CN109733445B - 突发事件下的基于多智能体系统模型的分布式调度方法 - Google Patents

Abstract

本发明公开了一种突发事件下的基于多智能体系统模型的分布式调度方法，包括如下步骤：步骤一:评估突发事件等级，若为低等级延误，就近停车等待事件被解决，加速赶上原时间表，转到步骤四；若为高等级延误，转到步骤二；步骤二：选择最优同级临近车站S_2i，i为第i次选择；步骤三：根据调度算法调度受影响的列车；步骤四：列车集合按各自的时刻表运行至目标车站S₄。本发明提出的突发事件下的基于多智能体系统模型的分布式调度方法，保证在突发事件下，高铁能够在对全局的延误影响最小下进行行车。

Description

突发事件下的基于多智能体系统模型的分布式调度方法

技术领域

本发明涉及高铁列车调度领域，具体来说，涉及一种突发事件下的基于多智能体系统模型的分布式调度方法。

背景技术

随着我国高铁运输的飞速发展，旅客选择高铁出行的频率越来越大，如何保证高铁在突发事件下(如大风、雨雪、道路故障等)，仍然能够对旅客的出行有最大的保障(尽量减小延误影响)，是高铁的发展之中一个不可小觑的问题。

我国地域广阔，高铁运行距离长，突发事件时有发生。在突发事件发生时，目前调度被突发事件所影响的列车是人工操作的，这种方法的缺点是很考验调度员的经验与魄力，由于调度员和司机进行双向沟通，费时费力，往往不能在较短的时间内给出一个较优的调度策略。例如，2012年7月20日发生京沪道岔定位无表示突发事件，调度员在此次事件处理过程中存在多项人因失误，使得进站列车运行受阻，造成路网列车晚点严重，旅客滞留长达4小时，造成严重的经济损失和社会影响。所以，研究如何尽量减少人在高铁调度中的作用，改为更加智能化的调度策略极为重要。在当前的理论研究中，突发事件下高铁调度问题的难点在于如何设计优化算法，现有的算法大都基于启发式方法，应用于目前的高铁调度问题时，大都是用在包含所有站点所有车辆的高铁调度的全局优化下，计算难度较大，短时间内难以解出最优解，所以如果我们能够将一个全局的高铁调度问题进行简化，进而提高解的速度与质量，对高铁调度方面的研究将会有很大的帮助。

发明内容

针对相关技术中的上述技术问题，本发明提出了一种突发事件下的基于多智能体系统模型的分布式调度方法，在复杂的铁路网中，运用多智能体与图论G＝(V，E)结合的分析方法，把同级车站看作相对应的智能体，保证在突发事件下，高铁能够在对全局的延误影响最小下进行行车。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种突发事件下的基于多智能体系统模型的分布式调度方法，包括如下步骤：

步骤一：评估突发事件等级，若为低等级延误，就近停车等待事件被解决，加速赶上原时间表，转到S₄；若为高等级延误，转到S₂；

步骤二：选择最优同级临近车站S_2i，i为第i次选择；

步骤三：根据调度算法调度受影响的列车；

步骤四：列车集合按各自的时刻表运行至目标车站S₄。

在步骤一中，所述突发事件等级是根据影响范围以及程度决定的，低等级延误是使铁路正常行车受到影响的持续时间较短，并且铁路能够尽快恢复线路能力的突发事件；高等级延误是必须使用应急联动机制，进行行车组织计划和行车组织策略调整才能消除对铁路运输秩序的影响的突发事件。

在步骤二中，所述同级是指车站重要程度相同。

在步骤二中，所述选择的标准包括：始发站S₁到车站S_2i的距离与车站S_2i到目标车站S₄的距离之和最小；车站S_2i的道路a_2i的冗余性最大二者加权考虑。

在步骤三中，根据取消列车数量y_t与取消列车的惩罚系数γ_t、列车延误时间(分钟)d_t与列车延误时间(分钟)的惩罚系数u_t、对临近车站的影响f_t与惩罚系数

来建立模型：

将突发事件给列车运行的影响通过优化算法降到最低。

所述模型还包括三类约束：第一类约束为时间方面的约束(例如发车时间间隔约束)；第二类约束为容量约束(例如轨道能力约束)；第三类约束为列车安全运行约束(例如超车约束)。

