文摘

列车运行计划(上)的城市轨道交通(轨道交通)是一个全面的计划运行的列车,设施和设备的使用,和其他操作任务的组织。前不仅要制定时变客流的时期,但它还应该安排考虑火车多个航线之间的可置换性结合乘客选择。基于“操作流”的原则,要求精确的分配多个线路的运输能力,本文构造了一个多目标非线性整数规划模型通过旅客广义出行费用的最小化,总运行里程的火车,火车变动对于每个路线(作为优化目标),并结合需求进展和满载利率作为约束条件。多目标会算法的目的是同时优化顶部和双向列车停车时间在每一个时期。最后,提出的模型和算法进行验证与广州地铁2号线的真实数据。结果表明,帕累托最优,动态火车停车时间相比显著提高原来的值。

1。介绍

与在中国城市化的不断发展,城市轨道交通网络的快速发展,轨道交通的网络效应已经出现。与汽车相比,城市轨道交通更有吸引力,稳定,守时。城市轨道交通系统的日常交通量逐渐增加,其市场份额率继续上升与各种交通模式(1,2]。列车运行计划(上)是一个重要的中间客流需求和交通供给之间的联系,“操作流”的基本原则。列车运行计划的合理开发可以有效地分配轨道交通的能力资源,充分利用网络的运输能力,满足差异化的时空乘客的需求,并为乘客提供安全、准时、舒适的通勤服务,同时减少运输公司的运营成本。由于客流的时空的交通网络,交通卷在线水平的不平衡加剧了。与之前相比单一路由模式,即。,between two endpoints, the operational method of multirouting is considered better for the unbalanced passenger flow requirements, while improving organizational efficiency of transportation.

城市轨道交通列车运行计划的制定是一个分层的过程准备自上而下和自下而上的反馈(3),(一):战略规划层包括客流分析,网络,和顶部行;(b)战术开发层包括火车图优化、车辆流通,和船员规划;(c)运营组织层包括应急培训延期和相应的调整方案和延迟,如图1。一般来说,上层规划过程是输入的低,和较低的层的反馈过程是输入上。顶部为一个特定的线决定了路由计划、列车编组计划和服务频率,这是本文的重点。网络是发达后的协调优化列车运行计划每一行,在铁路联运交换主要被认为是高容量的转运站。

火车停止时间是一个非常重要的参数,缩短旅行时间和乘客的等待时间4]。火车停止时间不仅是限制运输能力的关键因素的城市轨道交通系统,也是一个重要环节,影响客运服务的质量,包括是否降落和运动是光滑和吸引潜在的乘客登机。城市轨道交通列车运行计划的制定不应该只考虑操作安全、网络运营组织的技术要求,运输能力和运营效益的运输企业供应方面,它还应该考虑客流的分布从需求方面来提高运输服务质量和降低旅客旅行成本。

随着城市轨道交通网络的建立,上面也是一个网络化的安排。由于城市轨道交通在中国主要采用的操作方法在换乘站乘客转移,制定每一行都是相对独立的。基于客流分配的结果的整个网络内一天,本文旨在提出一个优化模型,适用于multirouting模式。它集中在一个单一的轨道交通和一线运营组织方案,符合大多数中国城市轨道交通系统,包括固定车辆大小、不变的火车路由,都停止模式。根据骑O-D(叫做)线客流将获得的分配方法(5),构造多目标非线性整数规划模型,优化目标的旅客广义出行费用的最小化,总里程的火车旅行,和波动在每个时期每个路由的列车。综合考虑约束条件的最大和最小的进展和满载利率,顶部和动态的火车停车时间在每个周期协同优化。使用本文提出的模型和算法,广州地铁2号线的顶部是解决算法的运行过程进行了分析。最后,得到帕累托最优解和输出动态列车制动时间与实际相比,原来固定的停止时间,分别。

本文的其余部分组织如下:第一,相关研究对于制定的顶部multirouting模式和停止时间的计算是总结。这时,一个多目标协同优化模型建立了顶部和列车制动时间,基于广义向乘客旅行费用的分析。第三,设计了一种多目标遗传算法的模型求解帕累托最优解决方案,实现的协作优化multirouting顶部和列车制动时间。广州地铁2号线的实际数据然后使用作为一个例子来验证模型和算法。最后一部分提出了结论。

2。文献综述

现有研究已经全面网络结构等因素,成本效益,线类型,运输服务水平,考虑和组织困难,客流的基础上,构建计划中包含的模型。在早期的研究中,一个简略的数学编程模型通常是建立生成,与最直接的客流量,最低成本,和延迟最小作为优化目标(6,7]。然而,顶部是一个组织的计划供运输企业乘客流的分布。从本质上讲,这是一个多目标优化问题的利益相关者,由供应商和要求者,玩游戏在各自的收益和成本。因此,在模型中考虑到方方面面的利益将意味着决策计划不会偏向任何特定政党的立场(8,9]。

