本发明属于地铁检修领域，具体涉及一种基于车辆地基布点优化的多线路地铁大架修方法。
背景技术
近年来,国内城市轨道交通建设发展呈"网络化"趋势,车辆大架修基地集中设置问题已开始受到重视。地铁大架修车辆基地是地铁车辆进行大架修作业的场所，其占地规模大，工程投资高，是地铁工程中体量最大的单体，也是保障地铁正常运行的关键点。因此，在线网规划阶段就需要确定地铁大架修的方案，例如，在所有车辆基地中选择部分作为大架修车辆基地对地铁进行大架修。近年来国内地铁市场快速扩张，越来越多的城市，开始修建地铁工程，同时考虑到线网规模、各线车型、建设时序及送修可行性，规划用地条件及投资规模等众多因素，地铁大架修已经成为一个急需解决的问题。
如何对关键因素进行高效合理地分析是地铁大架修的重要基础。由于布点规划过程中需要考虑线网规模、各线车型、建设时序及送修可行性，规划用地条件及投资规模等众多因素，体现了规划布点方案决策的多因素、多目标的特点。要快速得到不同环境下地铁大架修的方案，需要将上述影响大架修布点的关键因素进行整理，明确这些关键因素之间的相互关系，以及每个关键因素在方案决策中起到的作用，其对地铁大架修的影响等，从而最终决定地铁大架修的方案。
目前，在城市轨道交通领域针对此类问题多采用人工分析的方法。具体来说，该方法前期需要对可能影响大架修车辆基地布点方案的客观因素进行搜集整理；在进行具体的分析过程中，需要设计人员对搜集到资料进行分析，比对各个因素对地铁大架修的影响，确定若干个的地铁大架修方案后，再对每个方案进行筛选，从而进一步得到最终的几个可行方案。再针对这几个方案进行综合比较，最终得出推荐布点方案。多个项目实践表明，该方法在使用过程中随机性较强，方案取舍的标准因人而异，且人工分析的工作量较大，设计过程中往往会带来方案的反复修改的问题，严重影响设计效率和质量；并且由于人为判断的主观性较强，最后选择的地铁大架修方案可能并不是最佳方案。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于车辆地基布点优化的多线路地铁大架修方法，其通过优化设置地铁大架修基地布点，并基于上述布点设置大架修基地，地铁车辆进入相应的基地进行检修，从而可以提高地铁检修效率。
为实现上述目的，按照本发明的一个方面，提供了一种基于车辆地基布点优化的多线路地铁大架修方法，其特征在于，包括，
s1根据地铁线路分布获取地铁大架修基地布点备选方案；
s2确定地铁大架修基地布点备选方案可行性因素的约束条件；确定地铁大架修基地布点备选方案经济性因素的约束条件；
s3根据所述可行性因素和/或经济性因素确定地铁大架修基地布点备选方案的目标函数；
s4利用蜂群优化算法适应度评价方法对地铁大架修基地布点备选方案进行适应度评价，根据适应度值的大小判断当前地铁大架修基地布点备选方案是否为最佳方案；是则确定当前方案为地铁大架修基地布点方案并转到步骤s6，否则进入步骤s5；
s5采用交叉算子对符合约束条件的地铁大架修基地布点备选方案进行交叉计算，生成新的地铁大架修基地布点备选方案，进入步骤s4；
s6每个地铁线路上的地铁按照地铁大架修基地布点方案进入对应的地铁大架修基地进行检修。
作为本发明技术方案的一个优选，步骤s1中所述可行性因素的约束条件优选包括规划用地条件、线网规模、联络线条件、车型条件、建设时序和送修时间限制。
作为本发明技术方案的一个优选，步骤s2中所述经济性因素的约束条件优选包括工程投资规模、运营成本及投资收益。
作为本发明技术方案的一个优选，步骤s3中所述目标函数优选如下：
大架修车辆基地总费用＝建设费用+运营费用—开发收益。
作为本发明技术方案的一个优选，步骤s4中地铁大架修布点备选方案进行适应度评价公式优选如下：
适应度＝m－建设费用－运营费用+开发收益；
其中，m优选为足够大的常数，以保证适应度为非负数。
作为本发明技术方案的一个优选，步骤s5中优选采用单点交叉算子或两点交叉算子对地铁大架修布点备选方案进行交叉计算。
作为本发明技术方案的一个优选，采用整数编码方法对地铁大架修布点备选方案进行编码。
作为本发明技术方案的一个优选，，每个地铁大架修布点备选方案的编码优选包括第一部分和第二部分，第一部分编码每条线路对应的地铁大架修基地，第二部分编码每条线路上是否设置地铁大架修基地。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1)本发明技术方案的方法，通过构建数学模型，能够将影响地铁大架修的关键因素进行综合分析，进而利用工程算法对地铁大架修基地布点方案进行优化改进，在此基础上对地铁进行大架修，从而可以提高地铁检修效率。
