CN116050689B - 一种广域空间铁路线路智能搜索方法、系统、终端及介质 - Google Patents
一种广域空间铁路线路智能搜索方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN116050689B CN116050689B CN202310058218.1A CN202310058218A CN116050689B CN 116050689 B CN116050689 B CN 116050689B CN 202310058218 A CN202310058218 A CN 202310058218A CN 116050689 B CN116050689 B CN 116050689B
- Authority
- CN
- China
- Prior art keywords
- line
- node
- monte carlo
- carlo tree
- tree
- 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 32
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 13
- 238000010276 construction Methods 0.000 abstract description 8
- 238000012938 design process Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明一种广域空间铁路线路智能搜索方法，所述方法的步骤包括步骤S100：初始化蒙特卡洛树；步骤S200：进行蒙特卡洛树搜索循环，具体是，依据UCT函数确定树内最优路径，然后基于树外策略进行一次模拟探索，最后将探索所得造价回溯，更新本次探索路径中每个节点的信息；步骤S300：从蒙特卡洛树中提取最优路径，具体是，忽略UCT函数中的探索项，依据经验项在树内依次选择最优节点并生成节点序列，即蒙特卡洛树搜索产生的最优路径；步骤S400：最优路径拟合得到三维线路方案。优点是，平衡在线路设计中经验与探索的关系，在铁路建设区域内实现线路的自动化搜索，并为设计人员提供大量线路备选方案，辅助人工选线设计过程，提升线路设计的质量与效率。
Description
技术领域
本发明涉及线路智能搜索技术领域，具体涉及一种广域空间铁路线路智能搜索方法、系统、终端及介质。
背景技术
铁路是重要的基础设施和经济大动脉，而铁路线路设计是从源头上保证铁路经济、安全与舒适的核心关键。随着国内铁路建设正经历着飞速发展时期，建设重点从中东部平原向西部山区转变，选线环境日趋复杂，海量的搜索空间、动态耦合的复杂约束等选线难题日益突出。
自20世纪60年代至今，国内外学者针对铁路线路智能优化问题开展了大量研究，线路优化对象从二维的线路平面优化或纵断面优化，发展为三维空间的平纵面整体优化；搜索算法从早期的解析数学算法，逐渐提升为以距离变换为核心的全局遍历式搜索，和以粒子群、遗传算法等为突出代表的局部智能启发式搜索；研究重点也由早期的人工模拟数值案例，过渡到真实平原微丘案例，并在近几年开始探索复杂艰险环境线路优化问题。综观当前线路优化成果，距离变换与启发式算法结合形成的混合式搜索算法逐渐成为复杂艰险山区选线的有效解决方案。然而，随着勘察技术的发展及无人机的应用，如今高精度地理信息格网数据获取成本变得愈发廉价，设计人员日常使用的数据资料也更加精密。面对高精度选线时的广域搜索空间，现有以距离变换算法为核心的遍历式搜索方法无法在智能选线过程中兼顾选线效率，难以适用于广域空间铁路线路方案智能搜索实践。
综上所述，急需一种广域空间铁路线路智能搜索方法、系统、终端及介质以解决现有技术中存在的问题。
发明内容
本发明目的在于提供一种广域空间铁路线路智能搜索方法、系统、终端及介质，具体技术方案如下：
一种广域空间铁路线路智能搜索方法，步骤如下：
步骤S100：初始化蒙特卡洛树，具体是，构建用于蒙特卡洛树的节点数据结构，将线路起点和终点分别作为蒙特卡洛树的初始节点与终止状态；
步骤S200：蒙特卡洛树搜索循环，具体是，在计算资源预算下，若扩展节点未抵达终点，则进行蒙特卡洛树搜索循环；每次蒙特卡洛树搜索循环首先利用树内策略储存的经验依据UCT函数确定树内最优路径，然后基于树外策略进行一次模拟探索，最后将探索所得造价回溯，更新本次探索路径中每个节点的信息；
步骤S300：从蒙特卡洛树中提取最优路径，具体是，忽略UCT函数中的探索项，依据经验项在树内依次选择最优节点并生成节点序列，所述节点序列即为蒙特卡洛树搜索产生的最优路径；
步骤S400：最优路径拟合得到三维线路方案，具体是，采用弦切支距法缩减冗余关键点，剩余关键点形成线路平面交点，基于所述线路平面交点并配置曲线生成线路平面方案；合并坡度代数差小于阈值的相邻坡段并设置竖曲线，生成纵断面线路方案；所述线路平面方案和纵断面线路方案即可生成三维线路方案。
