一种多制式城轨车厢配置与客货分配两阶段优化方法

摘要: 本发明属于通信,尤其涉及一种多制式城轨车厢配置与客货分配两阶段优化方法。背景技术:1、随着城市物流需求持续增长,以道路运输为主的传统城市配送体系面临交通拥堵、环...
一种多制式城轨车厢配置与客货分配两阶段优化方法

本发明属于通信,尤其涉及一种多制式城轨车厢配置与客货分配两阶段优化方法。

背景技术:

1、随着城市物流需求持续增长,以道路运输为主的传统城市配送体系面临交通拥堵、环境污染和路面资源紧张等问题。城市轨道交通具有运量大、准时性强、受地面交通干扰小等优势,并在平峰期存在一定剩余运能。因此,在保障客运服务水平的前提下,利用既有城市轨道交通开展货物运输,成为提高轨道资源利用效率、缓解地面物流压力的重要方向。

2、现有技术中,城市轨道交通客货协同运输模式分为客货分线运输与客货共线运输两种。其中,客货分线运输指客运列车与货运列车在同一线路的不同轨道分线运行,适用于规划阶段的城市轨道交通线路;对于已建成线路,客货共线运输更为适配,其具体分为“捎带运输”、“客货共载”及“货运专列”三种模式。“捎带运输”是指不改变列车编组、利用既有客运车厢局部空间临时搭载货物。“客货共载”通过划定部分车厢实现客货空间分离。“货运专列”则通过非高峰或夜间时段开行专用货运列车,实现客货运行组织的时间分离。

3、城市轨道交通客货协同运输相关技术整体上呈现从单条线路到网络化运行、由给定客运列车运行图下的客货分配逐步发展到运输方案与时刻表协同优化的趋势。公开号cn113112055a的专利申请针对单条城市轨道交通线路,通过构建列车时刻表、乘客运输、货物运输和客货共享车厢使用权限分配的混合整数规划模型,以寻求最优的列车运行计划和客货共享车厢动态分配方案。公开号cn118780700a的专利申请针对单线双向轨道交通客货协同运输问题,通过构建列车时刻表和跳停策略、列车编组和车底运用计划、乘客运输和货物运输的混合整数规划模型,并设计基于变邻域搜索和gurobi求解器的启发式算法对问题进行求解,以寻求最优的列车运行计划和客货运输方案。公开号cn116703282a申请的专利针对成网运行条件下的地铁客货协同运输流程,通过构建基于先到先运、打包发车、车站负载均衡和最小列车利用率原则的地铁货物运输服务指派策略模型,并结合最小车头时距、车站驻留时间、货运列车速度控制和线路最大货运能力计算方法构建地铁货运行车调度策略模型,以提高成网条件下地铁货运服务指派与行车调度效率。

4、综合上述,现有技术仍存在以下不足:(1)研究对象多局限于单一线路或单一制式,对地铁、市域快轨等多制式线路在列车编组、车辆容量、运行时刻和换乘衔接方面的差异考虑不足;(2)现有技术虽然涉及客货共享车厢分配、混合编组、货物运输方案和成网货运服务指派,但对跨线货物到达换乘站后的后续疏运重分配过程刻画不充分;(3)面对多目标、高维约束的复杂优化问题时,求解效率和算法自适应能力仍有待提升。

技术实现思路

1、本发明的目的在于提供一种多制式城轨车厢配置与客货分配两阶段优化方法,针对多制式城市轨道交通系统在客货共载模式下的车厢配置、客货需求分配及跨线货物换乘疏运需求,通过构建第一阶段列车车厢功能配置与客货需求分配模型、第二阶段换乘站货物疏运重分配模型,并设计基于强化学习的多目标遗传算法(multi-objective geneticalgorithm based on reinforcement learning,moga-rl)求解模型,实现多制式城轨网络中车厢配置与客货分配方案优化,以解决客货共载模式下,多制式城市轨道交通网络中车厢配置与客货分配优化适用性不足的问题。

2、为实现上述发明目的之一,本发明一实施方式提供一种多制式城轨车厢配置与客货分配两阶段优化方法,所述方法包括,

3、获取多制式城轨车厢配置与客货分配所需基础数据,所述基础数据包括线路结构数据、列车编组与容量数据、列车时刻表数据及客货需求数据;

4、对获取的基础数据进行预处理;

5、构建两阶段优化模型,所述两阶段优化模型包括第一阶段的列车车厢功能配置与客货需求分配模型和第二阶段的换乘站货物疏运重分配模型;

6、对构建的两阶段优化模型进行求解,得到车厢配置与客货分配的优化方案集。

7、作为本发明一实施方式的进一步改进,所述对获取的基础数据进行预处理包括同线、跨线需求识别与客货时间窗设置,其中,

8、同线、跨线需求识别用于根据乘客需求和货物需求的起点线路、终点线路及换乘站连接关系,判断其是否需要跨线换乘,并将其划分为同线需求和跨线需求;