2)本发明技术方案的方案，通过多个约束条件即可快速剔除不符合需求的地铁大架修方案，进一步的，通过适应度计算函数可以快速获取每个符合约束条件的适应度值对地铁大架修方案进行评价，利用适应度值最佳的地铁大架修方案对地铁进行检修。
附图说明
图1是本发明技术方案的实施例的单点交叉算子示意图；
图2是本发明技术方案的实施例的大架修车辆基地布点方案编码示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
地铁的大架修基地布置会直接影响到各个地铁线路上运行的地铁的检修，因此，获得最佳地铁大架修布点方案，是对线路上运行的地铁进行有效检修的前提。实际上，不仅要确定布置几个地铁大架修基地，还要确定每个地铁大架修基地对哪些线路上的地铁进行检修。才能实现在多条地铁线路运行的情况下，对全部地铁线路上的地铁进行有效、可靠、安全的检修，同时提高地铁运行的效率，降低维修成本。
要快速得到大架修车辆基地布点的方案，需要能够将影响大架修布点的关键因素进行整理，明确关键因素之间的相互关系，以及每个关键因素在方案决策中起到的作用，从而完成对布点问题的数学建模。本发明技术方案中选择将影响布点方案可行性的关键因素作为约束条件，将影响布点方案经济性的关键因素作为评价指标，从而形成作为数学模型的目标函数，其利用计算机编程技术，采用人工智能算法对目标函数的最优解，从而快速得到经济合理的大架修车辆基地布点推荐方案。
以下通过具体步骤对本发明技术方案的实施例予以说明：
步骤一：建立目标函数。
本发明技术方案的实施例中，通过对布点影响因素进行分类，将规划用地条件、线网规模、联络线条件、车型条件、建设时序、送修时间限制等因素划分为工程可行性因素，作为目标函数的约束条件，总结得到如下约束条件：
①硬性约束：业主指定或前期已经实施的既成事实，如已经建成的建筑群导致地铁大架修规划用地面积有限。
②承担的线路长度约束：即当前规划的地铁大架修使用规格。本实施例中长度规模优选按110～120km规划。
③大架修车辆基地规模约束：各修程不宜超过的最大检修台位数。
④大架修段用地规模限制约束：满足规划部门用地限制。
⑤线网间联络线设置约束：若资源共享，则两线间必须有联络的通道。
⑥各线车型差异约束：若资源共享，则两线间必须使用同一车型
⑦各线建设时序差异约束：建设时序需满足共享线路车辆检修要求。
⑧费用约束：费用指标要求，即工程造价预算等。
⑨送修时间约束：天窗时间内车辆送修，故检修时间必须在4小时以内。一般来说，送检车辆取送速度按40km/h计算，车辆的送修距离应小于160km。
如果将寻求最优地铁大架修的布点方案视为需要求解的方程，那么具体的地铁大架修布点方案就是这个需要求解的方程的解。根据这些约束条件，可以确定地铁大架修基地布点备选方案的范围，也就是说可以确定方程的求解范围。这样可以在寻求最优解的时候，有效过滤掉不在求解范围内的备选方案，使得求解效率更高。
本发明技术方案的实施例中，将工程投资规模、运营成本及投资收益做为影响布点方案的经济性因素，以大架修车辆基地的总费用作为该问题的评价指标，大架修车辆基地总费用由三部分组成，分别为大架修车辆基地的建设费用、运营费用，以及物业开发收益。具体如下：
①大架修车辆基地建设费用。本发明技术方案的实施例中，建设费用计算公式为：建设费用＝建安费+建设用地费+设备购置费+其他费用。
②运营费用。运营费用主要由调车费用及车辆检修相关费用组成。每线调车费用的计算公式为：每线调车费用＝调车距离*每公里调车费用*年调车量*运营时间。其中调车距离加长后费用增加因素包括维修时间延长、调车服务费用增加等。但是调车距离必须满足天窗时间送修的时间约束。
③物业开发收益。物业开发收益受物业开发方式及周边地价影响，不同的情况下，收益也会有所差异。
由此得到本发明技术方案实施例中的目标函数为：
大架修车辆基地总费用＝建设费用+运营费用—物业开发收益。
步骤二：模型优化算法
人工蜂群算法(artificialbeecolony,abc)是由karaboga于2005年提出的一种新颖的基于群智能的全局优化算法，其直观背景来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。
①确定蜂群优化算法适应度评价公式
首先，我们需要确定蜂群优化算法适应度评价公式。
标准的abc算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为3类:采蜜蜂、观察蜂和侦察蜂。整个蜂群的目标是寻找花蜜量最大的蜜源。在标准算法中，采蜜蜂利用先前的蜜源信息寻找新的蜜源并与观察蜂分享蜜源信息；观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源；侦查蜂的任务是寻找一个新的有价值的蜜源，它们在蜂房附近随机地寻找蜜源。