进一步地，在步骤S100中，所述节点数据结构包括节点三维坐标、UCT函数值、可行动作空间AvailableActions、最优造价OptCost、父节点与子节点的地址以及父节点的局部连接路径造价Cost2Parent。
进一步地，在步骤S200中，所述蒙特卡洛树搜索循环的步骤如下：
步骤S201：选择，具体是，判断终止条件，若满足终止条件，转入步骤S300；未满足终止条件则执行蒙特卡洛树拓展循环；
步骤S202：拓展，具体是，选择根节点，即初始节点，从根节点开始，在可行动作空间中选取节点vi，若节点vi为不可扩展节点，则选取其UCT函数最优的子节点vi+1，转入执行步骤S201；若节点vi为可扩展节点，获取节点vi的可行动作空间，并选取可行动作进行节点扩展，生成新的子节点vi+1，转入执行步骤S203；
步骤S203：模拟，具体是，由子节点vi+1出发，采用贪婪算法从当前线路选择线路交点，直至线路终点，统计从当前节点到线路终点所需的线路造价SimuCost，转入执行步骤S204；
步骤S204：回溯，具体是，从线路终点开始，逐层回溯遍历路径上的子节点vi+1，即选取当前子节点vi+1的父节点，直至初始节点；每选中一个节点，即更新节点的最优造价OptCost，访问次数VisitTime，转入步骤S201进行下一次循环。
进一步地，在步骤S202中，所述UCT函数的表达式如下：
其中，UCT(vi+1,v)表示父节点v的子节点vi+1的UCT函数值；OptCost(vi+1)为子节点vi+1在所有模拟下当前节点到线路终点所需的最低造价；c是常数；N(v)，N(vi+1)分别是父节点v和子节点vi+1的模拟次数。
进一步地，子节点vi+1在所有模拟下当前节点到线路终点所需的最低造价表达式如下：
其中，Ns表示该节点的模拟总次数。
进一步地，在步骤S203中，在缺乏反馈的情况下，采用自适应步长搜索局部路径直至线路走出隧道，具体是，当搜索隧道内线路时，当前节点首先按等步长搜索路径，若扩展节点仍在隧道内，则扩展步长沿原方向继续扩展，直至线路进入路基段。
进一步地，在步骤S204中，更新节点的最优造价和访问次数的执行方式如下：
步骤S204-1：从终点开始选取节点vt，取线路造价和当前的最优造价中的较小者为更新后的最优造价OptCost(vt)，节点vt的访问次数加1；
步骤S204-2：选取其父节点vt+1，计算父节点本次模拟的最优造价，计算公式如下：
OptCost(vt+2)＝OptCost(vt+1)+Cost2Parent(vt+1)；
其中，Cost2Parent(vt+1)表示父节点vt+1的局部连接路径造价；
父节点的访问次数加1；
步骤S204-3：若父节点vt+1为线路起点，则更新完毕，转入执行步骤S100；否则转入步骤S204-2继续循环更新节点信息。
另外，本发明还提出了一种广域空间铁路线路智能搜索系统，用于实现如上述的广域空间铁路线路智能搜索方法，所述系统包括三维线路蒙特卡洛树初始化模块、三维线路蒙特卡洛树搜索模块、蒙特卡洛树最优路径生成模块、平面线路拟合模块以及纵断面线路拟合模块；
所述三维线路蒙特卡洛树初始化模块，用于构建蒙特卡洛树的节点数据结构；
所述三维线路蒙特卡洛树搜索模块，用于在线路起点和终点之间扩展出由UCT函数指导的线路方案树；
所述蒙特卡洛树最优路径生成模块，用于由建成的蒙特卡洛树提取最低造价的线路方案；
所述平面线路拟合模块，用于剔除冗余关键点，生成光滑线路平面方案；
所述纵断面线路拟合模块，用于整饰纵断面坡段进而生成线路纵断面方案。
另外，本发明还提出了一种广域空间铁路线路智能搜索终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述的广域空间铁路线路智能搜索方法。
另外，本发明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有计算机程序，所述计算机程序被处理器执行时实现如上述的广域空间铁路线路智能搜索方法。
应用本发明的技术方案，具有以下有益效果：
(1)本发明设计了基于蒙特卡洛树的广域空间铁路线路搜索框架。首先，将线路起点和终点初始化为蒙特卡洛树的初始节点与终止状态；其次，进行蒙特卡洛树循环搜索从起点到终点的优选路径；然后，忽略UCT函数中的探索项，依据UCT函数从蒙特卡洛树中提取最优线路路径；最后，将最优路径拟合为线路方案。该框架可以平衡在线路设计中经验与探索的关系，在铁路建设区域内实现具备全局感知能力的三维空间线路自动化搜索，并为线路设计人员提供大量有价值的线路备选方案，辅助人工选线设计过程，显著提升线路设计的质量与效率。
(2)本发明提出了对线路树节点全局价值评估的UCT函数。定制了UCT中经验利用项，采用当前节点到终点的最优造价进行当前节点价值评估，能够反映当前节点的全局价值，对基于蒙特卡洛树的线路搜索具有指导作用。
(3)本发明设计了三维选线的蒙特卡洛树回溯策略。在铁路线路路径搜索中，当前节点价值通过模拟进行更新时，不仅需要计算子节点到线路终点的造价，还需要叠加父节点与子节点之间的局部造价，然后更新当前节点的全局价值。
