一种基于改进遗传算法的铁路机车周转方法
文献发布时间:2023-06-19 10:16:30
技术领域
本发明涉及铁路机车周转技术,具体地讲,是涉及一种基于改进遗传算法的铁路机车周转方法。
背景技术
重载铁路线路上固定区段部分双机牵引问题是本领域亟需探索的问题,即如何在一个机务段担当的固定区段内有效采用单机牵引与双机牵引并用的方式,提高重载铁路上机车运行效益。如果在一个固定铁路区段内只采用单机牵引,只能满足部分列车需要,对于部分重载列车就不能满足其牵引的需要,如果全部采用双机牵引,势必会造成机车运力的浪费。为了优化机车周转方案,固定区段内采用单双机结合的方式,就可以打破单双机独立采用的限制,有利于缩短机车周转时间,减少机车运用数。铁路货运线固定区段采用单双机结合的方式对铁路国际货运班列的开行将会产生更好的经济效益。
发明内容
针对现有技术中的上述问题,本发明提供一种基于改进遗传算法的铁路机车周转方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于改进遗传算法的铁路机车周转方法,包括以下步骤:
S10、基于铁路线路上指定区段的基本站和折返站之间的单机或/和双机牵引列车的情况建立机车周转模型;
S20、采用GA遗传算法对所建立的机车周转模型求解,以种群适应度值的大小判别个体优劣,运用选择运算、交叉运算以及变异运算进化改良种群,直至种群适应度值收敛于稳定,产生最优个体,即得到最优解;
S30、对求解得到的最优解进行验证;
S40、将验证符合要求的结果由计算机自动化编辑为机车周转图输出,作为该铁路线路上指定区段的机车周转方案。
具体地,所述步骤S10中建立的机车周转模型为:
s.t.:
其中,上式(2)表示A-Z方向1台机车指派Z-A方向列车的唯一性;
上式(3)表示A-Z方向2台机车指派Z-A方向列车的唯一性;
上式(4)表示A-Z方向1台机车附挂Z-A方向列车的唯一性;
上式(5)表示A-Z方向2台机车附挂Z-A方向列车的唯一性;
上式(6)表示Z-A方向1台机车指派A-Z方向列车的唯一性;
上式(7)表示Z-A方向2台机车附挂A-Z方向列车的唯一性;
上式(8)表示Z-A方向2台机车附挂A-Z方向列车的唯一性;
上式(9)表示Z-A方向的单机牵引列车被A-Z方向一台机车牵引唯一性;
上式(10)表示Z-A方向的双机牵引列车被A-Z方向两台机车牵引唯一性;
在铁路线路上指定的AZ区段中,A为基本站,Z为折返站,在A-Z方向运行列车数为N
具体地,所述步骤S10中的各设定变量为:
进一步地,所述步骤S20中采用GA遗传算法求解的过程包括:
S21、多参数级联编码方法对机车周转模型编码,编码时以1~N
S22、以目标函数f(x)=Z(x)作为适应度函数;
S23、选择运算:采用最优保存策略与稳态复制相结合的选择方法,在产生新的种群中,保留多个最优个体不参与交叉与变异运算,直接复制到下一代,以当前适应度最小的个体最为最优个体;
S24、交叉运算:采用均匀两点交叉,两个配对个体的每个基因座上的基因都以相同的交叉概率进行交换,形成新的个体;
S25、变异运算:采用连锁均匀变异方法,避免单个基因位均匀变异导致变异位与染色体串中原有的某个基因位发生重复而产生非法解。
具体地,所述选择运算的具体过程如下:
S23a、个体在下一代群体中的生存数目
S23b、取
S23c、按适应度大小对个体进行排序,依次取前
具体地,所述交叉运算的具体过程如下:
对于亲本P,以交叉概率p
若w
若w
具体地,所述变异运算的具体过程如下:
对于给定亲本P,以异概率p
更进一步地,所述步骤S20中的具体运算过程如下:
Step1:初始化种群大小N,p
Step2:产生M
Step3:取上步骤中1~N
Step4:取上步骤中1~N
Step5:计算适应度f(x)的值;
Step6:选择运算;
Step7:判断是否满足交叉运算:若是,则进行步骤Step8;否则,转步骤Step7;
Step8:交叉运算;
Step9:重复执行步骤Step3和Step4;
Step10:判断是否满足变异运算:若是,则进行步骤Step11;否则,转步骤Step10;
Step11:变异运算;
Step12:重复执行步骤Step3和Step4;
Step13:生成p(t+1);
Step14:运算m=m+1;
Step15:判断:若m<M,则m=m+1,转步骤Step4,若m≥M,则运算结束,输出当前运输结果。
具体地,所述步骤S30中,基于该铁路线路上指定区段的已知列车运行表采用C++软件进行求解验证。
与现有技术相比,本发明具有以下有益效果:
本发明针对双机不成对问题进行建模,并对建模求解的遗传算法的选择、交叉、变异进行了具体问题的设计与改进,可实现计算机快速求解机车周转方案,降低了算法的复杂度,有助于铁路局实施计算机快速自动化编辑机车周转图,有助于计算编辑机车周转图软件架构的精简,并对铁路局机务段实施智慧化办公有一定的促进作用。
附图说明
图1为本发明-实施例的流程示意图。
图2为本发明-实施例中选择运算的染色体排列示意图。
图3为本发明-实施例中交叉运算的过程示意图。
图4为本发明-实施例中变异运算的过程示意图。
图5为本发明-实施例中输出的机车周转图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1所示,该基于改进遗传算法的铁路机车周转方法,包括以下步骤:
S10、基于铁路线路上指定区段的基本站和折返站之间的单机或/和双机牵引列车的情况建立机车周转模型。
设在铁路线路上指定的AZ区段中,A为基本站,Z为折返站,运行时刻表已知,部分列车是双机牵引,在A-Z方向运行列车数为N
该机车周转模型为:
s.t.:
其中,上式(2)表示A-Z方向1台机车指派Z-A方向列车的唯一性;
上式(3)表示A-Z方向2台机车指派Z-A方向列车的唯一性;
上式(4)表示A-Z方向1台机车附挂Z-A方向列车的唯一性;
上式(5)表示A-Z方向2台机车附挂Z-A方向列车的唯一性;
上式(6)表示Z-A方向1台机车指派A-Z方向列车的唯一性;
上式(7)表示Z-A方向2台机车附挂A-Z方向列车的唯一性;
上式(8)表示Z-A方向2台机车附挂A-Z方向列车的唯一性;
上式(9)表示Z-A方向的单机牵引列车被A-Z方向一台机车牵引唯一性;
上式(10)表示Z-A方向的双机牵引列车被A-Z方向两台机车牵引唯一性。
S20、采用GA遗传算法对所建立的机车周转模型求解,以种群适应度值的大小判别个体优劣,运用选择运算、交叉运算以及变异运算进化改良种群,直至种群适应度值收敛于稳定,产生最优个体,即得到最优解。
具体过程为:
S21、由于在A-Z方向运行列车数为N
牵引A-Z方向上的第6列车的机车被指派牵引Z-A方向上第1列车,即6→1;
牵引A-Z方向上的第2列车的机车被指派牵引Z-A方向上第2列车,即2→2;
牵引A-Z方向上的第3列车的机车作为第2台机车被指派牵引Z-A方向上第1列车,即3→1(双机);
牵引A-Z方向上的第1列车的机车作为第2台机车被指派牵引Z-A方向上第2列车,即1→2(双机);
牵引A-Z方向上的第1列车的机车作为附挂机车被指派附挂Z-A方向上第1列车,即1→1(单机附挂);
牵引A-Z方向上的第6列车的机车作为附挂机车被指派附挂Z-A方向上第2列车,即6→2(单机附挂);
牵引A-Z方向上的第2列车的机车作为第2附挂机车被指派附挂Z-A方向上第1列车,即2→1(双机附挂);
牵引A-Z方向上列车的机车无双附挂在Z-A方向上第2列车,即Z-A方向上第2列车无双附挂机车。
S22、以目标函数f(x)=Z(x)作为适应度函数。
S23、选择运算:采用最优保存策略与稳态复制相结合的选择方法,在产生新的种群中,保留多个最优个体不参与交叉与变异运算,直接复制到下一代,以当前适应度最小的个体最为最优个体;具体操作过程为:
S23a、个体在下一代群体中的生存数目
S23b、取
S23c、按适应度大小对个体进行排序,依次取前
S24、交叉运算:采用均匀两点交叉,两个配对个体的每个基因座上的基因都以相同的交叉概率进行交换,形成新的个体;具体过程如图3所示。
对于亲本P,以交叉概率p
若w
若w
S25、变异运算:采用连锁均匀变异方法,避免单个基因位均匀变异导致变异位与染色体串中原有的某个基因位发生重复而产生非法解,具体过程如图4所示。
对于给定亲本P,以异概率p
其中,所述步骤S20中的具体运算过程如下:
Step1:初始化种群大小N,p
Step2:产生M
Step3:取上步骤中1~N
Step4:取上步骤中1~N
Step5:计算适应度f(x)的值;
Step6:选择运算;
Step7:判断是否满足交叉运算:若是,则进行步骤Step8;否则,转步骤Step7;
Step8:交叉运算;
Step9:重复执行步骤Step3和Step4;
Step10:判断是否满足变异运算:若是,则进行步骤Step11;否则,转步骤Step10;
Step11:变异运算;
Step12:重复执行步骤Step3和Step4;
Step13:生成p(t+1);
Step14:运算m=m+1;
Step15:判断:若m<M,则m=m+1,转步骤Step4,若m≥M,则运算结束,输出当前运输结果。
S30、基于该铁路线路上指定区段的已知列车运行表采用C++软件对求解得到的最优解进行验证。
S40、将验证符合要求的结果由计算机自动化编辑为机车周转图输出,作为该铁路线路上指定区段的机车周转方案。
以表1展示的列车运行表作算例数据分析。已知在某线路上AZ区段内,A为机车交路信息中的基本段,Z为折返段,且区段内部分双机牵引。
表1列车运行表
利用C++软件求解,计算得出该区段内机车周转时间为31455min,共需机车22台。通过计算机自动化编辑输出机车周转图如图4所示,机车接续方案如下:
A站段:010→021,004→001,002→003,018→007,016→009,028→013,018→015,022→011,006→017,014→019,026→023,008→012,020→003(双机),012→011(双机),020→017(双机),018→003(附挂),024→003(附挂),028→021(附挂),012→001(附挂)。
Z站段:021→026,005→008,009→014,013→018,015→020,017→024,001→028,007→022,019→004,011→006,021→010,023→012,003→016,023→022,011→008(双机),003→018(双机),003→020(双机),017→006(双机),003→012(双机)。
综上,本发明以机车运用数最少为目标,建立了机车周转的数学模型,巧妙通过遗传算法计算得出了机车最优牵引方案与挂附方案,并通过算例计算印证了本发明通过数学模型得出的机车周转续接方案是有益的。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
- 一种基于改进遗传算法的铁路机车周转方法
- 一种基于改进免疫遗传算法的近红外光谱波长筛选方法