假设问题的解空间是d维的，采蜜蜂与观察蜂的个数都是sn，采蜜蜂的个数或观察蜂的个数与蜜源的数量相等。则标准的abc算法将优化问题的求解过程看成是在d维搜索空间中进行搜索。每个蜜源的位置代表问题的一个可能解，蜜源的花蜜量对应于相应的解的适应度。
进一步的，当所有的采蜜蜂和观察蜂都搜索完整个搜索空间时，如果一个蜜源的适应值在给定的步骤内(定义为控制参数“limit”)没有被提高,则丢弃该蜜源，而与该蜜源相对应的采蜜蜂变成侦查蜂，寻找新的可能解。
本发明技术方案的实施例中，该评价公式可以表达为下式：
ffitness＝m-c1-c2+c3；
上式中，蜂群中每个个体的适应度由该个体的费用表示，而其中ffitness是蜂群中个体的适应度，c1为建设费用；c2为运营费用；c3为上盖开发收益。个体的适应度与大架修车辆基地的各项费用有关，也是最终评价一个大架修车辆基地方案的指标之一。这一指标越大，则该设计方案的适应度越小。式中，m优选是一个尽可能大的数字，以保证适应度值为正。由于建设费用+运营费用—物业开发收益＝大架修车辆基地总费用，因此当m尽可能大的时候，若大架修车辆基地总费用越大，则个体的适应度值越小。换而言之，在m足够大的时候，个体的适应度值越小，说明大架修车辆基地总费用越大，该方案不是最优方案。
②确定蜂群优化算法交叉算子
本发明技术方案的实施例中，可以采用单点交叉算子或者多点交叉算子。单点交叉算子是最简单的交叉算子之一。具体来说，假设个体的长度为n，那么就随机产生一个(1，n)范围内的整数r，然后将要交叉的两个母代个体从r这个地方截为两段，交换母代个体的后半段，就产生了新子代个体。
下面结合图1对其进行更加详细的说明。如图1所示，两个个体p1和p2发生交叉生成新个体o1，由于每个个体由两部分组成，因此交叉操作分两步。
如图1所示，p2的第一部分通过三个点被分为3段，首先对p2第一部分的第一段进行交叉，形成o1第一部分的第一段，然后是对p1第一部分的第二段进行交叉，即为o1第一部分的第二段。也就是说，本实施例中p2与p1交替进行交叉，构成本实施例中的o1。进一步的，由于本实施例中p2与p1均为两部分，优选分别对每部分都采取先进行p2的交叉，然后是p1的交叉的顺序操作。依次交替进行，直至完成该部分的交叉后，再依据上述规则进行下一部分的交叉。
③利用蜂群优化算法编码方法
采用整数编码方法，每个个体的编码由两部分组成，以某市轨道交通轨道交通系统八条线路为例，要确定大架修段的最优数目、位置及其他情况。如图1所示是一个具体地铁大架修方案，编码方法表示每个个体由两部分组成，第二部分(part2)表示各条线路设置大架修库与否，如果设置该位置值为1，否则为0；第一部分(part1)表示各条线路具体由哪个大架修段负责大架修。每一竖列代表一个地铁线路，即第一竖列代表一号地铁线，该列第一行的数字1代表当前线路(1号线)的地铁大架修工作由一号线上设置的地铁大架修基地负责，该列第二行的数字1代表当前线路(1号线)上设置有地铁大架修基地；同理，第六列第一行的数字3代表当前地铁线路(6号线)的地铁大架修工作由设置在三号线上的地铁大架修基地承担，第六列第二行的数字0代表当前地铁线路(6号线)上没有设置地铁大架修基地。图1中实例表示在线路1、3、4上设置大架修段，而1号线大架修车辆基地负责1号线和2号线车辆大架修作业，3号线大架修车辆基地负责3、6、8号线车辆大架修作业，4号线车辆基地负责4、5、7号线车辆大架修作业。也就是说，图1作为地铁大架修的一个具体的可选方案，可以利用上述蜂群优化算法对其适应值进行求解。
实践中，针对地铁大架修一次可能提出一个或者一个以上的备选方案，利用交叉算子可以生成新的备选方案。计算每个备选方案的适应度值，本实施例中，适应度值越大，则该方案越好。在获取地铁大架修的最佳方案后，采用该方案对地铁线上的地铁进行检修，以达到降低维修成本，提高检修效率的目的。
根据适应度值确定地铁大架修的布点方案后，即可知道选择哪条线路设置地铁大架修基地，同时对应检修的地铁线路也是确定的。例如，根据图2的地铁大架修方案进行布点规划，那么在一号线、三号线和四号线上配置地铁大架修基地对全部线路上的地铁进行维修。进一步地，如图2所示，一号线、二号线上运行的地铁将进入位于一号线上的地铁大架修基地进行检修；三号线、六号线、八号线上运行的地铁将全部进入位于三号线上的地铁大架修基地进行检修；四号线五号线和七号线上运行的地铁进入位于四号线上的地铁大架修基地进行检修。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。