdzić, że inwestować należy oczywiście w połączenia 1 2 i 2 4. Obliczymy wartość funkcji celu przed i po dokonaniu inwestycji F F 90 500 3,5 (inwestycje w 1 2 i 2 4) = 80 500 3,5 (bez inwestycji) = Tablica 4.4.1 Przykład metody wyboru najbardziej obiecujących projektów Połączenie 12 24 13 34 tprzed 20/3,5 20/3,5 21/3,5 20/3,5 tpo 15/3,5 18/3,5 15/3,5 17/3,5 i 1,000 1,000 1,000 1,000 x1 2,000 2,000 500 0 wsp. zysk/koszt 10/3,5=2,857 4/3,5=1,143 3/3,5=0,857 0/3,5=0 Tak więc rzeczywiście ulepszyliśmy system. Gdy dokonamy wyznaczenia ruchu dla sieci ulepszonej, otrzymujemy taką samą dystrybucję potoków ruchu i nie można dokonać dalszych ulepszeń. Natomiast gdy dokonamy inwestycji w projekty, dla których wartość współczynnika zysk/koszt jest mniejsza od jedności, a dokładnie w połączenia l 3 i 3 4, to wtedy otrzymamy niższą wartość funkcji celu F (inwestycje w 1 3 i 3 4) = 78 500 3,5 Ta niższa wartość funkcji celu wynika ze zmian w rozdysponowaniu ruchu, związanych ze zmianami w kosztach ponoszonych przez podróżnych. Z przykładów jakie podaliśmy w p. 4.4.2.1 i 4.4.2.2 można wyciągnąć wniosek, że może być bardzo niebezpieczne stosowanie prostych i pozornie słusznych metod heurystycznych do wyboru najlepszych wariantów inwestycyjnych. Mimo że każdy etap obliczeń przynosi polepszenie rozwiązania, optimum osiągane jest tylko wyjątkowo, a równie prawdopodobne jest podążanie w zupełnie złym kierunku. Stąd takie metody jak tutaj opisana są właściwie bezużyteczne, z wyjątkiem dokonywania adiustacji w sieciach prawie optymalnych. Ost4-72 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) 4.4.3. Metoda Barbiera 4.4.3.1. Oryginalna metoda Barbiera W 1966 r. została przedstawiona przez Barbiera metoda heurystyczna rozwiązania zadania minimalizacji kosztów w opisowym wyznaczaniu ruchu zgodnie z zasadą najkrótszej drogi. Za pomocą tej metody otrzymuje się stosunkowo dobre rozwiązanie zadania praktycznego w możliwym do przyjęcia czasie obliczeń. Barbier zastosował swoją metodę do zbadania możliwości rozszerzenia sieci metra paryskiego, analizując sieć o 36 punktach nadania i odbioru, około 60 węzłach i około 280 połączeniach. Haubrich (1972) zastosował rozszerzoną wersję metody Barbiera do optymalizacji sieci kolejowej w ramach SZTH. Sieć ta składała się z około 1250 węzłów, około 8000 połączeń i uwzględniała 450 punktów nadania i odbioru. Rozwiązanie znaleziono po 450 minutach obliczeń na komputerze IBM 360/65. Metoda Barbiera jest techniką podobną do metody ciągłego dopasowania optymalnego. W pierwszym etapie dokonuje się opisowego wyznaczenia ruchu dla sieci, na którą składają się wszystkie możliwe połączenia. Następnie bada się każde połączenie ij pod kątem możliwości przerzucenia volumenu ruchu na inne połączenie, tak aby otrzymać niższą wartość funkcji celu. Jeśli można to osiągnąć, to połączenie eliminowane jest z sieci. W rezultacie takiej analizy wszystkich połączeń otrzymuje się nową sieć. Dla sieci tej dokonuje się wyznaczenia ruchu i proces opisany wyżej powtarza się. Bardziej szczegółowy opis metody Barbiera zamieszczamy poniżej. Zadanie można zapisać następująco min ∑ {y ij iij + xij t ij ( y ij )} yij (4.4.14) ij∈L przy warunkach AX. = 0, X ≥ 0 (ograniczenia sieci i dana macierz podróży), G (X, Y) = 0 (model wyboru drogi, gdzie xij = 0 jeśli t ij = ∞ ), y ij = 0 dla ij ∈ L I oraz 0 lub l dla ij ∈ LI (jeżeli trzeba rozważać więcej poziomów inwestycji dla połączenia ij, to należy utworzyć jedno „połączenie” pomiędzy i oraz j dla każdego poziomu inwestycji) iij = 0 dla ij ∈ L I t ij (1) ≤ t ij (0 ) dla wszystkich ij ∈ L I Metoda rozwiązania jest procesem iteracyjnym; poszczególne iteracje procesu omawiamy poniżej. Krok 1. Przydziel macierz podróży możliwie maksymalnej sieci, tj. takiej, w której y ij = 1 dla wszystkich ij ∈ LI , zgodnie z opisową zasadą wyboru drogi. Wynikiem tego przydzielenia są potoki ruchu xij(1) przez każde połączenie, takie że wszystkie warunki ograniczające są spełnione. Krok 2. W kroku drugim staramy się zminimalizować funkcję celu przez przeszeregowanie potoków ruchu początkowo przydzielonych poszczególnym połączeniom. Możemy powiedzieć, że rozważamy nową macierz