CN117371611A - 一种地铁列车运营计划编制方法、介质及系统 - Google Patents

一种地铁列车运营计划编制方法、介质及系统 Download PDF

Info

Publication number
CN117371611A
CN117371611A CN202311434296.3A CN202311434296A CN117371611A CN 117371611 A CN117371611 A CN 117371611A CN 202311434296 A CN202311434296 A CN 202311434296A CN 117371611 A CN117371611 A CN 117371611A
Authority
CN
China
Prior art keywords
train
vehicle
vehicle section
mileage
section
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
Application number
CN202311434296.3A
Other languages
English (en)
Inventor
辛丽平
徐鹏
范锐
焦绪国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN202311434296.3A priority Critical patent/CN117371611A/zh
Publication of CN117371611A publication Critical patent/CN117371611A/zh
Pending legal-status Critical Current

Links

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"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/10—Operations, e.g. scheduling or time tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06314—Calendaring for a resource
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种地铁列车运营计划编制方法、介质及系统，属于编制方法技术领域，该地铁列车运营计划编制方法包括以下步骤：获取并分析车辆段的车次安排及列车上次检修后的行驶里程、列车累计行驶里程、列车定修时间安排；建立A车辆段和B车辆段的列车集合；建立A车辆段以及B车辆段的车次集合；利用列车集合和车次集合，建立列车运营计划编制模型；根据列车运营计划编制模型，计算列车‑车次匹配程度；使用改进果蝇算法求解列车运营计划编制模型，将列车运营计划编制模型转化为柔性作业车间调度问题求解；通过综合考虑双车辆段车辆的运营计划编配问题，使列车在运营计划编制周期内自动调整到不同的车辆段担任合适的车次任务，实现均衡运用。

