CN113256032B - 典型场景下高速铁路乘务排班计划调整的优化方法和装置 - Google Patents
典型场景下高速铁路乘务排班计划调整的优化方法和装置 Download PDFInfo
- Publication number
- CN113256032B CN113256032B CN202110715764.9A CN202110715764A CN113256032B CN 113256032 B CN113256032 B CN 113256032B CN 202110715764 A CN202110715764 A CN 202110715764A CN 113256032 B CN113256032 B CN 113256032B
- Authority
- CN
- China
- Prior art keywords
- crew
- scheduling plan
- riding
- traffic
- establishing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 239000004020 conductor Substances 0.000 claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063116—Schedule adjustment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种典型场景下高速铁路乘务排班计划调整的优化方法、装置、电子设备及计算机可读存储介质,包括步骤:构建高速铁路乘务接续网络;建立高速铁路乘务排班计划调整模型;分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型;设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型。根据本发明的典型场景下高速铁路乘务排班计划调整的优化方法,相比于既有人工调整乘务排班计划的方式,本发明通过构建优化模型并求解的方式,提高了乘务排班计划调整的效率。本发明求解得出的乘务排班计划科学合理。本发明的拉格朗日松弛算法具有通用性好、求解质量好、求解效率高的特点。
Description
技术领域
本发明涉及高速铁路乘务排班领域。更具体地,本发明涉及一种典型场景下高速铁路乘务排班计划调整的优化方法、装置、电子设备及计算机可读存储介质。
背景技术
乘务人员排班管理是铁路客运运营管理的一项重要内容,乘务排班管理的合理与否直接影响到旅客运输的服务质量和列车运营安全。而随着我国高速铁路的快速发展,乘务排班计划在铁路运营过程中的调整次频次大幅增加,由于高铁在运营组织方式上特有的复杂性,也对客运排班调整提出了更高的要求。如何科学、合理的调整乘务人员的乘务计划,实现对乘务人员值乘的科学决策与统筹管理,是对乘务排班调整中需要重点解决的问题。
在乘务排班计划的编制上,铁路部门主要采取人工编制的方法,传统的人工排班方式工作量大、效率低下、准确性低,已经难以适应高铁运营发展的要求。而当需要临时调整乘务计划时,调整时间更加紧迫,对乘务计划调整人员的业务能力要求更高,这导致了调整后的乘务计划质量不佳,严重影响旅客运输的服务质量和后续乘务排班计划的编制。
而既有的研究主要面向匿名的乘务值乘计划调整问题,对每个乘务员的排班计划调整的研究鲜有见到。既有研究主要集中在航空乘务排班调整方面,方法主要以一天为调整周期,通过建立以调整费用最小为目标的多商品流模型进行优化,并通过预处理、D-W分解、分支定界等方法求解。在少量的铁路乘务排班计划调整方法中,主要以列车延误为乘务排班计划调整场景,使用列生成和拉格朗日松弛等方法进行求解。已有研究难以考虑乘务员当前的工作状态、各乘务员的个体差异性、不同乘务员之间搭配的工作偏好以及各乘务员自身的担当偏好等因素,还需要将调整后的乘务值乘计划人为地分配给各个乘务员,难以做到完全自动地调整乘务排班计划。
发明内容
本发明的目的在于解决上述背景技术中的至少一个问题,提供一种典型场景下高速铁路乘务排班计划调整的优化方法、装置、电子设备及计算机可读存储介质。
为了实现上述目的,本发明提供一种一种典型场景下高速铁路乘务排班计划调整的优化方法,其特征在于,包括以下步骤:
构建高速铁路乘务接续网络;
建立高速铁路乘务排班计划调整模型;
分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型;
设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型。
根据本发明的一个方面,所述构建高速铁路乘务接续网络包括:建立节点,所述建立节点为:计划编制周期开始前一天记为,并记的0:00时刻为时间零点,以分钟为单位,则对,其开始时间,结束时间,对,其开始时间,结束时间,根据所在计划日的不同,分别为各乘务员的初始状态、编制周期内各天的乘务交路段以及调整的乘务交路段建立对应的节点;
所述建立节点包括建立源、末节点和建立中间节点;
其中,建立源、末节点为:对都有唯一的乘务基地,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地源节点,记所有的虚拟乘务基地源节点集合为;同样的,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地末节点,记所有的虚拟乘务基地末节点集合为;
建立中间节点为:对且和且,建立对应的乘务交路段中间节点和调整乘务交路段中间节点,各中间节点具有开始位置、开始时间、结束位置、结束时间、持续时间、所在计划日序号和乘务员偏好7个属性,记计划期内的所有乘务交路段中间节点为,所有的调整乘务交路段中间节点集合为,所有的中间节点集合为;
式中,表示所有乘务员集合,为其中任一乘务员,为计划周期内所有计划日的集合,,其中为其中任一计划日,为计划周期的总天数;表示计划周期内所有的乘务交路段集合,为其中任一乘务交路段,和分别表示乘务交路段的开始位置和结束位置,和分别表示乘务交路段的开始时间和结束时间,分别表示乘务交路段的持续时间,表示乘务交路段所在的计划日序号,表示乘务交路段对乘务员的偏好。
表示计划周期内所有的调整的乘务交路段集合,为其中任一调整的乘务交路段,和分别表示调整的乘务交路段的开始位置和结束位置,和分别表示调整的乘务交路段的开始时间和结束时间,表示调整的乘务交路段的持续时间,表示调整的乘务交路段所在的计划日序号,表示乘务交路段对乘务员的偏好。
根据本发明的一个方面,所述构建高速铁路乘务接续网络还包括:建立接续弧;
所述建立接续弧包括建立:
1)乘务出乘弧:对,若其所归属的乘务基地与和的开始位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地源节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务出乘弧集合为;
2)乘务接续弧:从计划日到,对期间任一为单日乘务交路段和调整的乘务交路段,若前一乘务交路段的结束位置与后一乘务交路段的起始位置相同,则在两乘务交路段中间节点间建立一条乘务接续弧、或,记所有的乘务接续弧集合为;