podróży x ij = xij(1) , oraz że przydzielamy tę macierz sieci według drogi, dla której wartość funkcji celu jest najniższa. Otrzymujemy wtedy drugi wektor potoków ruchu X(2) oraz wektor Y(2) tak, że y ij(2 ) = 0 jeśli xij( 2 ) = 0 lub y ij( 2 ) = 1 jeśli xij( 2 ) > 0 . Wyznaczanie ruchu dokonujemy w następujący sposób: Ost4-73 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) a) przyjmujemy xij( 2 ) = 0 oraz y ij(2 ) = 0 dla wszystkich ij ∈ L ; oraz t ij = t ij(1) dla wszystkich ij ∈ LI b) następnie, dla wszystkich ij ∈ L ; znajdujemy ścieżkę z i do j taką, że ∑ {i (1 − y ( ) ) + t 2 kl kl kl xij(1) } (4.4.15) kl∈ p p tworzy ścieżkę z i do j jest minimalizowane oraz dla wszystkich połączeń kl ścieżki minimalnej z i do j jest x kl(2 ) : = x kl(2 ) + xij(1) (4.4.16) y kl(2 ) : = 1 W momencie dokonania w poprzednim kroku wyznaczenia ruchu zgodnie z zasadą wyboru drogi o najniższych kosztach podróżowania, możemy uprościć proces ponownego przydzielania ruchu połączeniom, ponieważ wiemy, że iij = 0 dla ij ∈ L I . Czyli połączenie ij będzie ścieżką z i do j o najmniejszej wartości funkcji celu, na którą składają się koszty inwestycji i podróżowania. Wyznaczanie ruchu będzie wtedy odbywało się następująco a) przyjmujemy xij( 2 ) = xij(1) dla wszystkich ij ∈ L I xij( 2 ) = 0 dla wszystkich ij ∈ LI y ij(2 ) = 0 dla wszystkich ij ∈ LI t ij = t ij (1) dla wszystkich ij ∈ LI b) następnie dla wszystkich ij ∈ LI postępujemy tak samo, jak przy szukaniu ścieżki i przydzielaniu ruchu opisanych wzorami (4.4.15) i (4.4.16). W momencie zakończenia procesu przegrupowywania ruchu mamy nową sieć opisaną przez wektor Y(2). Krok 3. Przydzielamy teraz macierz podróży sieci opisanej przez Y(2) zgodnie z modelem wyboru drogi, w wyniku czego otrzymujemy nowe potoki ruchu X(3). Następnie powracamy do kroku 2 i kontynuujemy proces iteracyjny opisany krokami 2 i 3, aż do momentu, gdy obserwowane zmiany nie będą usprawiedliwiały jego dalszej kontynuacji. Barbier i Haubrich utrzymują, że proces jest bardzo szybko zbieżny (po dwóch lub trzech iteracjach).Oczywiste jest, że bardzo ważną rolę odgrywa porządek przegrupowywania xij (potoków ruchu) w kroku 2. Również widać, że faworyzowane pod względem inwestycyjnym są połączenia o dużym natężeniu ruchu. Natomiast po dokonaniu inwestycji mamy do czynienia z sytuacją taką, że małe potoki ruchu będą korzystały z połączeń, w które zainwestowano; natomiast gdyby takiej inwestycji nie dokonano, połączenie to byłoby wykorzystywane nie tylko przez mały potok ruchu pojazdów. Z tego powodu Barbier proponuje analizę potoku ruchu xij według jego malejącego natężenia (zmniejszających się wielkości). Zasadę działania metody Barbiera i jej niektóre słabe strony zilustrujemy na małym przykładzie (rys. 4.4.3). 4 5 6 1 2 3 Rys. 4.4.3. Sieć dla przykładu metody Barbiera Ost4-74 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) Weźmy sieć z rys. 4.4.3. Przypuśćmy, że droga l 2 3jest drogą nową (l 2, 2 l, 2 3 i 3 2 ∈ LI ), a drogi pozostałe są to drogi stare nie potrzebujące inwestycji. Załóżmy, że macierz podróży składa się z jednej relacji x (13) . W pierwszym kroku procesu macierz podróży przyporządkowujemy drodze 1 2 3 (najmniejsze koszty podróżowania). W drugim kroku (1) . Przyjmijmy, że koszty inwestycji w drogi l 2 i 2 staramy się przeszeregować potoki x12(1) x 23 3 nie przeważają nad zyskami wynikającymi z podróżowania nową drogą. Rezultat jest taki, (1) że w drugim kroku x12(1) korzysta z drogi l 4 5 2, a x 23 z drogi 2 5 6 3. Wtedy odrzucamy (2 ) połączenia l 2 oraz 2 3 y12(2 ) = 0 i y 23 = 0 . W kroku trzecim macierz podróży x13 przydzielamy nowej sieci. Drogą teraz używaną będzie droga 1 4 5 6 3. Widzimy, że pętla 5 2 (3 ) ( 3 ) (3 ) 5 wprowadzona w kroku drugim teraz znika. Dla potoków x14(3) , x 45 nie istnieje , x56 oraz x63 lepsza droga i proces badań jest przerywany. Jeden ze słabych punktów metody Barbiera można zilustrować również za pomocą tego przykładu. Możliwe jest oczywiście, że korzystanie z drogi l 2 jest lepsze niż z drogi l 4 5 2, a z drogi 2 3 lepsze niż z drogi 2 5 6 3, ale natomiast korzystanie z drogi 1 4 5 6 3 (bez pętli 5 2 5) jest lepsze niż korzystanie