Description

一种地铁列车运营计划编制方法、介质及系统
技术领域
本发明属于编制方法技术领域，具体而言，涉及一种地铁列车运营计划编制方法、介质及系统。
背景技术
城市轨道交通是现代城市中不可或缺的一部分，它为居民提供了高效、便捷的交通服务。为了确保轨道交通系统的正常运营，需要进行精确的列车运营计划编配，以满足不同时间段内乘客的需求，确保列车的安全、准时和高效运行。
公开号为CN108528477B的中国发明专利一种地铁车辆段/停车场综合自动化系统(申请号为：CN201810366286.3)，包括：系统信息集成平台、系统硬件平台、调度计划优化编制与管理系统；所述系统信息集成平台用于将所有数据集成在同一个信息平台上，且不同业务的数据根据生产流程的关联性在关系型数据库中建立联系，数据包括：出入库列车调度计划、数字化指挥、转线调车调度计划、机班派班调度计划、车辆检修调度计划、设备管理、进路自动执行和生产管理；所述系统硬件包括：车辆段控制中心硬件设备、车辆段轨旁设备、车辆段综合楼设备、车辆段调车员手持电台和停车场控制中心硬件设备、停车场轨旁设备、停车场综合楼设备和停车场调车员手持电台；所述车辆段控制中心硬件设备包括：检修调度工作站、车场调度工作站、派班调度工作站、设备调度工作站、综合维护工作站、值班员工作站、车场调度员电台、通信服务器、数据库服务器、应用服务器、防病毒服务器、远程桌面服务器和调度大屏，上述设备通过局域网相互连接，其中通信服务器通过光纤通道与信号通信服务器连接；车辆段车场调度员电台通过无线电与车辆段调车员的手持电台连接。该系统基于信息集成平台，使用调度优化、管控一体化、自动控制、信息联锁、智能决策，使用网络各岗位和调度计划管理信息系统、计算机联锁系统、运营资产管理系统、施工计划系统、列车运行自动监督系统、办公系统等各系统进行有机连接在一起。
上述一种地铁车辆段/停车场综合自动化系统只考虑单一车辆段车辆的运营计划编配问题。
发明内容
有鉴于此，本发明提供一种地铁列车运营计划编制方法、介质及系统，能够综合考虑双车辆段车辆的运营计划编配问题，使列车在运营计划编制周期内自动调整到不同的车辆段担任合适的车次任务，实现均衡运用。
本发明是这样实现的：
本发明的第一方面提供一种地铁列车运营计划编制方法、介质及系统，其中，包括以下步骤：
S10，获取并分析车辆段的车次安排及列车上次检修后的行驶里程、列车累计行驶里程、列车定修时间安排；
S20，建立列车集合，包括A车辆段的列车集合和B车辆段的列车集合；
S30，建立车次集合，包括A车辆段的车次集合以及B车辆段的车次集合，所述A车辆段的车次集合包括A车辆段的固定车次，所述A车辆段的固定车次包括A车辆段发往B车辆段车次以及A车辆段发车后再返回A车辆段车次，所述B车辆段的车次集合包括B车辆段的固定车次，所述B车辆段的固定车次包括B车辆段发往A车辆段的车次以及B车辆段发车后再返回B车辆段车次；
S40，利用所述列车集合以及所述车次集合，建立列车运营计划编制模型；
S50，根据所述列车运营计划编制模型进行运营计划编配，计算列车-车次匹配程度；
S60，将所述列车运营计划编制模型转化为柔性作业车间调度问题进行求解。
(1)每日车次计划已知。本模型只考虑每日固定的车次计划，不考虑临时增加车次问题，若需要临时增加车次时，则由调度员为临时车次指派合适的空闲列车。
(2)不考虑列车每日停靠股道对车次选择的影响。本模型求解长期运营日计划编配问题，每日回库列车以第二日的运营计划为依据选择合适的停靠股道。
(3)指定车次已知。在制定运营计划前确定好指定车次的日期、指定车次和担任指定车次任务的列车编号，若因突发情况导致某日的指定车次安排出现变化，由调度员进行重新安排。
(4)本文在编配双车辆段的运营计划时，将双车辆段所有的列车与车次统一匹配，通过合理的编配运营计划，使列车在运营中自动调整到最合适的车辆段，担任最合适的车次。
(5)本文模型中，只有B车辆段具有定修能力，所有需要定修的车辆必须抵达B车辆段进行定修。
(6)里程修重要度大于月修。月修、里程修结束后，列车月修里程从0开始重新记录，但列车累计里程保持不变。
在上述技术方案的基础上，本发明的一种地铁列车运营计划编制方法、介质及系统还可以做如下改进:
其中，所述利用所述列车集合以及所述车次集合，建立列车运营计划编制模型的步骤，具体包括：
获取所述列车集合和所述车次集合，定义决策变量，所述决策变量包括里程修情况变量、当前车辆状态变量、第二日车辆状态变量、定修列车的里程修状态变量以及定修列车的月修状态变量；
制定目标函数，得到所述列车-车次匹配程度；
添加约束条件，所述约束条件包括列车分配约束、车次编排约束、车辆段容量约束以及时间窗口约束；