Multirouting是一个重要的轨道交通网络运营和组织的方法在处理大体积飙升的乘客在特定的时期。大量的乘客的不均匀分布在某些部分线路在高峰时段,所以一些列车专用特殊路由,如最短化模式,跨站模式,和引水系统模式,可以加快血液循环列车在那些部分,减少乘客的不断积累严重拥挤的地铁站(10]。multiroute训练计划的多目标优化模型,建立了考虑运输能力等因素,组织需求、商业利益、乘客的要求,和选择行为。它提出了一个三阶段算法,基于模型的特点和实践经验,应该用于解决这个问题。值得注意的是,在当前设计的总线网络客流分配和公交服务频率可以同步优化和乘客需求和运输供给之间的平衡可以通过交互;可以从这个教训。然而,客流分配,只考虑服务频率,很难直接应用于城市轨道交通上的配方(11]。

在台湾没有给料机的高速铁路为例,Chang (12)建立了一个模型与最低的运营成本和最低的总旅行时间为优化目标;它使用模糊数学规划解决最佳的平衡。转让人(13)和Canca et al。14]提出的应用在不同的场景中多空把路由的客流需求。前使用循环迭代的方法来自动生成多空的顶部将路由和最小化的目标滚动股票的数量在给定的火车时刻表图。后者提出了多空策略将路由改善某些部分的交付能力的干扰下的乘客在一些站点,从而减少乘客等待时间,确保服务水平。

站操作模式也非常重要,对制定顶部连接郊区与市中心的城市轨道交通线路。Freyss et al。4]通过电台分为三类,设置停止计划AB, A和B站减少火车停止时间,从而增加火车的旅行速度。他们建议通过协调停车电台和电视台建立一个跨站操作模型,遗传算法(包括许多实际场景)可以解决设计模型。首尔地铁的例子表明,减少旅行时间也增加乘客等待和传输时间(15]。的意想不到的影响干扰的实际操作,multirouting模式(例如,跨站路线和多空路线)可以集成模型的时间表调整,以减少对乘客的影响(16]。江和郭17]分析了空间分布和客流的农村公路网络在中国和表明,结合干线和支线为“Y”,双“Y”或“8”类型的综合运输可以减少运营成本和废气排放和提高运营效率。赵et al。18]提出了一种路由规划城市轨道交通引水线路模型,旨在减少旅客旅行时间和培训操作距离,确定路由的周转站,和多个线路的发车频率。他们发现通过将多目标转化为单目标遗传算法和解决他们,结果表明,三个火车路线更适合引水线路客流的特点。

火车停止时间是一个关键控制参数火车布局图和它有一个重要影响的交付能力图和乘客服务水平。对于大多数中国城市轨道交通系统,火车停止时间通常是一天中设置为一个固定值(4]。这种方法可以简化图的难度训练图通过促进的参数管理图,但不利于提高客运服务水平。通常情况下,固定火车停车时间设置为满足乘客需求高峰时段。因此,对于在非高峰时段客流强度越小,它会增加额外的车载乘客的等待时间。林和威尔逊[19的费用支付方法相比,轻轨和公共汽车系统。根据实际数据的绿线在马萨诸塞州海湾交通管理局(优先),登机乘客,乘客下飞机,和车载乘客被用作分析三个变量来解释该列车停止模式,这表明,拥堵的车辆的非线性形式对模型有更大的影响。与德黑兰的城市轨道交通网络的发展,Aashtiani和Iravani20.)认为,准确估计火车停止时间可以产生更精确的客流分配的结果。因此,停止时间模型基于寄宿和降落客流,拥堵程度,建立了列车的门。Karekla和泰勒21]探索火车停止时间的减少是否在一个繁忙的地铁系统将提高客运服务水平和方便,同时减少运营成本。以阶梯高度和列车之间的平台,旅客登机和降落时间,门宽度,和上面的组合作为变量,建立了四个模型。一步的结果表明,功能组合门高度和宽度能有效地减少停止时间和列车周转时间,但需要更高的重建成本。D 'Acierno et al。22停止时间定义为一个分析公式与客流和估计基于平台的停止时间拥挤程度和列车和乘客之间的交互实现的动态设置停止时间。然后,强健壮的时间表是为了提高服务质量和系统的吸引力。

目前,虽然有很多研究网络列车运行计划和在城市轨道交通列车停止时间,还有要考虑几个主题。(1)上面是根据客流需求制定。服务频率主要考虑运输能力的匹配和交通量,但出入境仓库的成本以及运输组织的困难被认为是更少。(2)在案例分析中,在高峰时段的情况通常是作为一个例子,和时间的差异化设置段之间的权衡和列车运行的稳定性计划很少被考虑。(3)一些研究人员认识到,这是一个多目标优化问题,但他们中的大多数使用加权线性化来简化它。(4)停止时间的大部分研究主要集中在硬件设施之间的关系,如车站和车辆,以及客流和下车,但忽略了停止时间和服务频率之间的关系。

