一种“效率-公平-运力”多维权衡的需求可拆分配送方法

针对自然灾害及重大社会公共事件等各类突发事件的配送问题，本文以公路运输为研究场景，将配送时间最短、加权时间攀比值最小和使用车辆数最少为多维目标，在引入需求可拆分这一限制条件的基础上，构建“效率-公平-运力”多维权衡的需求可拆分应急物资配送模型。针对该问题设计改进的蚁群算法求解模型。从选择拆分点、信息素更新和引入变邻域搜索算子这3个方面改进了算法，并实现当解持续不变时，初始化信息素，以增加随机性。结果表明，与传统求解算法相比，改进算法的稳定性更高(平均偏差率降低7.00%)，寻优性更好(优化率提高7.41%)。 通过分析考虑三目标、双目标和决策者具有明显偏好的多重场景下的求解结果得知：效率、公平、 运力这3个子目标相互悖反，增加运力投入可以显著提高配送方案的效率与公平；当运力不变时，效率与公平之间近似呈同比例反比关系。研究结论可为救灾目标不确定条件下多因素考量的应急物资配送决策生成与优化问题提供方法改进与可量化决策支撑。     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

面向调移车辆数优化的摘挂列车调车作业计划编制方法

调车作业计划是规定车辆如何调移及其作业程序的具体行动计划。提出了在调车钩数最优前提下以减少调移车辆数为目标的摘挂列车调车作业计划编制方法,构建了摘挂列车调车作业计划编制0-1线性优化模型,并设计了基于消逆规则的启发式分支定界算法对模型进行求解。算例表明,所提出的方法能够求解出调车钩数不劣于统筹对口法且调移车辆数更少的调车作业计划,在给出的算例中总调移车辆数减少了约20%。所提出的方法能够对调移车辆数进行优化,对调车作业计划编制质量的进一步提高、调车过程能耗降低等方面有积极意义。     

基于广义费用函数的城际铁路分时定价策略研究

随着我国城市群的发展,区域内部各城市之间的客流需求不断增长,城际铁路作为城市间出行的主要方式,客流在高峰、低谷时段具有明显的不均衡性。为了更加平稳有序地提供高质量服务,充分发挥票价调节供需匹配关系的作用,对城际铁路分时定价策略进行研究,构建不同时刻、不同运输方式的旅客出行广义费用函数,建立双层规划模型,优化不同时段城际铁路票价,并结合Frank-Wolfe算法和带有惯性权重的粒子群算法,求解双层规划模型。最后,以京津城际铁路为例,验证了分时定价策略可以使客流分布更加均衡,并提高铁路运输部门收益。