3)乘务添乘弧:从计划日到,对,当其完成任一乘务交路段之后的结束位置与其需完成的下一乘务交路段的开始位置不一致时,考虑为其建立一条乘务添乘弧;即当其完成的乘务交路段中间节点的结束位置与其他乘务交路段中间节点的起始位置相同时,在二者之间建立一条乘务添乘弧、或,记所有的乘务接续弧集合为;
4)乘务退乘弧:对,若其所归属的乘务基地与和的结束位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地末节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务退乘弧集合为;
根据本发明的一个方面,所述建立高速铁路乘务排班计划调整模型包括:建立高速铁路乘务排班计划调整模型目标函数;
所述高速铁路乘务排班计划调整模型的优化目标为完成调整之后的乘务交路计划的费用最小,该优化目标的目标函数为:
式中,乘务员乘务任务集合,普通乘务员乘务任务集合,表示乘务员的可行乘务交路集合,为其中任一乘务交路,表示承担乘务交路所需的费用,为0-1决策变量,若乘务员承担乘务交路,则,否则为0;为乘务任务,表示若乘务任务少配置一名乘务员的惩罚费用,乘务任务允许少配置1名乘务员;为0-1决策变量,若乘务任务少配置1名乘务员,则,否则为0;普通乘务员集合,表示乘务员不与其所对应的列车长一起承担任务时所产生的惩罚费用,为0-1决策变量,若乘务员不与其对应的列车长一起承担乘务任务,则,否则为0;
所述调整之后的乘务交路计划的费用与调整之后乘务计划的偏离度、乘务员作为乘客添乘的次数、乘务员偏好的匹配情况和乘务员月度工作时长的偏离度相关,因此为了描述所述乘务交路计划的费用和所述调整之后乘务计划的偏离度、乘务员作为乘客添乘的次数、乘务员偏好的匹配情况和乘务员相关关系的影响,给出费用计算公式为:
其中,表示对乘务员偏离原乘务交路的惩罚值,表示乘务交路所包含的乘务任务集合,表示乘务员作为乘客添乘乘务任务的费用,为0-1变量,若乘务员作为乘客添乘乘务交路中的乘务任务,则,否则为0,表示匹配乘务任务的偏好所产生的费用, 为变量,若乘务交路包含乘务任务,则,否则为,表示乘务员偏离月度工作时间的惩罚系数,表示乘务员承担乘务交路所偏离的月度工作时间。
根据本发明的一个方面,所述建立高速铁路乘务排班计划调整模型还包括:建立高速铁路乘务排班计划调整模型约束条件,所述约束条件包括:
2)乘务任务覆盖约束,对于所有的列车长乘务任务、乘务员乘务任务和安全员乘务任务,都必须有与之相匹配的乘务员去完成,对应的约束表述分别为:
3)乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
5)决策变量取值约束:
以上式中,表示列车长集合,表示承担乘务任务所需的列车长数量,表示列车长乘务任务集合,表示乘务员集合,表示承担乘务任务所需的乘务员数量,表示安全员集合,表示承担乘务任务所需的安全员数量,表示安全员乘务任务集合,表示已知变量,表示乘务交路计划中的乘务任务对乘务员存在偏好;若该偏好为对男性的偏好,则当乘务员为男性时;当乘务员为女性时;表示乘务任务的偏好的阈值,若该偏好为对男性的偏好,则该值等于乘务任务所要求的男性乘务员数量;表示乘务任务对乘务员分配的偏好集合,为其中任一偏好,表示对任意普通乘务员所对应乘务队中的列车长,;表示乘务员对应的乘务长的可行乘务交路集合; 为变量,若乘务交路包含乘务任务,则,否则为; 为决策变量,若乘务员对应的乘务长承担的乘务交路,则,否则为0。
根据本发明的一个方面,所述列车长排班计划调整模型完成列车长类别的乘务任务,模型的优化目标为完成调整之后的整个乘务交路计划中的列车长乘务任务的费用最小:
所述列车长排班计划调整模型的约束条件包括:
2)乘务任务覆盖约束,对于所有的列车长乘务任务,都必须有与之相匹配的列车长去完成,对应的约束表述为:
3)决策变量取值约束:
普通乘务员排班计划调整模型完成普通乘务员类别的乘务任务,普通乘务员排班计划调整模型的优化目标为完成调整之后的整个乘务交路计划中的普通乘务员乘务任务的费用最小:
所述普通乘务员排班计划调整模型的约束条件包括:
2)乘务任务覆盖约束,对于所有的普通乘务员乘务任务,都必须有与之相匹配的普通乘务员去完成,对应的约束分别表述为:
3)乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
4)决策变量取值约束:
根据本发明的一个方面,将所述列车长排班计划调整模型中的乘务任务覆盖约束松弛,将所述普通乘务员排班计划调整模型中的乘务任务覆盖约束松弛和乘务员偏好约束松弛,并将各约束作为惩罚项分别添加到所述目标函数中,添加了惩罚项的所述列车长排班计划调整模型和所述普通乘务员排班计划调整模型分别如下:
1)松弛乘务任务覆盖约束后的列车长排班计划调整模型:
2)松弛乘务任务覆盖约束和乘务员偏好约束后的普通乘务员排班计划调整模型
根据本发明的一个方面,求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型的拉格朗日松弛算法包括以下步骤:
步骤1:松弛原问题;根据列车长排班计划调整模型和普通乘务员排班计划调整模型中的乘务任务覆盖约束和乘务员偏好约束松弛,形成拉格朗日松弛问题;
步骤3:求解两个松弛问题,获得下界解;利用最短路求解方法求解拉格朗日松弛问题,获得列车长排班计划调整模型和普通乘务员排班计划调整模型的下界值,并将求解获得的可行运用路径添加进列池;
步骤4:求解原问题,获得上界解;根据不断更新的列池信息,求解原问题,获得原问题的上界值;
步骤5:计算原问题上下界间隔,并判断是否满足算法结束条件,若满足,则算法结束,若不满足,则转至以下步骤6;
步骤6:更新拉格朗日乘子;利用次梯度方法对拉格朗日乘子进行更新,之后转至所述步骤3继续计算。
为实现上述目的,本发明还提供一种典型场景下高速铁路乘务排班计划调整的优化装置,包括:
接续网络构建模块,用于构建高速铁路乘务接续网络;
模型建立模块,用于建立高速铁路乘务排班计划调整模型;
模型分解模块,用于分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型;
模型求解模块,设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型。
为实现上述目的,本发明还提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述方法。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述方法。
本发明的有益效果在于:
(1)相比于既有人工调整乘务排班计划的方式,本发明通过构建优化模型并求解的方式,大幅提高了乘务排班计划调整的效率。
(2)本发明在模型构建时,综合考虑调整之后乘务计划的偏离度、乘务员作为乘客添乘的次数、乘务员偏好的匹配情况、乘务员月度工作时长的偏离度等目标,使得求解得出的乘务排班计划更加科学合理。