根据所述目标函数和所述约束条件，使用改进果蝇算法对所述列车运营计划编制模型进行求解，找到最优的列车运营计划。
采用上述改进方案的有益效果为：通过建立模型，可以精确计算不同列车在不同时间和车辆段之间的最佳调度方式。
进一步的，所述制定目标函数，得到所述列车-车次匹配程度的步骤，具体包括：
步骤1：将指定车次任务的列车号填入相应的车次任务中；
步骤2：将两个车辆段所有可运营的列车按上次定修后的运营公里数从小到大排序，从中将累计里程大于420000公里且没进行过40万里程修的车辆挑选出来放至最后，得到列车的排序名次；
步骤3：将所述A车辆段和所述B车辆段所有的车次按车次运营里程大小从大到小排序，里程数相同的车次排名也相同，得到车次的排序名次；
步骤4：将所述列车的排序名次与所述车次的排序名次之差作为所述列车-车次匹配程度。
采用上述改进方案的有益效果为：将双车辆段所有的车次与列车统一编制，摆脱了单独车辆段只计算本车辆段的列车运用计划，各车辆段的列车运用计划相互影响的情况；在编制计划时，将过度使用的列车在排序的时候放到最后，加强对列车的保护，减少过度使用列车的使用；将列车—车次匹配成本最小为目标函数，确保列车担任最合适的车次，实现均衡利用。合理的列车—车次匹配可以使列车运用更合理，增加列车使用寿命，最大程度地提高整个系统的效率。
进一步的，所述添加约束条件包括：
每个车次按照车次发车时间发车；
在列车运营中，每个车辆段的车次任务只能由停在每个所述车辆段的列车担任；
每个所述车辆段的列车每天担任所述车辆段的一个车次任务。
采用上述改进方案的有益效果为：约束条件有助于优化列车运营规划，提高了列车系统的效率、可靠性和服务质量，同时减少了潜在的问题和混乱，为城市交通系统的顺畅运行和乘客的出行体验做出了贡献。
进一步的，所述根据所述目标函数和所述约束条件，使用改进果蝇算法对所述列车运营计划编制模型进行求解，找到最优的列车运营计划的步骤，具体包括：
步骤一，运营计划信息参数初始化，包括初始化列车运营计划编制总天数与总迭代次数；
步骤二，列车与车次信息初始化，包括初始化车辆段信息、列车总数、列车运行里程、列车检修计划、列车里程检修情况、车次总数、车次时间、车次运营里程；
步骤三，将指定车次任务的列车与有早晚高峰任务的列车安排到对应车次，将其余列车与车次生成列车担任车次的成本矩阵；
步骤四，更新列车运营状态，其中，所述列车运营状态受列车定修安排影响；
步骤五，随机生成初始列车-车次匹配关系，其中，每个列车担任同一车辆段的车次任务，指定车次去往不同车辆段的列车担任指定车次任务；
步骤六，果蝇算法初始化，初始化果蝇种群数目、搜索因子、搜索步长、动态搜索步长、最大迭代次数，生成初始种群；每只果蝇个体内包含21组数，代表一套完整列车-车次匹配关系，将所述列车-车次匹配关系转化为果蝇的位置信息；
步骤七，果蝇算法优化，找出并记录当前迭代中适应度值最优的果蝇个体的位置；所有果蝇个体飞到适应度值最优的果蝇个体处集合，更新数据准备下次迭代；
步骤八，输出并保存最优果蝇个体数据，将其转化为列车-车次匹配关系，再计算列车-车次匹配成本；
步骤九，重复步骤五-步骤八，达到最大迭代次数后，结束算法，输出并保存最优解，即当日的运营计划；
步骤十，自动检修安排：统计空闲月修股道，将所述最优解中，所述B车辆段未与车次匹配且里程数大于20000公里的列车按里程数从大到小排列，按顺序安排进所述空闲月修股道，直至所述空闲月修股道数量为0；则以500公里为幅度，逐次下降至19000公里；
步骤十一，重复步骤二-步骤十，达到运营计划编制总天数后，停止迭代，将每日运营计划的匹配成本求和，输出并保存所有的运营计划与求和成本；
步骤十二，重复步骤十一，达到总迭代次数后，停止迭代，输出求和成本最小的总天数运营计划。
在编制每日运营计划时，会出现相同的匹配成本包括多种运营方案的情况，不同的运营方案会对后续日期的运营计划产生不同的影响，使最后的总天数运营方案并不是最优方案，因此，通过步骤十二，选出最优的总天数运营方案。
进一步的，所述更新列车运营状态，其中，所述列车运营状态受列车定修安排影响包括：
A车辆段列车非故障问题和特殊安排问题，均参与当日运营计划编制，其中安排明日定修的列车担任A车辆段到B车辆段的车次任务；
安排明日不定修但行驶里程达到定修里程的列车担任A车辆段到B车辆段的车次任务；
安排B车辆段今日可运行且明日不定修的列车参与当日运营计划编制；
安排B车辆段当日可运行但明日定修却未到达定修里程的列车担任B站到B车辆段的车次任务；
安排B车辆段当日可运行但明日定修且到达定修里程的列车不参与今日运营计划编制。
设置A车辆段的月修里程标准为21000公里，若无21000公里列车，则以500公里为幅度，逐次下降至19000公里；B车辆段的月修里程标准为20000公里。设置A、B车辆段的40万里程修标准限制为420000公里。