所述优化算法为二阶段法。

基于图论G＝(V，E)的分析方法，在多智能体中，用字母V＝{v|1，2，3，4...}代表智能体节点集合，E＝{(i，j)|i，j∈1，2，3，4...}代表智能体i与智能体j之间的相互联系。

G为整个高铁网络的图论表示，V为车站集合，E为建立联系与影响的两个车站之间的轨道的集合。

本发明的有益效果：在复杂的铁路网中，运用多智能体与图论G＝(V，E)结合的分析方法，把同级车站看作相对应的智能体，每个车站都有自己的调度系统，能够解决车站管辖范围内的调度问题；把能进行信息交互并且能相互影响的两个同级站间的轨道看作智能体之间的联系；当突发事件发生时，高铁的运行发生延误，会对当前线路运行的所有高铁造成延误，为了减小影响，考虑以单个车站为调度中心，对该车站出站和进站的列车进行优化，并把对其他车站的影响作为交互信息传递给邻近车站；优先考虑以事故发生的发车站为原点，辐射周边包含尽量少的同级车站的扇形区域来模拟延误影响区域，并根据突发事件的等级来调整影响区域；在区域内，首先以目前真实突发事件作为突发事件1对目标车站造成影响，如果此突发事件对该目标车站造成的影响将会波及其他同级车站，则通过站与站的信息交互，将目标车站对旁边的车站造成的影响作为突发事件2，以此类推；对列车的真实运行情况进行了建模，并通过一些整数规划的算法来优化调度策略。

采用本发明的上述方案能把突发事件下引起的复杂的全局调度问题先简化成同级车站之间的调度问题，再对这个局部的调度问题进行求解。这样能够大大简化问题的复杂性和求解的难度，保证在突发事件下，高铁能够在尽量减小全局的延误影响下，进行行车。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是一种突发事件下的基于多智能体系统模型的分布式调度方法的流程图；

图2是中国高铁网络华东地区线路分布图；

图3是图2中上海辐射周边的高铁线路分布图；

图4是简化后的上海辐射周边的高铁线路分布图；

图5是多智能体分布式说明图；

图6是车站内到发节点以及车站弧、站间弧示意图；

图7是正常情况下列车的计划运行时间示意图；

图8是突发事件下，低等级延误列车调度运行示意图；

图9是突发事件下，高等级延误列车调度运行示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

一种突发事件下的基于多智能体系统模型的分布式调度方法，包括步骤一到步骤四，四个步骤。

步骤一：评估突发事件等级，若为低等级延误，就近停车等待，等待事件被解决，加速赶上原时间表，转到步骤四；若为高等级延误，则需要选择最优临近车站S₂。

所述的突发事件等级是根据影响范围以及程度来决定的，低等级突发事件就是使铁路

正常行车受到影响的持续时间较短，并且铁路能够尽快恢复线路能力的突发事件，一般只会给铁路带来较小的能力损失。而高等级突发事件是不能够仅仅通过运行图的调整来消除对铁路运输秩序产生的影响的突发事件，必须要使用应急联动机制，进行行车组织计划和行车组织策略调整才能消除对铁路运输秩序的影响，其具有持续时间长，造成的客流波动打和给铁路带来较大能力损失的特点。

步骤二：选择最优同级临近车站S_2i(i为第i次选择的最优临近车站)；

步骤二(1)：S_2i的选择是根据车站S₁到车站S_2i距离加上S₂到目标车站S₄的距离最小以及轨道a_2i的冗余性最大两者综合考虑最优的原则

步骤二(2)：高等级延误下，对车站S_2i的影响最大，可能需要借助车站S_2i道路a2i来到达目标车站S₄。

图4给出了多智能体与铁路网简化后的图形，其中实心的大原点代表高级车站(一般是交通枢纽(例如上海虹桥站)，实心的小原点代表低级车站(例如宁波站)，黑线代表两个车站的调度可能对彼此产生影响；长虚线代表两站之间仅有高铁轨道，但两个站(智能体)的调度不会相互影响。我们定义原车站的所有列车集合为P₁、P₂、…、P_i(i为S_i车站)，需要借道的列车集合为B₁、B₂、…、B_j(需要借道j次)，实际借道的车辆为T₁、T₂…T_j(需要借道j次，

