Harker网络多均衡模型：从变分不等式到Python实现

1. 项目背景与核心价值

1988年Harker提出的网络多均衡行为模型是交通分配领域的里程碑式研究。这个模型首次将用户均衡(UE)和系统最优(CN)两种经典交通分配模式统一到一个变分不等式(VI)框架中，为复杂网络条件下的交通流分析提供了理论基础。当时受限于计算能力，Harker的原始实现采用了相对简单的对角化算法(Diagonalization Algorithm)。

如今三十多年过去，交通网络规模呈指数级增长，但Harker模型的核心思想依然被广泛应用在智能交通系统、物流路径优化甚至通信网络流量控制等领域。复现这一经典工作具有三重意义：

1. 方法论学习：通过代码实现理解VI模型在交通分配中的应用
2. 算法演进：对比现代算法与早期对角化算法的效率差异
3. 工程验证：为后续混合均衡研究提供基准测试案例

提示：虽然原始论文使用Fortran实现，但本次复现将采用Python+NumPy组合，既保持数值计算效率，又便于算法逻辑的清晰表达。

2. 模型理论基础解析

2.1 UE-CN混合均衡的数学表述

Harker模型的核心是将用户均衡(UE)和系统最优(CN)表述为一个变分不等式问题：

$$
\text{Find } x^* \in \Omega \text{ such that } F(x^)^T(x - x^) \geq 0, \ \forall x \in \Omega
$$

其中：

• $x$是路径流量向量
• $\Omega$是可行解集合（满足流量守恒等约束）
• $F(x)$由以下两部分组成：
  • UE部分：路径成本函数$c_p(x)$
  • CN部分：边际社会成本$\sum_a x_a \frac{\partial t_a}{\partial x_a}$

2.2 对角化算法原理

对角化算法的本质是将非对称问题分解为一系列对称子问题。具体步骤为：

1. 雅可比矩阵近似：在当前解$x^k$处构造对角矩阵$D^k$，使其近似原问题的雅可比矩阵
   $$ D^k = \text{diag}\left(\frac{\partial F_i}{\partial x_i}(x^k)\right) $$

2. 子问题求解：求解近似的变分不等式子问题
   $$ (F(x^k) + D^k(x - x^k))^T(y - x) \geq 0 $$

3. 线搜索更新：沿方向$d^k = y^k - x^k$进行线搜索确定步长$\alpha_k$，更新解
   $$ x^{k+1} = x^k + \alpha_k d^k $$

3. 代码实现详解

3.1 数据结构设计

python复制class Network:
    def __init__(self, nodes, links, demands):
        self.nodes = nodes  # 节点列表
        self.links = links  # 链路属性字典 {link_id: (from_node, to_node, capacity, free_flow_time)}
        self.demands = demands  # OD需求矩阵 {(origin, destination): demand}
        
        # 派生数据结构
        self.paths = self._generate_paths()  # 所有有效路径
        self.link_path_incidence = self._build_incidence_matrix()  # 链路-路径关联矩阵

关键设计考虑：

• 使用稀疏矩阵存储大规模网络的关联关系
• 路径生成采用Yen's K最短路径算法
• 链路成本函数采用BPR公式：
  $$ t_a(x_a) = t_a^0 \left[1 + 0.15\left(\frac{x_a}{c_a}\right)^4\right] $$

3.2 对角化算法核心实现

python复制def diagonalization_algorithm(network, max_iter=100, tol=1e-6):
    x = initial_solution(network)  # 初始解（全零或随机初始化）
    
    for k in range(max_iter):
        # 1. 计算当前成本函数和雅可比对角近似
        F = compute_variational_inequality(network, x)
        D = compute_jacobian_diagonal(network, x)
        
        # 2. 求解子问题
        y = solve_subproblem(network, x, F, D)
        
        # 3. 线搜索确定步长
        alpha = line_search(network, x, y - x)
        
        # 4. 更新解
        x_new = x + alpha * (y - x)
        
        # 检查收敛条件
        if np.linalg.norm(x_new - x) < tol:
            break
            
        x = x_new
    
    return x

3.3 关键函数实现细节

compute_variational_inequality函数：

python复制def compute_variational_inequality(network, x):
    """计算变分不等式函数F(x)"""
    link_flows = network.link_path_incidence @ x  # 计算链路流量
    path_costs = compute_path_costs(network, link_flows)
    marginal_costs = compute_marginal_costs(network, link_flows)
    
