CN114394135B - 一种基于多粒度时空网的列车运行图与路径选择优化方法 - Google Patents

Abstract

本发明公开了一种基于多粒度时空网的列车运行图与路径选择优化方法，属于铁路运输组织技术领域。本发明以列车开行方案为基础，从系统优化的角度出发，将列车运行图与路径选择问题建模为不同网络粒度的时空路径求解问题，并提出相应的数学优化模型。根据提出的优化模型，基于拉格朗日分解技术求解宏观列车运行图，并根据宏观方案求解微观路径。微观不可行方案通过分支定界及约束更新方法反馈宏观问题，直至得到可行协同优化方案。本发明提出的方法克服了现有方案独立编制产生的不协调问题，提高了列车运行图编制在微观进路的可落实性，避免两者之间的多次重复调整。本发明可在保证微观路径可行性的条件下，进一步挖掘铁路运输能力。

Description

一种基于多粒度时空网的列车运行图与路径选择优化方法

技术领域

本发明属于铁路运输组织技术领域，尤其涉及一种基于多粒度时空网的列车运行图与路径选择优化方法。

背景技术

铁路运输相较于航空等其他运输方式，具有安全性高、事故率低、快捷方便、环境污染小、土地占用小、能源消耗低等特点，因而广受人们所欢迎。我国近年来快速发展铁路建设，并将铁路运输作为中长途运输的骨干交通方式。铁路运输系统是一个典型的复杂巨系统，涉及到车务、机务、公务、电务、车辆段及乘客需求等多方面因素的协调与控制，相较于公路等其它运输方式，具有更高的复杂性与组织化程度。为降低铁路运输生产计划编制的复杂度与不确定性，通常采用分级分阶段编制运输计划的方法，如图1所示。在战略层面，根据社会经济调查数据进行交通需求预测(简称O-D估计)，并生成O-D出行需求矩阵；根据铁路站场及枢纽的固定设备条件，设计铁路运输服务网络，包括对于货物运输的编组计划和对于旅客运输的开行方案。在战术层面，根据列车开行方案及编组计划铺画列车运行图，并完成列车路径选择、机车周转及乘务计划的编制，并协调好战略层面与运营层面运输管理的矛盾。最后在运营层面，完成铁路运输的调度工作，对编制的计划进行实时调整。

列车运行图问题是根据列车开行方案规划列车经过各车站的时空路径，它规定各次列车占用区间的次序、列车在每个车站的到达和出发(通过)时刻等，是全路组织列车运行的基础。铁路列车路径选择问题，又可被称作微观运行图问题，进一步演化可得到车站作业计划编制问题，其本质都是根据列车运行图相关信息，基于铁路道岔和轨道电路为连接弧构成的的微观铁路网络，寻找所有列车在车站内部不产生相互冲突的精细化路径组合，同时尽量缩短作业时间。

列车路径选择问题与列车运行图编制问题是密切相关的。通常情况下，微观路径选择问题需要在宏观运行图确定后才可编制，且由于宏观运行图以车站为最小节点，无法考虑列车在车站内部的运行过程，易造成编制的列车运行图不存在微观路径可行解，需反复调整列车运行图，为铁路运行计划的编制带来困难。

通过分析现有铁路运输组织过程与相关文献，目前列车运行图及路径选择计划的编制主要存在如下问题。目前的铁路运输组织中宏微观计划(即列车运行图与列车路径选择计划)的独立编制，已经成为制约铁路运输能力加强的主要因素。同时，较少考虑在微观铁路网络中列车路径的分配问题，因而难以保证列车运行图与列车路径选择计划的完全耦合性。

基于上述对铁路列车运行图和路径选择问题的分析，本发明提出一种新的基于多粒度时空网的铁路列车运行图与路径选择优化方法，该方法基于不同粒度的时空网络，重构列车运行图与路径选择问题，构建了不同粒度网络耦合的一体化数学优化模型，改善了现有列车运行图与路径选择计划编制过程中产生的不协调问题，进一步挖掘铁路运输能力，为科学运输组织提供决策支持。