进一步的，所述将所述列车-车次匹配关系转化为果蝇的位置信息的步骤，具体包括：
初始化果蝇种群数目、搜索因子、搜索步长、最大迭代次数，计算动态搜索步长；
生成初始种群，针对每只果蝇个体，生成包含21组数的随机位置信息，所述21组数代表一套完整的所述列车-车次匹配关系，所述21组数的每组数对应不同列车与车次的匹配情况；
初始化每只果蝇的适应度，即使用目标函数来评估每套所述列车-车次匹配关系的效果；
设置迭代计数器，初始化迭代计数器，开始迭代过程。
采用上述改进方案的有益效果为：通过将列车-车次匹配关系转化为果蝇的位置信息能够提供更精准、实时的数据支持。
进一步的，所述列车运营计划编制模型中，B车辆段具有定修能力，所有需要定修的车辆必须抵达B车辆段进行定修。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质内存储有程序指令，所述程序指令运行时，用于执行上述的一种地铁列车运营计划编制方法、介质及系统。
本发明的第三方面提供一种地铁列车运营计划编制系统，其中，包括上述的计算机可读存储介质。
与现有技术相比较，本发明提供的一种地铁列车运营计划编制方法、介质及系统的有益效果是：编制运营计划时，将车次指派给列车的过程中，还受车次方向与列车停靠股道位置的影响，其结果只能使每个列车在一段时间内达到一致的运行里程，但是不一定是该时间段内最佳的车次与列车匹配方案，在多车辆段问题中，每日出发的车辆与最终收车的车辆都不同，所以针对车辆段固定车辆的运营计划编配问题并不适用，于是本文提出一种综合考虑双车辆段车辆的运营计划编配问题，使列车在运营计划编制周期内自动调整到不同的车辆段担任合适的车次任务，实现均衡运用。采用改进果蝇算法求解得到的运营计划编制方案求解精度更高，求解速度更快，相较于传统人工编排的发车方案，本文算法计算得到运营计划可以使列车的使用更加均衡，使列车检修日期的制定更加准确，可有效提高列车利用率降低列车运营风险。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述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性的前提下，还可以根据这些附图获得其他的附图。
图1为一种地铁列车运营计划编制方法、介质及系统流程图；
图2为本发明更新列车运行状态树状图；
图3为本发明单日运营计划编制结果示例图；
图4为本发明搜索步长动态迭代曲线示意图；
图5为本发明果蝇算法对比曲线示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。
如图1、图2所示，是本发明第一方面提供一种地铁列车运营计划编制方法、介质及系统的实施例，在本实施例中，包括以下步骤：
S10，获取并分析车辆段的车次安排及列车上次检修后的行驶里程、列车累计行驶里程、列车定修时间安排；
S20，建立列车集合，包括A车辆段的列车集合和B车辆段的列车集合；
S30，建立车次集合，包括A车辆段的车次集合以及B车辆段的车次集合，A车辆段的车次集合包括A车辆段的固定车次，A车辆段的固定车次包括A车辆段发往B车辆段车次以及A车辆段发车后再返回A车辆段车次，B车辆段的车次集合包括B车辆段的固定车次，B车辆段的固定车次包括B车辆段发往A车辆段的车次以及B车辆段发车后再返回B车辆段车次；
S40，利用列车集合以及车次集合，建立列车运营计划编制模型；
S50，根据列车运营计划编制模型进行运营计划编配，计算列车-车次匹配程度；
S60，将列车运营计划编制模型转化为柔性作业车间调度问题进行求解。
进一步的，在上述技术方案中，列车运营计划编制模型中，B车辆段具有定修能力，所有需要定修的车辆必须抵达B车辆段进行定修。
A车辆段共有k列车次，其中g列车次为A车辆段发往B车辆段车次，k-g列车次为A车辆段发车后再返回A车辆段车次，g≤k；B车辆段共有m列车次，其中l列车次为B车辆段发往A车车辆段车次，m-l列车次为B车辆段发车后再返回B车辆段车次，l≤m。参与运营计划编制的列车在规定的日期内的运行里程不能超过定修要求。列车定修包括月修与里程修，月修里程为18000-22000公里；里程修分为40万里程修、75万里程修，当列车总里程数到达40万公里、75万公里时进行里程修。
E为全部列车集合，E＝{EZ，EJ}，其中EZ为A车辆段的列车集合：
EZ＝{EZ，i|i＝1，2，...，n}，
n表示有n辆车停靠在A车辆段；EJ为B车辆段的列车集合：EJ＝{EJ，i|i＝1，2，…，q}，q表示有q辆车停靠在B车辆段。