z nowej drogi l 2 3. W takim i podobnych przypadkach, za pomocą metody Barbiera nie otrzyma się rozwiązania optymalnego. Barbier utrzymuje, że w przypadkach, gdy nie zostało znalezione rozwiązanie optymalne, koszty inwestycyjne są za wysokie a koszty ponoszone przez podróżnych są za niskie, czyli sytuacja przemawia na korzyść podróżnego. Chociaż występuje tendencja do „większego” minimalizowania kosztów ponoszonych przez podróżnych niż kosztów inwestycji, jednak nie powinno tak być w każdym przypadku. Spójrzmy przykładowo na sieć z rys. 4.4.4., dla której zakładamy, że l 2 3 oraz 4 1 5 6 2 3 8 7 Rys. 4.4.4. Sieć dla drugiego przykładu metody Barbiera l 7 8 3 są to drogi nowe, a l 4 5 6 3 i 5 2 są to drogi stare (rys. 4:4.4). W kroku pierwszym korzysta się z drogi l 2 3, w kroku drugim z drogi 1 4 5 2 5 6 3, a w kroku trzecim i zarazem ostatnim z drogi 1 4 5 6 3, podczas gdy 1 7 8 3 może być drogą optymalną. Gdy mamy dwie równoległe drogi nowe, możemy otrzymać takie rozwiązanie, według którego żadna z tych dróg nie będzie użyta, a rozwiązaniem optymalnym może być jedna z dróg nowych. 4.4.3.2. Rozszerzenie metody Barbiera przez Haubricha W swojej pracy na temat sieci kolejowej Holandii Haubrich (1972) dokonał pewnego rozszerzenia metody opracowanej przez Barbiera. Pierwsze ulepszenie, zasugerowane wcześniej przez Barbiera, zmierza do zmniejszenia ujemnej strony metody, o której wspomnieliśmy w poprzednim punkcie. Chodzi tu o to, że cały wariant może być lepszy, choć jego poszczególne elementy nie są. W przykładzie zilustrowanym na rys. 4.4.3 polega to (1) na tym, że w drugim kroku nie staramy się przeszeregować potoków x12(1) i x 23 oddzielnie, (1) tylko analizujemy możliwość przeszeregowania potoku x123 , co pozwoli na wyeliminowanie ujemnego wpływu jaki daje pętla 5 2 5. Haubrich osiąga to badając xij(1) i x (jk1) oraz jeśli Ost4-75 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) xij(1) = x (jk1) stara się znaleźć nową drogę dla potoku xij(1) , a nie dla xij(1) i x (jk1) oddzielnie. Oczywiście należy zbadać xlj(1) oraz x (jm1) dla l ≠ i oraz m ≠ k i zwrócić szczególną uwagę na to, aby potoki te nie stanowiły jakiejś przeszkody. Drugie rozszerzenie zaproponowane przez Haubricha dotyczy kryterium wyboru drogi w kroku drugim. Barbier liczy koszty inwestycyjne, gdy połączenie nie jest wykorzystywane przez inny potok ruchu, natomiast nie liczy ich, gdy jest ono już przez taki potok wykorzystywane. Haubrich liczy koszty inwestycyjne globalnie, jeśli dane połączenie nie jest wykorzystywane do ruchu, oraz proporcjonalnie do wielkości potoków, jeśli połączenie jest do ruchu wykorzystywane. Czyli zamiast (4.4.15) mamy znaleźć ścieżkę od i do j taką, że xij(1) (1) i kl (1) ∑ (2 ) + t kl xij xij + xkl kl∈ p p tworzy ścieżkę (4.4.18) z i do j jest minimalizowane. Efekt takiego rozszerzenia w porównaniu z metodą Barbiera jest dwojaki. Z jednej strony system jest mniej zależny od kolejności zmieniania wielkości xij(1) . Możemy określić to jako zaletę. Z drugiej zaś strony trudniejsze staje się zmienianie tras potoków ruchu, ponieważ koniecznością jest spłacenie części kosztów inwestycyjnych innych dróg. Czyli w systemie zmierza się raczej do zachowania połączeń bezpośrednich, a tym samym zyski wynikające z łączenia potoków są mniejsze. Możemy to nazwać wadą metody. Trudno jest powiedzieć czy takie rozszerzenie metody jest jej ulepszeniem, czy nie jest; zależy to od szeregu czynników, takich jak: postać sieci, macierz przepływów czy cel badania. Trzecie rozszerzenie dokonane przez Haubricha oparte jest na poglądzie, że w procesie zmiany tras potoków (z kroku drugiego algorytmu) wiadome jest, iż szereg z nich korzystać będzie z jakiegoś nowego połączenia, ale znajomość tego faktu jest na samym początku ignorowana. Czyli potoki, które mają być skierowane na inne trasy muszą „płacić” wszystkie koszty inwestycyjne, mimo iż wiadome nam jest, że koszty te rozkładać się będą na inne potoki ruchu. Aby sytuację tę zmienić, Haubrich proponuje uwzględnienie w trakcie procesu zmieniania tras potoków innych możliwych użytkowników, o których informacje otrzymano w kroku poprzednim algorytmu. Zależność więc