(4)本发明针对隧道内节点局部造价相同而无法指导路径搜索的问题，本发明开发了隧道内自适应步长搜索算法，在隧道入口自适应扩展步长，直至隧道出洞，并比较不同方向隧道总造价以选择较优的隧道方向。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例中广域空间铁路线路智能搜索方法的步骤流程图；
图2是图1中的蒙特卡洛树搜索循环图；
图3是本发明优选实施例中的树内搜索策略图；
图4是本发明优选实施例中的线路造价回溯策略图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
实施例：
首先，建立综合地理信息模型：采集线路优化所需信息数据，包括主要技术标准、地形、地质灾害区域、地表覆盖物、地价以及工程单价信息；将选线研究区域划分为一系列规则格网(在本实施例中，将33km×28km的矩形选线区域划分为包含1100×933个正方形的规则格网，每个单元格的宽度为30m)，并将各类信息数据离散至格网内，建立综合地理信息模型。
参见图1，本实施例公开了一种广域空间铁路线路智能搜索方法，本实施例中应用于所述综合地理信息模型实现铁路线路智能搜索，所述方法包括以下步骤：
步骤S100：初始化蒙特卡洛树，具体是，构建用于蒙特卡洛树的节点数据结构，将线路起点和终点分别作为蒙特卡洛树的初始节点与终止状态；具体的，所述节点数据结构包括节点三维坐标、UCT函数值、可行动作空间AvailableActions、最优造价OptCost、父节点与子节点的地址以及父节点的局部连接路径造价Cost2Parent。
步骤S200：蒙特卡洛树搜索循环，具体是，在计算资源预算下，若扩展节点未抵达终点，则进行蒙特卡洛树搜索循环；每次蒙特卡洛树搜索循环首先利用树内策略储存的经验依据UCT函数确定树内最优路径，然后基于树外策略进行一次模拟探索，最后将探索所得造价回溯，更新本次探索路径中每个节点的信息。
如图2所示，在步骤S200中，所述蒙特卡洛树搜索循环的步骤如下：
步骤S201：选择，具体是，判断终止条件，若满足终止条件，转入步骤S300；未满足终止条件则执行蒙特卡洛树拓展循环。
步骤S202：拓展，具体如图3所示，选择根节点，即初始节点，从根节点开始，在可行动作空间中选取节点vi，若节点vi为不可扩展节点，则选取其UCT函数最优的子节点vi+1，转入执行步骤S201；若节点vi为可扩展节点，获取节点vi的可行动作空间，并选取可行动作进行节点扩展，生成新的子节点vi+1，转入执行步骤S203。
具体的，所述UCT函数的表达式如下：
其中，UCT(vi+1,v)表示父节点v的子节点vi+1的UCT函数值；OptCost(vi+1)为子节点vi+1在所有模拟下当前节点到线路终点所需的最低造价；c是常数，越大越倾向于鼓励探索，蒙特卡洛树拓展越宽，越小越倾向于利用经验，蒙特卡洛树生长越深；N(v)，N(vi+1)分别是父节点v和子节点vi+1的模拟次数。
进一步地，子节点vi+1在所有模拟下当前节点到线路终点所需的最低造价表达式如下：
其中，Ns表示该节点的模拟总次数。
步骤S203：模拟，具体是，模拟为由子节点vi+1出发，采用贪婪算法从当前线路选择线路交点，直至线路终点，统计从当前节点到线路终点所需的线路造价SimuCost，转入执行步骤S204。
需要说明的是，在步骤S203中，本实施例针对隧道内盲目搜索线路的问题，开发了隧道内自适应步长算法，S2步骤所述节点扩展在隧道内作特殊处理。由于隧道内等步长搜索局部路径造价目标函数相等，在缺乏反馈的情况下，采用自适应步长搜索局部路径直至线路走出隧道。在缺乏反馈的情况下，采用自适应步长搜索局部路径直至线路走出隧道，具体是，当搜索隧道内线路时，当前节点首先按等步长搜索路径，若扩展节点仍在隧道内，则扩展步长沿原方向继续扩展，直至线路进入路基段。
步骤S204：回溯，具体是，从线路终点开始，逐层回溯遍历路径上的子节点，即选取当前子节点的父节点，直至初始节点；每选中一个节点，即更新节点的最优造价OptCost，访问次数VisitTime，转入步骤S201进行下一次循环。
如图4所示，在步骤S204中，本实施例设计了三维选线的蒙特卡洛树回溯策略，其中，更新节点的最优造价和访问次数的执行方式如下：
步骤S204-1：从终点开始选取节点vt，取线路造价和当前的最优造价中的较小者为更新后的最优造价OptCost(vt)，节点vt的访问次数加1；
步骤S204-2：选取其父节点vt+1，计算父节点本次模拟的最优造价，计算公式如下：
OptCost(vt+2)＝OptCost(vt+1)+Cost2Parent(vt+1)；
其中，Cost2Parent(vt+1)表示父节点vt+1的局部连接路径造价；
父节点的访问次数加1；
步骤S204-3：若父节点vt+1为线路起点，则更新完毕，转入执行步骤S100；否则转入步骤S204-2继续循环更新节点信息。
步骤S300：从蒙特卡洛树中提取最优路径，具体是，忽略UCT函数中的探索项，依据经验项在树内依次选择最优节点并生成节点序列，所述节点序列即为蒙特卡洛树搜索产生的最优路径。