F为所有车次集合：F＝{Fz，FJ}，其中Fz为A车辆段的车次集合：
FZ＝{FZ，j|j＝1，2，...，k}，
k表示A车辆段有k列固定车次；FJ为B车辆段的车次集合：
FJ＝{FJ，j|j＝1，2，...，m}；
m表示B车辆段有m列固定车次；A车辆段发往B车辆段车次为：
FZh＝{FZh，j|j＝1，2，…，g}，g≤k；
B车辆段发往A车辆段的车次为：
FJh＝{FJh，j|j＝1，2，…，l}，l≤m。
T为运营计划编制总天数集合，T＝{Tt|t＝1，2，…，p}。
其中，在上述技术方案中，利用列车集合以及车次集合，建立列车运营计划编制模型的步骤，具体包括：
获取列车集合和车次集合，定义决策变量，决策变量包括里程修情况变量、当前车辆状态变量、第二日车辆状态变量、定修列车的里程修状态变量以及定修列车的月修状态变量；
制定目标函数，得到列车-车次匹配程度；
添加约束条件，约束条件包括列车分配约束、车次编排约束、车辆段容量约束以及时间窗口约束；
根据目标函数和约束条件，使用改进果蝇算法对列车运营计划编制模型进行求解，找到最优的列车运营计划。
涉及的变量有：Xij为0-1决策变量，表示列车i与车次j的分配情况，当列车i担任车次j时，Xij＝1，否则为0；EDi为0-1变量，表示列车i的里程修情况，当列车i完成过40万里程修时候，EDi为1，否则为0；XE为0-1变量，表示当前车辆状态，0表示列车定修，1表示列车正常，XE表示第二日车辆状态；LE为0-1变量，表示定修列车的里程修状态，1表示列车进行里程修，否则为0；QE为0-1变量，表示定修列车的月修状态，1表示列车进行月修，否则为0。
进一步的，在上述技术方案中，制定目标函数，得到列车-车次匹配程度的步骤，具体包括：
步骤1：将指定车次任务的列车号填入相应的车次任务中；
步骤2：将两个车辆段所有可运营的列车按上次定修后的运营公里数从小到大排序，从中将累计里程大于420000公里且没进行过40万里程修的车辆挑选出来放至最后，得到列车的排序名次；
步骤3：将A车辆段和B车辆段所有的车次按车次运营里程大小从大到小排序，里程数相同的车次排名也相同，得到车次的排序名次；
步骤4：将列车的排序名次与车次的排序名次之差作为列车-车次匹配程度。
Cij代表列车i与车次j的匹配程度，列车i越匹配车次j，Cij越小。
在进行运营计划编配时，计算列车与车次的匹配程度，使得全部车次运营总成本最小，本模型的目标函数如下：
Cij的计算公式如下：
Cij＝|Ri-Rj| (2)
其中，Ri表示列车i在步骤(2)中的排名，Rj表示车次j在步骤(3)中的排名。
进一步的，在上述技术方案中，添加约束条件包括：
每个车次按照车次发车时间发车；其中，每个车次的发车时间依据车次任务的时间决定；
在列车运营中，每个车辆段的车次任务只能由停在每个所述车辆段的列车担任；
每个所述车辆段的列车每天担任所述车辆段的一个车次任务。
约束条件如下：
式(3)表示参与车次分配的列车i必须可运营；式(4)表式B车辆段可运行列车数量，W表示B车辆段正常运营的列车总数；式(5)、(6)表示每个车次只能由一辆同车辆段的列车担任。式(7)、(8)表示一辆列车最多可以担任一个同车辆段的车次；式(9)表示B车辆段最多同时有一辆车进行里程修；式(10)表示B车辆段最多同时有3辆车进行月修；其中，是数学符号，表示任意的意思。
如图3所示，进一步的，在上述技术方案中，根据目标函数和约束条件，使用改进果蝇算法对列车运营计划编制模型进行求解，找到最优的列车运营计划的步骤，具体包括：
步骤一，运营计划信息参数初始化，包括初始化列车运营计划编制总天数与总迭代次数；
步骤二，列车与车次信息初始化，包括初始化车辆段信息、列车总数、列车运行里程、列车检修计划、列车里程检修情况、车次总数、车次时间、车次运营里程；
步骤三，将指定车次任务的列车与有早晚高峰任务的列车安排到对应车次，将其余列车与车次生成列车担任车次的成本矩阵；
步骤四，更新列车运营状态，其中，列车运营状态受列车定修安排影响；
进一步的，列车运营状态受列车定修安排影响包括：
A车辆段列车非故障问题和特殊安排问题，均参与当日运营计划编制，其中安排明日定修的列车担任A车辆段到B车辆段的车次任务；
安排明日不定修但行驶里程达到定修里程的列车担任A车辆段到B车辆段的车次任务；
安排B车辆段今日可运行且明日不定修的列车参与当日运营计划编制；
安排B车辆段当日可运行但明日定修却未到达定修里程的列车担任B站到B车辆段的车次任务；
安排B车辆段当日可运行但明日定修且到达定修里程的列车不参与今日运营计划编制。
步骤五，随机生成初始列车-车次匹配关系，其中，每个列车担任同一车辆段的车次任务，指定车次去往不同车辆段的列车担任指定车次任务；
