Abstract

This article develops a probabilistic approach for assessing transport network vulnerability. A novel performance measure is proposed to evaluate the expected impact when multiple transport network components fail simultaneously at various degrees. The proposed measure captures both the likelihood and consequence of a combination of transport network component failures. The most critical combination of transport network component failures is obtained by solving a bi-level optimization problem. The upper-level problem is to solve for the combination of transport network components together with their corresponding disruption levels, which induces the maximum reduction in the performance measure. The lower-level problem is to capture the response of travelers to network changes due to network component failures and is formulated as a traffic assignment problem. The clonal selection algorithm (CSA), a biologically inspired approach, is adopted to tackle the proposed bi-level optimization problem. Numerical results indicate that neglecting partial capacity degradation and its probability of occurrence could misestimate the worst scenario, and different vulnerability assessment approaches could identify similar critical components but our approach can discover some components that are not found by other existing approaches. Moreover, it is shown that the CSA outperforms the well-known genetic algorithm in terms of solution quality in a large network.

摘要

本文开发了一种概率方法来评估传输网络的脆弱性。提出了一种新颖的性能指标来评估当多个传输网络组件同时发生不同程度的故障时的预期影响。所提出的措施既捕获了传输网络组件故障组合的可能性，也捕获了其后果。通过解决双层优化问题，可以获得传输网络组件故障的最关键组合。更高级别的问题是解决传输网络组件及其对应的中断级别的组合问题，这将导致性能指标的最大降低。较低级别的问题是捕获旅行者对由于网络组件故障而引起的网络更改的响应，并将其表述为流量分配问题。克隆选择算法（CSA）是一种生物学启发的方法，用于解决所提出的双层优化问题。数值结果表明，忽略部分容量下降及其发生的概率可能会误认为最坏的情况，并且不同的漏洞评估方法可以确定相似的关键组件，但是我们的方法可以发现某些其他现有方法找不到的组件。而且，表明在大型网络中，CSA在解决方案质量方面胜过了著名的遗传算法。被采用来解决所提出的双层优化问题。数值结果表明，忽略部分容量下降及其发生的概率可能会误认为最坏的情况，并且不同的漏洞评估方法可以确定相似的关键组件，但是我们的方法可以发现某些其他现有方法找不到的组件。而且，表明在大型网络中，CSA在解决方案质量方面胜过了著名的遗传算法。被采用来解决所提出的双层优化问题。数值结果表明，忽略部分容量下降及其发生的概率可能会错误估计最坏的情况，并且不同的漏洞评估方法可以识别相似的关键组件，但是我们的方法可以发现某些其他现有方法找不到的组件。而且，表明在大型网络中，CSA在解决方案质量方面胜过了著名的遗传算法。并且不同的漏洞评估方法可以识别相似的关键组件，但是我们的方法可以发现其他现有方法找不到的某些组件。而且，表明在大型网络中，CSA在解决方案质量方面胜过了著名的遗传算法。并且不同的漏洞评估方法可以识别相似的关键组件，但是我们的方法可以发现其他现有方法找不到的某些组件。而且，表明在大型网络中，CSA在解决方案质量方面胜过了著名的遗传算法。