发明内容

本发明的目的在于，提供一种新的基于多粒度时空网的列车运行图与路径选择优化方法，以期改善现有方法独立优化列车运行图与路径选择计划的不协调和咽喉进路冲突问题，避免两者之间的多次重复调整；同时进一步挖掘铁路运输能力，提高铁路固定设备周转效率。

为了实现上述目的，本发明提出一种新的基于多粒度时空网的列车运行图与路径选择优化方法，即从系统优化的角度，建立宏观与微观时空网络之间的关联约束条件，最终构建一体化数学优化模型。本方法改善了分步优化列车运行图与路径选择而产生的局部最优或计划不协调问题。

一种基于多粒度时空网的列车运行图与路径选择优化方法，具体包括如下步骤：

步骤1：基于宏观粒度时空网络描述列车运行图，基于微观粒度时空网络描述路径选择问题；

步骤2：构建宏观与微观粒度的时空网络路径选择约束条件，以及不同粒度时空网络间的一致性耦合约束条件；

所述宏观与微观粒度的时空网络路径选择约束条件包括：流平衡约束和列车安全间隔约束；

步骤3、以宏观列车运行费用最小为目标函数，构建基于多粒度时空网的列车运行图与路径选择优化模型；

步骤4、对步骤3得到的基于多粒度时空网的列车运行图与路径选择优化模型进行求解，直至得到全部可行的微观路径方案。

在上述方案的基础上，步骤1具体包括：

从物理维度来看，在宏观网络层面对铁路网络建模时，通常将车站抽象为节点，区间抽象为连接弧表示；经时空网络扩展后，得到对应的列车运行图；在微观网络层面对铁路网络建模时，通常将物理网络节点抽象为节点，所述物理网络节点包括：道岔、轨道电路、信号机等，两物理节点间的轨道电路抽象为连接弧，得到对应的路径选择问题。

从时间维度来看，宏观时空网络中由于列车运行图对计划的精细度要求较低，故宏观时空网络中可取较大的时间粒度，即区间的运行时间通常以分钟计，所述较大的时间粒度包括2min，10min，60min等，其中，2min对应铁路现场的二分格，10min对应铁路现场的十分格，60min对应铁路现场的小时格等；微观时空网络中由于路径选择计划精细度要求较高，列车通过轨道电路的时间通常以秒计，，故选取较小的时间粒度，所述较小的时间粒度包括：30s，15s，10s，1s等。

在本发明中设定宏观时空网络的时间粒度为1min，微观时空网络的时间粒度为1s。实际铁路运营管理中，宏微观层的时间粒度可根据作业需求设定，如宏观网络的时间粒度为2min，微观时空网络的时间粒度为30s等，本发明提出的方法仍适用。

在上述方案的基础上，步骤2所述的流平衡约束用于保证列车在时空网络中的可行路径，具体包括：

在宏观时空网络层面，对于每辆列车k的可行路径需要从其宏观时空起点(I^o(k)，T^o(k))到其宏观时空终点(I^d(k)，T^d(k))首尾相连，如公式(1)所示：

其中：索引k代表属于列车集合K的第k列车，索引I,J代表宏观网络节点I,J，对应车站I,J，索引T,T’代表宏观粒度的时间戳，索引(I,T)与(J,T’)代表宏观时空节点，索引(I,J,T,T’)代表一条宏观时空弧；决策变量x(k,I,J,T,T’)＝1代表列车k使用宏观时空弧段(I,J,T,T’)，x(k,I,J,T,T’)＝0代表列车k不使用宏观时空弧段(I,J,T,T’)；A^SM+(I,T)，A^SM-(I,T)分别代表宏观时空节点(I,T)的出弧、入弧集合；I^o(k),T^o(k),I^d(k),T^d(k)分别代表列车k在宏观网络层面的物理起点，时间起点，物理终点和时间终点。

同理，在微观时空网络层面，对于每辆列车k的可行路径需要从其微观时空起点(i^o(k)，t^o(k))到其微观时空终点(i^d(k)，t^d(k))首尾相连，如公式(2)所示：