(3)本发明设计的拉格朗日松弛算法,可以对乘务排班计划调整模型进行求解,具有通用性好、求解质量好、求解效率高的特点。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示意性表示根据本发明的典型场景下高速铁路乘务排班计划调整的优化方法的流程图;
图2为乘务接续网络示意图;
图3为拉格朗日松弛算法的求解流程图。
图4示意性表示根据本发明的典型场景下高速铁路乘务排班计划调整的优化装置的结构框图。
具体实施方式
应当理解,以下实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施技术方案的精神和范围。本发明的保护范围仅由随附权利要求书限定。
本发明提出的一种典型场景下高速铁路乘务排班计划调整的优化方法,首先分析高速铁路乘务排班计划调整的几种典型应用场景,在此基础上,构建高速铁路乘务接续网络,并建立贴近实际的高速铁路乘务排班计划调整模型,之后根据乘务员类别的不同,将高速铁路乘务排班计划调整模型分解为列车长排班计划调整模型和普通乘务员排班计划调整模型,最后设计拉格朗日松弛算法求解模型。
所述方法的研究过程包括:高速铁路乘务排班计划调整的几种典型场景分析;高速铁路乘务接续网络的构建;高速铁路乘务排班计划调整模型的建立;高速铁路乘务排班计划调整模型的分解;拉格朗日松弛算法的设计。
实际上,本发明的方法是基于以下场景进行优化调整的,具体如下:
高速铁路乘务排班计划调整的典型场景分析:在铁路运营过程中,时常出现调图、加开临客、改变编组、启用热备等情况,当上述情况出现时,高速铁路乘务排班计划需进行调整。本发明分析在铁路运营过程中,需进行乘务排班调整的典型场景,具体如下:
(1)面对客流高峰需要重联动车组增加运力导致的乘务排班计划调整的场景。在铁路运营过程中,当出现客流高峰需要增加运力时,铁路运营部门通常通过重联动车组来实现,在这一过程中,乘务排班将出现变化,需要增加该次列车的乘务员配置。通常情况下,当一列车为8编组时,需配置1名列车长和2名乘务员;而当列车重联为8+8编组时,则需要配置2名列车长和4名乘务员。此时,该乘务任务发生了人员配置的变化,需要重新安排乘务员完成该乘务任务,除此之外,由于抽调了乘务员承当变化的乘务任务,被抽调的乘务员承担的原乘务交路也可能不能继续完成,因此,需要对整个乘务排班计划进行调整。
(2)动车组编组计划变化导致的乘务排班计划调整的场景。随着动车组种类的增加,16编组的动车组投入使用,在铁路运营过程中,时常出现16编组和8+8编组的动车组替换使用,但由于16编组的动车组需配置1名列车长和4名乘务员,与8+8编组的乘务员配置略有不同,因此,当根据运营需要使用16编组的动车组替换8+8编组的动车组时或使用8+8编组的动车组替换16编组的动车组时,需要对乘务员的排班进行调整。
针对以上乘务排班调整的场景,本发明设计高速铁路乘务排班计划调整的优化方法对乘务排班计划进行优化调整。
图1示意性表示根据本发明的典型场景下高速铁路乘务排班计划调整的优化方法的流程图。如图1所示,本发明的方法包括如下步骤:
步骤1.构建高速铁路乘务接续网络;
(1)定义如下接续网络参数:
表示计划周期内所有的乘务交路段集合,为其中任一乘务交路段,和分别表示乘务交路段的开始位置和结束位置,和分别表示乘务交路段的开始时间和结束时间,分别表示乘务交路段的持续时间,表示乘务交路段所在的计划日序号,表示乘务交路段对乘务员的偏好。
表示计划周期内所有的调整的乘务交路段集合,为其中任一调整的乘务交路段,和分别表示调整的乘务交路段的开始位置和结束位置,和分别表示调整的乘务交路段的开始时间和结束时间,表示调整的乘务交路段的持续时间,表示调整的乘务交路段所在的计划日序号,表示乘务交路段对乘务员的偏好。
(2)构建接续网络包括:
建立节点,假设计划编制周期开始前一天记为,并记的时刻为时间零点,以分钟为单位,则对,其开始时间,结束时间,对,其开始时间,结束时间。根据所在计划日的不同,分别为各乘务员的初始状态、编制周期内各天的乘务交路段以及调整的乘务交路段建立对应的节点。
建立节点包括:
1)源、末节点
对都有唯一的乘务基地,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地源节点,记所有的虚拟乘务基地源节点集合为;同样的,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地末节点,记所有的虚拟乘务基地末节点集合为。
2)中间节点
对且和且,建立对应的乘务交路段中间节点和调整乘务交路段中间节点。各中间节点具有开始位置、开始时间、结束位置、结束时间、持续时间、所在计划日序号和乘务员偏好等7个属性,记计划期内的所有乘务交路段中间节点为,所有的调整乘务交路段中间节点集合为,所有的中间节点集合为。
构建接续网络还包括:建立接续弧;
建立接续弧包括:
1)乘务出乘弧:对,若其所归属的乘务基地与和的开始位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地源节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务出乘弧集合为。
2)乘务接续弧:从计划日到,对期间任一为单日乘务交路段和调整的乘务交路段,若前一乘务交路段的结束位置与后一乘务交路段的起始位置相同,则在两乘务交路段中间节点间建立一条乘务接续弧、或,记所有的乘务接续弧集合为。
3)乘务添乘弧:从计划日到,对,当其完成任一乘务交路段之后的结束位置与其需完成的下一乘务交路段的开始位置不一致时,考虑为其建立一条乘务添乘弧;即当其完成的乘务交路段中间节点的结束位置与其他乘务交路段中间节点的起始位置相同时,在二者之间建立一条乘务添乘弧、或,记所有的乘务接续弧集合为。
4)乘务退乘弧:对,若其所归属的乘务基地与和的结束位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地末节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务退乘弧集合为。
如图2所示构建以2天为编制周期的乘务接续网络示意图。
步骤2.建立高速铁路乘务排班计划调整模型;
(1)定义如下参数与变量:
表示所有乘务任务集合,为其中任一乘务任务。对于所有的乘务任务,可将其分为列车长乘务任务和普通乘务员乘务任务两类,其中,普通乘务员乘务任务又可以分为乘务员乘务任务和安全员乘务任务两类。在承担乘务任务时,列车长可以向下承担普通乘务员乘务任务,列车长和乘务员可以向下承担安全员乘务任务。
(2)建立高速铁路乘务排班计划调整模型目标函数
高速铁路乘务排班计划调整模型的优化目标为完成调整之后的整个乘务交路计划的费用最小,该优化目标的目标函数为:
其中,表示对乘务员偏离原乘务交路的惩罚值,表示乘务员作为乘客添乘乘务任务的费用,为变量,若乘务员作为乘客添乘乘务交路中的乘务任务,则,否则为,表示匹配乘务任务的偏好所产生的费用,表示乘务员偏离月度工作时间的惩罚系数,表示乘务员承担乘务交路所偏离的月度工作时间。
(2)建立高速铁路乘务排班计划调整模型约束条件