具体的，在步骤S300中，生成最优路径的步骤如下：
步骤S301：从蒙特卡洛树根节点(即初始节点)开始，在可行动作空间中选取节点。
步骤S302：统计该节点所有子节点的模拟最优线路造价OptCost，并选取造价最低的节点，直至造价最低的节点为线路终点。
步骤S303：将所选取的所有节点连接在一起，即得到蒙特卡洛树搜索后生成的最优路径。
步骤S400：最优路径拟合得到三维线路方案，具体是，采用弦切支距法缩减冗余关键点，剩余关键点形成线路平面交点，基于所述线路平面交点并配置曲线生成线路平面方案；合并坡度代数差小于阈值的相邻坡段并设置竖曲线，生成纵断面线路方案。
具体的，在步骤S400中，所述平面线路拟合的步骤如下：
步骤S401：令关键点集合为{P0,P0,…,Pn}，预设距离阈值dmin，连接P0和Pn形成初始边LSE；
步骤S402：分别计算每个关键点到边LSE的距离，并比较距离最大值dM与dmin。若dM<dmin，则转入执行步骤S301；否则，产生新的两条边LSM与LME取代LSE作为连接线路起点和终点的边集；
步骤S403：在边集中新加入的边两个顶点之间，重复执行步骤S302的操作，直至没有新边加入边集；
步骤S404：连接边集中所有边，形成从起点到终点的平面路径；
步骤S405：根据《铁路线路设计规范》TB 10098-2017，为每个线路交点配置竖曲线与缓和曲线，基于最优路径生成平面线路方案。
具体的，在步骤S400中，纵断面线路拟合的过程如下：
合并坡度代数差小于阈值的相邻坡段，并按照《铁路线路设计规范》TB 10098-2017设置竖曲线，生成纵断面线路方案。
进一步地，所述线路平面方案和纵断面线路方案即可生成三维线路方案，所述三维线路方案即为应用本实施例提出的蒙特卡洛树搜索算法给出的优化后线路方案。
另外，本实施例还公开了一种广域空间铁路线路智能搜索系统，用于实现如上述的广域空间铁路线路智能搜索方法，所述系统包括三维线路蒙特卡洛树初始化模块、三维线路蒙特卡洛树搜索模块、蒙特卡洛树最优路径生成模块、平面线路拟合模块以及纵断面线路拟合模块；
所述三维线路蒙特卡洛树初始化模块，用于构建蒙特卡洛树的节点数据结构；
所述三维线路蒙特卡洛树搜索模块，用于在线路起点和终点之间扩展出由UCT函数指导的线路方案树；
所述蒙特卡洛树最优路径生成模块，用于由建成的蒙特卡洛树提取最低造价的线路方案；
所述平面线路拟合模块，用于剔除冗余关键点，生成光滑线路平面方案；
所述纵断面线路拟合模块，用于整饰纵断面坡段进而生成线路纵断面方案。
另外，本实施例还公开了一种广域空间铁路线路智能搜索终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述的广域空间铁路线路智能搜索方法。
另外，本实施例还公开了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有计算机程序，所述计算机程序被处理器执行时实现如上述的广域空间铁路线路智能搜索方法。
本实施例针对广域空间铁路线路搜索问题，设计了基于蒙特卡洛树的广域空间铁路线路搜索框架，提出一种适用于选线的蒙特卡洛树搜索方法、系统、终端及可读存储介质，构建了综合考虑基于当前经验的最优线路建造成本与探索未知路径的双目标UCT函数；提出了线路造价回溯策略；开发了隧道内自适应步长搜索算法及从蒙特卡洛树提取最优路径算法；此方法可在线路设计中平衡经验与探索的关系，在铁路建设区域内实现具备全局感知能力的三维空间线路自动化搜索，并为线路设计人员提供大量有价值的线路备选方案，辅助人工选线设计过程，显著提升线路设计的质量与效率。
在本申请所提供的实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，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。
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实施例方案的目的。
另外，在本申请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。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的模块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，本申请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全部或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)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，对于前述的实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本申请所提供的一种广域空间铁路线路智能搜索方法、系统、终端及介质的描述，对于本领域的技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (4)