其中，索引k代表属于列车集合K的第k列车，索引i,j代表微观物理网络节点i,j，包括道岔、信号机等设备，索引t,t’代表微观粒度的时间戳，索引(i,t)与(j,t’)代表微观时空节点，索引(i,j,t,t’)代表一条微观时空弧；决策变量x(k,i,j,t,t’)＝1代表列车k使用微观时空弧段(i,j,t,t’)，x(k,i,j,t,t’)＝0代表列车k不使用微观时空弧段(i,j,t,t’)；集合A^Sm+(i,t),A^Sm-(i,t)分别代表微观时空节点(i,t)的出弧集合、入弧集合；i^o(k),t^o(k),i^d(k),t^d(k)分别代表列车k在微观时空网络层面的物理起点，时间起点，物理终点和时间终点。

在上述方案的基础上，步骤2所述的列车安全间隔约束用于：在列车运行图中为保证行车安全，根据规定的区间闭塞条件，或道岔组出清时间等确定两列车的安全间隔时间；

所述列车安全间隔约束具体包括：宏观时空网络中的列车安全间隔约束和微观时空网络中的列车安全间隔约束；

以宏观时空网络为例，当列车经过弧(I,J)时，需与前车满足出发侧和到达侧的最小间隔时间h^A(I,J)和h^D(I,J)；从时空网络的角度看，当宏观时空弧(I,J,T,T’)被列车占用时(即图4中的列车运行弧)，对于在时间区间[T,T+h^D(I,J)]从I点发出，至在时间区间[T’,T’+h^A(I,J)]到达J点的所有时空弧(即图4中经过阴影区域的所有虚线)，均不得被占用。

为方便表达，当列车占用时空弧(I,J,T,T’)，相应安全间隔区域内的时空资源变量a(k,I,J,τ)和d(k,I,J,τ’)应被标记为1，如图4所示。

基于资源变量定义，宏观时空网络中的列车安全间隔约束如公式(3)所示，具体为：出发侧和到达侧时空资源最多被列车占用一次：

其中：决策变量a(k,I,J,τ)＝1代表列车k于时间点τ占用宏观物理弧段(I,J)的到达资源；d(k,I,J,τ’)＝1代表列车k于时间点τ’占用宏观物理弧段(I,J)的出发资源，类似地，a(k,I,J,T)代表列车k在时间点T占用宏观物理弧段(I,J)的到达资源，d(k,I,J,T’)代表列车k在时间点T’占用宏观物理弧段(I,J)的出发资源；集合A^M代表宏观物理弧集合；

代表宏观时间粒度集合；h^A(I,J)和h^D(I,J)分别代表宏观物理弧(I,J)的出发侧和到达侧的最小间隔时间。

类似地，在微观时空网络中，根据列车作业条件或间接妨碍等准则，当列车在[t,t']时间内占用轨道电路(i,j)，即使用时空弧(i,j,t,t')，相应安全时空资源内的时空弧也不得被其它列车占用；

基于资源变量定义，微观时空网络中的列车安全间隔约束如公式(4)所示：

其中：决策变量a(k,i,j,τ)＝1代表列车k于时间点τ占用微观物理弧段(i,j)的到达资源；d(k,i,j,τ’)＝1代表列车k于时间点τ’占用微观宏观物理弧段(i,j)的出发资源，类似地，a(k,i,j,t)代表列车k在时间点t占用宏观物理弧段(i,j)的到达资源，d(k,i,j,t’)代表列车k在时间点t’占用宏观物理弧段(i,j)的出发资源；集合A^M代表微观物理弧集合；

代表微观时间粒度集合；h^A(i,j)和h^D(i,j)分别代表微观物理弧(i,j)的出发侧和到达侧的最小间隔时间。

在上述方案的基础上，步骤2所述的不同粒度时空网络间的一致性耦合约束条件包括：

当列车k占用宏观时空网络弧(I,J,T,T’)，则与该宏观弧所关联的微观时空网络中，至少存在一条微观时空网络弧与其对应，由于微观时空网络已存在流平衡约束条件，则满足流平衡的微观路径一定满足与宏观路径的对应耦合关系，且一定为可行路径。反之同理，若不存在任何一列车占用宏观运行图网络弧，那么在其对应的微观时空网络中不存在任何弧被占用，具体如公式(5)所示：