3所示。描述的优化

本文研究的是基于以下假设:(1)所有乘客旅行期间整整一天,两个端点之间运行的基本训练路由必须操作和非基本的火车路由运行较短的范围内应该乘客需求的基础上。两种途径的所有列车停在每个车站(停车模式)和采用单个车辆类型和一个固定的形成,这对城市轨道交通系统是普遍的。(2)为一个特定的城市轨道线,乘客通常不转移之间的火车路线安排火车只有选择路由,包括乘客的术语叫做(O-D)。这种假设是内联与城市轨道客流的选择模式和运营组织的特点。(3)根据假设的“先到先服务”(先),乘客选择最接近起飞时间的火车,不管登机延误。这种假设适用于强调运输能力的安排。

中国的城市轨道交通线路主要使用nonjoint操作模式和独立前的运输能力也分配根据每一行的交通需求。我们定义的 代表一个城市轨道交通线路,车站集合 和其增加订单意味着方向。段设置 和段 代表了从车站到车站 ,的站间距和总运行时间 ,包括部分旅行时间和额外的加速/减速时间。应该注意的是, 指出了方向 指出了方向。同时,空间站的开始部分的方向是 ,在哪里 当 和 ; 当 和 。

城市轨道交通线路的服务时间是表示为 在此期间客流有强烈的旅游需求波动,显然表明converge-disperse和时变特征。为了准确反映客运旅游需求的时空波动特征,特别是在关键时期的描述(例如,波峰和波谷),和促进发展的同时,可以使用阶跃函数的基础上收集数据的自动售检票(AFC)系统来描述旅客旅游需求的强度。通过计算所有时期的交通需求一整天,转折点的特点,包括高峰和低谷,对列车运行有很大的影响。阶跃函数用于将轨道交通的服务时间 成时期相对稳定的客流。可以认为,在每一个时期,乘客需求相同强度的均匀分布,叫做的客流出行期(PFTP)。集PFTP一整天可以表示为 ,在哪里和的开始和结束 ,分别为, , 。 定义一个PFTP的长度。

的需求基础之上的一个轨道交通是全天的集线客流寄宿在车站下车, : ,在哪里代表了来自站的客流量到车站在PFTP 。

顶部的轨道交通可以表示为服务线的频率每列火车路由在每个PFTP一天。一般来说,一段列车运行期间,火车离开定期和包含多个PFTP [10]。随着客流的时空差异程度持续增加在网络条件下,改进运输能力的分布可以有效地提高效率(23,24]。从而火车操作表示为本文PFTP时期。在每个PFTP,相应的列车数量确定和选择一个合理的时间划分,确保客流描述的准确性,便于编制。

根据假设(1),培训能力 ,火车的形成是 ,每个教练的门的数量 ,平均旅行速度 ,和满载的上限和下限利率和进展的每列火车 , 和 , ,分别。

城市轨道交通列车,在世界的大部分地区,一般不会跨线运行。火车路由设置在一个城市轨道交通线路 ,在哪里和路由和端点的吗是基本的路由,回头两端的线。

在所有的火车路线安排,火车路由必须操作期间PFTPs一整天叫“基本路由”和其他工艺路线被称为非基本工艺路线。例如,长时间运行和短时间运行方式的路由、最短化路由通常服务部分的横截面客流量大幅高于其他地方的线,称为非基本路由,可取而代之的是基本的路由。的顶部线可以被定义为 ,在哪里路由上的列车数量吗在PFTP本文的优化对象。

火车在每个车站的停止时间将根据每个PFTP和的要求分为两个部分:一个是固定的时间开启和关闭的门和其他的有效时间是乘客和火车上。固定时间包括门洞,门关闭时间(包括注意时间),不平衡的延迟时间(每个门登机和降落),并开始响应时间,把门关上。此外,当平台配备屏幕门,门的开启和关闭的延迟时间将会增加。乘客登机和降落所需的有效时间与平台上的拥堵和教练。有效登机和降落时间乘客的数量是由乘客在车站上下车在每个PFTP和基于平均计算的数量每个门,下车乘客登机。

4所示。旅客广义出行费用的分析

在PFTP ,部分的截面客流 在方向所示以下方程:

在PFTP ,登机车站的客流 在方向所示以下方程:

登机客流将站的两个方向是0。换句话说,对了方向 在车站 ,登机乘客流 ;向下的方向 在车站 ,登机乘客流 。

在PFTP ,下车的车站的客流 在方向所示以下方程: 下车的乘客流在两个方向的始发站是0。换句话说,对了方向 在车站 ,下车乘客流 ;向下的方向 在车站 ,下车乘客流 。

旅客广义出行费用的成本主要包括机票,旅行时间,交通拥堵费用。中国的城市轨道交通主要采用里程定价策略(25]。乘客的票价是由O-D和独立的路线,虽然可能有一个以上的特定O-D路线对城市轨道交通网络。这意味着乘客选择乘火车在一个特定的行不是出于车费,可以被视为一个常数广义的成本被乘客和列车的数量每个PFTP无关。

旅客旅行时间成本包括车载旅行时间成本和等待时间成本。车载旅行时间是由旅行部分的运行时间和停站的等待时间。加载的总旅行时间在每个PFTP列车每天的产品断面客流和部分之间的运行时间,见以下方程:

造成的总等待时间为每个PFTP火车停在每一个车站在一天中是由以下方程:

等待时间是指额外时期之间的不一致所导致的乘客和列车的到来的到来。人们普遍认为乘客的等待时间与列车之间的进展在开始部分 的站 。的等待时间是一个均匀分布的随机变量 。的方向的PFTP ,所有的火车的路线的开始部分车站结合计算服务频率,它直接影响列车之间的进展。假设PFTP的操作区间是 ,平均等待时间 。每个PFTP总乘客等待时间每天的产品是寄宿在每个车站客流和平均等待时间,见以下方程:

对车站 的方向 ,火车的拥挤程度的开始部分 影响产能的火车吗和火车线路的重叠覆盖这部分。造成的拥堵总成本函数在每个PFTP火车拥挤在整个天见以下方程: 在哪里和的参数校准和设置意味着 。校准值推荐的美国联邦公路管理局(26) 和 。

5。建立多目标协同优化模型

顶部的轨道交通需要综合考虑运输能力、运输组织要求,时空分化的客运需求,和运输成本。约束包括火车满载率和火车离开的进展。优化目标主要包括旅客广义出行费用的,火车运营的成本,和火车服务的波动频率,可以被认为是一个多目标优化问题。如前所述,每个线路的列车数量在每个PFTP直接影响到停车时间。为了提高整体优化质量,本文采用动态制动时间来满足旅客的需求,并协同优化顶部和在每个PFTP双向在每个车站停车时间。

基于运输能力和服务水平的要求,运输企业通常用负载率的上限和负载率的下限控制列车运行成本和分配运输能力。PFTP期间,火车的负荷率不同部分,部分由于客流的空间不平衡分布。一般来说,火车的能力要求是只有有限的最大截面客流,以确保能力率是一个合理的范围内。

在PFTP假设 ,最大的客流量的部分线的方向 。相应的最大截面客流是由以下方程:

对于多个穿越路线,火车在每个穿越路线的总数不得超过能力由信号系统,开关的投票率,转身模式。因此,当考虑到最大加载率和最小发车间隔的同时,约束条件应该满足以下方程:

根据政策要求和需要提高客运服务水平,列车的数量在PFTP基本路由应该满足方程(10)和(11)当你考虑最小加载速率和最大发车间隔。 在哪里意味着整数集。

乘客的服务对象,因此优化目标是最小化广义旅行总成本的乘客,这是由以下方程:

在上面的公式中,乘客的费用支出和车载时间独立于列车的数量运行在每个PFTP和路由的顶部,相当于目标函数的常数,因此可以忽略。目标函数与顶部可以简化如下:

城市轨道交通是一种有效的低成本和高效的操作措施,缓解政府财政补贴的压力。它必须不仅满足社会利益的目标,而且促进运输企业的效率水平的政府补贴机制(27,28]。具有重要意义,以减少火车运营成本最高的水平,即。,减少列车总里程,同时满足客流需求。优化目标是最小化的旅行距离火车穿越每一个路由所有乘客旅行期间,见以下方程:

为了满足不同旅客的需求时间旅行,火车的数量在每个交通路线可以确定乘客旅行期间达到精制能力分配。然而,当同一条线路上的列车数量相邻客流时期不同,车辆的不足需要解决的exit-depot操作提前或多余的车辆需要发送回仓库,即。,有额外英里的车辆运行exit-depot entry-depot。当列车的数量在几个相邻的时间是不一样的,它会导致列车进出仓库的频繁操作,这不仅会产生不必要的额外的运营成本,但也会增加运输组织的难度。因此,为了促进城市轨道交通运营部门的运输组织,优化的目标应该是减少车辆的波动exit-depot和entry-depot邻客流时期,以避免不必要的运行英里的车辆exit-depot和entry-depot时间。multirouting运输模式,采取多空路由策略作为一个例子,当火车发车间隔的长时间运行和短路线不符合整数倍数关系,火车运行图表将产生空的时间和浪费线通过能力(29日,30.]。

在PFTP ,操作比短(非基本路由)和长(基本路由)路线2:1,如图2。

出发的时间间隔long-routing列车的发车间隔的整数倍数short-routing火车的和分别是总发行量持续时间。使用的车辆在长途路线 ,当车辆在使用短路线 。总车辆可以表示为 。因为长度PFTP不能整除的发车间隔,两者兼而有之和需要被围捕。

一般来说,如果路线的总发行量持续时间是 ,然后每个路线的车辆可以由以下公式计算:

过渡的旅客旅行时间,列车的数量在不同的路线通常是不一致的,由于乘客流的波动,尤其是在高峰时间。当列车的数量在本期和以后各期波动极大,它将导致额外英里的车辆运行exit-depot entry-depot,这将增加车辆周转计划的难度,使顶部不那么可行的和实用的。因此,第三个目标函数是鼓励替代的基本路线与非基本路线时,约束得到满足,同时确保列车的数量为每个路线在相邻时期尽可能平衡,可表示如下: 在哪里是火车往返的距离从仓库或停车场火车始发站的路由和 是同一条线路上列车的平均数量在邻客流时间。因此,可以看出,目标函数的值的数量显然是受到相邻的列车客流时间和平衡。