    # UE-CN混合：50% UE + 50% CN
    F = 0.5 * path_costs + 0.5 * marginal_costs
    return F

solve_subproblem函数：

python复制def solve_subproblem(network, x, F, D):
    """求解对角化后的子问题"""
    # 构造近似的线性VI问题
    linear_F = lambda y: F + D @ (y - x)
    
    # 使用投影梯度法求解
    y = projection_method(network, linear_F)
    return y

4. 数值实验与结果分析

4.1 测试网络设置

采用经典的Sioux Falls网络作为测试案例：

• 24个节点
• 76条有向链路
• 528个OD对
• 总需求：360,600车次/小时

4.2 收敛性能分析

观察到典型的超线性收敛特性，符合对角化算法的理论预期。

4.3 混合均衡特性验证

通过调整UE和CN的混合比例，观察到不同的流量分布模式：

结果显示随着CN权重的增加，系统总成本降低但用户平均成本上升，验证了UE与CN之间的经典权衡关系。

5. 工程实践中的关键问题

5.1 路径枚举的挑战

在大规模网络中，全路径枚举不可行。实际解决方案：

• 使用K最短路径算法限制路径数量
• 采用列生成技术动态添加有效路径
• 路径流量初始化策略：

  python复制def initial_solution(network, k=3):
      """使用前k条最短路径平均分配流量"""
      x0 = np.zeros(len(network.paths))
      for od, paths in network.od_paths.items():
          demand = network.demands[od]
          for p in paths[:k]:
              x0[p] = demand / k
      return x0
  

5.2 收敛加速技巧

1. 自适应对角化：根据历史迭代信息动态调整对角矩阵
   $$ D_{ii}^k = \beta D_{ii}^{k-1} + (1-\beta)\frac{\partial F_i}{\partial x_i}(x^k) $$

2. 非单调线搜索：允许有限步长的目标函数值暂时上升

   python复制def line_search(network, x, d, max_backtrack=10):
       alpha = 1.0
       for _ in range(max_backtrack):
           x_new = x + alpha * d
           if check_feasible(network, x_new):
               return alpha
           alpha *= 0.5
       return 0.0
   

5.3 现代优化器对比

将对角化算法与以下现代方法对比：

6. 扩展应用与前沿方向

6.1 多智能体交通分配

将UE-CN混合模型扩展到多智能体场景：

• 不同用户类别的异质性偏好
• 网约车与私家车的博弈行为
• 基于强化学习的自适应混合策略

6.2 动态交通网络扩展

考虑时变需求下的动态模型：

python复制class DynamicNetwork(Network):
    def __init__(self, static_network, time_horizon):
        super().__init__(static_network.nodes, static_network.links, static_network.demands)
        self.time_steps = time_horizon
        self.time_varying_demands = self._generate_time_varying_demands()
        
    def _generate_time_varying_demands(self):
        """生成时变OD需求矩阵"""
        return {t: modify_demand(self.demands, t) for t in range(self.time_steps)}

6.3 与机器学习的结合

1. 替代模型：用神经网络近似成本函数映射

   python复制class CostPredictor(nn.Module):
       def __init__(self, input_dim):
           super().__init__()
           self.net = nn.Sequential(
               nn.Linear(input_dim, 64),
               nn.ReLU(),
               nn.Linear(64, 32),
               nn.ReLU(),
               nn.Linear(32, 1)
           )
           
       def forward(self, x):
           return self.net(x)
   

2. 算法加速：学习对角化算法的迭代动态

3. 参数校准：基于真实数据反推混合比例参数

7. 复现过程中的经验总结

1. 数值稳定性处理：

   • 对链路成本函数的二阶导施加下限约束
   • 使用对数障碍函数处理流量非负约束
   • 关键代码段添加数值检查断言

2. 可视化调试技巧：

   python复制def plot_convergence(history):
       plt.figure(figsize=(10,6))
       plt.semilogy(history['residual'], '-o', label='Residual')
       plt.semilogy(history['gap'], '--s', label='Duality Gap')
       plt.xlabel('Iteration')
       plt.ylabel('Error Metric')
       plt.legend()
       plt.grid(True)
   

3. 性能优化关键点：

   • 使用稀疏矩阵运算加速大型矩阵操作
   • 对路径成本计算进行并行化处理
   • 缓存不变的中间计算结果

4. 验证正确性的方法：

   • 检查UE极限情况下的Wardrop第一原理
   • 验证CN解的系统总成本确实最小
   • 对比文献中的基准测试结果

这个复现项目最深刻的体会是：经典算法之所以能经受时间考验，在于其核心思想具有持久的生命力。虽然现代计算环境已大不相同，但Harker模型展现出的"分解-协调"思路，至今仍是处理复杂系统均衡问题的有效范式。