wyrażona wzorem (4.4.15) przyjmuje teraz postać: znaleźć ścieżkę z i do j taką, xij(1) (1) + t x dla kl ≠ ij ikl (1) ∑ kl ij (2 ) (1) xij + x kl + αx kl kl∈ p p tworzy ścieżkę z i do j lub xij(1) (1) i ij (1) (2 ) + t ij x ij xij + xij (4.4.19) jest minimalizowane. W metodzie tej należy określić z góry α, przy czym zasadniczo 0 ≤ α ≤ 1 . Znowu trudno jest powiedzieć jakie ulepszenie daje ta zmiana. Trudno również określić wartość α a priori. Wszystko to także zależy od postaci sieci oraz macierzy podróży. Haubrich (1972) Ost4-76 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) pisze, że otrzymywał bardzo dobre wyniki, gdy α = 0,25, oraz że znajdywał zawsze dla szeregu testowych przykładów rozwiązanie optymalne przy tej właśnie wartości α, podczas gdy dla tych samych przykładów a innych wartości α (łącznie α = 0 , tak jak w metodzie Barbiera) rozwiązanie optymalne nie zostało znalezione. Haubrich proponuje jeszcze szereg innych rozszerzeń metody Barbiera, jednakże nie będziemy się tutaj nimi zajmować. 4.4.4. Programowanie współdziałające Aż do chwili obecnej uważaliśmy, że proces heurystyczny jest całkowicie realizowany przez komputer. Pewne charakterystyki realizowanego przez człowieka sposobu rozwiązywania problemów włączone są do programu, który jest następnie realizowany przez komputer. Niektóre z charakterystyk, o których wspomnieliśmy w p. 4.4.1 są bardzo podatne na wykorzystanie w programach EMC, inne natomiast są znacznie lepiej realizowane przez umysł ludzki. Z tych ostatnich wymieńmy takie jak: - dzielenie złożonego problemu głównego na prostsze podproblemy; - decydowanie o kończeniu lub kontynuacji procesu poszukiwań; - natychmiastowe odrzucenie rozwiązań lub zbiorów rozwiązań nie rokujących nadziei na przyszłość. Z drugiej strony, maszyna cyfrowa znacznie lepiej nadaje się do liczenia funkcji celu lub dolnych czy górnych ograniczeń dla niej, dla danego rozwiązania lub zbioru rozwiązań. W świetle tego mogłoby być bardzo owocne stałe współdziałanie umysłu ludzkiego i maszyny cyfrowej przy rozwiązywaniu zagadnienia. Zaproponowali to na przykład Stairs (1967) i Loubal (1967). Proces ten omówił w teoretycznym opracowaniu Koike (1970). Według niego połączenia drogowe mogą być włączane do sieci bądź z niej eliminowane zarówno przez komputer, jak i przez człowieka, podczas gdy komputer buduje nową sieć oraz proponuje jej ulepszenie według określonych reguł postępowania. Badania z tego zakresu prowadzone były również na Politechnice w Delft (Jansen i Bovy, 1971). W celu zilustrowania zalet systemu wzajemnie powiązanego zacytujemy Stairsa (1967, s. 226): „Użytkownik (systemu wzajemnie powiązanego) nie jest jedynie tanim, nieliniowym, mieszano - całkoliczbowym elementem optymalizowanym. Zna on słabości modelu oraz może w trakcie obliczeń model ten zmieniać. tak, aby do rozważań włączyć nowe rozwiązania, a stare wyeliminować. Podczas korzystania z systemu może on, przy wyborze sieci transportowej, pewne projekty odrzucić, z chwilą gdy ich bezwartościowość jest oczywista, oraz może być stymulowany do wymyślania nowych projektów rozwiązań, początkowo niedostrzegalnych. Heurystyczna zasada poszukiwań oraz projektant aktywnie uczestniczący w tym procesie nie są stronami konkurencyjnymi. Badania oparte na współpracy komputera i człowieka mogą być najprostszą drogą do rozwoju efektywnych metod badawczych; z drugiej strony zasady heurystyczne mogą rządzić badaniami na niższym poziomie, podczas gdy projektant „walczy” ze strategią poziomu wyższego”. Aby powstał dobrze pracujący system wzajemnego powiązania między komputerem i człowiekiem, należy traktować maszynę cyfrową jako pełnoprawnego partnera. Oznacza to, że musi być bardzo łatwe czytanie danych wejściowych, zmienianie programu (jeśli to możliwe) oraz że wyniki obliczeń muszą być dostępne bardzo szybko. Wszystkie komputery trzeciej generacji w zasadzie stwarzają te możliwości. 