6。多目标遗传算法的设计

尽管本文的三个目标函数成本考虑,他们的权重难以确定准确由于不同的经济因素。同时,在以上三个目标函数的情况下,游戏关系过于复杂来解决这个问题。问题的约束条件考虑火车负荷率,运行间隔,大型和小型火车的数量,等等。问题的解决变量的火车都是整数,和它的解空间不是连续的和分析,并通过分析列车总数的分配在每个PFTP顶部,它可以发现每个线路上的列车数量总数,而有一个目标函数之间的强耦合关系。改变任何线路上的列车数量在任何PFTP独立使目标函数不同方向的变化,从而构成列车运行计划的多目标优化问题。很难直接解决组合优化的模型和分析方法,甚至更难获得多个帕累托最优解的多目标问题。自1990年代以来,遗传算法已被广泛应用,不断开发领域的多目标优化由于多点和多向搜索的特点31日- - - - - -34]。本文利用遗传算法的一般适用性复杂的编程问题的解决复杂优化问题模型的特性和设计自适应权重遗传算法(AWGA)来解决模型的帕累托最优解集。

6.1。自适应权重遗传算法

健身分配机制的自适应权重多目标遗传算法自动调整个人权重通过有效地使用个人信息在每一代的人口在遗传过程中,所以帕累托最优解不断接近理想点。以来更好的个体在当前人口更有可能被保留在下一代自适应权重的影响,这种能力,积极寻求优化使得AWGA算法广泛应用于多目标优化领域的创和程提出后在2000年(35,36]。的步骤如下:步骤0:人口规模 ,交叉率 ,突变率 ,最大的代 ,和初始评估函数值 。第一步:生成一个染色体,满足的约束多目标优化问题(编码)。第二步:目标函数多目标优化问题的计算根据染色体(解码)。步骤3:根据每个目标函数的值 ,生成一个帕累托最优解。步骤4:自适应权重方法用于评估和选择每个染色体。第五步:让 。步骤5.1:交叉下面的单点交叉方法用于执行交叉操作。(1)让 (交叉产生的染色体的数目)。(2)生成一个随机数 在的范围并选择染色体满足 。(3)对选中的染色体,使 。(4)随机确定的位置和部分交叉,使新生成的染色体 , ,分别。步骤5.2:突变执行突变如下:(1)让 (染色体突变所产生的数量)。生成一个随机数 在的范围 ,选择满足的染色体 ,根据一定的规则和变异。(2)让 和新生成的染色体 。步骤5.3:解码新生成的染色体和更新帕累托最优解决方案 。步骤5.4:自适应加权法是用来评估和选择每个染色体形成新的下一代人口。第六步:如果 ,返回到步骤5;否则,输出帕累托最优解和终止过程的终止条件满足。

6.2。AWGA设计的优化模型

6.2.1。染色体设计

考虑客流的动态波动在每个PFTP一整天,相应的可行域的列车的数量在每个路由也是不同的。影响下的整数约束模型的决策变量,与二进制编码相比,编码十进制染色体形成的空间更适合动态通信解决方案的空间。的效率显著提高算法的交叉和变异操作采用十进制编码的染色体来表示决策变量 。染色体由 基因,见以下方程: 在哪里人口的规模。代表了^th基因的染色体 ; 代表的基因片段^th到^th基因的染色体 ; 代表了合并^th和^th基因的染色体 , 。

基因值是随机分布的初始状态和优化的主要目标是让所有满足约束条件(基因9)- (11)。十进制编码的编码空间的优势是更直观。当动态约束条件变化时,它可以避免recorrection由于noncorrespondence解码空间的解空间。对于PFTP ,火车的数量在每个路由 。由于上述约束的限制,导致基因值并不完全独立,体现了基因之间的相互依存和相互制约,具有高度的耦合。因此,染色体可分为基因组 根据PFTP , , 。在遗传过程中交叉和变异等操作都是在单位的基因组,如图3。

6.2.2。单一基因交叉

交叉操作是最有效的改善基因编码。

在许多交叉的方法,单点交叉宽由于其操作简单适用性和有效性。当求解优化模型的顶部,一个经典的单点交叉可能打破基因在基因组的相互依存和不能满足约束。因此,为了完全保留的耦合关系的列车数量在每个路由PFTP,交叉操作可以执行以基因组为最小单位。这意味着对于任何当前人口的两条染色体,等和 ,随机选择一个PFTP ,的基因组 起始位置和基因吗断点,执行单一基因组交叉。在这个过程中,正确的断点的一部分交换形成的后代染色体,如图4。