乘务任务覆盖约束,对于所有的列车长乘务任务、乘务员乘务任务和安全员乘务任务,都必须有与之相匹配的乘务员去完成,对应的约束表述分别为:
乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
决策变量取值约束:
步骤3.分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型;
根据乘务员类别的不同,将高速铁路乘务排班计划调整模型分解为列车长排班计划调整模型和普通乘务员排班计划调整模型。列车长排班计划调整模型只需完成列车长类别的乘务任务,模型的优化目标为完成调整之后的整个乘务交路计划中的列车长乘务任务的费用最小:
模型的约束条件包括:
乘务任务覆盖约束,对于所有的列车长乘务任务,都必须有与之相匹配的列车长去完成,对应的约束表述为:
决策变量取值约束:
普通乘务员排班计划调整模型只需完成普通乘务员类别的乘务任务,普通乘务员排班计划调整模型的优化目标为完成调整之后的整个乘务交路计划中的普通乘务员乘务任务的费用最小:
模型的约束条件包括:
乘务任务覆盖约束,对于所有的普通乘务员乘务任务,都必须有与之相匹配的普通乘务员去完成,对应的约束分别表述为:
乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
决策变量取值约束:
步骤4. 设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型。
分析列车长排班计划调整模型和普通乘务员排班计划调整模型可以发现,乘务任务覆盖约束和乘务员偏好约束是导致问题规模变大、制约模型求解的复杂约束,因此,将列车长排班计划调整模型中的乘务任务覆盖约束松弛,将普通乘务员排班计划调整模型中的乘务任务覆盖约束松弛和乘务员偏好约束松弛,并将以上约束作为惩罚项分别添加到目标函数中。添加了惩罚项的列车长排班计划调整模型和普通乘务员排班计划调整模型分别如下:
(1)松弛乘务任务覆盖约束后的列车长排班计划调整模型
(2)松弛乘务任务覆盖约束和乘务员偏好约束后的普通乘务员排班计划调整模型
将两个模型松弛之后,模型变为经典的最短路问题,可运用最短路问题的求解方法求出两问题的下界解,并将求解获得的可行乘务交路添加进列池中,再使用商业求解软件对原问题进行求解获得上界,之后计算上下界间隔,并判断是否满足算法结束条件,若不满足则更新拉格朗日乘子,继续求解上、下界,直至算法结束。模型求解算法的整体求解流程如图3所示:
步骤1:松弛原问题。根据列车长排班计划调整模型和普通乘务员排班计划调整模型中的乘务任务覆盖约束和乘务员偏好约束松弛,形成拉格朗日松弛问题。
步骤3:求解两个松弛问题,获得下界解。利用最短路求解方法求解拉格朗日松弛问题,获得列车长排班计划调整模型和普通乘务员排班计划调整模型的下界值,并将求解获得的可行运用路径添加进列池。
步骤4:求解原问题,获得上界解。根据不断更新的列池信息,运用商业求解软件直接求解原问题,获得原问题的上界值。
步骤5:计算原问题上下界间隔,并判断是否满足算法结束条件,若满足,则算法结束,若不满足,则转至步骤6。
步骤6:更新拉格朗日乘子。利用次梯度方法对拉格朗日乘子进行更新,之后转至步骤3继续计算。
为实现上述发明目的,本发明还提供一种典型场景下高速铁路乘务排班计划调整的优化装置,装置结构框图如图4所示,包括:
接续网络构建模块,用于构建高速铁路乘务接续网络;
模型建立模块,用于建立高速铁路乘务排班计划调整模型;
模型分解模块,用于分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型;
模型求解模块,设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型。
具体地,接续网络构建模块构建高速铁路乘务接续网络如下:
(1)定义如下接续网络参数:
表示计划周期内所有的乘务交路段集合,为其中任一乘务交路段,和分别表示乘务交路段的开始位置和结束位置,和分别表示乘务交路段的开始时间和结束时间,分别表示乘务交路段的持续时间,表示乘务交路段所在的计划日序号,表示乘务交路段对乘务员的偏好。
表示计划周期内所有的调整的乘务交路段集合,为其中任一调整的乘务交路段,和分别表示调整的乘务交路段的开始位置和结束位置,和分别表示调整的乘务交路段的开始时间和结束时间,表示调整的乘务交路段的持续时间,表示调整的乘务交路段所在的计划日序号,表示乘务交路段对乘务员的偏好。
(2)构建接续网络包括:
建立节点,假设计划编制周期开始前一天记为,并记的时刻为时间零点,以分钟为单位,则对,其开始时间,结束时间,对,其开始时间,结束时间。根据所在计划日的不同,分别为各乘务员的初始状态、编制周期内各天的乘务交路段以及调整的乘务交路段建立对应的节点。
建立节点包括:
1)源、末节点
对都有唯一的乘务基地,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地源节点,记所有的虚拟乘务基地源节点集合为;同样的,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地末节点,记所有的虚拟乘务基地末节点集合为。
2)中间节点
对且和且,建立对应的乘务交路段中间节点和调整乘务交路段中间节点。各中间节点具有开始位置、开始时间、结束位置、结束时间、持续时间、所在计划日序号和乘务员偏好等7个属性,记计划期内的所有乘务交路段中间节点为,所有的调整乘务交路段中间节点集合为,所有的中间节点集合为。
构建接续网络还包括:建立接续弧;
建立接续弧包括:
1)乘务出乘弧:对,若其所归属的乘务基地与和的开始位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地源节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务出乘弧集合为。
2)乘务接续弧:从计划日到,对期间任一为单日乘务交路段和调整的乘务交路段,若前一乘务交路段的结束位置与后一乘务交路段的起始位置相同,则在两乘务交路段中间节点间建立一条乘务接续弧、或,记所有的乘务接续弧集合为。
3)乘务添乘弧:从计划日到,对,当其完成任一乘务交路段之后的结束位置与其需完成的下一乘务交路段的开始位置不一致时,考虑为其建立一条乘务添乘弧;即当其完成的乘务交路段中间节点的结束位置与其他乘务交路段中间节点的起始位置相同时,在二者之间建立一条乘务添乘弧、或,记所有的乘务接续弧集合为。
4)乘务退乘弧:对,若其所归属的乘务基地与和的结束位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地末节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务退乘弧集合为。
如图2所示构建以2天为编制周期的乘务接续网络示意图。
模型建立模块建立高速铁路乘务排班计划调整模型如下:
(2)定义如下参数与变量:
表示所有乘务任务集合,为其中任一乘务任务。对于所有的乘务任务,可将其分为列车长乘务任务和普通乘务员乘务任务两类,其中,普通乘务员乘务任务又可以分为乘务员乘务任务和安全员乘务任务两类。在承担乘务任务时,列车长可以向下承担普通乘务员乘务任务,列车长和乘务员可以向下承担安全员乘务任务。