其中，G^Sm((I,T))代表宏观时空节点(I,T)对应的微观时空网络集合；A^SM，A^Sm分别代表宏观时空网络集合、微观时空网络集合。

在上述方案的基础上，步骤3所述的目标函数，如公式(6)所示：

其中：c(k,I,J,T,T’)代表列车k占用时空弧(I,J,T,T’)的费用，A^SM代表宏观时空网络集合，K代表列车集合。

在基于多粒度时空网的列车运行图与路径选择优化模型中，由于宏观列车路径与微观列车路径具有一致性，宏观费用最小的可行解与微观费用最小的可行解是严格等价的，这里使用宏观运行费用最小为优化目标。

在上述方案的基础上步骤4具体包括：

步骤4.1：将步骤3得到的基于多粒度时空网的列车运行图与路径选择优化模型，所述基于多粒度时空网的列车运行图与路径选择优化模型包括公式(1)-公式(6)，简写为模型M1，基于模型M1，首先松弛不同粒度时空网络间的一致性耦合约束，所述一致性耦合约束如公式(5)所示，模型M1被分解为宏观模型M2与微观模型M3，宏观模型M2与微观模型M3可相互迭代求解。

根据多粒度时空网的性质，将松弛后的宏观模型M2增加宏观列车运行费用最小的目标函数，所述目标函数如公式(6)所示，构成宏观优化模型M4。微观模型M3中，列车在车站内部的路径费用应与宏观求解费用相同，故宏观优化模型M4能够为模型M1提供上界与下界估计，即模型M1的最优解应位于宏观优化模型M4上下界范围内，模型M1的可行解也可通过宏观优化模型M4模型的解构造得到。

对于宏观优化模型M4，采用拉格朗日松弛算法进行求解。引入拉格朗日乘子，将列车安全间隔时间约束松弛至目标函数中，得到松弛后的模型M5；所述列车安全间隔时间约束如公式(3)所示，所述目标函数如公式(6)所示；模型M5能够通过动态规划算法求解得到宏观优化模型M4的优化解。

步骤4.2、基于步骤4.1解得到的宏观优化模型M4的优化解，采用动态规划方法求解微观模型M3；

对于微观模型M3的求解结果，若得到全部可行的微观路径，则输出；若微观路径存在冲突，采用分支定界规则及约束更新方法调整宏观模型M2，返回步骤4.1再次求解，直至得到全部可行的微观路径方案。

在上述方案的基础上，所述分支定界规则包括有：

基于分支定界框架，通过隐枚举部分可能存在最优可行解方案进行求解：

(1)分支策略：当列车k_m与列车k_n在车站I中微观列车路径选择中产生冲突，用变量y(I,k_m,k_n)表示列车安排的优先级。初始状态所有列车不固定顺序，采用“先到先得”的策略，则y(I,k_m,k_n)＝-1。若列车k_m优先使用冲突道岔组区段，则y(I,k_m,k_n)＝1且y(I,k_n,k_m)＝0。若列车k_n优先使用冲突道岔组区段，则y(I,k_m,k_n)＝0且y(I,k_n,k_m)＝1。随后根据y(I,k_m,k_n)和y(I,k_n,k_m)的取值创建左右子节点，并在该分支下疏解其它冲突点。

(2)定界策略：本文以多个时间维度准则为定界函数标准，当该分支节点在最大的规划时间窗内不能排完所有列车；或当前分支节点的规划时间窗大于全局最优规划时间；或当前分支节点的费用大于全局最优费用；或列车延误时间超过规定阈值，均可进行剪枝处理。

在上述方案的基础上，所述约束更新方法包括有：松弛微观不可行车站的进出站时间间隔冗余、收紧能力宽松的进出站时间间隔冗余和增加运行图规划时间；

(1)松弛微观不可行车站的进出站时间间隔冗余：当列车k_m与k_n在车站I产生微观冲突，增大相应最小间隔时间h^A(I,J)和h^D(I,J)的备选值集合，即松弛能力紧张车站的安全间隔时间冗余值。