6.2.3。定向突变

在算法搜索的早期阶段,一些高度自适应染色体可能主导轮盘赌选择过程,使局部最优解的人口成为主体。在以后的搜索阶段,染色体之间的差别很小。如果突变速率很小,很难产生新的染色体,但增加可能产生目标函数的脑震荡。

求解优化模型的初始种群是随机生成的。在算法迭代的初期,主要是寻找满足约束的解决方案。因为数量限制模型PFTPs的数量成正比,即,the finer the characteristics of the temporal distribution of passenger flow, the more constraints there are. Therefore, when the crossover and mutation operations are completely random, it is difficult for chromosomes to evolve at an exact position and in an accurate direction, and local optimal solutions easily dominate the population. For the entire multiobjective genetic algorithm, each iteration is an opportunity for evolutionary optimization. If the population stays in the local optimal state, it is a waste of evolutionary opportunities. Therefore, evolution of the population can continue through artificial intervention.

基于上述理念,经典的随机变异操作的基础上,添加定向突变的特点。具体方法是帕累托最优解的状态监测人群中并设置一个阈值 。当的一代帕累托最优解的状态没有改善超过阈值,即 ,这表明当地人群中占主导地位的最佳解决方案。的PFTP不满足约束的基因组在目前的帕累托最优解集 和变异的方向这些基因组, ,确定。对于下一代的变异操作,根据集和相应的突变方向 ,标记的位置和方向的突变基因的帕累托最优解是明确确定,而随机突变仍采用nonlabeled基因组。定向突变可使基因组 满足约束(9)直接和约束(10间接),从而打破了当地最优死锁和遗传进化可以继续有效。的表达所示如下方程: 在哪里 意味着在PFTP列车的总数应该增加。,增加突变; 意味着在PFTP列车的总数应该减少,即。,减少突变;和 意味着基因组满足约束(9),但没有其他约束,所以只需要没有方向的随机突变。

6.2.4。自适应权重评价方法

当使用AWGA解决多目标优化问题,其中最重要的点是正确评估和选择帕累托最优解获得每一代和下一代。提出的adaptive-weight评价方法创et al。35,37)可以有效地使用积极的理想点获得的每一代的人口,积极调整权重的帕累托最优解接近理想点搜索解决方案。

某一代的解码可行染色体后,三个目标函数的值计算和最大和最小的理想点定义如下: 在哪里和代表的最大和最小值^th目标函数, ,定义为 在哪里是一组可行的解决方案。因此,评价函数由染色体的自适应权重的总和可以通过方程(21)。这个评价函数实现每个目标函数的nondimensionalization,所以他们可以直接加在一起。 在自适应权重的^th目标函数计算方程(22)。在这篇文章中,该模型寻求目标函数的最小化。所以,当的值^th最小目标函数方法,评价函数可以反映了这样的事实:染色体具有很高的健身价值,也就是说,精英的概率个人保留下一代更高。

顶级的AWGA本文优化模型设计充分考虑问题的特征,使相应调整原来的框架。AWGA的主要流程如图5。

7所示。案例研究

本文提出的模型和算法验证了网络和乘客的数据在中国广州地铁2号线。第2行,第二个在广州地铁使用的15行,从广州南站,结束在Jiahewanggang车站,大概“s型”南北趋势,贯穿四个行政区:番禺,广州海珠,越秀,白云。这条线直接连接广州南站和广州火车站和可以到达白云国际机场转移;因此,它是一个核心线连接在广州主要交通枢纽。

广州地铁2号线的总长度31.8公里,与24地铁站设置和火车形成6 a类型教练,如表所示1。车站,沿线折回功能包括江夏,Sanyuanli,公园前,江泰路,南浦。2019年前7个月,第2行排名第一的所有行平均每日客流量141.3万人次。这意味着大量的压力,确保运输安全,精心组织运输能力的必要性。

获得的结果显示城市轨道交通网络客流分配的(5),段第2行高峰时段(当流量激增主要是由于上班族早晨和晚上)有以下特点:(1)客流明显是向心的,(2)之间的客流高峰值早晚时间接近和相应的部分是相同的;(3)客流的分布趋势在早上高峰和晚峰上下方向上是相似的。最大横断面早上客流高峰是比在晚上高峰,显示一定的对称,如图6。2019年,2号线采用了混合模式的长期和短期路由在早上高峰时期在其他时间和单匝路由。最短化路由的覆盖率是17站8和站之间的部分。