1.一种广域空间铁路线路智能搜索方法，其特征在于，步骤如下：
步骤S100：初始化蒙特卡洛树，具体是，构建用于蒙特卡洛树的节点数据结构，将线路起点和终点分别作为蒙特卡洛树的初始节点与终止状态；
步骤S200：蒙特卡洛树搜索循环，具体是，在计算资源预算下，若扩展节点未抵达终点，则进行蒙特卡洛树搜索循环；每次蒙特卡洛树搜索循环首先利用树内策略储存的经验依据UCT函数确定树内最优路径，然后基于树外策略进行一次模拟探索，最后将探索所得造价回溯，更新本次探索路径中每个节点的信息；
步骤S300：从蒙特卡洛树中提取最优路径，具体是，忽略UCT函数中的探索项，依据经验项在树内依次选择最优节点并生成节点序列，所述节点序列即为蒙特卡洛树搜索产生的最优路径；
步骤S400：最优路径拟合得到三维线路方案，具体是，采用弦切支距法缩减冗余关键点，剩余关键点形成线路平面交点，基于所述线路平面交点并配置曲线生成线路平面方案；合并坡度代数差小于阈值的相邻坡段并设置竖曲线，生成纵断面线路方案；所述线路平面方案和纵断面线路方案即可生成三维线路方案；
在步骤S100中，所述节点数据结构包括节点三维坐标、UCT函数值、可行动作空间AvailableActions、最优造价OptCost、父节点与子节点的地址以及父节点的局部连接路径造价Cost2Parent；
在步骤S200中，所述蒙特卡洛树搜索循环的步骤如下：
步骤S201：选择，具体是，判断终止条件，若满足终止条件，转入步骤S300；未满足终止条件则执行蒙特卡洛树拓展循环；
步骤S202：拓展，具体是，选择根节点，即初始节点，从根节点开始，在可行动作空间中选取节点vi，若节点vi为不可扩展节点，则选取其UCT函数最优的子节点vi+1，转入执行步骤S201；若节点vi为可扩展节点，获取节点vi的可行动作空间，并选取可行动作进行节点扩展，生成新的子节点vi+1，转入执行步骤S203；
步骤S203：模拟，具体是，由子节点vi+1出发，采用贪婪算法从当前线路选择线路交点，直至线路终点，统计从当前节点到线路终点所需的线路造价SimuCost，转入执行步骤S204；
步骤S204：回溯，具体是，从线路终点开始，逐层回溯遍历路径上的子节点vi+1，即选取当前子节点vi+1的父节点，直至初始节点；每选中一个节点，即更新节点的最优造价OptCost，访问次数VisitTime，转入步骤S201进行下一次循环；
在步骤S202中，所述UCT函数的表达式如下：
其中，UCT(vi+1,v)表示父节点v的子节点vi+1的UCT函数值；OptCost(vi+1)为子节点vi+1在所有模拟下当前节点到线路终点所需的最低造价；c是常数；N(v)，N(vi+1)分别是父节点v和子节点vi+1的模拟次数；
子节点vi+1在所有模拟下当前节点到线路终点所需的最低造价表达式如下：
其中，Ns表示该节点的模拟总次数；
在步骤S203中，在缺乏反馈的情况下，采用自适应步长搜索局部路径直至线路走出隧道，具体是，当搜索隧道内线路时，当前节点首先按等步长搜索路径，若扩展节点仍在隧道内，则扩展步长沿原方向继续扩展，直至线路进入路基段；
在步骤S204中，更新节点的最优造价和访问次数的执行方式如下：
步骤S204-1：从终点开始选取节点vt，取线路造价和当前的最优造价中的较小者为更新后的最优造价OptCost(vt)，节点vt的访问次数加1；
步骤S204-2：选取其父节点vt+1，计算父节点本次模拟的最优造价，计算公式如下：
OptCost(vt+2)＝OptCost(vt+1)+Cost2Parent(vt+1)；
其中，Cost2Parent(vt+1)表示父节点vt+1的局部连接路径造价；
父节点的访问次数加1；
步骤S204-3：若父节点vt+1为线路起点，则更新完毕，转入执行步骤S100；否则转入步骤S204-2继续循环更新节点信息。
2.一种广域空间铁路线路智能搜索系统，其特征在于，用于实现如权利要求1所述的广域空间铁路线路智能搜索方法，所述系统包括三维线路蒙特卡洛树初始化模块、三维线路蒙特卡洛树搜索模块、蒙特卡洛树最优路径生成模块、平面线路拟合模块以及纵断面线路拟合模块；
所述三维线路蒙特卡洛树初始化模块，用于构建蒙特卡洛树的节点数据结构；
所述三维线路蒙特卡洛树搜索模块，用于在线路起点和终点之间扩展出由UCT函数指导的线路方案树；
所述蒙特卡洛树最优路径生成模块，用于由建成的蒙特卡洛树提取最低造价的线路方案；
所述平面线路拟合模块，用于剔除冗余关键点，生成光滑线路平面方案；
所述纵断面线路拟合模块，用于整饰纵断面坡段进而生成线路纵断面方案。
3.一种广域空间铁路线路智能搜索终端，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1所述的广域空间铁路线路智能搜索方法。
