基于群组控制技术的重载列车开行策略优化方法及系统

技术领域

本发明涉及交通技术领域，尤其涉及一种基于群组控制技术的重载列车开行策略优化方法及系统。

背景技术

保障重载铁路运输时效性的运输组织理念就是以满足货物运到时限为出发点，合理运用铁路运力资源以期最大限度地运送货物。基于这样一种新的铁路货物运输理念，铁路完全可以实现从以“生产者”为中心到以“消费者”为中心的转变，顺应经济社会的发展要求。因此，十分有必要加强基于时效性的铁路货物运输组织研究。同时，我国重载铁路线路的不断发展，需进一步提升线路能力和列车总运量。

重载列车群组运行控制技术能够提高运输效率、降低运用成本，进一步提高列车运行智能化控制水平、降低列车间追踪距离。因此，群组控制技术下的重载列车开行策略，能够有效提高货物时效性及列车运输能力。

发明内容

本发明目的在于公开一种基于群组控制技术的重载列车开行策略优化方法及系统，以合理规划开行策略，降低重载列车货物运送时效，提高线路运能。

为达上述目的，本发明公开的基于群组控制技术的重载列车开行策略优化方法，包括:

步骤S1、确定具“技术站始发直达”特征的待优化的重载铁路专线；

步骤S2、根据供需关系、运到时间约束、天窗时间、机车数量和运输需求综合重要程度，构建经济成本及货物总在途运输时间加权和最小的目标优化模型；

步骤S3、基于模拟退火算法求解所述目标优化模型中对应帕累托最优下的群组列车开行策略；其中，各群组列车数量相同且大于或等于2。

优选地，所述步骤S2包括：

步骤S21、设定与所述目标优化模型相关的下述参数：

I为路网车站集合，i为车站编号，其中i∈I；A为路网区段集合，a为区段编号，其中a∈A；l

相关决策变量包括：

步骤S22、将模型优化目标分为经济成本与货物在途运输时间两部分，其中经济成本分为在始发技术站的发车成本和供需匹配下的损失成本；在始发技术站的发车成本表示为

步骤S23、设置对所述目标优化模型的下述约束条件：

货物量供需关系约束，具体为：S

运到期限约束，具体为：

线路天窗时间约束，具体为：

机车数量约束，具体为：

优选地，所述步骤S3包括：

(31)初始解生成，生成的规则如下：

Step311.在特定范围内随机生成(M,N)

Step312.基于初始(M,N)生成群组整组到达0-1变量二维矩阵v，基于v随机生成群组列车分散到达0-1二维矩阵τ；

Step313.基于Step312中代表群组整组或分散到达信息的二维矩阵v和τ，生成可代表群组内各列车的具体到站信息的三维矩阵γ，考虑首列群组发车时间为天窗结束时间TC

Step314.上述开行策略(γ,T

(32)确定能量函数minZ＝g·E+j·R，其中，E和R分别表示经济成本和运输时间，g和j表示经济成本和运输时间所分别对应的权重，minZ表示所述目标优化模型的优化目标为经济成本及货物总在途运输时间加权和最小；

(33)邻域解的生成

对初始解生成的(M,N)

Step331.确定初始温度T

Step332.记迭代次数为n＝0，在初始温度下，按照上述(31)-(32)中的方法产生初始策略解X

Step333.当经过k次降温后，在温度T

Step334.利用Metropolis准则对当前策略解Xx进行检验，若Z(X

转Step335；

Step335.在相应的温度下，设置迭代步数的上限为

Step336.算法收敛终止判定：设置的终止准则是外部温度低于规定阈值，满足准则即结束该算法，否则，转Step337；

Step337.按照如下公式降温：

T

T

为达上述目的，本发明还公开一种基于群组控制技术的重载列车开行策略优化系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明具有以下有益效果：

相比于常规开行策略，本发明所公开的群组开行策略，能在兼顾各种因素的情况下，合理规划开行策略，更能满足货物时效性要求，且在更低经济成本下能够运输更多货物量，可提高铁路和货主双方的经济效益。

下面将参照附图，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是本发明实施例公开的群组开行策略示意图。

图2是本发明实施例公开的重载铁路专线与供需关系的示意图。

图3是本发明实施例公开的基于群组控制技术的重载列车开行策略优化方法流程示意图。

图4是本发明实施例公开实例中的朔黄线路支点编号示意图。

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，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例1