(2)建立高速铁路乘务排班计划调整模型目标函数
高速铁路乘务排班计划调整模型的优化目标为完成调整之后的整个乘务交路计划的费用最小,该优化目标的目标函数为:
其中,表示对乘务员偏离原乘务交路的惩罚值,表示乘务员作为乘客添乘乘务任务的费用,为变量,若乘务员作为乘客添乘乘务交路中的乘务任务,则,否则为,表示匹配乘务任务的偏好所产生的费用,表示乘务员偏离月度工作时间的惩罚系数,表示乘务员承担乘务交路所偏离的月度工作时间。
(2)建立高速铁路乘务排班计划调整模型约束条件
乘务任务覆盖约束,对于所有的列车长乘务任务、乘务员乘务任务和安全员乘务任务,都必须有与之相匹配的乘务员去完成,对应的约束表述分别为:
乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
决策变量取值约束:
模型分解模块分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型如下:
根据乘务员类别的不同,将高速铁路乘务排班计划调整模型分解为列车长排班计划调整模型和普通乘务员排班计划调整模型。列车长排班计划调整模型只需完成列车长类别的乘务任务,模型的优化目标为完成调整之后的整个乘务交路计划中的列车长乘务任务的费用最小:
模型的约束条件包括:
乘务任务覆盖约束,对于所有的列车长乘务任务,都必须有与之相匹配的列车长去完成,对应的约束表述为:
决策变量取值约束:
普通乘务员排班计划调整模型只需完成普通乘务员类别的乘务任务,普通乘务员排班计划调整模型的优化目标为完成调整之后的整个乘务交路计划中的普通乘务员乘务任务的费用最小:
模型的约束条件包括:
乘务任务覆盖约束,对于所有的普通乘务员乘务任务,都必须有与之相匹配的普通乘务员去完成,对应的约束分别表述为:
乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
决策变量取值约束:
模型求解模块设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型如下:
分析列车长排班计划调整模型和普通乘务员排班计划调整模型可以发现,乘务任务覆盖约束和乘务员偏好约束是导致问题规模变大、制约模型求解的复杂约束,因此,将列车长排班计划调整模型中的乘务任务覆盖约束松弛,将普通乘务员排班计划调整模型中的乘务任务覆盖约束松弛和乘务员偏好约束松弛,并将以上约束作为惩罚项分别添加到目标函数中。添加了惩罚项的列车长排班计划调整模型和普通乘务员排班计划调整模型分别如下:
(1)松弛乘务任务覆盖约束后的列车长排班计划调整模型
(2)松弛乘务任务覆盖约束和乘务员偏好约束后的普通乘务员排班计划调整模型
将两个模型松弛之后,模型变为经典的最短路问题,可运用最短路问题的求解方法求出两问题的下界解,并将求解获得的可行乘务交路添加进列池中,再使用商业求解软件对原问题进行求解获得上界,之后计算上下界间隔,并判断是否满足算法结束条件,若不满足则更新拉格朗日乘子,继续求解上、下界,直至算法结束。模型求解算法的整体求解流程如图3所示:
步骤1:松弛原问题。根据列车长排班计划调整模型和普通乘务员排班计划调整模型中的乘务任务覆盖约束和乘务员偏好约束松弛,形成拉格朗日松弛问题。
步骤3:求解两个松弛问题,获得下界解。利用最短路求解方法求解拉格朗日松弛问题,获得列车长排班计划调整模型和普通乘务员排班计划调整模型的下界值,并将求解获得的可行运用路径添加进列池。
步骤4:求解原问题,获得上界解。根据不断更新的列池信息,运用商业求解软件直接求解原问题,获得原问题的上界值。
步骤5:计算原问题上下界间隔,并判断是否满足算法结束条件,若满足,则算法结束,若不满足,则转至步骤6。
步骤6:更新拉格朗日乘子。利用次梯度方法对拉格朗日乘子进行更新,之后转至步骤3继续计算。
为实现上述发明目的,本发明还提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述方法。
根据本发明的上述方案,能够取得以下有益效果:
(1)相比于既有人工调整乘务排班计划的方式,本发明通过构建优化模型并求解的方式,大幅提高了乘务排班计划调整的效率。
(2)本发明在模型构建时,综合考虑调整之后乘务计划的偏离度、乘务员作为乘客添乘的次数、乘务员偏好的匹配情况、乘务员月度工作时长的偏离度等目标,使得求解得出的乘务排班计划更加科学合理。
(3)本发明设计的拉格朗日松弛算法,可以对乘务排班计划调整模型进行求解,具有通用性好、求解质量好、求解效率高的特点。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:盘、移动硬盘、、、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (9)
1.一种典型场景下高速铁路乘务排班计划调整的优化方法,其特征在于,包括以下步骤:
构建高速铁路乘务接续网络;
建立高速铁路乘务排班计划调整模型;
分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型;
设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型;
所述构建高速铁路乘务接续网络包括:建立节点,所述建立节点为:计划编制周期开始前一天记为,并记的0:00时刻为时间零点,以分钟为单位,则对,其开始时间,结束时间,对,其开始时间,结束时间,根据所在计划日的不同,分别为各乘务员的初始状态、编制周期内各天的乘务交路段以及调整的乘务交路段建立对应的节点;
所述建立节点包括建立源、末节点和建立中间节点;
其中,建立源、末节点为:对都有唯一的乘务基地,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地源节点,记所有的虚拟乘务基地源节点集合为;同样的,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地末节点,记所有的虚拟乘务基地末节点集合为;
建立中间节点为:对且和且,建立对应的乘务交路段中间节点和调整乘务交路段中间节点,各中间节点具有开始位置、开始时间、结束位置、结束时间、持续时间、所在计划日序号和乘务员偏好7个属性,记计划期内的所有乘务交路段中间节点为,所有的调整乘务交路段中间节点集合为,所有的中间节点集合为;
式中,表示所有乘务员集合,为其中任一乘务员,为计划周期内所有计划日的集合,,其中为其中任一计划日,为计划周期的总天数;表示计划周期内所有的乘务交路段集合,为其中任一乘务交路段, 和分别表示乘务交路段的开始时间和结束时间,分别表示乘务交路段的持续时间,表示乘务交路段所在的计划日序号;
所述构建高速铁路乘务接续网络还包括:建立接续弧;
所述建立接续弧包括建立:
1)乘务出乘弧:对,若其所归属的乘务基地与和的开始位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地源节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务出乘弧集合为;