步骤六，果蝇算法初始化，初始化果蝇种群数目、搜索因子、搜索步长、动态搜索步长、最大迭代次数，生成初始种群；每只果蝇个体内包含21组数，代表一套完整列车-车次匹配关系，将列车-车次匹配关系转化为果蝇的位置信息；
进一步的，将列车-车次匹配关系转化为果蝇的位置信息具体包括：
初始化果蝇种群数目、搜索因子、搜索步长、最大迭代次数，计算动态搜索步长；
其中，改进果蝇算法的搜索步长的公式计算方法为：
式中X_axis、Y_axis表示当前所有果蝇个体集合位置，L_bc表示搜索步长，X_bixs、Y_bixs表示搜索后的果蝇个体位置。
搜索步长L_bc的取值会对果蝇算法的性能产生重要的影响，在传统果蝇算法中，L_bc的取值为一个固定范围内的随机值，L_bc的取值范围过大会降低局部搜索能力，L_bc取值过小则降低全局搜索能力。因此，找出一种更加合理的搜索步长L_bc的取值方法，对于提升果蝇算法的搜索能力十分重要。
通过使用灰狼算法的搜索方案思路，将灰狼算法的搜索因子和距离公式与果蝇算法相融合，使果蝇个体在迭代过程中依据上一代果蝇个体位置生成新的个体位置。改进的果蝇嗅觉搜索公式为：
其中L_bc′为动态搜索步长，DX与DY为距离公式。
动态步长L′计算公式为：
L_bc′＝L_bc*a_sl；
其中，a_sl为改进的灰狼算法搜索因子，t为当前迭代次数，tmax为最大迭代次数，e表示数字常数，e＝2.71828。
距离公式DX与DY计算公式为：
其中r1为[0,1]中的随机值，X′、Y′为前一代果蝇个体位置。
如图4所示，L_bc′随着迭代次数的增加逐渐减少，在迭代前期，L_bc′减少较慢，保证了果蝇在迭代初期具有较大的搜索步长进行全局搜索，迭代后期，L_bc′减少加快，使果蝇在后期以较小的步长进行局部搜索，提高搜索精度。
如图5所示，加入收敛因子的果蝇算法使用了更加合理的动态搜索步长，比传统的果蝇算法拥有更快的求解速度，而改进果蝇算法则取得最快的求解速度。
生成初始种群，针对每只果蝇个体，生成包含21组数的随机位置信息，21组数代表一套完整的列车-车次匹配关系，21组数的每组数对应不同列车与车次的匹配情况；
初始化每只果蝇的适应度，即使用目标函数来评估每套列车-车次匹配关系的效果；
设置迭代计数器，初始化迭代计数器，开始迭代过程。
步骤七，果蝇算法优化，找出并记录当前迭代中适应度值最优的果蝇个体的位置；所有果蝇个体飞到适应度值最优的果蝇个体处集合，更新数据准备下次迭代；
步骤八，输出并保存最优果蝇个体数据，将其转化为列车-车次匹配关系，再计算列车-车次匹配成本；
步骤九，重复步骤五-步骤八，达到最大迭代次数后，结束算法，输出并保存最优解，即当日的运营计划；
步骤十，自动检修安排：统计空闲月修股道，将最优解中，B车辆段未与车次匹配且里程数大于20000公里的列车按里程数从大到小排列，按顺序安排进空闲月修股道，直至空闲月修股道数量为0；则以500公里为幅度，逐次下降至19000公里；
步骤十一，重复步骤二-步骤十，达到运营计划编制总天数后，停止迭代，将每日运营计划的匹配成本求和，输出并保存所有的运营计划与求和成本；
步骤十二，重复步骤十一，达到总迭代次数后，停止迭代，输出求和成本最小的总天数运营计划。
果蝇算法由潘文超在2012发明，种群中的果蝇个体通过嗅觉搜索的方式搜寻空气中的果实气味浓度，然后找出味道浓度最大的位置，记录当前位置的果蝇个体，其余果蝇通过视觉搜索的方式集中到此位置，重复此操作直到找出果实的具体位置。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质内存储有程序指令，所述程序指令运行时，用于执行上述的一种地铁列车运营计划编制方法、介质及系统。
本发明的第三方面提供一种地铁列车运营计划编制系统，其中，包括上述的计算机可读存储介质。
具体的，本发明的原理是：列车运营计划编制方案是影响列车使用效率与列车检修频率的关键，其制定的重要依据是列车与车次任务的匹配问题。首先，分析车辆段的车次安排及列车上次检修后的行驶里程、列车累计行驶里程、列车定修时间安排，根据列车与车次匹配关系，将列车运营计划编制问题转化为柔性作业车间调度问题，以列车-车次匹配度最高为优化目标，建立列车运营计划编制模型；其次，针对模型中存在复杂的列车与车次任务的安排问题，设计改进的果蝇算法进行求解；最后，通过对列车运营计划编制方案开展案例研究，验证模型与算法的正确性和有效性。案例研究结果表明：采用改进果蝇算法求解得到的运营计划编制方案求解精度更高，求解速度更快，相较于传统人工编排的发车方案，本文算法计算得到运营计划可以使列车的使用更加均衡，使列车检修日期的制定更加准确，可有效提高列车利用率降低列车运营风险。

Claims (10)

1.一种地铁列车运营计划编制方法，其特征在于，包括以下步骤：
S10，获取并分析车辆段的车次安排及列车上次检修后的行驶里程、列车累计行驶里程、列车定修时间安排；
S20，建立列车集合，包括A车辆段的列车集合和B车辆段的列车集合；
S30，建立车次集合，包括A车辆段的车次集合以及B车辆段的车次集合，所述A车辆段的车次集合包括A车辆段的固定车次，所述A车辆段的固定车次包括A车辆段发往B车辆段车次以及A车辆段发车后再返回A车辆段车次，所述B车辆段的车次集合包括B车辆段的固定车次，所述B车辆段的固定车次包括B车辆段发往A车辆段的车次以及B车辆段发车后再返回B车辆段车次；
S40，利用所述列车集合以及所述车次集合，建立列车运营计划编制模型；
S50，根据所述列车运营计划编制模型进行运营计划编配，计算列车-车次匹配程度；
S60，将所述列车运营计划编制模型转化为柔性作业车间调度问题进行求解。
2.根据权利要求1所述的一种地铁列车运营计划编制方法，其特征在于，所述利用所述列车集合以及所述车次集合，建立列车运营计划编制模型的步骤，具体包括：
获取所述列车集合和所述车次集合，定义决策变量，所述决策变量包括里程修情况变量、当前车辆状态变量、第二日车辆状态变量、定修列车的里程修状态变量以及定修列车的月修状态变量；
制定目标函数，得到所述列车-车次匹配程度；
添加约束条件，所述约束条件包括列车分配约束、车次编排约束、车辆段容量约束以及时间窗口约束；
根据所述目标函数和所述约束条件，使用改进果蝇算法对所述列车运营计划编制模型进行求解，找到最优的列车运营计划。
3.根据权利要求2所述的一种地铁列车运营计划编制方法，其特征在于，所述制定目标函数，得到所述列车-车次匹配程度的步骤，具体包括：
步骤1：将指定车次任务的列车号填入相应的车次任务中；
步骤2：将两个车辆段所有可运营的列车按上次定修后的运营公里数从小到大排序，从中将累计里程大于420000公里且没进行过40万里程修的车辆挑选出来放至最后，得到列车的排序名次；
步骤3：将所述A车辆段和所述B车辆段所有的车次按车次运营里程大小从大到小排序，里程数相同的车次排名也相同，得到车次的排序名次；
步骤4：将所述列车的排序名次与所述车次的排序名次之差作为所述列车-车次匹配程度。
4.根据权利要求2所述的一种地铁列车运营计划编制方法，其特征在于，所述添加约束条件包括：
每个车次按照车次发车时间发车；
在列车运营中，每个车辆段的车次任务只能由停在每个所述车辆段的列车担任；
每个所述车辆段的列车每天担任所述车辆段的一个车次任务。
5.根据权利要求2所述的一种地铁列车运营计划编制方法，其特征在于，所述根据所述目标函数和所述约束条件，使用改进果蝇算法对所述列车运营计划编制模型进行求解，找到最优的列车运营计划的步骤，具体包括：
步骤一，运营计划信息参数初始化，包括初始化列车运营计划编制总天数与总迭代次数；
步骤二，列车与车次信息初始化，包括初始化车辆段信息、列车总数、列车运行里程、列车检修计划、列车里程检修情况、车次总数、车次时间、车次运营里程；
步骤三，将指定车次任务的列车与有早晚高峰任务的列车安排到对应车次，将其余列车与车次生成列车担任车次的成本矩阵；
步骤四，更新列车运营状态，其中，所述列车运营状态受列车定修安排影响；
步骤五，随机生成初始列车-车次匹配关系，其中，每个列车担任同一车辆段的车次任务，指定车次去往不同车辆段的列车担任指定车次任务；
步骤六，果蝇算法初始化，初始化果蝇种群数目、搜索因子、搜索步长、动态搜索步长、最大迭代次数，生成初始种群；每只果蝇个体内包含21组数，代表一套完整列车-车次匹配关系，将所述列车-车次匹配关系转化为果蝇的位置信息；
步骤七，果蝇算法优化，找出并记录当前迭代中适应度值最优的果蝇个体的位置；所有果蝇个体飞到适应度值最优的果蝇个体处集合，更新数据准备下次迭代；
步骤八，输出并保存最优果蝇个体数据，将其转化为列车-车次匹配关系，再计算列车-车次匹配成本；
步骤九，重复步骤五-步骤八，达到最大迭代次数后，结束算法，输出并保存最优解，即当日的运营计划；
步骤十，自动检修安排：统计空闲月修股道，将所述最优解中，所述B车辆段未与车次匹配且里程数大于20000公里的列车按里程数从大到小排列，按顺序安排进所述空闲月修股道，直至所述空闲月修股道数量为0；则以500公里为幅度，逐次下降至19000公里；
步骤十一，重复步骤二-步骤十，达到运营计划编制总天数后，停止迭代，将每日运营计划的匹配成本求和，输出并保存所有的运营计划与求和成本；
步骤十二，重复步骤十一，达到总迭代次数后，停止迭代，输出求和成本最小的总天数运营计划。
6.根据权利要求5所述的一种地铁列车运营计划编制方法，其特征在于，所述更新列车运营状态，其中，所述列车运营状态受列车定修安排影响包括：
A车辆段列车非故障问题和特殊安排问题，均参与当日运营计划编制，其中安排明日定修的列车担任A车辆段到B车辆段的车次任务；
安排明日不定修但行驶里程达到定修里程的列车担任A车辆段到B车辆段的车次任务；
安排B车辆段今日可运行且明日不定修的列车参与当日运营计划编制；
安排B车辆段当日可运行但明日定修却未到达定修里程的列车担任B站到B车辆段的车次任务；
安排B车辆段当日可运行但明日定修且到达定修里程的列车不参与今日运营计划编制。
7.根据权利要求5所述的一种地铁列车运营计划编制方法，其特征在于，所述将所述列车-车次匹配关系转化为果蝇的位置信息的步骤，具体包括：
初始化果蝇种群数目、搜索因子、搜索步长、最大迭代次数，计算动态搜索步长；
生成初始种群，针对每只果蝇个体，生成包含21组数的随机位置信息，所述21组数代表一套完整的所述列车-车次匹配关系，所述21组数的每组数对应不同列车与车次的匹配情况；
初始化每只果蝇的适应度，即使用目标函数来评估每套所述列车-车次匹配关系的效果；
设置迭代计数器，初始化迭代计数器，开始迭代过程。
8.根据权利要求7所述的一种地铁列车运营计划编制方法，其特征在于，所述列车运营计划编制模型中，B车辆段具有定修能力，所有需要定修的车辆必须抵达B车辆段进行定修。
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内存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种地铁列车运营计划编制方法。
10.一种地铁列车运营计划编制系统，其特征在于，包括权利要求9所述的计算机可读存储介质。
CN202311434296.3A 2023-10-31 2023-10-31 一种地铁列车运营计划编制方法、介质及系统 Pending CN117371611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311434296.3A CN117371611A (zh) 2023-10-31 2023-10-31 一种地铁列车运营计划编制方法、介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311434296.3A CN117371611A (zh) 2023-10-31 2023-10-31 一种地铁列车运营计划编制方法、介质及系统

Publications (1)

Publication Number Publication Date
CN117371611A true CN117371611A (zh) 2024-01-09

Family

ID=89390857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311434296.3A Pending CN117371611A (zh) 2023-10-31 2023-10-31 一种地铁列车运营计划编制方法、介质及系统

Country Status (1)

Country Link
CN (1) CN117371611A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117424898A (zh) * 2023-09-27 2024-01-19 北京城建智控科技股份有限公司 基于云平台的地铁车辆段管控一体化系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117424898A (zh) * 2023-09-27 2024-01-19 北京城建智控科技股份有限公司 基于云平台的地铁车辆段管控一体化系统

Similar Documents

Publication Publication Date Title
US8082071B2 (en) System and method of multi-generation positive train control system
CN105575108B (zh) 一种智能公交调度运营方法
CN102044149B (zh) 一种基于时变客流的城市公交运营协调方法与装置
Chuanjiao et al. Scheduling combination and headway optimization of bus rapid transit
Yan et al. A model with a heuristic algorithm for solving the long-term many-to-many car pooling problem
CN117371611A (zh) 一种地铁列车运营计划编制方法、介质及系统
US20080005050A1 (en) Method of planning train movement using a three step optimization engine
CN110458456A (zh) 基于人工智能的需求响应式公交系统的调度方法及系统
CN114723125A (zh) 一种结合深度学习和多任务优化的城际车订单分配方法
JP2022500796A (ja) 乗客とルートのスケジューリングのための輸送システムと方法
CN111882097A (zh) 一种车辆维护人员调度方法和系统
CN115049156A (zh) 一种交通线网运行图衔接优化方法、电子设备及存储介质
CN113033928B (zh) 一种基于深度强化学习的公交排班模型的设计方法、装置及系统
Zhao et al. Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm.
Zhou et al. Optimizing the long-term operating plan of railway marshalling station for capacity utilization analysis
Zhou et al. Crew scheduling considering both crew duty time difference and cost on urban rail system
CN116882883A (zh) 一种利用大数据的电网物资配送路径规划方法
JP2017154536A (ja) 乗務員運用管理システムおよび乗務員運用管理方法
CN113837438B (zh) 基于spfa算法的地铁乘务排班计划编制优化方法
Lin et al. An iterative improvement approach for high-speed train maintenance scheduling
CN114898588A (zh) 一种公交发车时刻表优化方法
CN114240180A (zh) 一种基于混合蚁群算法的多企业共享单车联合调度方法
Liu et al. Research in public transport vehicle scheduling
Azadeh et al. A hybrid computer simulation–genetic algorithm for scheduling optimisation of cargo trains with time and queue limitations
Kuznetsov et al. Design and Analysis of Optimization Algorithms for Multi-agent Railway Control System

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