本实施例公开一种基于群组控制技术的重载列车开行策略优化方法。

本实施例所公开的重载列车群组开行策略，考虑在货物运输需求呈现为技术始发站至各支点站的放射型背景，如图1所示，以5000吨列车为基本列的群组运行方式，且各群组列车数量固定且相同，以一定间隔组群运行，在区间及车站运行过程中，群组尾车自动实时进行列车群组的解编。

在图1中，Q1、Q2、Q3和Q4分别为同一始发站的4个群组，每个群组开行的列车数量为4列，其中，Q1和Q3群组中4列列车的终点站相同，Q2群组中有且仅有两列直达列车的终点站相同，而Q4群组中4列列车的终点站则各不相同。其中，当群组内各列车的终点站不完全一致后，在相应站点解编后的列车以解编运行速度运行，图1中与正常运行速度不同斜率可视为代表不同的解编运行速度。

如图2所示，本实施例考虑在货物运输需求呈现为技术始发站至各支点站的放射型背景下，针对一条具有“技术站始发直达”特征的重载铁路专线，考虑重载铁路运输供给能力与货运需求的匹配问题，充分考虑供需关系、运到时间约束、天窗时间、机车数量等约束条件，引入以运到期限、两站间距离、货物需求量及客户等级等作为参考指标的各货运需求综合权重，构建供需匹配下铁路运输企业的固定开行和可变损失成本及货物总在途运输时间加权和最小的多目标优化模型，借助模拟退火算法求解帕累托最优下的群组列车开行策略。

基于上述主旨，如图3所示，本实施例基于群组控制技术的重载列车开行策略优化方法包括以下步骤：

步骤S1、确定具“技术站始发直达”特征的待优化的重载铁路专线。

步骤S2、根据供需关系、运到时间约束、天窗时间、机车数量和运输需求综合重要程度，构建经济成本及货物总在途运输时间加权和最小的目标优化模型。

优选地，在该步骤中，具体包括：

步骤S21、设定与所述目标优化模型相关的下述参数：

I为路网车站集合，i为车站编号，其中i∈I；A为路网区段集合，a为区段编号，其中a∈A；l

相关决策变量包括：

步骤S22、将模型优化目标分为经济成本与货物在途运输时间两部分，其中经济成本分为固定成本和可变成本；固定成本总费用表示为

此外，在本实施例中，作为对比，常规开行与群组开行最大区别在于：常规开行是将每一列车都看成一次群组发行，也就是群组首车即群组尾车。在模型上的求解区别主要体现在模型目标的第二部分，即Y'＝T'

在该步骤中，模型优化目标分为经济成本与货物在途运输时间两部分，其中经济成本分为在始发技术站的发车成本和供需匹配下的损失成本。一般来讲，开行成本分为固定成本和可变成本两个部分，考虑到本文研究的问题是关于供需匹配下的情况，因此可变成本暂时不计其余组成部分，考虑为供需匹配差额导致的损失成本一般与列车数、开行公里数及货物吨数有关。固定成本则是指每次集聚物资、装物资、集编发列车所发生的固定费用，并不随作业量而发生变化，如机械设备费用、水力水电费用、信息设备费用等，且假设每次作业这些固定费用均不变，即本发明考虑的在始发技术站的发车成本。

步骤S23、设置对所述目标优化模型的下述约束条件：

货物量供需关系约束，具体为：S

运到期限约束，具体为：

线路天窗时间约束，具体为：

机车数量约束，具体为：

步骤S3、基于模拟退火算法求解所述目标优化模型中对应帕累托最优下的群组列车开行策略；其中，各群组列车数量相同且大于或等于2。

优选地，该步骤具体包括：

(31)初始解生成，生成的规则如下：

Step311.在特定范围内随机生成(M,N)

Step312.基于初始(M,N)生成群组整组到达0-1变量二维矩阵v，基于v随机生成群组列车分散到达0-1二维矩阵τ。

在该步骤中，二维矩阵v(v以M为矩阵行数，I-1为矩阵列数，如v(m,i)＝1则表示为第m个群组整组到达i站，v每行最多仅存在一个元素1)，基于v随机生成群组列车分散到达0-1二维矩阵τ(τ表示以M为行数，I-1为列数的0-1矩阵，如τ(m,i)＝1则表示为第m个群组存在有到达i站的组内列车，τ中存在有元素1的矩阵行的列数大于1且小于等于N)，二维矩阵v和τ分别表示群组整组和群组列车分散到达某站的具体信息。二者主要关系是：针对群组m和终站i，若矩阵v(m,i)＝1，则表示τ(m,:)＝0(即τ矩阵的第m行所有元素为0)；若矩阵v(m,i)＝0，则表示τ的第m行存在有大于1且小于等于N个数的元素1。

Step313.基于Step312中代表群组整组或分散到达信息的二维矩阵v和τ，生成可代表群组内各列车的具体到站信息的三维矩阵γ，考虑首列群组发车时间为天窗结束时间TC

在该步骤中，三维矩阵γ以I-1为三维矩阵页数，M为各页的二维矩阵行数，N为各页的二维矩阵列数，γ(m,n,i)＝1表示群组m中的列车n的终点站为i。T

Step314.上述开行策略(γ,T

(32)确定能量函数minZ＝g·E+j·R，其中，E和R分别表示经济成本和运输时间，g和j表示经济成本和运输时间所分别对应的权重，minZ表示所述目标优化模型的优化目标为经济成本及货物总在途运输时间加权和最小。

(33)邻域解的生成

对初始解生成的(M,N)

Step331.确定初始温度T

Step332.记迭代次数为n＝0，在初始温度下，按照上述(31)-(32)中的方法产生初始策略解X

Step333.当经过k次降温后，在温度T

Step334.利用Metropolis准则对当前策略解X

转Step335。

Step335.在相应的温度下，设置迭代步数的上限为

Step336.算法收敛终止判定：设置的终止准则是外部温度低于规定阈值，满足准则即结束该算法，否则，转Step337。

Step337.按照如下公式降温：

T

Tx温度下经过降温后，温度更新，此时记降温次数k＝k+1，设置迭代步数n＝0，返回Step333，在新的温度下进行循环迭代，最终在设定温度及内部迭代次数下求解获得最优开行策略。

优选地，在Step337的降温公式中，p取值0.98。

进一步地，本实施例以朔黄铁路为参考进行案例研究，朔黄线路共有站点33个。但为便于分析，将其简化为7个支点站，对其进行编号，分别为Y1-Y7，线路情况如图4所示。

经上述算法步骤进行求解，整理模型目标值对比如下表1所示：

表1：目标值对比

由表1可见，常规开行策略下的多目标函数值远高于群组开行策略。常规开行策略每次开行载重5000t，因此在供需匹配情况更加良好，损失可变成本较低，但固定开行成本高于群组开行。群组开行策略下的货物总在途运输时间为196.945h，常规开行策略下为333.28h，节省136.335h。由此可见，两种开行策略均能在运到期限范围内到达，但群组开行策略下更能满足货物时效性要求，且在更低经济成本下能够运输更多货物量，可提高铁路和货主双方的经济效益。

参照上图4所示的线路情况进行实例分析，下表2所示为该线路各站的相关参数设置情况，表3所示为线路其他参数的设置情况：

表2：支点站的相关参数

表3：线路其他参数

通过支点站参数获取各运输需求原始数据。下表4所示为运输需求原始数据：

表4：运输需求原始数据

因本发明选用成本型指标数据规范化公式，需满足距离越远、运到时间越紧急、货物需求量越大、站点等级越高的运输需求重要度更高，因此将运到期限及客户等级指标数据加以逆序调整。

下表5所示为调整后运输需求指标数据：

表5运输需求指标数据(调整后)

经灰色综合评价法得运输需求综合重要程度ω＝[0.5387,0.5695,0.5229,0.8135,0.3996,0.6927]。

将运输需求综合重要程度ω引入，结合本发明的求解算法思路，依托上述(33)进行求解。算法求解得本实例情况最优开行群组11个，每群组开行8列。下表所示为求解所得的群组列车最优开行策略(下表中的Q1-1表示第1个群组的第1列编组列车)：

表6：群组列车开行策略

表6(续)

表7：群组列车开行时刻

表7(续)

下表8所示为两种开行策略下的货物供给量对比：

表8：两种开行策略下的货物供给量对比

以该算例为例，常规开行策略下的模型目标值远高于群组开行策略，经济成本更高。虽两种开行策略均能在最晚运到期限范围内到达，但群组开行策略更能满足货物时效性要求，且在更低经济成本下能够运输更多货物量，可提高铁路和货主双方的经济效益。

实施例2

与上述实施例相对应的，本实施例公开一种基于群组控制技术的重载列车开行策略优化系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。