(2)收紧能力宽松的进出站时间间隔冗余：对于被松弛约束的车站，将获得更大范围的时空资源选择范围，更容易寻找不产生微观冲突的可行解。类似的，对于通过列车数量较少的车站，可采用相似方法收紧约束，缩小其可选择的时空资源，避免资源的浪费，但时间间隔不应小于最小安全间隔时间。

(3)增加运行图规划时间：若前两种方法均不能有效求解冲突，一定程度上说明现有时空资源不能满足该区段列车开行方案需求，需增加规划时间长度以满足需求。

在上述方案的基础上，约束更新方法包括的松弛微观不可行车站的进出站时间间隔冗余、收紧能力宽松的进出站时间间隔冗余和增加运行图规划时间三种方法按次序使用，其中前两个方法将促使各次列车同质化发展，当所有列车运行线平行时，该区段该时间段将达到最大运输能力。

本发明的有益效果在于：本发明基于多粒度时空网模型，提出了一种列车运行图与路径选择优化方法。改善了因两套作业计划分开独立编制而带来的能力冗余、协调性差等问题。另外，值得说明的是，本发明所提出的方法可推广至列车开行方案与运行图协同优化、列车运行图与机车交路协同优化等问题，充分挖掘因跨层计划不协调而产生的冗余能力。对缓解当前铁路运输能力紧张、运输效率低下等问题具有重要意义。

附图说明

本发明有如下附图：

图1是铁路运营决策过程图；

图2是多粒度时空网映射关系图；

图3是微观路径选择时空网络图；

图4是不兼容弧与资源变量关系示意图；

图5是求解算法框架；

图6是实例铁路网络示意图一；

图7是实例铁路网络示意图二；

图8是实例的列车开行方案；

图9是实例未考虑到发线活用，采用本方法得到的列车优化方案；

图10是实例考虑到发线活用，采用本方法得到的列车优化方案；

图11是实例考虑到发线活用，采用本方法得到的分支定界过程图；

图12是实例考虑到发线活用，采用本方法得到的对向冲突约束更新过程图一；

图13是实例考虑到发线活用，采用本方法得到的对向冲突约束更新过程图二；

图14是实例考虑到发线活用，采用本方法得到的同向冲突约束更新过程图。

具体实施方式

下面结合附图1～14，对优选实施示例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本发明通过分析列车运行图与列车路径选择计划间的耦合关系，提出了一种新的基于多粒度时空网的列车运行图与路径选择优化方法。下面详细说明所发明方法的具体实施方法。

步骤1：预先确定以下必要的参数和数据：

(1)铁路物理网络图，包括基于车站节点的宏观物理网络和基于道岔节点的微观物理网络；

(2)该区段列车开行方案，包括列车开行对数，停站方案等；

(3)列车运行基本参数，包括各类列车间隔时间，起停车附加时分，停站时间，区间运行时分等。

步骤2：在以上条件给定的情况下，在C++或者Python中，编写代码，构建本方法所提出的模型框架，获得相应的列车运行图与路径选择方案。

步骤3：可根据实际情况，对所得结果进行一定程度的调整。

下面根据实例1进行详细说明：

如图6、图7所示的一条包含3个车站的双线铁路区段，并给定如下已知条件：

(1)铁路物理网络图，包括基于车站节点的宏观物理网络和基于道岔节点的微观物理网络，微观物理网络包括66个物理节点，95条物理连接弧。其中车站运输组织模式a不允许到发线灵活使用(即下行列车不允许占用上行到发线)，模式b允许到发线灵活使用。

(2)列车开行方案，下行共考虑4列车，上行考虑1列车。其中下行列车起始和终到站点为W8和W6，微观起点为节点1943，终点为节点1817；下行列车起始和终到站点为W8和W6，上行列车起点为节点1818，终点为节点1947。

(3)列车运行基本参数，如表2所示。

在以上条件给定的情况下，在C++或者Python中，编写代码，构建本方法所提出的模型框架，获得相应的列车运行图与路径选择方案。分别对运输组织模式a和模式b进行求解，得到相应的协同优化方案，计算结果如表3所示。