9、客货时间窗设置用于为乘客需求到达起点站后的最大可接受等待时间设置硬时间窗,并为货物需求到达目的站的最迟到达时间设置软时间窗。

10、作为本发明一实施方式的进一步改进,所述列车车厢功能配置与客货需求分配模型包括,

11、目标函数:

12、,

13、,

14、,

15、,

16、其中,、、分别为货运车厢配置成本、第一阶段货运服务成本、乘客等待成本;表示线路上列车单节货运车厢的广义配置成本;表示线路上列车的货运车厢数;表示货物未服务或未疏运高额惩罚系数;表示客货需求索引;表示总货运需求集合;表示货运需求中未被服务的需求量;表示线路集合,,和分别表示两条不同制式的城市轨道交通线路;表示线路内部货运需求集合;表示货运需求到达延迟时间惩罚系数;表示线路上的列车集合;表示货运需求由线路上列车运输时的到达延迟;表示同线货运需求中由线路上列车运输的需求量;表示跨线货运需求集合;表示线路上的列车集合;为跨线货运需求由线路上的列车运输至换乘站的第一程运输时间;表示跨线货运需求中由线路的列车运输至换乘站的需求量;表示跨线货运需求集合;表示线上的列车集合;为跨线货运需求由线路上的列车运输至换乘站的第一程运输时间;表示跨线货运需求中由线路上的列车运输至换乘站的需求量;表示线路内部乘客需求集合;表示乘客需求单位等待时间惩罚系数;为同线乘客需求由线路上列车运输时的等待时间;表示同线乘客需求中由线路上列车运输的需求量;表示跨线客运需求集合;为跨线乘客需求由两条线路上的列车和共同运输时的总等待时间;表示跨线乘客需求中由两条线路上的列车和共同运输的需求量;表示跨线客运需求集合;

17、约束条件为:

18、;

19、,

20、,

21、,

22、,

23、,

24、,

25、,

26、,

27、,

28、,

29、,

30、,

31、,

32、,

33、,

34、,

35、其中,表示线路上列车的总车厢数;表示货运需求对应的需求量;表示乘客需求对应的需求量;表示起点站,表示终点站,表示客货需求到达起点站的时刻;和分别表示同一换乘站在线路和中对应的站点;表示线路上站点集合,其中表示线路上的终点站编号;表示线路上除终点站以外的站点集合;和分别表示线路和上的站点集合,表示站点索引;表示同线货运需求中由线路上列车运输的需求量;表示跨线货运需求中由线路上列车运输至换乘站的需求量;表示线路上单节货运车厢容量;表示线路上列车的总车厢数;表示同线货运需求中由线路上列车运输的需求量;表示跨线货运需求中由线路上列车运输至换乘站的需求量;表示线路上单节货运车厢容量;表示线路上列车的总车厢数;表示同线乘客需求中由线路上列车运输的需求量;表示跨线乘客需求中由两条线路上的列车和共同运输的需求量;表示跨线乘客需求中由两条线路上的列车和共同运输的需求量;表示线路上单节客运车厢容量;表示线路上列车的总车厢数;表示线路上列车的总车厢数;表示同线乘客需求中由线路上列车运输的需求量;表示线路上单节客运车厢容量;表示线路上列车的总车厢数;和分别表示线路上列车到达和离开站点的时刻;表示乘客需求的最大可接受等待时间;和分别表示线路上列车到达和离开站点的时刻;和分别表示线路上列车到达和离开站点的时刻;表示线路上列车离开站点的时刻;表示线路上列车到达站点的时刻;和分别表示同一换乘站在线路和中对应的站点,,;表示乘客需求因跨线换乘而产生的附加时间;表示线路上列车离开站点的时刻;表示线路上列车到达站点的时刻。

36、作为本发明一实施方式的进一步改进,所述换乘站货物疏运重分配模型包括,

37、目标函数为:

38、

39、其中,表示跨线货物需求在换乘站的单位疏运等待成本系数;为跨线货物需求由列车到达换乘站后转入列车的疏运等待时间;表示跨线货物需求到达换乘站后由列车转分配至列车的需求量;为跨线货物需求由列车和列车完成运输时的最终到达延迟;表示跨线货物需求由列车运至换乘站后未能继续疏运的需求量;

40、约束条件为:

41、,

42、,

43、,

44、,

45、,

46、,

47、其中,表示跨线货物需求到达换乘站后由列车转分配至列车的需求量。

48、作为本发明一实施方式的进一步改进,所述对构建的两阶段优化模型进行求解,得到车厢配置与客货分配的优化方案集包括,

49、采用基于强化学习的多目标遗传moga-rl算法对构建的两阶段优化模型进行求解,得到车厢配置与客货分配的优化方案集;

50、优化方案集中的每个优化方案包括列车车厢功能配置方案、乘客运输分配方案、货物运输分配方案、换乘站货物疏运重分配方案及对应的目标函数值。

51、作为本发明一实施方式的进一步改进,所述采用基于强化学习的多目标遗传moga-rl算法对构建的两阶段优化模型进行求解包括,

52、step 1:设置种群规模、最大迭代次数、交叉概率、变异概率、学习率、折扣因子、探索概率,超体积参考点,初始化q值表以及pareto外部档案,令初始pareto外部档案;

