混沌蚁群算法在空车调整问题中的应用

根据空车车流的混沌特性,以空车走行公里数最少为优化目标,提出了采用混沌蚁群算法求解空车调整问题.通过算例求解,验证了采用混沌蚁群算法求解空车调整问题的合理性和有效性.     

求解铁路空车调整问题的一种优化算法

由于铁路的空车资源严重不足,空车调整方案优化与否不仅影响全路运用车的数量,还直接关系到铁路企业的运营效益,为此,相比较已有的算法,遗传算法有很强的收敛能力,神经网络有较好的学习能力及鲁棒性,结合两者的优点提出基于遗传算法优化神经网络的方法来实现空车的调整,降低空车走行率,且建立了空车调整的数学模型,并通过算例验证了该方法的可行性。     

路网节点间铁路冷藏车空车调整的蚁群算法

数量调配和网络配流是铁路冷藏车空车调整的2个核心问题。在对问题进行抽象描述的基础上，建立了铁路冷藏车空车调整协同优化模型，将空车调整径路与数量两者统一到同一个模型中，实现两者整体上的优化。通过约束条件分析，在不改变铁路冷藏车空车调整问题协同优化性质的前提下对模型进行简化，将非线性模型转化为线性模型，设计相应的蚁群算法（ACO），并对算法复杂度进行分析。通过理论分析和实际算例分析表明，ACO算法易于利用计算机实现，对求解铁路冷藏车空车调整问题具有优势。     

铁路空车调整的算法模型及软件实现

本文结合我国铁路空车调整计划的实际,提出了空车调整的优化算法,探讨了人工智能在此问题上的应用,并针对当前常用的B/S软件结构给出了具体的软件实现.     

铁路局管内空车调整的网络模型

通过增加一个源点和一个汇点,多源多汇网络可转化为单源单汇网络。依此为基础,建立了铁路局管内空车调整的网络模型,并用WinQSB软件对模型求解。算例表明该模型是正确的。     

铁路空车调配问题的遗传启发算法

路网结构的复杂性和运输生产的动态性，决定了要获得较大规模的实际空车调配问题的最优解是不可能或非常困难的，为求解此类问题，提出了一种有效的遗传启发算法，针对该问题的特定领域知识，设计了适合空车调配问题的矩阵编码方法，基于该编码的初始化方法能保证初始种群的可行性，针对矩阵编码提出的特殊交叉算子和变异算子，能保证生成的新个体总是有效的，通过对收发平衡和收发不平衡的空车调配问题的数值计算和分析，验证了所设计算法的有效性。     

路网空车调整系统的设计与实现

路网空车调整计划是全路技术计划的重要内容,编制科学优化的空车调整计划对加速车辆周转具有重要意义.在分析路网空车调整问题的基础上,确定路网空车调整系统的目标与功能,按空车集结输送的组织方法,提出调空区段、空车计算站和空车集结站等概念以降低问题计算规模,引入空车走行径路使空车调整计算结果更具有可操作性.设计空车调整优化计算过程,通过实际数据计算验证表明,该计算方法能够按预订要求编制空车调整计划,编制结果令人满意.     

带有技术站改编的空车调整研究

以空车走行公里最少为目标,建立了带有技术站改编的空车调整模型,并应用LIUNGO进行求解。通过一算例证明,空车经过技术站改编可以大幅度减少空车走行公里。     

铁路空车调配流程优化分析

针对铁路运输目前存在的问题提出了优化空车调配流程，开发了铁路空车调配信息系统以及优化措施。     

铁路空车调配流程优化分析

针对铁路运输目前存在的问题提出了优化空车调配流程,开发了铁路空车调配信息系统以及优化措施。     

基于蚁群算法的煤炭运输优化方法

蚁群算法是指通过人工模拟蚂蚁搜索食物的过程来求解运输优化问题的一种算法。给出蚁群算法模型及算法步骤。研究一种带容量限制和考虑损耗的煤炭运输数学模型的优化计算,并给出算法步骤。运用蚁群算法对某一钢铁企业煤炭运输问题进行优化计算,计算结果符合实际生产情况。     

基于线路能力约束下的铁路空车调配迭代算法

以空车总走行里程最小为目标，以空车供需平衡和车流量不超过线路通过能力为约束条件，建立空车调配数学模型，并设计分步优化迭代算法进行求解。该算法的基本思路是：先放弃模型中能力约束条件，将问题转化为标准运输问题求解；再检验解是否满足能力约束条件，若满足，则得到最优解；否则，记忆有效解，调整OD供需量、路段通过容量和路网路段，形成新的能力约束条件下的空车调配子模型，再求解。如此反复迭代，直到全部空车车流配置殆尽为止；累计各步迭代的结果，得到空车调配方案。在应用实例中，分别采用直接求解算法和分步优化迭代算法求解，分步优化迭代算法得到的空车调配方案比直接求解法可减少空车走行里程6000km，且路网配流相对均衡。结果验证了空车调配数学模型及其分步优化迭代算法的正确性及可行性。     

蚁群算法在调机运用计划中的应用

编组站调机运用计划为具有不同开工、完工时间窗口的单机调度问题,优化目标是最小化晚点列车的数量。为解决这一NPC问题,建立单机调度数学模型,采用蚁群算法求解。设计的算法步骤是,将调机运用问题描述成适合蚁群算法的形式,并进行初始化,考虑迭代过程中信息素对未来决策的影响程度,定义与问题相适应的转移概率,进而确定选择策略来平衡已有方案的利用和搜索空间的选择,采用2-opt方式的局部搜索策略来避免“早熟”或者“停滞”现象,同时在蚂蚁经过的路径上进行信息素更新,实现对该优化问题的有效求解。以某编组站有12列到达列车和少量暂存列车解体编组出12列出发列车为例,利用设计的蚁群算法步骤,求得到达列车的解体次序和出发列车的编组次序,验证了该算法在编组站的改编能力无法满足车流配送情况下实现合理安排调机的有效性。     

铁路集装箱空箱调度模型及求解算法

从铁路集装箱运输市场的实际情况出发,设置相关的变量,建立基于顾客偏好的模糊运输规划模型和带时间窗的运输规划模型。针对这些特殊的运输问题,应用遗传算法去求其最优解,并设计了相应的矩阵编码方法、适应度计算、交叉算子和变异算子。给出一仿真实例,仿真结果表明上述两个模型的最优调度方案一致,证明运输正点率是提高运输服务质量的一个关键因素。     

铁路特种箱空箱调度模型及求解算法

从4个方面分析铁路特种集装箱空箱调度进行优化设计的必要性,在特种箱资源供不应求的情况下,考虑运输能力、定点维修和时间限制等约束条件,构建特种箱空箱调度模型,运用遗传算法求解模型,并通过算例验证该模型的可行性,为实现物流网络内总体效益的最大化、减少排空费用的支出提供参考。     

铁路罐式集装箱空箱调配优化模型及遗传模拟退火算法

针对罐式集装箱运输的特殊性,考虑重箱流和空箱流调配的综合优化,以罐箱运输费用最小为目标,建立铁路罐式集装箱空箱调配优化多商品网络流模型,并构造了1种嵌入模拟退火操作的遗传算法对之进行求解。为了使模型与算法可得到更符合实际、操作性更强的结果,给出了3种空罐箱调配的策略,作为隐含条件加入到算法求解过程中。利用自适应遗传模拟退火算法对随机生成的实际规模问题算例进行求解,并与用通用代数建模系统软件GAMS的计算结果进行对比。结果表明,前者得出的结果与最优解差距不大,而且运算速度更快,更能满足解决实际问题的需要,为铁路罐箱调配优化提供了良好的决策支持模型和算法。     

一种基于蚁群算法的聚类组合方法

蚂蚁等群居类昆虫被看作能解决复杂问题的分布式系统,研究者从它们的协作性能以及自组织、信息素通信、任务划分等机理中获得灵感,已在组合优化、通信网络、机器人等许多应用领域找到解决问题的新方法。聚类作为一种无监督的学习,能根据数据间的相似程度自动地进行分类。基于蚁群算法的聚类方法已经在当前数据挖掘研究中得到应用。本文提出的基于蚁群算法的聚类组合新方法,模仿多蚁群的协作性能,将运动速度类型各异的多个蚁群,独立而并行地进行聚类分析,然后组合其聚类结果为超图,再用蚁群算法对超图进行2次划分。实验结果表明,该方法能自动决定聚类的数目,聚类组合方法能明显改善聚类质量。