铁路车站取送车系统优化理论与方法研究

取送车系统是车站作业系统的子系统,其效率的高低直接关系到出发列车正点率、车辆周转时间等运输生产指标。基于系统优化理论与方法、组合数学、集合论以及生产实践经验,分析取送车系统的要素、结构、环境和特征,研究取送车问题的建模方法、模型解的构造方法、寻优算法和提高问题寻优效率的启发式方法,并通过算例对研究成果的适用性进行验证。主要研究内容和结论如下。     

树枝形专用线取送车模型及算法

基于树枝形专用线取送车作业的特点,针对多次列车相继到达车站情况下各种车流到发方式的取送车问题建立统一的数学模型.对一种特殊的调移作业,即跨调作业,进行界定,并将其纳入模型的处理范围.该模型可根据问题的具体情况自适应的选择各种合理的取送作业方式,通过求解模型,可以得到合理的取送车顺序、取送批次和取送车时机.提出时距期望启发式信息的概念,它在准确刻画取送车流优先级别的同时,也被运用于算法的寻优过程,从而改善算法的求解效率.最后,针对模型的具体特点,设计模型解的编码方式,并采用基于云模型的参数自适应蚁群遗传算法进行仿真,结果表明了模型和算法的有效性.     

港口货物吞吐量的序列灰预测模型与系统灰预测模型比较分析研究

针对港口货物吞吐量易受其所属港群系统因素的刺激,使其在短期内产生较大扰动而影响预测模型拟合精度的问题,将相邻各港口所形成的港群作为系统整体,将港群货物吞吐总量作为初始输入,建立港群内各港口货物吞吐量的系统灰预测模型,同时建立各港口货物吞吐量的序列灰预测模型,以比较两种方式下所得模型的模型拟合效果。最后,以泸-宜-乐港群为例进行建模和分析,结果表明系统灰预测模型的拟合精度明显高于分别对各港口建立的序列灰预测模型。     

放射形专用线取送车模型及算法

为了解决放射形专用线取送作业的合理取送顺序、取送时机和取送次数问题,用定性与定量相结合的方法,建立了取送车模型,设计了求解模型的蚁群遗传算法.模型及其算法适用于求解多种到发车流形式的放射形专用线取送车问题,并可自适应地生成各种取送作业组织方式,实现了取送方案的整体最优,克服了固定取送作业方式的缺陷.算例仿真结果表明,取送次数从传统方法的30次减少到18次,减小了作业车的总车小时消耗.     

编组站列车溜放时间的估计方法

为了解决编组站列车解体作业中溜放时间不确定性较大的问题,将溜放时间作为因变量,解体钩数作为自变量建立线性回归模型,对溜放时间进行区间估计.利用得到的区间估计值,将列车溜放时间表示为模糊集,求模糊集的λ-截集,得到列车溜放时间的点估计值.以16辆列车的溜放作业为例进行算例分析,结果表明,与直接设定列车溜放作业时间的情况相比,通过模型求得的点估计值误差降低了50%.     

铁路车站取送车作业问题一般模型解的构造方法

基于取送车作业问题具有顺序和批次2个优化维度,根据客观约束条件和实际生产经验,设计取送车作业问题一般模型解的模块化构造方法。以满足取送车作业顺序偏序约束构造取送车作业初始顺序方案,以满足装卸区容车能力约束构造取送车作业调整顺序方案。为了满足相应放射枝不同批次约束、调机牵引能力约束、时间窗约束和提高调机运用效率,分别采用基于相异放射枝不同批次约束的批次划分方法、基于牵引能力最大化的批次划分方法、基于不必要牵引车组数最小化的批次划分方法、基于及时送车原则的批次划分方法和基于及时取车原则的批次划分方法,将取送车作业调整顺序方案划分为一系列有序的取送车批次。算例仿真结果表明:利用本文方法生成的取送车作业方案满足铁路车站取送车作业问题一般模型的约束条件,使调机的运用和各装卸区的集中作业强度更为合理,使有效方案的生成效率比随机生成方法更高。     

铁路车站取送车作业问题的一般模型

在各种装卸地点布置形式、各种到发车流、各种取送车作业组织方式条件下,将合理取送顺序、合理取送批次数和合理取送时机作为一个整体,研究铁路车站取送车作业问题.以取送车作业顺序偏序关系、装卸区容车能力、相异放射枝不能同批、调机牵引能力、交货时间窗为约束条件,以站内货车处于取送车作业状态的时间最少为优化目标,建立取送车作业问题的一般模型.模型的每个解都对应1个完整的取送车作业方案,设计了解的编码型式.利用排列组合理论和方法分析取送车作业问题解的结构关系,证明取送车作业问题是具有取送车作业批次和顺序2个优化维度的调度问题.     

放射形专用线非直达车流取送车模型及算法

基于放射形专用线取送车作业的特点,针对非直达车流取送车问题中,多列列车相继到达车站时,对如何确定合理的取送车顺序进行分析.将取送车作业作为一个系统进行整体考虑,以货车在站停留的总车小时消耗最小为优化目标,建立数学模型.利用此模型,可以得到在多列列车相继到达车站情况下的取送车顺序、取送作业的具体时刻和取送作业次数.针对模型的具体特点,设计求解的编码方式,并采用基于云模型的参数自适应蚁群遗传算法进行仿真,结果表明了模型和算法的有效性.