表3不同车站运输组织模式下的计算结果

图9和10分别为本方法所得到的不同车站运输组织模式下的列车运行图与路径选择优化方案。当使用运输组织模式a时，W7车站成为限制该区段铁路运输能力的主要瓶颈，列车4和5须在到发线W7-1依次通过；另一方面，上行运行图总规划时间窗37min，下行运行图总规划时间窗52min，造成上下行运输组织不协调现象。当允许使用到发线活用时(即模式b)，列车5可使用上行到发线W7-4停车，列车4和列车5实现了在区段W8-W7和W7-W6以3min最小间隔时间追踪运行，下行运行图总规划时间窗由52min缩短至50min。

图11以二叉搜索树中两组着色的约束更新为例阐述算法具体迭代过程，第一组(斜线阴影部分)分支疏解列车2与列车3在W7车站的对向冲突，应进行对向列车冲突的分支定界和约束更新。如图12～13中虚线所示，列车2与列车3在W7车站第4股道产生冲突，此时列车2与列车3未确定会让顺序，即y(2,3)＝-1&y(3,2)＝-1。若令列车2优先通过，即y(2,3)＝1&y(3,2)＝0，最终可行协同优化方案如图12所示。若令列车3优先通过，即y(3,2)＝1&y(2,3)＝0，最终可行协同优化方案如图13所示。

若冲突列车组合次序已被确定或为同向列车冲突，如二叉搜索树中第二组(方格阴影部分)待疏解冲突，应进行同向列车冲突的分支定界和约束更新。如图14所示(列车2’为调整前的列车2)，当列车2与列车3已被固定次序后，列车2因与列车3在W7站安全间隔时间较短，在W7-4股道发生冲突。经约束更新后列车2’调整到列车2的运行线位置，至此全部冲突被疏解，并得到可行协同优化方案。

关于定界过程，由于上行作业需要，要求列车运行图上行运行线于4000s内安排完毕，而节点18和节点19不满足要求，故进行剪枝处理，不进行后续约束更新。

综上可见，本发明运用多粒度时空网络的建模思想，提出了一种新的列车运行图与路径选择优化方法。该方法可有效平衡交通时空网络的问题规模和求解效率，有效地改进了传统方法的不足。

需要说明的是，以上所述仅为本发明的一种具体实施方式，但本发明的保护范围并不局限于此。任何熟悉本领域的技术人员在本发明涉及的技术范围内，可轻易对所提模型进行修改和变换，而这些修改或替换，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。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，具体包括如下步骤：

步骤1：基于宏观粒度时空网络描述列车运行图，基于微观粒度时空网络描述路径选择问题；

步骤2：构建宏观与微观粒度的时空网络路径选择约束条件，以及不同粒度时空网络间的一致性耦合约束条件；

所述宏观与微观粒度的时空网络路径选择约束条件包括：流平衡约束和列车安全间隔约束；

步骤3、以宏观列车运行费用最小为目标函数，构建基于多粒度时空网的列车运行图与路径选择优化模型；

步骤4、对步骤3得到的基于多粒度时空网的列车运行图与路径选择优化模型进行求解，直至得到全部可行的微观路径方案；

步骤2所述的列车安全间隔约束具体包括：宏观时空网络中的列车安全间隔约束和微观时空网络中的列车安全间隔约束；

所述宏观时空网络中的列车安全间隔约束如公式(1)所示，具体为：出发侧和到达侧时空资源最多被列车占用一次：

其中：决策变量d(k,I,J,τ)＝1代表列车k于时间点τ占用宏观物理弧段(I,J)的出发资源；a(k,I,J,τ’)＝1代表列车k于时间点τ’占用宏观物理弧段(I,J)的到达资源，类似地，d(k,I,J,T)代表列车k在时间点T占用宏观物理弧段(I,J)的出发资源，a(k,I,J,T’)代表列车k在时间点T’占用宏观物理弧段(I,J)的到达资源；集合A^M代表宏观物理弧集合；