2)乘务接续弧:从计划日到,对期间任一为单日乘务交路段和调整的乘务交路段,若前一乘务交路段的结束位置与后一乘务交路段的起始位置相同,则在两乘务交路段中间节点间建立一条乘务接续弧、或,记所有的乘务接续弧集合为;
3)乘务添乘弧:从计划日到,对,当其完成任一乘务交路段之后的结束位置与其需完成的下一乘务交路段的开始位置不一致时,考虑为其建立一条乘务添乘弧;即当其完成的乘务交路段中间节点的结束位置与其他乘务交路段中间节点的起始位置相同时,在二者之间建立一条乘务添乘弧、或,记所有的乘务接续弧集合为;
4)乘务退乘弧:对,若其所归属的乘务基地与和的结束位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地末节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务退乘弧集合为;
2.根据权利要求1所述的一种典型场景下高速铁路乘务排班计划调整的优化方法,其特征在于,所述建立高速铁路乘务排班计划调整模型包括:建立高速铁路乘务排班计划调整模型目标函数;
所述高速铁路乘务排班计划调整模型的优化目标为完成调整之后的乘务交路计划的费用最小,该优化目标的目标函数为:
式中,乘务员乘务任务集合,普通乘务员乘务任务集合,表示乘务员的可行乘务交路集合,为其中任一乘务交路,表示承担乘务交路所需的费用,为0-1决策变量,若乘务员承担乘务交路,则,否则为0;为乘务任务,表示若乘务任务少配置一名乘务员的惩罚费用,乘务任务允许少配置1名乘务员;为0-1决策变量,若乘务任务少配置1名乘务员,则,否则为0;普通乘务员集合,表示乘务员不与其所对应的列车长一起承担任务时所产生的惩罚费用,为0-1决策变量,若乘务员不与其对应的列车长一起承担乘务任务,则,否则为0;
所述调整之后的乘务交路计划的费用与调整之后乘务计划的偏离度、乘务员作为乘客添乘的次数、乘务员偏好的匹配情况和乘务员月度工作时长的偏离度相关,因此为了描述所述乘务交路计划的费用和所述调整之后乘务计划的偏离度、乘务员作为乘客添乘的次数、乘务员偏好的匹配情况和乘务员相关关系的影响,给出费用计算公式为:
3.根据权利要求2所述的一种典型场景下高速铁路乘务排班计划调整的优化方法,其特征在于,所述建立高速铁路乘务排班计划调整模型还包括:建立高速铁路乘务排班计划调整模型约束条件,所述约束条件包括:
2)乘务任务覆盖约束,对于所有的列车长乘务任务、乘务员乘务任务和安全员乘务任务,都必须有与之相匹配的乘务员去完成,对应的约束表述分别为:
3)乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
5)决策变量取值约束:
以上式中,表示列车长集合,表示承担乘务任务所需的列车长数量,表示列车长乘务任务集合,表示乘务员集合,表示承担乘务任务所需的乘务员数量,表示安全员集合,表示承担乘务任务所需的安全员数量,表示安全员乘务任务集合,表示已知0-1变量,表示乘务交路计划中的乘务任务对乘务员存在偏好;若该偏好为对男性的偏好,则当乘务员为男性时;当乘务员为女性时;表示乘务任务的偏好的阈值,若该偏好为对男性的偏好,则该值等于乘务任务所要求的男性乘务员数量;表示乘务任务对乘务员分配的偏好集合,为其中任一偏好,表示对任意普通乘务员所对应乘务队中的列车长,;表示乘务员对应的乘务长的可行乘务交路集合; 为0-1变量,若乘务交路包含乘务任务,则,否则为0; 为0-1决策变量,若乘务员对应的乘务长承担的乘务交路,则,否则为0。
4.根据权利要求2所述的一种典型场景下高速铁路乘务排班计划调整的优化方法,其特征在于,所述列车长排班计划调整模型完成列车长类别的乘务任务,模型的优化目标为完成调整之后的整个乘务交路计划中的列车长乘务任务的费用最小:
所述列车长排班计划调整模型的约束条件包括:
2)乘务任务覆盖约束,对于所有的列车长乘务任务,都必须有与之相匹配的列车长去完成,对应的约束表述为:
3)决策变量取值约束:
普通乘务员排班计划调整模型完成普通乘务员类别的乘务任务,普通乘务员排班计划调整模型的优化目标为完成调整之后的整个乘务交路计划中的普通乘务员乘务任务的费用最小:
所述普通乘务员排班计划调整模型的约束条件包括:
2)乘务任务覆盖约束,对于所有的普通乘务员乘务任务,都必须有与之相匹配的普通乘务员去完成,对应的约束分别表述为:
3)乘务员偏好约束,对于有乘务员偏好的乘务任务,在安排乘务任务时需满足乘务员偏好需求:
4)决策变量取值约束:
5.根据权利要求4所述的一种典型场景下高速铁路乘务排班计划调整的优化方法,其特征在于,将所述列车长排班计划调整模型中的乘务任务覆盖约束松弛,将所述普通乘务员排班计划调整模型中的乘务任务覆盖约束松弛和乘务员偏好约束松弛,并将各约束作为惩罚项分别添加到所述目标函数中,添加了惩罚项的所述列车长排班计划调整模型和所述普通乘务员排班计划调整模型分别如下:
1)松弛乘务任务覆盖约束后的列车长排班计划调整模型:
2)松弛乘务任务覆盖约束和乘务员偏好约束后的普通乘务员排班计划调整模型
6.根据权利要求4所述的一种典型场景下高速铁路乘务排班计划调整的优化方法,其特征在于,求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型的拉格朗日松弛算法包括以下步骤:
步骤1:松弛原问题;根据列车长排班计划调整模型和普通乘务员排班计划调整模型中的乘务任务覆盖约束和乘务员偏好约束松弛,形成拉格朗日松弛问题;
步骤3:求解两个松弛问题,获得下界解;利用最短路求解方法求解拉格朗日松弛问题,获得列车长排班计划调整模型和普通乘务员排班计划调整模型的下界值,并将求解获得的可行运用路径添加进列池;
步骤4:求解原问题,获得上界解;根据不断更新的列池信息,求解原问题,获得原问题的上界值;
步骤5:计算原问题上下界间隔,并判断是否满足算法结束条件,若满足,则算法结束,若不满足,则转至以下步骤6;
步骤6:更新拉格朗日乘子;利用次梯度方法对拉格朗日乘子进行更新,之后转至所述步骤3继续计算。
7.一种典型场景下高速铁路乘务排班计划调整的优化装置,其特征在于,包括:
接续网络构建模块,用于构建高速铁路乘务接续网络;
模型建立模块,用于建立高速铁路乘务排班计划调整模型;
模型分解模块,用于分解高速铁路乘务排班计划调整模型为列车长排班计划调整模型和普通乘务员排班计划调整模型;
模型求解模块,设计拉格朗日松弛算法求解所述列车长排班计划调整模型和普通乘务员排班计划调整模型;
所述构建高速铁路乘务接续网络包括:建立节点,所述建立节点为:计划编制周期开始前一天记为,并记的0:00时刻为时间零点,以分钟为单位,则对,其开始时间,结束时间,对,其开始时间,结束时间,根据所在计划日的不同,分别为各乘务员的初始状态、编制周期内各天的乘务交路段以及调整的乘务交路段建立对应的节点;
所述建立节点包括建立源、末节点和建立中间节点;
其中,建立源、末节点为:对都有唯一的乘务基地,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地源节点,记所有的虚拟乘务基地源节点集合为;同样的,对乘务计划编制涉及的乘务区域内所有的乘务基地分别建立虚拟乘务基地末节点,记所有的虚拟乘务基地末节点集合为;