T_j∈B_i)。假设，现在有列车集合P₁需要从始发站S₁到终点站S₄车站，当突发事件发生时(车站S₁到车站S₅之间路线a₂发生故障)，以S₁为圆心画扇形，要求此扇形包含尽量少的同级且低于始发站等级的车站(最少两个)，如图4短虚线所围成的扇形区域所示。在此扇形区域内包含了S₂₁以及S₂₂两个同级车站，我们根据到目标车站S₄的距离最少以及轨道的冗余程度最大加权考虑以S₂₁为最优同级临近车站。始发站S₁将最优同级车站确定后，将信息传递给车站S₂₁。

步骤三：根据调度算法来调度受影响的列车；

列车的调度是分等级的。我国部分高速铁路上运行着三种速度等级的列车，在此行车组织模式下，故障发生后调度员须结合列车的等级和当前位置决定列车的停站位置。在车站停车等待故障结束的列车数量不能超过车站能力约束。故障结束后，调度员需确定各车站列车的发车顺序和发车时刻。

步骤三(1)：在列车t返回车站S₁的途中，车站S₁的调度中心计算突发事件对车站S₂₁的影响，如重新安排从车站S₁到车站S₂的列车时刻表(额外加了列车集合T₁)，若能调度所有列车B₁，则转到步骤三(2)，若不能调度，剩下的列车B₁-T₁(已经完成调度的列车集合，从属于B₁)则转到步骤二，此时最优临近车站为S₂₂，以此类推。

步骤三(2)：在车站集合S₂接收了车站S₁的计算结果后，车站集合S₂的调度中心计算如何重新安排从车站集合S₂到目标车站S₄的列车时刻表(额外加了列车集合T₁、T₂...)。

接收到始发站S₁的信息后，车站S₂₁将计算轨道a₂₁能允许多少辆列车进入轨道a₂₁行驶和具体的时间表的安排，此时可能出现两种情况：

1.若能调度所有的列车T，以车站S₂₁为圆心画扇形，我们要求此扇形包含尽量少的同级且低于始发站等级的车站(最少两个)，如图三长短相间虚线所围成的扇形区域所示。我们根据到目标车站S₄的距离最少以及轨道的冗余程度最大加权考虑以车站S₄为最优同级临近车站(即终到站)，则由车站S₄计算列车t在轨道a₄₁上的具体时间表的安排(注：由于车站S₅是高级车站，信息的传递是单向的——高级到低级，所以不能选择车站S₅作为车站S₂₁的后继车站)。2.若不能调度所有的列车B₁，只能调度T₁辆列车，那么剩下的B₁-T₁辆列车就得通过此时扇形内的最优同级临近车站S₂₂来进行调度，过程同上。(注：1.若此趟列车造成的全局延误影响过大，则取消此趟列车。2.上文仅考虑小范围的影响，大规模的影响延误时间可以根据上文所述方法进行扇形区域的一步步迭代以及计算即可。3.红色实线轨道不能进行借道，因为两个智能体之间没有联系即车站间不能进行信息交互)。以上所述列车的调度是分等级的，如图7，8，9所示，三张图为列车的运行图，其中横轴为时间，纵轴为列车运行线路。图中有三辆列车，G1代表平均运行速度为350km/h的高铁，G2代表平均运行速度为300km/h的高铁，D3代表平均运行速度为250km/h的动车。如图7，在正常情况下，由铁路局计划的发车顺序为D3、G2、G1，然而如图8所示，在车站S4与车站S5之间的区间发生了时间比较短，影响比较小的的突发事件，致使轨道中断一段时间，当三辆列车接收到中断信息后，接受调度员指令停在S5稍作等待。当中断恢复后，以列车运行速度评估三辆列车的等级，此时的发车顺序变更为G1、G2、D3以减少列车总延误。如图9，当列车D3运行中途，在车站S₁与车站S₅之间发生了持续时间较长，性质严重的突发事件，导致此区间的轨道造成长时间中断，此时D3接收调度中心命令返回车站S1等待进一步的命令，由于轨道中断时间过长，经充分考虑车站S₁与车站S₂之间的轨道的长度与冗余性之后，决定借用车站S₁与车站S₂之间的轨道到达目标车站S₄，此时发车顺序也为G1、G2、D3。