4.一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有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的广域空间铁路线路智能搜索方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058218.1A CN116050689B (zh) | 2023-01-18 | 2023-01-18 | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058218.1A CN116050689B (zh) | 2023-01-18 | 2023-01-18 | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116050689A CN116050689A (zh) | 2023-05-02 |
| CN116050689B true CN116050689B (zh) | 2023-11-17 |
Family
ID=86125566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310058218.1A Active CN116050689B (zh) | 2023-01-18 | 2023-01-18 | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116050689B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757347B (zh) * | 2023-06-19 | 2024-02-13 | 中南大学 | 一种基于深度学习的铁路线路选线方法及系统 |
| CN117346797B (zh) * | 2023-12-06 | 2024-03-19 | 合肥井松智能科技股份有限公司 | 一种基于蒙特卡洛搜索树的b样条路径规划方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110083748A (zh) * | 2019-04-30 | 2019-08-02 | 南京邮电大学 | 一种基于自适应动态规划与蒙特卡罗树搜索的搜索方法 |
| KR20200108728A (ko) * | 2019-03-11 | 2020-09-21 | 성균관대학교산학협력단 | 몬테카를로 트리 검색 기반의 속성 선택 방법 및 장치 |
| CN111897868A (zh) * | 2020-07-31 | 2020-11-06 | 浙江大学 | 用于分析与规划公交线路的可视分析方法和系统 |
| CN113609548A (zh) * | 2021-07-05 | 2021-11-05 | 中铁工程设计咨询集团有限公司 | 一种桥梁布跨方法、装置、设备及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884256B (zh) * | 2021-04-28 | 2021-07-27 | 深圳大学 | 路径规划方法、装置、计算机设备和存储介质 |
-
2023
- 2023-01-18 CN CN202310058218.1A patent/CN116050689B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200108728A (ko) * | 2019-03-11 | 2020-09-21 | 성균관대학교산학협력단 | 몬테카를로 트리 검색 기반의 속성 선택 방법 및 장치 |
| CN110083748A (zh) * | 2019-04-30 | 2019-08-02 | 南京邮电大学 | 一种基于自适应动态规划与蒙特卡罗树搜索的搜索方法 |
| CN111897868A (zh) * | 2020-07-31 | 2020-11-06 | 浙江大学 | 用于分析与规划公交线路的可视分析方法和系统 |
| CN113609548A (zh) * | 2021-07-05 | 2021-11-05 | 中铁工程设计咨询集团有限公司 | 一种桥梁布跨方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 从桥梁大国到桥梁强国;史永吉;;中国公路(第11期);第13-16页 * |
| 基于改进DT算法的铁路路径自动搜索方法;刘威;胡光常;;高速铁路技术(第05期);第5-9页 * |
| 铁路平纵断面联合自动优化设计的探讨;张庆珩, 王莉;铁道学报(第04期);第75-88页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116050689A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116050689B (zh) | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 | |
| US20210287138A1 (en) | Learning to simulate and design for structural engineering | |
| Huang et al. | Explorations of the implementation of a parallel IDW interpolation algorithm in a Linux cluster-based parallel GIS | |
| CN103150614B (zh) | 一种土地利用空间自动配置方法 | |
| Rakha et al. | Generative urban modeling: a design work flow for walkability-optimized cities | |
| CN101419623B (zh) | 地理模拟优化系统 | |
| CN103136603A (zh) | 一种智能土地利用布局优化配置方法 | |
| CN102708327A (zh) | 一种基于谱优化的网络社区发现方法 | |
| CN102750732A (zh) | 基于gis系统的土地资源利用变化动态预测模型及其使用方法 | |
| CN113393030A (zh) | 车辆运营区域潜力站点选址方法、系统、终端及介质 | |
| CN104579747A (zh) | 一种分布式电力设备仿真中的模型数据快速传输方法 | |
| Wang et al. | A spatial exploring model for urban land ecological security based on a modified artificial bee colony algorithm | |
| Dai et al. | Agent-based model of land system: Theory, application and modelling framework | |
| Jiang et al. | Parallel contributing area calculation with granularity control on massive grid terrain datasets | |
| Rafiq et al. | Building information modeling steered by evolutionary computing | |
| Marco et al. | A two-level parallelization strategy for genetic algorithms applied to optimum shape design | |
| EP4002186A1 (en) | Building performance analysis (bpa) machine: machine learning to accelerate building energy analysis | |
| Guan et al. | HGAT-VCA: Integrating high-order graph attention network with vector cellular automata for urban growth simulation | |
| CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
| CN107491841A (zh) | 非线性优化方法及存储介质 | |
| Cao et al. | A grey wolf optimizer–cellular automata integrated model for urban growth simulation and optimization | |
| Eldrandaly et al. | A modified artificial bee colony algorithm for solving least-cost path problem in raster GIS | |
| US20230237225A1 (en) | Machine learning based reservoir modeling | |
| Sanjuan et al. | Wind field parallelization based on Schwarz alternating domain decomposition method | |
| Poco et al. | Using maximum topology matching to explore differences in species distribution models |
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 |