交通网络混合均衡模型与对角化算法实现

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。这个基于变分不等式（VI）的理论框架，首次系统性地描述了用户均衡（UE）和系统最优（SO）之外的第三种均衡状态——UE-CN混合均衡。这种混合状态更贴近现实交通网络中部分用户遵循导航系统建议、部分用户自主选择路径的行为特征。

我最近复现了Harker原始论文中的对角化算法求解过程。作为交通分配领域的经典数值方法，对角化算法通过构造辅助对角矩阵来简化VI模型的求解难度。这种算法特别适合处理大规模网络中的非对称交互效应，其核心思想是将复杂的雅可比矩阵近似为对角矩阵，从而将高维问题分解为多个独立的低维子问题。

2. 模型理论基础解析

2.1 UE-CN混合均衡的数学表述

混合均衡状态下的路径选择行为可以用以下变分不等式表示：

code复制Find x* ∈ Ω such that:
∑[f(x*)·(x - x*)] ≥ 0, ∀x ∈ Ω

其中Ω是可行流集合，f(x)是广义成本函数。与传统UE模型不同，这里的成本函数包含了两类用户行为的相互影响：

• UE用户：遵循Wardrop第一原理，选择感知成本最低的路径
• CN用户：接受中央调度，按照系统建议的固定比例分配流量

2.2 对角化算法的实现机理

算法的核心在于构造对角矩阵D(x^k)来近似原始雅可比矩阵∇f(x^k)。在每次迭代k时，我们求解以下近似问题：

code复制D(x^k)(x^{k+1} - x^k) + f(x^k) = 0

具体实现时需要处理三个关键技术点：

1. 对角元素计算：d_ii = ∂f_i/∂x_i + ε (ε为小正数保证正定性)
2. 步长控制：采用Armijo线搜索确保目标函数单调下降
3. 终止条件：‖x^{k+1} - x^k‖ < tol 且 ‖f(x^k)‖ < tol

3. 代码实现细节

3.1 数据结构设计

python复制class Network:
    def __init__(self):
        self.nodes = []  # 节点列表
        self.links = []  # 路段列表
        self.OD_pairs = []  # OD对列表
        self.demand = {}  # OD需求字典
        self.link_cost_func = {}  # 路段成本函数
        
class Solution:
    def __init__(self):
        self.link_flows = {}  # 路段流量
        self.path_flows = {}  # 路径流量
        self.gap = float('inf')  # 相对间隙

3.2 核心算法流程

python复制def diagonalization_algorithm(network, max_iter=100, tol=1e-4):
    # 初始化流量分配
    x = initial_flow_allocation(network)
    
    for k in range(max_iter):
        # 计算当前成本函数值
        f = compute_cost_function(network, x)
        
        # 构造对角矩阵
        D = construct_diagonal_matrix(network, x)
        
        # 求解线性近似系统
        delta_x = solve_linear_system(D, f)
        
        # Armijo线搜索确定步长
        alpha = armijo_line_search(network, x, delta_x)
        
        # 更新流量
        x_new = x + alpha * delta_x
        
        # 检查收敛条件
        if stopping_criteria(x, x_new, f, tol):
            break
            
        x = x_new
    
    return x

3.3 关键函数实现

对角矩阵构造：

python复制def construct_diagonal_matrix(network, x):
    D = {}
    epsilon = 1e-6  # 正则化参数
    for link in network.links:
        # 计算对角元素（导数+正则项）
        d_ii = derivative(network.link_cost_func[link], x[link]) + epsilon
        D[link] = d_ii
    return D

Armijo线搜索：

python复制def armijo_line_search(network, x, delta_x, beta=0.5, sigma=0.2):
    alpha = 1.0
    f0 = objective_function(network, x)
    grad_f = compute_gradient(network, x)
    
    while True:
        x_new = x + alpha * delta_x
        f_alpha = objective_function(network, x_new)
        
        # Armijo条件
        if f_alpha <= f0 + sigma * alpha * np.dot(grad_f, delta_x):
            break
            
        alpha *= beta
        
    return alpha

4. 数值实验与结果分析

4.1 Sioux Falls网络测试

使用经典的Sioux Falls网络进行验证，设置30%的CN用户比例：

4.2 算法性能对比

对比传统MSA算法：

注意：对角化算法虽然收敛更快，但由于需要计算和存储对角矩阵，内存消耗会随网络规模线性增长

5. 工程实践中的优化技巧

5.1 稀疏矩阵处理

对于大规模网络，采用稀疏矩阵存储可以显著降低内存消耗：

python复制from scipy.sparse import diags

def sparse_diagonal_matrix(network, x):
    diag_elements = []
    indices = []
    for i, link in enumerate(network.links):
        diag_elements.append(derivative(network.link_cost_func[link], x[link]))
        indices.append(i)
    
    return diags(diag_elements, format='csc')

5.2 并行计算加速

利用多核CPU并行计算路段成本函数的导数：

python复制from multiprocessing import Pool

def parallel_derivative(network, x):
    with Pool() as p:
        args = [(network.link_cost_func[link], x[link]) for link in network.links]
        derivatives = p.starmap(derivative, args)
    return derivatives

5.3 自适应正则化参数

动态调整ε值可以改善收敛性：

python复制def adaptive_epsilon(k, base=1e-6, decay=0.9):
    return base * (decay ** k)

6. 常见问题与解决方案

6.1 振荡现象处理

当观察到流量在迭代中出现振荡时：

1. 减小Armijo搜索中的β值（如从0.5改为0.3）
2. 增加正则化参数ε
3. 采用Nesterov加速技巧：

python复制x_extrapolated = x + (k-1)/(k+2) * (x - x_prev)

6.2 非单调收敛应对

如果目标函数值出现波动：

1. 检查成本函数是否满足单调性条件
2. 验证对角元素的符号是否一致为正
3. 考虑改用拟牛顿法构造对角近似

6.3 大规模网络内存优化

对于超大规模网络：

1. 采用分块对角化策略
2. 使用磁盘存储非活跃路段的对角元素
3. 实现out-of-core计算模式

7. 扩展应用方向

7.1 动态交通分配

将VI模型扩展到时变场景：

python复制def dynamic_diagonalization(time_steps):
    for t in time_steps:
        # 使用上一时段解作为初始值
        x_init = load_previous_solution(t-1)
        solve_static_problem(t, x_init)

7.2 多类用户混合

支持更多用户行为类型：

python复制user_classes = {
    'UE': {'prop': 0.6, 'behavior': wardrop_behavior},
    'CN': {'prop': 0.3, 'behavior': centralized_behavior},
    'SO': {'prop': 0.1, 'behavior': system_optimal_behavior}
}

7.3 与机器学习结合

用神经网络近似成本函数：

python复制class CostNN(nn.Module):
    def forward(self, x):
        # x: 流量向量
        h = torch.relu(self.fc1(x))
        return self.fc2(h)