采用了多智能体分布式的思想。多智能体系统(multi-agent system，MAS)是一种全新的分布式计算技术。自20世纪70年代出现以来得到迅速发展，目前已经成为一种进行复杂系统分析与模拟的思想方共与工具。一个多智能体系统，是由一个在一个环境中交互的多个智能体组成的计算系统。多智能体系统也能被用在解决分离的智能体以及单层系统难以解决的问题。智能可以由一些方法，函数，过程，搜索算法或加强学习来实现。每个智能体具有独立性和自主性，能够解决给定的子问题，自主地推理和规划并选择适当的策略，并以特定的方式影响环境。此思想具体体现在我们把同级车站看作相对应的智能体，每个车站都有自己的调度系统，能够解决车站管辖范围内的调度问题。多智能体系统支持分布式应用，所以具有良好的模块性、易于扩展性和设计灵活简单，克服了建设一个庞大的系统所造成的管理和扩展的困难，能有效降低系统的总成本。多智能体系统是一个讲究协调的系统，各智能体通过互相协调去解决大规模的复杂问题；多智能体系统也是一个集成系统，它采用信息集成技术，将各子系统的信息集成在一起，完成复杂系统的集成；在多智能体系统中，各智能体之间互相通信，彼此协调，并行地求解问题，因此能有效地提高问题求解的能力。此思想具体体现在我们能把突发事件下引起的复杂的全局调度问题通过站与站之间的信息交互先简化成同级车站之间的调度问题，再对这个局部的调度问题进行求解，这样能够大大简化问题的复杂性和求解的难度。例如，车站S₁调度中心计算的数据能直接影响车站S₂₁的调度——车站S₁安排10辆B₁进入车站S₂₁的轨道a₂₁行驶。车站S₂₁调度中心计算的数据又能反馈给车站S₁，对车站S₁的调度产生影响----由于车站S₂的资源限制，只能允许8辆B₁的列车(即T₁)进入a₂₁行驶，剩下的2辆T₁须由车站S₁重新调度。

采用了一些特殊的模型与约束条件：

对于每一辆总列车集合P列车j，每一个列车j经过的路线集合E中的每一段路线a_ij(任意相连两车站之间的任意路线)和列车j访问过的每个车站中的到发节点集合Vj中的v节点，我们定义了个四个二元变量x_ta、y_j、z_jv和θ_e。其中，有且仅有列车j访问了弧a，则x_ta置1，否则置0；有且仅有列车j被取消，则y_j置1，否则置0；有且仅有列车j访问了节点v，则z_jv置1，否则置0；有且仅有存在列车(任意)访问了节点v，则θ_e置1，否则置0。每个车站我们可以看成由两组节点集合构成，即离开节点与到达节点，如图6所示，我们令

表示车站S_i的离开节点集合，令

表示车站S_i的到达节点集合，

为车站S_i的到达节点，

为车站S_i的离开节点，并且以时间的先后顺序从左到右排列，若u₁时间提前或者等于u₂，则记为u₁≤u₂，以此类推。在车站内部，我们赋予a∈E一个特殊的含义，即车站内部的联系，我们用

来代表列车在车站内部的虚拟的行驶路线以模拟列车在车站内部的到发时刻，在图六中以实线画出(列车在u₁节点到达S₁，在w₁节点离开S₁)。我们有一个总体的列车时间运行表，定义ρ表示事件e发生的时间，ε为列车事件集合(停车，借道等等)，u_e为火车由于事件e所造成的时间延迟的惩罚系数，γ_t为取消列车t的惩罚系数。最后，我们定义

为列车在出现突发事件停车后，重新启动的时间，

为列车在出现突发事件停车后，重新停车的时间。我们用(S_k，S_k+1)来表示突发事件所在的范围区间(站S_k与站S_k+1之间)。d_e为事件e所造成的延误时间，θ_e为事件e预先被安排的时间。以上，我们给出以下列车运行模型与约束。

目标函数(1)代表最小化被取消列车的数量、列车的总延迟和对其他车站的影响总加权延迟。对其他车站的影响主要是体现在影响了接收车站的空间、时间资源的占用。为了达到这样的目的，我们对每一项突发事件造成的延误时间的每一分钟都进行了处罚。这意味着所有延误的事件，无论是到达还是离开，无论是涉及到停车还是过境，都可能受到惩罚，其中的γ_t代表取消列车t的惩罚系数，u_e代表事件e的延迟(分钟)的惩罚系数，

代表对其他车站影响的惩罚系数，我们可以用线性加权法来处理这三个惩罚系数。约束(2)确保重新调度列车不能在计划的时间前发生，由于原列车时刻表没有冲突，所以被取消的列车不会互相妨碍。约束(3)表示取消列车的事件没有延迟，非取消列车的事件e的延迟等于θ_e-ρ_e。约束(4)阻止列车在突发事件期间进入突发事故段。约束条件(5)确保所有列车在发生突发事件发生前均按原列车时刻表运行。只有在突发事件开始时没有离开始发站的列车才能被取消，这是由约束(6)建模的。

上式为到发点约束，U代表到达节点的集合，W代表出发节点的集合，i代表此车站i，e代表此车站连接的轨道。此约束的主要目的是避免由于列车站发车/到达站的时间间隔过紧带来的安全问题。

上式为超车约束，j和k代表两辆不同的列车，h代表此车站，e代表连接此车站的一条路径，此约束的主要目的是由于在同一条轨道上由于安全性以及轨道用量限制，不允许超车。

上式为双向轨道的会车约束，模型与超车约束相似，主要目的是由于安全性考虑，同一轨道上不允许有相向而行的列车。

上式为车站能力约束，此约束确保最多有C_i辆列车在车站集合S中的车站S_i。C_i为车站i的容量，其中P_i为车站S_i原本需要管理的车辆集合，T_j为其他车站借S_i车站的轨道进行行驶的车辆集合。W和U分别为离开和到达节点集合，a＝(u，v)代表u节点与v节点间的车站弧。

我们采用的是基于线性整数规划模型的两阶段法。第一阶段的重点是中断结束前的一段时间，它主要决定列车直到中断结束所需要停车等待的位置，从而需要考虑到车站的容量。在第一阶段，中断结束后的一段时间内，车站容量约束被忽略。第二阶段集中处理中断后的列车交通，首先是第一阶段造成的情况：列车在车站内等待，直到中断结束。第二阶段特别考虑了车站容量约束，以保证最终的解决方案是可行的。

步骤四：列车集合T2按各自的时刻表运行至目标车站S₄。

在复杂的铁路网中，我们运用多智能体与图论G＝(V，E)结合的分析方法，把同级车站看作相对应的智能体，每个车站都有自己的调度系统，能够解决车站管辖范围内的调度问题；把能进行信息交互并且能相互影响的两个同级站间的轨道看作智能体之间的联系。这样能够简明扼要的表达车站之间的关系。

我们运用了图论G＝(V，E)的分析方法，在多智能体中，我们用字母V＝{v|1，2，3，4...}代表智能体节点集合(节点V₁，V₂，V₃，V₄)，E＝{(i，j)|i，j∈1，2，3，4...}则代表智能体i与智能体j之间的相互联系(e₁₂，e₁₃，e₁₄，e₂₄，e₂₁，e₃₁，e₄₁，e₄₂，注：e_ij表示智能体i对智能体j的联系与影响)。我们将此方法运用到高铁的延误调度上面来，则G可作为整个高铁网络的图论表示，同时将V看作车站集合(S_i，S_ij∈V，i，j∈1，2，3...)，将E看作能建立联系与影响的两个车站之间的轨道的集合(a_ij∈E，i，j∈1，2，3...)，如图六虚线所示(列车从w₂节点离开车站S₁，通过a₁₂到达车站S₂的到达节点u₂)。

更重要的是，当突发事件发生时，高铁的运行发生延误，会对当前线路运行的所有高铁造成延误，为了减小影响，我们考虑以单个车站为调度中心，对该车站出站和进站的列车进行优化，并把对其他车站的影响作为交互信息传递给邻近车站。我们优先考虑以事故发生的发车站为原点，辐射周边包含尽量少的同级车站的扇形区域来模拟延误影响区域，并根据突发事件的等级来调整影响区域的范围。在区域内，我们首先以目前真实突发事件作为突发事件1来对目标车站造成影响，如果此突发事件对该目标车站造成的影响将会波及其他同级车站，则通过站与站的信息交互，将目标车站对旁边的车站造成的影响作为突发事件2，以此类推。所以我们能把突发事件下引起的复杂的全局调度问题先简化成同级车站之间的调度问题，再对这个局部的调度问题进行求解，这样能够大大简化问题的复杂性和求解的难度。

采用本发明的上述方案保证在突发事件下，高铁能够在尽量减小全局的延误影响下，进行行车。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种突发事件下的基于多智能体系统模型的分布式调度方法，其特征在于，包括如下步骤：

步骤一：评估突发事件等级，若为低等级延误，就近停车等待事件被解决，加速赶上原时间表，转到步骤四；若为高等级延误，转到步骤二；

步骤二：选择最优同级临近车站S_2i，i为第i次选择，其中，所述同级是指车站重要程度相同，所述选择的标准包括：始发站S₁到车站S_2i的距离与车站S_2i到目标车站S₄的距离之和最小，车站S_2i的道路a_2i的冗余性最大，二者综合加权考虑；

步骤三：根据调度算法调度受影响的列车，其中，根据取消列车数量y_t与取消列车的惩罚系数γ_t、列车延误时间d_t与列车延误时间的惩罚系数u_t、对临近车站的影响f_t与惩罚系数

来建立模型：

以将突发事件给列车运行的影响通过优化算法降到最低，其中t代表列车，P代表本车站原有列车集合，T代表本车站实际增加的列车集合，e为列车运行事件，ε为列车事件集合，u_e为火车由于事件e所造成的时间延迟的惩罚系数，d_e为事件e所造成的延误时间；

步骤四：列车集合按各自的时刻表运行至目标车站S4。

2.根据权利要求1所述的一种突发事件下的基于多智能体系统模型的分布式调度方法，其特征在于，在所述步骤一中，所述突发事件等级是根据影响范围以及程度决定的，低等级延误是使铁路正常行车受到影响的持续时间较短，并且铁路能够尽快恢复线路能力的突发事件；高等级延误是必须使用应急联动机制，进行行车组织计划和行车组织策略调整才能消除对铁路运输秩序的影响的突发事件。

3.根据权利要求2所述的一种突发事件下的基于多智能体系统模型的分布式调度方法，其特征在于，所述模型还包括三类约束：第一类约束为时间方面的约束；第二类约束为容量约束；第三类约束为列车安全运行约束。

4.根据权利要求3所述的一种突发事件下的基于多智能体系统模型的分布式调度方法，其特征在于，所述时间方面的约束为发车时间间隔约束，所述容量约束为轨道能力约束，所述列车安全运行约束为超车约束。

5.根据权利要求4所述的一种突发事件下的基于多智能体系统模型的分布式调度方法，其特征在于，所述优化算法为两阶段法。

6.根据权利要求5所述的一种突发事件下的基于多智能体系统模型的分布式调度方法，其特征在于，基于图论G＝(V,E)的分析方法，在多智能体中，用字母V＝{v|1,2,3,4…}代表智能体节点集合，E＝{(i,j)|i,j∈1,2,3,4…}代表智能体i与智能体j之间的相互联系，v表示智能体节点。

7.根据权利要求6所述的一种突发事件下的基于多智能体系统模型的分布式调度方法，其特征在于，G为整个高铁网络的图论表示，V为车站集合，E为建立联系与影响的两个车站之间的轨道的集合。

Images