建立中间节点为:对且和且,建立对应的乘务交路段中间节点和调整乘务交路段中间节点,各中间节点具有开始位置、开始时间、结束位置、结束时间、持续时间、所在计划日序号和乘务员偏好7个属性,记计划期内的所有乘务交路段中间节点为,所有的调整乘务交路段中间节点集合为,所有的中间节点集合为;
式中,表示所有乘务员集合,为其中任一乘务员,为计划周期内所有计划日的集合,,其中为其中任一计划日,为计划周期的总天数;表示计划周期内所有的乘务交路段集合,为其中任一乘务交路段, 和分别表示乘务交路段的开始时间和结束时间,分别表示乘务交路段的持续时间,表示乘务交路段所在的计划日序号;
所述构建高速铁路乘务接续网络还包括:建立接续弧;
所述建立接续弧包括建立:
1)乘务出乘弧:对,若其所归属的乘务基地与和的开始位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地源节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务出乘弧集合为;
2)乘务接续弧:从计划日到,对期间任一为单日乘务交路段和调整的乘务交路段,若前一乘务交路段的结束位置与后一乘务交路段的起始位置相同,则在两乘务交路段中间节点间建立一条乘务接续弧、或,记所有的乘务接续弧集合为;
3)乘务添乘弧:从计划日到,对,当其完成任一乘务交路段之后的结束位置与其需完成的下一乘务交路段的开始位置不一致时,考虑为其建立一条乘务添乘弧;即当其完成的乘务交路段中间节点的结束位置与其他乘务交路段中间节点的起始位置相同时,在二者之间建立一条乘务添乘弧、或,记所有的乘务接续弧集合为;
4)乘务退乘弧:对,若其所归属的乘务基地与和的结束位置相同,且乘务员符合和对乘务员的偏好,则在虚拟乘务基地末节点与乘务交路段或调整的乘务交路段中间节点间建立一条乘务出乘弧或,记所有的乘务退乘弧集合为;
8.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715764.9A CN113256032B (zh) | 2021-06-28 | 2021-06-28 | 典型场景下高速铁路乘务排班计划调整的优化方法和装置 |
US17/848,302 US11694134B2 (en) | 2021-06-28 | 2022-06-23 | Optimization method and device of crew replanning for high-speed railway in typical scenarios |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715764.9A CN113256032B (zh) | 2021-06-28 | 2021-06-28 | 典型场景下高速铁路乘务排班计划调整的优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256032A CN113256032A (zh) | 2021-08-13 |
CN113256032B true CN113256032B (zh) | 2021-10-01 |
Family
ID=77189938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110715764.9A Active CN113256032B (zh) | 2021-06-28 | 2021-06-28 | 典型场景下高速铁路乘务排班计划调整的优化方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11694134B2 (zh) |
CN (1) | CN113256032B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837438B (zh) * | 2021-08-19 | 2023-04-07 | 西南交通大学 | 基于spfa算法的地铁乘务排班计划编制优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542404A (zh) * | 2011-12-09 | 2012-07-04 | 中国南方航空股份有限公司 | 一种机组排班方法及实现该机组排班方法的系统 |
CN110490440A (zh) * | 2019-08-05 | 2019-11-22 | 北京交通大学 | 乘务交路计划与值乘计划一体化编制的优化方法及装置 |
CN111547113A (zh) * | 2020-05-22 | 2020-08-18 | 卡斯柯信号(成都)有限公司 | 一种地铁司机正线多点值乘的自动排班方法 |
CN112101686A (zh) * | 2020-11-23 | 2020-12-18 | 北京交通大学 | 一种基于可行标号接续网络的乘务交路计划编制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8433461B2 (en) * | 2006-11-02 | 2013-04-30 | General Electric Company | Method of planning the movement of trains using pre-allocation of resources |
US20110112877A1 (en) * | 2009-11-09 | 2011-05-12 | Nirmal Govind | Method and Apparatus for Constraint-based Staff Scheduling |
US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
CN109508809B (zh) * | 2018-09-25 | 2020-11-03 | 珠海优特电力科技股份有限公司 | 乘务管理方法及装置 |
CN110070206A (zh) * | 2019-03-15 | 2019-07-30 | 中南大学 | 带立即折返的高速动车组乘务交路优化编制方法及装置 |
CN110751358A (zh) * | 2019-08-30 | 2020-02-04 | 中国南方航空股份有限公司 | 一种机场地面服务人员的排班方法、电子设备及存储介质 |
-
2021
- 2021-06-28 CN CN202110715764.9A patent/CN113256032B/zh active Active
-
2022
- 2022-06-23 US US17/848,302 patent/US11694134B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542404A (zh) * | 2011-12-09 | 2012-07-04 | 中国南方航空股份有限公司 | 一种机组排班方法及实现该机组排班方法的系统 |