城市轨道交通列车运行计划的优化模型是由AWGA解决本文提出的。给出了算法的基本参数设置表2。

作为制定节中描述模型,大量的参数也应该分配值,如表所示3。

参数表2和3投入优化模型和AWGA和迭代计算开始的计划。本文提出算法的运行环境是Windows 10 OS系统,与英特尔(R)核心(TM) i5 - 6300 u的CPU, 8 GB RAM, SQL Server 2012作为数据库和Microsoft IIS 6.0作为一个网络服务器。因为AWGA随机算法,获得的帕累托最优解每次不一定是相同的,但他们都是一系列的解决方案,满足约束。根据算法的随机特性,几乎没有可能有可行染色体在人口在初始阶段,即。,所有染色体中的基因满足约束。因此,遗传算法的进化方向是先使染色体满足约束,列车的数量在每个路由PFTP不仅满足客流的分布特征,同时也满足满载的需求率和发车间隔。如图7,深蓝色的曲线代表了每一代的人口规模的染色体,这是由父染色体和染色体后代产生的交叉和变异操作。人口最大和最小尺寸是29日和17号染色体,分别。红色曲线代表了满足约束的染色体,最大大小包含21可行染色体在775^th的一代。绝对可行染色体数量明显低于总在每一代种群规模。当继承了177年^th代,第一个可行染色体满足约束的出现,那一代的人的健身价值显然是最大的。然后,染色体的主导地位并产生更可行的,生成的帕累托最优解决方案。

三个目标函数模型的趋势图所示8同时,曲线同步发展。由于指数函数是莫卡作为一个点球,这三个目标函数值意义当人口中的染色体不可行。因此,图中的曲线开始可行染色体出现,即。,在177年^th的一代。

红色的曲线在图8代表了可行的目标函数值在每一代染色体和深蓝色的曲线代表了那一代的帕累托最优值。从它的进化趋势,可以看出,可行的目标函数值是高度不稳定,而帕累托最优值是相对稳定的。在遗传进化过程中,帕累托最优值波动在186^th,356年^th,781年^th,821年^th,835^th分别代。三个目标函数的波动节奏完全相同,但趋势是不同的。其中,目标函数2和3的利益相关操作公司及其变动趋势,基本上是相同的,而目标函数1代表旅客广义出行费用的,与这一趋势相反的目标函数,即:,当目标函数1的帕累托最优值增加,目标函数2滴。当迭代到835^th代,三个目标函数进行最后的波动和帕累托最优值稳定在2703433人·¥6254火车·公里,1083公里,分别。的进化趋势,矛盾的三个目标函数的特点,可以得出的结论是,帕累托最优解多目标优化问题的城市轨道交通是一个相互妥协和权衡的结果,它不仅考虑了广义旅客旅行成本,也考虑了效率、成本、运输企业和组织困难。

根据上面的算法描述优化模型在上面的部分中,上一代的帕累托最优值函数值的比较这一代每次进化后的算法,从而实现帕累托解集的动态更新。在这种情况下,该算法参数设置亲本种群的大小是10条染色体。不过,177代的进化后,可行染色体的数量至少是10,图中可以看到7。因此,对于可行染色体超过人口规模,为下一代,轮盘赌选择法,随机选择的相对较高的健身价值。染色体不选择后续进化不一定是劣质的,必须有一些染色体的向量在许多方面更突出,即。有一组,每个解决方案并不比任何其他解决方案。换句话说,每个解决方案在这个集合中不能主导或影响他人,即帕累托最优解。虽然不能说他们是优于其他的解决方案,没有更好的。

这些可行的解决方案是保存在整个进化过程。整个模型的可行解的范围,边界值的帕累托最优值的边界,如3 d网格如图所示9,钻石代表着整个进化过程的帕累托最优值和圆代表了可行的价值。帕累托最优值在边界设置形成帕累托前沿的可行的解决方案。

帕累托最优解的多目标优化模型,这是一组多个nondominated解决方案,通过平衡三个目标函数的最优解。为了优化目标函数Z1,最高的运输能力应该分配给旅客广义出行费用最小化,即。,服务频率越高,它将有助于减少乘客的等待和拥堵成本。为了优化目标函数Z2,需要分配最小数量的列车,以满足乘客需求和减少列车的旅行里程,从而降低企业的运营成本。为了优化目标函数Z3,列车的数量在同一路由在相邻的客流时间应尽可能少,以确保波动的持续性和可行性。以每个目标函数的最小值为边界,四个帕累托最优方案和每个目标函数值的破坏率,相对于边界,表中列出4。

运输能力配置对应上面的四个方案如图10。可以看出,列车的数量在每一个方案都是一样的在非高峰时段和差异主要出现在高峰时期。与更少的妥协方案目标函数Z1,如帕累托方案2和3,更多的火车在高峰时段分配;与更少的妥协方案目标函数Z2,如帕累托方案1和4,减少列车在高峰时间分配;和目标函数Z3计划以更少的妥协,如帕累托方案3和4,列车的数量在每个路由更均匀分布。

的多个帕累托最优的方案,本文以帕累托方案1为例进行详细分析,这是由一个三角形图表示9和位于中下帕累托前面的一部分。由于长时间旅行的距离最短化的出入境仓库车辆,为了充分利用它们,最短化列车的数量在早晚高峰时间保持尽可能一致,所以出入境仓库车辆的数量减少PFTPs过渡期间。因此,一条最短化列车运行在早上高峰时间07:00-07:30 09:00-09:30和两双从to09:00 07:30时。在晚上高峰时间,一对列车运行从下午to17:00 18:30 to19:00和三双运行从17点到18:00,如表所示5。5对列车在非高峰PFTPs操作,主要是考虑到360年代最大发车间隔的约束。早上高峰期,列车的基本路由从喂饲07:30时是最大的8对,加上两条最短化,所以之间的重叠部分的发车间隔长,最短化路由是180年代,仍高于下限的进展和符合约束。