4.5. Struktura hierarchiczna, agregacja i dekompozycja Zobaczyliśmy, że rozmiary zadania stanowią zasadniczą trudność przy optymalizacji rzeczywistych sieci transportowych. Wykorzystując strukturę hierarchiczną zadania optymalizacji sieci transportowej można zredukować jego rozmiary dokonując agregacji i/lub dekompozycji. Agregacja i dekompozycja (lub podział) są dwiema ogólnymi technikami postępowania w przypadku analizy zadań o dużych rozmiarach. Ost4-77 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) 4.5.1. Struktura hierarchiczna Jak już mogliśmy stwierdzić, w sieci transportowej wszystko zależy od wszystkiego, czyli trzeba rozważać równocześnie wszystkie jej elementy. Jednakże bliższa analiza wykazuje, że niektóre zmienne lub zbiory zmiennych są ze sobą mocniej powiązane niż pozostałe. Ponadto widzimy, że są zmienne, których wartości mają wpływ na szereg innych zmiennych, podczas gdy inne zmienne wpływają tylko na mniejsze podzbiory zmiennych, a jeszcze inne nie maja prawie żadnego wpływu, tylko - wręcz odwrotnie - same znajdują się pod wpływem innych zmiennych. Stąd możemy wyciągnąć wniosek, że w sieci transportowej istnieje pewna hierarchia. Niektóre połączenia i węzły znajdują się na „pierwszym poziomie”, wpływają one na szereg innych połączeń i węzłów; następna grupa połączeń i węzłów z „drugiego poziomu” zależy od grupy pierwszej, ale również sama wpływa - chociaż w mniejszym stopniu - na inne połączenia i węzły. Mogą istnieć połączenia i węzły z trzeciego, czwartego itd. poziomu, których wpływ na inne połączenia i węzły jest coraz mniejszy. W sieci drogowej najważniejsze autostrady możemy traktować jako należące do pierwszego poziomu sieci, pozostałe autostrady jako tworzące drugi poziom, drogi drugorzędne jako tworzące trzeci poziom itd. Dla sieci transportu publicznego można dokonać analogicznego rozgraniczenia. Ponadto możemy traktować lokalizację przystanków i rozkład jazdy jako należące do poziomu niższego niż struktura i rozmiary sieci transportu publicznego. Dodatkowo, oprócz rozróżniania różnych poziomów w sieci transportowej, samo zadanie optymalizacyjne może być traktowane jako pewna struktura hierarchiczna (zob. na przykład Manheim, 1966). Na poziomie najwyższym zajmujemy się tylko głównymi zarysami zadania, a celem jest określenie zakresu zainteresowań. Na poziomie pierwszym nie jest określonych szereg rzeczy. Na poziomie drugim traktujemy zagadnienie dogłębniej; rozważamy więcej szczegółów, aczkolwiek nie bardzo dokładnie i w dalszym ciągu wiele rzeczy jest nieokreślonych. Poziom następny dotyczy zagadnień jeszcze bardziej szczegółowych i lepiej określonych. Pracując według takiego schematu, najpierw przeprowadzamy bardzo ogólne badanie, aby dowiedzieć się, gdzie i czego poszukiwać; następnie dokonujemy ogólnych oszacowań możliwych sieci i po przejściu przez cały szereg poziomów otrzymujemy bardzo szczegółowe sieci, dla których wykonujemy obliczenia zagwarantowane algorytmem. 4.5.2. Agregacja Agregacja stanowi wykorzystanie struktury hierarchicznej sieci transportowej. Przy agregacji niektóre zmienne łączymy razem w jedną nową zmienną, w celu zredukowania rozmiarów zadania; opuszczenie zmiennych mniej istotnych można również nazwać agregacją. Agregacje przeprowadza z reguły człowiek rozwiązujący zadanie na etapie formułowania problemu, przy czym może być ona również przeprowadzona przez maszynę cyfrową, przy użyciu któregoś z algorytmów agregacyjnych. Dla sieci transportowej istnieją dwa ważne typy agregacji: a) agregacja ze względu na strefy (przestrzenna); b) agregacja ze względu na połączenia. Przy agregacji przestrzennej zakładamy, że podróżny może podróżować tylko z oraz do ośrodków ciążenia stref transportowych. Tak postępuje się zawsze w przypadku badań transportowych (zob. na przykład Overgaard, 1966, Wohl i Martin, 1969 lub Hamerslag, 1972). W węższym sensie, agregacja przestrzenna oznacza agregację pewnych stref transportowych w jedną makrostrefę o nowym ośrodku ciążenia. Ost4-78 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) Agregacja ze względu na połączenia oznacza, że do sieci nie włączamy wszystkich możliwych lub istniejących połączeń, tylko ich mniejszą liczbę. Istnieją dwie zasadnicze zasady tej agregacji (Chan i in., 1968): a) wyłączanie połączeń: b) ignorowanie połączeń. Wyłączanie połączeń oznacza, że po prostu pomija się nieistotne połączenia. Jest to najpopularniejsza postać agregacji