CN110490440A (zh) * | 2019-08-05 | 2019-11-22 | 北京交通大学 | 乘务交路计划与值乘计划一体化编制的优化方法及装置 |
CN111547113A (zh) * | 2020-05-22 | 2020-08-18 | 卡斯柯信号(成都)有限公司 | 一种地铁司机正线多点值乘的自动排班方法 |
CN112101686A (zh) * | 2020-11-23 | 2020-12-18 | 北京交通大学 | 一种基于可行标号接续网络的乘务交路计划编制方法 |
Non-Patent Citations (3)
Title |
---|
A Lagrangian Relaxation Approach Based on a Time-Space-State Network for Railway Crew Scheduling;Ying Wang et al;《Econometric Institute Research Papers》;20180901;第1页 * |
基于等价交路组合的乘务值乘计划优化;王莹等;《交通信息与安全》;20120420;第30卷(第2期);全文 * |
铁路客运乘务排班计划编制模型及算法;杨国元等;《交通运输系统工程与信息》;20160831;第16卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20220327462A1 (en) | 2022-10-13 |
US11694134B2 (en) | 2023-07-04 |
CN113256032A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maheo et al. | Benders decomposition for the design of a hub and shuttle public transit system | |
Shao et al. | The design of an IoT-based route optimization system: A smart product-service system (SPSS) approach | |
Yin et al. | Dynamic passenger demand oriented metro train scheduling with energy-efficiency and waiting time minimization: Mixed-integer linear programming approaches | |
Schiffer et al. | Designing sustainable mid-haul logistics networks with intra-route multi-resource facilities | |
US9116007B2 (en) | System and method for journey planning, finding K shortest paths through a time/space network | |
Niu et al. | Demand-driven train schedule synchronization for high-speed rail lines | |
Auad-Perez et al. | Ridesharing and fleet sizing for on-demand multimodal transit systems | |
JP5974716B2 (ja) | カーシェアリングシステムの運用計画システム、運用計画方法 | |
He et al. | An adaptive variable neighborhood search ant colony algorithm for vehicle routing problem with soft time windows | |
CN109376184A (zh) | 一种基于大数据的搭乘顺风车的方法 | |
CN110598998A (zh) | 一种智慧车站乘务人员自动排班方法 | |
CN113256032B (zh) | 典型场景下高速铁路乘务排班计划调整的优化方法和装置 | |
Aksu et al. | Transit coordination using integer-ratio headways | |
Borndörfer et al. | Rapid branching | |
Pan et al. | A column generation-based approach for integrated vehicle and crew scheduling on a single metro line with the fully automatic operation system by partial supervision | |
Ibarra-Rojas et al. | Integrating frequency setting, timetabling, and route assignment to synchronize transit lines | |
Huang et al. | A novel two-stage approach for energy-efficient timetabling for an urban rail transit network | |
Alt et al. | A stochastic multiple area approach for public transport network design | |
CN117371611A (zh) | 一种地铁列车运营计划编制方法、介质及系统 | |
Bengtsson et al. | Railway crew pairing optimization | |
Shen et al. | A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty | |
Van Geenhuizen et al. | Coping with uncertainty: an expedition into the field of new transport technology | |
CN113837438A (zh) | 基于spfa算法的地铁乘务排班计划编制优化方法 | |
Mourad | The synchronization of shared mobility flows in urban environments | |
Perumal | Integrated optimization of vehicle and crew scheduling in public transport |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |