CN116070810A - 不均衡运能条件下铁路货运列车开行方案优化方法与装置 - Google Patents
不均衡运能条件下铁路货运列车开行方案优化方法与装置 Download PDFInfo
- Publication number
- CN116070810A CN116070810A CN202211686896.4A CN202211686896A CN116070810A CN 116070810 A CN116070810 A CN 116070810A CN 202211686896 A CN202211686896 A CN 202211686896A CN 116070810 A CN116070810 A CN 116070810A
- Authority
- CN
- China
- Prior art keywords
- transportation
- train
- solution set
- shift
- transport
- 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.)
- Pending
Links
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
- G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种不均衡运能条件下铁路货运列车开行方案优化方法与装置,通过将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据点和弧构建运输服务网络,用于对班列的运输周转过程进行刻画;并基于运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案,实现了对不均衡运能条件下铁路货运列车开行方案的优化,提高了铁路运输资源利用率。
Description
技术领域
本发明实施例涉及铁路运输技术领域,具体涉及一种不均衡运能条件下铁路货运列车开行方案优化方法与装置。
背景技术
列车开行方案是铁路运输组织的核心,是货运列车运行图编制的基础。其是以路网上各方向的货运需求为依据,确定各货物列车的运行区段、车辆编组和列车对数等信息。由于铁路运输能力有限,如何合理地设计列车开行方案,对于提高铁路运输收益,提升铁路在货运市场的竞争力具有重要意义。
现有列车开行方案大致可以分为以下四种:一是人工决策,以经验判断的定性分析为主,基于编制人员的实际经验手工制定;二是元启发式算法,如张玉召等根据模型特点设计了有偏好信息的遗传算法对开行方案优化模型进行求解;三是数学规划算法,如李新毅设计了基于拉格朗日松弛的求解方法对开行方案和车底周转进行了一体化优化;四是利用商用求解器求解,如吴开信等构建了多目标优化模型对列车开行方案和客流控制进行协同优化,调用GAMS求解器直接进行求解。其中,人工决策的方式不仅效率较低,且能够考虑的因素十分有限,编制出开行方案的质量也难以保证;元启发式算法(如遗传算法、蚁群算法等)大都是受自然现象启发,模仿自然界的物理现象、生物或动物的群体生存行为等设计,通用性较强,但面对部分开行方案优化问题并不能很好地适用;数学规划算法对于求解资源的要求较高,计算机内存占用大;商业求解器一般价格昂贵,且面对大规模问题的求解时间成本一般难以接受。
货运市场竞争日趋激烈,而铁路货运的周转量仅占全国货运总周转量的15.1%,其中大宗货物运输占据了铁路货运总量的90%以上。由于我国幅员辽阔,资源和产业布局的不平衡使得煤炭等大宗货物运输具有“单向性”,导致大批线路上列车重去轻回,大量铁路运输资源被浪费。如何高效合理地将大宗货物运输之外的剩余运能利用起来,对合理配置铁路运力资源,提高铁路市场竞争力有着重要作用。但是“单向性”使得在很多大宗货物铁路运输区段上,有一个方向的大部分运能被大宗货物运输占据,能够利用的剩余运能呈现出“正反向运能不均衡”的特征。大宗货物铁路运输区段内正反向运输能力不均衡的情景非常普遍,然而现有方法并未针对不均衡运能这一实际情况来设计列车开行方案,这就导致现有铁路货运列车开行方案下,铁路运输资源利用率低,进而导致铁路企业收益低,铁路在货运市场的竞争力较弱,亟需对铁路货运列车开行方案进行优化。
发明内容
本发明实施例提供一种不均衡运能条件下铁路货运列车开行方案优化方法与装置,用以解决现有铁路货运列车开行方案下,铁路运输资源利用率低的问题。
第一方面,本发明实施例提供一种不均衡运能条件下铁路货运列车开行方案优化方法,包括:
将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据点和弧构建运输服务网络,用于对班列的运输周转过程进行刻画;
基于运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案。
一种实施例中,运输服务网络包括:双向对开班列正向运输服务网络、双向对开班列反向运输服务网络、返空列车运输服务网络和货物运输服务网络。
一种实施例中,预设约束条件包括:
各节点的货物流入量与流出量要满足流量守恒关系;
各节点的车辆流入量与流出量要满足流量守恒关系;
双向对开班列在可选起终点站间成对开行;
弧段上的货物流量之和须小于弧段上车底所允许的最大流量;
开行的班列使用的车辆数之和必须小于等于总可用车辆总数;
每个货物只能由一列车来承运且在运输中途不进行中转作业;
双向对开班列其正向和反向只能选择一条运输弧且在中间站不停站作业。
一种实施例中,目标函数根据如下表达式确定:
其中,Max表示最大化,Z表示运输净利润,d表示运输需求,D表示运输需求的集合,a表示弧,Axstart表示虚拟起始弧集合,Ad表示需求弧集合,表示运输需求d被分配到弧a上,rd表示运输需求d的运费收入,Ay表示运行弧集合,ca v表示单位车辆使用成本,wd表示运输需求d的重量,M表示列车的编组数量,ca g表示单位运输成本,la表示运行弧段a的长度,cx表示单位车辆的闲置成本,Nping表示组成双向对开班列的可使用车辆总数,Apz表示双向对开班列正向弧的集合,Vp表示双向对开班列的集合,yv a表示列车v选择了弧段a作为运行路径。
一种实施例中,采用自适应扰动机制确定列车开行方案包括:
初始化算法参数,参数包括初始可行解集合大小、迭代搜索次数和随机扰动概率;
将运输收益小于或等于运输成本的运输路径从基础数据中剔除,得到预处理后的数据;
确定编码方式并根据预处理后的数据按照初始可行解集合大小生成初始可行解集;
根据随机扰动概率对初始可行解集进行差异化迭代更新,得到更新后的可行解集;
当达到迭代搜索次数时,根据更新后的可行解集确定列车开行方案。
一种实施例中,根据随机扰动概率对初始可行解集进行差异化迭代更新包括:
确定可行解集内每个解的评价函数值;
根据评价函数值的大小将可行解集分为第一解集和第二解集,第一解集中解的评价函数值大于第二解集中解的评价函数值;
采用自适应扰动机制对第一解集进行更新,得到更新后的第一解集;
从第一解集中随机选取一个解替换第二解集中对应的解,并根据替换后解的评价函数值对第二解集进行更新,得到更新后的第二解集;
将更新后的第一解集和更新后的第二解集进行混合。
一种实施例中,采用自适应扰动机制对第一解集进行更新包括:
当满足随机扰动概率时,计算每个运行路径被选择的初始优先度,初始优先度根据对应运行路径的货物总运费确定;
对每个运输路径被选择的初始优先度进行调整,得到调整后的优先度;
根据调整后的优先度使用轮盘赌算法确定扰动之后的扰动位置的元素值。
第二方面,本发明实施例提供一种不均衡运能条件下铁路货运列车开行方案优化装置,包括:
构建模块,用于将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据点和弧构建运输服务网络,用于对班列的运输周转过程进行刻画;
优化模块,用于基于运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案。
第三方面,本发明实施例提供一种电子设备,包括:
至少一个处理器和存储器;
存储器存储计算机执行指令;
至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如第一方面任一项所述的不均衡运能条件下铁路货运列车开行方案优化方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面任一项所述的不均衡运能条件下铁路货运列车开行方案优化方法。
本发明实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法与装置,通过将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据点和弧构建运输服务网络,用于对班列的运输周转过程进行刻画;并基于运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案,实现了对不均衡运能条件下铁路货运列车开行方案的优化,提高了铁路运输资源利用率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明一实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法的流程图;
图2为本发明一实施例提供的双向对开班列正向运输服务网络的示意图;
图3为本发明一实施例提供的双向对开班列反向运输服务网络的示意图;
图4为本发明一实施例提供的返空列车运输服务网络的示意图;
图5为本发明一实施例提供的货物运输服务网络的示意图;
图6为本发明又一实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法的流程图;
图7为本发明一实施例提供的不均衡运能条件下铁路货运列车开行方案优化装置的结构示意图;
图8为本发明一实施例提供的电子设备的结构示意图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
铁路货运系统是一个综合、复杂、动态的系统,其列车开行方案的优化属于典型的NP类问题,具有极高的复杂性。然而在实际运输作业过程中,对上述决策的可接受时间较短,因此亟需一种贴近实际应用场景,对实际问题适配性强,对计算成本要求低,求解时间短的方法来对列车开行方案进行优化。
本申请针对正反向铁路运输能力不均衡的情景,并且在不均衡运能条件下均假设正向运能紧张。大宗货物运输占据了大部分的正向运能,所以能够利用的运能主要来自于两个部分:一是利用正向除了大宗货物运输之外的剩余运能,二是利用反向大宗货物运输返空的大量返空运能。由于正向运能非常紧张,为了兼顾正向大宗货物以外的运输需求,同时最大限度地减少停站对线路通过能力的影响,利用正向剩余运能开行点对点双向对开货运班列(下文简称为双向对开班列)。正向运输需求的运力为双向对开班列的正向运力,反向运输需求的运力为双向对开班列的反向运力以及大宗货物运输后返空列车(下文简称返空列车)的大量返空运力。本申请紧贴实际铁路运输领域的实际应用场景,建立了不均衡运能条件下的列车开行方案优化模型,并采用自适应扰动搜索算法以及差异化迭代更新机制来输出最优的列车开行方案,适用于正反向运能不均衡情景下的铁路货运班列开行方案的优化问题。下面将采用具体的实施例来进行详细阐述。
为便于描述,在具体的实施例之前,首先对本申请中所涉及的符号进行说明:表1为对本申请中所涉及的集合与元素的说明,表2为对本申请中所涉及的参数的说明,表3为对本申请中所涉及的决策变量的说明。
表1
表2
表3
图1为本发明一实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法的流程图。如图1所示,本实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法可以包括:
S101、将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据点和弧构建运输服务网络,用于对班列的运输周转过程进行刻画。
为了方便数学模型的建立,首先对数据进行抽象处理。本实施例中将站点抽象为点,将干线运输和中转装卸等作业环节、车底周转和运输需求开始和结束抽象为弧段,由点和弧组成运输服务网络,对班列的运输周转过程进行刻画。本实施例中的运输服务网络可以包括:双向对开班列正向运输服务网络、双向对开班列反向运输服务网络、返空列车运输服务网络和货物运输服务网络。下面以四个车站(A站、B站、C站和D站)为例分别对上述四种运输服务网络进行说明。以A站到D站为正向,设A站、B站和D站为有条件作为点对点对开货运班列的始发终到站。
首先对双向对开班列的车底周转过程进行刻画,双向对开货运班列主要受正向线路运输能力的限制,所以根据线路运输能力的约束可以确定最大可能开行的对开班列数量,生成对开班列的备选集,列出备选集中每一个班列所有可能的运行路径,点对点双向对开班列在途中不考虑停站。所建双向对开班列正向运输服务网络和反向运输服务网络分别如图2和图3所示。在该网络中有四种节点,虚拟起点和虚拟终点代表车底周转的起终点,每个车站都有入(IN)和出(OUT)两种节点来表示作业完成前和完成后不同的状态,OUT表示装卸等车站作业未完成,IN代表作业已经完成。连接同一车站的IN节点和OUT节点构成中转装卸弧,表示班列在某站时货物的中转装卸操作,在终点站时还表示车底的折返作业。添加虚拟起始弧连接虚拟起点与车底始发车站的OUT点,表示车底在网络中的生成,虚拟终止弧连接虚拟终点与车底终到车站的OUT点,表示车底的消失。虚拟终点和虚拟起点相连构成班列超级弧,表示该备选班列没有开行。每两站之间都有运行弧相连表示货物的干线运输过程。通过添加约束来限制正反向班列选择的起终站点相同。
大宗货物运输返空列车的运能非常充足,可以看作为反向运输需求可被全部满足。为节省运算时间,将返空列车的数量假设为一列,能力设为无穷大。数据抽象方法与双向对开班列类似,返空列车的运输服务网络中也有虚拟弧、中转装卸弧和运行弧和超级弧四种弧段;虚拟起点、虚拟终点、IN点和OUT点四种节点。其含义与双向对开班列服务网络中节点和弧段的含义完全相同。特殊的是,由于反向运能充足且其返空列车需要返空到大宗货物运输起始站,所以始发站点和终到站点已经确定,且途中可以停站作业。返空列车运输服务网络的示意图可以参考图4。
对于运输需求来说,货物虚拟起点和货物虚拟终点用来表示运输需求的起点和终点,虚拟节点与车站节点通过虚拟弧相连,表示运输需求(货流)在网络中的生成与消失。此外,为了保证网络中货流流量的平衡,构建一条由货物虚拟起点至终点的超级弧,当货流未被运输(运输需求未被满足)时,则由超级弧运送至终点,此时货流的运输收益为0。以一个A-C的运输需求为例,其货物运输服务网络的示意图可以参考图5。
S102、基于运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案。
在所构建的运输服务网络上,求解满足预设约束条件的,能够使运输净利润最大的列车开行方案。
本实施例中的预设约束条件可以包括:
各节点的货物流入量与流出量要满足流量守恒关系;
各节点的车辆流入量与流出量要满足流量守恒关系;
双向对开班列在可选起终点站间成对开行;
弧段上的货物流量之和须小于弧段上车底所允许的最大流量;
开行的班列使用的车辆数之和必须小于等于总可用车辆总数;
每个货物只能由一列车来承运且在运输中途不进行中转作业;
双向对开班列其正向和反向只能选择一条运输弧且在中间站不停站作业。
其中,货流平衡的约束条件为:
车流平衡的约束条件包括返空列车车流的约束条件、双向对开班列正向车流的约束条件和双向对开班列反向车流的约束条件。
其中,返空列车车流的约束条件为:
双向对开班列正向车流的约束条件为:
双向对开班列反向车流的约束条件为:
双向对开班列成对开行的约束条件表示为:
表示双向对开班列在可选起终点站间成对开行,则班列正向运行的起始站点必须为班列反向运行的终到站,班列正向的终到站必为班列反向的起始站。
车辆能力的约束条件为:
表示弧段上的货物流量之和须小于弧段上车底所允许的最大流量(由通过弧段的车底编成辆数和单位车辆的载重量决定)。
车底数量的约束条件为:
该约束为构成双向对开班列的车辆总数限制,开行的班列使用的车辆数之和必须小于等于总可用车辆总数。
每个货物最多只能有一列车服务的约束条件为:
双向对开班列点对点开行的约束条件为:
该约束表示点对点开行的双向对开班列其正向和反向只能选择一条运输弧,在中间站不停站作业。
车辆可运输的货物属性限制约束条件为:
某些货物只能被对开班列或返空列车的一种列车运输。设mv为车辆属性,md为货物属性。货物属性1的只能由对开运输,货物属性为2的只能由返空列车运输,货物属性为0的两者均可以运输;双向对开班列的属性为1,返空列车属性为2。
本实施例中以运输净利润最大作为优化目标,根据收入和成本来确定运输净利润。将每一个运输需求的运费收入附加在货运需求虚拟起始弧上,总收入可以表示为成本由运输成本、车辆使用成本和车辆闲置成本三部分构成,将运输成本和车辆使用成本附加在运行弧上,则运输成本可以表示为车辆使用成本可以表示为车辆闲置会产生一定的闲置成本,可以将闲置成本表示为
一种可选的实施方式中,目标函数根据如下表达式确定:
其中,Max表示最大化,Z表示运输净利润,d表示运输需求,D表示运输需求的集合,a表示弧,Axstart表示虚拟起始弧集合,Ad表示需求弧集合,表示运输需求d被分配到弧a上,rd表示运输需求d的运费收入,Ay表示运行弧集合,ca v表示单位车辆使用成本,wd表示运输需求d的重量,M表示列车的编组数量,ca g表示单位运输成本,la表示运行弧段a的长度,cx表示单位车辆的闲置成本,Nping表示组成双向对开班列的可使用车辆总数,Apz表示双向对开班列正向弧的集合,Vp表示双向对开班列的集合,yv a表示列车v选择了弧段a作为运行路径。
本申请所建模型为0-1整数规划模型,当运输需求和站点数量增多时,网络弧段、运输需求和不同列车的庞大的组合计算量可能导致模型求解的复杂度大幅提升。精确求解算法和商业求解器都很难在较短的时间里给出高质量的解,所以本节针对问题和模型特点设计启发式算法对不均衡运能条件下列车开行方案优化模型进行求解。该问题为不均衡运能条件下的开行方案优化,假设正向运能相对有限,其正向的货运需求只可以靠双向对开班列满足,而反向返空列车运能充足,可以满足所有的反向运输需求。可以看出解决此问题的核心在于如何根据运输需求选择双向对开班列的始终点站。由于需求的起讫点已经确定,当某班列开行的起讫点确定之后,分配到该班列的运输需求也将随之确定。本实施例中基于所构建的运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案。
本实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法,通过将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据点和弧构建运输服务网络,用于对班列的运输周转过程进行刻画;并基于运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案,实现了对不均衡运能条件下铁路货运列车开行方案的优化,提高了铁路运输资源利用率。
在上述实施例的基础上,下面进一步的对如何采用自适应扰动机制确定列车开行方案进行详细说明。
本申请中可以将不均衡运能条件下铁路货运列车开行方案的优化问题分解为两个子问题:一是开行哪些起讫点的班列,二是每个班列应当满足哪些运输需求。对于子问题一,由于班列最大开行列数可根据线路通过能力确定,每辆班列能够选择的开行路径也有限,所以本发明根据模型特点设计自适应扰动搜索算法框架进行求解;对于子问题二,当班列开行路径确定之后,其能够服务的运输需求也随即确定,此时只需在每列车有限的载重中选择合适的运输需求使其效益最大化。
在上述实施例的基础上,本实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法中,采用自适应扰动机制确定列车开行方案具体可以包括:
步骤1:初始化算法参数,参数包括初始可行解集合大小、迭代搜索次数和随机扰动概率。
对算法参数进行初始化,例如可以将初始可行解集合大小设定为50,将迭代搜索次数设定为30次,将随机扰动概率设定为0.3。
步骤2:将运输收益小于或等于运输成本的运输路径从基础数据中剔除,得到预处理后的数据。
为了缩小数据计算规模,提高数据处理效率,可以对基础数据进行预处理。所有的运输需求和可行的运输路径为已知条件,当部分线路上的运输需求量较少或没有运输需求,其运输收益小于或等于运输成本时,则这些运输路径不可能被选择,先剔除掉这部分运输路径可以有效缩小计算规模。设每个路径是否被剔除为d∈{0,1},d=0表示该路径被剔除,d=1表示该路径不会被剔除。设某运输路径编号为j,wi为该路径上(包括正向和反向)编号为i的运输需求的货物重量,li为路径长度,cg为运输成本,cv表示单位车辆使用成本,cx表示车辆闲置成本,M为编组辆数,α1表示基价一,α2表示基价二,运输路径是否被剔除可以表示为:
步骤3:确定编码方式并根据预处理后的数据按照初始可行解集合大小生成初始可行解集。
首先确定编码方式:由上文分析可知,问题一的解为每个班列选择哪个路径开行。由于双向对开班列点对点对开,一旦选择了正向路径,其反向运行路径也相应确定。故采用整数编码的形式,从1开始对每一个可能的正向路径方案进行编号,同时添加编号0代表该对开班列没有开行。解空间的维数为正向通过能力限制的最大开行班列数。设正向通过能力最大为n(最多可开行n列班列),可选择的班列运行路径总数为m,xi表示第i个班列选择了编号为xi的运行路径,则解X可以表示为X={x1,x2,…,xn},xi∈(0,1,…,m)。在此编码方式的基础上,随机在可行解空间中生成一定数量的初始可行解作为迭代优化的基础。初始可行解集中包括的解的数量等于初始可行解集合大小。
步骤4:根据随机扰动概率对初始可行解集进行差异化迭代更新,得到更新后的可行解集。
为了保留每一代较优解特征的同时避免算法陷入局部最优,根据不同解的评价函数值的设计两种差异化迭代策略。具体步骤如下:
计算可行解集内每个解的评价函数值:本模型的目标为运输收益的最大化,以此设计评价函数(评价函数即为上文中模型的目标函数),包括运费收入、货物运输成本、车辆使用成本和车辆闲置成本。评价函数值越大表示运输收益越大。对于每个可行解X={x1,x2,…,xn},需先根据对应运输需求情况使用动态规划算法确定该班列服务弧段(运行路径)xi中哪些需求被满足,原则是不超出班列总载重的情况下,使得每列班列的运输收益最大。进而计算每个解的评价函数。
个体适应度计算的具体步骤为:
首先计算解中每个元素对应班列的最佳收益(X={x1,x2,…,xn}中每个运行路径xi对应的最佳收益),子问题的建模为:设某班列选择的运行路径中共有k个运输需求可以被满足,每个运输需求只有被满足和不被满足两种状态,将决策变量设为ci={0,1},表示第i个运输需求是否被满足。运输需求的运费收入由铁路公布的运价率计算得出。设第i个运输需求的运费收入为pi,第i运输需求的总重量wi,列车总载重为W,建立模型为:
使用动态规划算法求解子问题,算出每列班列的最佳收益。定义V(i,r)为当前背包容量为r,前i个运输需求的最佳组合对应的列车最大收益。第i个运输需求的运输收益为pi,第i运输需求的总重量wi,递推关系式为:
当遍历完所有可选择的运输需求之后,通过最优解回溯得到子问题的最优解。由于每个运输需求仅可被服务一次,将最优解对应的运输需求进行已服务标记。
根据上式的求解结果计算种群内所有青蛙个体的适应度函数。当解X={x1,x2,…,xn}中每个xi(i=1,2…n)对应班列的最佳收益计算出时,所有对开班列能够满足的运输需求随即确定,剩余所有的反向运输需求由反向返空列车运能满足,计算出最终总收益,即个体的适应度。
对解集中的解进行分组。根据解的评价函数值从高到低对解集内所有解进行排序,记录本次迭代最优解Xbest将按排序结果从50%处分开,分为两个子集:较优解集和较差解集。对于前50%的较优解集,为了避免其在迭代过程中陷入局部最优,设计自适应扰动机制,对其在一定概率下添加随机扰动;对于后50%的较差解集,为了能够吸收较优解的特征,与用较优解集内的解进行元素的交换,并用交换后解的评价函数值决定更新方式。下面分别说明如何对较优解集和较差解集进行更新。
针对较优解集的更新:为了避免结果陷入局部最优,本实施例设计了自适应扰动机制,对解集合中评价函数值在前50%的可行解添加随机扰动:在解X={x1,x2,…,xn}中随机选择一个扰动位置s∈[1,n],对该位置的元素xs进行变化。实际上当模型的一个可行解X确定之后,表示其选择的运输路径{x1,x2,…,xn}已经确定,相应的,这些运输路径对应的运输需求也已经被满足。同理,X中除了扰动位元素xs之外的其他元素存在时,表示一些运输需求已经被满足,不同运行路径上运输需求的数量不同,不同路径被选择的优先级也就不同,随机扰动时一些路径方案已经没有必要被选择。为提高算法效率,本算法设计自适应扰动机制,根据个体特点选择更加适合的扰动方向。
自适应扰动机制的具体步骤如下:
通过概率决定该个体是否需要添加随机扰动。若满足随机扰动概率,则运行至下一步,若不满足扰动概率,则判断下一个个体是否需要添加随机扰动,直到遍历完较优解集内的所有解。
计算每个运行路径被选择的初始优先度。初始优先度由该路径的货物总运费来决定。设可选择的班列运行路径总数为m,设第j个运行路径的选择初始优先度为Uj,设第j个运输路径上共有k个运输需求可被满足,wi,li,α1,α2的含义与S2相同。定义:
根据解的特征对每个运输路径被选择的初始优先度进行调整。设扰动位为s(s∈[1,n]),由于只改变个体X={x1,x2,…,xn}中的一个元素xs,X中的元素为可被选择的路径编号(xi=0,1,2…m),其余的基因可以理解为这些编号的弧段已经被选择,则相应的Uj需要进行调整,扰动位置元素和xi=0(编号位i的双向对开班列没有开行)时不用调整,设一列车的总载重为W,调整方法为:
Uj=j-,j∈X,j≠xb,j≠0.
根据目前每个运输路径的优先度使用轮盘赌算法确定扰动之后的xs值。轮盘赌算法选择步骤为:第j个运行路径被选中的概率再计算第j个运行路径被选中的累计概率在0和1之间生成随机数r,判断r落在累计概率的哪个区间,若落在该区间,则表示对应的运输路径被选中,用被选中的运行路径编号替换扰动位置的元素xs。
针对较差解集的更新:设在较差解集中第i个可行解为Xiworse,较优解集中第i个可行解为Xibetter,根据S4.1.1中计算各路径运输收益的方法,找出Xiworse内收益最少的运行路径xiworse,随机选择较优解集Xibetter内的其中一条运输路径xibetter,用xibetter将xiworse替换,生成新可行解Xnew1。计算Xnew1的评价函数值,若替换后产生的新可行解Xnew1的评价函数值优于原个体Xiworse,则用Xnew1替换较差解集中的原可行解Xiworse;若替换后新可行解不如原可行解,则在全局最优可行解Xbest内随机选择运输路径xbest,用xbest将xibetter替换,生成新可行解Xnew2。计算Xnew2的评价函数值,若替换后产生的新可行解Xnew2的评价函数值优于原个体xiworse,则用Xnew2替换较差解集中的原可行解Xiworse;否则,在可行解空间中随机生成一个可行解Xnew3替换较差解集中的原可行解Xiworse。
一种可选的实施方式例,根据随机扰动概率对初始可行解集进行差异化迭代更新具体可以包括:
确定可行解集内每个解的评价函数值;
根据评价函数值的大小将可行解集分为第一解集(较优解集)和第二解集(较差解集),第一解集中解的评价函数值大于第二解集中解的评价函数值;
采用自适应扰动机制对第一解集进行更新,得到更新后的第一解集;
从第一解集中随机选取一个解替换第二解集中对应的解,并根据替换后解的评价函数值对第二解集进行更新,得到更新后的第二解集;
将更新后的第一解集和更新后的第二解集进行混合。
其中,采用自适应扰动机制对第一解集进行更新具体可以包括:
当满足随机扰动概率时,计算每个运行路径被选择的初始优先度,初始优先度根据对应运行路径的货物总运费确定;
对每个运输路径被选择的初始优先度进行调整,得到调整后的优先度;
根据调整后的优先度使用轮盘赌算法确定扰动之后的扰动位置的元素值。
步骤5:当达到迭代搜索次数时,根据更新后的可行解集确定列车开行方案。
当到达所设置的迭代搜索次数时,输出最优解Xbest,即为最优化的列车开行方案。
上述算法的流程图具体可以参考图6。
本实施例提供的不均衡运能条件下铁路货运列车开行方案优化方法,在上述实施例的基础上,进一步地根据问题和模型的特点设计了自适应扰动搜索算法,差异化迭代更新机制既可以保留较优解特征,又可以使得算法不易陷入局部最优;自适应扰动机制可以在降低对初始可行解依赖的同时进行引导式的局部寻优,加快了算法的收敛速度。紧贴实际铁路运输领域实际应用场景,建立了不均衡运能条件下的开行方案优化模型,适用于正反向运能不均衡情景下的铁路货运班列开行方案优化问题,能够提高铁路运输资源的利用率、提高铁路企业收益、增强铁路在货运市场的竞争力,尤其在我国经济结构调整、产业转型升级的背景下有重要意义。本实施例所提供的自适应扰动搜索算法其求解效果好于传统通用的元启发式算法(遗传算法),求解时间较商用求解器有显著减少。
图7为本发明一实施例提供的不均衡运能条件下铁路货运列车开行方案优化装置的结构示意图。如图7所示,本实施例提供的不均衡运能条件下铁路货运列车开行方案优化装置70可以包括:构建模块701和优化模块702。
构建模块701,用于将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据点和弧构建运输服务网络,用于对班列的运输周转过程进行刻画;
优化模块702,用于基于运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案。
本实施例的装置,可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例还提供一种电子设备,请参见图8所示,本发明实施例仅以图8为例进行说明,并不表示本发明仅限于此。图8为本发明一实施例提供的电子设备的结构示意图。如图8所示,本实施例提供的电子设备80可以包括:存储器801、处理器802和总线803。其中,总线803用于实现各元件之间的连接。
存储器801中存储有计算机程序,计算机程序被处理器802执行时可以实现上述任一方法实施例的技术方案。
其中,存储器801和处理器802之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接,如可以通过总线803连接。存储器801中存储有实现不均衡运能条件下铁路货运列车开行方案优化方法的计算机程序,包括至少一个可以软件或固件的形式存储于存储器801中的软件功能模块,处理器802通过运行存储在存储器801内的软件程序以及模块,从而执行各种功能应用以及数据处理。
存储器801可以是,但不限于,随机存取存储器(Random Access Memory,简称:RAM),只读存储器(Read Only Memory,简称:ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称:PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称:EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,简称:EEPROM)等。其中,存储器801用于存储程序,处理器802在接收到执行指令后,执行程序。进一步地,上述存储器801内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通信,从而提供其他软件组件的运行环境。
处理器802可以是一种集成电路芯片,具有信号的处理能力。上述的处理器802可以是通用处理器,包括中央处理器(Central Processing Unit,简称:CPU)、网络处理器(Network Processor,简称:NP)等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以理解,图8的结构仅为示意,还可以包括比图8中所示更多或者更少的组件,或者具有与图8所示不同的配置。图8中所示的各组件可以采用硬件和/或软件实现。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现上述任一方法实施例的技术方案。
本公开中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
本公开的保护范围不限于上述的实施例,显然,本领域的技术人员可以对本公开进行各种改动和变形而不脱离本公开的范围和精神。倘若这些改动和变形属于本公开权利要求及其等同技术的范围,则本公开的意图也包含这些改动和变形在内。
Claims (10)
1.一种不均衡运能条件下铁路货运列车开行方案优化方法,其特征在于,包括:
将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据所述点和所述弧构建运输服务网络,用于对班列的运输周转过程进行刻画;
基于所述运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案。
2.根据权利要求1所述的方法,其特征在于,所述运输服务网络包括:双向对开班列正向运输服务网络、双向对开班列反向运输服务网络、返空列车运输服务网络和货物运输服务网络。
3.根据权利要求1所述的方法,其特征在于,所述预设约束条件包括:
各节点的货物流入量与流出量要满足流量守恒关系;
各节点的车辆流入量与流出量要满足流量守恒关系;
双向对开班列在可选起终点站间成对开行;
弧段上的货物流量之和须小于弧段上车底所允许的最大流量;
开行的班列使用的车辆数之和必须小于等于总可用车辆总数;
每个货物只能由一列车来承运且在运输中途不进行中转作业;
双向对开班列其正向和反向只能选择一条运输弧且在中间站不停站作业。
4.根据权利要求1所述的方法,其特征在于,所述目标函数根据如下表达式确定:
5.根据权利要求1-4任一项所述的方法,其特征在于,所述采用自适应扰动机制确定列车开行方案包括:
初始化算法参数,所述参数包括初始可行解集合大小、迭代搜索次数和随机扰动概率;
将运输收益小于或等于运输成本的运输路径从基础数据中剔除,得到预处理后的数据;
确定编码方式并根据所述预处理后的数据按照所述初始可行解集合大小生成初始可行解集;
根据所述随机扰动概率对所述初始可行解集进行差异化迭代更新,得到更新后的可行解集;
当达到所述迭代搜索次数时,根据所述更新后的可行解集确定列车开行方案。
6.根据权利要求5所述的方法,其特征在于,所述根据所述随机扰动概率对所述初始可行解集进行差异化迭代更新包括:
确定所述可行解集内每个解的评价函数值;
根据评价函数值的大小将所述可行解集分为第一解集和第二解集,所述第一解集中解的评价函数值大于所述第二解集中解的评价函数值;
采用自适应扰动机制对所述第一解集进行更新,得到更新后的第一解集;
从所述第一解集中随机选取一个解替换所述第二解集中对应的解,并根据替换后解的评价函数值对所述第二解集进行更新,得到更新后的第二解集;
将所述更新后的第一解集和所述更新后的第二解集进行混合。
7.根据权利要求6所述的方法,其特征在于,所述采用自适应扰动机制对所述第一解集进行更新包括:
当满足所述随机扰动概率时,计算每个运行路径被选择的初始优先度,所述初始优先度根据对应运行路径的货物总运费确定;
对每个运输路径被选择的初始优先度进行调整,得到调整后的优先度;
根据调整后的优先度使用轮盘赌算法确定扰动之后的扰动位置的元素值。
8.一种不均衡运能条件下铁路货运列车开行方案优化装置,其特征在于,包括:
构建模块,用于将站点抽象为点,将干线运输、中转装卸、车底周转和运输需求抽象为弧,根据所述点和所述弧构建运输服务网络,用于对班列的运输周转过程进行刻画;
优化模块,用于基于所述运输服务网络,在预设约束条件下,以运输净利润最大作为目标函数,采用自适应扰动机制确定列车开行方案。
9.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-7任一项所述的不均衡运能条件下铁路货运列车开行方案优化方法。
10.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的不均衡运能条件下铁路货运列车开行方案优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686896.4A CN116070810A (zh) | 2022-12-26 | 2022-12-26 | 不均衡运能条件下铁路货运列车开行方案优化方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686896.4A CN116070810A (zh) | 2022-12-26 | 2022-12-26 | 不均衡运能条件下铁路货运列车开行方案优化方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070810A true CN116070810A (zh) | 2023-05-05 |
Family
ID=86183123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211686896.4A Pending CN116070810A (zh) | 2022-12-26 | 2022-12-26 | 不均衡运能条件下铁路货运列车开行方案优化方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070810A (zh) |
-
2022
- 2022-12-26 CN CN202211686896.4A patent/CN116070810A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | Intermodal hub-and-spoke network design: incorporating multiple stakeholders and multi-type containers | |
Lin et al. | Modeling the railway network design problem: A novel approach to considering carbon emissions reduction | |
CN111553507B (zh) | 基于多商品流的中欧集装箱运输方案优化方法 | |
Lv et al. | Operational optimization of transit consolidation in multimodal transport | |
Shi et al. | A lexicographic-based two-stage algorithm for vehicle routing problem with simultaneous pickup–delivery and time window | |
CN111428931B (zh) | 物流配送线路规划方法、装置、设备及存储介质 | |
Sun et al. | Bi-objective optimization for multi-modal transportation routing planning problem based on Pareto optimality | |
CN111967828A (zh) | 一种面向全程物流的公铁联运产品协同优化方法 | |
Wang et al. | Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks | |
Ge et al. | Electric vehicle routing problems with stochastic demands and dynamic remedial measures | |
Wu et al. | Managing pharmaceuticals delivery service using a hybrid particle swarm intelligence approach | |
Tawfik et al. | Bilevel optimization in the context of intermodal pricing: state of art | |
Zhou et al. | Intermodal hub-and-spoke logistic network design with differentiated services: The case of China Railway Express | |
Wang et al. | Research of oil product secondary distribution optimization based on collaborative distribution | |
Jing et al. | A study on car flow organization in the loading end of heavy haul railway based on immune clonal selection algorithm | |
Tan et al. | Multi-objective teaching–learning-based optimization algorithm for carbon-efficient integrated scheduling of distributed production and distribution considering shared transportation resource | |
Lai et al. | A rolling-horizon decision framework for integrating relocation and user flexibility in one-way electric carsharing systems | |
Lan et al. | Optimizing train formation problem with car flow routing and train routing by benders-and-price approach | |
CN116070810A (zh) | 不均衡运能条件下铁路货运列车开行方案优化方法与装置 | |
Yu et al. | An optimization method for planning the lines and the operational strategies of waterbuses: the case of Zhoushan city | |
Choi et al. | Dispatching of container trucks using genetic algorithm | |
Martino et al. | TRIMODE: integrated transport model for Europe | |
Chang et al. | Adaptive large neighborhood search Algorithm for route planning of freight buses with pickup and delivery | |
Zhao et al. | Allocating freight empty cars in railway networks with dynamic demands | |
CN114537479A (zh) | 考虑列车开行方案周内波动的动车组运用计划编制方法 |
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 |