代表宏观时间粒度集合；h^A(I,J)和h^D(I,J)分别代表宏观物理弧(I,J)的出发侧和到达侧的最小间隔时间；

步骤3所述的目标函数，如公式(2)所示：

其中：c(k,I,J,T,T’)代表列车k占用时空弧(I,J,T,T’)的费用，ASM代表宏观时空网络集合，K代表列车集合；

所述步骤4具体包括：

步骤4.1：将基于多粒度时空网的列车运行图与路径选择优化模型简写为模型M1，首先松弛不同粒度时空网络间的一致性耦合约束，模型M1被分解为宏观模型M2与微观模型M3，宏观模型M2与微观模型M3能够相互迭代求解；

求解方式包括：

根据多粒度时空网的性质，将松弛后的宏观模型M2增加宏观列车运行费用最小的目标函数，构成宏观优化模型M4，微观模型M3中，列车在车站内部的路径费用应与宏观求解费用相同，故宏观优化模型M4能够为模型M1提供上界与下界估计，模型M1的可行解也能够通过宏观优化模型M4模型的解构造得到；

对于宏观优化模型M4，采用拉格朗日松弛算法进行求解，包括：引入拉格朗日乘子，将列车安全间隔时间约束松弛至目标函数中，得到松弛后的模型M5；所述列车安全间隔时间约束如公式(1)所示，所述目标函数如公式(2)所示；模型M5能够通过动态规划算法求解得到宏观优化模型M4的优化解；

步骤4.2、基于步骤4.1解得到的宏观优化模型M4的优化解，采用动态规划方法求解微观模型M3；

对于微观模型M3的求解结果，若得到全部可行的微观路径，则输出；若微观路径存在冲突，采用分支定界规则及约束更新方法调整宏观模型M2，返回步骤4.1再次求解，直至得到全部可行的微观路径方案。

2.如权利要求1所述的基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，步骤1具体包括：

从物理维度来看，在宏观网络层面对铁路网络建模时，将车站抽象为节点，区间抽象为连接弧表示；经时空网络扩展后，得到对应的列车运行图；在微观网络层面对铁路网络建模时，将物理网络节点抽象为节点，所述物理网络节点包括：道岔、轨道电路和信号机，两物理节点间的轨道电路抽象为连接弧，得到对应的路径选择问题；

从时间维度来看，宏观时空网络中由于列车运行图对计划的精细度要求低，区间的运行时间以分钟计，微观时空网络中对路径选择计划精细度要求高，列车通过轨道电路的时间以秒计。

3.如权利要求2所述的基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，步骤2所述的流平衡约束用于保证列车在时空网络中的可行路径，具体包括：

在宏观时空网络层面，对于每辆列车k的可行路径需要从其宏观时空起点(I^o(k)，T^o(k))到其宏观时空终点(I^d(k)，T^d(k))首尾相连，如公式(3)所示：

其中：索引k代表属于列车集合K的第k列车，索引I,J代表宏观网络节点I,J，对应车站I,J，索引T,T’代表宏观粒度的时间戳，索引(I,T)与(J,T’)代表宏观时空节点，索引(I,J,T,T’)代表一条宏观时空弧；决策变量x(k,I,J,T,T’)＝1代表列车k使用宏观时空弧段(I,J,T,T’)，x(k,I,J,T,T’)＝0代表列车k不使用宏观时空弧段(I,J,T,T’)；A^SM+(I,T)，A^SM-(I,T)分别代表宏观时空节点(I,T)的出弧、入弧集合；I^o(k),T^o(k),I^d(k),T^d(k)分别代表列车k在宏观网络层面的物理起点，时间起点，物理终点和时间终点；

在微观时空网络层面，对于每辆列车k的可行路径需要从其微观时空起点(i^o(k)，t^o(k))到其微观时空终点(i^d(k)，t^d(k))首尾相连，如公式(4)所示：

其中，索引k代表属于列车集合K的第k列车，索引i,j代表微观物理网络节点i,j，包括:道岔和信号机，索引t,t’代表微观粒度的时间戳，索引(i,t)与(j,t’)代表微观时空节点，索引(i,j,t,t’)代表一条微观时空弧；决策变量x(k,i,j,t,t’)＝1代表列车k使用微观时空弧段(i,j,t,t’)，x(k,i,j,t,t’)＝0代表列车k不使用微观时空弧段(i,j,t,t’)；集合A^{Sm +}(i,t),A^Sm-(i,t)分别代表微观时空节点(i,t)的出弧集合、入弧集合；i^o(k),t^o(k),i^d(k),t^d(k)分别代表列车k在微观时空网络层面的物理起点，时间起点，物理终点和时间终点。

4.如权利要求3所述的基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，

所述微观时空网络中的列车安全间隔约束如公式(5)所示：

其中：决策变量d(k,i,j,τ)＝1代表列车k于时间点τ占用微观物理弧段(i,j)的出发资源；a(k,i,j,τ’)＝1代表列车k于时间点τ’占用微观宏观物理弧段(i,j)的到达资源，类似地，d(k,i,j,t)代表列车k在时间点t占用宏观物理弧段(i,j)的出发资源，a(k,i,j,t’)代表列车k在时间点t’占用宏观物理弧段(i,j)的到达资源；集合A^M代表微观物理弧集合；T^m代表微观时间粒度集合；h^A(i,j)和h^D(i,j)分别代表微观物理弧(i,j)的出发侧和到达侧的最小间隔时间。

5.如权利要求4所述的基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，步骤2所述的不同粒度时空网络间的一致性耦合约束条件包括：

当列车k占用宏观时空网络弧(I,J,T,T’)，则与该宏观时空网络弧所关联的微观时空网络中，至少存在一条微观时空网络弧与其对应，由于微观时空网络已存在流平衡约束条件，则满足流平衡的微观路径一定满足与宏观路径的对应耦合关系，且一定为可行路径；反之同理，若不存在任何一列车占用宏观运行图网络弧，那么在其对应的微观时空网络中不存在任何弧被占用，具体如公式(6)所示：

其中，G^Sm((I,T))代表宏观时空节点(I,T)对应的微观时空网络集合；类似的，G^Sm((J,T’))代表宏观时空节点(J,T’)对应的微观时空网络集合；A^SM，A^Sm分别代表宏观时空网络集合、微观时空网络集合；A^Sm-(j,t’)代表微观时空节点(j,t’)的入弧集合。

6.如权利要求1所述的基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，

所述分支定界规则包括有：分支策略和定界策略；

所述分支策略包括：当列车k_m与列车k_n在车站I中微观列车路径选择中产生冲突，用变量y(I,k_m,k_n)表示列车安排的优先级；初始状态所有列车不固定顺序，采用先到先得的策略，则y(I,k_m,k_n)＝-1；若列车k_m优先使用冲突道岔组区段，则y(I,k_m,k_n)＝1且y(I,k_n,k_m)＝0；若列车k_n优先使用冲突道岔组区段，则y(I,k_m,k_n)＝0且y(I,k_n,k_m)＝1；随后根据y(I,k_m,k_n)和y(I,k_n,k_m)的取值创建左右子节点，并在该分支下疏解其它冲突点；上述左右子节点称为分支节点；

所述定界策略包括：以多个时间维度准则为定界函数标准，当上述分支节点在最大的规划时间窗内不能排完所有列车；或当前分支节点的规划时间窗大于全局最优规划时间；或当前分支节点的费用大于全局最优费用；或列车延误时间超过规定阈值，均可进行剪枝处理。

7.如权利要求1所述的基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，所述约束更新方法包括有：松弛微观不可行车站的进出站时间间隔冗余、收紧能力宽松的进出站时间间隔冗余和增加运行图规划时间；

所述松弛微观不可行车站的进出站时间间隔冗余具体为：当列车k_m与k_n在车站I产生微观冲突，增大相应最小间隔时间h^A(I,J)和h^D(I,J)的备选值集合；

所述收紧能力宽松的进出站时间间隔冗余包括：对于通过列车数量少的车站，缩小其能够选择的时间间隔，避免资源的浪费，但时间间隔不应小于最小安全间隔时间；

所述增加运行图规划时间包括：增加规划时间长度。

8.如权利要求7所述的基于多粒度时空网的列车运行图与路径选择优化方法，其特征在于，约束更新方法包括的松弛微观不可行车站的进出站时间间隔冗余、收紧能力宽松的进出站时间间隔冗余和增加运行图规划时间三种方法按次序使用。

Images