本发明属于轨道交通
技术领域：
，特别是一种地铁车辆段回库股道安排方法。
背景技术：
：地铁车辆段作为地铁生产运输的主要站段，主要负责车辆的停放、检查、整备、运用和修理等业务。当地铁车辆结束当日运营计划后需停至车辆段以待检修作业或明日出车，科学安排回库车辆停放股道对提高车辆段生产效率有重要意义。传统车辆段回库股道安排由行调与检调在每辆车回库前根据作业要求临时商议决定，由于没有统筹安排缺乏预见性，可能会导致较晚时段回库车辆的作业要求无法满足造成作业的延后或是不必要的调车及耗时，因此考虑对回库股道安排进行优化以最大程度保障车辆段作业的合理高效。目前尚未有针对车辆段回库股道安排的算法研究，但是关于机务段整备区及客运站股道运用的研究对于车辆段回库股道安排算法设计具有一定的借鉴意义。姬莉霞针对机务段外勤整备区的股道安排问题，提出了基于N×M二维染色体编码的自适应遗传算法，易操作且有很好的收敛精度；张英贵根据铁路客运站股道运用应遵守的条件，利用现代排序理论，构建股道运用计划自动编制排序模型，对客运站股道运用计划进行了优化。JWChung提出了一种基于混合整数规划模型的遗传算法，解决了在车辆段容量与检修能力约束下的车辆调度问题。以上算法对车辆段回库股道安排并不适用，应结合股道安排实际对其进行调整并加以应用。技术实现要素：本发明的目的在于提供一种简单、高效的地铁车辆段回库股道安排方法。实现本发明目的的技术解决方案是：一种地铁车辆段回库股道安排方法，包括以下步骤：步骤1，收集待回库车辆信息及股道信息，并建立实际问题的参数集；步骤2，染色体构造：在分析回库股道安排问题编码要求的基础上，选择编码方式对染色体进行构造；步骤3，初始化种群P：结合车辆回库实际制定种群初始化规则，并按照该规则生成Z个染色体构成初始种群P；步骤4，计算适应度并保存最优个体：确定回库股道安排的优化目标函数与约束，根据适应度函数计算各个体的适应值，并对适应值最大的个体进行保存；步骤5，选择、杂交、变异：针对回库股道安排的编码方式、初始化准则，对个体的选择规则以及杂交、变异的具体操作方式进行确定；步骤6，产生下一代种群P：根据步骤5中确定的选择、杂交、变异规则，从种群中选出Z个个体进行杂交、变异操作并保存至新种群中；步骤7，终止条件：重复步骤4到步骤6直至达到最大进化代数，此时保存的最优个体即为算法所解决问题的最优解，根据该最优解进行接车即可实现地铁车辆段回库股道的最优安排。进一步地，步骤1中所述的待回库车辆信息包括车号、是否回库、车辆位置、所跑车次、回库时间、回库顺序、明日是否跑早高峰、是否洗车、是否日检、停放股道类型、明日是否上线；股道信息包括股道名称、股道类型、占用情况及股道编码；实际问题的参数集包括：种群规模Z、杂交概率pc、变异概率pm、最大进化代数。进一步地，步骤2中所述的染色体构造，具体为：将一个基因作为一个可用股道，将列车回库顺序填入以表示股道占用；每日车辆回库时的可用股道数是不定的，所以根据实际情况动态对染色体进行构造，以一维矩阵的编码方式构造染色体，染色体的每一位都与某一可用股道编号相对应。进一步地，步骤3中所述的初始化种群P，具体为：(3.1)遍历待回库车辆，得到回库车辆数及股道要求并按照预计回库时间的先后对车辆进行编号；(3.2)确定可用股道状态：当同一股道A股、B股均可用时，A股状态为①，B股为②；当A股占用、B股可用时，B股状态为③；当B股占用、A股可用时，A股状态为④；(3.3)确定车辆回库编号填入染色体的规则：对于晚间有日检作业的车辆，可停放股道的状态为①、②、④或其他有地沟的股道；对于晚间有洗车作业的车辆，可停放股道状态为①、②、③；对于明日需安排早高峰或有指定车次的车辆，可停放股道的状态为①、④；对于明日有系统修作业的车辆，可停放股道为有防护网及地沟的股道；对于其他有指定停放股道类型的车辆，安排对应类型的股道进行停放；对于有两项及以上作业要求的车辆，可停放股道要求取所有单项作业股道要求的交集，当可停放股道交集为空时，按重要性对检修作业要求进行排序，取消部分重要程度低的作业要求或作业内容，对作业要求重要性进行排序：日检>系统修及其他股道类型指定>洗车作业>早高峰或指定车次；(3.4)按照(3.3)中的规则选择填入股道并对可用股道状态进行更新，重复直至所有待回库车辆均填入染色体；(3.5)重复(3.4)直至生成Z个染色体构成初始种群P。进一步地，步骤4中所述计算适应度并保存最优个体：确定优化目标函数与约束，根据适应度函数计算各个体的适应值，并对适应值最大的个体进行保存，具体如下：(4.1)确定约束条件，其中约束条件包括时间间隔约束与地铁车辆段检修能力的约束；(4.2)确定目标函数：优化目标为任务完成度最高，接车过程总调车次数最少，车辆出入库便捷程度最高；(4.3)确定适应度函数；(4.4)根据适应度函数计算各个体的适应值，并对适应值最大的个体进行保存。进一步地，步骤5所述选择、杂交、变异：针对回库股道安排的编码方式、初始化准则，对个体的选择规则以及杂交、变异的具体操作方式进行确定，具体如下：(5.1)确定个体的选择规则，采用轮盘赌来选择种群中用于杂交操作的个体，设种群中第k个个体的适应值为Fk，则第k个个体被选中的概率Pk为：Pk=FkΣi=1ZFi]]>(5.2)确定个体的杂交操作方式，杂交过程包括以下步骤：第一步：对Z/2对个体各产生一个(0,1]的随机数，若随机数小于杂交概率pc则进行杂交操作，反之则不进行杂交，直接作为新个体保存至新种群中；第二步：对于需要杂交的个体，随机产生两个[0，Ntrack)的整数作为杂交位置，对每个父代选定杂交部分；第三步：将第一个父代的杂交部分与第二个父代的杂交部分进行互换；第四步：从产生后代原有的基因中去掉所有重复出现的列车回库序号；第五步：按照种群初始化原则对产生后代的基因进行补全，并将新个体保存至新种群中；第六步：重复第一步～第五步直至新种群规模达到Z；(5.3)确定个体的变异操作方式，变异过程包括以下步骤：第一步：对新种群中每个体各产生一个(0,1]的随机数，若随机数小于变异概率pm则进行变异操作，反之则不进行变异操作；第二步：对于需要变异的个体，随机产生两个[0，Ntrack)的整数作为突变点，并将突变点上的基因值进行交换；第三步：在种群的所有个体中执行第二步～第三步。进一步地，步骤(4.1)所述确定约束条件，其中约束条件包括时间间隔约束与地铁车辆段检修能力的约束，其中：对于时间间隔约束，共有两种情况：情况a，第一辆列车先回库停放在A股进行日检作业，作业完成后调至B股，A股清空后继续接第二辆列车，在第一辆列车整个接车过程中，日检耗时40min，调车耗时30min，故第一辆与第二辆列车的回库时间间隔大于等于70min；当回库时间间隔小于70min时，B股车辆的日检任务无法完成，直接停至B股；情况b，第一辆列车先通过洗车线从右向停放到A股进行日检作业，作业完成后调至B股，A股清空后继续接第二辆列车，在第一辆列车整个接车过程中，洗车耗时15min，日检耗时40min，调车耗时30min，故第一辆与第二辆列车的回库时间间隔大于等于85min；当第一辆与第二辆列车的回库时间间隔小于85min且大于70min时，放弃洗车任务只进行日检；当第一辆与第二辆列车的回库时间间隔小于70min时，放弃日检任务只进行洗车；对于地铁车辆段检修能力的约束，同一时间调车任务数不大于1个，且同一时间日检车辆数不大于3辆，即：Ndi≤3Ndc≤1]]>其中，Ndi为同一时间日检的车辆数；Ndc为同一时间的调车任务数。进一步地，步骤(4.2)所述确定目标函数：优化目标为任务完成度最高，接车过程总调车次数最少，车辆出入库便捷程度最高，其中任务完成度最高具有第一重要性，调车次数最少具有第二重要性，出入库便捷程度最高具有第三重要性；针对目标zj(j＝1,2,3)达到的优先顺序和各目标需要达到的子目标，目标函数的表达式如下：lexmin{z1=Σi=1m0(w1i+di++w1i-di-),z2=Σi=1m0(w2i+di++w2i-di-),z3=Σi=1m0(w3i+di++w3i-di-)}]]>其中，lexmin代表按照字典顺序最小化目标；m0代表子目标数量；代表第i个目标超过预期的正偏差变量；代表第i个目标超过预期的负偏差变量；代表分配给的正权重；代表分配给的负权重；对于任务完成度最高，设目标函数为z1，z1有4个子目标：日检计划完成率最高、车辆停放股道类型与其作业股道要求匹配度最高、洗车计划完成率最高、早高峰股道要求匹配度最高，任务完成度最高的目标函数z1为：z1=Σi=14w1i-×Tiu+X]]>其中，Tiu为第i个子目标的未完成任务数；X为惩罚系数；为分配给各个子目标的负权重；对于调车次数最少，设目标函数为z2，当且仅当同一条股道的A、B两股均需停放待回库车辆且B股车辆需要并能够日检时，需要进行调车作业，调车次数最少的目标函数z2为：z2＝Tdc其中，Tdc为实际调车次数；对于出入库便捷程度最高，设目标函数为z3，z3有2个子目标：入库额外耗时最少以及出库额外耗时最少，出入库便捷程度最高的目标函数z3为：z3＝Trk+Tck其中，Trc为入库总额外耗时数；Tck为出库总额外耗时数；综上所述，回库股道安排问题的总目标函数I为：I=lexmin{z1=Σi=14w1i-×Tiu+X,z2=Tdc,z3=Trk+Tck}]]>当z1＝0、z2＝0、z3＝0时，I所对应的股道安排方案即为所求最优解。进一步地，步骤(4.3)所述确定适应度函数，包括以下步骤：第一步：计算目标值，每个个体存在3个目标函数，即lexmin{z1=Σi=14w1i-×Tiu+X,z2=Tdc,z3=Trk+Tck}]]>第二步：根据第一优先级目标函数值对个体进行排序；如果某些个体具有相同的目标函数值，则对第二优先级目标函数进行比较，以此类推；如果某些个体最终无法排序，则随机排序；这样个体按照目标函数值升高的顺序排列；第三步：为每个个体xk分配基于排序的适应值，设rk是个体xk的排列顺序，根据用户给定的一个参数a∈(0,1)定义基于排序的适应值函数如下：eval(xk)=a(1-a)rk-1]]>本发明与现有技术相比，其显著优点是：(1)符合车辆段回库股道安排实际，操作简单，可快速为待回库车辆分配股道；(2)可合理对列车任务进行取舍，并找出资源约束条件下最优的车辆回库股道方案，无论是在效率上或是合理性上都明显优于人工安排。附图说明图1是本发明地铁车辆段回库股道安排方法的流程图。图2是可用股道状态编码方式示意图。图3是需考虑回库时间间隔的接车方案示意图。图4是某车厂线路示意图。图5是实施例1中代理目标函数趋势图。具体实施方式下面结合附图对本发明作进一步详细描述。结合图1～3，本发明地铁车辆段回库股道安排方法，包括以下步骤：步骤1，收集算法所需的待回库车辆信息及股道信息，并建立实际问题的参数集，其中待回库车辆信息包括车号、是否回库、车辆位置、所跑车次、回库时间、回库顺序、明日是否跑早高峰、是否洗车、是否日检、停放股道类型、明日是否上线等，股道信息包括股道名称、股道类型、占用情况及股道编码等，实际问题的参数集包括：种群规模Z、杂交概率pc、变异概率pm、最大进化代数等。步骤2，染色体构造：在分析回库股道安排问题编码要求的基础上，选择合适编码方式对染色体进行构造，具体为：将一个基因作为一个可用股道，将列车回库顺序填入以表示股道占用；每日车辆回库时的可用股道数是不定的，所以根据实际情况动态对染色体进行构造，以一维矩阵的编码方式构造染色体，染色体的每一位都与某一可用股道编号相对应。步骤3，初始化种群P：结合车辆回库实际制定种群初始化规则，并按照该规则生成Z个染色体构成初始种群P，具体步骤如下：(3.1)遍历待回库车辆，得到回库车辆数及股道要求并按照预计回库时间的先后对车辆进行编号；(3.2)确定可用股道状态。当同一股道A股、B股均可用时，A股状态为①，B股为②；当A股占用、B股可用时，B股状态为③；当B股占用、A股可用时，A股状态为④；(3.3)结合图2，确定车辆回库编号填入染色体的规则：对于晚间有日检作业的车辆，可停放股道的状态为①、②、④或其他有地沟的股道；对于晚间有洗车作业的车辆，可停放股道状态为①、②、③；对于明日需安排早高峰或有指定车次的车辆，可停放股道的状态为①、④；对于明日有系统修作业的车辆，可停放股道为有防护网及地沟的股道；对于其他有指定停放股道类型的车辆，应尽量安排对应类型的股道进行停放；对于有两项及以上作业要求的车辆，可停放股道要求取所有单项作业股道要求的交集。当可停放股道交集为空时，需按重要性对检修作业要求进行排序，取消部分重要程度低的作业要求或作业内容。对作业要求重要性进行排序：日检>系统修及其他股道类型指定>洗车作业>早高峰或指定车次。(3.4)按照(3.3)中的规则选择可填入股道并对可用股道状态进行更新，重复直至所有待回库车辆均填入染色体。(3.5)重复(3.4)直至生成Z个染色体构成初始种群P。步骤4，计算适应度并保存最优个体：确定回库股道安排的优化目标函数与约束，根据适应度函数计算各个体的适应值，并对适应值最大的个体进行保存，具体如下：(4.1)确定约束条件，其中约束条件包括时间间隔约束与地铁车辆段检修能力的约束，其中：结合图3，对于时间间隔约束，共有两种情况：情况a，第一辆列车先回库停放在A股进行日检作业，作业完成后调至B股，A股清空后继续接第二辆列车，在第一辆列车整个接车过程中，日检耗时40min，调车耗时30min，故第一辆与第二辆列车的回库时间间隔大于等于70min；当回库时间间隔小于70min时，B股车辆的日检任务无法完成，直接停至B股；情况b，第一辆列车先通过洗车线从右向停放到A股进行日检作业，作业完成后调至B股，A股清空后继续接第二辆列车，在第一辆列车整个接车过程中，洗车耗时15min，日检耗时40min，调车耗时30min，故第一辆与第二辆列车的回库时间间隔大于等于85min；当第一辆与第二辆列车的回库时间间隔小于85min且大于70min时，放弃洗车任务只进行日检；当第一辆与第二辆列车的回库时间间隔小于70min时，放弃日检任务只进行洗车；采用公式表达如下：其中TimeAj为A股列车预计回库时间；TimeBj为B股列车预计回库时间。对于地铁车辆段检修能力的约束，同一时间调车任务数不大于1个，且同一时间日检车辆数不大于3辆，即：Ndi≤3Ndc≤1]]>其中，Ndi为同一时间日检的车辆数；Ndc为同一时间的调车任务数。(4.2)确定目标函数：为得到合理高效的回库股道安排方案，优化目标应考虑以下几点：任务完成度最高；接车过程总调车次数最少；车辆出入库便捷程度最高。由于三个优化目标有明显的优先级别层次，因此考虑采用优先权目标规划来解决回库股道多目标决策问题，其中任务完成度最高具有第一重要性，得到第一优先关注；调车次数最少具有第二重要性，得到第二优先关注；出入库便捷程度最高具有第三重要性，得到第三优先关注。针对目标zj(j＝1,2,3)达到的优先顺序和各目标需要达到的子目标，目标函数的表达式如下：lexmin{z1=Σi=1m0(w1i+di++w1i-di-),z2=Σi=1m0(w2i+di++w2i-di-),z3=Σi=1m0(w3i+di++w3i-di-)}]]>其中，lexmin代表按照字典顺序最小化目标；m0代表子目标数量；代表第i个目标超过预期的正偏差变量；代表第i个目标超过预期的负偏差变量；代表分配给的正权重；代表分配给的负权重；对于任务完成度最高，设目标函数为z1，其有4个子目标：日检计划完成率最高、车辆停放股道类型与其作业股道要求匹配度最高、洗车计划完成率最高、早高峰股道要求匹配度最高，在最理想情况下，要求每个子目标均达到100％的完成率，按子目标重要性给予每个目标不同的权重，由于子目标的实际完成率不会超过100％，故仅需给赋值，分别为1000，100，10，1。故任务完成度最高的目标函数z1为：z1=Σi=14w1i-×Tiu+X]]>其中，Tiu为第i个子目标的未完成任务数；X为惩罚系数；为分配给各个子目标的负权重。当同一时间段内的日检车辆数或调车任务数大于约束时，股道安排方案不可行，此时对惩罚系数X取较大的值，令X＝10000，使该方案的适应度变小，那么该方案在后续进化过程中被淘汰的可能性就会变大。对于调车次数最少，设目标函数为z2，当且仅当同一条股道的A、B两股均需停放待回库车辆且B股车辆需要并能够日检时，需要进行调车作业，在最理想状态下，要求在整个回库作业中调车次数为0，调车次数最少的目标函数z2为：z2＝Tdc其中，Tdc为实际调车次数；需要注意的是，当同一条股道的A、B两股均需停放待回库车辆且B股车辆包含日检作业时，当且仅当B股日检作业可以完成时需要进行调车。对于出入库便捷程度最高，设目标函数为z3，其有2个子目标：入库额外耗时最少以及出库额外耗时最少，在最理想状态下，要求入库额外耗时与出库额外耗时均为0，两个子目标同等重要，故出入库便捷程度最高的目标函数z3为：z3＝Trk+Tck其中，Trc为入库总额外耗时数；Tck为出库总额外耗时数。需要说明的是，当且仅当车辆回库时从右侧入库且车辆无洗车任务时，入库总额外耗时数加1；当且仅当某股道的A股不可用或停放车辆第二日不出车且B股停放车辆第二日需要出车时，出库总额外耗时数加1。综上所述，回库股道安排问题的总目标函数I为：I=lexmin{z1=Σi=14w1i-×Tiu+X,z2=Tdc,z3=Trk+Tck}]]>当z1＝0、z2＝0、z3＝0时，I所对应的股道安排方案即为所求最优解。为更好的表示各代种群的进化趋势，设置一个代理目标函数I'＝100z1+10z2+z3，目标值越小代表越接近全局最优解。(4.3)确定适应度函数：适应值计算包括以下步骤：第一步：计算目标值。每个个体存在3个目标函数，即lexmin{z1=Σi=14w1i-×Tiu+X,z2=Tdc,z3=Trk+Tck}]]>第二步：根据第一优先级目标函数值对个体进行排序。如果某些个体具有相同的目标函数值，则对其第二优先级目标函数进行比较，以此类推。如果某些个体最终无法排序，则让他们随机排序。这样个体就按照目标函数值升高的顺序排列起来。第三步：为每个个体xk分配基于排序的适应值。设rk是个体xk的排列顺序。根据用户给定的一个参数a∈(0,1)定义基于排序的适应值函数如下：eval(xk)=a(1-a)rk-1]]>(4.4)根据适应度函数计算各个体的适应值，并对适应值最大的个体进行保存。步骤5，选择、杂交、变异：针对回库股道安排的编码方式、初始化准则，对个体的选择规则以及杂交、变异的具体操作方式进行确定，具体如下：(5.1)确定个体的选择规则。本算法采用轮盘赌来选择种群中用于杂交操作的个体，设种群中第k个个体的适应值为Fk，则第k个个体被选中的概率Pk为：Pk=FkΣi=1ZFi]]>(5.2)确定个体的杂交操作方式，杂交过程包括以下步骤：第一步：对Z/2对个体各产生一个(0,1]的随机数，若随机数小于杂交概率pc则进行杂交操作，反之则不进行杂交，直接作为新个体保存至新种群中；第二步：对于需要杂交的个体，随机产生两个[0，Ntrack)的整数作为杂交位置，对每个父代选定杂交部分；第三步：将第一个父代的杂交部分与第二个父代的杂交部分进行互换；第四步：从产生后代原有的基因中去掉所有重复出现的列车回库序号；第五步：按照种群初始化原则对产生后代的基因进行补全，并将新个体保存至新种群中；第六步：重复第一步到步骤第五步直至新种群规模达到Z。(5.3)确定个体的变异操作方式，变异过程包括以下步骤：第一步：对新种群中每个体各产生一个(0,1]的随机数，若随机数小于变异概率pm则进行变异操作，反之则不进行变异操作；第二步：对于需要变异的个体，随机产生两个[0，Ntrack)的整数作为突变点，并将突变点上的基因值进行交换；第三步：在种群的所有个体中执行第二步～第三步。步骤6，产生下一代种群P：根据步骤5中确定的选择、杂交、变异规则，从种群中选出Z个个体进行杂交、变异操作并保存至新种群中；步骤7，终止条件：重复步骤4到步骤6直至达到最大进化代数，此时保存的最优个体即为算法所解决问题的最优解，根据该最优解进行接车即可实现地铁车辆段回库股道的最优安排。实施例1某地铁车辆段线路布置示意图如图4所示，车辆从左进入车辆段，夜间主要停放区域为运用库(4股道到16股道)与检修库(17股道到19股道)，其中A股道带地沟，B股道无地沟，17到19股道设有地沟和防护网，车辆可从左或右两个方向出入库，其中右向出入库需经走行线。验证算法的有效性，建立地铁车辆段回库股道安排仿真平台。根据经验对算法参数进行设置，设种群规模Z为40、杂交概率pc为0.8、变异概率pm为0.1、设置最大进化代数为20，适应度函数变量a为0.5。首先对车辆信息及股道接车时的状态进行统计，共有15辆待回库车辆，并预留15个空股道供回库车辆停放。然后基于多目标理论应用遗传算法对回库股道安排问题进行优化，用代理目标函数值来表示种群的进化趋势，如图5所示，算法从第八代开始收敛至最优解。表1仿真与人工方案对比方案将人工与仿真得到的股道安排方案进行比较，见表1，仿真方案在各个指标上均优于人工安排。综上可知，在极限条件下，本算法可以合理对列车任务进行取舍，并找出资源约束条件下最优的车辆回库股道方案，无论是在效率上或是合理性上都明显优于人工安排。当前第1页1 2 3