来验证是否计算运输能力配置满足客运需求,它应该与实际客流曲线相比,如图11。图显示了时间的早晚超级山峰,以及运输能力计算的满载率100%。浅蓝色曲线为每个PFTP最大横向流动。大多数PFTPs的运输能力高于客流曲线在整个一天,但对于某些时期,最大截面客流超过运输能力在满载率为100%。橙色曲线显示了在每个PFTP实际满载利率。可以看出,在PFTP 18:00至18:30,最大满载的列车达到111%,仍低于上限的 ,由操作部门控制的。那些剩下的PFTPs都小于极限。因此,可以认为上面不仅满足实际运行安全的需要,同时也保证了乘客的舒适性更大程度上,提高了城市轨道交通乘客服务水平。

2019年,广州地铁2号线采用长时间运行和短的路由计划将模式仅供早上高峰时间。产生的最高指标计划,通过使用本文中描述的方法,比较与实际计划在表5。可以看出,火车在优化计划的数量减少了6双,而实际的一个。加载运行里程减少520火车·公里,这是原来的4.01%,由于长时间运行和短时间的实现模式在晚上高峰。同时,满载的列车平均在整个天从35.7%上升到37.2%,提高培训的效率的利用率。通过充分利用培训能力,满载的横截面最大的客流量,在上下两个方向,分别增加了10.2%和12.2%。自2002年以来,因为2号线运营操作的组织经验和乘客依赖倾向于成熟和调整操作的余地不大。因此,本文提出的模型和算法可以改善当前,仍有一定的参考价值和理论意义。

停止时间的列车优化算法,根据上游和下游乘客流,与PFTP变化动态。结果优化车站07:00-08:30期间停止时间,早晨高峰,和晚上17:00-18:30峰值与原始表中给出固定的停止时间6每个站的优化停止时间值在每个PFTP动态更改根据登机和降落客流量,波动最初的停止时间。其中,部分车站8-station 17之间的终止时间长,时间最长(68年代)发生在车站方向13日期间PFTP 17:00-17:29,这是与高峰客流分布在图一致6。

应该注意的是,站在表13的固定停止时间7是最长的,55秒。的停止时间,车站为例,动态终止时间每天在两个方向上与原来的比较固定的,如图12。趋势线表明,优化的停止时间的长度与客流的趋势基本上是一致的在每个PFTP向上和向下的方向。在早上的四个PFTPs高峰,停止时间的方向是高于原始值和方向;晚上的四个PFTPs高峰,向下方向的停止时间比原来的高价值和方向。优化的停止时间的总和所有PFTPs只有87.3%的原始的整体。可以看出,动态制动时间的设置可以有效地压缩整个旅行时间的火车,减少不必要的等待时间的乘客,这是提高客运服务水平的现实意义。

8。结论

制定前需要考虑的平衡之间的关系供应交通主管部门和乘客的需求。在这篇文章中,列车运行计划的多目标协同优化模型和动态构造列车停车时间达到最小化的目标广义旅行费用的乘客,列车的旅行距离和车辆的波动退出/ entry-depot邻客流时间。根据分公司的框架下,结合模型的特点,工艺路线之间的列车数量之间的耦合关系的形式描述基因组和改变基因组的遗传操作在一个明确的位置和在一个特定的方向实现通过使用定向突变。最后,我们得到了帕累托最优解的和动态的火车停止时间以满足乘客需求时变。广州地铁2号线multirouting模式的分析,作为一个例子,显示了该模型的正确性和算法的有效性,如下:(1)帕累托最优解集生成和多个解决方案构成了帕累托前沿。每个nondominating解决方案优势每个维度的目标函数,这是反映在列车的整体差异,最短化列车的数量和分配列车PFTPs之间的平衡。(2)通过比较优化的顶部与实际,操作前计划最短化列车在晚上高峰,这使得它可以使用更少的列车现有计划的完成运输任务,从而降低运营成本,提高列车满载速度在合理范围,缓解高峰时段列车周转的压力。(3)上火车的数量长,最短化工艺路线往往是在多个连续PFTPs平衡,促进营业额训练计划的制定和车辆的操作退出/ entry-depot,确保最高的可操作性。(4)根据客流的时空分布特征,优化动态火车停止时间可以更好地满足乘客的要求和在车站客运组织的安全要求,比固定,减少12.7%。因此,它有利于缩短旅行时间,提高运输能力。

本文提出的模型和算法可以快速生成上衣高服务水平,满足客流的需要在特定路由计划,为交通主管部门提供有效的决策支持,具有广泛适用性的发展城市轨道交通。下一步的研究是实现的集成优化,运输模式,火车停止计划。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这项研究工作得到了系统的中国国家铁路集团有限公司的主要项目(P2021X008)和840年中国国家自然科学基金(批准号71471179)。