ze względu na połączenia. Postępując tak musimy również pominąć podróże, o których zakładamy, że są związane z tymi połączeniami. Dokonuje się tego pomijając na przykład podróże na krótkie dystanse lub te, które są reprezentowane przez przekątną macierzy podróży, przyjmując założenie, że do ich realizacji zostaną wykorzystane połączenia o drugorzędnym znaczeniu. Ignorowanie połączeń również oznacza analizę mniejszej liczby połączeń (mniejszej niż liczba rzeczywiście występujących), ale nie poprzez zwyczajne pominięcia niektórych. Zamiast tego niektóre własności zbioru połączeń przyporządkowujemy jednemu połączeniu zagregowanemu. Na przykład, trzy dwupasmowe drogi zastępujemy jednym połączeniem o przepustowości trzech dróg dwupasmowych i zależnościach między szybkością ruchu a potokiem właściwym dla drogi dwupasmowej. Chan (1969) stosuje algorytm agregacyjny, w którym agregacja przestrzenna i ignorowanie połączeń odbywają się według pewnego kryterium. Następnie używa on z reguły sieci zagregowanej do obliczenia ograniczeń dolnych i górnych w algorytmie podziału i ograniczeń (zob. p. 4.3.4). Jednakże czasami przy obliczaniu mocniejszych ograniczeń powraca on do sieci wyjściowej i wtedy również otrzymuje nowe wartości zmiennych dla sieci zagregowanej. 4.5.3. Dekompozycja lub podział Dekompozycję lub podział stosuje się do rozłożenia jednego bardzo dużego problemu na szereg mniejszych o możliwych do przyjęcia rozmiarach. Problem można podzielić na szereg problemów równoważnych lub na problemy główne i szereg podproblemów (podzadań). Ten ostatni rodzaj dekompozycji jest klasycznym przykładem wykorzystania struktury hierarchicznej problemu. Dzielenie dużego problemu na szereg mniejszych i skupienie na nich uwagi jest postępowaniem stosowanym z reguły w analizie (wszystkich problemów wszechświata nie bada się nigdy naraz), dlatego też omówimy je tutaj. Dekompozycję najłatwiej jest przeprowadzić, gdy można dokonać podziału funkcji celu oraz gdy możliwe jest podzielenie warunków ograniczających na zbiory zawierające tylko te zmienne, które odpowiadają odpowiednim elementom funkcji celu, oraz na zbiór warunków wspólnych n min F (X1 , X 2 ,..., X n ) = ∑ Fi (X i ) X1 , X 2 ,...X n (4.5.1) i =1 przy warunkach Gi (Xi) >, =, < 0 gdzie i = l, ..., n H (X1, X2, ...,Xn) >, =, < 0 Przy dekompozycji rozwiązujemy niezależnie n zadań przy odpowiadających im zbiorach warunków ograniczających. Natomiast ogólną politykę działania reprezentuje zbiór ograniczeń wspólnych dla całego problemu min F ' (X i ) przy warunkach: Xi G i (X i ) > , = , < 0 i = 1,..., n H i (X i ) >, =, < 0 + ogólna polityka Ost4-79 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) Dekompozycji dokonuje człowiek rozwiązujący zadanie. W przypadku optymalizacji sieci mamy dwa istotne sposoby dekompozycji: a) podział geograficzny; b) podział czysto hierarchiczny. W przypadku podziału geograficznego cały obszar badania dzielimy na szereg jednostek przestrzennych, w ramach których optymalizujemy sieć, podczas gdy w planie głównym bierzemy pod uwagę optymalizację całej sieci. W przypadku podziału czysto hierarchicznego sieć transportową dzielimy na drogi o pierwszorzędnym znaczeniu dla ruchu, znaczeniu drugorzędnym itd. Następnie te poszczególne systemy optymalizujemy, a w planie głównym zajmujemy się optymalizacją całości. Oczywiście łączenie podziału geograficznego z czysto hierarchicznym może być bardzo owocne. Zadania liniowe mają zawsze postać (4.5.1), czyli zawsze mogą być dekomponowane, szczególnie gdy zbiór ograniczeń Gi jest znacznie większy od zbioru H. Stąd wynika, że istnieją standardowe zasady dekompozycji zadań programowania liniowego (Dantzig i Wolfe, 1960). Ideą zasady dekompozycji Dantziga-Wolfa jest poszukiwanie rozwiązań optymalnych dla podproblemów i, przy warunkach Gi. Funkcję celu Fi zmienia się na Fi’, biorąc pod uwagę ograniczenia H. W problemie głównym łączy się dopuszczalne rozwiązania cząstkowe w jedno ogólne rozwiązanie tak, że wyjściowa funkcja celu jest minimalizowana i ograniczenia H są spełnione. Metody takie jak wyznaczanie iteracyjne według najmniejszej wartości marginalnej funkcji celu oraz programowanie