53、step 2:采用分段染色体编码方式表示个体:

54、

55、其中,表示个体;表示列车货运车厢配置数量编码;和分别表示乘客需求和货物需求的优先序编码;

56、step 3:根据编码规则和两阶段优化模型的约束条件随机生成初始种群;

57、step 4:对中个体执行两阶段顺序解码:首先进行第一阶段解码,确定列车车厢功能配置、乘客分配、同线货物分配及跨线货物第一程运输方案,并计算第一阶段目标函数值、、;然后以第一阶段跨线货物第一程分配结果为输入,进行第二阶段换乘站货物疏运重分配解码,并计算第二阶段目标函数值;

58、step 5:根据pareto支配关系筛选中的非支配解,并存入;

59、step 6:根据当前第代种群和pareto外部档案,识别第代搜索状态;

60、step 7:依据ε-贪婪策略选择种群动作,确定第代交叉算子和变异算子:

61、

62、其中,为第代种群动作,表示第个交叉算子,,表示单点分段交叉,表示双点分段交叉,表示多点分段交叉,表示需求块交叉,表示随机分段交叉;表示第个变异算子,,表示车厢配置变异,表示需求优先序交换变异,表示需求优先序插入变异;

63、step 8:采用基于非支配等级与拥挤距离的锦标赛选择策略,选取父代个体,并根据交叉概率和变异概率执行交叉、变异操作,生成第代子代种群;对子代个体进行可行性检查与修正,以保证交叉、变异后的个体能否满足编码规则和基本运输约束。这里需要说明的是,可行性检查包括编码完整性检查、车厢配置数量范围检查、客货需求优先序检查、车厢容量约束检查和时间可达性检查,以保证子代个体能够解码为满足基本运输约束的可行方案;

64、step 9:生成第代种群:

65、

66、其中,为第代种群,表示环境选择函数,用于根据pareto非支配等级和拥挤距离,从与的合并集合中选取个个体,组成第代种群;

67、step 10:对中个体执行两阶段顺序解码,并重新计算目标函数值;

68、step 11:筛选出中的pareto非支配解,并将筛选结果与合并;进一步筛选出合并结果中的pareto非支配解,得到第代pareto外部档案;应当说明的是,筛选出合并结果中的pareto非支配解后,如结果超出档案规模上限,则需要按照拥挤距离或目标空间分布进行截断,以得到。

69、step 12:根据和的超体积变化量计算奖励值:

70、

71、其中,和分别表示和基于预设超体积参考点计算得到的第代和第代超体积指标;

72、并根据和,识别第代种群状态;

73、step 13:按照q值更新公式更新q值表:

74、

75、其中,表示第次更新后,在下选择对应的q值;表示第次更新后,在下选择对应的q值;为交叉-变异算子组合动作集合,;表示表示中的任一动作;

76、step 14:判断是否达到最大迭代次数:若达到最大迭代次数,则输出中的车厢配置与客货分配优化方案集;否则,令并返回step 6。

77、作为本发明一实施方式的进一步改进,所述、、、、分别表示为:

78、,

79、,

80、,

81、,

82、,

83、其中,为线路上列车到达站点的时刻,表示货运需求的最迟到达目的站时间。

84、作为本发明一实施方式的进一步改进,所述、分别表示为:

85、,

86、。

87、为实现上述发明目的之一,本发明一实施例还提供一种电子设备,包括存储器以及处理器,所述存储器中存储可在所述处理器上运行的计算机程序,所述处理器上执行程序时实现如上所述多制式城轨车厢配置与客货分配两阶段优化方法中的步骤。

88、为实现上述发明目的之一,本发明一实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述多制式城轨车厢配置与客货分配两阶段优化方法中的步骤。

89、与现有技术相比,本发明的有益效果如下:

90、(1)本发明考虑地铁、市域快轨等不同制式线路在列车编组、车辆容量、运行时刻和换乘衔接方面的差异,构建了面向多制式城轨网络的两阶段优化模型,将列车车厢功能配置、乘客运输分配、货物运输分配和换乘站疏运重分配统一纳入优化过程,提高了车厢配置与客货分配优化方案的适用性和协调性。

91、(2)本发明将跨线货物运输过程划分为第一程运输和换乘站后续疏运两个阶段,根据第一程到达时刻、后续列车离开时刻、剩余货运能力和货物时间窗要求确定第二程承运列车,能够更准确地描述多制式线路间跨线货物的换乘衔接过程,提高跨线货物连续运输组织的合理性。

92、(3)本发明采用基于强化学习的多目标遗传算法求解多制式城轨车厢配置与客货分配两阶段优化模型,通过q学习机制动态调整交叉—变异算子组合,提高了复杂多目标优化问题的求解适应性,并获得兼顾车厢配置成本、货运服务成本、乘客等待成本和换乘站疏运成本的pareto非支配方案集。