dynamiczne są również przykładami zastosowania dekompozycji. Oczywiście kombinacja szeregu rodzajów dekompozycji (powiedzmy, programowania dynamicznego z podziałem geograficznym i czysto hierarchicznym) jest również możliwa, a co więcej najprawdopodobniej bardzo owocna. BIBLIOGRAFIA Barbier, M. (1966) Le future réseau de Iransports en Région de Paris Cahiers de l’Institut d’Amenagement et d’Urbanisme de la Région Parisienne, 4-5, No. 4. Bergendahl, G. (1969). Models for Investments in a Road Network. Bonniers, Stockholm, 1969. Bergendahl, G. (1971). Principles of Heuristic Programming. Research Report 62, Department of Business Administration, Stockholm University, Stockholm. Bhatt. K.U. (1968). Search in Transportation Planning: A Critical Bibliography, Research Report R68-46, M.I.T. Department of Civil Engineering, Cambridge. Mass. Boyce, D.E., and Farhi, A. (1972). Réseaux de Transport Optimaux. Paper presented at ihe First Congress of the Regional Sciences Association of North-Western Europe, Rotterdam. Bruynooghe, M. (1972). An optimal method of choice of investments in a transport network. Paper presented at the Planning & Transport Research & Computation Seminars on Urban Traffic Model Research, London (8-12) May. Bureau Central d’Etudes pour les Equipements d’Outre-Mer (1967). Etude Methodologique pour la Recherche d’une Sequence Optimale d'Investissements, Paris. Carter, E.C., and Stowers, J.R. (1963). Model for Funds Allocation for Urban Highway Systems Capacity Improvements. Highway Research Board Record, No. 20. Chan, Y-P., Follansbee, K.G., Manheim. M.L., and Mumford, J. (1968). Aggregation in Transport Networks: An Application of Hierarchical Structure. Research Report R6847, M.I.T., Department of Civil Engineering, Cambridge, Mass. Chan, Y-P. (1969). Optimal Travel Time Reduction in a Transport Network: An Application of Network Aggregation and Branch and Bound Techniques. Research Report R-69-39, M.I.T., Department of Civil Engineering, Cambridge, Mass. Ost4-80 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) Dantzig, G.B., and Wolfe, Ph. (1960). Decomposition principle for linear programs. Operations Research, 8. No 1. Gilmore, P.C. (1962). Optimal and suboptimal algorithms for the quadratic assignment problem. Journal of the Society for Industrial and Applied Mathematics, 10, 305. Goldman. A.J. and Nemhauser, G.L. (1967). A transport improvement problem transformable to a best-path problem. Transportation Science, l, 295-307. Golomb, S.W., and Baumert, L.D. (1965). Backtrack programming. Journal of the Association of Computing Machinery, 12, 516. Gomory, R.E., and Hu, T.C. (1964). Synthesis of a communication network. Journal of the Society for Industrial and Applied Mathematics, 12, No. 2 (June). Hadley, G. (1962). Linear Programming, Addison-Wesley, Reading, Mass. Hadley, G. (1964). Nonlinear and Dynamic Programming, Addison-Wesley, Reading, Mass. Hamerslag, R. (1972). Prognosemodel voor het Personenvervoer in Nederland. Koninklijke Nederlandse Toeristenbond A.N.W.B., 's-Gravenhage. Haubrich G.Th.M. (1972). De optimalisering van het spoorwegnet in Nederland ten behoeve van het personenvervoer, Tijdschrift voor Vervoerswetenschap (extra number). Hershdorfer, A.M. (1965). Optimal Utilisation and Synthesis of Road Networks, M.I.T., Department of Civil Engineering, Cambridge, Mass. Hu, T.C. (1969). Integer Programming and Network Flows, Addison-Wesley, Reading, Mass. Jansen, G.R.M. (1971). Transport Network Optimization: A Preliminary Bibliography, 2nd edition. Working Paper No. OTN/3/71.4, Transportation Research Laboratory, Delft University of Technology, Delft. Jansen, G.R.M., and Bovy, P.H.L. (1971). Verkeers- en vervoersresearch aan de TH Delft 1970, Verkeerstechniek, 22, No. 3 (March). Koike. H. (1970). Planning Urban Transportation Systems: A Model for Generating Socially Desirable Transportation Network Configurations. Urban Transportation Program Research Report 2, Department of Urban Planning and Civil Engineering, University of Washington, Seattle. Land, A.H., and Doig, A. (1960). An automatic method for solving discrete programming problems. Econometrica, 28, 497. Lawler, E.L., and Wood, D.E. (1966). Branch-and-bound methods: a survey. Operations Research, 14, 699. Loubal, P.S. (1967). A Network Evaluation Procedure, Highway Research Record 205. Manheim, M.L. (1966). Hierarchical Structure: A Model of Design and Planning Processes, M.I.T. Press, Cambridge, Mass. Manheim, M.L., with Ruiter, E.R., and Bhatt, K.U. (1968). Search and Choice in Transport Systems Planning: Summary Report, Research Report R68-40; M.I.T., Department of Civil Engineering, Cambridge, Mass. Mitten, L.G. (1970). Branch-and-bound Methods: General Formulation and Properties, Operations Research, 21, No. l (January/February). Nederlands Economisch Instituut (1972). Integrale Verkeers-en Vervoerstudie (annex VI), Staatsuitgeverij, s'Gravenhage. Ochoa-Rosso, F. (1968). Applications of Discrete Optimization Techniques to Capital Investment and Network Synthesis Problems. Research Report R-68-42, M.I.T., Department of Civil Engineering, Cambridge, Mass. Ochoa-Rosso, F., and Silva, A. (1968). Optimum Project Addition in Urban Transportation Networks via Descriptive Traffic Assignment Models, Research Report R68-44, M.I.T., Department of Civil Engineering, Cambridge, Mass. Overgaard, K.R. (1966). Traffic Estimation in Urban Transportation Planning, Acta Polytechnica Scandinavia. Pearman, A. (1971). The choice of projects from among a set of proposed improvements to a network. Paper presented at the Planning & Transport Research & Computation Ost4-81 4. Znane metody optymalizacji sieci transportowej wg Steenbrinka (1978) Symposium on Cost Models and Optimisation in Road Location, Design and Construction, London (June). Perret, F. (1967). Strategies de Réalisation d’un Ensemble d’Operation. Minstre de l’Equipement et du Logement Service des Affaires Economiques et Internationales, Paris. Pothorst, R. (1971). Een Wegnnetkonstruktie Probleem. Mathematisch Centrum, Universiteit van Amsterdam, Amsterdam. Ridley, T.M. (1965). An Investment Policy to Reduce Travel Time in a Transportation Network. Operation Research Centre Report ORC 65-34, University of California, Berkeley, Cal. Ridley, T.M. (1968). An investment policy to reduce the travel time in a transportation network. Transportation Research, 2, No. 4 (December). Roberts, P.O., and Funk, M.L. (1964). Toward Optimum Methods of Link Addition in Transportation Networks, M.I.T., Department of Civil Engineering, Cambridge, Mass. Scott, A.J. (1967). A programming model of an integrated transportation network, The Regional Science Association Papers, 19. Scott, A.J. (1969a). The optimal network problem: some computational procedures, Transportation Research, 3, No. 2 (July). Scott, A J. (1969b). Combinatorial programming and the planning of urban and regional systems. Environment and Planning, l, 125. Scott, A. J. (1971). Combinatorial Programming, Spatial Analysis and Planning, Methuen, London. Stairs, S. (1968). Selecting an optimal traffic network. Journal of Transport Economics and Policy, 2, 218. Steenbrink, P.A. (1970). Optimalisering van de infrastuktuur: Notitie 1. Eerste resultaten van de Toespassing van de Gradiëntmethoden, Internal note of the Nederlandse Spoorwegen, OP2/239/41(160), Utrecht. Steenbrink, P.A. (1971). Optimalisering van de infrastruktuur, Verkeerstechniek,22, No. 7 (July). Steenbrink, P.A. (1978) Optymalizacja sieci transportowych. WKŁ, Warszawa. Tomlin, J.A. (1966). Minimum-cost multicommodity network flows, Operations Research, 14. No. l (January, February). Ventker, R. (1970). Die Ökonomischen Grundlagen der Verkehrsnetzplanung, Verkehrswissenschaftliche Studien 11. Aus dem Institut fur Verkehrswissenschaft der Universität Hamburg. Herausgegeben von H. Jürgensen und H. Diederich. Vandenhoeck und Ruprecht, Göttingen. Ville, J.A. (1969). Model of investment optimization on an urban transportation network (O.P. T.R.A.). Proceedings of the Planning & Transport Research & Computation Symposium on Cost Models and Optimisation in Road Location, Design and Construction, London (June). Wohl, M., and Martin, B.Y. (1969). Traffic Systems Analysis for Engineers and Planners, Mc-Graw-Hill, New York. Ost4-82